CAPITULO VI.

DISTRIBUCIONES DISCRETAS DE PROBABILIDADES.

1. Distribución de probabilidad.
Una distribución de probabilidad muestra los posibles resultados de un experimento y
la probabilidad de que cada uno se presente.
¿Cómo generar una distribución de probabilidad?

Ejemplo: Suponga que le interesa el numero de caras que aparecen en tres

lanzamientos de una moneda. Tal es el experimento. Los posibles resultados son: Cero
caras, una cara, dos caras y tres caras. ¿Cuál es la distribución de probabilidad del
número de caras?

Solución:

Hay ocho posibles resultados. En el primer lanzamiento puede aparecer una cara, una
cruz en el segundo lanzamiento y otra cruz en el tercer lanzamiento de la moneda. O
puede obtener cruz, cruz y cara en ese orden. Estos resultados se listan enseguida.

Resultado Lanzamiento de la moneda Número de caras

Posible primero segundo tercero

1 C C C 3
2 C C Cr 2
3 C Cr C 2
4 C Cr Cr 1
5 Cr C C 2
6 Cr C Cr 1
7 Cr Cr C 1
8 Cr Cr Cr 0

Observe que el resultado cero cara ocurre solo una vez; una cara ocurre tres veces; dos
caras tres veces y el resultado tres caras ocurre una sola vez. Es decir, cero caras se
presentó una de ocho veces. Por consiguiente, la probabilidad de cero caras es de un
octavo; la probabilidad de una cara es de tres octavos, etc. La distribución de
probabilidad se muestra en la siguiente tabla:
 Número de Probabilidad del
caras resultado P(x)

0 1
=0.125
8
1
3
=0.375
2
8
3
3
=0.375
8
1
=0.125
8
Total 8
=1.000
8

El total de probabilidades de todos los eventos posibles es 1.000. Esto siempre se

cumple.

2. Variables aleatorias.
En Cualquier experimento aleatorio, los resultados se presentan al azar; así, a éste se
le denomina variable aleatoria. Por ejemplo, lanzar un dado constituye un
experimento: puede ocurrir cualquiera de los seis posibles resultados. Algunos
experimentos dan origen a resultados de índole cuantitativa (como dólares o pesos);
otros dan origen a resultados de naturaleza cualitativa (como el color o la afiliación
religiosa). Cada valor de la variable aleatoria se relaciona con una probabilidad que
indica la posibilidad de un resultado determinado. Unos cuantos ejemplos aclararán el
concepto de variable aleatoria.

 Si cuenta el número de empleados ausentes en el turno matutino del

lunes, el número puede ser 0, 1, 2, 3, … El número de ausencias es una
variable aleatoria.
 Si pesa cuatro lingotes de acero, los pesos pueden ser de 2492 libras,
2497 libras, 2506 libras, etc. El peso es una variable aleatoria.
 Si lanza dos monedas y cuenta el número de caras, puede caer cero, una o
dos caras. Cómo el número de caras que resulta de este experimento se
debe al azar, el número de caras que caen es una variable aleatoria.
 Otras variables aleatorias pueden ser el numero de focos defectuosos
producidos por hora en Cleveland Company; la cantidad diaria de
conductores multados por conducir bajo la influencia del alcohol en Texas.
Una variable aleatoria puede ser discreta o continua.

3. Distribución de probabilidad binomial.

La distribución de probabilidad binomial es una distribución de probabilidad discreta
que se presenta con mucha frecuencia. Una característica de una distribución binomial
consiste en que solo hay dos posibles resultados en determinado intento de un
experimento. Por ejemplo, el enunciado en una pregunta de cierto o falso es cierto o
falso. Los resultados son mutuamente excluyentes, lo cual significa que la respuesta a
una pregunta de cierto o falso no puede ser al mismo tiempo cierta o falso. En otro
ejemplo, un producto se clasifica como aceptable o inaceptable por el departamento
de control de calidad; un trabajador se clasifica como empleado o desempleado, y una
llamada da como resultado que el cliente compre el producto o no lo compre.

Con frecuencia, se clasifican los dos posibles resultados como éxito y fracaso. Sin
embargo, esta clasificación no implica que un resultado sea bueno y el otro malo.

Otra característica de la distribución binomial es el hecho de que la variable aleatoria

es el resultado de conteos. Es decir, se cuenta el número de éxitos en el número total
de pruebas. Lance una moneda equilibrada cinco veces y cuente el número de veces
que aparece una cara; seleccione 10 trabajadores y liste cuántos tienen mas de 50
años, o seleccione 20 cajas de galletas y cuente el número de cajas que pesan más de
lo que indica el paquete.

Una tercera característica de una distribución binomial consiste en que la probabilidad

de éxito es la misma de una prueba a otra. Ejemplo:

La probabilidad de que adivine la primera pregunta de una prueba de verdadero o

falso (éxitos) es de un medio. Esta constituye la primera prueba. La probabilidad de
que adivine la segunda pregunta (segunda prueba) también es de un medio; la
probabilidad de éxito en la tercera prueba es de otro medio, y asi sucesivamente.

La última característica de una distribución de probabilidad binomial consiste en que

cada prueba es independiente de cualquiera otra. El resultado de una prueba en
particular no influye en el resultado de otra prueba.

¿Cómo se calcula una probabilidad binomial?

Para construir una probabilidad binomial en particular se necesita:

1) el número de pruebas; 2) la probabilidad de éxito de cada prueba.

Una probabilidad binomial se calcula mediante la fórmula:

N!
P(X) = NC X p X q N − X = X N−X
P q
X ! ( N−X ) !

En esta:

C representa una combinación.

N es el número de pruebas.
X es la variable aleatoria definida como el número de éxitos.
P es la probabilidad del éxito.
q es la probabilidad de fracaso
 Ejemplo: La probabilidad de que un presunto cliente escogido aleatoriamente haga

una compra es 0.20. Si un vendedor visita a seis presuntos clientes, la probabilidad de

que haga exactamente cuatro ventas se determina de la siguiente manera:

p = 0.20

6!
q = 0.80 P(x=4) = 6 C 4 (0.20¿ 4 (0.80¿2 = (0.20¿ 4 (0.80¿2 = 0.01536
4 ! ( 6−4 ) !
N=6

N!
X=4 P(X) = NC X p X q N − X = X N−X
P q
X ! ( N−X ) !

Ejemplo: La probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una moneda

es:

1
p=
2
1 6! 1 2
q= P(x = 2) = 6C 2 ¿ = ( ¿ ¿ = 0.2344
2 2! ( 6−2 ) ! 2
X=2

N!
N=6 P(X) = NC X p X q N − X = X N−X
P q
X ! ( N−X ) !

Generalmente existe un interés en la probabilidad acumulada de “X o más “éxitos o “X o

menos” éxitos en N ensayos. En tal caso, debe determinarse la probabilidad de cada resultado
incluido dentro del intervalo designado y luego se suman estas probabilidades.

Ejemplo: En el ejemplo 1, la probabilidad de que el vendedor haga cuatro o mas ventas se

determina de la siguiente manera:

P(X ≥ 4 ) = P( X=4 ) + P(X=5) + P( X=6)

= 6C 4 (0.20¿ 4 (0.80¿2 + 6 C 5 (0.20¿5 (0.80¿1 + 6 C 6 (0.20¿6 ( 0.80¿0

= 0.01696.

N!
P(X) = NC X p X q N − X = X N−X
P q
X ! ( N−X ) !
 Debido a que el uso de la formula binomial exige bastantes operaciones aritméticas, se utiliza
generalmente las tablas de probabilidades binomiales (el cual identifica la probabilidad de
cada número designados de éxitos).

Ejemplo: Si la probabilidad de que un presunto cliente escogido aleatoriamente haga una

compra es 0.20, la probabilidad de que un vendedor que visita a 15 presuntos clientes haga
menos de tres ventas es:

P (X ¿ 3) = P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)

= 0.0352 + 0.1319 + 0.2309

= 0.3980

4. Distribución de probabilidades de Poisson.

La distribución de la probabilidad de Poisson describe el número de veces que se presenta un

evento durante un intervalo especifico. El intervalo puede ser de tiempo, distancia, área o
volumen.

La distribución se basa en dos supuestos. El primero consiste en que la probabilidad es

proporcional a la longitud del Interval. El segundo supuesto consiste en que los intervalos son
independientes.

La distribución también constituye una forma restrictiva de la distribución binomial. Es decir,

se puede calcular una probabilidad binomial con la de Poisson.

La distribución de Poisson es una distribución de probabilidad discreta porque se genera

contando.

La distribución de probabilidad de Poisson se caracteriza por el número de veces que se

presenta un evento durante un intervalo o continuo. Algunos ejemplos son:

 El número de palabras mal escritas por página en un periódico.

 El número de llamadas por hora que recibe Vacum Cleaner Company.
 El número de vehículos vendidos por dia en GMC, carolina del norte.
 El número de anotaciones en un encuentro de fútbol colegial.
En cada uno de estos ejemplos existe algún tipo de continuo: palabras mal escritas por página,
llamadas por hora, vehículos vendidos por dia o anotaciones por partido.

La distribución de Poisson se escribe matemáticamente por medio de la siguiente formula.

X −μ
μ e
P (X) =
X!
Donde:

μ es la media de la cantidad de veces (éxitos) que se presenta un evento en un intervalo

particular.

e es la constante 2.71828 (base del sistema de logaritmos naperianos).

X es el número de veces que se presenta un evento.

P(x) es la probabilidad para un valor especifico de x.

La media de número de éxitos, μ, puede determinarse con np; en este caso, n es el número
total de pruebas, y p, la probabilidad de éxito.

Ejemplo: Un departamento de reparación de motores recibe un promedio de cinco llamadas

de servicio por hora. La probabilidad de que se reciban exactamente tres llamadas en una hora
X −μ
μ e
aleatoriamente escogida es: P (X) =
X!

125 = 125 = 125

P(x = 3, μ = 5) = 53 ¿ ¿ = = 0.1404.
¿¿ ¿ ¿ 890. 4789546

Por otra parte, se pueden emplear las probabilidades de una tabla de Poisson.

Cuando hay un interés en la probabilidad de “X o más” o “X o menos”, se aplica la regla de

suma para eventos mutuamente excluyentes.

Ejemplo: si se recibe un promedio de cinco llamadas de servicio por hora en un departamento

de reparaciones, la probabilidad de que se reciban menos de tres llamadas durante una hora
escogida aleatoriamente se determina de la siguiente manera:

X −μ
μ e
P ( X ¿ 3, μ = 5 ) = P (X ≤ 2 ) = P (X = 0) + P (X = 1) + P ( X = 2) P (X) =
X!
= 0.0067 + 0.0337 + 0. 0842

= 0.1246

Ejemplo: en promedio 12 personas, por hora consultan a un especialista en decoración en un

almacén de tela. La probabilidad de que tres o mas personas se acerquen al especialista
durante un periodo de 10 minutos se determina asi:

X −μ
μ e
Promedio por hora =12 P (X) =
X!
Promedio por 10 minutos =2
P (X ≥ 3, μ = 2) = P (X = 3) + P (X = 4) + P (X = 5) + … + P (X = 9)

= 0.1804 + 0.0902 + 0.0361 + 0.0120 + 0.0034 +0.0009 + 0.0002

= 0.3232