1

Instituto Tecnológico del Estado de Chihuahua

Probabilidad y estadística

Distribuciones de Variables Aleatorias Discretas

Caballero Burgos Arturo Salvador

Unidad 3
 2

Distribución binomial
Es una distribución de probabilidad discreta que describe el número de éxitos al realizar n
experimentos independientes entre sí, acerca de una variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados bajo esta
distribución de probabilidad. Imaginemos el lanzamiento de una moneda en el que definimos el
suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos (sacar
cara) que obtenemos, nuestra distribución de probabilidades se ajustaría a una distribución
binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos en la que
solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra variable aleatoria.

Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:

 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que la
moneda no cambia en cada experimento y las probabilidades de sacar cara son constantes.
 La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q, podemos
obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto, lo
que ocurra en cada experimento no afecta a los siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda salga cara
y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha de salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p), donde n representa el número de ensayos o experimentos y p la probabilidad de éxito.

La fórmula para calcular la distribución normal es:

 3

Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino que es
un resultado de una combinatoria sin repetición. Este se obtiene con la siguiente formula:

El signo de exclamación en la expresión anterior representa el símbolo de factorial.

Ejemplo de distribución binomial

Imaginemos que un 80% de personas en el mundo ha visto el partido de la final del último
mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la probabilidad de
que 3 de ellos hayan visto el partido?

Definamos las variables del experimento:

n    = 4 (es el total de la muestra que tenemos)

x    = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad de que
3 de los 4 amigos lo hayan visto.

p    = probabilidad de éxito (0,8)

q    = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador del factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el denominador

tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado del factorial sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el segundo 0,2 (dado
que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100 tenemos
que hay una probabilidad del 40,96% de que 3 de los 4 amigos haya visto el partido de la final
del mundial.
 4

La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de los lectores
ya la han leído.

Un grupo de 4 amigos son aficionados a la lectura:

1 ¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

2 ¿Y cómo máximo 2?

Distribución hipergeométrica

Tanto la distribución hipergeométrica como la distribución binomial describen el número de

veces que un evento ocurre en un número fijo de ensayos. Para la distribución binomial, la
probabilidad es igual para cada ensayo. Para la distribución hipergeométrica, cada ensayo cambia
la probabilidad de cada ensayo subsiguiente porque no hay reemplazo.

La distribución hipergeométrica es una distribución discreta que modela el número de eventos en

una muestra de tamaño fijo cuando usted conoce el número total de elementos en la población de
la cual proviene la muestra. Cada elemento de la muestra tiene dos resultados posibles (es un
evento o un no evento). Las muestras no tienen reemplazo, por lo que cada elemento de la
muestra es diferente. Cuando se elige un elemento de la población, no se puede volver a elegir.
Por lo tanto, la probabilidad de que un elemento sea seleccionado aumenta con cada ensayo,
presuponiendo que aún no haya sido seleccionado.
 5

Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones relativamente

pequeñas, sin reemplazo. Por ejemplo, la distribución hipergeométrica se utiliza en la prueba
exacta de Fisher para probar la diferencia entre dos proporciones y en muestreos de aceptación
por atributos cuando se toman muestras de un lote aislado de tamaño finito.

La distribución hipergeométrica se define por 3 parámetros: tamaño de la población, conteo de

eventos en la población y tamaño de la muestra.

La distribución hipergeométrica puede derivarse de un proceso experimental puro o de

Bernouilli con las siguientes características:

 El proceso consta de n pruebas , separadas o separables de entre un conjunto de N pruebas

posibles.

 Cada una de las pruebas puede dar únicamente dos resultados mutuamente excluyentes: A y
no A.

 En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con p+q=l.

Las probabilidades de obtener un resultado A y de obtener un resultado no A varían en las

sucesivas pruebas, dependiendo de los resultados anteriores.

(Derivación de la distribución) . Si estas circunstancias a leatorizamos de forma que la variable

aleatoria X sea el número de resultados A obtenidos en n pruebas la distribución de X será una
Hipergeométrica de parámetros N,n,p     así    

Un típico caso de aplicación de este modelo es el siguiente :

                            Supongamos la extracción aleatoria de n elementos de un conjunto formado por

N elementos totales, de los cuales Np son del tipo A y Nq son del tipo   (p+q=l) .Si realizamos
las extracciones sin devolver los elementos extraídos , y llamamos X. al número de elementos
del tipo A que extraemos en n extracciones X seguirá una distribución hipergeométrica de
parámetros N , n , p

Función de cuantía.

  La función de cuantía de una distribución Hipergeométrica hará corresponder a cada valor de la

variable X (x = 0,1,2, . . . n) la probabilidad del suceso "obtener x resultados del tipo A ", y (n-x)
resultados del tipo no A en las n pruebas realizadas de entre las N posibles.

Veamos :
 6

                                      Hay un total de   formas distintas de obtener

x resultados del tipo A y n-x del tipo   ,

si partimos de una población formada por Np elementos del tipo A y Nq
elementos del tipo 

                  Por otro lado si realizamos n pruebas o extracciones hay un total de

                                                  posibles muestras ( grupos de n elementos)

aplicando la regla de Laplace tendríamos

                                

que para valores de X comprendidos entre el conjunto de enteros 0,1,…. .n será la expresión de
la función de cuantía de una distribución , Hipergeométrica de parámetros N,n,p .

Media y varianza.

    Considerando que una variable hipergeométrica de parámetros N, n, p puede considerarse

generada por la reiteración de un proceso dicotómico n veces en el que las n dicotomías NO son
independientes ; podemos considerar que una variable hipergeométrica es la suma de n variables
dicotómicas NO independientes.

    Es bien sabido que la media de la suma de variables aleatorias (sean éstas independientes o no)
es la suma de las medias y por tanto la media de una distribución hipergeométrica será , como en
el caso de la binomial : 

En cambio si las variables sumando no son independientes la varianza de la variable suma no

será la suma de las varianzas.

    Si se evalúa el valor de la varianza para nuestro caso se obtiene que la varianza de una
distribución hipergeométrica de parámetros N,n,p es : si   
 7

                                                

para demostración de esta expresión véase Wilks S. ,Mathematical Statistics,1962

    Esta forma resulta ser la expresión de la varianza de una binomial (n, p) afectada por un
coeficiente corrector [N-n/N-1] , llamado coeficiente de exhaustividad o Factor Corrector de
Poblaciones Finitas (F.C.P.F.) y que da cuenta del efecto que produce la no reposición de los
elementos extraídos en el muestreo.

    Este coeficiente es tanto más pequeño cuanto mayor es el tamaño muestral (número de
pruebas de n ) y puede comprobarse como tiende a aproximarse a 1 cuando el tamaño de la
población N es muy grande . Este último hecho nos confirma lo ya comentado sobre la
irrelevancia de la reposición o no cuando se realizan extracciones sucesivas sobre una población
muy grande. Con una población muy grande se cual fuere el tamaño de n , el factor corrector
sería uno lo que convertiría , en cierto modo a la hipergeométrica en una binomial (ver D.
Binomial) . Así

    Límite de la distribución hipergeométrica cuando N tiende a infinito.

    Hemos visto como la media de la distribución hipergeométrica [H{N,n,p)], tomaba siempre el
mismo valor que la media de una distribución binomial [B{n,p)] también hemos comentado que
si el valor del parámetro N crecía hasta aproximarse a infinito el coeficiente de exhaustividad
tendía a ser 1, y, por lo tanto, la varianza de la hipergeométrica se aproximaba a la de la binomial
: puede probarse asimismo , cómo la función de cuantía de una distribución hipergeométrica
tiende a aproximarse a la función de cuantía de una distribución binomial cuando 

Puede comprobarse en la representación

gráfica de una hipergeométrica con N
=100000 como ésta ,es idéntica a la de una
binomial con los mismos parámetros
restantes n y p , que utilizamos al hablar de
la binomial

 
 8

Moda de la distribución hipergeométrica

    De manera análoga a como se obtenía la moda en la distribución binomial es fácil obtener la
expresión de ésta para la distribución hipergeométrica. De manera que su expresión X0 sería la
del valor o valores enteros que verificasen.

                                                 

Ejercicios

Diez refrigeradores de cierto tipo han sido devueltos a un distribuidor debido al a presencia de un
ruido oscilante agudo cuando el refrigerador está funcionando. Supongamos que 4 de estos 10
refrigeradores tienen compresores defectuosos y los otros 6 tienen problemas más leves. Si se
examinan al azar 5 de estos 10 refrigeradores, y se define la variable aleatoria X: “el número
entre los 5 examinados que tienen un compresor defectuoso”. Indicar:

1. La distribución de la variable aleatoria X

2. La probabilidad de que no todos tengan fallas leves

3. La probabilidad de que a lo sumo cuatro tengan fallas de compresor

 9

1.

Ilustremos con un esquema la situación:

El tamaño de la población finita es de 10 ⇒N=10⇒N=10. En esa población finita hay 4 éxitos

(compresores defectuosos) y 6 fracasos (problemas más leves). ⇒M=4⇒M=4. El tamaño de la
muestra es de 5, ⇒n=5⇒n=5.

Entonces la variable XX número de refrigeradores con compresores defectuosos de un total de 5

analizados, tiene distribución:

X∼Hipergeométrica(N=10,M=4,n=5)X∼Hipergeométrica(N=10,M=4,n=5)

2.

Es conveniente pensar cómo expresar en términos de X a la condición “que no todos tengan

fallas leves”. Si no ocurre que todos tengan fallas leves, es porque alguno tiene compresores
defectuosos. Es decir que X≥1X≥1.

P(X≥1)=1–P(X=0)=1–(40)(65)(105)=0,97619P(X≥1)=1–P(X=0)=1–(40)(65)(105)=0,97619
 10

En el siguiente video mostramos cómo calcular la probabilidad de una variable hipergeométrica

usando una app (la app se llama Probability Distributions y se puede descargar desde acá):

3.

“A lo sumo cuatro fallas de compresor” es equivalente a “cómo máximo cuatro fallas de

compresor”. Es decir X≤4X≤4. Pero el recorrido de la variable
es R(X)={0,1,2,3,4}R(X)={0,1,2,3,4}. Entonces:

P(X≤4)=1

Un grupo de amigos del secundario se reúnen en la casa de Laura para comer un asado. En este
grupo hay 8 mujeres y 6 varones. De las mujeres 5 estudian letras y el resto exactas, mientras que
de los varones sólo uno estudia letras y el resto exactas.

a) Si las primeras en llegar a la casa son tres chicas, ¿cuál es la probabilidad de que estudien lo
mismo?

b) Si tres cualesquiera de ellos hacen el asado, ¿cuál es la probabilidad de que estudien lo

mismo?

c) Si se seleccionan dos al azar de este conjunto de amigos y se define la variable aleatoria X:

cantidad de amigos que estudian letras entre los dos elegidos, hallar el valor esperado y la
varianza de X.

Resolución del ejercicio 2

A)

Hagamos un esquema de la composición del grupo respecto a sexo y a estudios:

 11

Si las primeras que llegan son tres chicas (Laura ya está en su casa…) entonces hay cuatro chicas
(tres + Laura). La única forma de que estudien lo mismo es que estudien letras (no existen 4
chicas que estudien exactas en el grupo). Entonces Laura estudia Letras.

Son siete chicas las que pueden llegar a la casa de Laura (4 estudian letras y 3 exactas). Podemos
considerar a esas siete chicas cómo la población, de la que se extraen aleatoriamente tres
invididuos:

Definamos entonces la variable con distribución hipergeométrica:

X:X: cantidad de chicas que estudian letras entre las tres primeras en llegar a la casa de Laura
(elegidas entre siete chicas en total)
 12

X∼Hipergeométrica(N=7,M=4,n=3)X∼Hipergeométrica(N=7,M=4,n=3)

Para responder a la pregunta calculamos la probabilidad de que x=3x=3:

P(x=3)=(43)(30)(73)≅0,11429P(x=3)=(43)(30)(73)≅0,11429

B)

En esta pregunta ya no interesa el sexo de cada uno sino lo que estudian. Tenemos la siguiente
composición:

Podemos definir la variable YY: cantidad de chicos que estudian letras de un total de 3 amigos
elegidos aleatoriamente entre 14 amigos. Esa variable tiene distribución hipergeométrica
con N=14N=14, M=6M=6, n=3n=3.

Notemos que si Y=3Y=3 entonces los tres amigos estudian letras, pero si Y=0Y=0 entonces los
tres amigos estudian exactas.

Luego la probabilidad que nos piden es:

P(estudienlomismo)P(estudienlomismo)

=P(Y=0)+P(Y=3)=P(Y=0)+P(Y=3)

≅0,05495+0,15385≅0,05495+0,15385

≅0,2088≅0,2088

C)
 13

Cómo conocemos la variable y sus parámetros, simplemente reemplazamos en las fórmulas de

esperanza y varianza de una variable hipergeométrica.

XX: cantidad de amigos que estudian letras entre los dos elegidos

X∼Hipergeométrica(N=14,M=6,n=2)X∼Hipergeométrica(N=14,M=6,n=2)

E(X)=nMNE(X)=nMN

E(X)=2.614=67≅0,8571E(X)=2.614=67≅0,8571

V(X)=(N–nN–1)n.MN.(1–MN)V(X)=(N–nN–1)n.MN.(1–MN)

V(X)=(14–214–1)2.614.(1–614)V(X)=(14–214–1)2.614.(1–614)

V(X)=288637=0,452V(X)=288637=0,452

Aproximación de la Hipergeométrica por la Binomial

Es un método que se utiliza cuando el espacio muestral, que manejamos en el problema, es

mucho mayor que la muestra.

Cuando N es grande y n es relativamente pequeña entonces la distribución correcta a utilizar es

la binomial. Se puede probar que la función de probabilidad hipergeométrica converge a la
función de probabilidad binomial cuando N es grande.

Generalmente el muestreo se hace a partir de una población grande, por lo que la distribución
hipergeométrica es mucho menos usada en la vida real que la binomial. Sin embargo, si la
población es pequeña, entonces la distribución correcta a utilizar será la hipergeométrica.

Recuerde que se recomienda usar la distribución hipergeométrica cuando:

N / n < 10
 14

Sea X una variable aleatoria con distribucion hipergeometrica, como en la section anterior. Si el
tamano del lote es suficientemente grande, la distribucion X puede ser aproximada por la
distribucion binomial, es decir,

Hipergeometrica multivariante

La distribución hipergeométrica multivariante H(N,m,p1,...,pn) es una generalización de la

distribución hipergeómetrica. Proporciona probabilidades de extraer x1 bolas del color 1,
x2 bolas del color 2,...y xn bolas del color n de una urna en la que hay N1,...Nn bolas de colores

diferentes (N=N1+···+Nn). Realizamos m extracciones sin reposición  , y consideramos

las variables, Xi, número de bolas extraídas de color i (i = 1, 2, ..., n). La variable n-dimensional
(X1, X2, ..., Xn) sigue una distribución hipergeométrica multivariante de parámetros N, m,

p1, ..., pn, donde  , es decir, la proporción de bolas de color i-ésimo (i= 1, 2,..,n) en la
primera extracción.

NOTA: Si las extracciones se hiciesen con reposición entonces se trataría de una distribución
multinomial.

La función de probabilidad de la distribución hipergeométrica multivariante es

 15

para   con   
y   (i = 1, 2,..., n).

Además, igual que en la distribución anterior, hay que tener en cuenta que existe una relación
lineal entre las variables componentes, X1+ X2+ ...+ Xn = m, por lo que, una de las variables,
por ejemplo Xn, se puede poner como combinación lineal del resto, Xn=m-X1- X2- ...- Xn-1.
Por tanto, el fenómeno que describe la variable (X1, X2, ..., Xn) queda igualmente descrito por
una variable de una dimensión menor, (X1, X2, ..., Xn-1), sin que esta pérdida de dimensión
suponga una pérdida de información.

Análogamente, una variable hipergeométrica multivariante de dimensión dos (X1,

X2), H(N,m,p1,p2), se puede describir considerando una cualquiera de sus componentes que
tiene una distribución hipergeométrica, por lo que en realidad esta variable es unidimensional y
no bidimensional.

Además, cada una de las n variables, Xi, que forman una hipergeométrica H(N,m,p1,...,pn)
siguen distribuciones hipergeométricas univariantes H(N,m,pi), es decir, las distribuciones
marginales de una hipergeométrica multivariante son hipergeométricas, por tanto, la esperanza y
la varianza de cada una de estas variables es, E[Xi]=m·pi y Var(Xi)=mpi(1-pi)(N-m)/(N-1).
Además la covarianza entre dos cualesquiera de sus componentes es,

Estos momentos de las variables componentes de una hipergeométrica multivariante se pueden

agrupar en forma de matriz dando lugar a las denominadas matriz de esperanzas y matriz de
varianzas-covarianzas, que recogen las características teóricas principales de la distribución
hipergeométrica multivariante (medias, varianzas y covarianzas)

donde
 16

Ejemplo: En un equipo de baloncesto con 12 jugadores, han hecho una comisión de 4

representantes. En la plantilla hay 3 pivotes, 3 base y 6 aleros. ¿Cuál es la probabilidad de que
haya 2 bases y 2 pivotes?

Tenemos una variable tridimensional  que recoge el número de pivotes, bases y

aleros, respectivamente, que forman parte de la comisión. Dicha variable es una hipergeométrica
multivariante con N=12, n=4, N1=3, N2=3 y N3=6. Así,

Distribución Geométrica

En teoría de probabilidad y estadística, la distribución geométrica es cualquiera de las dos

distribuciones de probabilidad discretas siguientes:

 La distribución de probabilidad del número X del ensayo de Bernoulli necesaria para obtener
un éxito, contenido en el conjunto { 1, 2, 3,...} o

 La distribución de probabilidad del número Y = X − 1 de fallos antes del primer éxito,

contenido en el conjunto { 0, 1, 2, 3,... }.

Cual de éstas es la que uno llama "la" distribución geométrica, es una cuestión de convención y
conveniencia.

Si la probabilidad de éxito en cada ensayo es p, entonces la probabilidad de que x ensayos sean

necesarios para obtener un éxito es
 17

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x fallos antes del primer éxito

es para x = 0, 1, 2, 3,....

En ambos casos, la secuencia de probabilidades es una progresión geométrica.

El valor esperado de una variable aleatoria X distribuida geométricamente es

Las funciones generatrices de probabilidad de X y la de Y son, respectivamente, Las funciones

generatrices de probabilidad de X y la de Y son, respectivamente,

Como su análoga continua, la distribución exponencial, la distribución geométrica carece de

memoria. Esto significa que si intentamos repetir el experimento hasta el primer éxito, entonces,
dado que el primer éxito todavía no ha ocurrido, la distribución de probabilidad condicional del
número de ensayos adicionales no depende de cuantos fallos se hayan observado. El dado o la
moneda que uno lanza no tiene "memoria" de estos fallos. La distribución geométrica es de hecho
la única distribución discreta sin memoria.

De todas estas distribuciones de probabilidad contenidas en {1, 2, 3,... } con un valor esperado
dado μ, la distribución geométrica X con parámetro p = 1/μ es la de mayor entropía. La
distribución geométrica del número y de fallos antes del primer éxito es infinitamente divisible,
 18

esto es, para cualquier entero positivo n, existen variables aleatorias independientes Y 1,...,
Yndistribuidas idénticamente la suma de las cuales tiene la misma distribución que tiene Y. Estas
no serán geométricamente distribuidas a menos que n = 1.

Esta distribución se puede hacer derivar de un proceso experimental puro o de Bernouilli en el

que tengamos las siguientes características

· El proceso consta de un número no definido de pruebas o experimentos separados o separables.

El proceso concluirá cuando se obtenga por primera vez el resultado deseado (éxito).

· Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A

· La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un resultado no

A es q
siendo (p + q = 1).

Las probabilidades p y q son constantes en todas las pruebas, por tanto , las pruebas ,son
independientes (si se trata de un proceso de "extracción" éste se llevará a , cabo con devolución
del individuo extraído) .

· (Derivación de la distribución). Si en estas circunstancias aleatorizamos de forma que tomemos

como variable aleatoria X = el número de pruebas necesarias para obtener por primera vez un
éxito o resultado A, esta variable se distribuirá con una distribución geométrica de parámetro p.

                               

Obtención de la función de cuantía

    De lo dicho anteriormente , tendremos que la variable X es el número de pruebas necesarias

para la consecución del primer éxito. De esta forma la variables aleatoria toma valores enteros a
partir del uno ; í 1,2,………ý

    La función de cuantía P(x) hará corresponder a cada valor de X la probabilidad de obtener el
primer éxito precisamente en la X-sima prueba. Esto es , P(X) será la probabilidad del suceso
obtener X-1 resultados "no A" y un éxito o resultado A en la prueba número X teniendo en
cuenta que todas las pruebas son independientes y que conocemos sus probabilidades tendremos:

                          
dado que se trata de sucesos independientes y conocemos las probabilidades
 19

                                             

                                                luego la función de cuantía quedaría 

            Algunos autores consideran la

aleatorización como "número de pruebas
anteriores al primer éxito". De esta manera
el conseguir el éxito a la primera sería
X=0 . En la siguiente representación
gráfica de la función de cuantía de la
geométrica puede apreciarse este tipo de
aleatorización , sin embargo nosotros
preferimos , por razones prácticas, utilizar
la aleatorización antes comentada

Función de distribución
        En base a la función de cuantía se puede expresar la función de distribución de la siguiente
manera.

                                              desarrollando la expresión tendríamos

                           de donde          

Distribución multinomial
 20

La distribución multinomial es una distribución discreta multivariante y, como su nombre indica,

es una generalización de la distribución binomial cuando el experimento aleatorio considerado
no tiene sólo dos resultados posibles, ´éxito o fracaso, sino tres o más.

La distribución multinomial es una generalización de la distribución binomial, en la cual sólo hay

dos posibles resultados: éxito y fracaso. • En la D.M. el número de resultados es 𝑘 > 2

 Hay ensayos o pruebas independientes. • Cada ensayo resulta en alguno de los 𝑘posibles
resultados mutuamente excluyentes. • En cada ensayo, estos 𝑘 resultados ocurren con
probabilidades 𝑝1, … , 𝑝 𝑘. 𝑖=0 𝑘 𝑝𝑖 = 1 𝑛

Sea 𝑥𝑖 que representa el número de ocurrencias del resultado 𝑖. Entonces 𝑃 𝑋1 = 𝑥1, … , 𝑋 𝑘 = 𝑥

𝑘 = 𝑛! 𝑥1! … 𝑥 𝑘! 𝑝1 𝑥1 … 𝑝 𝑘 𝑥 𝑘 y 𝑖=0 𝑘 𝑥𝑖 = 𝑛
 21

Si los eventos E1, E2, . . . , EK pueden ocurrir con probabilidades p1, p2, . . . , pK,
respectivamente, entonces la probabilidad de que E1, E2, . . . , EK ocurran X1, X2, . . . , XK
veces, respectivamente, es

donde X1 þ X2 þþ XK ¼ N. A esta distribución, que es una generalización de la distribución

binomial, se le llama distribución multinomial debido a que la ecuación es el término general en
la expansión multinomial
 22

Distribución de Poisson

Es una distribución que se basa en el conteo de las veces que se presenta un evento dentro de un
área de oportunidad dada. El área de oportunidad es una unidad continua o intervalo de tiempo,
volumen o área en donde se puede presentar más de un evento.”

 Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa
determinar el número de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o
de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus
usos frecuentes es la consideración límite de procesos dicotómicos reiterados un gran número de
veces si la probabilidad de obtener un éxito es muy pequeña.
 23

Esta distribución se puede hacer derivar de un proceso experimental de observación en el que

tengamos las siguientes características

· Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a lo
largo de un espacio de observación

· Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de una manera no
determinística.

· La probabilidad de que se produzcan un número x de éxitos en un intervalo de amplitud t no

depende del origen del intervalo (Aunque, sí de su amplitud)

· La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente

proporcional a la amplitud del intervalo.

· La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es un

infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1 hecho pero nunca más de

uno

· Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o

designe el "número de hechos que se producen en un intervalo de tiempo o de espacio", la
variable X se distribuye con una distribución de parámetro l . Así :           

    El parámetro de la distribución es, en principio, el factor de proporcionalidad para la

probabilidad de un hecho en un intervalo infinitésimo. Se le suele designar como parámetro de
intensidad, aunque más tarde veremos que se corresponde con el número medio de hechos que
 24

cabe esperar que se produzcan en un intervalo unitario (media de la distribución); y que también
coincide con la varianza de la distribución.

    Por otro lado es evidente que se trata de un modelo discreto y que el campo de variación de la

variable será el conjunto de los números naturales, incluido el cero:    

 25

Aproximacion binomial a poisson

Se puede demostrar que una binomial cuya n (número de experimentos) es muy grande y su p
(probabilidad) tiende a 0, es decir, un suceso raro. Se aproxima como una Poisson con λ=np

Suponga que se desea encontrar la función de probabilidad de la variable aleatoria X que indica
número de accidentes ocurridos en una semana.

Sea X una v.a. con distribución Binomial

 26

Si se verifica que

9 La distribución binomial se aproxima a una distribución de Poisson de parámetro λ= np

La probabilidad de que al administrársele un antibiótico a un ave rapaz en recuperación se le

presente una reacción negativa es 0.05. Si se le va a administrar el antibiótico a 80 de estas aves,
calcúlese la probabilidad de que:

1. No haya reacción negativa en ningún ave

2. Al menos haya reacción negativa en dos de ellas

3. Como mucho la haya en 5

 27

Distribución Binomial Negativa.

Esta distribución puede considerarse como una extensión o ampliación de la distribución

geométrica La distribución binomial negativa 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) .Es por tanto de gran utilidad para
aquellos muestreos que procedan de esta manera. Si el número de resultados favorables buscados
fuera 1 estaríamos en el caso de la distribución geométrica. Está implicada también la existencia
de una dicotomía de resultados posibles en cada prueba y la independencia de cada prueba o
ensayo, o la reposición de los individuos muestreados.

Esta distribución o modelo puede hacerse derivar de un proceso experimental puro o de

Bernouilli en el que se presenten las siguientes condiciones

 El proceso consta de un número no definido de pruebas separadas o separables. El proceso

concluirá cuando se obtenga un determinado número de resultados favorables K
 28

 Cada prueba puede dar dos resultados posibles mutuamente excluyentes A y no A

 La probabilidad de obtener un resultado A en cada una de las pruebas es p siendo la

probabilidad de no A, q. Lo que nos lleva a que p+q=1

 Las probabilidades p y q son constantes en todas las pruebas. Todas las pruebas son
independientes. Si se trata de un experimento de extracción éste se llevará cabo con
devolución del individuo extraído, a no ser que se trate de una población en la que el número
de individuos tenga de carácter infinito.

 (Derivación de la distribución) Si, en estas circunstancias aleatorizamos de forma que la

variable aleatoria x sea "el número de pruebas necesarias para conseguir K éxitos o resultados
A "; entonces la variable aleatoria x seguirá una distribución binomial negativa con
parámetros p y k

                                                                   será entonces    

La variable aleatoria x podrá tomar sólo valores superiores a k 

El suceso del que se trata podría verse como:

                                                    

                   o lo que es lo mismo

                                                 

dado que las pruebas son independientes y conocemos que P(A)= p y P(no A)= q

                                             

que sería la probabilidad de x si el suceso fuera precisamente con los resultados en ese orden.

Dado que pueden darse otros órdenes, en concreto   formas u órdenes distintos. La
función de cuantía de la distribución binomial negativa quedará como:
 29

                                                      

Si llamamos X = “número de experimentos realizados hasta obtener el r-ésimo éxito”, diremos

que la variable X sigue una distribución binomial negativa de parámetros r, p.

Es fácil deducir que la función de probabilidad de esta variable será:

La fórmula anterior no es difícil de deducir. Piensa que para esta situación estamos seguros de
que el k-ésimo intento es un éxito y que en los k-1 intentos anteriores se deben redistribuir los
anteriores r-1 éxitos.
La distribución geométrica sería un caso particular de binomial negativa cuando r = 1.
Los parámetros media, varianza y desviación típica asociados a esta distribución serían:

EJEMPLO 1
Para tratar a un paciente de una afección de pulmón, han de ser operados en operaciones
independientes sus 5 lóbulos pulmonares. La técnica a utilizar es tal que si todo va bien, lo que
ocurre con probabilidad de 7/11, el lóbulo queda definitivamente sano, pero si no es así se deberá
esperar el tiempo suficiente para intentarlo posteriormente de nuevo. Se practicará la cirugía
hasta que 4 de sus 5 lóbulos funcionen correctamente. ¿Cuál es el valor de intervenciones que se
espera que deba padecer el paciente? ¿Cuál es la probabilidad de que se necesiten 10
intervenciones?

Este es un ejemplo claro de experimento aleatorio regido por una ley binomial negativa, ya que
se realizan intervenciones hasta que se obtengan 4 lóbulos sanos, y éste es el criterio que se
utiliza para detener el proceso. Identificando los parámetros se tiene que si X= Número de
operaciones hasta obtener r=4 con resultado positivo,
 30

EJEMPLO 2:
Se sabe que la probabilidad de que un niño expuesto a una enfermedad contagiosa la contraiga es
de 0,4. Calcula la probabilidad de que el décimo niño estudiado sea el tercero en contraer la
enfermedad.

Podemos enfocar el problema como una binomial negativa de parámetros X = 10, k=3 y p=0,4

En la siguiente escena puedes observar la función de probabilidad de la distribución Binomial

negativa. Puedes cambiar los diferentes parámetros que configuran dicha distribución y observar
cómo cambia esta función a medida que se varía alguno de ellos. Extrae tus propias
conclusiones. Así mismo, puedes utilizar también la escena como calculadora directa que
permite resolver situaciones particulares que se puedan plantear en problemas concretos.

Distribución Uniforme (Discreta).

El primer modelo probabilístico que se estudia es el uniforme discreto, que consiste en distribuir
a partes iguales la masa de probabilidad entre un número finito de valores.

Sea   una variable aleatoria uniforme discreta, que toma los valores  . La función
de cuantía viene dada por la siguiente expresión

Es una distribución muy sencilla que asigna probabilidades iguales a un conjunto finito de puntos
del espacio.

 Modeliza fenómenos en los que tenemos un conjunto de n sucesos posibles, cada uno de los
cuales con la misma probabilidad de ocurrir. Si aleatorizamos de forma que cada uno de éstos
sucesos se corresponda con un número natural del 1 al n obtendremos una distribución uniforme.
Tendremos un único parámetro ; n
 31

                                    Diremos , por tanto que 

                                                                              

 Puede hacerse derivar en consecuencia de un proceso experimental de selección aleatoria, en el

que la característica que consideramos en la selección sólo puede tomar un conjunto de n valores
discretos y donde cualquiera de estos valores puede obtenerse con igual probabilidad.

Por su elementaridad  no es una distribución de excesivo interés práctico.

Su función de cuantía definida para los valores de x ={ 1, 2,    , n} vendrá dada por la constante:
                  P(x) = l /n  para x ={ 1, 2,      , n}
Su función de distribución vendrá dada por 

  

Suponiendo que  , su función de distribución viene dada por

Por otro lado, se tiene que   y que,   .

Se lanza un par de dados. Se define la variable aleatoria   como la suma de las puntuaciones
obtenidas. Hallar la función de probabilidad, la esperanza matemática y la varianza
 32

Se lanza un par de dados. Se define la variable aleatoria   como la suma de las puntuaciones
obtenidas. Hallar la función de probabilidad, la esperanza matemática y la varianza
 33

Un jugador lanza un dado corriente. Si sale   o número primo, gana tantos cientos de euros como
marca el dado, pero si no sale número primo, pierde tantos cientos de euros como marca el dado.
Determinar la función de probabilidad y la esperanza matemática del juego

Un jugador lanza un dado corriente. Si sale   o número primo, gana tantos cientos de euros como
marca el dado, pero si no sale número primo, pierde tantos cientos de euros como marca el dado.
Determinar la función de probabilidad y la esperanza matemática del juego
34
35
36
37
38
 39

8.1 DistribuciÃ3n uniforme discreta. (s. f.). epv. Recuperado 7 de noviembre de 2020, de

https://carleos.epv.uniovi.es/%7Ecarleos/docencia/teloydisren/descriptiva+probabilidad/l

_edyp/lib_edyp_html/node46.html

AproximaciÃ3n de la hipergeometrica por la binomial. (s. f.). prezi.com. Recuperado 6 de

noviembre de 2020, de https://prezi.com/qbfqvw3bw17j/aproximacion-de-la-

hipergeometrica-por-la-binomial/?

frame=d914fd2125b0a8267ef994745d465a5d9e74d172
 40

APROXIMACIÓN DE BINOMIAL A POISSON. (s. f.). prezi.com. Recuperado 7 de noviembre

de 2020, de https://prezi.com/36ykuckoahqf/aproximacion-de-binomial-a-poisson/

ChimalBernalRocio. (s. f.).

https://cdigital.uv.mx/bitstream/handle/123456789/47475/ChimalBernalRocio.pdf?

sequence=1&isAllowed=y

DISTRIBUCIÓN BINOMIAL NEGATIVA. (s. f.). uv. https://www.uv.es/ceaces/base/modelos

%20de%20probabilidad/binegativa.htm

DISTRIBUCIÓN GEOMÉTRICA. (s. f.). uv. Recuperado 7 de noviembre de 2020, de

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/geometrica.htm

Distribución hipergeométrica - Minitab. (s. f.). (C) Minitab, LLC. All rights Reserved. 2019.

Recuperado 6 de noviembre de 2020, de https://support.minitab.com/es-

mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-

topics/distributions/hypergeometric-distribution/

DISTRIBUCION UNIFORME DISCRETA. (s. f.). prezi.com. Recuperado 7 de noviembre de

2020, de https://prezi.com/ebfpilzc2iki/distribucion-uniforme-discreta/

DISTRIBUCIONES n-DIMENSIONALES DISCRETAS. (s. f.). uva. Recuperado 7 de noviembre

de 2020, de http://www5.uva.es/estadmed/probvar/d_multivar/dnvar6.htm

F. (2017, 10 julio). Distribución Hipergeométrica: Ejercicios Resueltos [¡Paso a paso!].

PROBA FÁCIL. https://probafacil.com/ejercicios-resueltos-distribucion-hipergeometrica/

 41

HIPERGEOMETRICA. (s. f.). uv. Recuperado 6 de noviembre de 2020, de

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/hipergeometrica.htm

M. (2019, 27 noviembre). Ejercicios resueltos de distribucion binomial | Superprof. Material

Didáctico - Superprof.

https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/distribucion-

binomial/problemas-y-ejercicios-de-la-distribucion-binomial.html

modelo uniforme discreto. (s. f.). uv. Recuperado 7 de noviembre de 2020, de

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/uniformedis.htm

MODELOS DE PROBABILIDAD DISCRETOS. (s. f.).

https://www.ugr.es/~bioestad/_private/Tema_4_color.pdf

Sanjuán, F. J. M. (2020, 28 septiembre). Distribución binomial. Economipedia.

https://economipedia.com/definiciones/distribucion-binomial.html

Valencia, A. F. (s. f.). Distribucion hipergeometrica. slideshare. Recuperado 6 de noviembre de

2020, de https://es.slideshare.net/alexanderfloresvalencia/distribucion-hipergeometrica-

28097904

Variable aleatoria discreta Bachillerato. (s. f.). José R. Galo Sánchez. Recuperado 7 de

noviembre de 2020, de

https://proyectodescartes.org/iCartesiLibri/materiales_didacticos/EstadisticaProbabilidadI

nferencia/VAdiscreta/4_4DistribucionBinomialNegativa.html
42