Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing.

Silvana Sofia Nelli

UNIDAD 3: VARIABLES ALEATORIAS DISCRETAS

Definición. Función de cuantía. Función acumulativa. Media y varianza. Distribución
Binomial. Distribución geométrica. Distribución Hipergeométrica. Distribución de Poisson.
Aproximaciones. Covarianza y Coeficiente de Variación. Ejercicios de aplicación a la
ingeniería.

VARIABLES ALEATORIAS
DEFINICION: Sea 𝑺 un espacio muestral en el que se define una función de probabilidad.
Sea 𝑿 una función de valores reales definida en 𝑺, entonces se dice que 𝑿 es una variable
aleatoria. La función cuyo valor es un número real determinado por cada elemento en el
espacio muestral se llama variable aleatoria. La variable aleatoria siempre la denotamos con
cualquier letra mayúscula.

EJEMPLO: Consideremos el experimento que consiste en arrojar 2 monedas

Los posibles resultados de este experimento será: cara (𝑪) o cruz (𝑿). Por lo que obtenemos
el siguiente espacio solución:
𝑆 = {(𝐶, 𝐶 ), (𝐶, 𝑋), (𝑋, 𝐶 ), (𝑋, 𝑋) }
Dónde:
𝑆1 = (𝐶, 𝐶 ) 𝑆2 = (𝐶, 𝑋) 𝑆3 = (𝑋, 𝐶 ) 𝑆4 = (𝑋, 𝑋)
Como primer caso debemos definir nuestra variable aleatoria:
𝑿 = número de caras de 𝑺

1
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

Para esta variable aleatoria tendremos el siguiente espacio muestral:

𝑆 = {0, 1, 2}

Entonces la probabilidad de 𝑺 para la variable aleatoria 𝑿 es:

𝑃(𝑋 = 0) = 𝑓 (0) = 𝑃[𝑆|𝑋(𝑆) = 0] = 𝑃({𝑆4 })
𝑃(𝑋 = 1) = 𝑓 (1) = 𝑃 [𝑆|𝑋(𝑆) = 1] = 𝑃 ({𝑆2 }, {𝑆3 })
𝑃 (𝑋 = 2) = 𝑓 (2) = 𝑃 [𝑆|𝑋(𝑆) = 2] = 𝑃 ({𝑆1 })
Estas son diferentes formas de escribir a la probabilidad de una variable aleatoria, de ahora
en adelante usaremos solo la primera. En forma general anotamos 𝑷(𝑿 = 𝒙), que se lee la
probabilidad de que la variable aleatoria tome el valor 𝒙.
Entonces a partir de ahora dejaremos de trabajar en el espacio 𝑺, con los conjuntos, para
comenzar a trabajar con algo más tangible, los números reales.
𝟏
En nuestro ejemplo si queremos 𝒇(𝟎) = 𝑷(𝑿 = 𝟎) = 𝟒 es decir tendremos:

𝑋 𝑥1 = 0 𝑥2 = 1 𝑥3 = 2

𝑓 (𝑥 ) = 𝑃 (𝑋 = 𝑥 ) 1 2 1
4 4 4

Nótese que los valores de 𝑥 agotan todos los casos posibles y por lo tanto sus
probabilidades suman uno.

2
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

A los valores que toma la variable aleatoria se los denomina recorrido. En nuestro ejemplo
el recorrido será:
𝑅𝑥 = {0, 1, 2}
En este caso el recorrido es finito.
EJEMPLO: Supongamos un contador Geiger. ¿Cuántas partículas podrá emitir?
𝑅𝑥 = {0, 1, 2, … } El recorrido es infinito numerable.

En ambos ejemplos el recorrido es discreto, entonces la variable aleatoria también será

discreta.
En cambio, si el recorrido 𝑹𝒙 de una variable aleatoria es un intervalo o una colección de
intervalos, 𝑥 se denomina variable aleatoria continua.
EJEMPLO: Consideremos la variable aleatoria cuyos valores son las estaturas de todas las
personas mayores de 21 años. Existen 2 valores cualesquiera, digamos 170,50 cm. y 170.52
cm., entre los que hay un número infinito de valores intermedios, uno de los cuales es
170,51 cm.

DEFINICIONES

1. Si un espacio muestral contiene una cantidad finita de posibilidades o una secuencia

interminable con tantos elementos como el total de números enteros, se llama espacio
muestral discreto y a la variable aleatoria definida en ese espacio, se le denomina variable
aleatoria discreta.

2. La función 𝒇(𝒙) = 𝑷(𝑿 = 𝒙) es una función de probabilidad o una distribución de

probabilidad de la variable aleatoria discreta 𝑋 si, para cada 𝑥 ∈ 𝑅𝑥 , resultados posibles,

1- 𝑓 (𝑥 ) ≥ 0 𝑓 (𝑥 ) = función de probabilidad de la v. a. 𝑋
2- ∑∀𝑥 𝑓 (𝑥 ) = 1 [𝑥, 𝑓 (𝑥 )] = distribución de la v. a. 𝑋

3- 𝑃 (𝑋 = 𝑥 ) = 𝑓 (𝑥 ) 𝑋 = cuantía cuando es una v. a. d.

A 𝑓 (𝑥 ) se le denomina función de cuantía cuando 𝑋 es una variable aleatoria discreta.
Las distribuciones de probabilidad se pueden indicar de tres (3) maneras diferentes: tabular,
gráfica o por un modelo matemático que represente esa probabilidad.

3
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

El método de un modelo matemático lo veremos más adelante cuando estudiemos las

distintas distribuciones probabilísticas.

Ejemplo: Se arrojan 3 monedas. C

C
X
C
C
𝑋 = número de caras X
X
S
C
C
𝑅𝑥 = {0,1, 2, 3} X
X
C
2𝑛 = 23 = 8 X
X

En forma tabular En forma gráfica

𝑋 𝑃 (𝑋 )
P(X)
0 1 3
8
8

1 3
8

2 3 1
8
8
X
3 1 1 2 3
8

Cuando 𝑋 está definida sobre un espacio muestral continuo, es posible que 𝒇 (𝒙) tenga

FUNCIÓN DE PROBABILIDAD ACUMULATIVA

Definición: La distribución acumulada 𝑭(𝒙) de una variable aleatoria discreta 𝑿 con función
de cuantía 𝒇(𝒙) está dada por:

𝐹 (𝑥 ) = 𝑃(𝑋 ≤ 𝑥 ) = ∑ 𝑓(𝑥𝑖 ) ∀𝑥𝑖 ≤ 𝑥

es decir que todos los valores de la variable aleatoria discreta 𝑿 tome los posibles valores
menores o iguales que 𝒙.

4
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

EJEMPLO: Supongamos que 𝑿 es una variable aleatoria que toma los siguientes valores:
0.40 𝑥 =0
𝑝(𝑥 ) = {0.30 𝑥 =1
0.20 𝑥 =2
0.10 𝑥 =3

a) Verificar si 𝒑(𝒙) es una función de cuantía.

b) Graficar 𝒇(𝒙) o 𝒑(𝒙)
c) Encontrar la distribución acumulativa correspondiente, graficar e indicar las
propiedades.

a) 𝑝 (𝑥 ) ≥ 0 ∑ 𝑝 (𝑥 ) = 1 ∴ es una función de cuantía

b) c)
P(X)
0.4
0.35
0.3
0 x<0
0.25
0.40 0≤x<1
0.2
F(X) = 0.70 1≤x<2
0.15
0.90 2≤x<3
0.1 {1 x≥3
0.05
X
1 2 3

PROPIEDADES:
P(X)
1
0.9 1. 𝐹 (−∞) = 0
0.8
0.7
0.6 2. 𝐹 (+∞) = 1
0.5
0.4
3. Es una función creciente
0.3
0.2
0.1 ∴ 𝑎 ≤ 𝑏 → 𝐹 (𝑎 ) ≤ 𝐹 (𝑏 )
X
1 2 3

Si le resto lo acumulado en el punto 0 a lo acumulado en el punto 1, tengo un salto de 0.30,

es decir tengo 𝑷(𝒙 = 𝟏).

5
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA

DEFINICION: Sea 𝑿 una variable aleatoria con distribución de probabilidad 𝒑(𝒙) o 𝒇(𝒙). El
valor esperado o la esperanza matemática, o la media de 𝑿 es:

∑ 𝑥 ∙ 𝑝 (𝑥 ) Si 𝑥 es una variable aleatoria discreta

∀𝑥
𝐸[𝑋] = ∞
∫ 𝑥 ∙ 𝑓 (𝑥 ) Si 𝑥 es una variable aleatoria continua
{ −∞
DEFINICION: Sea 𝑿 una variable aleatoria con distribución de probabilidad 𝒑(𝒙) o 𝒇(𝒙). La
varianza o variancia está dada por:

∑(𝑋 − 𝐸 [𝑋])2 ∙ 𝑝(𝑥 ) Si 𝑋 es discreta (1)

∀𝑥
𝑉𝑎𝑟[𝑋] = 𝑉[𝑋] = 𝐸[(𝑋 − 𝐸 [𝑋])2 ] = ∞
∫ (𝑋 − 𝐸 [𝑋])2 ∙ 𝑓 (𝑥 ) Si 𝑋 es continua
{ −∞

Si en (1) se desarrolla el cuadrado, luego se multiplica miembro a miembro por 𝒑(𝒙) y se

aplica propiedad distributiva a la sumatoria, tendremos una fórmula más práctica de la
varianza:
𝑉 [𝑋] = 𝐸 [𝑋 2 ] − (𝐸 [𝑋])2
Por lo tanto, podemos ver que la variable aleatoria 𝑋 (discreta o continua) se distribuye con
una función de parámetros: 𝑬[𝑿] y 𝑽[𝑿].
𝑋~𝑓 (𝐸[𝑋], 𝑉[𝑋])

PROPIEDADES DE LA MEDIA Y DE LA VARIANZA

𝐸 [𝑋 ] 𝑉 [𝑋 ]
1- Sea 𝑪 una constante y 𝑿 la variable aleatoria.
𝐸 [𝐶 ] = 𝐶 𝑉 [𝐶 ] = 0
𝐸 [𝑋 ∙ 𝐶 ] = 𝐶 ∙ 𝐸 [ 𝑋 ] 𝑉 [𝑋 ∙ 𝐶 ] = 𝐶 2 ∙ 𝑉[𝑋]
𝐸 [𝑋 + 𝐶 ] = 𝐶 + 𝐸 [𝑋] 𝑉 [𝑋 + 𝐶 ] = 𝑉[𝑋]
2- Sean 𝑿 e 𝒀 variables aleatorias independientes
𝐸[𝑋 ± 𝑌] = 𝐸 [𝑋] ± 𝐸 [𝑌] 𝑉 [𝑋 ± 𝑌] = 𝑉 [𝑋] + 𝑉 [𝑌]
𝐸 [𝑋𝑌] = 𝐸 [𝑋]𝐸 [𝑌]

Si los sucesos son independientes sus variables aleatorias también lo serán:

Supongamos que:

6
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

g(x)
𝑋~𝑔(𝐸 [𝑋], 𝑉[𝑋])

donde la variable será:

𝑋 − 𝐸 [𝑋 ]
𝑧=
√𝑉[𝑋]

por lo tanto, su esperanza y su x

varianza serán: E[x]

𝑋 − 𝐸 [𝑋] 1 1
𝐸 [𝑍] = 𝐸 [ ]= (𝐸[𝑋 − 𝐸 [𝑋]]) = [𝐸[𝑋] − 𝐸 [𝑋]] = 0
√𝑉[𝑋] √𝑉[𝑋] √𝑉[𝑋]
𝑋 − 𝐸 [𝑋 ] 1 1
𝑉[𝑍] = 𝑉 [ ]= 𝑉[𝑋 − 𝐸[𝑋]] = 𝑉[𝑋] = 1
√𝑉[𝑋] 𝑉[𝑋] 𝑉 [𝑋 ]

por lo tanto, para la variable aleatoria 𝒁 tendremos que 𝒁~𝒉(𝟎, 𝟏), esto nos dice que 𝒁 es
una variable estandarizada.
Vamos a ver las distribuciones discretas más utilizadas. Ejemplos resueltos mediante su
definición, mediante tablas, y software específico.

7
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

DISTRIBUCIONES DISCRETAS
1. DISTRIBUCION BINOMIAL
Si un ensayo binomial puede dar por resultado un éxito con probabilidad 𝒑 y un fracaso con
probabilidad 𝒒 = 𝟏 − 𝒑 , la distribución de probabilidad de la variable aleatoria 𝑿 , el
número de éxitos en 𝒏 ensayos independientes, es:
𝑛
( ) 𝑝 𝑥 𝑞𝑛−𝑥 𝑥 = 0,1,2, … , 𝑛
𝑝(𝑥 ) = 𝑏(𝑥, 𝑛, 𝑝) = { 𝑥
0 en otro lugar
Un experimento binomial es aquel que posee las siguientes propiedades:
1. Hay dos resultados posibles en cada ejecución (éxito y fracaso).
2. Hay 𝒏 ejecuciones independientes del experimento.

3. La probabilidad de éxito es constante para todas las ejecuciones y es 𝒑.

Se demuestra que si la variable aleatoria 𝑿 tiene una distribución binomial, la media y la
varianza son:
𝐸 [𝑥 ] = 𝑛𝑝
𝑋~𝑏(𝑥, 𝑛, 𝑝) → {
𝑉[𝑥 ] = 𝑛𝑝𝑞
Si se quisiera demostrar esto, se parte de
𝑛
𝐸 [𝑥 ] = ∑ 𝑥𝑖 𝑝(𝑥𝑖 ) = ∑ 𝑥𝑖 ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
donde efectuando operaciones matemáticas se llega al resultado.
EJEMPLO: La probabilidad de que un paciente se recupere de una enfermedad sanguínea
es 0,4. Si se sabe que 15 personas han contraído esa enfermedad, ¿cuál es la probabilidad
de que:
a) sobrevivan exactamente 5?
15
𝑃(𝑋 = 5) = ( ) (0.4)5 (0.6)10 = 0.1859
5
𝑃(𝑋 = 5) = 𝑏(5, 15, 0.4) = 0.1859 (Tabla puntual)

b) sobrevivan a lo más 2?
2 2
15
𝑃(𝑋 ≤ 2) = ∑ ( ) (0.4)𝑥 (0.6)15−𝑥 = ∑ 𝑏(𝑥, 15, 0.4) = 0.0271
5
𝑥=0 𝑥=0

8
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

c) sobrevivan al menos 10?

𝑃(𝑋 ≥ 10) = 𝑃 (𝑋 = 10) + 𝑃 (𝑋 = 11) + ⋯ + 𝑃(𝑋 = 15) = 1 − 𝑃 (𝑋 ≤ 9)𝑃 (𝑋 ≥ 10)
9
15
𝑃 (𝑋 ≥ 10) = 1 − ∑ ( ) (0.4)𝑥 (0.6)15−𝑥
𝑥
𝑥=0
9

𝑃(𝑋 ≥ 10) = 1 − ∑ 𝑏(𝑥, 15, 0.40) = 1 − 0.9662 = 0.0338

𝑥=0

d) sobrevivan entre 3 y 8 inclusive?

8 8 2

𝑃 (3 ≤ 𝑥 ≤ 8) = ∑ 𝑏(𝑥, 15, 0.40) = ∑ 𝑏(𝑥, 15, 0.40) − ∑ 𝑏(𝑥, 15, 0.40)

𝑥=3 𝑥=0 𝑥=0
= 0.9050 − 0.0271
En este ejemplo podemos decir que:
𝐸 [𝑋] = 𝑛𝑝 = 15 ∙ 0.4 = 6 𝑉 [𝑋] = 𝑛𝑝𝑞 = 15 ∙ 0.4 ∙ 0.6 = 3.6
A continuación, se verán algunos ejemplos para esta distribución:
Distribución binomial con 𝑛 = 20 y 𝑝 = 0.2

Distribución binomial con 𝑛 = 20 y 𝑝 = 0.5

Distribución binomial con 𝑛 = 20 y 𝑝 = 0.7

9
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

Obtención de las probabilidades mediante el uso de tablas

Para obtener las probabilidades mediante las tablas provistas por la cátedra, se podrá utilizar la
tabla de Distribución de probabilidad Binomial puntual o acumulada.

Por ejemplo, para una distribución binomial con 𝑛 = 19 y 𝑝 = 0.5, se desea obtener la siguiente
probabilidad :

𝑃(𝑥 = 12) = 𝑏(12,19,0.5)

Se debe ingresar a la siguiente tabla:

Se busca la tabla que corresponde a 𝑛 = 19 (primer recuadro de la izquierda), luego en se

busca el valor de probabilidad 𝑝 = 0.5 en la región superior de la tabla. Luego se
selecciona el valor de 𝑥 deseado, en nuestro caso 𝑥 = 12.
Intersectando la fila correspondiente al valor de 𝑥, con la columna respectiva a la probabilidad 𝑝.
Hallamos la probabilidad deseada.

En este caso:

𝑃(𝑥 = 12) = 𝑏(12,19,0.5) = 0.0961

Otro ejemplo:

Para un 𝑛 = 5 y 𝑝 = 0.5 𝑒n el caso que quisiéramos hallar la siguiente probabilidad:

𝑃(2 ≤ 𝑥 < 4) = 𝑃(2 ≤ 𝑥 ≤ 3) = 𝐹(3) − 𝐹(1)

10
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

En este caso, sería conveniente utilizar la tabla de Distribución Binomial Acumulada:

Una vez seleccionado el valor de 𝑛, se intersectan las filas correspondientes a los valores de
𝑥 y el valor de 𝑝 correspondiente.
En el ejemplo 𝑥 = 1, 𝑝 = 0.5 y 𝑥 = 3 𝑝 = 0.5.
Con lo que se obtiene:
𝑃(2 ≤ 𝑥 < 4) = 𝑃(2 ≤ 𝑥 ≤ 3) = 𝐹(3) − 𝐹(1) = 0.8125 − 0.1875 = 0.625

Obtención de las probabilidades mediante el uso del software

GeoGebra (Versión 6.0.523.0)

A continuación, se realizarán los mismos ejemplos utilizando el software GeoGebra para realizarlo:

Una vez abierto el programa, aparece la siguiente ventana:

11
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

En la que se debe seleccionar Probabilidad (Indicado con la flecha). Se entrará a la siguiente

ventana:

En esta ventana debe seleccionarse la distribución deseada. En este caso, Binomial. Luego se
selecciona el valor de 𝑛 y 𝑝. Tambien deben seleccionarse el límite inferir y superior entre los que
se desea calcular la probabilidad. En el caso de ser probabilidades puntuales se coloca el mismo
valor en ambos límites. En nuestro caso 𝑃(12 ≤ 𝑥 ≤ 12) y de esta manera da como resultado la
probabilidad deseada:

𝑃(12 ≤ 𝑥 ≤ 12) = 0.0961

Para el segundo ejemplo:

Donde 𝑛 = 5 y 𝑝 = 0.5 se desea calcular la siguiente probabilidad:

𝑃(2 ≤ 𝑥 < 4) = 𝑃(2 ≤ 𝑥 ≤ 3) = 𝐹(3) − 𝐹(1)

Se selecciona la distribución binomial, el valor de 𝑛 = 5 y 𝑝 = 0.5 y finalmente se completan los

límites inferior y superior 𝑃(2 ≤ 𝑥 ≤ 3) de la siguiente manera:

12
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

Obteniendose:

𝑃(2 ≤ 𝑥 < 4) = 𝑃(2 ≤ 𝑥 ≤ 3) = 0.625

Obtención de las probabilidades mediante el uso de Excel

Para resolver estos dos ejemplos mediante Excel, se debe dar click en la pestaña Fórmulas, luego
en Estadísticas y finalmente DIST.BINOM.N

13
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

Una vez seleccionado se abrirá la siguiente ventana que debemos completar:

Donde:

- Núm_éxitos = 𝑥
- Ensayos = 𝑛
- Prob_éxito = 𝑝
- Acumulado: es n valor lógico que representa si deseamos el valor acumulado o el puntual

Acumulado = 1 → Valor acumulado

Acumulado = 0 → Valor puntual

Para el ejemplo:

𝑛 = 19 y 𝑝 = 0.5
𝑃(𝑥 = 12)

14
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

En el recuadro se muestra el resultado de la probabilidad buscado.

Para el siguiente ejemplo:

𝑛 = 5 y 𝑝 = 0.5
𝑃(2 ≤ 𝑥 < 4) = 𝑃(2 ≤ 𝑥 ≤ 3) = 𝐹(3) − 𝐹(1)
Debe realizarse la operación dos veces una para hallar 𝐹(3) y luego 𝐹(1):

Luego restamos ambos resultados, obteniendo:

𝑃(2 ≤ 𝑥 < 4) = 𝑃(2 ≤ 𝑥 ≤ 3) = 𝐹(3) − 𝐹(1) = 0.8125 − 0.1875 = 0.625

15
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

2. DISTRIBUCIÓN GEOMÉTRICA

Si los repetidos ensayos independientes pueden resultar un éxito con probabilidad 𝒑 y en

un fracaso con probabilidad 𝒒 = 𝟏 − 𝒑 , la distribución de probabilidad de la variable
aleatoria 𝑿, el número de ensayos en que ocurre el primer éxito está dado por:
𝑔(𝑥, 𝑝) = 𝑝𝑞 𝑥−1 𝑥 = 1, 2, 3, ⋯ , ∞
Si tomamos el ejemplo anterior de las tres (3) piezas del proceso de fabricación teníamos:

A diferencia de la binomial, ahora debo

F probar cada pieza hasta encontrar un
D (Éxito) p éxito (en este caso una pieza defectuosa),
Á
B una vez que la hallo finaliza el
R experimento.
I Aquí también tenemos independencia
C entre los artículos, la diferencia radica en
N (Fracaso) q
A que en el caso anterior se conocía 𝒏 y
ahora no, debo probar hasta obtener un
éxito.
Si tengo que 𝑋 = número de repeticiones independientes hasta obtener un éxito, el
recorrido será:
𝑅𝑥 = {0, 1, 2, 3, ⋯ , ∞}

𝑃 (𝑋 = 𝑥 ) = 𝑞𝑞𝑞 … 𝑞𝑞𝑝 = 𝑞 𝑥−1 𝑝

𝑃 (𝑋 = 5) = 𝑞𝑞𝑞𝑞𝑞𝑝 = 𝑞4 𝑝
Entonces podemos decir que:

1
𝐸 [𝑥 ] =
𝑝
𝑋~𝑔(𝑥, 𝑝) → 𝑞
𝑉 [𝑥 ] = 2
{ 𝑝

16
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

EJEMPLO: La probabilidad de que un estudiante de aviación apruebe el examen escrito para

obtener su licencia de piloto es de 0,7. Encuentre la probabilidad de que una persona
apruebe el examen:
a) En el tercer intento
𝑃(𝑋 = 3) = (0.3)2 (0.7) = 0.063
b) Antes del cuarto intento
3

𝑃(𝑋 ≤ 3) = ∑(0.3)𝑥−1 (0.7) = 0.973

𝑥=0

3. DISTRIBUCIÓN HIPERGEOMÉTRICA

El experimento hipergeométrico es la probabilidad de seleccionar 𝒙 éxitos entre los 𝒌

artículos denominados éxitos y los 𝒏 − 𝒙 artículos denominados fracasos cuando se
selecciona una muestra de tamaño 𝒏 entre los 𝑵 artículos.

𝑋~ℎ(𝑥, 𝑁, 𝑛, 𝑘 )

Posee 2 propiedades:

1. Una muestra de tamaño n se

selecciona entre los 𝑵 artículos sin
reposición (dependientes)

2. 𝒌 de los 𝑵 artículos pueden

clasificarse como éxito y 𝑵 − 𝒌 como
fracaso.

17
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

DEFINICION: Dada la distribución de probabilidad de la variable aleatoria Hipergeométrica

𝑿, el número de éxitos en una muestra de tamaño n seleccionada entre 𝑵 artículos de los
cuales 𝒌 son éxitos y 𝑵 − 𝒌 son fracasos, es:

(𝑘𝑥)(𝑁−𝑘
𝑛−𝑥
)
𝑥 = 0, 1, ⋯ , max(𝑛, 𝑘 )
ℎ(𝑥, 𝑁, 𝑛, 𝑘 ) = { (𝑁)
𝑛
0 en otra parte

GENERALIZANDO: El número total de muestras de tamaño 𝑛 tomadas de 𝑵 artículos es (𝑵

𝒏
).
Se supone que estas muestras son iguales.

Hay (𝒌𝒙) formas de seleccionar 𝒙 éxitos de los 𝒌 artículos que están disponibles y para cada
uno podemos seleccionar los 𝒏 − 𝒙 fracasos en (𝑵−𝒌
𝒏−𝒙
) formas. Donde (𝑵
𝒏
) son las muestras
posibles y (𝒌𝒙) (𝑵−𝒌
𝒏−𝒙
) las favorables.

Podemos decir que:

𝑘
𝐸 [𝑋] = 𝑛𝑝 = 𝑛
𝑋~ℎ(𝑥, 𝑁, 𝑛, 𝑘 ) → { 𝑁
𝑁−𝑛 𝑘 𝑘 𝑁−𝑛
𝑉[𝑋] = 𝑛𝑝𝑞 ( ) = 𝑛 (1 − ) ( )
𝑁−1 𝑁 𝑁 𝑁−1
(𝑵 – 𝒏)
Donde es un factor de corrección. Este es insignificante cuando 𝒏 es pequeño
(𝑵 – 𝟏)
(𝑵 – 𝒏)
comparado con 𝑵, ≈ 𝟏
(𝑵 – 𝟏)

𝑵−𝒏 𝒏 𝒏
Si 𝑵 es muy grande, el factor de corrección se convierte en = 𝟏 − 𝑵 donde se
𝑵 𝑵
denomina tasa de muestreo.
EJEMPLO: Un grupo de 5 personas se selecciona al azar entre 3 químicos y 5 físicos.
Encontrar la distribución de probabilidad para el número de químicos en el grupo.
a-

𝑋 = número de químicos en el grupo

(3𝑥)(5−𝑥
5
)
ℎ(𝑥, 8, 5, 3) =
(85)

18
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

b- Hallar la probabilidad de que se seleccionen 2 químicos:

(32)(5−25
) (32)(53)
𝑃(𝑋 = 2) = ℎ(2, 8, 5, 3) = = 8 = 0.1786
(85) (5 )
c- Hallar la probabilidad de que se seleccionen menos de 3 químicos:
𝑥=2 3 5
(𝑥)(5−𝑥 )
𝑃(𝑋 < 3) = ∑ = 0.8214
(85)
𝑥=0

A continuación, se verán algunos ejemplos para esta distribución:

Distribución hipergeométrica con 𝑁 = 60, n=20 y k=10

Distribución hipergeométrica con 𝑁 = 60, n=20 y k=5

Distribución hipergeométrica con 𝑁 = 100, n=20 y k=15

19
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

4. DISTRIBUCIÓN DE POISSON
Los experimentos que proporcionan valores numéricos de una variable aleatoria 𝑿 , el
número de éxitos que ocurren durante un intervalo de tiempo dado o en una región
especificada, se conoce con el nombre de experimento de Poisson. El intervalo de tiempo
dado puede ser de cualquier longitud: un minuto, un día, una semana, un mes e incluso un
año. La región especificada puede ser un segmento de recta, un área, un volumen, etc.
Los ejemplos clásicos son:
1. número de llamadas telefónicas que se reciben por día.
2. número de partículas emitidas.
3. número de accidentes.
4. número de errores de impresión.

DEFINICION: La distribución de probabilidad de la variable aleatoria de Poisson 𝑿, el número

de éxitos que ocurren en un intervalo de tiempo o en una región especificada dada, es:

𝑒 −𝜆 𝜆𝑥
𝑃0 = 𝑝(𝑥, 𝜆) = { 𝑥! 𝑥 = 0, 1, 2, ⋯ , ∞
0 en otro lugar

donde 𝝀 es el promedio de éxitos que ocurren en un intervalo de tiempo o en una región

especifica dada y 𝒆 = 𝟐. 𝟕𝟏𝟖𝟐𝟖 …
Tanto la media como la varianza de la distribución de Poisson tienen el valor 𝝀, por lo tanto
𝐸[𝑋] = 𝜆
𝑋~𝑃0 (𝜆) → {
𝑉[𝑋] = 𝜆
Existen dos formas de obtener una distribución de Poisson,

1. Considerarla en sí misma como un proceso de Poisson (No lo vamos a desarrollar)

2. Como límite de la distribución binomial cuando 𝒏 → ∞, 𝒑 → 𝟎 y 𝒏𝒑 = 𝝀 = 𝒄𝒕𝒆.

𝑛 𝑥 𝑛−𝑥 𝑒 −𝜆 𝜆𝑥
𝑛→∞
( )
lim 𝑝 𝑥 = 𝑛→∞
lim ( ) 𝑝 𝑞 =
𝑥 𝑥!
𝑝→0 𝑝→0
𝑛𝑝→𝜆 𝑛𝑝→𝜆

EJEMPLO: Un albañil tiene un promedio de colocación de un ladrillo por minuto. En 5

minutos, ¿cuál es la probabilidad de que coloque:

20
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

a) más de 3 ladrillos?  =  𝑡 = 5𝑚𝑖𝑛

3
𝑒 −5 5𝑥
𝑃 (𝑋 > 3) = 1 − 𝑃 (𝑋 ≤ 3) = 1 − ∑ = 1 − 0.265 = 0.735
𝑥!
𝑥=0

b) exactamente 3 ladrillos?

𝑒 −5 53
𝑃 (𝑋 = 3) = = 0.141
3!

𝑃 (𝑋 = 3) = 𝐹 (3)  𝐹 (2) = 0.265  0.124 = 0.141

c) Indicar la función de cuantía utilizada y el recorrido

𝑒 −5 5𝑥 𝑅𝑥 = {0, 1, ⋯ , ∞}
𝑃 (𝑥 ) =
𝑥!

A continuación, se verán algunos ejemplos para esta distribución:

Distribución Poisson con 𝜆 = 4

Distribución Poisson con 𝜆 = 0.9

21
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

Distribución Poisson con 𝜆 = 20

APROXIMACIONES

1. Aproximación de la distribución hipergeométrica a la

distribución Binomial.

Si por ejemplo 𝑵 = 𝟏𝟎𝟎𝟎𝟎 y 𝒏 = 𝟏𝟎 la muestra es muy pequeña, y aunque sea un

muestreo sin reposición, puedo considerar una independencia.
𝒏
Esta aproximación se aplica solamente cuando es pequeño y es lo que me permitirá pasar
𝑵
de una dependencia (Hipergeométrica) a una independencia (Binomial)

EJEMPLO: En una producción de 200 unidades hay 8 defectuosas. Se selecciona una

muestra aleatoria de 10 unidades. ¿Cuál es la probabilidad de encontrar una unidad
defectuosa?

22
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

(81)(192
9
)
𝑃 (𝑋 = 1) =
(200
10
)

𝒏 𝟏𝟎
el cálculo se complica bastante pero como 𝑵 = 𝟐𝟎𝟎 = 𝟎. 𝟎𝟓 es bastante pequeño podemos
aproximar 𝑯𝒊𝒑  𝒃 (𝒙, 𝒏, 𝒑)
8
𝑝= = 0.04 → 𝑞 = 1 − 𝑝 = 0.96 𝑛 = 10
200
10
𝑃 (𝑋 = 1) = ( ) (0.04)1 (0.96)9 = 0.277
1

2. Aproximación de la distribución Binomial a la

distribución de Poisson.
EJEMPLO: La probabilidad de que un remache en particular en la superficie del ala de una
avioneta es defectuoso es 𝑝 = 0.001 . Si hay 4000 remaches en el ala, ¿Cuál es la
probabilidad de que haya 6 o menos remaches defectuosos ?
6
4000 𝑥 4000−𝑥
𝑃 (𝑋 ≤ 6) = ∑ ( )𝑝 𝑞
𝑥
𝑥=0

se complica mucho el cálculo por lo tanto podemos trabajar con Poisson ya que
𝑝 → 0, 𝑛 → ∞ y 𝜆 = 𝑛 ∙ 𝑝 = 4000 ∙ 0.001 = 4
6
𝑒 −4 4𝑥
𝑃(𝑋 ≤ 6) = ∑
𝑥!
𝑥=0

23
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

Ejercicios Propuestos
1- Un ingeniero industrial trabaja en una fábrica cuya norma de control de calidad que
consiste en elegir al azar 15 artículos producidos para determinar el número de
unidades defectuosas. SI se hallan tres o más unidades defectuosas se detiene la
producción y se realiza una inspección a los equipos. Por experiencias previas, la
probabilidad de que un artículo sea defectuoso es de 0.4.
a- Hallar la probabilidad de que la producción se detenga al aplicar esta norma
de control.

2- Cierto dispositivo electrónico posee una probabilidad de 0.9 de durar más de un año
sin fallar. Calcular la probabilidad de que en 20 de estos dispositivos:
a- 14 duren menos de un año.
b- A lo sumo 3 duren menos de un año.
c- Al menos 1 duren menos de un año.

3- Una empresa de construcción se encuentra realizando obras en cierta región rural

del país. Se conjetura que hay impurezas en el agua en el 30% de los pozos de dicha
región. Para obtener información sobre la verdadera magnitud del problema se
determina que deben realizarse pruebas. Como es muy costoso probar todos los
pozos del área, se eligen 10 al azar para someterlos a la prueba.
a- Si se utiliza la distribución binomial, ¿cuál es la probabilidad de que exactamente
3 pozos tengan impurezas, considerando que la conjetura es correcta?
b- ¿Cuál es la probabilidad de que más de 3 pozos tengan impurezas?

4- Un ingeniero asegura que si realiza ciertos cambios en el sistema de iluminación el

30% de las áreas reducirá el consumo de energía eléctrica. Halle la probabilidad de
que 2 de 5 áreas reduzcan el consumo de energía.

5- Se pretende reparar una máquina de una industria. De las 8 piezas de repuesto con
las que se cuenta, se sabe que 3 están en buen estado y las restantes defectuosas.
Si se toman 3 piezas al azar. Calcular la probabilidad de:
a- Ninguna esté en buen estado.
b- Al menos una esté en buen estado.
c- Las tres estén en buen estado.

6- Se realiza una obra civil de gran envergadura y se deben colocar las aberturas. De
las 100 puertas enviadas, 20 se encuentran ligeramente dañadas. Seleccionando 10
puertas al azar, ¿Cuál es la probabilidad exactamente dos estén dañadas?

24
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

7- De 50 edificios en un parque industrial, 12 no cumplen el código eléctrico. Si se

seleccionan aleatoriamente diez edificios para inspeccionarlos, ¿cuál es la
probabilidad de que exactamente tres de los diez no cumplan el código?

8- En un lote de diez microcircuitos, tres están defectuosos. Si se eligen aleatoriamente

cuatro microcircuitos para ser probados. Sea X el número de circuitos probados que
son defectuosos. ¿Cuál es la probabilidad de que X=2?

9- Un servicio técnico recibió 20 solicitudes de servicio de problemas de impresoras,

de las cuales 8 eran impresoras láser y 12 de inyección a tinta. Si un técnico
selecciona al azar 5 de ellas ¿Cuál es la probabilidad de que exactamente 3 de las
solicitudes de reparación sean para impresoras de inyección a tinta?

10- Un ingeniero electrónico realiza una red para transmisión de datos. Se sabe que la
cantidad de errores de transmisión en una hora es de 4 en promedio. Suponiendo
que tiene una distribución de Poisson:
a- Que en cualquier hora ocurran solamente 2 errores.
b- Que en cualquier hora ocurran al menos 2 errores.
c- Que en dos horas ocurran no más de 3 errores.

11- En el área de mantenimiento de cierta empresa se recibe un promedio de 6

solicitudes de servicio por día.
a- ¿Cuál es la probabilidad de que reciba exactamente 3 solicitudes en un día?
b- Estimar la media, varianza y desviación estándar.

12- Se debe diseñar una pieza a realizarse con aluminio laminado. Se sabe que, en
promedio, cada rollo de 400 metros de aluminio laminado presenta 2 defectos.
¿Cuál es la probabilidad de que en 100 metros no tenga ningún defecto?

13- Se diseña una estructura en madera, sabiendo que el número de nudos en un tipo
de madera tiene un promedio de 1,8 nudos por metro cúbico. ¿Cuál es la
probabilidad de que un metro cúbico de madera tenga a lo más un nudo?

14- En una la línea de montaje de instrumentos de medición de intensidad de luz. Se

sabe que 0.08 es la probabilidad de que dicho instrumento sufra una desviación. Se
realiza un control de calidad de los mismo. ¿Cuál es la probabilidad de que el sexto
instrumento utilizado sea el primero en mostrar desviación?

15- Una prueba de resistencia de soldadura consiste en poner carga en uniones soldadas
hasta que se produzca una ruptura. Para cierto tipo de soldadura, 80% de las

25
 Unidad 3 VAD | Prof. Julia Mónica Ansín, Ing. Silvana Sofia Nelli

rupturas ocurre en la propia soldadura, mientras que otro 20% se da en las vigas. Se
prueba cierto número de soldaduras. Si llamamos X al número de pruebas,
incluyendo la primera prueba que da como resultado la ruptura de la viga. ¿Cuál es
la distribución de X?

16- Considere una fuente de comunicaciones que transmite paquetes que contienen
lenguaje digitalizado. Después de cada transmisión, el receptor envía un mensaje
que indica si la transmisión fue exitosa o no. Si la probabilidad de que el mensaje
sea transmitido correctamente es de 0.3 ¿Cuál es la probabilidad de que la tercera
vez que se transmite un paquete lo haga correctamente?

17- Se desea estudiar el proceso de fabricación de botellas para refrescos. Ya que si las
botellas presentan defectos de rajaduras no son aceptadas por los clientes. Se sabe
que en promedio 2 de cada 2000 artículos presentan 2 rajaduras o más. ¿Cuál es la
probabilidad de que en una muestra de 10000 se encuentren a lo sumo 8 botellas
con defectos?

18- Si un ingeniero civil requiere que el material a utilizar esté libre de defectos, de modo
que la probabilidad de que cualquier plancha dada contenga por lo menos un
defecto es de 0.005 y los errores son independientes de una plancha a otra, ¿cuál es
la probabilidad de que en 400 planchas exactamente una contenga defecto?

19- Una industria de la región compra un lote de 100 alarmas contra incendios que debe
instalar, se sabe que el cargamento trae 5 defectuosas. Si selecciona 3 de ellas al
azar, ¿cuál es la probabilidad de que una sea defectuosa?

20- Se tienen 500000 piezas de idénticas características, en una cadena de montaje, de

las cuales 300000 son del proveedor A y las demás del proveedor B. Si tomo 10
piezas a azar. ¿Cuál es la probabilidad de que 3 de las mismas provengan del
proveedor B?

26