Quetzaltenango, 03 de febrero 2018

INDICE
INTRODUCCIÓN………………………………………………………………………………………………………………………….
Error! Bookmark not defined.
OBJETIVOS
………………………………………………………………………………………………………………………………Error!
Bookmark not defined.
Objetivo General: .........................................................................Error! Bookmark not defined.
Objetivos Específicos .................................................................Error! Bookmark not defined.
Distribución de Probabilidades ................................................Error! Bookmark not defined.
Distribución Normal.....................................................................Error! Bookmark not defined.
Función de Densidad ..................................................................Error! Bookmark not defined.
Distribución Binomal...................................................................Error! Bookmark not defined.
Distribución de Poisson .............................................................Error! Bookmark not defined.
Cálculo de probabilidades de poisson ...................................Error! Bookmark not defined.
Distribución Exponencial ...........................................................Error! Bookmark not defined.
La funcion de densidad exponencial ......................................Error! Bookmark not defined.
Ejemplo ...........................................................................................Error! Bookmark not defined.
Caso practico de distribución normal……………………………..……………………………………………16

Caso practico de distribución Binomial…………………………..……………………………………………17

Caso practico de distribución Exponencial……………………..……………………………………………19

CONCLUSIONES…………………………………………………………………………………………………………………………22
BIBLIOGRAFIA………………………………………………………………..………………………………………………………...23
 INTRODUCCIÓN

En este trabajo estudiaremos dos de las principales distribuciones: distribución

Normal que se puede aplicar tanto para variables aleatorias discretas como para
variables aleatorias continuas. Una distribución de probabilidades para una
variable aleatoria discreta es un listado mutuamente excluyente de todos los
resultados numéricos posibles para esa variable aleatoria tal que una probabilidad
específica de ocurrencia se asocia con cada resultado. En el trabajo tiene
como objetivo exponer la distribución exponencial de forma teórica y práctica. A
pesar de la sencillez analítica de sus funciones de definición, 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. Debido a que estas
distribuciones tratan sobre expectativas de que algo suceda, resultan ser modelos
útiles para hacer inferencias y para tomar decisiones en condiciones de
incertidumbre.

2
OBJETIVO GENERAL:
Identificar los conceptos y función de las distribuciones de probabilidad.

OBJETIVO ESPECÍFICO:
 Reconocer la aplicación de las distribuciones normal, y binomial.
 La presente investigación tiene como objetivo exponer la distribución De
Poisson y Exponencial de forma teórica y práctica.
 La distribución De Poisson junto con la normal, se aplican en la industria en
el control de calidad, en biología para determinar el número de bacterias, en
las instituciones de seguros para verificar el número de accidentes y en
otros campos más.
 A pesar de la sencillez analítica de sus funciones de definición, 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.

3
 DISTRIBUCION DE PROBABILIDADES
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 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 puede decirse que tiene una relación estrecha con las distribuciones de
frecuencia. De hecho, una distribución de probabilidades puede comprenderse
como una frecuencia teórica, ya 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 solo 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 las Probabilidades

Esta división se realiza dependiendo del tipo de variable a estudiar. Las cuatro
principales (de las que nacen todas las demás) son:

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

distribución discreta, de las cuales existen:

4
Distribución binomial (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 o gaussiana.
Además, se puede utilizar la "distribución de Poisson como una aproximación de la
distribución binomial" cuando la muestra por 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".

DISTRIBUCIÓN NORMAL
La distribución normal fue presentada por vez primera por Abraham de Moivre en
un artículo del año 1733,2 que fue reimpreso en la segunda edición de su The
Doctrine of Chances, de 1738, en el contexto de cierta aproximación de
la distribución binomial para grandes valores de n. Su resultado fue ampliado
por Laplace en su libro Teoría analítica de las probabilidades (1812), y en la
actualidad se llama Teorema de De Moivre-Laplace.

Gauss, que afirmaba haber usado el método desde 1794, lo justificó

rigurosamente en 1809 asumiendo una distribución normal de los errores. El
nombre de Gauss se ha asociado a esta distribución porque la usó con profusión
cuando analizaba datos astronómicos3 y algunos autores le atribuyen un
descubrimiento independiente del de De Moivre.4 Esta atribución del nombre de la
distribución a una persona distinta de su primer descubridor es un claro ejemplo
de la Ley de Stigler.

Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su

propio nombre indica su extendida utilización, justificada por la frecuencia o
normalidad con la que ciertos fenómenos tienden a parecerse en su
comportamiento a esta distribución.

Muchas variables aleatorias continuas presentan una función de densidad cuya

gráfica tiene forma de campana.

En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un

mismo valor de p y valores de n cada vez mayores, se ve que sus polígonos de
frecuencias se aproximan a una curva en "forma de campana".

FUNCIÓN DE DENSIDAD

5
Se dice que una variable aleatoria continua X sigue una distribución normal de
parámetros μ y σ y se denota X~N(μ, σ) si su función de densidad está dada por:

donde μ (mu) es la media y σ (sigma) es la desviación típica (σ2 es la varianza).

Se llama distribución normal "estándar" a aquélla en la que sus parámetros toman

los valores μ = 0 y σ = 1. Para esta función de densidad tiene la siguiente
expresión:

La función de distribución de la distribución normal está definida como sigue:

La función generadora de momentos se define como la esperanza de e(tX). Para

una distribución normal, la función generadora de momentos es:

como puede comprobarse completando el cuadrado en el exponente.

La función característica se define como la esperanza de eit X, donde i es
la unidad imaginaria. De este modo, la función característica se obtiene
reemplazando t por it en la función generadora de momentos.
Para una distribución normal, la función característica es:

6
Aproximación de la Binomial por la Normal (Teorema de De Moivre):
Demostró que bajo determinadas condiciones (para n grande y tanto p como q no
estén próximos a cero) la distribución Binomial B (n, p) se puede aproximar
mediante una distribución normal

DISTRIBUCIÓN BINOMIAL
Para hablar de la distribución Binomial primero tenemos que decir que está dada
por la sumatoria de eventos bernoulli, la distribución de Bernoulli (o distribución
dicotómica), nombrada así por el matemático y científico suizo Jakob Bernoulli, es
una distribución de probabilidad discreta, que toma valor 1 para la probabilidad de
éxito (p) y valor 0 para la probabilidad de fracaso (q = 1 − p).
Si X es una variable aleatoria que mide "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernoulli de parámetro p.
X˜Be(p)
La fórmula será:
f(x) = px(1 − p)1 − x con x = {0,1}
Su función de probabilidad viene definida por:

La distribución binomial es una distribución de probabilidades que surge al

cumplirse cinco condiciones:

7
Existe una serie de N ensayos,
En cada ensayo hay sólo dos posibles resultados,
En cada ensayo, los dos resultados posibles son mutuamente excluyentes,
Los resultados de cada ensayo son independientes entre si, y
La probabilidad de cada resultado posible en cualquier ensayo es la misma de un
ensayo a otro.

Su función de probabilidad es

donde

siendo las combinaciones de n en x (n elementos tomados de x en x)

La esperanza y la varianza son

La Función de Distribución de la v.a. Binomial

Las siguientes características son las que describen a una distribución Binomial
Función generadora de momentos (mgf)

8
Función característica

DISTRIBUCIÓN DE POISSON
Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilité des jugements en matières criminelles et
matière civile (Investigación sobre la probabilidad de los juicios en materias
criminales y civiles).
En teoría de probabilidad y estadística, 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".
Características de los procesos que producen una distribución de la
probabilidad de Poisson:
El número de vehículos que pasan por una caseta de cobro en las horas de mayor
tráfico sirve como ejemplo para mostrar las características de una distribución de
probabilidad de Poisson.
El promedio (media) de los arribos de vehículos por hora de gran tráfico puede
estimarse a partir de los datos anteriores del tráfico.
Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada
uno, encontraremos que los siguientes enunciados son verdaderos:
a) La probabilidad de que exactamente un vehículo llegue por segundo a una
caseta individual es un número muy pequeño y es constante para que cada
intervalo de un segundo.
b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un
segundo es tan reducida que podemos asignarle un valor cero.
c) El número de vehículos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la
hora de gran tráfico.
d) El número de llegadas en cualquier intervalo de un segundo no depende del
número de arribos de cualquier otro intervalo de un segundo.

9
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos
descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una
distribución de probabilidad de Poisson para describirlos.

Cálculo de probabilidades mediante la distribución de Poisson

La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos

que pueden ser descritos con una variable aleatoria discreta. La letra X suele
representar esa variable y puede además asumir valores enteros (0,1,2,3 etc..).
Utilizamos la letra X mayúscula para representar la variable aleatoria y la x
minúscula para designar un valor específico que puede asumir la X mayúscula. La
probabilidad de exactamente x ocurrencias en una distribución de Poisson se
calcula mediante la fórmula:

P(x) = l x * e-l / x!

l x = Lambda
(Número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x).

e-l = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial.

Ejemplo:

Supóngase que estamos investigando la seguridad de un crucero muy peligroso.

Los archivos de la policía indican una media de cinco accidentes por mes en él. El
número de accidentes está distribuido conforme a la distribución de Poisson, y la
división de seguridad en carreteras quiere calcular la probabilidad de exactamente
0,1,2,3 y 4 accidentes en un mes determinado.

Aplicando la fórmula anterior:

P(0) = (5)0 (e-5) /0! = 0.00674

P(1) = (5)1 (e-5) /1! = 0.03370

P(2) = (5)2 (e-5) /2! = 0.08425

P(3) = (5)3 (e-5) /3! = 0.14042

P(4) = (5)4 (e-5) /4! = 0.17552

10
Para saber cuál es la probabilidad en 3 o menos, sumaremos las probabilidades
de 0,1,2,3 lo que será igual a :

P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511

entonces la probabilidad de que ocurran más de tres debe ser = 1 –0.26511 =
0.73489.

La distribución de Poisson como una aproximación a la distribución binomial.

Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones

binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas
condiciones como:

n=>20
p=<0.05

En los casos en que se satisfacen tales condiciones, podemos sustituir la media

de la distribución binomial en lugar de la media de la distribución de Poisson de
modo que la fórmula quedaría así:

P(x) = (np) X * e-np /x!

11
DISTRIBUCIÓN EXPONENCIAL

Mientras que la distribución de Poisson describe las llegadas por unidad de

tiempo, la distribución exponencial estudia el tiempo entre cada una de estas
llegadas. Si las llegadas son de Poisson el tiempo entre estas llegadas es
exponencial. Mientras que la distribución de Poisson es discreta la distribución
exponencial es continua porque el tiempo entre llegadas no tiene que ser un
número entero.

Esta distribución se utiliza mucho para describir el tiempo entre eventos. Más
específicamente la variable aleatoria que representa al tiempo necesario para
servir a la llegada.

Ejemplos típicos de esta situación son el tiempo que un médico dedica a una
exploración, el tiempo de servir una medicina en una farmacia, o el tiempo de
atender a una urgencia.

El uso de la distribución exponencial supone que los tiempos de servicio son

aleatorios, es decir, que un tiempo de servicio determinado no depende de otro
servicio realizado anteriormente ni de la posible cola que pueda estar formándose.
Otra característica de este tipo de distribución es que no tienen "edad" o, en otras
palabras, "memoria".

Por ejemplo. Supongamos que el tiempo de atención de un paciente en una sala

quirúrgica sigue una distribución exponencial. Si el paciente ya lleva 5 horas
siendo operado, la probabilidad de que esté una hora más es la misma que si
hubiera estado 2 horas, o 10 horas o las que sea. Esto es debido a que la
distribución exponencial supone que los tiempos de servicio tienen una gran
variabilidad.

A lo mejor el próximo paciente operado tarda 1 hora porque su cirugía era mucho
más simple que la anterior.

La función de densidad de la distribución exponencial es la siguiente:

Se dice que la variable aleatoria continua X tiene distribución exponencial con

parámetro

12
Su gráfica es un modelo apropiado a vida útil de objetos.

13
Para calcular la esperanza matemática y la varianza, se hallará primero el
momento de orden r respecto del origen:

EJEMPLO:

El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta
que falle (tiempo de falla) se distribuye según el modelo exponencial con un
tiempo promedio de fallas igual a 360 días.

 a) ¿qué probabilidad existe que el tiempo de falla sea mayor que 400 días?
 b) Si una de estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay
que trabaja más de 200 días más?
 c) Si se están usando 5 de tales baterías calcular la probabilidad de que
más de dos de ellas continúen trabajando después de 360 días.

14
Solución
Sea X=el tiempo que trabaja la batería hasta que falle. El tiempo promedio de falla
es de 360 días. Entonces, X ~Exp (ß=1/360) y su función de densidad es:

Caso práctico de distribución normal

Columna 1

Mean 5
Standard Error 0.577350269
Median 3
Mode 3
Standard Deviation 2
Sample Variance 2

Kurtosis -0.3
Skewness 0
Range 4
Minimum 1
Maximum 5

15
 Sum 18
DISTRIBUCIONES DE Count 6
PROBABILIDAD

DISTRIBUCION NORMAL

DATOS
2
1
3
4
5
3

CALCULO DISTRIBUCIÓN NORMAL

X 3.3 evento que nos interesa
Z -0.85 variable de transición

DISTR.NORM.ESTAND 0.197663 área de -∞ a Z

área bajo la curva o PROBABILIDAD DE
OCURRENCIA DEL EVENTO QUE NOS
INTERESA

P(X > 7.78) = 0.8023

Caso práctico de distribución binomial

TITULO DEL CASO:
CLIENTES QUE NO PAGAN EN FECHA ESTIPULADA.

Planteamiento del problema.

16
En una institución X se da crédito a tiendas de consumo diario como a también a
diferentes negocios pequeños, se ha visto afectado la rentabilidad de la institución
por la falta de pago de los clientes 10% no pagan a la fecha especificada, el
supervisor de crédito selecciona una muestra de 18 clientes , por experiencia
pasadas considera el supervisor la probabilidad que 3 clientes no paguen, lo otro
es que se considera que no saquen un máximo de 3 clientes morosos, la
probabilidad de que un mínimo de 3 clientes no puedan pagar, analizando cuanto
probabilidad pueda haber de que estos 18 clientes exista entre 2 y 4 cliente que no
paguen sus créditos, esto a traído problemas por los gastos viáticos de los
asesores de créditos.
Metodología.
Se determinó a través de la base de datos de los meses anteriores.
Desarrollo Matemático.
N= número de ensayos
X= número de éxitos
P= probabilidad de éxito
q= probabilidad de fracaso.

1) P ( x = x) = n (x . px .qn-x
P ( x=3)
P ( x=3) = 18(3x0.13 x0.915
18(3(0.1)3 (0.9)15 = 0.168

18(3= 18! = 816

15x3!
2.) P[ x≤3] = 0.902 puede ser que haiga tres clientes moroso o menos a final del
mes.
Se calcula la cantidad a través de una tabla de distribución Binomial acumulado

M X P
.
.

17
18
0
1
2
3 0.902

3) P( x ≥3 ) = 0.266 cantidad minima que los clientes no puedan pagar.

4.) P ( 2 ≤ X ≤ 4 )
P ( X ≤ 4 ) – P ( x ≤ 1) = 0.972- 0.450

R = 0.522 es el resultado de que entre dos o cuatros clientes no paguen a finales

del mes.

Análisis.
Los resultados que hemos obtenido para ver si realmente está afectando la
rentabilidad de la empresa por estos clientes que no están al día con sus pagos, la
probabilidad que haiga tres clientes o menos que no pagan a la fecha específica
es de 0.902, la probabilidad por lo menos tres clientes que no paguen son 0.266,y
la probabilidad que dos o cuatros de los clientes no paguen a finales del mes o
varios meses atrasados es de 0.522, por los resultados obtenidos se llega a la
conclusión es que 1 cliente al mes no pague siempre, estos afecta en a la
empresas en cubrir su gastos viáticos, pero se puede corregir por medio de las
cosas empeñadas o hipotecados por el cliente para cubrir los gastos así mantener
la rentabilidad de la institución.

Caso práctico de distribución exponencial

Título del caso: Tiempos de espera de atención al cliente de ADISA

Metodología: La metodología que se utilizó es determinar en datos históricos los
tiempos que se tarda una cajera en atender a un cliente, a través de una muestra
de 16 clientes.
Datos
18
Fecha 31/01/2018
X
1
1
2
1
1
3
4
4
3
5
5
2
3
5
2
6
=3

a) ¿Cuál es la probabilidad de que los clientes sean atendidos en menos de 2

minutos?

Fórmula matemática
P (X ≤ Xo) = 1 – e-Xo/µ
Solución:
P (X ≤ 2) = 1 – 2.71828-2/3 = 0.4866

19
b) ¿Cuál es la probabilidad de que los clientes sean atendidos entre 2 y 3
minutos?

Solución: Primero calcular la probabilidad que se tarde menos de tres minutos.

P (X ≤ 3) = 1 – 2.71828-3/3 = 0.6321

Entonces seria:
P (2 ≤ X ≤ 3) = P (x ≤ 3) - P (x ≤ 2) = 0.6321 - 0.4866 = 0.1455

Análisis:
La probabilidad de que un cliente sea atendido en menos de 2 minutos es de
48.66% y la probabilidad de que el cliente sea atendido entre 2 y 3 minutos es de
14.55%

20
 CONCLUSIONES

Las distribuciones que en este trabajo se trataron brevemente están relacionadas

diversas aplicaciones en la vida real, las cuales tienen relación una con otra, y no
sólo eso, sino que hay otras distribuciones que tienen relación con las antes
mencionadas y es por eso que tiene su importancia conocerlas.

En la distribución Poisson nos da a conocer que hay probabilidad discreta que

expresa una frecuencia de ocurrencia media, y un determinado número de
eventos durante cierto período de tiempo

La distribución Exponencial nos da a conocer el estudio de confiabilidad se utiliza

mucho para describir el tiempo entre eventos. Más específicamente la variable
aleatoria que representa al tiempo necesario para servir a la llegada.

21
Con el desarrollo de este proyecto y gracias a la comprensión de
conceptos entendimos que la distribución binomial y normal son una poderosa
herramienta probabilística que bien aplicada nos podrá ayudar a facilitar los
cálculos para la solución de problemas.

Nos enseña que en la probabilidad hay posibilidad u oportunidad de que suceda

un evento particular ya que involucra una porción o fracción cuyo valor varía entre
cero y uno exclusivamente.

BIBLIOGRAFÍA
http://manuelreyesdistribuciones.blogspot.com/2010/10/distribuciones-binomial-
poisson-normal_1712.html
http://www.monografias.com/trabajos84/distribucion-exponencial/distribucion-
exponencial.shtml#ixzz55o5iHUqh

http://www.monografias.com/trabajos57/distribuciones-probabilidad/distribuciones-
probabilidad2.shtml#ixzz55neqoEqB

22
http://distribucion-probabilidades/distribucion-probabilidades.shtml

23