DISTRIBUCIONES DE PROBABILIDAD

PRIMERA PARTE

Prof. José Alexy Moros Briceño

JAMB
 CONTENIDO

Introducción…………………………………………………………………………........ 3
Uniforme…………………………………………………………………………………. 5
Binomial………………………………………………………………………..………… 11
Binomial negativa………………………………………………………………….…….. 22
Geométrica……………………………………………………………………………….. 26
Multinomial………………………………………………………………………………. 31
Hipergeométrica………………………………………………………………………….. 35
Poisson…………………………………………………………………………………… 43
Resumen de las fórmulas de las distribuciones discretas………………………………… 51

JAMB
 INTRODUCCIÓN

Hasta ahora hemos mencionado que para el estudio de la teoría de la probabilidad lo más relevante es la
variable aleatoria, que es una función que asigna un valor, usualmente numérico, al resultado de un
experimento aleatorio con probabilidades determinadas [P(X = x)= f(x)].
Toda variable aleatoria posee una distribución de probabilidad, en el caso de las discretas se conoce
como función de masa de probabilidad (fmd) y en las continuas como función de densidad de
probabilidad (fdp), que describe su comportamiento. Lo que se conoce como función de distribución
representa las probabilidades acumuladas [F(x) = P(X ≤ x)].
En las V.A. discretas, su distribución de probabilidad especifica todos los valores posibles de la
variable junto con la probabilidad de que cada uno ocurra. 𝑥 𝑓 𝑥 = 1 y P(X=x) = f(x); mientras que
la función de distribución acumulada 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = 𝑡≤𝑥 𝑓 𝑡 −∞<𝑡 <∞
En las V.A. continuas, su distribución de probabilidad permite determinar las probabilidades
∞ 𝑏
correspondientes a su subintervalo de valores. −∞ 𝑓 𝑥 𝑑𝑥 y 𝑃 𝑎 < 𝑥 < 𝑏 = 𝑎 𝑓 𝑥 𝑑𝑥. Y la función
𝑥
de distribución acumulada es 𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = −∞
𝑓 𝑡 𝑑𝑡.

JAMB
 INTRODUCCIÓN

Estudiaremos a continuación algunas distribuciones de probabilidad de variables aleatorias importantes.

Estas distribuciones son modelos particulares para asignar probabilidades a subconjuntos de números
reales.
Con frecuencia las observaciones que se generan de diferentes experimentos estadísticos tienen similar
comportamiento, aunque sus parámetros sean distintos, en consecuencia, las V.A. asociadas a estos
experimentos se pueden describir esencialmente con un mismo modelo de distribución.
Por lo tanto, es suficiente conocer algunos modelos de distribución de probabilidad para describir las
distintas variables aleatorias que podemos observar en nuestro entorno, como por ejemplo el ganar una
rifa (gano o pierdo), el tiempo que dura la elaboración de un producto, la distancia que recorre una
partícula entre dos puntos (a,b), etc.
Empezaremos con las distribuciones de tipo discreto y continuaremos después con las de tipo continuo.

Distribuciones Discretas Distribuciones Continuas

Uniforme, Binomial, Pascal, Geométrica, Uniforme, Normal, aproximación Binomial por
Multinomial, Hipergeométrica, Poisson, Normal, Gamma, Exponencial, Beta, Chi-
aproximación Binomial por Poisson. cuadrado, Weisbull.

JAMB
 DISTRIBUCIONES DISCRETAS

UNIFORME, U(1/k)

Una variable aleatoria discreta X tiene distribución uniforme cuando la probabilidad en todos los puntos
de masa probabilística es la misma; es decir, cuando todos los posibles valores que puede adoptar la
variable (𝑥1 , 𝑥2 , . . . , 𝑥𝑘 ) tienen la misma probabilidad.
Si definimos una variable aleatoria (X) como el número resultante tras el lanzamiento de un dado, los
valores que puede tomar esa variable aleatoria son {1, 2, 3, 4, 5, 6}. Esa V.A tiene distribución uniforme
si, como es el caso, la probabilidad es la misma para cada uno de los resultados posibles.
Su función de masa de probabilidad viene dada por:
1
𝑓 𝑥, 1/𝑘 = 𝑃 𝑋 = 𝑥𝑖 𝑘 𝑖 = 1,2,3, … 𝑘
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
La representación gráfica de la función de masa de probabilidad de la distribución uniforme discreta es
muy sencilla e inmediata. Suponiendo que 𝑥1 < 𝑥2 < 𝑥3 <. . . < 𝑥𝑘

𝑥1 𝑥2 𝑥3 𝑥𝑘

JAMB
 UNIFORME

DISTRIBUCIONES DISCRETAS

Y la función de distribución acumulada por

𝟏
𝑭 𝒙 = 𝑷 𝑿 ≤ 𝒙𝒊 = ,
𝒌 𝒊 𝒙𝒊
Es decir:
0 𝑠𝑖 𝑥 < 𝑥1
1
𝑠𝑖 𝑥1 ≤ 𝑥 < 𝑥2
𝐹 𝑥 = 𝑘
2
𝑠𝑖 𝑥2 ≤ 𝑥 < 𝑥3
𝑘
1 𝑠𝑖 𝑥 ≥ 𝑥𝑘

𝑥1 𝑥2 𝑥3 𝑥𝑘 𝑋𝑖

JAMB
 UNIFORME

DISTRIBUCIONES DISCRETAS

Las características de la distribución de probabilidad uniforme discreta están las siguientes:

1. En la distribución de probabilidad uniforme discreta, la variable aleatoria toma cada uno de sus
valores con idéntica probabilidad.
2. El parámetro de la distribución de probabilidad uniforme discreta, viene dado por la inversa de los
valores que puede tomar la variable aleatoria, es decir 𝑿 ~𝑼(𝟏/𝒌).
3. La media de una variable aleatoria discreta uniforme, 𝑓(𝑥; 𝑘), siempre coincide con uno de los
valores de la misma observados en el experimento.
4. La varianza de una variable aleatoria discreta uniforme, 𝑓(𝑥; 𝑘), no depende del número de valores
que pueda tomar la variable.
La media y varianza de la distribución uniforme discreta viene dada por:
𝑘 𝑘
𝑥𝑖 (𝑥𝑖 − 𝜇)2
𝐸𝑋 = 𝑉𝑎𝑟 𝑋 =
𝐾 𝑘
𝑖=1 𝑖=1

JAMB
 UNIFORME

DISTRIBUCIONES DISCRETAS

Ejemplo. En el lanzamiento de un dado el espacio muestral es S={1,2,3,4,5,6}, donde cada extracción

tiene una misma probabilidad P(X = xi) = 1/6. ¿Cuál es la probabilidad de obtener un valor par?.
Determine la media, varianza y desviación estándar?.
Solución
X = Lanzamiento de un dado
(a) P(X = numero par) = P(X = 2) + P(X = 4) + P(X = 6) = 3/6 = ½
(b) Media
𝑘 6
𝑥𝑖 1+2+3+4+5+6
𝐸𝑋 = = = 3,5
𝐾 6
𝑖=1 𝑖=1
(c) Varianza y desviación estándar
6 2 2 2 2
𝑥𝑖 − 𝜇 1 − 3,5 + 2 − 3,5 + ⋯ + 3 − 3,5
𝑉𝑎𝑟 𝑥 = = = 2,91
𝐾 6
𝑖=1

𝐷𝐸 𝑋 = 𝑉𝑎𝑟[𝑋] = 1,71

JAMB
 UNIFORME

DISTRIBUCIONES DISCRETAS

Ejemplo. El temario de un examen para un proceso selectivo contiene 50 temas, de los cuales se elegirá
uno por sorteo. Si una persona no ha estudiado los 15 últimos tema ¿cuál es la probabilidad de que
apruebe el examen? ¿De que no apruebe?. Determine: media, varianza y desviación estándar
Solución
X = Temario de un examen XU(1/50) a = 1 b = 50 Aprueba si le toca del 1 al 35
(a) P(apruebe el examen) = F(x) = P(X ≤ x) = 35/50 = 0,7
(b) P(no apruebe el examen) = 1 - P(X ≤ x) = 1 – 0,7 = 0,3
(c) Media
𝑘 50
𝑥𝑖 1 + 2 + 3 + 4+. . . +50
𝐸𝑋 = = = 25,5
𝐾 50
𝑖=1 𝑖=1
(d) Varianza y desviación estándar
50 2 2 2 2
𝑥𝑖 − 𝜇 1 − 25,5 + 2 − 25,5 + ⋯ + 50 − 25,5
𝑉𝑎𝑟 𝑥 = = = 208,25
𝐾 6
𝑖=1

𝐷𝐸 𝑋 = 𝑉𝑎𝑟[𝑋] = 14,43

JAMB
 UNIFORME

DISTRIBUCIONES DISCRETAS

Ejercicios propuestos.
1. Supongamos que se tiene un experimento equiprobable que sigue una distribución uniforme discreta
XU(0.25). Hallar (a) la función de probabilidad, (b) media, (c) utilice el teorema de Chebyshev
para interpretar el intervalo 𝜇 ± 2𝜎.
2. Se tiene una variable aleatoria cuyo espacio muestral es 2,4,6,8,10. Determine P(X=x), media y
varianza.
3. El gerente de una pastelería sabe que el número de pasteles de chocolate que puede vender en un día
dado es una V.A con distribución de probabilidad uniforme para X igual a 0,1,2,3,4 y 5. ¿Cuál es la
probabilidad de que venda a lo más 2 pasteles? ¿Cuál es la probabilidad de que venda entre 1 y 2
pasteles?

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

BINOMIAL, B(n, p)

La distribución binomial es aplicable cada vez que se suponga que un muestreo conforma un proceso de
Bernoulli, el cual se caracteriza por lo siguiente:
1. Hay dos resultados posibles mutuamente excluyente en cada ensayo u observación, a los cuales se
les denomina éxito [P(X=1)= p] y fracaso [P(X=0)= 1 – p]. La sumatoria de ambas probabilidades
da como resultado uno (p + q = 1)
2. La serie de ensayos u observaciones constituye eventos independientes, con P(E) = p.
3. La probabilidad de éxito permanece constante de ensayo a ensayo. Es decir, el proceso es
estacionario.
Ejemplos de experimentos de Bernoulli serían los siguientes:
1. Registrar los resultados de un examen de un estudiante en términos de aprobado o reprobado.
2. Esperar la solicitud de un crédito bancario en cuanto a aceptado o negado.
3. Medir el peso de una persona y registrar si pesa más de 70 Kg o menos de 70 Kg.

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

La función de probabilidad de la distribución Bernoulli es

𝑥 1−𝑥
𝑓 𝑥 = 𝑃 𝑋 = 𝑥𝑖 = 𝐵 𝑥; 𝑝 = 𝑝 𝑞 𝑥 = 0,1,2, … 𝑛
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Donde p es el parámetro de la distribución Bernoulli.
1−𝑝 𝑝𝑎𝑟𝑎 𝑥 = 0
La función de distribución 𝐹(𝑥) =
1 𝑝𝑎𝑟𝑎 𝑥 = 1
La media y la varianza son:
𝐸[𝑋] = 𝑝 𝑉𝑎𝑟[𝑋] = 𝑝(1 − 𝑝).

Una variable aleatoria X, que se define como el número de éxitos que se obtienen en los n ensayos de
Bernoulli, a la cual la denominaremos variable binomial y su correspondiente distribución de
probabilidad se le conoce como distribución binomial.
La distribución binomial se puede emplear para determinar la probabilidad de obtener un número
designado de éxitos en un proceso de Bernoulli. Se requieren tres valores:
- Número designado de éxitos (X)
- Numero de ensayos u observaciones (n)
- Probabilidad de éxito en cada ensayo (p)

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

Denotaremos por B(n, p) la distribución binomial de parámetros n = “número de pruebas de Bernoulli”

y p = P(E) en cada prueba. Si X sigue una distribución B(n, p), escribiremos X  B(n; p), y su función
de masa de probabilidad f(x) es:
𝑛 𝑥 𝑛!
𝑃 𝑋=𝑥 = 𝑝 (1 − 𝑝)𝑛−𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥 𝑥! (𝑛 − 𝑥)!
La función de distribución de la binomial adopta la forma:
𝑛 𝑖 𝑛−𝑖
𝐹 𝑥 =𝑃 𝑋≤𝑥 = 𝑓 𝑖 = 𝑝𝑞
𝑖
𝑖≤𝑥 𝑖≤𝑥

La media y varianza de la distribución binomial son:

𝐸[𝑋] = 𝑛𝑝 𝑉𝑎𝑟[𝑋] = 𝑛𝑝𝑞.

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

Gráficas de la distribución binomial

 Cuando p < 0,5 la forma de distribución es asimétrica positiva (A > 0) o sea que la mayor cantidad
de masa de probabilidad está ubicada del lado izquierdo (Gráfica de la izquierda).
 Cuando p = 0,5 la distribución es perfectamente simétrica respecto a los valores centrales (Gráfica
del centro).
 Cuando p > 0,5 la forma de distribución es asimétrica negativa (A < 0) o sea que la mayor cantidad
de masa de probabilidad está ubicada del lado derecho (Gráfica de la derecha).

n = 5 p = 0,35 n = 6 p = 0,50 n = 5 p = 0,65

Asimétrica positiva Simétrica Asimétrica negativa

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

Ejemplo. La probabilidad de que un presunto cliente escogido aleatoriamente haga una compra es 0,20.
Si un vendedor visita a seis presuntos clientes, la probabilidad de que haga exactamente cuatro ventas
es.
Solución
Se puede resolver de tres maneras:
1. Haciendo uso de la formula
𝑛 𝑥 𝑛!
𝑃 𝑋=𝑥 = 𝑝 (1 − 𝑝)𝑛−𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥 𝑥! (𝑛 − 𝑥)!

Datos: n = 6, x = 4, p = 0,2 XB(6,0.2)

6 6!
𝑃 𝑋=4 = (0,2)4 (1 − 0,2)6−4 = 0,24 (0,8)2 = 0,015
4 4! (6 − 4)!
La probabilidad de que exactamente el vendedor visite 4 clientes de 6 posibles es 0,015

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

2. Haciendo uso de la tabla de probabilidades binomiales:

La tabla es una matriz o tabla de coordenadas, en
primera columna está el número de
observaciones (n) yen la segunda el número de la
variable (r). En la parte superior las
probabilidades de p.
En este caso se cruza n = 6, x = 4, p = 0,2,
obteniendo una P( X=4) = 0,0154

3. Haciendo uso del Excel (Función =DISTR.BINOM.N)

Hacemos uso de la formula =DISTR.BINOM, y
en cada celda introducimos los valores
solicitados:
Num_éxito: X
Ensayos: n
Prob_éxito: p
Acumulado: FALSO para hallar la f(x)
VERDADERO para hallar la F(x)
=DISTR.BINOM.N(4;6;0,2;FALSO)

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

Ejemplo. El jefe de recursos humanos de una empresa realiza un test de diez ítems a los aspirantes a un
puesto, teniendo en cada ítem cuatro posibles respuestas, de las que sólo una es correcta. Suponiendo
que los aspirantes teniendo la misma probabilidad de responder. Se pide hallar las probabilidades para el
aspirante:
a) Conteste todos los ítems mal
b) Conteste al menos cuatro ítems bien
c) Conteste entre cuatro y seis ítems bien, inclusive
d) Conteste todos los ítems bien
e) Conteste menos de tres ítems bien
f) Conteste exactamente 5 ítems bien
g) Determine su media y varianza
Solución
Sea X = contestar bien el ítem, p = ¼ = 0.25, n = 10 ítems, XB(10, 0.25)
𝑛 𝑥 𝑛!
𝑃 𝑋=𝑥 = 𝑝 (1 − 𝑝)𝑛−𝑥 = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
𝑥 𝑥! (𝑛 − 𝑥)!

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

(a) Conteste todos los ítems mal P(X = 0)

10 0 10−0
10!
𝑃 𝑋=0 = 0,25 (1 − 0,25) = 0,250 (0,75)10 = 0,0563
0 0! (10 − 0)!
Existe una probabilidad del 0,0563que no acierte ningún ítem
(b) Conteste al menos cuatro ítems bien P(X ≥4)
𝑃 𝑋 ≥ 4 = 𝑃 𝑋 = 4 + 𝑃 𝑋 = 5 + ⋯ + 𝑃(𝑋 = 10)
También se puede representar como el complemento
𝑃 𝑋 ≥ 4 = 1 − 𝑃(𝑋 < 4)
𝑃 𝑋 < 4 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃(𝑋 =
Haciendo uso de la tabla de distribución binomial
𝑃 𝑋 < 4 = 0,0563 + 0,1877 + 0,2816 + 0,2403 = 0,7759
𝑃 𝑋 ≥ 4 = 1 − 0,7759 = 0,2241
Hay una probabilidad de 0,2241 que conteste bien al menos 4 ítems.

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

(c) Conteste entre cuatro y seis ítems bien P(4 ≤ X ≤ 6)

𝑃 4 ≤ 𝑋 ≤ 6 = 𝑃 𝑋 = 4 + 𝑃 𝑋 = 5 + 𝑃(𝑋 = 6)
𝑃 4 ≤ 𝑋 ≤ 6 = 0,1460 + 0,0584 + 0,0162 = 0,2206
Existe una probabilidad de 0,2206 que responda correctamente entre 4 y 6 ítems
(d) Conteste todos los ítems bien
10 10!
𝑃 𝑋 = 10 = 0,2510 (0,75)0 = 0,2510 (0,75)0= 0
10 10! (10 − 10)!
La probabilidad que conteste bien todos los ítem es de 0.
(e) Conteste menos de tres ítems bien P(X < 3)
𝑃 𝑋 <3 =𝑃 𝑋 =0 +𝑃 𝑋 =1 +𝑃 𝑋 = 2
𝑃 𝑋 < 3 = 0,0563 + 0,1877 + 0,2816 = 0,5256
La probabilidad que conteste menos de tres ítems bien es del 0,5256
(f) Conteste exactamente 5 ítems bien P(X =5)
𝑃 𝑋 =5 =𝑃 𝑋 =5 −𝑃 𝑋 =4
𝑃 𝑋 = 5 = 0,0584 − 0,0162 = 0,0422
Su probabilidad es del 0,0422

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

(g) Media y varianza

𝐸 𝑋 = 𝑛𝑝 = 10 ∗ 0,25 = 2,5 í𝑡𝑒𝑚𝑠
𝑉𝑎𝑟 𝑋 = 𝑛𝑝𝑞 = 10 ∗ 0,25 ∗ 0,75 = 1,875 í𝑡𝑒𝑚𝑠 2
También con estos datos se puede determinar la desviación estándar y el teorema de Chebyshev.
𝐷𝐸 𝑋 = 𝑉𝑎𝑟(𝑋) = 1,875 = 1,369 í𝑡𝑒𝑚𝑠
1
𝑃 𝜇 − 𝑘𝜎 < 𝑋 < 𝜇 + 𝑘𝜎 = 1 − 2
𝑘
Para k = 2
1
𝑃 2,5 − 2 ∗ 1,369 < 𝑋 < 2,5 + 2 ∗ 1,369 = 1 −
16

𝑃 −0,238 < 𝑋 < 5,238 = 75%

Existe la probabilidad de que al menos un 75% de los ítems correctos estén entre -0,238 y 5,238.

JAMB
 BINOMIAL

DISTRIBUCIONES DISCRETAS

Ejercicios propuestos.
1. Siendo XB(11,0.25) Calcular: (a) P(X=7), (b) P(X≥4), (c) P(3 < X ≤ 6), (d) P(X < 4), (e) P(X≤5)
2. En cierto distrito de la ciudad se establece que la causa de 75% de todos los robos es la necesidad de dinero
para comprar drogas. Calcule la probabilidad de que entre los siguientes cinco casos de robo que se
reporten en este distrito, (a) exactamente 2 sean resultado de la necesidad de dinero para comprar drogas;
(b) a lo sumo 3 resulten de la necesidad de dinero para comprar drogas; (c) más de 5 robos sean a causa de
esta situación y; (d) un mínimo de 3 robos debido a esta necesidad.
3. Se sabe que el 30% de los habitantes de una ciudad padecen de asma. Determinar la probabilidad de que en
una muestra de 4 personas: (a) Ninguna padezca asma, (b) Más de dos sufran de asma; (c) Todos sean
asmáticos y (d) Menos de 1 persona sean asmáticas.
4. Un banco aprueba 4/5 partes del total de solicitudes de préstamo que se transmiten mensualmente en él. Si
en un mes determinado se introducen 75 solicitudes, calcular el número esperado de créditos que serán
aprobados y cuantos se desvían de este valor esperado. Cuantas solicitudes cabrían esperarse a un 75%.
5. Con el propósito de verificar si se aceptan los lotes de piezas de que se reciben en una determinada fábrica,
se lleva a cabo un plan de control consistente en seleccionar 10 artículos al azar de cada lote y determinar
el número de piezas defectuosas. Un lote se rechaza si se encuentran dos o más piezas defectuosas. ¿Cuál
es la probabilidad de aceptar lotes con un 5 % de piezas defectuosas?

JAMB
 DISTRIBUCIONES DISCRETAS

BINOMIAL NEGATIVA, BN(k, p)

Considérese una variante del experimento de Bernoulli, en el cual se realizan pruebas independientes
hasta que un éxito aparece por k-ésima vez. Esto es la prueba se repite hasta que ocurra un numero fijo
de éxitos (k).
Así que la variable aleatoria X se define como el número de veces que se realiza la prueba, y se llama
variable aleatoria binomial negativa porque, en contraste con la variable aleatoria binomial, el
número de éxitos es fijo y el número de ensayos es aleatorio. Es decir, en lugar de fijar el número de
ensayos y observar el número de éxitos en esas n realizaciones, se repiten las realizaciones hasta obtener
un número determinado de éxitos y contabilizamos los fracasos.
Por lo tanto, si ensayos independientes repetidos pueden dar como resultado un éxito con probabilidad p
y un fracaso con probabilidad q = 1 – p, entonces la distribución de probabilidad de la variable
aleatoria X, el numero del ensayo en el que ocurre el k-ésimo éxito, es:
𝑥 − 1 𝑘 𝑥−𝑘
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝐵𝑁(𝑥; 𝑘, 𝑝) = 𝑝 𝑞 𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2 … . 𝑘 = 1,2, … 0≤𝑝≤1
𝑘−1
Que es la función masa de probabilidad de la variable aleatoria binomial negativa X con los parámetros
k número de éxitos (E) y p = P(E).

JAMB
 BINOMIAL NEGATIVA

DISTRIBUCIONES DISCRETAS

Mediante la distribución Pascal o Binomial Negativa planteamos la cantidad de ensayos necesarios

para conseguir dos, tres o k-éxitos.
Ejemplos
- Número de preguntas falladas en un examen tipo test antes de tener el décimo acierto.
- Número de unidades defectuosas antes de obtener un número concreto de correctas.
La distribución binomial negativa se basan en un experimento que satisface las siguientes condiciones:
1. El experimento consiste en una secuencia de ensayos independientes.
2. Cada ensayo puede dar por resultado un éxito (E) o una falla (F).
3. La probabilidad de éxito es constante de un ensayo a otro.
4. El experimento continúa (se realizan ensayos) hasta que un total de k éxitos hayan sido observados,
donde k es un entero positivo especificado.

La media y la varianza de la distribución pascal o binomial negativa son respectivamente:

𝑘(1 − 𝑝) 𝑘(1 − 𝑝)
𝐸𝑋 = 𝑉𝑎𝑟 𝑋 =
𝑝 𝑝2

JAMB
 BINOMIAL NEGATIVA

DISTRIBUCIONES DISCRETAS

Ejemplo. Suponga que una compañía que fabrica tarjetas electrónicas, según su experiencia, considera
que la probabilidad de que cualquiera de las tarjetas producidas esté defectuosa es del 1%. ¿Cuál es la
probabilidad de tener que examinar menos de 6 para encontrar 3 tarjetas en buenas condiciones?.
Determine su media y varianza.
Solución
k=3 p = 0,99 q = 0,01
P(X < 6) = ?
P(X < 6) = P(X = 3) + P(X= 4) + P(X = 5)
3−1 4−1
𝑃 𝑋=3 = 0,993 0,010 = 0,9702 𝑃 𝑋=4 = 0,993 0,011 = 0,0291
3−1 3−1
5−1
𝑃 𝑋=5 = 0,993 0,012 = 0,00058
3−1
P(X < 6) = 0,9702 + 0,0291 + 0,00058 = 0,9998
𝑘(1 − 𝑝) 0,03 𝑘𝑞 3 ∗ 0,01
𝐸𝑋 = = = 0,03 𝑉𝑎𝑟 𝑋 = = = 0,03
𝑝 0,99 𝑝2 0,992

JAMB
 BINOMIAL NEGATIVA

DISTRIBUCIONES DISCRETAS

Ejercicios propuestos.
1. Un pediatra desea reclutar cinco parejas, cada una de las cuales espera a su primer hijo, para
participar en un nuevo régimen de alumbramiento natural. Sea p = P(una pareja seleccionada al
azar está de acuerdo en participar). Si p = 0.2, (a) ¿cuál es la probabilidad de que 15 parejas tengan
que ser entrevistadas antes de encontrar cinco que estén de acuerdo en participar?
2. De acuerdo con un estudio geológico, en un pozo de exploración petrolera hay 0,2 de probabilidad
de encontrar petróleo. Encuentre la probabilidad de: (a) Localizar petróleo por primera vez en el
tercer pozo que se perfore; (b) Encontrar el segundo pozo en el séptimo pozo perforado y; (c)
Encuentre la media y varianza de la cantidad de pozos que hay que perforar si la compañía desea
abrir tres pozos de producción.
3. Si en promedio una de cada 100 placas de rayos X que se realizan es defectuosa, ¿cuál es el número
medio de placas realizadas entre 10 defectuosas?

JAMB
 DISTRIBUCIONES DISCRETAS

GEOMÉTRICA, g(p)

Supóngase que se efectúa repetidamente un experimento o prueba, que las repeticiones son
independientes y que se está interesado en la ocurrencia o no de un suceso al que se refiere como
“éxito”, siendo la probabilidad de este suceso p.
La distribución geométrica permite calcular la probabilidad de que tenga que realizarse un número k de
repeticiones antes de obtener un éxito por primera vez; esta probabilidad decrece a medida que aumenta
k con lo que la función de masa de probabilidad es siempre decreciente.
Modeliza el número de fracasos antes del primer éxito en repeticiones independientes de ensayos de
Bernoulli con probabilidad de éxito p.
Si pruebas independientes repetidas pueden tener como resultado un éxito con probabilidad p y un
fracaso con probabilidad q = 1 – p, entonces la distribución de probabilidad de la variable aleatoria X,
el número de la prueba en el que ocurre el primer éxito, es
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑔(𝑥; 𝑝) = 𝑝𝑞 𝑥−1 , 𝑐𝑜𝑛 𝑥 = 1, 2, 3, . . .
El parámetro de la distribución geométrica es p, donde 𝑋𝑔(𝑝)

JAMB
 GEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Ejemplo
- Intentos fallidos en la aplicación del medicamento antes del primer éxito.
- Número de hijos hasta el nacimiento de la primera niña.

La distribución geométrica se utiliza en la distribución de tiempos de espera, de manera que si los

ensayos se realizan a intervalos regulares de tiempo, esta variable aleatoria proporciona el tiempo
transcurrido hasta el primer éxito.

La media y la varianza de una variable aleatoria que sigue la distribución geométrica son:
1 1−𝑝
𝐸[𝑋] = 𝑦 𝑉𝑎𝑟[𝑋] =
𝑝 𝑝2

JAMB
 GEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Ejemplo. Se sabe que en cierto proceso de fabricación uno de cada 100 artículos, en promedio, resulta
defectuoso. ¿Cuál es la probabilidad de que el quinto artículo que se inspecciona, en un grupo de 100,
sea el primer defectuoso que se encuentra? ¿Cuál es el valor esperado, varianza y desviación estándar?
Solución
𝑝 = 1/100 = 0,01 q = 1 – p = 0,99
P(X = 5) sea el primer defectuoso
𝑃 𝑋 = 5 = 𝑝𝑞 𝑥−1 = (0.01)(0.99)4 = 0.0096

1 1
𝐸𝑋 = = = 100
𝑝 0,01
1−𝑝 0,99
𝑉𝑎𝑟 𝑋 = = = 9.900
𝑝2 0,012

𝐷𝐸 𝑋 = 𝑉𝑎𝑟 𝑋 = 9.900 = 99,5

JAMB
 GEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Ejemplo. Suponga que 1 de cada 10 copias del diario prensa lleva impreso un número especial con el
cual se obtiene un premio. ¿Cuál es la probabilidad de tener comprar menos de 4 periódicos para ganar
un premio? Determine el promedio esperado de periódico que debe comprarse para ganar un premio,
así como varianza.
Solución
𝑝 = 1/10 = 0,1 q = 1 – p = 0,90
P(X < 4) para ganar un premio
P(X < 4) = P(X = 1) + P(X = 2) + P(X = 3)
3
𝑃 𝑋<4 = 𝑝𝑞 𝑥−1 = 0.1 0.9 0
+ 0.1 0.9 1
+ (0.1)(0.9)2 = 0.271
𝑋=1
1 1
𝐸𝑋 = = = 10
𝑝 0,1
1−𝑝 0,9
𝑉𝑎𝑟 𝑋 = = = 90
𝑝2 0,12

JAMB
 GEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Ejercicios propuestos.

1. La probabilidad de que un estudiante de aviación pase la prueba escrita para obtener su licencia de
piloto privado es del 70%. Encuentre la probabilidad de que una persona: (a) pase la prueba en el
tercer intento y (b) pase la prueba antes del cuarto intento.
2. La probabilidad de que cierto examen médico dé lugar a una reacción “positiva” es igual a 0,8,
¿cuál es la probabilidad de que ocurran menos de 5 reacciones “negativas” antes de la primera
positiva?. Hallar la media, varianza y desviación estándar.
3. Las imperfecciones en los tableros de circuitos y los microcircuitos de computadora se prestan para
un análisis estadístico. Un tipo particular de tablero contiene 200 diodos y la probabilidad de que
falle alguno es de 0.03. (a) ¿Cuál es el número promedio de fallas en los diodos?; (b) ¿Cuál es la
varianza y desviación? Y; (c) De acuerdo con el teorema de Chebyshev, cuál es el valor exacto de
P(μ – 3σ < X < μ + 3σ)

JAMB
 DISTRIBUCIONES DISCRETAS

MULTINOMIAL, M(n, p)

La distribución binomial aparece de forma natural al realizar repeticiones independientes de un

experimento que tenga respuesta binaria, es decir, dos posibles resultados, clasificados generalmente
como “éxito” o “fracaso”. La distribución multinomial generaliza esta distribución al caso en que la
población se divide en m > 2 grupos mutuamente excluyentes y exhaustivos o, equivalentemente, a
experimentos con m resultados.
Si un ensayo dado puede producir los k resultados E1, E2,..., Ek con probabilidades p1, p2,…, pk, entonces
la distribución de probabilidad de las variables aleatorias X1, X2,..., Xk, que representa el número de
ocurrencias para E1, E2,..., Ek en n ensayos independientes, es
𝑛
𝑓(𝑥1, 𝑥2, … , 𝑥𝑘 ; 𝑝1, 𝑝2, … , 𝑝𝑘 ; 𝑛) = 𝑥1, 𝑥2, … , 𝑥𝑘 𝑝1 𝑥1 𝑝2 𝑥2 … 𝑝𝑘 𝑥𝑘
𝑛!
= 𝑝1 𝑥1 𝑝2 𝑥2 … 𝑝𝑘 𝑥𝑘
𝑥1! 𝑥2! … , 𝑥𝑘 !
Con
𝑘 𝑘

𝑥𝑖 = 𝑛 𝑦 𝑝𝑖 = 1
𝑖=1 𝑖=1

JAMB
 MULTINOMIAL

DISTRIBUCIONES DISCRETAS

Se denomina proceso multinomial al experimento que presenta las siguientes características:

1. En una prueba multinomial con respecto al espacio muestral (S) existe una participación de k
sucesos excluyentes E1, E2,..., Ek que ocurren con probabilidades p1, p2,…, pk, tal forma que cuando
se efectúa ocurre solo uno de esos resultados.
2. Se repite n veces la prueba multinomial.
3. Las probabilidades permanece constante en cada una de las pruebas.
4. Las pruebas se consideran cada una independientes de las anteriores.
Como resultado de este proceso se definen una serie de variables aleatorias Xi como el número de veces
que aparecen en el suceso Ei en las n repeticiones del experimento {i = 1,2,…,k}
X1 = número de veces que aparece el suceso E1 X2 = número de veces que aparece el suceso E2
X3 = número de veces que aparece el suceso E3 Xk = número de veces que aparece el suceso Ek

La media y varianza de la distribución multinomial es:

𝐸 𝑋 = 𝑛𝑝𝑖 𝑉𝑎𝑟 𝑋 = 𝑛𝑝𝑖 𝑞𝑖

JAMB
 MULTINOMIAL

DISTRIBUCIONES DISCRETAS

Ejemplo. Se lanza un dado 6 veces, encontrar la probabilidad que se encuentre exactamente un número
dos, dos números tres, dos números cuatro y un número seis.
Solución
X1 = un número 2 X2 = dos números 3 X3 = dos números 4 X4 = un número 6
n=6 pi = 1/6
𝑛 𝑥1 𝑥2 𝑥3 𝑥4
𝑓(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ; 𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 ; 𝑛) = 𝑥1, 𝑥2, 𝑥3, 𝑥4 𝑝1 𝑝2 𝑝3 𝑝4

1 6 1 1 1 2 1 2 1 1
𝑓(𝑋1 = 1, 𝑋2 = 2, 𝑋3 = 2, 𝑋4 = 1; 𝑝1 = 𝑝2 = 𝑝4 = 𝑝5 = 6 ; 6) = 1, 2,2, 1 6 6 6 6
=
1
= 180 ∗ = 0,004
46.656

1 1 5
𝐸 𝑋 = 𝑛 ∗ 𝑝𝑖 = 6 ∗ =1 𝑉𝑎𝑟 𝑋 = 𝑛 ∗ 𝑝𝑖 ∗ 𝑞𝑖 = 6 ∗ ∗ = 5/6
6 6 6

JAMB
 MULTINOMIAL

DISTRIBUCIONES DISCRETAS

Ejercicios propuestos.
1. Si se tienen 10 bombillos y se desea conocer cuál es la probabilidad de que 4 duren menos de 500
horas, otros 4 entre 500 y 800 horas y 2 más de 800 horas.
2. Los usuarios que salen de una estación del metro pueden pasar por cualquiera de res puertas (A, B,
C). Si se supone igual probabilidad que cualquier usuario seleccione cualquiera de las tres puertas.
Cuál es la probabilidad de que entre 4: (a) dos seleccionen la puerta A,1 la puerta B y otro la puerta
C; (b) las cuatro utilicen la misma puerta y (c) se usen las tres puertas para la salida de las personas.
3. Un estudiante que conduce hacia su escuela encuentra un semáforo, el cual permanece verde por 35
segundos, amarillo cinco segundos y rojo 60 segundos. Suponga que toda la semana el estudiante
recorre el camino a la escuela entre las 8:00 y las 8:30 a.m. Sea Xl el numero de veces que encuentra
una luz verde, X2 el numero de veces que encuentra una luz amarilla y X3 el numero de veces que
encuentra una luz roja. Calcule la distribución conjunta de X1, X2 y X3.
4. Las probabilidades de que un delegado llegue a cierta convención en avión, autobús, automóvil o
tren son de 0.4, 0.2, 0.3 y 0.1, respectivamente. .Cual es la probabilidad de que, de 9 delegados que
asisten a esta convención seleccionados al azar, 3 lleguen en avión, 3 en autobús, 1 en automóvil y 2
en tren? ¿Cuáles son los valores esperados y varianza?

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

HIPERGEOMÉTRICA, 𝒉(𝑵, 𝒏, 𝒌)

La distribución hipergeométrica suele aparecer en procesos muéstrales sin reemplazo, en los que se
investiga la presencia o ausencia de cierta característica.
Por ejemplo, en un procedimiento de control de calidad en una empresa farmacéutica, durante el cual se
extraen muestras de las cápsulas fabricadas y se someten a análisis para determinar su composición.
Durante las pruebas, las cápsulas son destruidas y no pueden ser devueltas al lote del que provienen. En
esta situación, la variable que cuenta el número de cápsulas que no cumplen los criterios de calidad
establecidos sigue una distribución hipergeométrica.
Esta distribución es la equivalente a la binomial, pero cuando el muestreo se hace sin reemplazo, de
forma que la probabilidad de éxito no permanece constante a lo largo de las n pruebas, a diferencia de la
distribución binomial.
Considere un conjunto de N artículos de los cuales r poseen una característica particular A y por lo tanto
(N-r) no la posee (A´), es decir su complemento. Entonces los artículos se clasifican formando una
partición del espacio muestral (A,A´).

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N elementos, de
los cuales k tienen una determinada característica que se llama “éxito” (diabetes, obesidad, hábito de
fumar, etc.). El número de “éxitos” en una muestra aleatoria de tamaño n, extraída sin reemplazo de la
población, es una variable aleatoria con distribución hipergeométrica de parámetros N, n y k. Por lo
tanto cuando una variable X presenta una distribución hipergeométrica se indica de la siguiente manera:
𝑋 𝑕(𝑁, 𝑛, 𝑘).
Cuando el tamaño de la población es grande, los muestreos con y sin reemplazo son equivalentes, por lo
que la distribución hipergeométrica se aproxima en tal caso a la binomial.
Se puede decir entonces que la distribución de una variable X que representa el número de elementos
con cierta característica A en una muestra aleatoria n seleccionada sin reposición o sin reemplazo (se
resuelve mediante combinatoria) de una población de N elementos, k de los cuales tienen esa
característica y N - k no la tienen, viene dada por la siguiente expresión
𝑘 𝑁−𝑘
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑕 𝑥; 𝑁, 𝑛, 𝑘 = 𝑥 𝑛 − 𝑥
𝑁
𝑛
Donde X es la variable aleatoria, N número de elementos de la población, n tamaño de la muestra
aleatoria, k éxitos y N-k fracasos.

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

La media y la varianza de la distribución hipergeométrica es:

𝑛𝑘 𝑁−𝑛 𝑘 𝑘
𝐸[𝑋] = 𝑉𝑎𝑟[𝑋] = . 𝑛. 1−
𝑁 𝑁−1 𝑁 𝑁

Ejemplo. Lotes con 40 componentes cada uno que contengan 3 o más defectuosos se consideran
inaceptables. El procedimiento para obtener muestras del lote consiste en seleccionar 5 componentes al
azar y rechazar el lote si se encuentra un componente defectuoso. ¿Cuál es la probabilidad de, que en la
muestra, se encuentre exactamente un componente defectuoso, si en todo el lote hay 3 defectuosos?.
Calcular la media, varianza y desviación estándar. Y después utilice el teorema de Chebyshev para
interpretar el intervalo μ ± 2σ.
Solución
X = componente defectuoso, N = 40 n=5 k=3 P(X= 1) = ?
𝑘 𝑁−𝑘 3 40 − 3
𝑃 𝑋=𝑥 = 𝑥 𝑛−𝑥 𝑃 𝑋=1 = 1 5 − 1 = 0,3011
𝑁 40
𝑛 5

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

𝑛𝑘 5𝑥3
𝐸[𝑋] = = = 0,375
𝑁 40
𝑁−𝑛 𝑘 𝑘 40 − 5 3 3
𝑉𝑎𝑟[𝑋] = . 𝑛. 1− = . 5. 1− = 0,3113
𝑁−1 𝑁 𝑁 40 − 1 40 40

𝐷𝐸[𝑋] = 𝜎2 = 0,3113 = 0,558

1
𝑃 𝜇 − 2σ < 𝑋 < 𝜇 + 2𝜎 = 1 −
𝑘2
1
𝑃 0,375 − 2 ∗ 0,558 < 𝑋 < 0,375 + 2 ∗ 0,558 = 1 −
4
𝑃[0,375 ± (2)(0,558)] = 3/4

El intervalo requerido es: – 0.741 a 1.491. Por lo tanto, existe una probabilidad de al menos un 75% de
que el número de componentes defectuosos caigan entre – 0,741 y 1,491.

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Ejemplo. Un fabricante asegura que sólo el 1% de su producción total se encuentra defectuosa.

Supóngase que se ordenan 1000 artículos y se seleccionan 25 al azar para inspeccionarlos. Si el
fabricante se encuentra en lo correcto, ¿Cuál es la probabilidad de observar dos o más artículos
defectuosos en la muestra?
Solución
𝑋𝑕(1000, 25,0.01)
𝑃 𝑋 ≥ 2 = 1 – 𝑃 𝑋 < 2 = 1 − 𝑃 𝑋 = 0 + 𝑃(𝑋 = 1)
10 1000 − 10
𝑃 𝑋=0 = 0 25 − 0 = 0,7754
1000
25
10 1000 − 10
𝑃 𝑋=1 = 1 25 − 1 = 0,2007
1000
25
𝑃 𝑋 ≥ 2 = 1 – 𝑃 𝑋 < 2 = 1 − 0,7754 + 0,2007 = 0,0239
De modo que la probabilidad de observar dos o más artículos defectuosos en la muestra es del 0,0239..

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Relación con la distribución binomial

Existe una relación interesante entre las distribuciones hipergeométrica y binomial. Si n es pequeña
comparada con N, la naturaleza de los N artículos cambian muy poco en cada prueba.
Así, cuando n es pequeña en comparación con N, se puede utilizar una distribución binomial para
aproximar la distribución hipergeométrica. De hecho, por regla general la aproximación es buena
cuando n/N ≤ 0.05. Por lo tanto, la cantidad k/N desempeña el papel del parámetro binomial p y, como
consecuencia, la distribución binomial se podría considerar una versión de población grande de la
distribución hipergeométrica. La media y la varianza entonces se obtienen de las formulas
𝑛𝑘 𝑘 𝑘
𝜇 = 𝑛𝑝 = 𝑦 𝜎 2 = 𝑛𝑝𝑞 = 𝑛 1−
𝑁 𝑁 𝑁

Al comparar estas fórmulas con las de la distribución hipergeométrica la media es la misma, mientras
que la varianza difiere por un factor de corrección de (N – n)/(N – 1), que es insignificante cuando n es
pequeña en relación con N.

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Ejemplo. Un fabricante de neumáticos para automóvil reporta que de un cargamento de 5000 piezas que
se mandan a un distribuidor local, 1000 están ligeramente manchados. Si se compran al azar 10 de estos
neumáticos al distribuidor, ¿cuál es la probabilidad de que exactamente 3 estén manchados?
Solución
N = 5000, n = 10, k = 1000 entonces n/N = 0,02. Utilizamos la distribución binomial para aproximar la
distribución hipergeométrica para hallar la probabilidad solicitada, donde p es 1000/5000 = 0,2
𝑕 𝑁, 𝑛, 𝑘 ≈ 𝑏 𝑛, 𝑝
𝑃 𝑋 = 3 = 𝑕(3; 5000, 10, 1000) ≈ 𝑏(3; 10, 0.2)
10
𝑃 𝑋=3 = 0,23 (1 − 0,2)10−3 = 0,2013
3
Por otro lado, la probabilidad exacta es h(3; 5000, 10, 1000) = 0,2015.

JAMB
 HIPERGEOMÉTRICA

DISTRIBUCIONES DISCRETAS

Ejercicios propuestos.
1. Suponga que una empresa produce 100 unidades de las cuales 90 son buenas y 10 son defectuosas.
Se escogen 20 unidades sin reemplazo, halle la probabilidad de que resulten cinco defectuosas.
2. En una clase en la que hay 20 estudiantes, 15 están insatisfechos con el texto que se utiliza. Si se le
pregunta acerca del texto a cuatro estudiantes tomados al azar, determine la probabilidad de que: (a)
exactamente tres estén insatisfechos con el texto y (b) cuando menos tres estén insatisfechos.
3. Un equipo departamental incluye cinco biólogos especialistas en microbiología y nueve médicos. Si
se eligen al azar cinco personas y se les asigna un proyecto, ¿cuál es la probabilidad de que el
equipo del proyecto incluya exactamente a dos biólogos?
4. ¿Cuál es la probabilidad de que una camarera se rehúse a servir bebidas alcohólicas a solo 2
menores si verifica al azar 5 identificaciones de 9 estudiantes, de los cuales 4 son menores de edad?
5. Se estima que 4000 de los 10,000 residentes con derecho al voto de una ciudad están en contra de
un nuevo impuesto sobre las ventas. Si se seleccionan al azar 15 votantes y se les pide su opinión,
¿cuál es la probabilidad de que a lo sumo 7 estén a favor del nuevo impuesto?
6. Calcule la media, varianza y desviación estándar de los ejercicios 1,3 y 5. Y después utilice el
teorema de Chebyshev para interpretar el intervalo μ ± 1σ y μ ± 2σ.

JAMB
 DISTRIBUCIONES DISCRETAS

POISSON, (l )

La distribución de Poisson se puede utilizar para determinar la probabilidad de un numero designado de

éxitos cuando los eventos ocurren en un espectro continuo de tiempo y espacio. Un ejemplo de tal
proceso es la entrada de llamadas a un conmutador telefónico. Al igual que los experimentos de
Bernoulli, los eventos son independientes y que el proceso es estacionario.
Algunos ejemplos típicos de esta distribución:
- El número de personas que llega a una tienda de autoservicio en un tiempo determinado.
- El número de solicitudes de seguro procesadas por una compañía en un período específico.
- El número de bacterias en un cultivo.
- El número de vehículos que llegan a una estación de servicio.
Estos experimentos dan lugar a una variable aleatoria X, definida como el número de eventos que
ocurren durante un intervalo continuo dado y se llaman experimentos de Poisson, debe su nombre al
matemático francés Simeón Denis Poisson (1781-1840) aunque ya había sido introducida en 1718 por
Abraham De Moivre (1667-1754) como una forma límite de la distribución binomial que surge cuando
se observa un evento raro después de un número grande de repeticiones.

JAMB
 POISSON

DISTRIBUCIONES DISCRETAS

Entre las características de una distribución de Poisson están las siguientes:

1. Debemos tener un fenómeno dicotómico (ocurrencia o no de un determinado suceso).
2. Las pruebas que se realicen han de ser independientes y la probabilidad de éxito se ha de mantener
constante en todas ellas.
3. Los sucesos han de ser poco comunes, por eso se le conoce como "Ley de los sucesos raros".
4. Los sucesos ocurren en un intervalo de tiempo.
5. Se caracteriza por un parámetro 𝜆, que es el número medio de ocurrencia del suceso aleatorio por
unidad de tiempo.
6. Solo se requiere un valor para determinar la probabilidad de un número designado de éxitos en un
proceso de Poisson: el número promedio de éxitos para la dimensión específica de tiempo o espacio
de interés. Este número promedio se representa generalmente por 𝜆.

JAMB
 POISSON

DISTRIBUCIONES DISCRETAS

La distribución de probabilidad de una variable X que representa el número de veces que ocurre un
evento R en una unidad de tiempo o espacio, se denomina Distribución de Poisson y viene dada por:
𝜆 𝑥 𝑒 −λ
𝑓 𝑥 = 𝑃 𝑋 = 𝑥 = 𝑝 𝑥, 𝜆 = 𝑥 = 0,1,2, … 𝑦 𝜆>0
𝑥!
donde λ es el numero promedio de resultados por unidad de tiempo, distancia, área o volumen y e =
2.71828…
La distribución de Poisson depende de un solo parámetro (𝜆), por lo tanto se utiliza la notación X  P(𝜆)
para expresar que una variable sigue esta distribución.
Por su parte, la función de distribución viene dada por:
𝑒 −𝜆 𝜆𝑟
𝐹 𝑋 = 𝑃(𝑋 = 𝑟) =
𝑟!
𝑟≤𝑥 𝑟≤𝑥

La media y varianza de la distribución de Poisson vienen dada por:

𝐸[𝑋] = 𝜆 𝑉𝑎𝑟[𝑋] = 𝜆
siendo un caso muy particular donde la media y varianza son iguales.

JAMB
 POISSON

DISTRIBUCIONES DISCRETAS

Gráfico de la distribución de Poisson

La función de masa de probabilidad de la distribución de Poisson es asimétrica por la derecha, pero a
medida que aumenta el valor de l la distribución se aproxima cada vez a una distribución simétrica
acampanada (platicurtica, K < 0)

l=5 l = 10 l = 15

Ejemplo. A la caja de un supermercado llegan en promedio 2 clientes por minutos. Calcular la

probabilidad de que:
a) No lleguen clientes en un minuto
b) Llegue más de un cliente en un minuto (es decir, por lo menos un cliente)
c) Lleguen menos de dos clientes
d) Lleguen cinco clientes en 2 minutos

JAMB
 POISSON

DISTRIBUCIONES DISCRETAS

Solución
La variable X = número de clientes por minutos, sigue la siguiente distribución Poisson X P(𝜆 = 2),
(a) P (X = 0)
20 𝑒 −2
𝑃 𝑋=0 = = 0,13534
0!
También los ejercicios de distribución de Poisson se pueden realizar utilizando la fórmula que ofrece
Excel como se muestra a continuación:

Igualmente puede hacerse uso de la tabla de Distribución de Poisson, para ello se procede de la
siguiente manera: En la primera columna ubicamos el valor de 𝝀=2, y en la primera fila el valor de X =
0. Luego cruzamos los valores y obtenemos 0,1343,tal como se muestra a continuación:

JAMB
 POISSON

DISTRIBUCIONES DISCRETAS

(b) P (X >1) = 1 – P(X ≤ 1) = 1 – [P(X=0) – P(X=1)] =

20 𝑒 −2 21 𝑒 −2
𝑃(𝑋 > 1 = 1 − − = 0,59399
0! 1!
(c) P(X < 2) = P(X = 0) + P(X = 1) = 0,1353 + 0,2707 = 0,406
d) En este caso se ha cambiado la unidad de tiempo a 2 min y en consecuencia el número de clientes en
la caja del supermercado pasa a ser 𝜆 = 2x2 = 4
45 𝑒 −4
𝑃 𝑋=5 = = 0,15629
5!
Tanto la parte b) como la c) pueden hacerse con el uso de la tabla de distribución de Poisson.

JAMB
 POISSON

DISTRIBUCIONES DISCRETAS

Aproximación Binomial por Poisson

Cuando en una distribución Binomial o de Bernoulli el valor de n es grande y el valor de p es muy
pequeño (cercano a cero) estas distribuciones se pueden aproximar mediante una distribución de
Poisson con media 𝝀 = 𝒏𝒑 . Las probabilidades binomiales se pueden aproximar mediante
probabilidades de Poisson de la siguiente manera
n x n−x
𝑒 −𝑛𝑝 𝑛𝑝 𝑥
P X=x = p 1−p =
x 𝑥!
Ejemplo. En cierta fabrica los accidentes ocurren con muy poca frecuencia. Se sabe que la probabilidad
de un accidente en cualquier día dado es de 0.005, y que los accidentes son independientes entre si.
a) ¿Cual es la probabilidad de que en un día de cualquier periodo determinado de 400 días ocurra un
accidente?
b) ¿Cual es la probabilidad de que ocurra un accidente a lo sumo en tres dias de tal periodo?
𝜆 = 𝑛𝑝 = 400𝑥0,005 = 2
𝑒 −400∗0,005 400.0,005 1
(a) 𝑃 𝑋 = 1 = = 0,2707
1!
−2 𝑥
3 𝑒 2
(b) 𝑃 𝑋 ≤ 3 = 𝑖=0 𝑥! = 0,857

JAMB
 POISSON

DISTRIBUCIONES DISCRETAS

Ejercicios propuestos.
1. Si se reciben un promedio de cinco llamadas de servicio por hora en un departamento de reparaciones, ¿cuál es la
probabilidad de que se reciban menos de tres llamadas durante una hora? Determine su media, media y desviación
estándar. Aplique el teorema de Chebyshev para un k = 2.
2. Un fabricante de automóviles se preocupa por una falla en el mecanismo de freno de un modelo específico. En
raras ocasiones la falla puede causar una catástrofe al manejarlo a alta velocidad. La distribución del número de
automóviles por año que experimentara la catástrofe es una variable aleatoria de Poisson con λ = 5. (a) ¿Cuál es la
probabilidad de que, a lo sumo, 3 automóviles por año de ese modelo especifico sufran una catástrofe? y (b) ¿Cuál
es la probabilidad de que más de un automóvil por año experimente una catástrofe?
3. El número de clientes que llega a un banco es una variable de Poisson. Si el número promedio es de 120 por hora,
¿cuál es la probabilidad de que en un minuto lleguen por lo menos tres clientes?. Utilice el teorema de Chebyshev
para determinar el intervalo del 75%.
4. Cada rollo de láminas de acero de 500 m de longitud trae en promedio dos imperfecciones. Esta imperfección
afecta el uso de ese segmento de la lámina en el producto final. ¿Cuál es la probabilidad de que un segmento
específico de 100 m no tenga ninguna imperfección?
5. La probabilidad de que una persona muera al contraer una infección viral es de 0.001. De los siguientes 4000
infectados con el virus, ¿Cuál es el numero promedio que morirá? ¿De cuánto se desvía del valor esperado?
6. Solo uno de cada mil generadores ensamblados en una fábrica tiene defectos y los generadores defectuosos se
distribuyen aleatoriamente a través de la producción. (a) ¿Cuál es la probabilidad de que un embarque de 500
generadores no contengan ninguno defectuoso? y (b) ¿Cuál es la probabilidad de que un embarque de 100
generadores contengan uno defectuoso?
JAMB
 RESUMEN DE LAS FÓRMULAS DE LAS DISTRIBUCIONES DISCRETAS
Esperanza Varianza
Función de probabilidad Función de distribución
Distribución Definición matemática
𝐟(𝐱) = 𝐏(𝐗 = 𝐱𝐢 ) 𝐅(𝐱) = 𝐏(𝐗 ≤ 𝐱𝐢 )
E[X] V[X]
Variable que puede tomar n valores 𝑘 𝑘
1 𝑥𝑖 (𝑥𝑖 − 𝜇)2
Uniforme, U(1/k) distintos con la misma probabilidad 1/𝑘 𝑥𝑖
cada uno de ellos. 𝑘 𝐾 𝑘
𝑖 𝑖=1 𝑖=1
Experimento aleatorio que sólo
Bernoulli, B(p) admite dos resultados excluyentes 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝𝑞
(éxito y fracaso).
Binomial, B(n, p) Número de éxitos en n pruebas
𝑛 𝑥 𝑛 𝑖 𝑛−𝑖
n=número de prueba independientes de un experimento 𝑝 (1 − 𝑝)𝑛−𝑥 𝑝𝑞 𝑛𝑝 𝑛𝑝𝑞
𝑥 𝑖
p=probabilidad de éxito con probabilidad de éxito constante. 𝑖≤𝑥

𝑥 − 1 𝑘 𝑥−𝑘
Binomial negativa, BN(k, p) 𝑝 𝑞
Número de fracasos antes de obtener 𝑘−1 𝑘(1 − 𝑝) 𝑘(1 − 𝑝)
k=número de éxitos
el r-ésimo éxito. k – 1 éxitos 𝑝 𝑝2
p=probabilidad de éxito
x – k fracasos en cualquier orden
Geométrica, g(p) Número de fracasos antes de obtener 1 1−𝑝
𝑝𝑞 𝑥−1
p=probabilidad de éxito un éxito por primera vez. 𝑝 𝑝2
Multinomial, M(n, p)
Número de veces que ocurren m
n=número de pruebas 𝑛 𝑥1 𝑥2 𝑥𝑘
𝑛𝑝𝑖 𝑛𝑝𝑖 𝑞𝑖
𝑥1, 𝑥2, … , 𝑥𝑘 𝑝1 𝑝2 … 𝑝𝑘
sucesos disjuntos en n pruebas
m=resultados posibles
independientes.
p=probabilidad del suceso i

Hipergeométrica, h(N, n, k) Número de éxitos en una muestra de k N−k

x n−x
N=tamaño de la población tamaño n, extraída sin reemplazo de N 𝑛𝑘 𝑁−𝑛 𝑘 𝑘
una población de tamaño N que . 𝑛. 1−
n=número de pruebas n 𝑁 𝑁−1 𝑁 𝑁
k=número de éxitos contiene k éxitos.
k éxitos; N-k fracasos
Número de ocurrencias de un evento
Poisson, p(𝜆) "raro" o poco frecuente en un 𝜆𝑥 𝑒 −λ 𝑒 −𝜆 𝜆𝑟
𝜆 𝜆
𝝀=tasa de ocurrencia intervalo o espacio continuo de 𝑥! 𝑟!
𝑟≤𝑥
tiempo
JAMB