Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

UNIDAD TEMÁTICA 3:
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

CONTENIDOS
Distribuciones discretas de probabilidad. Función uniforme.
Valor esperado y varianza. Distribución binomial. Valor
esperado y varianza. Distribución de Poisson. Aproximación de
Poisson a la distribución Binomial. Distribución
Hiporgeométrica.

3.1 INTRODUCCIÓN

En este capítulo continuaremos con el estudio de la

probabilidad presentando el concepto de distribuciones de
probabilidad. Estudiaremos las distribuciones de probabilidad para
variables aleatorias discretas dejando para el capítulo que viene el
estudio de las distribuciones de probabilidad para variables
aleatorias continuas.

Control Estadístico de la Calidad Pag. 1

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

3.2 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

La distribución de probabilidad de una variable aleatoria

discreta describe como se distribuyen las probabilidades de los
diferentes valores de la variable aleatoria. Para una variable
aleatoria discreta X, su distribución de probabilidad se describe
mediante una función de probabilidad representada por f (x) . Esta
función define la probabilidad de cada uno de los valores de la
variable aleatoria.

Ejemplo 1. Como ejemplo de una variable aleatoria discreta y su

distribución de probabilidad veamos el caso de las ventas de
automóviles por parte de una concesionaria de cierta ciudad.
Durante los últimos 300 días, los datos de venta muestran que 54
días no se vendieron autos, en 117 se vendió un auto, en 72 se
vendieron dos, en 42 se vendieron 3, en 12 se vendieron cuatro y
en 3 días se vendieron 5 automóviles. Supongamos que un
experimento consiste en elegir un día habitual de la concesionaria.
Definimos la variable aleatoria X = “Cantidad de autos vendidos
durante un día”. Esta variable aleatoria puede tomar los valores 0,
1, 2, 3, 4 y 5. En notación de función de probabilidad, f (0) define
la probabilidad de cero autos vendidos.; f (1) la de un auto vendido
y así sucesivamente.
Como los datos históricos muestran que en 54 de los 300
días no se vendieron autos, asignamos 54/300 = 0,18 a f (0) para
indicar que la probabilidad de vender 0 automóviles en un día es
0,18. Continuando de la misma manera se pueden calcular

Control Estadístico de la Calidad Pag. 2

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

f (1), f (2), f (3), f (4) y f (5) . Todo queda plasmado en la siguiente

tabla.

Tabla 3.1

Distribución de probabilidad de la cantidad de autos vendidos

X f (x)
0 0,18
1 0,39
2 0,24
3 0,14
4 0,04
5 0,01
Total 1,00

Una vez que se tiene la distribución de probabilidad de una

variable aleatoria es posible sacar muchas conclusiones a partir de
ella. Por ejemplo, al consultar la distribución de probabilidad de
nuestro ejemplo vemos que la cantidad más probable de vehículos
que se venden en un día es de uno, con una probabilidad de
f (1)  0,39 . Además hay una probabilidad:
f (3)  f (4)  f (5)  0,14  0,04  0,01  0,19 de vender 3 o más
autos en un día.
También se puede representar gráficamente las
distribuciones de probabilidad. En la figura 3.1 se muestra los
valores de la variable aleatoria X en el eje horizontal y la
probabilidad asociada con ellos en el eje vertical.

Control Estadístico de la Calidad Pag. 3

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

,5

,4
Probabilidad

,3

,2

,1

0 ,0

0 1 2 3 4 5

Cantidad de autos vendidos por día

Figura 3.1

Al asignar una función de probabilidad para cualquier

variable aleatoria discreta se deben satisfacer las siguientes
condiciones:

3.2.1 CONDICIONES REQUERIDAS PARA UNA FUNCIÓN DE

PROBABILIDAD DISCRETA

Toda función de distribución discreta debe cumplir con las

siguientes condiciones

f ( x)  0

 f (x)  1

Control Estadístico de la Calidad Pag. 4

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

La tabla 3.1 muestra que las probabilidades de la variable

aleatoria X satisface estas condiciones. Además de las tablas y las
gráficas, una fórmula que exprese f (x) para todos los valores de X
puede definir la distribución de probabilidad de alguna variable
aleatoria discreta. Veamos un ejemplo.

3.2.2 FUNCIÓN UNIFORME DE PROBABILIDAD DISCRETA

Es el caso más sencillo de una distribución discreta que

puede darse por medio de una fórmula. La distribución es en este
caso
1
f ( x) 
n
en donde n es igual a la cantidad de valores que puede asumir la
variable aleatoria.
Por ejemplo, imaginemos el experimento de tirar un dado.
Definimos la variable aleatoria X como el número en la cara
superior.
Hay n  6 resultados posibles o valores posibles de la
variable aleatoria que son 1, 2, 3, 4, 5, y 6. Luego, la función de
probabilidad para esta variable aleatoria será

1
f ( x) 
6
Los valores posibles de la variable aleatoria y sus respectivas
probabilidades son los siguientes

Control Estadístico de la Calidad Pag. 5

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Tabla 3.2

X f (x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6

Otro ejemplo: Se tiene una variable aleatoria X con la

siguiente distribución de probabilidad

Tabla 3.3

X f (x)
1 1/10
2 2/10
3 3/10
4 4/10

Esta distribución de probabilidad también se puede definir

por la siguiente fórmula

x
f ( x)  ; con X  1,2,3,4
10

Al evaluar f (x) para cada valor de X se conocerá su

respectiva probabilidad.

Control Estadístico de la Calidad Pag. 6

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Las distribuciones de probabilidad más usadas en la práctica

están dadas por lo general, mediante una fórmula. Hay tres casos
importantes en el control estadístico de calidad.
Ellas son: la distribución binomial, la distribución de Poisson
y la distribución hipergeométrica. Hay otras distribuciones para
variables aleatorias discretas pero nosotros solo estudiaremos
estas tres pues son las de más uso en el control estadístico de
calidad.

3.3 VALOR ESPERADO Y VARIANZA

El valor esperado o media de una variable aleatoria, es una

medida de localización central (o de tendencia central) de la
variable. El valor esperado de una variable aleatoria discreta se
simboliza E (X ) o  y se define de la siguiente manera

E ( X )    i 1 xi f ( xi )
n

Es decir, para calcular el valor esperado de una variable

aleatoria discreta debemos multiplicar cada valor de la variable
aleatoria por su correspondiente probabilidad y luego sumar todos
estos productos. Volviendo al ejemplo de la concesionaria de autos,
calculemos el valor esperado de la cantidad de autos que se venden
en un día.
E( X )  0(0,18)  1(0,39)  ...  5(0,01))  1,5

Control Estadístico de la Calidad Pag. 7

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

En consecuencia, sabemos ahora que la concesionaria puede

vender 0, 1, 2, 3, 4, o 5 autos por día. Pero puede esperar, a la
larga, la venta de un promedio de 1,5 autos por día. Si quiere saber
cuantos autos se esperan vender a la larga pero por mes, este valor
será 30(1,5) = 45 automóviles por mes.

El valor esperado representa el valor promedio de la variable

aleatoria. Con frecuencia necesitaremos conocer una medida de
dispersión o variabilidad. Para ello utilizaremos la varianza. La
ecuación matemática de la varianza de una variable aleatoria
discreta es

Var ( X )   2  i 1 ( xi  ) 2 f ( xi )
n

Como indica esta fórmula, una parte importante de la misma

es la desviación ( xi  ) que mide lo alejado que se encuentra un

valor de la variable aleatoria del valor esperado o media.

Para calcular  2 se eleva al cuadrado cada una de estas

desviaciones y se ponderan con el valor correspondiente de la
función de probabilidad y luego se deben sumar todos estos
productos.
El cálculo de la varianza para la distribución de probabilidad
de la cantidad de autos vendidos durante un día se calcula de la
siguiente manera

 2  (0  1,5) 2 (0,18)  (1  1,5) 2 (0,39)  ...  (5  1,5) 2 (0,01)  1,25

Control Estadístico de la Calidad Pag. 8

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

La desviación estándar  , se define como la raíz cuadrada

positiva de la varianza. Así, la desviación estándar del ejemplo que
analizamos es la siguiente

  1,25  1,118

La desviación estándar se mide en las mismas unidades que

la variable aleatoria (   automóviles) y por lo tanto se prefiere en
muchas ocasiones para describir la variabilidad de una variable
aleatoria.
¿Cómo podemos interpretar la desviación estándar?.
Suponga dos variables aleatorias que tengan el mismo valor
esperado. Aquella que tenga una mayor desviación estándar tendrá
sus valores más dispersos respecto de la media.
La varianza se mide en unidades elevadas al cuadrado y por ello es
difícil de interpretar.

3.4 DISTRIBUCIÓN BINOMIAL DE PROBABILIDAD

La distribución binomial de probabilidad es una distribución

discreta de probabilidad que es muy utilizada en el control
estadístico de calidad. Se relaciona con un experimento de etapas
múltiples al que se llama experimento binomial.

Control Estadístico de la Calidad Pag. 9

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

3.4.1 EXPERIMENTO BINOMIAL

Un experimento binomial tiene cuatro propiedades que lo

distinguen:

1. El experimento consiste en una sucesión de n intentos o

ensayos idénticos.

2. En cada intento o ensayo son solo posibles dos resultados. A

uno de ellos lo llamaremos éxito y al otro fracaso.

3. La probabilidad de un éxito, representada por p, no cambia, o

sea, permanece constante de un ensayo a otro. En
consecuencia, la probabilidad de un fracaso, representada por q
= 1 – p tampoco cambia o permanece constante de un intento a
otro.

4. Los intentos o ensayos son independientes. Esto es, el resultado

que se obtenga en un intento no influye ni es influido por el
resultado obtenido en otro intento.

En un experimento binomial nos interesa la cantidad de

éxitos que suceden en los n intentos. Si hacemos que X represente
la cantidad de éxitos en n intentos vemos que la variable aleatoria
X puede asumir los valores 0, 1, 2, ...,n. Por lo tanto X es una
variable aleatoria discreta. La distribución de probabilidad
asociada con esta variable aleatoria se llama distribución binomial
de probabilidad.

Control Estadístico de la Calidad Pag. 10

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Como ejemplo, veamos el experimento de lanzar una moneda

cinco veces y, en cada tirada, observar si la moneda cae cara o
sello.
Suponga que nos interesa contar la cantidad de caras que
aparecen en las cinco tiradas. ¿Tiene este experimento las
propiedades de un experimento binomial?. ¿Cuál es la variable
aleatoria de interés?. Observe que:

1. El experimento consiste en 5 intentos idénticos y cada intento

implica lanzar una moneda.

2. Son posibles dos resultados para cada intento: una cara o un

sello. Podemos convenir que cara es un éxito y sello un fracaso.

3. La probabilidad de obtener una cara y la de obtener un sello

son iguales para cada intento siendo p  0,5 y q  1  p  0,5 .

4. Los intentos o lanzamientos son independientes porque el

resultado de cualquier intento no se afecta por lo que suceda en
los demás intentos o lanzamientos.

Claramente se ve que se satisfacen las propiedades de un

experimento binomial. La variable aleatoria de interés es X =
Cantidad de caras en cinco intentos. Puede asumir los valores 0, 1,
2, 3, 4 o 5.

En aplicaciones donde intervienen los experimentos

binomiales se puede aplicar una fórmula matemática, llamada

Control Estadístico de la Calidad Pag. 11

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

función de probabilidad binomial, para calcular la probabilidad de

obtener x éxitos en n intentos.

3.4.2 FUNCIÓN DE PROBABILIDAD BINOMIAL

Supongamos que un experimento cumple todos los requisitos

de un experimento binomial, y que, la variable aleatoria X puede
asumir los valores 0, 1, 2, ...,n. La probabilidad de obtener x éxitos
en n ensayos está dada por

n!
f ( x)  p x (1  p) ( n x )
x!(n  x)!

en donde
f (x)  probabilidad de x éxitos en n intentos.
n  cantidad de intentos.
p  probabilidad de un éxito en cualquier intento.
(1  p)  probabilidad de un fracaso en cualquier intento.
n! n(n  1)(n  2)...3.2.1
La expresión n! recibe el nombre de factorial del número n.
Por ejemplo, si n  5 entonces 5! 5.4.3.2.1  120 . Se define 0! 1 y
1! 1.

Ejemplo 2. De acuerdo a la experiencia reciente, 5% de los

engranajes producidos por una máquina automática son
defectuosos. ¿Cuál es la probabilidad de que entre 6 engranajes
seleccionados al azar, exactamente 0 sean defectuosos?.
¿Exactamente 3 sean defectuosos?.

Control Estadístico de la Calidad Pag. 12

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Solución: En primer lugar el lector debería verificar el

cumplimiento de las condiciones de un experimento binomial.
Tenemos que
X = número de engranajes defectuosos. Esta variable
aleatoria puede tomar los valores 0, 1, 2, 3, 4, 5, 6.
Además:
p  probabilidad de seleccionar un engranaje defectuoso. Su
valor es p  0,05 . Por lo tanto q  1  p  0,95 . Es decir, la
probabilidad de obtener un fracaso es de 0,95. Entonces f (0) 
probabilidad de obtener ninguna pieza defectuosa.

Tenemos los siguientes datos:

n  6
x  0

Datos 
 p  0,05
q  0,95

Aplicando la fórmula correspondiente se tendrá

6! 6!
f (0)  (0,05) 0 (0,95) ( 60)  1(0,95) 6
0!(6  0)! 1.6!
720
f (0)  (0,735)  0,735
720

Para la segunda pregunta tendremos los siguientes datos

Control Estadístico de la Calidad Pag. 13

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

n  6
x  3

Datos 
 p  0,05
q  0,95

6!
f (3)  (0,05) 3 (0,95) 3  0,002
3!(6  3)!

3.4.3 TABLAS DE LA DISTRIBUCIÓN BINOMIAL

El cálculo de las probabilidades binomiales mediante la

ecuación anterior puede resultar increíblemente laborioso cuando
n es grande. Afortunadamente, se han confeccionado tablas de
probabilidades binomiales y entonces no es necesario el uso directo
de la ecuación. Solamente necesitamos utilizar una tabla con los
valores dados de "n", "p", y "x" para obtener la probabilidad
deseada. La tabla D que presentamos con este material es una
parte de una tabla de este tipo. Con un ejemplo veremos como se la
utiliza.

Ejemplo 3. En un área geográfica determinada, el 40% de la

población simpatiza con determinado equipo de fútbol. Se toma
una muestra aleatoria de diez personas. ¿Qué probabilidad existe
de que tres de ellos sean simpatizantes de dicho club?.
Solución: Los datos del problema son n  10 , p  0,40 y x  3 . Para
hallar la probabilidad en la tabla D, localizamos primero n  10 ,
luego la columna de p  0,40 y finalmente, para n  10 y con x  3 .
El registro tabular que se encuentra en la intersección de esta fila y

Control Estadístico de la Calidad Pag. 14

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

columna es la probabilidad que se busca, y hallamos que es

0,2150.
Sería conveniente que el lector verifique este resultado aplicando la
fórmula de cálculo.

3.4.4 VALOR ESPERADO Y VARIANZA PARA LA DISTRIBUCIÓN

BINOMIAL

Para el caso de que una variable aleatoria tenga una

distribución de probabilidad binomial, con una cantidad n de
intentos y una probabilidad p de éxitos, el valor esperado y la
varianza se calculan de la siguiente manera

E ( X )   X  np

Var ( X )   2 X  npq

Continuando con el ejemplo 2, el valor esperado y la varianza

de la variable aleatoria X = número de engranajes defectuosos
serán

E( X )  np  6(0,05)  0,30

 2  np(1  p)  6(0,05)(0,95)  0,285

Por lo tanto   0,533 .

Control Estadístico de la Calidad Pag. 15

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

3.5 DISTRIBUCIÓN DE PROBABILIDAD DE POISSON

En esta sección analizaremos una distribución de

probabilidad discreta que se utiliza con frecuencia para estimar la
cantidad de sucesos u ocurrencias en determinado intervalo de
tiempo o espacio. Suponga que está interesado en estudiar la
cantidad de llegadas de clientes a un banco en una hora en busca
de servicio, o la cantidad de reparaciones que necesitan 10
kilómetros de carretera, o la cantidad de fugas en 100 kilómetros
de un oleoducto. Si se satisfacen las dos condiciones siguientes, la
cantidad de ocurrencias es una variable aleatoria que se puede
describir con una función de probabilidad llamada función de
probabilidad de Poisson.

3.5.1 CONDICIONES DE UN EXPERIMENTO POISSON

1. La probabilidad de una ocurrencia es igual en dos intervalos

cualesquiera de igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en cualquier
otro intervalo.

3.5.2 FUNCIÓN DE PROBABILIDAD DE POISSON

Control Estadístico de la Calidad Pag. 16

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Si una variable aleatoria tiene las dos propiedades

anteriores, su distribución de probabilidad puede describirse
mediante la distribución de Poisson cuya función de probabilidad
es

 x e 
f ( x) 
x!
en donde
f (x)  probabilidad de x ocurrencias en un intervalo.
  valor esperado o cantidad promedio de ocurrencias en un
intervalo.
e  2,7182

Ejemplo 3. Supongamos que nos interesa la cantidad de llegadas a

la ventanilla de servicio de un banco, durante un período de 15
minutos, en las mañanas de los días hábiles. Si podemos suponer
que la probabilidad de que llegue una persona durante dos
intervalos cualesquiera de igual longitud de tiempo es la misma, y
que la llegada o no llegada en cualquier intervalo de tiempo no
depende de la llegada o no llegada en cualquier otro período, se
puede aplicar la función de probabilidad de Poisson. Suponga que
se satisfacen estas hipótesis y que un análisis de datos históricos
muestra que la cantidad promedio de personas que llegan en un
período de 15 minutos es 10, entonces, ¿cuál es la probabilidad de
que hayan exactamente 5 llegadas en 15 minutos?.
Solución: De acuerdo a los datos del problema tenemos que   10
y x  5 . Por lo tanto

Control Estadístico de la Calidad Pag. 17

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

10 5 e 10
f (5)   0,0378
5!
En nuestro ejemplo se calculó la probabilidad de 5 llegadas
en un período de 15 minutos, pero se pueden usar otros intervalos
de tiempo. Supongamos que deseamos calcular la probabilidad de
una llegada en un período de 3 minutos.

Como 10 es la cantidad esperada de llegadas en 15 minutos,

entonces 3(10)/15 = 2 es la cantidad esperada de llegadas en un
período de 3 minutos. Para determinar la probabilidad de que haya
una llegada en un período de 3 minutos tendremos que proceder
así

21 e 2
f (1)   0,27
1!

3.5.1 APROXIMACIÓN DE POISSON A LA DISTRIBUCIÓN

BINOMIAL

Se puede utilizar la distribución de probabilidad de Poisson

como aproximación a la distribución binomial cuando p, la
probabilidad de éxito es pequeña y n, la cantidad de intentos es
grande. Tan solo se hace   np y se utiliza la distribución de
Poisson en lugar de la binomial. Como regla general, la
aproximación será buena siempre y cuando p  0,05 y n  20 .
Por ejemplo, supongamos que se quiere calcular la
probabilidad binomial de x  3 éxitos con n  250 intentos cuando

Control Estadístico de la Calidad Pag. 18

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

p  0,01 . Para usar la aproximación de Poisson hacemos que

  np  250(0,01)  2,5 .
Por lo tanto
(2,5) 3 e 2,5
f (3)   0,2137
3!

3.6 DISTRIBUCIÓN HIPERGEOMÉTRICA

La distribución binomial se basa en el supuesto de que la

población es infinita y de que la probabilidad de éxito permanece
constante, lo cual se consigue en tales poblaciones o si se toma
una muestra con reemplazo en poblaciones finitas. Cuando la
población es finita y el muestreo se hace sin reemplazo, la
probabilidad de éxito cambiará para cada nueva observación. En
tales circunstancias se podrá usar otra distribución de
probabilidad llamada distribución hipergeométrica.
Para aplicar la distribución hipergeométrica, además de que
el muestreo se haga sin reposición y que la población sea finita,
esta debe estar formada por dos grupos de individuos u objetos
bien diferenciados. Un primer grupo constituido por aquellos
objetos o individuos que tienen la característica objeto de estudio,
el número de sus elementos se designa con N1 y el otro estará
formado por los que no poseen la característica objeto de estudio y
el número de sus elementos se designará con N 2 .
La distribución hipergeométrica se utiliza para calcular la
probabilidad de que, en una muestra aleatoria de n individuos u
objetos, seleccionados sin reemplazo de una población finita,

Control Estadístico de la Calidad Pag. 19

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

obtengamos x elementos identificados con éxitos y (n – x)

identificados como fracaso.
Antes de dar la fórmula de la función de probabilidad de esta
distribución debemos ver a qué se llama número combinatorio en
estadística. Sean r y x dos números enteros no negativos tales que
r 
r  x , el número combinatorio r sobre x simbolizado   se define
 x
como
r  r!
  
 x  x!(r  x)!

 4 4! 4! 24
Por ejemplo      6
 2  2!(4  2)! 2!2! 4

3.6.1 FUNCIÓN DE PROBABILIDAD HIPERGEOMÉTRICA

La función hipergeométrica de probabilidad f (x) que da la

probabilidad de obtener x éxitos en una muestra de tamaño n es

 N 1  N 2  N1
   N2
x n  x
f ( x)     n
 1N  N 2 x
  n-x
 n 

en donde
f (x)  probabilidad de x éxitos en n intentos
n  tamaño de la muestra

Control Estadístico de la Calidad Pag. 20

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

N 1  elementos de éxito
N 2  elementos de fracaso

N1  N 2  N  tamaño de la población

Ejemplo 4. Suponga que se tiene 10 artículos, 4 de los cuales son

defectuosos y los 6 restantes son no defectuosos. ¿Cuál es la
probabilidad de que una muestra aleatoria de tamaño 3 contenga
2 artículos defectuosos?.
Solución: En este caso podemos imaginar que “éxito” consiste en
obtener un artículo defectuoso. Entonces, N  10 , N1  4 , N 2  6 ,
n  3 y x  2 . Por lo tanto:
 4  6   4  6 
     
2 3  2  2 1 
f (2)    
10   6
   
3 3

6.6 36
f (2)    0,30
120 120

Por lo tanto, la probabilidad de obtener 2 artículos

defectuosos en una muestra de tamaño 3 es igual a 0,30.

Control Estadístico de la Calidad Pag. 21