PRINCIPALES DISTRIBUCIONES DISCRETAS

Objetivos generales del tema

En este tema definiremos y discutiremos diversas e importantes distribuciones discretas, es decir, funciones masa de probabilidad o funciones de distribucin correspondientes a variables aleatorias discretas. Veremos las propiedades
ms importantes.

Principales contenidos
Distribucin de Bernoulli.
Distribucin Binomial.
Distribucin Binomial Negativa.
Distribucin Hipergeomtrica.
Distribucin de Poisson.

Introduccin

Recordemos que una variable aleatoria X tiene una distribucin de probabilidad

discreta (o simplemente una distribucin discreta) si:

P
pi si x = xi (i = 1, 2, . . .)
P (X = xi ) =
pi = 1
con pi 0 y
0
en el otro caso
i

Distribucin de Bernoulli

La distribucin de Bernoulli es una distribucin que toma dos valores (1 y 0) con

probabilidad p y 1p. Habitualmente esta distribucin aparece en experimentos
donde se identifica el suceso 1=EXITO y 0=FRACASO.
Definicin 1 Una v.a. X tiene una distribucin de Bernoulli si (para algn p
con 0 p 1)
P (X = 1) = p
P (X = 0) = 1 p
Ejemplo 2 La v.a. que define el experimento lanzamiento de una moneda sigue
una distribucin de Bernoulli de parmetro p. Donde p es la probabilidad del
suceso de inters, cara o cruz.
PROPIEDADES

Distribucin de Bernoulli de parmetro p

Media
E (X) = p
Varianza 2
V ar (X) = p (1 p)
p
Desviacin Tpica
p (1 p)

Distribucin Binomial

La distribucin Binomial de parmetro n y p (Bi (n, p)) surge como una secuencia n intentos del tipo de Bernoulli que verifica:
Los intentos son independientes.
Cada resultado del intento puede tomar nicamente dos resultados mutuamente excluyentes, que denotaremos por EXITO (E) o FRACASO (F).
La probabilidad de xito (y por lo tanto la de fracaso) es constante en
cada intento.
As cada intento, definiendo p = P (EXITO) y asignando el valor 0 cuando
ocurre F y el valor 1 cuando ocurre E, se puede describir como una distribucin
de Bernoulli de parmetro p.
2

Definicin 3 Una v.a. X tiene una distribucin Binomial si (para algn entero
positivo n y algn p con 0 p 1) mide
X = "no de xitos de un total de n si la probabilidad de xito es p"

n k
p (1 p)nk si k = 1, 2, . . . , n
P (X = k) =
k

0
en el otro caso

Distribucin Binomial n = 25, p = 0.25.

La forma de la distribucin binomial va aumentando hasta m = (n + 1) p y
despus comienza a bajar.
Una v.a. binomial puede ser considerada como una suma de n variables
aleatorias de Bernoulli de parmetro p, es decir, como la variable indicadora del
nmero de xitos en n pruebas de Bernoulli,Pes decir, si denotamos por Xi el
i-simo intento de Bernoulli, entonces, X = ni=1 Xi .
Observacin 4 La distribucin de Bernoulli es un caso particular de la distribucin Binomial con n = 1.
Proposicin 5 Si X tiene la distribucin Binomial con n (nmero de intentos) y p (probabilidad de xito que denotaremos por X Bi (n, p)) entonces la
variable Y = n X, que representa el nmero de fracasos, es una variable de
Binomial con n (nmero de intentos) y probabilidad de xito 1 p.
X Bi (n, p) Y = n X Bi (n, 1 p)
PROPIEDADES
Distribucin Binomial de parmetros n y p
Media
E (X) = np
Varianza 2
V
par (X) = np (1 p)
Desviacin Tpica
np (1 p)
3

Ejemplo 6 En una fbrica hay 12 mquinas. Cada una de ellas est

averiada un da de cada 10. Cul es la probabilidad de que un determinado da haya ms de 3 mquinas averiadas?
Sea la variable X ="no de mquinas averiadas de un total de 12 si P (avera) =
0, 1" Bi (n = 12, p = 0.1) .
P (X >
3) =1P (X 3) = 1[P
(X= 0) + P (X = 1) + P (X = 2) + P (X = 3)] =
12
12
120
121
=1
+
+
0.10 (1 0.1)
0.11 (1 0.1)
0
1

12
12
122
123
+
0.12 (1 0.1)
= 1 0.9744 = 0.0256.
+
0.13 (1 0.1)
2
3
La v.a. binomial est tabulada para valores pequeos de n. Hay tablas
que dan la funcin de masa de probabilidad P (X = k) o bien la funcin de
distribucin P (X k), aunque slo vienen para valores p 0.5.

Distribucin Binomial Negativa

La distribucin Binomial Negativa de parmetro r y p (BN (r, p)) surge como

una secuencia infinita de intentos del tipo de Bernoulli que verifican:
La secuencia de intentos es independiente.
Cada resultado del intento puede tomar nicamente dos resultados mutuamente excluyentes, que denotaremos por EXITO (E) o FRACASO (F).
La probabilidad de xito (y por lo tanto la de fracaso) es constante en
cada intento.
Los intentos continan (se ejecutan) hasta que un total de r xitos se
hayan observado.
As cada intento, definiendo p = P (EXITO) y asignando el valor 0 cuando
ocurre F y el valor 1 cuando ocurre E, se puede describir como una distribucin
de Bernoulli de parmetro p.
Definicin 7 Una v.a. X tiene una distribucin Binomial Negativa si (para
algn entero positivo r y algn p con 0 p 1)
X = "no de fracasos hasta el r simo xito si p = P (EXITO) "

r+k1 r
k
p (1 p)
si k = 0, 1, 2, . . .
P (X = k) =
k

0
en el otro caso

Proposicin 8 Si X tiene la distribucin Binomial Negativa con r (nmero de

xitos) y p (probabilidad de xito) que denotaremos por X BN (r, p) entonces
la variable Y = X + r, que representa el nmero de pruebas para del xito
r-simo, tiene una distribucin relacionada con X por:

k1 r
kr
si k = r, r + 1, r + 2, . . .
p (1 p)
P (Y = k) = P (X = k r) =
kr

0
en el otro caso
Observacin 9 La distribucin Binomial Negativa con r = 1 es conocida en la
literatura por distribucin geomtrica de parmetro p y mide el nmero de
fracasos antes del primer xito.
PROPIEDADES
Distribucin Binomial Negativa de parmetros r y p
(1 p)
Media
E (X) = r
p
(1 p)
2
V ar (X) = r
Varianza
p2
p
r (1 p)
Desviacin Tpica
p

Distribucin Hipergeomtrica

La distribucin Hipergeomtrica de parmetros k, n y N (HG (k, n, N )) surge en

situaciones en donde el modelo aproximado de probabilidad se corresponde con
muestreo sin reemplazamiento de una poblacin dicotmica (Exito y Fracaso)
finita. Concretamente, las suposiciones que llevan a considerar esta distribucin
son:
La poblacin o conjunto donde deba hacerse el muestreo consta de N
individuos o elementos a seleccionar.
Cada individuo puede ser caracterizado como un xito (E) o fracaso (F).
Se selecciona una muestra de n individuos de entre los k individuos marcados como xito y los N k restantes marcados como fracaso.
Hay seleccin equiprobable en cada paso.
Definicin 10 Una v.a. X tiene una distribucin Hipergeomtrica si (para
algunos enteros positivos k, n y N )
X

= "no de individuos de un total de n con cierta caracterstica

(xito) si en N hay un total de k"



k
N k

k
x n
P (X = x) =
N

si max {0, n (n k)} x min (n, k)

en el otro caso

Proposicin 11 Podemos aproximar la distribucin Hipergeomtrica a la distribucin Binomial, puesto que cuando N es grande (N > 10n) podemos suponer
k
.
que X Bi (n, p) con p = N
PROPIEDADES
Distribucin Hipergeomtrica de parmetros k, n y N
Media
E (X) = np
N n
2
Varianza
V ar (X) = npq
N 1
r
N n
npq
Desviacin Tpica
N 1
Ejemplo 12 De cada 2.000 tornillos fabricados por una determinada
mquina hay 2 defectuosos. Para realizar el control de calidad se
observan 150 tornillos y se rechaza el lote si el nmero de defectuosos
es mayor que 1. Calcular la probabilidad de que el lote sea rechazado.
Sea X ="no de defectuosos de un total de n = 150 si en N = 2.000 hay un
total de k = 2" HG (k = 2, n = 150, N = 2.000)
Se pide P (X > 1) = 1 [P (X = 0) + P (X = 1)] =

2 2.000 2
2 2.000 2
0
150
1
150 1

=1
+

2.000
2.000
150
150

Como los clculos son complicados,se va a aproximar la v.a. X por una

2
binomial Bi n = 150, p = 2.000
= 0.001

P (X
> 1) =1 [P (X = 0) + P (X =
1)] =

150
150
1500
1501
0
1
= 1
0.001 (1 0.001)
+
0.001 (1 0.001)
0.442
0
1

Distribucin de Poisson

Consideremos sucesos ("xitos") que ocurren aleatoriamente a lo largo del tiempod y sea la v.a. X ="no de sucesos en el intervalo de tiempo (0, t)". La distribucin de Poisson de parmetro surge en los llamados procesos de Poisson
que se presenta en relacin con el acontecimiento de xitos de un tipo particular
6

durante un intervalo continuo de tiempo. Las suposiciones de un proceso de

Poisson, durante un intervalo de tiempo que empieza en t = 0 son:
Existe un parmetro tal que para cualquier intervalo corto de tiempo
4t, la probabilidad de que ocurra exactamente un xito es 4t.
La probabilidad de que se produzca ms de un xito en el intervalo 4t es
o (4t) 1 .
El nmero de xitos ocurrido en un intervalo 4t es independiente del
nmero ocurrido antes de este intervalo de tiempo.
Definicin 14 Una v.a. X tiene una distribucin de Poisson si (para algn
con 0)
X = no de xitos en un intervalo de tiempo si el no medio es

k
e
si k = 0, 1, 2, . . .
P (X = k) =
0 k! en el otro caso

Proposicin 15 Sea X P oisson (1 ), Y P oisson (2 ) independientes,

entonces la variable X + Y P oisson (1 + 2 )
Proposicin 16 Se puede considerar que una v.a. Poisson() es lmite de una
binomial Bi (n, p) si
p < 0.1 y np < 5
Proposicin 17 La distribucin de Poisson presenta su mximo en los puntos
x = y x = 1.

Definicin 13 o (4t) si lim

o(4t)
4t

=0

PROPIEDADES
Distribucin de Poisson
Media
Varianza 2
Desviacin Tpica

de parmetros
E (X) =
V
ar (X) =

Ejemplo 18 En un taller se averan una media de 2 mquinas a la

semana. Calcula la probabilidad de que no haya ninguna avera en
una semana. Y de que haya menos de 6 en un mes?
Sea X ="no de averas en una semana si de media hay = 2"Poisson( = 2) .
Entonces
20
P (X = 0) = e2 = 0.14
0!
Si en una semana hay 2 averas de media, entonces en un mes hay 2 4 = 8
averas de media. Sea entonces Y ="no de averas en un mes si de media hay
= 8"Poisson( = 8)
20
25
P (Y 5) = P (Y = 0) + + P (Y = 5) = e2 + + e2
= 0.191
0!
5!