DISTRIBUCIONES DE

PROBABILIDAD
VARIABLES ALEATORIAS
En las clases anteriores se examinaron
los conceptos bsicos de probabilidad con
respecto a eventos que se encuentran en
un espacio muestral.
Los experimentos se conciben de manera
que los resultados del espacio muestral
son cualitativas o cuantitativas.
Como ejemplos de resultados cualitativos
se tienen:
a) El lanzamiento de una moneda es cara o
cruz.
b) Un producto manufacturado en una fbrica
puede ser defectuoso o no defectuoso.
c) Una persona en particular puede preferir la
locin X sobre la locin Y.

Puede ser til la cuantificacin de los
resultados cualitativos de un espacio muestral
y, mediante el empleo de medidas numricas,
estudiar su comportamiento aleatorio.
El concepto de variable aleatoria proporciona un
medio para relacionar cualquier resultado con
una medida cuantitativa.
Para ilustrar la nocin de variable aleatoria,
considrese el lanzamiento de una moneda, el
espacio muestral est constitudo por dos
resultados cara y cruz. Sea X(cruz)=0 y
X(cara)=1,de esta manera se han transformado
los dos posibles resultados del espacio muestral
en puntos sobre la recta de los reales. Por
P(X=0) se entender la probabilidad de que la
variable aleatoria tome el valor cero o, de manera
equivalente, la probabilidad de que caiga cruz
cuando lance la moneda.
En el ejemplo anterior el nmero de
posibles valores de la variable a aleatoria
es finito. Sin embargo se pueden definir
variables aleatorias cuyos valores sean
contables o no.
Ya que una variable aleatoria es una
caracterizacin cuantitativa de los
resultados de un espacio muestral, esta
posee intrnsecamente la naturaleza
discreta o continua de este espacio.
Variable Discreta: Una variable aleatoria
X es discreta si el nmero de valores que
puede tomar es contable (ya sea finito o
infinito), y si stos pueden arreglarse en
una secuencia que corresponde a los
enteros positivos.

Variable Continua: Una variable X es
continua si sus valores consisten en uno o
ms intervalos de la recta de los reales.
Distribuciones de Probabilidad
La distribucin de probabilidad, es un
listado que nos especifica las
probabilidades de todos los resultados
posibles de una variable aleatoria, al llevar
a cabo un experimento aleatorio.

La distribucin de probabilidad, debe
cumplir con las siguientes propiedades:

a. La probabilidad de ocurrencia de cada
categora de la variable aleatoria, estar entre
0 y 1. Es decir:


b. La suma de las probabilidades de todas las
categoras de la variable aleatoria es la
unidad. Es decir:

0 ( ) 1 p X x s = s
( ) 1 p X x = =

En la vida real, nos encontramos con un

conjunto de variables aleatorias que para
estudiarlas, tenemos que suponerlas que
siguen una distribucin Terica de
probabilidad; estos ltimos constituyen por
lo tanto el esquema ideal del
comportamiento de la variable en estudio.
La distribuciones tericas de probabilidad
ms importantes y que aqu estudiaremos
son: Binomial, Poisson, Normal, t de
Student y Chi Cuadrado.
Distribuciones Discretas
Entre las distribuciones de probabilidad
discretas ms importantes tenemos:

a) Distribucin Binomial

a) Distribucin Poisson
La Distribucin Binomial
La Distribucin Binomial es una las
distribuciones de probabilidad discretas ms
importantes . Sus reas de aplicacin incluyen
inspeccin de calidad, ventas, mercadotecnia,
medicina, investigacin de opiniones y otras.
Esta distribucin se origina en los Ensayos o
Experimentos Bernoulli que consiste en
realizar 1 experimentos que tiene dos resultados
posibles, llamados xito y fracaso.
Ejemplos:

Lanzar una moneda
Rendir un examen para cubrir una vacante
Observar el sexo de un recin nacido.
Encender una maquina y verificar si funciona,
etc.


Ensayos de Bernoulli
Experimento Binomial:
Es aquel que consiste en realizar n veces
ensayos de Bernoulli, en el cual se debe
cumplir lo siguiente:
a) Cada ensayo tienen solo dos resultados
posibles.
b) Los ensayos son independientes.
c) La probabilidad de xito p es constante
en cada ensayo.
1. Su variable aleatoria esta definida como:
X: Numero de xitos en n ensayos.
2. Su recorrido o rango es:
R
x
= {0,1,2,3,4,5, , n}
3. Su funcin de probabilidad esta dada por:


n x q p
x
n
x X P x f
x n x
,..., 2 , 1 , 0 , ) ( ) ( =
|
|
.
|

\
|
= = =

Esta distribucin tiene las siguientes
caractersticas :
4. Sus parmetros son :

n : Numero de veces que se repite el
experimento o tamao de muestra.
p : Probabilidad de xito en cada uno de
los ensayos.

5. Su notacin es : X B ( n, p )

6. Uso de tabla: Para el uso de la tabla tener
en cuenta lo siguiente:

TABLAS TIPO I





A. P ( X a ) = Usar directamente la tabla
B. P ( X > a ) = 1 - P ( X a )
C. P ( X a ) = 1 - P ( X a - 1 )
D. P ( X = a ) = P ( X a ) - P ( X a - 1 )
E. P ( a < X < b ) = P ( X b ) - P ( X a )

TABLAS TIPO II







CASO A. P (X = a ) =Usar directamente la tabla
INDIVIDUAL
CASO B. P ( X a ) = Directamente tabla acumulada
CASO C. P ( X > a ) = P (X a+1)
CASO D. P ( X < a ) = 1 - P ( X a )
CASO E. P ( X a ) = 1 - P (X a+1 )
CASO F. p (a x b) = P (X a ) - P (X b+1 )
Ejemplo de aplicacin:
En general, el 45% de los postulantes
fallan en una prueba de seleccin de
personal. Cul es la probabilidad de
que en una muestra de 15:
a) Fallen exactamente 4.
b) Fallen por lo menos 8.
c) Fallen ms de 4.
Solucin:
Sea X= Candidatos que fallan en una
prueba de seleccin de una muestra de
15 candidatos.
n=15 candidatos
p= probabilidad que un candidato falle
en una prueba de seleccin.
p= 0.45 q=0.55
Funcin de probabilidad:


a) Fallen exactamente 4.
P( X=4)=0.078 = 7.8% Tabla Individual
n=15, X=4, p=0.45

b) Fallen por lo menos 8.

( ) ( )
15
15
( ) ( ) 0.45 0.55 , 0,1, 2, 3, 4, 5
x x
f x P X x x
x

| |
= = = =
|
\ .
( 8) 0.346 34.6%
15, 8, 0.45
P X Tabla Acumulada
n x p
> = =
= > =
c) Fallen ms de 4.

CASO C
TABLA II



( 4) ( 4 1)
( 5)
0.88 88%
15, 5, 0.45
P X P X
P X
Donde n x p
> = > +
= >
= =
= > =
La Distribucin de Poisson
Llamada as en honor de Simen Denis
Poisson, probabilista francs del siglo XIX,
quien fue el primero en describirla.

Esta distribucin se origina en problemas
que consisten en observar la ocurrencia
de eventos discretos en un intervalo
continuo (unidad de medida).
Ejemplos
Nmero de manchas en un metro cuadrado de un
esmaltado de un refrigerador.
Nmero de personas que llegan a una tienda de
autoservicios durante una hora.
Nmero de llamadas telefnicas en un da.
Nmero de clientes que llegan a un banco durante
las 10 y 12 p.m.
Nmero de bacterias en un cm3 de agua.
Nmero de solicitudes de seguro procesadas por
una compaa en un tiempo determinado, etc.
De hecho la distribucin de Poisson es el
principal modelo de probabilidad
empleado para analizar problemas de
lneas de espera.

Adems ofrece una aproximacin
excelente a la funcin de probabilidad
binomial cuando p es pequeo y n grande.
1. Su variable aleatoria esta definida como:
X: Nmero de ocurrencias en t unidades de
medida (volumen, espacio, tiempo,
longitud, etc.)
2. Su recorrido o rango es:
R
x
= {0,1,2,3,4,5, .}
3. Su funcin de probabilidad esta dada por:


Esta distribucin tiene las siguientes
caractersticas :
,... 2 , 1 , 0 ,
!
) (
) ( ) ( = = = =

x
x
e
x X P x f
x

4. Su parmetro es que es la tasa de

ocurrencia promedio en t unidades de
medida.
5. Su notacin es : X P ( )
6. Uso de tabla: Para el uso de tabla tener en
cuenta lo siguiente:



CASO 1. P ( X a ) = Usar directamente la tabla
CASO 2. P ( X < a ) = P ( X a - 1)
CASO 3. P ( X > a ) = 1 - P ( X a )
CASO 4. P ( X a ) = 1 P ( X a - 1)
CASO 5. P ( X = a) = P ( X a ) - P ( X a - 1 )
CASO 6. P ( a X b ) = P ( X b ) - P ( X a -1)
>
Ejemplo de aplicacin:
La central telefnica de una empresa recibe un
promedio de 3.4 rdenes de pedido por hora.
Estas ocurrencias se producen al azar. Cul
es la probabilidad de que se produzcan:
a) Exactamente 4 rdenes de pedido en una hora
dada.
b) Como mximo 5 rdenes de pedido en una
hora.
c) Ms de 5 rdenes de pedido en dos horas.


Solucin
3.4 / rdenes de pedido hora =
a) Exactamente 4 rdenes de pedido en una hora
dada.

( )
4
3.4
3.4
( 4) 0.186 18.6%
4!
( 4) ( 4) ( 4 1) 5
0.744 0.558
0.186 18.6%
e
P X Clculo
P X P X P X TablaCaso

= = = =
= = s s
=
= =
b. Como mximo 5 rdenes de pedido en una
hora.


c. Ms de 5 rdenes de pedido en dos horas.



( 5) 0.871 87.1% 1 P X TablaCaso s = =
2 6.8
6.8 / 2
( 5) 1 ( 5) 3
1 0.327
0.673 67.3%
En horas rdenes
rdenes horas
P X P X Tabla Caso

=
=
> = s
=
= =
Aproximacin de Poisson a la
Binomial
En problemas de
distribucin binomial
donde n es grande y
la probabilidad de
xito p es bastante
pequea, las
probabilidades se
pueden aproximar
usando la distribucin
de Poisson.


Se cumple que:
np =
Ejemplo:
En un proceso en el cual se producen
piezas de vidrio, ocurren defectos o
burbujas, ocasionando que la pieza no
sea apta para la venta. Se sabe que en
promedio 1 de cada mil piezas tiene una o
ms burbujas. Cul es la probabilidad de
que en una muestra aleatoria de 8000
piezas, menos de 7 de ellas tengan
burbujas?
Solucin:
Datos: n=8000
p=0.001(por dato:1 de cada1000=1/1000=0.001)
ste es por tanto un experimento binomial, pero
dado que : p se acerca a 0 y n es bastante
grande, se hace la aproximacin con la
distribucin de Poisson.
Entonces: =np=8000*0.001=8
Nos piden: P( X<7)
Luego: P( X<7)=P( X6) Caso 2 Tabla
De tabla: P( X 6)=0.313=31.3%