Está en la página 1de 5

Estudiante:

Jonathan Melendrez Reyes.

Id: 606322

Materia:
Simulación

Universidad Minuto de Dios


Bogotá D.C
2019

1
Distribución binomial

La distribución binomial es una distribución discreta muy importante la cual surge en muchas
aplicaciones estadísticas. Fue obtenida por Jakob Bernoulli (1654-1705) y publicada en su obra póstuma
Ars Conjectandi en 1713.
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.
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.
Ejemplos de respuesta binaria pueden ser el hábito de fumar (sí/no), si un paciente hospitalizado
desarrolla o no una infección, o si un artículo de un lote es o no defectuoso, entre otros.

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)

2
Distribución de poisson
La distribución de Poisson debe su nombre al matemático francés Simeón Denis Poisson (1781-1840),
aunque ya había sido introducida en 1718 por Abraham De Moivre (1667-1754) como una forma límite
de la distribución binomial que surge cuando se observa un evento raro después de un número grande de
repeticiones.

Esta distribución es una de las más importantes distribuciones de variable discreta. Sus principales
aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa determinar el
número de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas.

La función de densidad de probabilidad de la distribución de Poisson es

donde

k = es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad de que el
evento suceda precisamente k veces).

λ = es un parámetro positivo que representa el número de veces que se espera que ocurra el fenómeno
durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto
y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribución de Poisson con λ = 10×4 = 40.

e = es la base de los logaritmos naturales (e = 2,71828...)

3
Distribución exponencial

La distribución exponencial es un caso particular de la distribución gamma y el equivalente continuo de la


distribución geométrica discreta. Esta ley de distribución describe procesos en los que interesa saber el
tiempo hasta que ocurre determinado evento; en particular, se utiliza para modelar tiempos de
supervivencia. Un ejemplo es el tiempo que tarda una partícula radiactiva en desintegrarse.

La distribución exponencial es una distribución de probabilidad continua con un parámetro cuya función
es:

Su función de distribución acumulada es:

Donde representa 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:

4
Distribución normal

La distribución normal es, la distribución de probabilidad más importante del Cálculo de probabilidades y
de la Estadística. Fue descubierta, como aproximación de la distribución binomial, por Abraham De
Moivre (1667-1754) y publicada en 1733 en su libro The Doctrine of Chances; estos resultados fueron
ampliados por Pierre-Simón Laplace (1749- 1827), quién también realizó aportaciones importantes. En
1809, Carl Friedrich Gauss (1777- 1855) publicó un libro sobre el movimiento de los cuerpos celestes
donde asumía errores normales, por este motivo esta distribución también es conocida como distribución
Gaussiana.
La gráfica tiene una forma acampanada y es simétrica respecto de un determinado parámetro estadístico. Esta
curva se conoce como campana de Gauss.
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.

Bibliografía

Francisco Javier Marco Sanjuán, 2019, distribución binomial, Recuperado de


https://economipedia.com/definiciones/distribucion-binomial.html

Distribución de Poisson, Recuperado de https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson

Distribución exponencial, Recuperado de https://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial

Distribución normal, Recuperado de https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

2014, Distribuciones de probabilidad, Recuperado de https://www.sergas.es/Saude-


publica/Documents/1899/Ayuda_Epidat_4_Distribuciones_de_probabilidad_Octubre2014.pdf