5.

DISTRIBUCIONES DE
PROBABILIDAD
DISCRETAS
1. Distribución hipergeométrica
2. Distribución Binomial
3. Distribución de Poisson
Mg. Ing. Luis Sakibaru

1
4. Distribuciones de probabilidad
 Variable aleatoria: es cualquier regla que relaciona un
número con cada resultado en el espacio muestral SS.

1. 0  P( y )  1 0  F ( x)  1
2.  P ( y ).= 1
to d a
Limx F ( x)  1
y
Limx F ( x)  0
FX ( x)  P( X  x)
 X  E ( X )   xf X ( x)  xP( X  x)
x x

f X ( x)  P( X  x)  X 2  E[( X   X ) 2 ]   ( x   X ) 2 P( X  x)
x

2
 DEFINICION
• la distribución HIPERGEOMÉTRICAes una de
las distribuciones de probabilidad discreta.

• Seutiliza para calcular la probabilidad de una

selección aleatoria de un objeto sinrepetición.
 Distribución hipergeométrica
 Se aplica cuando n > 0.1N
 El muestreo se hace sin reemplazo

 P(x,N,n,D) es la probabilidad de exactamente x

éxitos en una muestra de n elementos tomados de
una población de tamaño N que contiene D éxitos.
La función de densidad de distribución
hipergeométrica:
C xD C nNxD n!
P( x) C 
n

x!(n  x)!
N x
Cn
4
 Tomar una muestra sin reemplazo significa que
los elementos son tomados uno a uno, sin
devolverlo. Podemos concluir entonces que los
ensayos ya no pueden ser considerados
independientes porque la probabilidad de “éxito” al
tomar cada nuevo elemento es afectada por el
resultado de los ensayos anteriores debido a que la
cantidad de elementos de la población está
cambiando.

5
 FORMULA GENERAL

• N = Tamaño de población.
• n = Tamaño de muestra.
• C= Todos o cantidad de elementos que cumple
característica deseada.
• X= Cantidad de éxitos.
7
Distribución hipergeométrica

 La media y la varianza de la distribución

hipergeométrica son:
nD  nD  D  N  n 
    1  
2

N  N  N  N  1 

8
9
10
11
 EJEMPLO

• En una jaula hay 30 pericos rusos y 20

pericos chinos si extraemos 10 pericos al
azar calcular posibilidad de que 3 de ellos
hablen chino (característica deseada).
• Datos:
N = 50
n =10
C =20
X=3

INTERPRETACION:
La probabilidad de que me salgan 3 pericos me hablen chino es de 0.2259
Ejemplo: De un grupo de 20 productos, 10 se
seleccionan al azar para prueba. ¿Cuál es la
probabilidad de que 10 productos seleccionados
contengan 5 productos buenos? Los productos
defectivos son 5 en el lote.

N = 20, n = 10, D = 5, (N-D) = 15, x = 5

P(x=5) = 0.0183 = 1.83%  5!  15! 

  
P(5)      0.0183
5!0! 5!10!
20!
10!10!

14
 RECOMENDACIÓN:
• La distribución HIPERGEOMÉTRICA es
especialmente útil en todos aquellos casos en los
que se extraigan muestras o se realizan
experiencias repetidas sin devolución del
elemento extraído o sin retornar a la situación
experimental inicial.

CONCLUSIÓN:
 El número de repeticiones del experimento (n) es
constante.
 Las probabilidades asociadas a cada uno de los
resultados no son constantes.
Distribución binomial
 Se aplica para poblaciones grandes N>50 y
n<0.1N con p >= 0.1.

 El muestreo binomial es con reemplazo

 La binomial es una aproximación de la

hipergeométrica

 La distribución normal se aproxima a la

binomial cuando np > 5
16
La variable aleatoria X tiene una distribución binomial

 n x
f ( x)  P( X  x)    p (1  p) n  x x  0,1,..., n
 x

Tiene media y varianza.

E ( X )   X  np
V ( X )    np(1  p)
2
X

17
DISTRIBUCIÓN BINOMIAL
CINCO CONDICIONES:
(1) existe una serie de N ensayos;
(2) en cada ensayo hay sólo dos posibles
resultados (P [a favor] y Q [en contra]);
(3) en cada ensayo, los dos resultados
posibles son mutuamente excluyentes;
(4) los resultados de cada ensayo son
independientes entre sí, y
(5) la probabilidad de cada resultado posible
en cualquier ensayo es la misma de un
ensayo a otro.
 DISTRIBUCIÓN BINOMIAL
ENUMERACIÓN
Caso de una moneda o contestar una pregunta por azar:

Número de resultados clasificab les como caras 1

p(cara)    0.5
Cantidad total de resultados 2

Número de resultados clasificab les como cruces 1

p(cruz )    0.5
Cantidad total de resultados 2
DISTRIBUCIÓN BINOMIAL
Gráficos [1 moneda, p=0,50] (simetría, normalidad)
0,6
0,5 0,5
0,5

0,4

0,3

0,2

0,1

0
1 2
 DISTRIBUCIÓN BINOMIAL
Dos monedas o contestar dos preguntas por azar:
Posibles Moneda Moneda Número de
resultados 1ª 2ª resultados
1 Cara Cara 1
2 Cara Cruz 2
3 Cruz Cara
4 Cruz Cruz 1
Total de 4
resultados
¿Posibles resultados?
Número de resultados clasificab les como 2 caras 1
p(2 caras)  p(cara cara)    0.25
Cantidad total de resultados 4
Número de resultados clasificab les como 1 cara 2
p(1 cara)  p(cara cruz o cruz cara)    0.5
Cantidad total de resultados 4
Número de resultados clasificab les como 0 caras 1
p(0 caras)  p(cruz cruz )    0.25
Cantidad total de resultados 4
 DISTRIBUCIÓN BINOMIAL
Dos monedas o contestar dos preguntas por azar:
Regla del producto: p(1 cara) = p(cara cruz o cruz cara)
p(cara cruz) =
p(cara en la primera moneda y cruz en la segunda moneda)=
p(cara en la primera moneda)p(cruz en la segunda moneda)=
½(½)=¼
p(cruz cara) =
p(cruz en la primera moneda y cara en la segunda moneda)=
p(cruz en la primera moneda)p( cara en la segunda moneda)=
½(½)=¼

Regla de la suma:
p(1 cara) = p(cara cruz o cruz cara) =
p(cara cruz) + p(cruz cara) = 14  14  2 4  0.5
DISTRIBUCIÓN BINOMIAL
Gráficos [2 monedas, p=0,50] (simetría, normalidad)
0,6
0,5
0,5

0,4

0,3 0,25 0,25

0,2

0,1

0
1 2 3
 DISTRIBUCIÓN BINOMIAL
Tres monedas o contestar tres preguntas por azar:
Posibles Moneda Moneda Moneda Número de
resultados 1ª 2ª 3ª resultados
1 Cara Cara Cara 1
2 Cara Cara Cruz
3 Cara Cruz Cara 3
4 Cruz Cara Cara
5 Cruz Cruz Cara
6 Cruz Cara Cruz 3
7 Cara Cruz Cruz
8 Cruz Cruz Cruz 1
Total de
8
resultados

¿Posibles resultados?
 DISTRIBUCIÓN BINOMIAL
Tres monedas o contestar tres preguntas por azar:

1
p(3 caras) =8= 0,1250
3
p(2 caras) =8= 0,3750
3
p(1 cara) = = 0,3750
8
1
p(0 caras) =8= 0,1250
DISTRIBUCIÓN BINOMIAL
Gráficos [3 monedas, p=0,50] (simetría, normalidad)
DISTRIBUCIÓN BINOMIAL
Gráficos [6 monedas, p=0,50] (simetría, normalidad)
DISTRIBUCIÓN BINOMIAL
Gráficos [12 monedas, p=0,50] (simetría, normalidad)
 DISTRIBUCIÓN BINOMIAL
ECUACIÓN
Desarrollo binomial: (P + Q)N
 Letras de cada término (P o PQ o Q): tipos de
eventos que componen el resultado;
 Exponente de cada letra: cuántos de ese tipo
de eventos hay en el resultado; y
 Coeficiente de cada término: cuántas formas
existen de obtener el resultado.

Para N=2  (P + Q)2 = P2 + 2P1Q1 + Q2

DISTRIBUCIÓN BINOMIAL
Desarrollo binomial: (P + Q)N
(P + Q)N  (P + Q)2 = P2 + 2P1Q1 + Q2
• p(2 caras) = P2 = (0,50)2 = 0,2500
• p(1 cara) = 2P1Q1 = 2(0,50)(0,50) = 0,5000
• p(0 caras) = Q2 = (0,50)2 = 0,2500
 DISTRIBUCIÓN BINOMIAL
Desarrollo binomial: (P + Q)N
Para N=3  (P +Q)3 = P3 + 3P2Q + 3PQ2 + Q3
• p(3 caras) = P3 = (0,50)3 = 0,1250
• p(2 caras) = 3P2Q = 3(0,50)2(0,50) = 0,3750
• p(1 cara) = 3PQ2 = 3(0,50)(0,50)2 = 0,3750
• p(0 caras) = Q3 = (0,50)3 = 0,1250

Ecuación generalizada (P + Q)N

N N 1 N ( N  1) N 2 2 N ( N  1)( N  2) N 3 3
P  Q   P  P Q 
N N
P Q  P Q  ...  Q N
1 1(2) 1(2)(3)
DISTRIBUCIÓN BINOMIAL
Desarrollo binomial: (P + Q)N cuando P=0,20 y Q=0,80
(P + Q)N  (P +Q)3= P3 + 3P2Q + 3PQ2 + Q3
• p(3 aciertos) = P3 = (0,20)3 = 0,008
• p(2 aciertos) = 3P2Q = 3(0,20)2(0,80) = 0,096
• p(1 acierto) = 3PQ2 = 3(0,20)(0,80)2 = 0,384
• p(0 aciertos) = Q3 = (0,80)3 = 0,512
DISTRIBUCIÓN BINOMIAL
Desarrollo binomial: (P + Q)N cuando P=0,25 y Q=0,75
(P + Q)N  (P +Q)3= P3 + 3P2Q + 3PQ2 + Q3
• p(3 aciertos) = P3 = (0,25)3 = 0,015625
• p(2 aciertos) = 3P2Q = 3(0,25)2(0,75) = 0,140625
• p(1 acierto) = 3PQ2 = 3(0,25)(0,75)2 = 0,421875
• p(0 aciertos) = Q3 = (0,75)3 = 0,421875
DISTRIBUCIÓN BINOMIAL
n! r nr
p ( r , n)  p q
n  r !r!
Donde
n = número de intentos o experimentos
r = número de éxitos obtenidos
p = probabilidad a favor
q = probabilidad en contra
 DISTRIBUCIÓN BINOMIAL
n! r nr
p ( r , n)  p q
n  r !r!
Suponiendo que N = 6 preguntas del tipo
verdadero/falso, calcular la probabilidad de contestar
correctamente al azar a 3, siendo p = 0,25.
6!
p(3,6)   0,253  0,753
6  3!3!
6  5  4  3  2 1
p(3,6)   0,253  0,753
3  2  1  3  2  1
 DISTRIBUCIÓN BINOMIAL
n! r nr
p ( r , n)  p q
n  r !r!
Suponiendo que N = 6 preguntas del tipo
verdadero/falso, calcular la probabilidad de contestar
correctamente al azar a 3, siendo p = 0,25.
720
p(3,6)   0,253  0,753  20  0,015625  0,421875
36

p(3,6)  0,132
 DISTRIBUCIÓN BINOMIAL
n! r nr
p ( r , n)  p q
n  r !r!
Suponiendo que N = 10 preguntas del tipo
verdadero/falso, calcular la probabilidad de contestar
correctamente al azar a 6, siendo p = 0,20.
Distribución Binomial
Supongamos que un experimento aleatorio tiene las siguientes
características:

•En cada prueba del experimento sólo son posibles dos resultados:
el suceso A (éxito) y su contrario Ā (fracaso).
•El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
•La probabilidad del suceso A es constante, la representamos
por p, y no varía de una prueba a otra. La probabilidad de
Ā es 1- p y la representamos por q .

El experimento consta de un número n de pruebas.

Todo experimento que tenga estas características diremos que sigue el
modelo de la distribución Binomial. A la variable X que expresa el número
de éxitos obtenidos en cada prueba del experimento, la llamaremos variable
aleatoria binomial.
 Distribución Binomial
La variable binomial es una variable aleatoria discreta, sólo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener k-éxitos y
(n-k) fracasos debemos calcular éstas por combinaciones (número
combinatorio n sobre k).

Se suele representar por B(n,p) siendo n y p los parámetros de dicha

distribución.

Función de probabilidad de la distribución Binomial

o también denominada función de la distribución de Bernoulli (para n=1).
Verificándose: 0  p  1

Probabilidad de obtener K éxitos

n k nk
p( X  k )     p q
k
Distribución Binomial
Parámetros de la Distribución Binomial

Función de Distribución de la variable aleatoria Binomial

n 0 n n 1 n 1 n k nk
F ( x1 )  p( X  x1 )     p q   p q  ....     p q
0 1 k
Siendo K el mayor número entero menor o igual a xi

Esta función de distribución proporciona, para cada número real xi, la

probabilidad de que la variable X tome valores menores o iguales que xi.
Distribución Binomial
Resumen Distribución Binomial
Sea X una variable aleatoria discreta correspondiente a una distribución
binomial.
Distribución Binomial
Ejemplo
La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la
probabilidad de que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad

Solución :
Se trata de una distribución binomial de parámetros B(15, 0'72)
 DISTRIBUCIÓN BINOMIAL
n! r nr
p ( r , n)  p q
n  r !r!
Suponiendo que N = 40 preguntas objetivas de 4
opciones de respuesta cada una, de las cuales sólo una
es correcta, calcular la probabilidad de contestar
correctamente a 20 al azar. p=¿?
Distribución de Poisson
 Se utiliza para modelar datos discretos

 Se aproxima a la binomial cuando p es

igual o menor a 0.1, y el tamaño de
muestra es grande (n > 16) por tanto np
> 1.6

45
 Distribución de Poisson

Una Variable aleatoria X tiene distribución Poisson si

toma probabilidades con.


e  x
f ( x)  x  0,1,...
x!
  np
    np

46
DISTRIBUCION DE POISSON
¿Cuándo usar esta distribución?
• Útil para la ocurrencia de eventos por unidad de
tiempo: errores/mes, quejas/semana, defectos/día.
• Para su aplicación, la probabilidad de ocurrencia del
evento debe ser constante en tiempo o espacio y debe
haber independencia de ocurrencia de eventos.
• También se puede usar como una aproximación de la
distribución binomial, cuando el valor de n* es menor
que 5 lo que implica tener muestras grandes y valores
de  pequeños.
• Cuando  está en función del tiempo se debe
multiplicar ese valor de  por el número de unidades
de tiempo, sea que se habla en este caso de =t.
47
DISTRIBUCION DE POISSON
FORMULAS
Función densidad Funcion densidad
x ( t ) x  t
p ( x,  )  * e  p ( x, t )  *e
x! x!
Función acumulada Funcion acumulada
X X
P ( x,  )   p ( xi ,  ) P ( x, t )   p ( xi , t )
i 1 i 1

Valor esperado de la media Valor esperado de la media

    t
Valor esperado de la var ianza Valor esperado de la var ianza
 
2  2
 t
48
DISTRIBUCION DE POISSON

Forma de
la curva

49
DISTRIBUCION DE POISSON
¿Cómo usar las tablas?
Para usar las tablas se sigue este procedimiento:
• Asegurar que la variable sigue un comportamiento
Poisson (prueba de bondad de ajuste).
• Se identifican los valores de n,  y x o el valor de 
si este es dado.
• Se determina el valor de  multiplicando n por ,
en el caso de una aproximación a la binomial.
• En el caso de probabilidades puntuales, se localiza
el valor de x en la columna de la izquierda y el
valor de  o  (media de la distribución de
Poisson) en la parte superior de la tabla.
50
DISTRIBUCION DE POISSON
¿Cómo usar las tablas?
• En el caso de probabilidades acumuladas, se
localiza el valor de  en la columna de la izquierda
y el valor de x en la parte superior de la tabla.
• El valor de la probabilidad es el valor que interseca
al valor de x con el valor de . Esto se muestra en
el siguiente segmento de la tabla. Por ejemplo si
=3.2, x=7, la respuesta es 0.0278.


51
DISTRIBUCION DE POISSON
EJEMPLO 3
Una compañía vende productos en metros y
se ha caracterizado por tener una tasa
promedio de 4 defectos por cada 200
metros. Si se compran 80 metros, ¿cuál es
la probabilidad de que haya:
1. dos defectos?
2. más de cuatro defectos?

52
DISTRIBUCION DE POISSON
SOLUCION
1. dos defectos?
P(x=2) para n=80. El valor de  es (4/200)*80 =
1.6 defectos. Se usa la tabla densidad de Poisson
con x=2, por lo que el resultado es:
P(x=2)=p(2,1.6)=0.2584
Se puede usar también la tabla Poisson acumulada
con =1.6 defectos.
P(x=2)= P(x2) – P(x1) = P(2,1.6)- P(1,1.6)
P(X=2)=0.783-0.525 = 0.258
La probabilidad de que haya dos defectos es
0.2584.
53
DISTRIBUCION DE POISSON
SOLUCION
• También a manera de ejemplo se puede usar la
fórmula correspondiente, así:
2
1.6
p(2,1.6)  * e 1.6  0.2584
2!

La probabilidad de que haya dos defectos es

0.2584.

54
DISTRIBUCION DE POISSON
SOLUCION
2. más de cuatro defectos?
P(x>4) = 1- P(x4)= 1- P(4,1.6)= 1-0.976=0.024
Se usa la tabla de Poisson acumulada con =1.6
defectos.
P(x4)= 0.976
La probabilidad de que haya más de cuatro
defectos es 0.024.

55
DISTRIBUCION DE POISSON

EJEMPLO 4
Una compañía de ventas por teléfono recibe llamadas
a razón de 5 por segundo. ¿Cuál es la
probabilidad de que reciba:
1. tres llamadas en un segundo?
2. más de cuatro llamadas en dos segundos?

56
DISTRIBUCION DE POISSON
SOLUCION
1. El valor de  es 5 llamadas por segundo y el de x es 3
llamadas en un segundo. Se usa la tabla densidad. Así:
P(x=3)=p(3,5)=0.1404
Se puede usar también la tabla Poisson acumulada de
=5 llamadas por segundo.
P(x=3)= P(x3) – P(x2) = 0.265-0.125 = 0.14
La probabilidad de que haya dos defectos es 0.1404.
2. El valor de  es 5*2=10 llamadas por segundo y el
de x>4 llamadas por segundo. Se usa la tabla Poisson
acumulada de =10 llamadas por segundo.
P(x>4)= 1- P(x4) = 1- 0.029 = 0.971
La probabilidad de que haya dos defectos es 0.971.
57
58
59
DISTRIBUCION
DE POISSON
DENSIDAD
TABLAS
PARA P(X=…)

60
DISTRIBUCION
DE POISSON
ACUMULADA
TABLAS

61