Unidad Nº 4: Distribuciones de Probabilidad

Asignatura: Probabilidades y Estadísticas (MAT-21414)

Elaborado por: Lcdo. Ely Rosas

UNIDAD Nº 4: DISTRIBUCIONES DE PROBABILIDAD

4.1. DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS

La distribución de probabilidad para una variable aleatoria discreta es una lista mutuamente excluyente
de todos los posibles resultados numéricos para una variable aleatoria tal que una probabilidad de
ocurrencia específica se asocia con cada resultado. Una variable aleatoria es un evento numérico cuyo
valor se determina mediante un proceso al azar. Entre estas distribuciones se encuentran: la distribución
binomial, la distribución de Poisson y la distribución hipergeométrica.

4.1.1. DISTRIBUCIÓN BINOMIAL

La distribución binomial es una distribución discreta de probabilidad aplicable como modelo a diversas
situaciones de toma de decisiones, siempre y cuando pueda suponerse que el proceso de muestreo se
ajusta a un proceso Bernoulli. Un proceso Bernoulli es un proceso de muestreo en el que:

1. Sólo son posibles dos resultados mutuamente excluyentes en cada ensayo u observación. A estos
resultados se les denomina éxito y fracaso.
2. Los resultados del conjunto de ensayos u observaciones, constituyen eventos independientes.
3. La probabilidad de éxito, que se denota mediante p, permanece constante de un ensayo a otro. Es
decir, el proceso es estacionario.

La distribución binomial puede utilizarse para determinar la probabilidad de obtener un número

determinado de éxitos en un proceso Bernoulli. Para ello, se requieren tres valores: el número
específico de éxitos (X), el número de ensayos u observaciones y la probabilidad de éxito en cada uno
de los ensayos (p). Así, la fórmula para determinar la probabilidad de un número determinado de éxitos
X para una distribución binomial es:

𝑛
𝑃(𝑋⁄𝑛, 𝑝) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0, 1, 2, … , 𝑛
𝑥
𝑛!
La notación (𝑛𝑥) = 𝑋!(𝑛−𝑋)!

Si X es una variable aleatoria binomial con parámetros n y p, entonces la esperanza matemática

(media) y la varianza de X son
𝐸(𝑋) = 𝜇𝑋 = 𝑛𝑝 𝑦 𝜎𝑋2 = 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝)

Ejercicio 1: La posibilidad de que cada muestra de aire contenga una molécula extraña particular es de
10%. Supóngase que las muestras son independientes con respecto a la presencia de la molécula.
Encuentre la probabilidad de que en las 18 muestras siguientes, exactamente dos contengan la molécula
extraña. Además, obtenga:
a. La probabilidad de que al menos cuatro muestras contengan la molécula extraña.
b. P(3 ≤ X < 7)
c. La esperanza matemática y la varianza de X.

1
 Unidad Nº 4: Distribuciones de Probabilidad
Asignatura: Probabilidades y Estadísticas (MAT-21414)
Elaborado por: Lcdo. Ely Rosas

4.1.2. DISTRIBUCIÓN DE POISSON

La distribución de Poisson puede utilizarse para determinar la probabilidad de que ocurra un número
designado de eventos, cuando éstos ocurren en un continuo de tiempo o espacio. A un proceso como
éste se le denomina proceso Poisson; es similar al proceso Bernoulli excepto en que los eventos
ocurrren en un continuo (por ejemplo, en un intervalo de tiempo) en vez de ocurrir en ensayos u
observaciones fijas. Un ejemplo es la entrada de llamadas en un conmutador telefónico. Al igual que en
el caso del proceso de Bernoulli, se supone que los eventos son independientes y que el proceso es
estacionario.

Para determinar la probabilidad de que ocurra un número designado de eventos en un proceso de

Poisson sólo se requiere un valor: el número promedio a largo plazo de eventos para el tiempo o
dimensión específico de interés. Por lo general, esta media se representa mediante λ o mediante µ. Así,
la fórmula para determinar la probabilidad de un número determinado de éxitos N en una distribución
Poisson es
𝜆𝑥 𝑒 −𝜆
𝑃(𝑋⁄𝜆) = , 𝑥 = 0, 1, 2, … 𝜆>0
𝑥!

Si una variable aleatoria Poisson representa el número de ocurrencias en un intervalo, entonces la

media de la variable aleatoria debe ser igual al número esperado de ocurrencias en un intervalo de
longitud idéntica.

Si X es una variable aleatoria Poisson con parámetro 𝜆, entonces la esperanza matemática (media) y la
varianza de X son:
𝐸(𝑋) = 𝜇𝑋 = 𝜆 𝑦 𝜎𝑋2 = 𝑉(𝑋) = 𝜆

Ejercicio 2: Las fallas superficiales de un alambre delgado de cobre se presentan de manera aleatoria.
Sea X la variable que cuenta el número de fallas superficiales de un alambre de cobre de cierta
longitud, supóngase que el número de fallas está descrito por una distribución Poisson con una media
de 2,3 fallas por milímetro. Determine la probabilidad de tener exactamente dos fallas en un milímetro
de alambre. Además, calcule:
a. La probabilidad de tener 10 fallas en cinco milímetros de alambre.
b. La probabilidad de tener al menos una falla en dos milímetros de alambre.

4.1.3. DISTRIBUCIÓN HIPERGEOMÉTRICA

Un conjunto de N objetos contiene K objetos clasificados como éxitos, N-K objetos clasificados como
fallas. Se toma una muestra de tamaño n, al azar (sin reemplazo) de entre N objetos, donde K ≤ N y n ≤
N. Sea la variable aleatoria X el número de éxitos en la muestra. Entonces, X tiene una distribución
hipergeométrica y la fórmula para determinar las probabilidades hipergeométricas es

(𝑁−𝐾 )(𝐾)
𝑛−𝑥 𝑥
𝑃(𝑋⁄𝑁, 𝐾, 𝑛) = 𝑋 = 0, 1, 2, … , 𝑚í𝑛(𝐾, 𝑛)
(𝑁𝑛)

2
 Unidad Nº 4: Distribuciones de Probabilidad
Asignatura: Probabilidades y Estadísticas (MAT-21414)
Elaborado por: Lcdo. Ely Rosas

La expresión 𝑚í𝑛(𝐾, 𝑛) se utiliza en la definición del recorrido de X debido a que el número máximo
de éxitos que puede presentarse en la muestra es el menor entre el tamaño de la muestra, n, y el número
de éxitos disponibles, K.
Si X es una variable aleatoria hipergeométrica con parámetros N, K y n, entonces la media y la
varianza de X son

𝐸(𝑋) = 𝜇𝑋 = 𝑛𝑝 𝑦 𝜎𝑋2 = 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝)[(𝑁 − 𝑛)⁄(𝑁 − 1)]

donde p = K/N.

La expresión (𝑁 − 𝑛)⁄(𝑁 − 1) se conoce como factor de corrección de población finita.

Ejercicio 4: De seis ingenieros, tres han estado con la compañía durante cinco o más años, si se eligen
cuatro empleados al azar y sin reemplazo. Determine la probabilidad de que exactamente dos de ellos
tengan una antigüedad de cinco años o más?

4.2. ALGUNAS DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS

Una función de densidad de probabilidad continua es una expresión matemática que define la
distribución de los valores para una variable aleatoria continua. Existen diversas distribuciones
continuas de probabilidad que son aplicables como modelos a una amplia gama de variables continuas
en determinadas circunstancias. Algunas de ellas son la distribución uniforme, la distribución
exponencial y la distribución normal.

4.2.1. DISTRIBUCIÓN UNIFORME

Una variable aleatoria continua X con función de densidad de probabilidad

𝑓𝑥 (𝑥) = 1⁄(𝑏 − 𝑎), 𝑎≤𝑥≤𝑏

tiene una distribución uniforme continua.

La esperanza matemática (media) y la varianza de una variable aleatoria uniforme continua X sobre
a ≤ x ≤ b están dadas por

𝐸(𝑋) = 𝜇𝑋 = (𝑎 + 𝑏)⁄2 𝑦 𝜎𝑋2 = 𝑉(𝑋) = (𝑏 − 𝑎)2 ⁄12

Ejercicio 5: Sea la variable aleatoria continua X la corriente medida, en miliamperes, en un alambre

delgado de cobre. Supóngase que el rango de X es [0, 20 mA] y que la función de densidad de
probabilidad de X es 𝑓𝑥 (𝑥) = 0,05; 0 ≤ x ≤ 20. ¿Cuál es la probabilidad de que una medición de
corriente esté entre cinco y 10 miliamperes? Además, determine la media y la varianza de X.

3
 Unidad Nº 4: Distribuciones de Probabilidad
Asignatura: Probabilidades y Estadísticas (MAT-21414)
Elaborado por: Lcdo. Ely Rosas

4.2.2. DISTRIBUCIÓN EXPONENCIAL

La variable aleatoria X que es igual a la distancia entre ocurrencias sucesivas de un proceso Posisson
con media 𝜆 > 0, tiene una distribución exponencial con parámetro 𝜆. La función de densidad de
probabilidad de X es
𝑓𝑥 (𝑥; 𝜆) = 𝜆𝑒 −𝜆𝑥 , 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 ≤ ∞

La esperanza matemática (media) y la varianza de una variable aleatoria exponencial X son

𝐸(𝑋) = 𝜇𝑋 = 1⁄𝜆 𝑦 𝜎𝑋2 = 𝑉(𝑋) = 1⁄𝜆2

Nota: Es importante utilizar unidades consistentes en el cálculo de probabilidades, medias y varianzas

de variables aleatorias exponenciales.

Ejercicio 6: En una red de computadoras grandes, el acceso de los usuarios al sistema puede modelarse
como un proceso Poisson con una media de 25 accesos por hora. Sea X el tiempo en horas desde el
inicio del intervalo hasta que se presenta el primer acceso. a) ¿Cuál es la probabilidad de que el tiempo
que transcurre hasta el siguiente acceso sea mayor que seis minutos? b) ¿Cuál es la probabilidad de que
el tiempo que transcurre hasta el siguiente acceso esté entre 2 y 3 minutos? c) Determine la media y la
desviación estándar de X.

4.2.3. DISTRIBUCIÓN NORMAL

La distribución normal (en ocasiones llamada distribución gaussiana) es la distribución continua que se
utiliza más comúnmente en estadística. Esta distribución es de vital importancia por tres razones
principales:

1. Muchas variables continuas comunes en el mundo de los negocios tienen distribuciones que se
asemejan estrechamente a la distribución normal.
2. La distribución normal sirve para acercarse a diversas distribuciones de probabilidad discreta, como
la distribución binomial y la distribución de Poisson.
3. La distribución normal proporciona la base para la estadística inferencial clásica por su relación con
el teorema de límite central.

Una variable aleatoria con función de densidad de probabilidad

1 −(𝑥−𝜇)2
𝑓𝑥 (𝑥; 𝜇, 𝜎) = 𝑒 2𝜎2 −∞ < 𝑥 < ∞
√2𝜋𝜎

Tiene una distribución normal con parámetros µ, donde −∞ < µ < ∞, y σ > 0.

Las tablas de las probabilidades normales se basan en una distribución específica: la distribución
normal estándar. Ésta es una distribución normal en la que µ = 0 y σ = 1. Cualquier valor X de una
población con distribución normal puede convertirse a su valor normal estándar equivalente, Z,
mediante la fórmula

4
 Unidad Nº 4: Distribuciones de Probabilidad
Asignatura: Probabilidades y Estadísticas (MAT-21414)
Elaborado por: Lcdo. Ely Rosas

𝑋−𝜇
𝑍=
𝜎

Definición
Suponga que X es una variable aleatoria normal con media µ y varianza σ2. Entonces,

𝑋−𝜇 𝑥−𝜇
𝑃(𝑋 ≤ 𝑥) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 𝑧)
𝜎 𝜎

donde Z es una variable aleatoria normal estándar, y Z = (X - µ) / σ es el valor z obtenido a través de la

estandarización de X.

Ejercicio 7: Se supone que el ancho de una herramienta utilizada en la fabricación de semiconductores

tiene una distribución normal con media 0,5 micrómetros y desviación estándar 0,05 micrómetros.
a. ¿Cuál es la probabilidad de que el ancho de la herramienta sea mayor que 0,62 micrómetros?
b. ¿Cuál es la probabilidad de que el ancho de la herramienta se encuentre entre 0,47 y 0,63
micrómetros?
c. ¿Debajo de qué valor está el ancho de la herramienta en el 90% de las muestras?

Nota: En una función continua, P(X < a) = P(X ≤ a)