ESTADÍSTICA I

SESIÓN 7: Distribuciones de probabilidad

AUTORES : Lic. Jessica Elizabeth Chalco Suárez

: Lic. Wilbert Colque Candia
Distribuciones de Probabilidad ESTADÍSTICA I

DISTRIBUCIONES DE PROBABILIDAD

Variable aleatoria:
Sea un experimento aleatorio y Ω un espacio muestral asociado a este experimento. Una
función tal que a cada elemento de Ω le asocia un número real, se llama variable
aleatoria.
Una variable aleatoria es esencialmente un número aleatorio. En cualquier caso, el azar
proviene de una experiencia concreta que es la que dicta la frecuencia de los diversos valores
que nos interesan, una variable aleatoria siempre se concentra en el comportamiento general
de toda la población. Una variable aleatoria se estudia para:
- Hallar una medida de centralización (Valor esperado)
- Hallar la medida de dispersión de los valores (Varianza)
- Calcular probabilidades para valores o rangos específicos

Tipos de variable aleatoria

Según el tipo de rango que se genere, las variables aleatorias se clasifican en:
 Variable aleatoria discreta
 Variable aleatoria continúa

VARIABLE ALEATORIA DISCRETA

1. DISTRIBUCIÓN DE BERNOULLI
Es una probabilidad discreta, que toma valor 1 para la probabilidad de éxito y valor
0 para la probabilidad de fracaso
Si es una variable aleatoria que mide "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria se distribuye como una Bernoulli de parámetro .
Se escribe:
Su distribución de probabilidades:

Su función de distribución viene definida por:

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 2

Distribuciones de Probabilidad ESTADÍSTICA I

Propiedades:
 Valor esperado:

 Varianza:

 Desviación estándar:

2. DISTRIBUCIÓN BINOMIAL
La distribución binomial es una distribución de probabilidad discreta que mide el
número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí,
con una probabilidad fija de ocurrencia del éxito entre los ensayos Un experimento
de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son posibles dos resultados
A uno de estos se denomina éxito y tiene una probabilidad de ocurrencia y al otro,
fracaso, con una probabilidad En la distribución binomial cada ensayo se
repite n veces, de forma independiente, y se trata de calcular la probabilidad de un
determinado número de éxitos Para n = 1, la distribución binomial se convierte, de
hecho, en una distribución de Bernoulli
Si es una variable aleatoria que sigue una distribución binomial de parámetros n y p,
se escribe:
Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por
esta distribución:
 Se lanza un dado diez veces y se cuenta el número de veces que sale el número
tres: entonces
 Se lanza una moneda dos veces y se cuenta el número de caras obtenidas:
entonces

Su distribución de probabilidades:

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 3

Distribuciones de Probabilidad ESTADÍSTICA I

Propiedades:

 Valor esperado:

 Varianza:

 Desviación estándar:

Ejemplo:
Supongamos que se lanza un dado 7 veces y queremos conocer la probabilidad de que el
número 3 salga 2veces
En este caso tenemos una

Nos pide:
La función de probabilidad para el número de veces que puede salir el número tres es:
x

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 4

Distribuciones de Probabilidad ESTADÍSTICA I

Ejemplo:
Un supervisor inspecciona 10 obras, se sabe por inspecciones anteriores que el 55% de
las obras presentan demora en su culminación Calcular la probabilidad de que:
a) Exactamente cuatro obras presenten demora
b) Ninguna de las obras presente demora
c) Al menos cuatro presenten demora
d) Cuantas obras se espera que presenten demora, calcular la desviación estándar

Solución:
: La obra presenta demora donde:

a) Exactamente cuatro obras presenten demora

b) Ninguna de las obras presente demora

c) Al menos cuatro presenten demora

Sabemos:

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 5

Distribuciones de Probabilidad ESTADÍSTICA I

d) Cuantas obras se espera que presenten demora, calcular la desviación estándar

El inspector espera encontrar 6 obras con demora

El inspector espera encontrar de 4 a 8 obras con demora.

3. DISTRIBUCIÓN DE POISSON
Es una de las distribuciones de variable discreta más importante Sus principales
aplicaciones hacen referencia a la modelización de situaciones en la que nos interesa
determinar el número de hechos de cierto tipo que se pueden producir en un intervalo de
tiempo o de espacio, bajo supuestos de aleatoriedad En este tipo de experimentos los
éxitos buscados son expresados por unidad de área, tiempo, pieza, etc Por ejemplo:

 Número de defectos de una tela por m2

 Número de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc
 Número de bacterias por cm2 de cultivo
 Número de llamadas telefónicas a un conmutador por hora, minuto, etc
 Número de llegadas de embarcaciones a un puerto por día, mes, etc
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área…etc
Su distribución de probabilidad es:

Donde:
Probabilidad de que ocurran éxitos, cuando el número promedio de
ocurrencia de ellos es
Media o promedio de éxitos por unidad de tiempo, área o producto
e= 2.718…
Variable que nos denota el número de éxitos que se desea que ocurra

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 6

Distribuciones de Probabilidad ESTADÍSTICA I

Propiedades:

 Valor esperado:

 Varianza:

 Desviación estándar:

Hay que notar que en esta distribución el número de éxitos que ocurren por unidad de
tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es
independiente de otro intervalo dado, así como cada área es independiente de otra área
dada y cada producto es independiente de otro producto dado
Nota: siempre debe de estar en función de , dicho de otra forma, debe “hablar” de
lo mismo que

Ejemplo:
1. Si un Banco recibe en promedio 6 cheques sin fondo por día, cuáles son las
probabilidades de que reciba
a) Cuatro cheques sin fondo en un día dado
Variable que nos define el número de cheques sin fondo que llegan al
banco en un día cualquiera = 0, 1, 2, 3,, etc
Cheques sin fondo por día

b) Diez cheques sin fondos en cualquiera de dos días consecutivos

Variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, etc
Cheques sin fondo en dos días consecutivos

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 7

Distribuciones de Probabilidad ESTADÍSTICA I

2. El número de fallas de un instrumento de prueba debido a partículas

contaminantes de un producto es una variable Poisson con media (λ) igual a 002
fallas por hora
a) ¿Cuál es la probabilidad de que el instrumento falle una vez en una jornada
de doce horas?
Número de fallas de un instrumento de prueba debido a partículas
contaminantes

b) ¿Cuál es la probabilidad de que el número de veces que falle el instrumento

en una jornada de 36 horas sea mayor o igual a cuatro y menor que siete?

c) Para el caso b) calcule la E(X) y la V(X)

3. El número de defectos en los rollos de tela de cierta industria textil es una variable
aleatoria Poisson, con una media (λ) igual a 0.1 defectos por metro cuadrado de
tela
a) ¿Cuál es la probabilidad de tener cuatro defectos en cinco metros de tela?
: El número de defectos en los rollos de tela de cierta industria textil

b) ¿Cuál es la probabilidad de que el número de defectos en doce metros de

tela sea mayor o igual a dos y menor que cinco?

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 8

Distribuciones de Probabilidad ESTADÍSTICA I

c) Para el caso b) calcule la E(X) y la V(X)

Lic. Jessica Chalco Suárez – Lic. Wilbert Colque Candia 9