ESTADÍSTICA

GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E

INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

TEMA 8.- EL PROCESO DE BERNOULLI Y

SUS DISTRIBUCIONES ASOCIADAS
- Introducción.
- Distribución de Bernoulli.
- Distribución Binomial.
- Distribución Geométrica.
- Distribución de Pascal.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 127

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

INTRODUCCIÓN

- Multitud de fenómenos aleatorios de interés están basados en la repetición sucesivas veces y en

idénticas condiciones de un experimento aleatorio elemental con dos posibles resultados que se suelen
llamar Éxito y Fracaso. Este modelo se conoce como Proceso de Bernoulli.

- Sirve para modelar numerosas situaciones como, por ejemplo: Muestreo de piezas que salen de una
cadena de producción y que se catalogan como Defectuosas o Aceptables. Llegadas de clientes a un
establecimiento comercial que pueden Adquirir o No adquirir determinado producto o servicio.
Tomadores de determinada póliza de seguro de vida que pueden Fallecer o No fallecer en un año.
Lanzamiento de una moneda sucesivas veces.

Definición: Un Proceso de Bernoulli es la realización Nº Éxitos

sucesiva de un experimento aleatorio con las siguientes
características:
1.-El experimento aleatorio, denominado ensayo de
Bernoulli, tiene dos posibles resultados {E, F}.
2.-La probabilidad de Éxito p (y la de Fracaso 1-p = q) 4
permanece constante a lo largo del proceso. 3
2
3.-Los ensayos son independientes unos de otros. 1
Los resultados o trayectorias del proceso son
sucesiones de Éxitos y Fracasos del tipo, 012 345 Ensayos
E, E, F, E, F, F, F, E, E,...
Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 128
 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Distribución de Bernoulli:
La distribución de Bernoulli surge de asociar una variable X a cada ensayo de modo que

1 si sale E
X 
0 si sale F

Definición: Se dice que X sigue la distribución de Bernoulli de parámetro p (0 < p < 1) y se

representa X  B ( p ) si su distribución de probabilidades es: P ( X = 1) = p , P ( X = 0 ) = 1 - p .
1 x
En otras palabras: P ( X  x )  p (1  p ) , x  0,1
x

Características numéricas de la Distribución de Bernoulli:

Media:  = EX = p.
Varianza: 2 = Var(X) = p (1-p).
Desviación Típica:  = DT(X) = p (1  p ) .
Nótese que la varianza es máxima cuando p = q = 1/2.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 129

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Distribución Binomial:
Es frecuente que nuestro interés se centre en conocer cuántos Éxitos han ocurrido en un número
determinado de ensayos:
- Número de artículos defectuosos en una muestra de n artículos.
- Número de clientes que adquieren un producto de entre los n que entraron en el establecimiento.
- Número de siniestros entre los suscriptores de una póliza de seguro de vida.

El comportamiento probabilístico de todas estas variables es el de la variable

X= Número de Éxitos en n ensayos.

Definición: Se dice que una variable aleatoria X sigue la distribución binomial de parámetros n y p,
con n número natural y 0 < p < 1, y se representa X  b ( n , p ) si su distribución de probabilidades
es:
n
P ( X  k )    p k (1  p ) nk , k  0,1, 2, ..., n.
k 
Notar que:
a) La probabilidad de cualquier secuencia de n ensayos con k veces E y n-k veces F es, por la
independencia de los ensayos, P ( E , E , F , E , F ,..., E )  ppqpq... p  p k q n  k

b) El número de secuencias distintas de E y F que se pueden formar con k E’s y n-k F’s es
n n!
  = .
 
k k! (n - k)!

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 130

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

He aquí la distribución binomial para n=10 y varios valores de p.

b(10,0.2) b(10,0.5) b(10,0.7)

0.4 0.25 0.3

0.25
0.2
0.3
0.2
0.15

pr.

pr.
pr.

0.2 0.15
0.1
0.1
0.1
0.05
0.05

0 0 0

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

Características numéricas de la distribución binomial:

Media:  = EX = np.
Varianza: 2 = Var(X) = np(1-p).
Desviación Típica:  = DT(X) = np (1  p ) .
Nótese que la varianza es máxima cuando p = q = 1/2.
La distribución binomial es simétrica para p=0.5. Si p<0.5 presenta asimetría positiva y si p>0.5
presenta asimetría negativa.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 131

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Cálculo de Probabilidades:
Para valores pequeños de n (n = 1, 2,..., 10), haremos el cálculo directamente. Para valores grandes de
n utilizaremos distintas aproximaciones que estudiaremos más adelante.

Ejemplo: Supongamos que la probabilidad de que cierta secretaria cometa algún error de tipografía
es 0.4 para cada página, y que hay independencia en la elaboración de páginas distintas. Se pide:
a) Hallar la probabilidad de que un escrito de 5 páginas no contenga errores de tipografía.
b) Hallar la probabilidad de que en dicho escrito haya al menos 3 páginas con errores.

Solución: Recorrer página por página el escrito para ver si está o no libre de errores de tipografía,
es un Proceso de Bernoulli con p = 0.4. Si definimos la variable aleatoria

X = número de páginas con errores en el escrito de 5 páginas,

se tiene que X  b ( n , p ) = b ( 5 , 0 . 4 ) .

Por consiguiente, las probabilidades pedidas son:

5
a ) P (X = 0) =  0.400.65  0.65  0.0778.
0
5  5 5
b) P (X  3) = 1 - P(X  2) = 1 -  0.400.65 -  0.410.64 -  0.420.63 = 1 - 0.6826  0.3174.
0 1  2

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 132

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Aproximación binomial-normal:
Para valores de n suficientemente grandes, las probabilidades binomiales se pueden aproximar por
medio de la distribución normal. Esta aproximación consiste en lo siguiente:
Si X es una v.a. con distribución binomial, Xb(n,p) y n es grande, (npq>5), entonces
X  np aprox .
 N ( 0, 1)
npq

Esta aproximación se basa en que la distribución binomial se puede escribir como suma de variables
de Bernoulli independientes. En efecto, si Xb(n,p) entonces se puede considerar que
n
X  X
i 1
i ,con X 1 ,..., X n v .a .i.i.d . B ( p ) y aplicar el Teorema Central del Límite teniendo en cuenta

que EXi = p, (Xi) = pq

Así, para obtener probabilidades acerca de la distribución binomial, utilizamos el razonamiento

siguiente:
 a - np X - np b - np     
P( a < X < b)  P      b - np    a - np .
 npq npq   npq   npq 
 npq    

Para valores pequeños de p ó q será viable la utilización de otra aproximación (aproximación

binomial-Poisson) que, de alguna manera, es complementaria de la aproximación binomial-normal.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 133

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Corrección por continuidad:

Al aproximar una distribución discreta por una continua obtenemos las mismas aproximaciones para
probabilidades como P(a  X  b) y P(a < X < b) que pueden ser diferentes al ser X discreta y
también obtendríamos P(X = a) = 0 para los elementos del espacio muestral.

Para evitar estos problemas se emplea la denominada corrección por continuidad que consiste en
asignar al valor entero a el intervalo (a - 0.5, a + 0.5).

Como la distribución binomial asigna probabilidades positivas a los números enteros se trata de restar
o sumar 0.5 a los extremos de los intervalos según que sean extremos abiertos o cerrados para que los
valores enteros en el intervalo sean los mismos antes y después de hacer la corrección.
Así, por ejemplo:
 a  0.5  np X  np a  0.5  np     
P ( X  a)  Pa  0.5  X  a  0.5  P      a  0.5  np    a  0.5  np 
 npq   npq   npq 
 npq npq  
 a  0.5  np X  np b  0.5  np     
P(a  X  b)  Pa  0.5  X  b  0.5  P      b  0.5  np    a  0.5  np 
 npq   npq   npq 
 npq npq  
 a  0.5  np X  np b  0.5  np     
P (a  X  b)  Pa  0.5  X  b  0.5  P      b  0.5  np    a  0.5  np 
 npq   npq   npq 
 npq npq  

La corrección por continuidad mejora las aproximaciones y es conveniente utilizarla, especialmente

para valores de n no muy elevados.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 134

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Ejemplo: La tasa de artículos defectuosos producidos por una cadena de producción es del 2%.
a) Hallar la probabilidad de que en una muestra de 500 artículos extraídos al azar e
independientemente haya más de 20 defectuosos.
b) Hallar el tamaño que tiene que tener una muestra para que la probabilidad de que haya al menos
10 artículos defectuosos sea mayor que 0.95.

Solución: El muestreo de artículos en la cadena de producción se puede asimilar a un Proceso de

Bernoulli de parámetro p = 0.02. Por tanto, la variable aleatoria
X = Número de artículos defectuosos en una muestra de tamaño n
sigue una distribución binomial, b(n,p), con p = 0.02.

a) En este caso X  b ( 500 , 0 . 02 ), npq  9 . 8  5 luego usando la aproximación binomial-normal

 X  np 20  0.5  10 
P ( X  20)  P ( X  20  0.5)  P    1   20  0.5  10   1   (3.35)  0.0004.
 npq   
 9 .8  9 .8

b) El tamaño de la muestra, n, es la incógnita en esta ocasión y, por tanto, no sabemos de antemano

si npq >5. La forma de proceder en estos casos es utilizar la aproximación, obtener el valor de n y
ver posteriormente si estaba justificado o no el uso de dicha aproximación. Buscamos n tal que
 X  np 10  0.5  0.02n 
P ( X  10)  P ( X  10  0.5)  P    1   10  0.5  0.02n   0.95
 npq  
 0.0196n   0.0196n 
 10  0.5  0.02n 
   0.05.
 0.0196n 

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 135

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Del interior de las tablas de la normal típica, obtenemos

10  0.5  0.02n
 1.65.
0.0196n

Planteamos una ecuación con la igualdad, y con ello obtenemos el tamaño de muestra mínimo que
garantiza la probabilidad 0.95 pedida. Con valores de n superiores también se supera, por supuesto,
la probabilidad 0.95.

10  0.5  0.02n 2  1.65 2  0.0196 n

0.0004 n 2  0.433361n  90.25  0

0.4333361  0.4333612  4  0.0004  90.25 802.11

n 
2  0.0004 281.29 .

Una simple comprobación nos muestra que la solución del problema es n>802.11, es decir, n803.
La otra solución de la ecuación corresponde a la solución de la inecuación con el valor +1.65 en el
lado derecho.

Para finalizar debemos hacer la comprobación: npq = 15.7388 > 5, lo que valida la aproximación.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 136

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Ejemplo: Un comerciante recibe artículos de un proveedor quien le anuncia que la tasa de artículos
defectuosos es inferior al 3%, cantidad que, de ser cierta, el comerciante considera razonable. Para
cerciorarse de la validez de la afirmación del proveedor, el comerciante somete a un control
exhaustivo una muestra de 200 artículos elegidos al azar e independientemente y adopta la siguiente
regla de decisión: Si aparecen 5 ó más artículos defectuosos en la muestra, cancela el pedido; en
caso contrario confirma el pedido.
a) Hallar la probabilidad de que un lote correcto (tasa<3%) sea rechazado por el control.
b) Hallar la probabilidad de no rechazar un lote con un tasa del 4% de defectuosos.

Solución: La inspección artículo por artículo es un proceso de Bernoulli con p = tasa de defectos. La
variable aleatoria de interés es:
X = Número de artículos defectuosos entre 200 inspeccionados.
Sabemos que su distribución de probabilidades es X  b ( n , p )  b ( 200 , p ).

a) Pongámonos en el caso extremo p = 0.03. En caso de que p < 0.03, la probabilidad pedida será
menor que la que obtengamos en el supuesto p = 0.03. Es decir, vamos a obtener el máximo de las
probabilidades de rechazar el lote para los distintos valores de p que cumplen las especificaciones
del proveedor. Por tanto, X  b ( n , p )  b ( 200 , 0 . 03 ), npq  5 . 82  5 y está justificado el uso de la
aproximación binomial-normal para obtener la probabilidad pedida:

 X  np 5  0.5  6 
P ( X  5)  P ( X  5  0.5)  P    1   5  0.5  6   1   (0.6217)  0.73.
 npq 5.82   5.82 


Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 137

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

b) Supongamos ahora que la tasa de defectos fuese del 4%, entonces tenemos que
X  b ( n , p )  b ( 200 , 0 . 04 ), npq  7 . 68  5
y por tanto:
 X  np 4  0.5  8 
P ( X  4)  P ( X  4  0.5)  P     4  0.5  8    (1.26)  0.104.
 npq 7.68   7.68 


Este problema se puede enmarcar dentro de lo que llamaremos Contraste de Hipótesis que
estudiaremos más adelante. Se han establecido dos hipótesis sobre el modelo de probabilidad
desconocido para la población de artículos: Una es que se cumplen las especificaciones del
fabricante (p0.03) y la otra alternativa es que no se cumplen (p>0.03).

Para decidir sobre cuál de ellas es la válida se construye una regla de decisión basada en la
información obtenida a partir de una muestra aleatoria de artículos de la población. En este caso, la
regla de decisión es: Creemos las especificaciones del fabricante siempre que salgan menos de 5
artículos defectuosos en una muestra de 200; si, por el contrario, salen 5 o más, concluimos que el
fabricante está equivocado.

Lógicamente, cualquier regla de decisión de esta naturaleza, puede estar sujeta a dos tipos de
errores: Creer las especificaciones del fabricante cuando no sean correctas (apartado b) y no
creerlas cuando sean correctas (apartado a). La calidad de una regla de decisión estadística
dependerá, lógicamente, de que las probabilidades de cometer estos errores sean lo más pequeñas
que sea posible.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 138

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Distribución Geométrica:
En ocasiones, nuestro interés en un Proceso de Bernoulli radica en conocer cuántos ensayos
transcurren hasta que se produce el primer Éxito:
- Número de artículos inspeccionados hasta que aparece el primer Defectuoso.
- Número de declaraciones auditadas por un inspector hasta que aparece la primera fraudulenta.
- Número de clientes que se informan de determinado producto hasta que uno lo adquiere.

En general, se trata de estudiar la variable aleatoria

X = Número de ensayos realizados hasta que aparece el primer Éxito.

Definición: Se dice que una variable aleatoria X sigue la distribución geométrica de parámetro p, con
0 < p < 1, y se representa X  g ( p ) si su distribución de probabilidades es:

P ( X  k )  PF , F ,, F , E   q  q    q  p  q k 1 p, para k  1, 2,...

La independencia entre los ensayos hace que también tengan distribución g ( p ) las variables

Y = Número de ensayos realizados desde el ensayo nº i hasta que aparece el primer E

Z= Número de ensayos que transcurren desde el Éxito nº i hasta el nº i+1,

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 139

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Falta de memoria de la ley geométrica.

Definición: Se dice que una v.a. X tiene la propiedad de “falta de memoria” (o “pérdida de
memoria”) si cumple

P X kn
X k
  P X  n 
La ley geométrica tiene esta propiedad ya que

 P X  k  n 
 
 i 1
q qkn
p
P X kn   i  k  n 1
  q n  P X  n 
X k P X  k  

q i 1
p q k
i  k 1

Puede demostrarse además que es la única ley con espacio muestral k=1, 2,… que tiene esta
propiedad.

La interpretación es clara: La probabilidad de que transcurran n ensayos sin aparecer un Éxito no

cambia con la información de que en los k ensayos precedentes tampoco había aparecido el Éxito. El
motivo es, obviamente, la independencia entre los ensayos.

Características numéricas de la Distribución geométrica:

Media:  = EX = 1/p.
Varianza: 2 = Var(X) = q/p2.
Desviación Típica:  = DT(X) = q p .
2

Nótese que la media es inversamente proporcional a la probabilidad de Éxito.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 140

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Distribución de Pascal:
Una generalización natural de la ley geométrica surge de estudiar cuántos ensayos transcurren hasta
que se produce el Éxito número r:
- Número de artículos inspeccionados hasta que aparecen r Defectuosos.
- Número de declaraciones de I.V.A. auditadas por un inspector hasta que aparecen r fraudulentas.
- Nº de clientes que se informan de un producto hasta que se adquieren las r unidades disponibles.

En general, se trata de estudiar la variable aleatoria

X = Número de ensayos realizados hasta que aparece el r-ésimo Éxito.

Definición: Se dice que una variable aleatoria X sigue la distribución de Pascal de parámetros r y p,
con r entero positivo y 0 < p < 1, y se representa X  P (r, p ) si su distribución de probabilidades
es:
 k  1 r
P( X  k )    p (1  p ) k  r , k  r , r  1, r  2,...
 r  1

La independencia entre los ensayos hace que también tengan distribución P(r, p) las variables

Y = Número de ensayos realizados desde el ensayo nº i hasta que aparece r-ésimo E

Z= Número de ensayos que transcurren desde el Éxito nº i hasta el nº i+r.

Además obviamente g(p) es equivalente a P(1, p).

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 141

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Cálculo de Probabilidades:

Las probabilidades de la distribución de Pascal no son fáciles de obtener directamente pero se pueden
obtener a partir de una distribución binomial como sigue:
Supongamos que tenemos una v.a. X con distribución de Pascal, XP(r,p), es decir, X se puede
representar en un proceso de Bernoulli como
X = Número de ensayos hasta el r-ésimo Éxito.

Supongamos que deseamos obtener la probabilidad


 k  1 r
P ( X  n)     p (1  p ) k  r .
k  n 1  r  1 

Una forma alternativa a resolver dicho sumatorio es definir la variable aleatoria

Y = Número de Éxitos en n ensayos
Que, como sabemos, tiene distribución binomial b(n,p).

Como es equivalente decir que el Éxito número r tarda más de n ensayos en ocurrir, P(X > n), y
que decir que en n ensayos ocurren como mucho r-1 Éxitos, P(Y  r-1), tenemos que
 n k r 1
P( X  n )  P(Y  r  1)     p (1  p ) n  k
k 0  k 

con lo que podemos utilizar todos los procedimientos disponibles para la distribución binomial a la
hora de calcular probabilidades para la distribución de Pascal.

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 142

 ESTADÍSTICA
GRADOS EN INGENIERÍA MECÁNICA, INGENIERÍA QUÍMICA E
INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Características numéricas de la Distribución de Pascal:

Media:  = EX = r/p.
Varianza: 2 = Var(X) = rq/p2.
Desviación Típica:  = DT(X) = rq p .
2

Media y varianza son el resultado de multiplicar por r la media y la varianza de la distribución

geométrica. El número medio de ensayos hasta el éxito r es proporcional al número de éxitos buscado.

Ejemplo: En cierta factoría de montaje en serie se estima que el 30% de los días de trabajo se
produce algún paro parcial por averías menores y se supone que hay independencia entre lo que
ocurre en días distintos. Cada vez que se acumulan tres días con paros parciales, la empresa decide
hacer un paro total para poner a punto el sistema. Obtener la probabilidad de que transcurran más
de 10 días sin producirse un paro total.

Solución: Analizar día a día si se ha producido o no algún paro parcial es un Proceso de Bernoulli
de parámetro p = 0.3. Si definimos la v.a. X = Número de días que transcurren hasta el tercero con
paros parciales, tenemos que esta variable sigue la distribución de Pascal P(3,0.3).

Si consideramos Y = Número de Éxitos en 10 ensayos, tenemos que Y sigue la ley b(10,0.3) y la

probabilidad pedida es
10 
2
P ( X  10)  P (Y  2)    0.3k 0.710k  0.3828.
k 0  k 

Tema 8. El proceso de Bernoulli y sus distribuciones asociadas 143