4.

2 Distribuciones de probabilidad:
distribuciones discretas
CONTENIDOS

1. Introducción
2. La distribución Bernoulli
3. La distribución Binomial
4. La distribución de Poisson

ESTADÍSTICA.DEIOAC.UPV 2
1. Introducción
 Hemos visto que para calcular probabilidades o calcular medidas características 
de una variable aleatoria (es decir, de una población) necesitaremos su modelo 
de probabilidad (función de probabilidad o de densidad). 
 Sin embargo, lo que tendremos en la práctica sería un conjunto de datos (es 
decir, realizaciones de la variable aleatoria). 
 El problema que hay que resolver entonces es, a partir de los datos, averiguar 
qué modelo de probabilidad describe a la población de la que proceden los 
datos. Este ejercicio es puramente un ejercicio de inferencia: a partir de una 
muestra inferimos cómo es la población. 
 En la práctica, sin embargo, será muy difícil encontrar un modelo de 
probabilidad a la medida exacta de un problema concreto. Lo que se hace en un 
caso real es acudir a un catálogo de modelos de probabilidad que se ha 
demostrado útil en la práctica y buscar en él aquél que mejor se adapte a 
nuestro problema. 
 Existen muchos modelos de probabilidad en estadística que sirven para describir 
variables aleatorias de muy diversa naturaleza. Hay que seleccionar el modelo 
que mejor se adapte a nuestros datos.
ESTADÍSTICA.DEIOAC.UPV
1. Introducción

ESTADÍSTICA.DEIOAC.UPV 4
1. Introducción
OBJETIVO:

Dados unos datos reales …

… seleccionar el modelo que más se parezca a estos datos

ESTADÍSTICA.DEIOAC.UPV 5
1. Introducción

Existen modelos (expresiones matemáticas) que se adecúan a las 
diferentes pautas de variabilidad de las variables aleatorias

Los modelos de probabilidad más frecuentes en la práctica son:

V.A. DISCRETAS V.A. CONTINUAS
• Bernoulli • Exponencial
• Binomial  • Uniforme
• Poisson • Normal

ESTADÍSTICA.DEIOAC.UPV
CONTENIDOS

1. Introducción
2. La distribución Bernoulli
3. La distribución Binomial
4. La distribución de Poisson

ESTADÍSTICA.DEIOAC.UPV 7
2. La distribución Bernoulli
Supongamos un experimento que sólo tiene dos resultados 
posibles:
• Éxito/Fracaso
• Observamos/no observamos un atributo

Ejemplos:
• Artículo aceptable/defectuoso 
• Cliente satisfecho/no satisfecho
• Conexión/bloqueo
• Votará/no votará
• Compra/no compra

ESTADÍSTICA.DEIOAC.UPV 8
2. La distribución Bernoulli
Supongamos un proceso productivo que genera artículos que 
pueden ser defectuosos o no defectuosos:

Cada artículo puede ser 
defectuoso o no defectuoso

… …
Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2

Asignamos una variable Xi a cada artículo…
Variable 
í aleatoria
í de Bernoulli

ESTADÍSTICA.DEIOAC.UPV 9
2. La distribución Bernoulli
Supongamos un proceso productivo que genera artículos que 
pueden ser defectuosos o no defectuosos:

Cada artículo puede ser 
defectuoso o no defectuoso

… …
Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2

A la secuencia de estas v. aleatorias: X1, X2, X3,..           PROCESO DE BERNOULLI

ESTADÍSTICA.DEIOAC.UPV 10
2. La distribución Bernoulli
Supongamos un proceso productivo que genera artículos que 
pueden ser defectuosos o no defectuosos:

Cada artículo puede ser 
defectuoso o no defectuoso

Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo 5 Artículo 6 Artículo 7 Artículo 8 Artículo 9 Artículo 10

ESTADÍSTICA.DEIOAC.UPV 11
2. La distribución Bernoulli
Hipótesis simplificadoras:

Estabilidad: el riesgo de que un artículo sea defectuoso es siempre 
el mismo. El sistema ni empeora ni mejora con el tiempo 

Independencia: la probabilidad de que un artículo sea defectuoso 
no depende de si el anterior artículo fue o no defectuoso. Un 
artículo será defectuoso por causas que aparecen de forma 
fortuita. NO HAY MEMORIA

La probabilidad de que un artículo sea
defectuoso es siempre la misma = p
P(Xi=1) = p;    i=1,2,...
ESTADÍSTICA.DEIOAC.UPV 12
2. La distribución Bernoulli
Supongamos un proceso productivo que genera artículos que 
pueden ser defectuosos o no defectuosos:

… …
Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2

Asignamos una variable Xi a cada artículo…

í P(Xi=1) = p
í P(Xi=0) = 1‐p = q
ESTADÍSTICA.DEIOAC.UPV 13
2. La distribución Bernoulli
Función de Probabilidad: P( x)  P( X  x)  p x (1  p )1 x x  0,1
Función de Distribución:

E(X) =

E( )= 2 2 · ·

ESTADÍSTICA.DEIOAC.UPV
CONTENIDOS

1. Introducción
2. La distribución Bernoulli
3. La distribución Binomial
4. La distribución de Poisson

ESTADÍSTICA.DEIOAC.UPV 15
3. La distribución Binomial
Supongamos un proceso productivo que genera artículos que 
pueden ser defectuosos o no defectuosos:

… …
Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2

Tomamos una muestra de n artículos

X = ¿?  ¿0,1,2,3,4,…,n?

X = variable aleatoria BINOMIAL  X~B(n,p)
ESTADÍSTICA.DEIOAC.UPV 16
 3. La distribución Binomial
 Distribución Binomial: n realizaciones de un proceso de Bernoulli.

 Dado un suceso A (la pieza está defectuosa) de probabilidad p (se sabe que 

el 1% de las piezas, por ejemplo, son defectuosas) asociado a un 
determinado experimento aleatorio. Se llevan a cabo n repeticiones 
independientes del experimento (comprobar n veces si una pieza es 
defectuosa), y sea X el número de veces que se presenta el suceso A (piezas 
defectuosa)

 La variable X así definida (nº de piezas defectuosas) sigue una distribución 
Binomial que depende de los parámetros n y p

X~B(n,p)
 Los valores posibles de X son:  0, 1, 2,.........., n

ESTADÍSTICA.DEIOAC.UPV 17
3. La distribución Binomial
Ejemplo: Tenemos 4 artículos. La probabilidad de que cada uno sea 
defectuoso es p
Sea 
¿ P(X = 2) ?

Opción 1: DDAA P(Opción1)=P(D)P(D)P(A)P(A) = p2(1‐p)2

Primer artículo: Cuarto artículo:
Defectuoso (D) Aceptable (A)

Opción 2: DADA P(Opción2)=P(D)P(A)P(D)P(A) = p2(1‐p)2

Otras opciones: AADD, ADAD, ADDA, DAAD, cada una con probabilidad p2(1‐p)2

P(X=2) = [P(Opción 1) U P(Opción 2) U…P(Opción 6)]=
=P(Opción1) +  P(Opción2) + … + P(Opción 6) = 6∙p2∙(1‐p)2

ESTADÍSTICA.DEIOAC.UPV 18
3. La distribución Binomial
En general…. x Defectuosos n‐x Aceptables
(probabilidad p) (probabilidad n‐p)

1 p ; 0,1, … , ;

Número de opciones: Probabilidad de cada
!
Combinaciones con x una de las opciones
!· ! Defectuosos y (n‐x)
Aceptables
1

1 0! 1
0

ESTADÍSTICA.DEIOAC.UPV 19
3. La distribución Binomial
Cada artículo puede ser 
defectuoso o no defectuoso

… …
Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2

ESTADÍSTICA.DEIOAC.UPV 20
3. La distribución Binomial
X=variable aleatoria BINOMIAL
X~ B(n, p)
Bernouillis (1 o 0)
Propiedades:
…

… ,

ESTADÍSTICA.DEIOAC.UPV 21
3. La distribución Binomial
Ejemplo: Se sabe por información histórica que cuando la máquina M opera en
condiciones normales produce un 0.5% de artículos defectuosos. Se produce 
un lote con 200 artículos:
• ¿Cuál es la probabilidad de producir 2 artículos defectuosos?
• ¿Cuál es la probabilidad de producir 4 artículos defectuosos?
• ¿Cuál es la probabilidad de producir más de 4 artículos defectuosos?

Máquina X = número de artículos
M 1 2 3 … 200
defectuosos en n=200

Si la máquina funciona correctamente, supondremos que

X ~ B(n=20, p=0.005)

ESTADÍSTICA.DEIOAC.UPV 22
3. La distribución Binomial
Ejemplo: Se sabe por información histórica que cuando la máquina M opera en
condiciones normales produce un 0.5% de artículos defectuosos. Se produce 
un lote con 200 artículos:
• ¿Cuál es la probabilidad de producir 2 artículos defectuosos?
• ¿Cuál es la probabilidad de producir 4 artículos defectuosos?
• ¿Cuál es la probabilidad de producir más de 4 artículos defectuosos?

P(X > 5) = 1 ‐ P(X ≤ 4) = 1 ‐ (0.367+0.369+0.184+0.061+0.015) = 0.004

Si en este lote de artículos hubiese más de 4 artículos defectuosos, los técnicos de 
calidad deberían investigar si algo está fallando (¿por qué?)

ESTADÍSTICA.DEIOAC.UPV 23
3. La distribución Binomial

SUMA DE VARIABLES BINOMIALES INDEPENDIENTES:
• Sea X una variable aleatoria binomial con parámetros n y p,
• y sea Y otra variable aleatoria binomial con parámetros m y p (misma p).

Considerando que X y Y son independientes,

Z = X+Y
tiene una distribución binomial con parámetros n+m y p.

ESTADÍSTICA.DEIOAC.UPV 24
CONTENIDOS

1. Introducción
2. La distribución Bernoulli
3. La distribución Binomial
4. La distribución de Poisson

ESTADÍSTICA.DEIOAC.UPV 25
4. La distribución de Poisson

Proceso de Bernoulli: sucesión de elementos en los que SI / NO se 

observa un suceso

Los sucesos aparecen de forma fortuita sobre un soporte discreto

Algunos elementos tienen el suceso y otros no lo tienen

Proceso de Poisson: los sucesos aparecen de forma fortuita...

sobre un soporte continuo (longitud, tiempo, superficie, etc)

ESTADÍSTICA.DEIOAC.UPV 26
4. La distribución de Poisson

0 1 2 3 4 5 6

Unidad de medida
…
X=sucesos observados (p.e. defectos) en cada unidad de medida

Proceso de Poisson: los sucesos aparecen
con una media estable y de forma
independiente sobre un soporte continuo:
no hay memoria

ESTADÍSTICA.DEIOAC.UPV 27
4. La distribución de Poisson
Soporte en el que se observan los
sucesos: tiempo, longitud, superficie…

0 1 2 3 4 5 6
X1=2 sucesos X2=2 sucesos X3=4 sucesos X4=1 sucesos X5=3 sucesos X6=1 sucesos

X=sucesos observados (p.e. defectos) en cada unidad de medida
x={0,1,2,3,...}

X es una variable aleatoria de Poisson
X~Poisson( ) = Número medio de sucesos
X~P( ) por unidad de medida

ESTADÍSTICA.DEIOAC.UPV 28
4. La distribución de Poisson
X es una variable aleatoria de Poisson
X~Poisson( )        X~P( )
• Función de probabilidad:
λ
· ; x = 0, 1, 2, …
!
• Medidas características:

E(X) = λ ;     Var(X) = λ
• Aditividad: Sea X1 y X2 dos v. aleatorias de Poisson independientes
X1 ~P(λ1) ; X2 ~P(λ2)
Entonces Y = X1 + X2 es también Poisson / Y ~ P(λ1 + λ2)

• Convergencia Binomial‐Poisson:
X  B(n, p) con n → ∞ (n ≥ 30) y ⇒ X  Ps(=n.p)
p → 0 (p ≤ 0.1)
ESTADÍSTICA.DEIOAC.UPV 29
4. La distribución de Poisson
Ejemplo:
Un servidor de una pequeña red recibe una media de 7 accesos al minuto.
Suponiendo que los accesos a dicho servidor suceden de forma
independiente y con un ritmo medio constante, se quiere calcular la probabilidad 
de que reciba más de 10 accesos en un minuto, que es el número de accesos a 
partir del cual el servidor tendría un rendimiento deficiente.

λ
· ;    x = 0, 1, 2, …
!

ESTADÍSTICA.DEIOAC.UPV 30
Material complementario…

Capítulo 4:
4.6 Distribución binomial
4.9 Distribución de Poisson

ESTADÍSTICA.DEIOAC.UPV 31
Material complementario…

Chapter 3:
3.5 Binomial Distribution
3.8 Poisson Distribution

ESTADÍSTICA.DEIOAC.UPV 32
Fuentes:
Material docente asignaturas de estadística de la Universidad Carlos III
Material docente de P. Tormos, A. Lova, S. Vidal, E. Vázquez (DEIOAC -
UPV)

Esta obra está bajo una licencia Reconocimiento-No comercial-Compartir bajo la

misma licencia 2.5 España de Creative Commons. Para ver una copia de esta
licencia, visite http://creativecommons.org/licenses/by-nc-sa/2.5/es/