I

Contenido
Introduccin........................................................................................................ 2
La distribucin binomial................................................................................................. 3
Ejemplo 1:............................................................................................................ 3
La distribucin Hipergeomtrica....................................................................................... 4
Ejemplo 2 :............................................................................................................ 4
Distribucin de Poisson................................................................................................. 5
Ejemplo 3:............................................................................................................ 6
La distribucin multinomial............................................................................................. 6
Ejemplo 4 :............................................................................................................ 7
Distribucin uniforme discreta.......................................................................................... 7
Ejemplo 5 :............................................................................................................ 7
Distribucin Bernoulli................................................................................................... 8
Ejemplo 6 :............................................................................................................ 8
Resumen:................................................................................................................ 9
Conclusin............................................................................................................... 9
Bibliografa:............................................................................................................ 10

Introduccin
El presente trabajo corresponde a la investigacin sobre las distribuciones discretas de
probabilidad, en qu consisten y cules son sus aplicaciones en situaciones de la vida
cotidiana.
Para comenzar a ver las distribuciones, es necesario que veamos algunas situaciones
especiales, que nos harn ver la importancia de tener en nuestro acervo de conocimientos
estas materias. En la mayora de los problemas de estadstica, solo nos interesamos en
un aspecto o a lo ms en unos cuantos aspectos de los resultados de los experimentos.
Por ejemplo, una persona que hace una evaluacin de verdadero-falso puede estar
preocupado solo en el nmero de preguntas que responde de manera correcta, pero no le
interesa cules saber fueron las que respondi correctamente; a un socilogo tal vez le
interese slo el nivel socioeconmico de una persona entrevistada en una encuesta, pero
no su edad ni su peso. As mismo, a un agrnomo le puede interesar slo el rendimiento
por hectrea de una nueva variedad de semilla pero tambin le puede interesar la
temperatura a la cual germina; y a un comandante de una unidad militar le puede
interesar la eficiencia y durabilidad de un nuevo armamento que desea adquirir para su
regimiento y tambin el costo que significa adquirir este armamento.
En estos ejemplos, hemos visto que en estas diferentes situaciones las personas se
interesan en los nmeros que se asocian con los resultados de situaciones que implican
un elemento de probabilidad, o ms especficamente, en valores de variables aleatorias.
En el estudio de las variables, normalmente nos interesamos en las probabilidades con
que toman los diversos valores dentro de su amplitud, especficamente, en las
distribuciones de probabilidad.

La distribucin binomial
Hay muchos problemas aplicados en los que nos inters la probabilidad de que un evento
ocurra x veces de n .
Por ejemplo, nos puede interesar la probabilidadde obtener 45 respuestas de 400
cuestionarios enviados como parte de un estudio sociolgico, la probabilidad de que 5 de
cada 12 ratonas sobrevivan despus de una inyeccin de una sustancia que provoca
cncer o la probabilidad de que 66 de 200 televidentes recuerden los productos que se
anunciaron en un programa determinado. Para tomar prestado un trmino de los juegos
de azar, podramos decir que en cada uno de estos ejemplos nos interesamos en la
probabilidad de obtener x xitos de ntentos .
Para resolver problemas que presentan las condiciones mencionadas en el prrafo
anterior, usamos una frmula que obtenemos de la manera siguiente: si las probabilidades
de1
unpxito y un fracaso de una prueba determinada son p y 1, entonces la
probabilidad
de obtener x xito y nx fracasos en algn orden especfico es

; es evidente que en este producto hay un factor p para cada xito , un factor
1x p para cada fracaso y se multiplican los x factores p y los nx factores
p p
1
por virtud de la generalizacin de la regla de multiplicacin especial para ms de
dos eventos independientes. Ya que esta probabilidad se aplica a cualquier punto del
espacio muestral que representa x xitos y n1 fracasos,
slon
tenemos
que
x
x
contar cuntos puntos de esta clase hay y luego multiplicar p (1p)
por este
nmero. Sabemos que el nmero de maneras
en que podemos seleccionar los x
n
intentos en que ocurrirn los xitos es
x , y por tanto, hemos llegado al resultado
siguiente:

()

La probabilidad de obtener

f ( x )= n p x (1 p)n x
x

()

Donde

x xitos en n intentos independientes es:

para

x=0,1,2,3, , o n

p es la probabilidad constante de un xito por cada intento.

Esta distribucin aparece de forma natural al realizar repeticiones independientes de un

experimento que tenga respuesta binaria, generalmente clasificada como xito o
fracaso.
Por ejemplo, esa respuesta puede ser el hbito de fumar (s/no), si un paciente
hospitalizado
desarrolla o no una infeccin, o si un artculo de un lote es o no defectuoso.

Ejemplo 1:
Si la probabilidad de que cualquier elector registrado (seleccionado al azar de las listas
oficiales) vote en una eleccin determinada es 0.70. Cul es la probabilidad de que dos
de cinco electores registrados voten en la eleccin?

Solucin: Sustituyendo

x=2, n=5, p=0.70, 5 =10

en la frmula para la distribucin
2

()

binomial:

2
52
f ( 2 )= 5 ( 0,70 ) ( 10,70 )
2

()

10 ( 0,70 ) ( 0,70 ) =0,132

La distribucin Hipergeomtrica
La distribucin hipergeomtrica suele aparecer en procesos muestrales sin reemplazo, en
los que se investiga la presencia o ausencia de cierta caracterstica. Pensemos, por
ejemplo, en un procedimiento de control de calidad en una empresa farmacutica, durante
el cual se extraen muestras de las cpsulas fabricadas y se someten a anlisis para
determinar su composicin. Durante las pruebas, las cpsulas son destruidas y no pueden
ser devueltas al lote del que provienen. En esta situacin, la variable que cuenta el
nmero de cpsulas que no cumplen los criterios de calidad establecidos sigue una
distribucin hipergeomtrica. Por tanto, esta distribucin es la equivalente a la binomial,
pero cuando el muestreo se hace sin reemplazo.
Supongamos entonces, que se deben elegir n objetos de un conjunto a de objetos
de una clase (xitos) y b objetos de otra clase (fracasos), que la seleccin es sin
reemplazo y que nos concentramos en la probabilidad de obtener x xitos y n1
fracasos. Con base en el argumento anterior, encontramos que se pueden
seleccionar los

n objetos del conjunto de a+b

se pueden seleccionar

b
(ax ) (nx
)
x

de los

objetos de

(a+n b )

maneras, y que

a xitos y nx de los b fracasos de

maneras. De ah que para el muestreo sin reemplazo la probabilidad de

xitos de

n intentos sea:
4

a b
(
x ) ( nx )
f ( x )=
(a+n b )

donde

x=0,1,2,3, , o n

para

no puede ser mayor que

a y nx no puede ser mayor que b . Esta

es la frmula de la distribucin hipergeomtrica.

Ejemplo 2:
El encargado de una oficina de correos debe enviar 6 de 15 paquetes a Europa por correo
areo, pero los revuelve y pone por correo al azar seis de los paquetes. Cul es la
probabilidad de que slo tres de los paquetes que se supone que se deben enviar por
correo areo se enven por esta clase de correo?
Solucin: sustituyendo ,

a=6, b=9, n=6, x =3 en la frmula para la distribucin

hipergeomtrica:

6 9
(
3 ) ( 63 ) 20 84
f (3)=
=
=0.336
5,005
15
(6)

Distribucin de Poisson
La distribucin de Poisson, que debe su nombre al matemtico francs Simen Denis
Poisson (1781-1840), ya haba sido introducida en 1718 por Abraham De Moivre como
una forma lmite de la distribucin binomial que surge cuando se observa un evento raro
despus de un nmero grande de repeticiones.
La distribucin de Poisson tambin surge cuando un evento o suceso raro ocurre
aleatoriamente en el espacio o el tiempo. La variable asociada es el nmero de
ocurrencias del evento en un intervalo o espacio continuo, por tanto, es una variable
aleatoria discreta que toma valores enteros de 0 en adelante (0, 1, 2,...). As, el nmero de
pacientes que llegan a un consultorio en un lapso dado, el nmero de llamadas que recibe
un servicio de atencin a urgencias durante 1 hora, el nmero de clulas anormales en
una superficie histolgica o el nmero de glbulos blancos en un milmetro cbico de
sangre son ejemplos de variables que siguen una distribucin de Poisson. En general, es
una distribucin muy utilizada en diversas reas de la investigacin mdica y, en
particular, en epidemiologa.
5

Quedaremos de acuerdo entonces que la distribucin de Poisson es una distribucin de

probabilidad discreta que aplica a ocurrencias de algn suceso dentro de un intervalo
especificado. La variable aleatoria

x es el nmero de ocurrencias del suceso en un

intrvalo. El intervalo puede ser tiempo, distancia, rea, volumen o alguna unidad similar.
La distribucin de Poisson tiene los requisitos siguientes:

x es el nmero de ocurrencias de un suceso durante

La variable aleatoria

cierto intervalo.
Las ocurrencias deben ser aleatorias.
Las ocurrencias deben ser independientes unas de otras.
Las ocurrencias deben estar uniformemente distribuidas dentro del intervalo
empleado.

La frmula para la distribucin de Poisson es la siguiente:

x

f ( x )=

u e
x!

donde u =media

Ejemplo 3:
Al analizar los blancos de las bombas a reaccin no guiadas V1 durante la Segunda
Guerra Mundial,
el Sur de Londres se subdividi en 576 regiones, cada una con un rea
2
de 0.25 km . En total, 535 bombas cayeron en el rea combinada de las 576 regiones.
Si se selecciona al azar una regin, calcule la probabilidad de que haya sido blanco de
exactamente dos bombas.
Solucin: La distribucin de Poisson se aplica porque estamos tratando con las
ocurrencias de bombas cadas dentro de un intervalo de una regin. El nmero de
bombas cadas por regin es:

u=

535
=0.929
576

Dado que nos interesa la probabilidad de dos bombas en una regin, hacemos
usamos la frmula de la siguiente manera:

x=2 y

u x eu 0.9292 2.718280.929 0.863 0.395

(
)
f x=
=
=
=0.170
x!
2!
2

La probabilidad de que una regin sea blanco de exactamente dos bombas es 0.170.

La distribucin multinomial
Una importante generalizacin de la distribucin binomial tiene lugar cuando hay ms de
dos resultados posibles para cada intento, las probabilidades de los diversos resultados
siguen siendo las mismas para cada intento y todos los intentos son independientes. Este
es el caso, por ejemplo, cuando lanzamos un dado en repetidas ocasiones, donde cada
intento tiene seis resultados posibles; cuando a los estudiantes se les pregunta si les
agrada cierta grabacin nueva, les desagrada o no les interesa.
p1, p 2,
Si hay k resultados posibles para cada intento y sus probabilidades son
pk , se puede demostrar que la probabilidad de x 1 resultados de la primera clase,y
x 2 resultados de la segunda clase,y x k resultados de la k sima clase en n
intervalos se obtiene por medio de:

n!
x
x
x
p p pk
x 1 ! x2 ! x k ! 1 2
1

Esta distribucin se conoce como la distribucin multinomial.

Ejemplo 4:
Un una ciudad, el sistema de televisin tiene 40% de los televidentes los viernes por la
noche, una canal local tiene 20%, la televisin por cable tiene 30% y 10% ve
videograbaciones. Cul es la probabilidad de que entre siete televidentes seleccionados
al azar en esa ciudad en una noche de viernes, dos estn viendo el sistema de televisin,
uno est viendo el canal local, tres estn viendo televisin por cable y uno est viendo
una videograbacin?
Solucin:
Sustituyendo

n=7, x 1=2, x 2=1, x 3=3, x 4=1, p1=0.40, p2=0.20, p3=0.30, p4 =0.10

7

en la frmula obtendremos:

7!
(0.40)2 (0.20)1 (0.30)3(0.10)1 =0.036
2 ! 1! 3 ! 1 !

La distribucin multinomial no se aplica cuando efectuamos un muestreo sin reemplazo,

pero en el ejercicio resuelto anteriormente esto no tiene importancia porque el muestreo
es muy pequeo y la ciudad muy grande.

Distribucin uniforme discreta

En teora de probabilidades, la distribucin uniforme discreta es una distribucin de
probabilidad que asume un nmero finito de valores con la misma probabilidad.
Describe el comportamiento de una variable discreta que puede tomar n valores distintos
con la misma probabilidad cada uno de ellos.

Ejemplo 5:
Para un dado perfecto, todos los resultados tienen la misma probabilidad 1/6. Luego, la
probabilidad de que al lanzarlo caiga 4 es 1/6.
Para una moneda perfecta, todos los resultados tienen la misma probabilidad . Luego, la
probabilidad de que al lanzarla caiga cara es .

Distribucin Bernoulli
La distribucin de Bernoulli de parmetro p es el modelo ms simple de probabilidad. Se
aplica en situaciones en las que un cierto atributo aparece con probabilidad p (xito) y la
ausencia de este mismo atributo con la probabilidad q=1-p (fracaso), como en el
lanzamiento de una moneda.
Recprocamente, todo experimento aleatorio que admite slo dos resultados posibles,
(uno llamado por costumbre xito y otro fracaso) se llama ensayo de Bernoulli y lleva
obviamente a la distribucin de Bernoulli.
Son slo dos posibles resultados, xito o fracaso. Podemos definir una variable aleatoria x
tal que:

xito

Fracaso

Si la probabilidad de xito es p y la de fracaso es 1-p, podemos construir una funcin de

probabilidad:

1 p

p ( x )= p x

Ejemplo 6:
Al lanzar una moneda, vamos a buscar como variable, el nmero de xitos al
obtener una cara.
Solucin: Al lanzar una moneda hay dos posibles resultados, cara o sello (2
resultados). Nos interesa analizar las veces que obtenemos cara al lanzar la
moneda. Consideraremos p como la probabilidad de xito, es decir, la
probabilidad de obtener cara:

P probabilidad de obtener cara=0.5

Q probabilidad de obtener sello=1-p=0.5

Usando la funcin de probabilidad, tenemos:

p ( x )= p x (1 p)1x
Si estamos considerando que se obtiene cara, entonces x=1, porque es un
xito. Entonces:

f ( 1 )=(0.5)1 (10.5)11=0.5

Resumen:
Distribucin binomial: El experimento consiste en n intentos repetidos.
9

Distribucin hipergeomtrica: Una muestra aleatoria de tamao n se selecciona sin

reemplazo de un total de N resultados o artculos totales. Distribucin de Poisson
Distribucin multinomial: Las probabilidades asociadas a cada uno de los resultados son
constantes.
Distribucin uniforme discreta: Tenemos esta distribucin cuando el resultado de una
experiencia aleatoria puede ser un conjunto finito de n posibles resultados, todos ellos
igualmente probables.
Distribucin Bernoulli: toma el valor 1 para la probabilidad de xito (p) y el valor 0 para la
probabilidad de fracaso (q=1-p)
Distribucin Poisson: describe el nmero de eventos de en un cierto intervalo de tiempo y
que puede obtenerse como lmite de una distribucin binominal.

Conclusin
Las distribuciones de probabilidad combinan diversas herramientas que anteriormente
hemos usado, como la exploracin de datos usando grficas (como un histograma o una
grfica de cuadro), medidas de tendencia central (como la media) y medidas de variacin
(como la desviacin estndar), adems de los principios bsicos de la teora de
probabilidades. Las distribuciones de probabilidad describen lo que probablemente
suceder en lugar de lo que sucedi realmente. Por ejemplo, en nuestros cursos
introductorios de estadstica, construimos tablas de frecuencia e histogramas usando
puntajes reales observados, pero con las nuevas herramientas construiremos
distribuciones de probabilidad presentando los posibles resultados junto con las
frecuencias relativas que cabe esperar, teniendo en cuenta las circunstancias pertinentes.
Consideramos varias distribuciones de probabilidad en este informe, pero, en general, una
distribucin de probabilidad consiste en todos los valores de una variable aleatoria, junto
con sus correspondientes probabilidades. Cualquier distribucin de probabilidad debe
satisfacer dos requisitos:

p ( x )=1
0 p( x) 1 para cada valor de

10

Bibliografa:
Probabilidad y Estadstica, distribuciones de variables aleatorias discretas
http://www.virtual.unal.edu.co/

La distribucin binomial o de Bernoulli,

http://www.sangakoo.com/

Libros:
Estadstica, Murray R. Spiegel y Larry J. Stephens
Estadstica, Mario F. Triola

11