Prof.

Robert Bocanegra
 LOGRO
Al finalizar la sesión, el estudiante comprende y
encuentra aplicaciones de las distribuciones
discretas más importantes, Bernoulli, Binomial y
la Poissón
.
 Distribución Bernoulli
 Distribución Binomial
 Distribución Poissón
 Distribución hipergeométrica
 Distribución Uniforme Discreta
1. DISTRIBUCIÓN DE BERNOULLI
 5

EXPERIMENTO DE BERNOULLI:
solo son posibles dos resultados: éxito o fracaso. podemos
definir una variable aleatoria discreta x tal que:
éxito  1
fracaso  0
Si la probabilidad de éxito es p y la de fracaso 1 - p, podemos
construir una función de probabilidad:

x 1-x
P(x) = p (1-p) x=0,1
Un típico experimento de Bernoulli es el lanzamiento de una
moneda con probabilidad p para cara y (1-p) para sello.
 x 1-x
P(x)= p (1-p) x=0, 1

Función de distribución:
1-p, para x = 0
F(x)= 
 1, para x =1
ESPERANZA MATEMÁTICA
1
E[X]= μ =  *P(X= x) = 0*P(X=0)+1*P(X=1) = p
x=0

E[X]= μ = p
VARIANZA
1
2
Var(X) = E[X ] - (E[X]) 2
=  x
x=0
2
P(X=x) -p 2

= 0 2 * P(X=0) + 12 * P(X=1) -p 2
= p - p 2 = p (1-p)
Var(X)= p. q
Ejemplo 1. Se lanza una moneda, obtener la probabilidad de obtener cara.
SOLUCIÓN
Sea X la variable aleatoria que nos indica que sale cara al lanzar la moneda.
Podemos ver que X sigue Ber(0.5)
Tenemos dos posibles resultados: Sale cara o sale sello.
Luego tenemos:
p= Probabilidad de que salga cara =1/2=0,5
q= Probabilidad de que salga sello =1/2=0,5
Sabemos que: 1 x
P ( x )  p (1  p )
x
x  0,1
La probabilidad de obtener cara será:
X=1(ÉXITO) 𝑃(𝑥) = 0.51 0,5 1−1 = 0.5
La probabilidad de obtener sello será:
X=0(FRACASO) 𝑃(𝑥) = 0.50 0,5 1−0
= 0.5

La esperanza E(x)=p=0.5 y la varianza Var(x)= p.q=0.5x0.5=0.25:

2. DISTRIBUCIÓN BINOMIAL
Es una distribución de probabilidad discreta que cuenta el número
de éxitos en una secuencia de n ensayos independientes entre sí,
con una probabilidad fija de éxito p de ocurrencia y una
probabilidad de fracaso q .
 EXPERIMENTO BINOMIAL(PROPIEDADES)
 El experimento consiste en una sucesión de n intentos o
ensayos idénticos.
 En cada intento o ensayo son posibles dos resultados. A
uno lo llamaremos éxito y al otro fracaso.
 La probabilidad de un éxito, se representa por p y no
cambia de un intento o ensayo. Por lo tanto la
probabilidad de un fracaso se representa por q=(1-p),
que tampoco cambia de un intento a otro.
 Los intentos o ensayos son independientes.
 FUNCIÓN DE PROBABILIDAD

Luego tenemos:
 n  x n-x
B(n,p) = P(X=x) =   p q
x
Donde:
x=0,1,2,3,……n
x es la incógnita

Esta formula servirá para encontrar la probabilidad de X o sea P(x) de que

ocurran exactamente “X” casos favorables y (n-x) casos no favorables
FUNCIÓN DE DISTRIBUCIÓN BINOMIAL

0; x  0

F ( x)    n  x n x
 P( x)    x  P q , x  1, 2,3...n
  
Media
μ= E(x) = np
Varianza
σ 2 = n p (1-p)
σ 2 = n pq
Ejemplo 1. Se lanza un dado 10 veces. Calcular la probabilidad de obtener 4 veces el 6
SOLUCIÓN
Sea X(ω), La variable aleatoria que nos brinda el numero de veces que aparece el 6 en
los 10 lanzamientos n = 10 X=4
El caso favorable esta dado por la probabilidad que salga el “6” en un lanzamiento
de un dado, o sea: p = 1  q =1- 1 = 5
6 6 6

La fórmula es: Si quisiéramos calcular su

Media y Varianza resultaría:
P(X = 4) = C nx p x q n-x
Empleando la fórmula sería: μ = np  μ = 10.( 16 ) = 10
6
10   1   5 
4 10-4

P(X=4) =     
 4  6   6  σ 2 = 10.( 16 ).( 65 ) = 50
4 6
36
10!  1   5 
P(X=4) =      0.0543
10-4 !4!  6   6 
Ejemplo 2: Supongamos que 10 aparatos de radar están
operando independientemente uno del otro y que la
probabilidad de que solo uno de los aparatos detecte un cohete
enemigo es de 0.80 ¿Cuál es la probabilidad de que nueve
aparatos detecten el cohete?
SOLUCIÓN Sea X la variable aleatoria de que el radar detecte un cohete
p = 0,80 n = 10

Nos piden:
P( x  9)  ?
10 
p ( x  9)    (0,8)9 .(0.2)109  0.2684
9
3. DISTRIBUCIÓN POISSÓN
La distribución de Poisson también surge cuando un evento o suceso
“raro” ocurre aleatoriamente en el espacio o el tiempo. La variable
asociada es el número de ocurrencias del evento en un intervalo o
espacio continuo, por tanto, es una variable aleatoria discreta que
toma valores enteros no negativos (0, 1, 2,...)

El concepto de evento “raro” o “poco frecuente” debe ser

entendido en el sentido de que la probabilidad de observar k
eventos decrece rápidamente a medida que k aumenta.
 UTILIDAD
1.- La distribución de Poisson se utiliza en situaciones donde los sucesos
son impredecibles o de ocurrencia aleatoria. En otras palabras no se
sabe el total de posibles resultados.

2.- Permite determinar la probabilidad de ocurrencia de un suceso con

resultado discreto.

3.- Es muy útil cuando la muestra o segmento n es grande y la

probabilidad de éxitos p es pequeña.

4.- Se utiliza cuando la probabilidad del evento que nos interesa se

distribuye dentro de un segmento n dado como por ejemplo:
distancia, área, volumen o tiempo definido.
 CONDICIONES
Para que una variable siga una distribución de Poisson deben cumplir las
siguientes condiciones:

1. En un intervalo muy pequeño (p. e. de un milisegundo) la probabilidad

de que ocurra un evento es proporcional al tamaño del intervalo.

2. La probabilidad de que ocurran dos o más eventos en un intervalo muy

pequeño es tan reducida que, a efectos prácticos, se puede considerar
nula.

3. El número de ocurrencias en un intervalo pequeño no depende

de lo que ocurra en cualquier otro intervalo pequeño que no se
solape con aquél.
 FUNCIÓN DE PROBABILIDAD DE LA
DISTRIBUCIÓN DE POISSÓN

Donde:
 P(X=k) : Es la probabilidad de ocurrencia cuando la variable discreta X
toma un valor finito k.
 λ : Número promedio de ocurrencias esperadas por unidad de tiempo o
de espacio.
 e : Tiene un valor aproximado de 2.71828183…
 k: Es el número de ocurrencias; k = 0, 1, 2, 3, …

Esperanza: E(X) = λ Varianza: Var(X) = λ

Nota.- El parámetro de la distribución, λ, se le conoce también como “la tasa de
ocurrencia” del fenómeno que se observa.
Ejemplo 1
La gerencia de un banco desea conocer
información relacionado con la cantidad de
personas que se acercan a retirar dinero de
uno de sus cajeros automáticos un
miércoles por la mañana. Si se tiene
información que el número promedio de
personas que llegan al cajero en un
periodo de 15 minutos es 10. ¿Cuál es la
probabilidad de que 5 personas lleguen al
cajero en un periodo de 15 minutos?
 Resolución

En este caso la probabilidad pedida es para un periodo de 15 minutos

que coincide con la información que se tiene (un promedio de 10
personas en un periodo de 15 minutos) por lo tanto tomaremos λ =
10 y k = 5. Reemplazando en la distribucion de probabilidad Poisson.

La probabilidad de que 5 personas lleguen al cajero en un periodo de

15 minutos es de 0,0378
Ejemplo2. Con los datos del ejercicio anterior el ejercicio anterior ¿Cuál
es la probabilidad que llegue al cajero una persona en un periodo de 3
minutos?
En este caso sería un error tomar el λ=10, porque la pregunta es para un
periodo de 3 minutos (antes era de 15 minutos).
Para calcular dicha probabilidad se tendría que calcular el nuevo valor
de λ, esto se podría hacer mediante una regla de tres simples.

En este caso el número promedio de personas que llegan al cajero en un

periodo de 3 minutos es 2, es decir λ= 2.
Luego a la pregunta ¿Cuál es la probabilidad que llegue al cajero una
persona en un periodo de 3 minutos? Se tiene que k = 1 y λ = 2.

0,27,1 es la probabilidad que llegue al cajero una

persona en un periodo de 3 minutos.
Ejemplo 3
Los clientes de una estación de gasolina
llegan a una tasa de 5 clientes por cada 10
minutos.¿ Cuál es la probabilidad de que
entre las 14:00 y las 14:30 horas no llegue
ningún cliente?
Calculamos λ :
Recordamos la fórmula
5 clientes  10 min
λ  30 min e-λ * λ k
P( X = k) =
 λ = 15 k!
Reemplazando la fórmula obtenemos
e-15 * 150
P( X = 0) =  e-15  0, 0000003059
0!