INTRODUCCION

El cálculo matemático es una asignatura compleja, amplia, cuyos límites abarcan

desde la aritmética más simple, producto de las relaciones elementales entre la
lógica del hombre y la naturaleza que lo rodea (contar), hasta las elaboraciones
teóricas y experimentales más complejas, típicas de las ciencias aplicadas. En ese
panorama tan amplio, es sencillo extraviarse o perder el rumbo, avanzar a tientas
como los ciegos, y para ello una guía de aprendizaje se impone como una
herramienta fundamental. La adquisición del razonamiento numérico, a fin de
cuentas, es una habilidad aprendida, que requiere de ejercitación y esfuerzo, pero
por suerte existen métodos más fáciles que otros. En este informe me he
propuesto a brindar lo más sencillos, prácticos y efectivos de todos.

El tema general habla sobre la función de la distribución y la distribución de

probabilidades, encontraremos allí diversos tipos de distribución dependiendo de
su variable como la distribución binomial, distribución de poisson, distribución
hipergeometrica

Es muy importante el tema porque con ello podremos calcular con fórmulas
variadas las probabilidades determinadas.
 Distribución de probabilidad
En teoría de la probabilidad y estadística, la distribución de probabilidad de una
variable aleatoria es una función que asigna a cada suceso definido sobre la
variable la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de
los sucesos es el rango de valores de la variable aleatoria. También puede decirse
que tiene una relación estrecha con las distribuciones de frecuencia. De hecho,
una distribución de probabilidades puede comprenderse como una frecuencia
teórica, ya que describe cómo se espera que varíen los resultados.

La distribución de probabilidad está completamente especificada por la función de

distribución, cuyo valor en cada x real es la probabilidad de que la variable
aleatoria sea menor o igual que x.

Función de distribución
En la teoría de la probabilidad y en estadística, la función de distribución
acumulada (FDA, designada también a veces simplemente como función de
distribución o FD) o función de probabilidad acumulada asociada a una variable
aleatoria real: X (mayúscula) sujeta a cierta ley de distribución de probabilidad, es
una función matemática de la variable real: x (minúscula); que describe la
probabilidad de que X tenga un valor menor o igual que x.
Intuitivamente, asumiendo la función f como la ley de distribución de probabilidad,
la FDA sería la función con la recta real como dominio, con imagen del área hasta
aquí de la función f, siendo aquí el valor x para la variable aleatoria real X.
La FDA asocia a cada valor x, la probabilidad del evento: «la variable X toma
valores menores o iguales a x».

Distribuciones de variable discreta

Se denomina distribución de variable discreta a aquella cuya función de
probabilidad solo toma valores positivos en un conjunto de valores de X finito o
infinito numerable. A dicha función se le llama función de masa de probabilidad.
En este caso la distribución de probabilidad es la suma de la función de masa
 Distribución binomial
En estadística, la distribución binomial o distribución binómica es una distribución
de probabilidad discreta que cuenta el número de éxitos en una secuencia de n
ensayos de Bernoulli independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se caracteriza
por ser dicotómico, esto es, solo dos resultados son posibles. A uno de estos se
denomina «éxito» y tiene una probabilidad de ocurrencia p y al otro, «fracaso»,
con una probabilidad2 q = 1 - p. En la distribución binomial el anterior experimento
se repite n veces, de forma independiente, y se trata de calcular la probabilidad de
un determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho,
en una distribución de Bernoulli.
Para representar que una variable aleatoria X sigue una distribución binomial de
parámetros n y p, se escribe:
X ~ B(n,p)
La distribución binomial es la base del test binomial de significación estadística

Ejemplos Distribución binomial

Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse
por esta distribución:
1: Se lanza un dado 5 veces y se cuenta el número Y de tres obtenidos: entonces
X ~ B(5, 1/6).
2: Se responde (al azar) un examen de 10 preguntas, cada una con 4 opciones de
respuestas y solo una de ellas correcta. La variable aleatoria discreta X = número
de preguntas correctamente contestadas tiene una distribución X ~ B(10, 1/4).
 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).

Distribución hipergeométrica
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 x(0 ≤ x
≤ d) 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 o distribución multinómica 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
 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. 3Mientras 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.

Distribución exponencial

A pesar de la sencillez analítica de sus funciones de definición, la distribución

exponencial tiene una gran utilidad práctica ya que podemos considerarla como un
modelo adecuado para la distribución de probabilidad del tiempo de espera entre
dos hechos que sigan un proceso de Poisson.
De hecho la distribución exponencial puede derivarse de un proceso experimental
de Poisson con las mismas características que las que enunciábamos al estudiar
la distribución de Poisson, pero tomando como variable aleatoria, en este caso, el
tiempo que tarda en producirse un hecho
 Distribución t de 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 t-Student.

Distribución χ²
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 Zi son variables aleatorias normales independientes de media cero y

varianza uno. El que la variable aleatoria X tenga esta distribución se representa
habitualmente así: X ~ x2k.

La distribución -cuadrado se utiliza en las pruebas de chi-cuadrado para la bondad

de ajuste de una distribución observada a una teórica, en el test de independencia
de dos criterios de clasificación de los datos cualitativos, y en la estimación del
intervalo de confianza para una desviación estándar de la población de una
distribución normal de una desviación estándar de la muestra.
 Distribución F
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).

La distribución F es una distribución continua de muestreo de la relación de dos

variables aleatorias independientes con distribuciones de chi-cuadrada, cada una
dividida entre sus grados de libertad. La distribución F es asimétrica hacia la
derecha y es descrita por los grados de libertad de su numerador (ν1) y
denominador (ν2). Las siguientes gráficas muestran el efecto de los diferentes
valores de grados de libertad en la forma de la distribución
 CONCLUSION

Luego de observar y redactar los siguientes temas variados como lo es los

principales tipos de distribución de probabilidad, en primera función para
aprenderlo es un poco complicado, pero con la constancia se puede lograr tener
un conocimiento amplio del tema.