DISTRIBUCION DE PROBABILIDAD DISCRETA

Una distribución de probabilidad discreta es aquella distribución que define las

probabilidades de una variable aleatoria discreta. Por lo tanto, una distribución de
probabilidad discreta solo puede tomar un número finito de valores (generalmente
enteros).

Una distribución discreta de probabilidades es una función f(xi) que asigna a cada
valor de una variable discreta: x1, x2, x3, … xi, una probabilidad de ocurrencia
determinada P(X=xi). Dicha función se conoce también como “función masa de
probabilidad”.

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:

La probabilidad pi de un evento cualquiera xi está comprendida entre 0 y 1,

pudiendo ser incluso alguno de estos valores límite: 0 ≤ x ≤ 1.

P(X=xi) = pi solo toma valores positivos, por lo tanto: P(X=xi) ≥ 0.

Se cumple que ∑ P(xi) = 1 para todos los valores posibles de x.

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.

Sea X una variable aleatoria que tiene más de un resultado posible. Grafique la
probabilidad en el eje y y el resultado en el eje x. Si repetimos el experimento
muchas veces y graficamos la probabilidad de cada resultado posible, obtenemos
una gráfica que representa las probabilidades. Esta gráfica se llama distribución
de probabilidad (PD). La altura de la gráfica para X da la probabilidad de ese
resultado.

En una distribución de probabilidad discreta se asocia cada valor de la variable

discreta que representa (xi) a un valor de probabilidad (pi) que va desde 0 hasta 1.
De manera que la suma de todas las probabilidades de una distribución discreta
da como resultado uno.

Tipos de distribuciones de probabilidad discretas

Distribución de Bernoulli

Una distribución de Bernoulli es una distribución de probabilidad discreta para un

ensayo de Bernoulli , un experimento aleatorio que tiene solo dos resultados
(generalmente llamado «Éxito» o «Fracaso»). Por ejemplo, la probabilidad de
obtener cara (un «éxito») al lanzar una moneda es de 0,5. La probabilidad de
“fracaso” es 1 – P (1 menos la probabilidad de éxito, que también es igual a 0,5
para el lanzamiento de una moneda). Es un caso especial de la distribución
binomial para n = 1. En otras palabras, es una distribución binomial con un solo
intento (por ejemplo, un lanzamiento de una sola moneda).

La probabilidad de falla se etiqueta en el eje x como 0 y el éxito se etiqueta como

1. En la siguiente distribución de Bernoulli, la probabilidad de éxito (1) es 0.4 y la
probabilidad de falla (0) es 0.6: La probabilidad función de densidad (pdf) para
esta distribución es p x (1 – p) 1 – x , que también se puede escribir como:
El valor esperado de una variable aleatoria , X, para una distribución de Bernoulli
es:

E[X] = p.

Por ejemplo, si p = 0,04, entonces E[X] = 0,04.

La varianza de una variable aleatoria de Bernoulli es:

Var[X] = p(1 – p).

Una prueba de Bernoulli es uno de los experimentos más simples que puede
realizar. Es un experimento en el que puedes tener uno de dos resultados
posibles. Por ejemplo, «Sí» y «No» o «Cara» y «Cruz». Algunos ejemplos:

 Lanzamientos de monedas : registre cuántas monedas caen cara y cuántas

caen cruz.
 Nacimientos: cuántos niños nacen y cuántas niñas nacen cada día.
  Rolling Dice : la probabilidad de que una tirada de dos dados resulte en un
doble seis.

Los juicios de Bernoulli generalmente se expresan en términos de éxito y fracaso

El éxito no significa éxito de la manera habitual, simplemente se refiere a un
resultado del que desea realizar un seguimiento. Por ejemplo, es posible que
desee averiguar cuántos niños nacen cada día, por lo que llama al nacimiento de
un niño un «éxito» y al nacimiento de una niña un «fracaso». En el ejemplo de
lanzamiento de dados, una tirada de dado doble seis sería su «éxito» y todo lo
demás tirado se consideraría un «fracaso».

Una parte importante de cada prueba de Bernoulli es que cada acción debe ser
independiente. Eso significa que las probabilidades deben permanecer iguales a lo
largo de las pruebas; cada evento debe estar completamente separado y no tener
nada que ver con el evento anterior.

Ganar un raspadito de lotería es un evento independiente . Sus probabilidades de

ganar con un boleto son las mismas que con cualquier otro boleto. Por otro lado,
sacar números de lotería es un evento dependiente. Los números de lotería salen
de una bola (los números no se reemplazan), por lo que la probabilidad de que se
elijan números sucesivos depende de cuántas bolas queden; cuando hay cien
bolas, la probabilidad de que salga cualquier número es de 1/100, pero cuando
solo quedan diez bolas, la probabilidad se dispara hasta 1/10. Si bien es posible
encontrar esas probabilidades, no es una prueba de Bernoulli porque los eventos
(elegir los números) están conectados entre sí.

El proceso de Bernoulli conduce a varias distribuciones de probabilidad:

 La distribución binomial ,
 La distribución geométrica ,
 La distribución binomial negativa .

La distribución de Bernoulli está estrechamente relacionada con la distribución

Binomial. Siempre que cada prueba individual de Bernoulli sea independiente, el
número de éxitos en una serie de pruebas de Bernoulli tiene una distribución
binomial. La distribución de Bernoulli también se puede definir como la distribución
Binomial con n = 1

Fórmula de la distribución de Bernoulli

Si p es la probabilidad de ocurrencia del resultado de «éxito», la probabilidad de la

distribución de Bernoulli es igual a p elevado a x multiplicador por 1-p elevado a 1-
x. De modo que las probabilidades de la distribución se Bernoulli se pueden
calcular mediante la siguiente fórmula:

P [ X=x ] = p ( 1− p )
x 1− x

Para x=0 y x=1

Por otro lado, la fórmula anterior también puede escribirse mediante la siguiente
expresión equivalente:

{
P [ X=x ] = 1− p si x=0
p si x =1

Ejercicio Resuelto

Para ganar un juego, un jugador necesita lanzar un dado y sacar un 2, en caso

contrario, otro jugador ganará la partida y, por tanto, se perderá el juego. Calcula
la probabilidad de éxito y de fracaso.

Un dado tiene seis posibles resultados (1, 2, 3, 4, 5, 6), por lo tanto, en este caso
el espacio muestral del experimento es:

∅= {1,2,3,4,5,6 }

En nuestro caso, el único caso de éxito es obtener el número dos, de modo que la
probabilidad de éxito aplicando la regla de Laplace es igual a uno partido por el
número total de posibles resultados (6):

1
p= =0.1667
6
Por otro lado, si sale cualquier otro número al lanzar el dado, el resultado del
experimento se considerará como un fracaso, ya que el jugador perderá la partida.
Así pues, dicha probabilidad es equivalente a uno menos la probabilidad calculada
anteriormente:

1 6 1 5
q=1− p=1− = − = =0.8333
6 6 6 6

En definitiva, la distribución de Bernoulli de este experimento queda definida por la

siguiente expresión:

{
5
si x=0
P [ X=x ] = 6
1
si x=1
6

Esto se puede comprobar a continuación, las probabilidades de la distribución de

Bernoulli también se pueden hallar aplicando la fórmula vista anteriormente:

: P [ X=x ] = p x ( 1− p )1− x

10
( )
1−0
1 5
P [ X=0 ] = 1− =
6 6 6

11
( )
1−1
1 1
P [ X=1 ] = 1− =
6 6 6

Distribución binomial

Se aplica a experiencias con solo dos resultados posibles y mutuamente

excluyentes, a los cuales se les suele llamar “éxito” y “fracaso”, denotadas como E
y F respectivamente. El hecho de que a un evento se le llame “éxito”, no
necesariamente significa que sea algo bueno, es más bien una designación
arbitraria.
A la probabilidad de éxito P(E) en “n” ensayos, se la denota como p, y a la de
fracaso P(F) como q = 1 – p.

Si “x” representa un determinado número de éxitos en los “n” ensayos

independientes, se cumple que: 0 ≤ x ≤ n. Y la probabilidad de ocurrencia P(x) del
evento, se calcula a través de la siguiente fórmula:

n!
P= p x q n−x
( n−x ) ! x !

Donde x = 0, 1, 2, 3…, n y el símbolo (!) significa “factorial”:

x !=x ( x −1 )( x−2 ) ( x−3 ) … .1

0! = 1

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.

Ejercicio resuelto

Un estudio determinó que al seleccionar al azar adultos que poseen teléfonos

inteligentes, el 54% de ellos los usa estando en clase o en reuniones. Se quiere
encontrar la probabilidad de que, seleccionando al azar 8 personas con teléfono
inteligente, exactamente 6 de ellas los utilicen en clase o reuniones.

Solución
Este experimento concuerda con un experimento binomial, ya que el resultado es
binario: una persona saca el teléfono en clase o no lo saca. Se puede llamar éxito
al hecho de que la persona utiliza el teléfono estando en clase, y un fracaso si no
lo hace (antes se explicó que esta elección es completamente arbitraria).

En ese caso: p = 0.54 y q = 1– 0.54 = 0.46.

Ya que se seleccionan al azar 8 personas, entonces n = 8 y el valor de x es 6, por

lo tanto, se tienen los valores necesarios para sustituirlos en la fórmula de la
distribución binomial:

n! x n−x
P= p q
( n−x ) ! x !

8!
P= 0.546 0.46 8−6
( 8−6 ) ! x !

8! 6 2 8.7 .6 ! 6 2
P= 0.54 0.46 = . 0.54 . 0.46
2! x! 2.1.6 !

56 6 2 6 2
P= 0.54 0.46 =28.0.54 .0.46
2

P=0.147

Distribución Binomial Negativa

La distribución binomial negativa es una distribución de probabilidad que describe

el número de ensayos de Bernoulli necesarios para obtener un número
determinado de resultados con éxito.
Por lo tanto, una distribución binomial negativa tiene dos parámetros
característicos: r es el número de resultados con éxito deseado y p es la
probabilidad de éxito de cada experimento de Bernoulli realizado.

X BN ( r , p )

Recuerda que un ensayo de Bernoulli es un experimento que tiene dos

posibles resultados: «éxito» y «fracaso». De modo que si la
probabilidad de «éxito» es p, la probabilidad de «fracaso» es q=1-p.

Así pues, una distribución binomial negativa define un proceso en el

que se hacen tantos ensayos de Bernoulli necesarios para conseguir r
resultados de éxito. Además, todos estos ensayos de Bernoulli son
independientes y tienen una probabilidad de éxito p constante.

Por ejemplo, una variable aleatoria que sigue una distribución binomial
negativa es el número de veces que se debe lanzar un dado hasta
conseguir tres veces el número 6.

La diferencia entre una distribución binomial negativa y una

distribución binomial es que la distribución binomial negativa cuenta el
número de veces que se necesitan para conseguir un determinado
número de resultados con éxito, en cambio, la distribución binomial
cuenta el número de casos de éxito de una serie de ensayos de
Bernoulli.

De modo que la fórmula para calcular una probabilidad de la distribución binomial

negativa es la siguiente:

( )
P [ X=x ] = x−1 . ( 1− p ) . pr
x−r
x−r

Ejercicio resuelto
¿Cuál es la probabilidad de que al lanzar ocho veces una moneda se obtenga cara
por cuarta vez justamente en el octavo lanzamiento?

En primer lugar, tenemos que calcular la probabilidad de sacar cara al lanzar una
moneda. En este caso, solo tenemos un resultado de éxito (cara) de dos
resultados posibles (cara y cruz), por lo que la probabilidad de éxito es:

1
p= =0.5
2

Así pues, la variable aleatoria de este problema sigue una distribución binomial
negativa en la que r=4 y p=0,5. Por lo tanto, utilizamos la fórmula de la distribución
binomial negativa para calcular la probabilidad que nos pide el ejercicio.

( )
P [ X=x ] = x−1 . ( 1− p ) . pr
x−r
x−r

( )
P [ X=8 ] = 8−1 . ( 1−0.5 ) . ( 0.5 )
8−4
8−4 4

4()
P [ X=8 ] = 7 . ( 0.5 ) . ( 0.5 )
4 4

P [ X=8 ] =35∗0.0625∗0.0625

P [ X=8 ] =0.1367

Distribución de Poisson

En esta distribución, la variable aleatoria x señala cuántas veces ocurre un evento

en algún intervalo, que puede ser de tiempo, distancia u otro. Las ocurrencias del
evento son aleatorias, independientes y están distribuidas de manera uniforme a lo
largo del intervalo en cuestión.

Cumplidas estas condiciones, la probabilidad, que depende del promedio de

ocurrencias μ y del número de Euler o número “e”, se calcula mediante:

μ x e−μ
P ( x) =
x!

Las probabilidades de que sucedan eventos con esta distribución son pequeñas,

por eso se la denomina la “ley de los casos raros”.

Aproximación de la distribución binomial

La distribución de Poisson sirve como aproximación a la distribución binomial

cuando n es grande (n≥ 100) y p es pequeña (np ≤ 10). En tal caso, la media μ se
calcula como:

μ = n∙p

Variables con distribución de Poisson

 Número de llamadas por minuto al call center de una compañía.

 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.

Ejercicio

Durante un año reciente, una clínica registró 4221 nacimientos. Con este dato
único, determinar la probabilidad de que haya 15 nacimientos en 1 día. ¿Es poco
frecuente este suceso?

Solución
Se usa la distribución de Poisson, pues se pide determinar la probabilidad de
ocurrencia de un evento que se produce en un intervalo de tiempo. En este caso,
la variable es la cantidad de nacimientos y el intervalo es de 1 día.

La fórmula de la distribución de Poisson necesita del promedio de nacimientos por

día, que se calcula fácilmente:

x −μ
μ e
P ( x) =
x!

nacimientos
μ=
diasdel año

4221nacimientos nacimientos
μ= =11.16
365 dias dia

Por lo tanto, la probabilidad de x = 15 nacimientos/día es:

15 −11.16
11.16 e
P ( x) =
15 !

P=0.0642

El resultado se puede expresar en términos de porcentaje para mayor claridad:

6.42% de probabilidades de que, en un día cualquiera, se produzcan exactamente
15 nacimientos. El evento es poco probable, aunque en ningún caso imposible.

Distribución hipergeométrica

Se utiliza cuando las probabilidades no son independientes, es decir que, luego de

llevar a cabo el experimento, las condiciones no vuelven a ser las mismas. Esto es
lo que sucede al extraer muestras sin reemplazo de una población, por lo que ya
no puede usarse la distribución binomial.
La definición (algo formal) de la distribución hipergeométrica, donde X es una
variable aleatoria, es:

Donde:

P ( X=x )=
( x )( n−x )
K N−K

( Nn )
K es el número de éxitos en la población

k es el número de éxitos observados

N es el tamaño de la población

n es el número de sorteos

Variables con distribución hipergeométrica

 Aciertos de números o combinaciones ganadoras en juegos de azar.

 Selección de un determinado número de hembras o machos en una
muestra de N peces de una pecera.

Ejemplo

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). Se calcula la probabilidad para x=4
 P ( X=x )=
( x )( n−x )
K N−K

( Nn )

P ( X=4 )=
( 4 )( 12−4 )
20 50−20

(5012)

P ( X=4 )=
( 4 )( 8 )
20 30

( 5012)
( 4845 ) ( 5852925 )
P ( X=4 )=
(121399651100 )

288357421625
P ( X=4 )=
(121399651100 )

P ( X=4 )=0.2336

DISTRIBUCION GEOMETRICA

La distribución geométrica es una distribución de probabilidad que define el

número de ensayos de Bernoulli necesarios hasta obtener el primer resultado con
éxito.

Es decir, una distribución geométrica modela aquellos procesos en los que se

repiten experimentos de Bernoulli hasta que se consigue uno con un resultado de
éxito.

Recuerda que un ensayo de Bernoulli es un experimento que tiene dos posibles

resultados: «éxito» y «fracaso». De modo que si la probabilidad de «éxito» es p, la
probabilidad de «fracaso» es q=1-p.
Por lo tanto, la distribución geométrica depende del parámetro p, que es la
probabilidad de éxito que tienen todos los experimentos realizados. Además, la
probabilidad p es igual para todos los experimentos.

Asimismo, la distribución geométrica también se puede definir como el número de

fracasos antes del primer éxito. En tal caso, la distribución puede tomar el valor
x=0 y su fórmula varia ligeramente.

Ejemplos de la distribución geométrica

Una vez vista la definición de la distribución geométrica, en este apartado se

muestran varios ejemplos de variables aleatorias que siguen este tipo de
distribución.

El número de lanzamientos de moneda realizados hasta obtener cara.

El número de coches que pasan por una carretera hasta ver un coche rojo.

El número de veces que una persona debe hacer el examen de conducir hasta
conseguir aprobarlo.

El número de lanzamientos de dado realizados hasta sacar el número 6.

El número de tiros libres que se deben hacer hasta conseguir encestar.

Fórmula de la distribución geométrica

En una distribución geométrica, la probabilidad de necesitar hacer x ensayos para

obtener un resultado de éxito es el producto del parámetro p por (1-p) elevado a x-
1.

Por lo tanto, la fórmula para calcular una probabilidad de la distribución

geométrica es la siguiente:

x−1
P ⌊ X=x ⌋ =( 1− p ) p
Por otro lado, la fórmula de la función de distribución que nos permite calcular una
probabilidad acumulada de la distribución geométrica es la siguiente:

x
P ⌊ X ≤ x ⌋ =1−( 1− p )

Ejercicio resuelto de la distribución geométrica

¿Cuál es la probabilidad de obtener el número 5 en el tercer lanzamiento de un

dado?

La distribución de probabilidad de este problema es una distribución geométrica,

ya que define el número de lanzamientos necesarios (tres) para conseguir un
resultado de éxito (el número 5).

Por lo tanto, primero tenemos que calcular la probabilidad de éxito de cada

lanzamiento. En este caso, solo hay un resultado con éxito de seis posibles
resultados, por lo que la probabilidad p es:

1
p= =0.1667
6

Y luego aplicamos la fórmula de la distribución geométrica para determinar la

probabilidad que nos pide el ejercicio:

x−1
P ⌊ X=x ⌋ =( 1− p ) p

3−1
P ⌊ X=3 ⌋=( 1−0.1667 ) ∗( 0.1667 )

2
P ⌊ X=3 ⌋=( 0.833 ) ∗( 0.1667 )

P ⌊ X=3 ⌋=0.6944∗( 0.1667 )

 P ⌊ X=3 ⌋=0.1157

Por lo tanto, la probabilidad de que ocurra lo que nos pide decía el problema es
del 11,57 %.

DISTRIBUCION MULTINOMIAL

La distribución multinomial (o distribución multinómica) es una distribución de

probabilidad que describe la probabilidad de que varios eventos excluyentes
ocurran un número determinado de veces tras realizar varios ensayos.

Es decir, si un experimento aleatorio puede dar como resultado tres o más eventos
excluyentes y se conocen la probabilidad de que ocurra cada evento por
separado, la distribución multinomial sirve para calcular la probabilidad de que al
realizar varios experimentos suceda un número determinado de veces cada
evento.

Por lo tanto, la distribución multinomial es una generalización de la distribución

binomial.

Fórmula de la distribución multinomial

Para calcular una probabilidad de la distribución multinomial primero se debe

determinar el cociente entre el factorial del número total de datos y los factoriales
del número de ocurrencias de cada evento, y el resultado se multiplica por el
producto de la probabilidad de cada evento elevada al número de ocurrencias de
dicho evento.

Es decir, la fórmula de la distribución multinomial es la siguiente:

n!
P= . p 1k … . pk x
1 k

x1 ! … . xk !

Dónde:
P es la probabilidad de la distribución multinomial calculada

n es el número total de ensayos realizados.

x i es el número de veces que ocurre el evento i

pi es la probabilidad de que ocurra el evento i .

Ejemplo de la distribución multinomial

Para acabar de entender el concepto de distribución multinomial, a continuación

tienes resuelto un ejemplo del cálculo de la probabilidad de una distribución
multinomial.

Una tienda vende tres productos diferentes. Cuando un cliente hace una compra,
la probabilidad de que sea el producto A, el producto B o el producto C es del
30%, 15% y 55% respectivamente. Calcula la probabilidad de que cuando la
tienda haya vendido 8 unidades, 2 sean del producto A, 1 del producto B y 5 del
producto C.

El problema definido se rige por una distribución multinomial, por lo tanto, tenemos
que aplicar la fórmula de este tipo de distribución de probabilidad:

n!
P= . p 1k … . pk x
1 k

x1 ! … . xk !

x 1=2 x 2=1 x 3=5 n=8

p1=0.30 p2=0.15 p3=0.55

n!
P= . p x ∗p 2x ∗p3 x
1 2 3

x1 ! x2 ! x3 ! 1

8! 2 1 5
P= . ( 0.30 ) ( 0.15 ) . ( 0.55 )
2 ! 1! 5 !
 8.7 .6 .5 !
P= .0 .09∗0.15∗0.050328
2.1 .1 .5!

336
P= .0.09∗0.15∗0.050328
2

P=168∗0.09∗0.15∗0.050328

P=0.114

Así que la probabilidad de que ocurra lo que decía el enunciado del problema es
del 11,4%.

DISTRIBUCION UNIFORME DISCRETA

La distribución uniforme discreta es una distribución de probabilidad discreta en la

cual todos los valores son equiprobables, es decir, en una distribución uniforme
discreta todos los valores tienen la misma probabilidad de ocurrir.

Por ejemplo, el lanzamiento de un dado se puede definir con una distribución

uniforme discreta, ya que todos los posibles resultados (1, 2, 3, 4, 5 o 6) tienen la
misma probabilidad de ocurrencia.

En general, una distribución uniforme discreta tiene dos parámetros

característicos, a y b, que definen el intervalo de los posibles valores que puede
tomar la distribución. Así pues, cuando una variable está definida por una
distribución uniforme discreta, se escribe Uniforme(a,b).

La distribución uniforme discreta se puede usar para describir experimentos

aleatorios, ya que si todos los resultados tienen la misma probabilidad significa
que existe aleatoriedad en el experimento.

Ahora que ya sabemos la definición de la distribución uniforme discreta, vamos a

ver cuál es la fórmula que nos permite calcular la probabilidad de ocurrencia de los
valores de una distribución de este tipo.
La función de probabilidad de una distribución uniforme discreta es constante y su
valor es uno partido por el número total de posibles resultados. Así pues, la
fórmula de la distribución uniforme discreta es la siguiente:

1 1
P [ X=x ] = =
n b−a+1

Por otro lado, la fórmula de la función de probabilidad acumulada de la distribución

uniforme discreta es la siguiente::

[ x ] −a+1
P [ X ≤ x ]=
b−a+1

Donde a y b son los parámetros característicos de la distribución uniforme discreta

Características de la distribución uniforme discreta

La distribución uniforme discreta cumple con las siguientes características:

La distribución uniforme discreta está definida por dos parámetros enteros, a y b,

los cuales determinan el intervalo de los posibles valores de la distribución.

X Uniforme ( a ,b )

b≫a

n=b−a+1

La media de una distribución uniforme discreta es igual a la suma de sus dos

parámetros característicos partido por dos.

a+ b
E [ X ]=
2
La mediana de una distribución uniforme discreta es equivalente a su media, por lo
tanto, se calcula con la misma expresión

a+ b
Mc=
2

La varianza de una distribución uniforme discreta es igual al cuadrado del número

total de resultados dividido por doce.

( b−a )2
Var [ X ] =
12

La distribución uniforme discreta es simétrica respecto a su media, por lo tanto, el

coeficiente de asimetría de esta distribución de probabilidad es nulo.

Ejercicio Resuelto

Supongamos lanzar un dado de seis caras una sola vez

a.- ¿Cuál es la función de probabilidad del experimento?

b.- ¿Cuál es la probabilidad de obtener un numero menor que 4?

Variable X= resultado de lanzar una vez un dado de 6 caras

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

Si lanzamos el dado, podemos tener 6 valores posibles ( del 1 al 6). Si el dado no

está cargado, la posibilidad de que salga cualquier valor es la misma (1/6)

.Formula

→ X UNIF [ n=6 ]

{
1
, x=1,2 , … 6
a.- f ( x ) = 6 (Función de Probabilidad)
0 en otro caso

3
1 1 1 1 1
b.- p ( x< 4 )= p ( x ≤3 )=∑ = + + =
i=1 6 6 6 6 2
https://www.probabilidadyestadistica.net/distribucion-geometrica/

https://statologos.com/distribucion-multinomial-2/

https://www.lifeder.com/distribuciones-probabilidad-discreta/