Distribución

de Variables
Aleatorias
Discretas
Competencia:
Resolver problemas usando distribuciones
aleatorias discretas.

31
 Distribución de Variables Aleatorias
Discretas

Como complemento al capítulo anterior en el que definimos todos los conceptos

relativos a variables aleatorias, describimos en éste las principales
leyes de probabilidad que encontramos en las aplicaciones del
cálculo de probabilidades. Atendiendo a la clasificación de las
variables aleatorias en discretas y continuas describiremos las
principales leyes de probabilidad de cada una de ellas, las cuales
constituirán el soporte subyacente de la inferencia estadística y a las que será
necesario hacer referencia en el estudio de dicho bloque. Iniciamos este capítulo con
el estudio de las distribuciones para variables aleatorias discretas.

DISTRIBUCIONES DISCRETAS:

Distribución de Bernoulli.
Definición.- La variable aleatoria X definida de  de manera que atribuye a E el
valor de 1 y a F el valor 0, se denomina variable aleatoria de Bernoulli..
La distribución de Bernoulli de parámetro p es:
f ( x)  P  X  x   p x q1 x

Teorema.- Si X tiene distribución de Bernoulli de parámetro p, entonces:

a.) E ( X )  p
b.) Var ( X )  pq

Distribución Binomial.
Definición.- Se dice que la variable aleatoria X definida como el número de éxitos
que ocurren en las n pruebas de Bernoulli, tiene distribución binomial con parámetros
n y p y se escribe, si su función de probabilidad es:

n
f ( x)  P  X  k     p k q n k , k  0,1, 2,3,..., n
k 

2
 Teorema.- Si , entonces:
a.) E ( X )  np
b.) Var ( X )  npq

EJEMPLO:

En una tienda de alquiler de Autos, cada vez que un cliente alquile un automóvil debe
pagar como mínimo $ 4. Si alquila un auto de tipo A debe pagar $ 15 más, y si alquila
un auto no A debe pagar $ 5 más. Se sabe que la probabilidad de que un cliente
alquile un auto tipo A es de 0.7. De cinco clientes que alquilan autos en esa tienda:
a) Determine la distribución de probabilidades de los clientes que alquilan
automóviles tipo A.
b) Determine la utilidad y la utilidad esperada que producen a la tienda los 5 clientes
que alquilan automóviles.

Solución:

a) Sea X el número de clientes que alquilan automóviles tipo A. Entonces, los

valores posibles de X son: 0,1,2,3,4,5.
La probabilidad del evento A: “un cliente alquila un automóvil tipo A” es

P  E   0.7 y P  E C   0.3 . La distribución de probabilidad de X es:

5
f  k   P  X  k      0.7   0.5 , k  0,1, 2,3, 4,5
k 5 k

k 
b) La utilidad U que producen los cinco clientes es:
U  20  15 X  (5  X )5 , x  0,1,2,3,4,5.
Dado que E  X   np  5  0.7  3.5

La utilidad esperada es:

E U   45  10E  X   45  10  3.5  80

DISTRIBUCIÓN GEOMÉTRICA
Definición.-
Se dice que la variable aleatoria X que se define como el número de repeticiones
independientes de un ensayo de Bernoulli hasta que ocurra el primer éxito, tiene
distribución de probabilidad geométrica con parámetro p y se escribe X G( p) , si su
función de probabilidad es:

3
 f ( x)  P  X  x  q x 1 p ; x  1, 2,..., etc.

Teorema.-

Si X es una variable aleatoria con distribución geométrica de parámetro

p , entonces

1
a.)  
p
q
b.)  2 
p2

Ejemplo

Un vendedor a domicilio hace llamadas telefónicas a clientes potenciales, La

probabilidad de vender en cada llamada es 0.02.

a) Calcule la probabilidad de que la sexta llamada sea su primera venta.

b) Calcule el esperado del número de llamadas hasta obtener su primera
venta.
c) ¿Qué probabilidad hay de que su primera venta ocurra después de más
de 5 llamadas si ya se hizo 3 llamadas sin éxito?

Solución
Sea X el número de llamadas hasta conseguir una venta .
Sus posibles valores son: 1,2,3,4….etc. El modelo de
probabilidad de X es geométrica de parámetro p  0.02 ,
esto es:

P  X  k    0.02 0.98
k 1
, k  1, 2,3,...

a) Luego, la probabilidad de que la sexta llamada sea su

primera venta es:

P  X  6   0.02 0.98  0.018

5

4
 1
b) EX    50 . A la larga en la llamada N° 50 obtiene su primera venta.
0.02
c) El evento “ya hizo 3 llamadas sin éxito” es equivalente al evento “requiere
hacer más de 3 llamadas hasta que obtenga un éxito”. Entonces,

P  X  3  X  5 P  X  5  0.98  0.98 2
5

P  X  5 / X  3     
P  X  3 P  X  3  0.983

DISTRIBUCIÓN DE PASCAL O BINOMIAL NEGATIVA

Definición.-

Si se repite en forma independiente un ensayo de Bernoulli , donde cada resultado

puede ser un éxito con probabilidad p o un fracaso con probabilidad q  1  p , se dice
que la variable aleatorias que se define como el numero de intentos hasta que ocurran
r éxitos, tiene una distribución Binomial negativa o Pascal con parámetros r y p y se
escribe X P(r , p) , si su función de probabilidad es:

f (k )  P Y  k   Crk11 p r q k r , k  r , r  1, r  2,..., etc

Teorema.-
Si X es una variable aleatoria con distribución de pascal con parámetros r y p,
entonces:
1
a)  r
p
q
b) 2  r
p2
Ejemplo.
Una maquina produce artículos de uno en uno y de manera independiente. Se

considera que el 10% de ellos son defectuosos. Si la maquina se detiene apenas

produce el cuarto artículo defectuoso:

a) ¿Cuál es el número esperado de artículos producidos hasta que se detiene la
maquina?
b) ¿Cuál es la probabilidad de que la maquina se detenga en el decimo articulo
producido?

5
c) ¿Cuál es la probabilidad de que produzca al menos 10 artículos para que la
maquina se detenga?

Solución
Sea X el número de artículos producidos hasta tener 4 defectuosos. La ley de
probabilidad de X es Pascal con parámetros r  4 y p  0.1 . Esto es,

P Y  k   C3k 1 p4 1  p 
k 4
, k  4,5,6....

a) b)

P  X  10  C39 P 4 1  P 
1 1 6
E( X )  r   4  40
p 0.1

c)

9
P  X  10  1  P  4  X  9  1   C3k 1P 4 1  P 
k 4

k 4

DISTRIBUCIÓN HIPERGEOMÉTRICA.

.
Definición.-
Se dice que la variable aleatoria X que se define como el numero de éxitos en una
muestra de tamaño n que se selecciona al azar uno por uno sin reposición de N
elementos o resultados posibles, de los cuales r son clasificados como éxitos y los
restantes N-r como fracasos, tiene distribución hipergeométrica y se escribe
X H ( N , n, r ) , si su función de probabilidad es:

Ckr CnNkr
f ( x)  P  X  k   ; k  0,1, 2,..., n
CnN

6
Teorema.-

Sea X una variable aleatoria con distribución hipergeométrica H ( N , n, r ) , y sean,

p  r / N ; q  1  p , entonces
a.) E ( X )  np

N n
b.) Var ( X )  npq
N 1
c.) H ( N , n, r )  B(n, p) , Esto es, si N tiende a  o N es
grande con respecto a n, entonces la distribución
hipergeométrica se aproxima a una distribución
binomial.

DISTRIBUCIÓN DE POISSON.

Se dice que la variable aleatoria discreta X, cuyos valores posibles

son: 0, 1, 2, 3,.., tiene distribución de Poisson con parámetro
Definición  (  0) y se escribe X P( ) , si su función de probabilidad
es:
e   ( ) x
f ( x)  P  X  x   , x  0,1, 2,...
x!

Nota:

La distribución de Poisson se aplica a problemas donde la variable aleatoria es el

número de eventos independientes que ocurren en un intervalo de tiempo, o una
región plana (con un promedio dado), por ejemplo:

 Número de llamadas que recibe una central

telefónica en el periodo de un minuto.
 Número de accidentes de trabajo que ocurren en
una fábrica durante una semana.
 Numero de fallas en la superficie de una pintura
rectangular.
 Numero de bacterias en un volumen de un metro
cúbico de agua.

7
Ejemplo.

Una empresa textil produce un tipo de tela en rolos de 100 metros. El numero de
defectos que se encuentra al desenrollar la tela es una variable aleatoria de Poisson
que tiene en promedio 4 defectos por cada 20 metros de tela.

a) ¿Qué probabilidad hay de que al desenrollar la tela se encuentre menos de tres

defectos en los primeros 50 metros?
b) Hallar la probabilidad de que al desenrollar la tela no se encuentre defectos en el
primer segmento de 5 metros de tela.
c) Si se desenrollan 5 rollos de la tela escogidos al azar, ¿Cuál es la probabilidad
de que no se encuentre defectos en el primer segmento de 5 metros de tela en al
menos dos de ellos?

Solución.

Sea X el número de defectos encontrados en un segmento de 20

metros de tela que ocurre con promedio   4 . La probabilidad de
encontrar k defectos en el segmento de 20  t metros de tela es:

e  t  t 
k

P X  k  , k  0,1, 2,...
k!

Donde t es el promedio de defectos en el segmento de 20  t metros de tela,

a) El promedio de defectos en los primeros 50 metros de tela es t  4  2.5  10
( t  2.5 Aumenta la longitud de 20 a 50 metros) y la probabilidad de que se
encuentren menos de tres defectos en los primeros 50 metros es:

e10 10  e10 10  e10 10 

0 1 2

P  X  3  P  X  2     0.00277
0! 1! 2!

8
b) El promedio de defectos en los primeros 5 metros de tela es t  4  1/ 4   1
entonces la probabilidad de no encontrar defectos en los primeros 5 metros de tela
es:

e1 1
0

P  X  0   0.3679
0!

c) Sea Y el numero de rollos que no tienen defectos en el primer segmento de 5

metros de tela de 5 rollos de tela escogidos al azar. la variable Y cuyos valores
posibles son: o,1,2,3,5 se distribuye según la ley binomial B  5, p  donde

p  P  X  0  0.3679
1
.luego, P Y  2  1  P Y  1  1   Ck5 P k 1  P 
5 k
 1  0.3946  0.6054
k 0