FACULTAD DE CIENCIAS DE LA SALUD

ESCUELA DE ENFERMERIA

TRABAJO DE INVESTIGACION

DISTRIBUCION DE PROBABILIDAD DISCRETA

Estudiante : RODRIGUEZ VILLACREZ, Sandra

Ciclo : II

Catedrático : MARTIN MESIAS MATIAS

Catedra : Bioestadística y Demografía.

Noviembre – 2018

SAN JUAN BAUTISTA – PERU

DEDICATORIA

A Mis Padres por ser fuente de inspiración

Y gran ayuda en mi desarrollo profesional

Sandra.

2
 INDICE

Pág.

Dedicatoria ii

Índice iii

Introducción iv

Capítulo I:

Distribución de Probabilidad

1.1. Definición 07
1.2. Definición y Clasificación de Variables Aleatorias 08
1.2.1. Definición 08
1.2.2. Clasificación 08
1.2.2.1. Variable aleatoria Discreta 08
1.2.2.2. Variable Continua 09
1.3. División de Distribución 09

Capítulo II:

Distribución de Probabilidad Discreta

2.1. Definición 11

2.2. Características 11

2.3 Tipo 12

2.3.1. Distribución Uniforme sobre n puntos 12

2.3.2. Distribución Binomial 13

3
 2.3.3. Distribución de Poisson 16

2.3.4. Distribución Hipergeometrica 18

Conclusiones y Recomendaciones 19

Referencias Bibliográficas 20

4
 INTRODUCCIÓN

En el mundo de la Matemática y de la investigación probabilística, cuando se

habla de los tipos de probabilidad, decimos que esta se clasifica en tres tipos:

 Probabilidad clásica.
 Probabilidad distribución de frecuencias.
 Probabilidad subjetiva.

La distribución de probabilidades está muy relacionado con el tipo de variables.

Nosotros conocemos dos tipos de variables:

 Variable discreta, y
 Variable continúa.

En la presente investigación bibliográfica doy a conocer las principales

distribuciones de variables discretas.

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.

El valor esperado de una variable aleatoria discreta es un promedio

ponderado de todos los posibles resultados, donde las ponderaciones son las
probabilidades asociadas con cada uno de los resultados.

Dónde: Xi = i-ésimo resultado de X, la variable discreta de interés.

P(Xi) = probabilidad de ocurrencia del i-ésimo resultado de X

5
 La varianza de una variable aleatoria discreta (s 2) se define como el
promedio ponderado de los cuadros de las diferencias entre cada resultado posible
y su media (los son las probabilidades de los resultados posibles).

Dónde: Xi = i-ésimo resultado de X, la variable discreta de interés.

P(Xi) = probabilidad de ocurrencia del i-ésimo resultado de X

Las distribuciones de probabilidades discretas más importantes son:

 Distribución Binomial, y
 Distribución de Poisson

Dejo a consideración el presente trabajo de investigación bibliográfica

aceptando las criticas correspondiente para su enriquecimiento.

6
 CAPITULO I

DISTRIBUCIONES DE PROBABILIDAD

1.1. Definición:

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.1

1
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad

7
1.2. Definición y clasificación de variables aleatorias2:

1.2.1. Definición.

Las variables aleatorias están ligadas

a experimentos aleatorios. Y se dice que se ha definido una variable
aleatoria cuando a cada elemento del espacio muestral se le ha
asociado un número.

Si una variable real, X, es una variable

aleatoria sus valores dependen del azar.
Por ejemplo, si se lanzan dos dados y X es el número de veces
que sale un 6, entonces X es una variable aleatoria, y toma, al azar,
uno de los valores 0, 1 ó 2.

El estudio de las distribuciones de probabilidad es similar

al de la variable estadística, el equivalente de la frecuencia
relativa en la variable aleatoria es la probabilidad.

1.2.2. Clasificación:

1.2.2.1. Variables aleatorias discretas:

 Diremos que una variable aleatoria es discreta si su recorrido
es finito o infinito numerable.
 Generalmente, este tipo de variables van asociadas a
experimentos en los cuales se cuenta el número de veces que
se ha presentado un suceso o donde el resultado es una
puntuación concreta.

2
Kai Lai Chung. Elementary Proability Theory with Stochastic Processes. Springer-Verlag New York Inc

8
  Los puntos del recorrido se corresponden con saltos en la
gráfica de la función de distribución, que correspondería al
segundo tipo de gráfica visto anteriormente3.

1.2.2.2. Variable aleatoria Continua :

Son aquellas en las que la función de distribución es una
función continua. Se corresponde con el primer tipo de gráfica
visto.
Generalmente, se corresponden con variables asociadas a
experimentos en los cuales la variable medida puede tomar
cualquier valor en un intervalo; mediciones biométricas, por
ejemplo.
Un caso particular dentro de las variables aleatorias continuas
y al cual pertenecen todos los ejemplos usualmente utilizados,
son las denominadas variables aleatorias absolutamente
continuas.

1.3. División de Distribución

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:

 Distribución binomial (eventos independientes).

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

3
Vincenzo Jesús D'Alessio Torres Estadística y Probabilidad Chile Pág. 45.

9
 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".

10
 CAPITULO II

DISTRIBUCION DE PROBAILIDAD DISCRETA

2.1. Definición.

Las distribuciones de probabilidad discreta4 son una función que

asigna a cada elemento de X(S)={x1,x2,…,xi,…}, donde X es una variable
aleatoria discreta dada y S es su espacio muestral, la probabilidad de que dicho
suceso ocurra. Esta función f de X(S) definida como f(xi)=P(X=xi) a veces es
llamada función masa de probabilidad.

Esta masa de probabilidades es representada generalmente en forma de

tabla. Como X es una variable aleatoria discreta, X(S) cuenta con un número
finito de sucesos o infinito numerable. Entre las distribuciones de probabilidad
discreta más comunes tenemos la distribución uniforme, la distribución binomial
y la distribución de Poisson.

2.2. Característica

La función de distribución de probabilidad debe cumplir con las

siguientes condiciones:

 Además, si X toma solo un número finito de valores (por ejemplo

x1,x2,…,xn), entonces p(xi)=0 si i>n y, por lo tanto, la serie infinita de
la condición b llega a ser una serie finita.

4
Kenneth.H. Rosen .Matemáticas Discretas y sus Aplicaciones . S.A.MCGRAW-HILL/INTERAMERICANA

DE ESPAÑA.

11
  También esta función cumple con las siguientes propiedades:
 Sea B un suceso asociado con la variable aleatoria X. Esto
quiere decir que B está contenido en X(S). Específicamente,
supongamos que B={xi1,xi2,…}. Por lo tanto: Dicho en otras
palabras: la probabilidad de un suceso B es igual a la suma de
las probabilidades de los resultados individuales asociados con
B.
 De esto podemos concluir que si a < b, los sucesos (X ≤ a) y (a
< X ≤ b) son mutuamente excluyentes y, además, su unión es
el suceso (X ≤ b)

2.2. Tipos5

2.3.1. Distribución uniforme sobre n puntos

Se dice que una variable aleatoria X sigue una distribución que se
caracteriza por ser uniforme en n puntos si a cada valor se le asigna la
misma probabilidad. Su función masa de probabilidad es:

Supongamos que tenemos un experimento que posee dos posibles

resultados, puede ser el lanzamiento de una moneda cuyos resultados
posibles son cara o sello, o la elección de un número entero cuyo
resultado puede ser un numero par o uno impar; este tipo de
experimento es conocido como pruebas de Bernoulli.

5
Seymour Lipschutz Ph.D. 2000 Problemas Resueltos de
Matemática Discretas. McGRAW-HIL
12
 Por lo general, los dos posibles resultados son llamados éxito y
fracaso, donde p es la probabilidad de éxito y 1-p la de fracaso.
Podemos determinar la probabilidad de x éxitos en n pruebas de
Bernoulli que sean independientes entre sí con la siguiente
distribución.

2.3.2. Distribución binomial6

Es aquella función que representa cuál es la probabilidad de

obtener x éxitos en n pruebas de Bernoulli independientes, cuya
probabilidad de éxito es de p. Su función masa de probabilidad es:

La siguiente gráfica representa la función masa de probabilidad para

distintos valores de los parámetros de la distribución binomial.

La siguiente distribución debe su nombre al matemático francés

Simeon Poisson (1781-1840), el cual la obtuvo como límite de la
distribución binomial.

6
Seymour Lipschutz Ph.D. 2000 Problemas Resueltos de
Matemática Discretas. McGRAW-HIL
13
Un experimento consiste en ensayos repetidos, cada uno con dos
posibles resultados: éxito y fracaso.
 Sea un experimento aleatorio en el que sólo puedan darse dos
posibilidades: que ocurra un determinado suceso A, que
llamaremos éxito, o que no ocurra dicho suceso, o sea que
ocurra su complementario, que llamaremos fracaso, A.
 Se conoce la probabilidad de ocurrencia del suceso A, y por lo
tanto la de su complementario:
n = Número de veces que se repite el experimento (En las
mismas condiciones, es decir, independiente)
p = La probabilidad de éxito
r = Número de éxitos

 Se define la variable aleatoria Binomial:

X: “Nº de veces que ocurre el suceso A (Nº de éxitos) en n
realizaciones independientes del experimento”
Por lo tanto, X: 0, 1, 2, 3, ……n
Si se repite n veces el experimento, nos preguntamos por la
probabilidad de obtener r éxitos

14
 EJEMPLOS:
 Nº de caras al lanzar 20 veces una moneda
 Nº de aprobados si se presentan 80 alumnos a un examen
 Nº de familias con un solo hijo en una población de 120 familias
 Nº de reacciones negativas ante un fármaco administrado a 40
pacientes
 Nº de accidentes de tráfico si han circulado 1200 automóviles
 Nº de semillas que germinan de las 20 semillas que se han
plantado en suelos de idéntica composición

APLICACIÓN

1. EJERCICIO:

Un examen consta de 10 preguntas a las que hay que contestar SI ó

NO. Suponiendo que las personas a las que se les aplica no saben contestar
a ninguna de las preguntas y en consecuencia contestan al azar hallar:

a) Probabilidad de obtener 5 aciertos

b) Probabilidad de obtener algún acierto

c) Probabilidad de obtener al menos 5 aciertos

SOLUCIÓN:

En una distribución binomial, la persona solo puede acertar o fallar la

pregunta.

Suceso A (éxito) = Acertar la pregunta  P = p(A) = 0.5

Suceso A (fracaso) = No acertar la pregunta  q = p(A) = 1-p = 0.5

15
a) Probabilidad de tener 5 aciertos:

b) Probabilidad de tener algún acierto:

16
2.3.3. Distribución de Poisson:
Se dice que una variable aleatoria X tiene distribución de Poisson de
parámetro λ cuando puede tomar los valores enteros positivos
0,1,2,3,… con la siguiente probabilidad:

17
En esta expresión λ es el número medio correspondiente a las
ocurrencias del suceso por cada unidad de tiempo, y x es el número
de veces que ocurre el suceso.

Su función masa de probabilidad es: A continuación, una gráfica que

representa la función masa de probabilidad para distintos valores de
los parámetros de la distribución Poisson.

Note que, mientras la cantidad de éxitos sea baja y la cantidad n de

pruebas realizadas en una distribución binomial sea alta, siempre
podremos aproximar estas distribuciones, al ser la distribución de
Poisson límite de la distribución binomial.
La diferencia principal entre estas dos distribuciones es que, mientras
la binomial depende de dos parámetros —a saber, n y p—, la de
Poisson solo depende de λ, el cual a veces es llamado la intensidad
de la distribución.
Hasta ahora solo hemos hablado de distribuciones de probabilidad
para casos en los que los diferentes experimentos son independientes
entre sí; es decir, cuando el resultado de uno no se ve afectado por
algún otro resultado.

18
 Cuando ocurre el caso de tener experimentos que no son
independientes, la distribución hipergeométrica es de gran utilidad.

2.3.4. Distribución hipergeométrica:

Sea N el número total de objetos de un conjunto finito, de los cuales
podemos identificar a k de estos de alguna manera, formando así un
subconjunto K, cuyo complemento está formado por los N-k elementos
restantes.
Si escogemos al azar n objetos, la variable aleatoria X que representa
el número de objetos pertenecientes a K en dicha elección tiene una
distribución hipergeométrica de parámetros N, n y k. Su función masa
de probabilidad es:

La siguiente gráfica representa la función masa de probabilidad para

distintos valores de los parámetros de la distribución hipergeométrica.

CONCLUSIONES Y RECOMENDACIONES

1. CONCLUSIONES

19
 Se concluye que se llama función de probabilidad de una variable
aleatoria discreta a la aplicación que a cada valor de la variable le hace
corresponder la probabilidad de que la variable tome dicho valor:

Por definición, deducimos que si son los valores que puede

tomar la variable entonces:

Ya que esta suma es, en realidad, la probabilidad del suceso seguro.

2. RECOMENDACIONES
Se recomienda la aplicación de esta probabilidad en los diversos
sucesos dado que sus aplicaciones son muy sencillas de operar en las
diversas muestras obtenidas o resultados que queremos procesar la
información en forma espontánea y rápida.

REFERENCIA BIBLIOGRAFICA

20
1. BIBLIOGRAFIA BASICA

1. Kai Lai Chung. Elementary Proability Theory with Stochastic Processes.

Springer-Verlag New York Inc
2. Kenneth.H. Rosen .Matemáticas Discretas y sus Aplicaciones .
S.A.MCGRAW-HILL/INTERAMERICANA DE ESPAÑA.
3. Paul L. Meyer. Probabilidad y Aplicaciones Estadisticas. S.A. ALHAMBRA
MEXICANA.
4. Seymour Lipschutz Ph.D. 2000 Problemas Resueltos de Matemática
Discretas. McGRAW-HILL.
5. Seymour Lipschutz Ph.D. Teoría y Problemas de Probabilidad. McGRAW-
HILL.

2. BIBLIOGRAFIA ELECTRONICA

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

21