Contenido de la Unidad 3

DISTRIBUCIONES DISCRETAS..................................................................................................... 2
3.1 DEFINICIÓN DE VARIABLE ALEATORIA DISCRETA. ............................................................ 2
3.2 FUNCIÓN DE PROBABILIDAD Y DE DISTRIBUCIÓN, VALOR ESPERADO, VARIANZA Y
DESVIACIÓN. .................................................................................................................................. 3
Función de Probabilidad. .......................................................... Error! Bookmark not defined.
Media o valor esperado de una variable aleatoria discreta. ..................................................... 3
Varianza y desviación estándar de una variable aleatoria discreta. ........................................ 3
3.3 DISTRIBUCIÓN BINOMIAL ....................................................................................................... 4
3.4 DISTRUBUCIÓN HIPERGOEMÉTRICA. .................................................................................. 7
3.5 DISTRIBUCIÓN GEOMÉTRICA. ............................................................................................. 10
3.6 DISTRIBUCIÓN MULTINOMIAL. ............................................................................................ 11
3.7 DISTRIBUCIÓN DE POISSON............................................................................................... 12
3.8. APROXIMACIÓN DE LA BINOMIAL POR LA DE POISSON. ............................................... 14
3.9. DISTRIBUCIÓN BINOMIAL NEGATIVA ................................................................................ 15
3.10 DISTRIBUCIÓN UNIFORME (DISCRETA) ........................................................................... 16
 DISTRIBUCIONES DISCRETAS

3.1 DEFINICIÓN DE VARIABLE ALEATORIA DISCRETA.

Las variables cuantitativas se pueden clasificar en 2 tipos:
1. Variable aleatoria discreta. Un número finito de valores entre dos valores.
Ejemplos: Número de quejas de clientes. Número de errores o defectos.
2. Variable aleatoria continua. Un número infinito de valores entre dos valores.
Ejemplos: Longitud de una pieza. Peso de llenado de una caja de cereales.

Función. Es el comportamiento de una variable.

Binomial n x
f x   p 1  p  , x  0,1,2,...
n x
 
 x

Hipergeométrica  r  N  r 

 x
n  x 
f  x       para 0  x  r , r  N , n  N
N

n 

 

g x   p1  p  , x  1,2,3,...
Distribuciones Geométrica x 1

Discretas Multinomial   X1 X 2
p X 1 , X 2 ,..., X K   
n! XK
 p1 P2 ...PK
 1
X !, X 2 !,..., X k 
!

Poisson f X ,   
e   
 X

X!

Distribuciones Normal (z)

de t

Probabilidad Chi cuadrada

(x2)
F

Distribuciones Exponencial

Continuas Uniforme

Gamma

Beta

Erlang

Logarítmicas
3.2 FUNCIÓN DE PROBABILIDAD Y DE DISTRIBUCIÓN, MEDIA O
VALOR ESPERADO, VARIANZA Y DESVIACIÓN.

Función de Probabilidad.
La función f(x) que va del conjunto de los valores posibles de una variable
aleatoria discreta X al intervalo [0,1] recibe el nombre de función de
probabilidad.1
Para una variable aleatoria X, f(x) satisface las propiedades siguientes:
1) f(x) ≥ 0 para toda x
2) Σ f(x) = 1

Media o valor esperado de una variable aleatoria discreta.

El promedio, para identificar el valor central de una variable aleatoria.
La media de X puede calcularse como el promedio ponderado de los valores
posibles de X, asignando al resultado x un factor de ponderación f(x) = p(X=x).
La media o valor esperado de una variable aleatoria discreta X, denotado por
µ es:   x   x f x

Varianza de una variable aleatoria discreta.

La varianza de una variable aleatoria discreta X, denotada por σ2, es:
 2  v x     x    f  x    x 2 f  x    2
2

La varianza de una variable aleatoria discreta es similar a la varianza muestral.

Desviación estándar de una variable aleatoria discreta.

La desviación estándar de una variable aleatoria X, denotada por σ, es la raíz
cuadrada positiva de σ2.
  v x    2

1MONTGOMERY, Douglas C. Op. Cit.Pág. 105

3.3 DISTRIBUCIÓN BINOMIAL2

Ensayo de Bernoulli._ Es un experimento aleatorio que contiene solo 2 resultado

posible, denotados por “éxito” y “fracaso”.

Un experimento aleatorio que consiste en n ensayos repetido tales que:

1) Los ensayos son independientes.
2) Cada ensayo tiene solo 2 resultados posibles “éxito” o “fracaso”.
3) La probabilidad de “éxito”=p, de cada ensayo, permanece constante.
Recibe el nombre de experimento binomial.

La variable aleatoria X que es igual al número de ensayos donde el resultado es

un éxito, tiene una distribución binomial con parámetros p y n =1, 2, 3,…
La función de probabilidad de la distribución binomial es:

n
f x     p x 1  p  , x  0,1,2,...
n x

 x

2Ibid.Pág. 125
Ejemplo:
Suponga que la probabilidad de recuperar un automóvil robado en cierta ciudad es de 0.40.
a) ¿Cuál es la probabilidad de recuperar 2 automóviles de 10 robados?
b) ¿Cuál es la probabilidad de recuperar cuando mucho 3 de los 10 automóviles robados?
c) ¿Cuál es la probabilidad de recuperar por lo menos 7 de los 10 automóviles robados?

a) DATOS
n = 10
P = 0.40
X= 2
10 
f (2)   .40 1  .40  450.160.60  0.12093
2 10 2 8

 
2

b) DATOS
n = 10
P = 0.40
X = 0, 1, 2, 3.

 10 
 px  0  0.40  1  0.40   110.60   0.00604
0 10 0 10

  
0
 10 
 px  1 0.40  1  0.40 
1 101
 10 0.40 0.60   0.04031
9

  
1
p x  3  
 px 10 
 2  0.40  1  0.40   450.16 0.60   0.12093
2 10 2 8
  
2

 10 
 px  3 0.40  1  0.40   1200.0640.60   0.21499
3 103 7

 3 

p x  3  p  x  0   p  x  1  p  x  2   p x  3  0.3822

c) DATOS
n = 10
P = 0.40
X = 10, 9, 8, 7.

 10 
 p x  10  0.40  1  0.40  10.00011  0.0001
10 1010

 10 
 10 
 p x  9  0.409 1  0.40109  100.000260.6   0.00156
 9 
p x  7 
 p x  810 0.40 8 1  0.40108  450.0006536  0.01053
 8 
  
 10 
 p x  7  0.40 1  0.40  1200.001630.216  0.04224
7 10 7

  
7

p x  7   px  10   p x  9   px  8  p x  7   0.0544

EJERCICIO 1:
Al probar cierto tipo de neumáticos para camión en un terreno escabroso se encuentra que el 25% de los camiones no
completaban la prueba sin ponchaduras.
a) Dentro de los siguientes 15 camiones encuentre las probabilidades que de 3 a 6 tengan ponchaduras.
b) De que menos de 4 tengan ponchaduras.
c) De que más de 5 tengan ponchaduras.

a) DATOS: P = 0.25 N = 15 X = 3, 4, 5, 6.
 15 
 px  3 0.25 1  0.25  4550.01562 0.03167   0.22508
3 153

  
3
 15 
 px  4  0.25 1  0.25
4 15 4
 13650.00390 0.04223  0.22481
 4 
p 3  x  6 
 px 15 
 5 0.25 1  0.25  30030.00097 0.05631  0.16402
5 15 5
  
5

 15 
 px  6  0.25 1  0.25  50050.00024 0.07508  0.09018
6 15 6

  
6

p 3  x  6   p  x  3  p  x  4   p  x  5  p  x  6   0.70409

b)
 15 
P( x  3)   (0.25)3 (1  0.25)12  0.225199
 3 
 15 
P( x  2)   (0.25) 2 (1  0.25)13  0.155907
 2 
P ( X  4)  
P( x 15 
 1)   (0.25)1 (1  0.25)14  0.066817
 1 

 15 
P( x  0)   (0.25) 0 (1  0.25)15  0.03363
 0 

P ( X  4)  0.4612

c)
 15 
 p( x  0)  
0 (0.25) (1  0.25)
0 15
 0.013363
  
 15 
 p( x  1)  
1 (0.25) (1  0.25)
1 14
 0.066817
  

 p( x 15 
 2)  
2 (0.25) (1  0.25)
2 13
 0.155907

  
p ( X  5)  
 p( x 15 
 3)  
3 (0.25) (1  0.25)
3 12
 0.225199
  

 15 
 p( x  4)  
4 (0.25) (1  0.25)
4 11
 0.225199
  
 15 
 p( x  5)  
5 (0.25) (1  0.25)
5 10
 0.165145

  

p ( X  5)  0.8516

p ( X  5)  1  p ( X  5)  1  0.8516  0.1484
3.4 DISTRIBUCIÓN HIPERGEOMÉTRICA.

Si se selecciona una muestra sin reemplazo de una población finita conocida y

contiene una proporción relativamente grande de la población, de manera que la
probabilidad de éxito sea perceptiblemente alterada de una selección a la
siguiente, debe utilizarse la distribución hipergeométrica.3

Un conjunto de N objetos contienen:

r objetos clasificados como éxitos y
N-r objetos clasificados como fallas.
Se toma una muestra de tamaño n, al azar (sin reemplazo) de entre N objetos,
donde r  N y n  N.
Sea la variable aleatoria X el número de éxitos en la muestra. Entonces, X tiene
una distribución hipergeométrica y4

 r  N  r 
  
 x  n  x 
f x   para 0  x  r , r  N , n  N
N
 
n 

f(x): Probabilidad de x éxitos en n intentos.

n: La cantidad de intentos de la muestra.
r : La cantidad de elementos identificados como éxitos en la probabilidad.
N: La cantidad de intentos de la población.
x: elementos identificados como éxitos.

EJEMPLO 1:
Supongamos que en un establo de caballos de carrera hay N = 10 caballos, y r = 4
de ellos están enfermos. ¿Cuál es la probabilidad de seleccionar en una muestra
de n = 3 en la cual x = 2 están enfermos?
 4 10  4   6
   6 
2 3 2 
px  2     
1 6*6
 0.30
10  10  120
   
3  3 
Existe un 30% de probabilidad de seleccionar 3 caballos de carreras, 2 de los
cuales están enfermos.

3 WEBSTER, Allen L. Estadística Aplicada a los negocios y la economía, Pag. 115.

4MONTGOMERY, Douglas C. Op. Cit. Pág. 140
EJEMPLO 2:

Un grupo de segundo semestre está formado por treinta alumnos de los cuales 6
son mujeres y el resto hombres. Determine la probabilidad de seleccionar por lo
mucho 3 mujeres.

N = 30
r=6
n=3

  6  30  6   24 
    1 
 p x  0   0  3  0    3   2024  0.49852
  30   30  4060
    
  3  3 
  6  30  6   24 
    6 
 1  3  1    2   1656  0.40788
 p x  1  30   30  4060
    
 3  3 
p x  3  
  6  30  6   24 
   15 
 2 32 
 p x  2      
1 360
 0.08866
  30   30  4060
    
  3  3 
  6  30  6   24 
    20 
 p x  3  3  3  3    0   20  0.00492
  30   30  4060
    
 3  3 

p x  3  p x  0   p x  1  p x  2   p x  3  0.99998
EJERCICIO 1:
Una población consiste de 10 artículos 4 de los cuales son defectuosos.
¿Cuál es la probabilidad de que en una muestra aleatoria de tamaño 3 contenga 2
artículos defectuosos?
N = 10
r=4
n=3
 4 10  4   4  6 
     
 2  3  2   2 1  36
px  2     0.30
10  10  120
   
 
3 3 

EJERCICIO 2:
Como subgerente de una empresa de materias primas, usted debe contratar 10
personas entre 30 candidatos, 22 de los cuales tienen títulos universitarios. ¿Cuál
es la probabilidad de que 5 de los que usted contrate tengan un título?5
N=30, r=22, n=10, x=5
F(x)= 0.049083151 = 4.9 %

EJERCICIO 3:
De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se
seleccionan 12 para ser enviados al Japón a estudiar un nuevo proceso de
producción. 8 de los ejecutivos ya tienen algo de entrenamiento en el proceso.
¿Cuál es la probabilidad de que 5 de los enviados tengan algo de conocimiento
sobre el proceso antes de partir para el lejano oriente?6
N=15, r=8, n=12, x=5
F(x)= 0.123076923 = 12.3 %

EJERCICIO 4:
Cuarenta trabajadores han recibido en su oficina nuevos computadores.
Veintisiete tienen la nueva tecnología MMX. Si se seleccionan 10 aleatoriamente,
¿cuál es la probabilidad de que 3 estén equipados con MMX? 7
N=40, r=27, n=10, x=3
F(x)= 0.005921356= 0.59 %

5 WEBSTER, Allen L. Op. Cit, Pag. 115.

6Ibid. Pág. 115.
7Ibid. Pág. 115.
3.5 DISTRIBUCIÓN GEOMÉTRICA.

Considere un experimento aleatorio que está muy relacionado con el que se

empleó para definir una distribución binomial, suponga una serie de ensayos
Bernoulli independientes con una probabilidad constante p de éxitos, sea la
variable aleatoria X el número de ensayos realizados hasta la obtención del
primer éxito, entonces X tiene una distribución geométrica con parámetro p:

Función de Probabilidad geométrica: g x   p1  p  , x  1,2,3,...

x 1

EJEMPLO 1:
Se sabe que en cierto proceso de fabricación el 1% es defectuoso.
¿Cuál es la probabilidad de que 5 artículos que se inspeccionan, sea el primer
defectuoso en hallarse?

g 5  0.011  0.01  0.010.99  0.009605

51 4

0.0096 *100  0.96%

EJERCICIO 1:
En tiros repetidos de 1 dado, la probabilidad de que el primer 6 ocurra en el
tercer tiro es:

1
p  0.16
6

g 3  0.16 1  0.16   0.1157

2

ó
2
1  1  5   1  25  25
g 3   1  1 / 6         
31
 0.1157
6  6  6   6  6  216

%  0.1157 * 100  11.57%

3.6 DISTRIBUCIÓN MULTINOMIAL.
Supóngase que en un experimento X con espacio muestra z se particiona en K
eventos mutuamente excluyentes, digamos B1, B2,…,Bk. Consideremos n
repeticiones independientes de X y dejemos que p1=p(Bi) sea constante de
ensayo a ensayos de Bernoulli como los descritos anteriormente.
El vector aleatorio, [X1, X2,…,Xk ], tiene la siguiente distribución donde X1 es el
número de veces que B1 ocurre en las n repeticiones de X,1 = 1,2,…,K.
  X X
p X 1 , X 2 ,..., X K   
n! X
 p1 P2 ...PK
1 2 K

 X 1!, X 2 !,..., X k !
Con.
in Xi  n ó i1 Pi  1
k k

X= El número de veces que se descarta cuando ocurra un evento.

P= La probabilidad de que ocurra cada evento.
n= el total de veces de todos los eventos.

EJEMPLO:
Se lanza 6 veces un par de dados ¿Cuál es la probabilidad de obtener un total de
7 u 11 en 2 ocasiones, 1 par o igual una vez o cualquier otra combinación
diferente de las 2 anteriores 3 veces?
n= 6
X1= 2  E1: 7 u 11.
X2= 1  E2: Par o igual.
X3= 3  E3: Combinación diferente.
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
P1= 8/36 = 2/9
P2= 6/36 = 1/6
P3=22/36 = 11/18

  2   1   11   6 54   2   1   11 
2 1 3 2 1 3

Pmultinomial   
6!
 2!1!3! 
 9   6   15         
        2  9   6   15 

 4  1  1331  319.440
 60     0.1125
 81  
6 2834352  2834352
3.7 DISTRIBUCIÓN DE POISSON.

Ideada por el matemático francés Simeon Poisson (1781 -1840), la distribución de

Poisson mide la probabilidad de un evento aleatorio sobre algún intervalo de
tiempo o espacio8.

La distribución de Poisson puede desarrollarse de dos maneras, y ambas son

instructivas en lo que respecta a que indican las circunstancias en las que esta
variable aleatoria puede esperarse que se aplique en la práctica. El primer
desarrollo implica la definición de un proceso de Poisson. El segundo desarrollo
muestra la distribución de Poisson como una forma límite de la distribución.9

La primera suposición es que el número de llegadas durante intervalos de tiempo

que no se traslapen, son variables aleatorias independientes. Segundo, hacemos
la suposición de que existe una cantidad positiva  tal que para cualquier intervalo
pequeño de tiempo, t, se cumplen los siguientes postulados.

1) La probabilidad de más de una ocurrencia en el subintervalo es mayor a

cero.
2) La probabilidad de una ocurrencia en un subintervalo es la misma para todos
los subintervalos y es proporcional a la longitud de estos.
3) El conteo de la ocurrencia en cada subintervalo es independiente de los
demás subintervalos.

Función de Probabilidad:

f X ,   
e  
 X

X!
= El número promedio de ocurrencias en un rango.
X= El número de veces que se busca ocurra el evento promedio.

8WEBSTER, Allen L. Op. Cit, Pag. 115.

9MONTGOMERY, Douglas C. Op. Cit.. Pág.189
EJEMPLO 1:
A menudo el número de llamadas telefónicas que llegan a una oficina se modela como una
variable aleatoria de Poisson; suponga que en promedio se reciben 10 llamadas por hora.

a) ¿Cuál es la probabilidad de que lleguen exactamente 5 llamadas en 1 hora?h

b) ¿Cuál es la probabilidad de que se reciban 3 o menos llamadas en 1 hora?
c) ¿Cuál es la probabilidad de que se reciban exactamente 15 llamadas en 2 horas?
d) ¿Cuál es la probabilidad de que lleguen exactamente 5 llamadas en 30min?

a)
e 10 10  0.00004539993100000  0.03783
5
P x  5 f 5,10   
5! 120

%  0.03783100   3.78%

b) = 10 llamadas / hora

 e 10 10 
0

 p  x  0    0.00004539993
 0!
 e 10 10 
1

 p  x  1   0.00004539993

p  X  3
1!
 p  x  2   e 10   0.00022699964
10 2

 2!

 p  x  3  e 10   0.015133309
10 3


 3!

p P  3  0.01033

%  0.01033100   1.03%

c) = 20 llamadas / 2 horas
px  15 
e 20 20

 
2.06115 x10 4 302768 x1019
15


15! 1.307667 x1012
67539881900.1
  0.05164
1.30767 x1012
%  0.05164100  5.16%

d) .  = 5 llamadas /media hora

e 5 5
5
p  x  5   0.17546
5!

%  0.17546100  17.54%
3.8. APROXIMACIÓN DE LA BINOMIAL POR LA DE POISSON.
Se demostrara ahora que cuando el valor de n es grande y el valor de p es
cercano a 0, la distribución binomial con parámetros n y p se puede aproximar por
una distribución de Poisson con media np.
Supóngase que una variable aleatoria X tiene una distribución binomial con
parámetros n y p y sea P(X = x) = f (x|n, p) para cualquier valor dado de x.
Entonces de la ecuación (6) de la sección 5.2, para x = 1,2,…., n.
10

𝑛(𝑛 − 1) ∙∙∙ (𝑛 − 𝑥 + 1) 𝑥
𝑓(𝑥|𝑛, 𝑝) = 𝑝 (1 − 𝑝)𝑛−𝑥
𝑥!
Si definimos λ= np, entonces 𝑓(𝑥|𝑛, 𝑝) se puede reescribir de la siguiente forma:
𝜆𝑥 𝑛 𝑛 − 1 𝑛 − 𝑥 + 1 𝜆 𝑛 𝜆 −𝑥
𝑓(𝑥|𝑛, 𝑝) = ∙ ∙∙∙ (1 − ) (1 − )
𝑥! 𝑛 𝑛 𝑛 𝑛 𝑛
Supóngase ahora que 𝑛 − ∞ y 𝑝 − ∞ de forma que el valor del producto np
permanezca igual al valor fijo λ a través de este proceso de límites. Puesto que los
valores de λ y x permanecen fijos cuando 𝑛 − ∞, entonces
𝑛 𝑛−1 𝑛−𝑥+1 𝜆 −𝑥
lim ∙ ⋯ (1 − ) = 1
𝑛−∞ 𝑛 𝑛 𝑛 𝑛
Además se sabe de cálculo elemental que
𝜆 𝑛
lim (1 − ) = 𝑒 −𝜆
𝑛−∞ 𝑛
Por la ecuación (8), resulta ahora que para cualquier entero positivo fijo x,
𝑒 −𝜆 𝜆𝑥
𝑓(𝑥|𝑛, 𝑝) →
𝑥!
Por último para 𝑥 = 0,
𝑛
𝜆 𝑛
𝑓(𝑥|𝑛, 𝑝) = (1 − 𝑝) = (1 − )
𝑛

Ejemplo:
1. En la inspección de hojalata producida por un proceso electrolítico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de
identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5
minutos, c) cuando más una imperfección en 15 minutos.
SOLUCIÓN:
a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3,…., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5
minutos = 0, 1, 2, 3,…., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
=1-(0.367918+0.367918) = 0.26416
c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3,….., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

10Probabilidad y Estadística, Morris H DeGroot, págs. 243, 244

3.9. DISTRIBUCIÓN BINOMIAL NEGATIVA
Si Repetidos intentos independientes pueden resultar en existo con una probabilidad p y en un
fracaso con una probabilidad 𝑞 = 1 − 𝑝, entonces la distribución de la probabilidad de la variable x,
el número de intentos en el cual ocurre el k-èsimo éxito es:11

𝑥 −1 𝑘 𝑥−𝑘
𝑏 ∗ (𝑥; 𝑘, 𝑝) = ( )𝑝 𝑞 𝑝𝑎𝑟𝑎 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, ….
𝑘 −1

Ejemplo 1
Encuentre la probabilidad de que una persona que lanza al aire tres monedas obtenga ya sea solo
caras o solo cruces por segunda ocasión en el quinto lanzamiento.
SOLUCIÓN
1
Utilizando la distribución binomial negativa con 𝑥 = 5, 𝑘 = 2 𝑦 𝑝 = , se tiene:
4

1 4 1 2 3 3
𝑏 ∗ (5; 2, ) = ( ) ( ) ( )
4 1 4 4

4! 33 27
= ∙ 5=
1! 3! 4 256
La distribución binomial negativa toma su nombre del hecho que cada termino en expansión de
𝑝𝑘 (1 − 𝑞)−𝑘 corresponde a los valores de 𝑏 ∗ (𝑥; 𝑘, 𝑝) para 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, … … ..
Si se considera el caso especial de la distribución binomial negativa donde k=1, se tiene una
distribución de probabilidad para el numero de intentos requeridos para un solo éxito. Un ejemplo
seria el lanzamiento de una moneda hasta que ocurriera una cara. Se podría estar interesado en la
probabilidad de que la primera cara ocurriera en el cuarto lanzamiento. La distribución binomial
negativa se reduce a la forma 𝑏 ∗ (𝑥; 1, 𝑝) = 𝑝𝑞 𝑥−1 , 𝑥 = 1,2,3, …. dado que los términos sucesivos
constituyen una progresión geométrica, se acostumbra referirse a este caso especial como la
distribución geométrica y sus valores se representan por 𝑔(𝑥; 𝑝).

Ejemplo 2

La solución es:

Ejemplo 3
1) Esperanza: E(X) =r ´ q/p
2) Varianza: V(X) =r ´ q/p2
3) Se cumplen las siguientes propiedades respecto la función de densidad:

4) Este modelo se ajusta bien a contajes (números de individuos por unidad de superficie) cuando
se produce una distribución contagiosa (los individuos tienden a agruparse).
5) La distribución Binomial negativa puede definirse con mayor generalidad si tomamos r como un
número real positivo cualquiera (no necesariamente entero). Pero, en dicho caso, se pierde el
carácter intuitivo del modelo y se complican ligeramente los cálculos. Por dichas razones, se ha
excluido dicha posibilidad en esta presentación.

11 Probabilidad y Estadística, Walpole Myers, 4a edición, págs. 134, 135.

 3.10 DISTRIBUCIÓN UNIFORME (DISCRETA)

Si una variable aleatoria puede tomar n valores distintos con iguales

probabilidades, decimos que esta tiene una distribución uniforme discreta; en
forma simbólica se tiene como: Una variable X tiene una distribución uniforme
discreta, y se conoce como variable aleatoria uniforme discreta, si y solo si su
distribución de probabilidad está dada por 12
1
𝑓(𝑥) = 𝑛 Para 𝑋 = x1, x2, x3,….., xn
La media y la varianza de esta distribución son, respectivamente:
𝑛 𝑛
1 1
𝜇 = ∑ 𝑥𝑖 ∙ = ∑ 𝑥𝑖
𝑛 𝑛
𝑖=1 𝑖=1
𝑛 𝑛
1 1
𝜎 2 = ∑(𝑥𝑖 − 𝜇)2 ∙ = ∑(𝑥𝑖 − 𝜇)2
𝑛 𝑛
𝑖=1 𝑖=1
La desviación estándar, por tanto, está dada por la siguiente expresión:
∑𝑛
𝑖=1(𝑥𝑖 −𝜇)
2
𝜎=√ .
𝑛

En la mayoría de las calculadoras científicas de bolsillo existe una modalidad

estadística con la cual estos dos parámetros se pueden calcular oprimiendo una
tecla. Pero la obtención de la media y la desviación estándar de una variable
aleatoria por medio de la calculadora en general solo funciona para la distribución
uniforme discreta, la cual la calculadora la asume por default.de hecho, la media
de la variable aleatoria con distribución uniforme discreta es el promedio aritmético
común, denotado en las calculadoras por el símbolo x (x testada).

Ejemplo 1:
Se lanza un dado ordinario. Para 𝑖 = 1,2, … . . ,6. definimos la variable aleatoria 𝑋 =
𝑥𝑖 como la cara del dado que sale hacia arriba. Obtenga
A) La distribución de probabilidad de esta variable aleatoria.
B) Su media y su desviación estándar.
Solución.
A) Si el dado no está cargado, entonces cualquiera de las seis caras tiene la
misma probabilidad de salir, así que la función de distribución de probabilidad de
este ejemplo está dada por
1
𝑓(𝑥𝑖 ) = , 𝑝𝑎𝑟𝑎 𝑖 = 1, 2, … … , 6.
6
B) La media y la desviación estándar son, por lo tanto:
6
1 1+2+3+4+5+6 ∑6 (𝑥𝑖 − 3.5)2
𝜇 = ∑ 𝑥𝑖 = = 3.5; 𝜎 = √ 𝑖=1 = 1.707825
6 6 6
𝑖=1

12 Probabilidad y Estadística para ingeniería y ciencias, Gabril Velasco Sotomayor, págs. 107, 109.