Distribuciones de

Probabilidad Básicas
 Experimentos 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]=p y P[F]= 1 - P[E]= 1 - p
2. La probabilidad de éxito (p) se mantiene constante de prueba
a prueba.

3. Las pruebas se consideran que son independientes.

 Distribuciones discretas
Distribución Bernoulli

Una variable aleatoria discreta X tiene una distribución Bernoulli o

binomial puntual si su función de probabilidad es dada por:

f ( x )  p x (1  p )1 x , si x  0,1
X ~ Ber (p)
0 , de otro modo

Donde: p = Probabilidad de éxito

X = Número de éxitos en una prueba de Bernoulli
Además, la media y variancia de la variable aleatoria X son:
X  EX   p
 X2  Var X   EX-X 2  p(1  p )
 Distribuciones discretas
Distribución Binomial

Una variable aleatoria discreta X tiene una distribución Binomial si su

función de probabilidad es dada por:

n x
X ~ B (n, p) f ( x )    p (1  p ) n  x , si x  0,1,..., n
 x
0 , de otro modo
Donde:
p = Probabilidad de éxito
n = Número de pruebas de Bernoulli o
tamaño de una muestra con reemplazo
X = Número de éxitos en “n” pruebas de Bernoulli
Además, la media y variancia de la variable aleatoria X son:

 X  E X   n p  X2  Var X   EX   X 2  n p (1  p )
 Distribuciones discretas
Distribución Binomial

p  0.5

n x
f ( x )    p (1  p )n  x , si x  0,1,..., n
 x
0 , de otro modo
 Distribuciones discretas
Distribución Binomial

p  0.5

n x
f ( x )    p (1  p )n  x , si x  0,1,..., n
 x
0 , de otro modo
 Distribuciones discretas
Distribución Binomial

p  0.5

n x
f ( x )    p (1  p )n  x , si x  0,1,..., n
 x
0 , de otro modo
 Distribuciones discretas
Distribución Binomial. Ejemplo

EL 10% de los artículos producidos por una máquina son defectuosos. Si

elige una muestra aleatoria con reemplazo de 6 artículos y se define la
variable X como el número de artículos defectuosos elegidos,
a) Determinar la probabilidad que al menos un artículo sea defectuso
p  PExito  PDefectuso   0.1
 6
f ( x )   (0.1) x (1  0.1)6 x , si x  0,1,...,6
 x
0 , de otro modo
PX  1  1  PX  1  1  PX  0  1  f (o)
 6
 1   (0.1)0 (1  0.1)60  0.468559
 0
 Distribuciones discretas
Distribución Binomial. Ejemplo

b) Halle el valor del coeficiente de variabilidad de X

X  np  (6)(0.1)  0.6
 X2  np(1   )  (6)(0.1)(1  0.1)  0.54
X   0.54 
CVX   (100)   (100)  122.474487


 X  0 . 6 
 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)¿Cuál es la probabilidad que solo uno de los inmuebles cumpla las
condiciones?
b)¿Cuál es la probabilidad que como máximo tres de los inmuebles cumplan
con las condiciones?
c)¿Cuál es la probabilidad que por lo menos dos de los inmuebles cumplan
con las condiciones?
d)Si se visitaron dos inmuebles y se observó que cumplían con las
condiciones ¿Cuál es la probabilidad de que menos de 5 de los inmuebles
cumplan con las condiciones?
e)¿Cuál es el número esperado de inmuebles que cumplirán con las
condiciones?
 Distribuciones discretas.
Distribución Geométrica

Una variable aleatoria discreta X tiene una distribución geométrica si su

función de probabilidad es dada por:

X ~ G(p) f ( x )  p(1  p ) x 1 , si x  1,2,...

0 , de otro modo
Donde:
X = Número de pruebas de Bernoulli hasta obtener el primer éxito
p = Probabilidad de éxito en una prueba Bernoulli
Además, la media y variancia de la variable aleatoria X son:
 X  E X   1 p

 X2  Var X   EX   X 2  (1  p )
p2
 Distribuciones discretas.
Distribución Geométrica

La función de distribución acumulada es

F ( x)  P X  x   1  q x ; x  1, 2, 3,...
• Se cumple que

P X  x   q x ; x  1, 2, 3,...
• Se cumple que P(X > k+s / X > k) = P(X > s) k, s  Z+
Esta propiedad indica que la distribución geométrica “no tiene memoria”,
es decir, si el éxito no se ha obtenido en las primeras k repeticiones,
entonces, la probabilidad de que no ocurra en las próximas s
repeticiones es la misma que la probabilidad de que el éxito no ocurra en
las primeras s repeticiones.
 Distribuciones discretas
Distribución Geométrica Ejemplo

Suponga que un interruptor eléctrico de una máquina tiene una

probabilidad 0.04 de fallar, y que cuando ello ocurre es necesario
reemplazarlo por uno nuevo. Determinar la media y el coeficiente de
variabilidad del número de veces que puede ser utilizado un interruptor.
Si se define Éxito={El interruptor falla al ser usado}, se tiene:
=P[E]=0.04 y 1-=P[F]=0.96. Luego, la función de probabilidad de X
(número de veces que puede ser utilizado el interruptor) será:
f ( x )  (0.04)(0.96) x 1 , si x  1,2,...
0 , de otro modo
 X  EX   1  25
0.04 600
 X2  Var X   EX   X 2  0.96  600 CVX  (100)  97.98%
(0.04) 2 25
 EJERCICIO
La probabilidad de que cada llamada telefónica de un vendedor resulte
en una venta es 0,10.
a) Determine el modelo de probabilidad del número de llamadas
realizadas por el vendedor hasta que conseguir su primera venta.
b) ¿Cuántas llamadas espera hacer el vendedor hasta conseguir su
primera venta?
c) Si el vendedor ya realizó tres llamadas sin éxito, ¿cuál es la
probabilidad de que necesite hacer más de 12 llamadas para
conseguir su primera venta?
 Distribuciones discretas.
Distribución Binomial Negativa (Pascal)

Una variable aleatoria discreta X tiene una distribución binomial negativa

si su función de probabilidad es dada por:

X ~ Pas(r, p)
f ( x )  Crx11 p r (1  p ) x  r , si x  r, r  1, r  2...
0 , de otro modo
Donde:
X = Número de pruebas de Bernoulli hasta obtener r éxitos
p = Probabilidad de éxito en una prueba Bernoulli
Además, la media y variancia de la variable aleatoria X son:

  EX  
r r 1  p 
p
  V X  
2

p2
 EJERCICIO
En cierta línea de producción la probabilidad de producir un
artículo defectuoso es de 0,001
a) Describa el modelo de probabilidad del número de artículos
producidos hasta el quinto defectuoso.
b) Calcule la probabilidad de que el octavo artículo producido
sea el quinto defectuoso.
c) ¿Cuántos artículos se espera producir hasta el cuarto
defectuoso?
 Distribuciones discretas.
Distribución Hipergeométrica

El experimento hipergeométrico consiste en extraer al azar y sin

sustitución n elementos de un conjunto de N elementos, r de los cuales
son éxitos y N - r son fracasos.

C xr C nNxr
f ( x)  P X  x   ; x  max{0, n  ( N  r )},..., min{n, r}
C nN
Donde:
X = Número de éxitos obtenidos en una muestra (sin reemplazo) de
tamaño n.
Se denota X ~ H (N, r, n) y se lee que la variable aleatoria X sigue una
distribución hipergeométrica con parámetros N, r y n.
r  r  N  n 
  EX   n   V  X   n 1  
r

2
N N  N  N  1 
 Distribuciones discretas
Distribución Hipergeométrica

r = N-r

C xr C nNxr
f ( x)  P X  x   ; x  max{0, n  ( N  r )},..., min{n, r}
C nN
 Distribuciones discretas
Distribución Hipergeométrica

r < N-r

C xr C nNxr
f ( x)  P X  x   ; x  max{0, n  ( N  r )},..., min{n, r}
C nN
 Distribuciones discretas
Distribución Hipergeométrica

r > N-r

C xr C nNxr
f ( x)  P X  x   ; x  max{0, n  ( N  r )},..., min{n, r}
C nN
 Distribuciones discretas.
Distribución Hipergeométrica Ejemplo
Suponga que en un proceso de control de calidad se inspecciona un lote
de 10 artículos, de los cuales 4 son defectuosos. Si se eligen 5 artículos
al azar y sin reemplazo hallar, La probabilidad de elegir no más de 2
artículos defectuosos.
X=Número de artículos defectuosos elegidos
N=10, r=4,  4  6 
 x  5  x 
f ( x )     , si x  0,1,2,3,4,5
n=5, N-r=10-4=6
10 
5
 
0 , de otro modo
 Distribuciones discretas.
Distribución Hipergeométrica Ejemplo
Suponga que en un proceso de control de calidad se inspecciona un lote
de 10 artículos, de los cuales 4 son defectuosos. Si se eligen 5 artículos
al azar y sin reemplazo hallar, La probabilidad de elegir no más de 2
artículos defectuosos.
X=Número de artículos defectuosos elegidos
N=10, r=4,
n=5, N-r=10-4=6
nr (5)( 4)
X  E( X )    2 art. defectuosos
N 10
nr ( N  r )  N  n  (5)( 4)(6) 10  5 
 X  Var ( X ) 
2
      0.666667
 N 1  10  1 
2 2
N 10
 Distribuciones discretas.
Distribución Hipergeométrica Ejemplo

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

de 10 artículos, de los cuales 4 son defectuosos. Si se eligen 5 artículos
al azar y sin reemplazo hallar, La probabilidad de elegir no más de un
artículo defectuoso.
 4  6 
 x  5  x 
f ( x )     , si x  0,1,2,3,4,5
10 
5
 
0 , de otro modo
 4  6   4  6 
 0  5   1  4 
PX  1  f (0)  f (1)          0.261905
10  10 
5 5
   
 EJERCICIO
En un equipo de fútbol hay 18 jugadores de los cuales cuatro
consumen sustancias prohibidas.

a) Calcule la probabilidad de detectar a por lo menos uno de los

jugadores que usan sustancias prohibidas, si la directiva del
club ha realizado una prueba antidoping a 2 jugadores.
b) Calcule la probabilidad de detectar a por lo menos uno de los
jugadores que usan sustancias prohibidas, si la directiva del
club ha realizado una prueba antidoping a 6 jugadores.
 Proceso de Poisson

Se trata de observar la ocurrencia de cierto evento de interés

E a lo largo de una región continua.
Ejemplos:
a) El paso de vehículos por cierta avenida a lo largo del tiempo. Esto es
importante en problemas de tránsito.
En este caso el evento de interés es el paso de un vehículo; mientras que la
región continua de observación es el tiempo.
b) La función principal de la atarjea de Lima es la de mantener el agua potable,
para esto, debe controlarse la cantidad de ciertas bacterias llamadas coliformes.
Un evento de interés en esta situación es detectar una bacteria coliforme. En
este caso el evento de interés se observa en una región continua que es la
atarjea (volumen de agua).
 Proceso de Poisson: Supuestos

Se dice que el evento de interés, E, ocurre según un proceso

de Poisson, si se satisfacen los supuestos siguientes
(enunciados sin mayor formalidad):
Proceso de Poisson: Supuestos
 Distribuciones discretas
Distribución de Poisson

Una variable aleatoria discreta X tiene una distribución de Poisson si su

función de probabilidad es dada por:
e   x
X ~ P() f ( x)  , si x  0,1,2,...
x!
0 , de otro modo
Donde:
X = Número de éxitos obtenidos en una unidad de tiempo o
región
 = Número esperado de éxitos por unidad de tiempo o región
Además, la media y variancia de la variable aleatoria X son:
 X  E X   
 X2  Var X   EX   X 2  
 Distribuciones discretas
Distribución de Poisson

• Sea la variable discreta X definida como el número de veces que ocurre un

evento en un intervalo dado (área, volumen o cualquier medida continua). La
variable aleatoria X usualmente se modela con una distribución de Poisson de
parámetro λ (λ > 0), que representa el número medio de éxitos en el intervalo
dado.
Distribuciones discretas. Distribución de Poisson

e   x
f ( x)  , si x  0,1,2,...
x!
0 , de otro modo
 Distribuciones discretas
Distribución de Poisson Ejemplo

Los clientes de una tienda comercial ingresan al establecimiento a razón

de 4 clientes por cada 5 minutos. Si se elige al azar un intervalo de 2
minutos, hallar la probabilidad que ingresen al menos dos clientes al
establecimiento comercial.

4 clientes t  2 minutos
 0.8 c
5 minuto m   (0.8)( 2)  1.6 clientes

e 1.6 (1.6) x
f ( x)  , si x  0,1,2,...
x!
0 , de otro modo
e 1.6 (1.6)0 e 1.6 (1.6)1
Px  2  1  Px  2  1  f (0)  f (1)  1  
0! 1!
 0.475069
 EJERCICIO
Según información de la policía de cierta ciudad ocurren
aproximadamente 15 secuestros por semana.

a)Calcule la probabilidad de que el número de secuestros en un día

sea tres.
b)Calcule la probabilidad de que el número de secuestros en tres días
sea menor que cuatro.
c)Calcular la probabilidad que en el mes de septiembre el número de
secuestros sea igual a 60.
 EJERCICIO
En promedio, en un día de 12 horas de atención, 96 camiones de
transporte de combustible llegan a una refinería para llenar su
cisterna.
a)Determine la probabilidad de que, en el periodo de 10 am y 12m
lleguen 3 camiones a la refinería; o que, en el periodo de la 4pm y
7pm lleguen 4 camiones a la refinería.
b)Si se seleccionan tres periodos de una hora: de 8 am a 9 am, de 11
am a 12m, y de 3pm a 4pm; ¿cuál es la probabilidad de que en dos
de los tres periodos, lleguen a la refinería más de 2 camiones
cisterna?
 Distribuciones Continuas
Distribución Exponencial

La variable aleatoria X tiene una distribución exponencial con parámetro

β (β > 0) si su función de densidad de probabilidad es:

f ( x )   e  x ; x  0
Se denota X ~ Exp(β) y se lee que la variable aleatoria X sigue una
distribución exponencial con parámetro β.

F ( x)  P X  x   1  e  x ; x  0

  EX    2  V X  
1 1
 2
 Distribuciones Continuas
Distribución Exponencial

Se cumple que:

• P X  x   e  x

• P X  k  t / X  k   P X  t 

Distribución exponencial y distribución de Poisson

Si el número de éxitos por unidad de tiempo tiene una distribución
de Poisson con parámetro λ, entonces el tiempo entre dos éxitos
consecutivos, medido en la misma unidad de tiempo, tiene una
distribución exponencial con parámetro β = λ.
 EJERCICIO
El tiempo, en minutos, que demora una llamada telefónica se modela
con una variable exponencial con una media de 5 minutos. Calcular
la probabilidad de que la duración de una llamada sea mayor a seis
minutos.
 EJERCICIO
El tiempo de vida de un tipo de marcapasos puede modelarse por una
variable con distribución exponencial con media de 12 años.
a) Calcule la probabilidad de que un marcapasos de este tipo se
malogre antes de los 15 años de funcionamiento.
b) Si el marcapasos lleva funcionando correctamente cinco años en
un paciente, ¿cuál es la probabilidad de que se malogre antes de
15 años?
 EJERCICIO
Si el número de llamadas que entran a una central telefónica tiene
una distribución de Poisson con una media de tres llamadas por
minuto, encontrar la probabilidad de que el tiempo entre una llamada
y la siguiente sea de menos de medio minuto.
EJERCICIO
 Distribuciones Continuas
Distribución Gamma

La variable aleatoria X tiene una distribución Gamma, si su función de

densidad de probabilidad está dada por:
Distribuciones Continuas
Distribución Gamma
EJERCICIO
 Distribuciones Continuas
Distribución Uniforme

La variable aleatoria X tiene una distribución uniforme en el intervalo [a,

b], si su función de densidad de probabilidad es:

f x  
1
; a xb
ba
• Se denota X ~ U (a, b) y se lee que la variable aleatoria X sigue una
distribución uniforme con parámetros a, b.

• La función de distribución acumulada es:

 0 xa ab
;   EX  
x  a 2
F ( x)   ; a xb
b  a  2
 V X  
b  a
2

 1 ; xb 12
 EJERCICIO
El tiempo, en minutos, que demora un servicio de delivery en
entregar una pizza puede modelarse por una variable aleatoria
uniforme con parámetros 10 y 38. Si la pizza se tarda más de 30
minutos en ser entregada, el cliente no la pagará.
a) Si una familia pide una pizza, calcule la probabilidad de que le
salga gratis.
b) Si la familia pide una pizza diaria durante diez días seguidos,
calcule la probabilidad de que por lo menos una de ellas le salga
gratis.
c) Una familia pidió una pizza hace 25 minutos y aún no ha llegado,
¿cuál es la probabilidad de que le salga gratis?
 EJERCICIO
El tiempo de vida medio de una licuadora es de 14 meses con una
varianza de 12 meses2. La fábrica repone sin cargo alguno al cliente
todas las licuadoras que dejen de funcionar dentro del tiempo de
garantía. Si sólo se desea reponer el 5% de las licuadoras que
funcionen mal, ¿qué tiempo de garantía se debe ofrecer? Suponga
que el tiempo de vida de una licuadora es una variable uniforme
 Distribuciones Continuas
Distribución Normal

La variable aleatoria X tiene una distribución normal con parámetros μ y

σ2 (σ2 > 0) si su función de densidad de probabilidad es
2
1  x  
1   
f ( x)  e 2  
; x  IR
 2

• Se denota X ~ N (, 2) y se lee que la variable aleatoria X sigue una

distribución normal con parámetros µ y σ2.

  E X     2  V X    2

• La función de densidad de una variable normal tiene forma de

campana y es simétrica, por lo que las medidas de tendencia central
coinciden.
Interpretación geométrica de los parámetros de
una distribución normal
• Se puede interpretar la media como un
parámetro de traslación.
Distribución normal de media -2 y varianza 4
0.20
0.15
0.10
f

0.05
0.00

-10 -5 0 5 10

x
Interpretación geométrica de los parámetros de
una distribución normal
• Se puede interpretar la media como un
parámetro de traslación.
Distribución normal de media 0 y varianza 4
0.20
0.15
0.10
f

0.05
0.00

-10 -5 0 5 10

x
Interpretación geométrica de los parámetros de
una distribución normal
• Se puede interpretar la media como un
parámetro de traslación.
Distribución normal de media 2 y varianza 4
0.20
0.15
0.10
f

0.05
0.00

-10 -5 0 5 10

x
Interpretación geométrica de los parámetros de
una distribución normal
• Se puede interpretar la varianza como un
parámetro de escala o grado de dispersión.
Distribución normal de media 0 y varianza 0.25
0.8
0.6
0.4
f

0.2
0.0

-4 -2 0 2 4

x
Interpretación geométrica de los parámetros de
una distribución normal
• Se puede interpretar la varianza como un
parámetro de escala o grado de dispersión.
Distribución normal de media 0 y varianza 1
0.8
0.6
0.4
f

0.2
0.0

-4 -2 0 2 4

x
Interpretación geométrica de los parámetros de
una distribución normal
• Se puede interpretar la varianza como un
parámetro de escala o grado de dispersión.
Distribución normal de media 0 y varianza 4
0.8
0.6
0.4
f

0.2
0.0

-4 -2 0 2 4

x
Distribuciones Continuas
Áreas bajo la curva Normal
 Distribuciones Continuas
Propiedad de la distribución Normal

Sea X ~ N(μ, σ2), si Y = mX + b, entonces, Y ~ N(μY, σY2)

μY = m μ + b
σY2 = m2 σ2
σY = |m| σ
 Distribuciones Continuas
Estandarización de una variable Normal

X 
Sea X ~ N(μ,σ2), si Z  entonces la variable aleatoria Z tiene distribución normal y se cumple

μZ = 0 y σZ2 = 1. Se dice que la variable Z ~ N(0,1) tiene distribución normal estándar.

La función de densidad de Z es 1
1  2 z2
 ( z)  e
2
La función de distribución acumulada de Z es

1
z 1  2 z2
( z )  
 2
e dz
 Distribuciones Continuas
Cálculo de probabilidades para una variable Normal

Sea X ~ N(μ, σ2), entonces:

a X  b a b
Pa  X  b   P     P Z  
        
b   a
      
     
 EJERCICIOS
1. Si Z ~ N   0,  2  1
a) Calcule P(Z < 1,25), P(Z < -1,25), P(-1,25 < Z < 1,25), P(Z >
2,16), P(Z < 4), P(Z = 2,05)
b) Determine c para que P(Z < c) = 0,975
c) Determine c para que P(-c < Z < c) = 0,95

2. Si X ~ N   10,  2  25
a) Calcule P( X  7,47), P( X  12,45), P(8  X  12) , P X  11 X  9
b) Determine c para que P(X < c) = 0,7549
 EJERCICIO
Si los puntajes de los postulantes en un examen de ingreso se
distribuyen como una variable aleatoria normal con una media de 1
200 y una desviación estándar de 300 puntos.
a) Encontrar la probabilidad de que el puntaje de un postulante sea
de por lo menos 1 300.
b) Si ingresa el 12,3 % de los postulantes con puntajes más altos,
hallar el puntaje mínimo para ingresar.
 EJERCICIO
En una ciudad se estima que la temperatura máxima en un día del
mes de enero puede modelarse con una variable normal con media
30°C y desviación estándar 2°C.
a) Si se escoge al azar un día del mes de enero, calcule la
probabilidad de que la temperatura máxima sea menor a 31°C.
b) Si se escoge al azar un día del mes de enero, calcule la
probabilidad de que la temperatura máxima esté entre 28,5 y
32°C.
c) Calcule el número esperado de días en el mes de enero en que la
temperatura máxima es mayor a 33°C. Asuma independencia
entre las temperaturas de un día y otro.