‘‘UNIVERSIDAD DEL PUEBLO Y PARA EL PUEBLO’’ 26

Octubre
LIC.QUIMICO FARMACEUTICO BIOLOGO
BIOESTADISTICA

UNIDAD IV
DISTRIBUCIONES DE
PROBABILIDAD DRA.ROSIO
SÁNCHEZ OLÁN

NOMBRE DE LOS INTEGRANTES

SHERLYN DEL CARMEN ALEJANDRO GONGORA
VICTOR DANIEL BARAHONA MORENO
GISSELLE IRENIA RODRIGUEZ CORDOVA
DIANA PAOLA ZACARIAS ROMERO
  ¿QUE ES?

Es aquella que permite establecer toda la gama de

resultados probables de ocurrir en un experimento
determinado. Es decir, describe la probabilidad de
que un evento se realice en el futuro.
La distribución de Pascal debe su nombre al matemático francés Blaise Pascal (1623-
1662), uno de los matemáticos que creó las bases de la teoría
 4.1 BINOMIAL

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.
 APLICACION

• La definición del sexo de un bebé

• El que pase o repruebe un examen.
 HISTORIA

La distribución binomial fue desarrollada por

Jakob Bernoulli (Suiza,1654-1705) y es la
principal distribución de probabilidad discreta
para variables dicotómicas, es decir, que sólo
pueden tomar dos Page 3 La distribución
binomial 3 posibles resultados.
  FORMULA BINOMIAL 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
Donde:
con la siguiente formula:

n = Número de ensayos/experimentos

x = Número de éxitos

p = Probabilidad de éxito

q = Probabilidad de fracaso (1-p)

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

 SOLUCION
Imaginemos que un 80% de
personas en el mundo ha visto el n =4
partido de la final del último x = número de éxitos, que en este caso es igual a 3,
mundial de fútbol. Tras el p = probabilidad de éxito (0,8)
evento, 4 amigos se reúnen a
conversar, ¿Cuál es la q = probabilidad de fracaso (0,2).
probabilidad de que 3 de ellos
hayan visto el partido?
 EJEMPLO

 SOLUCION
El numerador del 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.
  ACTIVIDAD
La probabilidad de que un hombre acierte
en el blanco es .

Si dispara 10 veces

1¿Cuál es la probabilidad de que acierte

exactamente en tres ocasiones?

2 ¿Cuál es la probabilidad de que acierte

por lo menos en una ocasión?
 4.2 HIPERGEOMÉTRICA
La distribución
Hipergeométrica es una
de las distribuciones de
probabilidad discreta.
  ¿PARA QUÉ SE UTILIZA?

Se utiliza para calcular la

Enteoríadelaprobabilidadladistribución
probabilidad de una
hipergeométricaesunadistribucióndiscr
selección aleatoria de un
etarelacionadaconmuestreosaleatorios
objeto sin repetición.
ysinreemplazo.
CONSIDERACIONES A TENER EN CUENTA
EN UNA DISTRIBUCIÓN HIPERGEOMÉTRICA:

El proceso consta Cada una de las El número de En la primera

de "n" pruebas, pruebas puede individuos que prueba las
separadas o dar únicamente presentan la probabilidades
separables de dos resultados característica A son: P(A)= p y
entre un conjunto mutuamente (éxito) es "k". P(A)= q; con p+q=1.
de "N" pruebas excluyentes.
posibles.
En estas condiciones, se define la
variable aleatoria X = “nº de éxitos
obtenidos”. La función de probabilidad
de esta variable sería:
  EJEMPLO (SIN DATOS)

Suponga que se tiene una población de N Elementos delos

cuales, d pertenecen a la categoría A y N-d a la B

 La distribución hipergeométrica mide la probabilidad

de obtener x () elementos de la categoría A En una
muestra sin reemplazo de n elementos de la
población original.
 FORMULA FACTORIAL
  DONDE

n: tamaño de la muestra
N: población
K o a: número de éxitos en la
población
X: número de éxitos en la
muestra
 EJEMPLO
 SOLUCION
 ACTIVIDAD
 4.3 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.
  HISTORIA
El nombre de esta distribución
proviene de su creador, Siméon-
Denis Poisson (1781-1840), un
matemático y filósofo francés, que
quería modelar la frecuencia de
eventos durante un intervalo de
tiempo fijado. También participó en
perfeccionar la ley de los grandes
número
  APLICACIÓN

La distribución de Poisson se utiliza en el campo de

riesgo operacional con el objetivo de modelar las
situaciones en que se produce una pérdida operacional.
En riesgo de mercado se emplea el proceso de Poisson
para los tiempos de espera entre transacciones
financieras en bases de datos de alta frecuencia.
También, en riesgo de crédito se tiene en cuenta para
modelar el número de quiebras
Sus principales Otro de sus usos
aplicaciones hacen frecuentes es la Otro de sus usos
referencia a la consideración límite frecuentes es la
modelización de de procesos consideración límite
situaciones en las que nos dicotómicos de procesos
interesa determinar el reiterados un gran dicotómicos
número de hechos de número de veces si reiterados un gran
cierto tipo que se pueden la probabilidad de número de veces si la
producir en un intervalo obtener un éxito es probabilidad de
de tiempo o de espacio, muy pequeña . obtener un éxito es
bajo presupuestos de muy pequeña .
aleatoriedad y ciertas
circunstancias
restrictivas.
Si una variable aleatoria
discreta X tiene una
distribución de Poisson
con parámetro μ (μ>0) si Donde:
la función de f(x) = P(X=x) : probabilidad
probabilidad de X es: 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.
Esta distribución se puede hacer derivar de un proceso
experimental de observación en el que tengamos las
siguientes características:
 Se observa la realización de
hechos de cierto tipo  La probabilidad de que
 Los hechos a observar ocurra un hecho en un
tienen naturaleza aleatoria intervalo infinitésimo es
prácticamente
proporcional a la
 La probabilidad de que se amplitud del intervalo
produzcan un número x de
éxitos en un intervalo de
amplitud t no depende del
 La probabilidad de que
origen del intervalo
se produzcan 2 o más
hechos en un intervalo
infinitésimo es un
infinitésimo de orden
superior a dos
 • se trata de un modelo
discreto y que el campo de
variación de la variable será
el conjunto de los número
naturales, incluido el cero.

● El parámetro de la distribución es, en

principio, el factor de proporcionalidad
para la probabilidad de un hecho en un
intervalo infinitésimo
 EXPERIMENTO DE POISSON

i)la variable aleatoria es el número de veces que ocurre un

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

ii) la probabilidad de ocurrencia es la misma para cualesquiera 2

intervalos de igual longitud.

iii) 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.

 Expresión de la distribución de Poisson
Dada una variable aleatoria discreta X decimos que su frecuencia se
puede aproximar satisfactoriamente a una distribución de Poisson

Tanto la media como la varianza de esta

distribución son mu, estrictamente positiva.

No todas las distribuciones de probabilidad de densidad de

Poisson tendrán el mismo aspecto aunque mantengamos
igual la muestra. Si cambiamos la media, es decir, el
parámetro del que depende la función, también cambiará la
función.
  Función de densidad
de probabilidad (FDP)

para conocer la probabilidad

Esta función se entiende
como la probabilidad de que
la variable aleatoria X tome
un valor concreto x
de cada observación,
tendremos que sustituir en
la función todas las
observaciones
  EJEMPLO
 SOLUCION

Conjunto de datos = 100

Suponemos que estamos en temporada de estaciones de esquí.
invierno y queremos ir a esquiar antes de Mu = 5% * 100 = 5 es el número de
diciembre. La probabilidad que abran las estaciones de esquí esperado
estaciones de esquí antes de diciembre es dado el conjunto de datos
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 Entonces, la estación más cercana

función de probabilidad de densidad de la tiene una probabilidad de 14,62%
Poisson son el conjunto de datos y mu: de que abra antes de diciembre.
 ACTIVIDAD
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.
b) b) la probabilidad de que lleguen 5
pacientes en un día.
 4.4 Multinomial
La distribución multinomial es esencialmente igual a la binomial con la
única diferencia de que cada prueba tiene más de dos posibles resultados
mutuamente excluyentes.

Es útil para situaciones en las cuales desea poder

clasificar sujetos basándose en los valores de un
conjunto de variables predictoras:

 Para conseguir una producción y distribución de

películas más eficaz
 Cuando hay votaciones
 cuando quieren saber cuanta probabilidad hay de
comer algo
  HISTORIA

La distribución Multinomial es enunciado por primera

vez en 1713 con los aportes de, Jakop Bernoulli.
(Brasilea 26 de diciembre 1654, 16 de agosto de 1705)
en su obra Ars Conjectandi Bernoulli definió las bases
para el desarrollo y utilización de la distribución
Binomial y posteriormente a la Generalización
conocida
 CARACTERISTICAS

IDENTIFICACION FORMULA DATO

Es esencialmente igual a
la binomial con la única
diferencia de que cada
prueba tiene más de dos
posibles resultados
mutuamente excluyentes.
Cada prueba tiene
exactamente dos resultados
posibles.
A uno de ellos se le llama
arbitrariamente éxito y al
otro, fracaso.
• VARIABLE ALEATORIA DISCRETA (X)

Solo puede tomar valores representados por números enteros y

un número finito de ellos. Por ejemplo:

X variable que nos define el número de alumnos aprobados en

el curso de historia universal en un grupo de 30 alumnos (1, 2 ,3
y así sucesivamente ó los 30).
• PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

Las probabilidades que se relacionan con cada uno de los valores que
toma x deben ser mayores o iguales a cero y menores o iguales a 1:

P (xi) < 1

La sumatoria de las probabilidades asociadas a cada uno de los valores

que toma x debe ser igual a 1:

E p (xi) = 1

Ejemplo de variable aleatoria discreta: Al lanzar una moneda se puede

obtener solo dos resultados: cara (50%) o sello (50%).
• VARIABLE ALEATORIA CONTINUA (X)

Esta puede tomar tanto valores expresados en

números enteros como fraccionarios y un número
infinito de ellos dentro de un mismo intervalo.
• PROPIEDADES DE UNA VARIABLE ALEATORIA
DISCRETA (X)

Las probabilidades vinculadas a cada uno de los valores

que toma x deben ser mayores o iguales a cero. Dicho de
otro modo: la función de densidad de probabilidad
deberá tomar solo valores mayores o iguales a cero.
• VALOR ESPERADO DE UNA VARIABLE ALEATORIA X
ES EL PROMEDIO PONDERADO DE TODOS LOS
VALORES POSIBLES.

La esperanza matemática o valor esperado de una

variable aleatoria se origina en los juegos de azar,
debido a que los apostadores deseaban saber su
esperanza de ganar repetidamente un juego. Por lo
tanto, el valor esperado representa la cantidad de
dinero promedio que el jugador está dispuesto a ganar o
perder después de un número grande de apuestas.
 EJEMPLO
En un vuelo el 20% de los
pasajeros son de Corea el 30%  SOLUCION
de mexico el 40% de Italia y el
10% de Tailandia en un pequeño
x3
grupo se a reunido 4 pasajeros? N¡*p1 x1 *p2 x2 *p3
P(x1=2,x2=0,x3=2,x4=0=__________________
 ¿Cuál es la probabilidad de X1¡*x2¡*x3¡
que sean dos de mexico y dos
de Tailandia? 2 0 2 0
4¡*0,2 *0,3 *0,4 *0,1
P=_____________________
2¡*0¡*2¡*0¡

0,1536
P=________
P=0,0384*100 0,1536
P=3.84% P=______ 2¡*0¡*2¡*0¡
4
 ACTIVIDAD
Los carros producidos por una compañía son
50% Rojos,30% azules y 20 %Verdes .En una
muestra de 5 carros. Hallar la probabilidad
de que sean.

a)2 rojos, 1 Verde y 2 azules

b)3 rojos,1 verde y 1 azul
c)1 rojo,2 verdes y 2 azules
“La probabilidad no se encarga de las excepciones,
sino de la creencia en la existencia de un resultado,
causa o motivo alternativo.”
 ACTIVIDAD PREGUNTAS Y RESPUESTAS( EN
CLASES)

• ¿Qué es la distribución binomial?

• ¿Qué es lo que se debe de tomar en cuenta

al utilizar la formula binomial?
• ¿Para que es utilizada la distribución
hipergeometrica?
• ¿Quién creo la distribución poisson?
• ¿Para que se utiliza la distribucion
multinominal?
  CONCLUSION
• Estas distribuciones siempre estarán relacionadas en la
vida cotidiana aunque no lo sepamos al manejar y
estudiar sus formulas se podrán resolver ejercicios como
fueron mostrados en esta clase

• La distribución de
probabilidad de una variable
• De esta manera se obtendrán aleatoria es una función que
resultados concretos en base a asigna a cada suceso
su desarrollo definido sobre la variable la
probabilidad de que dicho
suceso ocurra. ... También
puede decirse que tiene una
relación estrecha con las
distribuciones de
frecuencia.
¡MUCHAS
GRACIAS POR SU
ATENCION
PRESTADA¡
  BIBLIOGRAFIA
https://www.esan.edu.pe/apuntes-empresariales/2016/10/conoce-las-principales-distribuciones-de-probabilidad/
https://www.ucm.es/data/cont/media/www/pag-54183/APUNTES%20ESTADÍSTICA%202.pdf
https://www.ibm.com/docs/es/spss-statistics/SaaS?topic=regression-multinomial-logistic
https://estadisticayadministracion.wordpress.com/2017/05/03/datos-aplicables-en-la-vida-diaria-con-la-distribucion-multinomial/
https://programas.cuaed.unam.mx/repositorio/moodle/pluginfile.php/1006/mod_resource/content/1/contenido/index.html
https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/EstadisticaProbabilidadInferencia/VAdiscreta/4_1DistribucionHipergeometrica/in
dex.html

http://www.ugr.es/~cdpye/CursoProbabilidad/pdf/P_T05_Contenidos.pdf
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm
https://matemovil.com/distribucion-de-poisson/
https://economipedia.com/definiciones/distribucion-binomial.html?fbclid=IwAR1VzsxVIY62QTpUXP_ViFO3HVwIHWaVMPIw9eYeawXq7oPGul3XBQ-
hWTU

https://www.youtube.com/watch?v=EMRag5uvqBA&t=307s
  REFERENCIAS

Alonso de Molina 1652, Monterrico, Surco, Lima - Perú

Variables aleatorias2021 ,UVM
Documentacion 2019,Estadistica Mexico
Datos, información ~ Estadística en la toma de decisiones,2020
Coordinación Abierta a distancia,2021
Juan Jesús Cañas Escamilla(RED Descartes)
Possion,estadística,2021
Enciclopedia economía,2021
Devore, J., 2018. Fundamentos de probabilidad y estadística. 1ra ed. México:Cengage Learning, pp.124-131.