UNIVERSIDAD DE ORIENTE

NUCLEO DE ANZOATEGUI

EXTENSION REGION CENTRO SUR – ANACO

ANACO – ESTADO – ANZOATEGUI

Profesora: bachiller:

Giovanni Brizuela Ismael García

C.I: 26552860

Anaco Noviembre 2018

 Tabla de contenido
Tabla de contenido.......................................................................................................................... 2
Introducción ....................................................................................................................................... 3
Distribución de probabilidad............................................................................................................ 4
Distribución de probabilidad discreta ............................................................................................ 4
Tipos: .............................................................................................................................................. 4
Distribución de Bernoulli: ............................................................................................................. 4
Usos:............................................................................................................................................... 5
Distribución binomial: ................................................................................................................... 5
Usos:............................................................................................................................................... 5
Distribución de poisson: .......................................................................................................... 5
Usos:............................................................................................................................................... 6
Distribución hipergeometrica: ..................................................................................................... 6
Usos:............................................................................................................................................... 6
Distribución de probabilidad continúa ........................................................................................... 7
Tipos: .............................................................................................................................................. 7
Distribución Laplace: .................................................................................................................... 7
Usos:............................................................................................................................................... 7
Distribución exponencial: ........................................................................................................ 7
Usos:............................................................................................................................................... 8
Distribución F: ........................................................................................................................... 8
Usos:............................................................................................................................................... 8
Distribución gamma: ................................................................................................................ 9
Usos:........................................................................................................................................... 9
Conclusión ....................................................................................................................................... 10
Bibliografía ....................................................................................................................................... 11
 Introducción

De acuerdo al estudio de la estadística entre sus objetivos implica conocer de

manera cuantitativa, determinadas partes de la realidad, por esto se hace necesa-
rio construir un modelo particular del modelo de estudio, en este sentido la proba-
bilidad se caracteriza en forma mediable diferentes valores donde se asigna a ca-
da uno de los posibles resultados de un experimento aleatorio de una determinada
probabilidad. Las distribuciones de la probabilidad están relacionadas con la distri-
bución de frecuencia, debido a que las distribuciones tratan sobre expectativas de
que algo suceda ,estos resultan ser modelos útiles para ser inferencias y tomar
decisiones de incertidumbres , estas probabilidades describen las formas en que
se espera que varíen los resultados A continuación se presentan diferentes distri-
buciones de probabilidades entre ellas, discretas y continuas con el objetivo de
conocer su significado, su uso y el ejemplo de cada una de ellas.
 Distribución de probabilidad

Una distribución de probabilidad la podemos concebir como una distribución teó-

rica de frecuencia, es decir, es una distribución que describe como se espera que
varíen los resultados. Dado que esta clase de distribuciones se ocupan de las ex-
pectativas son modelos de gran utilidad para hacer inferencias y tomar decisiones
en condiciones de incertidumbre. Esta también nos permite establecer toda la
gama de resultados probables de ocurrir en un experimento determinado. Es decir,
describe la probabilidad de que un evento se realice en el futuro. La distribución de
probabilidad está completamente especificada por la función de distribución, cuyo
valor en cada x real es la probabilidad de que la variable aleatoria sea menor o
igual que x.

Distribución de probabilidad discreta

Una variable discreta es sencillamente una variable para la que se dan de modo
inherente separaciones entre valores observables sucesivos. En otras palabras, se
define una variable discreta como la variable tal que entre 2 valores cualesquiera
observables, hay por lo menos un valor no observable. A dicha función se la llama
función de masa de probabilidad. En este caso la distribución de probabilidad es el
sumatorio de la función de masa.

Tipos:
Distribución de Bernoulli:
La distribución de Bernoulli, nombrada así por el matemático suizo Jacob
Bernoulli, es una distribución de probabilidad discreta, que toma valor 1 para la
probabilidad de éxito y valor 0 para la probabilidad de fracaso. Si X es una varia-
ble aleatoria que mide el "número de éxitos", y se realiza un único experimento
con dos posibles resultados (éxito o fracaso), se dice que la variable aleatoria se
distribuye como una Bernoulli de parámetro. La distribución de Bernoulli viene da-
da por la siguiente función: F(x)=p^x (1-p) ^ (1-x)

Considerando:

• X= Variable número de éxito

• p= Probabilidad de éxito

• q= probabilidad de fracasos
Cuando tenemos esas consideraciones, la suma de la probabilidad de éxito y la
probabilidad de fracaso es igual a 1: p+q=1 Porque son todos los eventos dentro
del universo que estamos analizando. Cuando la probabilidad de fracaso se plan-
tea en función de la probabilidad de éxito: q=1-p

Usos:

La distribución de Bernoulli se utiliza cuando un proceso aleatorio tenga exacta-

mente dos resultados: evento o no evento. Por ejemplo, en el campo de la calidad,
un producto se puede clasificar como bueno o malo.

Distribución binomial:

La distribución binomial es una distribución de probabilidad discreta que cuenta el

número de éxitos en una secuencia de n ensayos de Bernoulli independientes en-
tre sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos. Un ex-
perimento de Bernoulli se caracteriza por ser dicotómico, esto es, solo dos resul-
tados son posibles. A uno de estos se denomina «éxito» y tiene una probabilidad
de ocurrencia p y al otro, «fracaso», con una probabilidad2 q = 1 - p. En la distri-
bución binomial el anterior experimento se repite n veces, de forma independiente,
y se trata de calcular la probabilidad de un determinado número de éxitos. Para n
= 1, la binomial se convierte, de hecho, en una distribución de Bernoulli.

Usos:

La distribución binomial se utiliza para describir un proceso donde los resultados

se pueden etiquetar como un evento o un no evento y cuando esté interesado en
la ocurrencia de un evento y no en su magnitud. Por ejemplo, un elemento pasa o
no pasa una inspección o un partido político gana o pierde. La distribución bino-
mial se usa frecuentemente en control de calidad, sondeos de opinión pública, in-
vestigaciones médicas y seguros. Por ejemplo, utilice la distribución binomial para
calcular la probabilidad de que 3 o más elementos defectuosos se encuentren en
una muestra de 25 elementos si la probabilidad de un elemento defectuoso en ca-
da ensayo es 0.02. El número de elementos defectuosos (X) sigue una distribución
binomial con n = 25 y p = 0.02.

Distribución de poisson:

La distribución de Poisson es una distribución de probabilidad discreta que expre-

sa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra
un determinado número de eventos durante cierto período de tiempo. Concreta-
mente, se especializa en la probabilidad de ocurrencia de sucesos con probabili-
dades muy pequeñas, o sucesos "raros".
Usos:

La distribución de Poisson es utilizada para describir el número de veces que un

evento ocurre en un espacio finito de observación. Por ejemplo, una distribución
de Poisson puede describir el número de defectos en el sistema mecánico de un
avión o el número de llamadas a un centro de llamadas en una hora. La distribu-
ción de Poisson se utiliza con frecuencia en el control de calidad, los estudios de
fiabilidad/supervivencia y los seguros.

Una variable sigue una distribución de Poisson si se cumplen las siguientes condi-
ciones:

 Los datos son conteos de eventos (enteros no negativos, sin límite supe-
rior).
 Todos los eventos son independientes.
 La tasa promedio no cambia durante el período de interés.

Distribución hipergeometrica:

La distribución hipergeométrica es una distribución discreta que modela el número

de eventos en una muestra de tamaño fijo cuando usted conoce el número total de
elementos en la población de la cual proviene la muestra. Cada elemento de la
muestra tiene dos resultados posibles (es un evento o un no evento). Las mues-
tras no tienen reemplazo, por lo que cada elemento de la muestra es diferente.
Cuando se elige un elemento de la población, no se puede volver a elegir. Por lo
tanto, la probabilidad de que un elemento sea seleccionado aumenta con cada
ensayo, presuponiendo que aún no haya sido seleccionado.

Usos:

La distribución hipergeométrica es utilizada para muestras obtenidas de pobla-

ciones relativamente pequeñas, sin reemplazo. Por ejemplo, la distribución hiper-
geométrica se utiliza en la prueba exacta de Fisher para probar la diferencia entre
dos proporciones y en muestreos de aceptación por atributos cuando se toman
muestras de un lote aislado de tamaño finito. La distribución hipergeométrica se
define por 3 parámetros: tamaño de la población, conteo de eventos en la pobla-
ción y tamaño de la muestra.
 Distribución de probabilidad continúa
Una distribución de probabilidad continua es una función que asigna a un intervalo
de la variable aleatoria continua X su valor de probabilidad correspondiente. Es
decir, la probabilidad de que un evento ocurra en un intervalo de la variable.

1. Es generada por una variable continua (x).

X: Es una variable que puede tomar tanto valores enteros como fraccionarios.

2. Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero. Dicho de otra forma, la función de densidad de probabi-
lidad deberá tomar solo valores mayores o iguales a cero. La función de densidad
de probabilidad sólo puede estar definida en los cuadrantes I y II.

3. La sumatoria de las probabilidades asociadas a cada uno de los valores que

toma x debe ser igual a 1. El área definida bajo la función de densidad de probabi-
lidad deberá ser de 1.

Tipos:
Distribución Laplace:
En teoría de la probabilidad la distribución de Laplace es una densidad de probabi-
lidad continua, llamada así en honor a Pierre-Simón Laplace Es también conocida
como distribución doble exponencial puesto que puede ser considerada como la
relación de las densidades de dos distribuciones exponenciales adyacentes. La
distribución de Laplace resulta de la diferencia de dos variables exponenciales
aleatorias, independientes e idénticamente distribuidas, la distribución de Laplace
también se conoce como distribución exponencial doble, debido a que suele con-
siderarse como dos distribuciones exponenciales, una positiva y una negativa.

Usos:
La distribución de Laplace se utiliza cuando la distribución de los datos tienen un
pico más alto que una distribución normal. Por ejemplo, la distribución de Laplace
se utiliza para modelar datos en aplicaciones en biología, finanzas y economía.

Distribución exponencial:
La distribución exponencial tiene una gran utilidad práctica ya que podemos consi-
derarla como un modelo adecuado para la distribución de probabilidad del tiempo
de espera entre dos hechos que sigan un proceso de Poisson. De hecho la distri-
bución exponencial puede derivarse de un proceso experimental de Poisson con
las mismas características que las que enunciábamos al estudiar la distribución de
Poisson, pero tomando como variable aleatoria, en este caso, el tiempo que tarda
en producirse un hecho. Obviamente, entonces, la variable aleatoria será continua.
Por otro lado existe una relación entre el parámetro a de la distribución exponen-
cial, que más tarde aparecerá, y el parámetro de intensidad del proceso, esta rela-
ción es a = l Al ser un modelo adecuado para estas situaciones tiene una gran uti-
lidad en los siguientes casos:

 Distribución del tiempo de espera entre sucesos de un proceso de Poisson

 Distribución del tiempo que transcurre hasta que se produce un fallo, si se
cumple la condición que la probabilidad de producirse un fallo en un instan-
te no depende del tiempo transcurrido .Aplicaciones en fiabilidad y teoría
de la supervivencia.

Usos:
La distribución exponencial es utilizada para modelar el tiempo entre eventos en
un proceso continuo de Poisson. Se presupone que eventos independientes ocu-
rren a una tasa constante. Esta distribución tiene una amplia gama de aplicacio-
nes, que incluyen el análisis de fiabilidad de productos y sistemas, teorías de colas
y cadenas de Markov. Por ejemplo, la distribución exponencial se puede utilizar
para modelar:

 Cuánto tiempo tarda en fallar un componente electrónico

 El intervalo de tiempo entre las llegadas de clientes a una terminal
 El tiempo que esperan los clientes en fila hasta recibir servicio
 El tiempo hasta que se declara el incumplimiento de un pago (modelos de
riesgo de crédito).
 El tiempo para desintegración de un núcleo radiactivo

Distribución F:
La distribución F es una distribución continua de muestreo de la relación de dos
variables aleatorias independientes con distribuciones de chi-cuadrada, cada una
dividida entre sus grados de libertad. La distribución F es asimétrica hacia la dere-
cha y es descrito por los grados de libertad de su numerador (ν1) y denominador
(ν2).

Usos:
La distribución F se utiliza cuando un estadístico de prueba sea la relación de dos
variables que tienen una distribución de chi-cuadrada cada una. Por ejemplo, utili-
ce la distribución F en el análisis de varianza y en pruebas de hipótesis para de-
terminar si dos varianzas de población son iguales.
 Distribución gamma:
La distribución gamma es una distribución continua que se define por sus paráme-
tros de forma y escala. La distribución gamma de 3 parámetros se define por sus
parámetros de forma, escala y valor umbral. Esta distribución es adecuada para
modelizar el comportamiento de variables aleatorias continuas con asimetría posi-
tiva. Es decir, variables que presentan una mayor densidad de sucesos a la iz-
quierda de la

Media que a la derecha. En su expresión se encuentran dos parámetros, siempre

positivos, (α) y (β) de los que depende su forma y alcance por la derecha, y tam-
bién la función Gamma Γ (α), responsable de la convergencia de la distribución.

Usos:
La distribución gamma se utiliza para modelar valores de datos positivos que
sean asimétricos a la derecha y mayores que 0. La distribución gamma se utiliza
comúnmente en estudios de supervivencia de fiabilidad. Por ejemplo, la distribu-
ción gamma puede describir el tiempo que transcurre para que falle un componen-
te eléctrico. La mayoría de los componentes eléctricos de un tipo particular fallará
aproximadamente en el mismo momento, pero unos pocos tardarán más en fallar.
 Conclusión

Para concluir la distribución de probabilidad es un listado de todos los resultados

posibles que podrían presentarse si se efectuara el experimento. Las probabilida-
des que se asocian a cada una de los valores que toma la variable aleatoria x
contribuye a lo que se conoce como distribución de la probabilidad ,la cual puede
ser representada mediante una función matemática , una gráfica o una tabla de
valores , la diferencia consiste en que la función matemática se trasforma en una
función probabilística .Una distribución de probabilidad inicia toda la gama de valo-
res que puedan representarse como resultado de un experimento si este se lleva a
cabo. Es decir describe la probabilidad de que un evento se realice a futuro, cons-
tituye una herramienta fundamental para la prospectiva, puesto que se puede di-
señar un escenario de acontecimiento futuros considerado las tendencias actuales
de diversos fenómenos naturales. En una distribución teórica de frecuencia se
puede describir como se espera que varíen los resultados de un experimento,
existen diferentes tipos de modelos que permiten descubrir el comportamiento de
fenómenos estadísticos que permiten hacer indiferencias y tomar decisiones en
condiciones de incertidumbre. Toda distribución de probabilidad es generada por
una variable (porque puede tomar diferentes valores) aleatoria x (porque el valor
tomado es totalmente al azar).
 Bibliografía

https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_probabilidad

https://www.monografias.com/trabajos57/distribuciones-
probabilidad/distribuciones-probabilidad.shtml

https://www.youtube.com/watch?v=unUpFZiI6DM

https://www.youtube.com/watch?v=kgesjcCTSUs

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/gamma-distribution/