La probabilidad de éxito o fracaso de un evento es un problema recurrente en la vida cotidiana,

¿qué ventajas se pueden tener al disponer de información estadística de los eventos que ocurren
en el entorno?

“Permite toma de decisiones en el sector privado como público. La empresa es para

identificar a las organizaciones conformadas de elementos distintos humanos, técnicos y
material y cuyo objetivo es la consecución de algún beneficio económico o comercial,
satisfaciendo las necesidades de los clientes. Las estadísticas en la empresa evalúan el éxito
de la empresa. La implementación de la estadística es fundamental a efecto de gestionar y
mejorar las actividades de la empresa. La aplicación de las estadísticas para las empresas,
el software de análisis estadístico varía dependiendo del tipo de análisis estadístico. por lo
tanto, la importancia y aplicación de las estadísticas es indispensable para evaluar y
controlar en el área de trabajo. Además, sirve de apoyo para enfocarse en el marco
contextual, proporciona un fundamento estadístico, relación entre variables, garantía de
calidad y consideraciones para aprender a medir y gestionar los números y lo más
importante la toma de decisión en la empresa.” (eumed.net, 2016)

Si dicha información es discreta, ¿cómo se puede tomar una decisión para evitar un desastre?

La evaluación de la amenaza, puede ser un insumo fundamental para el ordenamiento

territorial o la planeación física, especialmente cuando se trata de determinar la aptitud
ambiental de zonas de expansión urbana o de localización de nueva infraestructura. Sin
embargo, dicha evaluación es sólo una etapa de determinación de riesgo, estimación que
se requiere para la definición y aplicación de medidas de prevención mitigación,
debidamente justificadas en términos sociales y económicos dentro de la planeación física
y sectorial.
 Ejercicios:

1. Explica con tus propias palabras a que nos referimos cuando abordamos los siguientes
conceptos:
a. Variable aleatoria discreta y continua

Variable aleatoria discreta: El conjunto de posibles valores es numerable. Suelen estar

asociadas a experimentos en que se mide el número de veces que sucede algo.

Variable aleatoria continua: El conjunto de posibles valores es no numerable. Puede tomar

todos los valores de un intervalo. Son el resultado de medir

b. Distribución de probabilidad discreta

Describe la probabilidad de ocurrencia de cada valor de una variable aleatoria discreta.

Contiene valores contables, tales como una lista de enteros no negativos, asociándose con
una probabilidad distinta de cero

c. Densidad de probabilidad, media y desviación estándar de una variable aleatoria

discreta.
La función de densidad de probabilidad ayuda a identificar regiones de mayores y menores
probabilidades para valores de una variable aleatoria. Para una variable discreta, la función
de densidad de probabilidad proporciona los valores de probabilidad para valores dados de
x. Es una teoría para definir cómo se distribuye una variable numérica en una población.

Media o esperanza. Es el valor medio teórico de todos los valores que puede tomar la
variable. Representa una medida de centralización.

Desviación estándar. Es una medida de dispersión de la misma dimensión física de la

variable y que representa por medio de la letra σ. También es la raíz cuadrada positiva de
la varianza; una medida de la dispersión.
2. Explica el tipo de distribuciones de probabilidad discretas para resolver problemas
estadísticos y menciona un ejemplo (puedes obtenerlo de algún libro o agregar la fuente
de consulta)

Distribución Bernoulli.

En teoría de probabilidad y estadística, la distribución de Bernoulli (o distribución

dicotómica), nombrada así por el matemático y científico suizo Jakob Bernoulli, es una
distribución de probabilidad discreta, que toma valor 1 para la probabilidad de éxito ( ) y
valor 0 para la probabilidad de fracaso

( ).

La distribución binomial es una distribución de probabilidad discreta que mide el

número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre
sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son posibles
dos resultados. A uno de estos se denomina éxito y tiene una probabilidad de ocurrencia
p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribución binomial el anterior
experimento se repite n veces, de forma independiente, y se trata de calcular la
probabilidad de un determinado número de éxitos. Para n = 1, la binomial se convierte,
de hecho, en una distribución de Bernoulli.

Distribución polinomial.
Es una generalización de la distribución binomial para el caso de que en cada prueba se
consideren k sucesos excluyentes A1, A2, …, Ak con probabilidades respectivas p1, p2, …,
pk siendo la suma de todas igual a la unidad.
Distribución normal

La distribución normal es, sin duda, la distribución de probabilidad más importante

del Cálculo de probabilidades y de la Estadística. Fue descubierta por De Moivre
(1773), como aproximación de la distribución binomial. De todas formas, la
importancia de la distribución normal queda totalmente consolidada por ser la
distribución límite de numerosas variables aleatorias, discretas y continuas, como se
demuestra a través de los teoremas centrales del límite. Las consecuencias de estos
teoremas implican la casi universal presencia de la distribución normal en todos los
campos de las ciencias empíricas: biología, medicina, psicología, física, economía, etc.
En particular, muchas medidas de datos continuos en medicina y en biología (talla,
presión arterial, etc.) se aproximan a la distribución normal.

Junto a lo anterior, no es menos importante el interés que supone la simplicidad de

sus características y de que de ella derivan, entre otras, tres distribuciones (Ji-
cuadrado, t y F) que se mencionarán más adelante, de importancia clave en el campo
de la contrastación de hipótesis estadísticas.

La distribución normal queda totalmente definida mediante dos parámetros: la

media (Mu) y la desviación estándar (Sigma).

Distribución Gamma

La distribución gamma se puede caracterizar del modo siguiente: si se está interesado

en la ocurrencia de un evento generado por un proceso de Poisson de media lambda,
la variable que mide el tiempo transcurrido hasta obtener n ocurrencias del evento
sigue una distribución gamma con parámetros a= n´ lambda (escala) y p=n (forma). Se
denota Gamma.

Por ejemplo, la distribución gamma aparece cuando se realiza el estudio de la

duración de elementos físicos (tiempo de vida).

Esta distribución presenta como propiedad interesante la “falta de memoria”. Por

esta razón, es muy utilizada en las teorías de la fiabilidad, mantenimiento y
fenómenos de espera (por ejemplo, en una consulta médica “tiempo que transcurre
hasta la llegada del segundo paciente”).
 Distribución T student.

Es una distribución de probabilidad que surge del problema de estimar la media

de una población normalmente distribuida cuando el tamaño de la muestra es
pequeño.

Aparece de manera natural al realizar la prueba t de Student para la determinación

de las diferencias entre dos medias muéstrales y para la construcción del intervalo de
confianza para la diferencia entre las medias de dos poblaciones cuando se
desconoce la desviación típica de una población y ésta debe ser estimada a partir de
los datos de una muestra.

La distribución t de Student es la distribución de probabilidad del cociente

Distribución Hipergeométrica.
Consideremos una población de N elementos de dos clases A y A* excluyentes, de los
cuales nA son de la clase A y nA* son de la Clase A*, con nA + nA* = N.
Al tomar un elemento de esta población la probabilidad de que proceda de una u otra
clase es:
 Distribución de poisson y ejemplo

Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de área,
tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o
producto, la fórmula a utilizar sería:

donde:
p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia
de ellos es l
l = media o promedio de éxitos por unidad de tiempo, área o producto
e = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra

Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad
de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es
independiente de otro intervalo dado, así como cada área es independiente de otra área
dada y cada producto es independiente de otro producto dado.
Ejemplos:
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques
sin fondos en cualquiera de dos días consecutivos?

Solución:
a) x = variable que nos define el número de cheques sin fondo que llegan al banco en
un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

b)
x= variable que nos define el número de cheques sin fondo que llegan al banco en dos días
consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe
“hablar” de lo mismo que x.

Referencia
itchihuahua.edu.Poisson. Recuperado de:
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr%2
0Poisson.htm

En los ejercicios 3 a 5, determine si se trata de una distribución de probabilidad. En los

casos en que no se describa una distribución de probabilidad, identifique los requisitos
que no se satisfacen. En los casos en que se describa una distribución de probabilidad,
calcule su media y desviación estándar .
3 . Sentencias previas Se selecciona aleatoriamente a un preso, convicto por manejar
intoxicado; la distribución de probabilidad del número x de sentencias previas por este
delito se describe en la tabla adjunta (según datos del Departamento de Justicia de
Estados Unidos).

X P(X)
0 0.512
1 0.301
2 0.132
3 0.055

Se necesitan 2 requisitos para establecer la distribución de probabilidad

1. Σ𝑝(𝑥) = 1 𝑑𝑜𝑛𝑑𝑒 𝑥 𝑡𝑜𝑚𝑎 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

X P(X)
0 0.512
1 0.301
2 0.132
3 0.055
=1

2. 0 ≤ p(x) ≤ 1 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑣𝑎𝑙𝑜𝑟 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑎𝑙 𝑑𝑒 𝑥

0 ≤ 0.5212 ≤ 1
0 ≤ 0.301 ≤ 1
0 ≤ 0.132 ≤ 1
0 ≤ 0.055 ≤ 1

En este caso se cumplen los dos requisitos

Media
Fórmula para calcular la media de una distribución de probabilidad
μ = Σ[𝑥. 𝑝(𝑥) ]

X P(X) x.p(x) X2 X2 . P(X)

0 0.512 0 0 0
1 0.301 0.301 1 0.301
2 0.132 0.264 4 0528
3 0.055 0.165 9 0.495
Σ[𝑥. 𝑝(𝑥) ] Σ[𝑥 2 . 𝑝(𝑥) ]
0.73 1.324

𝛍 = 𝟎. 𝟕𝟑

Distribución estándar
Fórmula para calcular la desviación estándar de una distribución de probabilidad

σ = √Σ[𝑥 2 . 𝑝(𝑥)] − 𝜇2

σ = √1.324 − (0.73)2

σ = √1.324 − 0.5329

σ = √0.7911
𝛔 = 𝟎. 𝟗
4. La línea Air América tiene, por rutina, la política de vender un número de boletos que
rebasa el número de asientos por cada vuelo, ya que la experiencia demuestra que
algunos pasajeros no se presentan. La variable aleatoria x representa el número de
pasajeros que no pueden abordar porque hay más pasajeros que asientos.

X P(X)
0 0.805
1 0.113
2 0.057
3 0.009
4 0.002
0.986

No cumple con el primer requisito ya que la suma total de p(x) es 0.986

5. Con base en resultados que se encontraron en el Information Please Almanac, hay

una probabilidad del 0.1809 de que la Serie Mundial de Beisbol dure cuatro juegos,
una probabilidad del 0.2234 de que dure cinco juegos, una probabilidad de 0.2234 de
que dure seis juegos y una probabilidad del 0.3723 de que dure siete juegos. ¿Será
poco común que un equipo se corone ganando cuatro juegos seguidos? 


X P(X)
4 0.1809
5 0.2234
6 0.2234
7 0.3723

Se necesitan 2 requisitos para establecer la distribución de probabilidad

1. Σ𝑝(𝑥) = 1𝑑𝑜𝑛𝑑𝑒 𝑥 𝑡𝑜𝑚𝑎 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

 X P(X)
4 0.1809
5 0.2234
6 0.2234
7 0.3723
1

2. 0 ≤ p(x) ≤ 1 𝑝𝑜𝑟 𝑐𝑎𝑑𝑎 𝑣𝑎𝑙𝑜𝑟 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑎𝑙 𝑑𝑒 𝑥

0 ≤ 0.1809 ≤ 1
0 ≤ 0.2234 ≤ 1
0 ≤ 0.2234 ≤ 1
0 ≤ 0.3723 ≤ 1

En este caso se cumplen los dos requisitos

Media
Fórmula para calcular la media de una distribución de probabilidad
μ = Σ[𝑥. 𝑝(𝑥) ]

X P(X) x.p(x) X2 X2 . P(X)

4 0.1809 0.7236 16 2.894
5 0.2234 1.117 25 5.585
6 0.2234 1.3404 36 8.0424
7 0.3723 2.6061 49 18.2427
Σ[𝑥. 𝑝(𝑥) ] Σ[𝑥 2 . 𝑝(𝑥) ]
5.8 34.7641

𝛍 = 𝟓. 𝟖

Distribución estándar
Fórmula para calcular la desviación estándar de una distribución de probabilidad
σ = √Σ[𝑥 2 . 𝑝(𝑥)] − 𝜇2

σ = √34.7641 − (5.8)2

σ = √34.7641 − 33.64

σ = √1.1241
𝛔 = 𝟏. 𝟏

No Será poco común que un equipo se corone ganando cuatro juegos seguidos 


6. Un fabricante sabe que, en promedio, 20% de los tostadores eléctricos producidos

requerirá reparaciones durante el primer año posterior a su venta. Suponga que se
seleccionan al azar 20 tostadores y calcule los números x y y adecuados tales que
1. la probabilidad de que al menos x de ellos requieran reparaciones sea menor que
0.5;

𝑛 = 20 𝑡𝑜𝑠𝑡𝑎𝑑𝑜𝑟𝑒𝑠

𝑝 = 0.2

𝑝(𝑋 ≥ 𝑥) ≤ 0.5 𝑦 𝑝(𝑋 ≥ 𝑥) > 0.5 𝑟𝑖𝑛𝑑𝑒 𝒙 = 𝟒

2. la probabilidad de que al menos y de ellos no re- quieran reparaciones sea

mayor que 0.8.

𝑝 = 0.8

𝑝(𝑌 ≥ 𝑦) ≥ 0.8 𝑦 𝑝(𝑌 ≥ 𝑦) < 0.2 𝑟𝑖𝑛𝑑𝑒 𝑦 = 14

7. Los cambios en los procedimientos de los aeropuertos requieren una planeación
considerable. Los índices de llegadas de los aviones son factores importantes que deben
tomarse en cuenta. Suponga que los aviones pequeños llegan a cierto aeropuerto, de
acuerdo con un proceso de Poisson, con una frecuencia de 6 por hora. De esta manera,
el parámetro de Poisson para las llegadas en un periodo de horas es μ = 6t.
1. ¿Cuál es la probabilidad de que lleguen exacta- mente 4 aviones pequeños durante
un periodo de una hora?
𝑝(𝑥 = 4| 𝜆𝔱 = 6) = 0.2851 − 0.1512 = 𝟎. 𝟏𝟑𝟑𝟗

2. ¿Cuál es la probabilidad de que lleguen al menos 4 durante un periodo de una

hora? 


𝑝(𝑥 ≥ 4| 𝜆𝔱 = 6) = 1 − 0.1512 = 𝟎. 𝟖𝟒𝟖𝟖

3. Si definimos un día laboral como de 12 horas, ¿cuál es la probabilidad de que al

menos 75 aviones pequeños lleguen durante un día laboral? S

74

𝑝(𝑥 ≥ 75| 𝜆𝔱 = 72) = 1 − ∑ 𝑝(𝑥, 74) = 0.3773

𝑥=0
FUENTES DE CONSULTA

Eumed.net. (2016). Recuperado de:

http://www.eumed.net/rev/caribe/2016/12/estadisticas.html

Tdx. Valoración del riesgo y toma de decisiones. Recuperado de

https://www.tdx.cat/bitstream/handle/10803/6219/05Capitulo3.PDF?sequence=5&isAllowed=
y

Slideshare.net. Variables aleatorias. Recuperado de:

https://es.slideshare.net/ScarletIglez/variables-aleatorias-35366180?from_action=save

Support.minitab.com. variables continuas y discretas. Recuperado de :

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/basics/continuous-and-discrete-
probability-distributions/

itchihuahua.edu.Poisson. Recuperado de:

http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr%2
0Poisson.htm