DISTRIBUCIÓN DISCRETA Y

CONTINUAS
Conceptos fundamentales
Distribución binomial
 Experimento:
 Se tiene las siguientes propiedades:
1. El experimento consiste en n intentos repetidos.
2. Los resultados de cada uno de los intentos pueden
clasificarse como un éxito o como un fracaso.
3. La probabilidad de éxito, representada por p,
permanece constante para todos los intentos.
4. Los intentos repetidos son independientes.
Distribución binomial
 Se define la variable aleatoria X como el número
de éxitos en n intentos.
 Nótese que la función de masa de probabilidad es:

para k=0,1,2,…,n y 0<p<1.

Distribución Binomial
 Calcular E(X) y VAR(X). Se define las siguientes
variables aleatoria Ij que representa el resultado del j-
ésimo intento, el cual asume los valores entre 0 y 1 con
probabilidades de 1-p y p respectivamente.
 Entonces, X=I1+I2+…+In .
 Luego, E(X)=E(I1) + E(I2) + … + E(In) = np con E(Ii)=0(1-
p)+1p=p VAR(Ii) =p-p2=p(1-p) para i=1,…,n
 Entonces, VAR(X)= VAR(I1) + VAR(I2) + … + VAR(In) =
np(1-p)
Ejemplo
 Un examen de Kahoot consta de 10 preguntas a las
que hay que contestar una respuesta correcta de 4
opciones por cada pregunta. Suponiendo que a la
persona se le aplica el examen y no sabe contestar
ninguna pregunta. Por lo tanto, contesta al azar.
 Encuentre:
 a) la probabilidad de tener 5 respuestas correctas.
 b) la probabilidad de obtener alguna respuesta correcta.

 c) la probabilidad de tener al menos 5 respuesta correctas.

Distribución geométrica
 Experimento:
1. Considérese una secuencia repetida de eventos
independientes con probabilidad p de éxito y con
probabilidad 1-p de fracaso en cada intento.
 Dado X una variable aleatoria que representa el
número de intentos hasta del primer éxito.
 Nótese que la función de masa de probabilidad es:

para 0<p<1 y p+q=1.

Distribución geométrica
 Para calcular E(X) y VAR(X), se utilizará la función
generadora de momentos:

 Con lo cual, E(X)=1/p y VAR(X)=q/p2.

Ejemplo
 Un disparador experto tiene una probabilidad de
0.95 de darle al blanco.
 Calcular la probabilidad de que falle por primera
vez en su decimoquinto disparo.
Distribución binomial negativa
 Experimento:
1. Considérese una secuencia repetida de eventos
independientes con probabilidad p de éxito y con
probabilidad 1-p de fracaso en cada intento.
 Dado X una variable aleatoria que representa el
número de fallos antes de r éxitos.
 Nótese que la función de masa de probabilidad es:
r+x−1 r x
p q , x = 0,1,2,3, …
P X=x =ቐ x
0, cualquier otro caso

para r=1,2,… ; 0<p<1 y p+q=1.

Distribución binomial negativa
 Para calcular E(X) y VAR(X), se define las siguientes
variables aleatoria Ij que representa el número de
fallos necesario después del (i-1)-ésimo éxito para
obtener el i-ésimo éxito.
 Éstas son variables aleatorias geométricas
independientes con parámetro común p para i=1,…,r.
 Entonces, X=I1+I2+…+Ir .
 Luego, E(X)=E(I1) + E(I2) + … + E(Ir) = r/p con
E(Ii)=1/p y VAR(Ii) =q/p2 para i=1,…,r .
 Entonces, VAR(X)= VAR(I1) + VAR(I2) + … + VAR(Ir) =
rq/p2 .
Ejemplo
 Se sabe que la probabilidad de que un niño
expuesto a una enfermedad contagiosa la
contraiga es de 0.4 .
 Calcular la probabilidad de que el décimo niño
estudiado sea el tercero en contraer la
enfermedad.
Ejemplo
 Como parte de un entrenamiento diario, cada delantero debe
anotar 20 penaltis. Un exjugador del Real Madrid tiene una tasa de
aciertos en lanzamientos desde el punto de penalti del 90%.
 ¿Quién es el jugador?
 Encontrar la función de probabilidad del número de lanzamientos
que tiene que realizar este jugador hasta terminar esta parte del
entrenamiento.
 Determinar la función de probabilidad del número de lanzamientos
hasta que marca el primer penalti para este jugador.
 Si cada lanzamiento toma 30 segundos. ¿Cuál es la función de
probabilidad del tiempo que tarda en terminar esta parte del
entrenamiento para este jugador?
Distribución de Poisson
 Experimento:
 Se tienen las siguientes propiedades:
1. El número de resultados que ocurren en un intervalo de
tiempo o región específico es independiente del número
que ocurre en cualquier otro intervalo disjunto de tiempo o
región del espacio disjunto (el proceso de Poisson no tiene
memoria).
2. La probabilidad de que un resultado sencillo ocurra en un
intervalo de tiempo muy corto o en una región muy
pequeña es proporcional a la longitud del intervalo de
tiempo o al tamaño de la región y no depende del
número de resultados que ocurren fuera de este intervalo
o región.
Distribución de Poisson
3. La probabilidad de que más de un resultado ocurra
en ese intervalo de tiempo tan corto o en esa región
tan pequeña es despreciable.
 Se define la variable aleatoria Xt como el número
de resultados que ocurre en un intervalo de tiempo
dado o región específico. Además, λ es el número
promedio de resultados por unidad de tiempo o
región.
Distribución de Poisson
 La función de masa de probabilidad es:
λt x e−λt
P Xt = x =
x!

para x=0,1,2,…
 Además, E(Xt)= λt y VAR(Xt)= λt .
Ejemplo
 Un servidor web recibe un número de peticiones por
segundo que sigue una distribución de Poisson con
parámetro 0.2.
 Encontrar:
 a) la probabilidad que reciba dos peticiones en un
segundo.
 b) la probabilidad que se reciba un máximo de 3
peticiones en un segundo.
 c) la probabilidad de que el servidor colapse si no
puede atender más de 4 peticiones por segundo.
 d) la probabilidad de que se reciba 20 peticiones en
un minuto.
Distribución hipergeomética
 Experimento:
 Se tienen las siguientes propiedades:
1. Una muestra aleatoria de tamaño n se selecciona sin
reemplazo de un total de N resultados.
2. K resultados o artículos del total N pueden
clasificarse como éxitos y N-K como fracaso.
Distribución hipergeométrica
 Se define la variable aleatoria X como el número
de éxitos en una muestra de tamaño n seleccionada
de N resultados posibles, de los cuales K son
considerados como éxitos y N-K como fracaso.
 Nótese que la función de masa de probabilidad es:
𝐾 𝑁−𝐾
𝑃 𝑋=𝑥 = 𝑥 𝑛−𝑥
𝑁
para x=0,1,2,…,K si n>K 𝑛

o para x=0,1,…,n si n≤K.

Distribución hipergeométrica
 Para calcular E(X) y VAR(X). Se definen las siguientes
variables aleatorias Ij (j≤n) que representa que el j-ésimo
objeto sea un éxito, la cual asume los valores entre 0 y 1
con probabilidaes de (N-K)/N y K/N respectivamente.
 Como X=I1+I2+…+In,
 Entonces E(X)=E(I1) + E(I2) + … + E(In) = nK/N ya que
E(Ii)=K/N y VAR(Ii) =K/N-(K/N)2 para i=1,…,n
 Nótese que: E(IiIj)=1.(K/N)((K-1)/(N-1))+0=(K/N)((K-1)/(N-
1)) y COV(Ii,Ij)=K(K-1)/(N(N-1)) –(K/N)2= -(K/N)(1/(N-
1))(1-K/N) para i≠j.
 Entonces, VAR(X)= VAR(I1) + VAR(I2) + … + VAR(In) +
2σi<j COV(Ii , Ij ) =n(K/N)(1-K/N)+2(n(n-1)/2)(-K/N)(1-
K/N)(1/(N-1))=n(1-K/N)(K/N)((N-n)/(N-1)) .
Ejemplo
 Un lote de 100 productos industriales contiene 40
productos defectuosos.
 Sea Y el número de artículos defectuosos en una
muestra aleatoria de tamaño 20.
 Encuentre P([Y=10]).
 a) Y es una variable aleatoria hipergeométrica
(muestreo sin remplazo)
 b) Y es una variable aleatoria binomial (muestreo
con remplazo)
Ejemplo
 En el debate presidencial, los candidatos deben
estudiar 35 temas. El día del debate, se seleccionan 3
temas, de los cuales los candidatos deben desarrollar
el que ellos seleccionen. Asimismo, es práctica habitual
no estudiar todos los temas, esperando que sea poco
probable que de 3 temas al azar no salga ninguno de
los que han decidido estudiar.
 Encontrar cuál es la probabilidad de que no se haya
estudiado ningún tema de los 3 que proponen si se ha
dejado de estudiar 20 de los 35 temas.
Distribución uniforme
 Una variable aleatoria continua X tiene una
distribución uniforme con parámetro a<b si su
función densidad es:
1
, x ∈ a, b
f(x)=ቐb−a
0, cualquier otro caso

 Además, E(X)= (b+a)/2 y VAR(X)=(b-a)2/12

Ejemplo
 Un reloj de manecillas se detuvo en algún punto (no
se conoce).
 Determine la probabilidad de que se haya
detenido en los primeros 25 minutos, luego de
señalar la hora en punto.
Ejemplo
 Una llamada telefónica llega a un conmutador en
un tiempo, al azar, dentro de un período de un
minuto. El conmutador estuvo ocupado durante 15
segundos en ese minuto.
 Determine la probabilidad de que la llamada haya
llegado mientras el conmutador no estuvo ocupado.
Ejemplo
 Pepito y Mafalda deben encontrarse en una
parada de bus entre las 9:00am y las 10:00am.
Cada uno espera un máximo de 10 minutos.
 Determine la probabilidad de que no se
encuentren, si Mafalda llegará a las 9:30 en punto.
Distribución normal
 Dada una variable aleatoria continua con función
densidad de probabilidad:

 Además, E(X)=µ y VAR(X)=σ2.

Ejemplo
 En un proceso industrial el diámetro de una tuerca
es un importante componente. El comprador
establece en sus especificaciones que el diámetro
debe ser 3.0±0.01cm. La implicación es que no se
acepta ninguna tuerca que se salga de esa
especificación. Se conoce que en el proceso, el
diámetro de la tuerca tiene una distribución normal
con media 3.0 cm y desviación estándar 0.005 cm.
 En promedio, ¿Cuántas tuercas fabricadas se
descartan?
Ejemplo
 El 20% de los chips fabricados en una planta son
defectuosos.
 ¿Cuáles es la probabilidad de que en un lote de
100 chips aleatoriamente seleccionados más de 15
sean defectuosos?
 ¿Cuáles es la probabilidad de que en un lote de
100 chips aleatoriamente seleccionados entre 10 y
15 sean defectuosos?
Distribución exponencial
 La variable aleatoria continua X tiene una
distribución exponencial con parámetro β, si su
función densidad es:
x
1 −β
e , x>0
f(x)=ቐβ
0, cualquier otro caso

 Además, E(X)= β y VAR(X)= β2.

-x/β
 F(x)=1-e .
Ejemplo
 La vida media de una plancha es una variable
aleatoria distribuida exponencialmente con vida media
de 18 meses.
 Encuentre la probabilidad de que la plancha falle
antes de un año.
 Calcule la probabilidad de que la plancha falle
después de 2 años.
 Determine la probabilidad de que la plancha falle
entre los 16 y 19 meses.
Ejemplo
 Supóngase que un sistema contiene cierto tipo de
componente, cuyo tiempo de falla en años está
dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla
β=5. Si 5 de estos componentes se instalan en
diferentes sistemas.
 ¿Cuál es la probabilidad de que al menos 2
continúen funcionando después de 8 años?
Relación entre la distribución
exponencial y el proceso de Poisson
 La distribución de Poisson se utiliza para calcular la
probabilidad de un número específico de resultados
durante un período de tiempo o de espacio particular.
Esta distribución tiene un solo parámetro λ (número
promedio de eventos o resultados por unidad de
tiempo).
 Considérese la variable aleatoria T descrita por el
tiempo que se requiere para que ocurra el primer
resultado. Mediante la distribución de Poisson, se
encuentra que la probabilidad que no ocurran eventos
en el intervalo de (0,t) es e−λt .
Relación entre la distribución
exponencial y el proceso de Poisson
 Nótese que la probabilidad de que el período
hasta que ocurre el primer evento que exceda t es
la misma probabilidad de que no ocurra un evento
de Poisson de (0,t). Es decir, P([T>t])=e−λt .
Entonces, P([0≤T≤t])=1-e−λt .
 Asimismo, nótese que esta es una función
distribución exponencial, cuya función densidad es
f(t)= λe−λt con λ=1/β.
Ejemplo
 Supóngase que llegan llamadas telefónicas a un
conmutador en particular y que siguen el proceso
de Poisson con un promedio de 5 llamadas por
minuto.
 ¿Cuál es la probabilidad de que pasen 10 minutos
desde que llegó la última llamada?
 ¿Cuál es la probabilidad de que haya más de una
llamada en un minuto?
Distribución Gama
 Encuente la función generadora de momentos para
la variable aleatoria X con función densidad de
probabilidad con α>0 y β>0:

 Calcular M(s), E(X) y VAR(X).

Ejemplo
 En alguna ciudad, el consumo diario de agua (en
millones de litros) sigue aproximadamente una
distribución gamma con α=2 y β =3.
 Si la capacidad diaria de dicha ciudad es de 9
millones de litros de agua, determine la
probabilidad de que en cualquier día dado el
suministro de agua sea inadecuado.
Distribución Beta
 Una variable aleatoria X con una función densidad
1
x a−1 (1 − x)b−1 ,0 < 𝑥 < 1
f x, a, b = ቐB a,b
0 , 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑎 𝑐𝑎𝑠𝑜
donde a>0 y b>0 tiene una distribución Beta.
Γ(a)Γ(b)
Nota: B(a,b)= .
Γ(a+b)
 Calcular E(X) y VAR(X).
Ejemplo
 La proporción de una marca de televisores que
requiere servicio durante el primer año de
operación es una variable aleatoria que tiene una
distribución beta con a=3 y b=2.
 Calcule la probabilidad de que al menos 80% de
los nuevos modelos de esta marca que se vendieron
este año requieran servicio durante su primer año
de operación.