“DISTRIBUCIÓNES DE

PROBABILIDAD”

ASIGNATURA:
PROBABILIDAD Y ESTADISTICA

PROFESOR:
MENDEZ MALDONADO ARTURO

NOMBRE:
QUIÑONEZ BENITEZ ELIAS

SEMESTRE: 2 GRUPO: XD

CARRERA:
INGENIERIA EN SISTEMAS
COMPUTACIONALES

FECHA DE ENTREGA:
22 DE MARZO DEL 2023
Contenido
DISTRIBUCIÓN DE PROBABILIDAD DISCRETA ................................. 3
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL ................................. 4
DISTRIBUCIÓN DE PROBABILIDAD MULTINOMIAL ............................ 6
DISTRIBUCION DE PROBABILIDAD HIPERGEOMETRICA ..................... 8
DISTRIBUCIÓN DE PROBABILIDAD DE POISSON............................ 10
DISTRIBUCIÓN DE PROBABILIDAD GEOMETRICA ........................... 12
TABLA DE Z ......................................................................... 13
TABLA DE STUDENT .............................................................. 15
Conclusión ................................................................ 17
DISTRIBUCIÓN DE PROBABILIDAD DISCRETA
La Distribución discreta describe la probabilidad de ocurrencia de cada
valor de una variable aleatoria discreta. Una variable aleatoria discreta es
una variable aleatoria que tiene valores contables, tales como una lista de
enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la

variable aleatoria discreta puede estar asociado con una probabilidad
distinta de cero. Por lo tanto, una distribución de probabilidad discreta
suele representarse en forma tabular.

Ejemplo del número de quejas de clientes

Con una distribución discreta, a diferencia de una distribución continua,
usted puede calcular la probabilidad de que X sea exactamente igual a
algún valor. Por ejemplo, puede utilizar la distribución discreta de Poisson
para describir el número de quejas de clientes en un día. Supongamos que
el número promedio de quejas por día es 10 y usted desea saber la
probabilidad de recibir 5, 10 y 15 quejas de clientes en un día.

También puede visualizar una distribución discreta en una gráfica de

distribución para ver las probabilidades entre los rangos.

Gráfica de distribución del

número de quejas de clientes
Las barras sombreadas en este ejemplo
representan el número de ocurrencias
cuando las quejas diarias de los clientes
son 15 o más. La altura de las barras
suma 0.08346; por lo tanto, la
probabilidad de que el número de
llamadas por día sea 15 o más es 8.35%.
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL
Una distribución binomial es una distribución de probabilidad ampliamente
utilizada de una variable aleatoria discreta (asignación definida a cada posibilidad
de un experimento), esa es la distribución binomial. Esta describe varios procesos
de interés para los administradores, porque ayuda a aplicar comprensión de la
incertidumbre y probabilidad en la toma de decisiones describiendo datos
discretos.

Se emplea:

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
Ejem. 1
Una máquina empaquetadora que produce 20% de paquetes defectuosos. Si se
extrae una muestra aleatoria de 10 paquetes, podremos calcular la media y la
desviación estándar de la distribución binomial de ese proceso en la forma que
sigue:

m = np

= 10*0.2

= 2 Media s = Ö npq

= Ö (10) (0.2) (0.8)

= Ö 1.6

= 1.265 Desviación estándar.

Ejem. 2
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 PROBABILIDAD MULTINOMIAL
La distribución de probabilidad multinomial es una extensión de la distribución
binomial que se utiliza cuando se tienen más de dos posibles resultados para un
experimento aleatorio. En lugar de calcular la probabilidad de que un evento ocurra
o no, la distribución multinomial se utiliza para calcular la probabilidad de que cada
uno de varios eventos posibles ocurra en una serie de ensayos independientes y
repetidos.

En la distribución multinomial, se define un conjunto de k resultados posibles y se

realiza un experimento aleatorio n veces. Se denota por x_1, x_2,..., x_k el número
de veces que ocurre cada uno de los k resultados posibles. La distribución
multinomial se define entonces como:

P(x_1, x_2, ..., x_k) = (n! / (x_1! x_2! ... x_k!)) * p_1^x_1 * p_2^x_2 * ... * p_k^x_k

donde p_1, p_2, ..., p_k son las probabilidades de ocurrencia de cada uno de los k
resultados posibles y x_1 + x_2 + ... + x_k = n.

La distribución multinomial se utiliza en una variedad de aplicaciones, como el

análisis de datos categóricos y la clasificación de datos en categorías discretas.

La distribución multinomial se utiliza comúnmente en estadísticas y probabilidad

para modelar experimentos donde se tienen múltiples resultados posibles y se
desea conocer la probabilidad de cada uno de ellos. Algunos ejemplos de
aplicaciones de la distribución multinomial incluyen: Encuestas de opinión: cuando
se realiza una encuesta con varias preguntas, cada pregunta puede tener varias
respuestas posibles. La distribución multinomial puede utilizarse para calcular la
probabilidad de que cada respuesta sea elegida por los encuestados.

Análisis de ADN: en genética, se pueden realizar experimentos para contar el

número de veces que cada nucleótido (A, C, G, T) aparece en una secuencia de ADN.
La distribución multinomial se utiliza para modelar estas observaciones.

Investigación de mercado: cuando se realiza una investigación de mercado, se

pueden recopilar datos sobre las preferencias de los consumidores en cuanto a
diferentes marcas o productos. La distribución multinomial puede utilizarse para
calcular la probabilidad de que un consumidor elija cada marca o producto.

Formula
Ejem.1
*En una tienda de ropa, se tienen camisetas de 3 colores diferentes: rojo, verde y
azul. En un día determinado, se venden 100 camisetas y se desea conocer la
probabilidad de cuántas camisetas de cada color se vendieron. Para ello, se puede
modelar el experimento con la distribución multinomial, donde se tienen 3 posibles
resultados (colores) y se repite el experimento 100 veces. Si se supone que la
probabilidad de que se venda una camiseta de cada color es igual, entonces se
puede calcular la probabilidad de que se vendan 40 camisetas rojas, 30 verdes y 30
azules como sigue:

P(40, 30, 30) = (100! / (40! 30! 30!)) * (1/3)^40 * (1/3)^30 * (1/3)^30 = 0.0579

Por lo tanto, la probabilidad de que se vendan 40 camisetas rojas, 30 verdes y 30

azules es de aproximadamente 5.79%.

Ejem.2
*Supongamos que se realiza una encuesta a 200 personas para conocer su
preferencia sobre 4 marcas de refrescos diferentes: A, B, C y D. Los resultados de la
encuesta se pueden modelar con la distribución multinomial, donde se tienen 4
posibles resultados (marcas de refresco) y se repite el experimento 200 veces. Si los
resultados de la encuesta indican que 40 personas prefieren la marca A, 60
prefieren la marca B, 50 prefieren la marca C y 50 prefieren la marca D, se puede
calcular la probabilidad de obtener estos resultados como sigue:

P(40, 60, 50, 50) = (200! / (40! 60! 50! 50!)) * p_A^40 * p_B^60 * p_C^50 * p_D^50

Donde p_A, p_B, p_C y p_D representan las probabilidades de preferencia para cada
marca de refresco. Si se supone que estas probabilidades son iguales, entonces se
puede calcular la probabilidad como:

P(40, 60, 50, 50) = (200! / (40! 60! 50! 50!)) * (1/4)^40 * (1/4)^60 * (1/4)^50 * (1/4)^50
= 0.0078

Por lo tanto, la probabilidad de obtener 40 preferencias por la marca A, 60 por la

marca B, 50 por la marca C y 50 por la marca D es de aproximadamente 0.78%.
DISTRIBUCION DE PROBABILIDAD HIPERGEOMETRICA
Es una distribución discreta que modela el número de eventos en una muestra de tamaño
fijo cuando usted conoce el número total de elementos en la población de la cual proviene
la muestra. Cada elemento de la muestra tiene dos resultados posibles (es un evento o un
no evento). Las muestras no tienen reemplazo, por lo que cada elemento de la muestra es
diferente. Cuando se elige un elemento de la población, no se puede volver a elegir. Por lo
tanto, la probabilidad de que un elemento sea seleccionado aumenta con cada ensayo,
presuponiendo que aún no haya sido seleccionado.

Se emplea:
Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones
relativamente pequeñas, sin reemplazo. Por ejemplo, la distribución hipergeométrica se
utiliza en la prueba exacta de Fisher para probar la diferencia entre dos proporciones y en
muestreos de aceptación por atributos cuando se toman muestras de un lote aislado de
tamaño finito. La distribución hipergeométrica se define por 3 parámetros: tamaño de la
población, conteo de eventos en la población y tamaño de la muestra.

Formula
P(X = k) = (M choose k) * (N-M choose n-k) / (N choose n)

Donde:

P(X = k) es la probabilidad de obtener k éxitos en una muestra de tamaño n.

M es el número de elementos en la población que pertenecen a la categoría de éxito.

N es el número total de elementos en la población.

n es el tamaño de la muestra extraída de la población.

(M choose k) es el número de maneras diferentes de seleccionar k elementos de la categoría

de éxito en una muestra de tamaño n.

(N-M choose n-k) es el número de maneras diferentes de seleccionar n-k elementos de la

categoría de fracaso en una muestra de tamaño n.

(N choose n) es el número total de maneras diferentes de seleccionar una muestra de

tamaño n de la población.

La media y la varianza de la distribución hipergeométrica son:

Media = n * (M/N)

Varianza = n * (M/N) * (1 - M/N) * (N - n) / (N - 1)

Ejem. 1
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

Ejem. 2
En un lote de producción de 1000 dispositivos electrónicos, hay 300 que no
funcionan correctamente. Una empresa compró 50 dispositivos seleccionados al
azar de ese lote. ¿Cuál es la probabilidad de que exactamente 10 de los dispositivos
seleccionados no funcionen correctamente?

Para resolver este problema, podemos utilizar la distribución hipergeométrica. En

este caso, M es igual a 300, N es igual a 1000, n es igual a 50 y k es igual a 10.
Entonces, la probabilidad de que exactamente 10 de los dispositivos seleccionados
no funcionen correctamente es:

P(X=10) = (300 choose 10) * (700 choose 40) / (1000 choose 50) = 0.075

Por lo tanto, la probabilidad de que exactamente 10 dispositivos seleccionados al

azar de ese lote no funcionen correctamente es de 0.075.
DISTRIBUCIÓN DE PROBABILIDAD DE POISSON
La distribución de Poisson es una distribución de probabilidad discreta que se utiliza
para modelar el número de veces que un evento ocurre en un intervalo de tiempo
o en un espacio determinado, cuando se sabe la tasa promedio de ocurrencia del
evento y se supone que la probabilidad de que el evento ocurra en un intervalo de
tiempo o espacio pequeño es proporcional a la longitud del intervalo de tiempo o
espacio.

La función o fórmula de probabilidad de Poisson se define como:

o P(X=k) = (e^-λ * λ^k) / k!

donde:

-X es el número de veces que ocurre el evento

-λ es la tasa promedio de ocurrencia del evento

-e es la constante matemática e (aproximadamente 2.71828)

-k! es el factorial de k, es decir, k! = k * (k-1) * (k-2) * ... * 2 * 1.

La distribución de Poisson tiene las siguientes propiedades:

-La media y la varianza de la distribución son iguales a λ.

-La distribución se aproxima a una distribución normal cuando λ es grande.

-La distribución es asimétrica a la derecha, es decir, tiene una cola larga hacia la
derecha.

La distribución de Poisson se utiliza en muchas áreas, como la biología, la física, la

ingeniería y la economía, para modelar eventos que ocurren de manera aleatoria e
independiente, como la tasa de mutación genética, la tasa de llegada de clientes a
un negocio o la tasa de fallas en un equipo.
Ejem. 1

En una fábrica de chocolate, se desea modelar la cantidad de defectos que se

presentan en cada lote de producción. Se sabe que la tasa promedio de defectos es
de 3 por lote. Se puede utilizar la distribución de Poisson para calcular la
probabilidad de que un lote tenga exactamente 2 defectos:

P(X=2) = (e^-3 * 3^2) / 2! = 0.224

Es decir, la probabilidad de que un lote tenga exactamente 2 defectos es del 22.4%.

Ejem. 2

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.
DISTRIBUCIÓN DE PROBABILIDAD GEOMETRICA
La que también consiste en una serie de ensayos donde pueden ocurrir éxitos o
fracasos. Además, cada ensayo es idéntico e independiente del otro, sin embargo,
no hay un número fijo n de ensayos, sino que el experimento se repite hasta que se
consiga el éxito.

Se utiliza de la siguiente manera:

Supongamos que se realiza una secuencia de ensayos de Bernoulli independientes
y que la probabilidad de éxito en cada ensayo es p. Entonces, la variable aleatoria X
que representa el número de ensayos necesarios para obtener el primer éxito sigue
una distribución geométrica con parámetro p.

La función de probabilidad de X es:

P(X=k) = (1-p)^(k-1) * p, para k = 1, 2, 3, ...

donde (1-p)^(k-1) es la probabilidad de que ocurran k-1 fracasos seguidos y p es la

probabilidad del éxito en el ensayo k.

La esperanza y la varianza de X son:

E(X) = 1/p

Var(X) = (1-p)/p^2

La distribución geométrica es utilizada en diversas aplicaciones, como en el

modelado de la cantidad de intentos necesarios para realizar una tarea exitosa, la
cantidad de pruebas necesarias para encontrar una falla en un sistema, entre otros.

Ejem. 1
Encuentra la probabilidad de que “Un País” juegue al menos 4 partidos.Para que
juegue 4 partidos, tiene que ganar 3 partidos, no importa si pierde o gana en el
cuarto partido porque lo que se está contando es que va a jugar 4 partidos o más,
pero para que pueda jugar 4 partidos o más tiene que haber ganado sí o sí los
anteriores 3 partidos. Y la probabilidad se calcula de la siguiente manera:
Ejem. 2
Supongamos que una persona quiere ganar un juego de lotería que tiene una
probabilidad de éxito del 5% por intento. La persona juega hasta que gana el juego.
¿Cuál es la probabilidad de que necesite jugar exactamente 10 veces antes de ganar?

Solución: La variable aleatoria que modela el número de intentos hasta el primer

éxito sigue una distribución geométrica con p = 0.05. Entonces, la probabilidad de
que necesite jugar exactamente 10 veces antes de ganar es:

P(X = 10) = (1 - 0.05)^(10-1) * 0.05 = 0.0331

Por lo tanto, la probabilidad de que la persona necesite jugar exactamente 10 veces

antes de ganar es del 3.31%.

TABLA DE Z

La tabla de Z, también conocida como tabla de distribución normal estándar, es una

tabla que se utiliza en estadística para determinar los valores de probabilidad
correspondientes a una distribución normal estándar. La tabla muestra las áreas
bajo la curva de una distribución normal estándar desde el punto cero hasta un
valor determinado de Z.

Una distribución normal estándar tiene una media de cero y una desviación
estándar de uno. La tabla de Z se usa comúnmente en estadística para encontrar la
probabilidad de que un valor aleatorio seleccionado al azar de una distribución
normal estándar caiga dentro de cierto rango.

Ejem. 1
Los puntajes en un determinado examen de ingreso a la universidad se
distribuyen normalmente con una media μ = 82 y una desviación estándar σ = 8.
¿Aproximadamente qué porcentaje de estudiantes obtienen menos de 84 en el
examen?

Aproximadamente el 59,87% de los estudiantes obtienen menos de 84 en este

examen.
Ejem. 2
La altura de las plantas en un determinado jardín se distribuye normalmente con
una media de μ = 26,5 pulgadas y una desviación estándar de σ = 2,5 pulgadas.
Aproximadamente, ¿qué porcentaje de plantas miden más de 26 pulgadas de alto?

Vemos que el 42,07% de los valores caen por debajo de una puntuación z de -0,2.
Sin embargo, en este ejemplo queremos saber qué porcentaje de valores son
mayores que -0.2, que podemos encontrar usando la fórmula 100% – 42.07% =
57.93%.
TABLA DE STUDENT
La tabla t de Student es una tabla utilizada en estadística para determinar los valores
críticos de la distribución t de Student. Esta distribución se utiliza para hacer
inferencias sobre la media poblacional a partir de una muestra pequeña.

La tabla t de Student muestra los valores críticos de t para diferentes niveles de

confianza y grados de libertad. Los grados de libertad se calculan como n-1, donde
n es el tamaño de la muestra.

Ejem. 1
1.-Encontrar valor t si la confianza es de 95% y la muestra de 20 unidades.

R: Se resta siempre 1 a la muestra, entonces 20-1= 19 grados de libertad (columna

v). Se cruza entonces 19 con 0.95

El valor t que se marca en la curva es de +/-2.093

2. Si la muestra es de 25 unidades y la confianza de 99%, se busca el cruce de 24

grados de libertad contra 0.99, el valor t que se marca en la curva es +/-2.2.797

3. Si la muestra es de 30 unidades y la confianza de 90%, el resultado es el cruce

de 29 y 0.90

= +/-1.699
Ejem. 2
Un estudio revelaba que la velocidad de lectura de niños entre 6 y 8 años de edad con
Síndrome de Down que se habían atendido en el Centro de Apoyo para el Aprendizaje era
de 74 palabras por minuto en lecturas seleccionadas. Se hizo un muestreo al azar con 24
niños de tales características para corroborar si se encontraban cerca de este patrón. Se
obtuvo una media de 78 76 palabras por minuto con desviación estándar de 3 palabras por
minuto. ¿Es el promedio de la muestra diferente al del patrón de 74 ppm? Utilice t de
student a dos colas con confianza del 95%

a) Calcule el valor t
b) Obtener el valor tabla de t de student
GL= 23
Cruce de 23 y 0.95 = 2 .069
Conclusión
Como hemos visto a lo largo de este texto nos damos cuenta de que
estas herramientas de la estadística pueden ser empleadas para darle
solución a múltiples problemáticas desde tomar una serie de ensayos
fijos o no fijos donde pueden ocurrir éxitos o fracasos, múltiples
probabilidades hasta saber lo que va a ocurrir en un evento con
intervalo de tiempo o en un espacio determinado con Poisson.

Son posibilidades infinitas para hacer uso de estas herramientas; a lo

largo de nuestra carrera y vida laborar serán usadas y será gratificante
conocer la probabilidad pese a no ser una ciencia exacta, esta “no es la
exactitud lo que persigue la ciencia, sino la confección de teorías
explicativas y predictivas de fenómenos de la realidad.”