Página |1
3:C
Nombre de alumno: Angel Ignacio González
Gómez
Nombre del Docente: Angel de Jesús Borraz
de Paz
Fecha de entrega: 24/06/24
Página |2
Contenido
INTRODUCCIÓN ............................................................................................................................... 3
Distribuciones de probabilidad ............................................................................................................ 3
Distribuciones continuas .................................................................................................................. 4
Métodos ........................................................................................................................................ 4
Distribuciones discretas ................................................................................................................... 7
Normal ......................................................................................................................................... 7
Chi cuadrada ................................................................................................................................ 7
F de Fisher .................................................................................................................................... 8
CONCLUSIÓN .................................................................................................................................... 8
Referencias ........................................................................................................................................... 9
.
Página |3
INTRODUCCIÓN
Las distribuciones de probabilidad son modelos matemáticos que describen la probabilidad
de ocurrencia de diferentes resultados en un experimento o fenómeno aleatorio. Estas dis-
tribuciones son fundamentales en la teoría de la probabilidad y estadística, ya que nos per-
miten comprender y predecir el comportamiento de variables aleatorias.
Existen diferentes tipos de distribuciones de probabilidad, cada una con sus propias carac-
terísticas y aplicaciones específicas. Algunas de las distribuciones más comunes incluyen
la distribución uniforme, la distribución normal, la distribución binomial, la distribución de
Poisson, entre otras.
El estudio de las distribuciones de probabilidad es esencial en diversos campos como la
investigación científica, la ingeniería, la economía, la medicina y muchas otras áreas, donde
se utilizan para modelar y analizar datos observados y tomar decisiones informadas.
Distribuciones de probabilidad
Considerando los conceptos previamente mencionados, podemos definir una distribución
de probabilidad como un conjunto que detalla todos los posibles resultados y sus corres-
pondientes probabilidades de ocurrencia en un evento dado.
Por ejemplo, al considerar el lanzamiento de una moneda como evento, los posibles resul-
tados son cara o sello, con probabilidades asociadas de 0.5 cada una.
Es importante destacar que la suma de las probabilidades de todos los resultados de un
evento siempre debe ser igual a 1.
En todos los eventos existen variables aleatorias, que pueden ser de tipo discreto (resulta-
dos contables o separables, como la cantidad de caras al lanzar tres monedas) o continuo
(valores incontables pero limitados, como los tiempos de vuelo de una ciudad a otra).
Imágen 1. Gráfica de distribuciones de probabilidad.
Página |4
Distribuciones continuas
Una distribución continua describe las probabilidades asociadas a los posibles valores de
una variable aleatoria que es de naturaleza continua. Una variable aleatoria continua es
aquella que tiene un conjunto infinito de valores posibles (llamado rango) y que no puede
ser contado.
En el caso de variables aleatorias continuas (X), las probabilidades se calculan como el
área bajo la curva de su Función de Densidad de Probabilidad (PDF). Por lo tanto, solo los
rangos de valores pueden tener una probabilidad distinta de cero, ya que la probabilidad de
que una variable aleatoria continua sea exactamente igual a un valor específico siempre es
cero.
Imagen 1.1. Gráfica de probabilidad continua.
Métodos
Los métodos en distribuciones continuas se refieren a técnicas y procedimientos utilizados
para analizar, modelar y trabajar con variables aleatorias continuas y sus distribuciones de
probabilidad. Estos métodos son fundamentales en la teoría de la probabilidad y estadística,
ya que permiten comprender y utilizar eficientemente las distribuciones continuas en diver-
sas aplicaciones.
Algunos de los métodos comunes utilizados en distribuciones continuas incluyen:
1. Cálculo de probabilidades: Determinar la probabilidad de que una variable aleatoria
continua se encuentre en un cierto rango de valores, calculando áreas bajo la curva
de la Función de Densidad de Probabilidad (PDF).
2. Cálculo de percentiles: Encontrar el valor que divide a una distribución continua en
porcentajes establecidos, como el percentil 25, 50 (mediana) o 75.
3. Cálculo de esperanza y varianza: Calcular la esperanza (media) y la varianza de una
distribución continua para comprender su tendencia central y dispersión, respectiva-
mente.
4. Generación de muestras aleatorias: Simular valores aleatorios de una distribución
continua para llevar a cabo experimentos y análisis de Monte Carlo.
Estos métodos son utilizados en diversos campos como la investigación científica, la inge-
niería, la economía y otros, para realizar análisis estadísticos, modelar fenómenos naturales
o sociales, y tomar decisiones informadas basadas en la teoría de la probabilidad .
Página |5
Binomial
La distribución binomial es una distribución de probabilidad discreta que nos dice el porcentaje en
que es probable obtener un resultado entre dos posibles al realizar un número n de pruebas.
La probabilidad de cada posibilidad no puede ser más grande que 1 y no puede ser negativa.
En estas pruebas deberemos tener sólo dos resultados posibles, como al lanzar una moneda que
salga cara o cruz o en una ruleta francesa que salga rojo o negro.
Cada experimento es independiente de los otros que hagamos y no influye en las probabilidades
de los siguientes, en cada uno la probabilidad de que se de uno de los dos resultados será exacta-
mente la misma.
Por ejemplo, si lanzamos un dado la posibilidad de que el resultado sea par (2, 4 ó 6) o impar (1, 3
ó 5) será exactamente la misma si el dado está bien equilibrado, el 50% y por muchas veces que lo
lancemos la probabilidad, en cada una de esas veces, seguirá siendo el 50%.
En la distribución binomial tenemos tres variables:
n es el número de veces que repetimos el experimento.
p es uno de los dos resultados al que llamaremos éxito.
q es el otro resultado posible al que llamaremos fracaso.
Como p y q son los dos únicos resultados posibles, entre los dos su porcentaje debe sumar uno por
lo que p=1-q.
Para hacer el experimento lo primero que tenemos que hacer es definir p, es decir, en el ejemplo
del dado definir si éxito o p es que salga un número par o impar; a partir de ahí, q será la otra
posibilidad.
Otro ejemplo: supongamos que vamos con prisa por la calle y queremos tomar un taxi, vamos a
calcular la probabilidad de que el próximo taxi que pase esté libre u ocupado. Como hoy está llo-
viendo es muy probable que esté ocupado. Vamos a asignar a la probabilidad de que esté libre un
15% (es decir, 0,15). Si definimos p o éxito como la probabilidad de que esté libre la de que esté
ocupado será q que, al ser 1-p será 1-0,15, es decir 0,85 o, dicho en porcentaje, el 85%
Así, si queremos saber la probabilidad de que un resultado ocurra determinadas veces utilizaremos
estos porcentajes.
Por ejemplo, si observamos que pasan diez taxis y queremos saber la probabilidad de que tres de
ellos estén libres la fórmula sería:
Imagen 1.3. Fórmula de la distribución binomial.
Página |6
Hipergeométrica
La distribución hipergeométrica es un modelo matemático discreto que se utiliza para ana-
lizar el número de eventos en una muestra de tamaño fijo extraída de una población con
elementos únicos y sin reemplazo. Cada elemento de la muestra tiene dos posibles resul-
tados (evento o no evento), y la probabilidad de selección varía en cada intento debido a la
ausencia de reemplazo.
Esta distribución es especialmente útil en muestras tomadas de poblaciones pequeñas y
en escenarios donde es importante considerar la variabilidad y la ausencia de reemplazo
en la selección de elementos. Se emplea, por ejemplo, en la prueba exacta de Fisher para
comparar proporciones y en muestreos de aceptación por atributos en lotes finitos.
Los parámetros clave de la distribución hipergeométrica son el tamaño de la población, el
número de eventos en la población y el tamaño de la muestra. A través de cálculos basados
en estos parámetros, es posible determinar probabilidades específicas, como la probabili-
dad de encontrar cierto número de eventos en una muestra dada.
Por ejemplo, en un escenario donde se reciben 500 etiquetas en un pedido especial con
una tasa de defectuosas del 2%, y se extrae una muestra de 40 etiquetas, la probabilidad
de encontrar 3 o más etiquetas defectuosas en la muestra se calcula en 0.0384 utilizando
la distribución hipergeométrica.
Imagen 1.4. Gráfica del ejemplo mostrado.
Poisson
La distribución de Poisson es una distribución fundamental en estadística que se enfoca en
contabilizar eventos específicos que ocurren en un intervalo de tiempo o en alguna otra
medida observable, como área, volumen o distancia. Esta distribución lleva el nombre del
matemático y físico francés Siméon Denis Poisson (1781-1840), quien la introdujo en su
trabajo sobre la probabilidad de veredictos legales en el sistema penal y civil.
Poisson derivó esta distribución mediante un método que se basa en la aproximación de la
forma límite de una distribución binomial a medida que la probabilidad de éxito se aproxima
a cero. Este enfoque, ampliamente utilizado en la actualidad en libros de texto, ha sido
aplicado por otros investigadores posteriores para explicar una variedad de fenómenos.
Recientemente, Hanley y Bhatnagar han resumido parte de la historia relacionada con la
distribución de Poisson y sus aplicaciones en diversos campos.
Imagen 1.5. Distribución de Poisson.
Página |7
Distribuciones discretas
Una distribución de probabilidad discreta es aquella en la que la variable aleatoria solo
puede asumir un número finito, o contablemente infinito, de valores. Por ejemplo, en una
distribución binomial, la variable aleatoria X puede asumir únicamente el valor 0 o 1.
Statistics and Machine Learning Toolbox™ ofrece varias formas de trabajar con
distribuciones de probabilidad discretas, incluyendo objetos de distribución de probabilidad,
funciones de línea de comandos y apps interactivas. Para obtener más información sobre
estas opciones
Imagen 1.6. Ejemplo de distribución discreta.
Normal
La distribución normal (en ocasiones llamada distribución gaussiana) es la distribución
continua que se utiliza más comúnmente en estadística, es un modelo que aproxima el
valor de una variable aleatoria a una situación ideal, dependiendo de la media y la desvia-
ción típica.
En la distribución normal, uno puede calcular la probabilidad de que varios valores
ocurran dentro de ciertos rangos o intervalos. Sin embargo, la probabilidad exacta de un
valor particular dentro de una distribución continua, como la distribución normal, es cero.
Esta propiedad distingue a las variables continuas, que son medidas, de las variables
discretas, las cuales son contadas.
Chi cuadrada
La prueba de Chi-Cuadrado es un procedimiento estadístico utilizado para determinar si
existe una diferencia significativa entre los resultados esperados y los observados en una
o más categorías.
Se trata de una prueba no paramétrica que es utilizada por los investigadores para exami-
nar las diferencias entre variables categóricas en la misma población. También puede utili-
zarse para validar o proporcionar un contexto adicional para las frecuencias observadas.
La idea básica de la prueba es que se comparan los valores de los datos reales con lo que
se esperaría si la hipótesis nula fuera cierta.
De esta forma, se busca determinar si una diferencia entre los datos
observados y los esperados se debe al azar.
Imágen [Link] de Chi Cuadrada
Página |8
F de Fisher
En teoría de probabilidad y estadística, la distribución F, también conocida
como distribución de Fisher-Snedecor (nombrada por Ronald Fisher y George Snedecor),
es una distribución de probabilidad continua, aparece frecuentemente como la distribución
nula de una prueba estadística, especialmente en el análisis de varianza.
La F de Fisher es una distribución de probabilidad que se utiliza en estadística para
comparar la varianza de dos muestras independientes. Esta distribución es fundamental en
el análisis de la varianza (ANOVA) y en la prueba F, que se emplea para determinar si
existen diferencias significativas entre las medias de tres o más grupos
Imagen 1.8. Gráfica de la distribución F de Fisher.
CONCLUSIÓN
En conclusión, las distribuciones de probabilidad desempeñan un papel fundamental en
estadística al permitirnos modelar y comprender el comportamiento aleatorio de variables
en diversos escenarios. Cada distribución posee atributos únicos que la hacen apropiada
para situaciones y tipos de datos particulares. Ejemplos comunes incluyen la distribución
normal, binomial, uniforme, de Poisson y hipergeométrica.
Estas distribuciones son útiles para calcular probabilidades, realizar predicciones, tomar
decisiones fundamentadas e inferir acerca de poblaciones a partir de muestras. De igual
manera, se aplican en diversos campos como la ingeniería, medicina, economía y ciencia
de datos, entre otros.
Es esencial comprender las particularidades y usos de las distintas distribuciones de pro-
babilidad para poder seleccionar la más adecuada en cada contexto y obtener conclusiones
válidas a partir del análisis de datos. El conocimiento y correcto empleo de estas distribu-
ciones son cruciales para el análisis estadístico y la toma de decisiones sustentadas en
datos en diferentes áreas de estudio.
Página |9
Referencias
(s.f.). Obtenido de Gestiopólis: [Link]
normal/#google_vignette
(s.f.). Obtenido de QuestionPro: [Link]
pearson/
CARSON, S. N. (s.f.). Obtenido de [Link]
introduccion-la-distribucion-de-poisson-y-aplicaciones-en-
control#:~:text=La%20distribuci%C3%B3n%20de%20Poisson%20es,el%20volumen%20o
%20la%20distancia.
Delgado, J. S. (s.f.). pragma. Obtenido de [Link]
probabilidad#:~:text=Teniendo%20presente%20los%20conceptos%20anteriores,cada%20un
o%20de%20estos%20valores.
MathWorks. (s.f.). Obtenido de [Link]
[Link]. (s.f.). Obtenido de [Link]
to/probability-distributions-random-data-and-resampling-analyses/supporting-
topics/basics/continuous-and-discrete-probability-distributions/
Team System. (s.f.). Obtenido de [Link]
binomial/#:~:text=La%20distribuci%C3%B3n%20binomial%20es%20una,un%20n%C3%B
Amero%20n%20de%20pruebas.
Wikipedia. (20 de Septiembre de 2022). Obtenido de
[Link]
%20probabilidad%20y,especialmente%20en%20el%20an%C3%A1lisis%20de
