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
 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⎞ x n-x
⎪ ⎜x⎟ p q x = 0, 1, 2, . . . , n
p ( x ) = b ( x, n, p) = ⎨ ⎝ ⎠
⎪
⎩0 en otro lugar

EJEMPLO: Consideremos el experimento binomial en el

cual se seleccionan al azar 3 piezas de un proceso
de fabricación, se inspeccionan y se clasifican en
defectuosas (D) y no defectuosas (N). Designando
como éxito a una pieza defectuosa.
D
D
N
X = número de artículos defectuosos D
N D
N
S
D
Rx = {0, 1, 2, 3} N
D
N
N D
N
S = {(D, D, D), (D, D, N), (D, N, D), (D, N, N), (N, D, D),
(N, D, N),(N, N, D), (N, N, N)}
4
P(X = 0) = P( N I N I N) = P( N ) P( N ) P( N ) = q q q = q3
⎛3⎞
P (X = 0) = ⎜ ⎟ p 0 q 3
⎝0⎠
P(X =1) = P( NDN U DNN U NND) =
= P(NDN) + P(DNN) + P(NND) =
= P ( N ) P ( D) P ( N ) + P ( D) P ( N ) P ( N ) + P ( N ) P ( N ) P ( D) =
= q p q + p q q + q q p = 3 p q2
⎛3⎞
P ( X = 1) = ⎜ ⎟ p1 q 2
⎝1⎠
5

P(X = 2) = P(DDN U DND U NDD) =

= P(DDN) + P(DND) + P(NDD) =
= P ( D ) P ( D ) P ( N ) + P ( D) P ( N ) P ( D ) + P ( N ) P ( D ) P ( D ) =
= p p q + p q p + q p p = 3 p2 q ⎛3⎞
P (X = 2) = ⎜ ⎟ p 2 q
⎝2⎠
P(X = 3) = P(D I D I D) = P(D) P(D) P(D) = p p p = p3
⎛3⎞
P ( X = 3) = ⎜ ⎟ p 3 q 0
⎝3⎠
6
 P ( x ) = ∑ b ( x , 3, p ) = ⎛⎜ 3 ⎞⎟ p x q 3 − x
3

x =0 ⎝x⎠

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

⎧ E [x ] = n p
X ~ b (x , n , p ) → ⎨
⎩ V [x ] = n p q

⎛n⎞
E[X] = ∑ x i p( x i ) = ∑ x i ⎜ ⎟ p x q n − x
⎝x⎠

8
 EJEMPLO: La probabilidad de que un paciente se
recupere de una enfermedad sanguíneas es 0,4.
Si se sabe que 15 personas han contraído esa
enfermedad, ¿cuál es la probabilidad de que:
a) sobrevivan exactamente 5 ?

( )
P ( X = 5) = 15 ( 0, 4 ) 5 ( 0,6 )10 = 0 .1859
5

P ( X = 5) = b (5,15 , 0, 4 ) = 0 .1859
9

x
p 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,50
0 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0000
1 0,3658 0,3432 0,2312 0,1319 0,0668 0,0305 0,0126 0,0047 0,0005
2 0,1348 0,2669 0,2856 0,2309 0,1559 0,0916 0,0476 0,0219 0,0032
3 0,0307 0,1285 0,2184 0,2501 0,2252 0,1700 0,1110 0,0634 0,0139
4 0,0049 0,0428 0,1156 0,1876 0,2252 0,2186 0,1792 0,1268 0,0417
5 0,0006 0,0105 0,0449 0,1032 0,1651 0,2061 0,2123 0,1859 0,0916
6 0,0000 0,0019 0,0132 0,0430 0,0917 0,1472 0,1906 0,2066 0,1527
7 0,0000 0,0003 0,0030 0,0138 0,0393 0,0811 0,1319 0,1771 0,1964
8 0,0000 0,0000 0,0005 0,0035 0,0131 0,0348 0,0710 0,1181 0,1964
9 0,0000 0,0000 0,0001 0,0007 0,0034 0,0116 0,0298 0,0612 0,1527
10 0,0000 0,0000 0,0000 0,0001 0,0007 0,0030 0,0096 0,0245 0,0916
11 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0074 0,0417
10
 x
p 0,10 0,20 0,25 0,30 0,40 0,50
0 0,20589 0,03518 0,01336 0,00475 0,00047 0,00003
1 0,54904 0,16713 0,08018 0,03527 0,00517 0,00049
2 0,81594 0,39802 0,23609 0,12683 0,02711 0,00369
3 0,94444 0,64816 0,46129 0,29687 0,09050 0,01758
4 0,98728 0,83577 0,68649 0,51549 0,21728 0,05923
5 0,99775 0,93895 0,85163 0,72162 0,40322 0,15088
6 0,99969 0,98194 0,94338 0,86886 0,60981 0,30362
7 0,99997 0,99576 0,98270 0,94999 0,78690 0,50000
8 1,00000 0,99922 0,99581 0,98476 0,90495 0,69638
9 1,00000 0,99989 0,99921 0,99635 0,96617 0,84912
10 1,00000 0,99989 0,99921 0,99635 0,96617 0,84912
11 1,00000 1,00000 0,99999 0,99991 0,99807 0,98242
11

b) sobrevivan a lo más 2 ?
2
() 2
P(X ≤ 2) = ∑ 15 (0.4)x (0.6)15 - x = ∑ b(x,15, 0.40) = 0.0271
x x=0
x=0

c) sobrevivan al menos 10 ?
P(X ≥ 10) = P(X = 10) + P(X = 11) + … + P(X = 15) =
9
()
=1 − ∑ 15 (0.4)x (0.6)15 - x =
x=0
x
9
P(X ≥10) =1 − ∑ b(x,15, 0.40) = 1 - 0.9662 = 0.0338
x=0
12
 d) sobrevivan entre 3 y 8 inclusive?
8
P ( 3 ≤ x ≤ 8 ) = ∑ b ( x , 15 , 0.40 ) =
x=3
8 2
= ∑ b (x, 15, 0.40) - ∑ b(x, 15, 0.40) =
x=0 x=0

= 0.9050 − 0.0271 = 0.8779

E[X ] = np = 15 × 0,4 = 6

V[X] = npq = 15 × 0,4 × 0,6 = 3,6

13

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
esta dado por:
g (x,p) = p qx - 1 x = 1, 2, 3, . . . , ∞

⎧ E [x ] = 1 p
X ~ g (x , p ) → ⎨ 2
⎩ V [x ] = q p
14
Si tomamos el ejemplo anterior de las tres (3) piezas del
proceso de fabricación tenemos:
F
A D (éxito) → p
B
R
I
C N (fracaso) → q
A

X = número de repeticiones independientes hasta obtener un éxito

P ( X = x ) = q q q L q q p = q x −1 p P(X = 5) = q q qq p = q 4 p
15

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 =1
16
El experimento hipergeométrico es la probabilidad de
seleccionar x éxitos entre los k artículos denominados
éxitos y los n – x fracasos entre los N – k artículos
denominados fracasos cuando se selecciona una
muestra de tamaño n entre los N artículos.
N
N-k X ~ h (x, N, n, k)
k
x n-x
n

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

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:
⎧ ⎛⎜ k ⎞⎟ ⎛⎜ N − k ⎞⎟
⎪ ⎝x⎠ ⎝ n − x ⎠
⎪ x = 0,1, L , max( n , k )
h(x, N, n, k) = ⎨ ⎛⎜ N ⎞⎟
⎪ ⎝n⎠
⎪⎩ 0 en otro lugar

18
GENERALIZANDO: El total de muestras de tamaño n
⎛ N⎞
tomadas de N artículos es ⎜ n ⎟. Se supone que estas
⎝ ⎠
⎛k⎞
muestras son iguales. Hay ⎜ ⎟ formas de seleccionar x
⎝x⎠
éxitos de los k artículos que están disponibles y
para cada uno podemos seleccionar los n − x fracasos
⎛N − k⎞ ⎛ N⎞
⎜
en n − x ⎟ formas. Donde ⎜ n ⎟ son las muestras
⎝ ⎠ ⎛k⎞ ⎛N − k⎞ ⎝ ⎠ N
⎜ ⎟ ⎜ ⎟
posibles y x n − x las favorables. N-k
⎝ ⎠⎝ ⎠ k
x n-x
n 19

⎧ E[ X ] = np = n k
⎪
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 el factor de corrección. Este es
N −1
insignificante cuando n es pequeño comparado con N.
N−n
≈1
N −1
Si N es muy grande, el factor de corrección se convierte
N−n n n
en =1 − donde se denomina tasa de muestreo
N −1 N N
20
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.
X = número de químicos en el grupo
5F
3Q
⎛ 3⎞ ⎛5⎞
5 ⎜ ⎟ ⎜ ⎟
P(X = 0) = h(0,8,5,3) = ⎝ ⎠ ⎝ ⎠ =
0 5 1
⎛8⎞ 56
⎜ ⎟
⎛3⎞ ⎛ 5 ⎞ ⎝ 5⎠
⎜ ⎟ ⎜ ⎟
15
= ⎝ ⎠ ⎝ ⎠ =
P(X = 1) = h(1,8,5,3) 1 4
⎛ ⎞
8 56
⎜ ⎟
⎝ ⎠
5 21

⎛ 3⎞ ⎛5⎞
⎜ ⎟ ⎜ ⎟
⎝ 2 ⎠ ⎝ 3 ⎠ = 30
=P(X = 2) = h(2,8,5,3)
⎛8⎞ 56
⎜ ⎟
⎝5⎠
⎛3⎞ ⎛ 5 ⎞
⎜ ⎟ ⎜ ⎟
10
P(X⎝ 3=⎠ 3)⎝ 2=⎠h(3,8,5,3)
= =
⎛8⎞ 56
⎜ ⎟
⎝5⎠
⎛3⎞ ⎛ 5 ⎞
⎜ ⎟ ⎜ ⎟
⎝ x ⎠ ⎝5 − x ⎠
=P(X = x) = h(x,8,5,3)
⎛8⎞
⎜ ⎟
⎝5⎠
22
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.
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.

23

DEFINICION: La distribución de probabilidad de la variable

aleatoria de Poisson X, el número de éxitos que ocurren en un
intervalo de tiempo ó en una región especificada dada, es:

⎧ e - λ λx
⎪ x = 0, 1, 2, . . . , ∞
Po = p(x, λ ) = ⎨ x!
⎪
⎩ 0 en otro lugar

donde λ es el promedio de éxitos que ocurren en un intervalo de

tiempo ó en una región especifica dada y e = 2.71828 ...

24
 ⎧⎪ E[X ] = λ
X ∼ Po (λ) → ⎨
⎪⎩V[X ] = λ
Existen dos formas de obtener una distribución de
Poisson,

1. Considerarla en si misma como un proceso de

Poisson

2. Como límite de la distribución binomial cuando

n → ∞, p → 0 y λ = cte.

25

⎛ n ⎞ x n - x e - λ λx
p(x ) = lím ⎜ ⎟ p q =
n→∞
⎝x⎠ x!
p→0
np → λ

EJEMPLO: Un albañil tiene un promedio de colocación

de ladrillo por minuto. En 4 minutos, ¿cuál es la
probabilidad de que coloque:
a) exactamente 3 ladrillos?
α = λ t = 4 minutos → λ=4 → t = minutos
e − 4 4 x = 0,1954
P(X = 3) =
x!
26
 x
λ 3,10 3,20 3,30 3,40 3,50 3,60 3,70 3,80 3,90 4,00
0 0,0450 0,0408 0,0369 0,0334 0,0302 0,0273 0,0247 0,0224 0,0202 0,0183
1 0,1397 0,1304 0,1217 0,1135 0,1057 0,0984 0,0915 0,0850 0,0789 0,0733
2 0,2165 0,2087 0,2008 0,1929 0,1850 0,1771 0,1692 0,1615 0,1539 0,1465
3 0,2237 0,2226 0,2209 0,2186 0,2158 0,2125 0,2087 0,2046 0,2001 0,1954
4 0,1733 0,1781 0,1823 0,1858 0,1888 0,1912 0,1931 0,1944 0,1951 0,1954
5 0,1075 0,1140 0,1203 0,1264 0,1322 0,1377 0,1429 0,1477 0,1522 0,1563
6 0,0555 0,0608 0,0662 0,0716 0,0771 0,0826 0,0881 0,0936 0,0989 0,1042
7 0,0246 0,0278 0,0312 0,0348 0,0385 0,0425 0,0466 0,0508 0,0551 0,0595
8 0,0095 0,0111 0,0129 0,0148 0,0169 0,0191 0,0215 0,0241 0,0269 0,0298

27

λ
X 0 1 2 3 4 5 6 7
2,4 0,0907 0,3084 0,5697 0,7787 0,9041 0,9643 0,9884 0,9967
2,6 0,0743 0,2674 0,5184 0,7360 0,8774 0,9510 0,9828 0,9947
2,8 0,0608 0,2311 0,4695 0,6919 0,8477 0,9349 0,9756 0,9919
3 0,0498 0,1991 0,4232 0,6472 0,8153 0,9161 0,9665 0,9881
3,2 0,0408 0,1712 0,3799 0,6025 0,7806 0,8946 0,9554 0,9832
3,4 0,0334 0,1468 0,3397 0,5584 0,7442 0,8705 0,9421 0,9769
3,6 0,0273 0,1257 0,3027 0,5152 0,7064 0,8441 0,9267 0,9692
3,8 0,0224 0,1074 0,2689 0,4735 0,6678 0,8156 0,9091 0,9599
4 0,0183 0,0916 0,2381 0,4335 0,6288 0,7851 0,8893 0,9489

28
b) más de 3 ladrillos?
3 e− 4 4x
P(X > 3) = 1 – P(X ≤ 3) = 1 – ∑
x =0 x!
= 1 – 0,433 = 0,567

c) Indicar la función de cuantía utilizada y su recorrido

−4 x
Xx) = {0, 1, 2, …}
e 4
P(R
x!

29

De la distribución Hipergeométrica a la distribución Binomial

Por ejemplo N = 10000 y n = 10

n / N es pequeño

Dependencia (Hipergeométrica) → independencia (Binomial)

30
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?
⎛⎜ 8 ⎞⎟ ⎛⎜192 ⎞⎟ n 10
P(X =1) = ⎝ ⎠ ⎝
1 9 ⎠ = = 0.05
N – k = 192
⎛⎜ 200 ⎞⎟ N 200
k=8
n = 10 ⎝ 10 ⎠
8
p = = 0.04 → q = 1 - p = 0.96
200

P ( X = 1 ) = ⎜⎛ 10 ⎟⎞ (0.04 ) 1 (0.96 ) 9 = 0.277

⎝1⎠
31

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 se
defectuoso es p = 0.001. Si hay 4000 remaches
en el ala, ¿cuál es la probabilidad de que haya 6 ó
menos remaches defectuosos ?.
6
P ( X ≤ 6 ) = ∑ ⎛⎜ 4000 ⎟⎞ p x q4000 - x
x=0 ⎝
x ⎠
p→0 n→ ∞ y λ = n ⋅ p = 4000 ⋅ 0.001
6 e− 4 4x
P(X ≤ 6) = ∑ = 0.889
x =0 x
32