UNIVERSIDAD ALFA Y OMEGA CANCÚN

ESTADISTICA

EQUIPO 1
4 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

DOCENTE: LIA. Fernando Xavier Pineda Mongeote

Integrantes:

Yaridt Jesús Pérez Banda

Karina Mayte Hernandez León

Alejandro Jiménez Martínez

Iván Gonzales Quevedo

Elizabeth Coloriano Coba

Cancún, Q.Roo. Fecha: 24-02-22

 INTRODUCCIÓN.

Una distribución de probabilidad indica toda la gama de valores que pueden representarse

como resultado de un experimento. Una distribución de probabilidad es similar al
distribución de frecuencias relativas .Sin embargo, en vez de describir el pasado, describe la
probabilidad que un evento se realice en el futuro, constituye una herramienta fundamental
para la prospectiva, puesto que se puede diseñar un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos fenómenos naturales.

Las decisiones estadísticas basadas en la estadística inferencial son fundamentales en la

investigación que son evaluadas en términos de distribución de probabilidades.

En el presente trabajo, se estudia de manera ágil los diverso tipos de distribución

probabilística, caracterizaremos cada distribución, la fundamentación matemática de los
diversos resultados no se enfocaran en el presente trabajo; sólo me limitaré al estudio
descriptivo de la distribución de probabilidades discretas.
4 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
 4.1 CONCEPTO DE DISTRIBUCIÒN DE PROBABILIDAD PARA
VARIABLES ALEATORIAS DISCRETAS
¿Cuándo podemos considerar que una V.A. es discreta? Se dice que hemos definido una
variable aleatoria para un experimento aleatorio cuando hemos asociado un valor numérico a cada
resultado del experimento. Para designar a las variables aleatorias, se utilizan letras mayúsculas X,
Y, ..., y las respectivas minúsculas (x, y, ...) para designar valores concretos de las mismas.
Existen varios tipos de V.A.: variables cualitativas o atributos por un lado y variables cuantitativas
por otro. Dentro de estas últimas podemos diferenciar entre cuantitativas continuas y cuantitativas
discretas. Una variable aleatoria es discreta cuando sólo puede tomar unos ciertos valores enteros en
un número finito de valores o infinito numerable. Por ejemplo, número de caras obtenidas al lanzar
tres monedas: 0, 1, 2, 3. Las variables discretas representan algo que podemos contar, y no suelen
llevar decimales.
Función de Probabilidad
Sea una V.A. discreta X, que toma los valores x1, x2, ..., xn y se conocen las probabilidades de que
la variable X tome dichos valores. Una función de probabilidad no es más que la asignación a cada
valor de la variable de la probabilidad que le corresponde. Es decir:
f(xi)= P(X=xi)
Es una idealización de la correspondiente distribución de frecuencias ya que en realidad se está
estimando las frecuencias absolutas fi y relativas hi de forma experimental o empírica. También se
llama función de cuantía o masa.
Características:
• A cada valor de la variable aleatoria xi le hacemos corresponder una probabilidad esperada
teórica pi.
• Se representa gráficamente mediante un diagrama de barras.
• La suma de todas las probabilidades esperadas es uno.
Ejemplo.
Un dado simétrico tiene tres caras iguales con una puntuación de 6 en cada cara, en otras dos
de las caras la puntuación es de 5 en cada una y en la cara restante la puntuación es de 1.
Obtener la función de probabilidad o cuantía de la variable X.
Función de Distribución
En muchas ocasiones no nos interesa conocer la probabilidad de que la variables aleatoria X tome
exactamente un determinado valor xi, sino que puede interesarnos determinar la probabilidad de que
tome valores menores o iguales que un cierto valor xi. En tales casos es necesario acumular los
distintos valores de la función de probabilidad hasta el valor deseado. Es lo que se denomina
función de distribución y se representa por F (X).
Es decir, ordenados los posibles valores de la variable aleatoria de menos a mayor, se asocia a cada
valor de la misma la probabilidad acumulada hasta ese valor, es decir, que tome valores menores o
iguales a xi.
Características:
⇒ F(‐∞)=P(X ≤ ‐∞)=0
⇒ F(∞)=P(X ≤ ∞ )=1
⇒ 0 ≤ F(X) ≤ 1 por ser F(X) una probabilidad
⇒ F(X) es no decreciente. Esta propiedad se puede demostrar como sigue: “Sea b>a, entonces
podemos definir, F(b) = F(a) + P(a<X≤b)
Y como toda probabilidad es ≥ 0 F(b) es ≥ F(a)” Su representación gráfica tiene forma escalonada,
siendo los saltos coincidentes con las probabilidades correspondientes a los valores xi de la variable
X
Conociendo la Función de Distribución de una determinada V.A., es posible calcular la
probabilidad de que dicha variable se halle en un cierto intervalo [a, b].

 4.2 MEDIA, VARIANZA Y DESVIACIÓN ESTÁNDAR.

Media Aritmética
La media aritmética es el valor obtenido al sumar todos los datos y dividir el resultado entre el
número total de datos. Denotamos la media con el símbolo
y la calculamos de la siguiente manera:

En donde cada x_i representa uno de nuestros datos y N es el número total de datos que tenemos.
Ejemplo: La papelería Tony, realizó 5 cotizaciones de paquetes de hojas fosforescentes a diferentes
proveedores. 1 le cotizó a 100, el segundo a 95, el tercero a 85, el cuarto a 85 y el ultimo a 70. La
empresa quiere saber el precio promedio de cada paquete, para sacar su valor.
Varianza
La varianza es una medida de dispersión que representa la variabilidad de una serie de datos
respecto a su media. Formalmente se calcula como la suma de los residuos al cuadrado divididos
entre el total de observaciones.

La desviación estándar
La desviación estándar o desviación típica (σ) es una medida de centralización o dispersión para
variables de razón (ratio o cociente) y de intervalo, de gran utilidad en la estadística descriptiva.
Se define como la raíz cuadrada de la varianza. Junto con este valor, la desviación típica es una
medida (cuadrática) que informa de la media de distancias que tienen los datos respecto de su media
aritmética, expresada en las mismas unidades que la variable.
Se caracteriza por ser el estadígrafo de mayor uso en la actualidad. Se obtiene
mediante la aplicación de la siguiente fórmula:

 4.3 DISTRIBUCION BINOMINAL

Una distribución binomial es una distribución de probabilidad discreta que describe el número
de éxitos al realizar n experimentos independientes entre sí, acerca de una variable aleatoria.
 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.

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:

• 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.

Formula de la distribución binomial

La fórmula para calcular la distribución normal es:

Dónde:

n= Número de ensayos/experimentos x = Número de éxitos

p=
Probabilidad de éxito
q=
Probabilidad de
fracaso (1-p)
 Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino que
es un resultado de una combinatoria sin repetición. Este se obtiene con la siguiente formula:

El signo de exclamación en la expresión anterior representa el símbolo de factorial.

Ejemplo de distribución binomial

Imaginemos que un 80% de personas en el mundo ha visto el partido de la final del último
mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la probabilidad de
que 3 de ellos hayan visto el partido?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad de que
3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8) q = probabilidad de fracaso (0,2). Este resultado se

obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el denominador

tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado del factorial sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el segundo 0,2 (dado que
4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100 tenemos
que hay una probabilidad del 40,96% de que 3 de los 4 amigos haya visto el partido de la final del
mundial.

En una distribución de Poisson, se cumplen siempre los siguientes supuestos:

i) la variable aleatoria es el número de veces que ocurre un evento durante un intervalo definido. El
intervalo puede ser tiempo, distancia, área, volumen o alguna unidad similar.

X = número de veces que ocurre un evento durante un intervalo definido

La probabilidad de ocurrencia es la misma para cualesquiera 2 intervalos de igual

longitud.
La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia
o no ocurrencia en cualquier otro intervalo. iv) dos eventos no pueden ocurrir
exactamente al mismo tiempo. Si se cumplen esas condiciones, la variable aleatoria
discreta X sigue una distribución de Poisson y podemos aplicar la fórmula de la
distribución de Poisson.
Aquí algunos ejemplos típicos de variables aleatorias que siguen una distribución de
Poisson:

• El número de clientes que ingresan a un supermercado en un día.

• El número de accidentes registrados en una fábrica durante una semana.
• El número de llamadas que recibe una central telefónica en el período de un
minuto.
• El número de bacterias en un volumen de un litro de agua.
• El número de vehículos que llegan a una gasolinera en una hora.
• El número de fallas en la superficie de una pieza de cerámica rectangular.
• El número de toxinas en partes por millón encontradas en un litro de agua de un
río.

 4.4 Distribución de Poisson

Se dice que una variable aleatoria discreta X tiene una distribución de Poisson con parámetro
(μ>0) si la función de probabilidad de X es:

Donde:

• f(x) = P(X=x): probabilidad de x ocurrencias en un intervalo.

• μ: valor esperado o media de X.
• e: base de los logaritmos naturales. Su valor es 2,71828… Además, en
una distribución de Poisson:

• La media de X es igual a μ.  La varianza de X es igual a μ.

Ejemplos:
La veterinaria de Jorge recibe un promedio de μ = 4 pacientes por día. Sabiendo que el
número de pacientes que llegan en un día sigue una distribución de Poisson, calcular:

a) la probabilidad de que lleguen 3 pacientes en un día.

Primero definimos nuestra variable aleatoria:

X = número de pacientes que llegan en un día.

Además, nos indican que esta variable aleatoria X sigue una distribución de Poisson,
entonces podemos
aplicar la fórmula:
Calculamos la probabilidad de que lleguen 3 pacientes en un día, es decir, f
(3). Además, el enunciado nos indica que llegan en promedio 4 pacientes por
día, es decir, μ = 4.

La probabilidad de que lleguen 3 pacientes en un día es de 0,1954 o 19,54 %.

b) la probabilidad de que lleguen 5 pacientes en un día. Calculamos la

probabilidad de que lleguen 5 pacientes en un día, es decir, f (5). Además, el
enunciado nos indica que el enunciado que llegan en promedio 4 pacientes por
día, es decir, μ = 4.

La probabilidad de que lleguen 5 pacientes en un día es de 0,1563 o 15,63 %.

La distribución de Poisson es una distribución de probabilidad discreta que tiene múltiples

aplicaciones. Veamos la teoría y los ejercicios que hemos preparado.
La distribución de Poisson fue propuesta por primera vez por Simeón Poisson en libro
publicado en 1837. A medida que pasaron los años, el número de aplicaciones comenzó a
aumentar, sobre todo el siglo XX y con la aparición de las computadoras en el siglo XXI
permitió incrementarlas aún más. La distribución de Poisson es una distribución de
probabilidad discreta, que describe el número de veces que ocurre un evento durante un
intervalo específico; el cual puede ser de tiempo, distancia, área, volumen, entre otros. Por
ejemplo, son variables de Poisson: el número de llamadas que recibe una central telefónica
en el período de 1 minuto, el número de bacterias en un volumen de 1 litro de agua o el
número de fallas en la superficie de una pieza de cerámica rectangular.

 4.5 Aproximación de la Distribución Binomial a la

Distribución de Poisson.

Veremos ahora la comparación entre las probabilidades obtenidas con la distribución binomial y la
distribución de Poisson. Ya hemos visto que la distribución de Poisson es un límite de la
distribución binomial cuando n tiende a infinito y p tiende a 0 (o a 1).

En matemáticas, especialmente en Teoría de probabilidades, la aproximación de Poisson de la

distribución binomial se puede emplear, cuando hay un resultado diferente sobre la probabilidad
de que ocurra una cantidad determinada de éxitos en una serie de experimentos independientes.

Esta aproximación es, particularmente, ventajoso en el caso de que la probabilidad de éxito es

pequeña y la cantidad de experimentos es bastante grande.

Proposición

Para cualquier número natural n se tiene una serie de n experimentos independientes con
probabilidad de éxito igual a λ/n en cada experimento; la constante λ es positiva y arbitraria.
Asumamos que Mn es la cantidad de éxitos en la serie n-ésima. Entonces se cumple:

P( μn = m) → e-λ ×(λm ÷ m!) cuando n → ∞

Ejemplo:

La probabilidad de dar en un blanco en cada disparo es de 0.01. Hallar la probabilidad de que

suceda, por lo menos, un acierto en 400 disparos.

Solución

Se tiene P (μ400 = 0) ≈ e-400(0.019 = e-4 = 0.0183, de modo que

P (μ400 ≥ 1) = 1 - P(μ400 = 0) ≈ 0.9817

  4.6 Distribución hipergeométrica.
Hasta ahora hemos analizado distribuciones que modelaban situaciones en las que se realizaban pruebas
que entrañaban una dicotomía (proceso de Bernouilli) de manera que, en cada experiencia, la
probabilidad de obtener cada uno de los dos posibles resultados se mantenía constante. Si el proceso
consistía en una serie de extracciones o selecciones ello implicaba la reposición de cada extracción o
selección, o bien la consideración de una población muy grande (cartas en un casino). Sin embargo, si la
población es pequeña y las extracciones no se remplazan, las probabilidades no se mantendrán
constantes. La distribución hipergeométrica viene a cubrir esta necesidad de modelar procesos de
Bernouilli con probabilidades no constantes (sin reemplazamiento).

La distribución hipergeométrica 
es especialmente útil en todos aquellos casos en los que se extraigan muestras o se realicen experiencias
repetidas sin devolución del elemento extraído o sin retornar a la situación experimental inicial.
Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones pequeñas y en el
cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones en el control de calidad para 
procesos experimentales en los que no es posible retornar a la situación de partida.

Las consideraciones a tener en cuenta en una distribución hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables de entre un conjunto de "N"
pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados mutuamente excluyentes.
 El número de individuos que presentan la característica A (éxito) es "k".
 En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con p+q=1.

En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”. La función de

probabilidad de esta variable sería:

La media, varianza y desviación típica de esta distribución vienen dadas por:

EJEMPLO 1:
Supongamos la extracción aleatoria de 8 elementos de un conjunto formado por 40 elementos totales
(cartas baraja española) de los cuales 10 son del tipo A (salir oro) y 30 son del tipo complementario (no
salir oro).
Si realizamos las extracciones sin devolver los elementos extraídos y llamamos X al número de
elementos del tipo A (oros obtenidos) que extraemos en las 8 cartas; X seguirá una distribución
hipergeométrica de parámetros 40 , 8 , 10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:

EJEMPLO 2:
De cada 20 piezas fabricadas por una máquina, hay 2 que son defectuosas. Para realizar un   control de
calidad, se observan 15 elementos y se rechaza el lote si hay alguna que sea defectuoso. Vamos a
calcular la probabilidad de que el lote sea rechazado.

Cuando N es muy grande, como criterio se suele considerar N > 10n, la distribución hipergeométrica se
puede aproximar por la binomial B( n, p )  con p = k/N.
En la siguiente escena puedes observar la función de probabilidad de la distribución hipergeométrica.
Puedes cambiar los diferentes parámetros que configuran dicha distribución y observar cómo cambia
esta función a medida que se varía alguno de ellos. Extrae tus propias conclusiones. Así mismo, puedes
utilizar también la escena como calculadora directa que permite resolver situaciones concretas que se
puedan plantear en problemas específicos. Lógicamente hay un límite para los valores de la población de
manera que la escena funcione con fluidez (valores menores de 200).

Conclusión
La distribución de probabilidad, describe el comportamiento de fenómenos estadísticos es
decir, es un listado de las probabilidades de todos los resultados posibles que podrían
presentarse si se efectúa un experimento. En la distribución discreta, las variables asumen
un número limitado de valores, por ejemplo el número de años de estudio y en la
distribución continua, las variables en estudio pueden asumir cualquier valor dentro de
determinados límites, por ejemplo la estatura de un estudiante. Son las probabilidades que
se asocian a cada uno de los valores que toma la variable aleatoria x. La distribución de
probabilidad para una variable aleatoria discreta, son las relaciones de los resultados y sus
probabilidades de las frecuencias observadas. Existen varios modelos matemáticos que
representan diversos fenómenos discretos de la vida real.

BIBLIOGRAFIA

1. Probabilidad y Estadistica para Ingenieria, William W, Douglas C, David M,

CECSA, 1. Mexico 2005
2. Probabilidad, Elizabeth Meza,del Castillo, CONCYTEC, Lima Peru, 1984
3. Estadística aplicada , Lothar Sachs , Editorial Labor,s.a. Barcelona 1978