Lic: Pastor Ramírez Leal GUIA No.

4 DISTRIBUCIONES DE PROBABILIDAD

VARIABLE ALEATORIA Y DISTRIBUCION DE PROBABILIDAD

Un experimento aleatorio consiste en lanzar una moneda 3 veces, consideremos la variable aleatoria el número de caras que
aparecen, determine los valore que puede tomar la variable y su correspondiente probabilidad.
Solución: En este problema llamemos X = El número de cara que aparecen al lanzar tres monedas, el espacio muestra esta
formado por 8 posibles resultados:
S = {(C, C, C), (C, C, S), (C,S, C), (C, S, S), (S, C, C), (S, C, S), (S, S, C), (S, S, S,)}
X= 3 2 2 1 2 1 1 0
Obsérvese que la variable aleatoria puede tomar los valores X = {0, 1, 2, 3}, si cada resultado asociado con la variable
aleatoria tiene la misma probabilidad de ocurrir, entonces: P(X = 0)=1/8 P(X = 1)=3/8 P(X = 2)=3/8 P(X =3) = 1/8
Si relacionamos cada valor de la variable aleatoria con su correspondiente probabilidad, se tendrá la
función de probabilidad o también llamada Distribución de probabilidad.
X P(X)
0 1/8
1 3/8
2 3/8
3 1/8
Podemos observar que la probabilidad de los posibles valores de la variable aleatoria se encuentra entre 0 y 1, además que la
suma de las probabilidades es igual a 1.

Media y desviación estándar de una distribución de probabilidad para variables discretas

Considerando la definición de probabilidad de un evento, P(X) es el cociente de la frecuencia entre el número total de
eventos (probabilidad frecuencial de ocurrencia), por lo que la media de una distribución de probabilidad de una
variable discreta es:

Por ejemplo: Consideremos la variable X del ejemplo de caras observadas en dos lanzamientos de monedas. Es decir, X tal
que su distribución de probabilidad sea:
X P (X=x)

0 ¼

1 ½

2 ¼
Entonces, para calcular su media se realiza:

La varianza de una distribución de probabilidad de una variable discreta sea:

Consecuentemente, la desviación estándar de una distribución de probabilidad de una variable discreta es:

Por ejemplo: Considerando la misma distribución de probabilidad que en el ejemplo anterior, su desviación estándar se
calcula:

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

DISTRIBUCIÓN BINOMIAL
En una distribución Binomial, podemos observar las siguientes características:

1
Lic: Pastor Ramírez Leal GUIA No. 4 DISTRIBUCIONES DE PROBABILIDAD

a) Existen n ensayos idénticos

b) Cada ensayo tiene solo dos posibles resultados (éxito y fracaso)
c) Los ensayos son independientes
d) La probabilidad de éxito y fracaso se mantienen constantes
e) No existe un orden específico de ocurrencia
Sea K el valor la variable aleatoria que especifica el número de éxitos de los n ensayos, p la probabilidad de éxito, entonces
( 1- p) = q es la probabilidad de cada uno de los n-K fracasos, entonces la expresión que describe la distribución es:

p ( x )  n C x p x (1  p ) n  x
A esta distribución se la conoce como Binomial.
La media de una distribución probabilística binomial con parámetros n y p es:  = np

Por otro lado, la desviación estándar de una distribución probabilística binomial con parámetros n y p es:

Ejemplo: En una escuela el 15% de los alumnos fuman, se toma una muestra de 5 alumnos al azar, suponiendo que la
probabilidad de fumar no cambia, calcule la probabilidad:
a) De que fumen 2 de los cinco
b) Al menos uno fume
En este caso se trata de una distribución binomial, puesto que existen 5 ensayos idénticos, cada uno tiene dos posibles
resultados: que fume y que no fume.
Sea la variable aleatoria X= El número de fumadores de la muestra
La probabilidad de éxito p= 15% y n=5, usando la formula de la distribución binomial:

DISTRIBUCIÓN HIPERGEOMETRICA
En la distribución binomial los ensayos que se realizan son independientes, en el caso de que sea dependiente la distribución
a utilizar es la hipergeométrica, consideremos el caso que en cada ensayo solo se tienen dos posibles resultados.
Ejemplo: En una bolsa hay 10 tornillos, de los cuales 4 están defectuosos, si se toman 4 tornillos al azar sin reemplazo,
calcule la probabilidad de que 2 estén defectuosos.
Sea X el número de defectuosos de la muestra y queremos la probabilidad de que X=2, recordemos que en este tipo de
experimentos podemos usas combinaciones para calcular la probabilidad, tenemos dos grupos de tornillos, los defectuosos
que son 4 y los no defectuosos que son 6, entonces solo necesitamos calcular de cuantas maneras se pueden seleccionar 2
defectuosos de 4 y 2 no defectuosos de 6, y las formas en que se pueden seleccionar los 4 tornillos de 10:

Generalizando, tenemos N elementos de los cuales se toma una muestra de n sin reemplazo, donde N la podemos dividir en
dos grupos n1 y N-n1 y se calculan las combinaciones de n1 en k y de N-n1 en n-k, y las selecciones de N en n:

Esta distribución es la contraparte de la distribución binomial para ensayos independientes, así como la distribución
binomial se puede generalizar para situaciones donde cada ensayo puede tener más de dos posibles resultados, la
distribución hipergeométrica también se puede generalizar.
Sean N elementos los cuales se toma una muestra de tamaño n sin reemplazo y los podemos clasificar en n1, n2, n3..., ni
grupos y de cada grupo se seleccionan k1, k2, k3,... ki, entonces la probabilidad de que aparezcan los resultados anteriores
es:

DISTRIBUCIÓN DE POISSON
Un experimento de Poisson tiene las siguientes propiedades:
1. El número de resultados que ocurren en un intervalo de tiempo o región específicos es independiente de el número
que ocurre en cualquier otro intervalo disjunto de tiempo o región del espacio disjunto.
Por ejemplo:
Número de accidentes por semana en una autopista.

2
Lic: Pastor Ramírez Leal GUIA No. 4 DISTRIBUCIONES DE PROBABILIDAD

Número de personas que llegan a un banco por hora

Número de errores que comete una secretaria por página, etc.
2. La probabilidad de que un resultado muy sencillo ocurra en un intervalo de tiempo muy corto o en una región
pequeña es proporcional a la longitud del intervalo de tiempo o al tamaño de la región.
3. La probabilidad de que más de un resultado ocurra en un intervalo de tiempo tan corto o en esa región tan pequeña
es despreciable.
La distribución de probabilidad de la variable aleatoria de Poisson X que representa el número de resultados que ocurren en
un intervalo de tiempo dado, indicado por t es:
e   t    t 
x
P ( x,  t  )  e t (t
x!
La cual corresponde a la formula de la distribución de Poisson. Esta distribución se utiliza para aproximar resultados de la
t
distribución binomial cuando n es grande y p es pequeña, tenemos que p  t   entonces np = t
n

 x e 
p ( x) 
X!
Ejemplos:
1. A una estación telefónica llegan llamadas a razón de 3 por minuto, calcule la probabilidad de que en un intervalo
de tiempo de 40 seg. lleguen:
a) exactamente dos llamadas
b) al menos lleguen 3 llamadas
Solución:
En este ejemplo  = 3 llamadas/ minuto, t = 40 seg. = 0.666 min. por lo tanto µ=t = (3 llamadas x min.)(0.666 min.)= 2
llamadas
a) t = 2
x=3
Despeje los valores de la formula y Calcule para los incisos a) y b)
Aproximación de la distribución binomial con la de Poisson
En una caja se empacan 100 tornillos, si se sabe que la maquina que la fábrica tiene un 2% de defectuosos, calcule la
probabilidad de que la caja tenga 5 defectuosos.
Como tenemos una muestra grande n = 100 y una probabilidad de éxito pequeña p = 0.02 , podemos usar la aproximación
de la distribución binomial por la de Poisson, tomando
µ =np = (100) (0. 02) = 2

El valor exacto calculado con la distribución binomial es 0.0353=3.53% lo cual es una buena aproximación.
b) al menos dos defectos
c) cuando más tres defectos

VARIABLES ALEATORIAS Y DISTRIBUCIONES CONTINUAS

DISTRIBUCIÓN NORMAL
El primero en deducir la distribución normal fue Abrahán de Moivre en 1733 como el límite de la distribución Binomial,
esta misma formula fue obtenida por Karl Friedrich Gauss, al evaluar los errores de las observaciones astronómicas. La
distribución binomial para valores grandes de n y probabilidades p cercanos a 0.5, adquiere una forma acampanada,
consideremos el siguiente ejemplo:
Se lanzan 10 monedas sobre una mesa, sea la variable aleatoria el número de cara que aparecen, su distribución de
probabilidad es:

3
Lic: Pastor Ramírez Leal GUIA No. 4 DISTRIBUCIONES DE PROBABILIDAD

Si consideramos que n tiende a infinito, entonces los puntos se pueden unir con una línea continua:

La función de densidad de probabilidad para la distribución normal es:

La distribución normal queda totalmente especificada si se conoce su media µ y desviación estándar σ, para cada par de
valores de estos parámetros existe una distribución diferente, una forma de utilizar una sola distribución es la de
estandarizar la variable, es decir escribir los valores de x en función de desviaciones estándar, con lo que se define una
variable z:

La distribución de probabilidad para la variable estandarizada quedaría.

Para calcular probabilidades de que la variable aleatoria se encuentre entre dos valores se obtiene como:

La igualdad anterior significa que es posible calcular las probabilidades de la variable x en términos de la variable z, para el
cálculo de probabilidades de la distribución normal estandarizada se utiliza una tabla que proporciona las probabilidades de
0 hasta cualquier valor positivo de z:

4
Lic: Pastor Ramírez Leal GUIA No. 4 DISTRIBUCIONES DE PROBABILIDAD

Para calcular las áreas de 0 a z se utiliza una tabla que se muestra en el apéndice, a continuación se resuelve un problema
para mostrar el cálculo de probabilidades de la distribución normal.
Ejemplo: La duración media de una lámpara incandescente tiene una distribución normal con media de 1200 hrs. desviación
estándar de 150 horas, calcule la probabilidad de que la duración de una lámpara:
a) sea de 1200 a 1350 horas
b) este entre 900 y 1300 horas.
c) sea mayor de 1400 horas
d) sea menor de 1300 horas.
Solución: En este ejemplo la variable aleatoria X es la duración de una lámpara

1. sea mayor de 1400 es P (X  1400) = P ( z  1.33) el área buscada el de la cola de la derecha de la curva, como es
simétrica cada mitad es 0.5, entonces: