DISTRIBUCIONES DE PROBABILIDAD.

1.Probabilidad
Según la definición clásica una probabilidad es una fracción entre el
número de casos favorables y el número de casos posibles.
Generalmente se denota por p
número casos favorables
p=
número casos posibles
Para tener una mejor comprensión de probabilidad vamos a dar unos
conceptos previos.
Experimento aleatorio (ξ ¿:
Un experimento aleatorio es todo proceso que consiste en la
provocación y ejecución de un acto o prueba o ensayo una o más
veces; y cuyo resultado en cada prueba depende del azar y en
consecuencia no se pude predecir con certeza. Ejemplos de
experimentos aleatorios
a) ξ : El lanzamiento de una moneda en el que se observa como
característica de interés qué lado de la moneda sale.
b) ξ : El lanzamiento de un dado en el que se observa como
característica de interés qué puntaje sale en la cara superior.
c) ξ : Se escoge un individuo al azar de una población de personas
adultas y se observa su peso (en Kg).
d) ξ : Se observa la ausencia o presencia de cierta falla en lotes de tela.
e) ξ : Se observa la cantidad de plomo en muestras de sangre humana .
f) ξ : Lanzar un dado dos veces y observar los resultados posibles.
Espacio muestral ()
Se denomina espacio muestral al conjunto de todos los resultados
posibles de un experimento aleatorio. Cada resultado posible es un
elemento del espacio muestral y se le denomina punto muestral; si el
espacio muestral tiene un número finito de elementos es posible
 enumerar o señalar a todos estos, y si el número es grande o infinito el
espacio muestral se describe mediante algún enunciado o regla. El
espacio muestral puede denotarse con la letra griega omega mayúscula
.
Se dan algunos ejemplos de experimentos aleatorios y sus respectivos
espacios muestrales.
a) ξ : El lanzamiento de una moneda en el que se observa como
característica de interés qué lado de la moneda sale.
: {cara, sello}.
b) ξ : El lanzamiento de un dado en el que se observa como característica
de interés qué puntaje sale en la cara superior.
: {1, 2, 3, 4, 5, 6}.
c) ξ : Se escoge un individuo al azar de una población de personas
adultas y se observa su peso (en Kg).
:{x/ x ∈ (40, 150)}.
d) ξ :Se observa la ausencia o presencia de cierta falla en lotes de tela.
: {ausencia, presencia}.
e)ξ :Lanzar dos dados y observar los resultados posibles en cada uno de
ellos.
:{(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),(2,3),(2,4),(2,5),(2,6),
(3,1), (3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6),
(5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.

Evento
Se denomina evento a cualquier subconjunto del espacio muestral; se
denotan por letras latinas mayúsculas: A, B, …
Se denomina suceso a cualquier elemento del espacio muestral. A cada
elemento del espacio muestral se lo denota con omega minúscula ω
En un espacio muestral finito con n elementos o sucesos, se pueden
obtener 2n eventos, que en conjunto se denomina conjunto potencia ( ∅
,) también pertenecen al llamado conjunto potencia); así por ejemplo si
se tiene : {1, 2, 3, 4, 5}, el conjunto potencia tendrá 2 5= 32 eventos

(5 ) (5 ) (5 ) ( 5 ) (5 )
Conjunto potencia: ∅ , 1 , 2 , 3 , 4 , 5  1+5+10+10+5+1=32

Variable aleatoria.
Una variable aleatoria es una función que asigna un número real,
perfectamente definido, a cada punto muestral del espacio muestral;
generalmente se lo denota con X, Y,.. mayúsculas. Variable porque toma
diferentes valores y aleatoria porque el valor observado no puede ser
predicho antes de la realización del experimento, aunque sí se sabe
cuales son sus posibles valores.
i)Variable aleatoria discreta
Sea  un espacio muestral asociado con un experimento aleatorio ξ , una
variable aleatoria X es una función que asigna un número finito de
valores enteros a cada elemento ω.
X(ω)= x significa que x es el número entero asociado al resultado ω ∈ 
a través de la variable aleatoria X.
A todos los posibles valores de x se denomina rango de x y se denota
por RX.
Ejemplo:
ξ : Sea el experimento de lanzar un dado dos veces y observar los
puntos.
: {(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),(2,3),(2,4),(2,5),(2,6), (3,1),
(3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1),
(5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}.
X: suma de los puntos en cada punto muestral: X(ω)= x
X (1,1) = 2 X (2,1) = 3 X (3,1) = 4 X (4,1) = 5 X (5,1) = 6 X (6,1) = 7
X (1,2) = 3 X (2,2) = 4 X (3,2) = 5 X (4,2) = 6 X (5,2) = 7 X (6,2) = 8

X (1,3) = 4 X (2,3) = 5 X (3,3) = 6 X (4,3) = 7 X (5,3) = 8 X (6,3) = 9

X (1,4) = 5 X (2,4) = 6 X (3,4) = 7 X (4,4) = 8 X (5,4) = 9 X (6,4) = 10
X (1,5) = 6 X (2,5) = 7 X (3,5) = 8 X (4,5) = 9 X (5,5) = 10 X (6,5) = 11
X (1,6) = 7 X (2,6) = 8 X (3,6) = 9 X (4,6) = 10 X (5,6) = 11 X (6,6) = 12

RX ={2, 3, 4, 5, 6, 7, 8, 9, 10,11, 12}

Función de probabilidad de v.a. discreta:

La función de probabilidad de una variable aleatoria discreta X es la

asignación de la probabilidad de los diferentes valores de x,
determinándolos a partir de la probabilidad de los sucesos asociados a
cada valor de x.
Para el caso del lanzamiento de dos dados a la vez donde la variable
aleatoria es la suma de los puntos que aparecen en las caras
superiores de los dados.
x 2 3 4 5 6 7 8 9 10 11 12
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

∑ p(x)= 36/36= 1.0

ii)Variable aleatoria continua.

La variable aleatoria continua es aquella cuyo rango es un intervalo en

los números reales, por tanto, es un conjunto infinito (no numerable)
de valores reales o de intervalos.
Para el caso de variable aleatoria continua la función de probabilidad
se denomina función de densidad de probabilidad o simplemente
función de densidad,
Función de densidad de probabilidad:
Se dice que la función f(x) es función de densidad (ley, modelo o
distribución de probabilidad de la variable aleatoria continua X si
satisface las siguientes condiciones.
-) f(x) ≥ 0
+∞

-¿ ∫ f ( x ) dx = 1 el área bajo la curva con eje x es 1.00

−∞
 b

-) f(A)= f(a,b) = ∫ f ( x ) dx
a

La probabilidad en un punto se asume que es cero.

f(x) es la función de la variable aleatoria.

Ejemplo.
El contenido de cierto mineral en onzas de un saco con mineral es una
variable aleatoria X cuya función de densidad es:

3 2

{( )
f ( x )= 8 x ,∧x ∈( 0,2)
0 ,∧otro caso

Hallar la probabilidad que en un determinado saco el contenido sea

menor a 1 onza
1
3 2 3 x3 1 3
f(0 ≤ x ≤1) =∫
0
()
8
x dx = ()
( )=
8 3 0 24

Nota
Existen distribuciones de probabilidad muy usadas; Vamos a
desarrollar algunas de ellas.

2.LA DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL (discreta)

La distribución binomial se aplica cuando se aplica cuando se tiene un

número fijo de n pruebas sucesivas, con las siguientes características:
-Los n ensayos son estadísticamente independientes
-Cada ensayo tiene solo dos resultados: éxito y fracaso.
-La probabilidad p de éxito es invariante en cada ensayo (q= fracaso;
q=1-p)
- Sus parámetros son “n” y “p”.
La función de probabilidad está dada por
 ( n)
Prob( X=x)= x pxqn-x x=0, 1, 2, … ,n

La función de distribución acumulada está dada por

x

Prob( X≤x)= ∑ ( nx )pxqn-x

x=0

Ejemplos
a) Se lanza una moneda 10 veces, con la probabilidad p=0.50 que salga
cara
i) Cuál es la probabilidad de obtener exactamente tres caras
( n) (10 )
Prob( X=x)= x pxqn-x  Prob( X=3)= 3 0.5030.507 =0.117
ii) Cuál es la probabilidad de obtener exactamente cinco caras
( n) (10 )
Prob( X=x)= x pxqn-x  Prob( X=5)= 5 0.5050.505 =0.246
iii)Cuál es la probabilidad de obtener a lo más dos caras
2 3

Prob( X≤2)= ∑ (nx )pxqn-x = Prob( X≤3)= ∑ (10

3)
0.5030.507 =
i=0 i=0

(10 ) (10 )
Prob( X≤2)= 0 0.5000.5010+ 1 0.5010.509+ 2 0.5020.508= (10 )
Prob( X≤2)=0.001+0.010+0.044=0.055.
Prob( X≤2)=1- Prob( X≥3)=1-0.945=0.055  con tabla binomial de la
forma Prob(X≥x).
b) Se conoce que la probabilidad de encontrar petróleo en una
exploración es de aproximadamente 0.45; en n=8 exploraciones, diga
cuál es la probabilidad de encontrar petróleo: ( X=3)= 3 0.4530.555(8 )
=0.257
ii)En por lo menos tres exploraciones

(8 ) ( 8) ( 8)
Prob( X≥3)= 3 0.4530.555+ 4 0.4540.554+..+ 8 0.4500.558=0.780

Prob( X≥3)= 1 - Prob( X≤2)= 1- 0.2201 = 0.780

iii)Entre tres y cinco exploraciones
Prob(3≤ X≤ 5)= Prob( X≤5) - Prob( X≤2)= 0.692
Prob( X≤5)= 1- Prob( X≥6)=1- 0.088 = 0.912
Prob( X≤2)= 1- Prob( X≥3)= 1- 0.780 = 0.220

Nota:
Figura de la distribución binomial cuando X sigue una distribución
binomial con parámetros n, p; XB(n,p); la figura tiende a
aproximarse a la distribución normal.

x
 x

3.LA DISTRIBUCIÓN DE PROBABILIDAD DE POISSON (discreta)

Un experimento aleatorio de Poisson es un proceso que consiste en
observar el número x de veces que ocurre un evento en una unidad de
tiempo o espacio o volumen; así por ejemplo cuando se desea estimar:
-El número de llamadas malintencionadas que se reciben en tres horas.
-El número de fallas en la superficie de cerámicas en 20 unidades
-El número de accidentes de trabajo en una fábrica durante un mes
-El número de bacterias por m3 de agua.

El parámetro se denota como λ que es un valor medio de ocurrencias y se

puede escribir que x P(λ).
Las condiciones para aplicar esta distribución:
-Las ocurrencias de los eventos son independientes
-La presencia de un evento ocurre en un número muy grande de veces.

La función de probabilidad:
 e−λ λx
Prob( X=x) =
x!

La función de distribución acumulada está dada por

x −λ x
Prob( X≤x)= ∑ e x !λ  Tabla de Poisson
x=0

Ejemplos
a) Suponga que en una fábrica ocurren en promedio tres accidentes al
mes, es decir λ=3. Calcule la probabilidad que en un mes cualquiera:
i)No ocurra accidente alguno (x=0)
e−λ λx e−3 3 0
Prob( X=0) = = = 0.050
x! 0!

ii)Ocurran exactamente dos accidentes(x=2)

e−λ λx e−3 32
Prob( X=2) = = = 0.224
x! 2!

Prob( X=2) = Prob( X≤2) - Prob( X≤1) =0.423 – 0.199= 0.244

iii)Ocurran al menos dos accidentes(x≥2)

Prob( X≥2) = 1- Prob( X≤1)= 1- 0.199= 0.801
Prob( X≤1)= Prob( X=0) + Prob( X=1)= 0.050 + 0.149=0.199

iv)Ocurran entre dos y cuatro accidentes(2≤x≤4)

Prob(2≤ X≤ 4)= Prob( X≤4) - Prob( X≤1)= 0.815- 0.199= 0.616

v)Ocurran a lo más tres accidentes(x≤3) tabla Poisson

3 x
e−3 3 0 e−3 31 e−3 32 + e−3 33
−3
Prob( X≤3)= ∑ e 3 !3 = 0!
+
1!
+
2! 3!
=
x=0

Prob( X≤3)= 0.050 + 0.149 + 0.224 + 0.224= 0.647 .

Nota
 Se puede reportar una gráfica para diferentes valores de λ; a medida
que aumenta λ, la figura tiende a ajustarse a una curva normal. (k=x)

4.LA DISTRIBUCIÓN DE PROBABILIDAD NORMAL (continua)

La distribución normal es el modelo de distribución más usado en la
práctica, ya que muchos fenómenos aleatorios se comportan según una
distribución normal.
Esta distribución se caracteriza porque los valores a partir de un histograma
y luego en el polígono de frecuencias que al ser suavizado la figura puede
asemejarse formando una campana (Campana de Gauss) en torno a su
valor central.
Las variables como peso de las varillas, longitud de los árboles, rendimiento
por máquina, tiempo de duración, hemoglobina, etc pueden ser
consideradas variables que se ajustan a una distribución normal.
Los parámetros de la distribución normal son la media µ y la desviación
estándar σ, y se denota x N(µ, σ)
Para una distribución normal con x N(5, 2) aproximadamente la figura.

Características de la distribución normal:

-Se distribuye de manera simétrica respecto a la media.
-Se distribuye asintóticamente respecto al eje x (eje x es la asíntota)
-El valor de la media, mediana y moda coinciden ( µ=Me=Mo)
-El valor máximo de la función f(x) ocurre cuando x= µ, siendo
f(µ)=0.399
- El área entre algunos puntos de la figura con µ± 3σ
 0.0214 0.1359 0.3413 0.3413 0.1359 0.0214

Media

-Es muy útil la distribución normal estándar, que permite el uso de

x−μ
valores tabulares de dicha distribución con z= σ .

La función de densidad para x N(µ,σ) está dada por:

 +∞

f(x) = ∫ f ( x ) dx
−∞

La función de distribución acumulada F(x):

x

F(x)= ∫ f ( x ) dx
−∞

Para la distribución normal estándar z N(0,1) la función de densidad

y la distribución acumulada están dadas por

+∞

f(z)= ∫ f ( z ) dz  Función de densidad

−∞

F(z)= ∫ f ( z ) dz
−∞
Función de distribución acumulada

F(z)  valores se encuentran en tabla normal N(0,1)

Ejemplo.
Se conoce que el peso promedio de los sacos de un material aurífero
es de 125 kg y una desviación estándar de 15 kg
X N(125,15)
a) Hallar la probabilidad que un saco cualquiera pese menos de 140 kg
− 140−125
x= 140 x =125 s=15 z= 15 = 1.00
Prob(z ≤1.00)= F(1.00)= 0.8413
b) Hallar la probabilidad que un saco cualquiera pese más de 110 kg
− 110−125
x= 140 x =110 s=15 z= 15 = -1.00
Prob(z ≥-1.00)= Prob(z ≤1.00)= F(1.00)= 0.8413
c) Hallar la probabilidad que un saco cualquiera pese entre 120 y 130
kg
120−125 130−125
z1= 15
= -0.333 z2= 15
= 0.333

Prob(-0.33≤ z ≤0.33)= F(0.33)- F(-0.33)= 0.6293-0.3707= 0.2586