FACULTAD DE CIENCIAS EMPRESARIALES Y ECONÓMICAS

DISTRIBUCIONES NOTABLES DISCRETAS

Curso: Estadística General

Profesora: Mónica Aparicio Valdez

 Distribución Binomial
Considere un experimento aleatorio que es ejecutado n veces en las mismas condiciones,
conformado así n experimentos individuales (o ensayos) tales que:
• Los experimentos individuales son independientes. Esto implica que el resultado de
un experimento individual no afecta el resultado de ninguno de los otros.
• Cada experimento individual puede generar solo dos posibles resultados mutuamente
excluyentes, denominados como “éxito” y “fracaso”.
• La probabilidad de éxito en cada experimento individual, denotada por p, es la misma
(constante).
 La distribución Binomial está asociada al muestreo con reemplazo o con reposición.
Entonces, la variable aleatoria X, definida como el número de éxitos observados en los
n experimentos tiene una distribución de probabilidad binomial.
 Ejemplos de variables con Distribución Binomial

 Lanzar una moneda 15 veces; sea X el número de sellos obtenidos.

 Lanzar un dado 10 veces; sea X el número de veces que aparece el número 4.

 En un examen con 20 preguntas de selección múltiple (verdadero o falso); sea X el

número de respuestas correctas obtenidas por un estudiante que ha adivinado todas
las repuestas.

 Una máquina produce un 1% de artículos defectuosos; sea X el número de artículos

defectuosos encontrados en una muestra de 30 artículos producidos.
 Ejemplos de variables con Distribución Binomial
Cada uno de estos experimentos aleatorios consisten en la repetición de
una serie de experimentos individuales (lanzar una moneda, lanzar un
dado, responder una pregunta de un examen, verificar si un artículo es
defectuoso o no es defectuoso) cada uno de ellos con dos posibles
resultados (sello o cara, número 4 o número distinto a 4, responder
correctamente o fallar en responder la pregunta de un examen, verificar
que el artículo es defectuoso o que no defectuoso).

Se define a estos dos posibles resultados como éxito o fracaso.

En todos los ejemplos la variable aleatoria X puede entenderse como el

número de éxitos registrados en los n experimentos individuales
realizados.
 Distribución Binomial

Es una distribución discreta que permite analizar el número de éxitos que pueden
obtenerse en la ejecución de un experimento que se realiza n veces en las mismas
condiciones.

X representa el número de éxitos obtenidos en n experimentos. Esta variable es

discreta, ya que si el experimento se repite n veces se podrán obtener 0, 1, 2, …, n
éxitos.

Una distribución binomial tiene como parámetros:

n: número de veces que se repite el experimento o número de pruebas o ensayos

realizados.
p: probabilidad de éxito.
 Distribución Binomial
• 
Proceso:
1º Definir los dos resultados posibles:

Exito Fracaso

P(éxito)
2º Definir la probabilidad de éxito: p. =p P(fracaso) =
1-p
3º El experimento se realiza n veces.

4º Se define la V.A. X: N º de éxitos en las n repeticiones

RX = {0, 1, 2, 3, …., n}

5º Hallar p(xi) = P(X=xi) = probabilidad puntual. Ejemplo: P(X=2)

F(X) = P( xxi) = probabilidad acumulada. Ejemplo: P(X 2)=F(2)
 Distribución Binomial

La distribución de probabilidades de una variable aleatoria X

con distribución binomial es la siguiente:

p (1 p)
x n x
n
P( X  x)  C x n!
P X  x   p x q n x
x! n  x !
Donde: x = 0, 1, 2, ..... , n
Notación: X ~ B (n , p)

Función de distribución: F ( x)  P( X  x)   p( x )
xi  x
i

La esperanza es: E(x) = x = n. p

La varianza es: V(X) = 2x = n. p (1 - p)
La deviación estándar es:   V ( X )
Ejemplo 1
Se lanza un dado 5 veces ¿Cuál es la probabilidad de lograr 3 veces el
número 4?

Experimento: Lanzar un dado.

Éxito: Obtener el número 4 en el lanzamiento de un dado.

n: 5 (número de veces que se repite el experimento de lanzar un

dado).

p: 1/6 (probabilidad de éxito)

Sea X: Número de veces que aparece el número 4 en los 5

lanzamientos de un dado (número de éxitos en n).
El rango de X es: RX = { 0, 1, 2, 3, 4, 5}

Entonces X tiene distribución: B(n=5; p=1/6)

 p (1 p)
n x n x
P( X  x)  C x
Ejemplo 1
Luego, la probabilidad de lograr 3 veces el número 4 :

X ~ B (n=5 , p = 1/6)
x 5 x
1 5
n
P[ X  x ]  C x    
6 6
3 2
1 5 5
P[ X  3]  C 3    
6 6
 0,03215
Minitab: Calc / Probability distributions / Binomial / elegir: Probability: p(x) ó
Cumulative probability: F(x) –según la probabilidad que se quiera hallar- /
ingresar n y p / Input constant (ingresar el valor de X).
 Ejemplo 2
Un estudiante se presenta a un examen de selección múltiple con 8 preguntas,
cada una con 3 respuestas alternativas. Si el estudiante adivina las respuestas de
cada pregunta, y además se sabe que para aprobar el examen debe responder
correctamente seis o más preguntas. ¿Cuál es la probabilidad de que apruebe el
examen?
Solución
Experimento = Responder una pregunta del examen.
Éxito = Responder correctamente la pregunta de un examen.
n = 8 (número de veces que se repite el experimento: son 8 preguntas que se
responden).
p = 1/3 (probabilidad de éxito)
X = Número de respuestas respondidas correctamente en un examen de 8
preguntas (número de éxitos en n).
El rango de X es: RX = { 0, 1, 2, 3, 4, 5, 6, 7, 8 }
X tiene distribución Binomial: B(n=8; p=1/3)
 Ejemplo 2
Luego, la probabilidad de aprobar el examen (es decir responder correctamente
6 o más preguntas –cómo mínimo 6 preguntas- del examen) esta dada por:
X ~ B (n=8 , p = 1/3)
p (1 p)
n x n x
x 8 x P( X  x)  C x
81  2
P[ X  x]  C x    
 3  3

6 2 7 8 0
1 2
8 8 1  2 81  2
P[ X  6 ]  C 6      C 7      C 8    
3 3 3  3 3 3
 0 ,0170706  0 ,0024387  0 ,0001524  0 ,019662
Otra forma: Con la Función de Distribución Acumulada:
 
P(x 6) = 1 – P(x < 6) = 1 - F(5)
= 1 - 0.980338 = 0.019662
Número esperado de preguntas contestadas correctamente:

• E(X) = n . p = 8 . 1/3 = 2.6666 (media o promedio poblacional)

Varianza del número de respuestas contestadas correctamente:

• V(X) = n. p. (1-p) = 8.(1/3).(2/3) = 1.7777 (varianza poblacional)

Ejemplo 3

En una fabrica que se dedica a la producción de botellas de

plástico, el 7% de las botellas son defectuosas. Si se toma una
muestra de 15 unidades:
a) Indique la función de probabilidad para la variable número
de botellas defectuosas.
b) ¿Cuál es la probabilidad que ninguna botella sea defectuosa?
c) ¿Cuál es la probabilidad que por lo menos 2 botellas sean
defectuosas?
d) Calcular el número promedio de botellas defectuosas.
e) Calcular la varianza del número de botellas defectuosas.
Ejemplo 4
Una compañía de seguros sabe que la probabilidad de que una persona sufra
cierto tipo de accidente durante un año es 10%. Se sabe que la compañía tiene
25 asegurados contra este tipo de accidente.

a)¿Cuál es la probabilidad de que la compañía tenga que afrontar los gastos

de 2 de sus asegurados?
b)¿Cuál es la probabilidad de que la compañía tenga que afrontar los gastos
de a lo más 3 asegurados?
c)Hallar la probabilidad de que la compañía tenga que afrontar los gastos de
más de un asegurado.
d)Suponga que la compañía tiene que pagar 2500 soles por cada asegurado
que sufre este accidente. Calcule el gasto esperado de la compañía durante el
año.
 Distribución Hipergeométrica

Consideremos una población finita con N elementos, divididos en

dos clases. Una con M elementos (M<N) y la otra con N-M
elementos. Llamemos “éxito” a la primera clase y “fracaso” a la
segunda clase.
Por ejemplo, un lote de N elementos de una producción, se divide
en defectuosos con M elementos y no defectuosos con N-M
elementos.
 Distribución Hipergeométrica

N=Población

Éxito
Muestra
aleatoria de
tamaño “n”

Fracaso
 Distribución Hipergeométrica
Consideremos el siguiente experimento:

“extraer una muestra de tamaño n sin reemplazo o sin reposición de una

población finita de N elementos”

 Cada extracción tiene sólo dos resultados posibles A o B.

 El resultado de una observación es afectado por los resultados de las
observaciones previas, es decir los resultados de los ensayos no son
independientes y
 La probabilidad de éxito P(A) no es constante de ensayo a ensayo.
 El experimento así definido se llama “experimento hipergeométrico”
 Distribución Hipergeométrica
Suponga que se tiene un lote de 20 artículos, 8 de los cuales son defectuosos. Si se
selecciona una muestra de dos artículos al azar, la probabilidad de que el primero sea
defectuoso será de 8/20, pero la probabilidad de que el segundo sea defectuosos
dependerá de la condición del primero (7/19 si el primero fue defectuoso y 8/19 si el
primero no lo fue).
Esto difiere de lo tratado en la distribución binomial porque ambos experimentos
individuales (la observación de la condición del primer y la observación del segundo
artículo) no son independientes, y además, la probabilidad de éxito no permanece
constante. Población
N=20
Éxito: Muestra Muestreo sin reposición
M= 8 n=2 o sin reemplazo

Fracaso:
N-M= 12
 Distribución Hipergeométrica

Definimos la variable aleatoria X de la siguiente forma:

X: número de éxitos en la muestra de tamaño n.

Rx ={ 0, 1, 2,…., min(n,M) }

min(n,M) significa que el máximo valor que puede tomar la variable con distribución
Hipergeométrica es el menor valor entre n y M.

La v.a. definida de esta forma se llama v.a. hipergeométrica y la distribución de

probabilidad de la v.a. hipergeométrica, se llama distribución hipergeométrica.

Se denota por H(N,n,M).

Distribución Hipergeométrica

M N M

P( X  x)  C C x
N
n x

C n

x = 0, 1, 2 ,....., min n , M 

F ( x)  P( X  x)   p( x )
xi  x
i
 Distribución Hipergeométrica
Ejemplo 1
Se realiza un experimento que consiste en extraer 3 bolillas de una urna que
contiene en total 10 bolillas, 6 de las cuales son azules y 4 son rojas,

a) ¿Cuál es la probabilidad que no se haya extraído ninguna bolilla azul?

b) ¿Cuál es la probabilidad que se haya extraído al menos (como mínimo) una bolilla roja?
c) ¿Cuál es el número esperado de bolillas rojas al extraer tres bolillas de la urna?
PREGUNTA A PREGUNTA B
Población
Población
N=10
N=10 Éxito:
Éxito: M= 4 Muestra
Muestra
M= 6 aleatoria aleatoria
n=3 Fracaso n=3
Fracaso: N-M=6
N-M= 4
 Distribución Hipergeométrica
M N M

P( X  x)  C x C
Ejemplo 1 n x
N
Solución a) ; C n
X = Número de bolillas azules extraídas en la muestra RX = 0, 1, 2, 3
Este caso, N = 10, M = 6 y n = 3. Minitab: Calc / Probability
Así la probabilidad a calcular es: distributions / Hypergeometricl /
elegir: Probability: p(x) ó
6 4 Cumulative probability: F(x) –según

P[ X  0]  C C 0
10
3
 0 .0 3 3 3
la probabilidad que se quiera hallar-
/ ingresar N, M y n / Input constant
C 3
(ingresar el valor de X).

 Solución b) : Definimos como variable aleatoria a

Y = Número de bolillas rojas extraídas , de modo que: Ry = 0, 1, 2, 3
Este caso, N = 10, M = 4 y n = 3.
(Y 1) = 1 – P(Y< 1) = 1 – F(0) = 1 – 0.1666667=0.83333
 Distribución Hipergeométrica

Solución c) : El número esperado de bolillas rojas al extraer 3

bolillas de la urna, se puede obtener mediante el uso de la
esperanza de la variable aleatoria Y. Esto es:

 4 
E ( X )  n M N   3   1,2  1
10 

Lo cual significa que el número esperado de bolillas rojas es

aproximadamente de una bolilla.
 Distribución Hipergeométrica
Ejemplo 2
Un distribuidor mayorista recibe diariamente un lote de 20 refrigeradoras de las
cuales ocho son de color blanco y las restantes de color plata. Un comerciante
minorista le solicita, también diariamente, seis refrigeradoras. Suponiendo que
las refrigeradoras se seleccionan al azar.

a)¿Cuál es la probabilidad de que, en un día cualquiera, el número de refrigeradoras

de color blanco seleccionadas sea más de tres?
b)¿Cuál es la probabilidad de que, seleccione a lo más una refrigeradora de color
plata.
 Distribución Poisson

Esta distribución expresa la probabilidad de una variable aleatoria definida

como el número de ocurrencias en una unidad de medida. El número
promedio de ocurrencias por unidad de medida (tiempo, espacio o
volumen) es un valor conocido como  : Parámetro
Es importante definir la unidad de medida con cuidado.

Por ejemplo, si el número de clientes que llegan por hora tiene distribución de
Poisson con una tasa media () de 15 clientes por hora, el número de clientes
que llegan en tres horas tendrá distribución Poisson con una tasa media ()
de 45 clientes por cada 3 horas.
 Distribución Poisson

Las siguientes variables podrían tener una distribución de Poisson:

• Número de bacterias por ml.

• Número de accidentes por semana que ocurren en una carretera.
• Número de errores tipográficos por página.
• Número de clientes que llegan a una agencia bancaria por hora.
• Número de árboles por kilómetro cuadrado.
• Número de emergencias atendidas en un hospital por día.
• Nº llamadas por minuto que ingresan a una central telefónica.
• Nº de clientes atendidos por cada 20 minutos.
• Nº de defectos por metro de una tela.
• Nº de automóviles por hora que pasan por un cruce.
 Distribución Poisson
La distribución Poisson se utiliza para analizar el número de ocurrencias
de un determinado evento durante un periodo de tiempo (o unidad de
medida). La variable aleatoria correspondiente asume valores de 0,1,2,…
La función de probabilidad p(x) es la siguiente:


 e
x
P[ X  x ]   x  0 , 1, 2, 
x!
F ( x)  P( X  x)   p( x )
xi  x
i

La esperanza es: E(X) = 

La varianza es: V(X) =  .

La desviación estándar es:  

 Distribución Poisson
Ejemplo 1

• Los clientes de transporte llegan por un peaje a una tasa promedio

de 5 clientes por cada 10 minutos ¿Cuál es la probabilidad de que
entre las 13:00 y 13:30 (30 minutos) no llegue ningún cliente?

Solución

Consideremos la v.a. X:

X: Número de clientes que llegan por el peaje entre las 13:00 13:30
horas (30 minutos). Unidad de medida: 30 minutos.
 Distribución Poisson
Ejemplo 1

Consideremos la v.a. X:

X: Número de clientes que llegan de 13:00 a 13:30 horas (30 minutos)

Rx= {0,1, 2,….}

Calculando λ :

5 clientes -------- 10 minutos

λ=? --------- 30 minutos

λ = 5 *30 minutos /10 minutos = 15 clientes

 
Distribución Poisson  e x

Ejemplo 1
P[ X  x ]   x  0 , 1, 2, 
x!
Luego X se distribuye como Poisson con λ = 15 : Esto es:

X ˜ P(λ = 15) . Ahora calculemos la probabilidad que entre la 13:00 y 13:30

(unidad de medida: 30 minutos) no llegue ningún cliente:

x e   150 e 15
P( X  0)    e 15  0.0000003
x! 0!

Minitab: Calc / Probability distributions / Poissonl / elegir: Probability: p(x) ó

Cumulative probability: F(x) –según la probabilidad que se quiera hallar- /
ingresar la media (λ) / Input constant (ingresar el valor de X).
 Distribución Poisson
Ejemplo 2
En una central telefónica de una institución pública se registran 2 llamadas
en promedio cada 3 minutos.

a) ¿Cuál es la probabilidad que ocurran 5 llamadas en el lapso de 3 minutos?

b) ¿Cuál es la probabilidad que ocurran 5 o más llamadas en el lapso de 9
minutos?
c) ¿Cuál es la probabilidad que no registren llamadas en 9 minutos?
Solución a)
Definimos como variable aleatoria a
X = Número de llamadas en 3 minutos RX = { 0, 1, 2, ... }
Si se registran en promedio  = 2 llamadas cada 3 minutos.
X: Poisson ( = 2 )

2 5 e 2
P[ X  5]   0 ,0 3 6 1
5!
 Distribución Poisson
Ejemplo 2
Solución b):
Definimos como variable aleatoria a X = Número de llamadas en 9 minutos

RX = { 0, 1, 2, ... }
Si se registran en promedio  = 2 llamadas cada 3 minutos, luego cada 9
minutos
P[ X se5]registrarán  1  P ( X  =
 1  P[ X en5]promedio 4)6llamadas:
1  F (4)  1  0.285057  0.7149
6 x e 6
 1   x 0
4

x!
 6 0 e 6 6 e 6 6 2 e 6 63 e  6 6 4 e 6 
 1        
 0! 1! 2! 3! 4! 
 1  (0,0025  0,0149  0,0446  0,0892  0,1339) 
 0,7149

Solución c): 6 0 e 6
P[ X  0]   0 ,0 0 2 5
0!
 Distribución Poisson
Ejemplo 3
Se ha observado que los six-pack de gaseosas se toman de los estantes de un
supermercado a razón de 10 en promedio por cada hora, durante el periodo de
mayor afluencia de público.
¿Cuál es la probabilidad que se saque al menos un six-pack en los primeros 6
minutos del periodo de mayor afluencia de público.

Solución:
Definimos como variable aleatoria:
X = Número de six-pack que se toman de los estantes en los primeros 6 minutos
del periodo de mayor afluencia de público. RX = { 0, 1, 2, ... }
Si se toman en promedio  = 10 six-pack cada hora, luego cada 6 minutos se
tomarán en promedio  = 1 six-pack.