República Bolivariana de Venezuela

Ministerio de Poder Popular

Para la Educación

Universidad Nacional Experimental Rafael Maria Baralt

Sección: 301721

Tema #2

Estadística 2

Profesor: Alumna:

Betulio Vílchez Maria Loaiza

CI: 28146733

San francisco 31/08/2020

 Informe

Distribución de probabilidades discretas

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores
contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta
puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución de
probabilidad discreta suele representarse en forma tabular.

Distribución binominal

La distribución binomial es una distribución de probabilidades mediante la cual se calcula la

probabilidad de ocurrencia de eventos, siempre que se presenten bajo dos modalidades: éxito o
fracaso.
Estas denominaciones (éxito o fracaso) son completamente arbitrarias, ya que no necesariamente
significan cosas buenas o malas. Durante este artículo indicaremos la forma matemática de la
distribución binomial y luego se explicará con detalle el significado de cada término.

Distribución acumulada

La función de distribución acumulada (CDF) calcula la probabilidad acumulada de un valor dado de

x. Utilice la CDF para determinar la probabilidad de que una observación aleatoria que se toma de
la población sea menor que o igual a cierto valor. También puede usar esta información para
determinar la probabilidad de que una observación sea mayor que cierto valor o se encuentre
entre dos valores.

Varianza binominal

Consideramos la variable aleatoria X que sigue una binomial B(n,p). Recordamos que la variable
aleatoria X expresa el número de éxitos que se obtienen al realizar "n" pruebas o ensayos
independientes de Bernouilli con probabilidad "p" de éxito y "(1-p)" de fracaso. Esta variable
puede interpretarse perfectamente como suma de "n" variables de Bernouilli, una por cada uno
de los ensayos realizados. En consecuencia, para deducir la esperanza matemática y la varianza de
la binomial B(n, p) podemos calcular la esperanza matemática y varianza de la variable
correspondiente a un ensayo y después aplicar las propiedades generales de dichos parámetros
con respecto a la suma de variables independientes.

Distribución de poisson

Es una distribución de probabilidad discreta que expresa la probabilidad de que un número dado
de eventos que ocurren en un intervalo fijo de tiempo o espacio si estos eventos ocurren con una
tasa media constante conocida e independientemente del tiempo transcurrido desde el último
evento.

La distribución de Poisson también se puede utilizar para el número de eventos en otros intervalos
especificados, como distancia, área o volumen.

La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es igual a la
media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la distribución
normal (λ, λ) podría utilizarse para aproximar la distribución de Poisson.

Utilice la distribución de Poisson 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 distribución 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 condiciones:

 Los datos son conteos de eventos (enteros no negativos, sin límite superior).

 Todos los eventos son independientes.

 La tasa promedio no cambia durante el período de interés.

Distribución de probabilidades continua

Una distribución continua describe las probabilidades de los posibles valores de una variable
aleatoria continua. Una variable aleatoria continua es una variable aleatoria con un conjunto de
valores posibles (conocido como el rango) que es infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área por debajo de
la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una probabilidad
diferente de cero. La probabilidad de que una variable aleatoria continua equivalga a algún valor
siempre es cero.
Función de densidad

Una función de densidad es una función estadística que representa gráficamente la probabilidad
de ciertos eventos. La función de densidad más común es la función de densidad en forma de
campana de la densidad normal. Cada distribución de probabilidad tiene dos curvas de densidad.

La importancia de las funciones de densidad es que te permiten saber mucho acerca de una
distribución de probabilidad de una sola gráfica. Puedes determinar cuál es el valor más común,
cuáles son los valores más extremos y la probabilidad aproximada de cualquier valor.

Función de densidad acumulada

Una función de densidad acumulativa tiene el mismo eje de las X, pero el eje Y es la probabilidad
de estar en ese punto o en uno inferior.

Distribución normal

La distribución normal es un modelo teórico capaz de aproximar satisfactoriamente el valor de una

variable aleatoria continua a una situación ideal.

En otras palabras, la distribución normal adapta una variable aleatoria continua a una función que
depende de la media y la desviación típica. Es decir, la función y la variable aleatoria continua
tendrán la misma representación pero con ligeras diferencias.

Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de inteligencia IQ y los
errores estándar son variables aleatorias continuas.

La distribución normal es la base de otras distribuciones como la distribución t de Student,

distribución ji-cuadrada, distribución F de Fisher y otras distribuciones.