Distribución de probabilidad Binomial:

En estadística la distribución binomial es una distribución de probabilidades

discreta que esta asociada a experimentos del siguiente tipo: (Vargas, 2014)

 Realizamos n veces cierto experimento en el que consideramos sólo la

posibilidad de éxito o fracaso. (Vargas, 2014)
 La obtención de éxito o fracaso en cada ocasión es independiente de la
obtención de éxito o fracaso en las demás ocasiones. (Vargas, 2014)
 La probabilidad de obtener éxito o fracaso siempre es la misma en cada
ocasión. (Vargas, 2014)

Una distribución de probabilidades ampliamente utilizada de una variable aleatoria

discreta es la distribución binomial. Esta describe varios procesos de interés para
los administradores, describe datos discretos. (Vargas, 2014)

Importancia de la distribución normal:

se debe principalmente a que hay muchas variables asociadas a fenómenos
naturales que siguen el modelo de la normal. (Vargas, 2014).

Ejemplo:

Un jugador encesta con probabilidad 0.55. Calcula la probabilidad de que al tirar 6

veces enceste: (Anónimo, s.f.)

a) 4 veces.
b) Todas las veces.
c) Ninguna vez.

Solución: p) = B (6, 0.55)

n=6

P = 0,55

Internal
B (n, p) = B (6, 0,55)

q = 1 – 0,55 = 0,45

a) f ( x )= (nx) p ¿
x

( 64) 0,55 ∗0,45

f ( x=4 )=
4 6− 4
=¿

f ( x=4 )= ( 64) 0,55 ∗0,45 =¿

4 2

4 2
f ( x=4 )=15∗0,55 ∗0,45 =¿

f ( x=4 )=0,2779

6
()
6 0
b) f ( x=6 )= 0,55 ∗0,45 =¿
6
6 0
f ( x=6 )=1∗0,55 ∗0,45 =¿
f ( x=6 )=0,0277

c) f ( x=0 )= (60) 0,55 ∗0,45 =¿

0 6

0 6
f ( x=0 )=1∗0,55 ∗0,45 =¿

f ( x=0 )=0,0083.

Distribución de probabilidad Normal:

Dado un experimento de variable aleatoria continua X, se llama distribución normal

a aquella que queda perfectamente descrita por su media aritmética y su
desviación típica s. Las distribuciones normales, también llamadas gaussianas, se
denotan por la expresión N ( , s). (Anónimo, hiru.eus, s.f.)

Internal
La gráfica de una distribución normal es la conocida campana de Gauss.
(Anónimo, hiru.eus, s.f.)

Importancia de la distribución Normal:

a) Enorme número de fenómenos que puede modelizar: Casi todas las

características cuantitativas de las poblaciones muy grades tienden a aproximar su
distribución a una distribución normal. (Anónimo, uv.es, s.f.)

b) Muchas de las demás distribuciones de uso frecuente, tienden a distribuirse

según una Normal, bajo ciertas condiciones. (Anónimo, uv.es, s.f.)

c) (En virtud del teorema central del límite).Todas aquellas variables que pueden
considerarse causadas por un gran número de pequeños efectos (como pueden
ser los errores de medida) tienden a distribuirse según una distribución normal.
(Anónimo, uv.es, s.f.)

Ejemplo:

La temperatura durante setiembre está distribuida normalmente con media 18,7°C

y desviación standard 5°C. Calcule la probabilidad de que la temperatura durante
setiembre esté por debajo de 21°C. (Rosales, 2017)

Solución:

Internal
µ = 18,7°C σ = 5°C X= 21°C

x−µ 21−18,7 2,3

Z=
σ
= 5
= 5
= 0,46

Ahora vamos a la tabla y para el valor Z = 0,46 tenemos que la probabilidad es de

0,6772.

Distribución de probabilidad Uniforme:

Decimos que una variable aleatoria discreta (X) tiene distribución uniforme cuando
la probabilidad en todos los puntos de masa probabilística es la misma; es decir,
cuando todos los posibles valores que puede adoptar la variable (x1, x2,..., xk)
tienen la misma probabilidad. (Anónimo, Ulpgc, s.f.)

Ejemplo:

Un reloj de manecillas se detuvo en un punto que no sabemos. Determine la

probabilidad de que se haya detenido en los primeros 25 minutos luego de señalar
la hora en punto. (Hidalgo, 2014).
Solución:
1 1
f ( x )= =
60−0 60

Internal
 25
1 5
P(x) = P (0 ≤ x ≤ 25) = ∫ dx =
0 60 12
Distribución de probabilidad de Poisson:

La distribución de Poisson es una distribución de probabilidad discreta que se

aplica a las ocurrencias de algún suceso durante un intervalo determinado.
Nuestra variable aleatoria x representará el número de ocurrencias de un
suceso en un intervalo determinado, el cual podrá ser tiempo, distancia, área,
volumen o alguna otra unidad similar o derivada de éstas. (Marquez, s.f.)

Importancia de probabilidad de Poisson:

Ejemplo:

Si un banco recibe en promedio 6 cheques sin fondo por día ¿cuáles son las
probabilidades de que reciba. (Anónimo, Itchihuahua.edu, s.f.)

a) 4 cheques sin fondo en un día dado.

b) 10 Cheques sin fondo en cualquiera de dos días consecutivos.

Solución:

a) X = Variable que nos define el número de cheques sin fondo que llegan al
banco en un día cualquiera = 0, 1, 2, 3,…….., etc.
 = 6 cheques sin fondo por día
 = 2.718

P (x= 4,  = 6) = ¿ ¿

b) X = variable que nos define el número de cheques sin fondo que lleguen al
banco en dos días consecutivos = 0, 1, 2, 3, …… etc.

Internal
  = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos días consecutivos

( 12 )10 ( 2.718 )12 ( 6.191736410 )( 0.000006151 )

p( x  10,  12 )    0.104953
10! 3628800

Distribución de probabilidad exponencial:

Mientras que la distribución de Poisson describe las llegadas por unidad de

tiempo, la distribución exponencial estudia el tiempo entre cada una de estas
llegadas. Si las llegadas son de Poisson el tiempo entre estas llegadas es
exponencial. Mientras que la distribución de Poisson es discreta la distribución
exponencial es continua porque el tiempo entre llegadas no tiene que ser un
número entero. Esta distribución se utiliza mucho para describir el tiempo entre
eventos. Más específicamente la variable aleatoria que representa al tiempo
necesario para servir a la llegada.

Importancia de probabilidad exponencial:

La distribución exponencial es de suma importancia en la estadística

probabilística puesto que es una de las de más uso por su gran cantidad de
aplicaciones y medir el tiempo transcurrido entre eventos, que son de suma
cotidianidad en el día a día de cualquier persona. (Uribe, 2014)

Ejemplo:

El tiempo de revisión del motor de un avión sigue una distribución exponencial con
media 22 minutos.
a) Encontrar la probabilidad de que el tiempo de revisión sea menor a 10 minutos.
b) ¿Cuál es el tiempo de revisión de un motor superado por el 10% de los tiempos
de revisión?
c) El costo de revisión es de 200 unidades monetarias fijas al que se le suma 10
unidades monetarias por el tiempo que dure la revisión. Encontrar la media y la
varianza del costo.

Internal
Solución:

a) Queremos averiguar la probabilidad de que el tiempo de revisión sea menor a

10 minutos. Y conocemos la función de distribución de la variable. Así que
basta con reemplazar por x=10 en la función de distribución. (Anónimo,
Probafacil, s.f.)

−10
P(x<10) =F (10) =1– e 22 = 0,3652

También se podría calcular (mediante integrales) el área comprendida entre

x=0 y x =10. (O usando software cómo el applet que está más arriba que
calcula el área acumulada a la izquierda).

b) Buscamos aquel valor de la variable que acumula a su derecha una

probabilidad de 0,1. Equivalentemente podemos decir que ese valor de
variable acumula a su izquierda una probabilidad de 0,9. Podríamos llamar
x 0,9 a ese valor.

Aplicando logaritmos logramos despejar  x 0,9 =

−x 0,9

f ( x 0,9 ) =1−e 22
=0,9
− x0,9
−x 0,9
e 22
=0,1= =¿ ( 0,1 )
22

x 0,9=−22∗¿ ( 0,1 )=50 , 65

C) Si simbolizamos con C al costo de reparación y X es el tiempo de reparación…

entonces:

C=200+10 x E ( C )=E(200+10 X )

Internal
Usando propiedades de esperanza:

E ( C )=200+10 E(X )

Sabemos que E(X) = 22 entonces:

E ( C )=200+10 ( 22 )=420

La esperanza del costo es de 420 unidades monetarias.

V ( C ) =V ( 200+ 10 X )

Usando propiedades de la varianza:

2
V ( C ) =10 ∗V ( X )

Conclusiones:

La probabilidad constituye un importante parámetro en la determinación de las

diversas casualidades obtenidas tras una serie de eventos esperados dentro de un
rango estadístico.

Así mismo la probabilidad mide la frecuencia con la que se obtiene un resultado (o

conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se
conocen todos los resultados posibles, bajo condiciones suficientemente estables;
en este sentido se recurre a diferentes distribuciones de probabilidad como
binomial, normal, uniforme, poisson y exponencial.

Los diferentes tipos de distribuciones nos permiten prever eventos que puedan
ocurrir, teniendo en cuenta lo que ha sucedido anteriormente (datos históricos).

Internal
Bibliografía
Anónimo. (n.d.). hiru.eus. Retrieved from hiru.eus:
https://www.hiru.eus/es/matematicas/distribucion-normal

Anónimo. (n.d.). Itchihuahua.edu. Retrieved from Itchihuahua.edu:

http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/
05Distr%20Poisson.htm

Anónimo. (n.d.). Probafacil. Retrieved from Probafacil:

http://probafacil.com/distribucion-exponencial-ejercicios-resueltos/

Anónimo. (n.d.). Profesor10demates. Retrieved from Profesor10demates:

https://www.profesor10demates.com/2014/04/la-distribucion-binomial-o-de-
bernoulli_3.htm

Anónimo. (n.d.). Ulpgc. Retrieved from Ulpgc:

https://www2.ulpgc.es/hege/almacen/download/5/5509/Tema_1.pdf

Anónimo. (n.d.). uv.es. Retrieved from uv.es:

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/normalp.ht
m

Hidalgo, M. M. (2014, Mayo 3). SlideShare. Retrieved from SlideShare:

https://www.slideshare.net/monicamantillahidalgo/distribucion-uniforme-
continua

Marquez, F. (n.d.). Fisicas y Mates . Retrieved from Fisicas y Mates:

https://fisicaymates.com/distribucion-de-poisson/

Rosales, W. (2017). StuDocu. Retrieved from StuDocu:

https://www.studocu.com/es/document/universidad-nacional-mayor-de-san-
marcos/estadistica/apuntes/distribucion-normal-ejemplos/1817821/view

Internal
Uribe, J. (2014, Mayo 31). Prezi.com. Retrieved from Prezi.com:
https://prezi.com/ej9qzlxsrvof/distribucion-exponencial/

Vargas, F. (2014, Junio 13). SlideShare. Retrieved from SlideShare:

https://www.slideshare.net/fradeicyv/distribucin-binomial-35852157

Internal