Bioestadística

Aplicada a la investigación

2020 – I
VIII semestre

Distribuciones de
Ing. Alcides Ramos Calcina Probabilidad
Facultad de Ingeniería Estadística e Informática
DISCRETAS
Distribuciones de Probabilidad
DISCRETAS
Concepto
Es una distribución de frecuencias teórica que describe la forma en que se espera que
varíen los resultados.

• Las distribuciones de frecuencias

teóricas son modelos teóricos
que se reducen en muchos
casos a funciones de
probabilidad.

• Resultan útiles para realizar

inferencias y tomar decisiones
bajo incertidumbre.

Ing. Alcides Ramos Calcina

Concepto
Por ejemplo, Se seleccionan en forma consecutivas dos bebes del servicio de
Neonatología . El número de varoncitos será:

Probabilidad

N° de 0.50
Resultado Probabilidad
varones
0 { MM } 0.25 0.25
1 { VM, MV } 0.50
2 {VV} 0.25
0 1 2 Nº de
varones

Ing. Alcides Ramos Calcina

Tipos de Distribuciones
a) DISCRETAS: La variable toma un número
limitado de valores. Abarca las más conocidas:
- Distribución binomial
- Distribución de Poisson
- Distribución hipergeométrica

b) CONTINUAS: La variable puede tomar cualquier

valor dentro de un intervalo dado. Abarca:
- Distribución normal
- Distribución normal estándar o Z
- Distribución t
- Distribución Ji-cuadrada 2
- Distribución F
Ing. Alcides Ramos Calcina
Variables Aleatorias
Una variable es aleatoria, si toma diferentes valores como resultado de un experimento.

Definición: Sea un experimento aleatorio  y  el espacio muestra asociado a él.

Una función X que asigna a cada uno de los elementos    un número real x = X(),
se llama variable aleatoria.

Por ejemplo, sea el experimento E : “lanzar 3 monedas”

Entonces:

X: variable aleatoria (ejm: número de caras)

x: valores que puede tomar la variable (: 0, 1, 2, 3)

Ing. Alcides Ramos Calcina

Variables Aleatorias
En función de los valores que tome la variable, esta puede ser clasificada en discreta o
continua del siguiente modo:

• Variable aleatoria discreta es aquella que sólo puede tomar un número finito o infinito
numerable de valores.

X: 
• Variable aleatoria continua es la que puede tomar un número infinito no numerable de
valores.

X: 

Ing. Alcides Ramos Calcina

Esperanza Matemática
Es el promedio de la variable aleatoria, si el experimento se repite un número infinito de
veces.
Por ejemplo: Se lanzan 3 monedas.

1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8

 = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}

3 caras 2 caras 1 cara 0 caras => x

x
P(x) XP(x)
Número
de Cara
 ( X) =  XP( x ) Al lanzar las 3
monedas, se espera
0 1/8 0 12 obtener 2 caras
3/8 = aproximadamente.
1 3/8 8
2 3/8 6/8
3 1/8 3/8 = 1,5 caras
12/8 Ing. Alcides Ramos Calcina
Distribuciones Discretas
• En este tema se van a describir familias específicas de distribuciones de probabilidad
que ocurren con cierta frecuencia en el mundo real y cuyo principal interés radica en la
gran diversidad de problemas y campos científicos en los que se pueden aplicar.

• El modelo describe el comportamiento de una variable aleatoria si el experimento se

repite bajo ciertas condiciones iniciales, y por lo tanto ayuda a predecir resultados de
futuras repeticiones.

• El objetivo es obtener una fórmula matemática f(x) para determinar los valores de
probabilidad de la variable aleatoria
X: P(X = x) = f(x)

Ing. Alcides Ramos Calcina

1. Distribución de Bernoulli
• Es un experimento aleatorio en el que cada ensayo puede tener únicamente dos
resultados, ‘éxito’ y ‘fracaso’.
• Si la probabilidad de obtener “éxito” en cada ensayo es p, entonces, la probabilidad de
obtener ‘fracaso’ será el complemento q = 1 - p.

1 P  X  1  p
• Se denota XBer(p). Esto es, X  
0 P  X  0   q  1  p
Fórmula

Se dice que X sigue una distribución de Bernouilli, XBer(p) y su función de probabilidad

es:
 p x 1  p 1 x , si x  0,1
P  x   P  X  x  
 0 , otro caso

Ing. Alcides Ramos Calcina

1. Distribución de Bernoulli
• Gráficamente de la función de • Gráficamente de la función de
probabilidad. distribución o acumulada.
F(x) = P(X  xi)

• Medidas estadísticas
Media:   E  X  p Varianza:  2  Var  X   pq
Ing. Alcides Ramos Calcina
Ejemplo 1
El experimento es lanzar un dado, consideramos como un éxito en el experimento el
obtener como resultado el número 3 ó 5. Por tanto, queremos saber ¿cuál es la
probabilidad de tener un éxito?
Solución:
Sea

X(“Éxito”) = {3, 5}  x = 1 Por tanto: p = 2/6 = 1/3

X(“Fracaso”) = {1, 2, 4, 6} => x = 0 Por tanto: 1 - p = q = 4/6 = 2/3

Si X ~ Bernoulli => P(X = 1)

 3  3
1 11
P 1  P  X  1  p x 1  p   1
1 x
1 1  1  0.333.
3

Ing. Alcides Ramos Calcina

2. Distribución Binomial
• Es una de las distribuciones mas utilizadas en la estadística aplicada. Deriva de un
procedimiento llamado ensayo de Bernoulli.
• El experimento consiste en una serie de ensayos repetidos. Cada ensayo sólo tiene dos
resultados posibles: E = éxito y F = fracaso.
donde: P(E) = p y P(F) = q
k n k
P(EE.....EEE
  FF.....FFFFF)
 
 pp.....ppp qq.....qqqqq  p q
 n  k  veces
 
k veces k veces  n  k  veces

Fórmula

Se dice que sigue una distribución binomial con parámetros n y p, XB(n,p), si su función
de probabilidad esta dado por:
donde:
n : número de ensayos
C nx p x q n  x x  0,1, 2,..., n x : número de éxitos
P  x   P X  x   p : probabilidad de éxitos en un ensayo

 0 otro caso q : probabilidad de fracaso en un ensayo

n - x : número de fracaso en el ensayo
Ing. Alcides Ramos Calcina
2. Distribución Binomial
• Gráficamente de la función de • Gráficamente de la función de
probabilidad. distribución o acumulada.

• Medidas estadísticas
Media:   E  X   np Varianza:  2  Var  X   npq

Ing. Alcides Ramos Calcina

Ejemplo 2
Volvemos a tomar el ejemplo del lanzamiento de un dado y considerando como un éxito en
el experimento el obtener como resultado un 3, por tanto, ahora nos preguntamos ¿cuál es
la probabilidad de obtener dos veces el número 3 en cinco lanzamientos?
Solución:
La probabilidad de obtener un 3 en el experimento es 1/6, por tanto, los parámetros son:
p = 1/6 y q = 1 – p = 5/6

y estamos interesados en obtener dos veces el número 3 en cinco lanzamiento, entonces:

x = 2 y n = 5.

Si XB(5,1/6), entonces:P  X  x   C x p q
5 x 5 x

2 5 2 2 3
1 5 1 5
P  X  2   C52      C52      0.0804
6 6 6 6
Ing. Alcides Ramos Calcina
Ejemplo 3
Una muestra de 4 frascos se selecciona sin restitución de un lote de 5000 frascos de cierto
laboratorio farmacéutico. Suponiendo que 20% de los frascos de lote no cumplen con las
especificaciones médicas, ¿cuál es la probabilidad de que la muestra contenga
exactamente 2 frascos malos?
Solución:
Datos del problema Si XB(4,0.20), entonces:

n=4 P  X  x   C 4x p x q 4  x
x=2
P  X  2  C 42  0.20   0.80 
2 42
p = 20% = 0.20
q = 1 – 0.20 = 0.80
P  X  2  0.1536

Ing. Alcides Ramos Calcina

Ejemplo 3
Cierto proceso médico se repite cuatro veces. Suponga que existe la probabilidad de 0.50
que el proceso resulte deficiente. En cuatro repeticiones se puede obtener 0,1,2,3 ó 4
procesos deficientes. Calcule la probabilidad de cada uno de estos posibles resultados
mediante la distribución binomial.
Solución:
A estos
Datos del problema resultados se
denomina
n=4 distribución de
probabilidad
x = 0, 1, 2, 3, 4
p = 0.50
q = 1 – 0.50 = 0.50
Para cada valor de x se construye:

Ing. Alcides Ramos Calcina

Ejemplo 3 Si seleccionamos 4 procesos
médicos al azar, se espera
encontrar 2 procesos
deficientes, si este experimento
Media y desviación estándar se repite un número infinito de
Consideramos la distribución anterior (p = 0.5 = 1/2, n = 4) veces.

• Media o valor esperado:

n
32
   xP  X  x   0 1 16   1 4 16     4 1 16  
x 0 16
2 procesos

También:

  E  x   np  4 1 2   2
Ing. Alcides Ramos Calcina
Ejemplo 3
1
• Varianza:  
2
 (x
x0
  ) 2
P( x)

Entonces:

16 16
2  1   1
16 16

La distribución binomial
(n = 4, p = 1/2) tiene una
También: media de 2 y una
desviación estándar de 1.

 2  npq  4  0.5  0.5   1    1

Ing. Alcides Ramos Calcina
3. Distribución de Poisson
• Es una distribución muy usada en medicina y biología. Se deriva del proceso de Poisson
en honor al matemático francés Simeon Denis Poisson (1781-1840).
• Debe cumplir las siguientes condiciones:
 La ocurrencia de los eventos son independientes.
 El número promedio de veces () que ocurre un éxito por cada unidad de tiempo o
de espacio es constante.
 La probabilidad de un suceso es una unidad de tiempo o de espacio muy pequeña.

• La variable Poisson se define como X: número de acontecimientos ocurridos en un

determinado intervalo, (de tiempo, de superficie, de volumen, etc.), y puede asumir
cualquier número no negativo, es decir:
x = 0, 1, 2, 3, ...., 

Ing. Alcides Ramos Calcina

3. Distribución de Poisson
• La variable aleatoria X: “número de veces que ocurre un evento por unidad de tiempo”
decimos que sigue una distribución de Poisson de parámetro λ (λ>0), denotado por
XP(λ), si su función de probabilidad esta dado por:

Fórmula
 e   x
 si x  0,1, 2,....
P  x   P  X  x   x!
 0 otro caso


siendo e = 2.71828…

Donde:  Lambda (media y varianza)

e : base de logaritmos naturales =2.71828
x! : factorial de x
Ing. Alcides Ramos Calcina
3. Distribución de Poisson
• Gráficamente de la función de • Gráficamente de la función de
probabilidad. distribución o acumulada.

• Medidas estadísticas
Media:   E  X    Varianza:  2  Var  X   
Ing. Alcides Ramos Calcina
3. Distribución de Poisson
EJEMPLOS DE APLICACIONES DE LA DISTRIBUCIÓN DE POISSON

• Pacientes que llegan a la sala de urgencias de un hospital durante un cierto día.

• Defectos de un rollo de gasa.
• Accidentes por hora en cierta parte de una carretera.
• Clientes que llegan a la caja registradora de una farmacia en un determinado horario.

Ing. Alcides Ramos Calcina

Ejemplo 4
Supongamos que estamos investigando la seguridad de una peligrosa intersección de
calles, los registros policíacos indican un media de 5 accidentes mensuales en esta
intersección. El número de accidentes esta distribuido de acuerdo con una distribución de
Poisson y el departamento de seguridad vial desea que calculemos la probabilidad de que
en cualquier mes ocurra exactamente 3 accidentes.
Solución:
Sea X ="número de accidentes en un mes"

La media es de λ = 5 accidentes

Entonces es una v.a. con distribución Poisson P(x = 3; λ = 5).

e 5 23
P  X  3   0.14042  14.04%
3!
Ing. Alcides Ramos Calcina
Ejemplo 5
En un taller se averían una media de 2 máquinas a la semana. Calcula la probabilidad de
que no haya ninguna avería en una semana y de que haya menos de 6 en un mes.
Solución:
Sea X ="número de averías en una semana“ y la media es de λ = 2 averías

a) Entonces, la probabilidad de que no haya ninguna avería es:

e 2 2 0
P  X  0   0.14
0!
b) Si en una semana hay 2 averías de media,  en un mes 2×4 = 8 averías de media.
Sea entonces X ="número de averías en un mes “ y la media es λ = 8. Entonces
X~P(λ = 8).

e 8 80 e 8 85
P  X  5  P  X  0     P  X  5      0.191
0! 5!
Ing. Alcides Ramos Calcina
4. Distribución Hipergeométrica
• La población o conjunto donde deba hacerse el muestreo consta de N individuos o
elementos a seleccionar.
• Cada individuo puede ser caracterizado como un éxito (E) o fracaso (F).
• Se selecciona una muestra de n individuos de entre los K individuos marcados como
éxito y los N − K restantes marcados como fracaso.
Una variable aleatoria X tiene una distribución Hipergeométrica con parámetros N, K y n. El
cual denotamos XH(N,K,n) si su función de probabilidad es:

Fórmula
donde:
C C
K NK
K : número de éxitos en la población

x n x
si x  0,1, 2,...., n x : número de éxitos en la muestra
P  x   P X  x  C N
n
N : tamaño de la población
N-K: número de fracasos en la población
 0 otro caso n : tamaño de la muestra
 n-x : número de fracasos en la muestra

Ing. Alcides Ramos Calcina

4. Distribución Hipergeométrica
Observación:
• Observe que x no puede exceder a K, es decir la cantidad de “éxitos” que se obtienen
en la muestra no puede exceder a la cantidad de “éxitos” disponibles en el conjunto.
Asimismo, la cantidad de n - x “fracasos” no puede exceder a los N - K “fracasos”
disponibles.

• Medidas estadísticas
Media: Varianza:

K K NK Nn Nn

 
  E X  n.  np  
  Var X  n. .
2
.  npq
N N N N 1 N 1

Ing. Alcides Ramos Calcina

Ejemplo 6
Calcular la probabilidad de obtener 10 tubos defectuosos en una muestra de 20 tubos de
radio tomados sin reemplazo de un lote de 30 tubos, de lo cuales 15 son defectuosos.
Solución:
Datos del problema

x = 10 Si XH(30,15.20), entonces:
n = 20  15  30  15 
  
N = 30 C15 C 30 15
10 20  10
P  X  10  10 3020 10    
K = 15 C20  30 
 
 20 
(3003)(3003) 9018009
P  X  10    0.3001
30045015 30045015

Ing. Alcides Ramos Calcina

Ejemplo 7
En una convención nacional, hay 50 representantes de un partido político, de los cuales 30
apoyan al candidato A y 20 apoyan al candidato B. Si seleccionamos aleatoriamente cinco
representantes, ¿cuál es la probabilidad de que entre esos cinco, dos apoyen al candidato
A?
Solución:
Sean los parámetros del experimento hipergeométrico con:

N = 50 : total de elementos del conjunto

K = 30 : quienes apoyan al candidato A

N – K = 20 : quienes apoyan al candidato B

n=5 : tamaño de la muestra

x=2 : de la muestra quienes apoyan al candidato A

Ing. Alcides Ramos Calcina
Ejemplo 7
Entonces la probabilidad de que entre esos cinco, dos apoyen al candidato A es:

 30  50  30 
   
 2  5  2  435 1140 
 
P X2    0.234052
 
50 2118760
 
5
P  X  2  0.234

Ing. Alcides Ramos Calcina

 Gracias
https://aulavirtual.unap.edu.pe/

En el curso se utilizan exposiciones teóricas breves, ejercicios prácticos y

casos que implican una solución analítica con software estadístico (SPSS,
MINITAB) y EXCEL, entre otros recursos didácticos.

FINESI