La común definición clásica de probabilidad como su nombre indica, es el enfoque clásico para

definir la probabilidad de algún caso o evento. La probabilidad implica "probabilidad" o "azar".

Cuando es seguro que un evento sucederá, entonces la probabilidad de ocurrencia de ese evento es
1 y cuando es cierto que el evento no puede suceder, entonces la probabilidad de ese evento es 0.
Por lo tanto, el valor de la probabilidad varía de 0 a 1.

Hay dos tipos de distribución de probabilidad que se utilizan para diferentes propósitos y varios
tipos del proceso de generación de datos.

1.- Distribución de probabilidad normal o acumulativa

La distribución de probabilidad acumulativa también se conoce como distribución de probabilidad

continua. En esta distribución, el conjunto de posibles resultados puede tomar valores en un rango
continuo. Por ejemplo, un conjunto de números reales, es una distribución continua o normal, ya que
da todos los resultados posibles de los números reales. Del mismo modo, un conjunto de números
complejos, un conjunto de números primos, un conjunto de números enteros, etc. son ejemplos de
distribución de probabilidad normal. Además, en escenarios de la vida real, la temperatura del día es
un ejemplo de probabilidad continua. En base a estos resultados podemos crear una tabla de
distribución. Una función de densidad de probabilidad lo describe.

Ejemplos : como la distribución normal estiman muchos eventos naturales muy bien, se ha
convertido en un estándar de recomendación para muchas consultas de probabilidad. Algunos de
los ejemplos son:
- Altura de la población del mundo
- Tirar un dado (una o varias veces)
- Juzgar el Nivel de Cociente Inteligente de los niños en este mundo que es muy competitivo
- Lanzar una moneda
- Distribución del ingreso en la economía de los países entre pobres y ricos
- Las tallas de los zapatos de mujer
- Rango de peso de los bebés recién nacidos
- Informe promedio de los estudiantes en función de su rendimiento

2.- Distribución de probabilidad binomial o discreta

Una distribución se denomina distribución de probabilidad discreta, donde el conjunto de resultados

es de naturaleza discreta. Por ejemplo, si se tira un dado, entonces todos los resultados posibles son
discretos y dan una masa de resultados. También se conoce como la función de masa de
probabilidad. Por lo tanto, los resultados de la distribución binomial consisten en ensayos repetidos
y el resultado puede o no ocurrir.

Binomial Distribution Examples

As we already know, binomial distribution gives the possibility of a different set of outcomes. In the real-life,
the concept is used for:
 
o
 To find the number of used and unused materials while manufacturing a product.
 To take a survey of positive and negative feedback from the people for anything.
 To check if a particular channel is watched by how many viewers by calculating the
survey of YES/NO.
 The number of men and women working in a company.
 To count the votes for a candidate in an election and many more.

Ejemplos de distribución binomial Como ya sabemos, la distribución binomial da la posibilidad de un

conjunto diferente de resultados. En la vida real, el concepto se utiliza para: Para encontrar el
número de materiales usados y no utilizados durante la fabricación de un producto. Para tomar una
encuesta de retroalimentación positiva y negativa de las personas para cualquier cosa. Para verificar
si un canal en particular es visto por cuántos espectadores calculando la encuesta de SÍ / NO. El
número de hombres y mujeres que trabajan en una empresa. Contar los votos para un candidato en
una elección y muchos más.

La probabilidad y la estadística están en realidad bastante ampliamente vinculadas. Por ejemplo, cuando
un científico realiza una medición, el resultado de esa medición tiene una cierta cantidad de suerte que
van asociadas con factores como el ruido electrónico en el equipo, las fluctuaciones menores en las
condiciones ambientales e incluso el error humano tienen un efecto casual
en la medición. A menudo, las variaciones causadas por estos factores son menores, pero tienen un
efecto significativo en muchos casos. Como resultado, el científico no puede esperar obtener
exactamente el mismo resultado de medición en todos los casos, y esta variación requiere que describa
sus mediciones estadísticamente (por ejemplo, utilizando una media y una desviación standard).
Asimismo, cuando un antropólogo considera un pequeño grupo de personas de una población más
grande, los resultados de su estudio (suponiendo que involucren datos numéricos) implicarán algunas
variaciones casuales que debe tener en cuenta utilizando estadísticas.