DISTRIBUCIONES DE PROBABILIDAD

Distribuciones discretas
Son las funciones de probabilidad asociadas a variables
aleatorias discretas, que se generan mediante procesos
de conteo sobre las veces que se repite un suceso.

Cuando se elige al azar un elemento, se averigua si

cumple o no con cierta condición, para luego contar el
número de elementos que si cumplen con la condición en
análisis.
Distribuciones discretas. Pruebas de Bernoulli

Un experimento aleatorio es llamado una prueba o ensayo de

Bernoulli si cumple las siguientes condiciones:
1. Para cada prueba o ensayo se define un espacio muestral con
solo dos resultados posibles: Éxito (E) y Fracaso (F), donde:
P[E]= y P[F]= 1 - P[E]= 1 - 
2. La probabilidad de éxito () se mantiene constante de prueba
a prueba.

3. Las pruebas se consideran que son independientes.

 Distribuciones discretas
Distribución Bernoulli o binomial puntual

Una variable aleatoria discreta x tiene una distribución Bernoulli o

binomial puntual si su función de probabilidad es dada por:

f ( x)  π x (1  π )1 x , si x  0,1
0 , de otro modo

Donde:  = Probabilidad de éxito

x = Número de éxitos en una prueba de Bernoulli
Además, la media y variancia de la variable aleatoria x son:
 X  Ex  
 x2  Var x   Ex- X 2   (1   )
 Distribuciones discretas
Distribución Binomial

Una variable aleatoria discreta x tiene una distribución Binomial si su

función de probabilidad es dada por:
n x
f ( x)    (1   ) n  x , si x  0,1,, n
 x
0 , de otro modo
Donde:
 = Probabilidad de éxito
n = Número de pruebas de Bernoulli o
tamaño de una muestra con reemplazo
x = Número de éxitos en una prueba de Bernoulli
Además, la media y variancia de la variable aleatoria X son:
 x  Ex  n 
 x2  Var x   Ex   x 2  n  (1   )
 Distribuciones discretas
Distribución Binomial

  0 .5

n x
f ( x)    (1  π ) n  x , si x  0,1,, n
 x
0 , de otro modo
 Distribuciones discretas
Distribución Binomial

  0 .5

n x
f ( x)    (1  π ) n  x , si x  0,1,, n
 x
0 , de otro modo
 Distribuciones discretas
Distribución Binomial

  0 .5

n x
f ( x)    (1  π ) n  x , si x  0,1,, n
 x
0 , de otro modo
 Distribuciones discretas
Distribución Binomial. Ejemplo
EL 10% de los artículos producidos por una máquina son defectuosos. Si
elige una muestra aleatoria con reemplazo de 6 artículos y se define la
variable X como el número de artículos defectuosos elegidos,
a) Determinar la probabilidad que al menos un artículo sea defectuoso
  PÉxito  PDefectuoso  0.1

6
f ( x)   (0.1) x (1  0.1) 6 x , si x  0,1,, 6
 x
0 , de otro modo

Px  1  1  Px  1  1  Px  0  1  f (0)

 6
 1   (0.1) 0 (1  0.1) 60  0.468559
 0
 Distribuciones discretas
Distribución Binomial. Ejemplo

b) Halle el valor del coeficiente de variabilidad de x

 x  n  (6)(0.1)  0.6
 x2  n (1   )  (6)(0.1)(1  0.1)  0.54
x   0.54 
CV x   (100)   (100)  122.474487
 x   0.6 
 Distribuciones discretas
Distribución de Poisson

Una variable aleatoria discreta x tiene una distribución de Poisson si su

función de probabilidad es dada por:
e μ μ x
f x   , si x  0,1, 2,
x!
0 , de otro modo
Donde:
x = Número de éxitos obtenidos en un período
o unidad de evaluación
= t
 = Razón media de ocurrencia por periodo
t = Periodo o unidad de evaluación

Además, la media y variancia de la variable aleatoria x son:

x  Ex  
 x2  Var x   Ex   x 2  
 Distribuciones discretas. Distribución de Poisson
Para la aplicación de esta distribución es necesario tener en cuenta
los siguientes supuestos:

1. La probabilidad de éxito se mantiene constante y es pequeña.

2. El número de éxitos en cualquier intervalo, periodo o unidad de

evaluación es independiente del número de éxitos en cualquier
otro intervalo, periodo o unidad de evaluación.

3. La distribución de Poisson se puede utilizar para aproximar las

probabilidades de una distribución binomial cuando n tiende a
infinito (n  ) y  tiende a cero (0); es decir, cuando n  <5.
Para esto se debe considerar:  = n  ( = , t = n ).
Distribuciones discretas. Distribución de Poisson

e μ μ x
f x   , si x  0,1, 2,
x!
0 , de otro modo
 Distribuciones discretas
Distribución de Poisson Ejemplo
Los clientes de una tienda comercial ingresan al establecimiento a razón
de 4 clientes por cada 5 minutos. Si se elige al azar un intervalo de 2
minutos, hallar la probabilidad que ingresen al menos dos clientes al
establecimiento comercial.

4 clientes t  2 minutos
  0.8 c
5 minuto m    t  (0.8)(2)  1.6 clientes

e 1.6 (1.6)x
f ( x)  , si x  0,1, 2,
x!
0 , de otro modo

e 1.6 (1.6)0 e 1.6 (1.6)1

Px  2  1  Px  2  1  f (0)  f (1)  1  
0! 1!
 0.475069
 Distribuciones discretas
Distribución de Poisson Ejemplo

Suponga que el 5% de los créditos otorgados por un banco se

encuentran bajo cobranza coactiva. Si se eligen al azar y con reemplazo
90 créditos, hallar la probabilidad que en al menos 3 créditos se
encuentren bajo cobranza coactiva.

Si se define Éxito = { Un crédito se encuentra bajo cobranza coactiva },

se tiene: =P[E]=0.05 y 1-=P[F]=0.95. Luego, la función de probabilidad
de X (número de créditos bajo cobranza coactiva) será:

 90 
f ( x)   (0.05) x (1  0.05)90 x , si x  0,1, , 90
x
0 , de otro modo
 Distribuciones discretas
Distribución de Poisson Ejemplo

 90 
f ( x)   (0.05) x (1  0.05)90 x , si x  0,1, , 90
x
0 , de otro modo
Ahora, como = n =(90)(0.05)=4.5<5; luego, las probabilidades de X se
pueden aproximar mediante una distribución de Poisson con parámetro
=4.5. Es decir,
e 4.5 4.5 x
f ( x)  , si x  0,1, 2,
x!
0 , de otro modo
Px  3  1  Px  3  1  f (0)  f (1)  f (2)
e  4.5 (4.5) 0 e  4.5 (4.5)1 e  4.5 (4.5) 2
 1  
0! 1! 2!
 Distribuciones discretas.
Distribución Binomial Negativa (o Pascal)

Una variable aleatoria discreta x tiene una distribución binomial negativa

(o Pascal) si su función de probabilidad es dada por:
 x  1 k
f ( x)    (1   ) x k , si x  k , k  1, k  2,
 k  1
0 , de otro modo
Donde:
x = Número de pruebas de Bernoulli hasta obtener el k-ésimo
éxito
 = Probabilidad de éxito en una prueba Bernoulli
Además, la media y variancia de la variable aleatoria X son:

 x  Ex  k 
k (1   )
  Var x  Ex   x  
2 2
x
2
 Distribuciones discretas
Distribución Binomial Negativa Ejemplo

El 80% de los alumnos del Programa Ejecutivos debe al menos una

materia ¿Cuál es la probabilidad que al preguntarle al octavo alumno,
sea el sexto que dice que si debe al menos una materia?

Si se define Éxito={Debe al menos una materia}, se tiene: =P[E]=0.8 y

1-=P[F]=0.2. Luego, la función de probabilidad de X (número de veces
que un alumno dice que sí al preguntarle que debe al menos una
materia) será:
 8  1
f ( x)   (0.8) 6 (0.2)86 , si x  6, 7, 8,
 6  1
0 , de otro modo

f ( x)  22.02%
 Distribuciones discretas.
Distribución Geométrica

Una variable aleatoria discreta x tiene una distribución geométrica si su

función de probabilidad es dada por:
f ( x)   (1   ) x 1 , si x  1, 2, 
0 , de otro modo
Donde:
x = Número de pruebas de Bernoulli hasta obtener el primer éxito
 = Probabilidad de éxito en una prueba Bernoulli
Además, la media y variancia de la variable aleatoria x son:
 x  Ex  1

 x2  Var x   Ex   x 2  (1   )
2
 Distribuciones discretas
Distribución Geométrica Ejemplo

Suponga que un interruptor eléctrico de una máquina tiene una

probabilidad 0.04 de fallar, y que cuando ello ocurre es necesario
reemplazarlo por uno nuevo. Determinar la media y el coeficiente de
variabilidad del número de veces que puede ser utilizado un interruptor.

Si se define Éxito={El interruptor falla al ser usado}, se tiene:

=P[E]=0.04 y 1-=P[F]=0.96. Luego, la función de probabilidad de X
(número de veces que puede ser utilizado el interruptor) será:
f ( x)  (0.04)(0.96) x 1 , si x  1, 2,
0 , de otro modo
 x  Ex  10.04  25

 x2  Var x  Ex   x 2  (1   ) 2  0.96 2  600

 (0.04)
600
CVx  (100)  97.9796%
25
 Distribuciones discretas.
Distribución Hipergeométrica

Sea una población de tamaño N, donde hay A elementos que tienen una
característica W definida como éxito, y B elementos que no tienen la
característica W, siendo N = A + B. Si de dicha población se toma una
muestra aleatoria de tamaño n y se define la variable aleatoria x como el
número de éxitos obtenidos; entonces, la variable x tendrá como función
de probabilidad:
 A  B 
  
 x  n  x 
f ( x)  , si x  0,1, 2, , n
N
 
n
0 , de otro modo

Donde: x = Número de éxitos obtenidos en una muestra sin reemplazo

de tamaño n.
 Distribuciones discretas.
Distribución Hipergeométrica

Además, la media y variancia de la variable aleatoria X son:

 x  Ex 
nA
N
n A B  N  n
  Var x  
2

N 2  N  1 
x

Nota
Si el número de elementos de la población (N) es grande y la fracción de
muestreo (f = n / N) es pequeña; es decir, si f < 0.05, entonces las
probabilidades de la distribución hipergeométrica se pueden aproximar
mediante la distribución binomial, para lo cual se considera:  = A / N.
 Distribuciones discretas
Distribución Hipergeométrica

A=B

 A  B 
  
 x  n  x 
f ( x)  , si x  0,1, 2, , n
N
 
n
0 , de otro modo
 Distribuciones discretas
Distribución Hipergeométrica

A<B

 A  B 
  
 x  n  x 
f ( x)  , si x  0,1,2,  , n
N
 
n
0 , de otro modo
 Distribuciones discretas
Distribución Hipergeométrica

A>B

 A  B 
  
 x  n  x 
f ( x)  , si x  0,1,2,  , n
N
 
n
0 , de otro modo
 Distribuciones discretas.
Distribución Hipergeométrica Ejemplo
Suponga que en un proceso de control de calidad se inspecciona un lote
de 10 artículos, de los cuales 4 son defectuosos. Si se eligen 5 artículos
al azar y sin reemplazo, hallar la probabilidad de elegir no más de 2
artículos defectuosos.
X=Número de artículos defectuosos elegidos
 4  6 
N=10, A=4,   
 x  5  x 
n=5, B=10-4=6 f ( x)  , si x  0,1,2,3,4,5
10 
 
5
0 , de otro modo
nA (5)(4)
 x  E ( x)    2 artículos defectuosos
N 10
nAB  N  n  (5)(4)(6) 10  5 
  Var ( x)  2 
2
     0.666667
N  N 1   10  1 
x 2
10
 Distribuciones discretas.
Distribución Hipergeométrica Ejemplo

Suponga que en un proceso de control de calidad se inspecciona un lote

de 10 artículos, de los cuales 4 son defectuosos. Si se eligen 5 artículos
al azar y sin reemplazo hallar, La probabilidad de elegir no más de un
artículo defectuoso.

 4  6 
  
 x  5  x 
f ( x)  , si x  0,1, 2, 3, 4, 5.
10 
 
5
0 , de otro modo
 4  6   4  6 
     
Px  1  f (0)  f (1)   0  5   1  4 
  0.261905
10  10 
   
5 5
 Distribuciones discretas.
Distribución multinomial

Es la generalización natural de la binomial. En lugar de considerar sólo

dos tipos de ocurrencias (éxito y fracaso), se tienen k tipos, la
probabilidad de ocurrencia de cada uno de estos k tipos son p1, p2, …pk
respectivamente. Suponga que hay un total de n ocurrencias y se desea
hallar la probabilidad de que n1 de ellas sean del tipo 1, n2 del tipo 2,
hasta nk del tipo k. lógicamente n1+n2+…+nk=n. Dicha probabilidad está
dada por:

 n  n1 n 2
  p1 p 2 ... pk nk
 n1, n 2, ..., nk 
 Distribuciones discretas.
Distribución multinomial

Los usuarios que salen de una estación del metro pueden pasar por
cualquiera de las tres puestas. Si se supone que es igualmente probable
que cualquier usuario seleccione cualquiera de las tres puertas, Calcule
la probabilidad de que entre 4 personas:
a) 2 seleccionen la puerta A, una la B y otra la C.
b) Las 4 personas seleccionen la misma puerta.
n1

c) Se usen las tres puertas.

 Distribuciones discretas.
Distribución hipergeométrica multivariada

Al igual que la multinomial es una distribución multivariada que generaliza a la

binomial, también la hipergeométrica (correspondiente a ensayos sin reposición)
se generaliza para más de dos tipos de ocurrencias, lo que conduce a la
distribución hipergeométrica multivariada.
Suponga que una población consta de un total de N objetos, de los cuales k1 son
del tipo 1, k2 del tipo 2, …, kr del tipo r, donde k1+k2+…+kr=N. Si se escoge una
muestra sin reemplazo de tamaño n<=N, entonces la probabilidad de que
contenga precisamente x1 objetos del tipo 1, x2 del tipo 2, …, xr del tipo r, donde,
naturalmente, x1+x2+…+xr=n, está dada por:

 k 1  k 2   kr 
  ... 
 x1  x 2   xr 
N
 
n
 Distribuciones discretas.
Distribución Hipergeométrica multivariada

En un laboratorio se realizan actualmente 8 proyectos de investigación,

cuatro de los cuales son de infectología, 3 de estudios de gérmenes y 1
de inmunología. Si se eligen 3 proyectos al azar, ¿Cuál es la probabilidad
de que se seleccionen 2 proyectos de infectología y 1 de gérmenes?