República Bolivariana De Venezuela

Universidad Nacional Experimental “Rafael Marial Baralt”

Vicerrectorado Académico
Programa Administración
Estado Zulia
Extensión San Francisco

Unidad IV
Distribuciones Discretas De Probabilidad

Profesor: Juan Castro

Asignatura: Estadística I

Nombres: Barbara Díaz

Cédula:28.436.336
Sección:331711

Maracaibo, 11 de junio del 2022

1
 Índice

 Introducción. pág 3
 Desarrollo. pág 4
1. Valor esperado o esperanza matemática. Pág 4
2. Distribución Binomial. Pág 5
 Características. Pág 5
 Uso de tablas. Pág 6
 Aplicaciones en el campo administrativo. Pág 7
3. Distribución de Poisson. Pág 9
 Características. Pág 9
 Uso de tablas. Pág 10
 Aplicaciones. Pág 11
 Conclusión. Pág 13
 Bibliografía. Pág 14

Introducción

2
De acuerdo al estudio de la estadística entre sus objetivos implica conocer de
manera cuantitativa determinada parte de la realidad, por esto se hace necesario
construir un modelo particular del objeto de estudio; en este sentido la
probabilidad se caracteriza en la forma medible de diferentes valores donde se
asigna a cada posible resultado de un experimento aleatorio determinada
probabilidad. Las distribuciones de probabilidad están relacionadas con la
distribución de frecuencias; debido a que la distribuciones tratan sobre
expectativas de que algo suceda, resultan ser modelos útiles para hacer
inferencias y tomar decisiones de incertidumbre una distribución; por ello la
distribución de frecuencias teórica es una distribución de probabilidades que
describe la forma en que se espera que varíen los resultados. A continuación se
presentará diferentes probabilidades entre ellas, la continua, gamma, erlang,
exponencial, weibull con el objetivo de conocer sus uso, la grafica que representa
y un ejemplo de cada una de ellas.

3
 Desarrollo

1. Valor esperado o esperanza matemática

La esperanza matemática de una variable aleatoria X, es el número que

expresa el valor medio del fenómeno que representa dicha variable.

La esperanza matemática, también llamada valor esperado, es igual al

sumatorio de las probabilidades de que exista un suceso aleatorio,
multiplicado por el valor del suceso aleatorio. Dicho de otra forma, es el
valor medio de un conjunto de datos. Esto, teniendo en cuenta que el
término esperanza matemática está acuñado por la teoría de la
probabilidad.

Ejemplo

Imaginemos una moneda. Dos caras, cara y cruz. ¿Cual sería la esperanza
matemática (valor esperado) de que salga cara?

La esperanza matemática se calcularía como la probabilidad de que,

tirando la moneda un número muy grande de veces, salga cara.

Dado que la moneda solo puede caer en una de esas dos posiciones y
ambas tienen la misma probabilidad de salir, diremos que la esperanza
matemática de que salga cara es una de cada dos, o lo que es lo mismo, el
50% de las veces.

Vamos a hacer una prueba y vamos a tirar una moneda 10 veces.

Supongamos que la moneda es perfecta.

Tiradas y resultado:

1. Cara.
2. Cruz.
3. Cruz.
4. Cara.
5. Cruz.
6. Cara.
7. Cara.
8. Cara.
9. Cruz.

4
 10. Cruz.
¿Cuantas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas veces
ha salido cruz (contamos las X)? 5 veces. La probabilidad de que salga
cara será de 5/10=0,5 o, en porcentaje, del 50%.

Una vez ha ocurrido ese suceso podemos calcular la media matemática

del número de veces que ha ocurrido cada suceso. El lado cara ha salido
una de cada dos veces, es decir, un 50% de las veces. La media coincide
con la esperanza matemática.

2. Distribución binomial

Una distribución binomial es una distribución de probabilidad discreta

que describe el número de éxitos al realizar n experimentos
independientes entre sí, acerca de una variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser

caracterizados bajo esta distribución de probabilidad. Imaginemos el
lanzamiento de una moneda en el que definimos el suceso “sacar cara”
como el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos (sacar
cara) que obtenemos, nuestra distribución de probabilidades se ajustaría
a una distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de

pruebas o ensayos en la que solo podemos tener 2 resultados (éxito o
fracaso), siendo el éxito nuestra variable aleatoria.

 Características.

Características de la Distribución Binomial

Ejemplo 5. 3
La distribución binomial puede considerarse como una
generalización del modelo de Bernoulli, en donde el experimento
se realiza n veces y se utiliza en experimentos o eventos que
tienen las siguientes características:

a) Sólo hay 2 posibles resultados.

b) Los resultados son independientes

5
 c) La probabilidad de éxito permanece constante en todas las
veces que se realice el experimento.

d) El experimento se realiza n veces bajo las mismas condiciones y

estamos interesados en que hayan éxitos.

e) Cuando hay extracción de elementos, se debe realizar con

reemplazo.

Una variable aleatoria que satisfaga los puntos anteriores, se dice

que se distribuye en forma binomial.

 Usos de las tablas

Las tablas binomiales a veces se pueden utilizar para calcular las

probabilidades en lugar de utilizar la fórmula de distribución
binomial. El número de ensayos (n) se da en la primera columna.
El número de eventos de éxito (k) se da en la segunda columna. La
probabilidad de éxito en cada ensayo individual (p) se da en la
primera fila en la parte superior de la tabla.

Función de distribución binomial acumulada

n es el número de pruebas.

k es el número de éxitos.

p es la probabilidad de éxito.

q es la probabilidad de fracaso.

Ejemplo
Los tres supuestos que salen en las distribuciones son que cada
prueba tiene la misma probabilidad de ocurrir, sólo puede haber
un resultado para cada ensayo y cada ensayo es un evento
independiente, mutuo y excluyente.

Uso de tablas de probabilidad binomiales

Una distribución binomial se utiliza en la teoría de la probabilidad
y la estadística. Se utilizan para modelar el número de
experimentos con éxito en experimentos de éxito/fracaso.

6
 Las tablas binomiales a veces se pueden utilizar para
calcular las probabilidades en lugar de utilizar la fórmula
de distribución binomial. El número de ensayos (n) se da
en la primera columna. El número de eventos de éxito (k)
se da en la segunda columna. La probabilidad de éxito en
cada ensayo individual (p) se da en la primera fila en la
parte superior de la tabla.

 Aplicación al campo administrativo

En las empresas tenemos muchas situaciones donde se espera

que ocurra o no un evento específico. Éste puede ser de éxito o
fracaso sin dar paso a un punto medio. Por ejemplo, en la
producción de un artículo, éste puede salir bueno o malo. Casi
bueno no es un resultado de interés. Para situaciones como éstas
se utiliza la distribución binomial. En este módulo se describe el
uso de la distribución binomial para obtener la probabilidad de
ocurrencia de ese evento que representa un resultado esperado.
El módulo va dirigido al estudiantado de Administración de
Empresas en sus distintas concentraciones.

7
 La distribución binomial se utiliza en situaciones cuya solución
tiene dos posibles resultados. Por ejemplo: Al nacer un/a bebé
puede ser varón o hembra. En el deporte un equipo puede ganar
o perder. En pruebas de cierto o falso sólo hay dos alternativas.
7. También se utiliza cuando el resultado se puede reducir a dos
opciones. Por ejemplo: Un tratamiento médico puede ser efectivo
o inefectivo. La meta de producción o ventas del mes se pueden o
no lograr. En pruebas de selección múltiple, aunque hay cuatro o
cinco alternativas, se pueden clasificar como correcta o incorrecta.
Estos ejemplos los podemos considerar como “experimentos de
Bernoulli”
8. 1 – En cada prueba del experimento sólo hay dos posibles
resultados: éxitos o fracasos. 2 – El resultado obtenido en cada
prueba es independiente de los resultados obtenidos en pruebas
anteriores. 3 – La probabilidad de un suceso es constante, la
representamos por p, y no varía de una prueba a otra. La
probabilidad del complemento es 1- p y la representamos por q .
Si repetimos el experimento n veces podemos obtener resultados
para la construcción de la distribución binomial.
9. La distribución de probabilidad binomial es un ejemplo de
distribución de probabilidad discreta. Esta formada por una serie
de experimentos de Bernoulli. Los resutados de cada experimento
son mutuamente excluyentes. Para contruirla necesitamos: 1 – la
cantidad de pruebas n 2 – la probabilidad de éxitos p 3 – utilizar la
función matemática.
10. A continuación vemos La función de probabilidad de la
distribución Binomial, también denominada Función de la
distribución de Bernoulli: k – es el número de aciertos. N – es el
número de experimentos. P – es la probabilidad de éxito, como
por ejemplo, que salga “cara” al lanzar la moneda. 1-p – también
se le denomina como “q ”
11. Un comerciante de verduras tienen conocimiento de que el
10% de la caja está descompuesta. Si un comprador elige 4
verduras al azar, encuentre la probabilidad de que. A) las 4 estén
descompuestas. B) de 1 a 3 estén descompuestas.
12. En pruebas realizadas a un amortiguador para automóvil se
encontró que el 20% presentaban fuga de aceite. Si se instalan 10
de estos amortiguadores, hallar la probabilidad de que, a) 4 salgan
defectuosos, b) más de 5 tengan fuga de aceite. C) de 3 a 6
amortiguadores salgan defectuosos. D) Determine el promedio y
la desviación estándar de amortiguadores con defectos.

8
 13. Un ingeniero que labora en el departamento de control de
calidad de una empresa eléctrica, inspecciona una muestra al azar
de 10 alternadores de un lotes. Si el 15% de los alternadores del
lote están defectuosos. Cuál es la probabilidad de que en la
muestra, a) ninguno esté defectuoso, b) uno salga defectuoso, c)
al menos dos salgan defectuosos d) más de tres estén con
defectos.

3. Distribución de Poisson

La distribución de Poisson es una distribución de probabilidad discreta

que modeliza la frecuencia de eventos determinados durante un intervalo
de tiempo fijado a partir de la frecuencia media de aparición de dichos
eventos.

En otras palabras, la distribución de Poisson es una distribución de

probabilidad discreta que, tan solo conociendo los eventos y su
frecuencia media de ocurrencia, podemos saber su probabilidad.

 Características

Para que una distribución sea considerada como distribución de

Poisson debe cumplir con tres requisitos:

La variable discreta “x” es el número de ocurrencias de un evento

durante un intervalo determinado (de tiempo, espacio, etc.).
Las ocurrencias deben ser aleatorias y no contener ningún factor
que favorezca unas ocurrencias en favor de otras.
Las ocurrencias deben estar uniformemente distribuidas dentro
del intervalo que se emplee.
Una propiedad importante de la distribución de Poisson es que, la
suma de “n” variables de Poisson independientes tendrán como
resultado también una variable de Poisson, siendo su parámetro
la suma del valor de los parámetros originales.

9
  Uso de tablas

Dada una distribución de Poisson con media 2, la distribución de

probabilidad de densidad es la siguiente:

Función de densidad de probabilidad de Poisson

La función solo está definida en valores enteros de x.

No todas las distribuciones de probabilidad de densidad de

Poisson tendrán el mismo aspecto aunque mantengamos igual la
muestra. Si cambiamos la media, es decir, el parámetro del que
depende la función, también cambiará la función.

Ejemplo
Suponemos que estamos en temporada de invierno y queremos ir
a esquiar antes de diciembre. La probabilidad que abran las
estaciones de esquí antes de diciembre es del 5%. De las 100
estaciones de esquí, queremos saber la probabilidad de que la
estación de esquí más cercana abra antes de diciembre. La
valoración de esta estación de esquí es de 6 puntos.

Los inputs necesarios para calcular la función de probabilidad de

densidad de la Poisson son el conjunto de datos y mu:

Conjunto de datos = 100 estaciones de esquí.

Mu = 5% * 100 = 5 es el número de estaciones de esquí esperado
dado el conjunto de datos.

10
 Función de densidad de probabilidad de Poisson
Entonces, la estación más cercana tiene una probabilidad de
14,62% de que abra antes de diciembre.

 Aplicaciones

En la vida real se utiliza la distribución de Poisson para hacer

cálculos de probabilidades donde se requiere contar el número de
veces que se produce un suceso aleatorio durante un periodo
determinado de tiempo (o también de distancia, área u otro
parámetro). Es especialmente útil para calcular probabilidades
muy pequeñas o sucesos que tienen pocas posibilidades de
producirse.

Ejemplos de la aplicación de la distribución de Poisson

A continuación presentamos algunos ejemplos de la aplicación de
la distribución de Poisson en la vida real:

Contador de Geiger. Es un instrumento para medir la radiactividad

de un objeto o zona. Se utiliza la distribución de Poisson para
calcular el comportamiento estadístico de la radiación y así poder
establecer su nivel.
Operaciones bursátiles. En el mundo de los mercados y la bolsa se
utiliza la distribución de Poisson para calcular el riesgo de las
operaciones en los tiempos de espera entre transacciones
financieras.

11
 Contador de personas. Los contadores de personas que
habitualmente se utilizan en los comercios para saber el número
de personas que entran en su establecimiento durante un periodo
de tiempo (número de clientes en la última hora, por ejemplo).
Otras aplicaciones. Otros ejemplos del uso de esta distribución
son el cálculo de las llamadas de teléfono que se reciben en un día
en una centralita, hallar el número de bacterias que hay en un
volumen de determinado de agua, el número de peticiones de
servicio diarias de un servidor web, establecer el riesgo de crédito
en una operación de financiación, calcular la cantidad de estrellas
en un determinado volumen espacio o el número de accidentes
por año registrados por una compañía de seguros.
La distribución de Poisson también se usa a veces para aproximar
una distribución binomial. También se utiliza en ocasiones una
aproximación de la distribución de Poisson a una distribución
Gaussiana (aunque esta es de probabilidad continua y no
discreta).

Hemos visto como la distribución de Poisson es capaz de calcular

la probabilidad de que se produzca un evento durante un periodo
determinado de tiempo o una región específica. Las aplicaciones
de esta distribución se usan en todas las áreas de la vida, siendo
especialmente útiles en el sector empresarial para poder hacer
predicciones sobre el riesgo de las operaciones.

En la ciencia y en la medicina es habitual la aplicación de la

distribución de Poisson para realizar cálculos de probabilidades en
sucesos que son muy difíciles de predecir y que tienen una
ocurrencia aleatoria.

12
 Conclusión

Una vez desarrollado el tema sobre probabilidades se puede llegar a las

siguientes conclusiones: A través de esas construcciones teóricas, se podrá
experimentar sobre aquello que la realidad no permitía; se usa extensamente en
áreas como la estadística, la física, la matemática, la ciencia para lograr
conclusiones sobre la probabilidad de sucesos potenciales en sistemas
complejos. Debido a la necesidad de modelar lo observable la probabilidad
constituye un importante parámetro en la determinación de las diversas
casualidades obtenidas tras una serie de eventos esperados dentro de un rango
estadístico; un modelo resulta extremadamente útil, siempre que se
corresponda con la realidad que pretende representar o predecir; por ello es
necesario conocer cada distribución de la probabilidad en el casos especifico, sus
usos y formas de aplicarlas.

13
 Bibliografía

 José Francisco López, 12 de octubre del 2017, Esperanza

matemática. Economipedia.com
 Diego Castrillon, septiembre 05 del 2014, características de la
distribución. Prezi.com
 Juan José Sepulveda Rojas, Agosto 28 del 20014, uso de tablas,
prezi.com
 Roxana Paredes, 24 de agosto del 2012, aplicación, es.
Slideshare. Net

14