República Bolivariana de Venezuela

Universidad Politécnica Territorial José Antonio Anzoátegui

Programa Nacional de Formación Informática
Matemática Aplicada
Profesor: Jesús Hidalgo

Unidad 1: Funciones de Distribución de Probabilidades

Alumno:
Martinez, Mariano CI: 28.536.219

Barcelona, junio de 2022

Funciones de distribución de probabilidad
En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable
aleatoria es 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. También puede decirse que tiene una relación estrecha con las distribuciones de
frecuencia. De hecho, una distribución de probabilidades puede comprenderse como una
frecuencia teórica, ya que describe cómo se espera que varíen los resultados.
La distribución de probabilidad está completamente especificada por la función de
distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria sea
menor o igual que x.

Función discreta
Una función discreta f, es una función matemática cuyo dominio de definición es un
conjunto numerable (o discreto). Es decir, es una definición:

Una función discreta no debe confundirse con una función discontinua, puesto que estas
últimas corresponden a funciones reales definidas por tramos.
Este tipo de funciones son muy comunes en las ramas de matemática discreta y teoría de
computación, dado el manejo finito de datos que en ellos se utiliza. Por ejemplo, las
funciones de distribución de variable discreta en estadística son un conocido ejemplo de
funciones discretas.
La función solamente está definida en valores enteros de k. Las líneas que conectan los
puntos son solo guías para el ojo y no indican continuidad.
Ejemplo de función discreta
Debido a la depreciación a la que está sujeto un bien material, que originalmente costó
$1,000.00, tiene un valor anual dado por la expresión siguiente
f (n)=1000(1−0.05) n; n= {0,1,2, 3, ...}
Donde n representa el año de envejecimiento. Esta es una función discreta donde los
valores de su dominio están equiespaciados y su representación en forma de sucesión es la
siguiente:
f (n) = {1000, 950, 900,850, ...}

Función de Distribución Binomial

La función de distribución binomial especifica el número de veces (x) que puede ocurrir un
evento en un número independiente de tiradas n y donde p es la probabilidad de la
ocurrencia del evento en una simple tirada. Es una distribución de probabilidad exacta para
cualquier número de intentos. Si n es muy grande se puede tratar como una función
continua. Esto es lo que hace la distribución gausiana. Si la probabilidad p es pequeña de
modo que la función solo tenga valores significativos para valores pequeños de x, entonces
la función se puede aproximar por medio de la distribución de Poisson.
En otras palabras, una distribución binomial, en estadística, es una distribución de
probabilidad discreta (función que asigna a cada suceso definido sobre la variable la
probabilidad de que dicho suceso ocurra) que describe el número de éxitos al
realizar n experimentos o ensayos de Bernoulli independientes entre sí, acerca de una
variable aleatoria.
Propiedades
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:
 Como hemos dicho, en cada ensayo, experimento o prueba solo puede haber dos
posibles resultados (éxito o fracaso).
 La probabilidad de éxito ha de ser constante. Por ejemplo, la probabilidad de que
salga un número par al lanzar un dado es 0,5 y esta es constante dado que el dado no
cambia en cada ensayo y las probabilidades de sacar par es constate.
 La probabilidad de fracaso ha de ser también constate.
 Cada experimento es independiente de los demás y no influye en las probabilidades
de los que hagamos posteriormente, por lo que en cada uno la probabilidad de que
se dé uno de los dos resultados será exactamente la misma.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los dos al
mismo tiempo. Al lanzar un dado, no puede salir par e impar a la vez, ni al lanzar
una moneda puede salir cara y cruz al mismo tiempo.
 Los resultados son colectivamente exhaustivos, es decir, al menos uno de los 2 ha
de ocurrir. Si no sale par, sale impar, y si no sale cara, sale cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar así: X
~ (n, p), donde, como ya sabes, 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 la siguiente:
Donde:
n = número de ensayos
x = número de éxitos
p = probabilidad de éxito
q = probabilidad de fracaso (1-p)
Debes tener en cuenta que lo que está entre corchetes es un resultado de una combinatoria
sin repetición, el cual se obtiene con la siguiente formula:
El signo de exclamación representa el símbolo de factorial, es decir el producto de todos los
números enteros positivos desde 1 hasta n. Por ejemplo: 5! = 1 · 2 · 3 · 4 · 5 = 120
Ejemplos de distribución binomial
Vamos a imaginar que un 80 % de las personas de todo el mundo vieron las Olimpiadas
2016 en Río de Janeiro. Una vez finalizadas, 4 amigos se reúnen para charlar. ¿Cuál es la
probabilidad de que 3 de ellos las hayan visto?
Lo primero que hay que hacer es definir las variables del experimento:
n = 4 (el total de la muestra)
x = número de éxitos (en este caso es igual a 3, ya que buscamos la probabilidad de que 3
de los 4 amigos las 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 las variables, solo tenemos que sustituirlas en la fórmula:
El numerador de la factorial se obtiene entonces multiplicando 4 · 3 · 2 · 1 = 24, mientras
que en el denominador tendríamos que multiplicar 3 · 2 · 1 · 1 = 6. Por lo tanto, el resultado
de la factorial sería 24/6=4.
Fuera del corchete, hay dos números. El primero sería 0,83=0,512 y el segundo es 0,2
(porque 4-3 = 1 y cualquier número elevado a 1 es el mismo).
Por tanto, el resultado final sería: 4 · 0,512 · 0,2 = 0,4096.
Si lo multiplicamos por 100, tenemos como resultado que hay una probabilidad del 40,96 %
de que 3 de los 4 amigos hayan visto las Olimpiadas de Brasil.

Distribución de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante cierto período de
tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos «raros».
Fue propuesta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su trabajo
Recherches sur la probabilité des jugements en matières criminelles et matière civile
(Investigación sobre la probabilidad de los juicios en materias criminales y civiles).
La distribución de Poisson es popular porque modela el número de veces que ocurre un
evento en un intervalo de tiempo.

Propiedades
Si entonces la variable aleatoria X satisface algunas propiedades.
Media
La media de la variable aleatoria X es

Esta se demuestra por definición de esperanza matemática

Varianza
La varianza de la variable aleatoria X es

Es decir, tanto el valor esperado como la varianza de una variable aleatoria con distribución
de Poisson son iguales a
Momentos
Los momentos de orden superior son polinomios de Touchard en cuyos coeficientes
tienen una interpretación combinatoria. De hecho, cuando el valor esperado de la
distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-ésimo momento
iguala al número de particiones de tamaño n.
Moda

La moda de la variable aleatoria X es esto es, el mayor de los enteros menores que

(los símbolos representan la función parte entera).

Función generadora de momentos
La función generadora de momentos de la distribución de Poisson está dada por

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.

La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parámetro

a otra de parámetro es

Ejemplo
Si el 2% de los libros encuadernados en cierto taller tienen encuadernación defectuosa, para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribución de Poisson, si se define X como el
número de libros que tengan encuadernación defectuosa entonces k=5 y (el valor
esperado de libros defectuosos) es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad
buscada es:

Función Hipergeométrica
En matemáticas, la función hipergeométrica gaussiana u ordinaria 2F1 (a,b;c;z) es una
función especial representada por la serie hipergeométrica, que incluye muchas otras
funciones como casos especiales o límite. Es una solución de una ecuación diferencial
ordinaria (EDO) lineal de segundo orden. Cada EDO lineal de segundo orden con tres
puntos singulares regulares puede transformarse en esta ecuación.
Para obtener listas sistemáticas de algunos de los muchos miles de identidades publicadas
que involucran la función hipergeométrica, consúltense los trabajos de referencia de Erdélyi
et al. (1953) y Olde Daalhuis (2010). No hay un sistema conocido para organizar todas las
identidades; de hecho, no se dispone de un algoritmo que pueda generar todas las
identidades; aunque existen varios algoritmos diferentes que generan distintas series de
identidades. La teoría del descubrimiento algorítmico de identidades sigue siendo un tema
de investigación activo.
Ejemplo
Supongamos que hay diez automóviles disponibles para que usted los pruebe (N = 10) y
cinco de ellos tienen motores turbo (x = 5). Si prueba tres de los vehículos (n = 3), ¿cuál es
la probabilidad de que dos de los tres que probará tengan motores turbo?
La probabilidad de que seleccione exactamente dos automóviles con motores turbo de
forma aleatoria cuando pruebe tres de los diez vehículos es 41.67%.

Distribución multinomial
En teoría de probabilidad, la distribución multinomial o distribución multinómica es una
generalización de la distribución binomial.
La distribución binomial es la probabilidad de un número de éxitos en N sucesos de
Bernoulli independientes, con la misma probabilidad de éxito en cada suceso. En una
distribución multinomial, el análogo a la distribución de Bernoulli es la distribución
categórica, donde cada suceso concluye en únicamente un resultado de un número finito K
de los posibles, con probabilidades

Entonces sea la variable aleatoria Xi, que indica el número de veces que se ha dado el
resultado i sobre los n sucesos. El vector X= (X1, ..., Xk) sigue una distribución
multinomial con parámetros n y p, donde p= (p1, ..., pk).
Nótese que en algunos campos las distribuciones categóricas y multinomial se encuentran
unidas, y es común hablar de una distribución multinomial cuando el término más preciso
sería una distribución categórica.

Propiedades
La esperanza matemática del suceso i observado en n pruebas es:

La varianza es:

Ejemplo
Lanzas un dado diez veces para ver qué número sacas. Hay 6 posibilidades (1, 2, 3, 4, 5, 6),
así que este es un experimento multinomial. Si tiras el dado diez veces para ver cuántas
veces sacas un tres, sería un experimento binomial (3 = éxito, 1, 2, 4, 5, 6 = fracaso).