DISTRIBUCIONES DE

PROBABILIDAD

Variables Aleatorias
Una variable aleatoria es aquella que asume sus valores de
acuerdo a los resultados de un experimento aleatorio.
Usualmente se representa por las ltimas letras del alfabeto: X,
Y o Z. Una variable aleatoria X es una funcin cuyo dominio es
la coleccin de eventos del espacio muestral S y cuyo rango Rx,
es un subconjunto de los nmeros reales.

Si el rango X es el conjunto de los nmeros enteros Z o un

subconjunto de Z, la variable aleatoria de denomina discreta
EJEMPLOS DE VARIABLES ALEATORIAS DISCRETAS
Experimento

Variable aleatoria

Valores posibles
V.A

lanzamiento de un
dado dos veces

L a suma de puntos

2,3,4,5,6,7,8,9,10,11,12

lanzamiento de una
moneda dos veces

El nmero de caras

0,1,2

Inspeccionar un
embarque de 20 chips

Cantidad de chips
defectuosos

0,1,2,.,20

Funcionamiento de un
restaurante durante un
da

Cantidad de clientes

0,1,2,3.

Si el rango X es el conjunto de los nmeros reales R o un

subconjunto de R, la variable aleatoria se denomina continua

Ejemplos variable aleatoria continua

Experimento

Variable aleatoria

Valores posibles V.A

Funcionamiento de la
caja de la universidad

Tiempo en minutos,
destinado por cada
usuario

X>=0

Envasado de una
botella de bebida
gaseosa

Cantidad de onzas

0<=x<=13,5

Proyecto para
construir el corredor
Lima Norte

Porcentaje de avance
del proyecto

0<=x<=100

Ensayar un nuevo
proceso qumico

Temperatura cuando se
lleva a cabo la reaccin
deseada (min 160 F;
mx 200F)

160<=x<=200

DISTRIBUCIONES DE PROBABILIDAD PARA

VARIABLES DISCRETAS
Funcin de probabilidad
Una vez definida una variable aleatoria X, podemos
definir una funcin de probabilidad asociada a X, de
la siguiente forma:

p : [0,1]
x p( x) P( X x)

La funcin de probabilidad debe cumplir:

(i ) p ( x) 0 x
(ii ) p ( x) 1
x

Funcin de probabilidad discreta

EJEMPLO. Sea X: Nmero de caras al lanzar una moneda dos veces
s

Ss

1/4 = 0,25

Ss

2/4 = 0,50

1/4 = 0,25

Sc

Sc

Valores

Probabilidad

Sea el experimento lanzar dos dados. Definamos el

espacio muestral S como:
S = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)}
Definamos la variable aleatoria discreta X como: La
suma de puntos.
Una posible funcin de probabilidad es:

f : [0,1]
f (2) P(X 2 ) P( (1,1) ) 1/ 36
f (3) P(X 3 ) P( (1,2) (2 ,1) ) 2 / 36
f (4) P(X 4 ) P( (1,3) (3,1) (2,2) ) 3 / 36
...

Funcin de distribucin
Dada una variable aleatoria discreta X se llama
funcin de distribucin a la funcin F definida
como:

F : [0,1]

x F ( x) P( X x)
En nuestro ejemplo de los dos dados:
F(5) = P(X 5) = P(x = 2 o x = 3 o x = 4 o x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36

Ejemplo: Dibuje la funcin de probabilidad f(x) y la funcin de

distribucin F(x) de una variable discreta definida como:
X = Nmero mostrado al lanzar un dado.

X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada

uno con probabilidad 1/6

1
6

F(x)

f(x)

0.5

Funcin de probabilidad f(x)

0 1

Funcin de distribucin F(x)

Algunos problemas de probabilidad estn relacionados con la

probabilidad P(a <X b) de que X asuma algn valor en un
intervalo. Observa que:
P(a < X b) = F(b) - F(a)
Los sucesos X a y a< X b son mutuamente
excluyentes. Entonces:
F(b) = P(X b) = P(X a) + P(a < X b)
= F(a) + P(a < X b)
En el ejemplo de los dos dados, calcula la probabilidad de que
los dos dados sumen al menos 4 pero no ms de 8.
P(3 < X 8) = F(8) - F(3) = 26/36 - 3/36 = 23/36

Esperanza matemtica, valor

esperado o media
de una distribucin discreta
E X xi P( X xi ) xi p( xi )
i

P(X)

X P(X)

-1
0
1
2
3

0,1
0,2
0,4
0,2
0,1

-0,1
0.0
0,4
0,4
0,3
1,0


(316

E
X
)26
6
1
3.37.3627
Calcular la esperanza de la variable aleatoria X
en el ejemplo de los dos dados:

Varianza y desviacin estndar o

tpica de una distribucin discreta
Varianza

Var ( X ) M 2 E (( X ) )
2

(x )
i

P( X xi )

Desviacin estndar o tpica

Var ( X )

Ambas miden la dispersin de los datos. Observe que la desviacin

tpica lo hace con las mismas unidades que los propios datos.

DISTRIBUCION BINOMIAL

Existen slo dos resultados posibles para

cada ensayo xito o fracaso

La probabilidad de un xito es la misma

para cada ensayo

Existen n ensayos donde n es una constante

Los n ensayos son independientes.

Los ensayos que satisfacen estos supuestos se
llaman ensayos de Bernoulli.

La distribucin de probabilidad para una variable

aleatoria Binomial est dada por:

n
f ( x ) b( x; n, p ) p x ( q ) n x
x
para x=0,1,2....n
Donde:
p: Probabilidad de xito para cada ensayo
q = 1-p : Probabilidad de fracaso
n: nmero de pruebas
X: Nmero de xitos en n pruebas
La media y varianza la definimos por:

np

npq

Ejemplo
Se dice que el 75% de los accidentes en una planta
se atribuyen a errores humanos, determine la
probabilidad de que se atribuyan a errores humanos
dos de los cuatro prximos accidentes:

n
f ( x ) b( x; n, p ) p x ( q ) n x
x
n=4
x=2
p = 0,75
q = 0,25

f (2) =

Ejemplo.
Suponga que un vendedor a domicilio de un
determinado producto
Llevar a cabo 10 entrevistas en forma
independiente.por experiencias anteriores cree
que puede efectuar 1 venta por cada 5
entrevistas. Cul es la probabilidad de que haga
dos o ms ventas?
p =1/5
q = 4/5
n=10

P( x 2) 1 p( x 2) 1 ( f (1) f (0))
=

Ejemplo
Un estudiante responde al azar 10 preguntas, cada pregunta contien
5 respuestas de las cuales 1 slo es la respuesta correcta.Calcule
La probabilidad de que el estudiante conteste correctamente:
a) Menos de 3 preguntas
b) Ms de 4 preguntas
c) De 2 a 4 preguntas
n =10
p =1/5
q=4/5

a) p( x 3) f (0) f (1) f (2)

b) p( x 4) 1 p( x 4) 1 ( f (0) f (1) f (2) f (3) f (4))
c) p(2 x 4) f (2) f (3) f (4)

Ejemplo.
Un examen consiste de 20 preguntas donde c/u
tiene cuatro respuestas de las cuales slo una es
correcta. Un estudiante que no ha estudiado el
curso contesta el examen al azar.
a)Cul es el nmero esperado de respuestas
correctas?
b)Cul es la probabilidad de que acierte al menos
una respuesta?
c)Cul es la probabilidad de que todas sean
incorrectas?
d)Cul es la probabilidad de que acierte por lo
menos 5?

n=20
p=1/4
q=3/4
a) E(x)==np

b) p ( x 1) 1 P( X 1) 1 f (0)
c) f (0)
d ) p ( x 5) 1 P( X 5) 1 P( X 4)

DISTRIBUCIN MULTINOMIAL
La distribucin binomial es un caso particular de
la distribucin multinomial. Muchos
experimentos producen observaciones de una
variable cualitativa con ms de dos posibles
resultados

Ejemplo
Supongamos que cierto microscopio T se fabrica en
una de cinco lneas de produccin distintas, A, B, C,
D o E. A fin de comparar las proporciones de
microscopios defectuosos que se pueden atribuir a
las cinco
lneas de produccin, todos los
microscopios
defectuosos detectados por los
ingenieros de control de calidad se clasifican
diariamente segn la lnea en la que se produjeron.

Cada microscopio es una unidad experimental y

la observacin es una letra que identifica la
lnea de produccin en la que se produjo.
Evidentemente la lnea de produccin es una
variable cualitativa. EL experimento
que
acabamos
de
mencionar
se
denomina
experimento multinomial

Caractersticas:

El experimento consiste en n pruebas

idnticas

Existen k resultados posibles de cada

prueba

Las probabilidades de los k resultados

son denotados por p1, p2...pk se mantienen
constantes a lo largo de todos las pruebas
donde p1+p2+...+pk=1

Las pruebas son independientes

Las variables aleatorias de inters

son x1,x2,.....xk en cada una de las k
categoras de clasificacin.
La distribucin de probabilidad multinomial
est dada por:

n!
x1 x 2
xk
f ( x1 x2 ....xk )
p1 p2 ....... pk
x1! x2!.....xk !
Donde:

p1 p2 ..... pk 1
n x1 x2 ..... xk
xk :

nmero de pruebas
nmero de ocurrencias del resultado k en n pruebas

La media y la varianza de
respectivamente:
k 2 npk (1 pk )

la variable aleatoria
k npk

multinomial x k son

DISTRIBUCIN HIPERGEOMETRICA
Cuando se extrae una muestra de una poblacin finita,
constituida por xitos y fracasos, tal es el caso de
observaciones referentes a un lote de piezas defectuosas
o sin
defectos, los supuestos de un experimento
Binomial se satisfacen siempre que el elemento extrado
para ser observado, se reincorpore a la poblacin antes
de hacerse la segunda observacin. Este mtodo de
muestreo se denomina muestreo con reemplazo. Sin
embargo en la prctica usualmente utilizamos el muestreo
sin reemplazo, esto es seleccionar aleatoriamente n
elementos diferentes de N elementos de la poblacin.

Consideremos una poblacin de N unidades, de los

cuales a poseen ciertas caractersticas y N-a no la
poseen. Si se hacen n extracciones al azar, sin
reemplazo
entre la poblacin, cada extraccin es
subsecuente es dependiente y la probabilidad de xito
cambia en cada extraccin. En estas condiciones si
deseamos obtener x unidades del tipo a( xitos) en la
muestra al azar de tamao n, el nmero de xitos en
este caso se llama variable hipergeomtrica .

Media y varianza

na ( N n)( N a )

2
N ( N 1)
2

Ejemplo
Una urna contiene 12 fichas de las cuales tres estn
premiadas. Si una persona selecciona
aleatoriamente 5 fichas al azar Cul es la
probabilidad de que 3 de las fichas seleccionadas
estn premiadas?

P=3

Pc=9
3

12
5

3 9

3 2

f (3)

12

5

Ejemplo
Un embarque de 120 alarmas contra robo
contiene 5 defectuosas. Si tres de estas
alarmas se seleccionan aleatoriamente y se
le envan
a
un cliente. Determine la
probabilidad de que el cliente reciba una en
mal estado.

DISTRIBUCIN DE POISSON
Proporciona un
modelo
para
la
frecuencia relativa del nmero de eventos
poco comunes que ocurren en una
unidad de tiempo, rea, volumen, etc.
Como por ejemplo el ejemplo el nmero de
accidentes fatales por mes en una planta
de produccin, el nmero de defectos
visibles en un diamante, etc.

Entre otras caractersticas tenemos:

La probabilidad de un evento que ocurra en

una unidad de tiempo, rea o volumen es la misma
para todas las unidades

El nmero de eventos que ocurren en una

unidad de tiempo, rea o volumen es independiente
del nmero de los que ocurren en otras unidades.

El nmero medio (o esperado ) de eventos en

cada unidad se denota por la letra griega lambda ,
.

La distribucin de probabilidad para una variable

aleatoria e Poisson est dada por:
, x=0,1,2,3,.....
Donde
x

f ( x)

x!

: es el nmero medio de eventos en una unidad de

tiempo, rea o volumen
=2.71828......
La media y la varianza de una variable aleatoria de
Poisson son, respectivamente

DISTRIBUCIN BINOMIAL NEGATIVA

En muchos casos nos interesar medir el
tiempo transcurrido antes de que ocurra un
evento, por ejemplo el tiempo que un cliente
debe esperar en una cola para ser atendido ,
el tiempo que tarda en fallar un equipo, etc.

Para esta aplicacin consideramos cada

unidad de tiempo como una prueba de
bernoulli que puede tener como resultado
un xito o un fracaso. A diferencia de los
experimentos binomiales en los que x es
el total de xitos, la variable de inters
ahora es el nmero de pruebas (unidades
de tiempo) hasta que se observa el asimo xito.

La distribucin de probabilidad para la variable

aleatoria x est dada por:

x 1 a x a
p q
f ( x)
a 1

x=a,a+1,a+2....

Donde:
p:Probabilidad de xito
q:1-p
x:Nmero de pruebas hasta que se observa el x-simo xito
Media y varianza

aq
2
p
2

Ejemplo:
S la probabilidad de que un cierto dispositivo de medicin muestre una
desviacin excesiva es de 0,05, cul es la probabilidad de que; a) el
sexto de estos dispositivos de medicin sometidos a prueba sea el
tercero en mostrar una desviacin excesiva?, b) el sptimo de estos
dispositivos de medicin sometidos a prueba, sea el cuarto que no
muestre una desviacin excesiva?.

6 1
5
3
3
0,05 0,95 0,0530,953 0,001072
a ) f (6)
3 1
2
7 1
6
4
3
0,95 0,05 0,954 0,053 0,0020
a ) f (7)
4 1
3

Ejemplo
Un fabricante utiliza fusibles en un
sistema electrnico, los fusibles se
compran en lotes grandes y se prueban
secuencialmente hasta que se observa
el primer fusible defectuoso. Suponga
que el lote contiene el 10% de fusibles
defectuosos.
a)Qu probabilidad hay de que el
primer fusible defectuoso sea uno de
los primeros cinco fusibles probados.?

DISTRIBUCIN GEOMTRICA
Es un caso especial de la distribucin de
probabilidad negativa, cuando a es igual a 1.
La distribucin de probabilidad para una
variable aleatoria geomtrica est dada por:
(x=1,2.....)

f ( x) g ( x; p ) pq x 1
Donde x nmero de ensayos hasta que se
observa el primer xito
Media y varianza

q
2
p
2