INFORME

Tema 3
Grupo A
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

INTRODUCCION. –
¿QUÉ ES LA PROBABILIDAD Y LA ESTADÍSTICA?

La Probabilidad y la Estadística se encargan del estudio del azar desde el punto de vista de las
matemáticas y La Probabilidad propone modelos para los fenómenos aleatorios, es decir, los que
se pueden predecir con certeza, y estudia sus consecuencias lógicas.

• La Estadística ofrece métodos y técnicas que permiten entender los datos a partir de
modelos.

De esta manera, el Cálculo de las Probabilidades es una teoría matemática y la Estadística es una
ciencia aplicada donde hay que dar un contenido concreto a la noción de probabilidad.

PROBABILIDAD
En este sentido, el cálculo científico de probabilidades puede ayudarnos a comprender lo que en
ocasiones la intuición nos indica de manera errónea. Un ejemplo típico es la denominada
"paradoja de los cumpleaños". Supongamos que estamos en un grupo de 23 personas. Los cálculos
nos dicen que la probabilidad de que dos personas celebren el mismo día su cumpleaños es del
50%, algo que a simple vista parece increíble (Paradoja del Cumpleaños »). No es de extrañar por
tanto que la Teoría de Probabilidad se utilice en campos tan diversos como la demografía, la
medicina, las comunicaciones, la informática, la economía y las finanzas.

¿QUE ES LA PROBABILIDAD?
• Es la mayor o menor posibilidad que ocurra un determinado suceso

ESTADÍSTICA
La Estadística se ocupa de los métodos y procedimientos para recoger, clasificar, resumir, hallar
regularidades y analizar los datos (Estadística Descriptiva), siempre y cuando la variabilidad e
incertidumbre sea una causa intrínseca de los mismos; así como de realizar inferencias a partir de
ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones
(Estadística Inferencial).
DISTRIBUCION DISCRETA
• LA DISTRIBUCIÓN DE UNA VARIABLE ALEATORIA ES UNA FUNCIÓN QUE SE ASIGNA
A CADA SUCESO DEFINIDO SOBRE LA VARIABLE ALEATORIA LA PROBABILIDAD DE
QUE DICHO SUCESO OCURRA LA PROBABILIDAD ESTA DEFINIDA SOBRE EL
CONJUNTO DE TODOS LOS SUCESOS

• LA VARIABLE ALEATORIA SON AQUELLAS QUE SUMEN DIFERENTES VALORES A

CONSECUENCIA DE LOS RESULTADOS DE UN EXPERIMENTO ALEATORIO

X = LA VARIABLE QUE DEFINE EL NUMERO DE ALUMNOS APROBADOS EN MÉTODOS

ESTADÍSTICOS PROBABILIDAD DE 150 ALUMNOS.
1. ES GENERADO UN UNA VARIABLE DISCRETA “X” DONDE SON VALORES ENTEROS
X = 1,2,3,4,5,6,7,8,9,………
2. P(X) DEBE SER IGUAL O MAYOR A 0

Tipos de variables:

• Variable aleatoria: Es aquella cuyo valor es el resultado de un evento aleatorio. Lo que

quiere decir que son los resultados que se presentan al azar en cualquier evento o
experimento.
• Variable aleatoria discreta: Es aquella que solo toma ciertos valores
(frecuentemente enteros) y que resulta principalmente del conteo realizado.
• Variable aleatoria continua: Es aquella que resulta generalmente de la medición y
puede tomar cualquier valor dentro de un intervalo dado.1
a) Si la variable es una variable discreta (valores enteros), corresponderá una distribución
discreta, de las cuales existen:

• 3.1 DISTRIBUCIÓN DE BINOMIAL

• 3.2 DISTRIBUCIÓN DE POISSON
• 3.3 OTRAS DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
• 3.3.1 DISTRIBUCIÓN HIPERGEOMETRICA
• 3.3.2 DISTRIBUCIÓN GEOMÉTRICA
• 3.3.3 DISTRIBUCIÓN DE PASCAL

b) Si la variable es continua, esto significa que puede tomar cualquier valor dentro de un
intervalo, la distribución que se generará será una distribución continua, también
llamada distribución normal o gaussiana.

3.1. Distribucion Binomial

En estadística , la distribución binomial es una distribución de probabilidad discreta que
indica el número de éxitos al realizar una secuencia de n ensayos independientes entre sí,
con una probabilidad fija (p) de ocurrencia del éxito entre esos ensayos.
Una variable discreta es aquella que solo puede tomar un número finito de valores entre
dos valores cualesquiera de una característica.
La función de probabilidad de la distribución binomial, también denominada función de la
distribución de Bernoulli, se expresa con la fórmula:

Donde:

n es el número de pruebas o ensayos.

x es el número esperado de éxitos.

p es la probabilidad porcentual de éxito.

q es la probabilidad porcentual de fracaso, que se obtiene siempre haciendo 1 – p.

Nota:

Hay que observar que las probabilidades de éxito y fracaso son complementarias; es decir, q = 1 –
p y p = 1 – q, por lo que basta saber una de ellas para calcular la otra.

El coeficiente binomial

, también llamado número combinatorio, se puede expresar como

nCx.

El cálculo del coeficiente binomial se obtiene con la fórmula

Al incluir n! incorporamos el concepto de función factorial , el que se puede ver en Factorial o

Función factorial .

El 80 % de un universo potencial ha visto un exitoso programa de televisión. Al juntarse

4 amigas aficionadas al tema:
¿Cuál es la probabilidad de que 2 amigas del grupo hayan visto el programa?
Datos que tenemos:
n = 4 (total de la muestra)
p = 0,8 (porcentaje unitario de éxito) se obtiene a partir del 80% conocido
q = 0,2 (porcentaje unitario de fracaso) (se obtiene haciendo 1 – 0,8 = 0,2
x = 2 (amigas que hayan visto el programa)
Apliquemos nuestra fórmula conocida y pongamos los datos que tenemos:

Calculemos el coeficiente binomial:

Y hacemos el cálculo:

Lo que expresado como porcentaje nos dice que hay 15,36 % de posibilidades de que
entre las 4 amigas, 2 hayan visto el programa.
¿Y cuál es la posibilidad de que, como máximo, lo hayan visto 2 amigas?
Para resolver esta opción debemos fijarnos en que la condición ahora es que “como
máximo” lo hayan visto 2, lo cual implica que también puede haberlo visto 1 persona o
cero personas. Esto nos indica que x puede tener 3 valores x = (0, 1, 2).
En este caso, aplicamos la fórmula para cada opción de x y las sumamos entre sí:

Nota: 0,1536 es el porcentaje obtenido en el punto 1, que indica la probabilidad de que

2 amigas lo hayan visto.
Calculemos los coeficientes binomiales:

Entonces:

Expresado en porcentaje, significa que hay 18,08 % de probabilidad que el programa haya
sido visto como máximo por 2 de las 4 amigas (pueden ser 0, 1 o 2).

Características:
a) EL EXPERIMENTO SE REALIZA N VECES BAJO LAS MISMA CONDICIONES.
b) SOLO HAY 2 POSIBLES RESULTADOS.
c) LA PROBABILIDAD DE ÉXITO PERMANECE CONSTANTE EN TODAS LAS VECES QUE
SE REALICE EL EXPERIMENTOS.

3.2. DISTRIBUCION DE POISSON

LA DISTRIBUCIÓN DE POISSON ES UNA DISTRIBUCIÓN DE PROBABILIDAD 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".

¿Para que se le utiliza?

 • PERMITE DETERMINAR LA PROBABILIDAD DE OCURRENCIA DE UN SUCESO CON
RESULTADO DISCRETO.
• ES MUY ÚTIL CUANDO LA MUESTRA O SEGMENTO “N” ES MUY GRANDE Y LA
PROBABILIDAD DE “ÉXITOS” P ES MUY PEQUEÑA.
• SE UTILIZA CUANDO LA PROBABILIDAD DEL EVENTO QUE NOS INTERESA SE
DISTRIBUYE DENTRO DE UN SEGMENTO N DADO COMO POR EJEMPLO UNA
DISTANCIA, UN ÁREA, UN VOLUMEN O TIEMPO DEFINIDO.

Propiedades de un proceso de poisson

LA PROBABILIDAD DE OBSERVAR EXACTAMENTE UN ÉXITO EN EL SEGMENTO O TAMAÑO
DE MUESTRA N ES CONSTANTE.
EL EVENTO DEBE CONSIDERARSE RARO.
EL EVENTO DEBE SER ALEATORIO E INDEPENDIENTE DE OTROS EVENTOS.

“SI REPETIMOS EL EXPERIMENTO N VECES PODEMOS OBTENER RESULTADOS PARA LA

CONSTRUCCIÓN DE LA DISTRIBUCIÓN DE POISSON”

Formula de la distribución de poisson

DONDE:

• X ES EL NÚMERO DE OCURRENCIAS DEL EVENTO O FENÓMENO (LA FUNCIÓN NOS

DA LA PROBABILIDAD DE QUE EL EVENTO SUCEDA PRECISAMENTE ƛ VECES).

• ƛ ES UN PARÁMETRO POSITIVO QUE REPRESENTA EL NÚMERO DE VECES QUE SE

ESPERA QUE OCURRA EL FENÓMENO DURANTE UN INTERVALO DADO. POR
EJEMPLO, SI EL SUCESO ESTUDIADO TIENE LUGAR EN PROMEDIO 4 VECES POR
MINUTO Y ESTAMOS INTERESADOS EN LA PROBABILIDAD DE QUE
OCURRA ƛ VECES DENTRO DE UN INTERVALO DE 10 MINUTOS, USAREMOS UN
MODELO DE DISTRIBUCIÓN DE POISSON CON ƛ = 10×4 = 40.

• E ES LA BASE DE LOS LOGARITMOS NATURALES (E = 2,71828...)

Cálculo de probabilidades mediante la distribución de Poisson

La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que

pueden ser descritos con una variable aleatoria discreta. La letra X suele representar esa
variable y puede además asumir valores enteros (0,1,2,3 etc..). Utilizamos la letra X
mayúscula para representar la variable aleatoria y la x minúscula para designar un valor
específico que puede asumir la X mayúscula. La probabilidad de exactamente x
ocurrencias en una distribución de Poisson se calcula mediante la fórmula:

P(x) = l x * e-l / x!

l x = Lambda
(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.

e-l = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial.

Ejemplo :

Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los

archivos de la policía indican una media de cinco accidentes por mes en él. El número de
accidentes está distribuido conforme a la distribución de Poisson, y la división de
seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4
accidentes en un mes determinado.

Aplicando la fórmula anterior:

P(0) = (5)0 (e-5) /0! = 0.00674

P(1) = (5)1 (e-5) /1! = 0.03370

P(2) = (5)2 (e-5) /2! = 0.08425

P(3) = (5)3 (e-5) /3! = 0.14042

P(4) = (5)4 (e-5) /4! = 0.17552

Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3

lo que será igual a :

P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la

probabilidad de que ocurran más de tres debe ser = 1 –0.26511 = 0.73489.
La distribución de Poisson como una aproximación a la distribución binomial.

Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones

binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas
condiciones como:

n=>20
p=<0.05

En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la

distribución binomial en lugar de la media de la distribución de Poisson de modo que la
fórmula quedaría así:

P(x) = (np) X * e-np /x!

EJERCICIO EN EXCEL:
 𝑥 ÷

OTRAS DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

3.3.1. DISTRIBUCIÓN HIPERGEOMETRICA
• CUANDO ESTUDIAMOS LA DISTRIBUCIÓN BINOMIAL, VIMOS SU
IMPORTANCIA EN EL USO DE MUESTRAS CON REPOSICIÓN. PERO, SI EL
CONTROL DE CALIDAD DE UNA DETERMINADA PIEZA ACARREA SU
DESTRUCCIÓN, ESTA NO PUEDE SER RECOLOCADA Y LA MUESTRA ES
LLAMADA “SIN REPOSICIÓN”. COMO EN ESTOS CASOS EL VALOR P NO
PERMANECE CONSTANTE LA DISTRIBUCIÓN BINOMIAL SE VUELVE
INADECUADA PARA SU ESTUDIO. PARA ESTOS CASOS, O SEA, DONDE
TODAS LAS CARACTERÍSTICAS DE LA BINOMIAL SE MANTIENEN SIN
EXCEPCIÓN DE P, QUE NO ES MAS CONSTANTE DEBE SER USADA LA
DISTRIBUCIÓN HIPERGEOMETRICA, QUE TIENE LA SIGUIENTE FUNCIÓN
DENSIDAD:

𝑁𝑝 𝑁𝑞 𝑁
𝑃(𝑥) =[ ][ ] ÷[ ]
𝑥 N−𝑥 N
¿Para qué se utiliza?
• SE UTILIZAN PARA CALCULAR LA PROBABILIDAD DE UNA SELECCIÓN
ALEATORIA DE UN OBJETO SIN REPETICIÓN.
 • ES ESPECIALMENTE ÚTIL EN TODOS AQUELLOS CASOS EN LOS QUE SE
EXTRAIGAN MUESTRAS O SE REALIZAN EXPERIENCIAS REPETIDAS SIN
DEVOLUCIÓN DEL ELEMENTO EXTRAÍDO O SIN RETORNAR A LA SITUACIÓN
EXPERIMENTAL INICIAL.
• EL NUMERO DE REPETICIONES DEL EXPERIMENTO ´´N´´ ES CONSTANTE.
• LAS PROBABILIDADES ASOCIADAS A CADA UNO DE LOS RESULTADOS NO
SON CONSTANTES.
• SE UTILIZA PARA CALCULAR LA PROBABILIDAD DE UNA SELECCIÓN
ALEATORIA DE UN OBJETO SIN REPETICIÓN.

• LOS EXPERIMENTOS QUE TIENEN ESTE TIPO DE DISTRIBUCIÓN TIENEN LAS

SIGUIENTES CARACTERÍSTICAS:
A) AL REALIZAR UN EXPERIMENTO CON ESTE TIPO DE DISTRIBUCIÓN, SE
ESPERAN DOS TIPOS DE RESULTADOS.
B) LAS PROBABILIDADES ASOCIADAS A CADA UNO DE LOS RESULTADOS NO
SON CONSTANTES.
C) CADA ENSAYO O REPETICIÓN DEL EXPERIMENTO NO ES INDEPENDIENTE DE
LOS DEMÁS.
D) EL NUMERO DE REPETICIONES DEL EXPERIMENTO (N) ES CONSTANTE.
EJEMPLO:
1.De un lote de 40 microcomponentes, cada uno se denomina aceptable si no tiene mas
de tres defectuosos. El procedimiento para muestrear el lote es la selección de cinco
componentes al azar y rechazar el lote si se encuentra un componente defectuoso. ¿Cuál
es la probabilidad de que se encuentre exactamente un defectuoso en la muestra si hay
tres defectuosos en todo el lote?
Ejemplo en Excel:

DISTRIBUCIÓN GEOMETRICA. –
• DESCRIBE EL NÚMERO DE INTENTOS O FALLAS ANTES DEL PRIMER ÉXITO.
• ESTA VARIABLE ALEATORIA PROPORCIONA EL TIEMPO TRANSCURRIDO HASTA EL
PRIMER ÉXITO. POR EJEMPLO: ENCONTRAR UNA PIEZA DEFECTUOSA, LA PRIMERA
OCURRENCIA DE UN SUCESO, LA ROTURA DE CIERTA PIEZA, ETC.
• PRESENTA LA PROPIEDAD DENOMINADA PROPIEDAD DE MARKOV O DE FALTA DE
MEMORIA, IMPLICA QUE LA PROBABILIDAD DE TENER QUE ESPERAR UN TIEMPO,
 NO DEPENDE DEL TIEMPO QUE YA SE HAYA ESPERADO, (SÓLO IMPORTA AL
ESTADO ACTUAL PARA PREDECIR EL ESTADO FUTURO).

Definicion.-
- La Distribucion geometrica es una distribucion discreta sin Memoria es decir
independiente.
-se efectuan tantas repeticiones independientes de un experiment de Bernoulli como sean
necesarias para obtener el primer exito.
FORMULA:
DONDE:

P (X=X) = function de la densidad de la variable

X = numeros de experimentos
P = probabilidad de exito
q = probabilidad de fracaso ( 1-P )

• Para determinar el valor esperado de una distribucion geometrica :

E(X) =1/P

• Varianza:
Var(X) = 1-P /P^2

Ejemplo:
1.-Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de
que aparezca águila es de 2/3, mientras que la probabilidad de que aparezca sello es de
1/3, Determine la probabilidad de que en el último lanzamiento aparezca una águila.

Solución:
Si nosotros trazamos un diagrama de árbol que nos represente los 8 lanzamientos de la
moneda, observaremos que la única rama de ese árbol que nos interesa es aquella en
donde aparecen 7 sellos seguidos y por último una águila; como se muestra a
continuación:
 SSSSSSSA

Sí denotamos;
x = el número de repeticiones del experimento necesarias para que ocurra un éxito por
primera y única vez = 8 lanzamientos
p = probabilidad de que aparezca una águila = p( éxito) = 2/3
q = probabilidad de que aparezca un sello = p(fracaso) = 1/3
Luego, la fórmula a utilizar cuando se desee calcular probabilidades con esta
distribución sería;

Donde:
p(x) = probabilidad de que ocurra un éxito en el ensayo x por primera y única vez
p = probabilidad de éxito
q = probabilidad de fracaso

Resolviendo el problema de ejemplo;

x = 8 lanzamientos necesarios para que aparezca por primera vez una águila
p = 2/3 probabilidad de que aparezca una águila
q = 1/3 probabilidad de que aparezca un sello

p(x=8) =

2. Los registros de una compañía constructora de pozos, indican que la probabilidad de

que uno de sus pozos nuevos, requiera de reparaciones en el término de un año es
de 0.20. ¿Cuál es la probabilidad de que el quinto pozo construido por esta compañía
en un año dado sea el primero en requerir reparaciones en un año?.

Solución:
x = 5 que el quinto pozo sea el primero que requiera reparaciones en un año
p = 0.20 = probabilidad de que un pozo requiera reparaciones en el término de un año
q = 0.80 = probabilidad de que un pozo no requiera reparaciones en el término de un
año

p(x = 5) =

DISTRIBUCIÓN DE PASCAL
 • ES UNA AMPLIACIÓN DE LAS DISTRIBUCIONES GEOMÉTRICAS, UTILIZADA EN
PROCESOS EN LOS CUALES SE VE NECESARIA LA REPETICIÓN DE ENSAYOS HASTA
CONSEGUIR UN NÚMERO DE CASOS FAVORABLES.
• MIDE EL NÚMERO DE ÉXITOS EN UNA SECUENCIA DE ´´N´´ ENSAYOS DE BERNOULLI
INDEPENDIENTES ENTRE SÍ, CON UNA PROBABILIDAD ´´P´´ DE OCURRENCIA DE
ÉXITOS EN LOS ENSAYOS.
• SE CARACTERIZA POR SER DICOTÓMICO, ES DECIR, SÓLO SON POSIBLES DOS
RESULTADOS (A Y NO A)

Definición:

• DEFINAMOS UNA EXPERIENCIA ALEATORIA CUYO RESULTADO SÓLO PUEDE SER EL

SUCESO A O SU COMPLEMENTARIO AC, Y QUE SE REPITE SECUENCIALMENTE
HASTA QUE APARECE EL SUCESO A POR PRIMERA VEZ.
• DEFINAMOS LA VARIABLE ALEATORIA X COMO EL NÚMERO DE VECES QUE
REPETIMOS LA EXPERIENCIA EN CONDICIONES INDEPENDIENTES HASTA QUE SE
DÉ A POR PRIMERA VEZ. BAJO ESTAS CONDICIONES, DECIMOS QUE LA
VARIABLE X SIGUE UNA DISTRIBUCIÓN GEOMÉTRICA O DE PASCAL DE
PARÁMETRO P = P(A).
• LA FUNCIÓN DE DENSIDAD PUEDE DEDUCIRSE FÁCILMENTE DE LA DEFINICIÓN:

• F(K) = P[X = K] = (1 − P)K P K = 0, 1, 2, ...

• ALGUNAS PUNTUALIZACIONES DE LA DEFINICIÓN DE X:
FORMA Y OBTENER LOS VALORES DE LA FUNCIÓN DE DENSIDAD Y DE LA DE DISTRIBUCIÓN
SI P(A)=P Y P=(A)=Q EN CADA REPETICIÓN X PUEDE SER DEFINIDO COMO SIENDO EL
NUMERO DE REPETICIONES NECESARIAS PARA QUE A OCURRA EXACTAMENTE R VECES, Y
SU FUNCIÓN DENSIDAD ES:
𝒙−𝟏
P(x) = [ ] . 𝐩𝒓 . 𝐪𝒙−𝒓
𝒓−𝟏
SI EN ESTA EXPRESIÓN HACEMOS R=1, TENDREMOS LA RELACIÓN CORRESPONDIENTE A
LA FUNCIÓN DENSIDAD DE LA DISTRIBUCIÓN GEOMÉTRICA

Parámetros de la Distribución Pascal

Esperanza: E(X) = (1 − p)/p
Varianza: V(X) = (1 − p)/p2
Los registros de una compañía constructora de pozos, indican que la probabilidad de que uno de
sus pozos nuevos, requiera de reparaciones en el término de un año es de 0.20.

a) ¿Cuál es la probabilidad de que el sexto pozo construido por esta compañía en un año
dado sea el segundo en requerir reparaciones en un año?

b) ¿Cuál es la probabilidad de que el octavo pozo construido por esta compañía en un año
dado sea el tercero en requerir reparaciones en un año?

Una aeronave tiene 3 computadoras idénticas. Sólo una de ellas se emplea para controlar
la nave, las otras 2 son de reserva, redundantes, por si falla la primera. Durante una hora
de operación la probabilidad de fallo es 0.0005.

a.- ¿Cuál es el tiempo promedio de fallo de las tres computadoras?

b.- ¿Cuál es la probabilidad de que las 3 fallen durante un vuelo de 5 horas?

Sí la probabilidad de que un cierto dispositivo de medición muestre una desviación excesiva
es de 0.05, ¿cuál es la probabilidad de que; a) el sexto de estos dispositivos de medición
sometidos a prueba sea el tercero en mostrar una desviación excesiva?, b) el séptimo de
estos dispositivos de medición sometidos a prueba, sea el cuarto que no muestre una
desviación excesiva.