Principales distribuciones de probabilidad

[6.1] ¿Cómo estudiar este tema?

[6.2] El modelo de Bernoulli
[6.3] La distribución binomial
[6.4] La distribución geométrica
[6.5] La distribución de Poisson
[6.6] La distribución uniforme
[6.7] La distribución exponencial
[6.8] La distribución normal
[6.9] Aproximación mediante la distribución normal
[6.10] La distribución logarítmico normal (o log-
normal)

TEMA
 Estadística

Esquema

TEMA 6 – Esquema 2 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Ideas clave

6.1. ¿Cómo estudiar este tema?

Para estudiar el tema lee el Capítulo 16 (páginas 228-238), Capítulo 17 (páginas

240-245) y Capítulo 18 (248-261) del manual de la asignatura: Introducción a la
Estadística para las Ciencias Sociales, Daniel Peña y Juan Romo.
Además deberás estudiar las Ideas clave expuestas a lo largo del tema y el artículo de
la sección No dejes de leer llamado Probabilidad condicionada.

6.2. El modelo de Bernoulli

Se dice que una variable aleatoria discreta x sigue un modelo de Bernoulli con
parámetro p (o sigue una distribución de Bernoulli con parámetro p) si su función de
probabilidad es la siguiente:

P(x=1) = p
P(x=0) = 1 – p

Al experimento que da lugar a una variable aleatoria que sigue un modelo de Bernoulli
se le llama experimento o ensayo de Bernoulli.

De la definición anterior se deben hacer dos precisiones:

El modelo de Bernoulli sólo es válido para variables aleatorias discretas.

El modelo de Bernoulli sólo es válido si la variable aleatoria tiene
únicamente dos posibles valores, que se representarán como 0 y 1. Estos
valores 0 y 1 pueden representar resultados del tipo ‘no compra / compra’, ‘no tiene
/ tiene’, etc.

TEMA 6 – Ideas clave 3 © Universidad Internacional de La Rioja (UNIR)

 Estadística

6.3. La distribución binomial

Definición

Se dice que una variable aleatoria x sigue una distribución binomial de parámetros n y
p si es la suma de n variables aleatorias independientes cada una de las cuales tiene una
distribución de Bernoulli con el mismo parámetro p. Se representa como: x  B(n, p)

Esta definición puede interpretarse del siguiente modo:

Se realizan n ensayos de Bernoulli que, por definición, sólo tienen dos sucesos
posibles: éxito (valor 1) o fracaso (valor 0).

Cada ensayo de Bernoulli produce una variable aleatoria con probabilidad de

éxito (es decir, la probabilidad del valor 1) igual a un valor p, que es el mismo
para todas las variables.

La variable aleatoria definida como ‘Número de éxitos totales obtenidos en la

realización de los n ensayos de Bernoulli’ sigue una distribución
binomial de parámetros n y p.

Propiedades

A continuación se muestran las principales propiedades de una distribución binomial

B(n, p):

La probabilidad de que la variable aleatoria tome un determinado valor k se calcula

a través de tablas de doble entrada como la mostrada en el Apéndice B del
manual de referencia.

Media: viene dada por la expresión:

mx = np

TEMA 6 – Ideas clave 4 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Desviación típica: viene dada por la expresión:

σx = np (1-p)

La desviación típica es máxima cuando p = 0.5, es decir, cuando hay la misma

probabilidad de éxito y de fracaso para cada variable aleatoria que sigue un ensayo de
Bernoulli.

Asimetría: la distribución binomial B(n, p) es:

o Simétrica cuando p = 0.5
o Asimétrica a la derecha cuando p < 0.5
o Asimétrica a la izquierda cuando p > 0.5

Moda: la distribución binomial B(n, p) es siempre unimodal.

A continuación se representa un ejemplo de distribución binomial, en concreto, la

distribución B (10,0.4). Para su representación se ha empleado la función
BINOMDIST de Excel.

Distribución binomial
0,30

0,25
Probabilidad

0,20

0,15

0,10

0,05

0,00
0 1 2 3 4 5 6 7 8 9 10
Variable aleatoria x

TEMA 6 – Ideas clave 5 © Universidad Internacional de La Rioja (UNIR)

 Estadística

6.4. La distribución geométrica

Definición

Se dice que una variable aleatoria x sigue una distribución geométrica de parámetro p si
representa la realización de ensayos de Bernoulli con el mismo parámetro p, hasta la
consecución del primer éxito. Se representa como: x  G (p)

Esta definición puede interpretarse del siguiente modo:

Se realizan ensayos de Bernoulli sin ningún límite determinado a priori.

Cada ensayo de Bernoulli produce una variable aleatoria con probabilidad de

éxito (es decir, la probabilidad del valor 1) igual a un valor p, que es el mismo
para todas las variables.

La variable aleatoria definida como ‘Número de ensayos de Bernoulli que es

necesario realizar hasta obtener el primer éxito’ sigue una distribución
geométrica de parámetro p.

Propiedades

A continuación se muestran las principales propiedades de una distribución

geométrica G (p):

La probabilidad de que la variable aleatoria tome un determinado valor k se

calcula a través de la siguiente expresión:

P(x=k) = p(1 - p)k-1 para k = 1, 2, …

TEMA 6 – Ideas clave 6 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Media: viene dada por la expresión:

1
mx =
p

Desviación típica: viene dada por la expresión:

1-p
σx =
p2

La desviación típica es máxima cuando p tiende a cero, es decir, cuanto menos

probable es el éxito en cada ensayo de Bernoulli, dado que en ese caso mayor será el
número de ensayos necesario para que se dé un éxito.

Asimetría: la distribución geométrica G(p) es siempre asimétrica a la derecha,

tanto más asimétrica cuanto mayor es el valor de p.

Moda: la distribución geométrica G(p) es siempre unimodal, y la moda coincide

siempre con el valor k=1.

A continuación se representa un ejemplo de distribución geométrica, en concreto,

la distribución G (0.4). Para su representación se ha utilizado Excel, a partir de la
fórmula de la probabilidad para cada valor k.

Distribución geométrica
0,45
0,40
0,35
Probabilidad

0,30
0,25
0,20
0,15
0,10
0,05
0,00
1 2 3 4 5 6 7 8 9 10
Variable aleatoria x

TEMA 6 – Ideas clave 7 © Universidad Internacional de La Rioja (UNIR)

 Estadística

6.5. La distribución de Poisson

Definición

Formalmente, se dice que una variable aleatoria x sigue una distribución de Poisson de
parámetro λ si su distribución de probabilidad es de la forma:

Se representa como: x  Poi(λ), y el parámetro λ se denomina factor de intensidad.

Para interpretar la distribución de Poisson debe considerarse que:

La distribución de Poisson se emplea para la modelización de situaciones en

las que interesa determinar el número de hechos de cierto tipo que se
pueden producir en un intervalo de tiempo, bajo presupuestos de aleatoriedad
y condiciones restrictivas. Por ejemplo, variable aleatoria ‘número de errores en
la confección de un determinado número de productos, cuando se sabe la
probabilidad de error de la máquina que los confecciona’.

Otro de sus usos frecuentes es la consideración de ensayos de Bernoulli que son

realizados un gran número de veces, cuando la probabilidad de éxito es muy
pequeña. Por ejemplo, variable aleatoria ‘número de personas infectadas por una
determinada enfermedad en una ciudad cuando se conoce la probabilidad de
contagio de la enfermedad’.

El parámetro λ es un factor de proporcionalidad para la probabilidad de

un hecho en un intervalo de longitud muy pequeña (tendente a cero), y se
corresponde con el número medio de hechos que cabe esperar que se
produzcan en un intervalo de longitud igual a uno.

TEMA 6 – Ideas clave 8 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Propiedades

A continuación se muestran las principales propiedades de una distribución de Poisson

Poi(λ):

La probabilidad de que la variable aleatoria tome un determinado valor k se

calcula a través de la siguiente expresión:

e-λ λk
P(x=k) =
k!

Otra opción es calcular la probabilidad a través de tablas de doble entrada como

la mostrada en el Apéndice B del manual de referencia.

Media: viene dada por la expresión:

mx = λ

Desviación típica: viene dada por la expresión:

σx = λ

Asimetría: la distribución de Poisson Poi(λ) es siempre asimétrica a la

derecha, tendiendo en el límite a ser simétrica cuando el valor del parámetro λ es
muy grande (tiende a infinito).

Moda: la distribución de Poisson Poi(λ) es siempre unimodal, y el valor de la

moda depende del valor de λ.

TEMA 6 – Ideas clave 9 © Universidad Internacional de La Rioja (UNIR)

 Estadística

A continuación se representa un ejemplo de distribución de Poisson, en concreto,

la distribución Poi (3). Para su representación se ha utilizado Excel, a partir de la
fórmula de la probabilidad de cada valor k.

Distribución de Poisson
0,25

0,20
Probabilidad

0,15

0,10

0,05

0,00
1 2 3 4 5 6 7 8 9 10
Variable aleatoria x

6.6. La distribución uniforme

Las anteriores distribuciones eran únicamente válidas para variables aleatorias

discretas; las distribuciones que estudiaremos en adelante, incluida la que se estudia en
este capítulo, se refieren a variables aleatorias continuas.

Definición

Se dice que una variable aleatoria x sigue una distribución uniforme entre dos extremos
a y b si puede tomar cualquier valor con igual probabilidad entre ambos extremos.

Se representa como: x  U(a,b).

Para interpretar la distribución uniforme debe considerarse que:

La función de densidad de una distribución uniforme U(a,b) toma un valor

constante en todo el intervalo [a,b], y valor cero fuera de dicho intervalo.

TEMA 6 – Ideas clave 10 © Universidad Internacional de La Rioja (UNIR)

 Estadística

La altura de la función de distribución uniforme U(a,b) en el intervalo [a,b] es

1/(b-a), para verificar la condición de que el área bajo la función de densidad debe
ser igual a 1.

La probabilidad de que una variable con distribución uniforme U(a,b) tome

valores en un intervalo [c,d] contenido en [a,b] es igual a: (d-c)/(b-a), dado
que la probabilidad en cualquier intervalo es el área bajo la función de densidad.

Propiedades

A continuación se muestran las principales propiedades de una distribución uniforme

U(a,b):

Media: viene dada por la expresión:

a+ b
mx =
2

Desviación típica: viene dada por la expresión:

b-a
σx =
12

Asimetría: la distribución uniforme U(a,b) es siempre simétrica, con eje de

simetría en la media.

Moda: la distribución uniforme U(a,b) es multimodal, con moda en cualquiera de

los valores en el intervalo [a,b].

TEMA 6 – Ideas clave 11 © Universidad Internacional de La Rioja (UNIR)

 Estadística

A continuación se representa un ejemplo de distribución uniforme, en concreto,

la distribución U(1,11). Para su representación se ha utilizado Excel.

Distribución uniforme
0,12

0,10
Probabilidad
0,08

0,06

0,04

0,02

0,00
1 2 3 4 5 6 7 8 9 10 11
Variable aleatoria x

6.7. La distribución exponencial

La distribución exponencial es adecuada para variables aleatorias que

representan el tiempo de espera entre dos experimentos aleatorios que
pueden representarse mediante una distribución de Poisson.

Definición

Formalmente, se dice que una variable aleatoria x sigue una distribución exponencial
con parámetro λ (con λ > 0) si su función de densidad es:

0 cuando x< 0

f(x) = λ e -λx cuando x> 0

Se representa como: x  Exp(λ).

La principal particularidad de la distribución exponencial es que su parámetro λ

coincide con el parámetro λ de las distribuciones de Poisson asociadas. En
el primer caso se determinará el tiempo entre dos ocurrencias de fenómenos
regidos por una distribución de Poisson.

TEMA 6 – Ideas clave 12 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Propiedades

A continuación se muestran las principales propiedades de una distribución

exponencial Exp(λ):

Media: viene dada por la expresión:

1
mx =
λ

Desviación típica: viene dada por la expresión:

1
σx =
λ

Asimetría: la distribución exponencial Exp(λ) es siempre asimétrica a la

derecha (para valores positivos de la variable), con un coeficiente de simetría
siempre constante e igual a 2.

Moda: la distribución exponencial Exp(λ) es unimodal, con moda siempre en

el valor 0.

TEMA 6 – Ideas clave 13 © Universidad Internacional de La Rioja (UNIR)

 Estadística

A continuación se representa un ejemplo de distribución exponencial, en

concreto, la distribución Exp(3). Para su representación se ha utilizado Excel.

Distribución exponencial
3,50
3,00
2,50
Probabilidad

2,00
1,50
1,00
0,50
0,00
0 1 2 3 4
Variable aleatoria x

6.8. La distribución normal

La distribución normal es la más importante de todas las distribuciones, debido a

algunas de sus propiedades que se estudiarán más adelante.

Definición

Formalmente, se dice que una variable aleatoria x sigue una distribución normal con
parámetros m y σ (con σ > 0) si su función de densidad es:

2
1 x-m
-
1 2 σ
f(x) = e
σ 2π

En ocasiones, el término ‘(x-m)/σ’ se representa ‘z’ para simplificar.

La distribución normal de parámetros m y σ se representa: x  N(m,σ).

TEMA 6 – Ideas clave 14 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Propiedades

A continuación se muestran las principales propiedades de una distribución normal

N(m,σ):

Media: la media coincide con su parámetro m:

mx = m

Desviación típica: la desviación típica coincide con su parámetro σ:

σx = σ

Asimetría: la distribución normal N(m,σ) es siempre simétrica con eje de

simetría en la media.

Moda: la distribución normal N(m,σ) es unimodal, con moda en la media.

A continuación se representa un ejemplo de distribución normal, en concreto, la

distribución N(2,0.5). Para su representación se ha utilizado Excel.

Distribución normal
0,45
0,40
0,35
Probabilidad

0,30
0,25
0,20
0,15
0,10
0,05
0,00
0 1 2 3 4 5 6 7 8 9 10
Variable aleatoria x

TEMA 6 – Ideas clave 15 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Transformación de distribuciones normales. Tipificación

La principal característica de las variables que tienen distribuciones normales es que

sus transformaciones lineales siguen también distribuciones normales. Es decir, si la
variable x tiene una distribución normal, cualquier variable del tipo y = ax + b
sigue también una distribución normal, con la siguiente media y desviación
típica (parámetros de su distribución normal asociada):

my = amx + b

σy = a σx

Una transformación especial de una variable con distribución normal es la

denominada tipificación, consistente en transformar la variable del siguiente modo:

x - mx
z=
σx

La distribución de la variable tipificada z se denomina distribución normal

tipificada o estándar. Esta distribución tiene como característica que tiene media
igual a cero y desviación típica igual a uno, por lo que se representa N(0,1).

Por otro lado, la suma de variables con distribución normal es una variable con
distribución normal, con media la suma de las medias y desviación típica
la raíz cuadrada de la suma de las varianzas.

Cálculo de probabilidades. Relación con la regla de Chebychev

El cálculo de probabilidades para la distribución normal se realiza a través de la

distribución normal tipificada, utilizando tablas como la que figura en el
Apéndice B del manual de referencia.

Si se quiere calcular la probabilidad asociada a una variable que sigue una

distribución normal que no es la estándar, puede demostrarse que dichas

TEMA 6 – Ideas clave 16 © Universidad Internacional de La Rioja (UNIR)

 Estadística

probabilidades guardan la siguiente relación con la distribución tipificada o

estándar:

b - mx
P(x < b) = P z <
σx

a - mx
P(x > a) = P z >
σx

a - mx b - mx
P(a < x < b) = P <z<
σx σx

En la distribución normal la relación entre media y desviación típica (en

términos de la proporción mínima de datos que entran en n desviaciones típicas desde
la media) es mucho más estrecha que la regla general de Chebychev.

Proporción mínima de datos que entran en n desviaciones típicas desde la

media

General (regla de Distribución

Chebychev) normal

Intervalo [mx – σx, mx + σx] Al menos 0% 68.3%

Intervalo [mx – 2σx, mx + 2σx] Al menos 75% 95.5%

Intervalo [mx – 3σx, mx + 3σx] Al menos 88.8% 99.7%

Intervalo [mx – 4σx, mx + 4σx] Al menos 93.8% 99.9%

TEMA 6 – Ideas clave 17 © Universidad Internacional de La Rioja (UNIR)

 Estadística

6.9. Aproximación mediante la distribución normal

La principal propiedad de la distribución normal, que se ha dejado para un

apartado independiente por su importancia, puede enunciarse del siguiente modo:

La suma de variables independientes, cualquiera que sea la distribución de estas

variables, sigue una distribución aproximadamente normal (es decir, que a efectos
prácticos puede representarse como una distribución normal) cuando el número de
variables independientes es grande (normalmente se considera que 30 variables es un
valor suficiente).

Se analizan a continuación dos casos específicos:

Si x1, x2, …, xn son variables independientes todas ellas con la misma media
m y la misma desviación típica σ, la variable x calculada como suma de las
anteriores variables sigue una distribución aproximadamente normal con
media la suma de las medias, y desviación típica la raíz cuadrada de la
suma de varianzas.

mx = n m

σx = σ n

Si x es una variable con distribución binomial de parámetros n y p, la

variable tipificada tiene una distribución aproximadamente normal
estándar (es decir, que a efectos prácticos puede representarse como una
distribución normal estándar). La aproximación es buena cuando:
o El producto np > 5
o El producto n(1-p) > 5
o El número de variables n > 30

x - np
zB =
np (1- p)

TEMA 6 – Ideas clave 18 © Universidad Internacional de La Rioja (UNIR)

 Estadística

6.10. La distribución logarítmico normal (o log-normal)

Una distribución tiene una distribución logarítmico normal o log-normal cuando el

logaritmo de dicha variable sigue una distribución normal. Así pues, la distribución
logarítmico normal o log-normal es una transformación no lineal de la distribución
normal.

La distribución logarítmico normal o log-normal se utiliza frecuentemente en estudios

socio-económicos como, por ejemplo, estudios relacionados con ingresos, gastos, etc.

TEMA 6 – Ideas clave 19 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Lo + recomendado

Lecciones magistrales

Principales distribuciones de probabilidad

En esta clase, el profesor José Benítez explicará algunos conceptos básicos relacionados
con la distribución de probabilidad, centrándose en la distribución binomial, la
distribución uniforme y la distribución normal.

La lección magistral está disponible en el aula virtual

No dejes de leer…

Distribución binomial y distribución normal

Javier Pérez Olano. Publicación online en el Instituto de Tecnologías Educativas
(2004).

El documento realiza una amplia exposición sobre la formulación matemática,

propiedades y aplicaciones de las distribuciones de probabilidad binomial y normal,
analizando asimismo la relación existente entre ellas. Además, incluye ejemplos
detallados de cálculo y actividades propuestas para los principales conceptos que se
abordan.

El documento está disponible en el aula virtual o en la siguiente dirección web:

http://sauce.pntic.mec.es/~jpeo0002/Archivos/PDF/T03.pdf

TEMA 6 – Lo + recomendado 20 © Universidad Internacional de La Rioja (UNIR)

 Estadística

La distribución Poisson
Mónica Martínez Gómez y Manuel Marí Benlloch. Universidad Politécnica de
Valencia (2009).

El documento estudia la formulación matemática y propiedades de la distribución de

Poisson, incluyendo varios ejemplos prácticos sobre su aplicación y el cálculo de
probabilidades bajo esta distribución en situaciones concretas. Asimismo, analiza la
relación existente entre la distribución de Poisson y la distribución binomial.

El documento está disponible en el aula virtual o en la siguiente dirección web:

http://dspace.upv.es/xmlui/bitstream/handle/10251/7937/Distribucion%20Poisson.p
df?sequence=3

No dejes de ver…

Introductory Statistics - Chapter 5: Probability distributions

El vídeo muestra los conceptos básicos de la Estadística que se han desarrollado en el

tema 6, centrándose en la distribución binomial (principal distribución para variables
aleatorias discretas) y la distribución normal (principal distribución para variables
aleatorias continuas).

El vídeo está disponible en el aula virtual o en la siguiente dirección web:

http://www.youtube.com/watch?v=yng9pQQmJUE

Normal probability distribution

El vídeo muestra una aproximación a la distribución normal, utilizando como soporte el

software Excel. En concreto, se dan detalles sobre su formulación matemática, principales
propiedades y aplicaciones.

El vídeo está disponible en el aula virtual o en la siguiente dirección web:

http://www.youtube.com/watch?v=e-K0LQeEexk

TEMA 6 – Lo + recomendado 21 © Universidad Internacional de La Rioja (UNIR)

 Estadística

+ Información

A fondo

Distribuciones de probabilidad
Sixto Sánchez Merino
Universidad de Málaga (2009)

El texto describe detalladamente las principales distribuciones de probabilidad, tanto

para variables aleatorias discretas como continuas. Entre ellas se abordan todas las
distribuciones estudiadas en el tema, y otras de importancia menor o cuya complejidad
no recomienda analizarlas en un primer curso de Estadística. En todo caso, supone un
texto de lectura muy recomendable para los alumnos que quieran profundizar en el
conocimiento de las distribuciones de probabilidad y sus aplicaciones.

El texto está disponible en el aula virtual o en la siguiente dirección web:

http://www.matap.uma.es/~sixto/estad/tema6.pdf

Webgrafía

Distribuciones de probabilidad

La página web ofrece un compendio de 14 lecciones (de la lección 27 a la 40, ambas

inclusive) sobre las principales distribuciones de probabilidad para variables continuas
y discretas, con ejemplos que permiten practicar con los conceptos relacionados con
cada una de ellas.

http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm

TEMA 6 – +Información 22 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Variables aleatorias discretas y continuas

La página web muestra un resumen de las principales distribuciones de probabilidad

para variables aleatorias discretas y continuas.

http://www.ucm.es/info/genetica/Estadistica/estadistica_basica%201.htm

Statistics and Probability Glossary

La página web ofrece un glosario online sobre los principales aspectos relacionados con
la probabilidad y la inferencia estadística, entre ellos todos los referidos a las
distribuciones de probabilidad estudiadas en el tema 6, su formulación matemática y
sus aplicaciones.

http://stattrek.com/Help/Glossary.aspx?Target=Poisson_experiment

TEMA 6 – +Información 23 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Bibliografía

BOREL, E. Las probabilidades y la vida. Ediciones Orbis. Barcelona. 1988

CANAVOS, G. Probabilidad y Estadística. McGraw-Hill. Madrid. 1998

DEGROOT, M.H. Probabilidad y Estadística. Ed. Addison-Wesley. 1988

KAZMIER, LEONARD J. Estadística aplicada a la Administración y la Economía.

McGraw-Hill. Madrid. 2006

MARTÍN PLIEGO, F.J. Y RUÍZ-MAYA, L. Estadística I: Probabilidad. Paraninfo.

Madrid. 2004

NEWBOLD, P. Estadística para Administración y Economía. Pearson-Prentice Hall.

Madrid. 2008

PÉREZ, CÉSAR. Estadística aplicada a través de Excel. Prentice Hall. Madrid. 2002

RITCHEY, FERRIS J. Estadística para las Ciencias Sociales. McGraw Hill. México
D.F. 2008

ROHATGI, V.K. y SALCH, A.K. An Introduction to Probability and Statistics. Ed. John
Wiley and Sons. 2001

ROSS, S. A First Course in Probability. Pearson Prentice Hall. New Jersey. 2006

SARABIA VIEJO A. y MATE JIMÉNEZ C. Problemas de Probabilidad y Estadística.

Elementos teóricos, cuestiones, aplicaciones con Statgraphics. CLAGSA. Madrid. 1993

SPIEGEL, M., SCHILLER, J. J., SRINIVASAN, R.A. y STEPHENS, M., Probabilidad y

Estadística. McGraw-Hill. México D.F. 2010

TEMA 6 – +Información 24 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Actividades

Trabajo: Aplicación del cálculo de probabilidades para

distribuciones de probabilidad

Considera una variable aleatoria x. En función del tipo de distribución que se indica
para la variable, calcula las probabilidades correspondientes:

Distribución B(20,0.3), calcula P(x = 5)

Distribución G(0.3), calcula P(x = 4)
Distribución Poi(4), calcula P(x = 3)
Distribución U(5,10), calcula P(7.5 < x < 9)
Distribución N(5,1), calcula P(4 < x < 6)
Distribución N(5,1), calcula P(x > 4)

En cada caso, explica brevemente cómo lo has calculado.

La respuesta deberá desarrollarse en el espacio máximo de 2 páginas a una sola cara,

letra Georgia núm. 11, espaciado 1,5.

TEMA 6 – Actividades 25 © Universidad Internacional de La Rioja (UNIR)

 Estadística

Test

1. ¿Cuál de las siguientes afirmaciones sobre el modelo de Bernoulli NO es correcta?

A. El modelo de Bernoulli sólo se emplea cuando la variable aleatoria tiene
únicamente dos posibles valores
B. La función de función de probabilidad es la siguiente: P(x=1) = p; P(x=0)
=1–p
C. El modelo de Bernoulli tiene dos parámetros
D. El modelo de Bernoulli sólo es válido para variables aleatorias discretas

2. Si se realizan 20 ensayos de Bernoulli, la variable aleatoria definida como el número

de éxitos totales obtenidos en la realización de los 20 ensayos, ¿qué distribución
tiene?
A. Una distribución binomial, en la que uno de sus parámetros es 20
B. Una distribución de Poisson, en la que su parámetro es 20
C. Una distribución normal, con media 20
D. Una distribución de Bernoulli, de parámetros 1 y 20

3. Considera la distribución G(2). ¿Cuál es su media y desviación típica?

A. Media: 1.4; desviación típica: 0.5
B. Media: 2; desviación típica: 1.4
C. Media: 0.5; desviación típica: 1.4
D. Media: 0.5; desviación típica: 2

4. ¿Qué puede decirse sobre la simetría de la distribución de Poisson?

A. Es asimétrica a la derecha
B. Es asimétrica a la izquierda
C. Es asimétrica, pero puede serlo a la derecha o a la izquierda
D. Es simétrica

5. Considera una variable aleatoria cuya distribución es U(0,20). ¿Cuál es la

probabilidad de que la variable aleatoria tome valores entre 5 y 10?
A. 0.2
B. 0.25
C. 0.5
D. Ninguna de las anteriores

TEMA 6 – Test 26 © Universidad Internacional de La Rioja (UNIR)

 Estadística

6. ¿Cuál es la media y la varianza de la distribución anterior?

A. Media: 20; varianza: 33.3
B. Media: 10; varianza: 33.3
C. Media: 20; varianza: 400
D. Media: 15; varianza: 400

7. ¿Cuáles de las siguientes afirmaciones son correctas?

A. Exp(2) es asimétrica a la derecha para valores positivos de la variable
B. En Exp(2) la media es igual a la desviación típica
C. U(0,5) es unimodal
D. Exp(2) se utiliza cuando todos los valores de la variable aleatoria relacionada
tienen una igual probabilidad de ocurrencia cuando x<2

8. Una distribución N(m,σ):

A. Es una distribución normal estándar si y sólo si m = 0
B. Es simétrica con eje de simetría en σ
C. Es unimodal con moda en m
D. Sumada a otra distribución N(m,σ) da otra distribución normal con media m y
desviación típica σ

9. ¿Cuáles son los valores A y B faltantes en la siguiente tabla?

General (regla Distribución

de Chebychev) normal

Intervalo [mx – σx, mx + σx] Al menos 0% B

Intervalo [mx – 2σx, mx + 2σx] Al menos A 95.5%

Intervalo [mx – 3σx, mx + 3σx] Al menos 88.8% 99.7%

Intervalo [mx – 4σx, mx + 4σx] Al menos 93.8% 99.9%

A. A = 75%; B=75%
B. A = 75%; B=68,3%
C. A = 50%; B=68,3%
D. A = 50%; B=88,8%

TEMA 6 – Test 27 © Universidad Internacional de La Rioja (UNIR)