REPBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL DE LA FUERZA ARMADA
U.N.E.F.A

Profesor:
Andrs Bellorin

Integrantes:
Ibrahin Torrealba CI 25.132.860
Oscar Maita CI 24.494.077
Seccin: D01

San Tom, 28 de mayo de 2013

INTRODUCCIN
Las distribuciones de probabilidad estn relacionadas con la distribucin de
frecuencia. Algunos libros dicen que se puede pensar en la distribucin de la
probabilidad como una distribucin de frecuencia terica; podemos decir que la
distribucin de la probabilidad describe la forma en que se espera que varen los
resultados y como estas distribuciones tratara sobre expectativas de que algo suceda,
sirven para hacer inferencias y formar decisiones en condiciones de incertidumbre.
En el siguiente trabajo se clasifican los tipos de distribuciones de probabilidad
como discreta y continua. Muestra el concepto de variables aleatorias y los tipos que
existen de acuerdo a su comportamiento. En el trabajo tambin se puede observar las
formas de distribucin de las variables y describe cada uno de ellas, as tambin
describe los mtodos estadsticos que se realizan a los tipos de distribuciones que
existen.
El nombre de Estadstica alude al enorme inters de esta rama matemtica
para los asuntos del Estado y su introduccin en el mundo cientfico se debe a la
importancia indiscutible para el desarrollo de las ciencias sociales y humanas

Por ltimo el trabajo describe la distribucin de la probabilidad normal para

luego mostrar cmo usar las tablas normales estndar de donde describe como poder
resolver problemas de probabilidad.

Distribuciones de Probabilidades
La distribucin de probabilidad de una variable aleatoria es una funcin que
asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho
suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos
los sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria.
La distribucin de probabilidad est completamente especificada por la funcin
de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria
sea menor o igual que x.
Distribucin de variables aleatorias directas
Es un nmero real asociado al resultado de un experimento aleatorio, es decir, una
funcin real en el espacio muestral, se dice que una variable aleatoria es discreta si el
conjunto de todos los valores que pueden tomar es un conjunto numerable.
Ejemplos:

Nmero de caras al lanzar dos monedas

Nmero de cifras acertadas en un sorteo de la lotera.
Distribucin binomial

La distribucin binomial es tpica de las variables que proceden de un

experimento que cumple las siguientes condiciones:

El experimento est compuesto de n pruebas iguales, siendo n un nmero

natural fijo.
Cada prueba resulta en un suceso que cumple las propiedades de la variable
binmica o de Bernouilli, es decir, slo existen dos posibles resultados,
mutuamente excluyentes, que se denominan generalmente como xito y
fracaso.
La probabilidad del xito (o del fracaso) es constante en todas las pruebas.
P(xito) = p ; P(fracaso) = 1 - p = q
Las pruebas son estadsticamente independientes,

En estas condiciones, la variable aleatoria X que cuenta el nmero de xitos en

la n pruebas se llama variable binomial. Evidentemente, el espacio muestral estar
compuesto por los nmeros enteros del 0 al n. Se suele decir que una variable
binmica cuenta objetos de un tipo determinado en un muestreo de n elementos con
reemplazamiento.

La funcin de probabilidad de la variable binomial se representa como b(x,n,p)

siendo n el nmero de pruebas y p la probabilidad del xito. n y p son los parmetros
de la distribucin.

La manera ms fcil de calcular de valor de nmeros combinatorios, como los

incluidos en la expresin anterior, es utilizando el tringulo de Tartaglia

Esperanza matemtica y varianza de la distribucin binomial

La esperanza matemtica y la varianza de la variable binomial se calculan como:
Esperanza matemtica= = n p
Varianza = 2 = n p q

Ejemplo
La probabilidad de que un artculo producido por una fbrica sea defectuoso es 0.02.
Se envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero
esperado de artculos defectuosos, la varianza y la desviacin tpica.

Distribucin Poisson

Esta funcin de distribucin de variable discreta se emplea para calcular las

probabilidades asociadas a la variable aleatoria dentro de un intervalo continuo de
tiempo o espacio; este intervalo es generalmente una unidad de medida conocida:
cm2, km, gramos, litros, pulgadas, etc.
Algunos de los problemas que presentan como un fenmeno con distribucin de
Poisson son:
1. Los embotellamientos que se producen por da.
2. Nmero de llamadas por hora.
3. Defectos por m2 de tela.
4. Nmero de defectos por lote de un proceso de produccin.
5. Nmero de negocios cerrados por semana.
A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de
medida en n ensayos; pero es totalmente imposible conocer el nmero de fracasos (n x). Se dice que se da un proceso de Poisson si se pueden observar eventos discretos en
un intervalo continuo en forma tal que si se acorta el intervalo lo suficiente:
1. La probabilidad de observar exactamente un xito en el intervalo es estable.
2. La probabilidad de observar dos o ms xitos en el intervalo es cero.
3. La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente
de que suceda en cualquier otro intervalo.
La distribucin de Poisson se expresa mediante la siguiente frmula
Donde:
n = Nmero de ensayos

x = Nmero de xitos esperados en n ensayos

e = 2.71828...
_ = n p = Constante igual al nmero de xitos promedio por unidad de medida
p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por
unidad de medida.
Esperanza Matemtica y varianza de la distribucin Poisson

1) Esperanza: E(X) = .
2) Varianza: V(X) = .
En esta distribucin la esperanza y la varianza coinciden.
3) La suma de dos variables aleatorias independientes con distribucin de Poisson
resulta en una nueva variable aleatoria, tambin con distribucin de Poisson, de
parmetro igual a la suma de parmetros:
X1 ~ P( = 1) y X2 ~ P( = 2)
y definimos Z = X1 + X2, entonces,
Z ~ P( = 1 + 2)
Este resultado se extiende inmediatamente al caso de n variables aleatorias
independientes con distribucin de Poisson. En este caso, la variable suma de todas
ellas sigue una distribucin de Poisson de parmetro igual a la suma de los parmetros.

Distribucin Geomtrica

La distribucin geomtrica es un modelo adecuado para aquellos procesos en

los que se repiten pruebas hasta la consecucin del xito a resultado deseado y tiene
interesantes aplicaciones en los muestreos realizados de esta manera. Tambin implica
la existencia de una dicotoma de posibles resultados y la independencia de las
pruebas.entre.s.

Proceso experimental del que se puede hacer derivar. Esta distribucin se puede hacer
derivar de un proceso experimental puro o de Bernouilli en el que tengamos las
siguientes.caractersticas.

El proceso consta de un nmero no definido de pruebas o experimentos separados o

separables. El proceso concluir cuando se obtenga por primera vez el resultado

deseado.(xito).

Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A.

La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un
resultado no A es q siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas ,por tanto , las
pruebas ,son independientes (si se trata de un proceso de "extraccin" ste se llevar a
, cabo con devolucin del individuo extrado) . (Derivacin de la distribucin). Si en
estas circunstancias aleatorizados de forma que tomemos como variable aleatoria X =
el nmero de pruebas necesarias para obtener por primera vez un xito o resultado A ,
esta variable se distribuir con una distribucin geomtrica de parmetro p.
Esperanza Matemtica y varianza de la distribucin Geomtrica

La media y varianza de esta variable aleatoria son:

Ejemplo:
Un matrimonio quiere tener una hija, y por ello deciden tener hijos hasta el
nacimiento de una hija. Calcular el nmero esperado de hijos (entre varones y
hembras) que tendr el matrimonio. Calcular la probabilidad de que la pareja acabe
teniendo tres hijos o ms.
Solucin: Este es un ejemplo de variable geomtrica. Vamos a suponer que la
probabilidad de tener un hijo varn es la misma que la de tener una hija hembra.
Sea X la v.a.

Es claro que

Sabemos que el nmero esperado de hijos varones es

nmero esperado en total entre hijos varones y la nia es 2.

, por tanto el

La probabilidad de que la pareja acabe teniendo tres o ms hijos, es la de que tenga 2

o ms hijos varones (la nia est del tercer lugar en adelante), es decir,

Hemos preferido calcular la probabilidad pedida mediante el suceso complementario,

ya que sera ms complicado hacerlo mediante la suma infinita

Distribucin Hipergeometrica
Se emplea para calcular la probabilidad de obtener determinado nmero de
xitos en un espacio muestral de n ensayos; pero a diferencia de la distribucin
binomial es que los datos de la muestra se extraen sin reemplazo en una poblacin
finita. Por esto es que el resultado de una observacin depende o es afectado por el
resultado
de
cualquier
otra
u
otra
observacin
anterior.

Es decir la distribucin hipergeomtrica se emplea para muestreos sin

reemplazo de una poblacin finita cuya probabilidad de ocurrencia cambia a lo largo
del ensayo.
Dado un espacio muestral S de tamao N con los subespacios M _ N y (N - M) _
N entonces, la probabilidad de que en n ensayos x pertenezca a M y (n - x) pertenezca
a (N - M) est dada por:
Donde:
N = El tamao de espacio muestral S
n = El nmero de ensayos

M = El nmero de xitos en el espacio muestral

N - M = Nmero de fracasos del espacio muestral
x = Nmero de xitos en la muestra
n - x = Nmero de fracasos de la muestra.

Esperanza Matemtica y varianza de la distribucin Hipergeometrica

El clculo de estas magnitudes pueden realizarse con las siguientes frmulas:

1) Esperanza: E(X) = n N1 / N 2.
2) Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )
Propiedades del modelo Hipergeomtrico
1) Esperanza: E(X) = n N1/N
2) Varianza: V(X) = (n N1 N2 (N n))/(N2 (N 1))

Distribuciones de Variables Aleatorias Continuas

Una variable aleatoria X es continua si su funcin de distribucin es una funcin

continua.
En la prctica, se corresponden con variables asociadas con experimentos en
los cuales la variable medida puede tomar cualquier valor en un intervalo: mediciones
biomtricas, intervalos de tiempo, reas, etc.
Ejemplos
Resultado de un generador de nmeros aleatorios entre 0 y 1. Es el ejemplo
ms sencillo que podemos considerar, es un caso particular de una familia de variables
aleatorias que tienen una distribucin uniforme en un intervalo [a, b]. Se corresponde
con la eleccin al azar de cualquier valor entre a y b.
Estatura de una persona elegida al azar en una poblacin. El valor que se
obtenga ser una medicin en cualquier unidad de longitud (m, cm, etc.) dentro de
unos lmites condicionados por la naturaleza de la variable. El resultado es
impredecible con antelacin, pero existen intervalos de valores ms probables que
otros debido a la distribucin de alturas en la poblacin. Ms adelante veremos que,

generalmente, variables biomtricas como la altura se adaptan un modelo de

distribucin denominado distribucin Normal y representado por una campana de
Gauss.
Dentro de las variables aleatorias continuas tenemos las variables aleatorias
absolutamente continuas.
Diremos que una variable aleatoria X continua tiene una distribucin
absolutamente continua si existe una funcin real f, positiva e integrable en el
conjunto de nmeros reales, tal que la funcin de distribucin F de X se puede
expresar como

Una variable aleatoria con distribucin absolutamente continua, por extensin,

se clasifica como variable aleatoria absolutamente continua.
En el presente manual, todas las variables aleatorias continuas con las que
trabajemos pertenecen al grupo de las variables absolutamente continuas, en
particular, los ejemplos y casos expuestos.
Distribucin Uniforme
Tenemos esta distribucin cuando el resultado de una experiencia aleatoria
puede ser un conjunto finito de n posibles resultados, todos ellos igualmente
probables.
Un ejemplo puede ser la variable X, puntuacin en el lanzamiento de un dado
regular. Esta variable toma seis valores posibles, todos con la misma probabilidad p =
1/6. La funcin de densidad de esta variable ser:
f(k) = P[X = k] = 1/6

k = 1, 2, 3, 4, 5, 6

Esperanza Matemtica y varianza de la distribucin Uniforme

Sea n el nmero de valores equiprobables posibles:
1) Esperanza:

2) Varianza:

Distribucin Exponencial
Mientras que la distribucin de Poisson describe las llegadas por unidad de
tiempo, la distribucin exponencial estudia el tiempo entre cada una de estas llegadas.
Si las llegadas son de Poisson el tiempo entre estas llegadas es exponencial. Mientras
que la distribucin de Poisson es discreta la distribucin exponencial es continua
porque el tiempo entre llegadas no tiene que ser un nmero entero. Esta distribucin
se utiliza mucho para describir el tiempo entre eventos. Ms especficamente la
variable aleatoria que representa al tiempo necesario para servir a la llegada.
Ejemplos tpicos de esta situacin son el tiempo que un mdico dedica a una
exploracin, el tiempo de servir una medicina en una farmacia, o el tiempo de atender
a una urgencia.
El uso de la distribucin exponencial supone que los tiempos de servicio son
aleatorios, es decir, que un tiempo de servicio determinado no depende de otro
servicio realizado anteriormente ni de la posible cola que pueda estar formndose.
Otra caracterstica de este tipo de distribucin es que no tienen "edad" o en otras
palabras, "memoria". Por ejemplo. Supongamos que el tiempo de atencin de un

paciente en una sala quirrgica sigue una distribucin exponencial. Si el paciente ya

lleva 5 horas siendo operado, la probabilidad de que est una hora ms es la misma
que si hubiera estado 2 horas, o 10 horas o las que sea. Esto es debido a que la
distribucin exponencial supone que los tiempos de servicio tienen una gran
variabilidad. A lo mejor el prximo paciente operado tarda 1 hora porque su ciruga era
mucho ms simple que la anterior.
La funcin de densidad de la distribucin exponencial es la siguiente:
Se dice que la variable aleatoria continua X tiene distribucin exponencial con
parmetro

Su grfica es un modelo apropiado a vida til de objetos.

Par calcular la esperanza matemtica y la varianza, se hallara primero el momento de

orden r respecto del origen:

Esperanza Matemtica y varianza de la distribucin exponencial

El valor esperado y la varianza de una variable aleatoria X con distribucin
exponencial son:

La distribucin exponencial es un caso particular de distribucin gamma con k =

1. Adems la suma de variables aleatorias que siguen una misma distribucin
exponencial es una variable aleatoria expresable en trminos de la distribucin
gamma.
Distribucin Gamma
Es una distribucin de probabilidad continua con dos parmetros k y cuya
funcin de densidad para valores x > 0 es
Aqu e es el nmero e y es la funcin gamma. Para valores *pic+la aquella es
(k) = (k 1)! (el factorial de k 1). En este caso - por ejemplo para describir un
proceso de Poisson - se llaman la distribucin Erlang con un parmetro = 1 / .

Esperanza Matemtica y varianza de la distribucin Gamma

1. ESPERANZA: E*X+ = k / = k
2. VARIANZA: V*X+ = k / 2 = k2
Distribucin Normal
Se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a
una de las distribuciones de probabilidad de variable continua que con ms frecuencia
aparece en fenmenos reales. La grfica de su funcin de densidad tiene una forma
acampanada y es simtrica respecto de un determinado parmetro. Esta curva se
conoce como campana de Gauss. La importancia de esta distribucin radica en que
permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras
que los mecanismos que subyacen a gran parte de este tipo de fenmenos son
desconocidos, por la enorme cantidad de variables incontrolables que en ellos
intervienen, el uso del modelo normal puede justificarse asumiendo que cada
observacin se obtiene como la suma de unas pocas causas independientes. De hecho,
la estadstica es un modelo matemtico que slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de ah

que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo

correlacional. La distribucin normal tambin es importante por su relacin con la
estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms simples y
antiguos.
Esperanza Matemtica y varianza de la distribucin normal
Se pueden calcular a continuacin, sin ms que introducir los parmetros de

respectivamente.

Un 50% de los valores estn a la derecha de este valor central y otro 50% a la
el valor medio de la distribucin y es precisamente donde se sita el centro de la curva
si la varianza es baja los valores estn prximos a la media; si es alta, entonces los
valores estn muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1se denomina normal
tipificada, y su ventaja reside en que hay tablas donde se recoge la probabilidad
acumulada para cada punto de la curva de esta distribucin. Adems, toda distribucin
normal se puede transformar en una normal tipificada aplicando
z

La distribucin normal tipificada tiene la ventaja de que las probabilidades para

cada valor de la curva se encuentran recogidas en una tabla que se indica en el anexo a
este documento

Distribucin X2 De Pearson
En estadstica, la distribucin (de Pearson), llamada Ji cuadrado, es
una distribucin de probabilidad continua con un parmetro que representa
los grados de libertad de la variable aleatoria.

Donde
son variables aleatorias normales independientes de media cero
y varianza uno. El que la variable aleatoria
tenga esta distribucin se representa
habitualmente as:

Es conveniente tener en cuenta que la letra griega se transcribe a otros

idiomas (como el latn,1 el ingls o el alemn) comochi. En cualquier caso, la
pronunciacin en castellano es ji.2 3 Tal diferencia es debida a la ausencia una letra
para el sonido j espaol en tales idiomas, y el sonido se imita con el dgrafo.

CONCLUSIN
La distribucin de probabilidad de una variable aleatoria es una funcin que
asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho
suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos
los sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria.
La prueba de K-S es aplicable solamente a variables aleatorias continuas
comparar la grfica de la distribucin emprica acumulada con la correspondiente
grfica de la funcin de densidad acumulada de la distribucin terica propuesta. Si
hay un acercamiento entre las grficas existe una probabilidad de que la distribucin
terica se ajusta a los datos.
Con los grandes avances tecnolgicos hemos ahorrado tiempo para
el anlisis estadstico, sin embargo la comprensin de la lgica que se utiliza para llegar
a la resolucin del mismo es algo que nos ha llevado a este estudio. Estas variables
pueden ser discretas o continuas. Si se permite que una variable aleatoria adopte slo
un nmero limitado de valores, se le llama variable aleatoria discreta. Por el contrario,
si se le permite asumir cualquier valor dentro de determinados lmites, recibe el
nombre de variable aleatoria continua.

Para esta presentacin aprendimos la aplicacin y manejo de las Distribuciones

de Probabilidades ms comunes, la Binomial, la de Poisson y finalmente la distribucin
Normal.

BIBLIOGRAFA

http://www.slideshare.net/agtzglez22/probabilidad-1644385
http://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
http://72.29.82.210/~casioa/wpcontent/uploads/downloads/2011/11/Modelo_Normal.pdf
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal