MODELOS DE DISTRIBUCION DISCRETA

• Distribución Binomial
• Distribución de Bernoulli
• Distribución Poisson
• Distribución Hipergeométrica
• Distribución Geométrica
• Distribución Binomial Negativo
• Distribución Uniforme (discreta)
• Distribución Multinomial
 1. DISTRIBUCION BINOMIAL
𝑛
Función de probabilidad: b 𝑥; 𝑛, 𝑝 = 𝑥
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 ; 𝑥 = 0,1, … , 𝑛
E(X)=np, Var(X)= npq “p” es la probabilidad de éxito; q=(1-p)
Casos donde se presenta
• El lanzamiento de una moneda regular: C, S
• La siembra de una semilla: Germina, no Germina
• La investigación de un circuito eléctrico: Funciona, o no Funciona
• Seleccionar un equipo: Gana, pierde
• Contar el número de pacientes que sobreviven a una intervención
• Seleccionar un producto: Bueno, malo
• La inoculación de un paciente: se recupera, no se recupera
• Número de ordenadores en una subred que han sido infectados por
un determinado virus
• Mensaje a 100 destinatarios, tc.
Ejemplo
1) Se lanza un dado 7 veces y contamos el número de 5 que
obtenemos. ¿cuál es la probabilidad de obtener 3 cincos?
Solución: Tenemos un modelo de distribución binomial el resultado es
obtener un 5 o no, nuestro éxito es que salga un cinco con probabilidad
de P(5)=1/6. Necesitamos calcular P(X=3), tomando en cuenta la
función de probabilidad binomial tenemos:
3 4
7 1 5
𝑃 𝑋=3 = = 0.0781
3 6 6
2) Determine la probabilidad de obtener dos caras exactamente, en 12
lanzamientos al aire de una moneda equilibrada
3) Se lanza una moneda corriente 6 veces, si el Salir cara es éxito,
calcular la probabilidad:
a) de que se consiga exactamente 3 caras
b) De que se consiga por lo menos 4 caras
c) De que se consiga a lo mas 2 caras
Solución:
a) b(3,6;1/2)
b) P(X≥4)=b(4,6;1/2)+b(5,6;1/2)+b(6,6;1/2)= 11/64+6/64+1/64= 11/32
c) P(X≤2)=F(2)
2. DISTRIBUCION DE BERNOULLI
Ejemplo

1) En el experimento de lanzar un dado, considerando como éxito sacar

un 6, es decir fracaso es sacar cualquier otro número, ¿cuál es la
probabilidad de fracaso?
Solución: En este caso tenemos P(6)=1/6, o lo que es lo mismo:
P(X=1)=1/6Y P(X=0)= 5/6 que es la probabilidad de fracaso
2) Se sabe que una máquina produce un 3% de piezas defectuosas.
¿Cuál es la probabilidad de que la pieza sea no defectuosa al escoger
una pieza?
 3. DISTRIBUCION DE POISSON
Función de probabilidad:
E(X)=λ; Var(X)=λ

El parámetro λ representa el número promedio de eventos esperados por unidad de tiempo o de espacio
Casos en el que se presenta:
 El número de partículas que llegan a un consultorio en
un lapso dado.
 El número de llamadas que recibe un servicio de
atención a urgencias durante 1 hora.
 El número de células anormales en una superficie
histológica o el número de glóbulos blancos en un
milímetro cubico de sangre.
 El número de glóbulos blancos en una gota de sangre. El
suceso de interés es la observación de un glóbulo blanco,
mientras que el “intervalo” continuo implicado es una
gota de sangre
Ejemplo

Si la probabilidad de que una persona cualquiera que asista a un desfile

en un día muy caluroso de verano sufra insolación es 0.005. ¿Cuál es la
probabilidad de que 18 de las 3 000 personas que asistan al desfile
sufran insolación?
Solución:
Si 𝑥= 18 y 𝜆 = 3000(0.005)= 15 , tenemos
1518 e−15
P (18; 15) = = 0.0706
18!
4. DISTRIBUCIÓN HIPERGEOMETRICA

Aparece en procesos muestrales sin reemplazamiento, en cada ensayo hay

dos resultados posibles mutuamente excluyentes (éxito y fracaso). Es
frecuente su uso en control de calidad. La función de probabilidad es:
𝑘 𝑁−𝑘
𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑁 , x=0, 1, … ,n
𝑛
𝑛𝑘 𝑁−𝑛
𝐸 𝑋 = , 𝑉𝑎𝑟 𝑋 = 𝑛𝑝𝑞( ), donde:
𝑁 𝑁−1
N: cantidad de elementos de la población
n: número de elementos de la muestra
A: cantidad de elementos existentes que cumplen la característica
x: éxitos que se obtienen en la muestra
Ejemplo

En una fiesta hay 20 personas, 14 casadas y 6 solteras. Se eligen 3

personas al azar. ¿Cuál es la probabilidad de que las 3 sean solteras?
Solución
Para x = 3, con n = 3 y N = 20 se tiene:
6 14
3 0
𝑃 𝑋=3 = 20 = 0.0175
3
5. DISTRIBUCION GEOMETRICA

Se relaciona con una secuencia de ensayos de Bernoulli, se utiliza en la

distribución de tiempos de espera; se investiga el tiempo transcurrido
hasta el primer éxito. La variable aleatoria X es el número de intentos o
fallas antes del primer éxito, su función de probabilidad es:
𝑃 𝑋 = 𝑥 = (1 − 𝑝)𝑥−1 𝑝, donde p es la probabilidad de éxito
Ejemplo

Se lanza un dado hasta que aparezca el número 6, ¿cuál es la

probabilidad de que el número de lanzamientos sea 3?
Solución: El número de éxitos es la aparición del número 6 y la
probabilidad de que salga es P(6)= 1/6. En este caso nos interesa
encontrar la probabilidad de que aparezca en el lanzamiento tres,
entonces
3−1
5 1
𝑃 𝑋=3 = = 0.1157
6 6
6. DISTRIBUCION BINOMIAL NEGATIVO
• Es un modelo adecuado para tratar aquellos procesos en los que se
repite un determinado ensayo o prueba hasta conseguir un número
determinado de resultados favorables (por vez primera). Si el número
de resultados favorables buscados fuera uno, estaríamos en el caso
de la distribución geométrica. Todas las pruebas son independientes;
el proceso concluirá cuando se obtenga un determinado número de
resultados favorables “r”, cada prueba puede dar dos resultados
posibles mutuamente excluyentes A y no A. p(A)=p, p(no A)=q. sea la
variable aleatoria X, el número de pruebas necesarias para conseguir
k éxitos o resultados A, entonces X sigue una distribución binomial
negativa con parámetros p y r, cuya función de probabilidad es:
𝑥−1
𝑝 𝑋=𝑥 = 𝑟−1
𝑝𝑟 (1 − 𝑝)𝑥−𝑟 , r˃0; x=r, r+1, r+2, …
 𝑟𝑞 𝑟 1
µ= , 𝜎2 = ( − 1)
𝑝 𝑝 𝑝
Ejemplo
• En una población grande se sabe que el 10% padece de cierta
enfermedad. Con la finalidad de hacer un diagnóstico se necesitan 10
personas afectadas por dicha enfermedad para el análisis
correspondiente. Defina X como el número de personas
seleccionadas hasta que se tengan las 10 personas afectadas para la
enfermedad. Calcular la probabilidad de que se necesiten seleccionar
exactamente 15 personas
Solución: 𝑅𝑋 = {10, 11, … }, p=0.10, r=10
𝑥−1
𝑃 𝑥 = 9
(0.10)10 (0.90)𝑥−10 =(2002)(0.0001)(0.59)0.1
6. DISTRIBUCION UNIFORME
Ejemplo

1) Sea el experimento de lanzar un dado regular y la variable aleatoria X

la puntuación obtenida, entonces:
P(X=x)=1/6 ; ∀ 𝑥 𝜖 Ω
P(X≤4)=?
2) En el experimento de elegir una bolilla numerada, al azar de un
conjunto {1,…,20}. ¿calcular P(X≥7)?
3) Si se selecciona una bombilla al azar de una caja que contiene 4
bombillas, una de 40 watts, una de 60 watts, una de 75 y una de 100
todas las bombillas tienen igual probabilidad de ser escogidas ¿Cuál es
la función de probabilidad?
7. DISTRIBUCIÓN MULTINOMIAL

• En aplicaciones hay mas de dos resultados posibles. Entonces

tenemos la distribución Multinomial que es una generalización de la
distribución binomial
• Denotación: f(x1,x2,… xk;n,p1,p2,…pk)
La función de probabilidad es
𝑛! 𝑥1 𝑥2 𝑥𝑘
𝑓= 𝑝1 𝑝2 … 𝑝𝑘
𝑥1 ! 𝑥2 ! … 𝑥3 !
Donde, 𝑛 = σ 𝑥
Cada xi tiene una probabilidad de ocurrencia de pi (σ 𝑝𝑖 = 1)
Ejemplo

Según una nueva ley se plantea la donación de órganos de los cuales

existe una probabilidad de que el 15% esté en contra, el 40% sean
indiferentes a la ley y el 45% estén a favor, si se extrae una muestra
aleatoria de 20 sujetos, ¿cuál es la probabilidad de que 5 estén en
contra, 10 sean indiferentes y 5 estén a favor ?
Solución
𝑛!
𝑃 𝑥1 = 5, 𝑥2 = 5, 𝑥3 = 5 = (0.155 ) 0.4010 0.455
𝑥1 ! 𝑥2 ! 𝑥3 !
= 0.41
MODELOS DE DISTRIBUCION CONTINUA
• Distribución Normal
• Distribución Exponencial
• Distribución Uniforme (continua)
• Distribución Gamma
• Distribución Chi-Cuadrada
• Distribución t-Student
• Distribución F de Fisher-Snedecor
• Distribución Beta
• Distribución de Weibull
• Distribución Logística
• Distribución Binomial Negativa
• Distribución lognormal
 1. DISTRIBUCION NORMAL
1 −1/2 𝑥−µ 2
/𝜎 2
Función de densidad es 𝑓 𝑥 = 𝑒 donde µ, σ son parámetros
𝜎 2𝜋
DISTRIBUCION NORMAL ESTANDARIZADA
𝑋−µ
• SI Z= tenemos la función de densidad estandarizada:
σ
−1 2
1
𝑓 𝑥 =𝑓 𝑧 = 𝑒2𝑧 , donde μ=0 y 𝜎 2 =1
2𝜋
PROBABILIDAD→AREA
• En las distribuciones continuas, mediante áreas podemos calcular las
probabilidades necesarias
• Para tales probabilidades, existen tablas con la distribución normal
estandarizada
Ejemplos:
1) Mostrando el gráfico respectivo. Calcular las
probabilidades:
a) p(0< z ≤2) b) p(-1.5 ≤z ≤1)
c) P(z<2.05)e)P(z≥-3.07) d) P(Z≤1.5)
2
e) P(45 ≤X< 60), para μ= 44; 𝜎 =16
2
f) P(13 ≤X ≤21), para μ= 15; 𝜎 =0.49
g) Si P(z ≤ R)=0.45, calcular R
h) Si P(z < z )=0.0475, calcular z
o o

2) Encontrar el área bajo la curva normal a la

derecha de z=2.05 y a la izquierda de -1.44
Ejemplo de aplicación
El coeficiente de inteligencia de los individuos que
componen una determinada población tienen
aproximadamente una distribución normal, con
una media de 100 y una desviación estándar de
10. Hallar la proporción de individuos con C.I.
mayores que 125.
solución: Debemos calcular P(X≥125), entonces
estandarizamos, quedando para calcular
P(z ≥2.5)= 0.0062
por lo que el 0.62% de la población tienen CI
mayores a 125
APROXIMACION DE LA BINOMIAL A LA NORMAL
La variable aleatoria binomial X, puede considerarse como una suma de
n variables aleatorias independientes de Bernoulli x1, x2, …, xn, es decir
𝑋 = σ 𝑥𝑖 , sabemos también que E(X)=np, Var(X)=npq. Por el teorema
𝑋−𝑛𝑝
del límite central, la variable aleatoria 𝑧 = , tiene
𝑛𝑝𝑞
aproximadamente una distribución normal N(0,1) cuando n es grande.;
para “p” cercano a 0.5 y n˃10, la aproximación de la binomial a la
normal es Buena. Si sequiere conseguir mayor precision en esta
aproximación normal de la binomial, se utiliza la corrección por
continuidad de los valores discretos de la variable, sumando o restando
0.5 como sigue:
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 ≈ 𝑃(𝑎 − 0.5 ≤ 𝑋 ≤ 𝑏 + 0.5) y
𝑃 𝑋 = 𝑘 ≈ 𝑃 𝑘 − 0.5 ≤ 𝑋 ≤ 𝑘 + 0.5 . Es decir la probabilidad de
obtener exactamente un valor k, es aroximadamente el área bajo la
curva normal entre k-0-5 y k+0.5
Ejemplo
• En un almacén se tiene 300 fusibles, y por experiencia se sabe que
hay 2% de defectuosos en la producción de fusibles. Calcular la
probabilidad de que haya exactamente un defectuoso
Solución: Número de fusibles defectuosos en el almacén,
𝑅𝑋 = {0, 1, … , 300}. Esta variable es binomial con parámetros n=300,
p=0.02, entonces np=300(0.02)= 6˃5, podemos aproximar a la normal
con µ=np=6, 𝜎 = 𝑛𝑝 = 5.88 ≈ 2.43. luego:
5.5−6 𝑥−𝑛𝑝 1.5−6
P(X=1)=P(0.5≤X ≤1.5)=𝑃( ≤ ≤ )=
2.43 𝑛𝑝 2.43
=P(-2.27 ≤z ≤1.86)=0.0198
2. DISTRUCION EXPONENCIAL
La distribución exponencial tiene un papel fundamental
en el análisis de fiabilidad. En fiabilidad se usa para describir
los tiempos de fallo de un dispositivo durante su etapa de
vida útil,
En cual la tasa de fallo es aproximadamente constante r(t)=λ
Una tasa de fallo constante significa que, para un dispositivo
que no haya fallado con anterioridad
La probabilidad de fallar en el siguiente intervalo es
independiente
La distribución exponencial se suele utilizar para modelar el
tiempo
transcurrido entre dos sucesos aleatorios
como la tasa de ocurrencia λ
Ejemplo
suponga que el tiempo que necesita un cajero de un
banco para atender a un cliente tiene una distribución
exponencial con una media de 40 segundos.
a) ¿cuál es la probabilidad de que el tiempo necesario
para atender a un cliente esté comprendido entre 1 y 2?
b)¿cuál es la probabilidad de que el tiempo necesario
para atender un cliente dado sea mayor que 2 minutos?
Solución:
a)P(1< 𝑋 <2)=F(2)-F(1). F es la función de distribución
b) P(X>2)=1-P(X≤2)=𝑒 −3
3. DISTRIBUCION UNIFORME
Ejemplo
El volumen de ventas de un almacén se distribuye
uniformemente entre 38 y 120 miles de dólares.
Calcular la probabilidad de que las ventas sean
superiores a 1000, 000 dólares.
Solución: Sea X volumen de ventas del almacén,
entonces trabajamos con U(38,120)
la función de densidad es f(x)= 1/(120-80)= 1/82
+∞ 120 1
luego P(X>100)=‫׬‬100 𝑓 𝑥 𝑑𝑥 = ‫׬‬100 𝑑𝑥 = 0.2439
82
FUNCION GAMMA
∞

Γ 𝑥 = න 𝑡 𝑥−1 𝑒 −𝑡 𝑑𝑡 ; 𝑥 > 0
0

• Γ(1)=1 , Γ(1/2)= 𝜋

• PROPIEDADES: Para n entero positivo

Γ(n+1)=n Γ(n) ; n˃0
Γ(n+1)=n ! , Γ(n)=(n-1) !
UNA MUESTRA DE FUNCION GAMMA
4. DISTRIBUCION GAMMA µ=αβ , σ2=αβ2
1 𝛼−1 𝑒 −𝑥/𝛽
𝑓 𝑥 = 𝑥 ; x˃0
Γ(𝛼)𝛽 𝛼
Ejemplo
El tiempo en horas que semanalmente requiere
una maquina para mantenimiento es una variable
aleatoria con distribución Gamma, donde α=3,β=2
a) encuentre la probabilidad que en alguna semana
el tiempo de mantenimiento sea mayor a 8
b) Si el costo de mantenimiento en dólares es C=
3x+2x2, siendo X el tiempo de mantenimiento,
encuentre el costo del mantenimiento
Rpta. a)0.2381 b) 276 dólares
5. DISTRIBUCION CHI-CUADRAD

1 𝑚
−1 −1/2𝑥
𝑓 𝑥 = 𝑚 𝑥 2 𝑒 ; 𝑥>0
2𝑚/2 Γ( )
2
Ejemplo
si x ̴χ2 encontrar: (mostrando su grafica)
a) P(X≥35.172), con 23 grados de libertad
b) P(X≤15.44), con 21 grados de libertad
c) P(X<7.807), con 12 grados de libertad
d) P(X >16.31), con 17 grados de libertad
e) P(9.591≤ X<15.45), 20 grados de libertad
f) Si P(X ≥ K) = 0.80, calcular K, gl 21
6. DISTRIBUCION t DE STUENT
Función de densidad de t-Student
𝑚+1
Γ( 2 ) 𝑥 2 −𝑚+1
•𝑓 𝑥 = 𝑚 (1 + ) 2 ;𝑥 𝜖 𝑅
𝑚𝜋Γ( ) 𝑚
2

observación
Con diferentes grados de libertad
Ejemplo: Calcular las probabilidades respectivas
mostrando su gráfica en cada caso:
1) Si X ̴T4 calcular P(X≥1.190)
2) Si X ̴T18 calcular P(X>2.110)
3) Si X ̴T20 calcular P(0≤X ≤2.528)
4) Si X ̴T15 calcular P(X<-0.691)
5) Si X ̴T10 ,hallar el valor de c tal que P(X ≥c)=0.15
6) Si X ̴T4, hallar p(X≥1.08)
7) Si P(T ≥T )=0.025, calcular To, siendo gl 27
o
6. DISTRIBUCIÓN F DE FISHER-SNEDECOR
𝑚+𝑛 𝑚
Γ( 2 ) 𝑚 𝑥 2 −1
•𝑓 𝑥 = ( ) 𝑚/2 ;𝑥 ≥ 0
𝑚 𝑛 𝑚
Γ( 2 )Γ( 2 ) 𝑛 (1+ 𝑛 𝑥)(𝑚+𝑛)/2
Ejemplo

1) Calcular el valor crítico F0.95,3,71

2) Mostrar el área a la derecha de F0.95,3,71
3) Si P(F ≤ Fo)= 2.87, calcular Fo
4) Mostrar el área a la derecha de F0.90,8,21
5) Mostrar el área a la izquierda de F0.95,3,16
7. DISTRIBUCION BETA : X ~ Beta(α,β)

• Su densidad de probabilidad es
Γ 𝛼+𝛽
𝑥 𝛼−1 (1 − 𝑥)𝛽−1
•𝑓 𝑥 = ቐΓ 𝛼 Γ 𝛽 , 0<x<1
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
α>0, β˃0 son los parámetros. Cuando ambos son 1, la distribución es
uniforme (α=0, β=1)
𝛼 2
𝛼𝛽
𝜇= ,𝜎 =
𝛼+𝛽 𝛼 + 𝛽 2 (𝛼 + 𝛽 + 1)
Ejemplo

Un distribuidor de gasolina llena los tanques del depósito cada lunes.

Se ha observado que la cantidad que vende cada semana se puede
modelar con la distribución beta con α=4,β=2
a) Encuentre el valor esperado de la venta semanal
b) Encuentre la probabilidad que en alguna semana venda al menos
90%
Solución: Sea x la variable aleatoria de proporción de combustible
a) µ=4(4+2)= 2/3, es decir vende 2/3 del tanque cada semana
b) P(x>0.9)=0.082=8.2%
8. DISTRIBUCION DE WEIBULL
• Funcion de densidad
𝛼−1 −(𝜆𝑥)𝛼
f(x)=ቊ𝜆𝛼(𝜆𝑥) 𝑒 , 𝑠𝑖 𝑥 > 0
0, 𝑠𝑖 𝑥 ≤ 0
λ es el parámetro de escala y α parámetro de forma
− 𝜆𝑥 𝛼
Función de distribución: 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 1 − 𝑒 ,
𝑠𝑖 𝑥 > 𝑜, 𝐹 𝑥 = 0, 𝑠𝑖 𝑥 ≤ 0

1 1
𝜇 = Γ 1+
𝜆 𝛼

1 2 1
𝜎2 = 2 Γ 1+ 2
− Γ (1 + )
𝜆 𝛼 𝛼
 Ejemplo
El tiempo de vida X, en horas de un articulo en un taller
mecánico tiene una distribución de Weibull con λ = 0.01 y α = 2.
¿cuál es la probabilidad de que falle antes de 8 horas de uso?
Solución:

Debemos calcular F(x < 8) = F(8)

82
𝐹 8 = 1 − 𝑒 − 0.01 = 0.473
9. DISTRIBUCION LOGNORMAl
Es una distribución de probabilidad de una variable
aleatoria cuyo logaritmo esta normalmente distribuido, es
decir y=ln(x) es normal, para x positivos. Su función de
densidad es:
(𝑙𝑛𝑥−𝜇) 2
1
𝑒 2𝜎 2 , 𝑥 ≥ 0
𝑓 𝑥; 𝜇, 𝜎 = ൞𝜎𝑥 2𝜋
0 ,𝑥 < 0
-∞<µ<∞, parámetro de escala y σ˃0, parámetro de forma
 𝜎2 2𝜇+𝜎 2 𝜎2
𝐸 𝑋 =𝑒 𝜇+ 2 V(X)= 𝑒 (𝑒 − 1)
 Ejemplo
1) la distribución lognormal es la mejor opción para describir la
distribución de los datos de máxima profundidad de pozo de las
tuberías de hierro fundido en el suelo. Considerando µ=0.35 y
σ=0.754 en mm. Para la profundidad del pozo máximo de tuberías
enterradas. Encontrar la media de la profundidad del pozo
𝜇 𝜎2 0.353 (0.754)2
Solución 𝐸 𝑋 = 𝑒 + =𝑒 + = 𝑒 0.63726 =
2 2
1.8913
EJERCICIO
1) Considerando el ejemplo anterior. Calcular la probabilidad
de que la máxima profundidad esté entre 1 y 2

2) Suponga que la supervivencia en años, luego de una

intervención quirúrgica (tiempo que pasa hasta que ocurre la
muerte del enfermo) en una cierta población sigue una
distribución lognormal de parámetro de escala 2.32 y de
forma 0.20. calcular la probabilidad de supervivencia a los 123
años