DISTRIBUCION DE PROBABILIDADES 1

1Distribución de Probabilidades

 Universidad Nacional Experimental Politécnica de la Fuerza Armada.

Ingeniería de Sistemas.
Probabilidades y Estadística.

Daniel Hernández.
2022.
 2

Capítulo 1

Definiciones y objetivos

Distribución Binomial

La definición técnica de la distribución binomial nos dice lo siguiente: “Una

distribución binomial es una distribución de probabilidad discreta que describe el número

de éxitos al realizar n experimentos independientes entre sí, acerca de una variable

aleatoria.”

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos

en la que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra

variable aleatoria.

Las propiedades que caracterizan a la distribución binomial son las siguientes.

 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o

fracaso).

 La probabilidad del éxito ha de ser constante. Esta se representa mediante la

letra p. La probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es

constante dado que la moneda no cambia en cada experimento y las

probabilidades de sacar cara son constantes.

 La probabilidad de fracaso ha de ser también constate. Esta se representa

mediante la letra q = 1-p. Es importante fijarse que, mediante esa ecuación,

sabiendo p o sabiendo q, podemos obtener la que nos falte.

 3

 El resultado obtenido en cada experimento es independiente del anterior. Por lo

tanto, lo que ocurra en cada experimento no afecta a los siguientes.

 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al

mismo tiempo. No se puede ser hombre y mujer al mismo tiempo o que al

lanzar una moneda salga cara y cruz al mismo tiempo.

 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha

de ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale

cara ha de salir cruz.

 La variable aleatoria que sigue una distribución binomial se suele representar

como X~(n,p), donde n representa el número de ensayos o experimentos y p la

probabilidad de éxito.

Imaginemos el lanzamiento de una moneda en el que definimos el suceso “sacar cara”

como el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos (sacar cara) que

obtenemos, nuestra distribución de probabilidades se ajustaría a una distribución

binomial.

Con esto concluimos que la distribución binomial se lleva a cabo con las variables

aleatorias de tipo discreta.

La fórmula de la distribución binomial es:

n x n−x
P ( x ) =(¿ x ) p q ¿

Donde:

n    = Número de ensayos/experimentos

x    = Número de éxitos

 4

p    = Probabilidad de éxito

q    = Probabilidad de fracaso (1-p)

Distribución de Poisson

La distribución de Poisson es una distribución de probabilidad discreta que, tan solo

conociendo los eventos y su frecuencia media de ocurrencia, podemos saber

su probabilidad. La variable que usamos con esta distribución sería la variable aleatoria

discreta. Nuestra variable aleatoria x representará el número de ocurrencias de un suceso

en un intervalo determinado, el cual podrá ser tiempo, distancia, área, volumen o alguna

otra unidad similar o derivada de éstas.

La probabilidad de nuestra variable aleatoria X viene dada por la siguiente expresión: 

μ x . e− μ
P ( x) =
x!

Donde:

 Nuestra variable aleatoria discreta puede tomar los

valores:  

  donde es la media del número de sucesos en el intervalo que estemos tomando,

ya sea de tiempo, distancia, volumen, etc. Es importante entender que este valor

es una media en el sentido estrictamente estadístico de la palabra y como tal se

calculará mediante dicha expresión y no debe calcularse nunca con una regla de

proporcionalidad o regla de tres.

 Se debe cumplir la condición de normalización  

 5

 La desviación típica es    

 Cuando realizamos un experimento contando sucesos y obtenemos un valor x, su

error vendrá determinado por la raíz de x.   

La distribución de Poisson debe de cumplir los siguientes requisitos:

 La variable discreta   es el número de ocurrencias de un suceso durante un

intervalo (esto es la propia definición que hemos dado anteriormente).

 Las ocurrencias deben ser aleatorias y no contener ningún vicio que favorezca

unas ocurrencias en favor de otras.

 Las ocurrencias deben estar uniformemente distribuidas dentro del intervalo que

se emplee.

Distribución geométrica

Cuando usted realiza un experimento que solo tiene dos resultados posibles, la

distribución geométrica es una distribución discreta que puede modelar el número de

ensayos consecutivos necesarios para observar el resultado de interés por primera vez. La

distribución geométrica también puede modelar el número de no eventos que ocurren

antes de que se observe el primer resultado.

Por ejemplo, una distribución geométrica puede modelar el número de veces que se

debe lanzar al aire una moneda para obtener el primer resultado de "cara". De manera

similar, si se trata de productos construidos en una línea de ensamble, la distribución

geométrica puede modelar el número de unidades producidas antes de que se produzca la

primera unidad defectuosa. La siguiente gráfica representa una distribución geométrica

con probabilidad de evento de 0.5.

 6

Por lo que decimos que la fórmula para la distribución geométrica seria:

f ( x )=¿

Y para calcular la media o esperanza matemática seria:

1
E ( x )=
p

Y la varianza o desviación se calcula de la siguiente manera:

1−p
V ( x )=
p2

Distribución hipergeométrica.

La distribución hipergeométrica es especialmente útil en todos aquellos casos en los

que se extraigan muestras o se realicen experiencias repetidas sin devolución del

elemento extraído o sin retornar a la situación experimental inicial.

Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones

pequeñas y en el cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones

en el control de calidad para procesos experimentales en los que no es posible retornar a

la situación de partida.

Las consideraciones a tener en cuenta en una distribución hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables de entre un conjunto de

"N" pruebas posibles.

 Cada una de las pruebas puede dar únicamente dos resultados mutuamente

excluyentes.

 El número de individuos que presentan la característica A (éxito) es "k".

 7

 En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con p+q=1.

En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”. La

función de probabilidad de esta variable sería:

P ( X=x )=
( x ) ( n−x )
k ∗ N −k

( Nn )
La media, varianza y desviación típica de esta distribución vienen dadas por:

2 npq∗N −n
μ=npσ =
N −1

σ=
√ npq∗N −n
N−1

Cuando N es muy grande, como criterio se suele considerar N > 10n, la distribución

hipergeométrica se puede aproximar por la binomial B (n, p) con p = k/N.

Distribución uniforme.

La distribución de probabilidad uniforme es un ejemplo de una distribución de

probabilidad es continua. Una distribución de probabilidad es continua cuando los

resultados posibles del experimento son obtenidos de variables aleatorias continuas, es

decir, de variables cuantitativas que pueden tomar cualquier valor, y que resultan

principalmente del proceso de medición.

Ejemplos de variables aleatorias continuas son:

La estatura de un grupo de personas

El tiempo dedicado a estudiar

La temperatura en una ciudad

 8

Es una distribución en el intervalo [a,b] en la cual las probabilidades son las mismas

para todos los posibles resultados, desde el mínimo de a hasta el máximo de b. El

experimento de lanzar un dado es un ejemplo que cumple la distribución uniforme, ya

que todos los 6 resultados posibles tienen 1/6 de probabilidad de ocurrencia.

Distribución exponencial.

La distribución exponencial es un modelo probabilístico para variables aleatorias

continuas. Esto significa que, a través de él, se puede conocer la probabilidad de

ocurrencia de un determinado valor de la variable, por lo que es una distribución de

probabilidad

Para obtener la distribución, se parte de una función de densidad, la cual tiene forma

exponencial de parámetro λ > 0:

La función de densidad como tal no permite calcular la probabilidad, pero una vez

establecida f(x), la función de distribución F(x), mediante la cual se obtienen las

probabilidades, se obtiene mediante integración de f(x). Por ejemplo, la probabilidad P de

que la variable aleatoria tome valores comprendidos entre 0 y x es:

x
F ( x )=P [ x ≤ x ] =∫ f ( x ) dx
0

Algunas de las características más destacadas de la función de densidad f(x) de la

distribución exponencial son las siguientes:

 f(x) es positiva.

 El área bajo la curva y = f(x)= λe−λx siempre es igual a 1, porque que la suma de

las probabilidades de ocurrencia de todos los valores de la variable tiene que ser
 9

1. Esta es una condición que cumplen las funciones de densidad. Dicha área se

calcula a través de la integral:

 10

Capítulo 2

Esperanzas y varianzas.

Distribución Binomial

En una distribución binomial, la media nos indica el valor medio de un fenómeno

aleatorio.

Para calcular la media o esperanza matemática de la distribución binomial se utiliza la

siguiente formula:

μ=n∗p

Donde n es el número de ensayos, p es la probabilidad de éxito.

Ahora, la varianza es una medida de dispersión que nos indica que tan lejos se

encuentran los cuadrados de la desviación de la media. Su fórmula es:

2
σ =n∗p∗q

Donde n, es el número de ensayos, p es la probabilidad de éxito y q es la probabilidad

de fracaso.

Ejemplo de esperanza matemática n°1.

Si una persona compra una papeleta en una rifa, en la que puede ganar de 5000Bs ó un

segundo premio de 2000Bs con probabilidades de: 0.001 y 0.003. ¿Cuál sería el precio

justo a pagar por la papeleta? 

El precio está dado por la esperanza

μ=5000∗0.001+2000∗0.003=11 Bs

Ejemplo de esperanza matemática n°2.

 11

Un jugador lanza un dado corriente. Si sale 1 o número primo, gana tantos cientos de

bolívares como marca el dado, pero si no sale número primo, pierde tantos cientos de

bolívares como marca el dado

100
μ= =≈ 16.667
6

Ejemplo de esperanza matemática n°3.

La probabilidad de que un artículo producido por una fábrica sea defectuoso es 0.02.

Se envió un cargamento de 10.000 artículos a unos almacenes. Hallar el número esperado

de artículos defectuosos y la varianza.

μ=10.000∗0.02=200
2
σ =10.000∗0.02∗0,98=196

Distribución de Poisson.

La esperanza matemática de la distribución de Poisson se consigue con la siguiente

formula:

E[X] = λ
∞ −λ k
e λ
E [ X ]= ∑ k ( )
K=0 k!

Mientras que la varianza es:

Var ( X )= λ

Es decir, tanto el valor esperado como la varianza de una variable aleatoria con

distribución de Poisson son iguales a λ

Distribución Geométrica.
 12

Para calcular la media o esperanza matemática seria:

1
E ( x )=
p

Y la varianza o desviación se calcula de la siguiente manera:

1−p
V ( x )=
p2

Siguiendo el ejemplo de la estación de radio, si queremos calcular la esperanza

seria:

1
E ( x )= =50
0.02
 13

.
 14

Capítulo 4

Ejemplos.

Distribución Binomial

Ejemplo de aplicación de la distribución binomial:

Imaginemos que un 80% de personas en el mundo ha visto el partido de la final del

último mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la

probabilidad de que 3 de ellos hayan visto el partido?

Definamos las variables del experimento:

n    = 4 (es el total de la muestra que tenemos)

x    = número de éxitos, que en este caso es igual a 3, dado que buscamos la

probabilidad de que 3 de los 4 amigos lo hayan visto.

p    = probabilidad de éxito (0,8)

q    = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

4! 3 4−3
P ( 3 )= 0,8 0,2
3 ! ( 4−3 ) !

El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el

denominador tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado de la factorial sería

24/6=4.

Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el segundo 0,2

(dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

 15

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por

100 tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos haya visto el

partido de la final del mundial.

Distribución de Poisson

La veterinaria de Jorge recibe un promedio de μ = 4 pacientes por día. Sabiendo que el

número de pacientes que llegan en un día sigue una distribución de Poisson, calcular:

a) la probabilidad de que lleguen 3 pacientes en un día.

Primero definimos nuestra variable aleatoria:

X = número de pacientes que llegan en un día.

Además, nos indican que esta variable aleatoria X sigue una distribución de Poisson,

entonces podemos aplicar la fórmula:

e−μ−μ x
f ( x )=P ( X =x )=
x!

Calculamos la probabilidad de que lleguen 3 pacientes en un día, es decir, f (3).

Además, el enunciado nos indica que llegan en promedio 4 pacientes por día, es decir, μ

= 4.
−4 3
e −4
f ( 3 )=P ( X=3 )=
3!

0,01832∗64
f ( 3 )=P ( X=3 )=
3∗2∗1

f ( 3 )=P ( X=3 )=0,1954

La probabilidad de que lleguen 3 pacientes en un día es de 0,1954 o 19,54 %.

Distribución geométrica.
 16

Supongamos que cada una de las llamadas a una estación de radio popular tiene

una probabilidad de 0.02 de ser respondida. Asumiendo que las llamadas son

independientes, ¿Cuál es el numero medio de llamadas para conectar?

Siguiendo la teoría, X = Número de llamadas a la estación hasta ser atendido, p =

0.02 y 1 – p = 0.98, ahora solo queda sustituir en la formula.

f ( x )=¿

f ( x )=0.0167

Distribución hipergeométrica.

Supongamos la extracción aleatoria de 8 elementos de un conjunto formado por 40

elementos totales (cartas baraja española) de los cuales 10 son del tipo A (salir oro) y 30

son del tipo complementario (no salir oro).

Si realizamos las extracciones sin devolver los elementos extraídos y llamamos X al

número de elementos del tipo A (oros obtenidos) que extraemos en las 8 cartas; X seguirá

una distribución hipergeométrica de parámetros 40 , 8 , 10/40.H(40,8,0,25).

Para calcular la probabilidad de obtener 4 oros:

P ( X=4 )=
( 4) (4)
10 ∗ 30
=0,07
(8)
40

Distribución exponencial.

Suponga que los conteos registrados por un contador Geiger siguen un proceso de

Poisson con un promedio de dos conteos por minuto.

a) ¿Cuál es la probabilidad de que no haya conteos en un intervalo de 30

segundos?
 17

P ( X > x )=e− λx

λ=2 conteos/min

x = 0.5 min
−(2)(0.5)
P ( X >0.5 ) =e

P ( X >0.5 ) =0.368
 18

Lista de referencias

Francisco Javier Marco Sanjuán, 16 de noviembre, 2017

Distribución binomial. Economipedia.com.
Paula Rodó, 04 de noviembre, 2020
Distribución de Poisson. Economipedia.com
Devore, J., 2018. Fundamentos de probabilidad y estadística. 1ra ed. México: Cengage
Learning, pp.124-131.
Córdova Zamora, M. (2009). Estadística descriptiva e inferencial. 5a ed. Lima: Moshera,
pp.268-272.
Wiśniewski, P., 2014. Estadística y probabilidad. 1ra. ed. México: Editorial Trillas,
pp.141-153.
Lind, D., Marchal, W. y Wathen, S., 2015. Estadística aplicada a los negocios y la
economía. 10a ed. México: McGraw-Hill, p.173.
Newbold, P., Carlson, W. y Thorne, B., 2008. Estadística para administración y
economía. 6a ed. Madrid: Pearson Educación, pp.173-178.