Distribuciones Discretas

201 6Ast urias: Red de Universidades Virt uales Iberoamericana s

1

Distribuciones Discretas

ndice

02

Distribucin Uniforme Discreta ........................................................................................................................... 3

Distribucin Bernoulli ................................................................................................................................................. 3

Distribucin Binomial ................................................................................................................................................. 4

Distribucin Geomtrica .......................................................................................................................................... 5

Distribucin Poisson.................................................................................................................................................... 6

Distribucin Binomial Negativa ........................................................................................................................... 7

Distribucin Hipergeomtrica .............................................................................................................................. 8

Conclusiones.................................................................................................................................................................... 9

Referencias Bibliogrficas .................................................................................................................................... 10

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

Objetivos

1
Equiprobables: cuando hay n resultados
diferentes y todos tienen la misma
probabilidad de ocurrir

Objetivo 1: Conocer los distintos tipos de distribuciones de tipo discreto.

Objetivo 2: Comprender y analizar las diferentes distribuciones de variables

discretas.

Distribucin Uniforme Discreta

Decimos que una variable aleatoria tiene una distribucin uniforme discreta sobre el
conjunto finito de nmeros {1 , . . . , } si la probabilidad de que tome cualquiera de
estos valores es la misma, es decir, 1/. Esta distribucin, surge en espacios de
probabilidad equiprobables, esto es, en situaciones en donde tenemos resultados
diferentes y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de lotera
son un ejemplo donde puede aplicarse esta distribucin de probabilidad. Escribimos
entonces {1 , 2 , . . . , } si
1/ = 1 , 2 , , .
( = ) = {
0 .
Ejemplo 1: La grfica de la funcin de probabilidad de la distribucin {1, 2, 3, 4, 5}
aparece en la Figura a continuacin, junto con la correspondiente funcin de
distribucin. Cada salto de la funcin de distribucin es de tamao 1/5. Es fcil ver que
1
1
() = =1 y () = =1( ())2 .

Figura 1: Distribucin uniforme discreta"

2
Bernoulli: aqul experimento aleatorio con
nicamente dos posibles resultados (xito y
fracaso)

Distribucin Bernoulli

Un ensayo Bernoulli se define como aquel experimento aleatorio con nicamente dos
posibles resultados, llamados genricamente xito y fracaso, con probabilidades
respectivas y 1 . Si se define la variable aleatoria como aquella funcin que lleva
el resultado xito al nmero 1 y el resultado fracaso al nmero 0, entonces decimos que
tiene una distribucin Bernoulli con parmetro (0, 1), y escribimos (). La
funcin de probabilidad es entonces:
(1 )1 = 0,1.
( = ) = {
0 .

03

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

La grfica de la funcin de densidad de esta distribucin para p = 0.7 aparece en la

Figura mostrada a continuacin, junto con la correspondiente funcin de distribucin.
En este caso, es muy sencillo verificar que () = y () = (1 ). En la realizacin
de todo experimento aleatorio, siempre es posible preguntarnos por la ocurrencia o no
ocurrencia de un evento cualquiera. Por ejemplo: Ganar o no ganar en un juego de
lotera, que llueva o no llueva hoy por la tarde, etc.
Este es el esquema general donde surge esta distribucin, que aunque sencilla, es de
amplia aplicacin.

Figura 2: Distribucin Bernoulli

Distribucin Binomial

Supongamos ahora que tenemos una serie de n ensayos independientes Bernoulli, en

donde la probabilidad de xito en cualquiera de estos ensayos es . Si denotamos por
el resultado xito y por el resultado fracaso, entonces el espacio muestral consiste de
todas las posibles sucesiones de longitud n de caracteres y . Usando el principio
multiplicativo, es fcil ver que el conjunto tiene2 elementos. Si ahora definimos la
variable aleatoria como aquella que cuenta el nmero de xitos en cada una de estas
sucesiones, esto es, ( ) = , ( ) = 1, . . ., ( ) = 0,
entonces tenemos que puede tomar los valores 0, 1, 2, . . . , con las probabilidades que
aparecen abajo. Decimos entonces que tiene una distribucin binomial con
parmetros y , y escribimos (, ).

( ) (1 ) = 0,1,2, , .
( = ) = {
0
".
Ejemplo 2: Para = 10 ensayos, con probabilidad = 0.3, se puede calcular ( =
2) = (10
)(0.3)2 (0.7)102 La grfica de esta funcin de probabilidad con estos parmetros
2
aparece en la Figura mostrada a continuacin. La frmula anterior puede justificarse de
la forma siguiente. Queremos que en ensayos Bernoulli se obtengan xitos y
fracasos. La probabilidad de obtener esto es el nmero:
(1 ) (1 ) = (1 )
Pero hemos colocado los xitos en los primeros ensayos, tenemos entonces que
multiplicar por las diferentes formas en que estos xitos pueden distribuirse en los

04

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

ensayos, este factor es el coeficiente binomial (). Para esta distribucin, puede
demostrarse que () = , y () = (1 ).

Figura 3: Distribucin Binomial

Ejemplo 3: En un conocido pueblo de la regin ganadera, el 20% del ganado est afectado
por una enfermedad . Si se considera un grupo de 5 reses Cul es la probabilidad de que
haya 2 reses enfermas?
As, tenemos que, sea el nmero de reses afectadas por de entre 5. Entonces tiene
una distribucin (5, 0.2). Por tanto:
5
( = 2) = ( ) (0.2)2 (0.8)3 = 0.2048
2

Distribucin Geomtrica

Supongamos que tenemos ahora una sucesin infinita de ensayos independientes

Bernoulli, en cada uno de los cuales la probabilidad de xito es . Para cada una de
estas sucesiones, definimos la variable aleatoria como el nmero de fracasos antes
de obtener el primer xito. Por ejemplo, ( ) = 1, ( ) = 0,
( ) = 3. Observamos que puede tomar los valores 0, 1, 2, . .. La
probabilidad de que tome el valor entero 0 es (1 ). Decimos entonces que
tiene una distribucin geomtrica con parmetro , y escribimos () cuando:
(1 ) = 0, 1, 2 ,
( = ) = {
0
.
Ejemplo 4: Para = 0.4, la grfica de esta funcin se muestra en la Figura a
continuacin. El nombre de esta distribucin proviene del hecho de que cuando
escribimos la suma de todas las probabilidades, obtenemos una suma geomtrica. La
inspeccin sucesiva de artculos hasta encontrar una defectuosa, posiblemente en un
proceso de control de calidad, puede modelarse usando una distribucin geomtrica.
Para esta distribucin tenemos que () = (1 )/, y () = (1 )/2.

05

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

Figura 4: Distribucin Geomtrica

En algunos textos se define la distribucin geomtrica contando el nmero de ensayos
(No el de fracasos), antes del primer xito. En este caso, la variable es + 1, es decir, la
distribucin se desplaza hacia la derecha una unidad. La esperanza es ahora 1/ y la
varianza permanece constante (1 )/2 .
Ejemplo 5: En una cierta lnea de ensamblaje de automviles utilitarios, se sabe que en
promedio uno de cada 150 automviles ensamblados sale defectuoso. Cul es la
probabilidad de que al hacer un control de calidad, el cuarto automvil ensamblado sea
el primero defectuoso?
As, tenemos que, Sea el suceso de seleccionar un automvil defectuoso, sabemos
1
que () =
dado que es un modelo de la distribucin geomtrica, la probabilidad
150
pedida es:
1 149 3
=
(
) = 0.00653422
150 159

5
Distribucin Poisson: con ello observamos
el nmero de ocurrencias de un cierto
evento dentro de un intervalo de tiempo
dado

06

Distribucin Poisson

Supongamos que deseamos observar el nmero de ocurrencias de un cierto evento

dentro de un intervalo de tiempo dado, por ejemplo, el nmero de clientes que llegan a
un cajero automtico durante la noche, o tal vez deseamos registrar el nmero de
accidentes que ocurren en cierta avenida durante todo un da. Para modelar este tipo
de situaciones podemos definir la variable aleatoria como el nmero de ocurrencia de
este evento en el intervalo de tiempo dado. Es claro entonces que puede tomar los
valores 0, 1, 2, . .., y en principio no ponemos una cota superior para el nmero de
observaciones del evento. Adicionalmente, supongamos que conocemos la tasa media
de ocurrencia del evento de inters, que denotamos por la letra (lambda). El
parmetro es positivo y se interpreta como el nmero promedio de ocurrencias del
evento por unidad de tiempo. La probabilidad de que la variable aleatoria tome un
valor entero 0 se definir a continuacin. Decimos que tiene una distribucin
Poisson con parmetro > 0, y escribimos () cuando:

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

( = ) = { ! = 0, 1 , 2,
0
Puede demostrarse que la funcin () arriba definida es efectivamente una funcin de
probabilidad para cada valor de > 0. La forma de esta funcin se muestra a
continuacin cuando = 2. Despus de algunos clculos sencillo puede tambin
comprobarse que () = , y () = ".

Figura 5: Distribucin Poisson. Tomada de (Rincn, 2010).p.56

Puede adems demostrarse que cuando (, ) y hacemos tender a infinito y
a cero de tal forma que el producto se mantenga constante igual a , entonces la
variable aleatoria adquiere la distribucin Poisson con parmetro .
Este resultado sugiere que cuando es grande, la distribucin binomial puede ser
aproximada mediante la distribucin Poisson de parmetro = . Esto es
particularmente til, pues el clculo de probabilidades de la distribucin binomial
involucra el clculo de factoriales y ello puede ser computacionalmente difcil.
Ejemplo 6: Una empresa de seguros contra fallos de equipos de computadora calcul
que el 0.01% de los equipos tiene un cierto tipo de fallo cada ao. Cul es la
probabilidad de que esta empresa tenga que pagar por ms de cuatro de sus 10000
computadores asegurados en un ao dado?
As, tenemos que, sea el nmero de pagos efectuados en un ao dado. Distribucin
(10000, 0.0001). Como = 1 < 5 y
= 0.0001 < 0.1, podemos aproximar la binomial por una Poisson (1). Entonces
tenemos:
( > 4) = 1 ( 4) = 1 [( = 0) + + ( = 4)] = 1 [

10 1
14
+ + 1 ]
0!
4!

= 1 [0.3679 + + 0.0153] = 0.0037.

Distribucin Binomial Negativa

Si en una sucesin infinita de ensayos Bernoulli la variable aleatoria cuenta el nmero

de fracasos antes de obtener el r-simo xito, entonces decimos que tiene una

07

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

distribucin binomial negativa con parmetros y , y escribimos (, ). En

este caso, tenemos que puede tomar los valores 0, 1, 2, . .. con probabilidades como se
indica a continuacin:
( = ) = {

+1
(
) (1 ) = 0, 1, 2,

Aparece el trmino pues la sucesin de ensayos Bernoulli no concluye sino hasta

obtener xitos. Podemos tener un nmero variable de fracasos, de ah el trmino
(1 ) , y finalmente el factor (+1
) que nos dice las diferentes formas en que los

xitos pueden aparecer en los r+x1 ensayos realizados antes del ltimo que
necesariamente fue un xito. La grfica de esta funcin aparece en la Figura mostrada a
continuacin cuando = 3 y = 0.2.

Figura 6: Distribucin Binomial Negativa Tomada de (Rincn, 2010) .p. 58

Es claro, que esta distribucin es una generalizacin de la distribucin geomtrica, la
cual se obtiene tomando = 1. Se puede adems demostrar que () = (1 )/ y
() = (1 )/2 .
La definicin de coeficiente binomial puede extenderse del siguiente modo: Para
cualquier nmero real , y cualquier entero natural se define
() = ( 1) ( + 1)/! Puede demostrarse la identidad

(+1
) = (1) (
). De este hecho adquiere su nombre esta distribucin.

7
Distribucin hipergeomtrica: conjunto de

N objetos de los cuales K son de primera

clase y N-K son de segunda clase

08

Distribucin Hipergeomtrica

Supongamos que tenemos un conjunto de objetos de los cuales son de una primera
clase y son de una segunda clase. Supongamos, que de este conjunto tomamos
una muestra aleatoria de tamao , la muestra es sin reemplazo y el orden de los
objetos seleccionados no importa. El espacio muestral de este experimento consiste, de
todas las posibles muestras de tamao que se pueden obtener del conjunto

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

mayor de tamao . La cardinalidad del espacio muestral es (

). Si para cada muestra

definimos la variable aleatoria como el nmero de objetos de la primera clase

contenidos en la muestra seleccionada, entonces puede tomar los valores 0, 1, 2, . . . , ,
suponiendo . La probabilidad de que tome un valor estar dada por la frmula
que enunciamos a continuacin. Decimos que tiene una distribucin Hipergeomtrica
con parmetros , y , y escribimos (, , ) si
( = ) = {

()(
)

= 0,1, ,
(
)

El trmino () nos dice las diferentes formas en que de los K objetos de la primera
clase se pueden escoger de ellos, y el trmino (
) es nuevamente las diferentes

formas de escoger objetos de la totalidad de objetos de la segunda clase.

Usamos el principio multiplicativo para obtener el nmero total de muestras diferentes
en donde objetos son de la primera clase y objetos son de la segunda clase. La
grfica de esta funcin de densidad para ciertos valores de los parmetros aparece en
la Figura mostrada a continuacin. En este caso es posible comprobar que () =

/, y () =
.

Figura 7: Distribucin Hipergeomtrica .

09

Conclusiones

Equiprobables: cuando hay n resultados diferentes y todos tienen la misma

probabilidad de ocurrir.

Bernoulli: aqul experimento aleatorio con nicamente dos posibles resultados

(xito y fracaso).

Distribucin Poisson: con ello observamos el nmero de ocurrencias de un

cierto evento dentro de un intervalo de tiempo dado.

Tomado de (Rincn, 2010).p.58

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.

Distribuciones Discretas

010

Distribucin hipergeomtrica: conjunto de N objetos de los cuales K son de

primera clase y N-K son de segunda clase.

Referencias Bibliogrficas

Montgomery, D. C y Runger, R. (2008). Probabilidad y Estadstica Aplicadas a la

Ingeniera. 2da. Edicin. Limusa Wiley. Mexico.

Rincn. L. (2010). Curso Elemental de Probabilidad y Estadstica. 1ra Edicin.

Circuito Exterior de CU. Mxico D.F.

Walpole, R. E., Myers, R. H., Myers,S. L. y Ye, K. (2007). Probabilidad y Estadstica

para Ingeniera y Ciencias. 8va. Edicin. Pearson. Mexico

I. Espejo Miranda, F. Fernndez Palacn, M. A. Lpez Snchez, M. Muoz

Mrquez, A. M. Rodrguez Cha, A. Snchez Navas, C. Valero Franco. (2006).
Estadstica Descriptiva y Probabilidad. 3ra. Edicin. Servicio de Publicaciones de
la Universidad de Cdiz.

Devore, J. (2008). Probabilidad y Estadstica para Ingeniera y Ciencias. 7ma.

Edicin. Cengace Learning Editores. Mxico

Canavos, G. Probabilidad y Estadstica. Mtodos y Aplicaciones.

Daniel, W. (2009). Bioestadstica. Base para el anlisis de las ciencias de la

salud. Cuarta edicin. Limusa Wiley. Mxico.

Mendenhall, W., Wackerly, D. y Scheaffer, R. (1994). Estadstica Matemtica con

Aplicaciones. Grupo Editorial Iberoamericana. Mxico.

ASTURIAS: RED DE UNIVERSIDADES VIRTUALES IBEROAMERICANAS 2016

Not a Tcni ca preparada por Ast uri as: Red de Universi dades Vi rt ual es Iberoameri canas. S u di f usin,
reproducci n o uso t ot al o parci al para cual qui er ot ro propsi t o queda prohi bi da. Todos l os derechos
reservados.