DISTRIBUCIONES DE PROBABILIDAD DISCRETAS.

Un modelo de probabilidad es una estructura matemática que se ajusta a un determinado

experimento aleatorio, el cual posee unas características especificas que sugieren cual modelo
aplicar.

En general estos modelos son simplificaciones de la realidad y aunque no se ajusten exactamente

a ella contribuyen enormemente a comprenderla mejor.

Un experimento aleatorio es el conjunto de características que rigen la realización de un

determinado fenómeno cuyos resultados dependen de la incertidumbre, del azar.

El proceso quedará definido por una serie de características o hipótesis que puedan aplicarse a
cierta categoría de experimentos.

A partir de las características del fenómeno que analicemos (partiendo del proceso experimental
del que se trate) podremos, identificando la variable aleatoria que nos interesa, estudiar y
determinar la estructura matemática de su distribución.

Los modelos discretos que se estudiaran en este capítulo son:

1. Distribución uniforme
2. Distribución binomial
3. Distribución Geométrica
4. Distribución Binomial negativa
5. Distribución Hipergeometrica
6. Distribución Poisson
7. Distribución Multinomial

1. DISTRIBUCION UNIFORME DISCRETA

La variable aleatoria discreta más sencilla es aquella que toma solo un numero finito de
valores posibles, cada uno con la misma probabilidad, ejemplo en el lanzamiento de un dado
los posibles valores de la variable son 1, 2, 3, 4, 5, y 6, es decir es un experimento
equiprobable donde cada uno de los resultados tiene la misma probabilidad de ocurrir.
Luego si los valores de la v.a. X son x1, x2. . . . . .xk la probabilidad es 1/k

Definición.
Una v.a. X discreta tiene una distribución uniforme discreta si cada uno de los n valores x1,
x2. . . . . .xk , que están en el intervalo [ a , b ] , tienen la misma probabilidad 1/k, por lo tanto la
función de probabilidad viene dada por:
 f ( x )= {b−a+1
1

O también f ( x )= {1k
La probabilidad es constante: 1/k

Ejemplo 1:

Para el ejemplo del dado la v.a. X es el número obtenido y la función de densidad es:
1
f ( x)= x= 1, 2, 3, 4 , 5, 6
6
Aquí k=6

Ejemplo 2:

La simulación es un área importante en la ingeniería. Con frecuencia deseamos generar

números aleatorios. Suponga que se quiere generar 100 números aleatorios del 0 al 99 por
medio de un generador diseñado por un ingeniero o por Excel con la función
=ALEATORIOENTTRE(0,99)

Si el generador está trabajando correctamente se estima que los valores del 0 al 99 deben
tener una distribución uniforme con una probabilidad de 1/100, es decir se espera que cada
digito salga 100 veces aproximadamente.

1.1 Esperanza:
b+ a
E( X )=
2

Demostración:
Suponga que los valores de la v.a. X están definidos en el rango (a, b) con a ≤ b, entonces el
número de valores de la v.a. X es b-a+1 (para el ejemplo 1, el número de valores de X es 6-
1+1=6) y la probabilidad de ocurrencia de cada resultado es obviamente 1/k o también:
1
b−a+1

Por definición
∞
E( X )=∑ xf ( x )
i=1
b b b
1 1 1
E( X )= ∑ x = ∑ x = ∑x
x =a k k x =a b−a+ 1 x =a
 Dado que el intervalo (a, b) corresponde a la grafica:

f(x) .........

a b

b b a−1
∑x ∑ x− ∑ x
La sumatoria x=a puede descomponerse en x=1 x =1 y dado que la sucesión
n
n (n+1)
∑ x= 2
x=1 entonces:

[ ] [ ]
b a−1
1 1 b ( b+1) a ( a−1 )
E( X )=
b−a+1
∑ x− ∑ x = b−a+1 2
−
2
=
x=1 x=1

1 1
b−a+1
[ ( b+ a)+(b2 −a2 ) ] =
b−a+1
( b+ a ) (1+(b−a ))

Finalmente:

b+ a
E( X )=
2

Nota: Si los valores de la v.a. X inician desde x =1,2…….b, entonces:

b+1
E( X )=
2

1.2 Varianza:
 2 2
Por definición: V ( X )=E ( X )−[ E( X ) ]

b b
1 1 b(b +1)(2 b+1 )
E( X 2 )= ∑ xf ( x )= ∑ x=
x =1 b x=1 b 6
Recuérdese que la suma de los cuadrados de los n primeros números naturales está dada
por:

n(n+1 )(2n+ 1)
12 + 22 +…….+ n2 = 6
Luego

( )
2
b(b +1)(2 b+1 ) b+1
V ( X )= −
6 2

2(b+1 ) [ (2b +1)−3 (b+1 )(b+1) ] (b +1)( 4 b+2−3 b−3 )

V ( X )= =
12 12
Finalmente:
(b+1)(b−1) b2 −1
V ( X )= =
12 12
Nota para cualquier intervalo (a, b):

(b−a+ 1)2
V ( X )=
12

Ejemplo 1.

De 10 empleados se premia uno al azar. Para ello se introducen en una urna 10 etiquetas
enumeradas del 1 al 10 y se selecciona una al azar. Encuentre la fórmula para la distribución de
probabilidad de X que representa el número de la etiqueta que se saca. Cuál es la probabilidad de
que el número obtenido sea menor que 4. Cuál es la media y la varianza de X.
Genere números aleatorios en Excel

2. DISTRIBUCION BINOMIAL

En teoría de la probabilidad y estadística, la distribución de Bernoulli (o distribución dicotómica),

nombrada así por el matemático y científico suizo Jakob Bernoulli, es una distribución de
probabilidad discreta, que toma valor 1 para la probabilidad de éxito (p) y valor 0 para la
probabilidad de fracaso q; (q = 1 − p).

Si X es una variable aleatoria que mide "número de éxitos", y se realiza un único experimento con
dos posibles resultados (éxito o fracaso), se dice que la variable aleatoria X se distribuye como una
Bernoulli de parámetro p.

XB (p)

Su función de probabilidad viene definida por:

f (x) = pxq1 − x con x = {0,1}

f(0)= p0(q)1=q

f(1)=p1q0=p

Ejemplo 1. Se lanza una moneda normal

Sea X Nº de sellos; p=0.5; q=0.5

f(0)= P(X=0)=(0.5)0(0.5)1 = 0.5

f(1)= P(X=1)=(0.5)1 (0.5)0 = 0.5

E(X)=p
V(X)=pq
En estadística, la distribución binomial es una distribución de probabilidad discreta que mide el
número de éxitos en una secuencia de n ensayos independientes de Bernoulli con una
probabilidad fija p de ocurrencia del éxito entre los ensayos.

Un experimento de Bernoulli (o binomial) se caracteriza por:

1. Ser dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se denomina
“éxito” y tiene una probabilidad de ocurrencia p y al otro, “fracaso”, con una probabilidad
q = 1 - p.
2. En la distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de éxitos.
3. La variable X que representa el número de éxitos, está asociada con la probabilidad de
éxito p.

Finalmente, una variable aleatoria con las anteriores característica sigue una distribución binomial
cuya función de probabilidad está dada por:

f (x) = P( X=x)=nC x p x qn− x

Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli.

Para representar que una variable aleatoria X sigue una distribución binomial de parámetros n y p,
se escribe:

XB (n, p)

Esperanza y Varianza:
E(X)=np
V(X)=npq
Recordando el ejercicio de las monedas.

“Se lanza una moneda normal (equilibrada) 5 veces, cual es la probabilidad de que
 a) Se obtengan cuatro sellos y una cara, en cualquier orden

b) Se obtengan dos sellos y tres caras en cualquier orden

a)
P ( S 1 ∩ S 2 ∩ S3 ∩ S4 ∩C 5 ) + P ( S 1 ∩ S 2 ∩ S3 ∩C 4 ∩S 5 ) + P ( S 1 ∩ S 2 ∩C 3 ∩ S 4 ∩S 5 ) + P ( S1 ∩ C2 ∩S 3 ∩ S 4 ∩S 5 ) + P ( C

(0,5*O,5*0,5*O,5*0,5) + (0,5*O,5*0,5*O,5*0,5)+ (0,5*O,5*0,5*O,5*0,5)+ (0,5*O,5*0,5*O,5*0,5)+

(0,5*O,5*0,5*O,5*0,5)=0,1562

Sea X el número de sellos; n=5; p=0,5; q =1 – p; q=1-0,5 = 0,5

f (x) = P( X=x)=nC x p x qn− x

f (4) = P( X=4 )=5 C 4 (0 , 5)4 ( 0 ,5)5−4

4 1
P ( X=4 )=5 C 4 ( 0 ,5 ) ( 0 ,5 ) =0,1562

b) P(X=2)= 5 C 2(0 , 5)2 (0 , 5)3 =0,3125

Ejemplo 2: Cierta entidad financiera registra el año pasado que el porcentaje de clientes
insatisfechos es del 20%. Se seleccionan 50 clientes y se encuestan. Cuál es la probabilidad de
encontrar:

a) 15 clientes insatisfechos
b) Cuando mucho 15 clientes insatisfechos
c) Más de 15 clientes insatisfechos
d) Mínimo 15 clientes insatisfechos
e) Menos de 15 clientes insatisfechos
f) Entre 8 y 14 clientes insatisfechos
 Recuerden que para un valor cualquiera k:

P(X ≤ k) + P(X > k)=1

P(X< k) + P(X ≥ k)=1

_______ k ______________________________

___________________1___________________

Ejemplo 3: Cierta vacuna es efectiva en el 80% de los casos. Si se aplica la vacuna a 15 pacientes,
cual es la probabilidad de que:

a) Se curen exactamente 10 de ellos

b) Se curen cuando mucho 10
c) Se curen más de 10
d) Se curen mínimo 10
e) Se curen entre 7 y 12
f) Se curen más de 5 y menos de 12
g) Calcule e interprete la Esperanza de número de pacientes curados
h) Calcule la desviación estándar
i) No se curen 3
j) No se curen máximo 4
k) No se curen más de 4
l) No se curen mínimo 4
m) No se curen entre 2 y 8
 n) Calcule e interprete la Esperanza de número de pacientes no curados
o) Calcule la desviación estándar

3) DISTRIBUCION BINOMIAL NEGATIVA

En este modelo el interés se centra en la probabilidad de ocurrencia del k-ésimo éxito en X

ensayos donde:
X: Es el numero de ensayos hasta que ocurra el k-ésimo éxito
k: Es el numero de éxitos
p: Probabilidad de éxito
La función de probabilidad está dada por:
f(x) =P(X = x) = C pkqx-k
x-1 k-1

k
E ( X )=
p

kq
V ( X )= 2
p

Ejemplo 3. Se inspecciona un lote de producción cuya especificación informa que el 3 % de los

artículos es No Conforme (o defectuoso). Cuál es la probabilidad de que:

a) El tercer defectuoso aparezca en la 12ª extracción

X: Es el número de ensayos hasta que ocurra el tercer defectuoso

k: Es el número de defectuosos; k=3
p: Probabilidad de éxito: p=3%= 0.03

P(X = 12) = C (0.03)3(0.97)12-3

12-1 7-1

b) El 7º articulo bueno aparezca en la décima extracción

X: Es el número de ensayos hasta que ocurra el séptimo bueno

k: Es el número de buenos; k=7
p: Probabilidad de éxito: p=93%= 0.93

P(X = 10) = C (0.97)7(0.03)10-7

10-1 7-1
 c) El quinto defectuoso aparezca en la 16ª extracción
d) Máximo aparezcan tres defectuosos en trece extracciones
e) Máximo aparezcan 10 buenos en 17 extracciones
f) Cuál es el número esperado de artículos que serán necesarios inspeccionar hasta obtener 6
defectuosos.
g) Cuál es el numero esperados artículos que serán necesarios inspeccionar hasta obtener 194
buenos

Solución:

e) E(X)= k/p= 6/0.03= 200, es decir, se requieren 200 observaciones para obtener 6
defectuosos
f) E(X)=k/p= 194/0.97=200

Se puede observar que en ambos casos es el mismo resultado, por razones obvias.

Ejercicios propuestos:

1) En un proceso de fabricación donde se laminan varias capas cerámicas, el 1% de los

ensambles es defectuoso. Suponga que los ensambles son independientes. Cuál es el
número promedio de los ensambles que será necesario examinar para obtener cinco
defectuosos.

2) Una máquina que está dañada, envasa latas de conserva de una en una y de manera
independiente. Se considera que el 5% de lo envasado resulta defectuoso. Si la máquina se
detiene apenas produce el tercer defectuoso, Cuál es el número esperado de latas
producidas hasta que se detiene la máquina?

3) En un caso de partículas raras en un fluido suponga que la probabilidad de hallar partículas

en una muestra de un mililitro es 0.5. El experimento de muestreo se repite hasta hallar
cuatro muestras con partículas en suspensión, cuántas muestras se espera necesario
observar?

4) De los 46 penaltis lanzados por Cristiano Ronaldo en sus 178 partidos de la Liga BBVA, solo
tres de ellos no acabaron en gol (Almería, Athletic y Málaga). Su porcentaje de efectividad
 es del 93.5%. En una de sus prácticas de lanzar tiros desde el punto penal, cual es la
probabilidad de que:

a) El octavo gol lo haga en el décimo lanzamiento

b) El segundo lanzamiento fallido ocurra en el décimo segundo lanzamiento.
c) Cuanto tiros al arco debe hacer en promedio para botar 5goles
d) Cuanto tiros al arco debe hacer en promedio para hacer 30goles

4) DISTRIBUCION GEOEMETRICA

Este modelo es un caso particular de la Binomial Negativa donde el interés se centra en la

ocurrencia del primer éxito, de aquí que k=1, por consiguiente la función de probabilidad está
dada por:

f(x) =P(X = x) = pqx-1

Ejemplo 4. Del ejemplo 3:

a. Cuál es la probabilidad de que el primer defectuoso ocurra en la séptima extracción

b. Cuál es la probabilidad de que el primer bueno ocurra en la tercera extracción

1
E ( X )=
p

q
V ( X )= 2
p

5) DISTRIBUCION HIPERGEOMETRICA

Este modelo se aplica cuando las extracciones se hacen sin reposición de una población finita de
tamaño N.

n: es el tamaño de la muestra.
k: es el número total de éxitos en la población
X: es la variable aleatoria que representa el número de éxitos en la muestra.

La función de probabilidad está dada por:

P ( X=x ) =
( x )( n−x )
k N −k

( Nn )
nk
E ( X )=
N

V ( X )=
nk
N (1−
k
N )( NN−1
−n
)

Ejemplo 5:
Un lote contiene 30 artículos de los cuales 20 son tipo A y 10 son tipo B. Si se extraen sin
reposición 7 artículos:
a) Cuál es la probabilidad de que 4 sean tipo A y 3 sean tipo B?
b) Todas sean tipo A
c) Todas sean tipo B
d) Salgan cuando mucho 4 tipo A
e) Mínimo cuatro tipo A
f) Cuál es el promedio del número de artículos tipo A de la muestra extraída
g) Cuál es el promedio del número de artículos tipo B de la muestra extraída

6) DISTRIBUCION POISSON
En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia o promedio (λ), la
probabilidad que ocurra un determinado número de eventos durante cierto periodo de tiempo o
espacio.

En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo,
pieza, etc.

Ejemplos:

- N° de defectos en un rollo de tela por m2

- N° de aviones que aterrizan en un aeropuerto por día.

- N° de bacterias por cm2 de cultivo

- N° de llamadas telefónicas a un conmutador por hora o por minuto,

- N° de llegadas de embarcaciones a un puerto por día.

- N° de accidentes en un cruce por mes

- N° de clientes que entran a un banco por minuto

- N° de errores por hoja que comete una digitadora

La función de probabilidad está dada por:

−λ x
e λ
P( X=x)=
x!

E(X)=V(X)=λ

Ejemplo 6:

El N° de clientes que llegan a un banco sigue una distribución poisson con una frecuencia de 2
clientes por minuto. Cuál es la probabilidad de que lleguen
a) Exactamente 3 clientes en un minuto
b) Exactamente 10 clientes en 6 minutos
c) Cuando mucho 15 en 9 minutos
d) P(X>15) en 9 minutos
 e) P(X<15) en 9 minutos
f) P(X≥15) en 9 minutos
g) P( 9≤ X ≤ 20) en 9 min
h) P(9 < X < 20) en 9 minutos
i) P(9 ≤ X < 20) en 9 minutos
j) P(9 < X ≤ 20) en 9 minutos

7) DISTRIBUCION MULTINOMIAL

Este modelo es una extensión de la Binomial donde:

X1: N° de éxitos de la clase 1, con probabilidad de éxito: p1
X2: N° de éxitos de la clase 2, con probabilidad de éxito: p2
.
.
.
Xk: N° de éxitos de la clase k, con probabilidad de éxito: pk

Probabilidad de que ocurra: x1 éxitos de la clase 1; x 2 éxitos de la clase 2……….Xk: éxitos de la clase
k

Esta dada por:

n! x x x
P(X1=x1, X2=x2,…, Xk= xk) =
1
P1 P2 … Pk
2 k

x1 ! x 2 ! … x k !

Ejemplo 7:

En la producción de láminas de material procesado el nivel de calidad está clasificado así:

Laminas con defectos menores

Laminas con defectos medios
Laminas con defectos mayores

El porcentaje esta registrado así:

Con defectos menores: El 60%
Con defectos medios: El 30%
Con defectos mayores: El 10%

Si se inspeccionan un lote que contiene una docena de láminas, cual es la probabilidad de que:
a) 7 laminas tengan defectos menores, 3 tengan defectos medios, 2 tengan defectos mayores
 X1: N° de laminas con defectos menores; p1=0.60
X2: N° de laminas con defectos medios; p2=0.30
X3: N° de laminas con defectos mayores; p3=0.10

12!
P(X1=7, X2=3, X3=2) = (0.6)7(0.3)3(0.1)2=0.05986
7 ! 3! 2!

b) Todos tengan defectos medios

12!
P(X1=0, X2=12, X3=0) = (0.6)0(0.3)12(0.1)0=5.31*10−7
0 ! 12! 0 !

c) Seis con defectos menores y seis con defectos medios R/0.0314

Ejercicio 2
La Administración para el Control de Drogas (DEA) registra que la carga más usual de transporte de
drogas se camufla en equipos electrónicos, clasificadas así: 40% cocaína, 35% heroína y 25% crack.
Si un pasajero gringo con cara de “bartolo” llega a Londres con un cargamento de 30 equipos,
cuál es la probabilidad de que:

15 tengan cocaína, 10 heroína, y 5 crack.

APROXIMACIONES

Un lote de 1000 unidades tiene 80 no conformes. Se toma una muestra de 30 unidades, si hay 2 o
menos no conformes, se acepta el lote.
¿Cuál es la probabilidad de aceptar el lote?

1) Por la hipergeometrica.
2) Por la binomial.
3) Por la poisson

N=1000; n=30; p=0.08, X: v.a.q.r. el número de unidades no conformes

P(X<=
2)
Hipergeometri 0,564
1 ca 1
2 Binomial 0,565
 4
0,569
3 Poisson 7

Hipergeometrica a binomial: La muestra es <= al 5% de N: ¡Cumple!

Binomial a poisson: np<=5: Cumple!