INTRODUCCION

1. Conceptos Generales
Una distribución de probabilidad indica toda la gama de valores que pueden

representarse como resultado de un experimento si éste se llevase a cabo; y toman

valores dentro de un determinado rango, el cual va de 0 a 1. Si este se acerca a 0 o es

igual a este número tiene menos probabilidad de ocurrencia o que no ocurra el evento.

Por el contrario, si se acerca a 1 o es igual a 1, este evento puede llegar a ocurrir, puesto

que tiene más probabilidad de ocurrencia.

Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye

una herramienta fundamental para la prospectiva, puesto que se puede diseñar un

escenario de acontecimientos futuros considerando las tendencias actuales de diversos

fenómenos naturales.

Es por eso que uno de los objetivos de la estadística es el conocimiento estadístico

cuantitativo de una determinada parcela de la realidad. Para ello, es necesario construir

un modelo de esta realidad particular objeto de estudio, partiendo de la premisa de que

lo real es siempre más complejo y multiforme que cualquier modelo que se pueda

construir. De todas formas, la formulación de modelos aceptados por las instituciones

responsables y por los usuarios, permite obviar la existencia del error o distancia la

realidad y el modelo. Los modelos teóricos a los que se hace referencia se reducen en

muchos casos a funciones de probabilidad. La teoría de la probabilidad tiene su origen

en el estudio de los juegos de azar, que impulsaron los primeros estudios sobre cálculo

de probabilidades en el siglo XVI, aunque no es hasta el siglo XVIII cuando se aborda

la probabilidad desde una perspectiva matemática con la demostración de la “ley débil

de los grandes números” según la cual, al aumentar el número de pruebas, la frecuencia

de un suceso tiende a aproximarse a un número fijo denominado probabilidad.

Las distribuciones de probabilidad se pueden clasificar en dos tipos, los cuales son las

distribuciones de probabilidad continuas o distribuciones de probabilidad discretas,

dependiendo de si definen probabilidades para variables continuas o discretas, ya que

toda distribución de probabilidad es generada por una variable (porque puede tomar

diferentes valores) aleatoria x (porque el valor tomado es totalmente al azar), y puede

ser de dos tipos:

1.1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar

diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y

discreta porque solo puede tomar valores enteros y un número finito de ellos.

Por ejemplo:

X1: variable que nos define el número gramos por contenedor que son generadas

en un proceso dado.

X2: 0, 1, 2, 3, 4, 5, gramos por contenedor.

1.2. Variable aleatoria continua (x). Se le denomina variable porque puede tomar

diferentes valores, aleatoria, porque los valores que toma son totalmente al azar

y continua porque puede tomar tanto valores enteros como fraccionarios y un

número infinito de ellos.

Por ejemplo:

X1: variable que nos define el diámetro de un engrane en pulgadas

X2: 0”, 3.12, 3.17, 3.400.

1.3 Media: La media de esta distribución puede ser obtenida como una

media aritmética de los valores que toma la variable (x1, x2..., xk).
 1.4 Varianza: La varianza se obtiene de la forma ya conocida; es decir, como

la varianza de esos mismos valores. Expresada en términos de momentos, la

varianza será:

1.5 Desviación Estándar: es una medida de dispersión para variables de razón

(variables cuantitativas o cantidades racionales) y de intervalo. Se define como

la raíz cuadrada de la varianza de la variable.

En este trabajo abordaremos acerca de las probabilidades discretas, que es generada por

la variable aleatoria discreta, además de sus clasificaciones, que nos ayudaran a

entender más acerca de las probabilidades para poder comprender la realidad y tomar

buenas decisiones, dependiendo del caso o evento que se nos presente.

El objetivo de este trabajo es abordar el estudio de algunas distribuciones de

probabilidad de variables aleatorias discretas, concretamente las siguientes

distribuciones:

- Distribución Binomial.

- Distribución Hipergeometrica.

- Distribución de Poisson.

Cuando nos planteamos estudiar estas distribuciones de probabilidad, lo hacemos

partiendo de la base que su estudio nos permitirá simplificar el tratamiento estadístico

de muchos fenómenos reales. De esta manera, si nosotros nos encontramos con un

fenómeno real tal y como puede ser realizar una inversión o no. Este es un fenómeno

que tiene dos posibles valores, invertir, o no invertir.

Bien, veremos que este tipo de fenómenos los podemos estudiar como una variable o

distribución de Bernuille. Si nosotros hemos estudiado esta variable tendremos

perfectamente identificados tanto la media como la varianza como su función de

cuantía, etc... Es decir, conocemos el comportamiento probabilístico de este fenómeno.

Si nos ponemos a pensar en fenómenos económicos reales, veremos que existen muchos

que se pueden ajustar a un comportamiento de este tipo. Todos ellos están estudiados

simultáneamente mediante la distribución de Bernuilli o la generalización binomial.

Por tanto, cuando estudiamos la distribución binomial, estamos estudiando miles de

posibles distribuciones. Lo mismo pasará con el resto de distribuciones que

analizaremos.
CAPITULO 1
1. Concepto
La distribución de probabilidad discreta es un listado mutuamente excluyente de todos

los resultados numéricos posibles para esa variable aleatoria, tal que una probabilidad

específica de ocurrencia se asocia con cada resultado. El valor esperado de una variable

aleatoria discreta es un promedio ponderado de todos los posibles resultados, donde las

ponderaciones son las probabilidades asociadas con cada uno de los resultados.

Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria

discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una

distribución de probabilidad discreta suele representarse en forma tabular.

1.1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar

diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y

discreta porque solo puede tomar valores enteros y un número finito de ellos.

Ejemplo 1:

En el restaurante “Kuska” el número promedio de quejas por día es 10 y usted

desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un día.

En este caso podemos utilizar la distribución discreta de Poisson para describir

el número de quejas de clientes en un día.

Además, lo podemos visualizar una distribución discreta en una gráfica de distribución

para ver las probabilidades entre los rangos.

Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando las

quejas diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por lo

tanto, la probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.

Ejemplo 2:

Sea el experimento aleatorio consistente en lanzar una moneda al aire. Los sucesos

elementales del experimento, <<que salga cara>>, <<que salga cruz>>, no vienen

representados por los números, por lo que casa

suceso elemental se le hace corresponder un

número real. Así al suceso elemental <<que

salga cara>> se le hace corresponder el

número "1" y al suceso elemental <<que salga

cruz>> se le hace corresponder el número "2".

La variable aleatoria será: X = (1,2).

Se trata de una variable aleatoria discontinua o discreta, ya que únicamente puede

adoptar los valores 1 y 2.

En general, una variable aleatoria discreta se define como una aplicación f (xi) tal que:

Ejemplo 3:

Pongamos el socorrido pero útil caso

del lanzamiento de un dado. Si

definimos una variable aleatoria (X)

como el número resultante tras su

lanzamiento, los valores que puede

tomar esa variable aleatoria son {1, 2,

3, 4, 5, 6}. Pues bien, esa variable

aleatoria tiene distribución uniforme si,

como es el caso, la probabilidad es la

misma para cada uno de los resultados

posibles.

Es así, que podemos decir que una variable aleatoria discreta (X) tiene distribución

uniforme cuando la probabilidad en todos los puntos de masa probabilística es la

misma; es decir, cuando todos los posibles valores que puede adoptar la variable

(x1,x2,...,xk) tienen la misma probabilidad.

CLASIFICACION

DISTRIBUCION BINOMIAL:

La distribución binomial es una distribución discreta muy importante que surge en

muchas aplicaciones bioestadísticas. Fue obtenida por Jakob Bernoulli (1654-1705) y

publicada en su obra póstuma Ars Conjectandi en 1713.

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

experimento que tenga respuesta binaria, generalmente clasificada como “éxito” o

“fracaso”; este experimento recibe el nombre de experimento de Bernoulli. Ejemplos de

respuesta binaria pueden ser el hábito de fumar (sí/no), si un paciente hospitalizado

desarrolla o no una infección, o si un artículo de un lote es o no defectuoso. La variable

discreta que cuenta el número de éxitos en n pruebas independientes de ese

experimento, cada una de ellas con la misma probabilidad de “éxito” igual a p, sigue

una distribución binomial de parámetros n y p, que se denota por (Bi(n,p)).

Este modelo se aplica a poblaciones finitas de las que se toman elementos al azar con

reemplazo, y también a poblaciones conceptualmente infinitas, como por ejemplo las

piezas que produce una máquina, siempre que el proceso de producción sea estable (la

proporción de piezas defectuosas se mantiene constante a largo plazo) y sin memoria (el

resultado de cada pieza no depende de las anteriores).

Ejemplo 1:

El número de pacientes con cáncer de pulmón ingresados en una unidad hospitalaria.

Un caso particular se tiene cuando n=1, que da lugar a la distribución de Bernoulli.

Valores:

k: 0, 1, 2, ..., n

Parámetros:

n: número de pruebas, n ≥ 1 entero

p: probabilidad de éxito, 0 < p < 1

Ejemplo 2:

Un examen consta de 10 preguntas a las que hay que contestar SI o NO. Suponiendo

que a las personas que se le aplica, no saben contestar a ninguna de las preguntas porque

no estudiaron, ya que fue una prueba sorpresa, y en consecuencia, contestan al azar.

Tener en cuenta que es una probabilidad de distribución binomial, puesto que la persona

solo puede acertar o fallar la pregunta.

Hallar:

A) Probabilidad de obtener cinco aciertos.

Obtener exactamente cinco aciertos K= 5, aplicamos la fórmula:

La fórmula para hallar dicha combinatoria, es la siguiente:

Procedemos a aplicar la fórmula:

Y obtenemos como resultado que la probabilidad de obtener cinco aciertos es de 0.2461,

que en términos de porcentaje seria un 24.61% de probabilidad.

Distribuciones discretas hipergeométricas.

DEFINICION:

En teoría de la probabilidad, la distribución hipergeométrica es una distribución discreta

relacionada con muestreos aleatorios y sin reemplazo. Suponga que se tiene una

población de N elementos de los cuales, d pertenecen a la categoría A y N-d a la B. La

distribución hipergeométrica mide la probabilidad de obtener elementos de la

categoría A en una muestra sin reemplazo de n elementos de la población original

La distribución hipergeométrica es una distribución discreta que modela el número de

eventos en una muestra de tamaño fijo cuando usted conoce el número total de

elementos en la población de la cual proviene la muestra. Cada elemento de la muestra

tiene dos resultados posibles (es un evento o un no evento). Las muestras no tienen

reemplazo, por lo que cada elemento de la muestra es diferente. Cuando se elige un

elemento de la población, no se puede volver a elegir. Por lo tanto, la probabilidad de

que un elemento sea seleccionado aumenta con cada ensayo, presuponiendo que aún no

haya sido seleccionado.

Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones

relativamente pequeñas, sin reemplazo. Por ejemplo, la distribución hipergeométrica se

utiliza en la prueba exacta de Fisher para probar la diferencia entre dos proporciones y

en muestreos de aceptación por atributos cuando se toman muestras de un lote aislado

de tamaño finito.

La distribución hipergeométrica se define por 3 parámetros: tamaño de la población,

conteo de eventos en la población y tamaño de la muestra.

Propiedades:

1) Esperanza: E(X) = n N1 / N 2.

2) Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )

Propiedades del modelo Hipergeométrico

1) Esperanza: E(X) = n ´ N1/N

2) Varianza: V(X) = (n ´ N1 ´ N2 (N − n))/(N2 ´ (N − 1))

La distribución hipergeométrica sigue el siguiente modelo:

Donde:
Vamos a tratar de explicarlo:

N: es el número total de bolas en la urna

N1: es el número total de bolas blancas

N2: es el número total de bolas negras

k: es el número de bolas blancas cuya probabilidad se está calculando

n: es el número de ensayos que se realiza

Ejemplo 1:

En una urna hay 7 bolas verdes y 5 azules. Se sacan 4 bolas ¿Cuál es la probabilidad de

que 3 sean verde?

Entonces:

N = 12; N1 = 7; N2 = 5; k = 3; n = 4

Si aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535.

Es decir, la probabilidad de sacar 3 bolas verdes es del 35,3%.

Pero este modelo no sólo se utiliza con experimentos con bolas, sino que también se

aplica con experimentos similares.

Ejemplo 2:

En una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar

¿Cuál es la probabilidad de que las 3 sean solteras?

Por lo tanto, P (x = 3) = 0,0175.

Es decir, la probabilidad de que las 3 personas sean solteras es tan sólo del 1,75%.