3. DISTRIBUCIONES ESPECIALES: CASO DISCRETO.

Ciertas distribuciones de probabilidad básicas son aplicables en una amplia

variedad de contextos, y surgen repetidamente en la práctica. En este
apartado y en el siguiente, se describen algunas de las distribuciones
discretas y continuas que aparecen con mayor frecuencia.

Uso del software R.

Gráfica de una distribución de probabilidad

Cálculo de probabilidades puntuales (caso discreto)
Cálculo de probabilidades acumuladas.
Obtención de percentiles.
Ejemplo 1. La siguiente es la distribución de probabilidad de la variable
aleatoria X:= número de acertijos resueltos.

Los comandos para graficar la función de masa de probabilidad y la función

de distribución con R.

x<-0:3
p<-c(0.096, 0.392, 0.428, 0.084)
plot(x, y, type = "h", lwd = 15, main = " Distribución de
Probabilidades", col = “red").
Otra forma es mediante la función barplot()

barplot(p,names.arg=as.character(0:3), space=10,main = "

Distribución de Probabilidades", xlab="X: número de
aciertos",ylab="P(x)", col="blue")

Para crear la grafica la función de distribución.

plot(stepfun(0:3,cumsum(c(0,p)),right=TRUE),
verticals=FALSE, ylab="F(x)", main= "Función de
Distribución")

Es de anotar que al vector de probabilidades p se le agrega el valor cero “0”,

con el fin de tener tantos saltos como valores de X.
Selección de balotas de una urna. De una urna que contiene 9 balotas negras
y 6 balotas blancas se extraen balotas aleatoriamente bajo diferentes
condiciones.

1) Se extraen cinco balotas una a una con reemplazo. Sea X la variable

aleatoria que representa el numero de bolas blancas.
RX = P(X=3)=0.2304

2) Se extraen cinco balotas una a una sin reemplazo. Sea Y la variable

aleatoria que representa el numero de bolas blancas.
RY = , P(Y=2)=0.4196

3) Se extraen balotas una a una con reemplazo, hasta obtener tres balotas
blancas. Sea Z la variable aleatoria que representa el numero de bolas
blancas.
RZ = P(Z=5)= 0.1382
Modelos de distribución de probabilidad y sus características
Distribución de X Paráme Función de probabilidad 𝐸 ሺ𝑋ሻ 𝑉 ሺ𝑋ሻ Función
tros característica
𝝋𝑿 (𝒕)
Uniforme: 𝑈(𝑁) N 1 𝑁+1 𝑁 2 −1 1 𝑁
𝑒 𝑖𝑡𝑗
𝑃ሺ𝑥ሻ = 2 12
෍
𝑁 𝑗 =1
𝑁
Bernoulli: 𝐵 (𝑝) p 𝑃ሺ𝑥ሻ= 𝑝 𝑥 ሺ1 − 𝑝ሻ1−𝑥 , p P(1-p) 𝑝𝑒 𝑖𝑡 + (1 − 𝑝)
0<p<1 𝑥 = 0, 1
Binomial: 𝐵 (𝑛, 𝑝) n,p 𝑛 np np(1-p) 𝑝𝑒 𝑖𝑡 + (1 − 𝑝)
𝑃ሺ𝑥 ሻ = ቀ ቁ𝑝 𝑥 ሺ1 − 𝑝ሻ1−𝑥 ,
0<p<1 𝑥
𝑥 = 0, 1, … , 𝑛
Hipergeométrica: N, R, n 𝑅 𝑁 −𝑅
ቀ ቁቀ ቁ 𝑅 𝑅 𝑁−𝑅 𝑁 −𝑛
𝑃ሺ𝑥 ሻ = 𝑥 𝑛 −𝑥
𝑁
𝑛
𝑁
𝑛
𝑁 𝑁 𝑁−1
Hg(n, R, N) ቀ ቁ
𝑛
x= 0, 1, . . . n
1 1−𝑝
Geométrica: G(p) p 𝑃ሺ𝑥 ሻ = 𝑝ሺ1 − 𝑝ሻ𝑥−1 , 𝑝𝑒 𝑖𝑡
𝑝 𝑝2 1−(1−𝑝)𝑒 𝑖𝑡
𝑥 = 1,2, …
Binomial Negativa: k, p 𝑥 − 1 𝑘ሺ 𝑘 𝑘(1−𝑝)
𝑝𝑒 𝑖𝑡
𝑘
𝑃ሺ𝑥 ሻ = ቀ ቁ𝑝 1 − 𝑝ሻ𝑥−𝑘 𝑝 𝑝2 ቆ ቇ
BN(k,p) 𝑘−1 1−(1−𝑝)𝑒 𝑖𝑡

Poisson: P(𝜆) λ 𝑒 −𝜆 𝜆 𝑥 λ λ 𝑖𝑡 −1)

𝑃ሺ𝑥 ሻ = 𝑥! 𝑒 𝜆(𝑒
𝑥 = 0, 1, …
 Ejemplo 2.

Sea X una variable aleatoria con distribución uniforme discreta, con valores
x = 1, 2, . . . N. Verificar:

i) es función de masa de probabilidad.

ii)

iii)

Así, si X representa el puntaje en un lanzamiento de un dado se tiene que

,
Resumen funciones en r
R permite calcular probabilidades (incluyendo acumuladas), la evaluación de
funciones de densidad y probabilidad puntual y la generación de valores pseudo-
aleatorios siguiendo diferentes funciones de distribución habituales (tanto discretas
como continuas). La tabla siguiente muestra los nombres en R de varias funciones,
para variables discretas, junto con argumentos adicionales.
Distribución Nombre en r Argumentos
Binomial binom size=n, prob=p
Hipergeométrica* hyper m = R, n = N-R, k = n (tamaño de muestra)
Geométrica geom prob=p
Binomial negativa nbinom size=k, prob=p
Poisson pois lambda=λ

A cada nombre de función dado por R (tabla anterior) se le agrega un prefijo ‘d’ para obtener la función
de densidad de probabilidad, ‘p’ para la función de distribución, ‘q’ para la función cuantil o percentil y
‘r’ para generar variables pseudo-aleatorias (random).
*max(0, k-n) ≤x ≤min(k, m)
Distribución binomial (n,p) (Verificar P(x) y E(X)
Gráfica en R de la función de masa de probabilidad de la B(10, 0.25)
> x <- 0:10 # el soporte de la distribución
> y <- dbinom(x, size=10, prob=.25) # generar las probabilidades
> plot(x, y, type = "h", lwd = 30, main = "Probabilidades Binomiales con n = 10, p = .
25", col = "blue")

Una forma más directa

plot(0:10, dbinom(0:10, size=10, prob=.25),xlab="x", ylab="y", type = "h", lwd = 20,
main = "Probabilidades Binomiales con n = 10, p = 0.25", col = “blue")
Graficar para p=0.5, p=0.8
Ahora con la función barplot()
barplot(dbinom(0:10, size=10, prob=.25), names.arg=as.character(0:10),main
= "Probabilidades Binomiales con n = 10, p = .25", xlab="x“, ylab=“P(x)”)

Para trazar la función de distribución.

plot(stepfun(x,cumsum(c(0,y)),right=TRUE), verticals=FALSE,col="red", ylab="F(x)", main=
"Función de Distribución")
Ejemplo 3. (Distribución binomial) Una compañía hace un descuento en
cualquier factura que se pague en un lapso de 30 días. De todas las facturas,
10% recibe descuento. En una auditoria de la compañía se seleccionan
aleatoriamente 12 facturas.
i) ¿Cuál es la probabilidad de que menos de cuatro facturas de la muestra
tengan descuento?

P(X≤3) = 0.9744. Que se obtiene con la función: pbinom(3,size=12,prob=0.10)

ii) ¿Cuál es la probabilidad de que mas de una factura de la muestra tenga

descuento?

P(X>1)= 0.341. Con la función: pbinom(1, 12, 0.10, lower.tail = FALSE)

iii) P(2≤X≤ 5)= 0.3405 . Con la función: sum(dbinom(2:5,12,0.10))

Distribución hipergeométrica (m, n,k; m=R, n=N-R, k=n, m+n=N )
Gráfica de la función de masa de probabilidad de la Hg(10, 8, 5)

> x <- 0:5 # el soporte de la distribución

> p<- dhyper(x, 10, 8, 5) # generar las probabilidades
> plot(x, p, type = "h", lwd = 15, main = "Probabilidades Hypergeométricas con m =
10, n=8, k=5", col = "15")

Con la función barplot()

barplot(dhyper(0:5, 10, 8, 5), names.arg=as.character(0:5),main =
"Probabilidades Hypergeométricas con m = 10, n=8, k=5", xlab="x“,
ylab=“P(x)”)
Graficar para m=15, m=8, m=5

Para trazar la función de distribución.

plot(stepfun(x,cumsum(c(0,p)),right=TRUE), verticals=FALSE,col="red", ylab="F(x)", main=
"Función de Distribución")
 Ejemplo 4. (Distribución hypergeométrica) De 50 edificios en un parque
industrial, 12 no cumplen el código eléctrico se seleccionan aleatoriamente 10
edificios para inspeccionarlos.

i) La media y la varianza de la variable aleatoria X:= numero de edificios que

no cumplen el código eléctrico, es:

= 2.4, = = 1.489

ii) La probabilidad de que exactamente tres de los 10 edificios no cumplan el

código es:

P(X=3)= 0.2703. Con la función: dhyper(3, 12, 38, 10)

iii) La probabilidad de que maximo dos no cumplan el código es:

P(X≤3)= 0.5507. Con la función: phyper(2, 12, 38, 10)

 Distribución geométrica y binomial negativa (k, p ) (Verificar P(x), E(X) y V(X))

Gráfica de la función de masa de probabilidad de la BN(4, 0.5)

x <- 4:20 # el soporte de la distribución; tener en cuenta que es numerable

y<-x-4 # numero de fracasos
p<- dnbinom(y, 4, 0.5) # generar las probabilidades

función barplot()
barplot(p, names.arg=as.character(y),main = “Distribución Binomial negativa
con k = 4, p=0.5", xlab=“y“, ylab=“P(y)”)
Graficar para p=0.3, p=0.75
Observación: La función que usa R, es

, y= 0, 1, 2, . . .

Con , y
 Ejemplo 5. (Distribución geométrica y binomial negativa) Una prueba de
resistencia de soldaduras consiste en poner carga en uniones soldadas hasta
que se dé una ruptura. Para cierto tipo de soldadura, 80% de las rupturas
ocurren en la misma soldadura, mientras que otro 20% se da en las vigas.

i) Se prueba cierto numero de soldaduras. Sea X el numero de pruebas,

incluyendo la primera prueba que da como resultado la ruptura de la viga.
¿Cuál es la distribución de X? ¿Cuál su media y varianza? ¿Cuál es la
probabilidad de que en la tercera prueba ocurra la ruptura de la viga?

X: G(0.2) , x= 1, 2, 3, . . .

= 5, = = 20

P(X=3)= 0.128. Con la función: dgeom(2, 0.2). Se evalúa en 2 que son los fracasos
 ii) Sea X el numero de pruebas, incluyendo la prueba que da como resultado la
tercera ruptura de la viga. ¿Cuál es la distribución de X? ¿Cuál su media y
varianza? ¿Cuál es la probabilidad de que en la octava prueba ocurra la tercera
ruptura viga? ¿Cuál es la probabilidad de que se requieran más ocho pruebas
para la tercera ruptura?

X tiene distribución binomial negativa de parámetros k=3 y p= 0.20

Su media y varianza
= 15, = = 60

P(X=8)= 0.0551. Con la función: dnbinom(5, 3, 0.20)

P(X>8)= 0.7969 Con la función: pnbinom(5, 3, 0.20,lower.tail = FALSE), o también

1- pnbinom(5, 3, 0.20,)
 Distribución de Poisson (λ ) (Verificar P(x), E(X), V(X))

Gráfica de la función de masa de probabilidad de la distribución P(1)

x<- 0:15 # el soporte de la distribución; tener en cuenta que es numerable

p<- dpois(x, 1) # generar las probabilidades

función barplot()
barplot(p, names.arg=as.character(x),main = “Distribución de Poisson λ= 1",
xlab=“x“, ylab=“P(y)”, col=“red”)
Graficar para: λ =0.3, λ =2, λ=5
 Ejemplo 6. (Distribución de Poisson) A una caseta de peaje llegan en
promedio tres vehículos por minuto. Sea X el numero de vehículos que llegan
en un minuto, determine su función de probabilidad. ¿Cuál es la probabilidad
de que en un minuto dado lleguen cinco o más vehículos?
Sea Y el numero de vehículos que llegan en una hora, determine su función
de probabilidad. ¿Cuál es la probabilidad de que en una hora determinada
lleguen 180 vehículos, entre 170 y 190?

X: P(3) ,

P(X ≥ 5)=0.1847. Con la función: ppois(4, 3 lower.tail = FALSE), o 1- ppois(4, 3 )

 Sea Y el numero de vehículos que llegan en una hora, determine su función de
probabilidad. ¿Cuál es la probabilidad de que en una hora determinada
lleguen 180 vehículos, entre 170 y 190?

En este caso λ=3*60= 180, luego

Y: P(180) ,

P(Y = 180)=0.0297. Con la función: dpois(180,180 )

P(170≤ Y≤ 190)= 0.5662. Con la función: ppois(190, 180) - ppois(169, 180) o también
sum(dpois(170:190,180))
 Distribución de Poisson (λ) como aproximación de la distribución binomial
(n,P)
Bajo una distribución binomial de parámetros n y p,

Resultado que se obtiene tomando λ= np, y hallando el limite cuando , donde

En general, la distribución de Poisson de parámetro λ= np proporciona una buena

aproximación a la distribución binomial de parámetros n y p , cuando n es grande y p
es pequeño (cuando λ= np ≤ 20).

Sea X: B(n,p) Calcular P(X=1) y P(X=3) directamente y usando la aproximación de

Poisson si: n=20, p=0.05; n=50, p=0.02; n=100, p=0.01
Tomado de: Applied Statistics and Probability for Engineers, Montgomery D. C. 3ª Ed. p. 77.

Rta. 0.0169, 0.1897, 0.651