Unidad 5

• Distribuciones probabilísticas discontínuas

Distribuciones probabilísticas discontínuas
Objetivos del capitulo
Después de estudiar este capítulo, se deberá estar en condiciones de:
1. Explicar qué es una distribución probabilística.
2. Definir una variable aleatoria y dar ejemplos.
3. Explicar en qué forma puede servir de modelo una distribución probabilística.
4. Enunciar los supuestos propios de la distribución binomial.
5. Establecer los supuestos relacionados con la distribución de Poisson.
6. Utilizar las tablas y fórmulas binomiales para obtener probabilidades.
7. Emplear las tablas y fórmulas de Poisson para calcular probabilidades.
8. Utilizar la distribución de Poisson para aproximar probabilidades binomiales.
9. Resolver problemas sencillos que comprendan probabilidades binomiales o de
Poisson.

Sinopsis del capítulo

Introducción
Variables aleatorias
Valor esperado de una variable aleatoria
Sumas de variables aleatorias
Distribuciones probabilísticas
Distribuciones discontinuas
Distribución binomial
Fórmula binomial
Tablas binomiales
Probabilidades binomiales individuales
Tabla binomial acumulativa
 Características de las distribuciones binomiales
Distribución de Poisson
Fórmula de Poisson
Aplicación que comprende el tiempo
Aplicación que comprende el área
Tablas de Poisson
Probabilidades individuales de Poisson
Tabla acumulativa de Poisson
La distribución de Poisson como una aproximación y la binomial
Otras distribuciones discretas.

INTRODUCCIÓN
¿POR QUE CUANDO se tira al aire una moneda, algunas veces cae cara y otras
veces cruz? ¿Por qué cuando se arroja un dado, éste cae sobre una cara en lugar de
caer sobre cualquier otra? Se dice que éstas y otras situaciones semejantes son
regidas por el azar, pero, ¿qué es exactamente el azar?
La mejor explicación sería considerar el azar como la interacción de un gran
número -quizá en extremo grande- de factores que influyen colectivamente en el
resultado de un experimento o muestra. No parece aventurado suponer, en el caso del
dado, que la fuerza con la que se arroja, las corrientes de aire, el ángulo que forma al
caer, el “coeficiente de rebote” respecto de la superficie sobre la que cae, las veces que
se haya agitado antes de lanzarse, etc., influyen en el resultado. Como sería
virtualmente imposible controlar o regular todos estos factores, o predecir cómo
interactúan en cualquier tirada para afectar el resultado, no se puede especificar con
precisión cuál será el resultado que se obtendrá en determinado tiro. Además, la misma
incapacidad para saber por anticipado qué resultado, de un conjunto posible, se
obtendrá en cualquier intento es una característica inherente de todo proceso en el que
interviene el azar, como en el caso de barajar naipes, sacar conejos de un sombrero o
del muestreo.
Por otra parte, si se supone que los mismos factores interactúan de igual o
semejante forma con respecto a muchas observaciones repetidas, se observa que
existe predicibilidad “en el largo plazo”. En otras palabras, determinados resultados
pueden ser más factibles que otros, lo cual sería más evidente, dado un número
considerable de observaciones.

VARIABLES ALEATORIAS
La variable que tiene resultados o valores que tienden a variar de observación en
observación debido a los factores relacionados con el azar, recibe el nombre de
variable aleatoria. Es muy conveniente, dada su importancia práctica, definir una
variable aleatoria asociada con una muestra o experimento, de tal manera que sus
resultados posibles sean numéricos. Por ejemplo, el experimento de tirar la moneda
una sola vez tiene dos posibles resultados, C y Cr*, los cuales no son numéricos. De
otra manera, el “número de caras de una tirada” se consideraría como la variable
aleatoria que tiene como posibles valores numéricos 0 y 1. Por la misma razón, nuestra
variable aleatoria podría ser “el número de cruces en una tirada”. En el caso de una
moneda que se tira dos veces al aire, la variable aleatoria podría ser “el número de
caras en dos tiradas”, y tener como posibles resultados 0, 1, 2. Otra variable aleatoria
podría ser el número de clientes que entran a una tienda de discos en un lapso de 20
minutos: 0, 1, 2, 3, 4,.... Aun más, otra variable aleatoria podría ser la estatura de los
estudiantes de una clase en la Universidad, con una variedad continua de valores que
quedaría comprendida entre 1.20m y2.10 m.
Una variable aleatoria es una función valorada numéricamente, cuyo valor está regida por
factores en los que interviene el azar.

Las variables aleatorias pueden ser discretas o continuas.

Una variable aleatoria se considera discreta si los valores que asume se pueden contar.

Como ejemplos representativos de variables aleatorias discretas se encuentran

el número de accidentes que ocurren durante una semana, número de defectos de los
zapatos, cantidad de cosechas perdidas, número de terremotos, número de juegos
perdidos por inasistencia y la cantidad de libros que hay en un estante.
Una variable aleatoria se considera continua si puede asumir cualquier valor dentro de un
determinado intervalo.

Una variable continua tiene un número infinito de valores posibles. Como

ejemplos típicos tenemos: peso de las cajas de naranjas, altura de los pinos, duración
de una conversación telefónica y el tiempo que se requiere para llevar a cabo un
examen de tipo ensayo.
La diferencia que existe entre variables aleatorias discretas y continuas es muy
importante, debido a que los diferentes modelos de probabilidad (distribuciones) se utili-
zan según el tipo de variable aleatoria en consideración.

Valor esperado de una variable aleatoria

Si una variable aleatoria x asume los valores x1, x2, x3, ... , x,,, con las
probabilidades correspondientes p1, p2, p3, ... , pn, entonces el valor esperado de la
variable aleatoria E(x) es

*
N. del S. Se adoptan estos símbolos para designar al anverso o cara y al reverso o cruz,
respectivamente de una moneda.
 Por tanto*

Supóngase que una tienda de aparatos electrodomésticos ha reunido los

siguientes datos sobre ventas de congeladores:

E(x) = 0.20(0) + 0.30(1) + 0.30(2) + 0.15(3) + 0.05(4) = 1.55

Como obviamente la tienda no puede vender en realidad 1.55 congeladores en
un día, determinado (dado que la cantidad vendida es una variable discreta que consta
de los enteros 0, 1, 2, 3 y 4), la pregunta obvia es cómo interpretar dicha cifra. Es muy
simple, el valor esperado es un promedio de largo plazo.
En forma semejante, si se tira un dado no cargado, ¿cuál es el valor esperado de
una tirada? Hay seis resultados que tienen la misma probabilidad, y el valor esperado
es

Una vez más, 3.5 es un evento imposible en lo referente a una sola tirada, pero
ciertamente es razonable en términos de un promedio calculado sobre muchas
pruebas.

El valor esperado de un experimento es un promedio y se puede calcular como sigue

Es interesante observar que el valor esperado se puede calcular aun cuando no

se hayan llevado a cabo observaciones muestrales, como en el caso del dado, y el

*
Cabe observar que esto es idéntico a la determinación de la media de una distribución de frecuencias
utilizando frecuencias relativas.
valor esperado se puede estimar a partir de datos de muestreo, como en el ejemplo de
las ventas de congeladores.
Ejemplo 1 Un inversionista se da cuenta de que tiene una probabilidad de 0.40
de obtener una utilidad de $25 000, y una probabilidad de 0.60 de perder $15 000 en
una inversión. Su ganancia esperada es
0.40(25 000) + 0.60(-15 000) = $1000
Obsérvese que la pérdida de $15 000 tiene el signo menos.
Ejemplo 2 Un contratista hace las siguientes estimaciones:

El número esperado de días para la terminación del proyecto, según estas

estimaciones, es
0.30(10) + 0.20(15) + 0.50(22) = 17 días
Los cálculos de valor esperado pueden comprender el número de ocurrencias,
como: el número de errores cantidad de productos defectuosos, número de accidentes,
etc., así como determinados resultados financieros, como utilidades, pérdidas o
ganancias, rendimientos de inversión, etc.
Cuando las decisiones en finanzas se basan en valores esperados, se supone
que existe una valuación lineal de las cantidades de dinero. Es decir, se supone que el
valor de una cantidad de $ 2000 es el doble del valor de $ 1000 para el tomador de
decisiones. Pero éste no siempre es el caso. Si una persona necesita una moneda de
10 centavos para hacer una llamada telefónica, nueve centavos no se pueden
considerar como el 90% de la moneda de 10. En forma similar, si una pequeña
compañía constructora necesita $ 50 000 para seguir laborando, debe considerar dos
ofertas: un 10% de probabilidad de obtener $ 50 000 en una obra [valor esperado =
0.10(50 000) = $ 5000], o bien, un 90% de probabilidad de obtener $ 30 000 en otra
[valor esperado = 0.90 (30 000) = 27 000] posiblemente seleccionaría el trabajo más
riesgoso y que tiene el valor esperado más bajo, ya que necesita los $ 50 000 para
seguir su negocio. En este caso se diría que hay una valuación no lineal.

Sumas de variables aleatorias

Existe cierto número de situaciones en las que se deseará considerar una
variable aleatoria que sea por sí misma la suma de dos o más variables aleatorias. En
estos casos se debe poder determinar la media y la desviación estándar respecto a la
variable aleatoria resultante. Supóngase que se tienen dos variables aleatorias, x, y, y
que se conoce la media y la desviación estándar de cada una. A partir de esta
información, se puede determinar la media y la desviación estándar de la suma de las
dos variables aleatorias. Si para x se tiene µx, y σx, y para y, µy, y σy, entonces para x +
y se tiene

Nótese que las desviaciones estándar nunca se suman, solamente se pueden

sumar las variancias. Por tanto, para encontrar la variancia del total, se suman las
variancias. Posteriormente se saca la raíz cuadrada de la variancia total si se quiere
obtener la desviación estándar del total. Por ejemplo, se conectarán dos tramos de
tubería, que provienen de una distribución que tiene una media de 10.0 pies y una
desviación estándar de 3 pies. Es posible calcular la media y la desviación estándar de
dicha sección.

Si se hubiera querido unir cuatro tramos de tubería, la media y la desviación

estándar de la longitud total hubieran sido

La media de la suma de dos o más variables aleatorias es igual a la suma de las medias de
dichas variables.
La variancia de la suma de dos o más variables aleatorias es la suma de las variancias de
dichas variables.

EJERCICIOS
1. Clasifique cada una de las variables aleatorias siguientes, ya sea como discretas
o continuas:
a. Las edades de niños que están en una cafetería.
b. El número de niños que se encuentran en una cafetería.
c. Litros de gasolina vendidos el martes en una gasolinera.
d. Número de actores de una obra de teatro.
2. El 10% de autos usados de un lote tienen problemas con el sistema eléctrico. Si
hay 82 automóviles en el lote, ¿cuál es el número esperado de autos del lote que
tienen problemas con el sistema eléctrico?
3. El número de llamadas telefónicas que se registran en un conmutador, y sus
respectivas probabilidades en un intervalo de tres minutos, se ilustra en la
siguiente tabla:
 Según el promedio ¿cuántas llamadas se podrían registrar en un intervalo de
tres minutos?
4. Una compañía está trabajando en cuatro proyectos independientes, A, B, C y D,
con utilidades esperadas de $ 4000, $ 5000, $ 10 000 y $ 20 000, y con desvia-
ciones estándar de $ 100, $ 300, $ 200 y $ 400. Determinar la utilidad esperada
total de esos cuatro proyectos y la desviación estándar de dicho total.
5. Una variable aleatoria x tiene una media de 15 y una variancia de 2, en tanto que
una variable aleatoria y tiene una media de 6 y una variancia de 1.
a. Encuentre µ = x + y
b. b. Determine σ = x + y
6. La Secretaría de Salud Pública informa que alrededor del 15% de los adultos de
la nación se verán afectados por determinada enfermedad en los siguientes 12
meses. En el caso de una ciudad con una población de 250 000 adultos,
¿cuántos se espera que surgirán con dicha enfermedad?
7. Una pastelería llevó un registro de los pedidos (ver la tabla) de pasteles de
chocolate de 7 pisos. Encuentre el número esperado de los pedidos de pasteles.

8. Un proceso de fabricación que consiste de tres pasos requiere de un tiempo pro-

medio de 15 minutos para la terminación del primer paso, 25 minutos para el se-
gundo y 30 minutos para el tercero. Las desviaciones estándar respectivas son
de tres, cuatro y cinco minutos. Encuentre la media y la variancia del tiempo total
de terminación del proceso.
9. Un billete de lotería tiene 0.00001 de probabilidad de ganar $ 100 000, 0.0002 de
de ganar $ 50 000 y 0.004 de ganar 25 000 ¿Cuál sería el precio justo que se
debería pagar por el billete?
10. Se selecciona un varón de un numeroso grupo. El peso promedio del grupo es
de 81 kg y la desviación estándar es de 9 kg. También se escogerá una mujer de
un grupo semejante, que tiene una media de 63.5 kg y una desviación estándar
de 6 kg. Obtenga la media y la variancia de los pesos combinados de un hombre
y una mujer.
11. Repita el ejercicio 10, pero ahora considerando los pesos combinados de tres
hombres.
DISTRIBUCIONES PROBABILÍSTICAS
Son las de distribuciones de frecuencias para los resultados de un espacio
muestral (por ejemplo, para los resultados de una variable aleatoria). Las frecuencias
son frecuencias relativas, o probabilidades. De este modo, las probabilidades indican el
porcentaje de veces respecto a un gran número de observaciones en que se espera
que se presenten los diversos resultados de una variable aleatoria. A menudo se
utilizan tablas o gráficas para mostrar cómo la probabilidad total asignada a un espacio
muestra¡ (100%) se distribuye en relación con los resultados de dicho espacio.
Una distribución probabilística es una distribución de frecuencias relativa respecto a resultados
del espacio muestra¡; señala la proporción de veces en que la variable aleatoria tiende a
adoptar diversos valores.

Considérese la variable aleatoria “número de caras al tirar dos veces al aire una
moneda”. La lista de los puntos en el espacio muestral y los valores correspondientes
de la

Si la moneda no está cargada, P(C) = P(Cr) = ½. Las probabilidades de los

diferentes resultados son

De esta manera la distribución de probabilidad para el número de caras al tirar

dos veces una moneda común es

Obsérvese que las probabilidades suman 1.00, ya que los resultados muestran
que son mutuamente excluyentes y colectivamente exhaustivos. La misma distribución
se puede mostrar en forma acumulada.

Gráficamente, esto se presentaría según se muestra en la figura 4.1.

FIGURA 4.1 Distribución probabilística individual y distribución probabilística acumulada para el

“número de caras al tirar-una moneda dos veces”.
Supóngase que una moneda se lanza en una situación donde P (C) = 0.60 (y así,
P(Cr) = 0.40). Por tanto, se tiene una distribución probabilística diferente para el número
de caras al tirar dos veces la moneda.

Gráficamente, esta distribución se representaría como se muestra en la figura

4.2.
 Nótese que, dada una distribución de probabilidad, es fácilmente evidente que
algunos resultados de una variable aleatoria sean más probables que otros. Además, la
probabilidad de un determinado resultado, o grupo de resultados, se puede determinar
sin mucho esfuerzo. En términos prácticos, por lo general no es necesario molestarse
en calcular cada una de las probabilidades para obtener una distribución probabilística.
Para ello se dispone de tablas y fórmulas. En consecuencia, el problema real no es
“¿cómo se derivan los valores?”, sino ¿”cómo se utilizan las distribuciones para resolver
problemas?”
Ahora, además del hecho de que las distribuciones probabilísticas proporcionan un
método sencillo para la determinación de ciertas probabilidades, los tipos de
distribución se pueden considerar como modelos que describen situaciones que
comprenden resultados generados aleatoriamente.

FIGURA 4.2 Gráfica de la distribución probabilística para el número de caras en dos

lanzamientos de una moneda” cuando P(caras) = 0.60 en cada tirada.
En el Capítulo 1 se explicó el uso de modelos como base para la toma de
decisiones racionales. Los modelos comprenden establecer supuestos simplificadores y
eliminar detalles sin importancia y a menudo se puede utilizar para hacer que los
problemas complejos sean más cortos y fáciles de manejar.
Un resultado de esta simplificación en el uso de modelos es que en sus formas
más puras, pocos problemas son realmente únicos. En consecuencia, con mucha
frecuencia se puede utilizar un reducido número de modelos básicos para obtener
soluciones para una amplia variedad de problemas que, a primera vista, parecen no
estar relacionados. Esto es especialmente cierto en la labor estadistica. Algunos
modelos básicos se pueden utilizar para resolver la mayoría de los problemas. Por
ejemplo, el tirar al aire monedas, encontrar artículos defectuosos en una remesa de
productos manufacturados, y el adivinar las respuestas en un examen, generalmente se
manejan mediante el mismo tipo de distribución probabilística. La identificación de esto
ha dado lugar al desarrollo de un conjunto de técnicas estandarizadas útiles para la
obtención de soluciones para muchos problemas “diferentes”. Esto permite a un
administrador u otra clase de analista emplear la estadística para resolver un
determinado problema sin tener que empezar cada vez desde el principio.
En estadística existe una gran variedad de tipos de distribuciones probabilísticas,
cada una de las cuales tiene su propio conjunto de supuestos que definen las
condiciones en las que cada tipo de distribución se puede emplear eficazmente. La
clave del uso de distribuciones probabilísticas es hacer corresponder los supuestos de
un tipo de distribución con las características de la situación real. Una vez que se lleva
a cabo la correspondencia, el análisis se transforma en una cosa relativamente simple,
ya que las distribuciones probabilísticas se pueden utilizar para resolver una clase de
problemas, y todos ellos, dentro de cada clase, se manejan esencialmente de la misma
manera.
En este capítulo se presentan algunos tipos de distribuciones probabilísticas,
básicas pero muy importantes. A medida que se avance, el lector deberá concentrarse
en las preguntas siguientes:
1. ¿Qué supuestos o restricciones básicas requiere cada una de las distribuciones
probabilísticas? Este conocimiento es vital para lograr una correspondencia
satisfactoria entre una variable aleatoria y la situación real.
2. ¿Cómo se pueden utilizar las distribuciones probabilísticas en la resolución de
problemas?
La validez de utilizar determinada distribución para un problema, dependerá de
qué tan cerca se aproxime la situación de éste al conjunto de condiciones supuestas
por la distribución probabilistica. En general, cuanto mejor sea la correspondencia,
mejor será la respuesta.
La esencia de un análisis estadístico es hacer corresponder la suposiciones de cierta
distribución probabilística con los datos específicos de un problema determinado.

La siguiente explicación de las distribuciones probabilisticas está organizada en

dos partes: en este capítulo se estudian las distribuciones discontinuas, en tanto que las
distribuciones continuas se considerarán en el siguiente.

DISTRIBUCIONES DISCONTINUAS
Las distribuciones probabilisticas discontinuas comprenden variables aleatorias
para el tonteo de datos, como el número de acaecimientos por muestra o la cantidad de
ocurrencias por unidad con respecto a un intervalo de tiempo, área o distancia. En pá-
ginas siguientes se hablará acerca de dos distribuciones discontinuas muy importantes:
la binomial y la de Poisson.
DISTRIBUCIÓN BINOMIAL
El término “binomial” se utiliza para designar situaciones en las que los
resultados de una variable aleatoria se pueden agrupar en dos clases o categorías. Por
tanto, los datos son nominales. Las categorías deben ser mutuamente excluyentes, de
manera que es evidente a qué clase pertenece una observación en particular, y las
clases deben ser colectivamente exhaustivas, por lo que no es posible obtener ningún
otro resultado.
Hay muchos ejemplos de variables aleatorias que se pueden clasificar como
binomiales: respuestas a un examen de verdadero-falso, respuestas afirmativas o
negativas a un cuestionas o, productos manufacturados clasificados como defectuosos
o satisfactorios, pequeños de un jardín de niños que han sido vacunados o no, y
sistemas de calificación de aprobado-no aprobado. Además, en general, las variables
con resultados múltiples se pueden, tratar como binomiales cuando sólo uno de los
resultados es de interés. De ahí que las respuestas a un examen de opción múltiple
pueden ser correctas o incorrectas; en una urna puede haber canicas de cinco colores,
pero si lo que deseamos es sacar sólo una canica verde, el resultado se puede
considerar como verde- no verde; o bien, puede haber cinco aspirantes para una sola
vacante de empleo, y el resultado final se puede establecer en términos de aceptado o
no aceptado. De igual forma, la correspondencia puede ser local o para el extranjero, y
las llamadas telefónicas pueden ser locales o de larga distancia. Aun los resultados de
una variable continua se pueden reducir a dos clases mutuamente excluyentes. Por
ejemplo, la velocidad de un automóvil se puede considerar (y comúnmente así ocurre)
como dentro del límite legal de velocidad o por encima de dicho limite. Similarmente, se
puede decir si un atleta corre 1 km en menos de cuatro minutos o si no lo logró, si una
persona tiene una estatura mayor de 1.80 o no, etc.
Es completamente normal referirse a las dos categorías de una distribución
binomial como “exito” y “fracaso”, aunque para los objetivos del cálculo no importa a
cuál se le dé un nombre u otro, dado que las dos son complementos. Por ejemplo, si
interviene en un juego de azar con un amigo, el éxito de usted representa el fracaso de
este último.
Con frecuencia, a las observaciones de un experimento binomial se les conoce
como “ensayos”. Por ejemplo, un problema puede requerir la determinación de la
probabilidad de cinco resultados satisfactorios en siete ensayos (observaciones).
La distribución binomial sirve para determinar la probabilidad de cierto número de
resultados satisfactorios en un número dado de observaciones. Por ejemplo, supóngase
que se sabe que el 80% de los votantes registrados en un distrito tienen más de 30
años de edad. Si alguien quiere saber la probabilidad -en una muestra de 10 votantes
registrados- de encontrar siete o más votantes mayores de 30 años, se diría entonces
que el éxito es igual a número de votantes registrados, y que P(éxito) = 0.80.
Ahora, para utilizar la distribución binomial es necesario satisfacer ciertos
supuestos, los cuales se enumerarán a continuación:
1. Existen n observaciones o ensayos idénticos.
2. Cada ensayo tiene dos posibles resultados, uno denominado “éxito” y el otro
“fracaso”.
3. Las probabilidades de éxito p y de fracaso 1 - p se mantienen constantes para
todos los ensayos.
4. Los resultados de los ensayos son independientes entre sí.
 Existen dos métodos para obtener las probabilidades de una variable aleatoria que
está distribuida binomialmente. Uno de ellos consiste en utilizar la fórmula binomial, y el
otro en consultar una tabla de probabilidades binomiales.
Fórmula binominal
Para calcular la probabilidad binomial es necesario especificar n, que es el
número de ensayos; x, que es el número de éxitos y p, que es la probabilidad de éxito
en cada ensayo. Supóngase que p = 0.80 [y por tanto, p(fracaso) = 0.20], y que se
quiere determinar la probabilidad de obtener tres éxitos (y un fracaso) en cuatro
observaciones. Ahora hay cuatro formas de obtener exactamente tres éxitos de cuatro
observaciones. Cada una de las formas se muestra a continuación, junto con su
respectiva probabilidad.

La probabilidad de obtener tres éxitos y un fracaso, es la suma de todas las

formas de obtener tres éxitos en cuatro observaciones. En este caso, la suma es
0.4096. Se debe observar que' cada situación tiene la misma probabilidad de ocurrir, ya
que los mismos números se multiplican juntos: solamente su orden es diferente. Esto
siempre se cumple.
Esta observación conduce a las siguientes pautas. Las probabilidades de obtener
resultados binomiales se pueden determinar matemáticamente, tomando en considera-
ción dos cosas: el número de formas en que puede ocurrir la situación y la probabilidad
de una de dichas formas. Nótese también que la primera es realmente el número de
permutaciones que se pueden distinguir,

Más aún, en el Apéndice B se presenta una tabla (tabla E) de valores seleccionados de

coeficiente binomiales, es decir

-por lo que generalmente es innecesario calcular esos valores.

Quizá el método más sencillo para determinar la probabilidad de una de las
situaciones es considerar el caso en el que todos los éxitos ocurren primero y todos los
fracasos después. De tener tres éxitos y un fracaso, (es decir, EEEF) y la probabilidad
es entonces, (0.8) (0.8) (0.8) (0.2), o bien, (0.8)3 (0.2)1. De este modo, P(x = 3) = 4(0.8)3
(0.2)1 = 0.4096.
 Uniendo estas dos ideas -número de formas y probabilidad de una de ellas- se
obtiene lo siguiente:

en donde,

= número de formas de obtener x éxitos y n-x fracasos en n ensayos

Nótese que si se quiere obtener x éxitos en n observaciones, entonces se deben
esperar n - x fracasos, ya que x + n - x = n, que es el total de observaciones. (Siempre
se deberá comprobar que los exponentes se sumen a n, al utilizar este método.)
A continuación se presentan algunos ejemplos de cómo utilizar la fórmula para
realizar los cálculos.

La fórmula también se puede emplear para obtener probabilidades acumuladas,

al calcular y posteriormente sumar las probabilidades individuales. He aquí algunos
ejemplos.
EJERCICIOS
Utilice la fórmula binomial para contestar las siguientes preguntas.
1. Una empresa que fabrica mesas de billar sospecha que el 2% de su producción
está defectuosa en alguna forma. Si esta sospecha es correcta, encuentre la pro-
babilidad de que en una muestra de nueve mesas:
a. haya por lo menos una defectuosa.
b. no haya mesas defectuosas.
2. De los alumnos de una universidad, el 41% fuma. Se eligen seis alumnos para
conocer sus opiniones sobre el cigarro.
a. Encuentre la probabilidad de que ninguno de ellos fume.
b. Obtenga la probabilidad de que todos fumen.
c. Determine la probabilidad de que por lo menos la mitad de los seis fumen.
3. El 12% de los que hacen reservaciones para un vuelo en avioneta a menudo no
llegan a tiempo para abordarla. Dicha avioneta tiene capacidad para 15
pasajeros.
a. Obtenga la probabilidad de que las 15 personas que hicieron
reservaciones aborden la avioneta.
b. Si se anotaron 16 reservaciones, encuentre la probabilidad de que:
1) se quede una persona.
2) no se quede ninguna.
3) se quede más de una.
4. Un vendedor de autos nuevos observa que el 80% de los autos vendidos son
regresados al departamento de servicio para corregir diversos defectos de fabri-
 cación en los primeros 25 días después de su compra. De los 11 autos que se
vendieron en un periodo de cinco días, ¿cuál es la probabilidad de que:
a. todos regresen en el lapso de 25 días para recibir servicio?
b. solo uno no regrese?
5. Suponga que el 8% de los emparedados que se venden en un estadio de béisbol
se pidan sin mayonesa. Si siete personas ordenan emparedados encuentre la
probabilidad de que:
a. todas los quieran con mayonesa. b. solo una lo quiera con mayonesa.

TABLAS BINOMIALES
Las tablas de probabilidad ofrecen un método muy práctico para el análisis
estadístico; proporcionan probabilidades con muy poco esfuerzo. Hay dos tipos de
tablas binominales. Uno proporciona las probabilidades de los resultados únicos o
individuales de una variable aleatoria, en tanto que el otro establece las probabilidades
de un conjunto de resultados. Aun cuando las dos tablas contienen esencialmente la
misma información, algunos problemas utilizan más un tipo de tabla que otro, por lo que
se habrán de considerar lo dos tipos.
Probabilidades binomiales individuales
Cuando él interés radica en la determinación dé la probabilidad dé un valor único
en una distribución binomial (como la probabilidad dé obtener exactamente cuatro resul-
tados satisfactorios en seis observaciones), entonces puede ser muy útil una tabla dé
probabilidades binomialés individuales. Como sucede con la fórmula, sé requieren tres
factores dé información: n, qué es él número dé observaciones, p, qué es la probabili-
dad del éxito, y x, qué es la cantidad especifica dé éxitos.
En la tabla 4.1 sé muestra parte dé una tabla binomial. En la parte superior dé
dicha tabla sé indican los valores seleccionados dé p, los cuales varían en incrementos
dé 0.05. En la parte inferior del lado izquierdo dé la tabla sé encuentran los tamaños dé
la muestra n. Obsérvese qué, para cada n, él número posible dé éxitos x sé listan (dé 0
a n). En él Apéndice sé proporciona una tabla dé probabilidades binomialés más
extensa.
Utilícese la tabla 4.1 para obtener la probabilidad. Supóngase qué sé quiere
encontrar la probabilidad dé 5 éxitos (x = 5) en 8 observaciones (n = 8) cuando la
probabilidad dé éxito es 0.30. La tabla sé emplea como sigue:
1. En la parte superior sé encuentran los valores dé p, allí encontrará él qué busca.
2. En la parte lateral dé arriba hacia abajo, sé localiza él valor n. Encuentre él
número deseado dé éxitos x en la lista dé resultados respecto a ese subconjunto.
3. La probabilidad dé x éxitos sé encuentra en la intersección dé la fila situada en la
parte 2 y la columna dé la parte 1.
 Dé este modo, la probabilidad dé obtener exactamente 5 éxitos en 8
observaciones, cuando la probabilidad dé lograr éxitos en cada observación es dé 0.30
y 0.0467. En la tabla 4.1 este valor sé encuentra encerrado en un círculo.
La siguiente tabla ilustra las probabilidades qué sé encontraron en la tabla A del
Apéndice. Puede ser útil verificar en la tabla los números presentados.

Tabla binomial acumulativa

Muchos problemas en estadística requieren del empleo dé la probabilidad
combinada dé un grupo dé resultados en lugar dé un resultado único. Por lo general, los
resultados oé interés son aquellos qué son mayores a cierto número especificado. Por
ejemplo, él interés puede concentrarse en la probabilidad dé obtener 5 o menos caras
en 10 tiradas de una moneda. Tales preguntas sé pueden contestar utilizando una tabla
dé probabilidades binomialés individuales, no obstante, este método requerirá buscar
las probabilidades en la tabla, y después sumarlas: P(0) +. P(1) + P(2) + P(3) + P(4) +
P(5).
 Una alternativa más eficaz es utilizar una tabla de probabilidades acumulativas,
ya que en una tabla de este tipo los valores individuales ya están sumados
(acumulados), lo que ahorra tiempo, y reduce la posibilidad de cometer errores en el
cálculo.
El formato de una tabla binomial acumulativa es casi idéntica a la tabla de
probabilidades binomiales individuales. Los valores seleccionados de p y la probabilidad
de éxito se enumeran en la parte superior de la tabla, en tanto que el número posible de
ocurrencias (éxitos) para varios tamaños muestrales se indica en sentido descendente
en uno de los lados de la misma. Las probabilidades que se muestran son para x o
menos éxitos, en lugar de para la probabilidad de exactamente x éxitos, como se
observa en la tabla de probabilidades binomiales individuales. En la tabla 4.2. se
muestra una parte de una tabla acumulativa. El valor encerrado en un círculo 0.9360, es
la probabilidad de que en tres observaciones haya dos o menos éxitos (es decir, 0 ó 16
2) cuando la probabilidad del éxito es 0.40.
Una tabla acumulativa se puede utilizar en diferentes formas. Puede emplearse
para encontrar directamente la probabilidad de que x sea igual a cierto número
específico de éxitos o menor a éste. Y se puede utilizar indirectamente para obtener,
tanto la probabilidad de que x sea mayor que cierto número de éxitos, como la
probabilidad de obtener exactamente x éxitos. Esto se debe al hecho de que los
resultados son mutuamente excluyentes y colectivamente exhaustivos; sus
probabilidades en cualquier ejemplo dado sumarán 1.00. Por tanto, si se encuentra
P(x≤6) = 0.72, entonces P(x > 6) = 1.00 - 0.72 = 0.28.
Un pequeño truco que ayudará a evitar cierta confusión es enumerar o listar los
resultados posibles para una situación dada, y subrayar los resultados para los que se
desea obtener las probabilidades. Por ejemplo, supóngase que se quiere determinar la
probabilidad de 3 o menos éxitos en 7 observaciones. Primero se deberán enumerar los
éxitos posibles:
01234567
A continuación, se subrayarán los de interés
0 1 2 3 4567
(3 o menos)
Como la tabla muestra la probabilidad de x o menos éxitos, se puede buscar
directamente la probabilidad de 3 o menos [dados n y P(éxitos)]. Es decir
01234567
la tabla muestra la probabilidad de cualquiera de este número de éxitos.
Para obtener la probabilidad de más de 3 (es decir, 4, 5, 6 6 7), se deberá
encontrar la probabilidad de tres o menos y restarla de 1.00:
 También se puede utilizar una tabla acumulativa para determinar las
probabilidades individuales. Por ejemplo, para encontrar la probabilidad de exactamente
4 éxitos, reste P(3 o menos) de P(4 o menos):
 Considérese este ejemplo. Si P(éxito) = 0.50 y n = 4 utilice la tabla acumulativa
para encontrar P(x = 3):
P(x < 3) comprende 1 2 3 y es iguala 0.9375
P(x < 2) comprende 1 2 y es igual a 0.6875
P(x = 3) comprende 3 y es igual a 0.2500
En la tabla 4.3 se ilustran los diversos usos de la tabla acumulativa, y la forma
como se pueden obtener las probabilidades deseadas. Si se estudia con cuidado, se
estará en condiciones de contestar la mayoría de los problemas que puedan resultarle
difíciles.
TABLA 4.3 Uso de una tabla binomial acumulativa

Las tablas ofrecen el método más sencillo y práctico para determinar probabilida-
des, no obstante, hay situaciones en las que las probabilidades deseadas no se pueden
obtener a partir de tablas como las que se han venido empleando. Por ejemplo, supón-
gase que P(éxito) = 0.12. La tabla no incluye este valor. Para mayor seguridad, se dis-
pone de tablas más grandes y extensas, y muchas bibliotecas las tienen en sus
secciones de referencia. Pero no siempre es práctico hacer un viaje hasta la biblioteca.
Por éstas y otras razones, será útil emplear la fórmula binomial para obtener las
probabilidades deseadas.

Características de las distribuciones binomiales

Cualquier tipo de distribución probabilística presenta ciertas características que la
diferencian de otros tipos de distribución de probabilidades. Muy a menudo conocer
estas diferencias proporciona una mejor comprensión de cuándo utilizar un tipo de
distribución, un mejor entendimiento de cómo se pueden emplear algunas
distribuciones a fin de aproximar probabilidades para otros tipos de distribución y, en
general, una mejor apreciación de los conceptos del análisis estadístico.
Como los datos están en forma de cuentas, el número de éxitos siempre deberá
ser un valor entero (0, 1, 2, 3...). Sin embargo, algunas veces es útil expresar el número
de éxitos como un porcentaje del número de observaciones. Por ejemplo, 2 éxitos en 10
observaciones equivaldrían a 0.20 ó 20%. Asimismo, otro método de representar una
distribución binomial es utilizar una gráfica de barras en lugar de un histograma. La
gráfica de barras es especialmente útil para ilustrar la distribución cuando se trabaja
con un porcentaje de éxitos en lugar de con una cantidad de éxitos. Véase la figura 4.3.
La media de una distribución binomial es el promedio a largo plazo, o el valor
esperado de una variable aleatoria binomial. La desviación estándar de una distribución
binomial indica el grado en que los valores muestrales tenderán a variar a partir de la
media de la distribución. En el caso del binomio, tanto la media como la desviación
estándar se pueden expresar en términos del número o el porcentaje de éxitos. Las
fórmulas se presentarán a continuación.

FIGURA 4.3 Generalmente se utiliza un histograma cuando la variable aleatoria es el número

de éxitos; en lo referente al porcentaje de éxitos se utiliza una gráfica de barras.
Ejemplo 3 Supóngase que la probabilidad de éxito es 0.10 y el número de
observaciones es 100. Encuentre la media y la desviación estándar de la distribución
probabilística, tanto para el número como para el porcentaje de éxitos.
Solución:
 La media de 10 en lo referente a número de éxitos se interpreta como el número
promedio de éxitos a largo plazo en muestras de 100 observaciones. En forma
semejante, el porcentaje de éxitos a largo plazo en muestras de 100 es 0.10: Las dos
desviaciones estándar reflejan la variabilidad que presentarán las muestras
individuales. Cabe observar que el 3% de 100 es 3; las dos formas alternativas son
equivalentes.
 FIGURA 4.4 Una distribución binomial será simétrica para p = 0.5, sesgada hacia la derecha
para p < 0.5 y sesgada hacia la izquierda para p > 0.5.
La distribución binomial tiene dos parámetros: p, que es la probabilidad de éxito,
y n, que es el número de observaciones. Cada combinación de p y n se refiere a una
distribución única o espacio muestral. Obsérvese cómo los valores sombreados en la
tabla binomial se utilizaron para elaborar las distribuciones de la figura 4.4.
En el caso de cualquier tamaño muestral n, una distribución de probabilidad
binomial será simétrica para p = 0.50, pero sesgada hacia la derecha si p es mayor que
0.50, y hacia la izquierda si p es menor de 0.50, como se muestra en la figura 4.4. Esta
tendencia a sesgarse cuando p no es 0.50 disminuye a medida que n aumenta.
EJERCICIOS
1. Utilice una tabla binomial (ya sea individual o acumulativa) para determinar la
probabilidad de x éxitos:

2. Los registros de una pequeña compañía de servicios indican que el 40% de las
facturas que envían son pagadas después de la fecha de vencimiento. Si se
envía 14 facturas, encuentre la probabilidad de que:
 a. ninguna se pague con retraso.
b. cuando menos dos se paguen con retraso.
c. cuando menos la mitad se paguen con retraso.
3. Una compañía de exploración petrolera observa que en casi el 5% de los pozos
de prueba que perfora, encuentra un depósito de gas natural. Si perfora seis
pozos, obtenga la probabilidad de que al menos en uno se encuentre gas.
4. Una prueba de opción múltiple presenta cuatro alternativas por pregunta y 14
preguntas. Si la calificación aprobatoria depende de obtener nueve o más res-
puestas correctas, ¿cuál es la probabilidad de que un estudiante que adivina
todas las preguntas apruebe el examen?
5. Una compañía de bienes raíces observa que 1 de 10 compradores potenciales
de casas prometen comprar una si regresan por segunda vez. En 10 de estos
casos, encuentre la probabilidad de que ninguno haga una oferta.
6. En una encuesta reciente se concluyó que únicamente el 15% de los médicos de
un área rural fuman. Se observó que dos de los ocho médicos seleccionados de
una lista suministrada por el directorio médico local, también fuman. Suponiendo
que la encuesta esté en lo correcto, ¿cuál es la probabilidad de obtener este re-
sultado?
7. Las investigaciones médicas señalan que el 20% de la población general sufre
efectos negativos colaterales al ingerir un nuevo fármaco. Si un médico receta
dicho fármaco a cuatro pacientes, ¿cuál es la probabilidad de que:
a. ninguno sufra efectos colaterales?
b. todos los tengan?
c. al menos uno presente efectos colaterales?
8. En una reciente encuesta gubernamental se encontró que el 80% de las familias
que viven en una comunidad suburbana, y cuyos ingresos brutos son superiores
a los $ 15 000, poseían dos autos. Suponiendo que el estudio esté en lo cierto si
se selecciona una muestra de 10 familias de esta categoría, obtenga la
probabilidad de que exactamente el 18% de los que integran dicha muestra
tenga dos autos.
9. Un televisor que presenta 10 series de circuitos tiene uno defectuoso. Ocho de
las series son dificiles de remplazar. Encuentre la probabilidad de que la serie
defectuosa no sea una de ellas.
10. Los informes del tránsito indican que el 25% de los vehículos que se detienen en
una autopista interestatal no son sometidos a una revisión de seguridad. Si se
detienen 16 vehículos, encuentre la probabilidad de que:
a. 2 o más no satisfagan las normas de seguridad.
b. 4 o más no las satisfagan.
c. 9 o más no las cumplan.
11. Un comentarista de deportes acierta al señalar al ganador en 6 de 10 partidos de
béisbol. Si una persona simplemente está adivinando, ¿cuál es la probabilidad
de que pueda igualar o superar dicha marca?
12. Una moneda común se lanza tres veces al aire acertando siempre en su
resultado. ¿Cuál es la probabilidad de repetir este hecho?
13. Según los archivos universitarios, de los estudiantes de una escuela de
enseñanza media superior, el 15% cambia de especialidad por lo memos una
vez durante su primer año de estudios. Si se seleccionan 11 estudiantes de los
grupos de primer año, encuentre la probabilidad de que:
a. todos cambien de especialidad por lo menos una vez.
b. por lo menos nueve hayan cambiado. c. más de la mitad hayan cambiado.
14. Una gran urna contiene 10 000 canicas de colores:

a. De escogerse 20 canicas, obtenga P(2 verdes).

b. Si se seleccionan 19, ¿cuál es la probabilidad de que por lo menos 3 sean
verdes?
c. Si se seleccionan 19, ¿cuál es la probabilidad de que por lo menos 3 sean
blancas?
15. Remesas de 500 productos cada una son aprobadas si en una muestra aleatoria
de 10 se hallan menos de dos defectuosos. Si en realidad una remesa tiene el
5% de artículos defectuosos, ¿cuál es la probabilidad de que sea aprobada?
16. En el caso del ejercicio 15, ¿qué porcentaje de lotes con 10% de productos de-
fectuosos producirán muestras de 10 artículos en las que ninguno estuviese
defectuoso?
17. Un mecánico sabe, con base en su experiencia, que el 90% de las refacciones
que desecha pueden usarse de nuevo. Si para un trabajo se necesitan cinco
partes reutilizables, ¿cuál es el número mínimo de refacciones que deberá
obtener si desea que la probabilidad de devolver partes sobrantes sea menor de
0.12?
18. Calcule la media y la desviación estándar para el número de éxitos en los
siguientes casos:

19. Repita el ejercicio 8 respecto al porcentaje de éxitos.

 20. A veces es imposible que el porcentaje de éxitos de la muestra iguale el
porcentaje de la media. Por ejemplo, cuando n = 4 y p = 0.3, el porcentaje nunca
puede ser 0.30.
a. Enumere los posibles porcentajes de la muestra para este caso.
b. ¿Cómo se interpreta la media de 0.3?
21. Trace dos series de gráficas, una para el número de éxitos y otra para el
porcentaje de éxitos, respecto a las siguientes situaciones:

La distribución de Poisson suele ser útil para describir las probabilidades del
número de acaecimientos con respecto a un campo o intervalo continuo (generalmente
de tiempo o espacio). Algunos ejemplos de variables aleatorias que se pueden
representar o modelar por la distribución de Poisson, son los defectos por centímetro
cuadrado, accidentes por día, clientes por hora, llamadas telefónicas por minuto,
mosquitos por kilómetro cuadrado, cabezas de ganado por hectárea, y así
sucesivamente. Obsérvese que la unidad de medición (por ejemplo, tiempo, área) es
continua, pero que la variable aleatoria, el número de acaecimientos, es discreta.
Además, cabe notar que es imposible contar las fallas o fracasos. El número de
accidentes que no ocurrieron no se puede contar, así como el número de llamadas que
no se realizaron o el número de defectos que no se presentaron en un centímetro
cuadrado. Véase figura 4.5.
El uso de la distribución de Poisson supone lo siguiente:
1. La probabilidad de un acaecimiento u ocurrencia es la misma a través de todo el campo
de observación.
2. La probabilidad de más de un acaecimiento en cualquier punto único es
aproximadamente cero.
3. El número de ocurrencias en cualquier intervalo es independiente del número de
acaecimientos en otros intervalos.

El límite inferior del número de acaecimientos en todas esas situaciones es cero,

y el límite superior -por lo menos teóricamente- es infinito, aun cuando en la mayoría de
los ejemplos anteriores sería difícil imaginar un número ilimitado de ocurrencias. De
este modo, la distribución de Poisson, que va de cero a un número infinito de ocurren-
cias por unidad, puede no representar exactamente cualquiera de los procesos aleato-
rios mencionados en páginas anteriores. No obstante, por lo general, la distribución de
Poisson se puede utilizar como modelo para aproximar estrechamente tales procesos.
En la figura 4.6 se ilustra una típica distribución de frecuencias de observaciones.
Obsérvese que casi toda la probabilidad se concentra cerca del origen, y que la
probabili dad de observar grandes valores de la variable aleatoria es muy pequeña.
Cualquier diferencia entre lo que teóricamente pueda ocurrir y lo que sea probable que
suceda es, por tanto, insignificante. En consecuencia, cuando se dice que una variable
aleatoria está distribuida mediante el método de Poisson, a menudo se quiere decir que
la distribución de frecuencias de acaecimientos respecto a esa variable, se puede
aproximar razonablemente mediante una distribución de Poisson.

FIGURA 4.5 La distribución de Poisson se utiliza para el número de ocurrencias respecto a un

campo continuo, como el área o el tiempo.

FIGURA 4.6 Histograma de una distribución de Poisson típica.

La distribución de Poisson se puede describir en su totalidad por medio de un
solo parámetro, la media, según se señala en la figura 4.6.* De esta manera, sabiendo
que una variable aleatoria tiene resultados que son distribuidos mediante el método de

*
La variancia de una distribución de Poisson es igual a la media: media = µ y variancia = µ.
Poisson, y conociendo el número promedio de ocurrencias por unidad, se puede deter-
minar la probabilidad para cualquiera o todos los resultados posibles. Como sucede con
la distribución binomial, hay dos métodos para llevar a cabo esto. Hay tablas de
probabilidad individuales y acumulativas a partir de las que se pueden obtener probabi-
lidades para medias seleccionadas, y se cuenta con una fórmula que se puede utilizar
en el cálculo de la probabilidad de cualquier media.

Fórmula de Poisson
Si una variable aleatoria se describe mediante una distribución de Poisson, entonces la
probabilidad de considerar (observar) cualquier número dado de ocurrencias por unidad
de medición (minuto, hora, centímetro, metro cuadrado, etc.) se puede obtener
mediante la fórmula en la cual x es el número de ocurrencias; e es la base de
logaritmos naturales (la tabla F del Apéndice tiene valores para e-µ ); λ es la razón
media por unidad; y t es el número de unidades. La cantidad λt representa la cantidad
media de ocurrencias respecto al intervalo t. De esta manera, µ = λt. La fórmula se
puede escribir en una forma más simple sustituyendo la media λt por µ:

Ejemplo 4 Mediante un proceso mecánico se producen alfombras de lana que

presentan un promedio de dos defectos por metro. Encuentre la probabilidad de que un
metro cuadrado tenga exactamente un defecto, suponiendo que el proceso puede ser
aproximado mediante una distribución de Poisson.
Solución:
Se sabe que µ = 2, y a partir de la tabla F del Apéndice, se observa que e-2 -
0.135. De tal manera que

Considérese este ejemplo. Suponga que los barcos arriban a un puerto a razón
de λ = dos barcos/hora, y que esta proporción está bien aproximada mediante el
proceso de Poisson. Si se observa este proceso durante un periodo de media hora (t =
1
/2), encuentre la probabilidad de que (a) no arribe ningún barco y (b) arriben tres
barcos.
Primeramente se encuentra µ

De la tabla F se obtiene que e-1 = 0.368.

Aplicación que comprende el área
Supóngase que los defectos-de la hilaza se pueden aproximar mediante un
proceso de Poisson con una media de 0.2 defectos/metro (λ = 0.2). Si se inspeccionan
longitudes de seis metros (t = 6) calcule la probabilidad de hallar menos de dos defectos
(es decir, 061).
Una vez más, primero se determina µ

De la tabla F se obtiene e-1.2 = 0.301. De este modo

EJERCICIOS
1. Las llamadas de emergencia registradas en el conmutador de una estación de
policía a razón de 4/hora, un fin de semana cualquiera(no en época de
vacaciones) se pueden aproximar mediante la distribución de Poisson.
a. En un lapso de 30 minutos, ¿cuántas llamadas de emergencia se espera
recibir?
b. En un lapso de 30 minutos, ¿cuál es la probabilidad de que no se
registren llamadas?
c. En un lapso de 30 minutos, ¿cuál es la probabilidad de que haya por lo
menos dos llamadas?
2. El número promedio de radios que vende una compañía por día se aproxima
mediante el método de Poisson, con una media de 1.5. Calcule la probabilidad
de que la compañía venda por lo menos cuatro radios durante un:
a. periodo dedos días
b. periodo de tres días
c. periodo de cuatro días
3. Los defectos en un rollo fotográfico de color promedian 0.1 defectos/rollo, y la
distribución que se sigue para determinar el número de defectos es la de
Poisson. Obtenga la probabilidad de que cualquier rollo fotográfico de color
presente uno o más defectos.
4. Los clientes llegan a una exhibición a razón de 6.5 clientes/hora (Poisson).
Calcule la probabilidad de que en cualquier hora dada:
 a. no llegue ningún cliente
b. por lo menos lleguen cinco
c. llegue más de uno
d. lleguen exactamente 6.5

TABLAS DE POISSON
Las tablas de probabilidad de Poisson proporcionan un método conveniente para
obtener las probabilidades con un mínimo de tiempo y esfuerzo. Por esta razón, se
deberán utilizar siempre que sea posible, en lugar del método por fórmulas.

Probabilidades individuales de Poisson

En realidad, las tablas de Poisson son muy semejantes a las tablas binomiales,
aunque a primera vista parecen ser diferentes. Como la distribución de Poisson es una
función sólo de la media del proceso, las tablas están diseñadas para proporcionar las
probabilidades con base en la media del proceso. Parte de la tabla de Poisson
presentada en el Apéndice se muestra en la tabla 4.4. Los valores seleccionados de µ,
la media del proceso (número promedio de ocurrencias por unidad), se enumeran en la
parte superior de la tabla, en tanto, que los resultados posibles se listan hacia abajo. En
la tabla se muestra la probabilidad de obtener exactamente x ocurrencias por unidad.
Por ejemplo, supóngase que se tiene un proceso de Poisson con un promedio de
tres ocurrencias por hora, y se quiere saber la probabilidad de obtener exactamente una
ocurrencia en cualquier hora dada. La respuesta se puede encontrar en la intersección
de µ = 3 y x = 1, según se muestra en la tabla 4.4.
 TABLA 4.4 Parte de una tabla de Poisson

A continuación se presentan algunos ejemplos de probabilidades de Poisson,

obtenidas a partir de la tabla de probabilidades individuales.

Obsérvese en la tabla que para cada media, la suma de las probabilidades de los
diversos resultados posibles es igual a 1.00.

Tabla acumulativa de Poisson

Dicha tabla proporciona sumas de probabilidades, al igual que la tabla binomial
acumulativa. La tabla muestra probabilidades para x o menos ocurrencias, dada la
media del proceso. Parte de una tabla de Poisson acumulativa se muestra en la tabla
4.5. Una vez más, enumere todos los resultados posibles y subraye los resultados para
lo que se . quiere conocer la probabilidad, esto simplificará en gran medida trabajar con
la tabla acumulativa.
TABLA 4.5 Parte de una tabla acumulativa de Poisson,
 Algunas probabilidades obtenidas a partir de la tabla acumulativa de Poisson que
se encuentra en el Apéndice, se muestran en la tabla 4.6.
TABLA 4.6 Uso de la tabla acumulativa de Poisson.

Para valores de µ que no se encuentran en la tabla, se puede encontrar una más

amplia, o interpolar (en el caso de valores aproximados) en la tabla, o recurrir a una
fórmula matemática para probabilidades de Poisson.

La distribución de Poisson como una aproximación a la binomial

En determinadas circunstancias la distribución de Poisson se puede utilizar para
aproximar probabilidades binomiales. La aproximación es más adecuada cuando el
número de observaciones n es mayor, y la probabilidad del éxito p está cerca de 0 ó
1.00. Es deseable contar con un método alternativo para obtener probabilidades
binomiales, por las siguientes razones:
1. La distribución binomial describe adecuadamente muchas situaciones
interesantes.
2. La mayoría de las tablas se limitan a n < 20.
3. La fórmula binomial puede requerir de un gran esfuerzo para obtener una
solución exacta.
Las ventajas de la aproximación son que la exactitud se altera muy poco, y que
el esfuerzo comprendido es considerablemente menor. Para utilizar la aproximación, es
necesario determinar solamente la media o el valor esperado de la distribución
binomial. Este valor se utiliza como la media del proceso para la distribución de
Poisson. Es decir, el promedio del proceso g es igual al promedio binomial np.
Ejemplo 5 Obtenga la probabilidad de encontrar cuatro artículos defectuosos de
una muestra de 300 tomada de un enorme lote, en el que se dice que hay un 2010 de
artículos defectuosos.
Solución:
Como los valores n = 300 y p = 0.02 están más allá de la variedad de valores
presentados en la tabla binomial, las alternativas serían buscar una tabla más extensa,
y recurrir a la fórmula binomial

(lo que representaría una tarea muy difícil), o bien, utilizar la aproximación de Poisson,
con µ = np. De esta manera

A partir de la fórmula de Poisson se observa que:

El mismo resultado se puede obtener utilizando una tabla de Poisson: cuando µ

= 6, a partir de la tabla P(x = 4) es 0.135.
En la tabla 4.7 se hace una comparación entre algunas de las características
fundamentales de las distribuciones de Poisson y binomial.
 TABLA 4.7 Comparación entre las distribuciones binomial y de Poisson

EJERCICIOS
1. Utilice una tabla de Poisson para determinar cada una de las siguientes probabi-
lidades:

2. Vuelva a desarrollar los siguientes ejercicios en los que se utilizó la fórmula de

Poisson, pero ahora utilizando la tabla acumulativa de Poisson.
a. Ejercicio 1 (pág. 141) c. Ejercicio 2a (página 141)
b. Ejercicio 3 (página 141) d. Ejercicio 2c (página 141)
3. A una construcción llegan camiones de carga a una razón media de 2.8
camiones/hora. Obtenga la probabilidad de tener tres o más camiones que lle-
guen en un:
a. lapso de 30 minutos.
b. lapso de una hora.
c. lapso de dos horas.
4. En un conmutador se registran llamadas telefónicas a razón de 4.6 llamadas por
minuto. Calcule la probabilidad de que se presente cada una de estas
ocurrencias en un intervalo de un minuto:
a. Exactamente dos llamadas.
b. Por lo menos dos llamadas.
c. Ninguna llamada.
 d. De dos a seis llamadas.
5. Los accidentes de una enorme fábrica se aproximan mediante la distribución de
Poisson, con una media de tres accidentes/mes. Estime la probabilidad de que
en un determinado mes haya:
a. cero accidentes.
b. un accidente.
c. tres o cuatro accidentes.
6. Si el 3 % de las personas que viven en una gran ciudad son empleados del
gobierno, determine la probabilidad de encontrar personas que no trabajen para
el gobierno en una muestra aleatoria de 50 habitantes de dicha ciudad. ¿Cuál es
la probabilidad de encontrar 3 o menos en la muestra?
7. El 2% de las cartas que se envían a cierta ciudad no llevan los timbres postales
correctos. En 400 de dichas cartas:
a. ¿Cuántos timbres incorrectos se esperaría encontrar?
b. ¿Cuál es la probabilidad de hallar 5 o menos cartas con timbres
incorrectos?
c. ¿Cuál es la probabilidad de encontrar más de 5 cartas con timbres
incorrectos?
d. ¿Cuál es la probabilidad de encontrar 5 o más cartas con timbres
incorrectos?
8. La probabilidad de vender un seguro de vida a personas que contesten un anun-
cio especial se estima que es de 0.01. Sobre esta base, si 1000 personas
contestan el anuncio, ¿cuál es la probabilidad de que:
a. nadie compre un seguro?
b. por lo menos uno compre un seguro?
c. más de 10 compren seguros?
9. ¿En qué se diferenciarían las respuestas del ejercicio 7, si el porcentaje de
cartas con timbres postales incorrectos fuera del 0.4%?

OTRAS DISTRIBUCIONES DISCRETAS

Ahora vale la pena mencionar otras dos distribuciones, las cuales son variantes
de la distribución binomial.
La distribución multinomial se utiliza en situaciones en las que hay más de dos
resultados mutuamente excluyentes. Como en el caso de la binomial, se tienen los
requisitos de ensayos independientes con probabilidad constante. Un ejemplo de una
variable multinominal es la tirada de un dado, la cual tiene seis resultados posibles. A
diferencia de los ejemplos anteriores, que tratan este ejemplo clasificando los seis
resultados en dos clases, el método multinomial considera de tres a seis clases,
dependiendo de la forma cómo se categoricen los resultados. Por ejemplo, se podrían
presentar las siguientes tres clases: 1 y 2, 3 y 4, y 5 y 6. Otro ejemplo es sacar canicas
de una urna que contiene muchas de diversos colores. Cada color se puede considerar
como una categoría, o se pueden agrupar ciertos colores (por ejemplo, rojo y verde se
pueden conjuntar en la misma categoría).
La probabilidad multinomial que, en n observaciones, tiene como resultado E1
ocurre x1 veces, E2 sucede x2 veces.... y en Ex se presenta xx veces, se expresa
mediante la fórmula

en la cual

y P1 es la probabilidad del evento E; en cada observación.

Ejemplo 6 Un administrador sabe que el 80% de la producción de una máquina
es aceptable, el 15% requiere de cierto trabajo adicional y el 5% se debe descartar. En
una muestra de n = 10, ¿cuál es la probabilidad de obtener 8 partes buenas, 2 que
necesiten ser repetidas, y ninguna que se deba descartar?

y La distribución hipergeométrica se relaciona con situaciones con dos o más resulta-

dos, en las que la probabilidad de tener éxito, cambie de ensayo a ensayo. Por ejemplo,
suponga que hay 10 nombres escritos en pequeños pedazos de papel, los cuales se
colocan en un sombrero. Su nombre se encuentra en uno de ellos. Si se mezclan los
papeles se saca un nombre cualquiera la probabilidad de que sea el suyo es 1/10. Al
leerse el nombre en voz alta, resulta no ser el suyo. A continuación, se saca un
segundo nombre de los nueve restantes. Ahora la probabilidad de que sea el suyo es
de 1/9, mientras que anteriormente era de 1/10. De ahí que, la probabilidad de obtener
dicho resultado en el segundo intento es condicional (dependiente) de los resultados del
primero. Por ejemplo, si ese primer nombre hubiera sido el suyo, entonces la
probabilidad de que el segundo nombre fuera suyo se reduciría a cero, suponiendo que
los nombres no se vuelven a colocar en el sombrero una vez que se sacan.
En general, las probabilidades hipergeométricas se pueden obtener a partir de la
fórmula
en la cual N es el tamaño de la población, n es el tamaño muestral, r es el número de
éxitos de la población y x es el número de éxitos de la muestra.
Ejemplo 7 En una caja de 10 fusibles, dos de ellos están defectuosos. Si se
examina una muestra aleatoria de cuatro fusibles, ¿cúal es la probabilidad de encontrar:
a) ninguno defectuoso; b) uno defectuoso; c) uno o menos defectuosos?
Solución:
Se obtiene que N = 10, r = 2 y n = 4.

En la tabla 4.8 se enumeran los modelos de probabilidad que se han estudiado, y

las situaciones en las que dichos modelos resultan más útiles.
TABLA 4.8 Aplicaciones de distribuciones discretas probabilísticas
EJERCICIOS
1. Una reciente encuesta nacional señaló que a las 9 p.m. del sábado, 40% del
teleauditorio sintoniza el canal A, 30%, el canal B y 30%, el canal C.
a. En una muestra aleatoria de 10 televidentes, ¿cuántos se esperaría que
estarían viendo cada canal?
b. ¿Cuál es la probabilidad de que todos sintonicen el canal A?
c. ¿Cuál es la probabilidad de que 4 sintonicen el canal A, 3 el B y 3 el C?
2. Tres individuos venden refacciones. El vendedor A provee del 50% de las partes,
el B del 40%, y el C del 10%. Si se seleccionan aleatoriamente 5 refacciones del
suministro total y se le buscan defectos,
a. ¿cuál es la probabilidad de que los 5 los haya proporcionado el vendedor
A?
b. ¿Cuál es la probabilidad de que 2 sean del vendedor A, 2 del B y 1 del C?