Instituto Tecnológico Superior De San Andres

Ingeniería en Gestión Empresarial

“Tipos de distribuciones, variables aleatorias discretas y

continuas”

Profesor: Alberto Morales Fernández

Alumno: José Luis Mendoza Klein

Grupo: 305-E

Matrícula: 100C5001

San Andres Tuxtla

17-06-2020
 INDICE

► Índice

♦ Introducción 01

♦ Distribución Binomial O De Bernoulli 02

♦ Distribución De Poisson 04

♦ Distribución Hipergeométrica 06

♦ Distribución Normal 09

♦ Aproximación De La Normal A La Binomial 10

♦ Conclusión 11

♦ Referencias 12
 INTRODUCCION

La estadística, nace de las necesidades reales del hombre. La variada información

relacionada con éste y que es necesaria para la toma de decisiones, hace que la estadística
sea en el presente una importante herramienta de trabajo.
El presente trabajo nos muestra conceptos de distribución de probabilidad, siendo esta
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.
Se pueden dividir en continuas y discretas.
Dentro de las discretas encontramos los modelos de binomial, geométrica,
hipergeométrica, de poisson.
Dentro de las continuas los modelos más utilizados son el normal y logarítmico-normal,
entre otros.
Todo lo anterior se especificará en las páginas siguientes.

Gracias.

1
 DISTRIBUCION BINOMIAL O DE BERNOULLI

La distribución de probabilidad binomial y de Bernoulli es una variable aleatoria discreta que se

presenta con mucha frecuencia. Consiste en repetir un experimento n veces, todos los eventos son
independientes entre sí, las probabilidades de éxito y fracaso permanecen constantes, los
resultados del experimento o los resultados evento solo pueden ser éxito o fracaso, esto es un
rasgo principal de una distribución binomial, consiste en que solo hay dos posibles resultados en
determinado intento de un experimento.

Características de la distribución binomial.

a- Los experimentos tienen dos tipos de resultados, uno que es lo que se espera que ocurra o
lo contrario, denominados éxitos o fracaso.
b- Las probabilidades de estas deducciones son constantes, es decir, no cambian.
c- Cada ensayo o repetición, se diferencia el uno del otro porque son independientes entre
ellos.
d- El total de ensayos es una constante n.

Ejemplos 01:

La probabilidad de que cierto estudiante repruebe de 0-2 materias es de 0.45. Si estudia durante 3
años y luego se retira para regresar después de un tiempo. ¿Cuál es la probabilidad de que cuando
regrese repruebe por lo menos una materia?

p= 0.45
q= 0.55
x= 1
n= 3

Media: Varianza: Desviación Estándar:

2
μ=np σ =np(1−p) σ =√ np(1−p)
2
μ=(3)(0.45) σ =(3)(0.45)(0.55) σ =√(3)(0.45)(0.55)
μ=1.35 σ 2=0.74 σ =0.86

2
 DISTRIBUCIÓN DE POISSON

La distribución de poisson pertenece a las distribuciones de probabilidad de una variable de tipo

discreta, esta brinda una serie de posibles ocurrencias dentro de un suceso por un número
indeterminado de veces en un intervalo específico de medida calculable, que puede corresponder
a: área, tiempo, distancia, volumen.

Características de la distribución de Poisson.

La distribución debe desempeñar las siguientes restricciones:
a- La variable aleatoria X es las veces que el evento se repite durante un intervalo.
b- Los sucesos deben ser aleatorias.
c- Los eventos tienen que ser independientes entre sí.
d- Los eventos deben estar idénticamente distribuidas dentro del intervalo que se emplea.
e- La distribución de poisson únicamente se ve afectada por el valor de la media μ, a la
paradójica distribución binomial que se veía afectada por el tamaño de la muestra y la
probabilidad.
Aplicaciones:
1- Defectos de nacimiento y mutaciones genéticas.
2- Enfermedades como la leucemia.
3- Accidentes automovilísticos.
4- Número de errores de escritura en una página
5- Fallos de una maquina en un mes.

La representación de la función de probabilidad está proporcionada por la siguiente formula:

e−μ μ x
f ( x=k )=( )
x!

Donde:
k: observación planteada.
e = 2.718281
x: número de ocurrencias.
μ: la medida de cantidad de veces de éxito que representa un evento en un intervalo particular, es
decir, el promedio de ocurrencia de evento.

3
 Distribución de Poisson.

Ejemplo 01.

Un hospital de la ciudad de Guayaquil analiza los nacimientos de bebes varones. Si se conoce que
en una semana nacen una media de siete varones, determinar:

Probabilidad de que nazcan tres varones en una semana.

x = nacimientos de bebés varones.

μ=¿ nacimiento de siete bebes varones a la semana.

e−μ μx e−7 73
f ( x=k )= ( x! ) (
; P ( x =3 )=
3! )=0.052

Lo que significa que la probabilidad de que nazcan tres varones en una semana, será del 5.2%

Ejemplo 02.

En una fábrica de textiles, se presenta un promedio μ de tres accidentes al mes, determine:

a- La probabilidad de que no ocurra ningún accidente al mes.

μ = 3 accidentes por mes.

X=0
e−3 3 0
P ( x=0 )= ( 0! )=0.04978

Existe la probabilidad del 4.98% de que no ocurra algún accidente.

b- De que ocurran como máximo dos accidentes al mes.
μ = 3 accidentes por mes.
X = 0, 1, 2
P ( x ≤ 2 )=P ( x=0 ) + P ( x=1 ) + P ( x=2 )

e−3 30 e−3 31 e−3 32

(
P ( x) =
0!
+)(1!
+ )(
2! )
=0.3485

Existe la probabilidad del 34.85% de que ocurran dos accidentes.

4
 DISTRIBUCIÓN HIPERGEOMETRICA

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 (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 sea seleccionado aumenta con cada ensayo,
presuponiendo que aún no haya sido seleccionado.
Los tipos de aplicaciones de la distribución hipergeométrica son muy similares a los de la
distribución binomial. Nos interesa el cálculo de probabilidades para el número de observaciones
que caen en una categoría especifica.
La distribución de probabilidades de la variable aleatoria hipergeométrica x, el número de éxitos
en una muestra aleatoria de tamaño n que se selecciona de N artículos, en los que k se denomina
éxito y N-k fracaso.

N= tamaño de población
k N −k
( )( )
p ( X=x ) =
x n−x
K= individuos en éxito
n= tamaño de la muestra
N
( )
n
x= valor que toma la variable

Media, varianza y desviación típica de esta distribución están dadas por:

nk
μ=
N
k k N−n
σ 2=n (1− ) •
N N N−1
k k N−n
σ= n
√ N
(1− )•
N N−1

Características de la distribución hipergeométrica:

1- Cada ensayo produce un resultado que se puede clasificar como éxito o fracaso.
2- La variable aleatoria es el digito de éxitos de un número fijo de pruebas.
3- Las pruebas no son independientes.
4- Los muestreos se ejecutan con una muestra finita sin reemplazos. Por tanto, la
probabilidad de éxito cambia en cada prueba.

5
 Distribución Hipergeométrica.
Ejemplo 01: Varios lotes con 40 dispositivos cada uno que contengan 3 o más imperfecciones
inadmisibles. El procedimiento para obtener muestras del lote consiste en seleccionar 5
dispositivos al azar y rechazar el lote si se encuentra un componente imperfecto. ¿Cuál es la
probabilidad de que, en la muestra, se encuentre exactamente un dispositivo imperfecto, si en
todo el lote hay 3 imperfectos?

Calcule la media y la varianza de la variable aleatoria.

n= 5 (dispositivos seleccionados)
N= 40 (lote de dispositivos)
k= 3 (dispositivos rechazados)
x= 1, encontremos
3 40−3
p ¿) =
( 1 )( 5−1 )
40
= 0.3011 → 30.11 %
(5)
Este plan no es adecuado porque solo el 30% de los intervalos detecta un lote malo con tres
dispositivos imperfectos.

nk ( 5)(3) 3
μ= = = =0.375
N 40 8
k k N−n 3 3
σ 2=n
N (
1− • )
N N −1
=( 5 )
40
1− ( )(
40 )( 40−5
40−1 )
=0.3113

Ejemplo 02: Se usa aleatoriamente a 10 individuos para un estudio de caso médico. El grupo posee
3 individuos con sangre tipo O, 4 con sangre tipo A y 3 con sangre tipo B. ¿Cuál es la probabilidad
de que una muestra aleatoria de 5 contenga 1 persona con sangre tipo O, 2 personas con tipo A y
2 personas con tipo B?

3 4 3
P ( 1,2,2; 3,4,3 ; 10 ,5 )=
( 1 )( 2 )( 2 ) 3
= =0.214 → 21.42 %
( 5 ) 14
10

6
 DISTRIBUCION NORMAL

▼ Distribución Normal.

Se trata, sin duda, del modelo continuo más importante en estadística, tanto por su aplicación
directa, veremos que muchas variables de interés general pueden describirse por dicho modelo,
como por sus propiedades, que han permitido el desarrollo de numerosas técnicas de inferencia
estadística. En realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
creyó, por parte de médicos y biólogos, que todas las variables naturales de interés seguían este
modelo.

Su función de densidad viene dada por la fórmula:

2
− ( x− μ)
1 2σ
2

f ( x )= e
σ √2 π
que, como vemos, depende de dos parámetros μ (que puede ser cualquier valor real) y σ (que
ha de ser positiva). Por esta razón, a partir de ahora indicaremos de forma abreviada que una
variable X sigue el modelo Normal así: X ~ N (μ, σ). Por ejemplo, si nos referimos a una
distribución Normal con μ = 0 y σ = 1 lo abreviaremos N (0, 1).

Grafica de la Función Normal

7
 Propiedades de la distribución normal:
1- La distribución normal tiene forma de campana.
2- La distribución normal es una distribución de probabilidad que tiene media μ=0 y
desviación estándar σ =1
3- El área bajo la curva o la probabilidad desde menos infinito a más infinito vale 1.
4- La distribución normal es simétrica, es decir cada mitad de curva tiene un área de 0.5.
5- La escala horizontal de la curva se mide en desviaciones estándar.
6- La forma y la posición de una distribución normal dependen de los parámetros μ y σ , en
consecuencia, hay un número infinito de distribuciones normales.

Existe una relación del porcentaje de población a la desviación estándar. En la figura

observamos por ejemplo que el área bajo la curva para ± 1σ tiene un porcentaje de 68.26%,
± 2 σ =95.46% y ± 3 σ =99.73%

8
Ejemplo 01:

En una ciudad se estima que la temperatura máxima en el mes de junio sigue una distribución
normal, con media 23° y desviación típica 5°.
 Calcular el número de días del mes en los que se espera alcanzar máximas entre 21° y 27°

X−μ
Utilizando la fórmula Z= vamos a sustituir el valor de la media (23), y la desviación
σ
típica ( 5 ).

Buscamos los valores correspondientes en la tabla de distribución normal:

Por lo tanto:

9
 Esto quiere decir que, en todo el mes, solo 13 días alcanzarán temperaturas entre 21 y 27 grados.

APROXIMACIÓN DE LA NORMAL A LA BINOMIAL

La distribución binomial, es una distribución discreta en la que n ensayos pueden producir un éxito

o un fracaso.  La probabilidad de éxito la denominamos p y la posibilidad de fracaso será q = (1 - p).
Como se ha visto en otros apartados el cálculo de la distribución binomial puede exceder el límite
de cualquier tabla y volverse muy engorrosa en su cálculo si el valor de n es muy grande.
 Un método alternativo para el cálculo de la distribución binomial es por medio del uso de la
distribución normal para aproximar la distribución binomial.  Para ello es fundamental que se
satisfagan las siguientes condiciones, np  ≥ 5 y n(1 - p)  ≥  5 y además p está próximo a 0,5.  
 Si no se pudieran utilizar las tablas binomiales, se puede aproximar la respuesta utilizando la
distribución normal. Para ello podemos obtener la media y la desviación estándar de la
distribución normal con las siguientes fórmulas:
μ=np σ= √ npq
Debido a que la distribución normal es continua, y en consecuencia entre dos valores existirá una
serie infinita de valores posibles, para estimar una variable aleatoria discreta se requiere de un

10
leve ajuste, denominado factor de corrección de continuidad, sumando o restando 1/2 al valor de
x. De esta forma el valor de z se obtiene mediante la fórmula:

1
z=
( x + )−μ
2
σ
Ejemplos 01:

El 45% de todos los empleados de una dependencia pública poseen título que los acredita para el
puesto. ¿Cuál es la probabilidad de que de los 160 empleados elegidos al azar 75 posean título
para el puesto?

Solución:

Datos: n = 160, x = 75, p = 0,45, q = 0,55

μ=np ; μ=160 •0.45=72

σ =√ npq ; σ =√160 • 0.45• 0.55=6.29

1
z=
( x + )−μ
2
=
75.5−72
=0.56 → area=0.21226
1
σ 6.29
1
z=
( x + )−μ
2
=
74.5−72
=0.40 → area=0.15542
2
σ 6.29
Luego para P(74.5 ≤ x ≤75.5) = 0.21226-0.15542 = 0.05684 ≈ 5.68%

La probabilidad de que 75 empleados elegidos aleatoriamente posean título para el cargo es del
5.68%.

CONCLUSIONES

Concluimos entonces que son todos estos análisis elaborados los que permiten
tener una perspectiva distinta de cada problema presente, de cada situación que es
sometida al análisis estadístico, teniendo como herramientas las distintas técnicas
o modelos utilizados como los ya mencionados anteriormente.

11
Es la estadística y la probabilidad herramientas indispensables en la vida actual, y
muy útiles desde diferentes disciplinas de la actividad humana.
Gracias.

12