Distribuciones de Probabilidad Discretas

Las distribuciones discretas que se tratarán son:

1. Binomial
2. Multinomial
3. Hipergeométrica
4. Hipergeométrica generalizada
5. Poisson
6. Aproximación de Poisson a la Binomial
7. Geométrica
8. Binomial Negativa

Distribuciòn Binomial

Un experimento binomial consta de un conjunto de ensayos repetidos, cada

uno de los cuales tiene dos posibles resultados, que suelen denominarse éxito
o fracaso. Un ejemplo de dicho ensayo es lanzar una moneda, cuyos resulta-
dos posibles son águila o sello. Cada resultado puede considerarse el éxito y
el otro fracaso. Un experimento Binomial tiene las siguientes propiedades:

1.- El experimento consta de n ensayos repetidos.

2.- Cada ensayo tiene un resultado que puede clasificarse como éxito o
fracaso.
3.- La probabilidad de un éxito, denotada por p, permanece constate de un
ensayo a otro. Y la del fracaso, denotada por q, es por lo tanto 1 – p.
4.- Los ensayos repetidos son independientes.

X es el número de éxitos obtenido en n ensayos de un experimento binomial.

La función distribución de esta variable aleatoria se llama distribución
Binomial.
Para x éxitos en n intentos independientes, la función distribución binomial
está dada por la expresión :
 Distribuciones de Probabilidad Discretas

p x q n−x
n!
f ( x ) = p( X = x ) = p( n , x , p ) =
x! ( n − x )!
Donde :
p(n,x,p) = probabilidad de obtener en n ensayos x éxitos cuando la probabili-
dad de éxito es p.
En el caso de sólo dos tipos de objetos, ésta fórmula puede ser substituida
por la de combinaciones:
p( n , x , p )=n Cx p x q n − x
La media y la desviación estándar están dadas, respectivamente, por las
ecuaciones:
 = np y  = npq
Donde: n = número de ensayos (o repeticiones) del experimento
p = probabilidad de éxito; q = complemento de p
Ejemplo: Se dice que el 75% de los accidentes en una planta, son errores
humanos. Si en un período determinado, se suscitan 5 accidentes, determine
la probabilidad de que: a) 2 de los accidentes se atribuyan a errores humanos
b) como máximo 1 de ellos se atribuyan a errores humanos; c) 3 de ellos no
Se atribuyan a errores humanos. Solución:
a) n = 5
x = número de accidentes debidos a errores humanos.
p = p(éxito) = probabilidad de Acc. debido a errores humanos = 0.75
. q = p(fracaso) = 1- p = 1-0.75 = 0.25

p( 2,5,0.75 )=5 C2 ( 0.75 )2 ( 0.25 )5−2 = ( 10 )( 0.5625 )( 0.015625 ) = 0.08789

b)
p(( 0,1),5,0.75 )=5 C0 ( 0.75 )0 ( 0.25 )5−0 + 5 C1( 0.75 )1( 0.25 )5−1 = 0.015625

c) x = número de accidentes no debidos a errores humanos.

p = p(éxito) = probabilidad de [Link] se deba a errores humanos = 0.25
. q = p(fracaso) = 1- p = 1-0.25 = 0.75

p( 3,5,0.25 )=5 C3 ( 0.25 )3 ( 0.75 )5−3 = ( 10 )( 0.015625 )( 0.5625 ) = 0.08789

 Distribuciones de Probabilidad Discretas
Distribución multinomial

La distribución binomial se generaliza de la siguiente manera.

“ Suponga que se divide el espacio muestral S de un experimento E, esto es,
s sucesos mutuamente excluyentes A1, A2 , ... , As con probabilidades
respectivas p1, p1, ..., ps , entonces:

En n experimentos repetido, la probabilidad de que A1, salga k1 veces, A2 k2

veces, ..., y As ks es igual a
n! x1
p( x 1 , x 2 ,...x s ) =
x x
p1 p 2 ...ps s
k1 ! k 2 !...k s ! 2

Donde k1 + k2 , ... , + ks = n
nota. Si s = 2, se obtiene la distribución binomial

Ejemplo: Se tira un dado 8 veces. Hallar la probabilidad p de obtener 5 y 6

exactamente 2 veces y los otros números exactamente una vez.

2 2
8!  1  1  1 1 1 1 35
p( 2,2,1,1,1,1) =          = = 0.006
2! 2! 1! 1! 1! 1!  6   6   6   6   6   6  5832

Ejemplo2: En un lote de producción la probabilidad de que un artículo esté

en buen estado es de 0.92, la probabilidad de tenga defectos menores es de
0.06 y la probabilidad de tenga defectos mayores es de 0.02, si se toma una
muestra de 15 artículos, ¿cuál es la probabilidad de encontrar 12 artículos
buenos ,1 con defectos menores y 2 con defectos mayores ?

p( x ,n , p ) =
15!
(0.92)12 (0.06 )1 (0.02)2 = 0.012044
12! 1!2!
 Distribuciones de Probabilidad Discretas
Distribución Poisson

Un experimento de Poisson es aquel que produce valores numéricos de una

variable aleatoria, X, durante un intervalo dado de tiempo o en una región
específica.
Una variable aleatoria de Poisson X es el número de éxitos de un
experimento, y tiene las siguientes características:

1. Se conoce el número promedio de éxitos,  , que ocurre en el intervalo

de tiempo o región específica dados.
2. La probabilidad de ocurrencia de un solo evento durante un intervalo
muy corto de tiempo o en una región pequeña, es directamente
proporcional a la longitud del intervalo de tiempo o al tamaño de la
región, y no depende del número de éxitos que ocurren fuera de dicho
intervalo o región específica.
3. La probabilidad de que ocurra más de un éxito en dicho intervalo
corto de tiempo o que se encuentre dentro de tal pequeña región es
despreciable.

La función de distribución de una variable aleatoria de Poisson se llama

Distribución de Poisson, y está dada por:

( e - t )( t x )
f ( x ) = p( X = x ) =
x!
t es el número promedio de éxitos que ocurren en un intervalo de tiempo o
en la región dados, se le denomina tasa de pequeñas llegadas( y es la media
de la distribución de Poisson)
 Distribuciones de Probabilidad Discretas
Ejemplo: Si un banco recibe en promedio ,seis cheques sin fondo por día,
cuáles son las probabilidades de reciba: a) cuatro cheques sin fondo en un
día determinado; b) diez cheques sin fondo en cualquiera de 2 consecutivos?

x = variable que define el No. de cheques sin fondo que llegan al banco
= 0,1,2,3,...,n.
t = 6 cheques sin fondo por día
e = 2.718
( 4
- 6 )( 6 ) ( 0.00248 )(1296 )
p( x = 4,t = 6 ) = e = = 0.13392
4! 24

b) t = 6*2 = 12 cheques sin fondo en promedio que llegan en dos días

−6
10
( 6.1917E10 )( 6.144* 10 )
p( x = 10 ,t = 12 ) = ( e - 12 )(12 ) = = 0.104953
10! 3628800

Aproximación de Poisson a la Binomial

En este caso se determinarán probabilidades de experimentos binomiales,
pero por sus características, es posible aproximarlas con la distribución de
Poisson , siendo éstas: n →  y p → 0 ( es muy pequeña), por lo que:

( - t )( x )
p( x ,n ,p )= C p x q n − x  e t
Donde. n x x!
t es el número esperado de éxitos = tasa promedio
n número de repeticiones del experimento
p probabilidad de éxito
 Distribuciones de Probabilidad Discretas

Distribuciòn hipergeométrica
Los experimentos probabilísticos que tienen este tipo de
distribución, tienen las siguientes características:
1.- El experimento consta de n ensayos repetidos.
2.- Estos experimentos tiene más de dos tipos de resultados.
3.- Las probabilidades asociadas a este tipo de resultados no
son constantes (la probabilidad de éxito para un ensayo dado,
depende de los resultados de ensayos anteriores).
4.- Cada ensayo no es independientes de los demás (se basa
en el muestreo que se realiza sin reemplazo)

Ejemplo: Se desea encontrar la probabilidad de obtener 3

cartas rojas en cinco extracciones de una baraja de 52 cartas
Solución:
1o. Hay 26 C3 formas de seleccionar las 3 cartas rojas y
26 C2
formas de seleccionar 2 cartas negras en cinco extrac-
ciones del producto.
2o. El número total de formas de seleccionar 5 cartas de las
52 disponibles es 26 C5.
C3 *26 C2
Entonces..p(3r) = 26
= 0.3251
C
52 5

Por tanto la fórmula es:

C x *( N −k ) C( n− x )
p( x, N , n, k ) = k
=, x = 0,1,2...n
N Cn
 Distribuciones de Probabilidad Discretas
Distribuciòn hipergeométrica generalizada

Los experimentos probabilísticos que tienen este tipo de distribución,

tienen las siguientes características:

1.- El experimento consta de n ensayos repetidos.

2.- Estos experimentos tiene más de dos tipos de resultados.
3.- Las probabilidades asociadas a este tipo de resultados no son constantes
(la probabilidad de éxito para un ensayo dado, depende de los resultados
de ensayos anteriores).
4.- Cada ensayo no es independientes de los demás (se basa en el muestreo
que se realiza sin reemplazo)

Ejemplo: En un recipiente se encuentra una cantidad “a” de artículos de un

tipo; “b” artículos de un segundo tipo y “c” de un tercer tipo, de manera que
el número total de artículos es: N = a + b + c . Si se toma una muestra al
azar de “n” objetos. ¿Cuál es la probabilidad de obtener “x” objetos del 1º
Tipo, “y” del 2º tipo y “z” del 3° tipo ?
Solución:
1. Hay a Cx formas de seleccionar “x” artículos tipo “a” ,hay b C y
formas de seleccionar “y” del tipo “b” y c C z “z” del tipo “c”
1. El número tatal de formas de seleccionar los “n” objetos del total de
N artículos es N Cn

Por lo tanto, la formula para calcular la probabilidad es:

C x *b C y *c C z
p( x, y, z, n, N , a, b, c) = a
, x = 0,1,2,...n.
N Cn

,
 Distribuciones de Probabilidad Discretas

C x *b C y *c C z
p( x, y, z, n, N , a, b, c) = a
, x = 0,1,2,...n.
N Cn
,

donde:
N = x + y + z = total de objetos
a = total de objetos del primer tipo
b = total de objetos del segundo tipo
c = N-a-b = total de objetos del tercer tipo
n = objetos seleccionados en la muestra
x = objetos del primer tipo en la muestra
y = objetos del segundo tipo en la muestra
z = n-x-y = objetos del tercer tipo en la muestra
 Distribuciones de Continuas
La probabilidad de continua se maneja en un intervalo en donde la variable
aleatoria puede tomar cualquier valor a lo largo de él.
Entre las distribuciones más comunes están:
1. Distribución Normal
- Aproximación de la binomial a la Normal
- Aproximación de la Poisson a la Normal
2. Distribución Exponencial

Distribución Normal
Esta distribución queda definida al suavizar un polígono de frecuencia de un
histograma. Se obtiene una curva gaussiana también llamada curva normal o
campana de Gauss ( por su forma). Esta curva describe tantos conjuntos de
datos que suceden en la naturaleza , la industria, y la investigación que en
ocasiones es considerada la distribución más importante en estadística. Los
parámetros de la curva de Gauss son la media y la desviación estándar o la
varianza. En la siguiente figura se presenta la curva y tiene las siguientes
propiedades :

1. El máximo ocurre en la media, donde x =  

2. La curva es simétrica con respecto al eje
vertical que pasa por la media .
3. Eje horizontal la curva se acerca
asintomáticamente al eje horizontal
4. El área total bajo la curva es 1. 0 Z
− 
La función que define esta distribución es:

2
f ( x , , 2 ) = 1 e− ( x −  ) 
 2 2
 Distribuciones de Continuas
La probabilidad en las distribuciones continuas se calcula con la integral:
 2 


f ( x , , 2

)=  
1
e − ( x − ) 
 dx
 2 2 
−  

Debido a la dificultad que puede representar integrar y tabular esta función,

se define una nueva variable aleatoria z con la expresión:
x−
z=

Este valor z , es proporcionado por la tabla de distribución normal; en donde,
se manejan (en la parte exterior) los valores de z y en la parte interior, el área
correspondiente a ese valor de z.
Se dice que z es un valor que se distribuye normalmente con media igual a
cero y varianza igual a uno.
Por lo general, las tablas dan el área a partir de la media a cualquier valor
de interés:

 x
Z=1
z=0

Ejemplos:
Encontrar el área bajo la curva normal en cada uno de los siguientes casos.
Utilizar la tabla.

a) Entre z = 0 y z = 1.2 a)
b) “ z = -0.73 y z =0
c) “ z = -1.37 y z = 2.01
d) “ z = 1.13 y z= z=0 Z = 1.2

el área es 0.3849
 Distribuciones de Continuas
e) Entre z = -1.79 y z = -0.54
f) “ z = 1.13 y z = 

c) Entre z = -1.37 y z= 2.01

De z = 1.37, el área es 0.4137
De z= 2.01 “ “ 0.4778
Z = 1.37 z= 0 z=2.01
Como la campana da el área desde el valor de
interés hasta la media o a z=0, entonces,se tiene
que sumar el área entre 1.37 y 2.01: Área total = 0.4137 + 0.4778 = 0.8925

d) Entre z = 0.65 y z = 1.26

Z(0.65) = 1.2422
Z(1.26) = 0.3962
El área 0.3962 corresponde de 0 a 1.26 y
el 0.2422 va de 0 a 0.65, por tanto el área
z=0 z = 0.65
de interés es igual a 0.3962 - 0.2422 = 0.1540 z = 1.26

e) z(-1.79) = 0.4633
z(-0.54)= 0.2054
z=0
el área = .4633 -.2054 = 0.2579
z = -1.79 z = -0.54

f) Entre z = 1.13 y z = 
Como la curva normal es simétrica y su área total
es igual a 1,entonces el área de 0 a  es igual a
0.50 y el área de 0 a 1.13 es de 0.3708.
z = 1.13 
El área de interés = 0.50 – 0.3708 z=0
Aproximación de la Distribución Normal a la Binomial
Muchas distribuciones de probabilidad tienen la forma de una distribución
normal; la distribución de probabilidad binomial es una de ellas, particular-
mente cuando el número “n” de pruebas en un experimento binomial es
grande y “p” no se encuentra demasiado cerca de cero o de uno. En este caso
la distribución binomial toma una forma muy aproximada a la curva de la
la normal con:
· la media igual al número de pruebas en el experimento por la probabilidad
de éxito(  = np)
· una desviación estándar igual npq
· es útil cuando se calculan prob. binomiales para valores grandes de “n”
· la manera de mostrar como y porque funciona la aproximación normal es
empleando gráficas.
· el valor se z:
x− (x− 1 ) − np
de z = a z= 2
 pnq

nota: se resta un ½ a x para incluir

X= 65
el rectángulo completo del histograma. =60

X1= 64.5 X1= 65.5

Ejemplo:
La probabilidad de que un paciente se recupere de una enfermedad es de 0.4.
Si se sabe que 100 personas han contraído esta enfermedad,¿cuál es es la
probabilidad de que: a) al menos 30 sobrevivan, b) más de 46 sobrevivan y
c) menos de 50 no sobrevivan?
a)
n = 100  = np = (100)(0.40) = 40 pacientes se recuperan
p = p(paciente se recupere) = 0.40 x = define el No. Pacientes que se recuperan
q = 1-p = 0.60 X = 0,1,2,...,100 paciente que se recuperan
 ( x − .5 ) −  ( 30 − .5 ) − 40
z= =  −2.14
 4.899

p(z = -2.14) = 0.4838 x = 29.5  = 40

p(x>=30) = p(z) + 0.5 = 0.9838

b)
( x + .5 ) −  ( 46 + .5 ) − 40
z= = = 1.33
 4.899

p(z = 1.33) = 0.4082

 =0 x = 46.5
p(x>46) = 0.5 - p(z) = 0.0918

c)

n = 100  = np = 100(.6) = 60 pacientes no se recuperan

p = p(paciente no sobreviva) = 0.60 x = define el No. Pacientes que no se recuperan
q = 1-p = 0.40 x = 0,1,2,...,100 paciente que no se recuperan

( 50 − .5 ) − 60
z= = −2.14
4.899

p(z = -2.14) = 0.4838

 = 60
p(x<50) = 0.5 - p(z) = 0.5 - 0.4838 = 0.0162 x = 49.5
Aproximación de la Distribución de Poisson a la Normal
Debido a que una distribución de Poisson se aproxima a una distribución
Binomial y ésta a una distribución Normal, también se puede aproximar una
Distribución de Poisson a la Normal.

Ejemplo: Si la probabilidad de que una persona sufra una reacción por una
inyección de determinado suero es 0.001. Determine la probabilidad de que
en 2000 personas, a) exactamente 3 la sufran, y b) más de 2 la tengan.

 = np = 2000 * 0.001 = 2
p = 0.001
t =  = np = 2
t=2 2.5 3.5

 = t = 2 = 1.4142

2.5 − 2 3.5 − 2
z= = 0.3535  0.35 z= = 1.06
1.4142 1.4142

p( x = 3) = 0.2186

b)
2.5 − 2
z= = 0.3535  0.35
1.4142

2.5
2
p(x>2) = 0.3632
 Distribución Exponencial
Esta distribución se utiliza para modelar o elaborar un modelo que
represente el tiempo transcurrido hasta la ocurrencia de algún evento.

La variable aleatoria continua tiene una distribución exponencial:

1 −x
β
e , x 0

f(x) = donde  >0
0 en cualquier otro caso
f(x)
La media y la varianza están dadas por:

= y 2 = 2
Entonces

−x
b b  b a b
dx = − e  
e −x
p( a  X  b ) =  f ( x )dx = 
a a    a

Ejemplo: Suponga que un sistema tiene cierto tipo de componente cuyo

tiempo de falla en años está dado por la variable “x”, distribuida exponen--
cialmente con el tiempo promedio de falla beta igual a 5. Si 5 de esos
componentes se instalan en diferentes sistemas, ¿cuál es la probabilidad de
que al menos 2 continúen funcionando después de 8 años?
Sea “x” el No. de componentes
1e
p( x  8 ) = 
58
5
−8
dx = e 5  0.20   funcionando después de 8 años.

p( x  2 ) = 1 − p( x = 0 ,1) = 1 − 0.7373 = 0.2627