ESTADÍSTICA Y

PROBABILIDADES 1

DISTRIBUCIONES DISCRETAS
NOTABLES
Docente: Doctora (c) Jessica Cleofé Muñoz Grados de Flores
2023
Contenido:

Bernoulli

Binomial

Geométrica

Binomial Negativa

Hipergeométrica

Poisson
1. Distribución Bernoulli
Un experimento de Bernoulli es aquel que tiene dos resultados mutuamente
excluyentes que se denotan por éxito y fracaso con probabilidades p y q =1–p ,
respectivamente.

Función de probabilidad: Gráfica de función de probabilidad:

Se denota:
X ~ Bernoulli(p)

Donde, 0<p<1
Características:
• El experimento se ejecuta una sola vez
• El experimento tiene dos resultados posibles; éxito y fracaso.

Función de Distribución: F(X)

Valor Esperado: Varianza:

Ejemplo:
Se sabe que un software que procesa datos produce un error en el 0.1 % de los
procesamientos realizados. Se elige al azar un proceso de datos para comprobar si
no existe error. ¿Cómo se distribuye la variable X?, ¿cuáles son la media y la
varianza?
2. Distribución Binomial
Un experimento binomial se puede caracterizar como la extracción de n elementos uno
a uno con reposición, de una población finita (N) o infinita dividida en dos categorías
(éxito y fracaso).
Se utiliza en producción, control de calidad, en investigación de mercados, etc.

Función de probabilidad: Gráfica de función de probabilidad:

Se denota:
X ~ B(n;p)

Donde, 0<p<1 y q=1-p

Características:
• El experimento aleatorio se repite n veces con idénticas condiciones.
• El resultado de cada prueba es independiente de las demás.
• Cada una de las pruebas es un experimento de Bernoulli.
• La probabilidad (p) de éxito permanece constante en cada prueba.

Función de Distribución: F(X)

Valor Esperado: Varianza:

 Comandos en R Studio:
P(X = x) = d𝑏𝑖𝑛𝑜𝑚(x, 𝑛, p)
X ~ B(n;p)
P(X ≤ x) = p𝑏𝑖𝑛𝑜𝑚(x, 𝑛, p)

Ejemplo: Sea X ~ B(n=10; p=0.35)

𝑎. 𝑃 𝑋 = 2 =
Código: dbinom(2,10,0.35)

𝑏. P X ≤ 4 =
Código: pbinom(4,10,0.35)

𝑐. P 5 ≤ X ≤ 8 = P(X ≤ 8) − P(X ≤ 4)
Código: pbinom(8,10,0.35)-pbinom(4,10,0.35)

𝑑. P X ≥ 3 =1 − P(X ≤ 2)
Código: 1- pbinom(2,10,0.35)
La compañía P&L sabe que la probabilidad de que durante un mes un cliente presente un reclamo después de haber adquirido el principal
producto ofrecido por la empresa (denominado Alfa) es igual a 5%. Si el área de planeamiento de la compañía selecciona una muestra con
reemplazo o con reposición de 20 clientes de la empresa que han hecho uso del producto Alfa.
a) ¿Cuál es la probabilidad de que exactamente 3 clientes de la muestra presenten un reclamo?

Antes de realizar el cálculo de la probabilidad responda usted las siguientes preguntas:

i. ¿Cuál es la característica de estudio denominada éxito?
ii. ¿Cuál es el valor de la probabilidad de éxito? ¿ Qué característica presenta la probabilidad de éxito?
iii. ¿Cómo se define la variable en estudio?
iv. ¿Cuál es la distribución de la variable en estudio y cuál es el valor de los parámetros?
v. ¿Qué valores comprende el rango o recorrido de la variable en estudio?

a) ¿Cuál es la probabilidad de que como máximo 3 clientes de la muestra presenten un reclamo?

b) ¿Cuál es la probabilidad de que menos de 3 clientes de la muestra presenten un reclamo?
c) ¿Cuál es la probabilidad de que más de 3 clientes de la muestra presenten un
reclamo?
d) ¿Cuál es la probabilidad de que como mínimo 3 clientes de la muestra presenten un reclamo?

e) ¿Cuál es el valor esperado del número de clientes que presenten un reclamo en un mes al hacer uso del producto Alfa?
f) Suponga que la compañía tiene que incurrir en un gasto de 100 soles por cada cliente que presenta un reclamo. Calcule el gasto esperado
de la compañía en un mes.
3. Distribución Geométrica
El experimento consiste de una secuencia de ensayos independientes de Bernoulli, con
probabilidad 𝑝 de éxito en cada ensayo, que termina cuando se obtiene éxito por
primera vez.
En lugar de mantener fijo el número de ensayos, éstos se realizan hasta que se obtiene
un éxito.
Función de probabilidad: Gráfica de función de probabilidad:
Se denota:
X ~ G(p)

Para x=0;1;2;3;4;…
Características:
El experimento consiste en una serie de ensayos. El resultado de cada ensayo se puede clasificar
como éxito (E) o fracaso (F).
Los ensayos son idénticos e independientes.
La probabilidad de éxito, p, es la misma de un ensayo a otro.
La variable aleatoria X es el número de ensayos necesarios para obtener el primer éxito.

Función de Distribución: F(X)

Valor Esperado: Varianza:

1 1−𝑝
E(X) = V(X) = 2
𝑝 𝑝
 Comandos en R Studio:
P(X = x) = d𝑔𝑒𝑜𝑚(x − 1, p)
X ~ G(p)
P(X ≤ x) = p𝑔𝑒𝑜𝑚(x − 1, p)

Ejemplo: Sea X ~ G(p=0.35)

𝑎. 𝑃 𝑋 = 2 =
Código: dgeom(1,0.35)

𝑏. P X ≤ 4 =
Código: pgeom(3,0.35)

𝑐. P 5 ≤ X ≤ 8 = P(X ≤ 8) − P(X ≤ 4)
Código: pgeom(7,0.35)-pgeom(3,0.35)

𝑑. P X ≥ 3 =1 − P(X ≤ 2)
Código: 1- pgeom(1,0.35)
Ejercicios de Repaso
1. Suponga que la variable aleatoria X tiene una distribución geométrica con una
media de 2.5. Determinar las siguientes probabilidades:
1
E(X) = = 2.5 ⇒ 𝑝 = 0.4
𝑝
𝑎)𝑃(𝑋 = 5)
𝑃(𝑋 = 5) = 𝑑𝑔𝑒𝑜𝑚(4,0.4) = 0.05184

𝑏)𝑃(𝑋 ≤ 3)
𝑃(𝑋 ≤ 3) = 𝑝𝑔𝑒𝑜𝑚(2,0.4) = 0.784

𝑐)𝑃(𝑋 > 3)
𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − 𝑝𝑔𝑒𝑜𝑚(2,0.4) = 0.216
2. Si 0.08 es la probabilidad de que cierto instrumento de medición de intensidad de
luz sufra una desviación excesiva, determine:

a) ¿Cuál es la probabilidad de que el sexto de los instrumentos sometidos a

prueba sea el primero en mostrar esa desviación?
𝑋: 𝑁°𝑑𝑒𝑒𝑛𝑠𝑎𝑦𝑜𝑠𝑒𝑛𝑞𝑢𝑒𝑠𝑒𝑝𝑟𝑜𝑑𝑢𝑐𝑒𝑒𝑙𝑝𝑟𝑖𝑚𝑒𝑟𝑖𝑛𝑠𝑡𝑟𝑢𝑚𝑒𝑛𝑡𝑜𝑞𝑢𝑒
𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑢𝑛𝑎𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛𝑒𝑥𝑐𝑒𝑠𝑖𝑣𝑎
𝑝 = 0.08
𝑃(𝑋 = 6) = 𝑑𝑔𝑒𝑜𝑚(5,0.08) = 0.05272652

b) Calcular la media, varianza y desviación estándar.

1 1
𝐸(𝑋) = = = 12.5
𝑝 0.08
3. Una empresa comercial tiene un equipo computacional que utiliza para el comercio
al exterior de su región. La probabilidad de que el equipo falle en un día es de 0.005, y
cuando falla el equipo es reparado inmediatamente por la noche. Cada día es un evento
independiente.
X: N° de días de funcionamiento hasta que el equipo falle por primera vez

a) ¿Cuál es la probabilidad de que el equipo falle recién el quinto día cuando es

puesto en funcionamiento?
𝑃(𝑋 = 5) = 𝑑𝑔𝑒𝑜𝑚(4,0.005) = 0.004900748

b) ¿Cuál es la probabilidad de que el equipo recién falle después del tercer día
de funcionamiento?
𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − 𝑝𝑔𝑒𝑜𝑚(2,0.005) = 0.9850749

c) ¿Cuál es el número medio de días de funcionamiento hasta que el equipo

falle por primera vez?
1 1
𝐸(𝑋) = = = 200
𝑝 0.005
Continuara
…
4. Distribución Binomial Negativa
Es una generalización de la distribución geométrica en la cual la variable aleatoria es el
número de ensayos de Bernoulli requeridos para obtener k éxitos.
Es un modelo adecuado para tratar aquellos procesos en los que se repite un
determinado ensayo o prueba hasta conseguir un número determinado de resultados
favorables (por vez primera)
Función de probabilidad:
Se denota:
x−1 k
X ~ NB(k;p) P(X = x) = Ck−1 p (1 − p)x−k

X: N° de ensayos realizados hasta obtener k éxitos

p: probabilidad de éxito (constante en cada ensayo)
k: 1, 2, 3, …
x: k, k+1, k+2, … (valores que puede tomar la variable X)
Características:
El experimento consiste en una serie de ensayos independientes e idénticos, cada uno con
probabilidad p de éxito.
La probabilidad de éxito es constante de un ensayo a otro.
El experimento continúa (se realizan ensayos) hasta obtener exactamente k éxitos.
La variable X es el número de ensayos necesarios para lograr los k éxitos.

F( x ) = P(X  x ) =  Ck-1
Función de Distribución: F(X) x-1 k
p (1- p)x-k

Valor Esperado: Varianza:

k k(1 − p)
E(X) = 𝜇 = V(X) = 𝜎 2 =
p 𝑝2
 Comandos en R Studio:
P(X = x) = d𝑛𝑏𝑖𝑛𝑜𝑚(x − 𝑘, 𝑘, p)
X ~ NB(k;p)
P(X ≤ x) = p𝑛𝑏𝑖𝑛𝑜𝑚(x − 𝑘, 𝑘, p)

Ejemplo: Sea X ~ NB(k=2; p=0.5)

𝑎. 𝑃 𝑋 = 4 =
Código: dnbinom(2,2,0.5)

𝑏. P X ≤ 4 =
Código: ppnbinom(2,2,0.5)

𝑐. P 5 ≤ X ≤ 8 = P(X ≤ 8) − P(X ≤ 4)
Código: pnbinom(6,2,0.5)-pnbinom(2,2,0.5)

𝑑. P X ≥ 7 =1 − P(X ≤ 6)
Código: 1- pnbinom(4,2,0.5)
Ejercicios de Repaso
1. Un proveedor de equipo pesado ha encontrado que los clientes nuevos se
obtienen normalmente mediante llamadas telefónicas de compra que ellos mismos
hacen, la probabilidad que en la llamada se concrete la venta de un equipo es 0.3. Si
el proveedor tiene 3 piezas listas para su venta,
X: N° de llamadas telefónicas de compra hasta que se vendan las 3 piezas
𝑘 = 3𝑝 = 0.3
a) ¿Cuál es la probabilidad de tener menos de 5 entrevistas con clientes para
terminar con el inventario?
𝑃(𝑋 < 5) = 𝑃(𝑋 ≤ 4) = 𝑝𝑛𝑏𝑖𝑛𝑜𝑚(1,3,0.3) = 0.0837

b) ¿Cuántas llamadas en promedio deben efectuarse para lograr vender los

3 equipos?
𝑘 3
𝐸(𝑋) = 𝜇 = = = 10
𝑝 0.3
2. Supóngase que el 15% de licuadoras en determinada línea de ensamblaje tienen
defectos. Si se seleccionan al azar las licuadoras, una tras otra y se someten a
prueba para luego devolverlas a la línea,

a) Calcular la probabilidad de que se encuentre la segunda Licuadora defectuosa en

el cuarto ensayo.
X: N° de ensayos hasta que se tengan dos licuadoras defectuosas.
p=0.15 k=2
𝑃(𝑋 = 4) = 𝑑𝑛𝑏𝑖𝑛𝑜𝑚(2,2,0.15) = 0.04876875

b) Calcular la media, varianza y desviación estándar

𝑘 2
𝐸(𝑋) = 𝜇 = = = 13.33
𝑝 0.15

𝑘(1 − 𝑝) 2(0.85)
𝑉(𝑋) = 𝜎2 = = = 7.56 ⇒ 𝜎 = 8.69
𝑝2 0.152
3. Las fibras de algodón usadas en los propulsores de cohetes son sometidas a un
proceso de nitración, el cual permite que las fibras de algodón entren en solución.
Este proceso tiene efectividad de 90% en cuanto a que el material producido pueda
conformarse según se requiera en una etapa ulterior del proceso.

a) ¿Cuál es la probabilidad de que se produzcan exactamente 20 lotes para obtener el

tercer lote defectuoso?

X: N° de ensayos hasta tener tres lotes defectuosos.

p=0.10 k=3
𝑃(𝑋 = 20) = 𝑑𝑛𝑏𝑖𝑛𝑜𝑚(17,3,0.10) = 0.02851798
b) ¿Cuál es el coeficiente de variación?
𝑘 3 16.4317
𝐸(𝑋) = 𝜇 = = = 30 ⇒ 𝐶𝑉 = × 100 = 54.77%
𝑝 0.10 30

𝑘(1 − 𝑝) 3(0.9)
𝑉(𝑋) = 𝜎 2 = = = 270 ⇒ 𝜎 = 16.4317
𝑝2 0.102
5. Distribución Hipergeométrica
La distribución hipergeométrica es una distribución de probabilidad de una variable
aleatoria discreta y es útil donde las extracciones se realizan sin reposición, en cuyo
caso las pruebas no son independientes.

Función de probabilidad:
Se denota:
X ~ H(N, M, n)

Una variable aleatoria hipergeométrica depende de tres parámetros:

N: Tamaño de la población
M: Número de elementos que pertenecen a la categoría de éxito en la población
n: Tamaño de la muestra
Características:
• El tamaño de la población es finito (N).
• La población se divide en dos características mutuamente excluyentes.
• Cada elemento pertenece a una de estas características.
• Se obtiene una muestra aleatoria de tamaño n sin reemplazamiento.

Valor Esperado: Varianza:

 Comandos en R Studio:
P(X = x) = dℎ𝑦𝑝𝑒𝑟(x, 𝑀, 𝑁 − 𝑀, 𝑛)
X ~ H(N,M,n) P(X ≤ x) = pℎ𝑦𝑝𝑒𝑟(x, 𝑀, 𝑁 − 𝑀, 𝑛)

Ejemplo: Sea X ~ H(N=20,M=11, n=6)

𝑎. 𝑃 𝑋 = 2 =

𝑏. P X ≤ 4 =

𝑐. P 2 ≤ X ≤ 5 = P(X ≤ 5) − P(X ≤ 1)

𝑑. P X ≥ 3 =1 − P(X ≤ 2)
La empresa ABS S.A. compra un lote que contiene 50 piezas de tubería del proveedor A, y 40 piezas de tubería
del proveedor B. El área de control de calidad desea inspeccionar si en realidad existen piezas defectuosas para
lo cual selecciona una muestra aleatoria sin reemplazo de 10 piezas del total de piezas. Por experiencias
pasadas se sabe que existen 3 piezas defectuosas.
a) Hallar la probabilidad que el número de piezas defectuosas en la muestra sea exactamente dos.
b) Hallar la probabilidad que el número de piezas defectuosas en la muestra sea como máximo (a lo más, a lo
mucho) dos.
c) Hallar la probabilidad que el número de piezas defectuosas en la muestra sea menor a cinco.
d) Hallar la probabilidad que el número de piezas defectuosas en la muestra sea mayor a uno.
e) Hallar la probabilidad que el número de piezas defectuosas en la muestra como mínimo (por lo menos)
tres.
6. Distribución Poisson
La distribución de Poisson es una distribución de probabilidad de una variable
aleatoria discreta y hace referencia a una modelización en la que nos interesa
la ocurrencia de un número de eventos finitos de eventos discretos en un intervalo de
tiempo o de espacio.

Función de probabilidad:
Se denota:
X ~ Poisson(λ)

Donde el valor de e = 2.71828 es conocido como el número de Euler o constante

de Napier, y λ representa el promedio de ocurrencias en la unidad especificada.
Características:
• Los sucesos o eventos son independientes entre sí.
• El promedio de ocurrencias de un evento en un intervalo de longitud t es la misma que en otro
intervalo de la misma longitud y es proporcional a su longitud ( ) λt .
• La probabilidad de ocurrencia de un evento en un intervalo de tiempo depende de la longitud
del intervalo.
• El interés es analizar el número de ocurrencias en un intervalo.
• La distribución de Poisson tiene un parámetro que se denota con λ y se define como el número
promedio de ocurrencias en la unidad especificada.

Valor Esperado: Varianza:

 Comandos en R Studio:

X ~ P(λ)

Ejemplo: Sea X ~ P(λ =4)

𝑎. 𝑃 𝑋 = 2 =

𝑏. P X ≤ 7 =

𝑐. P 4 ≤ X ≤ 10 =

𝑑. P X ≥ 5 =
Con base en la experiencia, se supone que el número de defectos por pie en rollos de papel bond sigue una
distribución Poisson con un promedio de 1 defecto por cada 5 pies de papel. ¿Cuál es la probabilidad de
que en un rollo de:
a) Un pie haya por lo menos dos defectos?
b) 12 pies haya por lo menos un defecto?
c) 50 pies haya entre 5 y 7 defectos, inclusive?
 El fin…
por ahora