UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE CIENCIAS BIOLÓGICAS

DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS

Mg. Ysela Agüero Palacios

Profesora Principal/UNMSM

1
 PROBABILIDAD
La probabilidad es un concepto matemático, desarrollado para
obtener una medida numérica de la posibilidad de ocurrencia de
un evento de interés en un experimento aleatorio,
Ejemplos
 Cuando se presenta una epidemia en una comunidad, cada
habitante puede enfermar o no enfermar (Experimento
aleatorio). No se sabe cual resultado va a ocurrir pero se
puede dar una medida de la posibilidad de que un individuo
particular enferme o que no enferme..
 Cuándo se planta una semilla, puede ocurrir que la semilla
germine o no germine (Experimento aleatorio). No se sabe
con certeza cual de los posibles resultados del experimento
va a ocurrir, pero se puede dar una medida de la posibilidad
de que ocurra cada uno de los resultados (probabilidad).
 EXPERIMENTO ALEATORIO
Un experimento aleatorio también denominado fenómeno
aleatorio es un experimento en el que se conoce todos los
posibles resultados (eventos elementales), no se sabe cual va
a ocurrir, pero se puede asignar una medida (probabilidad) de
la posible ocurrencia de cada uno de los posibles resultados.
 EJEMPLO 1.
Un experimento aleatorio consiste en observar el sexo del primer
y segundo hijo de una mujer.
Los posibles resultados del experimento son:

M
M
F
={MM,MF, FM, FF} F M

F
 EJEMPLO 2:

Consideremos un experimento que consiste en sembrar tres

semillas. Ahora necesitamos saber cual es la posibilidad de
que las semillas germinen. Denotaremos con G: Si una semilla
germina y con N en caso que no germine. Los posibles
resultados del experimento son
Posibles resultados del experimento aleatorio para n=3 semillas

G
G
G N
N
G

N
N G G

N
N
G

N
Ejemplo.- Se observa un descendiente y se quiere predecir cual
alelo recibe del padre y cual de la madre es un experimento
aleatorio.
 DEFINICIÓN Y CALCULO DE
PROBABILIDAD

Existen tres maneras básicas de definir la probabilidad.

Estas tres definiciones presentan planteamientos conceptuales
bastante diferentes:

 Definición clásica.
 Frecuencia relativa de ocurrencia.
 Probabilidad subjetiva.
 PROBABILIDAD CLÁSICA

La probabilidad se calcula como el cociente entre el número de

eventos favorables entre el número total de eventos posibles de
un experimento aleatorio.
En la práctica, para poder aplicar la definición clásica en el
cálculo de probabilidades de fenómenos aleatorios, es necesario
que se cumplan dos condiciones en el experimento aleatorio:

• Existe un número finito de posibles resultados.

• Todos los posibles resultados son igualmente probables

(equiprobabilidad).
 PROBABILIDAD CLÁSICA
Este concepto de probabilidad, se conoce como probabilidad a priori,
por que surge del uso de ejemplos previsibles como:
Resultado del lanzamiento de monedas no alteradas
Lanzamiento de dados no cargados
Mazos de barajas normales.
En estos casos las probabilidades se pueden establecer sin necesidad de
realizar efectivamente el experimento aleatorio, es decir, sin lanzar la
moneda, o el dado, o tomar una carta de la baraja.
Este planteamiento de la probabilidad presenta dificultades cuando
intentamos aplicarlo a los problemas de toma de decisiones menos
previsibles que las monedas, dados y cartas.
La probabilidad clásica supone también una especie de simetría en el
mundo.
 PROBABILIDAD COMO FRECUENCIA
RELATIVA DE OCURRENCIA

“Lo probable es aquello que

ocurre diariamente”.
Aristoteles.

En el siglo XIX, los estadísticos británicos, interesados en la

fundamentación teórica del cálculo del riesgo de pérdidas en las
pólizas de seguros de vida y comerciales, empezaron a recoger
datos sobre nacimientos y defunciones y estimar las
probabilidades de ocurrencia de ciertos eventos a partir del
comportamiento de los fenómenos en un número muy grande de
observaciones.
 PROBABILIDAD COMO FRECUENCIA
RELATIVA DE OCURRENCIA

En este caso, a modo de ilustración, consideremos el

lanzamiento de una moneda un número muy grande de veces,
por ejemplo, 20 mil.
A partir de cierto número de lanzamientos se observará cierta
regularidad en las probabilidades, esto es, la mitad de los
resultados tenderán a ser caras (1/2) y la otra mitad sellos (1/2).
En la práctica, el cálculo de probabilidades como frecuencias
relativas de ocurrencia de eventos, se basa en este principio, el
cual se conoce como la «ley de los grandes números».
 PROBABILIDAD COMO FRECUENCIA
RELATIVA DE OCURRENCIA

Bajo este enfoque se define la probabilidad como:

 Lafrecuencia relativa observada de un evento durante un gran
número de intentos,
o también como la fracción de veces que un evento se presenta
a la larga, cuando las condiciones son estables.

Este método utiliza las frecuencias relativas observadas de

las ocurrencias pasadas de un evento como una probabilidad.
Es decir, determinamos qué tan frecuentemente ha sucedido
algo en el pasado y usamos esa cifra para predecir la
probabilidad de que suceda de nuevo en el futuro.
 PROBABILIDADES SUBJETIVAS

La probabilidad subjetiva se puede definir como la

probabilidad asignada a un evento por parte de un
individuo, basada en la evidencia que se tenga
disponible.
Esa evidencia puede presentarse en forma de frecuencia
relativa de presentación de eventos pasados o puede
tratarse simplemente de una creencia meditada o la
experiencia del investigador.
Este concepto de probabilidad condujo a un enfoque del
análisis estadístico de datos conocido como “Estadística
Bayesiana”
 PROBABILIDADES SUBJETIVAS

 Lavaloración subjetiva de la probabilidad (Probabilidad a

priori) permiten mayor flexibilidad (comparada con las
definiciones frecuentista o la axiomática).
 Los decisores pueden hacer uso de cualquier evidencia
que tengan a mano y mezclarlas con sus creencias
personales (intuición) sobre la situación .
 Las asignaciones de probabilidad subjetiva se dan con
más frecuencia cuando los eventos se presentan sólo una
vez o un número muy reducido de veces.
 CÁLCULO DE PROBABILIDADES
Para calcular las probabilidades es necesario:

1.Considerar todos los posibles resultados (eventos elementales)

del experimento aleatorio (espacio muestral).

 = {w1,w2,…,wn}

2. La probabilidad de ocurrencia de cada resultado del experimento

aleatorio (wi) se representa con un número entre 0 y 1.

0  P(w i )  1 ; i  1,2,..., n
EXPERIMENTO ALEATORIO Y PROBABILIDAD

3. La suma de las probabilidades de todos los posibles resultados

del experimento aleatorio es igual a 1.
n

 P(w )  1
i 1
i

4. Cuando no existe posibilidad de que un resultado ocurra (: Evento

nulo o vacío) se asigna probabilidad cero ).
P ()=0
5. Cuando existe certeza de que un evento va a ocurrir se asigna
probabilidad uno (evento seguro).

P ()=1
PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Supóngase dos eventos A y B

a)La probabilidad de que A o B ocurran se define como:

b) La probabilidad condicional de que ocurra A dado que ocurrió

B, se define como:
P( A  B)
P( A / B)  Siempre que P (B )  0
P (B )

c) Se dice que A y B son independientes si la probabilida

de que ocurran conjuntamente es igual al producto de
sus probabilidades.
P ( A  B )  P ( A )P (B )
 EJEMPLO 1. (Continuación)

Consideremos el experimento que consiste en seleccionar dos

peces de una red y averiguar si alguno de ellos está marcado, es
decir ha sido recapturado.
Posibles resultados del experimento son : {CC CR RC RR}
Supongamos que la probabilidad de recaptura de un pez es p , por
lo tanto la probabilidad de captura es : 1- p
Los dos posibles resultados los dos resultados son independientes.
EXPERIMENTO ALEATORIO Y PROBABILIDAD
Como los dos elementos de cada uno de los posibles resultados
del experimento son independientes, las probabilidades de
ocurrencia de cada evento se calculan como :

p R EVENTOS Probabilidad
(w) P(w)
p R
1-p C RR p2
RC ó CR 2p(1-p)
CC (1-p)2
1-p C p
R

1-p C
EJEMPLO 2 (continuación):

Consideremos un experimento que consiste en sembrar tres

semillas , supongamos que la probabilidad de que una semilla
germine es igual a p, por lo tanto la probabilidad de que no
germine es 1-p.
Suponga además que la posibilidad de que una semilla germine es
independiente de que otra germine o no (Independencia de los
resultados del experimento).
Posibles resultados del experimento aleatorio y sus probabilidades
para n=3 semillas
p G p3
p G P2(1-p)
1-p N
G
p 1-p N p p2(1-p)
G
1-p p (1-p)2
N
1-p p p
N G G p2(1-p)
1-p 1-p
N p (1-p)2
N
p
G p (1-p)2
1-p
N (1-p)2
Los posibles resultados y sus probabilidades de ocurrencia se
muestran en la tabla a continuación
EVENTOS Probabilidad Observar que hay 3 posibles
(w) P(w)
formas en que se pueden
NNN p3
combinar el evento dos no
NNG ó NGN ó 3p(1-p)2
GNN
germinan (N) y una si (G).
NGG ó GNG ó 3p2(1-p)
Esto se puede calcular mediante
GGN el número combinatorio
GGG (1-p)3
 3 3!
Igualmente hay 3 posibles formas en que    3
 2  (3  2)!2!
se puede combinar dos que germinan y una
que no.
 3 3!
   3
 1  (3  1)!1!
VARIABLE ALEATORIA
 VARIABLE ALEATORIA
La variable aleatoria es una representación numérica del
resultado de experimento aleatorio
Generalmente, las variables aleatorias se denotan con las últimas
letras del alfabeto (X, Y, Z, W ).
Ejemplos :

X: Número de semillas que germinan de un total de 3 semillas

sembradas.
Y: Número de anuros de una especie determinada que se
encuentran a determinada altitud.
Z: Número de peces recapturados en una zona del mar.
X: Altura de los manzanos de una plantación.
 Ejemplo 1 (continuación)
Experimento aleatorio : Se selecciona dos (n=2) peces de una red
Resultados posibles : CC, CR, RC, RR
Definamos la variable aleatoria
X: Número de peces recapturados

Resultados del CC X(w)=x

experimento 0 Valores de la variable
CR
aleatoria
RC 1

RR
2

Eventos=w CC CR RC RR

X(w)= x 0 1 1 2
Ejemplo 2. (Continuación)
Experimento aleatorio :
Plantar 3 semillas de frijol (cada semilla puede germinar (G) o no germinar (N).
Experimento se repite 3 veces (n=3 semillas)
Que una semilla germine o no germine es independiente de que otra lo haga.
El número de formas en que se pueden combinar los dos resultados (G, N), en 3
repeticiones es : 23= 8.
Supongamos que la posibilidad de que una planta germine es p y de que no germine es 1-
p.

.
Definamos la variable aleatoria :
X: Número de semillas que germinan en una muestra de 3
semillas

EVENTOS Variable aleatoria Distribución de

(w) X(w) probabilidades
NNN 0 p3
NNG o NGN o GNN 1 3p2(1-p)
NGG o GNG o GGN 2 3p(1-p)2
GGG 3 (1-p)3

Los posibles valores de la variable son {0 ,1, 2, 3}

 TIPOS DE VARIABLES ALEATORIAS

 Variable aleatoria discreta.-

Cuando la variable aleatoria toma valores en el conjunto de los
números enteros (finito o infinito numerable)
 Variable aleatoria continua
Cuando la variable aleatoria puede tomar infinitos posibles en
el conjunto de los números reales.
EJEMPLOS: VARIABLE ALEATORIA DISCRETA

Experimento aleatorio Variable aleatoria Valores posibles

V.A
Se investiga acerca de la presencia X: Número de aves de la
de aves de la familia picidae en un familia picidae X= { 0, 1 }
parque (Presente/Ausente).
Se estudia peces de una red de Y: Número de peces
pesca y se observa la presencia de recapturados. Y= { 0, 1, 2, …, 50 }
peces recapturados en n=50.
Se investiga el número de parásitos X: Número de parásitos en
en un individuo huésped el individuo huésped X = { 0, 1, 2, … }

Se desea estudiar las mutaciones X: Número de mutaciones

que ocurren en un carácter en un carácter en el X = { 0,1, 2,… }
genético en el periodo de un mes periodo de un mes
EJEMPLOS: VARIABLE ALEATORIA CONTINUA
Experimento aleatorio Variable aleatoria Valores posibles
Se observa las concentraciones de X: Concentraciones de
colesterol lipoprotéico de alta colesterol lipo protéico X= mediciones en mg/dl
densidad (C-LAD) en varones de alta densidad
adultos fumadores
Se observa el tiempo de vida de 50
X: Tiempo transcurrido
plantas de palto desde que son X: Tiempo ( años)
desde la plantación
plantadas hasta que producen su
hasta su primera
primer fruto .
producción
Se selecciona aleatoriamente a una
persona de una población de X: Medición del nivel de X= Medición en mg/dL
pacientes y se averigua su nivel de glucosa
glucosa
Se selecciona aleatoriamente una
muestra de n de la familia picidae X : longitud del pico En milímetros
y se observa la longitud de su pico.
 DISTRIBUCIONES DE PROBABILIDAD

• Una vez establecida la variable aleatoria de interés asociada al

experimento aleatorio se determinan todos sus posibles valores
(Dominio de la función).
• El segundo paso es medir la probabilidad de que ocurra cada uno de
esos posibles valores de la variable aleatoria. Es decir, se necesita
conocer la Distribución de probabilidades de los resultados del
experimento aleatorio.
 EJEMPLO 1
En el ejemplo de recaptura de peces marcados, supóngase que
P(recapturado)=P(G)=0.8. Además, interesa la variable aleatoria,.

X: Número de peces marcados obtenidos en una

muestra de tamaño 2.
Los posibles valores de la variable (Dominio) son {0,1,2}.
La función de probabilidades (Distribución de probabilidades) es:

Variable Probabilidad
aleatoria P(X=x)
Recordar que p es un
X número entre cero y uno.
0 (1-0.8)2
1 2(0.8)(1-0.8)
2 (0.8)2
 EJEMPLO 1 (CONTINUACIÓN)

En el ejemplo de germinación de plantas de maíz definir la

variable aleatoria :
X: Número de plantas germinadas en una muestra de tamaño 3.
Los posibles valores de la variable son {0,1,2,3}.
Considerando P(No germine)=P(N)=0.2; P(G)=0.8
La función de probabilidades (Distrib. de probabilidades) se
puede expresar como una tabla o como una formula analítica:
analítica
Variable aleatoria Probabilidad
X(w) (P(X=x)
También se puede expresar
como
0 (0.2)3  3 x
P( X  x)    p (1  p )3 x ; x ,0,1, 2,3
1 3(0.8)(0.2)2  x
2 3(0.8)2(0.2)
3 (0.8)3
 DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS

 DISTRIBUCIÓN BERNOULLI
 DISTRIBUCIÓN BINOMIAL
 DISTRIBUCIÓN POISSON
 EXPERIMENTO DE BERNOULLI:

El experimento aleatorio de Bernoulli

 Tiene dos posibles dos resultados que se denominan

éxito: Si ocurrió el evento de interés
fracaso: Si el evento de interés no ocurrió
 Existe una probabilidad conocida de éxito y de fracaso:
P(éxito)= P(fracaso)=1-
El experimento aleatorio se puede repetir n veces en las mismas
condiciones y los resultados de las repeticiones son independientes
 DISTRIBUCIÓN DE
PROBABILIDADES BINOMIAL
 DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL
El experimento aleatorio consiste en una sucesión de n (n>1)
intentos o ensayos de Bernoullí.
En cada intento o ensayo se tienen dos posibles resultados: éxito y
fracaso.
La probabilidad de un éxito en cada ensayo es igual a  y la
probabilidad de fracaso se representa con (1- ).
Los intentos o ensayos son independientes.
La variable aleatoria se define como :
X: Número de éxitos en n ensayos
La distribución de probabilidades de la variable aleatoria se define
como:
n x
P( X  x)     (1   ) n x ; x ,0,1, 2,..., n
 x
Ejemplo 2
Experimento aleatorio :
Plantar 3 semillas de frijol (cada semilla puede germinar (G) o no germinar (N).
Experimento se repite 3 veces (n=3 semillas)
Que una semilla germine o no germine es independiente de que otra lo haga.
Supongamos que la posibilidad de que una planta germine es =0.8 y de que no
germine es 1-=1- 0.8=0.2
La variable aleatoria se define como:
X: Numero de semillas que germinan

.
Ejemplo: Distribución de probabilidades Binomial (3, 0.8)

X=x P(X=x)
 3 x
0 0,008 P( X  x)    0.8 (1  0.8)3 x ; x ,0,1, 2,3
1 0,096  x
2 0,384
3 0,512
 Ejemplo 2
Suponga que se desea averiguar cuál es la probabilidad de que exactamente una semilla germine (X=1).

Cuál es la probabilidad de que exactamente tres semillas germinen (X=3)

 3 31 3!
P( X  1)    0.8(1  0.8) = (0.8)(0.2) 2  0.096
1 (3  1)!1!

 3 3 3!
P( X  3)    0.8 = (0.8)3  0.512
 3 (3  3)!3!

Cuál es la probabilidad de que a lo mas una semilla germine.

Aquí el resultado puede ser que X=0 o X=1, entonces

P( X  1)  P( X  0)  P( X  1)  0.008  0.096  0.104

 ESPERANZA Y VARIANZA DE LA DISTRIBUCIÓN
BINOMIAL
Esperanza (Media)
La esperanza de una variable aleatoria es equivalente a la media
aritmética de la variable evaluada en toda la población
(parámetro).
  E ( X )  np
Varianza
La varianza poblacional es igual ala varianza estudiada en el
análisis descriptivo solo que ahora se calculan las desviaciones de
los valores de la variable aleatoria con respecto a la media
poblacional
 2  V ( X )  np(1  p )
 Distribución de Probabilidad Binomial
para muestras grandes

Cuando que la probabilidad de éxito

es de 0.5 (distribución simétrica).
Con muestras de tamaño 40 ya se
observa convergencia hacia la
normal.

La probabilidad de éxito es
p=0.30 (distribución asimétrica).
La convergencia hacia la normal
es más lenta (a partir de n=120).
DISTRIBUCIÓN DE POISSON
DISTRIBUCIÓN DE PROBABILIDADES POISSON
La distribución poisson se utiliza como una alternativa a la
distribución binomial, en estudios en los que, el tamaño de muestra
es grande y el evento de interés es raro (lo cual se refleja en una
probabilidad de ocurrencia muy pequeña).
Esta distribución también se utiliza en :
a) Estudios longitudinales para modelar la incidencia de una
enfermedad o daño en un periodo de tiempo. Ej. Número de
personas con el síndrome de Guillain Barre en el Perú durante el año
2018.
b) Para modelar el número de ocurrencias de un evento en un área. Ej.
Ej. Número de aves de una especie en un parque ecológico.
c) Para modelar el número de ocurrencias de un evento en un volumen.
Ej. Número de bacterias en un medio de cultivo.
 Aproximación de una Binomial a una Poisson
Surge como una aproximación a la binomial para experimentos aleatorios
en los cuales el tamaño de la muestra, n, es muy grande y la probabilidad,
p, de ocurrencia del evento de interés es muy pequeña (Evento raro).

 Sea X una v.a. con distribución Binomial

X B(n,P)
 Si se verifica que

 n grande y p < 0.1

 o bien np ≤ 5
 La distribución binomial se aproxima a una distribución de Poisson
de parámetro =np
X → P (=np)
DISTRIBUCIÓN DE PROBABILIDADES POISSON

La distribución de probabilidades asociada con una variable

aleatoria poisson es dada por:
 x
e 
P( X  x)  , x  0,1, 2,...   0
x!
=np es el número promedio de éxitos en un número muy grande
de ensayos, en un intervalo de tiempo, en una transecta, en
un medio de cultivo, etc.

La variable aleatoria poisson toma valores enteros (conteos) entre

cero e infinito X=0,1,2,… (n muy grande)
 ESPERANZA Y VARIANZA DE LA
DISTRIBUCIÓN DE POISSON
Esperanza
  E ( X )  np  
Varianza
 2  V ( X )  np  
Distribución de Poisson para varios valores de .
Ejemplo
Se sabe que la probabilidad de encontrar una célula de levadura en
un cuadrado es 0,005. Se seleccionan 400 cuadrados de un
hemocitómetro. Se define la variable aleatoria como:
X: Número de células de levadura por cuadrado.
El número esperado de células de levadura en una muestra de 400
cuadrados es:
 =np=400(0.005)=2.
La distribución de probabilidades de la variable aleatoria X es:

e 2 2 x
P( X  x)  , x  0 ,1, 2 ,...
x!
A partir de este modelo se puede calcular la probabilidad de cualquier
evento aleatorio.
 DISTRIBUCIÓN DE PROBABILIDADES POISSON
a) ¿Cuál es la probabilidad de encontrar exactamente dos células
de levadura?
e 2 22
P( X  2)  =0.2707
2!
b) ¿Cuál es la probabilidad de encontrar no más de una célula de
levadura 2 0 2 1
e 2 e 2
P ( X  2)  P ( X  0)  P( X  1)  
0! 1!
P ( X  2)  0.1353  0.0.2707  0, 406

b) ¿Cuál es la probabilidad de encontrar por lo menos dos células

de levaduras
P( X  1)  P( X  2)  P( X  3)  P( X  4)  ...

P( X  2)  1  P( X  2)  1  0,4060  0.594
DISTRIBUCIÓN DE PROBABILIDADES POISSON
La distribución poisson se utiliza como una alternativa a la
distribución binomial en estudios transversales donde el tamaño
de muestra es grande y el evento de interés es raro (lo cual se
refleja en una probabilidad de ocurrencia muy pequeña).

Esta distribución también se utiliza en :

a) Estudios longitudinales para modelar la incidencia de una
enfermedad o daño en un periodo de tiempo. Ej. Número de
personas con peste bubónica en Lima durante el año 2010.
b) Para modelar el número de ocurrencias de un evento en un
área. Ej. Número de laceraciones en un área de piel.
c) Para modelar el número de ocurrencias de un evento en un
volumen. Ej. Número de bacterias en un medio de cultivo.
EXPERIMENTOS ALEATORIOS QUE CONDUCEN A
PROCESOS DE POISSON

1. En un estudio de suicidios realizado por un investigador se

encontró que el número mensual de adultos suicidas en el país
entre 1990 y 2007 seguía una distribución poisson con
parámetro = 1.8 (número promedio de suicidios en el periodo)
2. Durante un estudio de cierto organismo acuático, se tomó un
gran número de muestras de una laguna y se contó el número
de organismos en cada muestra. Por estudios anteriores se sabe
que el número esperado de este organismo en este tipo de
lagunas es de 2.
APLICACIONES DE LA DISTRIBUCIÓN POISSON EN
MICROBIOLOGÍA

Cuando se busca realizar el recuento de microorganismos

viables por conteo en plato o determinar el número más
probable (NMP), el suceso a observar será “número de
colonias bacterianas” (UFC) desarrolladas sobre el plato de
agar o el “número de tubos con crecimiento bacteriano”
(positivos). El intervalo corresponderá a la unidad de muestra
analizada, llámese gramo de suelo, o mililitro de un líquido
analizado (agua, sangre, etc.).
 APLICACIONES DE LA DISTRIBUCIÓN POISSON EN
MICROBIOLOGÍA

En el caso de la determinación de la probabilidad de mutación

bacteriana, el suceso será la observación del número de bacterias
mutantes (cada célula bacteriana mutante generará una colonia en
un medio de cultivo selectivo de dicha mutación) y el intervalo
corresponderá a la concentración bacteriana bajo observación, por
ejemplo 2x109  células bacterianas