Mg.

Analía Patrignani, MBA

Distribuciones Discretas de Probabilidades

Algunos Conceptos

Supongamos que se realiza un cierto experimento aleatorio. El mismo puede arrojar

distintos resultados, que como ya se dijera anteriormente, no pueden predecirse.

 Variable Aleatoria: es la que asume un valor numérico único para cada uno de los
posibles resultados de un experimento aleatorio

Las variables aleatorias pueden ser discretas o continuas.

Ejemplo: Se arrojan dos monedas y se observa el número de monedas que cayeron con la
cara hacia arriba.

Resultado x

 Recorrido de la Variable Aleatoria: es el conjunto de todos los valores que puede

tomar la variable
ℜ ( x )={0 ,1 , 2}

1
Mg. Analía Patrignani, MBA

 Función de Probabilidades: es la función que asigna a cada valor de variable su

correspondiente probabilidad de ocurrencia

x P(x)
0 0,25
1 0,5
2 0,25
1

Así como llamamos distribución de frecuencias a la presentación de todos los posibles

valores de una variable con su correspondiente frecuencia, llamaremos distribución de
probabilidades a la presentación de todos los posibles valores de una variable aleatoria
con su correspondiente probabilidad de ocurrencia.

 Características de la Función de Probabilidades:

1.  Px) = 1
2. Cada valor de x, 0 ≤ P(x) ≤ 1

Asimismo, la distribución de probabilidades puede graficarse. Como estamos tratando el

caso de variables discretas haremos un gráfico de bastones.

Ejemplo 1

Una profesora sabe que, si toma un examen de 3 preguntas, la probabilidad de que un

alumno conteste bien sólo 1 de ella es de 0,2; de que conteste sólo 2 bien es de 0,3 y de
que conteste las tres bien es 0,4. Si el experimento consiste en ver cuantas preguntas
correctas contestará un alumno,
a) Determinar cuál es el recorrido de la variable.
b) Obtener la función de probabilidades

2
Mg. Analía Patrignani, MBA

Esperanza y Varianza

Esperanza

La esperanza matemática se define como

E ( x )=∑ [ x . P(x ) ]

Este valor se puede interpretar como el valor promedio de la variable a largo plazo, es
decir, para experimentos que se repiten la mayor cantidad posible de veces.

Varianza

2
Var (x )=E ( x )−[ E(x ) ]
2

Desvío Estándar

D . E .( x)= √ Var (x )

Si tuviéramos que calcular la esperanza, la varianza y el desvío del ejemplo inicial

E ( x )=∑ [ x . P(x ) ]
E ( x )=0.0,25+1.0,5+2.0,25=1 monedacon la cara hacia arriba

Var ( x ) =∑ [ x . P(x) ]−[ E(x) ]

2 2

2 2 2 2 2
V ( x )=0 .0,25+1 .0,5+2 .0,25−1 =0,5 ( moneda con la cara arriba )

D . S . ( x )=√ Var ( x )

D . S . ( x )=√ 0,50=0,707 monedas conla cara hacia arriba

Ejemplo 2
Una compañía de seguros ofrece un seguro contra incendios por $80.000 a propietarios de
cierto tipo de vivienda. La póliza brinda protección por un año si ocurre la destrucción total
de la vivienda. La compañía ha determinado que la probabilidad de que ocurra ese tipo de
siniestro es de 0,0002. Si la prima es de $52, encuentre la utilidad esperada por póliza para
la compañía (Matemática para Administración, Economía, Ciencias sociales y de la Vida.
Haeussler, E; Paul, R)
x: utilidad

3
Mg. Analía Patrignani, MBA

U =I – C

x 1=U=52−0=$ 52

x 2=U =52−80000=$−79948

E ( x )=52.0,9998+ (−79948 ) .0,0002=$ 36

Significa que, aunque por algunos clientes pierda 79948 y por otros gane 52, si tiene
muchos clientes, en promedio gana $36 por cada asegurado.

Ejercicios Propuestos

1. Una variable aleatoria tiene la siguiente distribución

x P(x)
1
3 0,35
4 0,42
a. Determine el recorrido de la variable
b. Determine P( x=1) y P( x=2) .
c. Determine la esperanza matemática

2. Una variable aleatoria tiene la siguiente distribución

x P(x)
2 2.k
4 k
6 0,4
a. Halle el valor de k de la distribución
b. Obtenga P( x=4)

4
Mg. Analía Patrignani, MBA

Distribución Binomial

Número Combinatorio

El número combinatorio nCr , (r ≤ n) permite calcular la cantidad de obtener subconjuntos

de r elementos a partir de un conjunto de n elementos.

Ejemplo: en un sector de una empresa trabajan 5 personas. Si se desea enviar a dos de ellas
a una capacitación, ¿cuántas parejas de compañeros diferentes se pueden armar?
ABCDE AB AC AE DE…..

Respuesta: C =10
5 2

Distribución Binomial

Ya hablamos de las distribuciones discretas de probabilidades en general y definimos los

conceptos de Esperanza Matemática y Varianza.
Hoy vamos a describir una distribución en particular que es la Distribución Binomial.

La distribución Binomial es la que describe experimentos que por sus características

responden al nombre de “Proceso Bernoulli”.
¿Qué características debe tener un experimento para llamarse Bernoulli?
 Variable Discreta
 El experimento se repite n veces (n fijo)
 Por ejemplo:
 Tirar una moneda 6 veces.
 Hacer una encuesta a 15 personas acerca de la marca de shampoo
preferido.
 Extraer 10 bolillas.
 Admite dos únicos resultados posibles. Éxito vs. Fracaso
P(éxito)=p P(Fracaso)=q
p+q=1 q=1− p
 Al tirar la moneda se puede observar que salga cara (que podría ser la situación
exitosa) o lo contrario, es decir que salga cruz (que sería el fracaso)
 Si se hace la encuesta sobre la marca de shampoo, la situación exitosa podría ser
que sea una marca nacional, y el fracaso que sea importada.

 La probabilidad de un resultado es invariante

5
Mg. Analía Patrignani, MBA

 al tirar una moneda, suponiendo que es legal, P(cara)=0,5 cada vez que voy
a tirarla.
 Los intentos son estadísticamente independientes
 Si al tirar la moneda sale cara o ceca, no influye en P(cara) al volver a tirarla.

Ante un ensayo con estas características llamaremos:

P ( x=r ) : probabilidad de obtener r éxitos en los n ensayos

Veamos algunos ejemplos para ver si responden o no a un “Proceso Bernoulli”

 Al término de un programa de capacitación, cada uno de los 50 coordinadores recién
contratados recibe una calificación de sobresaliente, aceptable o insatisfactorio. El
experimento consiste en preguntarle la calificación a cada uno de los coordinadores que
recibieron el curso.
 Al término de un programa de capacitación, cada uno de los 50 coordinadores recién
contratados recibe una calificación de 1, 2 o 3. El experimento consiste en preguntarle la
calificación a cada uno de los coordinadores que recibieron el curso.
 Un profesor evalúa a un alumno mediante 3 preguntas de opción múltiple. El
alumno, no estudió y decidió responder las tres preguntas al azar. La pregunta 1 y 2
tenían opciones a, b y c. La pregunta 3 tenía opciones a, b, c y d. El experimento
consiste en determinar cuantas preguntas contestó bien el alumno.
P ( B 1 )=1 /3 P ( B 2 )=1 /3 P ( B 3 ) =1/4
 Un profesor evalúa a un alumno mediante 3 preguntas de opción múltiple. El
alumno, no estudió y decidió responder las tres preguntas al azar. Todas las
preguntas tenían opciones a, b, c y d. El experimento consiste en determinar
cuantas preguntas contestó bien el alumno.
P ( B 1 )=1 /4 P ( B 2 )=1 /4 P ( B 3 ) =1/4 p=1 /4

Como este último ejemplo responde a las características de un proceso Bernoulli, lo

vamos a utilizar para avanzar.

Si se quisiera estudiar la cantidad de respuestas correctas dadas por el alumno, ¿cuál es el

recorrido de la variable?

R e={0 ,1 , 2 ,3 }

Si quisiéramos obtener la función de probabilidades, deberíamos calcular P ( x=0 ) ,

P( x=1) , P( x =2) y P(x=3)

x P(x)

6
Mg. Analía Patrignani, MBA

0
1
2
3

Primero calculemos p y q , es decir, la probabilidad de éxito y fracaso en cada ensayo.

En cada pregunta, ¿cuál es la probabilidad de responder bien? ¼, ¿y de responder mal?
3/4

Calcular P( x=0) implica calcular la probabilidad de que el alumno no responda ninguna

de las preguntas bien, es decir,

P( x=0)=P ( M 1 ∩ M 2 ∩ M 3)

Como los ensayos son independientes,

P( M 1∩ M 2∩ M 3)=P( M 1). P (M 2). P(M 3)=. .=0,421875

x P(x)
0 0,421875
1
2
3

Calcular P( x=1) implica calcular la probabilidad de responder sólo una pregunta bien y,
por lo tanto, las otras dos mal.

P ( x=1 )=P ( B1  ∩  M 2  ∩  M 3 ) + P ( M 1  ∩  B2  ∩  M 3 )  + P ( M 1   ∩  M 2   ∩  B3 )

1 3 3 3 1 3 3 3 1 1 3 3
P ( x=1 )= . . + . . + . . =3. . . =0,421875
4 4 4 4 4 4 4 4 4 4 4 4

x P(x)

7
Mg. Analía Patrignani, MBA

0 0,421875
1 0,421875
2
3

P ( x=2 )=P ( B1  ∩  B 2  ∩  M 3 )  + P ( M 1  ∩  B2  ∩  B 3 )  + P ( B1  ∩  M 2  ∩  B3 )

1 1 3 3 1 1 1 3 1 1 1 3
P ( x=2 )= . . + . . + . . =3. . . =0,140625
4 4 4 4 4 4 4 4 4 4 4 4

x P(x)
0 0,421875
1 0,421875
2 0,140625
3

P ( x=3 )=P ( B 1  ∩  B 2   ∩  B3 )

1 1 1 1
P ( x=3 )= . . =3. =0,015625
4 4 4 4

x P(x)
0 0,421875
1 0,421875
2 0,140625
3 0,015625
1

¿Qué deberíamos hacer si quisiéramos calcular la probabilidad de que el alumno responda

bien por lo menos una de las preguntas?

P(una o dos o tres)=P (x=1)+ P( x =2)+ P( x=3)=0,57825

8
Mg. Analía Patrignani, MBA

Estos valores responden a una ley de formación:

P ( x=r )=nCr . p r . qn−r

La distribución binomial es descrita por 2 parámetros:

 p=P(éxito)
 n : tamaño de la muestra.

En una distribución Binomial, E(x )=n . p y Var ( x )=n . p . q

Ejemplos:

1. Se sabe que el 35% de los alumnos de la universidad utilizan colectivos para llegar a ella, el
20% lo hace en auto, el 18% en subte y el resto utiliza otros medios. Si se elige a 15
alumnos al azar,
a. ¿cuál es la probabilidad de que 8 hayan llegado en subte?
b. ¿cuál es la probabilidad de que por lo menos 5 hayan llegado en auto?
c. ¿cuál es la probabilidad de que menos de 3 no hayan llegado en colectivo?
d. Si se encuesta a 40 alumnos, ¿cuántos se espera que hayan llegado en auto?

a. x: cantidad de alumnos que hayan llegado en subte

x Bi ( n=15 , p=0,18 )

P ( x=8 )=0,00177

b. x: cantidad de alumnos que hayan llegado en auto

x Bi ( n=15 , p=0,20 )

P ( x ≥ 5 )=¿ 0,16423

c. x: cantidad de alumnos que NO hayan llegado en colectivo

x Bi ( n=15 , p=0,65 )

P ( x<3 )=P ( x ≤ 2 )=¿0,00006

d. x: cantidad de alumnos que hayan llegado en auto

x Bi ( n=40 , p=0,20 )

E ( x )=40.0,2=8 alumnos

2. El 8% de los pasajeros de vuelos internacionales utiliza el salón VIP del aeropuerto. Si se

pregunta a 16 pasajeros elegidos al azar, ¿cuál es la probabilidad de que

9
Mg. Analía Patrignani, MBA

a. el 25% use el salón VIP?

b. ninguno use el salón VIP?
c. al menos el 12,5 % lo use?
d. Halle el número esperado de pasajeros, entre los 16, que utilizan el salón
VIP.

Distribución Hipergeométrica

 Variable Discreta
 El experimento se repite n veces (n fijo)
 Admite dos únicos resultados posibles
 La probabilidad de un resultado No es invariante
 Los intentos No son estadísticamente independientes
 Se sabe que en una población de N individuos hay R (M) éxitos

P ( x=r ) : probabilidad de obtener r éxitos en los n ensayos

La distribución hipergeométrica es descrita por 3 parámetros:

 N: tamaño de la población,
 R (M): cantidad de éxitos en la población,
 n: tamaño de la muestra.

P ( x=r )=
( r ) ( n−r )
R . N −R

( Nn )
0 ≤ r ≤n r ≤ R n−N + R ≤ r

R R N−R N−n
E ( x )=n . y Var ( x ) =n . . .
N N N N −1

Ejemplo

10
Mg. Analía Patrignani, MBA

En una caja hay 10 bolillas blancas, 8 rojas y 2 negras.

a. Al extraer 5 bolillas, ¿cuál es la probabilidad de que 3 sean blancas?
b. Al extraer 6 bolillas, ¿cuál es la probabilidad de que menos de la mitad sean
rojas?
c. Si se extraen 4 bolillas, ¿Cuántas se espera que sean blancas?

a. x : cantidad de bolillas blancas

x H i ( n=5 , N =2 0 , M =10 )

P ( x=3 )=0,3483

b. x : cantidad de bolillas no rojas

x H i ( n=6 , N =20 , M =12 )

P ( x<3 )=P ( x ≤ 2 )=0,13725

c. x : cantidad de bolillas blancas

x H i ( n=4 , N =20 , M =10 )

10
E ( x )=4. =2 bolillas
20

Distribución de Poisson

Es una distribución discreta de probabilidades 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.

11
Mg. Analía Patrignani, MBA

−λ r
e .λ
P ( x=r )=
r!

E( x )=¿ Var (x )=¿

Parámetro: 
 ¿b.t
 b=¿frecuencia media de la presentación por unidad (de tiempo)
 t=¿ cantidad de períodos (de tiempo) solicitado

Ejemplo:

La frecuencia de arribos a cierto aeropuerto es de un promedio de 5 aviones por hora.

a) ¿Cuál es la probabilidad de que lleguen 3 aviones en un período de ½ hora?
b) ¿Cuál es la probabilidad de que en dos horas lleguen a lo sumo 12 aviones?
c) ¿Cuántos aviones se espera que lleguen en un día?
 
a) x : cantidad de aviones que llegan en 1/2 hora
b=¿ 5 aviones/hora t=¿ ½ hora

 = 5 aviones / hora. 0,5 horas = 2,5 aviones.

x P o ( λ=2,5)

P( x=3)=0,21376
b) x : cantidad de aviones que llegan en 2 horas.

b=¿ 5 aviones/hora t=¿ 2 horas

 
 = 5 aviones / hora. 2 horas = 10 aviones
 
x P o ( λ=10)

P ( x ≤ 12 )=0,79156

c)   x : cantidad de aviones que llegan en 1 día.

b=¿ 5 aviones/hora t=¿ 24 horas

 
 = 5 aviones / hora. 24 horas = 120 aviones
 
E( x )=120 aviones

12
Mg. Analía Patrignani, MBA

Distribuciones Discretas de Probabilidades

Binomial Poisson Hipergeométrica

 Se repite un experimento n r
 : cantidad de ocurrencias
veces por unidad de “tiempo”.
 Dicotomía: Éxito vs Fracaso  λ=¿ tasa media de
 p=P ( éxito ) ocurrencia.
q=P( fracaso)  λ=b . t (t=¿ período de
 p=¿ constante “tiempo” seleccionado,b=¿
 Pruebas independientes frecuencia media de la
presentación por unidad de
“tiempo”)
 Se repite un experimento n
veces
 Dicotomía: Éxito vs Fracaso
 Hay una población de
tamaño N con R éxitos.
 p ≠ constante
 Pruebas dependientes.

() ( r ) ( n−r )
−λ r
P( x=r )= n . p . q
n n−r e .λ R . N −R
P ( x=r )=
r r!
P ( x=r )=
( Nn )
E ( x )=n . p E ( x )=λ R
E ( x )=n .
N

V ( x )=n . p . q V ( x )=λ R N−R N−n

V ( x )=n . . .
N N N −1

x Bi (n , p) x Po( λ) x Hi ( N , R , n)

13