REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD NACIONAL EXPERIMENTAL “RAFAEL MARÍA BARALT”
VICERRECTORADO ACADÉMICO
TSU EN ADMINISTRACIÓN
CATEDRA: ESTADÍSTICA I
TRABAJO TEÓRICO: DISTRIBUCIÓN DE
PROBABILIDADES
Autora:
Mariangela Gutiérrez 31.076.752
Sección:
30212
Profesora: Rossandra Salazar
27 DE FEBRERO, 2025
INTRODUCCIÓN
En el estudio de la estadística, uno de los conceptos más relevantes y
fundamentales es la distribución de probabilidades. Este concepto se utiliza
para modelar la incertidumbre y la variabilidad inherentes a diferentes fenómenos
aleatorios. A través de las distribuciones de probabilidades, los estadísticos
pueden describir y predecir resultados, planear experimentos y determinar riesgos,
haciendo que esta temática sea esencial en múltiples campos como la
investigación científica, la economía, la medicina, la ingeniería y más.
La comprensión de las distribuciones de probabilidades permite a los analistas
tomar decisiones informadas basadas en datos. Diferentes situaciones pueden
requerir distintos tipos de distribuciones, y cada una tiene características
específicas que la hacen adecuada para ciertos tipos de problemas. Este trabajo
buscará explorar los diversos tipos de distribuciones de probabilidades, sus
definiciones, características y aplicaciones, proporcionando una visión integral de
su importancia en la estadística.
Definición de Distribución de Probabilidades
Una distribución de probabilidades es una función matemática que describe la
probabilidad de que diferentes posibles resultados o eventos de un experimento
aleatorio se produzcan. Dependiendo de la naturaleza de los resultados, estas
distribuciones pueden ser clasificadas como:
Distribuciones discretas: Se utilizan cuando los posibles resultados son
finitos o enumerables. Ejemplos de esto incluyen el número de caras al
lanzar un dado o el número de éxitos en una serie de experimentos
independientes.
Distribuciones continuas: Se utilizan cuando los posibles resultados
pueden tomar cualquier valor dentro de un intervalo continuo. Un ejemplo
típico es la altura de una población o el peso de un individuo.
La función que define la distribución puede tomar diferentes formas, y su propósito
es asignar probabilidades a cada uno de los resultados posibles. Por tanto, toda
distribución de probabilidades permite obtener información valiosa sobre la
tendencia central, la dispersión y, en definitiva, el comportamiento de un conjunto
de datos.
Condiciones para que una distribución sea una Distribución de
Probabilidades
Para que una función se considere una distribución de probabilidades válida, debe
satisfacer ciertas condiciones fundamentales:
1. No Negatividad: Todas las probabilidades deben ser números no
negativos. Esto implica que para cualquier resultado x, debe cumplirse que
2. Suma de Probabilidades: La suma de todas las probabilidades de los
posibles resultados debe ser igual a uno. En el caso de distribuciones
discretas, se representa como:
En distribuciones continuas, la integral de la función de densidad sobre todo
el espacio debe ser igual a uno:
3. Condiciones para la función de densidad: En distribuciones continuas, la
función de densidad de probabilidad (PDF) debe ser no negativa y su
integral total debe ser uno, mientras que en distribuciones discretas, la
función de probabilidad (PMF) debe cumplir con las condiciones anteriores.
Estas condiciones son esenciales para garantizar que la función se
comporta de manera coherente y lógica en el contexto de la teoría de
probabilidades, permitiendo así una correcta interpretación de los
resultados.
Distribución de Probabilidad
1. Distribución Binomial
Definición y características: La distribución binomial es un modelo de
probabilidad que describe la cantidad de éxitos en n ensayos independientes de
un experimento en el que hay solo dos posibles resultados (éxito o fracaso). Esta
distribución se define mediante dos parámetros: n, el número total de ensayos,
y p, la probabilidad de éxito en cada ensayo.
Función de probabilidad: La función de probabilidad de la distribución
binomial está dada por la siguiente fórmula:
Donde (kn) es el coeficiente binomial que representa el número de maneras en
que se pueden obtener k éxitos en n ensayos y se calcula como k!(n−k)!n!
Media y varianza: La media (o valor esperado) de una distribución binomial
está dada por:
y la varianza es:
Aplicaciones: Se aplica en situaciones donde se desea analizar el número
de éxitos en experimentos binarios, como encuestas sobre preferencias o la
calidad de producción en fábricas.
2. Distribución de Poisson
Definición: La distribución de Poisson es utilizada para modelar el número de
eventos que ocurren en un intervalo de tiempo fijo o en un área determinada, bajo
la condición de que estos eventos suceden de manera independiente con una tasa
promedio constante. Su único parámetro λ representa la tasa promedio de
ocurrencia de eventos.
Función de probabilidad: La función de probabilidad de la distribución de
Poisson se expresa como:
donde k es el número de eventos de interés y e es la base del logaritmo natural.
Media y varianza: Tanto la media como la varianza de una distribución de
Poisson son iguales al parámetro λ.
Aplicaciones: Es útil en situaciones como la cantidad de llegadas de
clientes a un banco en una hora o el número de llamadas recibidas en un
centro de atención durante un período específico. Permite a los gerentes y
analistas planificar recursos y gestionar la demanda eficientemente.
3. Distribución Normal
Definición y características: La distribución normal, también conocida
como distribución gaussiana, es quizás la más importante en la
estadística debido a su amplia aplicabilidad y la centralidad del teorema
del límite central. Se caracteriza por su forma de campana,
simétricamente distribuida alrededor de la media y definida por dos
parámetros: la media μ y la desviación estándar σ.
Función de densidad de probabilidad: La función de densidad
se expresa como:
Propiedades:
o Simetría: La distribución es simétrica respecto a su media.
o Area bajo la curva: El total de probabilidades en la curva de la PDF
es igual a uno.
o Regla Empírica (68-95-99.7): Aproximadamente el 68% de los
valores se encuentran dentro de una desviación estándar de la
media, el 95% dentro de dos y el 99.7% dentro de tres.
Aplicaciones: La distribución normal es aplicable en muchos contextos en
la naturaleza y la sociedad, como en la evaluación de parámetros físicos y
en estudios psicológicos, ya que muchas características observacionales
tienden a distribuirse normalmente.
CONCLUSIÓN
La comprensión de las distribuciones de probabilidad es esencial para el análisis
estadístico y la toma de decisiones informadas. A través de las distribuciones
binomial, Poisson y normal, es posible modelar y predecir una amplia gama de
eventos y fenómenos aleatorios. Cada distribución tiene sus propias
características, ventajas y aplicaciones que la hacen ideal para situaciones
específicas.
La distribución binomial es fundamental para estudios donde se consideran
resultados de tipo éxito/fracasos, como encuestas o pruebas de calidad. Por otro
lado, la distribución de Poisson es ideal para modelar eventos raros que ocurren
de manera independiente en intervalos específicos. Finalmente, la distribución
normal se presenta como un pilar en la estadística debido a su prevalencia y
aplicación en datos cuantitativos, donde la variabilidad y la medición de la
tendencia central son cruciales.
El uso de estas distribuciones permite a los investigadores y profesionales analizar
datos de manera efectiva, realizar inferencias, y también les proporciona
herramientas para la predicción y la planificación. La capacidad de entender y
aplicar estas distribuciones es, por tanto, una habilidad clave en cualquier campo
que dependa del análisis estadístico.
