República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada

Nacional Bolivariana.

(UNEFA)

Núcleo Portuguesa – Sede Guanare

“Distribuciones”

Elaborado por:
- Adrián González C.I. 26234490

Ing. De Sistemas 6to Semestre

Profesor:

Carlos Franco.

Guanare; Octubre de 2019.

 Distribuciones Bidimensionales

Son aquellas en las que a cada individuo le corresponden los valores de dos
variables, las representamos por el par (xi, yi). Si representamos cada par de valores
como las coordenadas de un punto, el conjunto de todos ellos se llama nube de
puntos o diagrama de dispersión, sobre la nube de puntos puede trazarse una recta que
se ajuste a ellos lo mejor posible, llamada recta de regresión.

Medida de la correlación:
Estudia la relación o dependencia que existe entre dos variables que
intervienen en una distribución bidimensional. Estudiamos la covarianza, el
centro de gravedad de las dos variables y el coeficiente de correlación lineal
de Pearson r.

Covarianza:
Para cuantificar la relación que existe entre ambas variables existen diferentes medidas.
La más simple de ellas es la covarianza y viene definida por:

Realizando las siguientes operaciones podemos encontrar una expresión más simple:

Coeficiente de correlación lineal:

El inconveniente de la covarianza como medida de la asociación lineal entre dos

variables es que depende de las unidades de X e Y, por ello se define el coeficiente de
correlación entre dos variables X e Y , por:

Recta de regresión:
Sobre la nube de puntos puede trazarse una recta que se ajuste a ellos lo mejor posible,
llamada recta de regresión que se calcula de la siguiente manera:
 Distribución Binomial

Una distribución binomial es una distribución de probabilidad discreta que describe el

número de éxitos al realizar n experimentos independientes entre sí, acerca de una
variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados
bajo esta distribución de probabilidad. Imaginemos el lanzamiento de una moneda en el
que definimos el suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y
contamos los éxitos (sacar cara) que obtenemos, nuestra distribución de probabilidades
se ajustaría a una distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos
en la que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra
variable aleatoria.

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución binomial, tiene
que cumplir las siguientes propiedades:

 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado
que la moneda no cambia en cada experimento y las probabilidades de sacar cara es
constate.
 La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo
q, podemos obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto lo
que ocurra en cada experimento no afecta a los siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y si se lanza una moneda, si no sale cara ha de
salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p). n representa el número de ensayos o experimentos y p la probabilidad de éxito.

Formula de la distribución binomial:

La fórmula para calcular la distribución normal es:

Donde:

n = número de ensayos/experimentos

x = número de éxitos

p = probabilidad de éxito

q = probabilidad de fracaso (1-p)

Es importante resaltar que la expresión entre corchetes no es una expresión matricial,

sino que es un resultado de una combinatoria sin repetición. Este se obtiene con la
siguiente formula:

El signo de exclamación en la expresión anterior, representa el símbolo de factorial.

Ejemplo de distribución binomial

Imaginemos que un 80% de personas en el mundo han visto el partido de la final del
último mundial de futbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la
probabilidad de que 3 de ellos hayan visto?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos la

probabilidad de que 3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador del factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el denominador

tendríamos 3*2*1*1 = 6. Por lo tanto el resultado del factorial sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el segundo
0,2 (dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100
tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos hayan visto el
partido de la final del mundial

Distribución beta:

Utilice la distribución beta para variables aleatorias entre 0 y 1. La distribución beta

suele utilizarse para modelar la distribución de estadísticos de orden (por ejemplo,
el estadístico de orden késimo de una muestra de variables n uniformes (0, 1) tiene una
distribución beta (k, n + 1 – k)) y para modelar eventos que se definen por valos
mínimos y máximos. La escala de la distribución beta suele modificarse para
modelar el tiempo hasta la culminación de una tarea. La distribución beta también
se usa en estadísticas bayesianas, por ejemplo, como la distribución de valores
previos de una probabilidad binomial.

La distribución beta es una distribución continua definida por dos parámetros de

forma. La distribución puede adoptar diferentes formas dependiendo de los valores
de los dos parámetros.

Ambas formas son iguales a 1

Cuando ambas formas son iguales a 1, la distribución beta es la distribución
uniforme.

Ambas formas son menores que 1

Cuando ambas formas son menores que 1, la distribución tiene forma de U.

Ambas formas son iguales y son mayores que 1

Cuando ambas formas son iguales y mayores que 1, la distribución es
simétrica.

La primera forma es mayor que la segunda forma

 Cuando la primera forma es mayor que la segunda forma, la distribución es
asimétrica hacia la izquierda.

La primera forma es menor que la segunda forma

Cuando la primera forma es menor que la segunda forma, la distribución es
asimétrica hacia la derecha.

Distribución normal:

Una distribución normal de media μ y desviación típica

σ se designa por N(μ, σ). Su gráfica es la campana de
Gauss:

El área del recinto determinado por la función y el eje

de abscisas es igual a la unidad.
 Al ser simétrica respecto al eje que pasa por x = µ, deja
un área igual a 0.5 a la izquierda y otra igua l a 0.5 a la
derecha.

La probabilidad equivale al área encerrada bajo la

curva.

Distribución de Poisson:
En teoría de probabilidad y estadística, la distribución de Poisson es una
distribución de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto período de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o
sucesos "raros".
Fue propuesta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilité des jugements en matières criminelles et
matière civile (Investigación sobre la probabilidad de los juicios en materias
criminales y civiles).
La distribución Gamma
Este modelo es una generalización del modelo Exponencial ya que, en
ocasiones, se utiliza para modelar variables que describen el tiempo hasta que
se produce p veces un determinado suceso.
Su función de densidad es de la forma:

Como vemos, este modelo depende de dos parámetros positivos: α y p. La

función Γ(p) es la denominada función Gamma de Euler que representa la
siguiente integral:

que verifica Γ(p + 1) = pΓ(p), con lo que, si p es un número entero positivo, Γ(p +
1) = p!
El siguiente programa permite visualizar la forma de la función de densidad de
este modelo (para simplificar, se ha restringido al caso en que p es un número
entero).
Propiedades de la distribución Gamma
Su esperanza es pα.
Su varianza es pα2
La distribución Gamma (α, p = 1) es una distribución Exponencial de parámetro
α. Es decir, el modelo Exponencial es un caso particular de la Gamma con p =
1.
Dadas dos variables aleatorias con distribución Gamma y parámetro α común
X ~ G(α, p1) y Y ~ G(α, p2)
se cumplirá que la suma también sigue una distribución Gamma
X + Y ~ G(α, p1 + p2).
Una consecuencia inmediata de esta propiedad es que, si tenemos k variables
aleatorias con distribución Exponencial de parámetro α (común) e
independientes, la suma de todas ellas seguirá una distribución G(α, k).