ALGUNAS DISTRIBUCIONES DE

PROBABILIDAD DISCRETA
DISTRIBUCIONES BINOMIAL

Con frecuencia un experimento consta de pruebas repetidas, cada una con dos
resultados posibles que se pueden denominar éxito o fracaso.
El proceso se conoce como proceso de Bernoulli y cada ensayo se denomina
experimento de Bernoulli
EL PROCESO DE BERNOULLI
En términos estrictos el proceso de Bernoulli se caracteriza por lo siguiente:
1. El experimento consta de ensayos repetidos.
2. Cada ensayo produce un resultado que se puede clasificar como éxito o fracaso.
3. La probabilidad de un éxito, que se denota con p, permanece constante de un
ensayo a otro.
4. Los ensayos repetidos son independientes
DISTRIBUCIÓN BINOMIAL
El número X de éxitos en n experimentos de Bernoulli se denomina variable aleatoria
binomial. La distribución de probabilidad de esta variable aleatoria discreta se
llama distribución binomial y sus valores se denotarán como b(x; n, p), ya que
dependen del número de ensayos y de la probabilidad de éxito en un ensayo dado.

Un experimento de Bernoulli puede tener como resultado un éxito con probabilidad p y

un fracaso con probabilidad q = 1 – p. Entonces, la distribución de probabilidad de la
variable aleatoria binomial X, el número de éxitos en n ensayos independientes, es:
𝑛
𝑏 𝑥; 𝑛, 𝑝 = 𝑝 𝑥 𝑞 𝑛−𝑥 , 𝑥 = 0,1, 2, … , 𝑛.
𝑥
¿DE DÓNDE PROVIENE EL NOMBRE BINOMIAL?
La distribución binomial deriva su nombre del hecho de que los 𝑛 + 1 términos en la
expansión binomial de 𝑞 + 𝑝 𝑛 corresponden a los diversos valores de
𝑏(𝑥; 𝑛, 𝑝) para 𝑥 = 0, 1, 2, … , 𝑛. Es decir,
una condición que se debe cumplir para cualquier distribución de probabilidad.
Con frecuencia nos interesamos en problemas donde se necesita obtener
𝑃(𝑋 < 𝑟) o 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏). Las sumatorias binomiales
𝐵 𝑟; 𝑛, 𝑝 = σ𝑟𝑥=0 𝑏 𝑥; 𝑛, 𝑝
EJEMPLO 1
La probabilidad de que un paciente se recupere de una rara enferme dad
sanguínea es de 0.4. Si se sabe que 15 personas contrajeron la enfermedad,
¿cuál es la probabilidad de que
a) sobrevivan al menos 10, 𝑝(𝑥 ≥ 10)
b) sobrevivan de 3 a 8, y 𝑝(3 < 𝑥 < 8)
c) sobrevivan exactamente 5? 𝑝(𝑥 = 5)
SOLUCION

𝑎) 𝑃 𝑋 ≥ 10 = 1 − 𝑃 𝑋 < 10 = 1 − σ9𝑥=0 𝑏 𝑥; 15,0.4 = 1 − 0. 9662 = 0.0338

Vamos a la table A.1 del apendice
B) 𝑝 3 ≤ 𝑥 ≤ 8 = σ8𝑥=3 𝑏 𝑥; 15,0.4 = σ8𝑥=0 𝑏 𝑥; 15,0.4 − σ2𝑥=0 𝑏(𝑥; 15,0.4)
= 0.9050 − 0.0271 = 0.8779
C)𝑃 𝑋 = 5 = 𝑏 5; 15, 0.4 = σ5𝑥=0 𝑏 𝑥; 15,0.4 − σ4𝑥=0 𝑏(𝑥; 15,0.4)
= 0.4032 − 0.2173 = 0.1859
EJEMPLO 2
Una cadena grande de tiendas al detalle le compra cierto tipo de dispositivo
electrónico a un fabricante, el cual le indica que la tasa de dispositivos defectuosos
es de 3%. a) El inspector de la cadena elige 20 artículos al azar de un cargamento.
¿Cuál es la probabilidad de que haya al menos un artículo defectuoso entre estos
20?
SOLUCION
a) Denote con X el número de dispositivos defectuosos de los 20. Entonces X sigue
una distribución b(x; 20, 0.03). Por consiguiente,
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 = 0) = 1 − 𝑏(0; 20,0.03)
= 1 − 0.03 0 1 − 0.03 20−0 = 0.4562.

𝑛
Esto sigue la formula 𝑏 𝑥; 𝑛, 𝑝 = 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
Ya que la probabilidad de exito p=0.03 y la probabilidad de fracas q=1-p
=1- 0.03 y n=20 b(x;20,0.03)
LA MEDIA Y VARIANZA DE LA DISTRIBUCION
BINOMIAL

Calcule la media y la varianza de la variable aleatoria binomial del ejemplo 1 y después utilice
el teorema de Chebyshev para interpretar el intervalo μ ± 2σ.
Para el ejemplo 1 vemos que n=15 y p=0.4 por lo tanto:
𝜇 = 15 0.4 = 6 ; 𝜎 2 = 15 0.4 0.6 = 3.6
Al tomar la raíz cuadrada de σ2 = 3.6 encontramos que 𝜎 = 1.897. Por lo tanto, el
intervalo que se requiere es 6 ± (2)(1.897), o de 2.206 𝑎 9.794. El teorema de
Chebyshev establece que el número de pacientes recuperados, de un total de 15 que
contrajeron la enfermedad, tiene una probabilidad de al menos 3/4 de caer entre
2.206 𝑦 9.794 o, como los datos son discretos, incluso entre 2 𝑦 10.
DISTRIBUCIÓN HIPERGEOMÉTRICA
La distribución de probabilidad de la variable aleatoria hipergeométrica X, el
número de éxitos en una muestra aleatoria de tamaño n que se selecciona de N
artículos, en los que k se denomina éxito y N – k fracaso, es
EJEMPLO 3
Lotes con 40 componentes cada uno que contengan 3 o más defectuosos se
consideran inaceptables. El procedimiento para obtener muestras del lote consiste en
seleccionar 5 componentes al azar y rechazar el lote si se encuentra un componente
defectuoso. ¿Cuál es la probabilidad de, que en la muestra, se encuentre
exactamente un componente defectuoso, si en todo el lote hay 3 defectuosos?
SOLUCION
Si utilizamos la distribución hipergeométrica con n = 5, N = 40, k = 3 y x = 1,
encontramos que la probabilidad de obtener un componente defectuoso es:
3 37 3! 37!
1 4 1!2! 4!33! (3)(66045)
ℎ 1; 40,5,3 = 40 = 40! = = 0.3011
(658008)
5 5!35!

De nueva cuenta este plan no es adecuado porque sólo 30% de las veces detecta un
lote malo (con 3 componentes defectuosos).
LA MEDIA Y LA VARIANZA DE LA DISTRIBUCIÓN
HIPERGEOMÉTRICA
 Calcule la media y la varianza de la variable aleatoria del ejemplo 3, y después utilice el
teorema de Chebyshev para interpretar el intervalo μ ± 2σ.
(5)(3) 3
𝜇= = = 0.375
(40) 8
40−5 3 3
𝜎2 = 5 1− = 0.3113
39 40 40

𝜎 = 0.3313 = 0.588
Por lo tanto, el intervalo que se requiere es 0.375 ± (2)(0.558), o de – 0.741 a 1.491. El
teorema de Chebyshev establece que el número de componentes defectuosos que se obtienen
cuando, de un lote de 40 componentes, se seleccionan 5 al azar, de los cuales 3 están
defectuosos, tiene una probabilidad de al menos 3/4 de caer entre – 0.741 y 1.491. Esto es,
al menos tres cuartas partes de las veces los 5 componentes incluirán menos de 2 defectuosos.
DISTRIBUCIÓN DE POISSON
La distribución de probabilidad de la variable aleatoria de Poisson X, la cual
representa el número de resultados que ocurren en un intervalo de tiempo dado o
región específicos y se denota con t, es :

donde λ es el número promedio de resultados por unidad de tiempo, distancia, área

o volumen y e = 2.71828…
La tabla A.2 contiene las sumatorias de la probabilidad de Poisson

para valores selectos de 𝜆𝑡 que van de 0.1 a 18.0

EJEMPLO 4
Durante un experimento de laboratorio el número promedio de partículas
radiactivas que pasan a través de un contador en un milisegundo es 4.
¿Cuál es la probabilidad de que entren 6 partículas al contador en un milisegundo
dado?
Solucion: Al usar la distribución de Poisson con 𝑥 = 6 𝑦 𝜆𝑡 = 4, y al remitirnos a la
tabla A.2, tenemos que:
Veamos en la table A.2
EJEMPLO 5
El número promedio de camiones-tanque que llega cada día a cierta ciudad
portuaria es 10. Las instalaciones en el puerto pueden alojar a lo sumo 15 camiones-
tanque por día. ¿Cuál es la probabilidad de que en un día determinado lleguen más
de 15 camiones y se tenga que rechazar algunos?
SOLUCION
Sea X el número de camiones-tanque que llegan cada día. Entonces, usando la tabla
A.2, tenemos
GRACIAS.