DISTRIBUCIONES DE PROBABILIDADES COMUNES

DISTRIBUCIONES DISCRETAS

1) Distribución Bernoulli

Un experimento Bernoulli es aquel experimento aleatorio que produce solo dos resultados
posibles. A uno de los resultados le llamamos éxito y al otro fracaso.
  {éxito, fracaso}

Cualquier experimento aleatorio puede definir a un experimento Benoulli, considerando

como éxito al evento de interés A y como fracaso a Ac.

Si X es una v.a definida por:

1 si es exito
X ( w)  
0 si es fracaso
El recorrido de la v.a X es Rx={0, 1}, por lo que X es una variable discreta. Para determinar
la función de probabilidades de la distribución Bernoulli sólo se necesita conocer la
probabilidad de éxito (A).
Sea A= éxito, P(A)=P(éxito).
Entonces: P(X=1)=P(A)=p, P(X=0)=P(Ac)=1-p.

Por lo tanto la distribución de probabilidades de X es:

X 0 1
P(x) 1-p p

O también se puede resumir la tabla por la siguiente expresión:

Px ( x)  p x  q 1 x
donde x=0, 1; q=1-p.
1 x
En resumen X~Bernoulli (p) si y solo si Px ( x)  p  q .
x

OBS: Si X~Bernoulli (p) entonces:

i) E ( X )  0  q  1  p  p
ii) V ( X )  p  (1  p)  p  q

Distribución Binomial: Un experimento binomial es un experimento aleatorio formado por

n ensayos Bernoulli independientes, donde la probabilidad de éxito de cada ensayo es
constante para cada experimento Bernoulli.

Ejemplo: 1) El número total de artículos defectuosos de una muestra de 20.

 2) Número total de alumnos que fuman en un curso de 30 alumnos
3) Total de cheques protestados de un grupo de clientes de un banco.

Si definimos X=Número de total de éxitos observados en un experimento binomial con n

ensayos Bernoulli independientes, decimos que X~bin(n, p). Esta variable es discreta y tiene
como recorrido a Rx={0, 1, 2 ,3, …}

La distribución de probabilidad de X está dada por:

n n n!
P ( X  x)    p x q n  x   
 x , donde x=0, 1, 2, …, n y  x  (n  x)! x!
OBS: Si X~Binomial (n, p) entonces:

i) E ( X )  n  p
ii) V ( X )  n  p  q

Nota: Observar que las probabilidades de éxito y fracaso son complementarias, es decir, q
= 1-p y p =1-q, por lo que basta saber una de ellas para calcular la otra.

Ejemplo 1: La probabilidad de que un estudiante que ingresa a la universidad se licencie es

de 0,4. Hallar la probabilidad de que entre 5 estudiantes elegidos al azar:

a) Ninguno se licencie
b) Uno se licencie
c) Al menos uno se licencie
d) Todos se licencien
e) Calcule el número esperado de estudiantes que se licencian.

Ejemplo 2: Si 6 de 18 edificios en una ciudad violan el código de construcción ¿Cuál es la

probabilidad de que un inspector de edificios, que toma una muestra de 4 de ellos para
inspeccionar, descubra que:
a) Ninguno de ellos viole el código
b) al menos 3 violan el código
c) Calcule el número esperado de edificios que viola el código y calcule la desviación
estándar.

Distribución Normal

Definición 1: Diremos que una distribución de probabilidad tiene una distribución normal
de media  y desviación estándar σ, y lo representaremos por N(  ; σ) cuando la
representación gráfica de su función de densidad es una curva positiva continua, simétrica
respecto a la media, de máximo en la media, y que tiene 2 puntos de inflexión, situados a
ambos lados de la media (  − σ y  + σ) respectivamente y a distancia de σ ella, es decir de
la forma:
Observación: Dependiendo de los valores que tomen  y σ, la gráfica de esta función puede
ser más o menos alargada, achatada, etc..., pero en cualquier caso siempre tiene las mismas
condiciones de simetría continuidad, etc vistas anteriormente.

El concepto de función de densidad introducido anteriormente no se estudiará con

profundidad.
Basta decir que la función de densidad determina la forma de cada distribución de
probabilidad. En el caso de la distribución normal de parámetros x y σ, dicha función viene
dada por:

Propiedad:
El área encerrada bajo la curva normal N( x ; σ) siempre es 1.
La demostración de este resultado no es nada sencilla e implica el uso de resultados
matemáticos que exceden el nivel de este curso.

Definición 2: Distribución Normal estándar

De entre todas las curvas normales N(  ; σ), la más sencilla, usada y conocida es aquella que
tiene por media 0 y por desviación estándar 1, se decir N(0, 1). Esta normal estándar se suele
representar por la letra Z, es decir Z ~ N (0,1)

La gráfica de esta curva se denomina campana de Gauss y se puede observar en la figura:

Su función de densidad será:

Puesto que el área bajo esta curva normal es 1, podemos definir una probabilidad de la
siguiente manera:
Para un valor cualquiera k, definimos la probabilidad de que la distribución Z~N(0;1), sea
menor o igual que k como:
P(Z ≤ k)= “ Área encerrada bajo la curva normal N(0,1) desde −∞ hasta k” (es decir la parte
rayada de la figura siguiente).

¿Como calcular dicha área?

Dichas áreas o probabilidades se encuentran tabuladas.

Calculo de otras probabilidades

1) Así, al pasar al complementario, si tenemos Z ≥ k, su complementario será Z < k, pero

como incluir k no influye en la probabilidad calcular probabilidades podemos escribir:

p(Z ≥ k) = 1 − p(Z < k) = 1 − p(Z ≤ k)

Solo se puede hacer esto en distribuciones continuas, en el caso de la binomial esto no se

puede hacer y hay que ser cuidadosos con el paso al complementario.

Ejemplo: Calcular p(Z ≥ 0,3) y p(Z ≥ 2,07), p(Z ≤ −0,78) y p(Z ≤ −3,2).

2) Probabilidades comprendidas entre dos valores, p(k1 ≤ Z ≤ k2) , es decir el área rayada:

Se calcula restando las áreas:

Ejemplos: Calcular p(−0,96 ≤ Z ≤ 1,49) y p(−1,32 ≤ Z ≤ −0,57).

Cálculo de probabilidades normales de la forma N(  , σ)

Si no tenemos una distribución N(0;1), sino una N(  , σ) cualquiera

¿Como calcular probabilidades, Si no tenemos tabla salvo para N(0;1)?
El siguiente resultado nos da la respuesta.

Propiedad:
X 
Si X sigue una distribución N( x ; σ), entonces la variable Z =  sigue una distribución
normal N(0,1).
(El paso de la variable X → N(x; σ) a la Z → N(0;1) se denomina tipificación de la variable
X).

Ejemplo1: Consideremos las edades de los trabajadores de una gran empresa. Sea X la edad
de los trabajadores donde X se distribuye normal con media 50 años y varianza 25 años2

a) Calcule la probabilidad de que un trabajador tenga menos de 60 años

b) ¿Cuál es la probabilidad de que un trabajador tenga entre 50 y 53 años?
c) Si el 20% de los trabajadores están bajo una cierta edad ¿Cuál es esa edad?

Ejemplo2: La dureza Rockwell o ensayo de dureza Rockwell es un método para determinar

la dureza, es decir, la resistencia de un material a ser penetrado.

(a) Suponga que la dureza Rockwell de cierta aleación tiene una distribución normal con
media igual a 70 y desviación estándar 38. Un espécimen de metal es aceptable sólo si su
dureza está comprendida entre 71 y 75, ¿Cual es la probabilidad de que un espécimen
seleccionado al azar tenga una dureza aceptable?

(b) Se toma otra aleación de metal que también se distribuye normal con varianza 11,5 y se
sabe además que el 18,14% de las piezas tienen una dureza Rockwell superior a 80. Se toma
una pieza de metal con esta aleación ¿Cual es la probabilidad de que su dureza sea inferior a
75?

Ejemplo 3: Si X es la cantidad de radiación que puede ser absorbida por un individuo antes
de que le sobrevenga la muerte. Supongamos que X es normal con media de 500 roentgen y
desviación estándar de 150 roentgen.
¿Por encima de que nivel de dosificación sobreviviría solamente el 5% de los expuestos?
Ejemplo 4: El tiempo de vida útil de cierto componente tiene distribución normal con media
500 horas y varianza  y el 7,35% de los componentes duran menos de 355 horas. El
2

componente es inaceptable si su tiempo de vida es menor a 448 horas.

a) Determine la varianza
b) Calcule la probabilidad de que una componente sea inaceptable.
c) Dado que una componente es inaceptable. Cual es la probabilidad de que dure menos de
355 horas?
Ejemplo 5: El tiempo de vida en unidades de tiempo de cierto tipo de batería es una v.a con
distribución normal. Si se sabe que el 70% dura menos de 9,89 unidades de tiempo y que
  0,1 . Encuentre  y  .

Ejemplo 6: Las llamadas telefónicas de larga distancia tienen distribución normal con media
8 minutos y desviación estándar 2 minutos.
a) ¿Qué proporción de llamadas estaría entre 7,8 y 8,2 minutos?
b) Si se seleccionan muestras aleatorias de 10 llamadas ¿Cuál es la probabilidad de que la
mitad de ellas esté entre 7,8 y 8,2 minutos?