Introducción

Una distribución de probabilidad indica

toda la gama de valores que pueden
representarse como resultado de un
experimento si éste se llevase a cabo. Es
decir, describe la probabilidad de que un
evento se realice en el futuro, lo implica
que se puede diseñar un escenario de
acontecimientos futuros considerándolas
tendencias actuales de diversos
fenómenos naturales.
Una distribución de probabilidades
es una lista de las probabilidades
de todos los resultados posibles
que pudiera resultar si el
experimento se hace; es decir, es
la suma de todas las funciones
en las que interviene la variable
aleatoria “x” bajo estudio.
Las distribuciones de probabilidad siempre es la
suma de todas las funciones posibles, por
tanto su sumatoria siempre tiene que ser igual
al espacio muestral; esto es:

f(x) = 1 f(x) = 100%

Para saber cual es la f(x) que corresponde se

deberá estudiar los tipos de distribuciones de
probabilidad que podemos tener. Para esto, lo
importante es definir el tipo de variable que
tenemos bajo estudio, y de aquí surge la
clasificación de las distribuciones.
Clasificación de las Distribuciones de Probabilidad

a) Distribuciones Discretas:
Se presentan cuando nuestra variable de estudio es
discreta; esto es, solo puede asumir valores enteros, sin
decimales.
b) Distribuciones Continuas:

Se presentan cuando nuestra variable de estudio es

continua; esto es, puede asumir valores dentro de un
intervalo de valores.
DISTRIBUCIÓN BINOMIAL

La distribución Binomial es posiblemente la más importante de las

distribuciones discretas. Esta distribución corresponde a la
realización de un experimento aleatorio que cumple con las
siguientes condiciones:

1. El experimento consta de n ensayos o pruebas idénticas;

2. Los datos recopilados son el resultado de conteos;
3. Cada ensayo sólo puede tener un resultado de dos posibles,
que se llaman “éxito” (p) y “fracaso” (q), los cuales son
mutuamente excluyentes;
4. La probabilidad p de “éxito” es constante de ensayo a ensayo,
es decir, es invariable. La probabilidad de un fracaso es (1 -p) = q
5. Los ensayos son estadísticamente independientes, esto es la
ocurrencia de uno no afecta la ocurrencia del otro.
6. Interesa conocer x, el número de éxitos observados en n
pruebas.
Fórmula:

En donde:
r = 1,2,3,……,n (número de éxitos)
f ( x ) = Función de x de la distribución binomial
( ) = Coeficiente binomial (análisis combinatorio)
n = Tamaño de la muestra ó número de ensayos
(pruebas)
x = Número de éxitos observados (valor de variable)
p = Probabilidad de éxito en cada ensayo
q = Probabilidad de fracaso que se obtiene por: 1- p
La media y la varianza
ASIMETRÍA DE UNA DISTRIBUCIÓN BINOMIAL
1. Cuando p = 0.50, esto es p = q, cualquier distribución binomial
es simétrica, es decir, exhibe cero asimetría.
2. Cuando p < 0.50, esto es p < q, la distribución es
positivamente sesgada (a la derecha).
3. Cuando p > 0.50, esto es p > q, la distribución es
negativamente sesgada (a la izquierda).
4. A medida que el tamaño de la muestra (n) aumenta, la
distribución se hace más y más simétrica.
Ejemplos
1.- La probabilidad de que un artículo producido por una
fabrica sea defectuoso es 0.02. Se envió un cargamento
de 10.000 artículos a unos almacenes. Hallar el número
esperado de artículos defectuosos, la varianza y la
desviación típica.

2.- Se lanza una moneda cuatro veces. Calcular la

probabilidad de que salgan más caras que escudos.

3.- La probabilidad de que un hombre acierte en el

blanco es 1/4. Si dispara 10 veces ¿cuál es la
probabilidad de que acierte exactamente en tres
ocasiones? ¿Cuál es la probabilidad de que acierte por
lo menos en una ocasión?
4.- Un laboratorio afirma que una droga causa efectos
secundarios en una proporción de 3 de cada 100
pacientes. Para contrastar esta afirmación, otro
laboratorio elige al azar a 5 pacientes a los que aplica la
droga. ¿Cuál es la probabilidad de los siguientes
sucesos?
a) Ningún paciente tenga efectos secundarios.
b) Al menos dos tengan efectos secundarios.

5.- En una facultad, la probabilidad de que un alumno

apruebe el semestre es del 80%. Si consideramos 8
alumnos ¿Cuál es la probabilidad de que dos
aprueben el semestre?
DISTRIBUCIÓN DE POISSON
 La distribución de Poisson se utiliza en situaciones donde los sucesos
son impredecibles o de ocurrencia aleatoria. En otras palabras no
se sabe el total de posibles resultados.

 Permite determinar la probabilidad de ocurrencia de un suceso con

resultado discreto.

 Es muy útil cuando la muestra o segmento n es grande y la

probabilidad de éxitos p es pequeña.

 Se utiliza cuando la probabilidad del evento que nos interesa se

distribuye dentro de un segmento n dado como por ejemplo
distancia, área, volumen o tiempo definido.

 Esta distribución aparece en algunos procesos que tienen una

dimensión temporal o espacial, y en fenomenos que tienen un alto
número de experimentos (alto n) y una baja probabilidad de que
ocurran (baja p).
 La función P(x=k)
A continuación veremos la función de probabilidad de la distribución de
Poisson.

Se tiene que cumplir que:

p < 0.10
p * n < 10

Donde:

P(X=K) es la probabilidad de ocurrencia cuando la variable discreta X toma un

valor finito k.

λ = Lambda es la ocurrencia promedio por unidad (tiempo, volumen, área,

etc.). Es igual a p por el segmento dado. La constante e tiene un valor
aproximado de 2.711828

K es el número de éxitos por unidad

Ejemplos:
1.- La probabilidad de que haya un accidente en una
compañía de manufactura es de 0.02 por cada día de
trabajo. Si se trabajan 300 días al año, ¿cuál es la
probabilidad de tener 3 accidentes?
Como la probabilidad p es menor que 0.1, y el producto
n * p es menor que 10 (300 * 0.02 = 6), entonces,
aplicamos el modelo de distribución de Poisson:

2.- Cierta enfermedad tiene una probabilidad muy baja

de ocurrir, p=1/100.000. Calcular la probabilidad de que
en una ciudad con 500.000 habitantes haya más de 3
personas con dicha enfermedad.
Calcular el número esperado de habitantes que la
padecen.
3.- La probabilidad de que un producto salga defectuoso es de
0.012. ¿Cuál es la probabilidad de que entre 800 productos ya
fabricados hayan 5 defectuosos?
En este ejemplo vemos nuevamente la probabilidad p menor que
0.1, y el producto n * p menor que 10, por lo que aplicamos el
modelo de distribución de Poisson:
La media μ y la varianza σ 2

Características de la distribución
Poisson
Media
= E(X) = λ .6
P(X) k = 5 λ = 0.1
.4
.2
Varianza 0 X
0 1 2 3 4 5

λ = σ2
P(X) k=5 λ = 0.5
.6
.4
.2
0 X
0 1 2 3 4 5
17
Distribución hipergeométrica
 A
   diferentes formas de tomar x bolas rojas de A
 x
 N  A
   diferentes formas de tomar n  x bolas no rojas de N  A
 nx 
 A  N  A 
Casos favorables    
 x  n  x 

 A  N  A 
  
 x  n  x 
H (n, N , A)  P( x)  ( x  0,1, ..., n)
N
 
n
Queremos seleccionar al azar dos bolas de una caja que contiene
10 bolas, tres de las cuales son rojas. Encuentra la función de
probabilidad de la variable aleatoria : X = Número de bolas rojas
en cada elección (con y sin reemplazo).
Tenemos N = 10, A = 3, N - A = 7, n = 2
Escogemos con reemplazo:
2 x
 2  3 
x
7
p( x)       , p(0)  0.49, p(1)  0.42, p(2)  0.09
 x  10   10 
Escogemos sin reemplazo:

 3  7 
  
 x  2  x  21 3
p( x)  p(0)  p(1)   0.47 , p(2)   0.07
10  45 45
 
2
Suponiendo que en una urna contiene A bolas
rojas y N-A bolas no rojas (blancas), supongamos
que extraemos n N bolas de la urna de forma
que cada subconjunto de n bolas tiene la misma
N
probabilidad de ser extraído. Como  n hay
N
subconjuntos, esta probabilidad es  n  .
1 /

Por otra parte si sacamos una bola la

probabilidad de cada una es 1/N, pero después
de sacar una y no la reponemos la probabilidad
que tendrán cada bola es de 1/(N-1)
Para la situación de n extracciones se obtiene
que la probabilidad que sea extraído un conjunto
N
concreto de n bolas es  n  Este tipo de muestreo
1 /

se denomina muestreo sin reposición o sin

reintegro.

De ahí viene la fórmula:

 A  N  A 

x 
n  x 
P ( X  x )    
N

n 
 
Ejemplo:
Sea X- Hipergeométrica (20, 7, 8). ¿Cuál es la
probabilidad de que (X=3)? ¿Cuál es la
probabilidad de que (X=8)?
DISTRIBUCIONES CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD
NORMAL

Una de las herramientas de mayor uso en las

empresas es la utilización de la curva normal
para describir situaciones donde podemos
recopilar datos. Esto nos permite tomar
decisiones que vayan a la par con las metas y
objetivos de la organización.
En este módulo se describe la relación de la
Distribución normal con la Distribución normal
estándar.
 ( x ) 2
1 
f ( x)  2 2
e
 2
Propiedades de la distribución normal:
El área bajo la curva aproximado del promedio
μ a más o menos una desviación estándar (1σ)
es de 0.68, a más o menos 2σ es de .0 95 y a
más o menos 3σ es de 0.99.
La forma de la campana de Gauss depende de
los parámetros μ y σ.
Tiene una única moda que coincide con su
media y su mediana.

La curva normal es asintótica al eje de X.

Es simétrica con respecto a su media μ . Según

esto, para este tipo de variables existe una
probabilidad de un 50% de observar un dato
mayor que la media, y un 50% de observar un
dato menor.
 La desviación estándar (σ )
Compruebe el cambio de la distribución variando la desviación estándar
 La media μ
Compruebe el cambio de la distribución variando la media
DEFINICIONES:
 Asintótica – Línea que se acerca
indefinidamente a un eje sin llegar a
encontrarlo.

 Aleatorias – Que son al azar.

 Tipificada – Que tiene un arreglo uniforme o

estándar. X  
Z 

La distribución normal estándar

 Z se la denomina variable tipificada de X, y a la curva

de su función de densidad se le conoce como la
curva normal estándar.

 Es una distribución normal con promedio 0 y una

desviación estándar de 1.

 Todas las variables normalmente distribuidas se

pueden transformar a la distribución normal estándar
utilizando la fórmula para calcular el valor Z
correspondiente.
 La función F(z)

 En la siguiente gráfica vemos la representación

gráfica de la función de Z.
 Características de la distribución normal
estándar.
 No depende de ningún parámetro.
 Su media es 0, su varianza es 1 y su
desviación estándar es 1.
 La curva f(x) es simétrica respecto del eje de
Y
 Tiene un máximo en el eje de Y.
 Tiene dos puntos de inflexión en z=1 y z=-1
 Por ejemplo

En el siguiente histograma
podemos observar la
distribución de frecuencias por
peso de acuerdo a la edad.
De acuerdo a este teorema
según aumenten la cantidad
de dato se podrá trazar una
curva que tome cada vez más
formación en forma campana.
Área bajo la curva normal estándar

El área bajo la curva normal estándar es útil

para asignar probabilidades de ocurrencia
de la variable X.
Debemos tomar en cuenta que el área total
bajo la curva es igual a 1. Y que, por ser
una gráfica simétrica, cada mitad tiene un
área de 0.5.
Pasos para determinar el área bajo la curva normal
estándar
 Paso 1 - Interpretar gráficamente el área de
interés.
 Paso 2 - Determinar el valor Z
 Paso 3 - Buscar en la tabla de probabilidades.
 Paso 4 - Hacer la suma o resta de áreas para
encontrar la probabilidad deseada.
Teorema de Chebyshev (Valores tipificados de N(0;1)
El 68% (aproximadamente) de los valores que tome la v.a. X estarán situados a
una distancia de la media inferior a una desviación estándar. Análogamente, el
95% de los valores estarán situados a menos de 2 veces la desviación
estándar, y un 99,7% de dichos valores se encontrarán dentro un radio de 3
sigma.
AREA BAJO LA CURVA NORMAL ESTANDAR DONDE “Z”
SIGUE UNA DISTRIBUCIÓN N(0;1)
VALORES POSITIVOS DE “Z”
EJEMPLOS:

a) P(Z<1,52) = {ver tabla} = 0,9357

b) P(Z>1,52) = {área total = 1} = 1 – P(Z<1,52)

= 0,0643

c) P(0<Z<1,52) = P(Z<1,52) – P(Z<0) =

{simetría} = 0,9357 – 0,5000 = 0,4357

d) P(-2,1<Z<0) = P(Z<0) – P(Z<-2,1) =

{sim+tabla} = 0,5000 – 0,0179 = 0,4821
Suponiendo que X ∼ N(100,16)

a) ¿Cuál es la probabilidad de que la variable X tome

un valor entre 100 y 115? :

R=0,3264

b) ¿Cuál es la probabilidad de que X tome un valor

mayor de 90? :

R=07357
LA APROXIMACIÓN NORMAL PARA LA
DISTRIBUCIÓN BINOMIAL Y DE POISSON

CARACTERÍSTICAS

La distribución normal de probabilidad da una

aproximación bastante buena a la distribución binomial y
de Poisson cuando el número de ensayos es grande.
Una regla práctica nos dice que podemos usar la
aproximación normal a la binomial y de Poisson cuando:
FÓRMULA DE LA APROXIMACIÓN NORMAL PARA LA
DISTRIBUCIÓN BINOMIAL Y DE POISSON

1
( X  )
Z  2
