1

Tema: Distribuciones de Probabilidades

Estudiante: Arlin Aldemar Herrera Flores

UNIVERSIDAD TECNOLOGICA DE HONDURAS

Ingeniera: Ina Brenda Flores Reyes

Asignatura: Modelación y Simulación

Fecha de Entrega: 03 de abril del 2023

 2

INTRODUCCIÓN

En este informe se explican conceptos clave como la función de densidad de

probabilidad, la función de distribución acumulativa, los medios y la desviación estándar. Se

presentan ejemplos concretos para cada tipo de distribución de probabilidad, incluyendo cómo

se pueden utilizar para resolver problemas específicos en campos como la ingeniería, la física,

la economía, la biología y otros. Las distribuciones de probabilidad es una herramienta útil para

aquellos que desean entender mejor cómo se puede utilizar la probabilidad en diferentes

situaciones y cómo se pueden aplicar diferentes tipos de distribuciones de probabilidad para

resolver problemas reales.

 3

OBJETIVOS

Objetivo General

➢ Comprender y aplicar diferentes tipos de distribuciones de probabilidad en

diferentes contextos, con el fin de mejorar la capacidad de análisis y toma de decisiones

basadas en datos, para comprender las características y aplicaciones de las diferentes

distribuciones de probabilidad.

Objetivos Específicos

➢ Identificar y describir las características clave de las distribuciones de

probabilidad más comunes, como la distribución normal, la distribución binomial y la distribución

de Poisson.

➢ Utilizar software estadístico para calcular y graficar diferentes distribuciones de

probabilidad y poder compararlas entre sí, lo que permitiría entender mejor sus similitudes y

diferencias.

➢ Aplicar las distribuciones de probabilidad en la resolución de problemas reales,

como la estimación de la probabilidad de eventos raros, la predicción de resultados de pruebas

o la evaluación de riesgos financieros, lo que permitiría demostrar la utilidad práctica de estas

distribuciones.
 4

ÍNDICE

Portada ………………………………………………………………………………..…. pág.1

Introducción ……………………………………………………………………………... pág.2

Objetivos ……………………………………………………………………………....… pág.3

Índice ……………………………………………………………………………....….… pág.4

Marco Teórico (Distribución Uniforme) ………...……………..………..……….…... pág.5 a 6

Distribución Exponencial ……………………………………………………………… pág. 7 a 9

Distribución Bernoulli …………………………………………..……………………… pág. 10 a 12

Distribución Binomial …………………………………………..…………….………… pág. 13 a 15

Distribución Poisson ……………………………………..……..……………………… pág. 16 a 18

Distribución Gaussiana ………………………….……………..……………………… pág. 19 a 21

Distribución Chi Cuadrado ………………………………………………….….……… pág. 22 a 24

Conclusiones ……………………………………………………………………….…… pág.25

Bibliografía ………………………………………………………………………….…… pág.26

Anexos ………………………………………………………………………….……….. pág.27

 5

Distribuciones De Probabilidades

Distribución Uniforme

La distribución uniforme es un tipo de distribución de probabilidad continua en la que

todos los valores posibles dentro de un intervalo tienen la misma probabilidad de ocurrir. Se

caracteriza por tener una función de densidad de probabilidad constante en todo el rango de

valores posibles.

La distribución uniforme se puede representar mediante la siguiente función de

densidad: f(x) = 1/(ba) si a ≤ x ≤ b f(x) = 0 en otro caso.

Donde "a" y "b" son los límites inferior y superior del intervalo, respectivamente. La

función de densidad es constante dentro del intervalo (a,b), y es igual a cero fuera de este

intervalo. Esta distribución se utiliza a menudo en situaciones donde no hay razón para esperar

que un valor particular sea más probable que otro dentro de un intervalo determinado. Un

ejemplo sería el lanzamiento de un dado, donde cada número tiene la misma probabilidad de

aparecer.

La distribución uniforme se utiliza en una amplia variedad de contextos, desde la

generación de números aleatorios hasta el modelado de datos en ciencias físicas y sociales.

Algunos ejemplos comunes de aplicaciones de la distribución uniforme son:

➢ Modelado de datos en ciencias físicas y sociales: la distribución uniforme se

utiliza a menudo en el modelado de datos cuando no se tiene información previa acerca de la

probabilidad de ocurrencias de los valores en un intervalo dado. Por ejemplo, se podría utilizar

una distribución uniforme para modelar la variación de la velocidad del viento en una región

determinada.
 6

➢ Selección aleatoria de elementos: la distribución uniforme también se utiliza para

la selección aleatoria de elementos de una población. En este caso, cada elemento tiene la

misma probabilidad de ser seleccionado.

Ejemplos:
 7

Distribución Exponencial

La distribución exponencial es un modelo probabilístico que se utiliza para describir el

tiempo que transcurre hasta que ocurre un evento en un proceso de Poisson. Este tipo de

distribución es continua y solo toma valores positivos. La función de densidad de probabilidad

de la distribución exponencial se puede expresar de la siguiente manera:

f(x) = λe^(-λx), para x ≥ 0 f(x) = 0, para x < 0

donde λ es la tasa de ocurrencias del evento por unidad de tiempo.

La distribución exponencial tiene varias propiedades interesantes. Por ejemplo, la media

de la distribución es 1/λ, lo que significa que a medida que la tasa de ocurrencia aumenta, el

tiempo medio entre eventos disminuye. Además, la distribución exponencial no tiene memoria,

lo que significa que la probabilidad de que un evento esté adelantado en el futuro no depende

del tiempo que haya transcurrido desde el último evento.

La distribución exponencial se utiliza ampliamente en el análisis de datos cuando se

trata de modelar el tiempo entre eventos raros y aleatorios. Un ejemplo de un proceso de

Poisson es el número de llamadas telefónicas que llegan a un centro de atención al cliente en

un determinado período de tiempo. La distribución exponencial se utiliza para modelar el

tiempo entre llamadas.

La distribución exponencial también se puede utilizar para modelar el tiempo de vida de

un objeto o sistema. Por ejemplo, el tiempo de vida de una bombilla o la duración de un

componente en un sistema electrónico se puede modelar utilizando una distribución

exponencial. En este caso, la tasa de fallas se utiliza en lugar de la tasa de ocurrencias, y la

media de la distribución exponencial representa la vida media del objeto o sistema.

 8

La distribución exponencial se utiliza en muchos campos, como en la teoría de colas, el

análisis de confianza, la econometría, la ingeniería y la biología, entre otros.

Ejemplos:

Ejemplo 1:
 9

Ejemplo 2
 10

Distribución Bernoulli

La Distribución Bernoulli es una distribución de probabilidad discreta que se utiliza para

modelar experimentos aleatorios que tienen dos posibles resultados: éxito o fracaso. Se puede

denotar como B(p), donde p es la probabilidad de éxito en una sola prueba.

Por ejemplo, lanzar una moneda puede ser considerada como un experimento de

Bernoulli, ya que tiene dos posibles resultados: cara (éxito) o cruz (fracaso). Otra aplicación

común de la Distribución Bernoulli es en pruebas binarias de éxito o fracaso en estudios

clínicos o de investigación.

La función de probabilidad de la Distribución Bernoulli es:

P(X=k) = p^k * (1-p)^(1-k)

Dónde:

k = 0 o 1, los dos posibles resultados de la prueba.

p = probabilidad de éxito en una sola prueba.

La media y la varianza de la Distribución Bernoulli son:

Medios: μ = p

Varianza: σ^2 = p(1-p)

La Distribución Bernoulli es un caso especial de la Distribución Binomial, que se utiliza

para modelar experimentos con un número fijo de pruebas independientes y con dos posibles

resultados en cada prueba.

 11

La Distribución Bernoulli también se puede utilizar en problemas de toma de decisiones,

donde se quiere modelar la probabilidad de que un evento esté previsto o no. Por ejemplo, si

una empresa quiere lanzar un nuevo producto, puede utilizar la Distribución Bernoulli para

modelar la probabilidad de éxito o fracaso del lanzamiento del producto.

Además, la Distribución Bernoulli también puede ser utilizada en combinación con otras

distribuciones de probabilidad para modelar situaciones más complejas. Por ejemplo, si se

quiere modelar el número de éxitos en un número fijo de pruebas independientes, se puede

utilizar la Distribución Binomial, que es una extensión de la Distribución Bernoulli.

En términos de aplicaciones prácticas, la Distribución Bernoulli se utiliza ampliamente

en la teoría de la información, la teoría de la comunicación y la estadística, así como en áreas

como la ingeniería, la física y la informática.

La Distribución Bernoulli es una distribución de probabilidad discreta que se utiliza para

modelar experimentos aleatorios con dos posibles resultados: éxito o fracaso. Se denota por

B(p), donde p es la probabilidad de éxito.

La Distribución Bernoulli se utiliza para modelar experimentos aleatorios con dos

posibles resultados, como por ejemplo el lanzamiento de una moneda, donde el éxito puede ser

obtener cara y el fracaso obtener sello. También se utiliza en problemas de toma de decisiones,

donde se quiere modelar la probabilidad de que un evento esté previsto o no.

En situaciones en las que se quiere modelar el número de éxitos en un número fijo de

pruebas independientes, se puede utilizar la Distribución Binomial, que es una extensión de la

Distribución Bernoulli.
 12

Ejemplos:
 13

Distribución Binomial

La Distribución Binomial es una distribución de probabilidad discreta que se utiliza para

modelar el número de éxitos en un número fijo de ensayos independientes, donde cada ensayo

tiene solo dos posibles resultados: éxito o fracaso. Se denota por B(n,p), donde n es el número

de ensayos yp es la probabilidad de éxito en cada ensayo.

Algunas de las características de la Distribución Binomial son:

➢ La variable aleatoria X representa el número de éxitos en n ensayos independientes.

➢ Cada ensayo tiene solo dos resultados posibles: éxito o fracaso.

➢ La probabilidad de éxito p es constante en cada ensayo independiente.

➢ La probabilidad de fracaso es q=1-p.

➢ La función de probabilidad de la Distribución Binomial es:

P(X=x) = (nCx) * p^x * (1-p)^(nx), para x=0,1,2,...,n.

donde (nCx) es el coeficiente binomial, que se define como:

(nCx) = n! / (x! * (nx)!),

donde n! es el factorial de n.

➢ La media o valor esperado de la Distribución Binomial es:

E(X) = np.

➢ La variación de la Distribución Binomial es:

Var(X) = npq.
 14

La Distribución Binomial se utiliza para modelar situaciones en las que se quiere saber

la probabilidad de obtener un número específico de éxitos en un número fijo de ensayos

independientes, como por ejemplo el número de veces que una moneda cae cara en 10

lanzamientos. También se utiliza en problemas de control de calidad, para modelar la

probabilidad de que un número específico de productos sean defectuosos en un lote

determinado.

La Distribución Binomial es una distribución de probabilidad discreta que se utiliza para

modelar el número de éxitos en un número fijo de ensayos independientes con dos posibles

resultados. Se utiliza en una amplia variedad de campos, como la estadística, la ingeniería, la

medicina, la biología y la física, entre otros. A continuación, se presentan algunos ejemplos

adicionales de su uso:

➢ En los ensayos clínicos de medicamentos, la Distribución Binomial se utiliza para

determinar la probabilidad de que un cierto número de pacientes experimenten mejoría en su

condición de salud después de recibir el tratamiento.

➢ En la ingeniería, la Distribución Binomial se utiliza para modelar la probabilidad

de que un cierto número de productos de una línea de producción sean defectuosos.

➢ En el mundo empresarial, la Distribución Binomial se utiliza para modelar la

probabilidad de que un cierto número de transacciones resulten en ganancias o pérdidas en un

período determinado.

➢ En la planificación de ventas, la Distribución Binomial se utiliza para modelar la

probabilidad de que un número determinado de productos sean vendidos en un período

específico.
 15

Ejemplos
 16

Distribución Poisson

La Distribución Poisson es una distribución de probabilidad discreta que se utiliza para

modelar las ocurrencias de eventos raros e independientes en un intervalo de tiempo o en una

región espacial específica. Esta distribución se utiliza normalmente en aplicaciones

relacionadas con la tasa de fallas de un equipo, la tasa de llegada de clientes a un

establecimiento, el número de accidentes de tráfico en una carretera, entre otros.

La distribución Poisson está caracterizada por un único parámetro λ (lambda), que

representa la tasa promedio de ocurrencias de eventos por unidad de tiempo o espacio. La

función de probabilidad de distribución de Poisson está dada por la fórmula:

P(X = k) = (λ^k * e^(-λ)) / k!

donde:

➢ X es una variable aleatoria que representa el número de eventos que ocurren en un

intervalo de tiempo o en una región espacial específica.

➢ k es un numero entero no negativo que representa el número de eventos que ocurren en

ese intervalo de tiempo o región espacial.

➢ e es la constante matemática e (2.71828...).

La distribución Poisson es útil cuando los eventos son raros (ocurren en promedio

menos de una vez por intervalo) y la ocurrencia de un evento no afecta la probabilidad de que

ocurra otro evento en el mismo intervalo.

La distribución Poisson también tiene algunas propiedades interesantes, tales como:

➢ Los medios y la variación de la distribución son iguales a λ.

 17

➢ La distribución se aproxima a una distribución normal con medios λ y desviación

estándar √λ cuando λ es grande.

➢ La distribución Poisson es una distribución límite de la distribución binomial

cuando el número de ensayos n es grande y la probabilidad de éxito p es pequeña, de

manera que np = λ.

La distribución Poisson se utiliza normalmente en aplicaciones de gestión de calidad, en

particular en el control de calidad estadístico, donde se utiliza para modelar el número de

defectos en una muestra de productos. También se utiliza en aplicaciones de seguridad, como

en la modelación de la ocurrencia de fraudes o de fallas en sistemas de seguridad.

La distribución Poisson es una herramienta valiosa para modelar la ocurrencia de

eventos raros e independientes en un intervalo de tiempo o en una región espacial específica.

Su simplicidad y estadísticas la hacen útil en diversas aplicaciones en ciencias naturales,

ingeniería, negocios y otras áreas.

Además de las propiedades mencionadas anteriormente, la distribución Poisson

también se utiliza en algunas técnicas, como el análisis de supervivencia, donde se utiliza para

modelar el número de eventos de interés, como la falla de un equipo, en un intervalo de tiempo.

La distribución Poisson también se relaciona con otras distribuciones de probabilidad,

como la distribución exponencial y la distribución normal. Por ejemplo, si los tiempos entre

eventos siguen una distribución exponencial con tasa λ, entonces el número de eventos en un

intervalo de tiempo sigue una distribución Poisson con parámetro λt, donde t es el intervalo de

tiempo. Otra aplicación interesante de la distribución Poisson es en el estudio de procesos

estocásticos, donde se utiliza para modelar las ocurrencias de eventos aleatorios en un

proceso continuo.
 18

Ejemplos:
 19

Distribución Gaussiana

La Distribución Gaussiana, también conocida como Distribución Normal, es una

distribución de probabilidad continua que es muy utilizada en estadística debido a su propiedad

de ser simétrica y centrada en su medio. La curva de esta distribución tiene forma de campana

y su forma se puede describir mediante dos parámetros: la media (μ) y la desviación estándar

(σ).

La distribución Gaussiana es importante porque muchos fenómenos naturales y

sociales se distribuyen de manera similar a una distribución normal. Por ejemplo, la altura de

una población, el peso de una muestra de objetos o las presiones en un examen tenderán a

seguir una distribución normal.

La distribución normal tiene una serie de propiedades que la hacen muy útil en

estadística. Una de ellas es la regla empírica o regla 68-95-99.7, que establece que, en una

distribución normal, aproximadamente el 68% de los datos se encuentran dentro de una

desviación estándar de los medios, el 95% dentro de dos desviaciones estándar y el 99,7%

dentro de tres desviaciones estándar.

Además, la distribución normal es muy útil para el análisis de muestras grandes, ya que

se sabe que, en estas situaciones, la media de la muestra se aproxima a la media poblacional y

la distribución de la muestra se aproxima a una distribución normal. La distribución normal se

utiliza ampliamente en áreas como la economía, la ingeniería, la psicología, la física y la

biología, entre otras.

La Distribución Gaussiana tiene una serie de características importantes que se pueden

utilizar para comprender y analizar los datos:

 20

➢ Simetría: La distribución normal es simétrica alrededor de los medios. Esto

significa que la misma cantidad de datos se encuentran por encima y por debajo de los medios.

➢ Forma de campana: La distribución normal tiene una forma de campana, lo que

significa que la mayoría de los datos se encuentran cerca de los medios y la frecuencia de los

datos disminuye a medida que se alejan de los medios.

➢ Media y desviación estándar: La media y la desviación estándar de la

distribución normal son importantes para describir la ubicación y la dispersión de los datos.

➢ Asimilación de diferentes distribuciones: Muchas distribuciones de probabilidad

diferentes pueden aproximarse a una distribución normal, lo que hace que sea una herramienta

útil para la estadística.

➢ Propiedad de la suma: La suma de variables aleatorias normales también sigue

una distribución normal, lo que es útil para el análisis de datos en diferentes situaciones.

Además de las características mencionadas anteriormente, la Distribución Gaussiana

también tiene algunas propiedades adicionales que la hacen útil en diversas aplicaciones:

• Distribución continua: La Distribución Gaussiana es una distribución continua, lo

que significa que puede tomar cualquier valor dentro de un rango determinado.

• Regla Empírica: La Distribución Gaussiana tiene una regla empírica que

establece que aproximadamente el 68% de los datos se encuentran dentro de una desviación

estándar de la media, el 95% de los datos se encuentran dentro de dos desviaciones estándar

de la media, y el 99.7% de los datos se encuentran dentro de tres desviaciones estándar de la

media.
 21

Ejemplos:
 22

Distribución Chi cuadrado

La Distribución Chi-cuadrado es una distribución de probabilidad continua que se utiliza

con frecuencia en estadística para probar la independencia entre dos variables categóricas o

para comparar una muestra observada con una distribución esperada. La distribución es una

función de un parámetro llamado "grados de libertad", que determina la forma de la distribución.

La Distribución Chi-cuadrado se denota como χ²(y se lee "ji cuadrado") y es una

distribución asimétrica y sesgada hacia la derecha. Los valores de la distribución Chi-cuadrado

siempre son mayores o iguales a cero y no tienen límites superiores. La forma exacta de la

distribución depende del número de grados de libertad, que se refiere al número de variables

aleatorias independientes que se suman en la construcción de la distribución.

La Distribución Chi-cuadrado se utiliza en muchas aplicaciones estadísticas, como en

pruebas de hipótesis y análisis de regresión. También se utiliza en la estimación de la varianza

de una población normal a partir de una muestra y en la evaluación de la bondad de ajuste de

una muestra a una distribución teórica.

La distribución Chi-cuadrado se puede obtener a partir de la suma de los cuadrados de

una muestra de variables aleatorias independientes y estándar (con media cero y desviación

estándar de uno). La suma de los cuadrados de estas variables aleatorias se denomina

estadística de Chi-cuadrado.

La Distribución Chi-cuadrado se utiliza en varias pruebas estadísticas, como la prueba

de bondad de ajuste de Chi-cuadrado y la prueba de independencia de Chi-cuadrado. En la

prueba de bondad de ajuste, se compara la distribución teórica de una variable aleatoria con la

distribución empírica de la muestra. En la prueba de independencia, se analiza la relación entre

dos variables categóricas.

 23

Ejemplos:

1.
 24

2.
 25

CONCLUSIONES

➢ La adquisición de conocimientos y habilidades para entender las características

y aplicaciones de las diferentes distribuciones de probabilidad permitirá tomar decisiones

informadas y precisas en situaciones donde la incertidumbre es un factor crítico.

➢ Al identificar y describir las características clave de las distribuciones de

probabilidad más comunes, se ha obtenido un conocimiento sólido de los diferentes tipos de

distribuciones y cómo se pueden aplicar en diferentes contextos. Esto permitirá tomar

decisiones informadas basadas en los datos y seleccionar la distribución de probabilidad más

adecuada para una situación dada.

➢ La utilización de software estadístico para calcular y graficar diferentes

distribuciones de probabilidad ha permitido entender mejor cómo se comportan estas

distribuciones y cómo se pueden comparar entre sí. Esto ha proporcionado una herramienta

valiosa para analizar datos y hacer predicciones en diferentes campos, como la ciencia, la

ingeniería y los negocios.

➢ La aplicación de las distribuciones de probabilidad en la resolución de problemas

reales ha demostrado la utilidad práctica de estas distribuciones. La capacidad de estimar la

probabilidad de eventos raros o predecir resultados en diferentes situaciones ha permitido

tomar decisiones informadas en diferentes campos, como la planificación empresarial, la

evaluación de riesgos financieros y la investigación científica.

 26

BIBLIOGRAFÍA

https://www.monografias.com/trabajos86/distribucion-probabilidad-uniforme/distribucion-
probabilidad-uniforme

https://www.google.com/search?q=cu%C3%A1les+son+los+tipos+de+distribuciones+de+proba
bilidad&source=lmns&bih=657&biw=1366&hl=es-419&sa=X&ved=2ahUKEwjLpZ_Emo7-
AhXccTABHUVaDH8Q_AUoAHoECAEQAA

https://www.questionpro.com/blog/es/prueba-de-chi-cuadrado-de-
pearson/#:~:text=%C2%BFQu%C3%A9%20es%20una%20prueba%20de,en%20una%20o%20
m%C3%A1s%20categor%C3%ADas.

https://www.sdelsol.com/glosario/distribucion-
binomial/#:~:text=La%20distribuci%C3%B3n%20binomial%20es%20una,y%20no%20puede%2
0ser%20negativa.

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm
 27

ANEXOS