4.

0 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

4.1 DISTRIBUCIÓN DE BERNOULLI .

Se caracteriza por:
a) Ser un experimento aleatorio que consiste en efectuar una sola prueba con dos
posibles resultados, mutuamente excluyentes, arbitrariamente llamados éxito y
fracaso.
b) Por ser un experimento aleatorio que consiste en seleccionar un elemento de
una población finita o infinita dividida en dos clases, arbitrariamente llamadas:
“ la clase de los éxitos y la clase de los fracasos”.
EJEMPLOS:

- Seleccionar un artículo de este lote que contiene un porcentaje de

artículos defectuosos para verificar si es defectuosos o bueno.
- Ejecutar un sólo tiro para ver si da en el blanco o no.
- Encender un equipo de laboratorio para verificar si funciona o no.

- Tomar un examen y calificar aprobado o desaprobado

DEF :
Si la variable aleatoria x toma únicamente 2 valores
x = 0,1 ;
Si x = 1 el resultado es un éxito y
x = 0 el resultado es un fracaso.

La probabilidad de conseguir exactamente

x éxitos
en un ensayo de Bernulli esta dado:

P ( X(W) ) = x ) = F (x) = Px ( 1 - P) 1 - x
,x = 0 , 1
donde P es la probabilidad de conseguir
un éxito y f define una función de
cuantía llamada Cuantía de Bernulli con
parámetro P.
y su función de distribución esta dado
por :
 0 ;x 0

F ( x)  1  p ; 0  x 1

1 ; x  1


E[x] = p V[x ] = p*(1-p)

 EJEMPLO 1:
 Se selecciona un artículo de un lote de 100
artículos que contiene 5 artículos defectuosos. Sí
X es la v. a. que representa el número de
artículos defectuosos:
 a) Hallar la función de cuantía.
 b) La función de distribución acumulada.
 c) La esperanza y varianza.

 SOLUCIÓN
 x 1-x
 a) f (x) = P ( 1 – P) x=0, 1

 x 1-x
 f(x) = 0.05 (0.95)
 ya que P = 5/100 ; 1 - P = Q = 0.95
 b)La función de Distribución Acumulada F(x)

0 ;x 0

F ( x)  0.95 ; 0  x 1
1 ; x 1

c) Esperanza y Varianza
1
E [ x] =  x P(x) = P = 0.05
x=0
V[ x ] = 0.05* 0.95 = 0.0475
3.2 DISTRIBUCION BINOMIAL
Esta distribución se caracteriza por:
 Existir solamente dos posibles resultados en cada
ensayo ( éxito y fracaso)
 La probabilidad de un éxito es la misma en cada
ensayo
 Hay n ensayos donde n es constante
 Los n ensayos son independientes .
 DEF.
 La distribución de probabilidades se denomina
distribución Binomial debido a que
 para x = 0,1,2,........n , los valores de las
probabilidades son los términos sucesivos
 del desarrollo binomial [ (1 –P) + P] n y las
cantidades combinatorias n C x reciben el
nombre de “coeficientes binomiales” donde:
 x n-x
B( x, n, P) = n Cx P (1-p) para x = 0,1, 2.........n

 donde P: probabilidad de éxito

 f define una función de cuantía , con dos
parámetros n, P y su función de distribución
binomial está dada por:
 0 , x < 0
 f(0) , 0  x <1
 f(0) + f(1) , 1  x <2
 F(x) = f((0)+f(1)+f(3) , 2 x <3
 .

 1 , x  n

 E[X] = nP y V[x] = npq

EJEMPLO 3:
Se asegura que el 60% de las instalaciones
generadoras de electricidad mediante energía solar
en un Centro Educativo Experimental , los gastos de
servicios se reducen al menos en una tercera parte .

De acuerdo a lo anterior cuales son las

probabilidades que se reduzca al
menos en una tercera parte en:
a) cuatro de cinco instalaciones .
b) al menos 4 de 5 instalaciones.
SOLUCION
P = 0.6 x=4 n=5
a) b(4 , 5, 0.6) = 5 C 4 (0.6 )4
*(1- 0.6 )5 - 4 = 0.259
b) x=4ó x = 5 entonces

p( x  5)  nCr * p x q n  x
b (5 , 5 , 0.6 ) = 5 C 5 (0.6 )5 0.40 = 0.078
P ( x >= 4 ) = P ( x = 4 ) + P ( x= 5 )
= 0.259 + 0.078 = 0.337
 3.5 DISTRIBUCION DE POISSON

DEF.

 Sea X una variable aleatoria que toma los valores

posibles 0, 1, 2.......n .... , x es la frecuencia con la
que se presenta un fenómeno en un intervalo de
tiempo o en un espacio bi, tridimensional. La
probabilidad de conseguir exactamente x éxitos
cuando el fenómeno aleatorio es de poisson , esta
dado por:
 - x
 P (X= x ) = e  ; x = 0, 1, 2, 3,.......
 x!
 Decimos que x tiene una distribución de Poisson
con parámetro  > 0
 TEOREMA
Si x tiene la distribución de Poisson con
parámetro  , entonces
E[x ] =  V [x ] = 
Ejemplo:
El numero de fallas en una prueba atómica
es en termino medio de 2 %, en una muestra de
1000 pruebas
¿ Cuál es la probabilidad de encontrar 16 fallas?.

Solución
 = 0.02*1000 =  = E(x) =20
 x e 
p ( X  x) 
x!
2 0
f(x) = e 20 x = 0.0646
x!
4.0 DISTRIBUCIONES CONTINUAS
4.1 DISTRIBUCIÓN UNIFORME O RECTANGULAR
Sea X una vía continua sin distribución uniforme sí:

 1
f ( x)    x
   
0 en otro lugar

Gráficamente f(x)

1
 

x
 
Donde su función acumulativa de distribución esta dada por:

0 X 

X 
F ( x)   X 
   
1 Si X  

 
Esta distribución de la variable aleatoria x continua
puede transformarse en la siguiente densidad
uniforme:

1 : 0  y  1
f ( y)  
0 : en otro lugar

 Teorema : si x se distribuye uniformemente

entonces


x  
2

 x  
    2
12
4.4 DISTRIBUCIÓN NORMAL

Definición.- La variable aleatoria X que toma

todos los valores reales    u   tiene una
distribución normal (o gausiana). Si su función de
densidad es de la forma
;
1 x u
1  ( )
f ( x)  e 2 
2 
Los parámetros u ,  deben satisfacer las
condiciones    u   ,  0
El gráfico de la función tiene forma
acampanada asintótica al eje X, simétrica con
respecto al Centroide Vertical (recta perpendicular
al eje x que pasa por x =) y continua en todo R.
 F(x)

Centroide Vertical

u- u u+
x
Tiene sus puntos de inflexión en X  u  ; x  u 
La probabilidad
P( x  u )  1 ; P( x  u )  1
2 2

 Si f(x) es una función de densidad entonces

debe cumplir que
 a) f ( x)  0 es evidente x

b) 

f ( x)dx  1
ESPERANZA Y VARIANZA DE LA DISTRIBUCIÓN NORMAL


x   x f ( x)dx

2
1  x u 
 (   )
x  
1 2    dx  u
x e
 2 
 Varianza de x
 
 ( x)   x 2  u 2
2
1  x  u 
 
 x2 
1
2 

 2 2   

x e dx

 4.5 DISTRIBUCIÓN NORMAL ESTANDAR

 Si X sigue una distribución normal (x ,u,  )2 entonces
mediante la transformación
x  u se obtiene la normal estándar cuya densidad se
Z 
 puede expresar:

1 z2
 ( z)  e 2 -  z  
2
 y su grafico es:
 (z)

4.5.1 CARACTERÍSTICAS:

i) Z sigue una distribución normal (z,0,1)  z   0 y v z   1

ii)Los puntos de inflexión están en  1
iii)La media, Moda y Mediana coinciden y son iguales a cero
P( z  0)  P( z  0)  0.5
iv)La forma es acampanada, simétrica con respecto a y i
asintótica al eje Z y continua en todo R.
 P( z  0)  P( z  0)  0.5

Gráfico:
t2

 
z z 
1
F ( z)   (t )dt  e 2 dt
  2

F(z)

Z
4. 6 MANEJO DE LA TABLA DE LA NORMAL
I)Dados los valores de Z, encontrar el área
comprendida Si Z>0


z1
 i) P( Z  z1 )   ( z )dz  F ( z1 ) Si z1  0


El valor de F(z1) se encuentra directamente

en la tabla
EJEMPL0:

P( Z  0.93)  F (0.93)  0.8238

 ii) Si Z<0: P(Z<-z)=F(-z)=1-F(z)
 EJEMPLO:

P( Z  0.93)  F (0.93)
 1 - F (0.93)  1  0.8238
 0.1762
 II) Dada la probabilidad encontrar Z
i)- Si la probabilidad dada es mayor o igual a 0.5 el
valor de Z se lee directamente en la tabla

 EJEMPLO:
F ( z1 )  0.5438  z1  0.11
1

ii) Si la probabilidad dada es <0.50 los valores de Z

son negativos
1 y se tiene:

F(-z) = P ; p < 0.500

1 – F(z) = P
F(z) = 1 – p ; donde 1 – p ya es mayor que 0.500 y
el valor de F(z) se lee directamente en la tabla.
 EJEMPLO:
F(-z)=0.1469

 1-F(z1)=0.1465
 F(z1) = 0.8535 z1 =1.05
 por simetría -z1 = - 1.05

 Determinar Z1, si F(z1)=0.64 cuando la

probabilidad no esta en la tabla se usa la
interpolación lineal.

0.6406  0.6338 0.36  0.35 F(z1) z1


0.64  0.6338 z1  0.35 0.6406 0.36
32 x0.01
z1  0.35   0.3989 0.64 z1
36
0.6368 0.35