ESTADISTICA Prof.

Rafael Enrique Padilla Mejia

FUNCIONES O DISTRIBUCIONES DE PROBABILIDADES
Son modelos que describen situaciones que comprenden resultados generados aleatoriamente. En estadística
existe una gran variedad de tipos de distribuciones o funciones de probabilidad cada una de las cuales tiene su
propio conjunto de supuestos que definen las condiciones en las que cada tipo de distribución se emplea
eficazmente. La clave del uso de distribuciones probabilidades es hacer corresponder los supuestos de un tipo
de distribución con las características de la situación real.
Las distribuciones de probabilidades se clasifican de acuerdo con la variable aleatoria en
a) Discretas b) Continuas
DISTRIBUCIONES DE PROBABILIDADES DISCRETAS
Comprenden variables cuantitativas aleatorias discretas o para el conteo de datos, como el número de
acaecimientos en una muestra o la cantidad de ocurrencias por unidad con respecto a un intervalo de tiempo,
un área o una distancia. Las más importantes son la Binomial y la Poisson.
MODELO DE BERNOULLI, Corresponde a un proceso en donde la variable aleatoria tiene dos posibles
resultados y debe tomar uno de ellos. Ejemplos: En el lanzamiento de una moneda puede ocurrir cara o sello,
La variable sexo tiene dos resultados hombre o mujer.
Cada uno de estos resultados tiene una probabilidad asociada, generalmente se habla de éxito o de fracaso con
probabilidad p y (1- p) respectivamente.
DISTRIBUCIÓN BINOMIAL
Puede considerarse el proceso binomial como la toma de n variables de Bernoulli independientes. Una variable
Binomial se genera bajo los siguientes 3 postulados:
1. Debe haber un número fijo (n) de pruebas o repeticiones que son estocásticamente independientes.
2. Cada prueba debe producir un éxito(p) o un fracaso (q=1-P) y son constantes a lo largo del proceso
3. Todas las pruebas tienen igual probabilidad de éxito p, e, igual probabilidad de fracaso q=1-p
Para resumir una función de probabilidad Binomial nos da la probabilidad de obtener exactamente x éxitos en n
ensayos de Bernoulli independientes y esta probabilidad se calcula por la siguiente expresión:

p( x )=nCxp x q n− x
Esta distribución tiene como promedio y varianza:

Promedio μ=np Varianza: σ 2 =npq

EJEMPLO.
En una entidad crediticia se sabe que el 15% de los créditos están en mora. Si se seleccionan al azar 30
créditos:
a) Cuál es el promedio de la variable b) Cuál es la probabilidad de que ninguno este en mora c) Cuál es la
probabilidad de que10 de los créditos estén en mora d) Cuál es la probabilidad que 3 de los créditos estén en
mora e) Cuál es la probabilidad de que a lo más 3 de los créditos estén en mora f) Cuál es la probabilidad de
que por lo menos 4 estén en mora.
Solución. Es binomial por que al escoger un crédito solo hay dos opciones esta al día o esta en mora , Se
selecciona una muestra fija de 30 créditos. Si llamamos la variable X= Numero de créditos en la muestra en
mora, Luego p=0.15 q= 0.85 n=30

a) μ=np=30 × 0.15=4.5 interpretación se espera encontrar en esa muestra de 30 créditos 4.5 créditos
en mora
b) P ( x=0 )=30C 0× 0.150 ×0.8530 =0.0076 c)P(x=10)= 30 C 10 ×0.1510 ×0.8520 =0.00671
e) P ( x ≤ 3 )=P ( x=0 ) + P ( x=1 ) + P ( x =2 )+ P ( x=3) hay que aplicar la formula para cada valor de x.
f) P ( x ≥ 4 )=P ( x=4 ) + Px=5¿+ P ( x 06 ) +… … .+ P( x=30) pero esto es equivalente
P ( x ≥ 4 )=1−P( x ≤ 3) =1- el valor que calculamos en el punto e)
DISTRIBUCIÓN DE POISSON
Esta distribución representa los eventos que ocurren aleatoriamente en la unidad de tiempo, espacio o volumen
y nos permite calcular la probabilidad de que ocurran x resultados en una unidad y su expresión matemática es:
−μ x
e μ
p( x )=
x!
Donde x es el número de ocurrencias y  es la media de ocurrencia por unidad de tiempo espacio o volumen.

Esta distribución tiene como promedio y varianza: Promedio:  Varianza: 2 = 

Ejemplo.
El número de mensajes por minuto que se reciben en una estación de radio tiene una media de 3 mensajes por
minuto.
a) Cuál es la probabilidad de que en un minuto cualquiera no se reciban mensajes
b) Cuál es la probabilidad de que en un minuto cualquiera se reciban 2 mensajes
c) Cuál es la probabilidad de que en un intervalo de 2 minutos se reciban 5 mensajes
d) Cuál es la probabilidad de que en un minuto cualquiera se reciban a lo más 2 mensajes
e) Cuál es la probabilidad de que en un minuto cualquiera se reciban por lo menos 2 mensajes
Solución. Aquí la variable estadística es X= Numero de mensajes que se reciben por minuto.

Se conoce el promedio Se puede trabajar como una distribución de Poisson con μ=3 mensajes/minuto
e−3 ×30 =0.0497 e−3 x 32 =0.22404 c)P(x=5)
a) P ( x=0 )= b) P ( x=2 )= d) P(x
0! 2!
≤ 2¿=P(x=0)+ P( x=1)+ P(x=2) hay que hacer los cálculos para cada valor de x e)
P ( x ≥ 2 )=P ( x=0 ) + P 8 x=1¿ + P ( x=2 )+ … … …+hasta elinfinito lo cual es equivalente hacerlo por el
complemento es decir P ( x ≥ 2 )=1−P ( x ≤ 1 )=1−( P ( x=0 ) + P ( x=1 ) )

APROXIMACIÓN DE LA BINOMIAL A LA DISTRIBUCIÓN DE POISSON

La distribución binomial cuando la muestra es muy grande(n) y la probabilidad de éxito (p) es pequeña se puede
trabajar como una distribución de Poisson y los resultados no varían mucho. Se toma como media para trabajar
con Poisson.  = n.p
De tal manera que las probabilidades para una variable que se ajuste al modelo Binomial se pueden calcular
por el modelo de Poisson.
DISTRIBUCIONES DE PROBABILIDADES DE VARIABLE CUANTITATIVA CONTINUA.
La variable cuantitativa continua es aquella que puede tomar infinitos valores entre los valores a y b. que
pueden ser enteros o decimales.
Las distribuciones de probabilidad de variable aleatoria continua más usuales son las siguientes:
1. La distribución uniforme 2. La distribución exponencial 3. La distribución Normal
Distribución Uniforme: En estadística la distribución uniforme es una distribución de probabilidad donde los
valores que puede tomar la variable tienen la misma posibilidad de ocurrencia durante el desarrollo del
experimento aleatorio.
Ejemplo.
El número de consultas que realizan los estudiantes diariamente en la biblioteca de la universidad es aleatorio
pero oscila entre 250 y 300 consultas. Si la variable número de consultas se ajusta a la distribución uniforme
esto se interpreta que el número mínimo es de 250 consultas y el número máximo es de 300 consultas por día
pero que el número de consultas del día puede tomar cualquier valor entre estos dos límites con igual
posibilidad.
Se dice que una variable aleatoria continua T tiene una distribución uniforme en el intervalo [a, b] si la función
de probabilidad es.
 x−a
F(T ≤x)=¿ { b−a
si a≤x<b ¿ ¿{} } b+a
μ x=
Una variable que se ajuste a una distribución uniforme tiene como promedio 2 y como varianza
2
( b−a )
σ 2=
12

F(x)

1
ba

a b X

Ejemplo 1.
La demanda diaria de un producto se ajusta a una distribución uniforme con un valor mínimo de 500 Kg. y un
valor máximo de 800 Kg. Sea la variable aleatoria x que representa la demanda diaria del producto, si la
demanda diaria tiene distribución uniforme esto quiere decir que la probabilidad que la variable tome UN valor
entre a=500 y b= 800 es igual para cualquiera de estos valores y se calcula por la
1 1
P( x )= =
800−500 300
1

{
f (x )= 300
0
si 500≤x≤800

La función de probabilidad es: Si X toma otro valor

a) Cuál es la probabilidad que la demanda un día cualquiera sea de 620 Kg.
b) Cuál es la demanda promedio diaria
c) Cuál es la varianza y la desviación estándar de la demanda diaria.
d) Cuál es la probabilidad que la demanda diaria sea inferior o igual a 700 Kg
Solución:

1 800+500
a) P ( x=620 )= =0.0033 b) μ= =650 Kg c)σ 2=
800−500 2
(800−500)2 700−500
=7500 d) P ( x ≤ 700 )= =0.6666
12 800−500