Distribuciones Discretas de Probabilidad

UNIVERSIDAD FRANCISCO GAVIDIA
CENTRO REGIONAL DE OCCIDENTE
ASIGNATURA: Estadística I
TEMA: DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
DOCENTE: LIC. WALTER FRANCISCO VASQUEZ
FLORES
ALUMNO: HEBER ANTONIO LEMUS VILLEDA
FECHA: Santa Ana, 17 de noviembre de 2008.

INDICE
Distribuciones Discretas de Probabilidad

INTRODUCCIÓN
Analizar datos recabados, puede tornarse una tarea difícil en cuanto a cuales pueden ser los
resultados y para que necesitarían la información. La estadística, como una rama de la
matemática, presenta formas prácticas de resolver estas dificultades.
Una distribución de los datos en categorías que ha demostrado ser útil al organizar los
procedimientos estadísticos, es la distinción entre variables discretas.
Una variable discreta es sencillamente una variable para la que se dan de
modo inherente separaciones entre valores observables sucesivos. En otras
palabras, se define una variable discreta como la variable tal que entre 2
valores cualesquiera observables, hay por lo menos un valor no observable.
Esta distribución tiene muchas variantes, pero entre las más importantes podemos mencionar 5 y
son: Distribución Binomial, la cual mideel número de éxitos en una secuencia de “n” ensayos
independientes de Bernoulli; Distribución Binomial Negativa, que estudia el número de
experimentos, independientes entre sí; La Distribución Poisson, que expresa la probabilidad de un
número k de eventos ocurriendo en un tiempo fijo: La Distribución Geométrica e Hipergeométrica.
3 Distribuciones Discretas de Probabilidad

DISTRIBUCIÓN DE PROBABILIDAD
En estadística, dada una variable aleatoria X, la distribución de probabilidad de X
es la función FX(x), que asigna a cada evento definido sobre X una probabilidad, que está definida
por:
y de manera que se cumplan las siguientes tres condiciones:
1. y
2. Es continua por la derecha.
3. Es monótona no decreciente.
Para simplificar la notación, cuando no hay lugar a confusión se omite el subíndice X, y se escribe
simplemente F(x).
La función de distribución es la acumulada de la función de densidad de probabilidad f(x). Es decir,
se calcula directamente según:
 Si x es una variable aleatoria discreta
 Si x es una variable aleatoria continua

Propiedades
Para dos números reales cualesquiera a y b tal que (a < b), los sucesos
y serán mutuamente excluyentes y su unión es el suceso , por lo
que tenemos entonces que:
y finalmente
Por lo tanto una vez conocida la función de distribución F(x) para todos los valores de la variable
aleatoria x conoceremos completamente la distribución de probabilidad de la variable.
Para realizar cálculos es más cómodo conocer las distribución de probabilidad, para ver una
representación gráfica de la probabilidad es más práctico el uso de la función de densidad.
DISTRIBUCIÓN DE VARIABLE DISCRETA
Una variable discreta es sencillamente una variable para la que se dan de modo inherente
separaciones entre valores observables sucesivos. En otras palabras, se define una variable
discreta como la variable tal que entre 2 valores cualesquiera observables, hay por lo menos un
valor no observable.
A dicha función se la llama función de masa de probabilidad. En este caso la distribución de
probabilidad es el sumatorio de la función de masa, por lo que tenemos entonces que:

Y, tal como corresponde a la definición de distribución de probabilidad, esta expresión representa la
suma de todas las probabilidades desde hasta el valor x.
Distribuciones de variable discreta más importantes
Existen 5 tipos de distribuciones de variable discreta que son las más importantes, y estas son:
 Distribución binomial
 Distribución binomial negativa
 Distribución Poisson
 Distribución geométrica
 Distribución hipergeométrica
Distribución Binomial
Esta distribución se basa en el proceso de Bernoulli. Se denominan procesos de tipo Bernoulli, a
todo experimento consistente en una serie de pruebas repetidas, caracterizadas por tener
resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo, siendo
aleatorios e independientes.
La distribución binomial es una generalización de la distribución de Bernoulli, a la que puede
llegarse nuevamente haciendo n = 1.
Su función de masa de probabilidad está dada por:
para , siendo las combinaciones de en (
elementos tomados de en )

Por ejemplo, la distribución binomial se puede usar para calcular la probabilidad de sacar 5 caras y
7 cruces en 12 lanzamientos de una moneda. En realidad solo se calcula la probabilidad de sacar 5
caras, pero como es lógico si en 12 lanzamientos de una moneda sacamos 5 caras el resto deben
ser cruces, 7 en este caso.
Por lo tanto debemos definir la variable "X: Número de caras obtenidas en 12 lanzamientos de
moneda". En este caso se tiene que
y resulta:
Observese que para el caso concreto de la moneda al ser la probabilidad de éxito θ = 0,5 la función
de masa de probabilidad solo depende del número combinatorio ya que:
0,5x(1 − 0,5)n − x = 0,5x0,5n − x = 0,5n − x + x = 0,5n que es constante para un n fijo.
Su media y su varianza son:
Experimento binomial
La variable aleatoria binomial y su distribución están basadas en un experimento que satisface
las siguientes condiciones:
 El experimento consiste en una secuencia de n ensayos, donde n se fija
antes del experimento.

 Los ensayos se realizan bajo idénticas condiciones, y cada uno de ellos tiene unicamente
dos posibles resultados, que se denotan a conveniencia por éxito (E) o
fracaso (F) (p(E)+p(F)=1).
 Los ensayos son independientes, por lo que el resultado de cualquier ensayos en
particular no influye sobre el resultado de cualquier otro intento.
 La probabilidad de éxito es idéntica para todos los ensayos.
Siguiendo estas premisas, la variable aleatoria binomial X está definida como
X = el número de E entre los n intentos.
Relaciones con otras variables aleatorias
Se verifica que si son tales que cada una sigue una distribución Bernouilli de
parámetro , y todas ellas independientes entre sí, entonces resulta ser una variable
aleatoria con distribución binomial de parámetros .
Además, si n es grande y es pequeño, de modo que el producto entre ambos parámetros tiende
a , entonces la distribución de la variable aleatoria binomial tiende a una distribución de
Poisson de parámetro
Por último, se cumple que cuando n es muy grande (n>=30) la distribución binomial se aproxima a
la distribución normal.
Propiedades reproductivas
Dadas n variables aleatorias , tales que
 todas tienen una distribución binomial

 todas tienen el mismo parámetro
 cada una tiene su propio parámetro (es decir, los n no necesariamente tienen que ser
iguales)
 son todas independientes entre sí
 se toma la variable aleatoria
 se toma
Entonces:
La variable aleatoria Y tiene una distribución Binomial, con parámetros y .
Por lo tanto, dadas n variables binomiales independientes, donde cada una tiene su propio n pero
todas tienen igual , su suma es también una variable binomial, cuyo parámetro n es la suma de
los n de las variables originales, y cuyo parámetro coincide con el de las originales.
Distribución binomial negativa
En estadística, la distribución binomial negativa, o distribución pascal, es una distribución de
probabilidad discreta.
Esta distribución de variable discreta estudia el número de experimentos, independientes entre si,
realizados hasta la obteción del k-ésimo éxito. Es una variable aleatoria que tiene una distribución
binomial negativa con parámetros k y θ.
Donde k es el número de ensayos exitosos donde acaba el experimento y θ es la probabilidad de
éxito en un ensayo (o experimento).

Su función masa de Probabilidad viene dada por:
Para
Siendo el combinatorio
si pensamos en "fracasos esperados", y
si consideramos "número de experimentos" (incluyen k-1 éxitos y los fracasos)
(para ambos casos)
Por ejemplo, si la probabilidad de que un niño expuesto a una enfermedad contagiosa la contraiga
es 0,40, ¿cuál es la probabilidad de que el décimo niño expuesto a la enfermedad sea el tercero en
contraerla?
Sea X: Número de niños expuestos a una enfermedad contagiosa.

Distribución de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson1 expresa la probabilidad de un
número k de eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media
conocida, y son independientes del tiempo desde el último evento.
La distribución fue descubierta por Siméon-Denis Poisson(1781–1840) que publicó, junto con su
teoría de probabilidad, en 1838 en su

El eje horizontal
es el índice k. La
trabajo Recherches sur la probabilité
función
solamente está
des jugements en matières definida en
valores enteros
criminelles et matière civile2. El de k. Las líneas
que conectan los
trabajo estaba enfocado en ciertas puntos son solo
guías para el ojo
y no indican
variables aleatorias N que cuentan,
continuidad.
entre otras cosas, un número de
ocurrencias discretas (muchas veces
llamadas "arribos") que tienen lugar
durante un intervalo de tiempo de duración determinada. Si el número esperado de ocurrencias en
este intervalo es λ, entonces la probabilidad de que haya exactamente k ocurrencias (siendo k un
entero no negativo, k = 0, 1, 2, ...) es igual a:
dónde
 e es el base del logaritmo natural (e = 2.71828...),
 k! es el factorial de k,
 k es el número de ocurrencias de un evento,
 λ es un número real positivo, equivalente al número esperado de ocurrencias durante un
intervalo dado. Por ejemplo, si los eventos ocurren de media cada 4 minutos, y se está
1La distribución Poisson es también llamada Poissoniana, análogamente al término Gaussiana para una
distribución de Gauss o distribución normal.
2"Investigación sobre la probabilidad de los juicios en materias criminales y civiles"

interesado en el número de eventos ocurriendo en un intervalo de 10 minutos, se usaría
como modelo una distribución de Poisson con λ = 2.5.
Por ejemplo, si 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa,
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas.
Como una función de k, ésta es la función probabilidad de masa. La distribución de Poisson puede
ser vista como un caso limitante de la distribución binomial, es decir, que una distribución binomial
en la que y se puede aproximar por una distribución de Poisson de
valor
Ocurrencia
La distribución Poisson, Se aplica a varios fenómenos discretos de la naturaleza (esto es, aquellos
fenómenos que ocurren 0, 1, 2, 3, ... veces durante un periodo definido de tiempo o en una área
determinada) cuando la probabilidad de ocurrencia del fenómeno es constante en el tiempo o el
espacio. Ejemplos de estos eventos que pueden ser modelados por la distribución Poisson
incluyen:
 El número de autos que pasan a través de un cierto punto en una ruta (suficientemente
distantes de los semáforos) durante un periodo definido de tiempo.
 El número de errores de ortografía que uno comete al escribir una única página.
 El número de llamadas telefónicas en una central telefónica por minuto.

 El número de servidores web accedidos por minuto.
 El número de animales muertos encontrados por unidad de longitud de ruta.
 El número de mutaciones de determinada cadena de ADN después de cierta cantidad de
radiación.
 El número de núcleos atómicos inestables que decayeron en un determinado periodo de
tiempo en una porción de sustancia radiactiva. La radiactividad de la sustancia se debilitará
con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo debe ser
significativamente menor que la vida media de la sustancia.
 El número de estrellas en un determinado volumen de espacio.
 La distribución de receptores visuales en la retina del ojo humano.
 La inventiva de un inventor a través de su carrera.

Propiedades
 El valor esperado de una variable aleatoria con distribución Poisson es igual a λ y también
lo es su varianza. Los momentos más altos de la distribución Poisson son polinomios de
Touchard en λ cuyos coeficientes tienen un sentido combinatorio. De hecho, cuando el
valor esperado de la distribución Poisson es 1, entonces la fórmula de Dobinski dice que el
enésimo momento iguala al número de particiones de tamaño n.
 Las medidas de tendencia central de una variable aleatoria de distribución Poisson con un
λ no entero es igual a (o suelo de λ), el cual es el número entero más grande menor o
igual a λ. Esto también es expresado como la función parte entera de λ. Cuando λ es un
entero positivo, las medidas de tendencia central son λ y λ − 1.
 Sumas de las variables aleatorias de distribución Poisson:
Si sigue una distribución Poisson con parámetro
y Xi son independientes entonces también sigue una
distribución Poisson cuyo parámetro es la suma de los parámetros del componente.
 La función generadora de momentos de la distribución Poisson con valor esperado λ es:
 Todas las acumulaciones de la distribución Poisson son iguales al valor esperado λ. El
enésimo momento factorial de la distribución Poisson es λn.
 La distribuciones Poisson son funciones probabilísticas infinitamente divisibles.

 La divergencia Kullback-Leibler dirigida entre Poi(λ0) y Poi(λ) está dada por:
Distribución Geométrica
En teoría de probabilidad y estadística, la distribución geométrica es cualquiera de las
dos distribuciones de probabilidad discretas siguientes:
 La distribución de probabilidad del número X del ensayo de Bernoulli necesaria para
obtener un éxito, contenido en el conjunto { 1, 2, 3,...} o
 La distribución de probabilidad del número Y = X − 1 de fallos antes del primer éxito,
contenido en el conjunto { 0, 1, 2, 3,... }.
Cuál de éstas es la que uno llama "la" distribución geométrica, es una cuestión de convención y
conveniencia.
Si la probabilidad de éxito en cada ensayo es p, entonces la probabilidad de que n ensayos sean
necesarios para obtener un éxito es
para n = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya n fallos antes del primer éxito es
para n = 0,1, 2, 3,....
En ambos casos, la secuencia de probabilidades es una secuencia geométrica.
Por ejemplo, supongamos que un dado ordinario es lanzado repetidamente hasta que aparece "1"
por primera vez. La distribución de probabilidad del número de veces que el dado es lanzado se
encuentra en el conjunto infinito {1, 2, 3,...} y es una distribución geométrica conp=1/6.
El valor esperado de una variable aleatoria X distribuida geométricamente es 1/'p y su varianza es
(1 − p)/p2;

Equivalentemente, el valor esperado de una variable aleatoria distribuida geométricamente Y es
(1 − p)/p, y su varianza es (1 − p)/p2.
La función generatriz de probabilidad de X y la de Y son, respectivamente,
Como su continua análoga (la distribución exponencial), la distribución geométrica es sin memoria.
Esto significa que si intentamos repetir el experimento hasta el primer éxito, entonces, dado que el
primer éxito todavía no ha ocurrido, la distribución de probabilidad condicional del número de
ensayos adicionales no depende de cuantos fallos se hayan observado. El dado o la moneda que
uno lanza no tiene "memoria" de estos fallos. La distribución geométrica es de hecho la única
distribución discreta sin memoria.
De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,... } con un valor esperado
dado μ, la distribución geométrica X con parámetro p = 1/μ es la de mayor entropía
La distribución geométrica del número y de fallos antes del primer éxito es infinitamente divisible,
esto es, para cualquier entero positivo n, existen variables aleatorias
independientes Y 1,..., Yn distribuidas idénticamente la suma de las cuales tiene la misma
distribución que tiene Y. Estas no serán geométricamente distribuidas a menos que n = 1

Distribuciones relacionadas
La distribución geométrica Y es un caso especial de la distribución binomial negativa, con r = 1.
Más generalmente, si Y 1,...,Yr son variables independientes distribuidas geométricamente con
parámetro p, entonces sigue a una distribución binomial negativa con
parámetros r y p.
Si Y1,...,Yr son variables independientes distribuidas geométricamente (con diferentes parámetros
de éxito pm posibles ), entonces su mínimo W = minmYm es también geométricamente distribuido,
con parámetro p dado por
1-∏m(1-Pm)
Distribución hipergeométrica
En estadística la Distribución hipergeométrica es una distribución de probabilidad discreta con
tres parámetros discretos N, d y n cuya función de probabilidad es:
N = Tamaño de población.
n = Tamaño de muestra.
d = Cantidad de elementos que cumple característica deseada.
x = Cantidad de éxitos.

Aquí, se refiere al coeficiente binomial, o al número de combinaciones posibles al
seleccionar b elementos de un total a.
Esta distribución se refiere a un espacio muestral donde hay elementos de 2 tipos posibles. Indica
la probabilidad de obtener un número de objetos x de uno de los tipos, al extraer (sin reemplazo)
una muestra de tamaño n, de un total de N objetos, de los cuales d son del tipo requerido.
El valor esperado de una variable aleatoria X de distribución hipergeométrica es
Y su varianza
llamando
, q=1−p entonces:
La distribución hipergeométrica se puede aproximar por una distribución binomial Bi(n,p) si

BIBLIOGRAFÍA
• Gestiopolis:
http://www.gestiopolis.com/recursos/experto/catsexp/pagans/eco/44/distripoisson.htm
10:00 pm - 15 /Nov/ 2008.
• Monografías:
http://www.monografias.com/trabajos27/probabilidadesdiscretas/probabilidades-
discretas.shtml - 03:15 pm - 16 /Nov/ 2008.
• Wikipedia: http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad
– 9:45 am – 15 /Nov/ 2008.

Distribuciones Discretas de Probabilidad

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Distribuciones Discretas de Probabilidad

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD FRANCISCO GAVIDIA

CENTRO REGIONAL DE OCCIDENTE

TEMA: DISTRIBUCIONES DISCRETAS DE

DOCENTE: LIC. WALTER FRANCISCO VASQUEZ

ALUMNO: HEBER ANTONIO LEMUS VILLEDA

FECHA: Santa Ana, 17 de noviembre de 2008.

Distribuciones Discretas de Probabilidad

resultados y para que necesitarían la información. La estadística, como una rama de la

matemática, presenta formas prácticas de resolver estas dificultades.

procedimientos estadísticos, es la distinción entre variables discretas.

Una variable discreta es sencillamente una variable para la que se dan de

modo inherente separaciones entre valores observables sucesivos. En otras

valores cualesquiera observables, hay por lo menos un valor no observable.

independientes de Bernoulli; Distribución Binomial Negativa, que estudia el número de

experimentos, independientes entre sí; La Distribución Poisson, que expresa la probabilidad de un

número k de eventos ocurriendo en un tiempo fijo: La Distribución Geométrica e Hipergeométrica.

3 Distribuciones Discretas de Probabilidad

En estadística, dada una variable aleatoria X, la distribución de probabilidad de X

y de manera que se cumplan las siguientes tres condiciones:

2. Es continua por la derecha.

La función de distribución es la acumulada de la función de densidad de probabilidad f(x). Es decir,

se calcula directamente según:

 Si x es una variable aleatoria discreta

 Si x es una variable aleatoria continua

4 Distribuciones Discretas de Probabilidad

y serán mutuamente excluyentes y su unión es el suceso , por lo

que tenemos entonces que:

aleatoria x conoceremos completamente la distribución de probabilidad de la variable.

representación gráfica de la probabilidad es más práctico el uso de la función de densidad.

DISTRIBUCIÓN DE VARIABLE DISCRETA

A dicha función se la llama función de masa de probabilidad. En este caso la distribución de

probabilidad es el sumatorio de la función de masa, por lo que tenemos entonces que:

5 Distribuciones Discretas de Probabilidad

suma de todas las probabilidades desde hasta el valor x.

Distribuciones de variable discreta más importantes

 Distribución binomial negativa

Esta distribución se basa en el proceso de Bernoulli. Se denominan procesos de tipo Bernoulli, a

resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo, siendo

La distribución binomial es una generalización de la distribución de Bernoulli, a la que puede

llegarse nuevamente haciendo n = 1.

Su función de masa de probabilidad está dada por:

para , siendo las combinaciones de en (

6 Distribuciones Discretas de Probabilidad

7 cruces en 12 lanzamientos de una moneda. En realidad solo se calcula la probabilidad de sacar 5

ser cruces, 7 en este caso.

moneda". En este caso se tiene que

de masa de probabilidad solo depende del número combinatorio ya que:

0,5x(1 − 0,5)n − x = 0,5x0,5n − x = 0,5n − x + x = 0,5n que es constante para un n fijo.

Su media y su varianza son:

La variable aleatoria binomial y su distribución están basadas en un experimento que satisface

las siguientes condiciones:

 El experimento consiste en una secuencia de n ensayos, donde n se fija

antes del experimento.

7 Distribuciones Discretas de Probabilidad

dos posibles resultados, que se denotan a conveniencia por éxito (E) o

fracaso (F) (p(E)+p(F)=1).

 Los ensayos son independientes, por lo que el resultado de cualquier ensayos en

particular no influye sobre el resultado de cualquier otro intento.

 La probabilidad de éxito es idéntica para todos los ensayos.

Siguiendo estas premisas, la variable aleatoria binomial X está definida como

X = el número de E entre los n intentos.

Relaciones con otras variables aleatorias

aleatoria con distribución binomial de parámetros .

a , entonces la distribución de la variable aleatoria binomial tiende a una distribución de