1. Republica Bolivariana de Venezuela
I.U.P «SANTIAGO MARIÑO»
ESTADISTICA II
VIRTUAL
Bachiller:
DISTRIBUCIONES
DISCRETAS
AGUILERA
EDEANNIS
C.I 19876557
Profesora:
Malavé Amelia

2. Distribuciones discretas: Bernouilli binomial,
Poisson y multivarian
Las distribuciones discretas son aquellas en
las que la variable puede pude tomar un número
determinado de valores: Ejemplo: si se lanza
una moneda al aire puede salir cara o cruz; si se
tira un dado puede salir un número de 1 al 6; en
una ruleta el número puede tomar un valor del 1
al 9

3. La distribución de probabilidad para una variable aleatoria discreta puede ser:
1.- Una relación teórica de resultados y probabilidades que se puede obtener de un modelo
matemático y que representa algún fenómeno de interés.
2.- Una relación empírica de resultados y sus frecuencias relativas observadas.
3.- Una relación subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales
que representan el grado de convicción del encargado en tomar decisiones sobre la probabilidad
de posibles resultados.
Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia
bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.
Existen varios modelos matemáticos que representan diversos fenómenos discretos de la vida real.
Las más útiles son:
1.- La distribución uniforme discreta.
1.- La distribución de probabilidad Binomial o de Bernoulli.
2.- La distribución de probabilidad Hipergeométrica.
3.- La distribución de probabilidad de Poisson.

4.  La distribución de Bernuilli es el modelo que sigue un
experimento que se realiza una sola vez y que puede
tener dos soluciones: acierto o fracaso:
 Cuando es acierto la variable toma el valor 1 Cuando es
fracaso la variable toma el valor 0
 Ejemplo: Probabilidad de salir cara al lanzar una
moneda al aire (sale cara o no sale); p robabilidad de ser
admitido en una universidad (o te admiten o no te
admiten); p robabilidad de acertar una quiniela (o
aciertas o no aciertas)

5.  Al haber únicamente dos soluciones se trata de sucesos
complementarios: A la probabilidad de éxito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
 Verificándose que: p + q = 1
 Veamos los ejemplos antes mencionados :
 Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al
aire: Probabilidad de que salga cara: p = 0,5 Probabilidad de que
no salga cara: q = 0,5
 p + q = 0,5 + 0,5 = 1
 Ejemplo 2: Probabilidad de ser admitido en la universidad:
Probabilidad de ser admitido: p = 0,25 Probabilidad de no ser
admitido: q = 0,75
 p + q = 0,25 + 0,75 = 1
 Ejemplo 3: Probabilidad de acertar una quiniela: Probabilidad de
acertar: p = 0,00001 Probabilidad de no acertar: q = 0,99999
 p + q = 0,00001 + 0,99999 = 1

6.  Las distribución binomial parte de la distribución de Bernouilli:
 La distribución de Bernouilli se aplica cuando se realiza una
sola vez un experimento que tiene únicamente dos posibles
resultados (éxito o fracaso), por lo que la variable sólo puede
tomar dos valores: el 1 y el 0 La distribución binomial se
aplica cuando se realizan un número"n" de veces el experimento
de Bernouilli, siendo cada ensayo independiente del anterior. La
variable puede tomar valores entre:
 0: si todos los experimentos han sido fracaso n: si todos los
experimentos han sido éxitos
 Ejemplo: se tira una moneda 10 veces: ¿cuantas caras salen?
Si no ha salido ninguna la variable toma el valor 0; si han salido
dos caras la variable toma el valor 2; si todas han sido cara la
variable toma el valor 10La distribución de probabilidad de
este tipo de distribución sigue el siguiente modelo:


7.  Ejemplo 1: ¿Cuál es la probabilidad de obtener 6 caras al
lanzar una moneda 10 veces?
 " k " es el número de aciertos. En este ejemplo " k " igual a 6
(en cada acierto decíamos que la variable toma el valor 1: como
son 6 aciertos, entonces k = 6)
 " n" es el número de ensayos. En nuestro ejemplo son 10
 " p " es la probabilidad de éxito, es decir, que salga "cara" al
lanzar la moneda. Por lo tanto p = 0,5
 La fórmula quedaría:

 Luego,
P (x = 6) = 0,205
 Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras
al lanzar 10 veces una moneda.

8.  Ejemplo 2:¿Cuál es la probabilidad de obtener cuatro veces el
número 3 al lanzar un dado 8 veces?
 " k " (número de aciertos) toma el valor 4
 " n" toma el valor 8
 " p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (=
0,1666)
 La fórmula queda:
 Luego,
 P (x = 4) = 0,026
 Es decir, se tiene una probabilidad del 2,6% de obtener cuatro
veces el número 3 al tirar un dado 8 veces.

10. Todo experimento que tenga resultados binarios
(éxito/fracaso, defectuoso/no defectuoso,
enfermo/sano, mujer/hombre, etc.) y cuyos
ensayos sean independientes.
Ejemplos:
Medicina: fármacos, cura/no cura
Militares: misiles dan en el blanco/no dan.
Comunicaciones: error de una cadena de bits.

11. La media y varianza de la distribución binomial, es:
µ= np
Varianza = npq
Ejemplo: en el de 4 bits, µ= 4 x 0.1= .4
Varianza= 4 x 0.1x0.9= 0.36

12.  Las distribución de Poisson parte de la distribución binomial:
 Cuando en una distribución binomial se realiza el experimento
un número "n" muy elevado de veces y la probabilidad de éxito
"p" en cada ensayo es reducida, entonces se aplica el modelo
de distribución de Poisson:
 Se tiene que cumplir que:
 " p " < 0,10
 " p * n " < 10
 La distribución de Poisson sigue el siguiente modelo:


13.  Vamos a explicarla:
 El número "e" es 2,71828
 " l " = n * p (es decir, el número de veces " n " que se realiza el
experimento multiplicado por la probabilidad " p " de éxito en
cada ensayo)
 " k " es el número de éxito cuya probabilidad se está calculando
 Veamos un ejemplo: La probabilidad de tener un accidente de
tráfico es de 0,02 cada vez que se viaja, si se realizan 300
viajes, ¿cual es la probabilidad de tener 3 accidentes?
 Como la probabilidad " p " es menor que 0,1, y el producto " n *
p " es menor que 10, entonces aplicamos el modelo de
distribución de Poisson.
 Luego,
 P (x = 3) = 0,0892
 Por lo tanto, la probabilidad de tener 3 accidentes de tráfico en
300 viajes es del 8,9%

14.  Otro ejemplo: La probabilidad de que un niño nazca
pelirrojo es de 0,012. ¿Cuál es la probabilidad de que
entre 800 recién nacidos haya 5 pelirrojos?

 Luego,
 P (x = 5) = 4,602
 Por lo tanto, la probabilidad de que haya 5 pelirrojos
entre 800 recién nacidos es del 4,6%..

15. La media y varianza de la distribución POISSON , es:
µ= np
Varianza = np
Consecuencia: Si la varianza de los conteos es mucho más
grande que la media de los mismos, entonces la
distribución de Poisson no es buen modelo para la
distribución de la variable.

16. Un conmutador recibe en promedio 5 llamadas
sobre autos extraviados por hora. ¿Cuál es la
probabilidad de que en una hora tomada al azar
reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No más de 3 llamadas.

17. a) Ninguna llamada. x = 0 sol. 0.00674963
b) Exactamente 3 llamadas: x = 3 sol. 0.1404
No más de 3 llamadas: x < 4
P(x < 4) = P(x 3) = P(x0 = 0) + P(x1 = 1) + P(x2 = 2)
+ P(x3 = 3)
Sol. P(x < 4) = 0.0067+ 0.0337 + 0.0842 + 0.1406 =
0.2652 = 26.52 %

19.  Los experimentos que tienen este tipo de
distribución tienen las siguientes características:
 a)
Al realizar un experimento con este tipo de
distribución, se esperan dos tipos de resultados.
 b)
Las probabilidades asociadas a cada uno de los
resultados no son constantes.
 c)
Cada ensayo o repetición del experimento no es
independiente de los demás.
 d)
El número de repeticiones del experimento (n)
es constante.

20.  La distribución hipergeométrica sigue el siguiente modelo:
 Donde:
 Vamos a tratar de explicarlo:
 N: es el número total experimentos
 N1: es el número total que favorecen el evento 1
 N2: es el número total que favorece el evento 2
 k: es el número de eventos cuya probabilidad se está calculando
 n: es el número de ensayos que se realiza

21. Ejemplo: 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%.

22.  Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se
sacan 4 bolas ¿Cuál es la probabilidad de que 3 sean blancas?
 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 blancas es del 35,3%.
 Pero este modelo no sólo se utiliza con experimentos con bolas, sino
que también se aplica con experimentos similares:

23. Considerando que en la urna hay un total de 10
objetos, 3 de los cuales son defectuosos, si de
seleccionan 4 objetos al azar, ¿cuál es la
probabilidad de que 2 sean defectuosos?
Solución:
N = 10 objetos en total
k = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la
muestra
Sol. 0.3

24. Una caja contiene 9 baterías de las cuales 4 están en
buen estado y las restantes defectuosas. Se toma una
muestra eligiendo al azar tres baterías. Calcule la
probabilidad que en la muestra se obtengan,
•A) Ninguna batería en buen estado
•B) Al menos una batería en buen estado
•C) No mas de dos baterías en buen estado

25. Respuesta:
Este es un experimento de muestreo sin reemplazo, por lo tanto es un
experimento hipergeométrico con
N=9
(total de elementos del conjunto)
K=4
(total de elementos considerados ‘éxitos’)
n=3
(tamaño de la muestra)
X: cantidad de baterías en buen estado en la muestra
(variable aleatoria discreta)
Entonces la distribución de probabilidad de X es:
f(x) =
•P(X=0) = f(0) =
 4  9 − 4 
 
 x  3 − x 

 
 , x = 0,1,2,3
 9
 
 3
 
 4  9 − 4 
 
 0  3 − 0 

 

9
 
3
 
=0.119
•P(X≥1) = 1 – P(X<1) = 1 – f(0) = 1 - 0.119 = 0.881
•P(X≤2) = P(X=0) + P(X=1) + P(X=2) = f(0) + f(1) + f(2)
= 0.9523

26. La media y varianza de la distribución
hipergeometrica es , es:
µ= np = nk/N
Varianza = npq= (nk/N) [N-n/ N-1 ]

28. 0 ≤ pi ≤ 1
p1 + p2 + p3 + · · · + pn = Σ pi = 1.
Esperanza matemática o media:
Varianza: