Distribuciones Importantes

Mg. Enver Tarazona Vargas

DISTRIBUCIONES DE PROBABILIDAD
Distribuciones discretas
Son las funciones de probabilidad asociadas a variables
aleatorias discretas, que se generan mediante procesos
de conteo sobre las veces que se repite un suceso.
Cuando se elige al azar un elemento, se averigua si
cumple o no con cierta condicin, para luego contar el
nmero de elementos que si cumplen con la condicin en
anlisis.

Distribuciones discretas.

Pruebas de Bernoulli

Un experimento aleatorio es llamado una prueba o ensayo de

Bernoulli si cumple las siguientes condiciones:
1.

Para cada prueba o ensayo se define un espacio

muestral con solo dos resultados posibles: Exito (E) y
Fracaso (F), donde:
P[E]= y P[F]= 1 - P[E]= 1 -

2. La probabilidad de xito () se mantiene constante de prueba

a prueba.
3. Las pruebas se consideran que son independientes.

Experimentos de Bernoulli
Ejemplos:
Lanzar una moneda y que el xito sea que salga cara.
p=1/2
Elegir una persona de la poblacin y que el xito sea que est
enfermo.
p=1/1000 = prevalencia de la enfermedad
Aplicar un tratamiento a un enfermo y que el xito sea que ste
se cure.
p=0.95, probabilidad de que el individuo se cure

Como se aprecia, en experimentos donde el resultado slo toma 2

valores, la variable queda perfectamente determinada conociendo el
parmetro p.

Distribuciones discretas
Distribucin Bernoulli o binomial puntual
Una variable aleatoria discreta X tiene una distribucin Bernoulli o
binomial puntual si su funcin de probabilidad es dada por:
1 x

f ( x) (1 )
x

, si x 0,1

0
Donde:

, de otro modo

= Probabilidad de xito
X = Nmero de xitos en una prueba de Bernoulli

Adems, la media y variancia de la variable aleatoria X son:

X EX
2
X

VarX EX- X (1 )
2

Distribuciones discretas
Distribucin Binomial
Una variable aleatoria discreta X tiene una distribucin Binomial si su
funcin de probabilidad es dada por:

n x
f ( x) (1 ) n x , si x 0,1,, n
x

Donde:

, de otro modo

= Probabilidad de xito
n = Nmero de pruebas de Bernoulli o
tamao de una muestra con reemplazo
X = Nmero de xitos en n pruebas de Bernoulli

Adems, la media y variancia de la variable aleatoria X son:

X EX n

2
X

Var X E X X n (1 )

Distribuciones discretas
Distribucin Binomial

0.5

n x
f ( x) (1 ) n x , si x 0,1,, n
x
0

, de otro modo

Distribuciones discretas
Distribucin Binomial

0.5

n x
f ( x) (1 ) n x , si x 0,1,, n
x
0

, de otro modo

Distribuciones discretas
Distribucin Binomial

0.5

n x
f ( x) (1 ) n x , si x 0,1,, n
x
0

, de otro modo

Ejemplo:
Las piezas a la salida de una lnea de produccin se clasifican en
defectuosas (D) o no defectuosas (N), de manera independiente
Se toma tres piezas aleatoriamente y se clasifican de acuerdo a este
esquema. El espacio muestral para este experimento es:
= {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}

La probabilidad que una pieza sea defectuosa es p y no cambia. Eso

implica que la poblacin es muy grande o las observaciones se
hacen con remplazo para asegurar la independencia.
Interesa el nmero de piezas D y no el orden en que salen.
Se define una v.a. X igual al nmero de piezas defectuosas; luego,
Rx = { 0, 1, 2, 3). Entonces X ~ B(3,p).

Funcin de probabilidad:

PX (x)

3(1-p)2p

0,5

(1-p)3

0,4

3(1-p) p2

0,3
0,2

p3

0,1
0

= { NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}

X(NND)= 1
X(NDN)= 1
X(DNN)= 1

3 P(N) P(N) P(D)

Distribuciones discretas
Distribucin Binomial.

Ejemplo

EL 10% de los artculos producidos por una mquina son defectuosos. Si

elige una muestra aleatoria con reemplazo de 6 artculos y se define la
variable X como el nmero de artculos defectuosos elegidos,
a) Determinar la probabilidad que al menos un artculo sea defectuso

PExito PDefectuso 0.1

6
f ( x) (0.1) x (1 0.1)6 x , si x 0,1,,6
x
0

, de otro modo

PX 1 1 PX 1 1 PX 0 1 f (o)
6
1 (0.1)0 (1 0.1)60 0.468559
0

Distribuciones discretas
Distribucin Binomial.

Ejemplo

b) Halle el valor del coeficiente de variabilidad de X

X n (6)(0.1) 0.6
2X n(1 ) (6)(0.1)(1 0.1) 0.54
0.54
X
(100) 122.474487
(100)
CVX

0
.
6
X

EJERCICIO
La empresa constructora Alpha quiere comprar inmuebles en varios
distritos de Lima para construir edificios. Alpha sabe, por
experiencias anteriores, que solo el 5% de los inmuebles visitados
cumplen con sus condiciones. Si la semana siguiente tiene planeado
visitar diez inmuebles en Lima.
a) Cul es la probabilidad que solo uno de los inmuebles cumpla
las condiciones?
b) Cul es la probabilidad que como mximo tres de los inmuebles
cumplan con las condiciones?
c) Cul es la probabilidad que por lo menos dos de los inmuebles
cumplan con las condiciones?
d) Si se visitaron dos inmuebles y se observ que cumplan con las
condiciones Cul es la probabilidad de que menos de 8 de los
inmuebles cumplan con las condiciones?
e) Cul es el nmero esperado de inmuebles que cumplirn con las
condiciones?

Ejemplo: A una empresa le han encargado ciertos productos

especializados en un tiempo limitado. Por tanto, estos slo podrn
desarrollarse unitaria y simultneamente en cada una de las 5
mquinas especiales con que cuenta la empresa. El problema es
que el proceso de produccin en cada mquina podra cortarse con
una probabilidad de 0.2. Para evitar esto es factible adquirir un
insumo especial que lo venden en cajas, de tal manera que al
agregar una caja al proceso de produccin de cada mquina har
que se evite el corte y se llegue a obtener el producto. De lo
contrario se detendr la produccin de la mquina y se perder
esta generndose un costo de 100 dlares, que es el costo de
produccin. Si la empresa recibir 500 dlares por cada producto
entregado y cada caja del insumo especial cuesta 200 dlares,
cul sera el nmero ptimo de cajas de insumo que debera de
adquirir la empresa para maximizar su utilidad esperada?

Distribuciones discretas.
Distribucin Hipergeomtrica
Sea una poblacin de tamao N, donde hay A elementos que tienen una
caracterstica W definida como xito, y B elementos que no tienen la
caracterstica W, siendo N=A+B. Si de dicha poblacin se toma una
muestra aleatoria de tamao n y se define la variable aleatoria X como el
nmero de xitos obtenidos; entonces, la variable X tendr como funcin
de probabilidad:

A B

x n x
, si x 0,1,2,, n
f ( x)
N

n

0

Donde:

, de otro modo

X = Nmero de xitos obtenidos en una muestra sin reemplazo

de tamao n.

Distribuciones discretas.
Distribucin Hipergeomtrica
Adems, la media y variancia de la variable aleatoria X son:

nA
X EX
N
n A B N - n
2
X Var X
N 2 N - 1
Nota

Si el nmero de elementos de la poblacin (N) es grande y la fraccin de

muestreo (f=n/N) es pequea; es decir, si
f<0.05, entonces las
probabilidades de la distribucin hipergeomtrica se pueden aproximar
mediante la distribucin binomial, para lo cual se considera: = A/N.

Distribuciones discretas
Distribucin Hipergeomtrica

A=B

A B
x n x
, si x 0,1,2,, n
f ( x )
N
n

0
, de otro modo

Distribuciones discretas
Distribucin Hipergeomtrica

A<B

A B
x n x
, si x 0,1,2,, n
f ( x )
N
n

0
, de otro modo

Distribuciones discretas
Distribucin Hipergeomtrica

A>B

A B
x n x
, si x 0,1,2,, n
f ( x )
N
n

0
, de otro modo

Distribuciones discretas.
Distribucin Hipergeomtrica

Ejemplo

Suponga que en un proceso de control de calidad se inspecciona un lote

de 10 artculos, de los cuales 4 son defectuosos. Si se eligen 5 artculos
al azar y sin reemplazo hallar, La probabilidad de elegir no ms de 2
artculos defectuosos.
X=Nmero de artculos defectuosos elegidos

N=10,

A=4,

n=5,

B=10-4=6

4 6
x 5 x
, si x 0,1,2,3,4,5
f ( x )
10
5

0
, de otro modo

nA (5)(4)
X E( X )

2 art. defectuosos
N
10
2X

nAB N n (5)(4)(6) 10 5
Var ( X )

0.666667

2
2
N N 1
10
10 1

Distribuciones discretas.
Distribucin Hipergeomtrica

Ejemplo

Suponga que en un proceso de control de calidad se inspecciona un lote

de 10 artculos, de los cuales 4 son defectuosos. Si se eligen 5 artculos
al azar y sin reemplazo hallar, La probabilidad de elegir no ms de un
artculo defectuoso.

4 6
x 5 x
, si x 0,1,2,3,4,5
f ( x )
10
5

0
, de otro modo

4 6 4 6
0 5 1 4
PX 1 f (0) f (1) 0.261905
10
10
5
5

La distribucin Normal
Una v.a continua X se dice que tiene distribucin normal
si su funcin de densidad viene dada por:

f ( x)

1
2

1
2

2
(
x

)
2

Est distribucin est caracterizada por dos parmetros:

la media y la varianza 2 . De aqu que se utilice la
notacin
2

X ~ N ( , )

Interpretacin geomtrica de los parmetros de

una distribucin normal
Se puede interpretar la media como un
parmetro de traslacin.

0.10
0.05
0.00

0.15

0.20

Distribucin normal de media -2 y varianza 4

-10

-5

0
x

10

Interpretacin geomtrica de los parmetros de

una distribucin normal
Se puede interpretar la media como un
parmetro de traslacin.

0.10
0.05
0.00

0.15

0.20

Distribucin normal de media 0 y varianza 4

-10

-5

0
x

10

Interpretacin geomtrica de los parmetros de

una distribucin normal
Se puede interpretar la media como un
parmetro de traslacin.

0.10
0.05
0.00

0.15

0.20

Distribucin normal de media 2 y varianza 4

-10

-5

0
x

10

Interpretacin geomtrica de los parmetros de

una distribucin normal
Se puede interpretar la varianza como un
parmetro de escala o grado de dispersin.

0.4
0.2
0.0

0.6

0.8

Distribucin normal de media 0 y varianza 0.25

-4

-2

0
x

Interpretacin geomtrica de los parmetros de

una distribucin normal
Se puede interpretar la varianza como un
parmetro de escala o grado de dispersin.

0.4
0.2
0.0

0.6

0.8

Distribucin normal de media 0 y varianza 1

-4

-2

0
x

Interpretacin geomtrica de los parmetros de

una distribucin normal
Se puede interpretar la varianza como un
parmetro de escala o grado de dispersin.

0.4
0.2
0.0

0.6

0.8

Distribucin normal de media 0 y varianza 4

-4

-2

0
x

Recordemos que el rea bajo la funcin de densidad

de una v.a continua debe ser 1. La distribucin normal
es simtrica y sucede que:
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aprox. 0.68

Entre la media y dos

desviaciones tpicas
aprox. 0.95

La distribucin Normal estndar

Calcular probabilidades con la distribucin normal no es
fcil, pues estas dependen de sus parmetros en
especial de la varianza. Afortunadamente existe una
distribucin Normal cuya media es 0 y varianza es 1,
llamada distribucin Normal estndar a la cual toda otra
variable normal puede ser transformada mediante la
siguiente propiedad:
Si

X ~ N ( , ) , entonces Z
2

~ N (0,1)

La utilidad de esta propiedad es que ahora necesitaremos slo

calcular probabilidades con esta distribucin normal estndar, para
lo cual se dispondr de una nica tabla donde se encontrarn
tabuladas las probabilidades acumuladas P(Z c) para valores de c
desde van desde -4.09 a 4.09 y hasta con dos decimales.

*Margen izquierdo : Los enteros de c y

su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: reas correspondientes,
acumuladas desde -4.09
hasta 4.09

La tabla consta de:

-4.0
-3.9
-3.8
-3.7
-3.6
-3.5

.0000 .0000 .0000 .0000 .0000 .0000

.0000 .0000 .0000
.0001 .0001 .0001 ....

......

.0001 .....

......

......

......

.0002 ....

.....

....

.0002 ....

......

6
...

Ejemplo:
Cul es la probabilidad de que Z ~ N(0,1) sea menor o igual que 2.03?
Se busca en la tabla el rea correspondiente a c = 2.03

0.04

1.9
2.0

0.9788

2.2
2.2

0.9788

Ejemplo:
Si Z ~ N(0,1), halle P(-1.22 < Z < 2.5)
P(-1.22 < Z < 2.5) = P(Z < 2.5) P(Z <-1.22). Hallemos primero P(Z< 2.5)

0.04

2.4
2.5

0.9938

2.6
2.7
0.9938

Hallemos ahora P(Z< -1.22)

-1.3
-1.2

0.1112

-1.1
-1.0

0.1112

Entonces P(-1.22 < Z < 2.5) = P(Z < 2.5) P(Z <-1.22) se halla
restando las reas; es decir, P(-1.22 < Z < 2.5) = 0.9938 0.1112 = 0.8818

Ejemplo:
Suponga que la demanda mensual de leche en una
tienda se distribuye normalmente con una media de 650
litros y una desviacin estndar de 100 litros.
Qu probabilidad hay de que la demanda supere
los 500 litros en un mes y qu cantidad del bien debe
haber mensualmente a fin de satisfacer la demanda en
el 89.8% de los meses?

Propiedad reproductividad de la normal

Si X 1 , X 2 ,, X n son v.a independientes donde

cada X i ~ N ( , 2 ) y sean c1 , c2 ,, cn constantes,
entonces
n
n
n

S ci X i ~ N ( ci , 2 ci2 )
i 1

i 1

i 1

1
En particular tomado ci
se cumple que:
n
n

X
i 1

~ N ( ,

Teorema del Lmite Central (TLC)

El TLC es uno de los teoremas ms utilizados

porque nos dice que la suma de variables
independientes de cualquier distribucin tiene
aproximadamente un distribucin Normal.
Debido a esto, por ejemplo la distribucin Binomial
se pueden aproximar por una normal para un
nmero grande de eventos. Tambin la adicin de
nmeros generados por cualquier otra distribucin
forma una distribucin aproximadamente normal.

Teorema del Lmite Central (TLC)

Si

X 1 , X 2 ,, X n son v.a independientes donde cada

X i ~ F ( , 2 ) siendo F una distribucin cualquiera no

necesariamente normal. Entonces para n suficientemente
grande (n 30):

aprox

S X i ~ N (n , n )
2

i 1

As tambin

X
i 1

i aprox

~ N ( ,

Ejemplo: Las bolsas de sal envasadas por una

mquina tienen un peso cuyo valor
es aleatorio pero tienen una media de 500
gramos y una desviacin de 35 gramos. Las
bolsas se empaquetan en cajas de 100
unidades, donde cada caja pesa exactamente
20 gramos. Calcule aproximadamente la
probabilidad de que una caja con bolsas de
sal empacadas de la mquina pese entre 50 y
52 kilogramos.

La aproximacin de la Binomial por la

Normal
Como ejemplo del TLC, podemos citar la siguiente aproximacin.
Consideremos una v.a. X ~ B(n,p) , con n grande. Entonces el
TLC implica que

donde la segunda igualdad se obtiene al dividir todo entre n y

representa la proporcin de xitos en la muestra.
NOTA: Para mejor aproximar las probabilidades se suele utilizar
una correcin llamada de continuidad que dice que si a y b son
nmeros naturales entonces la estandarizacin se hace con el
lado derecho de P(a X b) = P(a-0.5 X b + 0.5) .

Ejemplo: El gerente de un restaurante que slo

da servicio mediante reservas sabe, por
experiencia, que el 20 % de las personas que
reservan una mesa no asisten. Si el restaurante
acepta 40 reservas pero slo dispone de 30
mesas, cul es la probabilidad de que a todas
las personas que asistan al restaurante se les
asigne una mesa? Calcule esta probabilidad de
manera exacta y aproximada.