DISTRIBUCIONES

DISCRETAS Y
CONTINUAS

M. C. Juan Ramn Prez Morales

Tipos de distribuciones

Discretas:
Las distribuciones discretas son aquellas en las
que la variable puede pude tomar un nmero
determinado de valores:
Ejemplo: si se lanza una moneda al aire puede salir
cara o cruz; si se tira un dado puede salir un nmero
de 1 al 6; en una ruleta el nmero puede tomar un
valor del 1 al 32.
Principales tipos de distribuciones discretas

Binomial
Bernoulli
Poisson
Geometrica
Hipergeometrica
Distribucion Binomial

En estadstica, la distribucin binomial es una

distribucin de probabilidad discreta que mide el
nmero de xitos en una secuencia de n ensayos
de Bernoulli independientes entre s, con una
probabilidad fija p de ocurrencia del xito entre los
ensayos.
Para representar que una variable aleatoria X sigue
una distribucin binomial de parmetros n y p, se
escribe:
X B(n,p)
Distribucion Binomial

Ejemplo
Las siguientes situaciones son ejemplos de
experimentos que pueden modalizarse por esta
distribucin:
Se lanza un dado diez veces y se cuenta el
nmero X de tres obtenidos: entonces X ~ B(10, 1/6)
Se lanza una moneda dos veces y se cuenta el
nmero X de caras obtenidas: entonces X ~ B(2, 1/2)
Distribucion Binomial

Su funcin de probabilidad es :

Supongamos que se lanza un dado (con 6 caras) 50

veces y queremos conocer la probabilidad de que el
nmero 3 salga 20 veces. En este caso tenemos una X
~ B(50, 1/6) y la probabilidad sera P(X=20):
 Distribucin de Bernoulli

Es una distribucin de probabilidad discreta, que

toma valor 1 para la probabilidad de xito (P) y valor
0 para la probabilidad de fracaso (q).
Si X es una variable aleatoria que mide "nmero de
xitos", y se realiza un nico
experimento con dos posibles resultados (xito
o fracaso), se dice que la variable aleatoria X se
distribuye como una Bernoulli de parmetro P.
Distribucin de Bernoulli

La frmula ser:

Ejemplo:

"Lanzar un dado y salir un 6".

La probabilidad de que obtengamos un 6 viene definida como la probabilidad de que X sea igual a
1.

La probabilidad de que NO obtengamos un 6 viene definida como la probabilidad de que X sea

igual a 0.
Distribucin de Poisson

La distribucin de Poisson es una distribucion

de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad que
ocurra un determinado nmero de eventos durante
cierto periodo de tiempo.
La funcin de masa o densidad de la distribucin de
Poisson es

k es el nmero de ocurrencias del evento o fenmeno

es un parmetro positivo que representa el nmero de veces que se espera que
ocurra el fenmeno durante un intervalo dado.
e es la base de los logaritmos naturales (e = 2,71828...)
Distribucin de Poisson

Ejemplo
Si el 2% de los libros encuadernados en cierto taller tiene
encuadernacin defectuosa, para obtener la probabilidad de que 5 de
400 libros encuadernados en este taller tengan encuadernaciones
defectuosas usamos la distribucin de Poisson. En este caso
concreto,k es 5 y, , el valor esperado de libros defectuosos es el 2% de
400, es decir, 8. Por lo tanto, la probabilidad buscada es
Distribucin geomtrica

En teora de probabilidad y estadstica,

la distribucin geomtrica es cualquiera de las
dos distribuciones de probabilidad discretas
siguientes:
La distribucin de probabilidad del nmero X del ensayo de
Bernoulli necesaria para obtener un xito, contenido en el
conjunto { 1, 2, 3,...} o
La distribucin de probabilidad del nmero Y = X 1 de
fallos antes del primer xito, contenido en el conjunto { 0, 1,
2, 3,... }.
Distribucin geomtrica

Si la probabilidad de xito en cada ensayo es p,

entonces la probabilidad de que x ensayos sean
necesarios para obtener un xito es

para x = 1, 2, 3,.... Equivalentemente, la probabilidad

de que haya x fallos antes del primer xito es

para x = 0, 1, 2, 3,....
Distribucin Hipergeomtrica

Distribucin hipergeomtrica es una

distribucin discreta relacionada con muestreos
aleatorios y sin reemplazo.
La funcin de probabilidad de una variable aleatoria con
distribucin hipergeomtrica puede deducirse a travs
de razonamientos combinatorios y es igual a

N es el tamao de poblacin
n es el tamao de la muestra extrada
d es el nmero de elementos en la poblacin original que pertenecen a la
categora deseada
x es el nmero de elementos en la muestra que pertenecen a dicha categora.
Tipos de distribuciones

Continuas:
Las distribuciones continuas son aquellas que
presentan un nmero infinito de posibles soluciones:
Ejemplo: El peso medio de los alumnos de una
clase puede tomar infinitos valores dentro de cierto
intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc);
la esperanza media de vida de una poblacin (72,5
aos, 7,513 aos, 72, 51234 aos).
 Distribuciones continuas

D I S T R I B U C I N U N I FO R M E O
R EC T A N G U L A R
D I S T R I B U C I N EX P O N E N C I A L
D I S T R I B U C I N NORMAL O
GAUSSIANA
D I S T R I B U C I N T D E S T U D E N T
L A D I S T RI B U C I N F D E S N E D E C O R
Distribucin uniforme o rectangular

La distribucin Uniforme es el modelo (absolutamente)

continuo ms simple. Corresponde al caso de una variable
aleatoria que slo puede tomar valores comprendidos entre
dos extremos a y b, de manera que todos los intervalos de
una misma longitud (dentro de (a, b)) tienen la misma
probabilidad. Tambin puede expresarse como el modelo
probabilstico correspondiente a tomar un nmero al azar
dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de
densidad debe tomar el mismo valor para todos los puntos
dentro del intervalo (a, b) (y cero fuera del intervalo).
Distribucin exponencial

La variable aleatoria exponencial, es el tiempo que transcurre hasta

que se da el primer evento de Poisson. Es decir, la distribucin
exponencial puede modelar el lapso entre dos eventos consecutivos
de Poisson que ocurren de manera independiente y a una frecuencia
constante. Esta distribucin se emplea con bastante frecuencia con
objeto de modelar problemas del tipo "tiempo - falla" y como modelo
para el estudio de intervalos en problemas de espera; por ejemplo, la
duracin de componentes electrnicos. Posteriormente se
demostrar que la distribucin exponencial no tiene memoria, es
decir, la probabilidad de ocurrencia de eventos presentes o futuros
no depende de los que hayan ocurrido en el pasado. De esta forma, la
probabilidad de que una unidad falle en un lapso especfico depende
nada ms de la duracin de ste y no del tiempo en que la unidad ha
estado en operacin.
Distribucin normal o gaussiana

En estadstica y probabilidad se llama distribucin normal, distribucin de

Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable
continua que con ms frecuencia aparece aproximada en fenmenos reales .
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica
respecto de un determinado parmetro estadstico. Esta curva se conoce
como campana de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme
cantidad de variables incontrolables que en ellos intervienen, el uso del modelo
normal puede justificarse asumiendo que cada observacin se obtiene como la suma
de unas pocas causas independientes.
De hecho, la estadstica es un modelo matemtico que slo permite describir un
fenmeno, sin explicacin alguna. Para la explicacin causal es preciso el diseo
experimental, de ah que al uso de la estadstica en psicologa y sociologa sea conocido
como mtodo correlacional.
Distribucin normal o gaussiana

La distribucin normal tambin es importante por su relacin con

la estimacin por mnimos cuadrados, uno de los mtodos de
estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales
que siguen el modelo de la normal son:
caracteres morfolgicos de individuos como la estatura;
caracteres fisiolgicos como el efecto de un frmaco;
caracteres sociolgicos como el consumo de cierto producto por
un mismo grupo de individuos;
caracteres psicolgicos como el cociente intelectual;
nivel de ruido en telecomunicaciones;
errores cometidos al medir ciertas magnitudes;
Distribucin t de Student

En probabilidad y estadstica, la distribucin t (de Student)

es una distribucin de probabilidad que surge del problema
de estimar la media de una poblacin normalmente
distribuida cuando el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de
Student para la determinacin de las diferencias entre dos
medias mustrales y para la construccin del intervalo de
confianza para la diferencia entre las medias de dos
poblaciones cuando se desconoce la desviacin tpica de
una poblacin y sta debe ser estimada a partir de los datos
de una muestra.
 La distribucin F de Snedecor

Es una distribucin de probabilidad de gran aplicacin en la inferencia estadstica ,

fundamentalmente en la contrastacin de la igualdad de varianzas de dos poblaciones normales, y ,
fundamentalmente en el anlisis de la varianza , tcnica que permite detectar la existencia o
inexistencia de diferencias significativas entre muestras diferentes y que es, por tanto esencial , en
todos aquellos casos en los que se quiere investigar la relevancia de un factor en el desarrollo y
naturaleza de una caracterstica.
La distribucin se plantea partiendo de dos variables X e Y tales que :
es decir una chi2 con m grados de libertad
es decir una chi2 con n grados de libertad ;
de manera que si establecemos el cociente , es decir el cociente entre ambas chi2 divididas a su vez,
por sus correspondientes grados de libertad tendremos que la funcin F corresponde a una
distribucin F de Snedecor con m y n grados de libertad ; es decir una
Queda claro por tanto que la distribucin F de Snedecor tiene dos parmetros , que son m y n ; grados
de libertad del numerador , grados de libertad del denominador.
Dado que se trata de un cociente entre dos chi2 su forma (grfica de la funcin de densidad)ser
parecida a la de sta distribucin , por lo que estar slo definida para el campo positivo de la variable
y su apariencia variar segn los grados de libertad ; estando ms prxima la densidad de
probabilidad a los valores prximos a cero de la variable , cuando los grados de libertad ( sus
parmetros) sean bajos.
GRACIAS POR SU
ATENCION