Unidad IV Distribuciones Discretas de Probabilidad

-Valor esperado o Esperanza Matemática.

La esperanza matemática, también llamada valor esperado, es igual al sumatorio de las
probabilidades de que exista un suceso aleatorio, multiplicado por el valor del suceso
aleatorio. Dicho de otra forma, es el valor medio de un conjunto de datos. Esto, teniendo en
cuenta que el término esperanza matemática está acuñado por la teoría de la probabilidad.

Mientras que en matemáticas, se denomina media matemática al valor promedio de un suceso

que ha ocurrido. En distribuciones discretas con la misma probabilidad en cada suceso, la
media aritmética es igual que la esperanza matemática

Distribución Binomial.

Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados bajo
esta distribución de probabilidad. Imaginemos el lanzamiento de una moneda en el que
definimos el suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y contamos los
éxitos (sacar cara) que obtenemos, nuestra distribución de probabilidades se ajustaría a una
distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos en la
que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra variable
aleatoria.

Características.
En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que la
moneda no cambia en cada experimento y las probabilidades de sacar cara son constantes.

La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la letra q =

1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q, podemos
obtener la que nos falte.

El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto, lo que
ocurra en cada experimento no afecta a los siguientes.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo tiempo.
No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda salga cara y cruz
al mismo tiempo.

Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir. Si
no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha de salir cruz.
La variable aleatoria que sigue una distribución binomial se suele representar como X~(n,p),
donde n representa el número de ensayos o experimentos y p la probabilidad de éxito.
Usos de tablas.
Supongamos que lanzamos al aire una moneda trucada. Con esta moneda la probabilidad de
obtener cara es del 30%. La probabilidad que salga cruz será, pues, del 70%. Lanzamos la
moneda 10 veces de manera consecutiva. Si queremos calcular la probabilidad de que
observemos 6 caras o menos nos fijamos en la tabla: localizamos n=10, x=6, p=0.3 y buscamos
la intersección: 0.9894

Aplicaciones al campo Administrativo.

En las empresas tenemos muchas situaciones donde se espera que ocurra o no un evento
específico. Éste, sólo puede ser de éxito o fracaso. Por ejemplo, en la producción de una pieza,
ésta puede salir buena o defectuosa. Para situaciones como éstas se utiliza la distribución
binomial.

Distribución de Poisson.

La distribución de Poisson es una distribución de probabilidad discreta que modeliza la

frecuencia de eventos determinados durante un intervalo de tiempo fijado a partir de la
frecuencia media de aparición de dichos eventos.
En otras palabras, la distribución de Poisson es una distribución de probabilidad discreta que,
tan solo conociendo los eventos y su frecuencia media de ocurrencia, podemos saber su
probabilidad.

Representación

Dada una distribución de Poisson con media 2, la distribución de probabilidad de densidad es

la siguiente:

Características.
1. Una distribución particular de Poisson está determinada solamente por la media μ.
2. Una distribución de Poisson tiene posibles valores x de 0, 1, 2,..., sin límite superior.

En base a la definición proporcionada, la distribución de Poisson permite conocer la

probabilidad de que ocurra un determinado número de eventos durante un período de
tiempo definido o en un área determinada. Por tal motivo, algunas de sus aplicaciones en las
ciencias pueden ser:

Calcular el número de mutaciones de determinada cadena de ADN después de estar

expuesta a cierta cantidad de radiación.

Calcular el número de núcleos atómicos inestables que se han desintegrado en un

determinado período.

Calcular el número de estrellas en un determinado volumen de espacio.

Ejemplo

Suponemos que estamos en temporada de invierno y queremos ir a esquiar antes de

diciembre. La probabilidad que abran las estaciones de esquí antes de diciembre es del 5%. De
las 100 estaciones de esquí, queremos saber la probabilidad de que la estación de esquí más
cercana abra antes de diciembre. La valoración de esta estación de esquí es de 6 puntos.

Los inputs necesarios para calcular la función de probabilidad de densidad de la Poisson son el
conjunto de datos y mu:

Conjunto de datos = 100 estaciones de esquí.

Mu = 5% * 100 = 5 es el número de estaciones de esquí esperado dado el conjunto de datos.

Función de densidad de probabilidad de Poisson

Entonces, la estación más cercana tiene una probabilidad de 14,62% de que abra antes de
diciembre.

Uso de tablas.
TABLA DE DISTRIBUCION POISSON
Aplicaciones.
Contador de Geiger. Es un instrumento para medir la radiactividad de un objeto o zona. Se
utiliza la distribución de Poisson para calcular el comportamiento estadístico de la radiación y
así poder establecer su nivel.
Operaciones bursátiles. En el mundo de los mercados y la bolsa se utiliza la distribución de
Poisson para calcular el riesgo de las operaciones en los tiempos de espera entre transacciones
financieras.
Contador de personas. Los contadores de personas que habitualmente se utilizan en los
comercios para saber el número de personas que entran en su establecimiento durante un
periodo de tiempo (número de clientes en la última hora, por ejemplo).
Otras aplicaciones. Otros ejemplos del uso de esta distribución son el cálculo de las llamadas
de teléfono que se reciben en un día en una centralita, hallar el número de bacterias que hay
en un volumen de determinado de agua, el número de peticiones de servicio diarias de un
servidor web, establecer el riesgo de crédito en una operación de financiación, calcular la
cantidad de estrellas en un determinado volumen espacio o el número de accidentes por año
registrados por una compañía de seguros.

Bibliografía
José Francisco López, 12 de octubre, 2017
Esperanza matemática. Economipedia.com
Francisco Javier Marco Sanjuán, 16 de noviembre, 2017
Distribución binomial. Economipedia.com
2] Montiel, A.M.; Rius, F.; Barón F.J. (1997). Elementos básicos de Estadística Económica y
Empresarial. (2a Ed.) Prentice Hall, Madrid.
Paula Rodó, 04 de noviembre, 2020
Distribución de Poisson. Economipedia.com