DISTRIBUCIONES

DISCRETAS
DE PROBABILIDAD

 INTEGRANTES
1. MERCADO HURTADO EDGAR LEONARDO 220034389
2. OLIVA ELIAS LUIS FABRICIO 218077238
3. OSORIO RAMIREZ CRISTHIAN ADOLFO 210008248
4. ORQUERA ROJAS HUGO LUCAS 220034877
5. CANAVIRI COLQUE ALEX 218144148

 FACULTAD: CIECIAS EXACTAS Y TECNOLOGIA

 CARRERA: INGENIERIA CIVIL
 DOCENTE: ING. CARREÑO HEVIAVACA FLAVIO
 MATERIA: MÉTODOS ESTADÍSTICOS
 SIGLA: MAT-370 “A”
 GRUPO DE EXPOSICIÓN: CREACIÓN 1 (3A)
MAT370 U.A.G.R.M

INDICE
Contenido
INTRODUCCION............................................................................................3
¿Qué es la probabilidad?..........................................................................3
¿Qué es un espacio muestral?..................................................................4
¿Qué es una variable aleatoria?...............................................................4
¿Qué es una variable aleatoria discreta?.................................................4
1.- DISTRIBUCIÓN DISCRETA........................................................................5
¿Qué es una distribución discreta?...........................................................5
1.1 Función de masa de probabilidad o distribución de probabilidad.5
1.2. Función de probabilidad acumulativa............................................7
3. Clasificación de la distribución discreta................................................8
3.1. Distribución uniforme discreta..........................................................8
¿Qué significa una distribución uniforme?...........................................8
Distribución uniforme discreta (a,b).....................................................9
3.2. DISTRIBUCION BINOMIAL................................................................10
CONDICIONES PARA UNA DISTRIBUCION BINOMIAL:........................12
¿Cuándo se debe aplicar distribución Binomial?................................12
3.3 DISTRIBUCION GEOMETRICA............................................................12
3.4 VALOR ESPERADO Y VARIANZA DE LA DISTRIBUCIÓN
GEOMÉTRICA...........................................................................................13
3.5 DISTRIBUCIÓN HIPERGEOMÉTRICA..................................................14
3.6 Distribución binomial negativa (r,p).................................................15
3.7 DISTRIBUCIONES DE POISSON..........................................................19
4. Conclusión:...........................................................................................20
5. Bibliografia............................................................................................21
MAT370 U.A.G.R.M

INTRODUCCION
Las distribuciones discretas de probabilidad nos ayudaran a comprender con mayor
claridad el ámbito de las probabilidades con sus distintos tipos de clasificación y con la
aplicación de las variables aleatorias discretas en la probabilidad.

¿Qué es la probabilidad?

La probabilidad es una medida de la

certidumbre asociada a un suceso o evento
futuro, y suele expresare como un numero
entre 0 y 1, o entre 0 porciento 100 porciento.
Es simplemente qué tan posible es que ocurra
un evento determinado.

Por ejemplo, lanzar una moneda al aire, en las

que conocemos de antemano los posibles
resultados que se pueden dar (cara o cruz),
pero no sabemos exactamente cuál de ellos se
va a dar.
Lo mismo ocurre cuando lanzamos un dado: sabemos que puede salir 1, 2, 3, 4, 5, o 6,
pero no sabemos cuál de ellos saldrá.
Los resultados de estas acciones dependen del azar:
Sabemos cuáles pueden ser, pero es imposible determinar de antemano cual será.

La probabilidad mide las posibilidades de que cada uno de los posibles resultados en
un suceso que depende del azar sea finalmente el que se dé.
Por ejemplo: la probabilidad mide la posibilidad de que salga "cara" cuando lanzamos
una moneda, o la posibilidad de que salga 5 cuando lanzamos un dado.

¿Qué es un espacio muestral?

el espacio muestral o espacio de muestreo (denotado E, S, Ω o U) consiste en
el conjunto de todos los posibles resultados de un experimento aleatorio.
¿Qué es una variable aleatoria?
una variable aleatoria (v.a) es una función que asigna un valor numérico real,
al resultado de un experimento aleatorio, en otras palabras es aquella función
que asocia un número real con cada elemento del espacio muestral.
Comúnmente se las denota con una letra mayúscula como la X o Y.
 Ejemplo: Se realiza un experimento en un laboratorio cuyo resultado puede ser
positivo o negativo. Construir el espacio muestral y dar una v.a. asociada al
experimento.

X (Positivo) = 1

X (Negativo) = 0
MAT370 U.A.G.R.M

E = {Positivo, Negativo}

X es una variable aleatoria

¿Qué es una variable aleatoria discreta?
Es un tipo de variable aleatoria que no
puede tomar algunos valores dentro de
un mínimo conjunto numerable, quiere
decir, no acepta cualquier valor,
únicamente aquellos que pertenecen al
conjunto. Como ejemplo, el número de
animales en una granja (0, 1, 2, 3, 4, 5, 6,
7, …). Otro ejemplo sería el número de
hijos en una familia (1; 2; 3; 4; …), es
decir que puede asumir un numero
contable de valores. Pueden ser
denotadas en minúscula como x o y.

1.- DISTRIBUCIÓN DISCRETA

¿Qué es una distribución discreta?
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una
variable aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que
tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por lo
tanto, una distribución de probabilidad discreta suele representarse en forma tabular.
Las probabilidades deben de llegar a sumar 1.

Una forma usual de describir la distribución de probabilidad de una variable aleatoria

es mediante la denominada función de densidad en el caso de variables continuas y
función de masa de probabilidad en el caso de variables discretas, las probabilidades
pueden ser representadas por un espectro o un histograma.

1.1 Función de masa de probabilidad o distribución de probabilidad

Es una función que asigna probabilidades a los valores de la variable aleatoria, la

función de probabilidad es:

P(X = x) = f(x) , debe de cumplir las siguientes condiciones:

MAT370 U.A.G.R.M

1. la probabilidad de cada valor debe estar entre 0 ≥ f(x) ≤ 1

2.- ∑ f ( x )=1 la suma de las probabilidades asignadas a todos los valores de la

todo x

variable aleatoria debe ser 1, que puede ser representado por un espectro o un
histograma.

Para el cálculo de la probabilidad utilizaremos la formula:

n ° de casos favorables de x
P ( X )=
n ° total de casos posibles

Para una mayor comprensión, realizaremos un ejemplo:

 Supóngase que se lanza una moneda dos veces que de un lado tiene a un gato
y del otro tiene un perro, de tal
forma que el espacio muestral
es S: {GG, PG, GP, PP}.
Represéntese por X el numero
de perros que puedan resultar,
con cada punto muestral
podemos asociar un numero
para X. así como en el caso de
PP (es decir 2 perros) X=2 y para
GP (1 perro) X=1. X es una
variable aleatoria.

Punto muestral GG GP PG PP
X 0 1 1 2

 Hallar la función de probabilidad correspondiente a la variable aleatoria X del

anterior ejemplo
-calculamos las probabilidades con:

n ° de casos favorables de x
P ( X )=
n ° total de casos posibles
MAT370 U.A.G.R.M

1
P ( 0 )=P( X=0)=
4 X 0 1 1 2
f(x) 1 1 1 1
2 1 4 2 2 4
P ( 1 )=P ( X=1 ) = =
4 2

1
P ( 2 )=P(X =2)=
4
x`
MAT370 U.A.G.R.M

1.2. Función de probabilidad acumulativa

Especifica la probabilidad de que una variable sea menor o igual que un valor
dado:

F(x)=P(X ≤ x) =∑ f (k)
k≤ x

Ejemplo: sea X (variable aleatoria discreta) el numero de gatitos vendidos en un

día en una veterinaria. Encontrar la función de distribución acumulativa de X a
partir de su función de probabilidad.
F(0)=P(X≤0) = P(X=0)=f(0)= 0.5
F(1)= P(X≤1) = P(X=0 o 1)=
P(X=0)+ P(X=1)=f(0)+f(1)=0.5+0.3=0.8
F(2)=P(X≤2) = P(X=0 o 1 o 2)=
P(X=0)+P(X=1)+P(X=2)=f(0)+f(1)+f(2)=0.5+0.3+0.2= 1

x 0 1 2
f(x) 0.5 0.3 0.2 ∑ f ( x )=1
F(X) 0.5 0.8 1
Siempre se llegará a 1
con la sumatoria de f(x) y el ultimo valor de F(X) será 1.

3. Clasificación de la distribución discreta

principalmente se divide en:
 Distribución Uniforme discreta
 Distribución binomial
 Distribución hipergeométrica
 Distribución geométrica
 Distribución binomial negativa
 Distribución pascal
 Distribución de poisson

3.1. Distribución uniforme discreta

¿Qué significa una distribución uniforme?
La distribución uniforme es una distribución continua que modela un rango de valores
con igual probabilidad. La distribución uniforme se especifica mediante cotas inferior y
superior.
MAT370 U.A.G.R.M

Distribución uniforme discreta (a,b)

describe el comportamiento de una variable discreta que puede tomar n valores
distintos con la misma probabilidad cada uno de ellos. Un caso particular de esta
distribución, ocurre cuando los valores son enteros consecutivos. Esta distribución
asigna igual probabilidad a todos los valores enteros entre el límite inferior y el límite
superior que definen el recorrido de la variable.
Si la variable puede tomar valores entre a y b, debe ocurrir que b sea mayor que a, y la
variable toma los valores enteros empezando por a, a+1, a+2, etc. hasta el valor
máximo b.
Por ejemplo, cuando se observa el número obtenido tras el lanzamiento de un dado
perfecto, los valores posibles siguen una distribución uniforme discreta en {1, 2, 3, 4, 5,
6}, y la probabilidad de cada cara es 1/6.
Valores: k: a, a+1, a+2, ..., b, números enteros
Parámetros: a: mínimo, a entero
b: máximo, b entero con a < b

EJEMPLO
El temario de un examen para un proceso selectivo contiene 50 temas, de los cuales se
elegirá uno por sorteo. Si una persona no ha estudiado los 15 últimos temas ¿cuál es la
probabilidad de que salga un tema que haya estudiado?

La variable que representa el número del tema seleccionado para el examen sigue una
distribución uniforme con parámetros a = 1 y b = 50. La persona ha estudiado los
temas del 1 al 35; por tanto, la probabilidad que se pide es la cola a la izquierda de 35.
Para obtener los resultados basta con proporcionarle los parámetros de la distribución,
y seleccionar la opción de calcular probabilidades para el punto 35.
MAT370 U.A.G.R.M

En teoría de probabilidad y estadística, la distribución uniforme discreta es una

distribución de probabilidad discreta que surge en espacios de probabilidad x-
probables, es decir, en situaciones donde de resultados diferentes, todos tienen la
misma probabilidad de ocurrir.

EJEMPLOS
1
Para un dado perfecto todos los resultados tienen la probabilidad de
6
1
Para una moneda perfecta, Todos los resultados tienen la probabilidad de .
2
3.2. DISTRIBUCION BINOMIAL
La distribución binomial o distribución binómica es una distribución de probabilidad
discreta que cuenta el número de éxitos en una secuencia de “n” ensayos de Bernoulli
independientes entre sí con una probabilidad fija “p” de ocurrencia de éxito entre los
ensayos. Un experimento de Bernoulli se caracteriza por ser dicotómico, esto significa
que solo dos resultados son posibles a uno de estos se le denomina “éxito” y tiene una
probabilidad de ocurrencia “p“ y al otro se le denomina “fracaso” y tiene una
probabilidad q=1-p.

Función de probabilidad
La distribución binomial se caracteriza porque su función de probabilidad viene dada
por la expresión siguiente:

Donde:
n= Número de ensayos
x= Número de éxitos
p= Probabilidad de éxito
q= Probabilidad de fracaso (1-p)

En una distribución binomial B (n, p) se verifica que:

 La probabilidad de que aparezca al menos un éxito en las n repeticiones es
igual a:
MAT370 U.A.G.R.M

 La probabilidad de que se produzca un éxito como máximo en las n

repeticiones se determina como:

Esperanza y varianza

En una distribución nominal denotada por B(n,p),donde n es el numero de repeticiones

del experimento y p la probabilidad de que se produzca un cierto suceso (éxito), la
esperanza matemática de la variable aleatoria x viene dada por la expresión siguiente:

Análogamente, la varianza de la variable aleatoria X, al ser esta de tipo discreto, se

calcula como:

CONDICIONES PARA UNA DISTRIBUCION BINOMIAL:

Una distribución se denomina binomial cuando se cumplen las condiciones siguientes:

1.-El experimento aleatorio de base se repite n veces, y todos los resultados obtenidos
son mutuamente independientes.

2.-En cada prueba se tiene una misma probabilidad de éxito (suceso A), expresada por
p. Asimismo, existe en cada prueba una misma probabilidad de fracaso (suceso no A ),
que es igual a q = 1 - p.

3.-El objetivo de la distribución binomial es conocer la probabilidad de que se produzca

un cierto número de éxitos. La variable aleatoria X, que indica el número de veces que
aparece el suceso A (éxito), es discreta, y su recorrido es el conjunto {0, 1, 2, 3, ..., n}.

¿Cuándo se debe aplicar distribución Binomial?

Se aplica la distribución binomial para describir un proceso donde los resultados se
pueden etiquetar como un evento o un no evento y cuando esté interesado en la
ocurrencia de un evento y no en su magnitud. Por ejemplo, un producto pasa o no
pasa un control de calidad o un extranjero ingresa o no a un país .
MAT370 U.A.G.R.M

3.3 DISTRIBUCION GEOMETRICA

La distribución geométrica consiste en un modelo matemático donde se cuenta el
número de ejecución hasta el primer éxito. Si el primer éxito ocurre en el x-esimo
ensayo, este estuvo procedido por (x-1) fracasos.

Si se denota E para “Éxito” y F para “Fracaso”, se tiene:

Valores de x Secuencias de ejecuciones P(x)
X=1 E P(𝑥=1) = p
X=2 FE P(𝑥=2) = qp= qp
X=3 FFE P(𝑥=3) = qqp= q2 p
X=4 FFFE P(𝑥=4) = qqqp= q3p
X=X FFF…E P(𝑋=𝑋) = qx-1 p

Entonces: P(X=𝑥) = qx-1 p

p: probabilidad de éxito

q: probabilidad de fracaso

Las características de una v. a. geométrica son las siguientes:

1) En cada experimento existen dos resultados posibles: éxito y fracaso.

2) Los experimentos son independientes.
3) En cada experimento la probabilidad de éxito p se mantiene constante.
4) La v.a. X cuenta el número de experiencias hasta el primer éxito.
5) La v.a. X no puede tomar el valor de cero.

3.4 VALOR ESPERADO Y VARIANZA DE LA DISTRIBUCIÓN GEOMÉTRICA

E[x]=1/𝑃
V[x]=𝑞/𝑝2

EJEMPLO:

La probabilidad de que un tirador de arco de en el blanco es del 95%.

a) ¿Cuál es la probabilidad de que el tirador de en el blanco hasta el tercer disparo?

p =0.95 (da en el blanco)
q= 0.05
x=3
P(x=3) = q x-1 p=(0.05)2 (0.95) =0.002375=0,0237%
MAT370 U.A.G.R.M

b) ¿Cuál es probabilidad de que el tirador falle por primera vez en su décimo quinto
disparo?
p = 0.05
q= 0.95
x=15
P(x=15) = qx-1p=(0.95)14 (0.05) =0.0243883=2,4388%

c) Calcule el número esperado de disparos hasta que el tirador falle

E[x]=1/𝑃=1/0.05=20 𝑑𝑖𝑠𝑝𝑎𝑟𝑜𝑠

3.5 DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución hipergeométrica es especialmente útil en todos aquellos casos en los

que se extraigan muestras o se realicen experiencias repetidas sin devolución del
elemento extraído o sin retornar a la situación experimental inicial.

Una manera de identificar la distribución hipergeometrica es que ya no se toma en

cuenta la probabilidad “p” de que un suceso ocurra, esta distribución se refiere a un
modelo de muestra donde hay elementos de 2 tipos posibles.
Indica la probabilidad de obtener un numero de objetos “x” de uno de los tipos, al
sacar una muestra de tamaño “n”, de un total “N” objetos, de los cuales “k” es el tipo
requerido
Donde:
MAT370 U.A.G.R.M

Las consideraciones a tener en cuenta en una distribución hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables de entre un

conjunto de "N" pruebas posibles.

 Cada una de las pruebas puede dar únicamente dos resultados mutuamente
excluyentes.

3.6 Distribución binomial negativa (r,p)

Una generalización obvia de la distribución geométrica aparece si se supone que un
experimento se continúa hasta que un determinado suceso, de probabilidad p, ocurre
por résima vez. La variable aleatoria que proporciona la probabilidad de que se
produzcan k fracasos antes de obtener el r-ésimo éxito sigue una distribución binomial
negativa de parámetros r y p, BN(r,p). La distribución geométrica corresponde al caso
particular en que r= 1. Un ejemplo es el número de lanzamientos fallidos de un dado
antes de obtener un 6 en tres ocasiones, que sigue una BN(3,1/6). En el caso de que los
sucesos ocurran a intervalos regulares de tiempo, esta variable proporciona el tiempo
total hasta que ocurren r éxitos, por lo que también se denomina “distribución
binomial de tiempo de espera”. La distribución binomial negativa aparece en un
estudio de Pierre Rémond de Montmort (1678-1719) sobre los juegos de azar en 1714,
pero años antes ya había sido descrita por Blaise Pascal (1623-1662). Más adelante,
esta distribución fue propuesta como una alternativa a la distribución de Poisson para
modelar el número de ocurrencias de un suceso cuando los datos presentan lo que se
conoce como variación extra-Poisson o sobredispersión. En estas situaciones, la
varianza es mayor que la media, por lo que se incumple la propiedad que caracteriza a
una distribución de Poisson, según la cual la media es igual a la varianza. La primera
aplicación en bioestadística la realizó Student (William Sealy Gosset (1876-1937)) a
principios de siglo cuando propuso esta distribución para modelar el número de
glóbulos rojos en una gota de sangre. En este caso, la variabilidad extra se debe al
hecho de que esas células no están uniformemente distribuidas en la gota, es decir, la
tasa de intensidad no es homogénea. La distribución binomial negativa es más
adecuada que la de Poisson para modelar, por ejemplo, el número de accidentes
laborales ocurridos en un determinado lapso. La distribución de Poisson asume que
todos los individuos tienen la misma probabilidad de sufrir un accidente y que ésta
permanece constante durante el período de estudio; sin embargo, es más plausible la
hipótesis de que los individuos tienen probabilidades constantes en el tiempo, pero
que varían de unos sujetos a otros; esto es lo que se conoce en la literatura como la
propensión a los accidentes (“accident proneness”) [9][10]. Esta hipótesis se traduce
en una distribución de Poisson mixta, o de efectos aleatorios, en la que se supone que
las probabilidades varían entre individuos de acuerdo a una distribución gamma y esto
MAT370 U.A.G.R.M

resulta en una distribución binomial negativa para el número de accidentes. El número

máximo de éxitos permitidos en Epidat 4, para realizar cálculos de la distribución
binomial negativa, es 1.000. Valores: k: 0, 1, 2, ... Parámetros: r: número de éxitos, r 
1 entero p: probabilidad de éxito, 0 < p < 1 Ejemplo Se sabe que, en promedio, una de
cada 100 placas de rayos X que se realizan es defectuosa. ¿Cuál es el número medio de
placas útiles que se producen entre 10 defectuosas? Si se considera el primer fallo
como punto de inicio, hay que considerar la variable “número de placas útiles antes de
9 defectuosas”, que sigue una distribución binomial negativa de parámetros r = 9 y p =
0,01. Es necesario hacer notar que, cuando se está interesado en obtener alguno de los
valores característicos de la distribución objeto de estudio (en este ejemplo, número
medio de placas útiles), es indiferente calcular probabilidades o puntos, ya que el
programa presenta los valores característicos de la distribución en ambos casos. En
este ejemplo, se seleccionó la opción de calcular la probabilidad del punto 1, aunque
se trata de un dato irrelevante en el cálculo del número medio de placas útiles. Se
puede comprobar fácilmente que la modificación del punto o de la opción de cálculo
no influyen en los valores característicos.

3.7 DISTRIBUCIONES DE POISSON

En teoría la distribución de Poisson es

una distribución de probabilidad
discreta que expresa a partir de una
frecuencia de ocurrencia media, la
probabilidad de que ocurra un
determinado número de eventos
durante cierto período de tiempo.
Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos
con probabilidades muy pequeñas, o
sucesos cuando una distribución
Binomial, tiene un tamaño de muestra
(N) muy grande y la probabilidad de que
suceda el evento (P) es muy pequeña,
MAT370 U.A.G.R.M

permaneciendo infinito o no – nulo el producto, la probabilidad de (x) suceso en una

muestra (N), más exactamente llamada una distribución de poisson.

La distribución de poisson posee una expresión.

Expresión → ( X =μ )=e−μ∗¿ ¿
Ejemplo :
Si el 2% de ladrillos en una CONSTRUCCION tiene ladrillos defectuosos, obtener la
probabilidad de que 5 de cada 400 ladrillos tengan ladrillos defectuosos.
(X, se puede encontrar como k en algunos libros)
¡Desarrollo del ejemplo!
K=5, 𝜆=400(0.02)= 8
−8
P 5; 8 =e ∗¿ ¿
( )

La distribución de poisson es muy usada en situaciones donde la probabilidad de que

suceda es muy pequeña, pero ocurre repetidamente, como por ejemplo:
La llegada de 2 aviones en un determinado minuto del día en un aeropuerto *su
probabilidad es muy pequeña pero ocurre repetidamente

Entre otros ejemplos, Poisson ha sido empleada en centrales telefónicas en distribuir

las llamadas de los usuarios

En el campo de la ingeniería sanitaria, *en el ser usadas en el estudio* de *llegadas*,

como por ejemplo
De clientes a una ventanilla o caja registradoras.
De automóviles en un puesto de gasolina o cruzamiento. De pacientes en un hospital.

4. Conclusión:
Una vez desarrollado el tema sobre probabilidades se puede llegar a las siguientes
conclusiones: A través de esas construcciones teóricas, se podrá experimentar sobre
aquello que la realidad no permitía; se usa extensamente en áreas como la estadística,
la física, la matemática, la ciencia para lograr conclusiones sobre la probabilidad de
sucesos potenciales en sistemas complejos. Debido a la necesidad de modelar lo
observable la probabilidad constituye un importante parámetro en la determinación
de las diversas casualidades obtenidas tras una serie de eventos esperados dentro de
un rango estadístico; un modelo resulta extremadamente útil, siempre que se
corresponda con la realidad que pretende representar o predecir; por ello es necesario
conocer cada distribución de la probabilidad en el casos especifico, sus usos y formas
de aplicarlas. Asimismo la probabilidad mide la frecuencia con la que se obtiene un
resultado (o conjunto de resultados) al llevar a cabo un experimento aleatorio, del que
se conocen todos los resultados posibles, bajo condiciones suficientemente estables.
MAT370 U.A.G.R.M

5. Bibliografía

-Libro de Estadística y Muestreo: Ciro Martínez Bencardino

(https://www.ecoeediciones.com/wp-content/uploads/2015/08/Estadistica-y-
Muestreo-13ra-Edici%C3%B3n.pdf )

-Estadística Schaum 4ta Edición.

-https://issuu.com/edith961/docs/ejercicios-resueltos-de-distribucic

-https://slideplayer.es/slide/15156381/