TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Linares

INGENIERÍA INDUSTRIAL

MATERIA:
PROBABILIDAD Y ESTADISTICA

DOCENTE:
MIGUEL ANGEL GALLEGOS DE LA CRUZ

TRABAJO:
INVESTIGACION

DATOS DEL ESTUDIANTE:

NELDA LIZETH CHAVEZ HERNANDEZ
NO. CONTROL: 16720047

22 DE MAYO DE 2017

Linares, Nuevo León

INDICE

INTRODUCCION ................................................................................................................................... 2

MARCO TEORICO ................................................................................................................................. 3

Variable discreta................................................................................................................................... 3

Variable continúa ................................................................................................................................. 5

DISTRIBUCIONES DE PROBABILIDAD ............................................................................................ 6

CONCLUSION ........................................................................................................................................ 8

BIBLIOGRAFIA...................................................................................................................................... 9
INTRODUCCION
Una distribución de probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento si éste 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 diseñar un escenario de
acontecimientos futuros considerando las tendencias actuales de diversos fenómenos naturales.
MARCO TEORICO
Variable discreta
Un número finito de valores entre dos valores cualesquiera. Una variable discreta siempre es
numérica. Por ejemplo, el número de quejas de los clientes o el número de fallas o defectos.

*Distribución binomial. La distribución binomial es una distribución de probabilidad discreta

que cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre
sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos. Un experimento de
Bernoulli se caracteriza por ser dicotómico, esto es, sólo son posibles dos resultados. A uno de
estos se denomina éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribución binomial el anterior experimento se repite n veces, de
forma independiente, y se trata de calcular la probabilidad de un determinado número de éxitos.
Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli.

*Distribución hipergeométrica. 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 (o 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 en
particular sea seleccionado aumenta con cada ensayo, suponiendo que aún no ha sido
seleccionado.

*Distribución geométrica. Cuando usted realiza un experimento que solo tiene dos resultados
posibles, esta distribución discreta puede modelar el número de ensayos consecutivos que son
necesarios para observar el resultado de interés por primera vez. Además, puede modelar el
número de no eventos que ocurren antes de que se observe el primer resultado.

Por ejemplo, una distribución geométrica puede modelar el número de veces que se debe lanzar
al aire una moneda para obtener el primer resultado de "cara". De forma similar, si se trata de
productos construidos en una línea de ensamblaje, puede modelar el número de unidades
producidas antes de que se produzca la primera unidad defectuosa.
*Distribución multinomial. En teoría de probabilidad, la distribución multinomial es una
generalización de la distribución binomial.

La distribución binomial es la probabilidad de un número de éxitos en N sucesos de Bernoulli

independientes, con la misma probabilidad de éxito en cada suceso. En una distribución
multinomial, el análogo a la distribución de Bernoulli es la distribución categórica, donde cada
suceso concluye en únicamente un resultado de un número finito K de los posibles, con

probabilidades {\displaystyle p_{1},\dots ,p_{k}} (tal que {\displaystyle p_{i}\geq 0}

para i entre 1 y K y {\displaystyle \sum _{i=1}^{k}p_{i}=1} ); y con n sucesos

independientes.

Entonces sea la variable aleatoria {\displaystyle X_ {i}} , que indica el número de veces
que se ha dado el resultado i sobre los n sucesos. El vector {\displaystyle X=(X_{1},...,X_{k})}

sigue una distribución multinomial con parámetros n y p, donde {\displaystyle

p=(p_{1},...,p_{k})} .

Nótese que en algunos campos las distribuciones categóricas y multinomial se encuentran

unidas, y es común hablar de una distribución multinomial cuando el término más preciso sería
una distribución categórica.

*Distribución de Poisson. La distribución de Poisson es una distribución de

probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante cierto período de tiempo.
Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con probabilidades
muy pequeñas, o sucesos "raros".

*Distribución uniforme. Tenemos esta distribución cuando el resultado de una experiencia

aleatoria puede ser un conjunto finito de n posibles resultados, todos ellos igualmente probables.
Variable continúa
Un número infinito de valores entre dos valores. Una variable continua puede ser numérica o de
fecha/hora. Por ejemplo, la longitud de una parte o la fecha y hora en que se recibe un pago.

*Distribución uniforme. La distribución uniforme continua es una familia de distribuciones de

probabilidad para variables aleatorias continuas, tales que para cada miembro de la familia,
todos los intervalos de igual longitud en la distribución en su rango son igualmente probables.
El dominio está definido por dos parámetros,a y b, que son sus valores mínimo y máximo. La
distribución es a menudo escrita en forma abreviada como U(a,b).

*Distribución exponencial. La distribución exponencial tiene una gran utilidad práctica ya que
podemos considerarla como un modelo adecuado para la distribución de probabilidad del tiempo
de espera entre dos hechos que sigan un proceso de Poisson. De hecho la distribución
exponencial puede derivarse de un proceso experimental de Poisson con las mismas
características que las que enunciábamos al estudiar la distribución de Poisson, pero tomando
como variable aleatoria , en este caso, el tiempo que tarda en producirse un hecho.

*Distribución gamma. Este modelo es una generalización del modelo Exponencial ya que, en
ocasiones, se utiliza para modelar variables que describen el tiempo hasta que se produce p
veces un determinado suceso. Su función de densidad es de la forma: Como vemos, este modelo
depende de dos parámetros positivos: α y p.

*Distribución normal. La distribución normal fue estudiada por Gauss. Se trata de una variable
aleatoria continua (la variable puede tomar cualquier valor real). La función de densidad tiene
forma de campana. Dos parámetros determinan una distribución normal: la media y la
desviación típica.
DISTRIBUCIONES DE PROBABILIDAD
En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable
aleatoria es una función que asigna a cada suceso definido sobre la variable aleatoria
la probabilidad de que dicho suceso ocurra. La distribución de probabilidad está definida sobre
el conjunto de todos los sucesos y cada uno de los sucesos es el rango de valores de la variable
aleatoria. También se dice que tiene una relación estrecha con las distribuciones de frecuencia.
De hecho, se puede entender que una distribución de probabilidades sería una frecuencia teórica,
ya que ésta última es aquella que describe cómo se espera que varíen los resultados.

La distribución de probabilidad está completamente especificada por la función de distribución,

cuyo valor en cada x real es la probabilidad de que la variable aleatoria sea menor o igual que x.

Tipos de variables.

Variable aleatoria: Es aquella cuyo valor es el resultado de un evento aleatorio. Lo que quiere
decir que son los resultados que se presentan al azar en cualquier evento o experimento.

Variable aleatoria discreta: Es aquella que sólo toma ciertos valores (frecuentemente enteros) y
que resulta principalmente del conteo realizado.

Variable aleatoria continua: Es aquella que resulta generalmente de la medición y puede tomar
cualquier valor dentro de un intervalo dado.

División de distribuciones.

Esta división se realiza dependiendo del tipo de variable a estudiar, esto significa que:

a) Si la variable es una variable discreta (valores enteros), corresponderá una distribución

discreta, de las cuales existen:

 Distribución normal (eventos independientes).

 Distribución de poisson (eventos independientes).
 Distribución hipergeométrica (eventos dependientes).

b) Si la variable es continua, esto significa que puede tomar cualquier valor dentro de un
intervalo, la distribución que se generará será una distribución continua, también
llamada "distribución normal".
Además, se puede utilizar la "distribución de poisson como una aproximación de la distribución
binomial" cuando la muestra por es estudiar es grande y la probabilidad de éxito es pequeña. De
la combinación de los dos tipos de distribuciones anteriores (a y b), surge una conocida
como "distribución normal como una aproximación de la distribución binomial y de poisson".
CONCLUSION

Una distribución de frecuencia es una tabla de resumen en la que los datos se disponen en
agrupamientos o categorías convenientemente establecidas de clases ordenadas numéricamente.

En esta forma las características más importantes de los datos se aproximan muy fácilmente,
compensando así el hecho de que cuando los datos se agrupan de ese modo, la información
inicial referente a las observaciones individuales de que antes se disponía se pierde a través del
proceso de agrupamiento o condensación.

La principal ventaja de usar una de estas tablas de resumen es que las principales características
de los datos se hacen evidentes inmediatamente para el lector.
La principal desventaja de tal tabla de resumen es que no podemos saber cómo se distribuyen
los valores individuales dentro de un intervalo de clase particular sin tener acceso a los datos
originales. El punto medio de la clase, sin embargo, es el valor usado para representar todos los
datos resumidos en un intervalo particular.

El punto medio de una clase (o marca de clase) es el punto a la mitad de los límites de cada clase
y es representativo de los datos de esa clase.

La probabilidad es la posibilidad u oportunidad de que suceda un evento particular. La

probabilidad involucrada es una porción o fracción cuyo valor varía entre cero y uno
exclusivamente. Observamos un evento que no tiene posibilidad de ocurrir (es decir, el evento
nulo), tiene una probabilidad de cero, mientras que un evento que seguramente ocurrirá (es decir,
el evento cierto), tiene una probabilidad de uno.

La regla mas evidente para las probabilidades es que deben variar en valor de 0 a 1. Un evento
imposible tiene una probabilidad cero de ocurrir, y un evento cierto tiene una probabilidad uno
de ocurrir. La probabilidad simple se refiere a la probabilidad de ocurrencia de un evento simple.

Una distribución de probabilidad para una variable aleatoria discreta es un listado mutuamente
excluyente de todos los resultados posibles para esa variable aleatoria, tal que una probabilidad
particular de ocurrencia esté asociada con cada resultado.
BIBLIOGRAFIA
http://www.monografias.com/trabajos20/estadistica/estadistica.shtml#conclu

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/B0C4m1t4.htm

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/B0C4m1t3.htm

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_uniforme_continua

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo3/B0C3m1t8.htm

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_multinomial

http://support.minitab.com/es-mx/minitab/17/topic-library/basic-statistics-and-
graphs/probability-distributions-and-random-data/distributions/geometric-distribution/

http://support.minitab.com/es-mx/minitab/17/topic-library/basic-statistics-and-
graphs/probability-distributions-and-random-data/distributions/hypergeometric-distribution/

http://www.vitutor.com/pro/3/b_1.html