Distribuciones Discretas conocidas

Distribución de Bernoulli
Definición.
Si la probabilidad de que ocurra un suceso es “p” (éxito) y la probabilidad de que no ocurra es “1-p”,
(fracaso) entonces la variable aleatoria X que cuenta el número de éxitos, es decir
X ( w ) : Cuenta el n�de éxitos
RX : { 0, 1}

se distribuye según una distribución de Bernoulli con parámetro p y su función de cuantía (o masa) es:
f ( x ) = P ( x ) = p x (1 - p )1- x con x = 0, 1

¿Cuál será la esperanza o el valor esperado de la variable aleatoria X de Bernoulli?

E[ X ] = � xf ( x) = 0 �f (0) + 1�f (1) = 0 �p(0) + 1 p(1) = 0 �(1 - p) + 1 �p(1 - p) 0

=p
"x�Rx

Luego la esperanza de X es E [ x ] = p p, probabildad de éxito

¿Cuál será la Varianza de la variable aleatoria X de Bernoulli?

V (X ) = E � �- ( E [ X ] )
X2�
�
2
, como E [ X ] = p calculamos [ ]
E X 2 = 0 2  p (0) + 12  p (1) = p

�- ( E [ X ] ) = p - p = p (1 - p )
2
Luego V (X ) = E �
X2�
�
2

1 1
La función de distribución estará dada por F ( x) =  p( x) =  p x (1 - p)1- x
X =0 x =0
Si x = 0  F (0) = 1 - p
1
Si x = 1  F (1) =  p x (1 - p)1- x = p 0 (1 - p)1-0 + p 1 (1 - p )1-1 = 1 - p + p = 1
x =0

1 - p si x = 0
F ( x) = 
 1 si x = 1

El ensayo de Bernoulli va a generar a las distribuciones binomial, geométrica, Pascal, hipergeométrica y

la de Poisson.
Distribución Binomial
A menudo estamos interesados solamente en el número total de éxitos “E” obtenidos en un proceso de n
ensayos de Bernoulli, al margen del orden en que se presentan. Definimos una variable aleatoria X como:
X ( w ) = Números de éxitos obtenidos en n ensayos de Bernoulli.
R x = { 0,12,3,  n}
La variable aleatoria X así definida se llama variable aleatoria Binomial.

La distribución de probabilidad de la variable aleatoria binomial X, se llama distribución binomial y se

denota por X  B ( n, p )
Luego la función de cuantía de la variable aleatoria X  B ( n, p ) es

�n�
f ( x) = p( x) = P( X = x) = � �p x (1 - p) n - x , x = 0,1, 2, L n
�x �
Nota.
n : Nº de ensayos. Parámetros: n y p
Observemos que:
a) f ( x ) = p( x) = P( X = x) > 0, x = 0,1, 2, K ,n

Profesor: Carlos Farías Farías

 n n n n
��
[ ] ���p x ( 1 - p ) = ( p + ( 1 - p ) ) = 1n = 1,
n- x n
b) �
x =0
p ( x ) = �
x =0
P X = x =
x
x = 0 ��

Nota:
La extracción de una muestra de n elementos de una población puede considerarse como un experimento
que consiste de n ensayos repetidos. Los n ensayos o selecciones serán independientes en los siguientes
casos:
Cuando los elementos se extraen de la muestra se extraen con o sin reemplazo de una población infinita
Cuando los elementos de la muestra se extraen con reemplazamiento en una población finita

Esperanza y varianza de la variable binominal

E [ X ] = np
V ( X ) = np (1 - p )
¿Cómo reconocer que un experimento aleatorio se trata de una distribución Binomial?.
 Si se realizan “n” pruebas y todas las pruebas son independientes.
 “p” es la probabilidad de éxito en cada prueba que ocurra un suceso
 El experimento se repite (sustitución o reemplazamiento)
 Se da el valor de la variable , X = Nº de éxitos , Rx = 0,1,2,……n
Ejemplo
Una máquina produce ciertos tipos de piezas, de las cuales el 5% son defectuosas. En una muestra
aleatoria de cinco piezas. ¿Cuál es la probabilidad de obtener
a) Exactamente una pieza defectuosas?
b) Que más de 2 piezas sean defectuosas?
c) Que al menos dos de las piezas pero menos de 5 sean defectuosas?
Solución
La probabilidad que cada piza defectuosa es 0,05
El experimento se repite
Se da la variable aleatoria X(w) = cuenta el nº de piezas defectuosas en la muestra
Rx = { 0, 1, 2, 3, 4, 5}
Luego X �B (5, 0.05)
�5�
( 0.05) ( 0.95)
x 5- x
y su modelo probabilidades es f x ( x ) = p ( x) = � � x = , 01, 2,L 5
�x �
5
��
( 0.05) �( 0.95 ) = 0.2036
1 4
a) P ( X = 1) = ��
1
��
b) P ( x > 2) = 1 - P ( x �2 ) = 1 - [ P ( x = 0) + P ( x = 1) + P ( x = 2] =
�5
�� 5
�� 5
�� 3�
( 0.05) �( 0.95 ) + ��( 0.05 ) �( 0.95 ) + ��( 0.05 ) �( 0.95 ) �= 0.001158
0 5 1 4 2
1- �
��
�0
�� 1
�� 2
�� �

c) P ( 2 �x < 5 ) = P ( x = 2 ) + P ( x = 3 ) + P ( x = 4 )
5
�� 5
�� 5
��
( 0.05) �( 0.95 ) + ��( 0.05 ) �( 0.95 ) + ��( 0.05 ) �( 0.95 ) = 0.0226
2 3 3 2 4 1
��
2
�� 3
�� 4
��
Distribución Hipergeométrica
Consideremos una población finita de N elementos, divididos en dos clases. Una con r-elementos
y la otra con N-r elementos. Llamaremos “éxito” a la primera clase y “fracaso” a la segunda clase. Es
decir la población está compuesta por r “éxitos” y N- r “fracasos”
Consideremos el siguiente experimento, “extraer una muestra de tamaño n sin reemplazamiento de una
población finita de N elementos”. Cada extracción tiene solamente dos resultados posibles E o F. El
resultado de una observación es afectado por los resultados de las observaciones previas, es decir los
resultados de los ensayos no son independientes y la probabilidad de éxito P(E) no es constante de
ensayo a ensayo. El experimento así definido se llama experimento Hipergeométrico
Definimos la variable aleatoria X de la siguiente manera,
X(w)= Nº de éxito en la muestra de tamaño n sin reemplazo

Profesor: Carlos Farías Farías

Rx = { 0,1, 2,K , min { n, r} }
La variable aleatoria así definida recibe el nombre de variable aleatoria Hipergeométrica. Y la distribución
de probabilidad de la variable Hipergeométrica, se llama distribución Hipergeométrica y su función de
probabilidad está dada por

�N - r �
�r �
�x �
�n - x �
p ( x) = � �
� �, x = 0,1, 2,K min r , n
{ }
�N �
�n �
� �
Donde:
N es el tamaño de la población
r es el número de éxitos en la población
n es el tamaño de la muestra
x el número de éxito en la muestra

Ejemplo
Un empresa de alimentos PYME de 20 trabajadores 6 trabajadores son jornales y el resto son maestros
especializados. El dueño de la empresa debe elegir 5 trabajadores sin reemplazo para un curso de
seguridad laboral. ¿Cuál es la probabilidad que:
a) Todos sean jornaleros
b) Más de uno sean jornaleros
c) Menos de 2 sean jornaleros
Solución
N = 20
r : éxitos = número de jornaleros en la población = 6
n: 5 = tamaño de la muestra
x: el número de éxito en la muestra
X(w)= Nº de jornalero en la muestra de tamaño 5 sin reemplazo
Rx = 0,1, 2,3, 4,5
Su función de probabilidades está dada por

�6� �14 �
�x ��
� ��5- x�
�, x = 0,1, 2,K min 6,5
fx ( x) = p ( x) = { }
�20 �
�5 �
� �
1
6 �
�� 14 �
��
5 �0 �
�
�� � 6
a) p ( x = 5) = = = 0.00039 es la probabilidad que todos los cinco elegidos
�20 � 15504
�5 �
� �
sean jornaleros
�6 �
�� 14 � ��
6 �14 ��
�
�� � � �� � ��
0 �5 � ��
�� 1 �4 �
b) p ( x > 1) = 1 - p ( x �1) = 1 - �
�p ( x = 0 ) + p ( x = 1) �
�
�= 1 - � � + �
20 � �20 � �
�� � � ��
� �5 � �5 � �
= 1-0.5165=0.4835 es la probabilidad que más de un elegido sea jornaler0

Profesor: Carlos Farías Farías

 �6 �
�� 14 � ��
6 �14 ��
�
�� � � �� � ��
0 �5 � ��
�� 1 �4 �
c) p ( x < 2 ) = p ( x �1) = p ( x = 0 ) + p ( x = 1) = � + �= 0.5165
�� 20 � � ��
20
�� � � ��
� �5 � �5 � �
es la probabilidad que menos de dos elegidos sean jornaleros

Distribución de Poisson
Diremos que sucesos discretos que se generan en un intervalo continuo (unidad de media: longitud, área,
volumen, etc.) forman un proceso de Poisson con parámetro  > 0 , sí tiene las siguientes
características:
a) El número de eventos discretos que se generan en un intervalo continuo(unidad de medida:
Longitud, área, volumen, etc.) forman un proceso de Poisson con parámetro conocido e igual a
 >0
Ejemplos:
El número de perforaciones por metro cuadrado
El número de vehículos que pasan por la intersección de las calles Avenida Argentina y Avelino Contardo
en la ciudad de Antofagasta durante una hora.
b) La ocurrencia de un evento en una unidad de medida no afecta a la ocurrencia, o no, de otra
unidad de medida contigua, es decir la ocurrencia de los eventos en unidades de medidas
contiguas son independientes
c) La variable aleatoria se define como X (w) = el número de veces que ocurre un evento A
en una unidad de medida (tiempo, área, volumen etc.) R x = { 0, 1, 2, }

La variable aleatoria así definida se llama variable aleatoria de Poisson y se denota por
X �P ( ) o X : P( m )
La distribución de probabilidad de X se llama distribución de Poisson la cual está dada por
e-   x
fx ( x) = p ( x) = P ( X = x) = , x = 0, 1, 2, K
x!
La esperanza o promedio esta dado por E [ x] = 
La varianza V ( x) = 
Ejemplo
El número de personas que son atendidos por su ejecutivo de cuenta en un Banco, puede ser modelado
mediante un proceso de Poisson con parámetro de razón de cinco por hora.
a) ¿Cuál es la probabilidad de que atienda a cuatro clientes durante una hora particular?
b) ¿Cuál es la probabilidad de que por lo menos cuatro clientes sean atendidos durante una hora
particular?
c) ¿Cuántos clientes espera atender durante un periodo de 36 min?
Solución

X(w) = cuenta el nº de personas que son atendidos por su ejecutivo durante una hora en Particular
E [ x] = 5
e -5 �5x
X �P(5) � P ( X = x ) = , x = 0,1, 2, .......
x!
e -5 54
a) P ( X = 4) =
4!
b) P ( X �4 ) = 1 - P ( X < 4 ) = 1 - � � P ( X = 0 ) + P ( X = 1) + P ( X = 2 ) + P ( X = 3 ) �
�

Profesor: Carlos Farías Farías

 e-5 �
� 50 e - 5 �51 e-5 �
52 e-5 �
53 � � -5 25 �e-5 75 �e-5 �
1- � + + + �= 1 - 6
� �
e + + e -5
�= 1 - 31 �
� o ! 1! 2! 3! � � 2 6 �
c) Aquí se nos cambió el espacio del tiempo de una hora a 45 minutos, luego por regla de
tres simples tenemos que

Minutos N° de personas
60---------------5
36--------------

 =(36*5)/60=3

Ejemplo
A la intersección de las calles Avenida Argentina con Avelino Contardo, de la ciudad de Antofagasta
concurren aleatoriamante 120 autos por hora. Calcular la probabilidad de que:
a) Un auto llegue durante un período de 1 minuto.
b) Por lo menos dos autos lleguen a esta intersección durante un período dado de un minuto.
Solución
El número de autos que concurren a la intersección durante el minuto siguiente es independiente del
anterior y así sucesivamente
La variable aleatoria se define como:
X (w) = el numero de autos que concurren a la intersección de las calles Avenida Argentina con
Avelino Contardo, durante un minuto
El problema es un proceso de Poisson donde debemos determinar el parámetro 
Si el promedio de autos que concurren a intersección de la calles
Avenida Argentina con Avelino Contardo es de 120 por horas
Luego por regla de tres simple

N º de autos Minutos
120 60  =2
 1

e -2 2 x
Su función de cuantía está dada por f x ( x) =
x!
e -2 21
a) p (1) = P ( X = 1) = = 2e -2 =
1!
b) P( X  2) = 1 - P ( X < 2) = 1 - ( P ( X = 0) + P ( X = 1) )

�e -0 20 e -1 21 � -1
= 1- � + �= 2e
� 0! 1! �

Distribución Geométrica
Supongamos que repetidamente efectuamos un experimento (), las repeticiones son independientes y en
cada una de las repeticiones la probabilidad de obtener “éxito” es p y la de “fracaso” es q =1-p
permanecen constantes. Definimos una variable aleatoria X como:
X ( w ) = Número de repeticiones necesarias hasta obtener el primer éxito
Rx = { 1, 2,3,K .....}
La variable aleatoria X así definida se llama variable aleatoria Geométrica y se denota por X �G ( p )
La distribución de probabilidad de la variable aleatoria geométrica X, se llama distribución geométrica y
función de masa (o cuantía) de la variable aleatoria es
f ( x) = p( x) = P ( X = x) = q x -1 p , x = 1, 2,K

¿Cómo reconocer que un experimento aleatorio se trata de una distribución Geométrica?

Profesor: Carlos Farías Farías

  Cuando el experimento consiste en repetir sucesivamente el ensayo hasta obtener el éxito.
 Todos son independientes.
 “p” es la probabilidad de éxito en cada prueba que ocurra un suceso
 Se da el valor de la variable , X = Nº de repeticiones necesarias hasta obtener el primer éxito,
Rx = { 1, 2,3,K .....}

Nota.
Parámetro: p
Observemos que:
a) f ( x ) = p ( x ) = P ( X = x) > 0, x = 1, 2, K ..
� �
�1 �
b) �p( x) =�pq x -1
= p ( 1 + q + q 2 + L ) = p � �= 1,
x =1 x =1 1- q �
�
Esperanza y varianza de la variable geométrica
1 q
E[ X ] = ; V (X ) =
p p2

Ejemplo
La probabilidad que un pozo perforado al azar sea productivo es de 1/3. Suponga que un grupo perforar
pozos en diversas partes del país, de modo que el status de un pozo no afecta a ningún otro. Sea X el
número de pozos perforados hasta obtener el primer pozo productivo.
a) ¿Cuál es la expresión precisa de la función de probabilidad de masa de X?
b) Calcular P ( X �2 )
Solución
1 1 2
La probabilidad de hallar un pozo perforado productivo es constante: p= � q = 1- =
3 3 3
Los pozos perforados son independiente entre si
X ( w ) = Número de pozos perforados necesarios hasta obtener el primer pozo productivo
Rx = { 1, 2,3,K .....}
Entonces X �G 1 ( 3)
x -1
�2 � �1 �
a) f ( x) = p ( x) = � � � � , x = 1, 2,3K
�3 � �3 �
0
�2 ��1 � 2
b) P ( X �2 ) = 1 - P ( X < 2 ) = 1 - P ( X �1) = 1 - [ P( X = 1) ] = 1 - � �� �=
�3 ��3 � 3
Distribución de Pascal
Una generalización de la distribución Geométrica es la distribución de Pascal. Supongamos que un
experimento se continua hasta obtener que r “éxitos” donde P ( " E ") = p � P ( " F " ) = q = 1 - p
constantes. Definimos una variable aleatoria X como:
X ( w ) = Número de repeticiones necesarias hasta obtener r éxitos
Rx = { r , r + 1, r + 2, r + 3,K .....}
La variable aleatoria X así definida se llama variable aleatoria de Pascal
La distribución de probabilidad de la variable aleatoria de X, se llama distribución de Pascal y función de
masa (o cuantía) de la variable aleatoria es

�x - 1� x - r r
P( X = x) = � � q p , x = r, r+1, r+2,K
�r - 1 �
Esperanza y varianza de la variable de Pascal
r rq
E[ X ] = ; V (X ) =
p p2

Profesor: Carlos Farías Farías

Ejemplo
La probabilidad que un lanzamiento sea exitoso es de 0,8. Supongamos que se hacen ensayos de
lanzamiento hasta que han ocurrido 3 lanzamientos exitosos. ¿Cuál es la probabilidad que sean
necesarios 6 intentos? ¿Cuál es el número esperado de repeticiones necesarias?
6 - 1�
�
( 0, 2 ) ( 0,8 ) , x = 3, 4, 5,K
6 -3 3
P ( X = 6) = � �
3 -1�
�

5
��
( 0, 2 ) ( 0,8 ) = 0,04096
3 3
P ( X = 6) = �� es la probabilidad que sean necesarios 6 intentos para
2
��
obtener tres lanzamientos exitosos

r 3
E[ X ] = = ; 4 es el número esperado de repeticiones necesarias
p 0,8

Propuestos

1. La probabilidad que se detecte consumo de sustancias ilícita de los trabajadores en una empresa
minera en el turno entrante es 0,05. Si se eligen 6 trabajadores en forma independiente. Sea X la
variable aleatoria que cuenta el número de trabajadores que son detectados, en tal caso determine:
a) El modelo de probabilidades de la variable aleatoria X
b) La probabilidad que exactamente se detecte que 2 trabajadores consumen
c) La probabilidad de que se detecte que al menos tres trabajadores pero menos de 6 consumen

2. En un taller de costuras existen inconvenientes por los nudos que presenta el hilo. Estos provocan
parada de la máquina por roturas de las agujas. El hilo en uso tiene promedio de 0.8 nudos por cono
de 5000 metros. ¿Cuál es la probabilidad de que con los próximos cinco conos la máquina sufra más
de dos paradas?

3. Como subgerente de su empresa de materias primas, usted debe contratar 10 personas entre 30
candidatos, 20 de los cuales tienen títulos universitarios. ¿Cuál es la probabilidad que 5 de los que
usted contrate tengan estudios universitarios?

Profesor: Carlos Farías Farías