UNIVERSIDAD CATÓLICA DEL NORTE

FACULTAD DE CIENCIAS
DEPARTAMENTO DE MATEMÁTICA

Distribuciones de probabilidad discretas.

Profesora: Nathalie Castro M. ncastro@ucn.cl

Distribución Binomial: Las características de esta distribución son:

 En los experimentos que tienen este tipo de distribución, siempre se esperan dos tipos de
resultados, ejemplo: defectuoso o no defectuoso, sucede o no sucede, etc., denominados
arbitrariamente “éxito” (que es lo que se espera que ocurra) o “fracaso” (lo contrario del
éxito).
 Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no
cambian.
 Cada uno de los ensayos o repeticiones del experimento son independientes entre sí.
 El número de ensayos o repeticiones del experimento es constante.

Ejemplo 1: Se lanza al aire una moneda tres veces, en donde la probabilidad de obtener una cara es
1/3. Explique las razones de por qué este ejemplo corresponde a un experimento Binomial.

Del ejemplo anterior, nos interesa calcular la probabilidad de obtener un número x de caras al
lanzar tres veces la moneda. Podemos apreciar, que el evento “obtener cara” será nuestro éxito,
cuya probabilidad es 1/3; por lo que “obtener sello” sería fracaso, con probabilidad 2/3.
El espacio muestral asociado a este experimento aleatorio es: Ω = {CCC, CCS, CSC, SCC, SSC, SCS, CSS,
SSS}. Luego, si consideramos como X la variable aleatoria que indica la cantidad de caras obtenidas
al lanzar tres veces la moneda, su espacio es 𝒜𝑋 = {0,1,2,3}.
Dados los valores que puede tomar X, quedaría lo siguiente:

2 3 𝟑 𝟏
𝟎
𝟐 𝟑
𝑃(𝑋 = 0) = 𝑃(𝑆𝑆𝑆) = ( ) ⇒ 𝑪𝟎 ( ) ( )
3 𝟑 𝟑
1 2 2 𝟏 𝟏 𝟐 𝟐
𝑃(𝑋 = 1) = 𝑃(𝐶𝑆𝑆 ∪ 𝑆𝐶𝑆 ∪ 𝑆𝑆𝐶) = 3 ( ) ( ) ⇒ 𝑪𝟑𝟏 ( ) ( )
3 3 𝟑 𝟑
2 𝟐
1 2 𝟑 𝟏 𝟐 𝟏
𝑃(𝑋 = 2) = 𝑃(𝐶𝐶𝑆 ∪ 𝐶𝑆𝐶 ∪ 𝑆𝐶𝐶) = 3 ( ) ( ) ⇒ 𝑪𝟐 ( ) ( )
3 3 𝟑 𝟑
1 3 𝟏 𝟑
𝟐 𝟎
𝑃(𝑋 = 3) = 𝑃(𝐶𝐶𝐶) = ( ) ⇒ 𝑪𝟑𝟑 ( ) ( )
3 𝟑 𝟑

Si consideramos como 𝑝 la probabilidad de éxito, 1 − 𝑝 sería la probabilidad del fracaso, y 𝑛 la

cantidad de repeticiones del experimento, entonces de forma general tendríamos:
 𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 (𝑝)𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0,1,2, … , 𝑛 (1)
La expresión (1) corresponde a la función de cuantía de la distribución Binomial. Luego, podemos
calcular lo siguiente:

Para la distribución Binomial:

𝐸(𝑋) = 𝑛𝑝, 𝑉𝑎𝑟(𝑋) = 𝑛𝑝(1 − 𝑝), 𝑀𝑋 (𝑡) = (1 − 𝑝 + 𝑝𝑒 𝑡 )𝑛

Ejemplo 2: Se dice que el 75% de los accidentes de una planta se atribuyen a errores humanos. Si
en un período de tiempo dado, se suscitan 5 accidentes, determine:
a) La probabilidad de que dos de los accidentes se atribuyan a errores humanos.
b) La probabilidad de que como máximo 1 de los accidentes se atribuya a errores de tipo
humano.
c) La probabilidad de que tres de los accidentes no se atribuyan a errores humanos.
d) La cantidad esperada de accidentes atribuibles a errores humanos. Calcule también la
desviación estándar.

Distribución Geométrica: Esta distribución es un caso especial de la Binomial, ya que la variable

aleatoria indica el número de repeticiones necesarias hasta obtener el primer éxito. Para obtener la
fórmula de esta distribución, tomaremos el ejemplo visto anteriormente:

Se lanza al aire una moneda cargada de tal manera que la probabilidad de que aparezca cara es de
1/3, mientras que la probabilidad de que aparezca sello es de 2/3. Determine la probabilidad de que
se necesiten 8 lanzamientos para obtener la primera cara.
Podemos observar que el único suceso que cumple con lo propuesto es SSSSSSSC. Sea X la variable
aleatoria que indica la cantidad de repeticiones necesarias para obtener una cara. Luego:

2 7 1
𝑃(𝑋 = 8) = (𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝐶) = ( ) ( )
3 3

De forma más general, si consideramos un número x de repeticiones para obtener el primer éxito,
donde la probabilidad de éxito es 𝑝, tendríamos:

𝑃(𝑋 = 𝑥) = 𝑝(1 − 𝑝)𝑥−1 , 𝑥 = 1,2,3,4, … (2)

La expresión (2) corresponde a la función de cuantía de la distribución Geométrica. Luego podemos

calcular:

Para la distribución Geométrica:

1 1−𝑝 𝑝𝑒 𝑡
𝐸(𝑋) = , 𝑉𝑎𝑟(𝑋) = , 𝑀𝑋 (𝑡) = , 𝑡 < − log(1 − 𝑝)
𝑝 𝑝2 1 − 𝑒 𝑡 (1 − 𝑝)
Ejemplo 3: Tres personas lanzan una moneda y la que salga dispareja paga los cafés. Si todas las
monedas caen iguales, se lanzan nuevamente. Encuentre la probabilidad de que se necesiten menos
de 4 lanzamientos. Respuesta: 0,984375.

Distribución Binomial Negativa: Esta distribución es una generalización de la distribución

Geométrica, por cuanto la variable aleatoria indica el número de repeticiones necesarias hasta
obtener una cantidad 𝑟 de éxitos. Miremos el siguiente ejemplo:

Se lanza al aire una moneda cargada de tal manera que la probabilidad de que aparezca cara es de
1/3, mientras que la probabilidad de que aparezca sello es de 2/3. Determine la probabilidad de que
se necesiten 5 lanzamientos para obtener 2 caras.
Como queremos que al quinto lanzamiento se cumplan los dos éxitos, necesariamente en la quinta
repetición debemos obtener una cara. En otras palabras, las combinaciones serían de 4 sobre 1.
Luego, los sucesos que cumplen con lo propuesto son: CSSSC, SCSSC, SSCSC, SSSCC. Sea X variable
aleatoria que indica la cantidad de repeticiones necesarias para obtener dos caras (cantidad de
éxitos requeridos). Luego:

1 2 2 3
𝑃(𝑋 = 5) = (𝐶𝑆𝑆𝑆𝐶 ∪ 𝑆𝐶𝑆𝑆𝐶 ∪ 𝑆𝑆𝐶𝑆𝐶 ∪ 𝑆𝑆𝑆𝐶𝐶) = 4 ( ) ( )
3 3

De forma más general, si consideramos un número x de repeticiones para obtener 𝑟 éxitos, donde la
probabilidad de ocurrencia es 𝑝, tendríamos:

𝑥−1 𝑟 (1
𝑃(𝑋 = 𝑥) = 𝐶𝑟−1 𝑝 − 𝑝)𝑥−𝑟 , 𝑥 = 𝑟, 𝑟 + 1, 𝑟 + 2, … (3)

La expresión (3) corresponde a la función de cuantía de la distribución Binomial Negativa. Luego

podemos calcular:

Para la distribución Binomial Negativa:

𝑟
𝑟 𝑟(1 − 𝑝) 𝑝𝑒 𝑡
𝐸(𝑋) = , 𝑉𝑎𝑟(𝑋) = , 𝑀𝑋 (𝑡) = ( ) , 𝑡 < − log(1 − 𝑝)
𝑝 𝑝2 1 − 𝑒 𝑡 (1 − 𝑝)

Ejemplo 4: Una empresa se encuentra en la búsqueda de ingenieros ambientales para ocupar tres
puestos disponibles. Sin embargo, el día de las entrevistas, los encargados se dan cuenta que llegan
ingenieros de todas las especialidades por un error de procedimiento del equipo reclutador. Los
encargados estiman que la probabilidad de encontrar un ingeniero que cumpla con las
competencias pedidas es 0,2. ¿Cuál es la probabilidad de que deban entrevistar a más de 6
postulantes para llenar los cupos de trabajo disponibles? Respuesta: 0,90112.
Distribución Hipergeométrica: Los experimentos que tienen este tipo de distribución tienen las
siguientes características:
 Al realizar un experimento con este tipo de distribución, se esperan dos tipos de resultados.
 Las probabilidades asociadas a cada uno de los resultados no son constantes.
 Cada ensayo o repetición del experimento no es independiente de los demás.
 El número de repeticiones del experimento (n) es constante.

Este tipo de distribución se ocupa particularmente cuando se realiza se selecciona una muestra
aleatoria sin reposición. La función de cuantía de la distribución Hipergeométrica es:

𝐶𝑥𝑘 𝐶𝑛−𝑥
𝑁−𝑘
𝑃(𝑋 = 𝑥) = , 𝑥 = 0,1, … , min{𝑛, 𝑘}
𝐶𝑛𝑁

donde 𝑁 = total de elementos de la población, 𝑛 = total de elementos de la muestra, 𝑘 = elementos

que cumplen una caracterítica específica.

Para la distribución Binomial Negativa:

𝑛𝑘 𝑛𝑘 𝑁 − 𝑛 𝑘
𝐸(𝑋) = , 𝑉𝑎𝑟(𝑋) = ( ) ( ) (1 − )
𝑁 𝑁 𝑁−1 𝑁

Ejemplo 5: Una compañía recibe un pedido de veinte artículos. Dado que la inspección de cada
artículo es cara, se sigue la política de analizar una muestra aleatoria de seis artículos de cada envío,
aceptando la remesa si no hay más de un artículo defectuoso en la muestra. Si el pedido viene con
siete artículos defectuosos, calcular:
a) La probabilidad de que el pedido sea aceptado.
b) Que la muestra analizada contenga sólo artículos defectuosos.
c) Si se extraen seis artículos, ¿cuántos de ellos se espera que no sean defectuosos?
Respuestas: a) 0,2767 b) 0,00018 c) 2,1 ≈ 2

Distribución Poisson: En este tipo de experimentos los éxitos buscados son expresados por unidad
de área, tiempo, volumen, etc. Ejemplo:
 Número de defectos de una tela por metro cuadrado.
 Número de aviones que aterrizan en un aeropuerto por día.
 Cantidad de bacterias por mililitro de cultivo.
 Cantidad de eventos por kilómetro de pavimento.

Los experimentos que cumplen estas características se dice que deriva de un proceso Poisson, el
cual debe cumplir las siguientes propiedades:

 El número de resultados que ocurren en un intervalo o región específica es independiente

del número que ocurre en cualquier otro intervalo o región del espacio disjunto.
  La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una
región pequeña es proporcional a la longitud del intervalo o al tamaño de la región, y no
depende del número de resultados que ocurren fuera de este intervalo o región.
 La probabilidad de que ocurra más de un resultado en tal intervalo corto o caiga en tal
región pequeña es insignificante.

El número X de éxitos o resultados que ocurren durante un proceso Poisson se dice que sigue una
distribución Poisson cuya función de cuantía es la siguiente:

𝑒 −𝜆 𝜆𝑥
𝑃(𝑋 = 𝑥) = , 𝑥 = 0,1,2,3, …
𝑥!

donde 𝜆 es el número promedio o tasa de ocurrencia por intervalo o región dada.

Para la distribución Poisson:

𝑡 −1)
𝐸(𝑋) = 𝜆, 𝑉𝑎𝑟(𝑋) = 𝜆, 𝑀𝑋 (𝑡) = 𝑒 𝜆(𝑒

Ejemplo 6: El servicio al cliente de cierta compañía de retail recibe constantemente llamados

telefónicos que corresponden a consultas, sugerencia y reclamos. Suponga que el número de
llamadas que se reciben es una variable aleatoria de un proceso Poisson con una tasa de 6 llamadas
por hora.
a) ¿Cuál es la probabilidad de recibir cuatro llamadas en una hora?
b) Indique cuál es la probabilidad de recibir más de tres llamados en un periodo de 30 minutos.
c) ¿Cuántas llamadas se espera que lleguen en dos horas?
Respuestas: a) 0,1339 b) 0,3528 c) 12