República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación Universitaria, Ciencia y tecnología

Universidad Politécnica Territorial del Estado portuguesa ¨Juan de Jesús Montilla¨
Programa de Formación en Medicina Veterinaria
Acarigua – Estado Portuguesa

Distribución de
Probabilidad

PARTICIPANTES:
BAPTISTA JOSE C.I: 25.881.879
FRASQUILLO JULIO C.I: 30.418.158
GONZALEZ ARIANNA C.I: 30.007.061
ZAMBRANO DANIELA C.I: 29.766.453
PROFESOR: ANGEL FONSECA
SECCION: 180

MAYO de 2023
 HISTORIA
La historia de la distribución de probabilidad de variable aleatoria discreta se remonta al
siglo XVII con el trabajo de Blaise Pascal y Pierre de Fermat en la teoría de la probabilidad.
Sin embargo, fue en el siglo XVIII cuando se comenzaron a desarrollar las primeras
distribuciones de probabilidad, como la distribución binomial y la distribución de Poisson.
En 1713, Abraham de Moivre introdujo la distribución binomial para modelar el número de
éxitos en un número fijo de ensayos independientes y idénticos. Esta distribución fue
utilizada por primera vez en el contexto de los juegos de azar, pero pronto encontró
aplicaciones en la estadística y la ingeniería. En 1837, Siméon Denis Poisson desarrolló la
distribución de Poisson para modelar el número de eventos raros en un intervalo de tiempo
o espacio fijo. Esta distribución ha sido utilizada en una amplia variedad de aplicaciones,
desde la física nuclear hasta la biología molecular. A lo largo del siglo XIX y principios del
siglo XX, se desarrollaron otras distribuciones de probabilidad importantes, como la
distribución geométrica, la distribución hipergeométrica y la distribución de Poisson
compuesta. En la década de 1920, el estadístico británico Ronald A. Fisher desarrolló la
distribución chi-cuadrado y la distribución t-student para modelar datos con diferentes
grados de libertad. Estas distribuciones son ampliamente utilizadas en la estadística
inferencial y en el análisis de datos.
En resumen, la historia de la distribución de probabilidad de variable aleatoria discreta es
larga y rica en desarrollos teóricos y aplicaciones prácticas. Hoy en día, estas distribuciones
siguen siendo fundamentales en la teoría de la probabilidad y son utilizadas en una amplia
variedad de campos.

DISTRIBUCION DE PROBABILIDAD DE VARIABLE ALEATORIO DISCRETA

La distribución de probabilidad es una herramienta fundamental en el análisis estadístico,
ya que permite modelar y predecir eventos aleatorios en diferentes áreas del conocimiento.
Esta función matemática describe la probabilidad de ocurrencia de cada posible resultado
en un experimento aleatorio, lo que resulta de gran utilidad en la toma de decisiones y la
planificación estratégica.
La distribución de probabilidad de una variable aleatoria es una función que asigna a cada
posible valor de la variable aleatoria la probabilidad de que ese valor ocurra. En otras
palabras, describe la probabilidad de que una variable aleatoria tome ciertos valores. La
distribución de probabilidad puede ser discreta o continua, dependiendo de si la variable
aleatoria toma valores discretos o continuos.
Ejemplos de distribuciones de probabilidad incluyen la distribución binomial, la
distribución normal y la distribución de Poisson. La distribución de probabilidad es
fundamental en la teoría de la probabilidad y es utilizada en una amplia variedad de
aplicaciones, como en estadística, finanzas, ingeniería y ciencias sociales.
La distribución binomial se utiliza para modelar el número de éxitos en un número fijo de
ensayos independientes y idénticos. La distribución de Poisson se utiliza para modelar el
número de eventos raros en un intervalo de tiempo o espacio fijo.
La distribución geométrica se utiliza para modelar el número de ensayos necesarios para
obtener el primer éxito en una serie de ensayos independientes e idénticos. Y la distribución
hipergeométrica se utiliza para modelar el número de éxitos en una muestra aleatoria sin
reemplazo.

DISTRIBUCION DE PROBABILIDAD DE PARAMETROS

La distribución binomial se utiliza para modelar el número de éxitos en un número fijo de
ensayos independientes y idénticos. La distribución de Poisson se utiliza para modelar el
número de eventos raros en un intervalo de tiempo o espacio fijo. La distribución
geométrica se utiliza para modelar el número de ensayos necesarios para obtener el primer
éxito en una serie de ensayos independientes e idénticos. Y la distribución hipergeométrica
se utiliza para modelar el número de éxitos en una muestra aleatoria sin reemplazo.

La media de una distribución de probabilidad se denota por la letra griega µ (mu).

A la media también se le suele llamar valor esperado o esperanza matemática y se puede

denotar como E(x).
Estos nombres tienen su origen en los juegos de azar y hacen referencia a la ganancia
promedio esperada por un jugador cuando hace un gran número de apuestas.
Si la esperanza matemática es cero, E(x) = 0, el juego es equitativo, es decir, no existe
ventaja ni para el jugador ni para la banca.
Varianza
La varianza y desviación típicade una distribución de probabilidad se denotan por la letra
griega σ (sigma) : σ2 y σ.
Desviación típica

Ejemplo
Calcular la esperanza matemática, la varianza, y la desviación típica, de la distribución de
probabilidad de las puntuaciones obtenidas al lanzar un dado.

x pi x· p i x 2 ·pi

1 1 1
1 6 6 6

1 2 4
2 6 6 6

1 3 9
3 6 6 6

1 4 16
4 6 6 6

1 5 25
5 6 6 6

1
6 6 1 6

21 91
6 6
¿Qué opinas de esta

DISTRIBUCION BINOMIAL
La distribución binomial es una distribución discreta muy importante que surge en muchas
aplicaciones bioestadísticas. Fue obtenida por Jakob Bernoulli (1654-1705) y publicada en
su obra póstuma Ars Conjectandi en 1713.
Esta distribución aparece de forma natural al realizar repeticiones independientes de un
experimento que tenga respuesta binaria, generalmente clasificada como “éxito” o
“fracaso”; este experimento recibe el nombre de experimento de Bernoulli. Ejemplos de
respuesta binaria pueden ser el hábito de fumar (sí/no), si un paciente hospitalizado
desarrolla o no una infección, o si un artículo de un lote es o no defectuoso. La variable
discreta que cuenta el número de éxitos en n pruebas independientes de ese experimento,
cada una de ellas con la misma probabilidad de “éxito” igual a p, sigue una distribución
binomial de parámetros n y p, que se denota por (Bi(n,p)). Este modelo se aplica a
poblaciones finitas de las que se toman elementos al azar con reemplazo, y también a
poblaciones conceptualmente infinitas, como por ejemplo las piezas que produce una
máquina, siempre que el proceso de producción sea estable (la proporción de piezas
defectuosas se mantiene constante a largo plazo) y sin memoria (el resultado de cada pieza
no depende de las anteriores).
Un ejemplo de variable binomial puede ser el número de pacientes con cáncer de pulmón
ingresados en una unidad hospitalaria.

DISTRIBUCION NORMAL
La importancia de la distribución normal queda totalmente consolidada por ser la
distribución límite de numerosas variables aleatorias, discretas y continuas, como se
demuestra a través de los teoremas centrales del límite. Las consecuencias de estos
teoremas implican la casi universal presencia de la distribución normal en todos los campos
de las ciencias empíricas: biología, medicina, psicología, física, economía, etc. En
particular, muchas medidas de datos continuos en medicina y en biología (talla, presión
arterial, etc.) se aproximan a la distribución normal.
La distribución normal queda totalmente definida mediante dos parámetros: la media () y
la desviación estándar o desviación típica (). Su función de densidad es simétrica respecto
a la media y la desviación estándar nos indica el mayor o menor grado de apertura de la
curva que, por su aspecto, se suele llamar campana de Gauss. Esta distribución se denota
por N(,). Cuando la distribución normal tiene como parámetros  = 0 y  = 1 recibe el
nombre de distribución normal estándar. Cualquier variable X que siga una distribución
normal de parámetros  y  se puede transformar en otra variable Y= (X-)/ que sigue
una distribución normal estándar; este proceso se denomina estandarización, tipificación o
normalización.

¿Qué pasaría si se realiza una encuesta en una ciudad a personas adultas consultando su
estatura? A partir de los resultados obtenidos, se puede elaborar un histograma que tendría
la siguiente forma:

Como vemos, el histograma tiene forma de campana, una característica importante de la

distribución normal.
Un parámetro muy importante es la media (µ) y siempre estará al centro de la curva con
forma de campana. Por ejemplo, aquí tenemos la gráfica de una distribución normal
con media igual a 8.
Además de la media, existe otro parámetro muy importante, se trata de la desviación
estándar, representada con la letra griega σ. La desviación estándar es la medida de
variabilidad más utilizada y nos indica que tan dispersos se encuentran los datos. Por
ejemplo, aquí veremos dos curvas normales, una con desviación estándar pequeña, y otra
con desviación estándar grande. Cuando la desviación estándar es pequeña, los datos tienen
una dispersión baja y se agrupan alrededor de la media. En cambio, cuando la desviación
estándar es alta, los datos tienen una dispersión alta y se alejan de la media.

La distribución normal estándar

La distribución normal estándar, es aquella distribución normal que tiene una media igual a
cero, y una desviación estándar igual a uno. Veamos la función densidad normal
estandarizada, que trabaja con la variable estandarizada z en el eje horizontal:

Por ejemplo, si se desea encontrar la probabilidad de que la variable estandarizada z, tome

un valor entre 0 y 1,50; hay que encontrar el área bajo la curva entre z = 0 y z = 1,50.
Para calcular el valor de esta área, se utiliza la tabla z y se busca el valor de 1,50:

Como vemos, el valor del área bajo la curva es de 0,4332, y esa sería la probabilidad de que
la variable estandarizada z, tome un valor comprendido entre 0 y 1,50.

LA DISTRIBUCIÓN NORMAL TIENE IMPORTANTES PROPIEDADES

TEÓRICAS:
La distribución normal estandarizada, también conocida como distribución normal estándar
o distribución de Gauss, es una distribución de probabilidad continua que se utiliza
comúnmente en estadística. Sus propiedades son las siguientes:
  Simetría: la distribución normal estándar es simétrica alrededor de su media, que es
cero.
 Media y desviación estándar: la media de la distribución normal estándar es cero y
su desviación estándar es uno.
 Forma de campana: la distribución normal estándar tiene una forma de campana, lo
que significa que la mayoría de los datos se encuentran cerca de la media y
disminuyen a medida que se alejan de ella.
 Área total bajo la curva: el área total bajo la curva de la distribución normal
estándar es igual a uno.
 Regla empírica: la mayoría de los datos (aproximadamente el 68%) se encuentran
dentro de una desviación estándar de la media, el 95% de los datos se encuentran
dentro de dos desviaciones estándar de la media y el 99.7% de los datos se
encuentran dentro de tres desviaciones estándar de la media.
 Transformación lineal: si una variable aleatoria sigue una distribución normal con
media μ y desviación estándar σ, entonces la variable aleatoria transformada Z = (X
- μ) / σ sigue una distribución normal estándar. Esta propiedad es útil para
estandarizar variables aleatorias y compararlas entre sí

TABLA DE AREA BAJP LA CURVA NORMAL

La tabla de área bajo la curva normal es una herramienta matemática que se utiliza para
calcular las probabilidades asociadas a la distribución normal estándar. En esta tabla se
encuentran listados los valores de la variable Z (que representa el número de desviaciones
estándar por encima o por debajo de la media) y las áreas correspondientes a la izquierda de
ese valor. Estas áreas representan la probabilidad acumulada de que una variable aleatoria
siga una distribución normal estándar y caiga por debajo del valor Z en cuestión. La tabla
es útil para realizar cálculos rápidos y precisos de probabilidades asociadas a la distribución
normal estándar.
 DISTRIBUCION DE T-STUDENT
La distribución de t-Student es una distribución de probabilidad utilizada para estimar la
media de una población cuando la muestra es pequeña o cuando la desviación estándar de
la población es desconocida. Esta distribución se utiliza comúnmente en estadística y se
deriva a partir de la distribución normal estándar. La distribución de t-Student tiene una
forma similar a la distribución normal, pero es más ancha y tiene colas más largas. La
forma y el tamaño de la distribución de t-Student dependen del tamaño de la muestra y del
grado de libertad. Cuanto mayor sea el tamaño de la muestra, más se acercará la
distribución de t-Student a la distribución normal estándar. La distribución de t-Student se
utiliza en pruebas de hipótesis, intervalos de confianza y análisis de regresión.

La fórmula general para la T de Student es la siguiente:

X−M
T= S/ √ N
En donde el numerador representa la diferencia a probar y el denominador la desviación
estándar de la diferencia llamado también Error Estándar. En esta fórmula t representa al
valor estadístico que estamos buscando X barra es el promedio de la variable analizada de
la muestra, y miu es el promedio poblacional de la variable a estudiar. En el denominador
tenemos a s como representativo de la desviación estándar de la muestra y n el tamaño de
ésta.

Grados de libertad: El número de grados de libertad es igual al tamaño de la muestra

(número de observaciones independientes) menos 1.

gl = df = (n – 1)
Si pudiera expresar en un cierto número de pasos para resolver un problema de t de Student
tendría que declarar los siguientes:
Paso 1. Plantear la hipótesis nula (H0) y la hipótesis alternativa (H1). La hipótesis
alternativa plantea matemáticamente lo que queremos demostrar, en tanto que la hipótesis
nula plantea exactamente lo contrario.

Paso 2. Determinar el nivel de significancia (rango de aceptación de la hipótesis

alternativa), a.

Se considera un nivel alfa de: 0.05 para proyectos de investigación; 0.01 para
aseguramiento de la calidad; y 0.10 para estudios o encuestas de mercadotecnia.

Paso 3. Evidencia muestral, se calcula la media y la desviación estándar a partir de la

muestra.

Paso 4. Se aplica la distribución T de Student para calcular la probabilidad de error por

medio de la fórmula general presentada al principio y se contrasta con el valor T obtenido
de la tabla correspondiente.

Paso 5. En base a la evidencia disponible se acepta o se rechaza la hipótesis alternativa. Si

la probabilidad de error (p) es mayor que el nivel de significancia se rechaza la hipótesis
alternativa. Si la probabilidad de error (p) es menor que el nivel de significancia se acepta
la hipótesis alternativa.
Si el resultado del problema cae en la región de H0 se
acepta ésta, de lo contrario se rechaza. Por supuesto, si
rechazas H0 aceptarás H1.

En la gráfica precedente se aprecian las regiones de

aceptación y de rechazo con respecto a H0.
Ejercicio 1: Se aplica una prueba de autoestima a 25
personas quienes obtienen una calificación promedio de
62.1 con una desviación estándar de 5.83. Se sabe que el
valor correcto de la prueba debe ser mayor a 60. ¿Existe
suficiente evidencia para comprobar que no hay problemas
de autoestima en el grupo seleccionado?

Paso 1. Hipótesis alternativa: la que se va a comprobar. El

grupo no tiene problemas de autoestima. Valor de prueba
para determinar autoestima mayor a 60. Hipótesis nula, lo
contrario a la hipótesis alternativa.

H1 > 60;

H0 =< 60.

Paso 2. Determinar el nivel de significancia alfa: alfa =

0.05.

Paso 3. Resultados de la evidencia muestral: X = 62.1; s =

5.83

Paso 4. Aplicar la distribución de probabilidad calculando

T:

El resultado de la ecuación es 1.8. Dado que 1.8 es mayor

que 1.7109 cae en la región de H1 y se acepta la hipótesis
alternativa. Si buscamos el valor de 1.8 bajo la curva
normal encontraremos que es de 0.0359 el cual es menor
que 0.05. La conclusión es que no hay problemas de
autoestima en el grupo estudiado. Esto con el diseño de la
investigación presentado.