Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías

Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

CLASE 13. DISTRIBUCIÓN DE PROBABILIDAD

Concepto.
Todo experimento aleatorio cuyo espacio muestral es S. Se define una variable
aleatoria discreta o continúa X que se asigna a cada suceso o evento, al cual le
hace corresponder uno y solo un valor en los números reales que se define
como la función de probabilidad f(x) o P(X=xi), tal que el conjunto de pares (X,
f(x)) es una distribución de probabilidad, cuya propiedad principal es 0≤f(x) ≤1
La distribución de probabilidad está definida sobre el conjunto de todos los
sucesos y cada uno de los sucesos es el rango de valores de la variable
aleatoria. También puede decirse que tiene una relación estrecha con
las distribuciones de frecuencia. De hecho, una distribución de probabilidades
puede comprenderse como una frecuencia teórica, ya que describe cómo se
espera que varíen los resultados.

• Variable aleatoria: Es aquella cuyo valor es el resultado de un evento

aleatorio. Lo que quiere decir que son los resultados que se presentan
al azar en cualquier experimento.
• Variable aleatoria discreta: Es aquella que solo toma ciertos valores
(frecuentemente enteros) y que resulta principalmente del conteo
realizado.
• Variable aleatoria continua: Es aquella que resulta generalmente de la
medición y puede tomar cualquier valor en los números reales dentro de
un intervalo dado.

Distribución de probabilidad discreta

Ejemplo 1: Lanzamos aleatoriamente un par de monedas corrientes (o

dos monedas).

Sea el espacio muestral S={𝑐𝑐, 𝑐𝑠, 𝑠𝑐, 𝑠𝑠} , s=cae sello, c=cae cara.

Definimos X: el número de cara/s que aparece, esto es:

Los diferentes valores de X:0, 1, 2, esto es: X=0 (significa ninguna cara);
X= 1(indica 1 cara; X=2(significa 2 caras).

Calculamos las probabilidades correspondientes para cada valor de la

variable aleatoria X, esto se calcula de la siguiente manera:
Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

Observando el espacio muestral como resultado de este experimento:

S={𝑐𝑐, 𝑐𝑠, 𝑠𝑐, 𝑠𝑠}, caso posible=4

P(X=0)=f(0)=1/4, aplicando casos favorables/casos posibles (tenemos en

S, 0 cara, indica ambos sellos, ss, tenemos solo 1 caso en S)

f(1)=P(X=1)=2/4, aplicando casos favorables/casos posibles (tenemos dos

casos donde aparece 1 cara, que son cs y sc en S)

f(2)=1/4, aplicando casos favorables/casos posibles (tenemos un caso

donde aparece dos caras, que son cc en S)

f(2)=1/4

1 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒
P(X=0)= = ;
4 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
P(X=1) significa 1 cara, esto X=1, el sub espacio { 𝑐𝑠, 𝑠𝑐}, dos casos:
2 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
P(X=1)= = ;
4 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
P(X=2) significa 2 caras, esto X=2, el sub espacio { 𝑐𝑐},un caso:
1 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒
P(X=2)= = ;
4 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
La distribución del presente experimento:
X= número de veces sello

X 0 1 2

f(x) ¼ 2/4 ¼

Propiedad 1. sumatoria de las probabilidades de f(x) es 1, para todo

X:0,1,2.

f(0)+f(1)+f(2)= ¼ + 2/4+ ¼ = 1

Propiedad 2. Cualquier f(X) debe ser mayor que 0 y menor que 1

EJEMPLO2: Lanzar aleatoriamente 3 monedas corrientes, el espacio

muestral S se define:

S={𝑐𝑐𝑐, 𝑐𝑐𝑠, 𝑐𝑠𝑐, 𝑠𝑐𝑐, 𝑐𝑠𝑠, 𝑠𝑐𝑠, 𝑠𝑠𝑐, 𝑠𝑠𝑠}

X= número de veces que cae sello,

Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

Los posibles valores de la variable X :

X:0,1,2,3

f(0)= 1/8….. 0 sello, indica que aparece todo cara, observamos solo 1
caso(ccc), indica 0 sello.

f(1)= 3/8, observamos en S, 3 casos favorables de 1 sello(ccs, csc, scc)

f(2) = 3/8, observamos en S, 3 casos favorables de 2 sellos (css, scs, ssc)

f(3) = 1/8, observamos en S, 1 caso favorable de 3 sellos (sss)

La distribución podemos representar en una tabla:

X 0 1 2 3

f(x) P(X=0) P(X=1) P(X=2) P(X=3)

remplazando los valores de la función de X o las probabilidades para cada

valor de X, tenemos:
X 0 1 2 3

f(x) 1/8 3/8 3/8 1/8

Propiedades:

La suma de las probabilidades f(x), para todo X definido en el espacio

muestral S
1 3 3 1 8
+ + + = =1
8 8 8 8 8

Toda distribución de probabilidad discreta, existen modelos matemáticos que

ayuda a resolver la ocurrencia de eventos que suceden cuyo experimento sea
de esta naturaleza. Si tuviéramos 10 monedas, el espacio muestral se
extendería, resolver de esa manera sería tedioso. Las distribuciones de
probabilidad discreta más conocidas son: Binomial, Poisson, Geométrica,
Hipergeométrica, Beta, etc. Nuestro estudio se limita el estudio de dos
distribuciones Binomial y Poisson.
Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

Distribución Binomial o de Bernoulli

En estadística, la distribución binomial es una distribución de

probabilidad discreta que cuenta el número de x éxitos en una
secuencia de n ensayos de Bernoulli independientes entre sí, con una
probabilidad fija p de ocurrencia del éxito entre los ensayos.
Un experimento binomial es un experimento que cumple las siguientes
condiciones:

1. El experimento consta de una secuencia de n ensayos idénticos.

2. En cada ensayo hay dos resultados posibles. A uno de ellos se le llama
probabilidad de éxito P y al otro, fracaso q=1- P.
3. La probabilidad de éxito P es constante de un ensayo a otro, nunca
cambia. Esto se debe a que la probabilidad de éxito más la probabilidad
de fracaso suman 1.
4. Los ensayos son independientes, de modo que el resultado de
cualquiera de ellos no influye en el resultado de cualquier otro ensayo.

Distribución binomial n < 30

x n –x
P(X=x )=f(x) = nCx p q x = 0, 1, 2, 3, …. ,n x : Numero de êxito
P(x  a) + P(x < a) = 1 p+q=1 q=1-p
P(x  a) + P(x > a) = 1 1≤ a ≤n

En la calculadora con la función la combinación de 10 tomado de a 3 = 10 C 3

=120
Ejemplo 1. Se lanza una moneda corriente 5 veces, Halla la probabilidad de
que caiga cara:
a) Exactamente 3 veces
Datos
n= 5
1
P= =0,5 ; q=1-0,5= 0,5
2
x= 3
Usar la fórmula: P(X=x)=f(x ) = nCx. px .qn –x

P(x=3)=f(3)= 5C3.(0,5)3.(0,5)5-3= 10.0,125.0,25=0,3125

Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

b) Ninguno vez
Datos
x=0
Usar la fórmula: P(x ) = nCx. px .qn –x

P(x=0)=P(0)= 5C0.(0,5)0.(0,5)5-0= 1.1.0,03125=0,03125

Por definición 5C0=1
c) Máximo 3 sean cara:
P(x≤3)=P(0)+ P(1)+ P(2)+ P(3)=
P(x≤3)=5C0.(0,5)0.(0,5)5-0+5C1.(0,5)1.(0,5)5-1+5C2.(0,5)2.(0,5)5-2+
5C3.(0,5)3.(0,5)5-3=
=5C0.(0,5)0.(0,5)5+5C1.(0,5)1.(0,5)4+5C2.(0,5)2.(0,5)3+5C3.(0,5)3.(0,5)2
=0,03125+0,15625+0,3125+0,3125=0,8125

d) Mínimo 4 sean caras

P(x≥4)=P(4)+ P(5)=
= 5C4.(0,5)4.(0,5)5-4+5C5.(0,5)5.(0,5)5-5
=5.0,0625.+1.0,03125=0,34375

Ejemplo: Se lanza 5 veces un dado corriente aleatoriamente:

Hallar las siguientes probabilidades:
a) Caiga el numero 4 exactamente 2 veces
b) Caiga el número 4 máximo 2 veces
c) No caiga el nro 4
d) Caiga el número 4 más 2 veces

Datos
n=5
p=1/6
q= 1-p=1-1/6= 5/6

P(X=x )=f(x) = nCx px qn –x x = 0, 1, 2, 3, …. ,n x : Numero de”éxito”

a) P(X=2)=f(2)= 5C2.(1/6)2.(5/6)3=10.1/36.125/216=625/3888=0,160
b) P(X≤2)=f(0)+f(1)+f(2)= 3125/7776+3125/7776+625/3888
= 625/648

f(0) = 5C0.(1/6)0.(5/6)5=3125/7776
 Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

f(1) = 5C1.(1/6)1.(5/6)4=3125/7776
f(2) = 5C2.(1/6)2.(5/6)3=625/3888

c) P(x=0)= f(0)= 5C0.(1/6)0.(5/6)5=3125/7776

e) P(>2)=P(≥3)
P(≥3) = f(3) + f(4) + f(5)= 1- P(X≤2) =

De las dos formas, deben resultar iguales

P(≥3) = 1 - 625/648 = 23/648

Si calculamos P(≥3= f(3) + f(4) + f(5)= 5C3.(1/6)3.(5/6)2 + 5C4.(1/6)4.(5/6)1

+ 5C5.(1/6)5.(5/6)0 = 125/3888 + 25/7776 + 1/7776 = 23/648

DISTRIBUCIÓN POISSON

Esta distribución se utiliza en situaciones en las que se quiere determinar el número

x de veces que ocurre un evento en un intervalo de tiempo o espacio dado, en la que.
Se ha observado experimentalmente el parámetro del promedio µ de veces que se
dado dicho evento en la misma unidad de tiempo o espacio.
La Probabilidad x de veces de ocurrir el evento es:
 𝑒 = 2,718
𝜇𝑥 𝑒 −𝜇
𝑃(𝑋 = x) = { x = 0, 1, 2, 3, ….
𝑥!
 𝜇: 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜
X= Numero de éxito

 𝜇 = 𝑛𝑝(𝑛 → ∞, 𝑝 = 𝑝𝑒𝑞𝑢𝑒ñ𝑜) en caso de que el número de ensayo n es grande y p

es pequeño, se considera que es la aproximación de la distribución Binomial por la
Poisson.
e=es un valor constante.

µ=miu

La utilidad de estas distribuciones en el calculo de probabilidades es la de tomar

decisiones en caso de incertidumbre, es útil en los diseños de sistemas o procesos.

Ejemplo 1
Una centralita de sistema telefónica recibe en promedio 4 llamadas por minutos.
La distribución se comporta como la de Poisson. Calcular las siguientes
probabilidades:
 Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

µ=4, e=2,71828
a) Exactamente reciba 5 llamadas en un minuto dado:
𝜇 𝑥 𝑒 −𝜇
𝑃(𝑋 = x) =
5 −4
𝑥!
4 2,718
P(x=5) = = 5!=5.4.3.2.1=120
5!
18,76
P(x=5) = = 0,156
5!
3!=3.2.1

b) Reciba máximo 3 llamadas:

P(x≤3)=f(0)+ f(1)+ f(2)+ f(3)=

40 2,718−4 41 2,7182 42 2,7182−4 43 2,7182−4
P(x≤3) = + + +
0! 1! 2! 3!
P(x≤3) =0,018+0,073+0,1465+0,1954= 0,4329

c) Reciba 2 o más:
P(x≥2)=P(2)+ P(3)+…………… 0,1,2,3,4,5,6……..
=
1- [P(0)+ P(1)]=
40 2,7182−4 41 2,7182−4
1- [ + ]=
0! 1!
1- [0,0183+0,073]=
1-0,0913=0,9087

d) Se reciba entre 4 a 6 llamadas

P(4)+p(5)+p(6)

e) Ninguna llamada

P(0)

Ejemplo 2.
0,1 % de la población tuvieron un problema de enfermedad contagiosa, en
una muestra de 1000 personas. Calcular la probabilidad de que se contagien:
a) Exactamente 8 personas

P=0,1/100=0,001
n=1000
Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva

U=n.p=1000.0,001=1

𝜇 𝑥 𝑒 −𝜇
𝑃(𝑋 = x) =
𝑥!

P(8)= P(x=8)=
18 2,7182−1
𝑃(𝑋 = 8) = = 0,000009
8!

b) máximo 2
P(x≤ 2)= p(0)+p(1)+p(2)
10 2,7182−1 11 2,7182−1 12 2,7182−1
= + + -=0,3679+0,3679+0,1839=0,9197
0! 1! 2!

C) mas de 2
x: 0, 1,2,3,4,5,6…

P(x> 2)=1-[p(0)+p(1)+p(2)]
1-[0,9197]=0,0803
Universidad Autónoma de Asunción Facultad de Ciencias y Tecnologías
Estadística Descriptiva e Inferencial Prof. Eva Angélica Leiva