UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE INGENIERÍA INDUSTRIAL

QUINTO SEMESTRE, INGENIERÍA INDUSTRIAL

TEMA:

“DISTRIBUCIÓN DISCRETA Y CONTINUA”

Estudiante:
Zambrano Tutivén Wilmer Alexander

Docente:
Ing. Carlos Molestina Malta

Curso:
Grupo 2

GUAYAQUIL, AGOSTO 07 DEL 2019.

 INTRODUCCION

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.

Las distribuciones de probabilidad son distribuciones de probabilidad continuas o distribuciones

de probabilidad discretas, dependiendo de si definen probabilidades para variables continuas o
discretas.

- Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria con
un conjunto de valores posibles (conocido como el rango) que es infinito y no se puede
contar.

- Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una

variable aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que
tiene valores contables, tales como una lista de enteros no negativos. Con una
distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta
puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución
de probabilidad discreta suele representarse en forma tabular.
 DESARROLLO

DISTRIBUCIONES DISCRETAS

Aquellas que están asociadas a variables aleatorias discretas.

Distribución degenerada. Una variable aleatoria X es degenerada en un valor real a ∈ R si toma

dicho valor con probabilidad 1, es decir P(X = a) = 1, su media y varianza son entonces obvias a
partir de resultados del tema anterior,

E[X] = a; var[X] = 0.

- Proceso de Bernoulli

Modelos principales asociados al proceso de Bernoulli

Distribución de Bernoulli, B(1,p). Una variable aleatoria X sigue distribución de Bernoulli de

parámetro p ∈ (0,1) y se denota X ∼ B(1,p) si describe el número de ´éxitos en una realización de
un experimento que tiene probabilidad de éxito p (probabilidad de fracaso 1 − p). Toma valores
en {0,1}.

P(X = 1) = p; P(X = 0) = 1 − p;

E[X] = p; var[X] = p(1 − p).

Distribución Binomial, B(n,p). Una variable aleatoria X sigue distribución Binomial de

parámetros n ∈ N y p ∈ (0,1) y se denota X ∼ B(n,p) si describe el número de ´éxitos en n
realizaciones independientes de un experimento que tiene probabilidad de ´exito p (probabilidad
de fracaso 1 − p).

Puede tomar cualquier valor en {0,1,...,n}.

Si k ∈ {0,1,...,n}, se cumple

E[X] = np; var[X] = np(1 − p).

Propiedad. Las distribuciones binomiales son reproductivas de parámetro n, es decir, dadas dos
variables aleatorias X ∼ B(n1,p) e Y ∼ B(n2,p) independientes, se cumple X + Y ∼ B(n1 + n2,p).

A partir de este resultado es inmediato que una variable aleatoria X ∼ B(n,p) puede
descomponerse en una suma de n variables aleatorias independientes de Bernoulli de para ‘metro
p.

Distribución Geométrica o de Pascal, Ge(p). Una variable aleatoria X sigue distribución

Geométrica de parámetro p ∈ (0,1) y se denota X ∼ Ge(p) si describe el número de realizaciones
independientes de un experimento necesarias hasta obtener el primer ´éxito, siendo p la
probabilidad de éxito en una realización del experimento (probabilidad de fracaso 1−p). Puede
tomar como valor cualquier número natural, {1,2,...}.

Si k ∈ {1,2,...}, se cumple

P(X = k) = (1 − p)k−1p;

- Otros modelos asociados al proceso de Bernoulli

Distribución Binomial Negativa, BN(r,p). Una variable aleatoria X sigue distribución Binomial
Negativa de parámetros r ∈ N y p ∈ (0,1) y se denota X ∼ BN(r,p) si describe el número de
fracasos de un experimento antes del r-´esimo éxito, siendo las realizaciones del experimento
independientes y en cada una de ellas p la probabilidad de éxito (probabilidad de fracaso 1 − p).
Puede tomar cualquier valor entero mayor o igual que cero, {0,1,2,...}.

Si k ∈ {0,1,2,...}, se cumple

.
Distribución Hipergeométrica, H(N,n,D/N). Una variable aleatoria X sigue distribución
Hipergeométrica de parámetros N ∈ N, n ∈ N con n ≤ N y D/N con D ∈ N, D ≤ N y se denota X
∼ H(N,n,D/N) si describe el número de individuos que tienen una cierta característica en n
observaciones sin reemplazamiento en una población de N individuos de entre los que D tienen
la característica (N −D no tienen la característica). Puede tomar cualquier valor entero mayor o
igual que ma´x{0,n+D −N} y menor o igual que m´ın {n,D}.

Si m´ax{0,n + D − N} ≤ k ≤ m´ın{n,D}, se cumple

- Proceso de Poisson

Distribución de Poisson, P(λ). Una variable aleatoria X sigue distribución de Poisson de

parámetro λ > 0 y se denota X ∼ P(λ) si representa el número de eventos ocurridos
independientemente y a velocidad constante o con intensidad constante en un tiempo o región
fija. Puede tomar cualquier valor entero mayor o igual que cero, {0,1,2,...}.

Si k ∈ {0,1,2,...}, se cumple

;
E[X] = λ; var[X] = λ.

Propiedad. Las distribuciones de Poisson son reproductivas, es decir, dadas X ∼ P(λ1) e Y ∼

P(λ2) independientes, se cumple X +Y ∼ P(λ1+λ2).

DISTRIBUCIONES CONTINUAS

Aquellas que están asociadas a variables aleatorias continuas.

Distribución Uniforme, U(a,b). Una variable aleatoria X sigue distribución uniforme de
parámetros a < b y se denota X ∼ U(a,b) si toma valores en el intervalo (a,b) según la siguiente
función de densidad,

- Proceso de Poisson

Distribución Exponencial, Exp(λ). Una variable aleatoria X sigue distribución exponencial de

parámetro λ > 0 y se denota X ∼ Exp(λ) si toma valores positivos según la siguiente función de
densidad,

Propiedad. Las distribución exponencial no tiene memoria, es decir dada X ∼ Exp(λ) y t1,t2 > 0,

P(X > t1 + t2|X > t1) = P(X > t2).

- Distribución Normal

Distribución Normal, N(µ,σ). Una variable aleatoria X sigue distribución normal de media µ y
desviación típica σ y se denota X ∼ N(µ,σ) si toma valores en toda la recta real, según la

siguiente función de densidad, .

No podemos dar de forma explícita ninguna primitiva de esta función, por lo tanto la función de

distribución sólo podemos describirla como FX(x) = .

 E[X] = µ; var[X] = σ2.

Llamamos normal tipificada o estándar a la normal de media 0 y desviación típica 1, N(0,1).

Propiedad. Dados a,b ∈ R y X una variable aleatoria tal que X ∼

N(µ,σ), entonces la variable aleatoria aX +b sigue distribución normal, más concretamente

aX + b ∼ N(aµ + b,|a|σ).

Utilizando esta propiedad podemos tipificar cualquier variable aleatoria normal, se cumple

N(0,1).

Propiedad. Si X ∼ N(0,1) y FX es su función de distribución, por la simetría de la distribución

normal, se cumple que para cualquier x ∈ R, FX(−x) = 1 − FX(x).

Propiedad. La suma de dos variables aleatorias normales independientes sigue distribución

normal. Así, si X ∼ N(µ1,σ1) e Y ∼ N(µ2,σ2) son independientes, entonces

Teorema Central del Límite.Si X1,X2,...,Xn son n variables aleatorias independientes e

idénticamente distribuidas con media µ y desviación
√
típica σ, entonces, entonces se aproxima a una N(nµ,σn), equiva-
√
lentementese aproxima a una N(µ,σ/ n). La aproximación es buena si n ≥ 30.

Corrección por continuidad. Si aplicamos el Teorema Central del límite a variables aleatorias
discretas con valores enteros, mientras que X1 + X2 + ... + Xn es discreta (y toma valores enteros),
la normal es continua. Así, para aproximar la probabilidad de X1 + X2 + ... + Xn ≤ a donde a ∈ N,
calculamos FN(nµ,σ√n )(a + 1/2).

Aproximación Binomial-Normal. Si n ≥ 30 y np(1 − p) > 5, podemos

aproximar una binomial B(n,p) por una normal N(np,pnp(1 − p)). Observa que una binomial se
puede construir como suma de variables de Bernoulli independientes.

Aproximación Poisson-Normal. La distribución de Poisson surge como límite e la Binomail

cuando el número de experimentos tiende a infinito. Por tanto, si√ λ > 5, podemos aproximar una
Poisson P(λ) por una normal N(λ, λ).

- Distribuciones relacionadas con la normal

Distribución χ2 de Pearson, χ2n. Si X1,X2,...,Xn son n variables aleatorias independientes con

distribución N(0,1), entonces

sigue distribución chi-cuadrado de Pearson con n grados de libertad, Y ∼ χ2n. Una variable
aleatoria con distribución chi-cuadrado solo toma valores positivos.
E[Y ] = n; var[Y ] = 2n.

Distribución t de Student, tn. Si X e Y son dos variables aleatorias independientes, de tal modo
que X sigue una distribución normal estándar e Y sigue distribución chi-cuadrado con n grados de
libertad, entonces

sigue distribución t con n grados de libertad, Z ∼ tn. Una variable aleatoria con distribución t
toma valores en toda la recta real.

si n ≥ 3.

Distribución F de Fisher-Snedecor, Fn1,n2. Si X e Y son dos variables aleatorias independientes,

de tal modo que X sigue una distribución chi-cuadrado con n1 grados de libertad e Y sigue
distribución chi-cuadrado con n2 grados de libertad, entonces
sigue distribución F con n1 y n2 grados de libertad, Z ∼ Fn1,n2. Una variable aleatoria con
distribución F sólo toma valores positivos.

CONCLUSIONES

- La distribución de probabilidad permite asignar a cada evento la probabilidad de que este

ocurra o tenga éxito, ejemplo de esto, la realización de experimentos, estudios sobre el
progreso de una empresa, etc.

- Gracias al estudio de las probabilidades, se ha permitido una manera de estandarizar los

sucesos y procesos que ocurren al azar, esto se ha logrado estimando las frecuencias en
las que se obtiene un resultado en específico.

BIBLIOGRAFÍA

- Fernandez, I. C. (06 de 11 de 2009). Universidad Carlos III de Madrid. Obtenido de Universidad

Carlos III de Madrid:
http://halweb.uc3m.es/esp/Personal/personas/icascos/esp/resumen_distribuciones.pdf

- MINITAB. (14 de 06 de 2018). MINITAB. Obtenido de MINITAB: https://support.minitab.com/es-

mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-
topics/basics/continuous-and-discrete-probability-distributions/