UNIVERSIDAD TECNOLÓGICA DE CHIHUAHUA

T.S.U. EN MECATRÓNICA, ÁREA AUTOMATIZACIÓN

2.3.1 S DISTRIBUCIONES DISCRETAS DE

PROBABILIDAD

PROBABILIDAD Y ESTADISTICA

M.C. KARLA MARÍA RONQUILLO GONZÁLEZ

MT32M

PRESENTA:

OLIVAS HIDALGO

JASSIEL EDUARDO

Chihuahua, Chih., 17 de octubre de 2022

 Identificar el concepto de variable aleatoria discreta.
Distribución binomial
Una función de densidad de probabilidad más valiosa con muchas aplicaciones es la distribución
binomial. Esta distribución calculará las probabilidades de cualquier proceso binomial. Un
proceso binomial, a menudo llamado proceso de Bernoulli en honor a la primera persona que
desarrolló plenamente sus propiedades, es cualquier caso en el que solo hay dos resultados
posibles en cualquier ensayo, llamados éxitos y fracasos. Recibe su nombre del sistema numérico
binario, en el que todos los números se reducen a 1 o 0, que es la base de la tecnología
informática y de las grabaciones musicales en CD.
Fórmula binomial:

donde b(x) es la probabilidad de X aciertos en n ensayos cuando la probabilidad de un éxito en

CUALQUIER ENSAYO es p. Y, por supuesto, q=(1-p) y es la probabilidad de un fracaso en cualquier
ensayo.
Ahora podemos ver por qué la fórmula combinatoria se llama también coeficiente binomial, ya
que vuelve a aparecer aquí en la función de probabilidad binomial. Para que la fórmula binomial
funcione, la probabilidad de éxito en cualquier ensayo debe ser la misma de un ensayo a otro, o,
en otras palabras, los resultados de cada ensayo deben ser independientes. Lanzar una moneda
es un proceso binomial porque la probabilidad de obtener una cara en un lanzamiento no
depende de lo que haya ocurrido en los lanzamientos anteriores. (En este momento hay que
señalar que utilizar p para el parámetro de la distribución binomial es una violación de la regla
de que los parámetros de la población se designan con letras griegas. En muchos libros de texto
se utiliza θ (pronunciada theta) en lugar de p y así es como debe ser.
Al igual que un conjunto de datos, una función de densidad de probabilidad tiene una media y
una desviación típica que describe el conjunto de datos. Para la distribución binomial vienen
dadas por las fórmulas:

Observe que p es el único parámetro en estas ecuaciones. La distribución binomial se considera,

pues, de la familia de las distribuciones de probabilidad de un parámetro. En resumen, sabemos
todo lo que hay que saber sobre la binomial una vez que conocemos p, la probabilidad de éxito
en cualquier ensayo.
En la teoría de la probabilidad, en determinadas circunstancias, una distribución de probabilidad
puede utilizarse para aproximar otra. Decimos que una es la distribución límite de la otra. Si hay
que extraer un número pequeño de una población grande, aunque no haya reemplazo, podemos
utilizar la binomial, aunque no sea un proceso binomial. Si no hay reemplazo se viola la regla de
independencia del binomio. Sin embargo, podemos utilizar la binomial para aproximar una
probabilidad que es realmente una distribución hipergeométrica si extraemos menos del 10 por
ciento de la población, es decir, n es menos del 10 por ciento de N en la fórmula de la función
hipergeométrica. El fundamento de este argumento es que al extraer un pequeño porcentaje de
la población no alteramos la probabilidad de éxito de un sorteo a otro de forma significativa.
Hay tres características de un experimento binomial:
1. Hay un número fijo de ensayos. Piense en los ensayos como repeticiones de un
experimento. La letra n indica el número de ensayos.
2. La variable aleatoria, x, número de aciertos, es discreta.
3. Solo hay dos resultados posibles, llamados “acierto” y “fallo” para cada ensayo. La letra
p indica la probabilidad de éxito en un ensayo cualquiera, y q la probabilidad de fracaso
en un ensayo cualquiera. p + q = 1.
4. Los n ensayos son independientes y se repiten utilizando condiciones idénticas. Piense
en esto como una extracción CON reemplazo. Como los n ensayos son independientes,
el resultado de un ensayo no ayuda a predecir el resultado de otro. Otra forma de decir
esto es que para cada ensayo individual la probabilidad, p, de un acierto y la probabilidad,
q, de un fallo siguen siendo las mismas.
Los resultados de un experimento binomial se ajustan a una distribución de probabilidad
binomial. La variable aleatoria X = el número de aciertos obtenidos en los n ensayos
independientes.
La media, μ, y la varianza, σ2, de la distribución de probabilidad binomial son μ = np y σ2 = npq.
La desviación típica, σ, es entonces σ = √npq.
Cualquier experimento que tenga las características tres y cuatro y en el que n = 1 se llama Ensayo
de Bernoulli (llamado así por Jacob Bernoulli que los estudió ampliamente a finales de 1600.). Un
experimento binomial se produce cuando se cuenta el número de aciertos en uno o más ensayos
de Bernoulli.

Distribución Hipergeométrica
La función de densidad de probabilidad más sencilla es la hipergeométrica. Es la más básica
porque se crea combinando nuestro conocimiento de las probabilidades a partir de los diagramas
de Venn, las reglas de adición y multiplicación y la fórmula de recuento combinatorio.
Para hallar el número de formas de obtener 2 ases de los cuatro que hay en la baraja, calculamos:

Y si no nos importara qué más tenemos en la mano para las otras tres cartas calcularíamos:

Uniendo todo esto, podemos calcular la probabilidad de obtener exactamente dos ases en una
mano de póquer de 5 cartas como:

Esta solución es en realidad la distribución de probabilidad conocida como hipergeométrica. La

fórmula generalizada es:

donde x = el número que nos interesa procedente del grupo con A objetos.
h(x) es la probabilidad de x aciertos, en n intentos, cuando los aciertos A (ases en este caso) están
en una población que contiene N elementos. La distribución hipergeométrica es un ejemplo de
distribución de probabilidad discreta porque no hay posibilidad de éxito parcial, es decir, no
puede haber manos de póquer con 2 1/2 ases. Dicho de otro modo, una variable aleatoria
discreta tiene que ser un número entero, o que se pueda contar, solamente. Esta distribución de
probabilidad funciona en los casos en que la probabilidad de éxito cambia con cada extracción
de cartas. Otra forma de decir esto es que los eventos NO son independientes. Al utilizar una
baraja de cartas, estamos haciendo un muestreo SIN reemplazo. Si volvemos a poner cada carta
después de haberla sacado, la distribución hipergeométrica sería una pdf inadecuada.
Para que el hipergeométrico funcione:
 1. La población debe ser divisible en dos y solo dos subconjuntos independientes (ases y no
ases en nuestro ejemplo). La variable aleatoria X = el número de elementos del grupo de
interés.
2. El experimento debe tener probabilidades cambiantes de éxito con cada experimento (el
hecho de que las cartas no sean reemplazadas después de la extracción en nuestro
ejemplo hace que esto sea cierto en este caso). Otra forma de decir esto es que se
muestrea sin reemplazo y, por lo tanto, cada selección no es independiente.
3. La variable aleatoria debe ser discreta, en lugar de continua.

Distribución de Poisson
Otra distribución de probabilidad útil es la distribución de Poisson o distribución del tiempo de
espera. Esta distribución se utiliza para determinar cuántos empleados de caja son necesarios
para mantener el tiempo de espera en la fila a niveles especificados, cuántas líneas telefónicas
son necesarias para evitar que el sistema se sobrecargue, y muchas otras aplicaciones prácticas.
Una modificación de la distribución de Poisson, la Pascal, inventada hace casi cuatro siglos, es
utilizada hoy en día por las compañías de telecomunicaciones de todo el mundo para los factores
de carga, los niveles de conexión de los satélites y los problemas de capacidad de internet. La
distribución recibe su nombre de Simeón Poisson, que la presentó en 1837 como una extensión
de la distribución binomial, que veremos que se puede estimar con la Poisson.
Hay dos características principales de un experimento de Poisson:
1. La distribución de probabilidad de Poisson da la probabilidad de que se produzca un
número de eventos en un intervalo fijo de tiempo o espacio si estos eventos se producen
con una tasa promedio conocida.
2. Los eventos son independientes del tiempo transcurrido desde el último evento. Por
ejemplo, un editor de libros podría estar interesado en el número de palabras escritas
incorrectamente en un libro en particular. Puede ser que, en promedio, haya cinco
palabras mal escritas en 100 páginas. El intervalo son las 100 páginas y se supone que no
hay relación entre el momento en que se producen los errores ortográficos.
3. La variable aleatoria X = el número de ocurrencias en el intervalo de interés.
Notación para el Poisson: P = Función de distribución de probabilidad de Poisson
X ~ P(μ)
Se lee como “X es una variable aleatoria con una distribución de Poisson”. El parámetro es μ (o
λ); μ (o λ) = la media del intervalo de interés. La media es el número de ocurrencias que se
producen por término promedio durante el periodo del intervalo.

La fórmula para calcular las probabilidades que provienen de un proceso de Poisson es:
donde P(X) es la probabilidad de X aciertos, μ es el número esperado de aciertos basado en datos
históricos, e es el logaritmo natural aproximadamente igual a 2,718, y X es el número de aciertos
por unidad, normalmente por unidad de tiempo.
Para utilizar la distribución de Poisson, deben cumplirse ciertos supuestos. Estos son: la
probabilidad de un éxito, μ, no cambia dentro del intervalo, no puede haber éxitos simultáneos
dentro del intervalo y, por último, que la probabilidad de un éxito entre intervalos es
independiente, el mismo supuesto de la distribución binomial.
En cierto modo, la distribución de Poisson puede considerarse una forma inteligente de convertir
una variable aleatoria continua, normalmente el tiempo, en una variable aleatoria discreta al
dividir el tiempo en intervalos independientes discretos. Esta forma de pensar en la Poisson nos
ayuda a entender por qué se puede utilizar para estimar la probabilidad de la variable aleatoria
discreta de la distribución binomial. La Poisson pide la probabilidad de un número de aciertos
durante un periodo mientras que la binomial pide la probabilidad de un número determinado de
aciertos para un número dado de ensayos.
Estimación de la distribución binomial con la distribución de Poisson
Anteriormente comprobamos que la distribución binomial proporcionaba una aproximación a la
distribución hipergeométrica. Ahora hallamos que la distribución de Poisson puede proporcionar
una aproximación para la binomial. Decimos que la distribución binomial se acerca a la Poisson.
La distribución binomial se aproxima a la distribución de Poisson es a medida que n se hace más
grande y p es pequeño, de manera que np se convierte en un valor constante. Hay varias reglas
generales sobre cuándo se puede decir que se va a utilizar una Poisson para estimar una binomial.
Una de ellas sugiere que np, la media de la binomial, debe ser inferior a 25. Otro autor sugiere
que debería ser inferior a 7. Y otro, observando que la media y la varianza de la Poisson son ambas
iguales, sugiere que np y npq, la media y la varianza de la binomial, deben ser mayores que 5. No
existe una regla general aceptada sobre cuándo se puede utilizar la Poisson para estimar la
binomial.
A medida que avanzamos por estas distribuciones de probabilidad, llegamos a distribuciones más
sofisticadas que, en cierto sentido, contienen las distribuciones menos sofisticadas dentro de
ellas. Esta proposición ha sido demostrada por los matemáticos. Esto nos lleva al nivel más alto
de sofisticación en la siguiente distribución de probabilidad que puede ser usada como una
aproximación a todas las que hemos discutido hasta ahora. Esta es la distribución normal.