Repblica Bolivariana de Venezuela

Ministerio del Poder Popular para la Educacin Universitaria

Universidad Nacional Experimental Rmulo Gallegos
rea de Ingeniera, Arquitectura y Tecnologa.
Ctedra: Estadstica para Ingenieros
Estado Gurico

TEMA 8
DISTRIBUCIONES DE PROBABILIDAD

PROF:

ESTUDIANTES:

Ing. Luis Pimentel

Balletta Gnesis C.I. 23.564.910

Cepeda Luzmar C.I. 23.564.886
Ojeda Gabriel C.I. 23.564.118
Parra Arelys C.I. 24.237.067
Seccin 1

San Juan de los Morros, Febrero 2015

NDICE

Introduccin -----------------------------------------------------------------------------

DISTRIBUCIONES DE PROBABILIDAD ---------------------------------------- 4

Distribucin Normal -------------------------------------------------------------------

Campana de Gauss ------------------------------------------------------------------

Variable Aleatoria Continua --------------------------------------------------------- 6

Clculo del rea bajo la Curva ----------------------------------------------------- 7
Clasificacin Estndar Z -------------------------------------------------------------

Distribucin Binomial -----------------------------------------------------------------

10

Distribucin de Poisson --------------------------------------------------------------

16

Variables Discretas -------------------------------------------------------------------

24

Conclusin ------------------------------------------------------------------------------

26

Referencias Bibliogrficas ----------------------------------------------------------

27

INTRODUCCIN
Una distribucin de probabilidad es una representacin de todos los
resultados posibles de algn experimento y de la probabilidad relacionada con
cada uno.

As mismo, una distribucin de probabilidad indica toda una gama de

valores que pueden representarse como resultado de un experimento, una
distribucin de probabilidad es similar a la distribucin de frecuencias relativas.
Sin embargo, en vez de describir el pasado, describe la probabilidad que un
evento se realice en el futuro, constituye una herramienta fundamental para la
prospectiva, puesto que se puede disear un escenario de acontecimientos
futuros considerando las tendencias actuales de diversos fenmenos naturales.

Las decisiones estadsticas basadas en la estadstica inferencial son

fundamentales en la investigacin que son evaluadas en trminos de
distribucin de probabilidades.

En este sentido, se estudiara de manera gil a continuacin los diversos

tipos de distribucin probabilstica, se caracterizar cada distribucin, y se
estudiara diversos mtodos de clculo de dichas distribuciones.

DISTRIBUCIONES DE PROBABILIDAD
En teora de la probabilidad y estadstica, una distribucin de
probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento si ste se llevase a cabo. Es decir, describe la
probabilidad de que un evento se realice en el futuro, constituye una
herramienta fundamental para la prospectiva, puesto que se puede disear un
escenario de acontecimientos futuros considerando las tendencias actuales de
diversos fenmenos naturales.
Distribucin Normal
La distribucin normal es una distribucin de probabilidad de variable
continua que con ms frecuencia aparece aproximada en fenmenos reales y
que describe los datos que se agrupan en torno a un valor central. Todo
proceso en el que solo existan causas aleatorias de variacin sigue una ley de
distribucin normal. La importancia de esta distribucin radica en que permite
modelar numerosos fenmenos naturales (de ah que se la denomine normal),
sociales y psicolgicos; tambin puede obtenerse en los procesos industriales si
los procesos se llevan a un estado en el que solo existen causas comunes de
variacin.
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 curva de distribucin normal, tambin denominada campana de
Gauss.
De hecho, la estadstica descriptiva 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.
4

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;

etc.
La distribucin normal tambin aparece en muchas reas de la propia

estadstica, como lo es la distribucin muestral de las medidas mustrales es

aproximadamente normal, cuando la distribucin de la poblacin de la cual se
extrae la muestra no es normal. Adems la distribucin normal es la ms
extendida en estadstica y muchos test estadsticos estn basados en una
supuesta "normalidad". En probabilidad, la distribucin normal aparece como el
lmite de varias distribuciones de probabilidad, continuas y discretas.
Campana de Gauss
Llamada Campana de Gaussen honor del renombrado cientfico alemn
Carl Friedrich Gauss; es una representacin grfica de la distribucin normal de
un grupo de datos. stos se reparten en valores bajos, medios y altos, creando
un grfico de forma acampanada y simtrica con respecto a un determinado
parmetro.

Aunque la campana de Gauss lleva el nombre del genio de las

matemticas Carl Friedrich Gauss , realmente la distribucin normal la
descubri y publico por primera vez Abraham Moivre (por eso en algunos libros
se llama la distribucin de Moivre Gauss) en un artculo que reprodujo en la
segunda edicin de su obra The Doctrine of Chance como aproximacin de la
distribucin normal para valores grandes de n. Este resultado fue ampliado por
Pierre Simon de Laplace en su libro Teora analtica de las probabilidades.
El nombre de Gauss se ha asociado a esta distribucin porque la us con
profusin cuando analizaba fenmenos astronmicos y algunos autores le
atribuyen un descubrimiento independiente del de DeMoivre.
El nombre de "campana" se lo dio Esprit Jouffret que uso este trmino
(superficie campana) por primera vez.
La funcin gaussiana es una funcin definida por la expresin:

2
2 2

Donde a, b y c son constantes reales (a> 0).

Las funciones gaussianas se utilizan frecuentemente en estadstica
correspondiendo, en el caso de que a sea igual a

1
2

, a la funcin de densidad

de una variable aleatoria con distribucin normal de media =b y varianza

2=c2.
Variable Aleatoria Continua
Es aquella que puede tomar infinitos valores dentro de un intervalo de la
recta real. En el caso de una variable aleatoria continua no tiene sentido
plantearse probabilidades de resultados aislados. La probabilidad de valores
puntuales es cero.

El inters de estas probabilidades est en conocer la probabilidad

correspondiente a un intervalo. As pues, dicha probabilidad se conoce
mediante una curva llamada funcin de densidad y suponiendo que bajo dicha
curva hay un rea de una unidad.
Conociendo esta curva, basta calcular el rea correspondiente para
conocer la probabilidad de un intervalo cualquiera.
Calculo del rea Bajo la Curva
No importa cules sean los valores de y para una distribucin de
probabilidad normal, el rea total bajo la curva siempre es 1, de manera que
podemos pensar en reas bajo la curva como si fueran probabilidades.
Matemticamente es verdad que:
1. Aproximadamente el 68% de todos los valores de una poblacin
normalmente distribuida se encuentra dentro de 1 desviacin estndar de
la media.

2. Aproximadamente el 95.5% de todos los valores de una poblacin

normalmente distribuida se encuentra dentro de 2 desviaciones estndar
de la media.

3. Aproximadamente el 99.7% de todos los valores de una poblacin

normalmente distribuida se encuentra dentro de 3 desviaciones estndar
de la media.

Estas grficas muestran tres formas diferentes de medir el rea bajo la

curva normal. Sin embargo, muy pocas de las aplicaciones de la distribucin
normal de probabilidad implican intervalos de exactamente (ms o menos) 1, 2
3 desviaciones estndar a partir de la media. Para estos casos existen tablas
estadsticas que indican porciones del rea bajo la curva normal que estn
contenidas dentro de cualquier nmero de desviaciones estndar (ms o
menos) a partir de la media.
Afortunadamente tambin se puede utilizar una

distribucin de

probabilidad normal estndar para encontrar reas bajo cualquier curva normal.
Con esta tabla se determina el rea o la probabilidad de que la variable
aleatoria distribuida normalmente est dentro de ciertas distancias a partir de la
media. Estas distancias estn definidas en trminos de desviaciones estndar.
Para cualquier distribucin normal de probabilidad, todos los intervalos
que contienen el mismo nmero de desviaciones estndar a partir de la media
contendrn la misma fraccin del rea total bajo la curva para cualquier
distribucin de probabilidad normal. Esto hace que sea posible usar solamente
una tabla de la distribucin de probabilidad normal estndar.

Calificacin Estndar Z
Puntuacin Z tambin conocido como puntuacin estndar o calificacin
estndar, es el mtodo de clculo de cuntas desviaciones estndar en un
conjunto de datos est por encima o por debajo de la media. La distancia entre
la media y una puntuacin z dada en cada distribucin normal corta una
proporcin de la superficie total por debajo de la curva. Puntuaciones z son
particularmente informativos cuando la distribucin a las que se refieren es
normal. El estndar de calificacin transformacin es til, en particular cuando
tratando de comparar las posiciones relativas de elementos de distribuciones
con diferentes medios y; o con diferentes desviaciones estndar
Z: frmula de calificacin
La puntuacin estndar puede calcularse mediante la frmula siguiente:

Donde
x es una puntuacin cruda para ser normalizado
es la media de la poblacin
es la desviacin estndar de la poblacin

La puntuacin cruda es por debajo de la Media cuando z es negativa. Del

mismo modo la puntuacin cruda es por encima de la Media cuando z es
positiva. La cantidad representada por puntuacin estndar z es la distancia
entre la puntuacin cruda y la media de la poblacin en trminos de desviacin
estndar.
La coleccin de herramientas emplea el estudio de mtodos y
procedimientos utilizados para que recopilar, organizar y analizar datos para
comprender la teora de la probabilidad y estadstica. El conjunto de ideas que
pretende ofrecer la manera de hacer la implicacin cientfica de tales como
9

resultado datos resumidos. En muchas aplicaciones es necesario calcular la

puntuacin estndar para un determinado conjunto de datos. Con esta norma
en lnea calculadora de puntuacin sin esfuerzo puede hacer el clculo de la
puntuacin z para conjunto de datos.

Distribucin Binomial
La distribucin Binomial es un caso particular de probabilidadde variable
aleatoria discreta, y por sus aplicaciones, es posiblemente la ms importante.
La distribucin binomial es una distribucin de probabilidad discreta que
cuenta 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. Un experimento de Bernoulli se caracteriza por ser dicotmico,
esto es, slo son posibles dos resultados. A uno de estos se denomina xito y
tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q
= 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de
forma independiente, y se trata de calcular la probabilidad de un determinado
nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una
distribucin de Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin
binomial de parmetros n y p, se escribe: ~(, )
La distribucin binomial es la base del test binomial de significacin
estadstica. Esta distribucin corresponde a la realizacin de un experimento
aleatorio que cumple con las siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el suceso A,
llamado xito, o su contrario A, llamado fracaso.

10

* Al repetir el experimento, el resultado obtenido es independiente de los

resultados obtenidos anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de una prueba
del experimento a otra. Si llamamos p a la probabilidad de A, p(A) = P, entonces
p(A) = 1 p = q
* En cada experimento se realizan n pruebas idnticas.
Todo experimento que tenga estas caractersticas se dice que sigue el
modelo de la distribucin Binomial o distribucin de Bernoulli.
En general, si se tienen nensayosBernoulli con probabilidad de xito p y
de fracaso q, entonces la distribucin de probabilidad que la modela es la
distribucin de probabilidad binomial y su regla de correspondencia es:
= =

!

! !

Como el clculo de estas probabilidades puede resultar algo tedioso se

han construido tablas para algunos valores de n y p que facilitan el trabajo.
Calculo de la distribucin de probabilidad binomial por tres mtodos:
a) Utilizacin del Minitab 15.
b) Utilizacin de la frmula
c) Utilizacin de las tablas binomiales

Por ejemplo:
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma
moneda 6 veces?

11

 = =

!

! !

Donde:

P(X) es la probabilidad de ocurrencia del evento

p es la probabilidad de xito del evento (en un intento) (0.5)

q es la probabilidad de fracaso del evento (en un intento) y se define como

q = 1 p (0.50)

X = ocurrencia del evento o xitos deseados = 2 (para efectos de la tabla

binomial tmese como r)

n = nmero de intentos = 6
a) Clculo de la distribucin de probabilidad binomial utilizando el Minitab
15.
Titular la columna C1 como X y en el rengln 1 columna 1 se coloca el
nmero 2 (el cual representa el nmero de ocurrencia del evento, ya que se
desea saber la probabilidad de que caigan exactamente dos caras). (figura
1)
-

Seleccionar: Calc / Probability Distributions / Binomial

En seguida aparecer la ventana "Binomial Distribution" ("Distribucion

Binomial").

12

Seleccionar Probability

En el campo de "Number of trials" (Nmero de intentos) colocar 6 (n)

En el campo de "Event probability" colocar 0.50 (probabilidad de xito)

En

el

campo

de

"Input

column"

colocar

el

puntero

del mouse y

automticamente aparecer en el recuadro de la izquierda C1 X el cual se

selecciona con el puntero del mouse y luego presionar "Select"

13

Una vez alimentado los datos presionar "OK".

Para obtener as el resultado.

La probabilidad de que caigan 2 caras en el lanzamiento de una moneda

6 veces es 0.234375.
Por lo tanto: = .

14

b) Clculo de la distribucin de probabilidad binomial utilizando la frmula

= =

!

! !

Al sustituir los valores en la frmula se obtiene:

2 =

6!
(0.5)2 (0.5)62
2! 6 2 !

2 =

720
0.25 (0.0625)
2 24

= .
c) Clculo de la distribucin de probabilidad binomial utilizando las tablas
binomiales.
-

Para una combinacin de n y p, la entrada indica una probabilidad de

obtener un valor especfico de r (ocurrencia del evento).

Para localizar la entrada, cuando p0.50, localizar el valor de p a lo largo del

encabezado de la tabla, y en la columna correspondiente localizar n y r en el
margen izquierdo.

Para localizar la entrada, cuando p0.50, localizar el valor de p en la parte

inferior de la tabla, y n y r arriba, en el margen derecho.

15

Resolviendo el mismo ejemplo pero utilizando las tablas binomiales se tiene

que: p = 0.50, n = 6 y r = 2
Obteniendo resultado directo de tablas;

= .

Distribucin de Poisson
La distribucin de Poisson fue descubierta por Simon Denis Poisson,
es una distribucin de probabilidaddiscreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado
nmero de eventos durante cierto perodo de tiempo. Concretamente, se
especializa en la probabilidad de ocurrencia de sucesos con probabilidades muy
pequeas, o sucesos "raros".

16

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por
unidad de rea, tiempo, pieza, etc:
- n de defectos de una tela por m2
- n de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- n de bacterias por c m2 de cultivo
- n de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- n de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de
tiempo, rea, o producto, la frmula a utilizar es:

, =
!
Donde:
() = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia
de ellos es .
= media o promedio de xitos por unidad de tiempo, rea o producto
= 2.718 (base de logaritmo neperiano o natural)
= variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, as como cada rea
es independiente de otra rea dada y cada producto es independiente de otro
producto dado.
Clculo de la distribucin de probabilidad de Poisson por tres mtodos:
a) Utilizacin del Minitab 15.
b) Utilizacin de la frmula

17

c) Utilizacin de las tablas de Poisson

Por ejemplo:
Si un banco recibe en promedio ( =) 6 cheques sin fondo por da.
Cules son las probabilidades de que reciba:
a) cuatro cheques sin fondo en un da dado (x),
b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
( = 2.718281828)
a) Clculo de la distribucin de probabilidad de Poisson utilizando el
Minitab 15.
Resolviendo para:
a) = 4; = 6 cheques sin fondo por da
- Titular la columna C1 como X y en el rengln 1 columna 1 se coloca el nmero
4 (el cual representa el nmero de ocurrencia del evento, ya que se desea
saber la probabilidad de que el banco reciba 4 cheques sin fondos en un da
dado).
-

Seleccionar: Calc / Probability Distributions / Poisson

En seguida aparecer una ventana "Poisson Distribution" ("Distribucin de

Poisson").

18

Seleccionar Probability

En el campo de "Mean" (media = ) colocar 6 (promedio de cheques diarios

recibidos sin fondos)

En el campo de "Input column" colocar el puntero del mouse y

automticamente aparecer en el recuadro de la izquierda C1 X.
Seleccionarlo con el puntero del mouse y presionar "Select"

19

Una vez alimentado los datos presionar "OK".

Para obtener as el resultado.

a. Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo
en un da dado es:
( ) = .
(. %)
Resolviendo de igual manera para:
b. = 10; = 6 2 = 12 cheques sin fondo en promedio que llegan al banco
en dos das consecutivos.

20

Para obtener as el resultado.

b. Por lo tanto la probabilidad de que el banco reciba diez cheques sin fondo en
dos das consecutivos es:
( ) = .
(. %)
b) Clculo de la distribucin de probabilidad de Poisson utilizando la
frmula.
, =

Resolviendo para:
a) = 4; = 6 cheques sin fondo por da y sustituyendo en la frmula.

21

 = 4, = 6 =
= 4, = 6 =

64 6
4!

1296 0.0025
24

4 sin = 0.133853
(13.38%)

Resolviendo de igual manera para:

b) = 10; = 6 2 = 12 cheques sin fondo en promedio que llegan al banco
en dos das consecutivos.
1210 12
= 10, = 12 =
10!
= 10, = 12 =

61917364224 0.000006144212
3628800

( ) = .
(. %)

c) Clculo de la distribucin de probabilidad de Poisson utilizando las

tablas de Poisson
-

Valores directos para determinar probabilidades de Poisson.

Para un valor dado de , la entrada indica la probabilidad de obtener un

valor especfico de X

Para el mismo ejemplo, resolviendo para:

a) Cul es la probabilidad de que el banco reciba cuatro cheques sin fondo en
un da dado?

22

Se tiene = 4; = 6 cheques sin fondo por da; obteniendo resultado

directo de tablas:

= .
(. %)

Para el mismo ejemplo, resolviendo para:

b) Cul es la probabilidad de que el banco reciba diez cheques sin fondo en

dos das consecutivos?
Se tiene = 10; = 6 2 = 12 cheques sin fondo en promedio que llegan
al banco en dos das consecutivos, obteniendo resultado directo de tablas:

23

 = .
(. %)

Variables Discretas

Una variable discreta es una variable que slo puede tomar valores
dentro de un conjunto numerable, es decir, no acepta cualquier valor sino
slo aquellos que pertenecen al conjunto. En estas variables se dan de
modo inherente separaciones entre valores observables sucesivos. Dicho
con ms rigor, se define una variable discreta como la variable que hay entre

24

dos valores observables (potencialmente), hay por lo menos un valor no

observable (potencialmente).
Como ejemplo, el nmero de animales en una granja (0, 1, 2, 3...). En
lgica matemtica, una variable proposicional (tambin llamada variable
sentencial o letra sentencial) es una variable discreta que puede ser
verdadera o falsa. Las variables proposicionales son los bloques de
construccin bsicos de las frmulas proposicionales, usadas en lgica
proposicional y en lgicas superiores.

25

CONCLUSIONES

La estadstica es la ciencia que se trata de cuantificar la probabilidad

de la ocurrencia o el efecto de cualquier evento, sujeto, proceso, fenmeno
o interacciones resultantes. Hay que recalcar que la estadstica es
solamente un medio y no el fin. En este sentido, mediante la presente
investigacin se estudio Las distribuciones de probabilidad las cuales estn
relacionadas con la distribucin de frecuencias. De hecho, podemos pensar
en la distribucin de probabilidad como una distribucin de frecuencias
terica. Una distribucin de frecuencias terica es una distribucin de
probabilidades que describe la forma en que se espera que varen los
resultados.

As mismo, se observo la aplicacin y manejo de las distribuciones de

probabilidad ms comunes, la binomial, la de Poisson y finalmente la
distribucin normal. Se investig adems de la utilizacin y funcionamiento
de la Minitab 15 el razonamiento, clculo manual y por tablas como mtodo
original como se realizaba antes de que el Minitab existiera como tal.

As mismo, con el desarrollo de esta investigacin y gracias a la

comprensin de conceptos y el manejo del programa Minitab se entendi
que es una poderosa herramienta estadstica que bien aplicada podr ser de
gran ayudar para facilitar los clculos para la solucin de problemas. Lo cual
contina con el propsito esencial: Ahorro de costos y mejora continua en
cualquier mbito en que nos desarrollemos.

26

REFERENCIAS BIBLIOGRFICAS

Levin Richard I.
Administradores.

6ta

y Rubin David S. (1997) Estadstica para

Edicin.

Editorial

Prentice

Hall.

Capitulo

5.

Probabilidad II. Distribuciones, pp.232 264 (versin de prueba obtenida de

www.minitab.com)

www.monografias.com,http://www.monografias.com/trabajos29/distribuci
on-probabilidades/distribucion-probabilidades.shtml)

www.wkipedia.com,http://es.wikipedia.org/wiki/Distribuci%C3%B3n_bino
mial

www.wikipedia.com,http://es.wikipedia.org/wiki/Distribuci%C3%B3n_norm
al

27