REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA

EDUCACION UNIVERSITARIA, CIENCIA Y
TECNOLOGIA
UNIVERSIDAD PANAMERICANA DEL PUERTO
FACULTAD DE CIENCIAS ECONÓMICAS Y
SOCIALES PROCASO UNIPAP - CUAM CAGUA

DISTRIBUCIONES DE PROBABILIDAD

T.S.U Mariano Martin C.

C. I: 27.712.230
Sección: 20

Puerto cabello, enero del 2023

como se puede aproximar una distribución normal a un binomial
Vamos a representar en un sistema de referencia distribuciones binomiales para
distintos valores de n y p=0,3.

Queremos aproximar estas distribuciones a una distribución normal estándar:

Se puede apreciar en los gráficos anteriores como a medida que aumenta n
mejora el parecido de las gráficas de barras de las distribuciones binomiales
(discretas) a la gráfica de la distribución normal estándar (continua), pero con el
inconveniente de que se produce un desplazamiento hacia la derecha de la
distribución binomial a medida que aumenta n.
Este inconveniente se evita, corrigiendo la variable aleatoria, Sj, restando la media
(para corregir el desplazamiento) y dividiendo por la desviación típica (para ajustar
la dispersión):

A la nueva variable, xj le asignamos b(n,p,j). La representación, para el caso, n =

270 y p=0,3, del diagrama de barras de la binomial corregida y de la función de
densidad de la distribución normal estándar es:

Cuando n aumenta, la longitud de las barras disminuye, cosa lógica, porque la

suma de las longitudes de todas las barras es 1 (función de probabilidad definida
sobre una variable aleatoria discreta); mientras que el área bajo la función de
densidad (definida sobre una variable aleatoria continua) de la distribución normal
estándar, también es 1.
Para ajustar ambas funciones, tendríamos que conseguir que la suma de las áreas
de los rectángulos que forman el diagrama de barras fuera 1. Como la distancia
entre las barras es constante y la suma de las alturas de todas las barras es 1, el
área bajo los rectángulos del diagrama de barras es igual a la distancia entre
barras consecutivas.
La distancia entre barras consecutivas es:

Por tanto, para que la suma de las áreas de los rectángulos entre barras
consecutivas sea 1, es suficiente multiplicar por la inversa de la distancia entre
barras consecutivas; es decir, a cada x j, le asignamos:

Si la representamos para el caso n=270 y p=0,3, junto con la función de densidad

de la distribución normal estándar, tenemos:

Distribución Gamma
Se le conoce, también, como una generalización de la distribución exponencial,
además de la distribución de Erlang y la distribución Ji-cuadrada [8]. Es una
distribución de probabilidad continua adecuada para modelizar el comportamiento
de variables aleatorias con asimetría positiva y/o los experimentos en donde está
involucrado el tiempo.
Una variable aleatoria X tiene una distribución gamma si su función de densidad
está dada por:
Distribución exponencial
La distribución exponencial suele referirse a la cantidad de tiempo que transcurre
hasta que se produce algún evento específico. Por ejemplo, la cantidad de tiempo
(que comienza ahora) hasta que se produzca un terremoto tiene una distribución
exponencial. Otros ejemplos son la duración, en minutos, de las llamadas
telefónicas de larga distancia comerciales y la cantidad de tiempo, en meses, que
dura la batería de un automóvil. También se puede demostrar que el valor del
cambio que se tiene en el bolsillo o en el monedero sigue una distribución
exponencial aproximadamente.
Los valores de una variable aleatoria exponencial se producen de la siguiente
manera. Hay menos valores grandes y más valores pequeños. Por ejemplo, los
estudios de marketing han demostrado que la cantidad de dinero que los clientes
gastan en una visita al supermercado sigue una distribución exponencial. Hay más
gente que gasta pequeñas cantidades de dinero y menos gente que gasta grandes
cantidades de dinero.
Las distribuciones exponenciales se utilizan habitualmente en cálculos de
fiabilidad de productos, es decir, el tiempo que dura un producto.
Distribución Chi Cuadrado
La distribución de chi-cuadrada es una distribución continua que se especifica por
los grados de libertad y el parámetro de no centralidad. La distribución es
positivamente asimétrica, pero la asimetría disminuye al aumentar los grados de
libertad.
Minitab utiliza la distribución de chi-cuadrada (χ2) en pruebas de significancia
estadística para:
 Comprobar qué tan bien se ajusta una muestra a una distribución teórica.
Por ejemplo, puede utilizar una prueba de bondad de ajuste de chi-
cuadrada para determinar si los datos de la muestra se ajustan a una
distribución de Poisson.
 Comprobar la independencia de las variables categóricas. Por ejemplo, un
fabricante desea saber si la ocurrencia de cuatro tipos de defectos
(espárrago faltante, abrazadera rota, sujetador flojo y sello con fugas) está
relacionada con los turnos (diurno, vespertino, nocturno).
Cuando los grados de libertad son 30 o más, la distribución de chi-cuadrada puede
aproximarse razonablemente con una distribución normal, como se ilustra en las
siguientes gráficas:

Distribución de chi-cuadrada con 20 grados de libertad

Distribución de chi-cuadrada con 40 grados de libertad

Distribución Beta
Utilice la distribución beta para variables aleatorias entre 0 y 1. La distribución beta
suele utilizarse para modelar la distribución de estadísticos de orden (por ejemplo,
el estadístico de orden késimo de una muestra de variables n uniformes (0, 1)
tiene una distribución beta (k, n + 1 – k)) y para modelar eventos que se definen
por valos mínimos y máximos. La escala de la distribución beta suele modificarse
para modelar el tiempo hasta la culminación de una tarea. La distribución beta
también se usa en estadísticas bayesianas, por ejemplo, como la distribución de
valores previos de una probabilidad binomial.
La distribución beta es una distribución continúa definida por dos parámetros de
forma. La distribución puede adoptar diferentes formas dependiendo de los valores
de los dos parámetros.
Ambas formas son iguales a 1
Cuando ambas formas son iguales a 1, la distribución beta es la distribución
uniforme.
Ambas formas son menores que 1
Cuando ambas formas son menores que 1, la distribución tiene forma de U.

Ambas formas son iguales y son mayores que 1

Cuando ambas formas son iguales y mayores que 1, la distribución es simétrica.

La primera forma es mayor que la segunda forma

Cuando la primera forma es mayor que la segunda forma, la distribución es
asimétrica hacia la izquierda.
La primera forma es menor que la segunda forma
Cuando la primera forma es menor que la segunda forma, la distribución es
asimétrica hacia la derecha.

Distribución Logarítmica normal

Una distribución lognormal (log-normal o Galton) es un tipo de distribución de
probabilidad que se utiliza para describir variables que tienen valores que están
distribuidos de manera asimétrica y que pueden tomar valores muy grandes.
La distribución lognormal se caracteriza por dos parámetros: el promedio y la
desviación estándar de la variable original (no transformada). La distribución
lognormal se obtiene al aplicar la transformación logarítmica a una distribución
normal.
La distribución lognormal se utiliza a menudo para describir variables que crecen
de manera exponencial, como el tamaño de las empresas o la concentración de
una sustancia en un medio. También se utiliza en finanzas para modelar la
distribución del rendimiento de los activos financieros.
Tambien se entiende una distribución lognormal (log-normal o Galton) como una
distribución de probabilidad con un logaritmo distribuido normalmente. Una
variable aleatoria se distribuye log normalmente si su logaritmo se distribuye
normalmente.
Las distribuciones sesgadas con valores medios bajos, gran varianza y valores
totalmente positivos a menudo se ajustan a este tipo de distribución. Los valores
deben ser positivos ya que log(x) existe solo para valores positivos de x.
La función de densidad de probabilidad se define por la media μ y la desviación
estándar, σ:

La forma de la distribución lognormal está definida por tres parámetros:

 σ, el parámetro de forma. También la desviación estándar para el
lognormal, esto afecta la forma general de la distribución. Por lo general,
estos parámetros se conocen a partir de datos históricos. A veces, es
posible que pueda estimarlo con datos actuales. El parámetro de forma no
cambia la ubicación o la altura del gráfico; solo afecta la forma general.
 m, el parámetro de escala (también es la mediana). Este parámetro reduce
o estira el gráfico.
 Θ (o μ), el parámetro de ubicación, que le indica dónde se encuentra el
gráfico en el eje x.
La distribución lognormal estándar tiene un parámetro de ubicación de 0 y un
parámetro de escala de 1 (que se muestra en azul en la imagen a continuación).
Si Θ = 0, la distribución se denomina distribución lognormal de 2 parámetros.

Distribución de Weibull
La distribución de Weibull es una distribución versátil que se puede utilizar para
modelar una amplia gama de aplicaciones en ingeniería, investigación médica,
control de calidad, finanzas y climatología. Por ejemplo, la distribución se utiliza
frecuentemente con análisis de fiabilidad para modelar datos de tiempo antes de
falla. La distribución de Weibull también se utiliza para modelar datos asimétricos
del proceso en el análisis de capacidad.
La distribución de Weibull se describe según los parámetros de forma, escala y
valor umbral y también se conoce como la distribución de Weibull de 3
parámetros. El caso en el que el parámetro de valor umbral es cero se conoce
como la distribución de Weibull de 2 parámetros. La distribución de Weibull de 2
parámetros se define solo para variables positivas. Una distribución de Weibull de
3 parámetros puede funcionar con ceros y datos negativos, pero todos los datos
para una distribución de Weibull de 2 parámetros deben ser mayores que cero.
Dependiendo de los valores de sus parámetros, la distribución de Weibull puede
adoptar varias formas.
Efecto del parámetro de forma
El parámetro de forma describe la manera en que se distribuyen los datos. Una
forma de 3 se aproxima a una curva normal. Un valor de forma bajo, por ejemplo
1, da una curva con asimetría hacia la derecha. Un valor de forma alto, por
ejemplo 10, da una curva con asimetría hacia la izquierda.

Efecto del parámetro de escala

La escala, o vida característica, es el percentil 63.2 de los datos. La escala define
la posición de la curva de Weibull respecto del valor de umbral, lo cual es similar a
la manera en que la media define la posición de una curva normal. Una escala de
20, por ejemplo, indica que el 63.2% de los equipos fallará en las primeras 20
horas después del tiempo umbral.
Efecto del parámetro de valor umbral
El parámetro de valor umbral describe un desplazamiento de la distribución
alejándose del 0. Un valor umbral negativo desplaza la distribución hacia la
izquierda, mientras que un valor umbral positivo desplaza la distribución hacia la
derecha. Todos los datos deben ser mayores que el valor umbral. La distribución
de Weibull de 2 parámetros es igual a la distribución de Weibull de 3 parámetros
con un valor umbral de 0. Por ejemplo, la distribución de Weibull de 3 parámetros
(3,100,50) tiene la misma forma y dispersión que la distribución de Weibull de 2
parámetros (3,100), pero está desplazada 50 unidades hacia la derecha.