CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS – UNIMINUTO

DISTRIBUCIONES DISCRETAS

Kevin Yaseth Montealegre Olaya

ID 1000112

Natalia Sofía Achury Pompa

ID 961280

Oscar Julián Bonilla Romero

ID 903036

María Paula Beltrán Diaz

ID: 945986

Luisa Fernanda Mosquera Garzon

ID 584375

ESTADISTICA INFERENCIA

NRC: 72772

Nombre del tutor:

Jorge Luis Bustos Galindo

Ibagué 24 febrero 2025

Página - 1 - de 13
 DISTRIBUCION BINOMIAL
CONCEPTO

Dicho de una manera mucho más simple, la distribución binomial es una forma
de calcular cómo se distribuyen las probabilidades en situaciones donde solo hay
dos posibles resultados: un éxito o un fracaso. Esta se aplica cuando realizamos
una serie de pruebas, todas independientes entre sí, y queremos saber cuántas
veces ocurrirá un evento específico, como obtener cara al lanzar una moneda
varias veces.
Por ejemplo, si lanzamos una moneda cinco veces y queremos saber cuántas
veces saldrá cara, este escenario se ajusta perfectamente a lo que llamamos
distribución binomial. Aquí, definimos sacar cara como nuestro éxito y contamos
cuántas veces sucede esto en nuestros lanzamientos.
Por tanto, la distribución binomial nos ayuda a entender la probabilidad de que
algo suceda o no, en situaciones donde solo hay dos opciones y hacemos varias
pruebas para verificarlo.

PROPIEDADES DE LA DISTRIBUCIÓN BINOMIAL

Para que una variable aleatoria se considere que sigue una distribución binomial,
tiene que cumplir las siguientes propiedades:
En cada ensayo, experimento o prueba solo son posibles dos resultados
(éxito o fracaso).
La probabilidad del éxito ha de ser constante. Esta se representa
mediante la letra p. La probabilidad de que salga cara al lanzar una
moneda es 0,5 y esta es constante dado que la moneda no cambia en
cada experimento y las probabilidades de sacar cara son constantes.
La probabilidad de fracaso ha de ser también constate. Esta se
representa mediante la letra q = 1-p. Es importante fijarse que, mediante
esa ecuación, sabiendo p o sabiendo q, podemos obtener la que nos
falte.
El resultado obtenido en cada experimento es independiente del anterior.
Por lo tanto, lo que ocurra en cada experimento no afecta a los
siguientes.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir
los 2 al mismo tiempo. No se puede ser hombre y mujer al mismo tiempo
o que al lanzar una moneda salga cara y cruz al mismo tiempo.
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de
los 2 ha de ocurrir. Si no se es hombre, se es mujer y, si se lanza una
moneda, si no sale cara ha de salir cruz.

Página - 2 - de 13
 La variable aleatoria que sigue una distribución binomial se suele
representar como X~(n,p), donde n representa el número de ensayos o
experimentos y p la probabilidad de éxito.

FORMULA DE LA DISTRIBUCIÓN BINOMIAL

La fórmula para calcular la distribución normal es:

Donde:
n = Número de ensayos/experimentos
x = Número de éxitos
p = Probabilidad de éxito
q = Probabilidad de fracaso (1-p)
Es importante resaltar que la expresión entre corchetes no es una expresión
matricial, sino que es un resultado de una combinatoria sin repetición. Este se
obtiene con la siguiente formula:

El signo de exclamación en la expresión anterior representa el símbolo de

factorial.

EJEMPLO DE DISTRIBUCIÓN BINOMIAL

Imaginemos que un 80% de personas en el mundo ha visto el partido de la final

del último mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar,
¿Cuál es la probabilidad de que 3 de ellos hayan visto el partido?
Definamos las variables del experimento:
n = 4 (es el total de la muestra que tenemos)
x = número de éxitos, que en este caso es igual a 3, dado que buscamos la
probabilidad de que 3 de los 4 amigos lo hayan visto.
p = probabilidad de éxito (0,8)
q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.
Tras definir todas nuestras variables, simplemente sustituimos en la formula.

Página - 3 - de 13
El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el
denominador tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado de la factorial
sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el
segundo 0,2 (dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).
Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos
por 100 tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos
haya visto el partido de la final del mundial.

DISTRIBUCION HIPERGEOMETRICA

Hasta ahora hemos analizado distribuciones que modelaban situaciones en las

que se realizaban pruebas que entrañaban una dicotomía (proceso de Bernouilli)
de manera que, en cada experiencia, la probabilidad de obtener cada uno de los
dos posibles resultados se mantenía constante.
Si el proceso consistía en una serie de extracciones o selecciones ello implicaba
la reposición de cada extracción o selección, o bien la consideración de una
población muy grande (cartas en un casino). Sin embargo, si la población es
pequeña y las extracciones no se remplazan, las probabilidades no se
mantendrán constantes. La distribución hipergeométrica viene a cubrir esta
necesidad de modelar procesos de Bernouilli con probabilidades no constantes
(sin reemplazamiento).

La distribución hipergeométrica es especialmente útil en todos aquellos

casos en los que se extraigan muestras o se realicen experiencias repetidas sin
devolución del elemento extraído o sin retornar a la situación experimental
inicial.
Es una distribución fundamental en el estudio de muestras pequeñas de

Página - 4 - de 13
poblaciones pequeñas y en el cálculo de probabilidades de juegos de azar.
Tiene grandes aplicaciones en el control de calidad para procesos
experimentales en los que no es posible retornar a la situación de partida.

Las consideraciones a tener en cuenta en una distribución hipergeométrica:

▪ El proceso consta de "n" pruebas, separadas o separables de entre un

conjunto de "N" pruebas posibles.
▪ Cada una de las pruebas puede dar únicamente dos resultados
mutuamente excluyentes.
▪ El número de individuos que presentan la característica A (éxito) es "k".
▪ En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con
p+q=1.

En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”.

La función de probabilidad de esta variable sería:

La media, varianza y desviación típica de esta distribución vienen dadas por:

EJEMPLO

Supongamos la extracción aleatoria de 8 elementos de un conjunto formado por

40 elementos totales (cartas baraja española) de los cuales 10 son del tipo A
(salir oro) y 30 son del tipo complementario (no salir oro).
Si realizamos las extracciones sin devolver los elementos extraídos y llamamos
X al número de elementos del tipo A (oros obtenidos) que extraemos en las 8

Página - 5 - de 13
cartas; X seguirá una distribución hipergeométrica de parámetros 40 , 8 ,
10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:

EJEMPLO

De cada 20 piezas fabricadas por una máquina, hay 2 que son defectuosas. Para
realizar un control de calidad, se observan 15 elementos y se rechaza el lote si
hay alguna que sea defectuoso. Vamos a calcular la probabilidad de que el lote
sea rechazado.

Cuando N es muy grande, como criterio se suele considerar N > 10n, la

distribución hipergeométrica se puede aproximar por la binomial B( n, p ) con p
= k/N.

DISTRIBUCION POISSON

Página - 6 - de 13
La distribución de Poisson es una distribución de probabilidad discreta que
expresa la probabilidad de que se produzca un número determinado de sucesos
en un intervalo fijo de tiempo o espacio. Supone que estos sucesos ocurren con
una frecuencia media conocida e independientemente del tiempo transcurrido
desde el último suceso. Para entender la distribución de Poisson, primero es útil
conocer la diferencia entre distribuciones discretas y continuas.

DISTRIBUCIONES DISCRETAS

• Naturaleza: Las distribuciones discretas describen fenómenos en los que

los resultados pueden contarse en números enteros. Se caracterizan por
funciones de masa de probabilidad (FMP) que asignan una probabilidad
a cada posible resultado discreto.
• Visualización: En el panel izquierdo, se muestra la distribución de
Poisson, en la que cada punto representa la probabilidad de que se
produzca un número determinado de sucesos en un intervalo fijo. Esta
distribución es ideal para modelizar datos de recuento, como el número
de correos electrónicos recibidos por hora. También puedes observar
que no hay valores negativos en el panel de la distribución de Poisson.
Esto se debe a que las distribuciones de Poisson, por definición, no
pueden tener valores negativos.
Algunos ejemplos de distribuciones discretas de probabilidad son las
distribuciones Bernoulli y binomial.

DISTRIBUCIONES CONTINUAS

Página - 7 - de 13
 • Naturaleza: Las distribuciones continuas se utilizan para datos que
pueden tomar cualquier valor dentro de un intervalo, incluidos los
decimales. Utilizan funciones de densidad de probabilidad (FDP) para
describir las probabilidades de los resultados dentro de un intervalo
determinado.
• Visualización: El panel derecho ilustra la distribución normal. La curva
suave indica la densidad de valores alrededor de la media, y el área bajo
la curva entre dos puntos cualesquiera da la probabilidad de caer dentro
de ese intervalo. Este tipo de distribución es útil para medir magnitudes
como la temperatura o el peso.
La distribución normal, o gaussiana, es un buen ejemplo de distribución continua.

PROPIEDADES DE LAS DISTRIBUCIONES DE POISSON

Veamos algunas características importantes de la distribución de Poisson.

EVENTOS EN UN INTERVALO FIJO

Una característica clave de la distribución de Poisson es su capacidad para

modelizar sucesos en un intervalo fijo. Este intervalo puede ser temporal (por
ejemplo, número de clientes que llegan por hora) o espacial (por ejemplo, número
de defectos por metro cuadrado de tejido). El modelo supone:
1. Los acontecimientos se producen de forma independiente.
2. La tasa media de aparición (λ) permanece constante a lo largo del
intervalo.
3. Dos acontecimientos no pueden ocurrir exactamente en el mismo
instante.

MEDIA Y VARIANZA

Una de las propiedades más distintivas de la distribución de Poisson es que su

media (valor esperado) es igual a su varianza. Ambos están representados por
el parámetro λ (lambda), que denota el número medio de sucesos en el intervalo.
Esta propiedad es única y ayuda a identificar si un conjunto de datos sigue una
distribución de Poisson. Matemáticamente, esto puede representarse en la
siguiente ecuación:

Página - 8 - de 13
Esta igualdad implica que, a medida que aumenta el número esperado de
sucesos, también lo hace la variabilidad en el número real de sucesos.
ASIMETRÍA Y FORMA

La forma de la distribución de Poisson varía en función del valor de λ. Esta

ilustración visual muestra cómo λ afecta a la asimetría y simetría de la
distribución:

• Para valores pequeños de λ (λ < 10), la distribución es notablemente

sesgada a la derecha. Esto significa que hay más sucesos con menos
sucesos y menos sucesos con un mayor número de sucesos.
• A medida que aumenta λ (λ > 10), la distribución se vuelve más
simétrica y empieza a parecerse a una distribución normal. Esta simetría
indica que los datos están distribuidos más uniformemente en torno a la
media.
Esta forma cambiante afecta al modo en que interpretamos las probabilidades y
hacemos inferencias a partir de datos distribuidos en Poisson. Por ejemplo, una
distribución simétrica simplifica muchos tipos de análisis, como las pruebas de
hipótesis y la estimación de intervalos de confianza, porque la distribución de los
datos es más predecible y equilibrada.

FÓRMULA DE LA DISTRIBUCIÓN DE POISSON

Echa un vistazo a la fórmula de la distribución de Poisson.

Página - 9 - de 13
• El lado izquierdo (LHS) de la fórmula de la distribución de Poisson, P(X
= k), representa la probabilidad de que se produzcan exactamente
k sucesos en un intervalo fijo. Aquí, X es el número de sucesos, y k es el
número concreto que nos interesa. En otras palabras, el LHS nos dice
qué probabilidad estamos calculando.
• El numerador del lado derecho (RHS),e-λλk tiene dos partes. λk muestra
la probabilidad de que se produzcan k sucesos basándose en la tasa
media λ. La e-λ tiene en cuenta la aleatoriedad de los sucesos,
garantizando que la probabilidad disminuye a medida que el número de
sucesos se desvía de la tasa esperada.
• El denominador del lado derecho (RHS), ¡k! ajusta de cuántas
maneras pueden ocurrir los sucesos. La notación factorial calcula el
número de disposiciones posibles, asegurándose de que la probabilidad
refleja el hecho de que el orden de los acontecimientos no importa.

CÓMO SE UTILIZA LA DISTRIBUCIÓN DE POISSON

Veamos algunos usos reales de la distribución de Poisson. Si te interesa la
planificación de la capacidad y la optimización del rendimiento, nuestro
curso Modelos de Mezcla en R cubre las aplicaciones avanzadas de las
distribuciones de probabilidad, incluidas las mezclas de Poisson.
TEORÍA DE COLAS
En la teoría de colas, las distribuciones de Poisson modelan las llegadas de
clientes a los puntos de servicio. Por ejemplo, un banco podría utilizar esta
distribución para predecir cuántos clientes llegarán en una hora determinada,
lo que ayudaría a optimizar los niveles de personal y reducir los tiempos de
espera.
EPIDEMIOLOGÍA Y ACONTECIMIENTOS RAROS
Los epidemiólogos emplean con frecuencia distribuciones de Poisson para
modelizar la aparición de enfermedades raras. Esta aplicación ayuda a
estimar el número esperado de casos en una población, o a detectar brotes
inusuales comparando los casos observados con la distribución de Poisson
esperada. Si te interesa la epidemiología, puedes escuchar nuestro episodio
del podcast Ciencia de datos, epidemiología y salud pública con Maëlle
Salmon.

MODELIZACIÓN DEL TRÁFICO Y DE LA RED

Página - 10 - de 13
Los ingenieros de tráfico y los analistas de redes utilizan las distribuciones de
Poisson para modelar el número de vehículos que pasan por un puesto de
control, las llegadas de paquetes de datos a un servidor o las llegadas de
llamadas a un centro de atención telefónica.

FUNCIONAMIENTO, CONCEPTOS ERRÓNEOS Y ALTERNATIVAS

Al trabajar con distribuciones de Poisson, es esencial tener en cuenta los

factores relacionados con el rendimiento, los errores más comunes y los
modelos alternativos para garantizar resultados precisos. Merece la pena
explorar varias zonas:

RETOS DE RENDIMIENTO

Varios factores influyen en la eficacia del modelado de la distribución de

Poisson, sobre todo cuando se tratan casos extremos:
• Tasas de eventos bajos: Cuando se trata de tasas de sucesos muy
bajas (λ pequeñas), surgen dificultades debido a la gran variabilidad de
los resultados. Las estrategias para gestionar esto incluyen utilizar
periodos de observación más largos para aumentar el recuento
esperado, emplear métodos bayesianos para incorporar el conocimiento
previo, o considerar modelos cero-inflados para el exceso de ceros.
• Aproximaciones con distribución normal: Para valores de λ mayores
(normalmente por encima de 30), la distribución de Poisson puede
aproximarse utilizando una distribución normal, lo que simplifica los
cálculos, pero requiere una aplicación cuidadosa.
ACLARAR CONCEPTOS ERRÓNEOS

Entender mal los elementos clave puede conducir a modelos defectuosos:

• Intervalos fijos: Un error común es creer que el intervalo en un proceso
de Poisson puede variar. En realidad, el intervalo debe ser fijo y bien
definido. La variación de los intervalos puede dar lugar a una
modelización incorrecta y a predicciones inexactas.
• Confusión con la distribución binomial: Aunque la distribución de
Poisson puede derivarse como límite de la distribución binomial en
determinadas condiciones, son distintas. La distribución de Poisson se
utiliza para contar sucesos raros en un intervalo fijo de tiempo o espacio,
mientras que la binomial es para un número fijo de ensayos
independientes con dos resultados posibles.
CONSIDERANDO DISTRIBUCIONES ALTERNATIVAS

Página - 11 - de 13
En algunos casos, las distribuciones alternativas pueden ofrecer mejores
resultados:
• Distribución binomial negativa: La distribución binomial negativa es
una alternativa para los datos de recuento sobredispersos, en los que la
varianza supera a la media. Es más flexible que la distribución de
Poisson y puede modelizar datos con mayor variabilidad.
• Distribución exponencial: Mientras que la distribución de Poisson
modela el número de sucesos en un intervalo fijo, la distribución
exponencial modela el tiempo entre sucesos en un proceso de Poisson.
Es continua en lugar de discreta y es crucial en el análisis de
supervivencia y la ingeniería de fiabilidad.

Página - 12 - de 13
 Referencias

➢ [Link]

➢ [Link]
tadisticaProbabilidadInferencia/VAdiscreta/4_1DistribucionHipergeo
metrica/[Link]

➢ [Link]

Página - 13 - de 13