Distribuciones de Probabilidad Variables Aleatorias Discretas

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Este apunte continúa con el estudio de la probabilidad mediante la introducción de

los conceptos variables aleatorias y distribuciones de probabilidad. El tema central son las
distribuciones de probabilidad discreta. En particular se cubren tres distribuciones de este
tipo: binomial, de Poisson e Hipergeométrica.

VARIABLE ALEATORIA

Una variable aleatoria es una descripción numérica de los

resultados de un experimento.

En efecto, una variable aleatoria asocia un valor numérico con cada resultado
experimental posible. El valor numérico particular de la variable aleatoria depende del
resultado del experimento. Ésta se clasifica como discreta o continua en función de los
valores numéricos que asume.

Variables aleatorias discretas

Una variable aleatoria que puede asumir cualquier número finito de valores o una
sucesión infinita de valores como 0, 1, 2, . . . se conoce como variable aleatoria discreta. Por
ejemplo, considere el experimento de un sujeto que presenta el examen de certificación de
contador público, el cual consta de cuatro partes.
Una variable aleatoria se define como x = el número de partes del examen aprobadas.
Se trata de una variable aleatoria discreta, ya que puede asumir un número finito de valores
0, 1, 2, 3 o 4.
En otro ejemplo, considere el experimento de los automóviles que llegan a una caseta
de cobro. La variable aleatoria de interés es x = el número de vehículos que llegan durante
un periodo de un día. Los valores posibles para x provienen de la secuencia de números
enteros 0, 1, 2, etc. Por consiguiente, x es una variable aleatoria discreta que asume uno de
los valores de esta secuencia infinita.

Página 1
Distribuciones de Probabilidad Variables Aleatorias Discretas

Aunque los resultados de muchos experimentos se describen de manera natural por medio
de valores numéricos, otros no pueden describirse así. Por ejemplo, en una encuesta se podría
preguntar a una persona si recuerda el mensaje de un comercial de televisión reciente. Este
experimento tendría dos resultados posibles: la persona no recuerda el mensaje y la persona
recuerda el mensaje. También es posible describir numéricamente estos resultados
experimentales mediante la definición de la variable aleatoria discreta x como sigue: sea x=0
si la persona no recuerda el mensaje y x = 1 si la persona recuerda el mensaje. Los valores
numéricos de esta variable son arbitrarios (se podría usar 5 y 10), pero son aceptables con
base en la definición de una variable, es decir, x es una variable aleatoria, ya que proporciona
una descripción numérica de los resultados del experimento.
La siguiente tabla muestra algunos ejemplos de variables aleatorias discretas. Tenga
en cuenta que en cada ejemplo la variable asume un número finito de valores o una secuencia
infinita de valores como 0, 1, 2, . . . Estos tipos de variables estudiaremos en este apunte.
Ejemplos de variables aleatorias discretas
Experimento Variable aleatoria (x) Valores posibles de la
Variable aleatoria
Llamar a cinco clientes Número de clientes que hacen 0, 1, 2, 3, 4, 5
un pedido
Inspeccionar un embarque de Número de radios defectuosos 0, 1, 2, . . . , 49, 50
50 radios
Encargarse de un restaurante Número de clientes 0, 1, 2, 3, . . .
por un día
Vender un automóvil Género del cliente 0 si es hombre, 1 si es
mujer

Distribuciones de probabilidad discreta

La distribución de probabilidad de una variable aleatoria describe cómo se
distribuyen las probabilidades entre los valores de la misma. Para una variable aleatoria
discreta x, la distribución de probabilidad se define por medio de una función de
probabilidad, denotada por ( ). La función de probabilidad proporciona la probabilidad
para cada valor que puede asumir la variable aleatoria.
Como ejemplo de una variable aleatoria discreta y su distribución de probabilidad, considere
las ventas de automóviles en DiCarlo Motors, con sede en Saratoga, Nueva York. Durante
los últimos 300 días de operación, los datos de ventas mostraron que en 54 días no se vendió

Página 2
Distribuciones de Probabilidad Variables Aleatorias Discretas

ningún automóvil, en 117 días se vendió 1 automóvil, en 72 días se vendieron 2, en 42 días

se vendieron 3, en 12 días se vendieron 4 y en 3 días se vendieron 5. Suponga que se
considera el experimento de seleccionar un día de operación en DiCarlo Motors y se define
la variable aleatoria de interés como x = número de automóviles vendidos en un día. A partir
de los datos históricos, sabemos que x es una variable aleatoria discreta que puede asumir
los valores 0, 1, 2, 3, 4 o 5. En la notación de la función de probabilidad, ( ) es la
probabilidad de vender 0 unidades, ( ) es la probabilidad de vender 1 automóvil, y así
sucesivamente. Dado que los datos históricos muestran que en 54 de los 300 días se
vendieron 0 unidades, se asigna el valor 54/300 = 0.18 a ( ), lo que indica que la
probabilidad de que se vendan 0 automóviles en un día es de 0.18. Asimismo, como en 117
de los 300 días se vendió un vehículo, se asigna el valor 117/300 = 0.39 a ( ), indicando
que la probabilidad de que se venda exactamente 1 automóvil en un día es de 0.39. Si se
continúa de esta manera para los otros valores de la variable aleatoria, obtenemos los valores
de ( ), ( ), ( ) ( ) como se muestra la siguiente, que es la distribución de
probabilidad para el número de vehículos vendidos durante un día en DiCarlo Motors.
Una de las principales ventajas de definir una variable aleatoria y su distribución de
probabilidad es que, una vez que se conoce esta última, es relativamente fácil determinar la
probabilidad de una variedad de eventos que pueden ser útiles para quien toma decisiones.
Por ejemplo, utilizando la distribución de probabilidad para DiCarlo Motors, vemos que el
número de automóviles que es más probable vender en un día es 1, con una probabilidad de
( )= . . Además, hay una probabilidad de ( ) + ( ) + ( ) = 0.14 + 0.04 + 0.01
= 0.19 de vender 3 o más unidades durante un día. Estas probabilidades, además de otras que
quien toma decisiones puede solicitar, proporcionan información que le ayudan a entender
el proceso de la venta de automóviles en DiCarlo Motors.
Cuando se desarrolla una función de probabilidad para una variable aleatoria discreta, se
deben satisfacer las dos condiciones siguientes.
CONDICIONES REQUERIDAS PARA UNA
FUNCIÓN DE PROBABILIDAD DISCRETA

) ( )≥ , ∀
2) ∑ ( )=

Página 3
Distribuciones de Probabilidad Variables Aleatorias Discretas

La tabla siguiente muestra que las probabilidades de la variable aleatoria x satisfacen la

ecuación la condición 1) anterior; ( ) es mayor o igual que 0 para todos los valores de x.
Además, como estas probabilidades suman 1, la condición 2) también se satisface.
Distribución de probabilidad para el número de automóviles vendidos durante un día en Dicarlo Motors
( )
0 0.18
1 0.39
2 0.24
3 0.14
4 0.04
5 0.01
Total 1.00
Por tanto, la función de probabilidad de DiCarlo Motors es una función de
probabilidad discreta válida. También se presentan las distribuciones de probabilidad de
manera gráfica. En la siguiente figura los valores de la variable aleatoria x para DiCarlo
Motors aparecen en el eje horizontal y la probabilidad asociada con estos valores se muestra
en el eje vertical.
Representación gráfica de la distribución de probabilidad para el número
de automóviles vendidos durante un día en Dicarlo Motors

0,45
0,4
0,35
P(x) = Probabilidad

0,3
0,25
0,2
0,15
0,1
0,05
0
0 1 2 3 4 5
x = número de automóviles vendidos por día

Además de tablas y gráficas para describir las distribuciones de probabilidad, con

frecuencia se utiliza una fórmula que proporciona la función de probabilidad, ( ), para
cada valor de x. El ejemplo más sencillo de una distribución de probabilidad discreta dada

Página 4
Distribuciones de Probabilidad Variables Aleatorias Discretas

una fórmula, es la distribución de probabilidad uniforme discreta. Su función de

probabilidad se define por medio de la siguiente ecuación:
FUNCIÓN DE PROBABILIDAD UNIFORME DISCRETA

( )= , ∀
Donde n = número de valores que la variable aleatoria puede asumir.

Por ejemplo, suponga que para el experimento de lanzar un dado la variable aleatoria
x se define como el número de puntos en la cara que queda hacia arriba. Para este
experimento, n = 6 valores son posibles para la variable aleatoria; x = 1, 2, 3, 4, 5, 6. Por
tanto, la función de probabilidad para esta variable aleatoria uniforme discreta es,

( )= = , , , , ,

Los valores posibles de la variable aleatoria y las probabilidades asociadas se

muestran en la siguiente tabla.
( )
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
Total 1.00

Como otro ejemplo, considere la variable aleatoria x con la distribución de

probabilidad siguiente.
( )
1 1/10
2 2/10
3 3/10
4 4/10
Total 1.00

Esta distribución de probabilidad se define por medio de la fórmula ( ) = /

Página 5
Distribuciones de Probabilidad Variables Aleatorias Discretas

para x = 1, 2, 3 o 4, La evaluación de ( ) para un valor dado de la variable aleatoria

proporciona la probabilidad asociada. Por ejemplo, usando la función de probabilidad
anterior, vemos que ( ) = 2/10 proporciona la probabilidad de que la variable aleatoria
asuma el valor 2. Las distribuciones de probabilidad discretas de uso más común por lo
general se especifican por medio de fórmulas. Tres casos importantes son las distribuciones;
Binomial, de Poisson e Hipergeométrica, las cuales se estudian posteriormente en este
apunte.
VALOR ESPERADO Y VARIANZA
Valor esperado
El valor esperado, o media, de una variable aleatoria es una medida de su posición
central. La fórmula para el valor esperado de una variable aleatoria discreta x se indica
enseguida.
VALOR ESPERADO DE UNA VARIABLE ALEATORIA DISCRETA

( )=∑ ( )

La fórmula anterior muestra que para calcular el valor esperado de una variable
aleatoria discreta se debe multiplicar cada valor de la variable por su probabilidad
correspondiente ( ), y después se suman los productos que resultan. Utilizando el ejemplo
de la venta de automóviles de DiCarlo Motors, en la tabla siguiente se muestra el cálculo del
valor esperado para el número de vehículos vendidos durante un día. La suma de las entradas
de la columna ∗ ( ) muestra que el valor esperado es 1.50 unidades por día. Por
consiguiente, aunque se sabe que en un día cualquiera las ventas pueden ser de 0, 1, 2, 3, 4
o 5 automóviles, DiCarlo anticipa que con el tiempo se venderá un promedio diario de 1.50.
Suponiendo que un mes tiene 30 días de operación, se usa el valor esperado de 1.50 para
pronosticar el promedio de ventas mensuales de 30(1.50) = 45 vehículos.

Varianza
Aun cuando el valor esperado proporciona el valor medio de la variable aleatoria, a
menudo necesitamos una medida de variabilidad o dispersión. Así como la varianza se usó
para resumir la variabilidad en los datos, ahora la varianza se usa para resumir la variabilidad

Página 6
Distribuciones de Probabilidad Variables Aleatorias Discretas

en los valores de una variable aleatoria. A continuación, se presenta la fórmula para la

varianza de una variable aleatoria discreta.
VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

( )= ( − ( )) ( )

Una parte esencial de la fórmula de la varianza es la desviación, − ( ), la cual

mide a qué distancia está el valor esperado, o la media, μ, de un valor particular de la variable
aleatoria. Para calcular la varianza de una variable aleatoria, las desviaciones se elevan al
cuadrado y luego se ponderan por el valor correspondiente de la función de probabilidad. La
suma de estas desviaciones al cuadrado ponderadas para todos los valores de la variable
aleatoria se conoce como la varianza. Las notaciones ( ) se usan para denotar la
varianza de una variable aleatoria y también ( ) = .
Cálculo del valor esperado y la varianza para el número de automóviles
que se venden en un día en Dicarlo Motors
( ) ( ) ( − ( )) − ( ) ( )
0 0.18 0.00 2.25 0.4050
1 0.39 0.39 0.25 0.0975
2 0.24 0.48 0.25 0.0600
3 0.14 0.42 2.25 0.3150
4 0.04 0.16 6.25 0.2500
5 0.01 0.05 12.25 0.1225
∑ ( )= 1.50 ∑( − ( )) ( )= 1.2500

El cálculo de la varianza para la distribución de probabilidad del número de

automóviles vendidos durante un día en DiCarlo Motors se resume en la tabla anterior.
Vemos que la varianza es 1.25. La desviación estándar, σ, se define como la raíz cuadrada
positiva de la varianza. Por tanto, la desviación estándar para el número de automóviles
vendidos durante un día es =√ . = . .
La desviación estándar se mide en las mismas unidades que la variable aleatoria (σ =
1.118 automóviles) y por tanto a menudo se prefiere para describir la variabilidad de una
variable aleatoria. La varianza se mide en unidades cuadradas y, por tanto, es más difícil
de interpretar.

Página 7
Distribuciones de Probabilidad Variables Aleatorias Discretas

Distribución de probabilidad binomial

La distribución de probabilidad binomial es una distribución de probabilidad discreta
que proporciona muchas aplicaciones. Se asocia con un experimento de múltiples pasos que
se llama experimento binomial.
Un experimento binomial tiene las cuatro propiedades siguientes.

PROPIEDADES DE UN EXPERIMENTO BINOMIAL

1. El experimento consiste de una secuencia de n ensayos idénticos.

2. En cada ensayo hay dos resultados posibles. A uno de ellos se le llama éxito
y al otro, fracaso.
3. La probabilidad de éxito, denotada por p, no cambia de un ensayo a otro.
Por consiguiente, la probabilidad de fracaso, denotada por 1 - p, tampoco
cambia de un ensayo a otro.
4. Los ensayos son independientes.

Si están presentes las propiedades 2, 3 y 4, se dice que los ensayos son generados por
un proceso de Bernoulli. Si, además, la propiedad 1 está presente, se dice que tenemos un
experimento binomial.
La siguiente figura representa una secuencia posible de éxitos y fracasos para un
experimento binomial que consta de ocho ensayos.
Secuencia posible de éxitos y fracasos para un experimento binomial de ocho ensayos

En un experimento binomial, lo que interesa es el número de éxitos que ocurren en

los n ensayos. Si x denota el número de éxitos que ocurren en n ensayos, vemos que x puede

Página 8
Distribuciones de Probabilidad Variables Aleatorias Discretas

asumir los valores 0, 1, 2, 3..., n. Debido a que el número de valores es finito, x es una
variable aleatoria discreta. La distribución de probabilidad asociada con esta variable se
llama distribución de probabilidad binomial. Por ejemplo, considere el experimento de
lanzar una moneda cinco veces y en cada lanzamiento observe si la moneda cae con cara o
cruz en el lado superior. Suponga que queremos contar el número de caras que aparecen
durante los cinco lanzamientos.
¿Este ejemplo muestra las propiedades de un experimento binomial? ¿Cuál es la
variable aleatoria de interés? Observe que:
1. El experimento consta de cinco ensayos idénticos; cada uno consiste en el lanzamiento de
una moneda.
2. En cada ensayo hay dos resultados posibles: cara o cruz. Se puede designar cara como un
éxito y cruz como un fracaso.
3. La probabilidad de obtener cara y la probabilidad de obtener cruz son iguales para cada
ensayo, con p = 0.5 y 1 - p = 0.5.
4. Los ensayos o lanzamientos son independientes debido a que el resultado de cualquier
ensayo no se ve afectado por lo que ocurre con otros ensayos o lanzamientos.
Por tanto, las propiedades de un experimento binomial se satisfacen. La variable
aleatoria que interesa es x = número de caras que ocurren en cinco ensayos. En este caso, x
puede tomar los valores 0, 1, 2, 3, 4 o 5.
En otro ejemplo, considere a una vendedora de seguros que visita a 10 familias
seleccionadas al azar. El resultado asociado con cada visita se clasifica como un éxito si la
familia compra un seguro y un fracaso si no lo compra. A partir de su experiencia, la
vendedora sabe que la probabilidad de que una familia seleccionada al azar compre un seguro
es de 0.10. Al revisar las propiedades de un experimento binomial se observa que:
1. El experimento consta de 10 ensayos idénticos; cada uno consiste en visitar a una familia.
2. En cada ensayo hay dos resultados posibles: la familia compra el seguro (éxito) o no lo
compra (fracaso).
3. Se asume que las probabilidades de que haya una compra o no la haya son iguales para
cada visita, con p = 0.10 y 1 - p = 0.90.
4. Los ensayos son independientes, porque las familias se eligen al azar.
Como estos cuatro supuestos se cumplen, este ejemplo es un experimento binomial.
La variable aleatoria de interés es el número de ventas obtenidas al hacer contacto con las

Página 9
Distribuciones de Probabilidad Variables Aleatorias Discretas

10 familias. En este caso, x puede asumir los valores 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 y 10. La

propiedad 3 del experimento binomial se llama supuesto de estacionariedad y a veces se
confunde con la propiedad 4, la independencia de los ensayos. Para ver cómo difieren,
considere de nuevo el caso de la vendedora que visita a las familias para ofrecer seguros. Si,
a medida que el día avanza, la empleada se cansa y pierde entusiasmo, la probabilidad de
éxito (vender un seguro) para el décimo contacto podría disminuir a 0.05, por ejemplo. En
este caso, la propiedad 3 (estacionariedad) no se cumpliría y el experimento no sería
binomial. Incluso si la propiedad 4 se cumple, es decir, que las decisiones de compra de cada
familia se realizaran en forma independiente, el experimento no sería binomial si la
propiedad 3 no se satisface. En las aplicaciones con experimentos binomiales se usa una
fórmula matemática especial, llamada función de probabilidad binomial, para calcular la
probabilidad de x éxitos en n ensayos.

FUNCIÓN DE PROBABILIDAD BINOMIAL

( )= (1 − )( )

donde
= número de éxitos
= probabilidad de un éxito en un ensayo
= número de ensayos
( ) = probabilidad de éxitos en ensayos
!
=
! ( − )!
! = (1)(2) … ( − 2)( − 1)
0! = 1

Considere las decisiones de compra de tres clientes que entran en una tienda de ropa.
Con base en su experiencia, el gerente de la tienda estima que la probabilidad de que un
cliente cualquiera haga una compra es de 0.30. ¿Cuál es la probabilidad de que dos de los
tres clientes realicen una compra?
Al revisar los cuatro requerimientos para un experimento binomial, observamos que:
1. El experimento se describe como una secuencia de tres ensayos idénticos, uno para cada
uno de los tres clientes que entran en la tienda.

Página 10
Distribuciones de Probabilidad Variables Aleatorias Discretas

2. Para cada ensayo hay dos resultados posibles: el cliente efectúa una compra (éxito) o el
cliente no efectúa una compra (fracaso).
3. Se asume que la probabilidad de que el cliente realice una compra (0.30) o no la realice
(0.70) es la misma para todos los clientes.
4. La decisión de compra de cada sujeto es independiente de las decisiones que tomen los
otros clientes.
Por lo tanto, están presentes las propiedades de un experimento binomial, entonces, =2
éxitos en = 3 ensayos y = . . La probabilidad de que dos de los tres clientes realicen

una compra está dada por: ( = )= ( . ) ( − . )( )

=0.189

VALOR ESPERADO Y VARIANZA DE LA DISTRIBUCIÓN BINOMIAL

( )=
( )= ( − )

Distribución de probabilidad de Poisson

Ahora consideramos una variable aleatoria discreta que a menudo es útil para estimar
el número de ocurrencias en un intervalo específico de tiempo o espacio. Por ejemplo, la
variable aleatoria de interés podría ser el número de llegadas a un centro de lavado
automotriz en una hora, el número de reparaciones necesarias en 10 millas de una autopista
o el número de fugas en 100 millas de tubería. Si las dos propiedades siguientes se satisfacen,
el número de ocurrencias es una variable aleatoria descrita por la distribución de
probabilidad de Poisson.

PROPIEDADES DE UN EXPERIMENTO DE POISSON

1. La probabilidad de ocurrencia es la misma para cualesquiera dos
intervalos de igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo.

Página 11
Distribuciones de Probabilidad Variables Aleatorias Discretas

FUNCIÓN DE PROBABILIDAD DE POISSON

( )=
!
Donde
( ) = probabilidad de x ocurrencias en un intervalo.
μ = valor esperado o número medio de ocurrencias en un intervalo.
e = 2.71828

Para la distribución de probabilidad de Poisson, x es una variable aleatoria discreta

que indica el número de ocurrencias en el intervalo. Como no hay un límite superior
establecido para el número de ocurrencias, la función de probabilidad ( ) es aplicable para
los valores x = 0, 1, 2, . . . sin límite. En las aplicaciones prácticas, x a la larga se volverá lo
suficientemente grande para que ( ) sea aproximadamente cero y la probabilidad de
cualquier valor mayor que x se vuelva insignificante.
Un ejemplo con intervalos de tiempo Suponga que le interesa conocer el número de
llegadas al cajero automático de un banco en las mañanas de lunes a viernes durante un
periodo de 15 minutos. Si se asume que la probabilidad de un automóvil que llega es la
misma para cualquiera de dos periodos de igual duración y que la llegada o no llegada de un
vehículo en cualquier periodo es independiente del arribo o no en cualquier otro periodo, la
función de probabilidad de Poisson es aplicable. Suponga que estos supuestos se cumplen y
que un análisis de los datos históricos muestra que el número medio de automóviles que
llega en un periodo de 15 minutos es 10; en este caso, se aplica la función de probabilidad
siguiente.
10
( )=
!
La variable aleatoria aquí es x= número de automóviles que llega en un periodo de
15 minutos. Si la gerencia quisiera conocer la probabilidad de exactamente cinco llegadas
en 15 minutos, se establecería que x = 5 y por tanto obtendríamos:
Probabilidad de exactamente cinco llegadas en 15 minutos
10
( = 5) = = 0.0378
5!

Página 12
Distribuciones de Probabilidad Variables Aleatorias Discretas

En este ejemplo la media de la distribución de Poisson es μ = 10 llegadas por un

periodo de 15 minutos. Una propiedad de la distribución de Poisson consiste en que la media
de la distribución y la varianza de la distribución son iguales. Por tanto, la varianza para el
número de llegadas durante un periodo de 15 minutos es σ2 = 10. La desviación estándar es
=√ = 3.16.
El ejemplo involucra un periodo de 15 minutos, pero se pueden usar otros. Suponga
que se quiere calcular la probabilidad de una llegada en un periodo de 3 minutos. Dado que
10 es el número esperado de llegadas en 15 minutos, vemos que 10/15 = 2/3 es el número
esperado de llegadas en 1 minuto y que (2/3)*(3 minutos) = 2, es el número esperado de
arribos en 3 minutos. Por tanto, la probabilidad de x llegadas en un periodo de 3 minutos con
μ = 2 está dada por la función de probabilidad de Poisson siguiente.

( )=
!
La probabilidad de una llegada en un periodo de 3 minutos se calcula como sigue:

Probabilidad de exactamente 1 llegada en 3 minutos = ( ) = !

= 0.2707

Previamente se calculó la probabilidad de cinco llegadas en un periodo de 15

minutos; fue 0.0378. Observe que la probabilidad de un arribo en 3 minutos (0.2707) no es
la misma. Cuando se estima una probabilidad de Poisson para un intervalo de tiempo distinto,
primero se debe convertir la tasa media de llegadas al periodo de interés y luego calcular la
probabilidad.

Distribución de probabilidad Hipergeométrica

La distribución de probabilidad Hipergeométrica mantiene una relación estrecha con

la distribución binomial, pero difiere de ésta en dos puntos esenciales: sus ensayos no son
independientes y su probabilidad de éxito cambia de un ensayo a otro. En la notación usual
para la distribución Hipergeométrica, r denota el número de elementos en la población de
tamaño N considerados como éxitos, y N - r denota el número de elementos en la población
considerados fracasos. La función de probabilidad Hipergeométrica se usa
para calcular la probabilidad de que en una muestra aleatoria de n elementos,
seleccionados sin remplazo, se obtengan x elementos etiquetados como éxitos y n - x
elementos marcados como fracasos. Para que este resultado ocurra, se deben obtener x éxitos

Página 13
Distribuciones de Probabilidad Variables Aleatorias Discretas

de los r éxitos que hay en la población y n - x fracasos de los N - r fracasos. La función de

probabilidad Hipergeométrica siguiente proporciona ( ), la probabilidad de obtener x
éxitos en n ensayos.

FUNCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA

−
( )= −

Donde
= número de éxitos
= número de ensayos
( ) = probabilidad de x éxitos en n ensayos
= número de elementos en la población
= número de elementos en la población etiquetados como éxitos

Observe que representa el número de maneras en que elementos pueden

seleccionarse de una población de tamaño ; expresa el número de formas en que

−
éxitos pueden seleccionarse de un total de éxitos en la población, y representa el
−
número de maneras en que – fracasos pueden elegirse de un total de – fracasos en
la población.
Para la distribución de probabilidad Hipergeométrica, es una variable aleatoria
discreta, y la función de probabilidad ( ) dada por la por la formula, por lo general se
aplica a los valores de x = 0, 1, 2, . . . , . Sin embargo, sólo son válidos los valores de
donde el número de éxitos observados es menor o igual que el número de éxitos en la
población ( ≤ ) y donde el número de fracasos observados es menor o igual que el número
de fracasos en la población ( − ≤ − ). Si estas dos condiciones no son válidas para
uno o más valores de , la ( ) = correspondiente indica que la probabilidad de este valor
de x es cero.

Página 14
Distribuciones de Probabilidad Variables Aleatorias Discretas

Para ilustrar los cálculos que implica el uso de la formula, considere la siguiente
aplicación de control de calidad. Los fusibles eléctricos producidos por Ontario Electric se
empacan en cajas de 12 unidades cada una. Suponga que un inspector selecciona al azar tres
de los 12 fusibles de una caja para probarlos. Si ésta contiene exactamente cinco fusibles
averiados, ¿cuál es la probabilidad de que el inspector encuentre exactamente un fusible
defectuoso en los tres que seleccionó? En esta aplicación n = 3 y N = 12. Con r = 5 fusibles
defectuosos en la caja, la probabilidad de encontrar x = 1 fusible defectuoso es
5 12 − 5 5 7
( = 1) = 1 3 − 1 = 1 2 = 5 ∗ 21 = 0.4773
12 12 220
3 3
Ahora suponga que quiere conocer la probabilidad de encontrar por lo menos 1
fusible defectuoso. La manera más fácil de responder esta pregunta consiste en calcular
primero la probabilidad de que el inspector no encuentre un fusible en mal estado. La
probabilidad de x = 0 es
5 12 − 5 5 7
( = 0) = 0 3 − 0 = 0 3 = 1 ∗ 35 = 0.1591
12 12 220
3 3

Con una probabilidad de cero fusibles defectuosos ( ) = . , concluimos que

la probabilidad de encontrar por lo menos uno debe ser 1 - 0.1591 = 0.8409. Por tanto, hay
una probabilidad razonablemente alta de que el inspector encuentra por lo menos 1 fusible
defectuoso. La media y la varianza de una distribución Hipergeométrica son las siguientes.

( )= =

−
( )= = 1−
−1
En el ejemplo anterior, n = 3, r = 5 y N = 12. Por tanto, la media y la varianza para
el número de fusibles defectuosos son
5
( )= = =3 = 1,25
12
( )= = 1− =3 1− =0,60

La desviación estándar es = √0,60 = 0,77.

Página 15