REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN

UNIVERSITARIA
UNIVERSIDA NACIONAL EXPERIMENTAL “RAFAEL MARÍA BARALT”
PROGRAMA NACIONAL DE FORMACIÓN EN INFORMÁTICA
ASIGNATURA: MATEMÁTICA APLICADA III

UNIDAD 1 FUNCIONES DE DISTRIBUCIÓN DE

PROBABILIDAD

REALIZADO POR:
Escorcia Luis
C.I.: V.-27.104.669
TRAMO: 3-1

San Francisco, marzo de 2020

 ESQUEMA

CONTENIDO: UNIDAD 1 FUNCIONES DE DISTRIBUCIÓN DE

PROBABILIDAD:

1. Discretas (Binominal, Poisson, Hipergeométrica y Multinomial)

2. Continúas (Normas y Exponencial)
3. Distribución T de Student
4. Chi Cuadrado
5. F de Fisher.
 DESARROLLO

FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD:

Una distribución de probabilidad indica toda la gama de valores que

pueden representarse como resultado de un experimento si éste se llevase a
cabo.

Es decir, describe la probabilidad de que un evento se realice en el

futuro, constituye una herramienta fundamental para la prospectiva, puesto
que se puede diseñar un escenario de acontecimientos futuros considerando
las tendencias actuales de diversos fenómenos naturales.

1. Discretas (Binominal, Poisson, Hipergeométria y Multinominal):

Toda distribución de probabilidad es generada por una variable (porque

puede tomar diferentes valores) aleatoria x (porque el valor tomado es
totalmente al azar), y puede ser de dos tipos:

Variable aleatoria discreta (x). Porque solo puede tomar valores

enteros y un número finito de ellos.

Por ejemplo: x→Variable que nos define el número de alumnos

aprobados en la materia de probabilidad en un grupo de 40 alumnos (1, 2 ,
3…ó los 40).

Propiedades de una Variable Aleatoria Discreta (X):

 0≤p(xi )≤1 Las probabilidades asociadas a cada uno de los valores

que toma x deben ser mayores o iguales a cero y menores o iguales a 1.
  Σp(xi ) = 1 La sumatoria de las probabilidades asociadas a cada uno
de los valores que toma x debe ser igual a 1.

Ejemplo para variable aleatoria discreta:

Tenemos una moneda que al lanzarla puede dar sólo dos resultados: o
cara (50%), o cruz (50%). La siguiente tabla nos muestra los posibles
resultados de lanzar dos veces una moneda:

Al realizar la tabla de distribución del número posible de caras que se

obtiene al lanzar una moneda dos veces, obtenemos:
 DISTRIBUCIONES DE PROBABILIDAD DE LAS VARIABLES
ALEATORIAS:

 Distribución Binomial
 Distribución Poisson
 Distribución Normal
 Distribución Hipergeométrica
 Distribución Multinomial

 Distribución Binomial: La distribución Binomial es un caso particular

de probabilidad de variable aleatoria discreta, y por sus aplicaciones, es
posiblemente la más importante.

Esta distribución corresponde a la realización de un experimento

aleatorio que cumple con las siguientes condiciones:

 Al realizar el experimento sólo son posible dos resultados: el

suceso A, llamado éxito, o su contrario A’, llamado fracaso.

 Al repetir el experimento, el resultado obtenido es independiente

de los resultados obtenidos anteriormente.

 La probabilidad del suceso A es constante, es decir, no varía de

una prueba del experimento a otra. Si llamamos p a la
probabilidad de A, p(A) = P, entonces p(A’)= 1 – p = q

 En cada experimento se realizan n pruebas idénticas.

Todo experimento que tenga estas características se dice que sigue el

modelo de la distribución Binomial o distribución de Bernoulli.
 En general, si se tienen n ensayos Bernoulli con probabilidad de éxito p
y de fracaso q, entonces la distribución de probabilidad que la modela es la
distribución de probabilidad binomial y su regla de correspondencia es:

Como el cálculo de estas probabilidades puede resultar algo tedioso se

han construido tablas para algunos valores de n y p que nos facilitan el
trabajo (Ver las tablas de la función de probabilidad Binomial).

 Distribución Poisson: La distribución de POISSON es también un

caso particular de probabilidad de variable aleatoria discreta, el cual debe su
nombre a Siméon Denis Poisson (1781-1840), un francés que la desarrolló a
partir de los estudios que realizó durante la última etapa de su vida.

Esta distribución se utiliza para describir ciertos procesos.

Características:

En este tipo de experimentos los éxitos buscados son expresados por

unidad de área, tiempo, pieza, etc:

 de defectos de una tela por m2

 de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
 de bacterias por cm2 de cultivo
 de llamadas telefónicas a un conmutador por hora, minuto, etc.
 de llegadas de embarcaciones a un puerto por día, mes, etc.

Para determinar la probabilidad de que ocurran x éxitos por unidad de

tiempo, área, o producto, la fórmula a utilizar sería:
dónde:

p(X) = probabilidad de que ocurran x éxitos, cuando el número promedio de

ocurrencia de ellos es λ

λ = media o promedio de éxitos por unidad de tiempo, área o producto e =

2.718 (base de logaritmo neperiano o natural)

X = variable que nos denota el número de éxitos que se desea que ocurra

Hay que hacer notar que en esta distribución el número de éxitos que
ocurren por unidad de tiempo, área o producto es totalmente al azar y que
cada intervalo de tiempo es independiente de otro intervalo dado, así como
cada área es independiente de otra área dada y cada producto es
independiente de otro producto dado.

 Distribución Hipergeométria: En teoría de la probabilidad la

distribución hipergeométrica es una distribución discreta relacionada con
muestreos aleatorios y sin reemplazo. Suponga que se tiene una población
de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La
distribución hipergeométrica mide la probabilidad de obtener

elementos de la categoría A en una muestra sin reemplazo de n

elementos de la población original.
  Distribución Multinomial: En teoría de probabilidad, la distribución
multinomial es una generalización de la distribución binomial.

La distribución binomial es la probabilidad de un número de éxitos en N

sucesos de Bernoulli independientes, con la misma probabilidad de éxito en
cada suceso. En una distribución multinomial, el análogo a la distribución de
Bernoulli es la distribución categórica, donde cada suceso concluye en
únicamente un resultado de un número finito K de los posibles, con
probabilidades

y con n sucesos independientes.

Entonces sea la variable aleatoria , que indica el número de veces que

se ha dado el resultado i sobre los n sucesos. El vector

sigue una distribución multinomial con parámetros n y p, donde

Nótese que en algunos campos las distribuciones categórica y

multinomial se encuentran unidas, y es común hablar de una distribución
multinomial cuando el término más preciso sería una distribución categórica.
 2. Continúas (Normal y Exponencial):

Variable aleatoria continua (x). Porque puede tomar tanto valores

enteros como fraccionarios y un número infinito de ellos dentro de un mismo
intervalo.
Por ejemplo:
x→Variable que nos define la concentración en gramos de plata de
algunas muestras de mineral (14.8 gr, 12.1, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0,
20.8, …, ∞).

Propiedades de una Variable Aleatoria Discreta (X):

 p(x)≥0 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 probabilidad deberá tomar solo valores mayores o iguales a
cero.
 El área definida bajo la función de densidad de probabilidad deberá
ser de 1.

Las distribuciones de variable continua más importantes son las

siguientes:

 Distribución Normal: En estadística y probabilidad se llama

distribución normal, distribución de Gauss, distribución gaussiana o
distribución de Laplace-Gauss, a una de las distribuciones de probabilidad de
variable continua que con más frecuencia aparece en estadística y en la
teoría de probabilidades.
 La gráfica de su función de densidad tiene una forma acampanada y es
simétrica respecto de un determinado parámetro estadístico. Esta curva se
conoce como campana de Gauss y es el gráfico de una función gaussiana.

La importancia de esta distribución radica en que permite modelar

numerosos fenómenos naturales, sociales y psicológicos. Mientras que los
mecanismos que subyacen a gran parte de este tipo de fenómenos son
desconocidos, por la enorme cantidad de variables incontrolables que en
ellos intervienen, el uso del modelo normal puede justificarse asumiendo que
cada observación se obtiene como la suma de unas pocas causas
independientes.

En probabilidad, la distribución normal aparece como el límite de varias

distribuciones de probabilidad continuas y discretas.
  Distribución Exponencial: En estadística la distribución exponencial
es una distribución de probabilidad continua con un parámetro
Cuya función de densidad es:

Su función de distribución acumulada es:

Donderepresenta el número e.
De forma adicional esta distribución presenta una función adicional que
es función Supervivencia (S), que representa el complemento de Función de
distribución.

El valor esperado y la varianza de una variable aleatoria X con

distribución exponencial son:

La distribución exponencial es un caso particular de distribución gamma

con k= 1. Además, la suma de variables aleatorias que siguen una misma
distribución exponencial es una variable aleatoria expresable en términos de
la distribución gamma.
  Distribución T Student: En probabilidad y estadística,
la distribución t (de Student) es una distribución de probabilidad que surge
del problema de estimar la media de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño.

Aparece de manera natural al realizar la prueba t de Student para la

determinación de las diferencias entre dos varianzas muestrales y para la
construcción del intervalo de confianza para la diferencia entre las partes de
dos poblaciones cuando se desconoce la desviación típica de una población
y esta debe ser estimada a partir de los datos de una muestra.

Fue desarrollada por William Sealy Gosset, bajo el seudónimo Student.

 Chi Cuadrado: En estadística, la distribución de Pearson, llamada
también ji cuadrada(o) o chi cuadrado(a) (χ²), es una distribución de
probabilidad continua con un parámetro k que representa los grados de
libertad de la variable aleatoria.

Donde Z son variables aleatorias normales independientes de media cero y

varianza uno. El que la variable aleatoria X tenga esta distribución se
representa habitualmente así:
 Distribución F de Fisher: Usada en teoría de probabilidad y
estadística, la distribución F es una distribución de probabilidad continua.
También se le conoce como distribución F de Snedecor (por George
Snedecor) o como distribución F de Fisher-Snedecor (por Ronald Fisher).

Una variable aleatoria de distribución F se construye como el siguiente

cociente:

donde

 U1 y U2 siguen una distribución chi-cuadrado con d1 y d2 grados de

libertad respectivamente, y

 U1 y U2 son estadísticamente independientes.

La distribución F aparece frecuentemente como la distribución nula de

una prueba estadística, especialmente en el análisis de varianza. Véase el
test F.
La función de densidad de una viene dada por

para todo número real x ≥ 0, donde d1 y d2 son enteros positivos, y B es

la función beta.
La función de distribución es
Donde I es la función beta incompleta regularizada.