Distribuciones de Probabilidad de Variable Aleatoria Discreta

Ensayo Bernoulli.
Definición​. Un ensayo de Bernoulli es un experimento que tiene dos posibles resultados, a
uno de ellos se le llama ÉXITO y al otro FRACASO. (El investigador indica a qué
resultado posible le llamará éxito).

Ejemplo
Se lanza un dado y se observa si la cara que cae hacia arriba posee o no posee el Nro. 3.
Exp.
Acc.. Lanzar un dado.
Int. Observar si la cara que cae hacia arriba posee o no posee el número 3.
= , donde: t: la cara del dado muestra el Nro. 3 (sale el tres)
: la cara del dado no muestra el Nro. 3 (no sale el tres)
Sea t: éxito (E)

Ejemplo
De los alumnos que llevan el curso de Estadística II, la profesora selecciona un alumno y le
pregunta si presentó o no presentó los problemas desarrollados de la primera práctica
calificada.
Exp.
Acc. Seleccionar un alumno.
Int. Saber si presentó o no los problemas desarrollados de la primera práctica calificada.
= { s, n } , donde: s: presentó los problemas desarrollados.
n: no presentó los problemas desarrollados.
Sea s: éxito(E)

Ejemplo
De un lote de piezas, se selecciona una pieza y se observa si es defectuoso o no defectuoso.
Exp.
Acc Seleccionar una pieza.
Int. Observar si es defectuoso o no defectuoso.
= { b , m } donde: b: pieza buena.
m: pieza defectuosa.
Sea b: éxito.(E)

Distribución Bernoulli

Para cada experimento o ensayo Bernoulli dados líneas arriba podemos definir una variable
aleatoria X que toma solamente dos posibles valores, el valor cero o el valor uno, esto es:
X: Número de éxitos ​en una sola selección. ​(nombre de la variable)
X( E ) = 1
X( F ) = 0
R​X​ : 0, 1
La función de cuantía es:

LIC. MARÍA A. ZACARÍAS DÍAZ  27 

 
 P( X = 0 ) = P( {F} ) = 1 – P
P( X = 1 ) = P( {E} ) = P
Si bien en las dos líneas anteriores se indica en forma explicita la probabilidad de cada uno de
los valores de la variable, sin embargo también puede expresarse en forma resumida a través
de una fórmula que es la siguiente:
P( X = k ) = P​k​ ( 1 – P )​1 – k​ , k = 0, 1

Resumiendo, tenemos que:

X: Número de éxitos ​en una sola selección.
R​X​ : 0,1
P( X = k ) = P​k​ ( 1 – P )​1 – k​ , k = 0, 1

Es decir, el nombre de la variable, su recorrido y su función de cuantía, constituyen la

Distribución Bernoulli, ​también llamada, distribución de probabilidades de la variable

aleatoria Bernoulli y simbólicamente se denota donde 1, P constituyen los

parámetros de la función de cuantía, siendo 1 el número de selecciones, y P la probabilidad de
éxito.

Nota.
El ensayo Bernoulli generalmente esta en relación a una población finita con N elementos,
divididos en dos clases. Una de las clase tiene S elementos(S < N) y la otra tiene N – S
elementos,

Consideremos el ejemplo.
X: Número de veces que sale el tres en un ​solo lanzamiento​.
X( t ) = 1, X( )=0
R​x​ : 0 , 1

Función de Cuantía​.
P( X = 0 ) = P({ }) = P( {F ) = 5 / 6
P( X = 1 ) = P( { t }) = P({E}) = 1/ 6

La función de cuantía expresada a través de la fórmula es:

P(X = k) = k = 0 , 1.
La variable X, su recorrido R​X y la función de cuantía, P(X=k) nos proporcionan el
comportamiento probabilistico de la variable aleatoria, que se representa mediante la siguiente
gráfica:

LIC. MARÍA A. ZACARÍAS DÍAZ  28 

 
 Características Numéricas de la distribución Bernoulli
​E( X ) = P V( X ) = P ( 1 – P )
Demostración.
Esperanza: E( X ) = 0( 1 – P ) + 1 ( P ) = P
Varianza: V( X ) = E( X​2​) - [ E ( X ) ]​2
Previamente calcularemos
E( X​2​) = 0​2​( 1 – P ) + 1​2​ ( P ) = P
[ E ( X ) ]​2 ​ = P​2
V ( X ) = P – P​2​ = P( 1 – P ) = PQ

Para el ejemplo que estamos tratando, tenemos que:

E(X) = 0(5 / 6) + 1( 1 / 6) = 1 / 6 = 0.17

V(X) = E(X​2​) + E( X)​2

E(X​2​) = 0​2​( 5 / 6) + 1​2​(1 / 6) = 1 / 6

V(X) = 1 / 6 + 1 / 36 = 1 / 6 ( 1 – 1 / 6 ) = (1 / 6) ( 5 / 6) = 0.14

DISTRIBUCIÓN BINOMIAL
Si un "experimento" consta:
1. De n ensayos Bernoulli
2. Los resultados de los ensayos son independientes
3. La probabilidad de éxito (P(éxito)=P) es constante, es decir es la misma de ensayo a
ensayo.
4. Interesa observar el número de éxitos
Al experimento que cumple estas condiciones se le llama experimento Binomial.
Cómo, sobre el espacio muestral generado por el experimento Binomial se define la variable:
X: Número de éxitos.
Donde R​x​: 0, 1, 2,…, n.
A esta variable se le llama variable aleatoria Binomial.

LIC. MARÍA A. ZACARÍAS DÍAZ  29 

 
 La probabilidad de cualquier valor de la variable, se obtiene a partir de la siguiente función de
cuantía:

P(X=k)= C​k​n​ p​k​(1-p)​n-k

Y se dice que X tiene una Distribución Binomial, es decir la distribución de probabilidades de

la variable aleatoria Binomial y se denota , donde n, P constituyen los

parámetros de la función de cuantía.

Características Numéricas de la distribución Binomial

E(X)=np, V(X)= npq

Ejemplo
Durante el vuelo de un avión la probabilidad que falle cualquiera de sus 6 motores es 0.0005.
Suponiendo que los 6 motores trabajan independientemente:
a. ¿cuál es la probabilidad de que todos los motores funcionen?
b. ¿Cómo es el comportamiento probabilistico de la Variable?
c. ¿Qué valor toma E(X) y V(X)?

Solución.
Exp.
Acción​. Funcionamiento de los 6 motores de un avión en vuelo.
El análisis de esta acción, nos permitirá verificar los requisitos o condiciones del experimento
binomial, así:
1. Se observa si cada motor funciona o no funciona, es decir el funcionamiento de cada
motor constituye un ensayo Bernoulli, y como el avión cuenta con 6 motores entonces
se tiene 6 ensayos Bernoulli, n = 6, consideraremos éxito al buen funcionamiento de
un motor y lo denotaremos por “f”
2. El buen o mal funcionamiento de un motor no influye en el buen o mal
funcionamiento de otro motor.
3. La probabilidad de buen funcionamiento de cada motor es decir la probabilidad de
éxito es constante, P(f) = 0.9995. Es la misma de ensayo a ensayo.
Interesa.​ Observar el número de motores que funcionan bien.

El cumplimiento de estas tres condiciones nos dice que estamos frente a un experimento
Binomial, por lo tanto podemos definir la variable aleatoria:
X: Número de motores que funcionan bien.
Cuyo R​X​ , es R​X​ : 0, 1, 2, 3, 4, 5, 6.
Y su función de cuantía es:

P( X = k ) = k = 0,1,2,3,4,5,6.

Para responder a las preguntas formuladas haremos uso de la función de cuantía.

a. Sea el evento: A: Todos los motores funcionen, entonces A = [ X = 6 ]

LIC. MARÍA A. ZACARÍAS DÍAZ  30 

 
 Luego P( A ) = P[ X = 6 ] = =​1,5625E-20

b. La distribución de probabilidades en forma explicita, presentamos en la siguiente tabla:

x p( x )
0 1,56E-20
1 1,87E-16
2 9,37E-13
3 2,50E-09
4 3,74E-06
0,0029925
5
1
0,9970037
6
5

La gráfica nos muestra el comportamiento probabilistico de la variable, y nos dice que es

poco probable que el número de motores que funcionan tome valores bajos y que es mucho
más probable que funcionen 6 motores.
c. E( X ) = 5.997 motores.
V( X ) = 0.00299 motores​2
= 0,0548 motores

DISTRIBUCIÓN HIPERGEOMÉTRICA

Si un experimento consta:
1. De n ensayos Bernoulli.
2. Los resultados de los ensayos no son independientes.
3. La probabilidad de éxito (P) es constante.
4. Interesa observar el número de éxitos
Al experimento que cumple con estas condiciones se le llama experimento Hipergeométrico.
Sobre el espacio muestral generado por el experimento se define la variable.
X: Número de éxitos.
Cuyo recorrido es: R​x​: 0,1, 2...​S​. Si S < n, ó R​x​: 0,1...​n​ Si n ​≤​ S

Otra forma en que puede darse el experimento.

Una población constituida por N elementos, esta dividida en dos grupos, uno de los grupos
tiene S elementos y la otra tiene N-S elementos. De esta población se selecciona sin
reposición ​n elementos y se observa en cada elemento si pertenece o no al grupo de tamaño S,
en otras palabras podemos decir que estamos definiendo la variable” Numero de elementos
que pertenecen al grupo de tamaño S”.
Gráficamente tenemos lo siguiente:

LIC. MARÍA A. ZACARÍAS DÍAZ  31 

 
 S

N-S

Si la variable anterior denotamos por X, su recorrido es:

R​x​: 0,1, 2...​S​. Si S < n, ó R​x​: 0,1...​n​ Si n ​≤​ S

Y su función de cuantía es :

P(X=k) = k = 0,1,…,​S ​ si S < n ó k = 0,1,…, n si n​≤​ S

A la distribución de probabilidades de X se le llama distribución hipergeométrica, y se denota

donde N, S y n constituyen los parámetros de la distribución.

Características Numéricas de la distribución Hipergeométrica

E(X)=nP, V(X)=

Ejemplo
Los alumnos que llevan el curso de Estadística II, grupo 2 de la FISI en el semestre 2006 - I
son 32, de entre estos alumnos 10 están en el quinto semestre y el resto en el cuarto semestre.
La profesora del curso selecciona 3 alumnos y les pregunta sobre el ciclo en que se
encuentran.
a. ¿Cuál es la probabilidad que dos de los alumnos seleccionados se encuentren en el quinto
ciclo?
b. Muestre el comportamiento probabilistico de la variable.
c. ¿Cuál es el valor de E( X ) y V( X )?

Solución.
Exp.
Acción​. Seleccionar 3 alumnos, sin reposición.

El análisis de esta acción, nos permitirá verificar los requisitos o condiciones del experimento
hipergeométrico, así:

1. Se selecciona un alumno y se le pregunta si está en el quinto ciclo o no, es decir la

selección de cada alumno constituye un ensayo Bernoulli, y como se selecciona 3
alumnos entonces se tiene 3 ensayos Bernoulli, n = 3, consideraremos éxito que el
alumno se encuentre en el quinto ciclo.
2. La probabilidad de éxito es constante.

LIC. MARÍA A. ZACARÍAS DÍAZ  32 

 
 3. El resultado de los ​ensayos no son independientes, es decir la probabilidad condicional
de que un alumno seleccionado esté en el quinto ciclo depende de los resultados de
las selecciones anteriores.

Interesa​. Observar el número de alumnos que se encuentra en el quinto ciclo.

El cumplimiento de estas tres condiciones nos dice que estamos frente a un experimento
Hipergeométrico, por lo tanto la variable:

X: Número de alumnos que se encuentran en el quinto ciclo.

Cuyo R​X​ : 0, 1, 2, 3
Y su función de cuantía es:

P( X = k ) = k = 0,1,2,3
Cálculo de la probabilidad del evento pedido.
Sea el evento:
a. A: Por lo menos dos alumnos se encuentren en el quinto ciclo.

A=[X≥2] P( A ) = P[ X ≥ 2 ] = P(X=2) + P(X=3) =

P(A) = 990 / 4960 + 120 / 4960 = 0.2238

b. El comportamiento probabilistico de la variable es:

x p(x)
0 0,13077
1 0,36325
2 0,34413
3 0,13765

b. E( X ) = 3(10 / 32 )= 0.9375
= 3( 10 / 32)( 22 / 32)(29 / 31 ) = 1.8368
= 1.3553

Propiedad.
Cuando N es suficientemente grande y n es pequeño respecto de N (en la práctica cuando n
<= 0.1N), la distribución hipergeométrica H(N, S, n) se aproxima a la distribución B(n, P), en
donde P es igual a S/N.

LIC. MARÍA A. ZACARÍAS DÍAZ  33 

 
 Demostración.
Sea la v.a. X y sea la v. a. Y
E(X) = nP E(Y) = n(S/N)

= nP(1-P) = nP(1-p)

A la expresión se le llama factor de corrección por finitud (f.c.f).

El f.c.f aproximadamente se puede expresar de la siguiente manera:

cuando el f.c.f tiende a 1, por lo que la varianza

de Y es igual a la varianza de X, esto nos dice que la variable Y siendo una variable
Hipergeométrica puede ser tratada como una variable Binomial.
A la expresión n/N se le llama fracción de muestreo y nos dice que el tamaño de muestra debe
ser pequeño en relación al tamaño de la población, generalmente se considera un valor menor
o igual a 0.05.
Conclusiones útiles.
Cuando de una población de N elementos se selecciona una nuestra de n elementos con
reposición, la probabilidad de cada selección es n/N, es decir es constante.
Si de esta población se selecciona n elementos sin reposición, la probabilidad de cada
selección es: n/N, (n-1)/(N-1), (n-2)/(N-2),…., es decir ​es variable​, sin embargo si n <=
0.05N entonces la probabilidad de cada elemento seleccionado es ​casi constante​.

Distribución Poisson.

Proceso Poisson
Muchos problemas consisten en observar lo que se conoce como ​eventos discretos en un
intervalo de tiempo continuo​, por ejemplo, se puede observar la llegada de autos al
supermercado Metro de la Av. La Marina entre la 1 y las 3 de la tarde de un día determinado.
La llegada del auto al establecimiento es un evento discreto debido a que su hora de llegada es
un punto en el periodo continuo de 2 horas.
Otro caso puede ser el de un fabricante de cable aislante y se observa los defectos que ocurren
en un segmento específico de 2 mt. de longitud. En este caso el intervalo continuo son los 2
mts. y los eventos discretos son los defectos que ocurren en el cable, suponiendo que se puede
considerar a ​cada​ defecto como que ocurre en un solo punto a lo largo del cable.
Cada uno de los ejemplos dados y otros análogos ​puede considerarse como un proceso de
Poisson, ​sí, ​las ocurrencias de los eventos discretos se generan en tal forma que satisface la
siguiente definición.

LIC. MARÍA A. ZACARÍAS DÍAZ  34 

 
 Definición.
Los eventos discretos que se generan en un intervalo continuo, forman un proceso de Poisson
con parámetro , si tiene las siguientes propiedades:
1. El número medio de eventos discretos en el intervalo continuo es conocido e igual a
2. El intervalo continuo de cierta longitud se subdivide en intervalos cuya longitud es
suficientemente corta digamos h, tal que:
i. La probabilidad de que ocurra un evento discreto en el intervalo de longitud h es h.
ii. La probabilidad de que ocurran dos ó más eventos discretos en el intervalo de longitud h
es aproximadamente cero.
3. La ocurrencia de un evento discreto en un intervalo de longitud h no afecta a la ocurrencia
o no ocurrencia de un evento discreto en el intervalo ​contiguo​ de longitud h

Considerando el primer ejemplo dado al tratar este tema tenemos: la llegada de los autos al
estacionamiento del supermercado sería razonable suponer que no llega más de uno en el
mismo millonésimo de segundo, y que la llegada o no llegada de un auto en el primer
millonésimo de segundo no afecta a que llegue o no llegue otro automóvil en el siguiente
millonésimo de segundo. A partir de estas suposiciones, las llegadas constituyen un proceso
de Poisson.

Si se observa un proceso de Poisson durante cierto tiempo, el número de eventos discretos que
ocurren, es una variable aleatoria, es decir
X: Número de eventos discretos.
R​X​ : 0,1,2,…..
Y la función de cuantía es:

P(X = k ) = , k = 0,1,2,….
A la distribución de probabilidades de la variable X se le llama Distribución Poisson y se

denota donde es el parámetro de la distribución.

Características Numéricas.
E(X) = ​λ
V(X) = ​λ
Ejemplo
Ciertos autos llegan a una garita de peaje aleatoriamente a una tasa de 300 autos por hora.
Calcule la probabilidad de que:
a. Un auto llegue durante un periodo de un minuto.
b. Por lo menos dos autos lleguen durante un periodo de un minuto.

Solución.
Evento discreto: la llegada de un auto. Intervalo continuo: un minuto.
La llegada de los autos en el intervalo de un minuto forman proceso Poisson de parametro λ,
por lo tanto la variable es:

X: Número de autos que llegan a una garita de peaje en un minuto.

LIC. MARÍA A. ZACARÍAS DÍAZ  35 

 
 R​X​: 0, 1, …..
λ​: 5 autos / minuto.

Su p(k) =

a. Sea el evento A: Un auto llegue durante un periodo de un minuto.

P(A) = P(X=1) =
b. Sea el evento B: Por lo menos dos autos lleguen durante un periodo de un minuto.
P(B) = P(X​≥​2) = 1-P(X<2)= 1-[P(X=0)+P(X=1)]

P(B) = 1 -
P(B) = 0.9595

Distribución de Poisson como límite de la distribución Binomial

Si n ​ ​ ​∞​ p​ ​ 0 y nP = entonces P(X = k) =

Ejemplo
Una compañía de seguros de vida halla que la probabilidad de que una persona entre los 40 y
50 años, muera durante un periodo de un año de una extraña enfermedad es 0.00001. si la
compañía tiene 100,000 asegurados en ese grupo- ¿Cuál es la probabilidad de que deba pagar
más de cuatro derechos a causa de muerte por este motivo?
Solución.
X: Número de personas que mueren a causa de una extraña enfermedad.
R​X​: o,1,…., 10000

P(X = k ) =
Como n ​ ​ ∞​ ​ p​ ​ 0 y nP = 1..entonces:

P(X = k) =
Sea el evento: A: Mueran más de cuatro personas.
P(A) = P(X > 4 ) = 1 – P(X<= 4) = 1 – (P(X = 0) + P(X = 1)+P(X = 2)+P(X = 3)+P(X = 4)

P(A) = 1 -
P(A) = 1 – (​0,36787944 + 0,36787944 + 0,18393972 + 0,06131324 +0,01532831)= 0.00365985

LIC. MARÍA A. ZACARÍAS DÍAZ  36