Distribuciones de probabilidad

(variable aleatoria discreta)

Equipo de Docentes
PROPÓSITO DE LA CLASE:
Al término de la clase el estudiante será capaz de:

• Explicar y diferenciar las principales distribuciones de probabilidad para variable

aleatoria discreta: Binomial y Poisson.
• Identificar las condiciones que se deben de tomar en cuenta para la aplicación
de cada una de estas distribuciones de probabilidad.
• Calcular e interpretar probabilidades haciendo uso de las distribuciones
mencionadas.
1. DISTRIBUCIÓN BINOMIAL

Una distribución de probabilidad binomial resulta de un procedimiento que cumple con

todos los siguientes requisitos:

• Tiene un número fijo de ensayos consecutivos.

• En cada ensayo, sólo hay dos posibles resultados, usualmente llamados “éxito” y
“fracaso”.
• Los ensayos son estadísticamente independientes, es decir, el resultado de cualquier
ensayo no es afectados por los resultados de ensayos anteriores, ni afecta los resultados
de ensayos posteriores.
• La probabilidad del éxito no cambia de un intento a otro.

La variable aleatoria discreta “X”, es el número de éxitos que ocurren en “n” ensayos
consecutivos de un proceso de Bernoullí.
Fórmula:
𝑃 𝑋 = 𝑥 = 𝐶𝑥𝑛 𝑝 𝑥 𝑞𝑛−𝑥
Donde:

x: Denota un número específico de éxitos en “n” ensayos, de manera que “x”

puede ser cualquier número entero entre 0 y “n” inclusive.
𝐶𝑥 :
𝑛
Número combinatorio.
p: Denota la probabilidad de éxito en uno de “n” ensayos.
q: Denota la probabilidad de fracaso en uno de “n” ensayos.
P(X=x) : Denota la probabilidad de lograr exactamente “x” éxitos en los n ensayos.

La media y varianza de la variable aleatoria binomial son, respectivamente:

𝑀𝑒𝑑𝑖𝑎 𝑎𝑟𝑖𝑡𝑚é𝑡𝑖𝑐𝑎: 𝜇 = 𝑛𝑝 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎: 𝜎 2 = 𝑛𝑝𝑞

• Ejemplo 1: La probabilidad de que un cliente potencial elegido al azar
realice una compra es de 0,20. Si un agente de ventas visita 6 clientes,
¿cuál es la probabilidad de que realice exactamente 4 ventas?

Éxito Cliente que realiza la compra

Probabilidad de éxito (p) 0,20

Probabilidad de fracaso (q) 0,80

Número de ensayos (n) 6

Número de éxitos en los “n” ensayos (x) 4

Px   Cx
n x
p q n x

P  x  4   C64 (0,20)4 (0,80)6  4

P  x  4   0,0154
• Ejemplo 2: Una casa de empeño informó que el 30% de los préstamos
garantizados con joyería vencieron. Si se toma una muestra aleatoria de
4 préstamos, ¿cuál es la probabilidad de que ninguno esté vencido?

Éxito Préstamo que está vencido

Probabilidad de éxito (p) 0,30

Probabilidad de fracaso (q) 0,70

Número de ensayos (n) 4

Número de éxitos en los “n” ensayos (x) 0 (ninguno)

Px   Cx
n x
p q n x

P  x  0   C40 (0,30)0 (0,70)4  0

P  x  0   0,2401
• Ejemplo 3: El 18% de los tornillos producidos por una máquina están
defectuosos. Determinar la probabilidad de que de 5 tornillos
seleccionados aleatoriamente por lo menos 3 estén defectuosos.
Éxito Tornillo defectuoso

Probabilidad de éxito (p) 0,18

Probabilidad de fracaso (q) 0,82

Número de ensayos (n) 5

Número de éxitos en los “n” ensayos (x) 3; 4 y 5 (por lo menos 3)

Px   Cx
n x
p q n x

P  x  3   C35 (0,18)3 (0,82)53  0,0392

P  x  4   C54 (0,18)4 (0,82)5 4  0,0043
P  x  5   C55 (0,18)5 (0,82)5 5  0,0002
0,0437
• Ejemplo 4: La probabilidad de encontrar un pantalón con algún
desperfecto de la producción total de una máquina remalladora es de
0,24. Si se extrae una muestra de 4 pantalones, calcule la media y la
varianza de la distribución.

Éxito Pantalón con desperfecto

Probabilidad de éxito (p) 0,24

Probabilidad de fracaso (q) 0,76

Número de ensayos (n) 4

  np ;   npq
2

Media:    4  0, 24   0,96
Varianza:  2   4  0, 24  0, 76   0, 7296
2. DISTRIBUCIÓN POISSON

Una distribución de probabilidad Poisson resulta de un procedimiento que cumple con

todos los siguientes requisitos:
• El experimento consiste en contar el número “x” de veces que ocurre un evento en
particular durante una unidad de tiempo dada, o en un área o volumen dado.
• La probabilidad de que un evento ocurra en una unidad dada de tiempo, área o
volumen es la misma para todas las unidades.
• El número de eventos que ocurren en una unidad de tiempo, área o volumen es
independiente del número de los que ocurren en otras unidades.
Fórmula:
𝜆𝑥 𝑒 −𝜆
𝑃 𝑋=𝑥 =
𝑥!
Donde:

λ : Número medio de eventos que ocurren en una unidad dada de tiempo, área o
volumen.
x: Número de eventos que ocurren durante una unidad dada de tiempo, área o
volumen.
e: Constante matemática “épsilon”
x! : Factorial de “x”
P(X=x) : Probabilidad de que ocurran “x” eventos en una unidad dada de tiempo, área o
volumen.
La media y varianza de la variable aleatoria Poisson son, respectivamente:

𝑀𝑒𝑑𝑖𝑎 𝑎𝑟𝑖𝑡𝑚é𝑡𝑖𝑐𝑎: 𝜇 = 𝜆 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎: 𝜎 2 = 𝜆

• Ejemplo 1: En un centro telefónico de atención a clientes se reciben en
promedio 5 llamadas por hora. ¿Cuál es la probabilidad de que en una
hora seleccionada aleatoriamente se reciban exactamente 3 llamadas?

Media () 5 llamadas por hora

Número de eventos esperados (x) 3 llamadas en una hora


 .e X
Px   ; e  2,7183
x!

3 5
5 .e
P  X  3 
3!
P  X  3   0,1404
• Ejemplo 2: En una tienda departamental, en la sección de
electrodomésticos, un promedio de 12 personas por hora le hacen
preguntas al encargado. ¿Cuál es la probabilidad de que exactamente 3
personas se acerquen al encargado a hacer preguntas en un periodo de
10 minutos?
Media () 12 personas en una hora 2 personas en 10 minutos
Número de eventos esperados (x) 3 personas en 10 minutos 3 personas en 10 minutos

12 personas  60 minutos 
 n  2 personas
n  10 minutos 

 X .e
Px   ; e  2,7183
x!
23.e2
P  X  3 
3!
P  X  3   0,1804
• Ejemplo 3: Un libro de 500 páginas tiene 200 errores de impresión
distribuidos aleatoriamente. Calcule la probabilidad de que cualquier
página elegida al azar tenga un error.
Media () 200/500 = 0,40
Número de eventos esperados (x) 1 página (cualquier página)

 X .e
Px   ; e  2,7183
x!
0,401.e0,40
P  X  1 
1!
P  X  1   0,2681
• Luego calcule la media y la varianza de esta distribución.
  2
;  
   2  0, 40
Universidad Continental