DISTRIBUCIONES DE PROBABILIDAD

Mag. Adiel Omar FLORES RAMOS

ESTADÍSTICA I

7
7
Propósito de la sesión

Identifica y aplica las

propiedades de las
distribuciones de
probabilidad en la
resolución de
problemas.
 Panorama General
• En este capítulo combinamos los métodos de
estadística descriptiva con los de probabilidad.
Definiciones
Definiciones
Ejemplo
 Requisitos de una distribución de
probabilidad
1. ∑P(x) = 1
donde x asume todos los valores posibles. (Es decir,
la suma de todas las probabilidades debe ser 1).
2. 0 <= P(x) <= 1
para cada valor individual de x. (Es decir, cada valor
de probabilidad debe ubicarse entre 0 y 1,
inclusive).
 Ejemplo
• ¿La siguiente tabla describe una distribución de
probabilidad?
 Solución
• Para ser una distribución de probabilidad, P(x) debe
satisfacer los dos requisitos anteriores. Pero
∑P(x) = P(0) + P(l) + P(2) +P(3)
= 0.2 + 0.5 + 0.4 + 0.3
=1.4
• Como no se satisface el primer requisito, concluimos
que la tabla anterior no describe una distribución de
probabilidad.
 Ejemplo
• ¿Determina P(x) = x/3 (donde x puede ser 0,1 o 2)
una distribución de probabilidad?
 Solución
• Para la función dada, encontramos que P(0) = 0/3,
P(1) = 1/3 y P(2) = 2/3, de manera que
0 1 2 3
 P(x)     1
3 3 3 3
• Cada uno de los valores P(x) se encuentra entre 0 y 1.
• Puesto que ambos requisitos se satisfacen, la función
P(x) de este ejemplo es una distribución de
probabilidad.
 Media, varianza y desviación estándar
• Características importantes de los datos:
1. Centro,
2. Variación,
3. Distribución,
4. Valores extremos y
5. Tiempo (características de los datos que cambian con el
tiempo).
 Media, varianza y desviación estándar
• El histograma de probabilidad puede darmos
información acerca de la naturaleza o forma de la
distribución.
• Además, a menudo podemos calcular la media, la
varianza y la desviación estándar de los datos, los
cuales brindan información acerca de otras
características.
Media, varianza y desviación estándar
Identificación de resultados poco comunes con
la regla práctica del intervalo
• Según la regla práctica del intervalo, la mayoría de
los valores deben caer dentro de 2 desviaciones
estándar de la media; no es común que un valor
difiera de la media en más de dos desviaciones
estándar.
• De esta manera, podemos identificar valores "poco
comunes" si se determina que caen fuera de los
límites
 Ejemplo
• La tabla 4-1 describe la distribución de
probabilidad del número de niñas entre
14 bebés recién nacidos que se
seleccionaron aleatoriamente.
• Suponiendo que repetimos el estudio,
seleccionamos aleatoriamente 14 bebés
recién nacidos y contamos el número de
niñas en cada ocasión, calcule el número
medio de niñas (de entre 14), la varianza
y la desviación estándar.
• Utilice dichos resultados y la regla
práctica del intervalo para obtener los
valores máximo y mínimo comunes.
Solución
 Solución
• En base a los resultados obtenidos, si utilizamos la
regla práctica del intervalo, podemos calcular el valor
máximo común y el valor mínimo común de la
siguiente manera:
𝑣𝑎𝑙𝑜𝑟 𝑚á𝑥𝑖𝑚𝑜 𝑐𝑜𝑚ú𝑛 = 𝜇 + 2𝜎 = 7.0 + 2 1.9 = 10.8

𝑣𝑎𝑙𝑜𝑟 𝑚𝑖𝑛𝑖𝑚𝑜 𝑐𝑜𝑚ú𝑛 = 𝜇 − 2𝜎 = 7.0 − 2 1.9 = 3.2

 Interpretación
• Con base en estos resultados, concluimos que para
grupos de 14 bebés que se seleccionaron
aleatoriamente, el número de niñas debe caer
comúnmente entre 3.2 y 10.8.
 Valor esperado
• La media de una variable discreta es el resultado medio
teórico de un número infinito de ensayos.
• Podemos considerar esa media cómo el valor esperado
en el sentido que constituye el valor promedio que
esperaríamos obtener si los ensayos pudieran continuar
de manea indefinida.
• Los usos del valor esperado (también llamado esperanza
o esperanza matemática) son extensos y variados, y
desempeñan un papel muy importante en un parea de
aplicación denominada teoría de la decisión
 Definición
• El valor esperado de una variable aleatoria discreta
se denota por E y representa el valor promedio de los
resultados.
• Se obtiene :

𝐸= 𝑥. 𝑃(𝑥)
LA DISTRIBUCIÓN BINOMIAL
 Introducción
• En general hay muchas situaciones donde se espera
que ocurra un evento específico.
• Éste puede ser de éxito o fracaso sin dar paso a un
punto medio.
• Por ejemplo, en la producción de un artículo, puede
salir bueno o defectuoso.
• En un examen se puede aprobar o reprobar.
• Para situaciones como éstas se utiliza la distribución
binomial.
*
Distribución Binomial
 Utilidad
• La distribución binomial se utiliza en situaciones
cuya solución tiene dos posibles resultados.
• Por ejemplo:
– Al nacer un bebé puede ser varón o mujer.
– Una prueba clínica de embarazo (positiva o negativa)
– En el tenis, un jugador puede ganar o perder.
– En exámenes con preguntas de cierto o falso
 Utilidad
• También se utiliza cuando el resultado se puede
reducir a dos opciones.
• Por ejemplo:
– Un tratamiento médico puede ser efectivo o inefectivo.
– La meta de producción o ventas del mes se pueden lograr
o no.
– En una línea de producción se pueden tener artículos que
pasan el control de calidad o no.

* Distribución Binomial
 Definición
• Una distribución de probabilidad binomial resulta
de un procedimiento que cumple con todos los
siguientes requisitos:
1. El procedimiento tiene un número fijo de ensayos.
2. Los ensayos deben ser independientes. (El resultado de
cualquier ensayo individual no afecta las probabilidades
de los demás ensayos).
 Definición
3. Todos los resultados de
cada ensayo deben estar
clasificados en dos
categorías
(generalmente llamadas
éxito y fracaso).
4. La probabilidad de un
éxito permanece igual en
todos los ensayos.
 Notación para distribuciones de probabilidad
binomial

P(S) = p (p = probabilidad de un éxito)

P(F) = 1- p = q (q = probabilidad de un fracaso)
 Métodos para la calcular la probabilidad
binomial
• Existen 3 métodos para calcular las probabilidades
correspondientes a la variable aleatoria x con una
distribución binomial.
– El primer método implica realizar cálculos mediante la
fórmula de probabilidad binomial y es la base de los otros
métodos.
– El segundo implica la utilización de la tabla de
probabilidades binomiales.
– El tercero implica utilizar un programa de cómputo.
Método 1: uso de la fórmula de probabilidad
binomial
• En una distribución binomial de probabilidad, las
probabilidades pueden calcularse mediante la
fórmula de probabilidad binomial:
𝑛!
𝑃 𝑥 = . 𝑝 𝑥 . 𝑞 𝑛−𝑥 𝑝𝑎𝑟𝑎 𝑥 = 0,1,2 … 𝑛
𝑛 − 𝑥 ! 𝑥!
• Donde:
– n=número de ensayos
– x=número de éxitos en n ensayos
– p=probabilidad de éxito en cualquier ensayo
– q=probabilidad de fracaso en cualquier ensayo (q=1-p)
 Ejemplo
¿Cuál es la probabilidad de obtener 6 caras al
lanzar una moneda 10 veces?
 Solución
• El número de aciertos k es 6. Esto es x=6
• El número de experimentos n son 10
• La probabilidad de éxito p, es decir, que salga
"cara" al lanzar la moneda es 50% ó 0.50
• La fórmula quedaría:
 Solución
• P (k = 6) = 0.205
• Es decir, que la probabilidad de obtener 6 caras
al lanzar 10 veces una moneda es de 20.5% .
 Ejemplo

¿Cuál es la probabilidad de obtener cuatro veces

el número 3 al lanzar un dado ocho veces?
 Solución
• El número de aciertos k es 4. Esto es x=4
• El número de experimentos n son 8
• La probabilidad de éxito p (probabilidad de que
salga un 3 al tirar el dado) es 1 / 6 (= 0.1666)
 Solución
• La fórmula queda:

• P (k = 4) = 0.026
• Es decir, que la probabilidad de obtener cuatro veces el
números 3 al tirar un dado 8 veces es de 2.6%.
 Método 2:
Tabla de probabilidad binomial
• En algunos casos podemos calcular fácilmente las
probabilidades binomiales con sólo remitirnos a la
tabla de probabilidad binomial.
• Primero localice n y el valor de x deseado
correspondiente. En este paso se debe aislar un
renglón de números.
• Ahora alinee ese renglón con la probabilidad
correspondiente de p, usando la columna que cruza.
• El número aislado representa la probabilidad
deseada.
 Método 2:
Tabla de probabilidad binomial
• Utilizando la tabla de probabilidad binomial se
pueden resolver los ejemplos anteriores.
• Para esto debe saber los valores k y B (n,p) .
– k es el número de éxitos que buscamos. Este valor se
encuentra entre 0 y n.
– En el parámetro B(n,p), n debe ser mayor de 0 y p un
valor desde 0 al 1.
En los ejemplos 1 y 2 los parámetros B(n,p) son
B(10,0.50) y B(8,0.1666) respectivamente.
Tabla de probabilidad binomial
 Ejemplo 3: B(n,p)
• En una fábrica de cámaras el 5% sale con
defectos. Determine la probabilidad de que en
una muestra de 12 se encuentren 2 cámaras
defectuosas.
 Solución
• Se trata de una distribución binomial de parámetros
B(12, 0.05). Debemos calcular la probabilidad de que
x sea igual a k que en este caso es 2. Esto es P (k=2).
• Busque en la parte izquierda de la tabla n=12, luego
en la parte superior p=0.05 . La probabilidad estará
en x=2
• El resultado es 0.0988
B(12, 0.05)

P (k=2).
 Ejemplo 4: B(n,p)
• En una oficina de servicio al cliente se atienden
100 personas diarias. Por lo general 10 personas
se van sin recibir bien el servicio.
• Determine la probabilidad de que en una
encuesta a 15 clientes 3 no hayan recibido un
buen servicio.
 Solución
• Se trata de una distribución binomial de
parámetros B(15, 0.10). Debemos calcular la
probabilidad P(X=3).
• El resultado es 0.1285
 LA DISTRIBUCIÓN GEOMÉTRICA

Adiel Omar FLORES RAMOS

 Distribución geométrica o de Pascal
• La distribución geométrica es un modelo adecuado
para aquellos procesos en los que se repiten pruebas
hasta la consecución del éxito a resultado deseado y
tiene interesantes aplicaciones en los muestreos
realizados de esta manera .
• También implica la existencia de una dicotomía de
posibles resultados y la independencia de las
pruebas entre sí.

25/05/2015 Adiel Omar FLORES RAMOS 46

 Modelo matemático
• Si una variable aleatoria discreta X definida en un espacio de probabilidad
representa el numero de repeticiones necesarias de un experimento de
Bernoulli para obtener el primer éxito, entonces tiene por función de
densidad: X-1

𝑃(𝑋=𝑥) = 𝑞 𝑥−1 𝑝

25/05/2015 Adiel Omar FLORES RAMOS 47

 Modelo matemático
• Donde
– P (X=x) = función de densidad, de la variable aleatoria con
distribución geométrica.
– X Numero de experimentos hasta que aparece el 1er éxito.
– p probabilidad de éxito
– q probabilidad de fracaso (1 - p)
 Ejemplo
• Se lanza al aire 8 veces una moneda cargada, de
tal manera que la probabilidad de que aparezca
cara es de 2/3, mientras que la probabilidad de
que aparezca sello es de 1/3.
• Determine la probabilidad de que en el último
lanzamiento aparezca una cara.

25/05/2015 Adiel Omar FLORES RAMOS 49

 Solución
• Si nosotros trazamos un diagrama de árbol que
nos represente los 8 lanzamientos de la
moneda, observaremos que la única rama de
ese árbol que nos interesa es aquella en donde
aparecen 7 sellos seguidos y por último una
cara; como se muestra a continuación:
SSSSSSSC
 Solución
• Si denotamos:
• x = el número de repeticiones del experimento
necesarias para que ocurra un éxito por primera y única
vez = 8 lanzamientos.
• p = probabilidad de que aparezca una cara
p(éxito) = 2/3
• q = probabilidad de que aparezca un sello
p(fracaso) = 1/3
 Solución
• Entonces la probabilidad buscada sería;
P(aparezca una cara en el último lanzamiento)
p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(C)
q**q*q*q*q*q*q*p = qx-1p

• Luego, la fórmula a utilizar cuando se desee calcular

probabilidades con esta distribución sería;
p(X)=qx-1p

25/05/2015 Adiel Omar FLORES RAMOS 52

 Solución
• Donde:
– p(x) = probabilidad de que ocurra un éxito en el ensayo x
por primera y única vez
– p = probabilidad de éxito
– q = probabilidad de fracaso
• Resolviendo el problema de ejemplo;
– x = 8 lanzamientos necesarios para que aparezca por
primera vez una águila
– p = 2/3 probabilidad de que aparezca una águila
– q = 1/3 probabilidad de que aparezca un sello
– p(x=8) = (1/3)8–1(2/3)= 0.0003048

25/05/2015 Adiel Omar FLORES RAMOS 53

 LA DISTRIBUCIÓN
HIPERGEOMETRICA
Adiel Omar FLORES RAMOS
 Concepto y aplicación
• En teoría de la probabilidad la distribución
hipergeométrica es una distribución discreta
relacionada con muestreos aleatorios y sin
reemplazo.
• La distribución hipergeométrica considera el caso en
el cual una población finita se divide en dos grupos,
uno de los cuales se considera "éxitos" y el otro
"Fracasos”.
• La distribución hipergeométrica es aplicable a
muestreos sin reemplazo en una población finita.
 características
• La información de la muestra se toma sin reposición de
una población finita.
• La probabilidad de éxito no es constante. Cambia para
cada observación.
• El resultado de una prueba es dependiente de la prueba
anterior, siempre se vera afectado por el resultado de
observaciones previas.
• El tamaño de la muestra (n) debe ser superior en un 5%
con respecto al tamaño poblacional (N).
• La distribución es adecuada. Cuando el tamaño de la
población es pequeña.
 formula
La formula que se debe emplear para la distribución hipergeometrica es:

𝐴 𝑁 − 𝐴 Siendo:
P(x)= probabilidad hipergeometrica que se
𝑝 𝑥 = 𝑥 𝑛 − 𝑥 va a calcular para un valor dado de x.
𝑁 N= Tamaño de la población.
𝑛 A= Numero de éxitos en la población
n= Tamaño de la muestra
x= Numero de éxitos en la muestra

Es necesario tener en cuenta que x no pude exceder a A ni a n. Recordemos que:

𝐴 𝐴! 𝑁 𝑁!
= =
𝑥 𝐴 − 𝑥 ! ∗ 𝑥! 𝑛 𝑁−𝑛 !∗𝑛! 57
 EJERCICIO
En la producción de mouses inalámbricos, por cada 50
fabricados, 43 están en excelente estado. Si se toma
una muestra de 12 artículos, cual es la probabilidad:
A. De que 10 sean clasificados como excelentes.
B. De que exactamente 2 no sean clasificados como
excelentes

58
 SOLUCION A:
43 50 − 43
N = 50
𝑝 𝑥 = 10 = 10 12 − 10
50
12 A = 43

43 7 n = 12
𝑝 𝑥 = 10 = 10 2
50 x = 10
12

P(X=10)= 0,3317= 33,17

 SOLUCIÓN B: N = 50

7 50 − 7 A=7
𝑝 𝑥=2 = 2 12 − 2
50 n = 12
12
x=2
7 43
𝑝 𝑥=2 = 2 10 = 0,3317 = 33,17%
50
12
 ejemplo
• De 6 empleados 3 han estado en la compañía
durante 5 o mas años, si se eligen 4 empleados al
azar de ese grupo, ¿Cuál es la probabilidad de que
exactamente dos de ellos tengan una antigüedad de
5 años o más?

25/05/2015 Adiel Omar FLORES RAMOS 61

 Solución
𝑁−𝑇 𝑇
• X=2 𝑃 𝑋 𝑁, 𝑇, 𝑛 = 𝑛 − 𝑋 𝑋
𝑁
• n=4 𝑛
• T=3
 ejemplo
• Un cargamento de 20 grabadoras contiene 5
defectuosas, si diez de ellas son aleatoriamente
elegidas , ¿Cuál es la probabilidad de que 2 estén
defectuosas?

25/05/2015 Adiel Omar FLORES RAMOS 63

 Solución
• X=2
• n = 10
• T= 5
𝑁−𝑇 𝑇
• N=20
𝑃 𝑋 𝑁, 𝑇, 𝑛 = 𝑛 − 𝑋 𝑋
𝑁
𝑛
5 20 5
2 10−2
𝑃 𝑥 = 2|𝑁 = 20, 𝑇 = 5, 𝑛 = 10 = 20 = .3482
10
LA DISTRIBUCIÓN DE POISSON
 Definición
• La distribución de Poisson es una distribución de
probabilidad discreta que se aplica a las ocurrencias
de algún suceso durante un intervalo específico.
• La variable aleatoria es el número de veces que
ocurre un suceso en un intervalo.
• El intervalo puede ser tiempo, distancia, área,
volumen o alguna unidad similar.
 Utilidad
• Se utiliza cuando la
probabilidad del evento
que nos interesa se
distribuye dentro de un
segmento n dado como
por ejemplo distancia,
área, volumen o tiempo
definido.
 Ejemplos de la
utilidad
• La llegada de un cliente al negocio durante una hora.
• Las llamadas telefónicas que se reciben en un día.
• Los defectos en manufactura de papel por cada metro
producido.
• Los envases llenados fuera de los límites por cada 100
galones de producto terminado.

La distribución de Poisson se emplea para describir

procesos con un elemento en común, pueden ser descritos
por una variable aleatoria discreta.
 Requisitos de la distribución de Poisson
• La variable aleatoria x es el número de veces que
ocurre un suceso durante un intervalo.
• Las ocurrencias deben ser aleatorias.
• Las ocurrencias deben ser independientes entre sí.
• Las ocurrencias deben estar uniformemente
distribuidas dentro del intervalo empleado.
 Parámetros de la distribución de Poisson

• La media es µ.
• La desviación estándar es  = 𝜇.
 Propiedades de un
proceso de Poisson

1. La probabilidad de observar exactamente un éxito en el

segmento o tamaño de muestra n es constante.
2. El evento debe considerarse un suceso raro.
3. El evento debe ser aleatorio e independiente de otros eventos

Si repetimos el experimento n veces

podemos obtener resultados para la
construcción de la distribución de Poisson.
 La distribución de Poisson

La distribución de probabilidad de Poisson es un ejemplo de

distribución de probabilidad discreta.
La distribución de Poisson parte de la distribución binomial.
Cuando en una distribución binomial se realiza el experimento
muchas veces, la muestra n es grande y la probabilidad de
éxito p en cada ensayo es baja, es aquí donde aplica el
modelo de distribución de Poisson.

Se tiene que cumplir que:

p < 0.10
p * n < 10
 La función P(x=k)

A continuación veremos la función de probabilidad de la

distribución de Poisson.

Donde:

P(X=K) es la probabilidad de ocurrencia cuando la variable discreta

X toma un valor finito k.
λ = Lambda es la ocurrencia promedio por unidad (tiempo,
volumen, área, etc.). Es igual a p por el segmento dado.
e = La constante e tiene un valor aproximado de 2.71828182845...
K es el número de éxitos por unidad
 Ejemplo1 de la función
F (x=k)

La probabilidad de que haya un accidente en una

compañía de manufactura es de 0.02 por cada día de
trabajo. Si se trabajan 300 días al año, ¿cuál es la
probabilidad de tener 3 accidentes?
 Solución
Como la probabilidad p es menor que 0.1, y el
producto n * p es menor que 10 (300 * 0.02 =
6), entonces, aplicamos el modelo de distribución
de Poisson:

Al realizar el cómputo tenemos que

P(x = 3) = 0.0892
Por lo tanto, la probabilidad de tener 3 accidentes
laborales en 300 días de trabajo es de 8.9%.
 Ejemplo 2 de la función
F(x=k)

La probabilidad de que un producto salga defectuoso

es de 0.012. ¿Cuál es la probabilidad de que entre
800 productos ya fabricados hayan 5 defectuosos?
 Solución
En este ejemplo vemos nuevamente la probabilidad p
menor que 0.1, y el producto n * p menor que 10,
por lo que aplicamos el modelo de distribución de
Poisson:

El resultado es P (x = 5) = 0.04602
Por lo tanto, la probabilidad de que haya 5 productos
defectuosos entre 800 recién producidos es de 4.6%.
Tablas de probabilidad de Poisson
• Utilizando la tabla de probabilidad de Poisson se pueden
resolver los ejemplos anteriores.
• Para esto, usted debe saber los valores X y λ.
• X es el número de éxitos que buscamos. Este es el valor K.
• λ es el número promedio de ocurrencias por unidad (tiempo,
volumen, área, etc.). Se consigue multiplicando a p por el
segmento dado n.

Del ejemplo 1: λ = 0.02 * 300 = 6

Del ejemplo 2: λ = 0.012 * 800 = 9.6

Tabla de probabilidad de Poisson
 Ejercicio

Un comerciante de verduras tiene conocimiento de

que el 3% de la caja está descompuesta. Si un
comprador elige 100 verduras al azar, encuentre la
probabilidad de que,
a) las 4 estén descompuestas.
b) de 1 a 3 estén descompuestas
Preguntas?

81
 Reflexionando….

¿Qué aprendí? ¿Cómo aprendí?

¿En qué se ¿Qué

aplica lo aprenderé en la
aprendido? siguiente clase?
 Referencias
• Mario F. Triola. Estadística. 10 Ed.
México: PEARSON; 2009.
• Erwin Kreyszig. Matemáticas
Avanzadas para Ingeniería Vol. 2.
3ra Ed. México: Editorial Limusa
SA; 2001.
• Vitutor disponible en:
http://www.vitutor.com/pro/2/pro
babilidad.html

Estadística I Adiel Omar FLORES RAMOS

Mag. Adiel Omar FLORES RAMOS
AFLORES@CONTINENTAL.EDU.PE

964660405 - *963087 - 964378423

84