Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Una distribución discreta de probabilidades es una función f(xi) que asigna a cada
valor de una variable discreta: x1, x2, x3, … xi, una probabilidad de ocurrencia
determinada P(X=xi). Dicha función se conoce también como “función masa de
probabilidad”.
Sea X una variable aleatoria que tiene más de un resultado posible. Grafique la
probabilidad en el eje y y el resultado en el eje x. Si repetimos el experimento
muchas veces y graficamos la probabilidad de cada resultado posible, obtenemos
una gráfica que representa las probabilidades. Esta gráfica se llama distribución
de probabilidad (PD). La altura de la gráfica para X da la probabilidad de ese
resultado.
Distribución de Bernoulli
E[X] = p.
Una prueba de Bernoulli es uno de los experimentos más simples que puede
realizar. Es un experimento en el que puedes tener uno de dos resultados
posibles. Por ejemplo, «Sí» y «No» o «Cara» y «Cruz». Algunos ejemplos:
Una parte importante de cada prueba de Bernoulli es que cada acción debe ser
independiente. Eso significa que las probabilidades deben permanecer iguales a lo
largo de las pruebas; cada evento debe estar completamente separado y no tener
nada que ver con el evento anterior.
La distribución binomial ,
La distribución geométrica ,
La distribución binomial negativa .
P [ X=x ] = p ( 1− p )
x 1− x
Por otro lado, la fórmula anterior también puede escribirse mediante la siguiente
expresión equivalente:
{
P [ X=x ] = 1− p si x=0
p si x =1
Ejercicio Resuelto
Un dado tiene seis posibles resultados (1, 2, 3, 4, 5, 6), por lo tanto, en este caso
el espacio muestral del experimento es:
∅= {1,2,3,4,5,6 }
En nuestro caso, el único caso de éxito es obtener el número dos, de modo que la
probabilidad de éxito aplicando la regla de Laplace es igual a uno partido por el
número total de posibles resultados (6):
1
p= =0.1667
6
Por otro lado, si sale cualquier otro número al lanzar el dado, el resultado del
experimento se considerará como un fracaso, ya que el jugador perderá la partida.
Así pues, dicha probabilidad es equivalente a uno menos la probabilidad calculada
anteriormente:
1 6 1 5
q=1− p=1− = − = =0.8333
6 6 6 6
{
5
si x=0
P [ X=x ] = 6
1
si x=1
6
: P [ X=x ] = p x ( 1− p )1− x
10
( )
1−0
1 5
P [ X=0 ] = 1− =
6 6 6
11
( )
1−1
1 1
P [ X=1 ] = 1− =
6 6 6
Distribución binomial
n!
P= p x q n−x
( n−x ) ! x !
0! = 1
Ejercicio resuelto
Solución
Este experimento concuerda con un experimento binomial, ya que el resultado es
binario: una persona saca el teléfono en clase o no lo saca. Se puede llamar éxito
al hecho de que la persona utiliza el teléfono estando en clase, y un fracaso si no
lo hace (antes se explicó que esta elección es completamente arbitraria).
n! x n−x
P= p q
( n−x ) ! x !
8!
P= 0.546 0.46 8−6
( 8−6 ) ! x !
8! 6 2 8.7 .6 ! 6 2
P= 0.54 0.46 = . 0.54 . 0.46
2! x! 2.1.6 !
56 6 2 6 2
P= 0.54 0.46 =28.0.54 .0.46
2
P=0.147
X BN ( r , p )
Por ejemplo, una variable aleatoria que sigue una distribución binomial
negativa es el número de veces que se debe lanzar un dado hasta
conseguir tres veces el número 6.
( )
P [ X=x ] = x−1 . ( 1− p ) . pr
x−r
x−r
Ejercicio resuelto
¿Cuál es la probabilidad de que al lanzar ocho veces una moneda se obtenga cara
por cuarta vez justamente en el octavo lanzamiento?
En primer lugar, tenemos que calcular la probabilidad de sacar cara al lanzar una
moneda. En este caso, solo tenemos un resultado de éxito (cara) de dos
resultados posibles (cara y cruz), por lo que la probabilidad de éxito es:
1
p= =0.5
2
Así pues, la variable aleatoria de este problema sigue una distribución binomial
negativa en la que r=4 y p=0,5. Por lo tanto, utilizamos la fórmula de la distribución
binomial negativa para calcular la probabilidad que nos pide el ejercicio.
( )
P [ X=x ] = x−1 . ( 1− p ) . pr
x−r
x−r
( )
P [ X=8 ] = 8−1 . ( 1−0.5 ) . ( 0.5 )
8−4
8−4 4
4()
P [ X=8 ] = 7 . ( 0.5 ) . ( 0.5 )
4 4
P [ X=8 ] =35∗0.0625∗0.0625
P [ X=8 ] =0.1367
Distribución de Poisson
μ x e−μ
P ( x) =
x!
Las probabilidades de que sucedan eventos con esta distribución son pequeñas,
μ = n∙p
Ejercicio
Durante un año reciente, una clínica registró 4221 nacimientos. Con este dato
único, determinar la probabilidad de que haya 15 nacimientos en 1 día. ¿Es poco
frecuente este suceso?
Solución
Se usa la distribución de Poisson, pues se pide determinar la probabilidad de
ocurrencia de un evento que se produce en un intervalo de tiempo. En este caso,
la variable es la cantidad de nacimientos y el intervalo es de 1 día.
x −μ
μ e
P ( x) =
x!
nacimientos
μ=
diasdel año
4221nacimientos nacimientos
μ= =11.16
365 dias dia
15 −11.16
11.16 e
P ( x) =
15 !
P=0.0642
Distribución hipergeométrica
Donde:
P ( X=x )=
( x )( n−x )
K N−K
( Nn )
K es el número de éxitos en la población
N es el tamaño de la población
n es el número de sorteos
Ejemplo
En una bolsa metemos 20 bolas de color azul y 30 bolas de color rojo, es decir, en
total hay 50 bolas dentro de la bolsa. Si extraemos 12 bolas sin reponer ninguna,
calcula cuál es la probabilidad de sacar 4 bolas de color azul.
( Nn )
P ( X=4 )=
( 4 )( 12−4 )
20 50−20
(5012)
P ( X=4 )=
( 4 )( 8 )
20 30
( 5012)
( 4845 ) ( 5852925 )
P ( X=4 )=
(121399651100 )
288357421625
P ( X=4 )=
(121399651100 )
P ( X=4 )=0.2336
DISTRIBUCION GEOMETRICA
El número de coches que pasan por una carretera hasta ver un coche rojo.
El número de veces que una persona debe hacer el examen de conducir hasta
conseguir aprobarlo.
x−1
P ⌊ X=x ⌋ =( 1− p ) p
Por otro lado, la fórmula de la función de distribución que nos permite calcular una
probabilidad acumulada de la distribución geométrica es la siguiente:
x
P ⌊ X ≤ x ⌋ =1−( 1− p )
1
p= =0.1667
6
x−1
P ⌊ X=x ⌋ =( 1− p ) p
3−1
P ⌊ X=3 ⌋=( 1−0.1667 ) ∗( 0.1667 )
2
P ⌊ X=3 ⌋=( 0.833 ) ∗( 0.1667 )
Por lo tanto, la probabilidad de que ocurra lo que nos pide decía el problema es
del 11,57 %.
DISTRIBUCION MULTINOMIAL
Es decir, si un experimento aleatorio puede dar como resultado tres o más eventos
excluyentes y se conocen la probabilidad de que ocurra cada evento por
separado, la distribución multinomial sirve para calcular la probabilidad de que al
realizar varios experimentos suceda un número determinado de veces cada
evento.
n!
P= . p 1k … . pk x
1 k
x1 ! … . xk !
Dónde:
P es la probabilidad de la distribución multinomial calculada
Una tienda vende tres productos diferentes. Cuando un cliente hace una compra,
la probabilidad de que sea el producto A, el producto B o el producto C es del
30%, 15% y 55% respectivamente. Calcula la probabilidad de que cuando la
tienda haya vendido 8 unidades, 2 sean del producto A, 1 del producto B y 5 del
producto C.
El problema definido se rige por una distribución multinomial, por lo tanto, tenemos
que aplicar la fórmula de este tipo de distribución de probabilidad:
n!
P= . p 1k … . pk x
1 k
x1 ! … . xk !
n!
P= . p x ∗p 2x ∗p3 x
1 2 3
x1 ! x2 ! x3 ! 1
8! 2 1 5
P= . ( 0.30 ) ( 0.15 ) . ( 0.55 )
2 ! 1! 5 !
8.7 .6 .5 !
P= .0 .09∗0.15∗0.050328
2.1 .1 .5!
336
P= .0.09∗0.15∗0.050328
2
P=168∗0.09∗0.15∗0.050328
P=0.114
Así que la probabilidad de que ocurra lo que decía el enunciado del problema es
del 11,4%.
1 1
P [ X=x ] = =
n b−a+1
[ x ] −a+1
P [ X ≤ x ]=
b−a+1
X Uniforme ( a ,b )
b≫a
n=b−a+1
a+ b
E [ X ]=
2
La mediana de una distribución uniforme discreta es equivalente a su media, por lo
tanto, se calcula con la misma expresión
a+ b
Mc=
2
( b−a )2
Var [ X ] =
12
Ejercicio Resuelto
Valor Probabilidad
x=1 1
6
x=2 1
6
x=3 1
6
x=4 1
6
x=5 1
6
x=6 1
6
.Formula
→ X UNIF [ n=6 ]
{
1
, x=1,2 , … 6
a.- f ( x ) = 6 (Función de Probabilidad)
0 en otro caso
3
1 1 1 1 1
b.- p ( x< 4 )= p ( x ≤3 )=∑ = + + =
i=1 6 6 6 6 2
https://www.probabilidadyestadistica.net/distribucion-geometrica/
https://statologos.com/distribucion-multinomial-2/
https://www.lifeder.com/distribuciones-probabilidad-discreta/