20/12/2025
UNIVERSIDAD MAYOR DE SAN ADRES
CONTADURIA PUBLICA
Capítulo
DISTRIBUCION DE
PROBABILIDADES
DOCENTE: M.Sc. Carol Krisma Mamani Gutiérrez
INTRODUCCION
Una distribución de probabilidad es un modelo teórico que trata de
explicar el comportamiento de un fenómeno real.
Actúa como una
función que asigna a
cada suceso,
cuantificado mediante
una variable aleatoria,
la probabilidad
correspondiente
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 2
20/12/2025
INTRODUCCION
Una variable aleatoria asocia a cada suceso del espacio muestral un
número real. Es una función que asigna un valor numérico, al
resultado de un experimento aleatorio.
Ejemplo: La
variable aleatoria X
será la suma de los
números obtenidos
al lanzar dos dados
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 3
VARIABLE ALEATORIA
Una variable aleatoria puede ser discreta o continua.
• Se llama discreta cuando solo puede tomar ciertos valores aislados
(generalmente un número finito de valores).
• Es continua cuando puede tomar todos los valores de un intervalo.
Ejemplos:
a) La suma de los resultados obtenidos al lanzar dos dados es una variable
aleatoria discreta.
b) El tiempo que una persona tiene que esperar al autobús es una variable
continua. Igualmente, la estatura de esa persona o su peso son variables
continua
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 4
20/12/2025
Función de probabilidad - variable discreta
Una variable aleatoria asocia a cada suceso del espacio muestral un
número real.
Una variable aleatoria puede ser discreta o continua.
• Se llama discreta cuando solo puede tomar ciertos valores aislados
(generalmente un número finito de valores).
• Es continua cuando puede tomar todos los valores de un intervalo.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 5
Función de probabilidad - variable discreta
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 6
20/12/2025
Función de probabilidad - variable discreta
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 7
Función de distribución - variable discreta
Si X es una variable aleatoria cuya Función de probabilidad es f(x)
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 8
20/12/2025
Función de probabilidad continua
Sea X una variable aleatoria continua. Entonces, una función de densidad de
probabilidad de X es una función f(x) tal que para dos números
cualesquiera a y b con a ≤ b,
La probabilidad de que X asuma un
valor en el intervalo [a, b] es el área
sobre este intervalo y bajo la gráfica
de la función de densidad. Se puede
apreciar mejor en la siguiente
gráfica:
La gráfica de f(x) se suele llamar
curva de densidad.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 9
Función de probabilidad continua
La función de probabilidad de una variable aleatoria continua siempre cumplirá
con estas condiciones:
Área bajo la curva
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 10
20/12/2025
Función de probabilidad continua
Propiedad importante
En la función de probabilidad de una variable aleatoria continua sucede algo bien interesante si
queremos calcular la probabilidad de que la variable aleatoria sea igual a un valor puntual c.
La probabilidad se calcula mediante el área bajo la curva pero el área bajo una curva de
densidad situada sobre cualquier valor único es 0:
El hecho de que P(X = c) = 0 cuando X es continua nos permite afirmar que la probabilidad de
que X quede en algún intervalo entre a y b no depende de si límite inferior a o el límite
superior b está incluido en el cálculo de la probabilidad:
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 11
Función de probabilidad continua
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 12
20/12/2025
¿Qué es la esperanza matemática (o valor esperado)?
la esperanza se calcula como la media aritmética de los valores,
es decir la suma de los valores por sus probabilidades (las
probabilidades serían las frecuencias relativas).
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 13
¿Qué es la esperanza matemática (o valor esperado)?
RESUMEN
Variable aleatoria es discreta Variable aleatoria es continua
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 14
20/12/2025
¿Qué es la esperanza matemática (o valor esperado)?
Ejemplo, calcular la esperanza
X 1 2 3 4 5 6
f(x)=P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 15
VARIANZA
Varianza continua
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 16
20/12/2025
VARIANZA
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 17
VARIANZA
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 18
20/12/2025
VARIANZA
Ejemplo, varianza discreta
X 1 2 3 4 5 6
f(x)=P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6
x f(x) x*f(x) (x‐E(x))2 (x‐E(x))2*f(x)
1 1/6 1/6 6 1/2 1 1/24
2 1/6 1/3 2 1/2 3/8
3 1/6 1/2 1/2 1/24
4 1/6 2/3 1/2 1/24
5 1/6 5/6 2 1/2 3/8
6 1/6 1 6 1/2 1 1/24
3 1/2 2 11/12
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 19
DISTRIBUCIONES DE PROBABILIDADES
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 20
20/12/2025
DE PROBABILIDAD
DISTRIBUCIONES
DISCRETA
Portfolio Designed
You can simply impress your audience and add a
unique zing and appeal to your Presentations. I
hope and I believe that this Template will your
Time, Money and Reputation.
Get a modern PowerPoint Presentation that is
beautifully designed.
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial
Distribución hipergeometrica
Distribución de hipergeometrica
Distribución multinomial
Distribución de Poisson
Aproximacion de la binomial a Poisson
Distribucion binomial negativas
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 22
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Una distribución de probabilidad describe la probabilidad de
ocurrencia de cada valor de una variable aleatoria discreta
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 23
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial
Es una de las distribuciones de probabilidad más utilizadas en la
práctica estadística.
Se emplea cuando el fenómeno de estudio queda determinado por
dos sucesos complementarios: si/no; hombre/mujer;
nacional/extranjero; trabajador en activo/parado;…
En general, esas dos situaciones pueden considerarse resultados de
un experimento aleatorio y a los sucesos contarios, sin que indique
valoración alguna, suelen llamárseles éxito y fracaso.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 24
20/12/2025
DISTRIBUCIONES DE PROBABILIDADES
Distribución binomial
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 25
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 26
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 27
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial
Ejemplos:
a) Para lanzar 3 veces cara, se tiene B(8, 0,5), que cuenta el número
de caras obtenidas al lanzar 8 monedas.
n 8
P X x p x q n x 0.550.53
x 5
SOLUCION
b) En una comunidad de 400 familias de cinco hijos, se calcula la
probabilidad de las familias que poseen: i)dos niños, ii) ninguna niña
n 5 n 5
P X x p x q n x 0.520.53 0.3150 P X x p x q n x 0.520.53 0.03150
x 2 x 5
0.3125 * 400 125 0.03150 * 400 12.5
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 28
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Hipergeometrica
La distribución hipergeométrica es una distribución discreta que modela el
número de eventos en una muestra de tamaño fijo cuando usted conoce el
número total de elementos en la población de la cual proviene la muestra.
• Cada elemento de la muestra tiene dos resultados posibles (es un evento o un
no evento).
• Las muestras no tienen reemplazo, por lo que cada elemento de la muestra es
diferente.
• Cuando se elige un elemento de la población, no se puede volver a elegir.
• Por lo tanto, la probabilidad de que un elemento sea seleccionado aumenta
con cada ensayo, presuponiendo que aún no haya sido seleccionado.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 29
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Hipergeometrica
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 30
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Hipergeometrica
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 31
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Aproximacion de distribución hipergeometrica a binomial
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 32
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución geométrica
Proceso de Bernoulli: Experimento cuyo resultado puede clasificarse como éxito
(x) o fracaso. El experimento se repite con repeticiones independientes, hasta
obtener el primer éxito. La probabilidad de éxito (p) permanece constante para
todas las repeticiones.
Distribución Geométrica: Distribución de probabilidad de la variable aleatoria x;
número del experimento en el que ocurre el primer éxito (m=1).
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 33
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución geométrica
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 34
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución geométrica
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 35
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución geométrica
Ejemplo: En las horas de mayor congestión telefónica, se debe intentar varias
veces hasta lograr comunicación, ya que la probabilidad de lógrala es de 0,1
a) Calcular la probabilidad de que sean necesarios 4 intentos hasta lograr comunicación
g x; p p * q x 1 0.1 * 0.941 0.0729
b) Calcular el esperado numero de intentos hasta lograr la comunicación
1 1
Esperanza E X 10
p 0.1
c) Cual es la probabilidad de que sean necesarias 6 intentos mas si ya se han efectuado 4 intentos
sin éxito Entonces seria una probabilidad condicional
P X 6 X 4 P X 2 1 P X 2 1 P X 1 P X 2
1 P X 1 P X 2 1 0.1 * 0.911 0.1 * 0.921 0.81
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 36
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución multinomial
La distribución multinomial (o distribución multinómica) es una distribución de
probabilidad que describe la probabilidad de que varios eventos excluyentes
ocurran un número determinado de veces tras realizar varios ensayos.
Es decir, si un experimento aleatorio puede dar como resultado tres o más eventos
excluyentes y se conocen la probabilidad de que ocurra cada evento por separado,
la distribución multinomial sirve para calcular la probabilidad de que al realizar
varios experimentos suceda un número determinado de veces cada evento.
Por lo tanto, la distribución multinomial es una generalización de la distribución
binomial.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 37
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución multinomial
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 38
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución multinomial
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 39
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
La distribución de Poisson es una distribución de probabilidad que
define la probabilidad de que ocurra un determinado número de
eventos durante un período de tiempo.
Es decir, la distribución de
Poisson sirve para modelizar
variables aleatorias que
describen el número de veces
que se repite un fenómeno en
un intervalo de tiempo.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 40
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
Se cumplen siempre los siguientes supuestos:
i. la variable aleatoria es el número de veces que ocurre un evento
durante un intervalo definido.
ii. X = número de veces que ocurre un evento durante un intervalo
definido
iii. la ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en cualquier otro
intervalo.
iv. dos eventos no pueden ocurrir exactamente al mismo tiempo
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 41
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
Se cumplen siempre los siguientes supuestos:
i. la variable aleatoria es el número de veces que ocurre un evento
durante un intervalo definido.
ii. X = número de veces que ocurre un evento durante un intervalo
definido
iii. la ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en cualquier otro
intervalo.
iv. dos eventos no pueden ocurrir exactamente al mismo tiempo
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 42
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
Aquí algunos ejemplos típicos de variables aleatorias que siguen una
distribución de Poisson:
• El número de clientes que ingresan a un supermercado en un día.
• El número de accidentes registrados en una fábrica durante una
semana.
• El número de llamadas que recibe una central telefónica en el
período de un minuto.
• El número de bacterias en un volumen de un litro de agua.
• El número de vehículos que llegan a una gasolinera en una hora.
• El número de toxinas en partes por millón encontradas en un litro de
agua de un río.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 43
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 44
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 45
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
Ejemplo: En una central telefónica que recibe 2 llamadas cada 3 minutos: calcular
la probabilidad de que en el periodo de 6 minutos se presenten:
a) Dos intentos de suicidio por mes
e t t e 6 6
x 2
p x; t 0.0446
x! 2!
b) Un intento, tres intentos
e t t e 6 6 e t t e 6 6
x 1 x 3
p x; t 0.0149 p x; t 0.0892
x! 1! x! 3!
c) Ningún intento
e t t e 6 6
x 0
p x; t 0.0025
x! 0!
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 46
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución Poisson
Ejemplo: En una central telefónica que recibe 2 llamadas cada 3 minutos: calcular
la probabilidad de que en el periodo de 6 minutos se presenten:
d) 0,1,2 o 3 intentos
p x 0 p x 1 p x 2 p x 3 0.0025 0.0149 0.0446 0.0892 0.1512
e) Mas de tres intentos
p x 3 1 p x 3 1 p x 0 p x 1 p x 2 p x 3
1 0.1512 0.8488
0,16
f) El diagrama de distribución 0,11
0,06
0,01
0 1 2 3 4 5 6 7 8 9 10
‐0,04
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 47
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Aproximación de distribución binomial a Poisson
Alternativamente, puede aproximarse la Binomial a Poisson cuando
p≥0,9 y n≥30 considerando λ=n(1-p).
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 48
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Aproximación de distribución binomial a Poisson
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 49
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial negativa o Distribución Pascal
La distribución binomial negativa es una distribución de probabilidad que
describe el número de ensayos de Bernoulli necesarios para obtener un número
determinado de resultados con éxito.
Por lo tanto, una distribución binomial negativa tiene dos parámetros
característicos: r es el número de resultados con éxito deseado y p es la
probabilidad de éxito de cada experimento de Bernoulli realizado.
La diferencia entre una distribución binomial negativa y una distribución binomial es
que la distribución binomial negativa cuenta el número de veces que se necesitan
para conseguir un determinado número de resultados con éxito, en cambio, la
distribución binomial cuenta el número de casos de éxito de una serie de ensayos de
Bernoulli.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 50
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial negativa o Distribución Pascal
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 51
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial negativa o Distribución Pascal
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 52
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD DISCRETA
Distribución binomial negativa o Distribución Pascal
Ejemplo: la probabilidad de encendido de un motor es de 0,8, si se hacen intentos
de encendido hasta que se lograr 4 éxitos
a) Calcular la probabilidad de que sean necesarios 9 intentos
x 1 k x k 9 1 4
b x; k ; p 94
p p 4 1 0.8 * 0.2 0.0073
k 1
b) Calcular la probabilidad de que sean necesarios menos de 7 intentos
P x 7 P x 6 P x 4 P x 5 P x 6
3 4 5
0.83 * 0.20 0.84 * 0.21 0.84 * 0.22
3 3 3
0.4096 0.3277 0.1638 0.9011
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 53
DE PROBABILIDAD
DISTRIBUCIONES
CONTINUA
Portfolio Designed
You can simply impress your audience and add a
unique zing and appeal to your Presentations. I
hope and I believe that this Template will your
Time, Money and Reputation.
Get a modern PowerPoint Presentation that is
beautifully designed.
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución uniforme
Distribución exponencial
Distribución Gamma
Distribución Norma
Aproximación de Binomial a Normal
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 55
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución uniforme
La distribución uniforme continua es un tipo de distribución de probabilidad en la
cual todos los valores tienen la misma probabilidad de ocurrencia. Es decir, la
distribución uniforme continua es una distribución en la que la probabilidad se
distribuye uniformemente a lo largo de un intervalo.
La distribución uniforme continua se utiliza para describir variables continuas que
tienen una probabilidad constante. Asimismo, la distribución uniforme continua se
usa para definir procesos aleatorios, ya que si todos los resultados tienen la misma
probabilidad significa que existe aleatoriedad en el resultado.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 56
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución uniforme
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 57
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución uniforme
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 58
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución uniforme
Ejemplo: Se sabe que existe una falla en un cable eléctrico de 300 m, calcular la
probabilidad de que tal falla se encuentre entre los 150 y 250 m , además de la
esperanza y varianza
d c 250 150 1
P x
ba 300 0 3
300 0
2
300 0
Ex 150 V x 7500
2 12
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 59
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución exponencial
La distribución exponencial es una distribución de probabilidad continua que
sirve para modelizar el tiempo de espera para la ocurrencia de un fenómeno
aleatorio.
En concreto, la distribución exponencial permite describir el tiempo de espera
entre dos fenómenos que siguen una distribución de Poisson. Por lo tanto, la
distribución exponencial está estrechamente relacionada con la distribución de
Poisson.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 60
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución exponencial
La variable continua aleatoria x, La función de distribución acumulada es:
tiene Distribución Exponencial
F x P X x x0
* e x ;x 0
f x x x
;x 0
f t dt * e
t
0 dt 1 e x
0 0
P X x e x
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 61
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución exponencial
1
factor de altura
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 62
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución exponencial
Ejemplo: un foco posee un vida media de 150 días
a) Calcular la probabilidad de que el tiempo de falla sea mayor a 200 días
200 200
1 150
f x, e P X 200 e 150
0.2636
150
b) Si un foco ya ha trabajado 200 días, cual es su probabilidad de que trabaje
otros 200 días
100
P X 200 100 X 200 P X 100 e 150
0.5134
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 63
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución exponencial
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 64
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución gamma
La distribución gamma es una distribución de probabilidad continua definida por
dos parámetros característicos, α y λ. Es decir, la distribución gamma depende del
valor de sus dos parámetros: α es el parámetro de forma y λ es el parámetro de
escala.
El símbolo de la distribución gamma es la letra griega mayúscula Γ. Por lo tanto, si
una variable aleatoria sigue una distribución gamma se escribe de la siguiente
manera:
La distribución gamma también se puede parametrizar usando el parámetro de
forma k=α y el parámetro inverso de escala θ=1/λ. En cualquier caso, los dos
parámetros que definen la distribución gamma son números reales positivos.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 65
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución gamma
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 66
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución gamma
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 67
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución normal
Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su
propio nombre indica su extendida utilización, justificada por la frecuencia o
normalidad con la que ciertos fenómenos tienden a parecerse en su
comportamiento a esta distribución.
Muchas variables aleatorias continuas presentan una función de densidad cuya
gráfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un
mismo valor de p y valores de n cada vez mayores, se ve que sus polígonos de
frecuencias se aproximan a una curva en "forma de campana".
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 68
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución normal
En resumen, la importancia de la distribución normal se debe principalmente a
que hay muchas variables asociadas a fenómenos naturales que siguen el modelo
de la normal
• Caracteres morfológicos de individuos (personas, animales, plantas,...) de una
especie, p.ejm. tallas, pesos, envergaduras, diámetros, perímetros,...
• Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un fármaco, o de
una misma cantidad de abono.
• Caracteres sociológicos, por ejemplo: consumo de cierto producto por un mismo grupo
de individuos, puntuaciones de examen.
• Caracteres psicológicos, por ejemplo: cociente intelectual, grado de adaptación a un
medio,...
• Errores cometidos al medir ciertas magnitudes.
• Valores estadísticos muestrales, por ejemplo : la media.
• Otras distribuciones como la binomial o la de Poisson son aproximaciones normales, ...
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 69
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución normal
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 70
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribución normal
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 71
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Aproximación de Binomial a Normal
La distribución binomial, es una distribución discreta en la que n ensayos pueden
producir un éxito o un fracaso. La probabilidad de éxito la denominamos p y la
posibilidad de fracaso será q = (1 - p). Como se ha visto en otros apartados el
cálculo de la distribución binomial puede exceder el límite de cualquier tabla y
volverse muy engorrosa en su cálculo si el valor de n es muy grande.
Un método alternativo para el cálculo de la distribución binomial es por medio del
uso de la distribución normal para aproximar la distribución binomial. Para ello
es fundamental que se satisfagan las siguientes condiciones, np ≥ 5 y n(1 -
p) ≥ 5 y además p está próximo a 0,5.
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 72
20/12/2025
DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Aproximación de Binomial a Normal
Asignatura: Estadistica Ing. Carol Krisma Mamani Gutiérrez 73
G R A C I A S
M.Sc. Ing. Carol Krisma Mamani Gutiérrez
