UNIDAD V

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

5.1 Distribucin binomial.

5.2 Distribucin multinomial.
5.3 Distribucin hipergeomtrica
5.3.1 Aproximacin de la hipergeomtrica por la binomial.
5.4 Distribucin binomial negativa.
5.5 Distribucin geomtrica.
5.6 Distribucin de Poisson.
5.7 Aproximacin de la binomial por la de Poisson.
5.8 Distribucin uniforme (discreta).

Competencias
Especfica:
Identifica las funciones de distribucin de probabilidad discretas para la solucin de
problemas de aplicacin en ingeniera industrial y logstica.
Genricas:
Capacidad de anlisis y sntesis.
Solucin de Problemas.
Habilidad para bsqueda de informacin.
Capacidad para trabajar en equipo.
Comunicacin oral y escrita.
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

5.1 Distribucin binomial

Un experimento a menudo consiste en pruebas repetidas, cada una con dos posibles
resultados que se pueden etiquetar como xito o como fracaso. La aplicacin ms obvia
tiene que ver con la prueba de artculos a mediad que salen de una lnea de montaje,
donde cada prueba o experimento pueden indicar si un artculo est defectuoso o no.
Podemos definir cualquiera de los resultados como xito. Se puede considerar la
extraccin sucesiva de cartas de una baraja ordinaria y cada prueba se etiqueta como
xito o fracaso, dependiendo de si la carta es de corazones o no. Si cada carta se
reemplaza y el paquete se baraja antes de la siguiente extraccin, los dos experimentos
recin descritos tienen propiedades similares, pues los ensayos que se repiten son
independientes y la probabilidad de xito permanece constante entre cada uno de ellos. El
proceso se denomina procesos de Bernoulli. Cada ensayo se llama experimento de
Bernoulli.

Proceso de Bernoulli.
Si se habla con exactitud, el proceso de Bernoulli debe tener las siguientes propiedades:
1. El experimento consiste en n pruebas que se repiten.
2. Cada prueba produce un resultado que se puede clasificar como xito o fracaso.
3. La probabilidad de un xito, que se denota con p, permanece constante en cada
prueba.
4. Las pruebas que se repiten son independientes.

Considere el conjunto de experimentos de Bernoulli en el que se seleccionan tres artculos

al azar de un proceso de ensamblaje, se inspeccionan y se clasifican como defectuosos o
no defectuosos. Un artculo defectuoso se designa como un xito. El nmero de xitos es
una variable aleatoria que toma valores integrales de cero a 3. Los ocho resultados
posibles y los valores correspondientes de son:

Resultado
NNN 0
NDN 1
NND 1
DNN 1
NDD 2
DND 2
DDN 2
DDD 3

Como los artculos se seleccionan de manera independiente de un proceso que

supondremos produce 25% de artculos defectuosos,

3 1 3 9
P( NDN ) P( N ) P( D) P( N ) .
4 4 4 64

M. C. FCO. JAVIER REYES CONTRERAS 1

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Clculos similares dan las probabilidades para los dems resultados posibles. La
distribucin de probabilidad de es por tanto

x 0 1 2 3
f (x) 27 27 9 1
64 64 64 64

El nmero X de xitos en n experimentos de Bernoulli se denomina variable aleatoria

binomial. La distribucin de probabilidad de esta variable aleatoria discreta se llama
distribucin binomial, y sus valores se denotarn como b( x; n, p) , pues dependen del
nmero de pruebas y de la probabilidad de xito en una prueba dada. De esta forma, para
la distribucin de probabilidad de X, el nmero de defectuosos es,

9
P( X 2) f (2) b(2; 3, 1 ) .
4 64

Generalicemos ahora la ilustracin anterior para obtener una frmula para (; , ). Es

decir, deseamos encontrar una frmula que d la probabilidad de xitos en pruebas
para un experimento binomial.

Distribucin binomial
Un experimento de Bernoulli puede tener como resultado un xito con una probabilidad p
y un fracaso con una probabilidad = 1 . Entonces la distribucin de probabilidad de
la variable aleatoria binomial X , el nmero de xitos en n pruebas independientes, es

n
b( x; n, p) p x q n x , x 0, 1, 2, . . . , n.
x

Ntese que cuando n 3 y p 1/ 4 , la distribucin de probabilidad de X , el nmero de

defectuosos, se puede escribir como

3 x
1 3 1
x
3
b x; 3, , x 0, 1, 2, 3
4 x 4 4

en lugar de la frmula tabular anterior.

La distribucin binomial deriva su nombre del hecho de que los n 1 trminos en la
expansin binomial de (q p)n corresponden a los diversos valores de b( x; n, p) para
x 0, 1, 2 ,, n . Es decir

M. C. FCO. JAVIER REYES CONTRERAS 2

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

n n n n
(q p) n q n pq n 1 p n 2 p n
0 1 2 n

b(0; n, p) b(1; n, p) b(2; n, p) (n; n, p)

Como p q 1 vemos que

n

b( x; n, p) 1
x0

condicin que debe ser vlida para cualquier distribucin de probabilidad.

Con frecuencia, nos interesamos en problemas donde se necesita encontrar P( X r ) o
P(a X b). Por fortuna, disponemos de las sumas binomiales

r
B(r; n, p) b( x; n, p)
x 0

y se dan en la tabla A.1 del apndice para n 0, 1, , 20 , y para valores seleccionados

de p entre 0.1 y 0.9.

Como la distribucin de probabilidad de cualquier variable aleatoria binomial depende

slo de los valores que toman los parmetros , , y , parecera razonable suponer que
la media y la varianza de una variable aleatoria binomial tambin dependen de los valores
que toman estos parmetros. En realidad, esto es cierto, y en el teorema siguiente se
derivan las frmulas generales como funciones de , , y que se pueden utilizar para
calcular la media y la varianza de cualquier variable aleatoria binomial.

Teorema 1
La media y la varianza de la distribucin binomial b( x; n, p) son

np y 2 npq

5.2 Distribucin multinomial

El experimento binomial se convierte en un experimento multinomial si cada prueba tiene
ms de dos resultados posibles. Por ello la clasificacin de un producto fabricado como
ligero, pesado o aceptable y el registro de los accidentes en cierto crucero de acuerdo con
el da de la semana constituyen experimentos multinomiales. Extraer una carta de una
baraja con reemplazo tambin es un experimento multinomial si los cuatro palos son los
resultados de inters.
En general, si una prueba dada puede tener como consecuencia cualquiera de los
resultados posibles, 1 , 2 , , con probabilidades 1 , 2 ,, , entonces la distribucin

M. C. FCO. JAVIER REYES CONTRERAS 3

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

multinomial dar la probabilidad de que 1 ocurra 1 veces; 2 ocurra 2 veces;; y

ocurra veces en pruebas independientes, donde

1 + 2 + + =

Denotaremos esta probabilidad conjunta como

(1 , 2 , , : 1 , 2,. , )

Claramente, 1 + 2 + + = 1, pues el resultado de cada prueba debe ser uno de los

resultados posibles.
Para derivar la frmula general, procedemos como en el caso de la binomial. Como las
pruebas son independientes, cualquier orden especificado que produzca 1 resultados

para 1 , 2 para 2 ,, para ocurrir con probabilidad 1 1 2 2 . El nmero total
de rdenes que den resultados similares para las pruebas es igual al nmero de
particiones de pruebas en grupos con 1 en el primer grupo; 2 en el segundo
grupo;; y en el -simo grupo. Esto se puede hacer en

!
( , , , ) =
1 2 1 ! 2 ! !

Formas. Como todas las particiones son mutuamente excluyentes ocurren con igual
probabilidad, obtenemos la distribucin multinomial al multiplicar la probabilidad para un
orden especfico por el nmero total de particiones.

Distribucin multinomial
Si una prueba dada puede conducir a los resultados 1 , 2 , , con probabilidad
1 , 2,, , entonces la distribucin de probabilidad de las variables aleatorias
1 , 2 , , , que representan el nmero de ocurrencias para 1 , 2 , , en pruebas
independientes es

(1 , 2 , , ; 1 , 2 ,, , ) = ( , , , ) 1 1 2 2
1 2

con

= y = 1
=1 =1

La distribucin multinomial deriva su nombre del hecho que los trminos de la expansin
multinomial (1 + 2 + + ) corresponden a todos los posibles valores de

(1 , 2 , , ; 1 , 2 ,, , )

M. C. FCO. JAVIER REYES CONTRERAS 4

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

5.3 Distribucin hipergeomtrica

La manera ms simple de ver la diferencia entre la distribucin binomial del tema anterior
y la distribucin hipergeomtrica est en la forma de realizar el muestreo. Los tipos de
aplicaciones de la distribucin hipergeomtrica don muy similares a la de la binomial. Nos
interesamos en el clculo de las probabilidades para el nmero de observaciones que caen
en una categora particular. Pero en el caso de la binomial, se requiere la independencia
entre las pruebas. Como resultado, si se aplica la binomial a, digamos, tomar muestras de
un lote de artculos (barajas, lotes de artculos producidos) el muestreo se debe efectuar
con reemplazo de cada artculo despus que se observe. Por otro lado, la distribucin
hipergeomtrica no requiere independencia y se basa en el muestreo que se realiza sin
reemplazo.
Las aplicaciones de la distribucin hipergeomtrica se encuentran en muchas
reas, con gran uso en muestreo de aceptacin, pruebas electrnicas y garanta de
calidad. Obviamente, para muchos de estos campos el muestreo se realiza a expensas del
artculo que se prueba. Es decir, el artculo se destruye y por ello no se puede reemplazar
en la muestra. As, el muestreo sin reemplazo es necesario. Utilizamos un ejemplo simple
con barajas para ilustracin.
Si deseamos encontrar la probabilidad de observar tres cartas rojas en cinco
extracciones de una baraja ordinaria de 52 cartas, la distribucin binomial del tema
anterior no se aplica a menos que cada carta se reemplaza y que el paquete se baraje
antes de que se extraiga la siguiente carta. Para resolver el problema de muestrear sin
reemplazo, replanteamos el problema. S se sacan cinco cartas al azar, nos interesamos en
la probabilidad de seleccionar tres cartas rojas de las 26 disponibles y dos negras de las 26
26
cartas negras que dispone la baraja. Hay ( ) formas de seleccionar tres cartas rojas, y
3
26
para cada una de estas formas podemos elegir dos cartas negras de ( ) maneras. Por
2
tanto, el nmero total de formas de seleccionar tres cartas rojas y dos negras en cinco
26 26
extracciones es el producto ( ) ( ). El nmero total de formas de seleccionar
3 2
52
cualesquiera cinco cartas de las 52 disponibles es ( ). Por ello, la probabilidad de
5
seleccionar cinco cartas sin reemplazo de las cuales tres sean rojas y dos negras esta dada
por
26 26
( ) ( ) ( 26! )( 26! )
3 2 = 3! 23! 2! 24! = 0.3521
52 52!
( ) ( )
5 5! 47!

En general, nos interesa la probabilidad de seleccionar xitos de artculos

considerados como xito y fracasos de artculos que se consideran fracasos
cuando se seleccion de una muestra aleatoria de tamao de artculos. Esto se
conoce como experimento hipergeomtrico; es decir, uno que posee las siguientes
propiedades:

1. Se selecciona sin reemplazo una muestra aleatoria de tamao de artculos.

M. C. FCO. JAVIER REYES CONTRERAS 5

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

2. de los artculos se pueden clasificar como xitos y se clasifican como

fracasos

El nmero de xitos de un experimento hipergeomtrico se denomina variable

aleatoria hipergeomtrica. En consecuencia, la distribucin de probabilidad de la variable
hipergeomtrica, se llama distribucin hipergeomtrica, y sus valores se denotan como
(; , , ) debido a que dependen del nmero de xitos de en el conjunto del que
seleccionamos artculos.

Distribucin hipergeomtrica
La distribucin de probabilidad de la variable aleatoria hipergeomtrica , el nmero de
xitos en una muestra aleatoria de tamao que se selecciona de artculos de los que
se denomina xito y fracaso es

(
)( )
(; , , ) = , = 0, 1, 2, ,
()

Teorema 2
La media y la varianza de la distribucin hipergeomtrica (; , , ) son

= y 2 = (1 )
1

5.3.1 Relacin con la distribucin binomial

Hay una relacin interesante entre la distribucin hipergeomtrica y la binomial. Como se
podra esperar, si es pequeo comparado con , la naturaleza de los artculos cambia
muy poco en cada prueba. As la cantidad / juega el papel del parmetro binomial .
Como consecuencia, la distribucin binomial se puede ver como una versin de poblacin
grande de las distribuciones hipergeomtricas. La media y la varianza entonces se
obtienen de las frmulas

= = y 2 = = (1 )

Al comparar estas frmulas con las del teorema 3, vemos que la media es la misma
mientras que la varianza difiere por un factor de correccin ( )/(( 1), que es
insignificante cuando es pequea en relacin con .

5.4 Distribucin binomial negativa

Consideremos un experimento donde las propiedades son las mismas que las que se
indican en un experimento binomial, con la excepcin de que las pruebas se repetirn
hasta que ocurra un nmero fijo de xitos. Por tanto, en lugar de encontrar la
probabilidad de xitos en pruebas, donde es fija, nos interesamos ahora en la

M. C. FCO. JAVIER REYES CONTRERAS 6

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

probabilidad de que ocurra -simo xito en la -sima prueba. Los experimentos de este
tipo se llaman experimentos binomiales negativos.
Como ejemplo considere el uso de un medicamento que se sabe es efectivo en 60% de los
casos que se utiliza. El uso del medicamento se considerar un xito si es efectivo al
proporcionar algn grado de alivio del paciente. Nos interesa encontrar la probabilidad de
que el quinto paciente que experimente alivio sea el sptimo paciente en recibir el
medicamento en una semana dada. Designemos con y fracaso con , un orden posible c
de alcanzar el resultado que se desea es , que ocurre con probabilidad

(0.6)(0.4)(0.6)(0.6)(0.6)(0.4)(0.6) = (0.6)5 (0.4)2

Podramos listar todas las posibles rdenes mediante el reacomodo de la y las excepto
para el ltimo resultado, que debe ser el quinto xito. El nmero total de rdenes posibles
es igual al nmero de particiones de las primeras seis pruebas en dos grupos con dos
fracasos asignados a un grupo y los cuatro xitos asignados al otro grupo. Esto se puede
6
realizar de ( ) = 15 formas mutuamente excluyentes.
4
De aqu, si representa el resultado, en el que ocurre el quinto xito, entonces

6
( = 7) = ( ) (0.6)2 (0.4)2 = 0.1866
4

El nmero de pruebas que produce xitos en un experimento binomial negativo se

llama variable aleatoria binomial negativa y su distribucin de probabilidad se llama
distribucin binomial negativa. Como sus probabilidades dependen del nmero de xitos
que se desean y la probabilidad de un xito en una prueba dada, la denotaremos con el
smbolo (; , ). Para obtener la frmula general para (; , ), considere la
probabilidad de un xito en la -sima prueba precedida por 1 xitos y fracasos
en un orden especfico. Como las pruebas son independientes, podemos multiplicar todas
las probabilidades que corresponden a cada resultado que se desea. Cada xito ocurre con
probabilidad y cada fracaso con = 1 . Por tanto, la probabilidad para el orden
especfico, que termina en xito, es

1 =

El nmero total de puntos mustrales en el experimento que termina en un xito.

Despus de la ocurrencia de 1 xitos y fracasos en cualquier orden es igual al
nmero de particiones 1 pruebas en dos grupos 1 xitos que corresponden a un
grupo y fracasos que corresponden al otro grupo. Este nmero se especfica con el
1
trmino ( ), cada uno es mutuamente excluyente y ocurre con igual probabilidad
1
1
. Obtenemos la frmula general al multiplicar por ( ).
1

M. C. FCO. JAVIER REYES CONTRERAS 7

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Distribucin binomial negativa

Si pruebas independientes repetidas pueden tener como resultado un xito con
probabilidad y un fracaso con probabilidad = 1 , entonces la distribucin de
probabilidad de la variable aleatoria , el nmero de la prueba en la que ocurre el -
simo xito, es

1
(; , ) = ( ) = , + 1, + 2,
1

La distribucin binomial negativa deriva su nombre del hecho de que cada trmino de la
expansin de (1 ) corresponde a los valores de (; , ) para = , +
1, + 2,

5.5 Distribucin geomtrica

Si consideramos el caso especial de la distribucin binomial negativa donde = 1,
tenemos una distribucin de probabilidad para el nmero de pruebas que se requiene par
aun slo xito. Un ejemplo sera lanzar una moneda hasta que salga una cara. Nos
podemos interesar en la probabilidad de que ocurra la primera cara en el cuarto
lanzamiento. La distribucin de probabilidad negativa se reduce a la forma

(; 1, ) = 1 , = 1, 2, 3,

Como los trminos sucesivos una progresin geomtrica, se acostumbra a referirse a este
caso especial como la distribucin geomtrica y denotar sus valores (; ).

Distribucin geomtrica
Si pruebas independientes repetidas pueden tener como resultado un xito con
probabilidad y un fracaso con probabilidad = 1 , entonces la distribucin de
probabilidad de la variable aleatoria , el nmero de la prueba en el que ocurre el primer
xito, es

(; ) = 1 , = 1, 2, 3,

5.6 Distribucin de Poisson

Los experimentos que dan valores numricos de una variable aleatoria X , el nmero de
resultados que ocurren durante un intervalo dado o en una regin especfica, se llaman
experimentos de Poisson. El intervalo dado puede ser de cualquier longitud, como un
minuto, un da, una semana, un mes o incluso un ao. Por ello un experimento de Poisson
puede generar observaciones para la variable aleatoria X que representa el nmero de
llamadas telefnicas por hora que recibe una oficina, el nmero de das que la escuela
permanece cerrada debido a la nieve durante el invierno o el nmero de juegos
suspendidos debido a la lluvia durante la temporada de bisbol. La regin especfica

M. C. FCO. JAVIER REYES CONTRERAS 8

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

podra ser un segmento de lnea, un rea o quiz una pieza de material. En tales casos X
puede representar el nmero de ratas de campo por acre, el nmero de bacterias en un
cultivo o el nmero de errores mecanogrficos por pgina.

Propiedades del proceso de Poisson

1. El nmero de resultados que ocurren en un intervalo o regin especfica es
independiente del nmero que ocurre en cualquier otro intervalo o regin del espacio
disjunto. De este modo vemos que el proceso de Poisson no tiene memoria.
2. la probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en
una regin pequea es proporcional a la longitud del intervalo o al tamao de la regin
y no depende del nmero de resultados que ocurren fuera de este intervalo o regin.
3. La probabilidad de que ocurra ms de un resultado en el intervalo corto o que caiga en
la regin pequea es insignificante.

El nmero X de resultados que ocurren en un experimento de Poisson se llama variable

aleatoria de Poisson y su distribucin de probabilidad se llama distribucin de Poisson. El
nmero medio de resultados se calcula de t , donde t es el tiempo o regin
especfico de inters. Como sus probabilidades dependen de , la tasa de ocurrencia de
los resultados, las denotaremos con el smbolo P( x; t ) . El siguiente concepto se utiliza
para calcular probabilidades de Poisson.

Distribucin de Poisson
La distribucin de la variable aleatoria de Poisson X , que representa el nmero de
resultados que ocurren en un intervalo dado o regin especfica que se denota con t , es

e t (t ) x
p( x; t ) , x 0, 1, 2, ,
x!

donde es el nmero promedio de resultados por unidad de tiempo o regin y

e 2.71828

La tabla A.2 contiene la suma de la probabilidad de Poisson

r
P(r; t ) p( x; t )
x 0

para algunos valores de t que van de 0.1 a 18.

Como la distribucin binomial, la distribucin de Poisson se utiliza para control de calidad,

seguro de calidad y muestreo de aceptacin. Adems, ciertas distribuciones continuas
importantes que se usan en la teora de confiabilidad y teora de colas dependen del
proceso se Poisson

M. C. FCO. JAVIER REYES CONTRERAS 9

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Teorema 3
La media y la varianza de la distribucin de Poisson p(; t ) tienen el valor t.

5.7 Aproximacin de la binomial por la de Poisson

Debe ser evidente de los tres principios del proceso de Poisson de que la distribucin de
Poisson se relaciona con la distribucin binomial. Aunque la de Poisson por lo general
encuentra aplicaciones en problemas de espacio y tiempo, aun as se puede ver como una
forma limitante de la distribucin binomial. En el caso de la binomial, si es grande y es
pequea, las condiciones comienzan a simular las implicaciones de espacio continuo o
regin temporal del proceso de Poisson. La independencia entre las pruebas de Bernoulli
en el caso binomial es consistente con la propiedad 2 del proceso de Poisson. Si se hace el
parmetro cercano a cero se relaciona con la propiedad 3. En realidad, derivemos ahora
la distribucin de Poisson como forma limitante de la distribucin binomial cuando
, 0, y permanece constante. De aqu, si es grande y cercana a 0. Se
puede usar la distribucin de Poisson, con = , para aproximar probabilidades
binomiales. Si esta cercana a 1, aun podemos utilizar la distribucin de Poisson para
aproximar las probabilidades binomiales mediante el intercambio de lo que definimos
como xito y fracaso, cambiamos con ello a un valor cercano a 0.

Teorema 4
Si una variable aleatoria binomial con distribucin de probabilidad (; , ). Cuando
, 0, y = permanece constante,

(; , ) (; )

5.8 Distribucin uniforme discreta

La variable aleatoria discreta ms sencilla, es aquella que tomo slo un nmero finito de
valores posibles , cada uno con la misma probabilidad. Ella se denomina valores
entonces de la variable aleatoria discreta uniforme y su distribucin uniforme discreta
est dada por:

1
() =

Para una variable aleatoria discreta uniforme , que puede tomar valores 1,2, , , la
media est dada por
+1
= () =
2

y su desviacin estndar

M. C. FCO. JAVIER REYES CONTRERAS 10

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

2 1
=
12
Caractersticas
En la distribucin de probabilidad uniforme discreta, la variable aleatoria toma cada
uno de sus valores con idntica probabilidad.
El parmetro de distribucin de probabilidad uniforme discreta, viene dada por la
inversa de los valores que puede tomar la variable aleatoria.
La variable aleatoria que describe el nmero de caras obtenidas al lanzar dos monedas
legales sigue una probabilidad de distribucin uniforma.
La media de una variable aleatoria discreta uniforme, (; ) siempre coincide con
uno de los valores de la misma observados en el experimento.
La varianza de una variable aleatoria discreta uniforme (; ) no depende del
nmero de valores que puede tomar la variable.

M. C. FCO. JAVIER REYES CONTRERAS 11