DISTRIBUCIONES DE

PROBABILIDAD: DISCRETAS

SANDRA RODRIGUEZ VILLACREZ

CATEDRATICO : MARTIN MESIAS MATIAS

«Una variable aleatoria es una INTRODUCCION
función que asocia un número real a
cada elemento del espacio muestral»
(Walpole & Myers, 1987)

Ejemplo:
Se extraen en forma sucesiva dos
bolas, sin reemplazo, de una urna Concepto de
que contiene 4 bolas roja y 3 negras.
Los posibles resultados y los valores Variable
y de la variable aleatoria Y, en donde
Y es el número de bolas rojas, son:
Aleatoria

Espacio y
Muestral
RR 2
RB 1
BR 1
BB 0
«Si un espacio muestral contiene un
número finito de posibilidades o una
secuencia sin final con igual número
de elementos que números enteros,
se le denomina espacio muestral
discreto» (Walpole & Myers, 1987)
A una variable aleatoria se le
denomina variable aleatoria
discreta si su conjunto de posibles
resultados es contables.
Ejemplo:
Datos que se cuentan: Número de
artículos defectuosos en una
muestra k, Número de accidentes en
carreteras por año en un municipio
determinado…
«Si un espacio muestral contiene un
número infinito de posibilidades
iguales al número de puntos que se
encuentran en un segmento de línea,
se le denomina espacio muestral
continuo» (Walpole & Myers, 1987)
Cuando una variable aleatoria puede
tomar valores en una escala
continua, se le denomina variable
aleatoria continua.
Ejemplo:
Datos medidos: Alturas, Pesos,
Temperaturas, Distancias, Periodos
de vida posibles…
 1. Binomial
Distribuciones
de Discretas
Probabilidades
2. Poisson
 Las distribuciones de
probabilidad discreta son
una función que asigna a
cada elemento de
X(S)={x1,x2,…,xi,…}, donde X
es una variable aleatoria
discreta dada y S es su
espacio muestral, la
probabilidad de que dicho
suceso ocurra. Esta función f
de X(S) definida como
f(xi)=P(X=xi) a veces es
llamada función masa de
probabilidad.
Distribuciones de probabilidad discretas

1. Distribución Binomial
Un experimento consiste en ensayos repetidos, cada uno con dos
posibles resultados: éxito y fracaso.

Sea un experimento aleatorio en el que sólo puedan darse dos

posibilidades: que ocurra un determinado suceso A, que
llamaremos éxito, o que no ocurra dicho suceso, o sea que ocurra
su complementario, que llamaremos fracaso, A.

Se conoce la probabilidad de ocurrencia del suceso A, y por lo tanto

la de su complementario:
n = Número de veces que se repite el experimento (En las mismas condiciones, es decir,
independiente)

p = La probabilidad de éxito

r = Número de éxitos

Se define la variable aleatoria Binomial:

X: “Nº de veces que ocurre el suceso A (Nº de éxitos) en n realizaciones independientes

del experimento”

Por lo tanto, X: 0, 1, 2, 3, ……n

Si se repite n veces el experimento, nos preguntamos por la probabilidad de obtener r

éxitos
Si X es una variable que sigue una distribución Binomial B(n; p), la probabilidad P (X = r)
de obtener r éxitos es:

Esta función recibe el nombre de función de probabilidad de una distribución Binomial

o de Bernoulli.

La expresión se resuelve utilizando los números combinatorios

Por lo que la función de probabilidad queda expresada de la siguiente manera:

 Ejemplos:

 Nº de caras al lanzar 20 veces una moneda

 Nº de aprobados si se presentan 80 alumnos a un examen
 Nº de familias con un solo hijo en una población de 120 familias
 Nº de reacciones negativas ante un fármaco administrado a 40
pacientes
 Nº de accidentes de tráfico si han circulado 1200 automóviles
 Nº de semillas que germinan de las 20 semillas que se han plantado
en suelos de idéntica composición
Ejemplo 1:
Un examen consta de 10 preguntas a las que hay que contestar SI ó
NO. Suponiendo que las personas a las que se les aplica no saben
contestar a ninguna de las preguntas y en consecuencia contestan
al azar hallar:

a) Probabilidad de obtener 5 aciertos

b) Probabilidad de obtener algún acierto
c) Probabilidad de obtener al menos 5 aciertos

Solución:
En una distribución binomial, la persona solo puede acertar o fallar
la pregunta.

Suceso A (éxito) = Acertar la pregunta  P = p(A) = 0.5

Suceso A (fracaso) = No acertar la pregunta  q = p(A) = 1-p = 0.5
a) Probabilidad de obtener 5 aciertos

Obtener exactamente cinco aciertos es: r = 5, se aplica la fórmula,

con:
r=5 n = 10 p = 0.5 q = 0.5

 n 10 
P( X  r )     p r  q n  r  P( X  5)     (0.5)5  (0.5)105
r  5 

n n! 10  10! 10  9  8  7  6  5!

Donde:          252
 r  r!(n  r )!  5  5!(10  5)! 5  4  3  2 1 5!

10 
Entonces: P( X  5)     (0.5)5  (0.5)105  P( X  5)  252  (0.5)5  (0.5)5  0.2461
5 
b) Probabilidad de obtener algún acierto

p( x  1)  p( x  1)  p( x  2)  p( x  3)  p( x  4)  p( x  5)  p( x  6)  p( x  7)  p( x  8)  p( x  9)  p( x  10)

Hacerlo de esta forma no resulta práctico. Se realiza por sucesos

contrarios, es decir: El suceso “obtener algún acierto”, es el suceso
contrario a “no obtener ningún acierto”; de la siguiente manera:
p( x  1)  1  p( x  0)

Se calcula la probabilidad de no obtener ningún acierto p(x = 0)

10 
P( X  0)     (0.5) 0  (0.5)100  0.0010
0 
p( x  1)  1  p( x  0)  p( x  0)  1  0.0010  0.999
c) Probabilidad de obtener al menos 5 aciertos

Es decir, acertar 5 o más:

p( x  5)  p( x  5)  p( x  6)  p( x  7)  p( x  8)  p( x  9)  p( x  10)

p( x  5)  0.2461  0.2051  0.1172  0.0439  0.0098  0.0010  0.631