Distribuciones

discretas de
probabilidad
• BINOMIAL
• HIPERGEOMÉTRICA
• POISSON
 El proceso de Bernoulli
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 𝜋, permanece
constante de un ensayo a otro.
4. Los ensayos repetidos son independientes.
 Ejemplo: Considere el conjunto de experimentos de Bernoulli en el
que se seleccionan 3 artículos al azar de un proceso de
producción, luego se inspeccionan y se clasifican como
defectuosos o no defectuosos. Un articulo defectuoso se designa
como un éxito. El número de éxitos es una variable aleatoria X que
toma valores cero a tres. Los 8 resultados posibles y los valores
correspondientes de X son:

Como los artículos se seleccionan de forma independiente y se

asume que el proceso produce 25% de artículos defectuosos.
La función de probabilidad de X es:
X 0 1 2 3
f(x) 27/64 27/64 9/64 1/64
 Distribución de probabilidad
Binomial
 El numero 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 denotaran como b(x; n, 𝜋 ), 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 𝜋 y un fracaso con probabilidad 1 – 𝜋. Entonces,
la distribución de probabilidad de la variable aleatoria binomial X,
el número de éxitos en n ensayos independientes, es
 𝑛 𝑥
 b(x; n, 𝜋)= 𝜋 (1 − 𝜋) 𝑛−𝑥 ; 𝑛 = 0, 1, 2, 3, … , 𝑛
𝑥
 La media de esta distribución es n𝜋
 Y su varianza es n𝜋(1 − 𝜋)

Continuando con el ejemplo tenemos:

Que el tamaño de la muestra es 3, la probabilidad de éxito es 0,25
entonces
3
b(x; 3, 0,25)= 0,25𝑥 (1 − 0,25) 3−𝑥 ; X = 0, 1, 2, 3
𝑥
 Ejercicio 1: La probabilidad de que cierta clase de componente
sobreviva a una prueba de choque es de 3/4. Calcule la
probabilidad de que sobrevivan exactamente 2 de los siguientes 4
componentes que se prueben
 Ejercicio 2: Una cadena de tiendas 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. ¿Cual es la probabilidad de que haya al menos un
articulo defectuoso entre estos 20?.
b) Suponga que el detallista recibe 10 cargamentos en un mes y
que el inspector prueba aleatoriamente 20 dispositivos por
cargamento. ¿Cual es la probabilidad de que haya exactamente
tres cargamentos que contengan al menos un dispositivo
defectuoso de entre los 20 seleccionados y probados?.
Ejercicio 3: Se conjetura que hay impurezas en 30% del total de
pozos de agua potable de cierta comunidad rural. Para obtener
información sobre la verdadera magnitud del problema se
determina que debe realizarse algún tipo de prueba. Como es
muy costoso probar todos los pozos del área, se eligen 10 al azar
para someterlos a la prueba.
a) Si se utiliza la distribución binomial, ¿Cuál es la probabilidad de
que exactamente 3 pozos tengan impurezas, considerando que la
conjetura es correcta?
b) ¿Cuál es la probabilidad de que mas de 3 pozos tengan
impurezas?
c) Calcule la media y la varianza de la variable aleatoria binomial,
después utilice el teorema de Tchebycheff para interpretar el
intervalo 𝜇 ± 2𝜎
 Distribución de probabilidad
multinomial
 Si un ensayo dado puede producir los k resultados 𝐸1 , 𝐸2 , … , 𝐸𝑘 con
probabilidades 𝜋1 , 𝜋2 , … , 𝜋𝑘 , entonces la distribución de probabilidad
de las variables aleatorias 𝑋1 , 𝑋2 , … , 𝑋𝑘 , que representa el número de
ocurrencias para 𝐸1 , 𝐸2 , … , 𝐸𝑘 , en n ensayos independientes, es
𝑛
𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑘 ; 𝜋1 , 𝜋2 , … , 𝜋𝑘 , 𝑛 = 𝑥 , 𝑥 , … , 𝑥 𝜋1 𝑥1 𝜋2 𝑥2 … 𝜋𝑘 𝑥𝑘
1 2 𝑘

De tal forma que: σ𝑘𝑖=1 𝑥𝑖 = 𝑛 𝑦 σ𝑘𝑖=1 𝜋𝑖 = 1

Ejemplo: La complejidad de las llegadas y las salidas de los aviones en un
aeropuerto es tal que a menudo se utiliza la simulación por computadora
para modelar las condiciones “ideales”. Para un aeropuerto especifico
que tiene tres pistas se sabe que, en el escenario ideal, las probabilidades
de que las pistas individuales sean utilizadas por un avión comercial que
llega aleatoriamente son las siguientes:
 Pista 1: 𝜋1 = 2/9 Pista 2: 𝜋2 = 1/6 Pista 3: 𝜋3 = 11/18
¿Cual es la probabilidad de que 6 aviones que llegan al azar se
distribuyan de la siguiente manera?
Pista 1: 2 aviones Pista 2: 1 avión Pista 3: 3 aviones
Solución:
2 1 3
2 1 11 6 2 1 11 6! 22 1 113
𝑓 2,1,3; ; ; , 6 = = ∗ ∗ ∗
9 6 18 2,1,3 9 6 18 2! 1! 3! 92 6 183
= 0.1127
La probabilidad de que lleguen 6 aviones al azar y tengas la
distribución anterior con las probabilidades especificadas es de 0,1127
 Distribución de probabilidad
Hipergeométrica
 La distribución de probabilidad de la variable aleatoria
hipergeometrica X, el número de éxitos en una muestra aleatoria
de tamaño n que se selecciona de N objetos, en los que k se
denomina éxito y N – k fracaso, es
𝑘 𝑁−𝑘
ℎ 𝑥; 𝑁, 𝑛, 𝑘 = 𝑥 𝑛 − 𝑥 ; 𝑥 = 0,1,2, … , 𝑛
𝑁
𝑛
La media y la varianza de la distribución es:
𝑛𝑘 𝑁−𝑛 𝑛𝑘 𝑘
𝜇= 𝜎2 = ∗ ∗ 1− ; π=k/N
𝑁 𝑁−1 𝑁 𝑁
 Ejemplo 1: Una parte especifica que se utiliza como dispositivo de
inyección se vende en lotes de 10. El productor considera que el
lote es aceptable si no tiene más de un artículo defectuoso. Un
plan de muestreo incluye un muestreo aleatorio y la prueba de 3 de
cada 10 partes. Si ninguna de las 3 esta defectuosa, se acepta el
lote. Comente acerca de la utilidad de este plan.
Solución: Supongamos que el lote es verdaderamente inaceptable
(es decir, que 2 de cada 10 partes están defectuosas). La
probabilidad de que el plan de muestreo considere que el lote
aceptable es: k=2; x=0; N=10; n=3
2 10−2
0 3−0
ℎ 𝑥 = 0; 𝑁 = 10, 𝑛 = 3, 𝑘 = 2 = 10 = 0,467
3

Por consiguiente, si el lote es realmente inaceptable porque 2

partes están defectuosas, este plan de muestreo permitirá que se
acepte aproximadamente 46.7% de las veces. Como resultado,
este plan debería considerarse inadecuado
 Ejemplo 2: Lotes con 40 componentes cada uno que contengan 3
o mas 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?
Solución: Si utilizamos la distribución hipergeométrica con n = 5, N = 40,
k = 3 y x = 1, encontramos que la probabilidad de obtener un
3 40−3
componente defectuoso es: ℎ 1; 40,5,3 = 1 5−1
40 = 0.3011
5

Calcule la media y la varianza de la variable aleatoria y después

utilice el teorema de Tchebycheff para interpretar el intervalo μ ± 2σ.
5∗3 3 2
40 − 5 5∗3 3
𝜇= = = 0.375; 𝜎 = ∗ ∗ 1− = 0.3113
40 8 39 40 40
 El intervalo es 0.375 ±(2)(0.558), o de – 0.741 a 1.491. El teorema de
Tchebycheff 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.
 Ejemplo 3: Los estadísticos utilizan planes de muestreo para aceptar
o rechazar lotes de materiales. Suponga que uno de los planes de
muestreo implica obtener una muestra independiente de 10
artículos de un lote de 100, en el que 12 están defectuosos. Si X
representa a la variable aleatoria, definida como el número de
artículos que están defectuosos en la muestra de 10, la variable
aleatoria toma los valores 0,1,2, . . . , 9,10. ¿.Cuál es la probabilidad
de que haya 3 defectuosos en una muestra de 10?
 12 100−12
3 10−3
ℎ 3; 100, 10, 12 = 100 = 0.08
10

 Ejemplo 4: Un fabricante de neumáticos para automóvil reporta

que de un cargamento de 5000 piezas que se mandan a un
distribuidor local, 1000 están ligeramente manchadas. Si se
compran al azar 10 de estos neumáticos al distribuidor, ¿cuál es la
probabilidad de que exactamente 3 estén manchados?
Solución: Como N = 5000 es grande con respecto a la muestra de
tamaño n = 10, nos aproximaremos a la probabilidad deseada usando
la distribución binomial. La probabilidad de obtener un neumático
manchado es 0.2. Por lo tanto, la probabilidad de obtener
exactamente 3 manchados es:
h(3; 5000, 10, 1000) ≈ b(3; 10, 0.2) = 0.8791−0.6778 = 0.2013.
La probabilidad exacta es h(3; 5000, 10, 1000) = 0.2015.
Distribución de probabilidad de
Poisson
Propiedades del proceso de Poisson
1. El número de resultados que ocurren en un intervalo o región
especifica es independiente del número que ocurre en cualquier otro
intervalo de tiempo o región del espacio disjunto. De esta forma
vemos que el proceso de Poisson no tiene memoria.
2. La probabilidad de que ocurra un solo resultado durante un
intervalo de tiempo muy corto o en una región pequeña es
proporcional a la longitud del intervalo o al tamaño de la región, y no
depende del número de resultados que ocurren fuera de este
intervalo de tiempo o región.
3. La probabilidad de que ocurra mas de un resultado en tal intervalo
de tiempo corto o que caiga en tal región pequeña es insignificante.
El número X de resultados que ocurren durante un experimento de
Poisson se llama variable aleatoria de Poisson y su distribución de
probabilidad se llama distribución de Poisson. El número medio de
resultados se calcula a partir de μ = λ. Como las probabilidades
dependen de λ, denotaremos la tasa de ocurrencia de los resultados
con p(x; λ).

ℯ −𝜆 ∗ 𝜆𝑥
𝑃 𝑥 = 𝑥 = 0,1,2, …
𝑥!
Donde λ es el número promedio de resultados por unidad de tiempo,
distancia, área o volumen y e = 2.71828…
La media y la varianza de la distribución es 𝜆 = 𝜇 = 𝑛𝜋 = 𝜎 2
 Ejemplo 1: 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?
solución: x = 6 y λ = 4
ℯ −𝜆 ∗𝜆𝑥 ℯ −4 ∗46
𝑃 6; 4 = = = 0.1042
𝑥! 6!

 Ejemplo 2: El número promedio de camiones que llega cada día a

cierta ciudad portuaria es 10. Las instalaciones en el puerto pueden
alojar a lo sumo 15 camiones por día. ¿Cuál es la probabilidad de
que en un día determinado lleguen más de 15 camiones y se tenga
que rechazar algunos?
Sea X el numero de camiones que llegan cada día
P (X > 15) = 1−P (X ≤ 15) = 1 − σ15
𝑥=0 𝑃 𝑥; 10 = 1 −0.9513 = 0.0487
 Ejemplo 3: En cierta fabrica los accidentes ocurren con muy poca
frecuencia. Se sabe que la probabilidad de un accidente en
cualquier día dado es de 0.005, y que los accidentes son
independientes entre si. Resolverlo con la binomial
a) ¿Cual es la probabilidad de que en un día de cualquier
periodo determinado de 400 días ocurra un accidente?
b) ¿Cual es la probabilidad de que ocurra un accidente a lo sumo
en tres días de tal periodo?
Solución: Sea X una variable aleatoria binomial con n = 400 y
π = 0.005. Por consiguiente, nπ =λ=400*0.005=2. Si utilizamos la
aproximación de Poisson
 Ejercicio 4: En un proceso de fabricación donde se manufacturan
productos de vidrio ocurren defectos o burbujas, lo cual
ocasionalmente hace que la pieza ya no se pueda vender. Se sabe
que, en promedio, 1 de cada 1000 artículos producidos tiene una o
mas burbujas. ¿Cuál es la probabilidad de que una muestra
aleatoria de 8000 tenga menos de 7 artículos con burbujas?
Solución: Se trata básicamente de un experimento binomial con
n = 8000 y π = 0.001. Como π es muy cercana a cero y n es
bastante grande, haremos la aproximación con la distribución de
Poisson utilizando λ=nπ=8000*0,001=8
Si X representa el número de burbujas, tenemos

𝑃 𝑋 < 7 = σ6𝑥=0 𝑏 𝑥; 8000, 0.001 ≈ 𝑃 𝑥; 8 = 0.3134