MODELOS DE DISTRIBUCION DISCRETA

• Distribución Binomial
• Distribución de Bernoulli
• Distribución Poisson
• Distribución Hipergeométrica
• Distribución Geométrica
• Distribución Uniforme (discreta)
• Distribución Multinomial
 1. DISTRIBUCION BINOMIAL
𝑛
Función de probabilidad: b 𝑥; 𝑛, 𝑝 = 𝑥
𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 ; 𝑥 = 0,1, … , 𝑛

E(X)=np , p es la probabilidad de éxito; Var(X)= npq Se sabe que q=(1-p)

Casos donde se presenta
• El lanzamiento de una moneda regular: C,S
• La siembra de una semilla: Germina, no Germina
• La investigación de un circuito eléctrico: Funciona, o no Funciona
• Seleccionar un equipo: Gana, pierde
• Contar el número de pacientes que sobreviven a una intervención
• Seleccionar un producto: Bueno, malo
• La inoculación de un paciente: se recupera, no se recupera
Ejemplo
1) Se lanza un dado 7 veces y contamos el número de 5 que
obtenemos. ¿cuál es la probabilidad de obtener 3 cincos?
Solución.- tenemos un modelo de distribución binomial el resultado es
obtener un 5 o no, nuestro éxito es que salga un cinco con probabilidad
de P(5)=1/6. Necesitamos calcular P(X=3), tomando en cuenta la
función de probabilidad binomial tenemos:

3 4
7 1 5
𝑃 𝑋=3 = = 0.0781
3 6 6
2) Determine la probabilidad de obtener dos caras exactamente, en 12
lanzamientos al aire de una moneda equilibrada
• 3) Se lanza una moneda corriente 6 veces, si el Salir cara es éxito,
calcular la probabilidad: a) de que se consiga exactamente 3 caras
b) De que se consiga por lo menos 4 caras
Solución
a) b(3,6;1/2)
b) P(X≥4)=b(4,6;1/2)+b(5,6;1/2)+b(6,6;1/2)= 11/64+6/64+1/64= 11/32
2. DISTRIBUCION DE BERNOULLI
Ejemplo
1) En el experimento de lanzar un dado, considerando como éxito sacar
un 6, es decir fracaso es sacar cualquier otro número, ¿cuál es la
probabilidad de fracaso?
Solución
En este caso tenemos P(6)=1/6, o lo que es lo mismo: P(X=1)=1/6
Y P(X=0)= 5/6 que es la probabilidad de fracaso
2) Se lanza un dado una vez. Calcular
a) La probabilidad de obtener un 3
b) La probabilidad: P(X=1)
3. DISTRIBUCION DE POISSON
E(X)=λ; Var(X)=λ
Casos en el que se presenta:
 El número de partículas que llegan a un consultorio en
un lapso dado.
 El número de llamadas que recibe un servicio de
atención a urgencias durante 1 hora.
 El número de células anormales en una superficie
histológica o el número de glóbulos blancos en un
milímetro cubico de sangre.
 El número de glóbulos blancos en una gota de sangre. El
suceso de interés es la observación de un glóbulo blanco,
mientras que el “intervalo” continuo implicado es una
gota de sangre
Ejemplo

• Si la probabilidad de que una persona cualquiera que asista a un

desfile en un día muy caluroso de verano sufra insolación es 0.005.
¿Cuál es la probabilidad de que 18 de las 3 000 personas que asistan
al desfile sufran insolación?
Solución
Si 𝑥= 18 y 𝜆 = 3000(0.005)= 15 , tenemos
1518 e−15
P (18; 15) = = 0.0706
18!
4. DISTRIBUCION HIPERGEOMETRICA
Ejemplo

• En una fiesta hay 20 personas, 14 casadas y 6 solteras. Se eligen 3

personas al azar. ¿Cuál es la probabilidad de que las 3 sean solteras?
Solución
Para x = 3, con n = 3 y N = 20 se tiene:
6 14
3 0
𝑃 𝑋=3 = 20 = 0.0175
3
5. DISTRIBUCION GEOMETRICA
Ejemplo
• Se lanza un dado hasta que aparezca el número 6, ¿cuál es la
probabilidad de que el número de lanzamientos sea 3?
Solución
El número de éxitos es la aparición del número 6 y la probabilidad de
que salga es P(6)= 1/6. En este caso nos interesa encontrar la
probabilidad de que aparezca en el lanzamiento tres, entonces
3−1
5 1
𝑃 𝑋=3 = = 0.1157
6 6
6. DISTRIBUCION UNIFORME
Ejemplo
1) Sea el experimento de lanzar un dado regular y la variable aleatoria X
la puntuación obtenida, entonces:
P(X=x)=1/6 ; ∀ 𝑥 𝜖 Ω
P(X≤4)=?
2) En el experimento de elegir una bolilla numerada, al azar de un
conjunto {1,…,20}. ¿calcular P(X≥7)?
3) Si se selecciona una bombilla al azar de una caja que contiene 4
bombillas, una de 40 watts, una de 60 watts, una de 75 y una de 100
todas las bombillas tienen igual probabilidad de ser escogidas ¿Cuál es
la función de probabilidad?
7. DISTRIBUCIÓN MULTINOMIAL

• En aplicaciones hay mas de dos resultados posibles. Entonces

tenemos la distribución Multinomial que es una generalización de la
distribución binomial
• Denotación: f(x1,x2,… xk;n,p1,p2,…pk)
La función de probabilidad es
𝑛! 𝑥1 𝑥2 𝑥𝑘
𝑓= 𝑝1 𝑝2 … 𝑝𝑘
𝑥1 ! 𝑥2 ! … 𝑥3 !
Donde, 𝑛 = σ 𝑥
Cada xi tiene una probabilidad de ocurrencia de pi (σ 𝑝𝑖 = 1)
Ejemplo
• Según una nueva ley se plantea la donación de órganos de los cuales
existe una probabilidad de que el 15% esté en contra, el 40% sean
indiferentes a la ley y el 45% estén a favor, si se extrae una muestra
aleatoria de 20 sujetos, ¿cuál es la probabilidad de que 5 estén en
contra, 10 sean indiferentes y 5 estén a favor ?
Solución
𝑛!
𝑃 𝑥1 = 5, 𝑥2 = 5, 𝑥3 = 5 = (0.155 ) 0.4010 0.455
𝑥1 ! 𝑥2 ! 𝑥3 !
= 0.41
MODELOS DE DISTRIBUCION CONTINUA
• Distribución Normal
• Distribución Exponencial
• Distribución Uniforme (continua)
• Distribución Gamma
• Distribución Chi-Cuadrada
• Distribución t-Student
• Distribución F de Fisher-Snedecor
• Distribución Beta
• Distribución de Weibull
• Distribución Logística
• Distribución Binomial Negativa
1. DISTRIBUCION NORMAL
1 −1/2 𝑥−µ 2
/𝜎 2
Función de densidad es 𝑓 𝑥 = 𝑒
𝜎 2𝜋
µ, σ son parámetros
DISTRIBUCION NORMAL ESTANDARIZADA
𝑋−µ
• SI Z= tenemos la función de densidad estandarizada:
σ
−1 2
1
𝑓 𝑥 =𝑓 𝑧 = 𝑒2𝑧 , donde μ=0 y 𝜎 2 =1
2𝜋
PROBABILIDAD→AREA
• En las distribuciones continuas. Mediante áreas podemos calcular las
probabilidades necesarias
• Para tales probabilidades, existen tablas con la distribución normal
estandarizada
Ejemplos:
1) Encontrar el área bajo la curva normal a la
derecha de z=2.05 y a la izquierda de -1.44,
mostrando el gráfico respectivo
2) Calcular las probabilidades:
a) p(0< z -≤2) b) p(-1.5 ≤z ≤1)
c) P(-0.5 ≤z <0 d)P(z<2.05)
e)P(z≥-3.07) f) P(Z≤1.5)
g) P(45 ≤X< 80), para μ= 10; 𝜎 2 =4
2
h) P(13 ≤X ≤39), para μ= 8; 𝜎 =0.49
i) P(X>200), para μ= 100; σ=40
Ejemplo de aplicación
El coeficiente de inteligencia de los individuos que
componen una determinada población tienen
aproximadamente una distribución normal, con
una media de 100 y una desviación estándar de
10. hallar la proporción de individuos con C.I.
mayores que 125.
solución: Debemos calcular P(X≥125), luego
estandarizamos, quedando para calcular
P(z ≥2.5)= 0.0062
por lo que el 0.62% de la población tienen CI
mayores a 125
2. DISTRUCION EXPONENCIAL
Ejemplo
suponga que el tiempo que necesita un cajero de un
banco para atender a un cliente tiene una distribución
exponencial con una media de 40 segundos.
a) ¿cuál es la probabilidad de que el tiempo necesario
para atender a un cliente esté comprendido entre 1 y 2?
b)¿cuál es la probabilidad de que el tiempo necesario
para atender un cliente dado sea mayor que 2 minutos?
Solución
a)P(1< 𝑋 <2)=F(2)-F(1)

b) P(X>2)=1-P(X≤2)=𝑒 −3
3. DISTRIBUCION UNIFORME
Ejemplo: El volumen de ventas de un almacén se
distribuye uniformemente entre 38 y 120 miles de
dólares. Calcular la probabilidad de que las ventas sean
superiores a 1000, 000 dólares.
Solución: Sea X volumen de ventas del almacén,
entonces trabajamos con U(38,120)
la función de densidad es f(x)= 1/(120-80)= 1/82
+∞ 120 1
luego P(X>100)=‫׬‬100 𝑓 𝑥 𝑑𝑥 = ‫׬‬100 𝑑𝑥 = 0.2439
82
FUNCION GAMMA
∞

Γ 𝑥 = න 𝑡 𝑥−1 𝑒 −𝑡 𝑑𝑡 ; 𝑥 > 0
0

• Γ(1)=1 , Γ(1/2)= 𝜋

• PROPIEDADES: Para n entero positivo

Γ(n+1)=n Γ(n) ; n˃0
Γ(n+1)=n ! , Γ(n)=(n+1) !
UNA MUESTRA DE FUNCION GAMMA
4. DISTRIBUCION GAMMA µ=αβ , σ2=αβ2
1 𝛼−1 𝑒 −𝑥/𝛽
𝑓 𝑥 = 𝑥 ;x
Γ(𝛼)𝛽 𝛼
Ejemplo
El tiempo en horas que semanalmente requiere
una maquina para mantenimiento es una variable
aleatoria con distribución Gamma, donde α=3,β=2
a) encuentre la probabilidad que en alguna semana
el tiempo de mantenimiento sea mayor a 8
b) Si el costo de mantenimiento en dólares es C=
3x+2x2, siendo X el tiempo de mantenimiento,
encuentre el costo del mantenimiento
Rpta. a)0.2381
b) 276 dólares
5. DISTRIBUCION CHI-CUADRAD

1 𝑚
−1 −1/2𝑥
𝑓 𝑥 = 𝑚 𝑥 2 𝑒 ; 𝑥>0
2𝑚/2 Γ( )
2
Ejemplo: si x ̴χ2 encontrar: (mostrando su grafica)
a) P(X≥35.172), con 23 grados de libertad
b) P(X≤15.44), con 21 grados de libertad
c) P(X<7.807), con 12 grados de libertad
d) P(X >16.31), con 17 grados de libertad
e) P(9.591≤ X<15.45), 20 grados de libertad
6. DISTRIBUCION t DE STUENT
Distribución de t-Student
𝑚+1
Γ( 2 ) 𝑥 2 −𝑚+1
•𝑓 𝑥 = 𝑚 (1 + ) 2 ;𝑥 𝜖 𝑅
𝑚𝜋Γ( ) 𝑚
2

observación
Con diferentes grados de libertad
Ejemplo: Calcular las probabilidades mostrando su
gráfica en cada caso:
1) Si X ̴T4 calcular P(X≥1.190)
2) Si X ̴T18 calcular P(X>2.110)
3) Si X ̴T20 calcular P(0≤X ≤2.528)
4) Si X ̴T15 calcular P(X<-0.691)
5) Si X ̴T10 ,hallar el valor de c tal que P(X ≥c)=0.15
6) Si X ̴T4, hallar p(X≥1.08)
6. DISTRIBUCIÓN F DE FISHER-SNEDECOR
𝑚+𝑛 𝑚
Γ( 2 ) 𝑚 𝑥 2 −1
•𝑓 𝑥 = ( ) 𝑚/2 ;𝑥 ≥ 0
𝑚 𝑛 𝑚
Γ( 2 )Γ( 2 ) 𝑛 (1+ 𝑛 𝑥)(𝑚+𝑛)/2
Ejemplo
• 1) Calcular el valor crítico F0.95,3,71
• 2) Mostrar el área a la derecha de F0.95,3,71
• 3) Si P(F ≤ Fo)= 2.87, calcular Fo
• 4) Mostrar el área a la derecha de F0.90,8,21
• 5) Mostrar el área a la izquierda de F0.95,3,16