DISTRIBUCIÓNES DE PROBALIDAD FUNCIONES

VARIABLE DISCRETA

ASPÉCTOS VARIOS DE DISTRIBUCIÓN BINOMIAL-

HIPERGEOMETRICA -POISSON

TEORÍA Y PROBLEMAS
jvsfrankcolombia@gmail.com
 VARIABLE ALEATORIA TIPOS

• Variable Aleatoria:
• Es una magnitud susceptible de tomar diversos valores con determinadas probabilidades;
También es una función que transforma los resultados de un experimento aleatorio en valores
de los números reales, es decir, los elementos de un espacio muestral S, en elementos del
conjunto de los reales, con determinadas probabilidades. F : S  R. Es una función con
valor numérico definida sobre el espacio de la muestra. Notación: U,V,X,Y,Z, Mayúsculas
• Valores Individuales de la variable aleatoria X se notan: x1, x2.............xn
• Variable aleatoria puede ser: Discreta y Continua.
• 1.1.-Discretas: Son las que toman valores en un conjunto finito o en un conjunto infinito contable, se
originan del proceso de conteo. Se notan v.a.d. Ejemplos
• Número de accidentes en un tramo de la autopista.
• Número de pacientes atendidos en un servicio de emergencia
• Numero de plaquetas en una persona
• 1.2.-Continua.
• Son las que toman valores dentro de un conjunto infinito y se originan de procesos de
medición, no contemplan empates o valores iguales, se notan v.a.c. Ejemplos
• Peso de una persona-
• Estatura de una persona
 VARIABLE ALEATORIA (cont.)

• Ejemplo: de v.a.d
• 1: lanzar una moneda dos veces obtener S, definir la variable aleatoria comprobar
el concepto,
• S = (c,c); (c,s); (s,c); (s,s)
• Se define la variable aleatoria X: No de sellos en el lanzamiento. El recorrido de X se
nota Rx (conjunto de posibles valores de la variable).
• Rx = 0,1,2
• Hacer gráfica
•

• (observe como cada punto del espacio muestral se transforma en un número)

 VARIABLE ALEATORIA (cont.)

• x(c,c) = 0 x (c,s) = x (s,c) = 1 x (s,s) = 2

• x1 = 0 x2 = 1 x3 = 2
• P(c,c) = P(x = 0) = ¼
• P(s,s) = P(x=2) = ¼
• P{(c,s) ó (s,c)} P(x=1) = 2/4

Si  es un experimento aleatorio y S su espacio muestral asociado la función que

asigna a cada uno de los elementos s ó que pertenecen a S un número real X(s), se
denomina VARIABLE ALEATORIA.
Es una magnitud que toma valores con diferentes probabilidades
• P(x = 0) = ¼
• P(x = 1) = 2/4

• P(x = 2) = ¼
 FUNCIONES DE DISTRIBUCIÒN

• Funciones de Distribución.
• Las funciones de distribución de probabilidad se pueden concebir como una distribución
teórica de frecuencia, ya que describe como se espera que varíen los resultados y en
algunos casos, es un listado exhaustivo de las probabilidades de todos los resultados
posibles que podrían presentarse si se efectúa el experimento, Hay de dos tipos de
distribución, cuando la variable aleatoria es discreta se le denomina FUNCIÓN DE
PROBABILIDAD DE MASA o simplemente DISTRIBUCIÓN DE PROBABILIDAD
p(x) y si la variable aleatoria es continua se le denomina FUNCIÓN DE DENSIDAD O
DENSIDAD DE UNA VARIABLE ALEATORIA f(x).
• Función de Probabilidad de Masa o Distribución de Probabilidad.
• Es lo que mide la probabilidad de ocurrencia de cualquier resultado (o valor particular) o
conjunto de valores de la variable aleatoria X discreta. Se puede definir como una tabla,
una gráfica o una fórmula que mide la probabilidad de X, p(x), asociada a cada posible
valor de X.
• Notación: p(x)
• Veamos el Ejemplo 1
 FUNCIONES DE DISTRIBUCIÒN (cont.)

• Construir la función de probabilidad o masa

• X 0 1 2
P(x) 1/4 1/2 1/4
•
• Ahora corresponde construir el histograma de probabilidad
 FUNCIONES DE DISTRIBUCIÒN (cont.)

• Función de Distribución Acumulada. F(X)

• También se le denomina DISTRIBUCIÓN ACUMULADA de la variable aleatoria X, y
se define como la función que mide la probabilidad P(x), de que la variable aleatoria X
sea menor o igual que un número dado x que esta en el recorrido de la variable X.
• Notación: F(x) = P (X  x)
• Si la variable aleatoria es discreta se mide por:
• F(X) = P(X  x) =  p(xi)
• xi  x
• Si el número dado es h  Rx
• F(h) = P (X  h) =  p (xi)
• xi  h
• Ejercicio 2:
• En el ejemplo 1: Calcular F(1)
• F(1) = P(X  1) = P(0  X  1) =  P(xi) = P(x = 0) + P(x = 1)
xi  1
• F(1) = ¼ + ½ = ¾
 DISTRIBUCIONES DE VARIABLE DISCRETA
DISTRIBUCIÓN BINOMIAL
Ensayo de Bernoulli: son fenómenos que tiene resultados con solo dos alternativas, es un
fenómeno dicotómico, solo dos posibles dos resultados, A uno de estos resultados se denomina
éxito (E) y tiene una probabilidad de ocurrencia p (E) = p y al otro, fracaso (F), con una
probabilidad: P(E) + P(F) = p + q = 1 , Ejemplos .
-Reacción a dosis de penicilina: positiva (alérgica) - negativa (no alérgica)
- Reacción a la tuberculina positiva o negativa

Distribución Binomial: Es una distribución de probabilidad de variable discreta, que cuenta el

número de éxitos (x) en una secuencia de n ensayos de Bernoulli, independientes entre sí, con
una probabilidad fija (en todos los ensayos) P(E)= p de ocurrencia del éxito en cada ensayo y su
probabilidad en cualquier punto sigue el modelo (probabilidad puntual)

P ( X  x; n, p)   nx   p x  q n x para x  0,1,2,......n
x: número de éxitos en n ensayos
Probabilidad de fracaso, en cada ensayo, P(F) = q. Ya que p + q = 1 en consecuencia
q = 1- p]
X  B (n, p) que se lee X sigue una distribución binomial con parámetros n y p.

  E ( x )  n  p V ( X )   x2  n  p  q
 PROBLEMAS DE DISTRIBUCION BINOMIAL (C0NT.)

• 1.Un fármaco no es efectivo el 10%, de los casos. En un estudio clínico se

administra a un grupo de 4 pacientes.
Calcular la probabilidad de que:
• 1.1. Falle en tres pacientes 1.2 Falle al máximo en dos
• 1.3 Falle por lo menos en 3 Para resolverlo determine los parámetros usando la
tabla y Excel
2. En cierto hospital se comprobó que la aplicación de determinado tratamiento a
enfermos de cirrosis produce una leve mejoría en el 80% de los casos. Si se aplica
el tratamiento a ocho personas, Calcular la probabilidad de que:
• 2.1. Probabilidad de que mejoren cinco. 2.2. Probabilidad de que mejoren al
menos tres. 2.3. Número de personas que se espera que mejoren. ¿Qué indica
este número? Solución. 0.1468; 0.7969; 6

• https://campusvirtual.ull.es/ocw/pluginfile.php/6020/mod_resource/content/1/te
ma8/PP8.2-valeatorias.pdf
 LA DISTRIBUCIÓN HIPERGEOMETRICA
• GENERALIDADES DE LA DISTRIBUCIÒN HIPERGEOMETRICA
• Tanto la distribución binomial como la hipergeométrica se ocupan del número de
éxitos en una muestra de n observaciones. La distribución hipergeométrica se
diferencia de la binomial en la forma de obtener los datos; en la Binomial el
muestreo se hace con reemplazamiento en poblaciones finitas o sin reemplazamiento
en poblaciones infinitas (sucesos independientes), mientras que en la
hipergeométrica se hace sin reemplazamiento en poblaciones finitas (sucesos
dependientes) por lo que la probabilidad no es constante.
Características de la variable hipergeométrica
• I) El experimento planteado consiste en obtener o elegir x (éxitos) elementos que
tienen el atributo A de M1 elementos y n-x elementos que tienen el atributo de B de
M2 elementos, donde M2 = N – M1, siendo N el tamaño de la población, y n-x
representa el número de fracasos.
• II) El tamaño de la muestra n es grande, en comparación el número de elementos de
N, que es el tamaño de la población, n/N > 0.5
• III) La variable aleatoria hipergeométrica x, es el número de éxitos en la muestra de
n elementos.
 LA DISTRIBUCIÓN HIPERGEOMETRICA (CONT.)

• CARACTERÌSTICAS DE LA DISTRIBUCIÒN HIPERGEOMETRICA (CONT.)

• La variable X, sigue una distribución hipergeométrica, con parámetros n, M1 y M2 ,
lo cual se simboliza por
• XH (n, M1, M2), Su distribución de probabilidad está dado por el modelo
(M 1 )  (M2 )
• P(X = x; n, M1, M2) = x n-x

( nN )
• Donde
• N  Tamaño de la población
• M1  Tamaño del grupo 1 ó con el atributo A
• M2  Tamaño del grupo 2 ó con el atributo B
• x  Número de éxitos en la muestra n, N = M1 + M2 tamaño de la
población.
• n– x  Número de fracasos F.
• n  Tamaño de la muestra o numero de ensayos
 LA DISTRIBUCIÓN HIPERGEOMETRICA (CONT.)

• CARACTERÌSTICAS DE LA DISTRIBUCÒN HIPERGEOMETRICA (CONT.)

• La media o esperanza matemática de la variable viene dada por
n x
  Ex 
n
• La varianza viene dada por
x   N  x   n   N  n
Var x    x2 
N 2   N  1
• En un salón de clases hay 6 alumnos de ing. de Sistemas y 4 ing. de Minas. Si se
seleccionan 6 alumnos, para ser becados, cuál es la probabilidad que, 4 sean de Sistemas.
• Definir los atributos, quien va ser el éxito
• A: Ser alumno de ing. Sistemas
• B: Ser alumno de ing. de minas
• M1 = 6 M2 =5 N = 10 x = 4 n=6 n–x= 2
•
• P(x=4; n=6, M1=6, M2=4) =
•
 LA DISTRIBUCIÓN POISSON (CONT.)

• GENERALIDADES DE LA DISTRIBUCIÓN DE POISSON

• También se refiere al número de éxitos igual que la binomial y la
hipergeométrica. Se puede utilizar como una aproximación de la
distribución binomial también.
• La distribución de Poisson se utiliza específicamente para describir
procesos, que ocurren en intervalos de tiempo o espacio, es por eso
que fundamentalmente se utiliza en la demanda de necesidades o
servicios, por ejemplo número de llamadas que llegan a una central
telefónica en una hora determinada, número de pacientes que llega a
un servicio de emergencia en un día de la semana, número de
accidentes que llega a un centro asistencial en cualquier día de la
semana, entre otros. Todos estos procesos se conocen con el nombre
de experimentos de PIOSSON.
 DISTRIBUCIÓN DE POISSON (Cont.)

• CARACTERÍSTICAS DE LA VARIABLE POISSON

• I) El experimento consiste en contar el número x de veces que ocurre un
evento dado en particular, en un intervalo de tiempo, espacio, área, volumen
(peso, distancia o cualquier otra unidad de medida), dada.

• II) La probabilidad de ocurrencia del evento en un intervalo dado es

constante para todos los intervalos o unidad de medida dada.

• III) El número de eventos que ocurren en un intervalo o unidad de medida

dada es independiente de los otros. Se le denomina Hipótesis Básica: Que los
eventos de un intervalo a otro son independientes.

• IV) El numero medio (o esperado) de eventos en cada intervalo o unidad de

medida se denota por la letra griega lambda ().
 DISTRIBUCIÓN DE POISSON

• El número de éxitos X en un experimento de Poisson se denomina variable

aleatoria de Poisson y sigue una distribución con parámetro , y viene dada por el
modelo:
•
e    x

• P ( X  x;  )  x = 0,1,2,........
• X!
• Donde  es el Nº de promedio de éxitos (eventos) que ocurren en el intervalo de
tiempo o espacio determinado, es el parámetro de la distribución.

• e  x
x  para x= 0,1,2,3,…….
F ( x )  P ( X  x;  )  
x 0 X!
• La distribución de Poisson se puede usar como una aproximación de la distribución
Binomial cuando:
• n =20 y p= 0,05
 DISTRIBUCIÓN DE POISSON
• Ejemplo 1:
En una central telefónica de empresa manufacturera se reciben un promedio de
cuatro (4) llamadas por minuto. ¿Cuál es la probabilidad? de
• a) Que durante un minuto cualquiera, se reciben tres (3) llamadas.
• b) Que durante un minuto se reciban al máximo tres llamadas (ninguna, una, dos o
tres).
• Ejemplo 2:
El promedio de alumnos que se atienden en la universidad en la Unidad de
Orientación, es cinco (5) por hora. ¿Cuál es la probabilidad de que las próximas tres
(3) horas se atiendan seis (6) alumnos?.
• Como el intervalo cambia de 1 a 3 horas también  cambia, el nuevo.
• = 1  = 5.3 = 15
• ¿Cuál es la probabilidad de que al menos se atiendan seis (6) alumnos en las
próximas seis (6) horas?.
• ¿Cuál es la probabilidad de que puedan atenderse 6,7,8.............n?