 Vaca Morales Carlos Alfonso 221028961

 Murillo Hermosilla Ruddy 219036276

 Valle Toledo Aldahir 219072698
 Catalan Morales Alexander 218135955
 Banegas Tapia Jose Alejandro 218142625
 Mamani Sola Carlos Daniel 218153031
 Mariscal Escalante Sebastian 218153228
 Vargas Uluche Lian Alexander 219057214
 Indice
1. INTRODUCCION ........................................................................................................................... 4
¿QUE ES PROBABILIDAD? ................................................................................................................ 4
VARIABLES ESTADISTICAS................................................................................................................ 4
TIPOS DE VARIABLES ....................................................................................................................... 4
VARIABLES CUALITATIVAS ........................................................................................................... 4
VARIABLES CUANTITATIVAS ........................................................................................................ 5
Diferencias entre cuantitativas y cualitativas ................................................................................. 5
2. DISTRIBUCION UNIFORME DISCRETA.......................................................................................... 6
3. Distribución Binomial .................................................................................................................. 8
Definición técnica ............................................................................................................................ 8
Propiedades de la distribución binomial ......................................................................................... 8
Formula de la distribución binomial ............................................................................................... 9
Ejemplo de distribución binomial ................................................................................................... 9
4. DISTRIBUCIÓN GEOMÉTRICA O DE PASCAL .............................................................................. 10
Obtención de la función de cuantía .............................................................................................. 11
Función de distribución ................................................................................................................. 11
5. Distribución hipergeométrica ................................................................................................... 13
¿Qué es la distribución hipergeométrica? ................................................................................ 13
Fórmula de la distribución hipergeométrica ................................................................................. 14
Ejemplo de la distribución hipergeométrica ................................................................................. 14
Dferencia entre la distribución hipergeométrica y distribución binomial .................................... 15
6. DISTRIBUCION DE POISSON ...................................................................................................... 15
Definición ...................................................................................................................................... 15
Cómo saber si una distribución es de Poisson .............................................................................. 16
Qué aplicaciones tiene la distribución de Poisson ........................................................................ 16
Ejemplos de la aplicación de la distribución de Poisson ............................................................... 17
7. DISTRIBUCION DE PASCAL ......................................................................................................... 18
8. APLICACIONES DE LAS DISTRIBUCIONES DISCRETAS EN LA INGENIERIA Y LA VIDA COTIDINANA
19

2
¿Qué es una distribución discreta? ............................................................................................... 19
Las funciones de masa de probabilidad comparten las siguientes características generales: ..... 19
Importancia del Estudio de la Distribución de Probabilidades ..................................................... 19
Distribución uniforme ................................................................................................................... 20
Variables con distribución uniforme ............................................................................................. 20
Distribución Binomial .................................................................................................................... 20
Variables con distribución binomial .............................................................................................. 20
Distribución de Poisson ................................................................................................................. 20
Variables con distribución de Poisson........................................................................................... 20
ALGUNAS APLICACIONES PARA ING CIVIL ..................................................................................... 21
DISTRIBUCION BINOMIAL.......................................................................................................... 21
DISTRIBUCIÓN DE POISSON ...................................................................................................... 22
Distribución Hipergeométrica ................................................................................................... 22

3
1. INTRODUCCION
¿QUE ES PROBABILIDAD?
La probabilidad es la posibilidad de que suceda un fenómeno o un hecho, dadas determinadas
circunstancias. Se expresa como un porcentaje.
En cuanto a la historia de la probabilidad, podemos afirmar que este término surge en en el
año 1553 con el escrito realizado por Gerolamo Cardano (1501-1576), en el que la menciona
por primera vez. En cambio, Pierre Fermat (1601-1665) y Blaise Pascal (1623-1662) son
conocidos como los padres de la teoría de la probabilidad debido las grandes aportaciones que
realizaron sobre este campo.
La probabilidad es entonces el nivel de certeza que tenemos sobre la ocurrencia de cierto
evento. Esto, en base a un valor de entre 0 y 1, y cuando más cerca esté de la unidad, significa
mayor certidumbre. Por el contrario, cuando se aproxima a cero, existe menor seguridad en el
resultado final.
Al tratarse de un concepto estadístico, la probabilidad puede usarse en distintos ámbitos. Por
ejemplo, en finanzas, se suele trabajar con escenarios, y a cada uno de ellos se le puede asignar
una probabilidad. Igualmente, en los estudios del clima se suele hablar, por ejemplo, de la
probabilidad de lluvia.
VARIABLES ESTADISTICAS
Las variables estadísticas son características o cualidades de una persona, animal u objeto, las
cuales puedes medir. Por ejemplo: la edad, la estatura, el peso o la altura de un edificio.
Cada uno de estos números representa una variable y, como su nombre lo indica, puede
cambiar y adquirir diferentes valores.
TIPOS DE VARIABLES
Hay dos tipos de variables que se utilizan en el análisis e interpretación de datos:

 Variables cualitativas
 Variables cuantitativas

VARIABLES CUALITATIVAS
Una variable cualitativa es un tipo de variable estadística que describe las cualidades,
circunstancias o características de un objeto o persona, sin hacer uso de números.
De esta manera, las variables cualitativas permiten expresar una característica, atributo,
cualidad o categoría no numérica. Por ejemplo, el sexo de una persona es una variable
cualitativa, ya que es masculino o femenino.
 Nominal: Variable que no es representada por números ni tiene algún tipo de
orden, y por lo tanto es matemáticamente menos precisa.
Por ejemplo, son variables nominales los colores: negro, azul, rojo, amarillo, naranja,
etc.

4
  Ordinaria: La variable cualitativa ordinaria, también conocida como variable cuasi
cuantitativa, es representada por una modalidad que no requiere números, pero
sí consta de un orden o un puesto.
Por ejemplo, el nivel socioeconómico: alto, medio, bajo.
 Binaria: La variable cualitativa binaria trabaja con valores específicos del tipo
binario.
Por ejemplo, el sexo de una persona será masculino o femenino
VARIABLES CUANTITATIVAS
Las variables cuantitativas son aquellas variables estadísticas que otorgan, como resultado, un
valor numérico.
Por ejemplo, variables tales como el peso (62 kg, 80 kg), la altura (1,72 cm, 1,85 cm) o la
cantidad de miembros en una familia (2, 3 ó 4), son variables cuantitativas.
 Discreta: La variable discreta otorga cifras que se encuentran separadas en escalas, es
decir que no poseen valores entre ellas, sino que el resultado comprende un valor
exacto.
De esta manera, dichas variables solo pueden adquirir un valor en números enteros.
Por ejemplo, una persona puede tener 1, 2, 3 o más perros, pero no un perro y
medio.
 Continua: La variable continua, por otro lado, puede otorgar un valor de cualquier
intervalo o medición, es decir que puede haber otros valores en medio de dos exactos.
Generalmente estos son representados por valores decimales, por lo cual la cifra será
mucho más específica.
Por ejemplo, la estatura de una persona puede ser de 1,75 centímetros.
Diferencias entre cuantitativas y cualitativas
 Una variable cuantitativa proporciona un valor numérico, mientras que una variable
cualitativa proporciona resultados con características o cualidades.
 La variable cuantitativa suele ser específica, mientras que la variable cualitativa suele
ser amplia y relativa.
 Las variables cuantitativas se basan en determinar la correlación o asociación que hay
entre variables, mientras que las variables cualitativas se enfocan en profundizar la
naturaleza de dichas realidades.

5
2. DISTRIBUCION UNIFORME DISCRETA
Es una distribución muy sencilla que asigna probabilidades iguales a un conjunto finito de puntos
del espacio.

Modeliza fenómenos en los que tenemos un conjunto de n sucesos posibles, cada uno de los

cuales con la misma probabilidad de ocurrir. Si aleatorizamos de forma que cada uno de éstos
sucesos se corresponda con un número natural del 1 al n obtendremos una distribución uniforme.
Tendremos un único parámetro; n Diremos, por tanto, que:

Puede hacerse derivar en consecuencia de un proceso experimental de selección aleatoria, en el

que la característica que consideramos en la selección sólo puede tomar un conjunto de n valores
discretos y donde cualquiera de estos valores puede obtenerse con igual probabilidad.
Por su elementalidad no es una distribución de excesivo interés práctico.
Su función de cuantía definida para los valores de x = {1,2, 3, n} vendrá dada por la constante:
1
P(x) = para x = {1,2, 3, n}
𝑛𝑛

Su función de distribución vendrá dada por:

6
Puede comprobarse que su media será:

su varianza será:

Ejemplo:
Un ejemplo muy claro para explicar este método es:
Cuando se lanza una vez un dado de forma honesta obtendremos 6 valores posibles

VALOR PROBABILIDAD

X=1 1/6

X=2 1/6

X=3 1/6

X=4 1/6

X=5 1/6

X=6 1/6

f(x)=1/6 x=1,2,3,4,5,6
MEDIA
1+2+3+4+5+6
𝐸𝐸(𝑋𝑋) =
6
= 3.5

7
VARIANZA

91
V(𝑋𝑋) = 6 – (3.5) ^2 =2.91

PROBABILIDAD

1/6 1/6 1/6 1/6 1/6 1/6

X=1 X=2 X=3 X=4 X=5 X=6

3. Distribución Binomial
Definición técnica
Una distribución binomial es una distribución de probabilidad discreta que describe el número
de éxitos al realizar n experimentos independientes entre sí, acerca de una variable aleatoria
Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados bajo
esta distribución de probabilidad. Imaginemos el lanzamiento de una moneda en el que
definimos el suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y contamos los
éxitos (sacar cara) que obtenemos, nuestra distribución de probabilidades se ajustaría a una
distribución binomial.
Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos en la
que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra variable
aleatoria.

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:
 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra
p. La probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es

8
 constante dado que la moneda no cambia en cada experimento y las
probabilidades de sacar cara son constantes.
 La probabilidad de fracaso ha de ser también constante. Esta se representa
mediante la letra q = 1-p. Es importante fijarse que mediante esa ecuación,
sabiendo p o sabiendo q, podemos obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del anterior. Por lo
tanto, lo que ocurra en cada experimento no afecta a los siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al
mismo tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar
una moneda salga cara y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara
ha de salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar
como X~(n,p), donde n representa el número de ensayos o experimentos y p la
probabilidad de éxito.

Formula de la distribución binomial

La fórmula para calcular la distribución binomial es:
𝑛𝑛
𝑃𝑃𝑥𝑥 = � � 𝑝𝑝 𝑥𝑥 𝑞𝑞𝑛𝑛−𝑥𝑥
𝑥𝑥
Donde:
n = Número de ensayos/experimentos
x = Número de éxitos
p = Probabilidad de éxito
q = Probabilidad de fracaso (1-p)
Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino que
es un resultado de una combinatoria sin repetición. Este se obtiene con la siguiente formula.

𝑛𝑛 𝑛𝑛!
𝐶𝐶𝑛𝑛,𝑥𝑥 =� �=
𝑥𝑥 𝑥𝑥! (𝑛𝑛 − 𝑥𝑥 )!
El signo de exclamación en la expresión anterior representa el símbolo de factorial.
Ejemplo de distribución binomial
Imaginemos que un 85% de los habitantes en Bolivia se Vacunaron contra el Covid 19. Y luego
en la Universidad se reúnen 60 Estudiantes a pasar clases dentro de un Aula, ¿Cuál es la
probabilidad de que 50 de ellos se hayan Vacunado contra el Covid 19?
Definamos las variables del experimento:
n = 60 (es el total de la muestra que tenemos)

9
 x = número de éxitos, que en este caso es igual a 50, dado que buscamos la probabilidad de
que 50 de los 60 estudiantes se hayan Vacunado contra el Covid 19.
p = probabilidad de éxito (0,85)
q = probabilidad de fracaso (0,15). Este resultado se obtiene al restar 1-p.
Tras definir todas nuestras variables, simplemente sustituimos en la formula.
𝑛𝑛 𝑛𝑛 𝑛𝑛! 𝑛𝑛!
𝑃𝑃𝑥𝑥 = � � 𝑝𝑝 𝑥𝑥 𝑞𝑞 𝑛𝑛−𝑥𝑥 donde → 𝐶𝐶𝑛𝑛,𝑥𝑥 = � � = 𝑥𝑥!(𝑛𝑛−𝑥𝑥)! Tenemos → 𝑃𝑃𝑥𝑥 = 𝑥𝑥!(𝑛𝑛−𝑥𝑥)! 𝑝𝑝𝑥𝑥 𝑞𝑞𝑛𝑛−𝑥𝑥
𝑥𝑥 𝑥𝑥
60!
𝑃𝑃𝑥𝑥 = ∗ 0.8550 ∗ 0.1560−50
50! (60 − 50)!
𝑃𝑃𝑥𝑥 = 0.1285 → 𝑃𝑃𝑥𝑥 = 12.85 %
Por tanto, nuestro resultado final sería del 12.85 %, es decir; hay una probabilidad del 12.85 %
de que 50 de los 60 estudiantes se hayan Vacunado contra el COVID 19.

4. DISTRIBUCIÓN GEOMÉTRICA O DE PASCAL

La distribución geométrica es un modelo adecuado para aquellos procesos en los que se repiten
pruebas hasta la consecución del éxito a resultado deseado y tiene interesantes aplicaciones en los
muestreos realizados de esta manera. También implica la existencia de una dicotomía de posibles
resultados y la independencia de las pruebas entre sí.
Proceso experimental del que se puede hacer derivar
Esta distribución se puede hacer derivar de un proceso experimental puro o de Bernoulli en el que
tengamos las siguientes características
 El proceso consta de un número no definido de pruebas o experimentos separados o
separables. El proceso concluirá cuando se obtenga por primera vez el resultado deseado
(éxito).
 Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A
 La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un
resultado no A es q
siendo (p + q = 1).
Las probabilidades p y q son constantes en todas las pruebas, por tanto, las pruebas, son
independientes (si se trata de un proceso de "extracción" éste se llevará a, cabo con devolución
del individuo extraído).
 (Derivación de la distribución). Si en estas circunstancias aleatorizados de forma que
tomemos como variable aleatoria X = el número de pruebas necesarias para obtener
por primera vez un éxito o resultado A, esta variable se distribuirá con una distribución
geométrica de parámetro p.

10
Obtención de la función de cuantía
De lo dicho anteriormente, tendremos que la variable X es el número de pruebas necesarias
para la consecución del primer éxito. De esta forma la variable aleatoria toma valores enteros a
partir del uno; í 1, 2…ý
La función de cuantía P(x) hará corresponder a cada valor de X la probabilidad de obtener el
primer éxito precisamente en la X-sima prueba. Esto es, P(X) será la probabilidad del suceso
obtener X-1 resultados "no A" y un éxito o resultado A en la prueba número X teniendo en
cuenta que todas las pruebas son independientes y que conocemos sus probabilidades
tendremos:

dado que se trata de sucesos independientes y conocemos las probabilidades

luego la función de cuantía quedaría

Algunos autores consideran la aleatorización

como "número de pruebas anteriores al primer
éxito". De esta manera el conseguir el éxito a la
primera sería X=0. En la siguiente representación
gráfica de la función de cuantía de la geométrica
puede apreciarse este tipo de aleatorización, sin
embargo, nosotros preferimos, por razones
prácticas, utilizar la aleatorización antes
comentada

Función de distribución
En base a la función de cuantía se puede expresar la función de distribución de la siguiente
manera.

desarrollando la expresión tendríamos

11
de donde

La Función Generatriz de Momentos (F.G.M.) quedaría:

por lo que queda establecida que la F.G.M. tiene la expresión

En base a la FGM podemos obtener la media y varianza:

Así

Haciendo t =0 tendríamos que

La varianza sería

Haciendo t =0 tendríamos que

12
 De esta manera

Luego

La moda es el valor de la variable que tiene asociada mayor probabilidad el valor de su función
de cuantía es el mayor. Es fácil comprobar (véase simplemente la representación gráfica
anterior) que

Por lo tanto la media de la distribución geométrica es siempre 1.

En cuanto a la mediana Me será aquel valor de la variable en el cual la función de distribución
toma el valor 0,5. Así

por lo que

5. Distribución hipergeométrica
¿Qué es la distribución hipergeométrica?
La distribución hipergeométrica es una distribución de probabilidad que describe el número de
casos de éxito en una extracción aleatoria y sin remplazo de n elementos de una población.
Es decir, la distribución hipergeométrica sirve para calcular la probabilidad de obtener x éxitos
al extraer n elementos de una población sin reemplazar ninguno.
La distribución hipergeométrica tiene tres parámetros:
 N: es el número de elementos de la población (N = 0, 1, 2,…).
 K: es el número máximo de casos de éxito (K = 0, 1, 2,…,N). Como en una distribución
hipergeométrica un elemento solo puede considerarse «éxito» o «fracaso», N-K es el
número máximo de casos de fracaso.

13
  n: es el número de extracciones sin reemplazo que se hacen.

Por Ejemplo, una variable aleatoria discreta X qué tiene una distribución hipergeométrica con
parámetros N=8, K=5, n=3 se define de la siguiente manera

Fórmula de la distribución hipergeométrica

La fórmula de la distribución hipergeométrica es el producto del número combinatorio
de K sobre x por el número combinatorio de N-K sobre n-x dividido por el número combinatorio
de N sobre n.

Donde N es el tamaño de la población, K el número total de casos favorables, n es el número de

extracciones sin remplazo, y x es el número de casos favorables del cual se quiere calcular la
probabilidad de ocurrencia.
Ejemplo de la distribución hipergeométrica
Una vez hemos visto la definición y la fórmula de la distribución hipergeométrica, a
continuación, resolveremos un ejemplo paso a paso para que sepas cómo calcular la
probabilidad de una distribución hipergeométrica.
 En una bolsa metemos 20 bolas de color azul y 30 bolas de color rojo, es decir, en total
hay 50 bolas dentro de la bolsa. Si extraemos 12 bolas sin reponer ninguna, calcula cuál
es la probabilidad de sacar 4 bolas de color azul.
Lo primero que debemos hacer para resolver el ejercicio es identificar los parámetros de la
distribución hipergeométrica. En este caso, el número total de elementos de la población es 50
(N=50), el número máximo de casos favorables es 20 (K=20), y sacamos 12 bolas (n=12).

14
 Queremos calcular la probabilidad de sacar 4 bolas azules (x=4), por lo tanto, aplicamos la
fórmula de la distribución hipergeométrica, sustituimos las variables por sus correspondientes
valores y hacemos el cálculo:

Dferencia entre la distribución hipergeométrica y distribución binomial

La diferencia entre la distribución hipergeométrica y la distribución binomial es el reemplazo.
La distribución hipergeométrica se usa cuando no se remplazan las extracciones, en cambio, en
la distribución binomial sí que se remplazan las extracciones.
Por ejemplo, si sacamos al azar cinco cartas de una baraja y queremos calcular cuál es la
probabilidad de obtener una determinada carta, si cada carta que sacamos no la reemplazamos
debemos utilizar la distribución hipergeométrica para hacer el cálculo. Pero si al sacar una carta
la volvemos a poner antes de realizar la siguiente extracción, entonces tenemos que usar la
distribución binomial para hacer el cálculo de la probabilidad.
Cuando el número N es grande, la proporción n/N es pequeña y el número de casos favorables
deseados es muy bajo, podemos usar la distribución hipergeométrica como una aproximación
de la distribución binomial. Sin embargo, no te lo aconsejo porque el resultado no será tan
fiable y, además, es más fácil calcular probabilidades con la distribución binomial que con la
distribución hipergeométrica.

6. DISTRIBUCION DE POISSON
La distribución de Poisson fue creada por el matemático y filósofo francés del siglo XVII Simeón-
Denis Poisson en su proyecto para modelar la frecuencia de eventos durante un rango de tiempo
determinado. Esta distribución la hizo pública en el año 1838 en su trabajo “Investigación sobre la
probabilidad de los juicios en materias criminales y civiles”.

Definición
La distribución de Poisson es una distribución de probabilidad discreta que se aplica a las
ocurrencias de algún evento durante un periodo determinado. Es decir, es una distribución de
probabilidad discreta en la que solo es necesario conocer los eventos y cuál es su frecuencia
media de ocurrencia para poder conocer la probabilidad de que ocurran.

15
Una distribución es discreta cuando se toma un número de valor finito, mientras que las
continuas usan un número infinito de valores.
La distribución de Poisson es una distribución binomial que está limitada al solo depender de
un parámetro, el número esperado de eventos que ocurrirán en un intervalo fijado, es decir, la
frecuencia de los eventos.

Cómo saber si una distribución es de Poisson

Para que una distribución sea considerada como distribución de Poisson debe cumplir con tres
requisitos:
 La variable discreta “x” es el número de ocurrencias de un evento durante un intervalo
determinado (de tiempo, espacio, etc.).
 Las ocurrencias deben ser aleatorias y no contener ningún factor que favorezca unas
ocurrencias en favor de otras.
 Las ocurrencias deben estar uniformemente distribuidas dentro del intervalo que se
emplee.
La probabilidad de nuestra variable aleatoria X viene dada por la siguiente expresión:

donde:

 Nuestra variable aleatoria discreta puede tomar los valores:

 donde es la media del número de sucesos en el intervalo que estemos tomando, ya
sea de tiempo, distancia, volumen, etc. Es importante entender que este valor es una
media en el sentido estrictamente estadístico de la palabra y como tal se calculará
mediante dicha expresión y no debe calcularse nunca con una regla de
proporcionalidad o regla de tres.

 Se debe cumplir la condición de normalización

 La desviación típica es
 Cuando realizamos un experimento contando sucesos y obtenemos un valor x, su error
vendrá determinado por la raíz de x.
Qué aplicaciones tiene la distribución de Poisson
En la vida real se utiliza la distribución de Poisson para hacer cálculos de probabilidades donde
se requiere contar el número de veces que se produce un suceso aleatorio durante un periodo
determinado de tiempo (o también de distancia, área u otro parámetro). Es especialmente útil
para calcular probabilidades muy pequeñas o sucesos que tienen pocas posibilidades de
producirse.

16
Ejemplos de la aplicación de la distribución de Poisson
A continuación, presentamos algunos ejemplos de la aplicación de la distribución de Poisson en
la vida real:
 Contador de Geiger. Es un instrumento para medir la radiactividad de un objeto o
zona. Se utiliza la distribución de Poisson para calcular el comportamiento estadístico
de la radiación y así poder establecer su nivel.
 Operaciones bursátiles. En el mundo de los mercados y la bolsa se utiliza la
distribución de Poisson para calcular el riesgo de las operaciones en los tiempos de
espera entre transacciones financieras.
 Contador de personas. Los contadores de personas que habitualmente se utilizan en
los comercios para saber el número de personas que entran en su establecimiento
durante un periodo de tiempo (número de clientes en la última hora, por ejemplo).
 Otras aplicaciones. Otros ejemplos del uso de esta distribución son el cálculo de las
llamadas de teléfono que se reciben en un día en una centralita, hallar el número de
bacterias que hay en un volumen de determinado de agua, el número de peticiones de
servicio diarias de un servidor web, establecer el riesgo de crédito en una operación de
financiación, calcular la cantidad de estrellas en un determinado volumen espacio o el
número de accidentes por año registrados por una compañía de seguros.
En la ciencia y en la medicina es habitual la aplicación de la distribución de Poisson para realizar
cálculos de probabilidades en sucesos que son muy difíciles de predecir y que tienen una
ocurrencia aleatoria.
EJERCICIO 1
En un hospital de una importante ciudad se está estudiando los nacimientos de bebes
varones. Se sabe que en una semana nacen una media de 7 varones. Calcular:
a) Probabilidad de que nazcan 3 varones de una semana.
SOLUCION. –
X = Nacimiento de bebe varón
= 7 varones a la semana

𝑒𝑒 −𝜇𝜇 ∗ 𝜇𝜇 𝑥𝑥
𝑃𝑃(𝑥𝑥) =
𝑥𝑥!

𝑒𝑒 −7 ∗ 73
𝑃𝑃(3) =
3!

𝑃𝑃(3) = 0.052 = 5.2%

17
7. DISTRIBUCION DE PASCAL
La distribución de Pascal o llamándose distribución binomial negativa debido su nombre al
matemático francés Blaise Pascal nos expresa que la probabilidad de que en un numero de
repeticiones de ensayos de Bernoulli hasta que aparezcan r éxitos, siendo p la probabilidad de
éxito, es una variable aleatoria que sigue una distribución Pascal de parámetros r y p
Por tanto, esta distribución está relacionada con la binomial negativa de idénticos parámetros del
modo siguiente:
Pascal (r, p) = BN (r, p) +r
 La distribución de pascal se utiliza cuando se dan las siguientes condiciones:
 El número de pruebas no es fijo.
 Las pruebas continúan hasta llegar al resultado correcto r (las pruebas nunca son menos
de r).
 La probabilidad de éxito es la misma de prueba a prueba.
 Una característica de la distribución de pascal es que cuando r es igual a 1, la distribución
de pascal se convierte en distribución geométrica.
𝐾𝐾 − 1 𝑟𝑟
𝐹𝐹(𝐾𝐾) = 𝑝𝑝(𝑋𝑋 = 𝑘𝑘) = ∗ 𝑝𝑝 ∗ (1 − 𝑝𝑝)𝑘𝑘−𝑟𝑟
𝑟𝑟 − 1
𝑟𝑟
𝐸𝐸[𝑋𝑋] = Media
𝑝𝑝
𝑟𝑟(1−𝑝𝑝)
𝑉𝑉[𝑋𝑋] = Varianza
𝑝𝑝2

Donde:
 K= número de ensayos hasta el n-esimo éxito donde K r
 r= número de éxitos, r > 1 entero
 p= probabilidad de éxito, 0 < p < 1
 q= 1-p = probabilidad de no éxito
 F (k)= probabilidad de que un suceso ocurra
 E[X]= media esperada
 V[X]= varianza
Ejemplo
En una construcción se debe hacer mediciones de suelo antes de comenzar, por lo tanto, se
contrata a una empresa para realizar las mediciones y envía a 6 trabajadores con sus
respectivas máquinas de medición, la empresa nos dice que la probabilidad de que una
maquina muestre una desviación excesiva es del 0,05.
calcular la probabilidad de que 3 de las maquinas muestren una desviación excesiva ?
 K= número de ensayos (en este caso maquinas) hasta el n-esimo éxito=6
 r= número de éxitos esperado=3
 p= probabilidad individual de cada máquina= 0,05

18
  q= probabilidad individual de cada máquina= 0,95
𝐾𝐾 − 1
𝐹𝐹(𝐾𝐾) = 𝑝𝑝(𝑋𝑋 = 𝑘𝑘) = ∗ 𝑝𝑝𝑟𝑟 ∗ (1 − 𝑝𝑝)𝑘𝑘−𝑟𝑟
𝑟𝑟 − 1
𝑟𝑟
𝐸𝐸[𝑋𝑋] = Media
𝑝𝑝
𝑟𝑟(1−𝑝𝑝)
𝑉𝑉[𝑋𝑋] = Varianza
𝑝𝑝2
(6 − 1)
𝑃𝑃(𝑋𝑋 = 6) = ∗ 0.053 ∗ (1 − 0.05)6−3
(3 − 1)
5
𝑃𝑃(𝑋𝑋 = 6) = ∗ 0.053 ∗ (0.95)3 = 0,00027 = 0,027%
2
3 ∗ (1 − 0.05)
𝑉𝑉[𝑋𝑋] = = 3,1578
0.052
𝑟𝑟
𝐸𝐸[𝑋𝑋] =
𝑝𝑝
30
𝐸𝐸[𝑋𝑋] = = 60
0.05
(medida esperada de máquinas para que aparezcan 3 máquinas con desviación) =
57 ≤ E[X] ≤ 63

8. APLICACIONES DE LAS DISTRIBUCIONES DISCRETAS EN LA

INGENIERIA Y LA VIDA COTIDINANA
¿Qué es una distribución discreta?
La distribución de probabilidad discreta se puede dar en forma de tabla o de gráfica. Una tabla
tiene esta forma general, en la que aparece la variable en una columna y su respectiva
probabilidad en la otra:
Las funciones de masa de probabilidad comparten las siguientes características generales:
Una distribución de probabilidades describe el comportamiento de una población, descrita
mediante sus parámetros: la media μ, la varianza σ2 y la desviación estándar S = √ σ2.
Importancia del Estudio de la Distribución de Probabilidades
La distribución de probabilidad permite asignar a cada evento la probabilidad de que este
ocurra o tenga éxito, ejemplo de esto, la realización de experimentos, estudios sobre el
progreso de una empresa, etc.
Con el estudio de las probabilidades, se ha permitido una manera de estandarizar los sucesos y
procesos que ocurren al azar, esto se ha logrado estimando las frecuencias en las que se
obtiene un resultado en específico.

19
Distribución uniforme
Es la distribución discreta más simple de todas. En ella la variable
puede tomar “n” valores discretos: x1, x2, x3, … xi, todos con la
misma probablidad. En tal caso, la distribución viene dada por:
Variables con distribución uniforme
 La selección de un número entero que sea par o impar: cada uno tiene probabilidad igual a
½ de ser escogido dentro del conjunto de números enteros.
 El lanzamiento de un dado honesto. En este caso hay 6 caras numeradas y cada una tiene la
misma probabilidad de salir: 1/6.
 La selección de un tema para hacer un examen, escogido de entre N temas, si todos
ellos son igualmente probables.
Distribución Binomial
También es conocida como distribución de Bernoulli.
Un experimento o estudio tiene una distribución binomial cuando se cumplen las siguientes
condiciones:
 En el experimento solo existen dos posibles resultados, el éxito o el fracaso.
 La repetición del mismo experimento presenta un resultado que es independiente de los
resultados anteriores.
 La probabilidad del éxito o del fracaso es constante.
 Cada experimento posee un mismo número de réplicas.
Variables con distribución binomial
 Número de caras que salen al lanzar N veces una moneda honesta.
 De una población de 250 familias, el número de estas que tienen 2 hijos.
 La cantidad de rosales que sobreviven, luego de que un jardinero planta 20 rosales en un
jardín.
 De un estudio con 50 pacientes, la cantidad de ellos que presentó una reacción negativa a
un fármaco.
 La cantidad de estudiantes aprobados en un examen de Probabilidades, de un grupo
conformado por 100 alumnos.
Distribución de Poisson
Fue desarrollada por Siméon Denis Poisson, este tipo de distribución, explica la probabilidad de
que cierto evento ocurra un determinado número de veces en un tiempo establecido.
Por otro lado, conocer el número de sucesos que ocurren en un intervalo establecido no
significa que se pueda predecir la cantidad de eventos que ocurrirán en el siguiente.
Variables con distribución de Poisson
 Número de llamadas por minuto al call center de una compañía.

20
 Cantidad de grandes terremotos al año para una zona geográfica concreta.
 El número de tornados que afectó a cierta región durante el último año.
 Cantidad de árboles infectados con un hongo, por hectárea cuadrada de bosque.
ALGUNAS APLICACIONES PARA ING CIVIL
DISTRIBUCION BINOMIAL.
1) Un ingeniero, en un proyecto; necesita hacer los ensayos de resistencia para la estructura
mediante probetas, por eso tiene que asegurarse que los materiales a utilizar tiene que ser
de buena calidad o estén en buenas condiciones, por eso escoge una bolsa de cemento en
buenas condiciones, con una probabilidad de 0,75; entonces calcular la probabilidad de d que
al escoger una bolsa de cemento 8 veces, 5 de esta tiene que estar en buenas condiciones.

2) Los ingenieros de un proyecto de construcción están preocupados por el clima que puede
afectar a la construcción, ya que se ha detectado a unos 200km que el clima esta lluvioso, y
por eso se llegó a la conclusión que hay una probabilidad de o, 7; que la lluvia llegue a la obra
que se está ejecutando. Calcular si estarían haciendo 20 proyectos que tiene la misma
distancia de la lluvia; ¿qué probabilidad hay que al menos llegue la lluvia a una de las obras
que se está ejecutan?

21
DISTRIBUCIÓN DE POISSON
1) En un proyecto de construcción de un puente, llega en promedio 12 volquetes de
agregados gruesos, para los pilones estructurales. Cuáles son las probabilidades de que llegue
cinco volquetes llenos de agregados gruesos, en un día dado

Distribución Hipergeométrica

Es común tener este tipo de distribución en muestras de poblaciones relativamente

pequeñas. Algunos ejemplos donde se da una distribución de este tipo pueden ser:

22
 Cuando se realiza el control de calidad de una empresa, la cual puede depender y variar
según el fabricante.
 Una de las aplicaciones más comunes de la distribución hipergeométrica es el control de
calidad industrial, como el cálculo de probabilidades de piezas defectuosas producidas
en una fábrica.
APLICACION
Un distrito electoral pequeño tiene 101 votantes mujeres y 95 votantes hombres. Se
extrae una muestra aleatoria de 10 votantes. ¿Cuál es la probabilidad de que exactamente
7 de los votantes sean mujeres?
95𝐶𝐶3 17199613200∗138415
 101𝐶𝐶7 ∗ = = 0,130
196𝐶𝐶10 18257282924056176
Donde:
 101C7 es el número de formas de elegir 7 mujeres de 101 y
 95C3 es el número de formas de elegir 3 votantes masculinos* de 95
 196C10 es el total de votantes (196) de los cuales estamos eligiendo 10
Eso es porque si 7/10 votantes son mujeres, entonces 3/10 votantes deben ser hombres.

23