LA DISTRIBUCIÓN DE

PROBABILIDADES
ROMANETH CALDERON LLANOS
FACULTAD DE CIENCIA Y TECNOLOGÍA,
UNIVERSIDAD AUTÓNOMA JUAN MISAEL SARACHO

Diseño de experimentos
VELASQUEZ SOZA IGNACIO EDWIN

8 de marzo de2021
 DISTRIBUCIONES DE PROBABILIDAD

OBJETIVOS:
  Introducir las distribuciones de probabilidad que más se utilizan en la toma de
decisiones.
 Utilizar el concepto de valor esperado para tomar decisiones.
 Mostrar qué distribución de probabilidad utilizar, y cómo encontrar sus valores.
 Entender las limitaciones de cada una de las distribuciones de probabilidad que utilice.
MARCO TEORICO:
Las distribuciones de probabilidad están relacionadas con la distribución de frecuencias. De
hecho, podemos pensar en la distribución de probabilidad como una distribución de
frecuencias teórica. Una distribución de frecuencias teórica es una distribución de
probabilidades que describe la forma en que se espera que varíen los resultados. Debido a que
estas distribuciones tratan sobre expectativas de que algo suceda, resultan ser modelos útiles
para hacer inferencias y tomar decisiones de incertidumbre.
Anteriormente se analizaron dos formas para calcular las probabilidades para las variables
discretas utilizando los métodos de probabilidad Binomial y de Poisson. Ahora se orientará al
cálculo de probabilidades de variables continuas.
Una variable aleatoria continua es aquella que puede tomar cualquier valor de entre todos los
contenidos en un intervalo dado.
Dicho de otro modo, la variable continua es aquella que, dados dos valores de la variable,
siempre existirá un valor intermedio entre ellos por muy cercanos que éstos sean. Su mismo
nombre la define como una variable continua, cuando el conjunto de valores posibles que
puede tomar se encuentran muy cercanos unos de otros, al grado de que si se representan en
un plano cartesiano se podría ver es casi una curva o una línea continua.

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 muéstrales 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 t-Student.
La distribución normal es un modelo teórico capaz de aproximar satisfactoriamente el valor de
una variable aleatoria a una situación ideal.
NORMAL
En otras palabras, la distribución normal adapta una variable aleatoria a una función que
depende de la media y la desviación típica. Es decir, la función y la variable aleatoria 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.
Una variable aleatoria discreta toma valores naturales. Por ejemplo el número de estudiantes
en una universidad.
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.
NORMAL ESTANDARIZADA
La distribución normal no es sólo un tipo de distribución, comprende una “familia” de distribuciones,
que pueden tener una µ (media) o una  (desviación estándar) distinta y ello motiva que puedan existir
un variado número de distribuciones normales. Sería muy complicado elaborar tablas que proporcionen
la probabilidad de cada uno de los casos distintos que se pueden presentar; lo que sí existe es una
alternativa sencilla que evita estos problemas cuando tenemos un conjunto de valores que tiende a
tomar un comportamiento de tipo normal. Y para ello sólo utilizamos un “miembro” de la familia de
distribuciones normales: aquella cuya µ = 0 (media) o una  = 1. Esta distribución se conoce como
Distribución Normal Estándar. De esta manera todas las distribuciones pueden convertirse a la estándar
restando la media de cada observación y dividiendo por la desviación estándar. Se debe considerar que
el área bajo la curva siempre es igual a 100% de la probabilidad, con ello se estandariza cualquier curva,
es decir, cualquier conjunto de valores se puede definir con este criterio. Bajo esta consideración se
puede utilizar la media como punto de referencia y la desviación estándar como una medida de la
desviación de dicho punto de referencia, y con este criterio se puede reordenar cualquier distribución
normal para ser expresada en una forma estandarizada

F (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).

JI-CUADRADO

El estadístico ji-cuadrado (o chi cuadrado), que tiene distribución de probabilidad del mismo
nombre, sirve para someter a prueba hipótesis referidas a distribuciones de frecuencias. En
términos generales, esta prueba contrasta frecuencias observadas con las frecuencias
esperadas de acuerdo con la hipótesis nula. En este artículo se describe el uso del estadístico ji-
cuadrado para probar la asociación entre dos variables utilizando una situación hipotética y
datos simulados. Luego se describe su uso para evaluar cuán buena puede resultar una
distribución teórica, cuando pretende representar la distribución real de los datos de una
muestra determinada. A esto se le llama evaluar la bondad de un ajuste. Probar la bondad de
un ajuste es ver en qué medida se ajustan los datos observados a una distribución teórica o
esperada. Para esto, se utiliza una segunda situación hipotética y datos simulados.
EXPONENCIAL
En Teoría de Probabilidad y Estadística, la distribución exponencial es una distribución continua que
se utiliza para modelar tiempos de espera para la ocurrencia de un cierto evento. Esta distribución
al igual que la distribución geométrica tiene la propiedad de pérdida de memoria. La distribución
exponencial es un caso particular de la distribución gamma.

WEIBULL
En teoría de la probabilidad y estadística, la distribución de Weibull es una distribución de
probabilidad continua. Recibe su nombre de Waloddi Weibull, que la describió detalladamente
en 1951, aunque fue descubierta inicialmente por Fréchet (1927) y aplicada por primera vez por
Rosin y Rammler (1933) para describir la distribución de los tamaños de determinadas
partículas.
BIONOMIAL
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.
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).
RESOLUCION:
T-Student:
ECUACION CARACTERISTICA Y GRAFICA CARACTERISTICA

USOS DE LA DISTRIBUCION T-STUDENT

La distribución t se utiliza cuando:
• Queremos estimar la media de una población normalmente distribuida a partir de una
muestra pequeña.
• Tamaño de la muestra es inferior a 30 elementos, es decir, n < 30.
• A partir de 30 observaciones, la distribución t se parece mucho a la distribución normal
y, por tanto, utilizaremos la distribución normal.

• No se conoce la desviación típica o estándar de una población y tiene que ser estimada a
partir de las observaciones de la muestra.

NORMAL:
ECUACIO CARACTERISTICA Y GRAFICA CARACTERISTICA
GRAFICA CARCTERISTICA

USOS DE LA DISTRIBUCION NORMAL

Los conceptos de probabilidad y distribuciones de muestras se utilizan como introducción al
método de Inferencia Estadística, la cual se compone de:
• La estimación: Que busca evaluar los parámetros de la población basados en una
muestra.
• Las pruebas de Hipótesis: Proceso relacionado con aceptación o rechazo de alguna
afirmación sobre los parámetros de la población.
El uso de esta distribución se encuentra en diversas ramas del conocimiento, se aplica a una
gran variedad de observaciones en la biología, la astronomía, la geografía y la economía.
Muchos fenómenos de la naturaleza se pueden aproximar con una distribución normal. En
general se puede repasar como resultado de la interacción de muchos efectos aleatorios en la
variable que se estudia.
En este tipo de distribución, se puede calcular la posibilidad de que unos cuantos eventos
ocurran dentro de determinados intervalos o rangos, sin embargo, la probabilidad exacta de un
valor dentro de una distribución continua, como la distribución normal, es igual a cero (0). Esta
propiedad diferencia a las variables continuas, las cuales son medidas, de las variables
discretas, que son contadas.
NORMAL ESTANDERIZADA
ECUACION Y GRAFICA CARATERISTICA

USOS DE LA DISTRIBUCION NORMAL ESTANDARIZADA

F(FISHER)
USOS DE DISTRIBUCION DE F(FISHER)
 La distribución  aparece frecuentemente como la distribución nula de una prueba
estadística, especialmente en el análisis de varianza. Véase el test F.
 Pruebas de homocedasticidad

JI-CUADRADO
USOS DE DISPERSION CHI -CUADRADO

EXPONENCIAL

USOS DE LA DISTRIBUCION EXPONIAL

En la hidrología, la distribución exponencial se emplea para analizar variables aleatorias extremos
de variables como máximos mensuales y anuales de la precipitación diaria.
 La imagen azul ilustra un ejemplo de ajuste de la distribución exponencial a lluvias máximas
diarias anuales ordenadas, mostrando también la franja de 90% de confianza, basada en
la distribución binomial. Las observaciones presentan los marcadores de posición, como parte
del análisis de frecuencia acumulada.

WEIBULL

USOS DE LA DISTRIBUCION WEIBULL

La distribución de Weibull se utiliza en:

 Análisis de la supervivencia
 En ingeniería, para modelar procesos estocásticos relacionados con el tiempo de
fabricación y distribución de bienes
 Aplicación de la distribución de probabilidad acumulada de Weibull a lluvias diárias
máximas.3
 Teoría de valores extremos
 Meteorología
 Para modelar la distribución de la velocidad del viento (frecuencia con la que se dan
diferentes velocidades de viento)
 En telecomunicaciones
 En sistemas de radar para simular la dispersión de la señal recibida
En seguros, para modelar el tamaño de las pérdidas
En la hidrología, se utiliza la distribución de Weibull para analizar variables aleatorias como
valores máximos de la precipitación y la descarga de ríos,4 y además para describir épocas de
sequía.5
El imagen azul ilustra un ejemplo de ajuste de la distribución de Weibull a lluvias máximas
diarias ordenadas, mostrando también la franja de 90% de confianza, basada en la distribución
binomial. Las observaciones presentan los marcadores de posición, como parte del análisis de
frecuencia acumulada.
Binomial
USOS DE DISTRIBUCION BINOMIAL

Utilizamos la distribución binomial en todos los eventos donde solamente hay dos resultados,
por ejemplo, la definición del sexo de un bebé; el que nuestro equipo favorito gane o pierda
algún partido; el que pase o repruebe un examen. Ahí, sin darnos cuenta, estamos haciendo
uso de este concepto.
POISSON

USOS DE LA DISTRIBUCION POISSON

La distribución de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de
ocurrencia aleatoria. En otras palabras no se sabe el total de posibles resultados.2. Permite
determinar la probabilidad de ocurrencia de un suceso con resultado discreto.3. Es muy útil
cuando la muestra o segmento n es grande y la probabilidad de éxitos p es pequeña.4. Se utiliza
cuando la probabilidad del evento que nos interesa se distribuye dentro de un segmento n
dado como por ejemplo distancia, área, volumen o tiempo definido.

CONCLUCIONES:
Llegar a conocer las medidas de distribución más afondo los coneptos ,formulas y grafias y usos
de la distribución de probabilidades
BIOGRAFIA
 https://economipedia.com/definiciones/distribucion-t-de-student.html#:~:text=La
%20distribuci%C3%B3n%20t%20de%20Student,se%20desconoce%20la%20desviaci
%C3%B3n%20t%C3%ADpica.
 https://www.webyempresas.com/distribucion-normal-en-estadisticas/
 https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Weibull#:~:text=Fr%C3%A9chet
%20in%201927.-,Aplicaciones,fabricaci%C3%B3n%20y%20distribuci%C3%B3n%20de
%20bienes