DISTRIBUCIONES DE

PROBABILIDAD
DEISY FORERO
MEDIA Y VARIANZA DE
UNA DISTRIBUCIÓN DE
PROBABILIDAD
Además de las distribuciones binomial e
hipergeométrica, hay muchas otras
distribuciones de probabilidad que tienen
aplicaciones importantes en ingeniería.

Sin embargo, antes de avanzar más, se

estudiarán algunas características generales
de las distribuciones de probabilidad
Una de tales características, la de la simetría o asimetría de
una distribución de probabilidad,

Se ilustra el histograma de probabilidad para dos

distribuciones binomiales.
Una de dichas distribuciones binomiales tiene los parámetros
n = 4 y p = ½, y la otra tiene los parámetros n = 16 y p = ½.

En esencia, esas dos distribuciones de probabilidad difieren

en dos aspectos.
• La primera distribución de probabilidad tiene centro en
torno a x = 2, mientras que la otra (cuyo histograma
está sombreado) tiene centro en torno a x = 8, y se dice
que las dos distribuciones difieren en su centro.
Otra distinción es que el histograma de la segunda
distribución es más amplio, y se dice que las dos
distribuciones difieren en variación. Para hacer más
específicas tales comparaciones, se introducirán dos de las
medidas estadísticas más importantes, que describen la
ubicación central y la variación de una variable aleatoria con
distribución de probabilidad: la media y la varianza,
respectivamente.
1. La media
La media de una variable aleatoria X es simplemente la
expectativa matemática de una variable que tiene distribución de
probabilidad f(x).
Si una variable aleatoria X toma los valores x1, x2, …, o xk, con
las probabilidades f(x1),f(x2), …,f(xk), su expectativa matemática
o valor esperado es:
𝑥1 𝑓 𝑥1 + 𝑥2 𝑓 𝑥2 … + 𝑥𝑘 𝑓 𝑥𝑘 = 𝑣𝑎𝑙𝑜𝑟 ∗ 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑

𝜇= 𝑥 ∗ 𝑓(𝑥); media poblacional

𝑥= 𝑥𝑖 ∗ 𝑓(𝑥); media muestral

Ejemplo: Encuentre la media de la variable aleatoria que
representa el número de caras obtenidas en 3 lanzamientos
con una moneda equilibrada.
Solución:
1 3 3 1
Las probabilidades para 0, 1, 2 o 3 caras son , , 𝑦o al
8 8 8 8
usar la fórmula para la distribución binomial con n = 3 y p = 1

1 3 3 1
𝜇= 𝑥∗𝑓 𝑥 =0 +1 +2 +3
8 8 8 8
3
𝜇=
2
Ejemplo: Con referencia al ejemplo del auto usado y las
probabilidades dadas, encuentre la media de la variable
aleatoria del número de atributos preferidos.
Media de la distribución binomial

𝜇 = 𝑛𝑝

Ejemplo: Uso de μ = np para encontrar la media del número de

caras en tres lanzamientos.
Encuentre la media de la variable aleatoria del número de caras
obtenidas en 3 lanzamientos de una moneda equilibrada.
Para una distribución binomial con n = 3 y p = 1/2 , se tiene:

1 3
𝜇 = 𝑛𝑝 = 3 ∗ =
2 2
Media de la distribución hiper geométrica
𝑎
𝜇=𝑛
𝑁

Ejemplo: Con referencia al ejemplo 1 de la hipergeometrica, en el que una compañía con

base en Internet que vende accesorios con descuento para teléfonos celulares a menudo
embarca un número excesivo de productos defectuosos. La compañía necesita un mejor
control de calidad. Se supone que tiene a la mano 20 cargadores para automóvil idénticos,
pero que 5 están defectuosos. Encuentre la media de variable aleatoria que es el número
de defectos en una muestra de 10 cargadores elegidos al azar para inspección.
Solución
Al sustituir n = 10, a = 5 y N = 20 en la fórmula anterior para μ , se obtiene:

𝑎 5
𝜇=𝑛 = 10 = 2.5
𝑁 20
En otras palabras, si se inspeccionan 10 de tales cargadores, se esperarían a 2.5
defectos, donde esperaría se interpreta en el sentido de que representa el número de
defectos promedio a largo plazo, si 10 cargadores se seleccionan repetidamente de 20
cargadores, de los cuales 5 son defectuosos.
2. Varianza y la desviación estándar:
Mide los valores de la variable aleatoria que se desvían de la media.

𝜗 2 = (𝑥 − 𝜇)2 ∗ 𝑓(𝑥) ; Varianza poblacional

𝑠 2 = (𝑥𝑖 − 𝑥)2 ∗ 𝑓(𝑥) ; Varianza muestral

Esta medida no tiene las mismas unidades (o dimensión) que los valores de la
variable aleatoria, pero se podría ajustar esto al tomar la raíz cuadrada. Lo anterior
resulta en una medida de variación que se expresa en las mismas unidades que la
variable aleatoria. La desviación estándar se define como:

𝜗= (𝑥 − 𝜇)2 ∗ 𝑓(𝑥)
EJEMPLO:
Compare las desviaciones estándar de las dos variables aleatorias con distribuciones de probabilidad
1
binomial con 𝑛 = 4 y 𝑝 = . Determine la media y varianza
2

1
𝜇 = 𝑛𝑝 = 4 =2
2
𝜗 2 = (𝑥 − 𝜇)2 ∗ 𝑓 𝑥
2 1 2 4 2 6
= 0−2 + 1−2 + 2−2
16 16 16
4 1
+ 3 − 2 2( ) + 4 − 2 2( )
16 16
𝜗2 = 1
𝜗=1

Puede demostrarse que, para la otra distribución, σ = 2, y se encuentra que la segunda distribución
(sombreada) con la mayor dispersión también tiene la mayor desviación estándar.
2. Varianza de una distribución binomial:

𝜗 2 = 𝑛 ∗ 𝑝 1 − 𝑝 = 𝑛𝑝𝑞

Ejemplo: Verifique el resultado enunciado en

el ejemplo anterior, que σ = 2 para la
distribución binomial con n = 16 y p = 1/2.
2. Varianza de una distribución hiper geométrica:

2
𝑎 𝑎 𝑁−𝑛
𝜗 =𝑛 1−
𝑁 𝑁 𝑁−1
Ejemplo: Con referencia al ejemplo 1 (Hipergeométricas), en el que 5 de 20
cargadores estaban defectuosos, encuentre la desviación estándar de la distribución
de probabilidad del número de defectuosos en una muestra de 10 elegidos al azar
para inspección.
Sustituyendo n = 10, a = 5 y N = 20 en la fórmula para la varianza de una
distribución hiper geométrica, se tiene:
2
𝑎 𝑎 𝑁−𝑛 5 5 20 − 10
𝜗 =𝑛 1− = 10 1−
𝑁 𝑁 𝑁−1 20 20 20 − 1
2
75
𝜗 =
76
𝜗 = 0.99
2. Varianza y desviación estándar de una distribución Poisson:
𝜇=λ 𝜗2 = λ
EJEMPLO
Durante un periodo de 10 minutos, un contador registra un promedio de
1.3 partículas gamma por milisegundo, provenientes de una sustancia
radiactiva. Para una buena aproximación, la distribución del conteo, X,
de partículas gamma durante el siguiente milisegundo es de Poisson.
Determine:
a) λ = 1,3
b) la probabilidad de una o más partículas gamma:
𝑃 𝑋 ≥ 1 = 1 − 𝑃(𝑋 = 0)
𝑃 𝑋 ≥ 1 = 1 − 𝑒 −1.3 = 0.727
c) la varianza: 𝜗 2 = 1,3
UTILIDADES

BINOMIAL POISSON HIPERGEOMETRICA

𝑒 −λ
𝑥
𝑥 𝑛−𝑥 λ 𝑎𝐶𝑥 𝑁−𝑎 𝐶 𝑛−𝑥
𝑏 𝑥; 𝑛, 𝑝 = 𝑛𝐶𝑥 𝑝 (1 − 𝑝) P 𝑥; 𝑛 = ℎ 𝑥; 𝑛, 𝑎, 𝑁 =
𝑥! 𝑁𝐶𝑛

𝜇= 𝑥 ∗ 𝑓(𝑥); media poblacional 𝑥= 𝑥𝑖 ∗ 𝑓(𝑥); media muestral

𝑎
𝜇 = 𝑛𝑝 𝜇=λ 𝜇=𝑛
𝑁

𝜗 2 = (𝑥 − 𝜇)2 ∗ 𝑓(𝑥) ; Varianza poblacional 𝑠 2 = (𝑥𝑖 − 𝑥)2 ∗ 𝑓(𝑥) ; Varianza muestral

𝑎 𝑎 𝑁−𝑛
𝜗 2 = 𝑛 ∗ 𝑝 1 − 𝑝 = 𝑛𝑝𝑞 𝜗2 = λ 𝜗2 = 𝑛 1−
𝑁 𝑁 𝑁−1