Probabilidad y Estadística ÍNDICE

Distribuciones De Probabilidad Discreta

Jhon F. Bernedo Gonzales • Ronny I. Gonzales Medina • Rosa Y. Carpio

Última revisión: 30 de junio de 2020

Índice

1. Proceso de Bernoulli 2

2. Distribución Binomial 5

3. Distribución de Poisson 9
3.1. Extensión o reducción del intervalo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2. Aproximación: Binomial a la dist. Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

4. Distribución Hipergeométrica 17

1
Probabilidad y Estadística 1. Proceso de Bernoulli

1 Proceso de Bernoulli
Existen varios experimentos que tienen dos posibles resultados tales como

El lanzamiento de una moneda de 2 caras

El diagnóstico de un médico en relación a una enfermedad de un paciente

Un artículo manufacturado de una fábrica es seleccionado y revisado, este puede ser clasificado
como defectuoso y no defectuoso.

Una fruta tomada de una caja de frutas puede estar malogrado o no malogrado

A los experimentos en que solo se observan dos posibles resultados son denominados de experimento
(ensayo) de Bernoulli. Dependiendo del contexto del experimento aleatorio un resultado del experimento
de Bernoulli puede ser indicado como éxito y el otro fracaso. Así se define la variable aleatoria X.

1, si el resultado del experimento es un éxito


X=
0, si el resultado del experimento es un fracaso


Nótese que la probabilidad de observar un éxito es p, la probabilidad de observar un fracaso es 1 − p,

P(X = 1) = p(1) = p, probabilidad de éxito

P(X = 0) = p(0) = 1 − p, probabilidad de fracaso

A la variable aleatoria en que asume dos resultados X = 0, 1 con probabilidad de éxito igual p y fracaso
se le denomina variable aleatoria de Bernoulli. El proceso de Bernoulli consiste de:

1. una sucesión o repetición de experimentos de Bernoulli. Esto implica que en cada ensayo (repeti-
ción) se tiene solo dos resultados que se son éxito y fracaso. Nótese que

1 ≡ éxito
0 ≡ fracaso

2. La probabilidad de éxito en cada ensayo es p y de fracaso es 1 − p

P(X i = 1) = p, probabilidad de éxito

P(X i = 0) = 1 − p, probabilidad de fracaso

En cada ensayo o repetición es constante no cambia.

3. Los ensayos o repeticiones deben ser independientes.

2
Probabilidad y Estadística 1. Proceso de Bernoulli

Ejemplo 1.1.
Los componentes que salen de una línea de ensamble son clasificados como defectuoso o no defectuoso.
Se puede definir la v.a X 
1 si el componente es defectuoso

X=

0 si el componente no es defectuoso


La asignación de 1 o 0 es arbitraria, sin embargo se puede usar otros valores, tales como -1 y 1, pero
generalmente se usa 1 y 0.
Una v.a que asume solamente 2 valores (generalmente son 0 y 1) se llama variable aleatoria de Bernoulli

Definición 1 (Proceso de Bernoulli)

De manera mas formal un proceso de Bernoulli es una sucesión X1 , X2 , . . . (finita o infinita) de
variables aleatorias de Bernoulli X i en que

P(X i = 1) = P (éxito en el i-ésimo ensayo ) = p, i = 1, 2, 3, . . .

P(X i = 0) = P (fracaso en el i-ésimo ensayo) = 1 − p

A fin de entender mejor la idea de un proceso de Bernoulli serán considerados algunos ejemplos

Ejemplo 1.2.
El lanzamiento de una moneda 10 veces puede ser considerado como un proceso de Bernoulli?
Si es un proceso de Bernoulli por que:

cada lanzamiento (repetición) se tiene 2 resultados: cara y sello. Dependiendo de lo que se desee
obtener, se puede considerar

1 ≡ éxito: es salir cara

0 ≡ fracaso: es salir sello

La probabilidades en cada lanzamiento

P(X i = 1) = p, éxito (cara)

P(X i = 0) = 1 − p, fracaso (sello)

cada lanzamiento es independiente del otro.

Nótese que es un proceso de Bernoulli finito son 10 lanzamientos

Ejemplo 1.3.
Considerando el ejemplo anterior, el lanzamiento de una moneda 10 veces. Si la moneda es honesta,
entonces también es un proceso de Bernoulli mas se debe de considerar p = 1/2.

3
Probabilidad y Estadística 1. Proceso de Bernoulli

Ejemplo 1.4.
Suponga que el 5 % de los productos facturados producidos por una máquina son defectuosos y que
los productos son independientes entre sí. Se toma una muestra aleatoria de 20 productos. El interés
es cuantos productos defectuosos existen en la muestra. Es la selección de la muestra un proceso de
Bernoulli?
Si es un proceso de Bernoulli, porque

solo se tiene 2 resultados: defectuoso y no defectuoso

El interés es los defectuosos entonces se puede usar una variable aleatoria de Bernoulli definida
por

1, defectuoso (éxito)


Xi = 
0, no defectuoso (fracaso)


La probabilidad de ser defectuoso en cada selección P(X i = 1) = 0.05. La probabilidad de no ser

defectuoso es P(X i = 0) = 1 − 0.05 = 0.95

Observación: Las variables aleatorias relacionadas con un proceso de Bernoulli son dos:

1. (Binomial) Considerando un proceso de Bernoulli finito, por ejemplo, el lanzamiento de una

moneda n veces. Se desea saber la probabilidad de obtener X éxitos (éxito ≡ cara) en los n
lanzamientos. La variable aleatoria X esta relacionada con la distribución binomial.

2. (Geométrica) Si se desea saber el número de lanzamientos, X, de una moneda hasta obtener un

cara (éxito) entonces se tiene que la v.a X tiene una distribución geométrica.

4
Probabilidad y Estadística 2. Distribución Binomial

2 Distribución Binomial
Pregunta: Suponga que una moneda honesta es lanzada 12 veces. Calcular la probabilidad de obtener 4
caras.
Posible Solución: La forma usual de responder es describir todos los resultados posibles y contar en
cuantos resultados se observa 4 caras. Se tener en cuenta que |Ω| = 212 resultados posibles. El cálculo de
la probabilidad pedida debe de tomar un tiempo para poder obtenerlo.
Una manera mas rápida: Para calcular la probabilidad de obtener 4 caras en los 12 lanzamientos de la
moneda se usa la noción del proceso de Bernoulli y la distribución binomial.
Nótese que :
en cada lanzamiento el éxito es obtener una cara y el fracaso es salir sello
como la moneda es honesta entonces la probabilidad de éxito es p = 1/2.

Definición 1 (Distribución Binomial)

Dado n experimentos de Bernoulli, el número de éxitos, X, en los n ensayos (repeticiones) se
denomina variable aleatoria binomial.
La distribución de probabilidad de la v.a discreta X tiene una distribución binomial con parametros
n y p dada por
X número de éxitos
!
n x
P(X = x) = p(x) = p (1 − p)n−x , x = 0, 1, 2, . . . , n
x
p: probabilidad de éxito
en que 0 ≤ p ≤ 1.

El número mínimo y máximo éxitos es X = 0 y X = n respectivamente. Nótese que

!
n n!
= Cnx = Cn,x = 0!=1
x x!(n − x)! 1!=1
4!=1*2*3*4
representa el coeficiente binomial.
El valor esperado o media de la v.a X es

µ = E[X] = np,

y la varianza es dada por

σ2 = Var[X] = np(1 − p) =npq

Observación: Algunos textos de probabilidad utilizan

q =1−p

para indicar la probabilidad de fracaso.

Notación: Si X tiene una distribución de probabilidad binomial con parametros n y p se puede escribir
como
X ∼ Bin(n, p)

5
 Probabilidad y Estadística 2. Distribución Binomial

Ejemplo 2.1.
La probabilidad de que cierta clase de componente sobreviva a una prueba de choque es 3/4.

a) Encuentre la probabilidad de que sobrevivan exactamente 2 de los siguientes 4 componentes que

se prueben

b) Cual es el número esperado de componentes que sobrevivirán al choque

X ~ Bin(4,3/4)
Solución:
X: número de componentes que sobreviven P(X = x) = C4x p x (1 − p)4−x , x = 0, 1, 2, 3, 4
al choque
a) P(X = 2)
 2 
3 3 4−2

éxito: probabilidad que sobrevivan p(2) = C42 1−
4 4
p =3/4=0.75 p(2) = 6*(9/16)*(1/16)=27/128
n =4
b) Número esperado
sobreviven exactamente x = 2
3
E[X] = np = 4 · =3
4
Se espera que 3 componentes sobrevivirán al
choque.

6
Probabilidad y Estadística 2. Distribución Binomial

Ejemplo 2.2.
Una cadena grande de tiendas compra cierto tipo de dispositivo electrónico de un fabricante. El fabricante
indica que la tasa de defectuosos del dispositivo es 3 %.

a) El inspector de la cadena elige 20 artículos al azar de un cargamento. ¿Cuál es la probabilidad

de que haya al menos 1 artículo defectuoso entre estos 20? ¿Cuál es la probabilidad de que haya
exactamente 5 artículos defectuosos?

b) Suponga que el comprador recibe 10 cargamentos en un mes y que el inspector aleatoriamente

prueba 20 dispositivos por cargamento. ¿Cuál es la probabilidad de que haya 3 cargamentos que
contengan al menos un dispositivo defectuoso?

Solución:

X ~ Bin(20, 0.03), X= 0,1,2, .... 20

a) -
éxito: encontrar artículos defectuosos
X: número de defectuosos
p =3 %=0.03 P(X = x) = C20 x
x p (1 − p)
20−x
, x = 0, 1, . . . , 20
p(1)+p(2)+p(3)+...+p(20)
n =20
P(X ≥ 1) = 1 − P(X < 1)
por lo menos 1 artículo defectuoso 0 20−0
= 1 − p(0) = 1 − C20
0 (0.03) (1 − 0.03)
x≥1
= 1− 0.97^20 = 0.456
exactamente 5 artículos defectuosos P(X = 5) = C20 (0.03)5 (1 − 0.03)20−5 =
5
x=5
b) -
éxito: encontrar al menos un artículo
defectuoso, esta probabilidad se calculó
en el item anterior P(X ≥ 1)

p = P(X ≥ 1) = 0.456 P(X = x) = C10 x

x p (1 − p)
10−x
, x = 0, 1, . . . , 10

n =10 cargamentos P(X = 3) = C10

3 (0.456^3)*(1-0.456)^7 =

3 cargamentos contengan al menos

un dispositivo defectuoso X = 3

7
Probabilidad y Estadística 2. Distribución Binomial

Ejemplo 2.3.
Una compañía que produce cristales finos sabe por experiencia que 10 % de sus copas de mesa tienen
imperfecciones cosméticas y deben ser clasificadas como “de segunda”.

a) Entre seis copas seleccionadas al azar, ¿qué tan probable es que sólo una sea de segunda?

b) Entre seis copas seleccionadas al azar, ¿qué tan probable es que por lo menos dos sean de segunda?

c) Cuantos copas se esperan que sean de segunda en la muestra de las seis copas.

Solución:
éxito: que la copa sea de segunda
p=0.1
n=6
X ~ Bin(6,0.1)

a)P(X=1) = (6C1)*(0.1^1)(1-0.1)^(6-1)= 0.3543

b)P(X>=2) = p(2)+p(3)+p(4)+p(5)+p(6)
= 1-P(X<2)
= 1 - [ p(0)+p(1)]
= 1 - [ 0.9^6 + 0.3543]

c) E[X] = np = 6(0.1)=0.6 approx 1

se espero que una copa sea de segunda.

8
Probabilidad y Estadística 3. Distribución de Poisson

3 Distribución de Poisson
Si el interés es saber el número de eventos, X, que ocurren durante intervalo dado o en una región
específica se llaman experimentos de Poisson.
La v.a X puede tomar diferentes valores, por ejemplo si no se observa ningún evento se tiene que X = 0,
si observa 2 eventos X = 2, esto quiere decir que X = 0, 1, 2, 3, ..., nótese que no se indica un límite. El
intervalo dado puede ser de cualquier longitud, como un minuto, un día, una semana, por ejemplo,

El numero de llamadas que recibe una recepcionista en una oficina en una hora

El número de autos que pasan por una avenida en media hora.

Número de personas que son atendidas en un hospital en un día ...

La región específica podría ser un segmento de línea, un área, un volumen o una pieza de material, por
ejemplo

El número de imperfecciones en un metro de cable de cobre de corriente eléctrica.

El número de bacterias en un litro de agua tomado del rio Chili.

El número de machas encontradas en un metro de tela ...

Definición 1 (Distribución de Poisson)

Una v.a discreta X tiene una distribución de Poisson con parámetro λ (λ > 0), si la función masa de
probabilidad es dada por

e−λ λx
P(X = x) = p(x) = , x = 0, 1, 2, . . . (3.1)
x!
Nótese que la letra e representa la base del sistema de logaritmos naturales en que su valor es
e ' 2.71828.

La media y varianza de una v.a discreta que tiene una distribución de Poisson son iguales

µ = E[X] = λ
σ2 = Var[X] = λ

Así λ representa el número promedio (medio) de ocurrencias de los eventos en una unidad de intervalo
(periodo) o región.
Notación: Si X tiene una distribución de probabilidad de Poisson con parámetro λ, se puede escribir
como
X ∼ Poi(λ)

9
Probabilidad y Estadística 3. Distribución de Poisson

Ejemplo 3.1.
Durante un experimento de laboratorio el número promedio de partículas radiactivas que pasan a través
de un contador en un milisegundo es 4.

a) Calcule la probabilidad de que 6 partículas entren al contador en un milisegundo

b) Calcule la probabilidad de que por lo menos 2 partículas entren al contador en un milisegundo

c) Indique el número esperado de partículas que ingresen a través del contador en un milisegundo

Solución:
Para este caso se tiene que el número promedio de partículas radioactivas es λ =4 por milisegundo.

a) Calcule la probabilidad de que 6 partículas entren al contador en un milisegundo

e−4 46
P (X = 6) = =
6!

b) Calcule la probabilidad de que por lo menos 2 partículas entren al contador en un milisegundo

P (X ≥ 2) = p(2) + p(3) + p(4) + p(5) + p(6) + . . .

= 1 − P (X < 2)
= 1 − [p(0) + p(1)]
" −4 0
e−4 41
#
e 4
=1− + = 1−
0! 1!

c) Indique el número esperado de partículas que ingresen a través del contador en un milisegundo

E[X] = λ = 4

10
Probabilidad y Estadística 3. Distribución de Poisson

Ejemplo 3.2.
El número X de personas ingresadas a una unidad de cuidados intensivos en un hospital particular, en
un día, tiene una distribución de probabilidad de Poisson con media igual a cinco personas por día.

a) ¿Cuál es la probabilidad de que el número de personas ingresadas a una unidad de cuidados

intensivos en un hospital particular, en un día particular, sea dos?

b) ¿Menor o igual a dos?

11
Probabilidad y Estadística 3. Distribución de Poisson

Ejemplo 3.3.
Considere escribir en un disco de computadora y luego enviarlo a través de un certificador que cuenta
el número de pulsos faltantes. Suponga que este número X tiene una distribución de Poisson con
parámetro λ = 0.2 (Sugerido en “Average Sample Number for Semi-Curtailed Sampling Using the
Poisson Distribution”, J. Quality Technology, 1983: 126–129.)

a) Cuál es la probabilidad de que un disco tenga exactamente un pulso faltante?

b) ¿Cuál es la probabilidad de que un disco tenga por lo menos dos pulsos faltantes?

12
Probabilidad y Estadística 3. Distribución de Poisson

3.1 Extensión o reducción del intervalo

Definición 2 (Distribución de Poisson: Extensión o reducción)
La probabilidad que ocurran x eventos en un intervalo de tiempo o región t es dado por

e−λt (λt)x
P(X = x) = p(x) = , x = 0, 1, 2, . . . (3.2)
x!
en que, λ es número promedio de ocurrencias en un intervalo de tiempo o región.

Nota:
λt es el número promedio de eventos que ocurren en un intervalo (o región) de tamaño t.

Ejemplo 3.4.
El número de clientes que llegan por hora a ciertas instalaciones de servicio automotriz se supone que
sigue una distribución de Poisson con media λ= 7.

a) Calcule la probabilidad de que más de 3 clientes lleguen en un periodo de 2 horas.

b) ¿Cuál es el número medio de llegadas durante un periodo de 2 horas?

Solución:
Nótese que λ =7 por hora.

a) la media de clientes que llegan al servicio automotriz en un periodo de t = 2 horas es igual

λt = 7(2) = 14 por dos horas, así la distribución de Poisson es ahora

e−14 (14)x
P(X = x) = , x = 0, 1, 2, . . .
x!
Luego, la probabilidad de que más de 3 clientes lleguen en un periodo de 2 horas es dado por

P(X > 3) = p(4) + p(5) + p(6) + p(7) + . . .

= 1 − P(X > 3)
= 1 − [p(0) + p(1) + p(2) + p(3)]
e (14)0 e−14 (14)1 e−14 (14)2 e−14 (14)3
" −14 #
=1− + + +
0! 1! 2! 3!

b) el número medio de llegadas durante un periodo de 2 horas es igual λt = 7(2) = 14

13
Probabilidad y Estadística 3. Distribución de Poisson

Ejemplo 3.5.
En el caso de cierto tipo de alambre de cobre, se sabe que, en promedio, ocurren 1.5 fallas por milímetro.
Suponiendo que el número de fallas es una variable aleatoria de Poisson.

a) ¿cuál es la probabilidad de que no ocurran fallas en cierta porción de alambre con longitud de 5
milímetros?

b) ¿cuál es la probabilidad de encontrar menos de 2 fallas en un alambre de longitud de 5 milímetros?

c) ¿Cuál es el número medio de fallas en una porción de 5 milímetros de longitud ?

14
Probabilidad y Estadística 3. Distribución de Poisson

3.2 Aproximación: Binomial a la dist. Poisson

En el caso que n es grande es posible aproximar la distribución binomial a la distribución Poisson.
Si n → ∞ y p → 0 de tal modo que np se aproxime a un valor λ, entonces la distribución binomial se
aproxima a la distribución Poisson con parametro λ = np.
Regla empírica: La aproximación puede ser aplicada si n ≥ 30 y p ≤ 0.1.

Ejemplo 3.6.
Un artículo en Los Ángeles Times (3 de diciembre de 1993) reporta que una de cada 200 personas portan
el gen defectuoso que provoca cáncer de colon hereditario. En una muestra de 1000 individuos, ¿cuál
es la distribución de probabilidad aproximada del número de personas que porta este gen? Use esta
distribución para calcular la probabilidad aproximada de que

a) Entre 5 y 8 porten el gen.

b) Por lo menos 3 porten el gen.

Solución:

el tamaño de muestra n =1000

éxito: la persona porta el gen → p = 1/200 = 0.005, luego se tiene que

X ∼ Bin(1000, 0.005)

Como se satisface (se cumple) que 1000 ≥ 30 y 0.005 ≤ 0.1 entonces la distribución binomial se puede
aproximar a la distribución de Poisson con parametro λ = np = 1000 × 0.005 =5, esto es

X ∼ Poi(5)

a) Entre 5 y 8 porten el gen

P(5 ≤ X ≤ 8) = p(5) + p(6) + p(7) + p(8)

e−5 (5)5 e−5 (5)6 e−5 (5)7 e−5 (5)8
= + + +
5! 6! 7! 8!

b) Por lo menos 3 porten el gen.

P(X ≥ 3) = p(3) + p(4) + p(5) + p(6) + . . .

= 1 − P(X < 3)
= 1 − [p(0) + p(1) + p(2)]
" −5 0
e−5 (5)1 e−5 (5)2
#
e (5)
=1− + + =
0! 1! 2!

15
Probabilidad y Estadística 3. Distribución de Poisson

Ejemplo 3.7.
En cierta fábrica 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 sí.

a) ¿Cuál es la probabilidad de que en un día de cualquier periodo determinado de 400 días ocurra un
accidente?

b) ¿Cuál es la probabilidad de que ocurra un accidente a lo sumo en tres días de tal periodo?

16
Probabilidad y Estadística 4. Distribución Hipergeométrica

4 Distribución Hipergeométrica
Definición 1 (Distribución Hipergeométrica)
Sea X una v.a discreta, se dice que X sigue una distribución hipergeométrica si su función masa de
probabilidad es
N−r
Crx · Cn−x
P(X = x) = p(x) = , máx{0, n − (N − r)} ≤ x ≤ mı́n{n, r} (4.1)
CnN
en que:

X ≡ número de éxitos en la muestra

N ≡ tamaño de la población

n ≡ tamaño de la muestra

r ≡ número de éxitos en la población

Notación: X ∼ Hgeo(N, r, n), se lee X sigue una distribución hipergeométrica con parámetros N, r
y n.

Características
Se tiene que la población N es finita y la selección de la muestras es sin reemplazo

Los ensayos (o repeticiones) no son independientes y la probabilidad de éxito en cada ensayo no es

constante.

El valor esperado y varianza de X son respectivamente

r r r N−n
     
E[X] = n Var[X] = n 1−
N N N N−1
Nótese que p = r/ N es la proporción de éxitos en la población, así se puede reescribir

N−n
 
E[X] = np Var[X] = np (1 − p) ,
N−1
Si n es menor en relación a N se tiene que

N−n
≈1
N−1

17
Probabilidad y Estadística 4. Distribución Hipergeométrica

Ejemplo 4.1.
Un subgerente de una empresa de materias primas, debe contratar 10 personas entre 30 candidatos, 22
de los cuales tienen títulos universitarios.

a) Calcule la probabilidad de que 5 de los contratados tengan un título

b) Calcule el número esperado así como la desviación estándar de las personas contratadas que
poseen título

Solución:
Éxito: Se considera como éxito que la persona contratada tenga un título universitario. Así,

X ≡ número de contratados que tiene título universitario

N = 30, candidatos → tamaño de la población

n = 10, contratados → tamaño de la muestra

r = 22, candidatos que poseen título → número de éxitos en la población

luego la distribución de probabilidad para X es

30−22
C22
x · C10−x
P(X = x) =
C30
10
8
C22
x · C10−x
=
C30
10

en que los valores de X varian

máx{0, 10 − (30 − 22)} ≤ x ≤ mı́n{10, 22}

máx{0, 2} ≤ x ≤ mı́n{10, 22}
2 ≤ x ≤ 10 → x = 2, 3, . . . , 10

a) la probabilidad de que 5 de los contratados tengan título universitario

C22 8
5 · C10−5
P(X = x) = = 0.0491
C30
10

b) el número esperado así como la desviación estándar de las personas contratadas que poseen título
r 22
   
E[X] = n = 10 = 7.3333
N 30

18
Probabilidad y Estadística 4. Distribución Hipergeométrica

Ejemplo 4.2.
Una pieza de equipo electrónico contiene seis chips de computadora, dos de los cuales están defectuosos.
Tres chips de este equipo se seleccionan para inspeccionarlos y se registra el número de los defectuosos.

a) Sea X ≡el número de chips de computadora defectuosos. Indique la fmp de la v.a discreta p(x)

b) Calcule la media y varianza de la v.a X.

c) Calcule P(X ≥ 1)

19
Probabilidad y Estadística 4. Distribución Hipergeométrica

Ejemplo 4.3.
Una compañía tiene cinco solicitantes para dos puestos de trabajo: dos mujeres y tres hombres. Suponga
que los cinco solicitantes están igualmente calificados y que no se da preferencia para escoger género
alguno. Sea X igual al número de mujeres escogido para ocupar las dos posiciones.

a) Escriba la fmp, p(x), la distribución de probabilidad de X.

b) ¿Cuáles son la media y la varianza de esta distribución?

c) Calcule P(X = 2)

20