Distribuciones de

Probabilidad Discreta
• Variable aleatoria.
• Distribuciones de probabilidad discreta.
• Valor esperado y Varianza.
• Distribución de probabilidad binomial.
• Distribución de probabilidad de Poisson.
• Distribución de probabilidad Hipergeométrica.
Variable aleatoria discreta: es una variable aleatoria que toma un número finito de valores o
una sucesión infinita de valores como 0, 1, 2, …

Ejemplo: Resultado de un examen que consiste de 4 partes. La variable aleatoria 𝑥 se define

como
• 𝑥 = número de partes del examen aprobadas.
• La variable 𝑥 es una variable aleatoria discreta ya que puede tomar los valores 0, 1, 2, 3 o 4.

Ejemplo: Cantidad de vehículos que llegan a un peaje. La variable aleatoria 𝑥 se define como:
• 𝑥 = número de vehículos que llegan a un peaje en un día.
• La variable 𝑥 es una variable aleatoria discreta que toma uno de los valores de la sucesión
infinita 0, 1, 2, ….
Variable aleatoria continua: es una variable que puede tomar cualquier valor numérico dentro
de un intervalo o colección de intervalos.

Ejemplo: Los resultados experimentales basados en escalas de medición:

• Tiempo
• Peso
• Distancia
• Temperatura

Ejemplo: Se observan las llamadas telefónicas que llegan a la oficina de atención de una
empresa de seguros. La variable aleatoria 𝑥 se define como:

• 𝑥 = tiempo en minutos entre dos llamadas consecutivas.

• La variable puede tomar cualquier valor en el intervalo 𝑥 ≥ 0. Esto es, 1.24 min., 3.46 min.,
2.66324 min., etc.
Ejercicios
La distribución de probabilidad de una variable aleatoria describe cómo se distribuyen las
probabilidades entre los valores de la variable aleatoria.

En el caso de una variable aleatoria discreta 𝑥, la distribución de probabilidad está definida por una
función de probabilidad, denotada por 𝑓 𝑥 . La función de probabilidad da la probabilidad de
cada valor de la variable aleatoria.

Ejemplo: Considerando las ventas de automóviles en un concesionario. Durante los últimos 300
días, se tiene la siguiente información:
• 54 días en los que no se vendió ningún vehículo, 117 días en los que se vendió 1 vehículo, 72
días en los que se vendieron 2 vehículos, 42 días en los que se vendieron 3 vehículos, 12 días en
los que se vendieron 4 vehículos, y 3 días en los que se vendieron 5 vehículos.
• Experimento: seleccionar un día de operación en el concesionario.
• Variable aleatoria, 𝒙 = número de vehículos vendidos en un día.
• 𝑥 es una variable aleatoria discreta que puede tomar los valores 0, 1, 2, 3, 4, 5.
• 𝑓(0) da la probabilidad de vender 0 vehículos, 𝑓(1) da la probabilidad de vender 1 vehículo,
etc.
𝑥 = cantidad de vehículos vendidos en un día.

Variable aleatoria, Frecuencia Probabilidad de 𝒙 Función de

𝒙 probabilidad, 𝒇 𝒙 .
0 54 54/300 0.18
1 117 117/300 0.39
2 72 72/300 0.24
3 42 42/300 0.14
4 12 12/300 0.04
5 3 3/300 0.01
300 1.00
Distribución de probabilidad para el Representación gráfica de la distribución de probabilidad
número de vehículos vendidos. del número de vehículos vendidos en un día.
Las funciones de probabilidad se pueden dar como fórmulas, por ejemplo:
Ejemplo: Considere el experimento que consiste en lanzar un dado, donde la variable
aleatoria 𝑥 se define como el número de puntos en la cara que cae hacia arriba. En este
experimento, la variable aleatoria toma 𝑛 = 6 valores: 𝑥 = 1, 2, 3, 4, 5, 6. Por lo tanto, la
función de probabilidad de esta variable aleatoria uniforme discreta es:
Ejemplo: La variable aleatoria 𝑥 tiene la siguiente distribución de probabilidad
discreta

La función que define esta distribución de probabilidad es

Ejercicio.
El valor esperado, o media, de una variable aleatoria es una medida de la localización central
de la variable aleatoria.
La varianza se usa para resumir la variabilidad en los valores de la variable aleatoria. La varianza
se calcula con la siguiente fórmula:

La desviación estándar, 𝝈, se define como la raíz cuadrada positiva de la varianza.

Ejercicios.

E(x)= 6
Var(x)= 4,5
Desv. Est.= 2,1
Ejercicios.

E(x)= 5,2
Var(x)= 4,6
Desv. Est.= 2,1
 D. Alto nivel
E(x)= 4,05
Var(x)= 1,2475
Desv. Est.= 1,12

D. Nivel medio
E(x)= 3,84
Var(x)= 1,1344
Desv. Est.= 1,07
Es una distribución de probabilidad que tiene muchas aplicaciones y está relacionada con un
experimento de pasos múltiples al que se le llama experimento binomial.

Si 𝑥 denota el número de éxitos en 𝑛 ensayos, entonces 𝑥 tomará los valores 0, 1, 2, … 𝑛. Como los
valores que toma la variable 𝑥 es un valor finito, 𝑥 es una variable aleatoria discreta. A la distribución de
probabilidad correspondiente a esta variable aleatoria se le llama distribución de probabilidad binomial.
Ejemplo. Se lanza una moneda 5 veces y se observa si cae cara o sello. Suponga que se desea contar el
número de caras que aparecen en los 5 lanzamientos.

1. El experimento consiste en 5 ensayos idénticos: lanzar una moneda.

2. En cada ensayo hay dos resultados posibles: Cara (éxito) o sello (fracaso).
3. La probabilidad de éxito y la probabilidad de fracaso son iguales en todos los ensayos: 𝑝 = 0.5 y
1 − 𝑝 = 0.5.
4. Los ensayos son independientes: el resultado de un lanzamiento no afecta al resultados de los
otros lanzamientos.

Con estas propiedades se demuestra que el experimento es un experimento binomial.

Variable aleatoria:
𝑥 = número de caras que aparecen en los 5 lanzamientos.
𝑥 puede tomar los valores 0, 1, 2, 3, 4, 5.
Ejemplo. Vendedor de seguros que visita 10 empresas elegidas de forma aleatoria. Los resultados de
cada visita son:

• Éxito: Si la empresa compra el seguro.

• Fracaso: Si la empresa no compra el seguro.

Por experiencia, el vendedor sabe que la probabilidad de que una empresa tomada aleatoriamente
compre un seguro es 0.1.

Validación de propiedades:

1. Son 10 ensayos idénticos: visitar una empresa

2. Cada ensayo tiene dos resultados posibles: la empresa compra el seguro (éxito) o la empresa no
compra el seguro (fracaso).
3. Las probabilidades iguales en todos los ensayos: 𝑝 = 0.1 y 1 − 𝑝 = 0.9.
4. Ensayos independientes.
Decisiones de compra de los próximos tres clientes que llegan a una tienda de ropa. De acuerdo con la
experiencia, el gerente de la tienda estima que la probabilidad de que un cliente realice una compra es
de 0.3. ¿Cuál es la probabilidad de que dos de los próximos tres clientes realicen una compra?
¿Experimento binomial?
1. Se tienen tres ensayos idénticos: uno por cada uno de los tres clientes que ingresan a la tienda.
2. Se tienen dos resultados en cada ensayo: Cliente compra (éxito), cliente no compra (fracaso).
3. La probabilidad de compra (0.3) y de no compra (0.7) son las mismas para todos los ensayos.
4. La decisión de compra de un cliente es independiente de la decisión de compra de otro cliente.

Con lo anterior, se tiene que el experimento es binomial. Los datos son:

• Se desea la probabilidad de 2 éxitos en 3 ensayos:

• Número de éxitos, 𝑥 = 2.
• Número de ensayos, 𝑛 = 3.
• Probabilidad de éxito en cualquiera de los ensayos, 𝑝 = 0,3.
• Probabilidad de fracaso en cualquiera de los ensayos, 1 − 𝑝 = 0,7.
De regreso al ejemplo de la tienda de ropa. La probabilidad de que dos de los próximos tres clientes
realicen una compra está dada por
𝑛 𝑥
𝑓 𝑥 = 𝑝 1 − 𝑝 𝑛−𝑥
𝑥
Donde 𝑥 = 2, 𝑛 = 3, 𝑝 = 0.3. así
3
𝑓 2 = 0.32 1 − 0.3 3−2 = 3 0.32 0.7 1 = 0.189.
2

Distribución de probabilidad binomial

para el número de clientes que hacen
una compra y su representación gráfica.
Para el ejemplo de la tienda de ropa, en donde se tienen 𝑛 = 3 ensayos, con una probabilidad de
éxito, 𝑝 = 0.3, en cada uno de los ensayos, se tiene que el número esperado de clientes que realicen
una compra es:
𝐸 𝑥 = 𝑛𝑝 = 3 0.3 = 0.9

La varianza y la desviación estándar del número de clientes que harán una compra es

𝜎 2 = 𝑛𝑝 1 − 𝑝 = 3 0.3 0.7 = 0.63

𝜎 = 0.63 = 0.79
Ejemplos
Ejemplos
Ejemplos
La distribución de probabilidad de Poisson describe el número de ocurrencias de una variable aleatoria
discreta que se suele usar para estimar el número de veces que sucede un hecho determinado
(ocurrencias) en un intervalo de tiempo o de espacio.

En una distribución de
Poisson, la media y la
varianza son iguales.
Ejemplo (intervalo de tiempo): Suponiendo que se desea saber el número de personas que llegan a un
cajero en un lapso de 15 minutos, sabiendo que en un análisis de datos pasado se encontró que en
promedio, en un lapso de 15 minutos, llegan 10 usuarios. Si se supone que:
• La probabilidad de que llegue un usuario al cajero es la misma en cualesquiera dos lapsos de la
misma duración.
• Si llega o no llega un usuario al cajero es independiente de si llega o no llega un usuario al cajero en
cualquier otro lapso.
Entonces se puede aplicar la función de probabilidad de Poisson, así:
𝜇 𝑥 𝑒 −𝜇
𝑓 𝑥 =
𝑥!
Donde 𝜇 = 10 y 𝑥 = número de usuarios que llegan al cajero en un lapso de 15 minutos, entonces
10𝑥 𝑒 −10
𝑓 𝑥 =
𝑥!
Si se desea saber la probabilidad de que lleguen 5 usuarios en un lapso de 15 minutos, esto es
105 𝑒 −10
𝑓 5 = = 0,0378.
5!
Ejemplo: Suponiendo que se desea saber el número de personas que llegan a un cajero en un lapso de
15 minutos, sabiendo que en un análisis de datos pasado se encontró que, en promedio, en un lapso
de 15 minutos llegan 10 usuarios.

Se calculó la probabilidad de que llegaran 5 usuarios en un lapso de 15 minutos, resultando 0,0378.

Ahora se desea saber la probabilidad de que lleguen 1 usuarios en un lapso de 3 minutos:

2
𝜇 = 10 usuarios / 15 minutos, esto es, 𝜇 = usuarios/minuto, por lo tanto el número promedio de
3
2
usuarios en un lapso de 3 minutos es 𝜇 = 3 = 2. Así:
3
Con 𝑥 = 1 y 𝜇 = 2
21 𝑒 −2
𝑓 1 = = 0,2707.
1!

La probabilidad de un usuario en tres minutos no es la misma que la probabilidad de 5 usuarios en 15

minutos: Es necesario calcular de nuevo el valor promedio.
Ejemplo (intervalo de longitud): Se tienen interés en la ocurrencia de una avería en una autopista un
mes después de que ha sido repavimentada. Suponiendo las condiciones de experimento de Poisson:
• La probabilidad de que haya una avería es la misma en cualesquiera dos tramos, de una misma
longitud, de la autopista y
• La ocurrencia o no-ocurrencia de una avería en un tramo es independiente de la ocurrencia o no-
ocurrencia de una avería en cualquier otro tramo.
El promedio de de averías, un mes después de la repavimentación, son dos averías por milla.

Determine a probabilidad de que no haya ninguna avería en un tramo de 3 tres millas de autopista.

Se sabe 𝜇 = 2 averías/milla, así que para tres millas el promedio de averías será 𝜇 = 6.

La probabilidad de que no haya ninguna avería (𝑥 = 0) en un tramo de 3 millas, sabiendo que el

promedio de averías en un tramo de 3 millas es 𝜇 = 6, es

60 𝑒 −6
𝑓 0 = = 0,0025.
0!
Ejemplos
Número de maneras en que es posible tomar una muestra de tamaño 𝑛 de una población
de tamaño 𝑁.

Número de maneras en que se toman 𝑥 éxitos de un total de 𝑟 éxitos que hay en la

población.

Número de maneras en que se toman 𝑛 − 𝑥 fracasos de un total de 𝑁 − 𝑟 fracasos que

hay en la población.
Ejemplo: Se empaca un producto en cajas de 12 unidades cada una. Se seleccionan al azar tres unidades
de una caja para ser inspeccionados. Si la caja contienen exactamente cinco unidades defectuosas, ¿cuál
es la probabilidad de que el inspector encuentre que una de las tres unidades está defectuosa?
𝑁 = 12, 𝑟 = 5, 𝑛 = 3, 𝑥 = 1.
La probabilidad de hallar una unidad defectuosa será:
Ejemplos