Distribuciones de Probabilidad

Una distribución de probabilidad es cualquier:

 Tabla
 Expresión
 Fórmula
 Gráfica

Que muestre los valores que toma la variable aleatoria (ya sea discreta o continua) y su
respectiva probabilidad. En todo caso se debe cumplir que:

Σpi = 1

Donde pi es la probabilidad de que ocurra el evento i-ésimo y siempre es mayor o igual

a 0. Pues bien: la suma de las probabilidades de todos los eventos debe ser igual a 1. En
el caso del lanzamiento del dado se puede sumar todos los valores del conjunto p (X=
xi) y comprobar fácilmente que esto se cumple.

Distribuciones de Probabilidad Discreta:

Características, Ejercicios
Las distribuciones de probabilidad discreta son una función que asigna a cada
elemento de X(S)={x1,x2,…,xi,…}, donde X es una variable aleatoria discreta dada y S
es su espacio muestral, la probabilidad de que dicho suceso ocurra. Esta función f de
X(S) definida como f(xi)=P(X=xi) a veces es llamada función masa de probabilidad.

Esta masa de probabilidades es representada generalmente en forma de tabla. Como X es una

variable aleatoria discreta, X(S) cuenta con un número finito de sucesos o infinito numerable.
Entre las distribuciones de probabilidad discreta más comunes tenemos la distribución
uniforme, la distribución binomial y la distribución de Poisson.

Características

La función de distribución de probabilidad debe cumplir con las siguientes condiciones:

Además, si X toma solo un número finito de valores (por ejemplo x1, x2,…,xn),
entonces p(xi)=0 si i>n y, por lo tanto, la serie infinita de la condición b llega a ser una
serie finita.

También esta función cumple con las siguientes propiedades:

Sea B un suceso asociado con la variable aleatoria X. Esto quiere decir que B está
contenido en X(S). Específicamente, supongamos que B={xi1, xi2,…}. Por lo tanto:

Dicho en otras palabras: la probabilidad de un suceso B es igual a la suma de las

probabilidades de los resultados individuales asociados con B.

De esto podemos concluir que si a < b, los sucesos (X ≤ a) y (a < X ≤ b)  son
mutuamente excluyentes y, además, su unión es el suceso (X ≤ b), por lo que tenemos:

Tipos
Distribución uniforme sobre n puntos

Se dice que una variable aleatoria X sigue una distribución que se caracteriza por ser
uniforme en n puntos si a cada valor se le asigna la misma probabilidad. Su función
masa de probabilidad es:
P+q=1 p = 0,85 q= 0,15

Q=1–P

Q = 1- 0,85

Q= 0,15

Supongamos que tenemos un experimento que posee dos posibles resultados, puede ser
el lanzamiento de una moneda cuyos resultados posibles son cara o sello, o la elección
de un número entero cuyo resultado puede ser un número par o uno impar; este tipo de
experimento es conocido como pruebas de Bernoulli.

Por lo general, los dos posibles resultados son llamados éxito y fracaso, donde p es la
probabilidad de éxito y 1-p la de fracaso. Podemos determinar la probabilidad de x
éxitos en n pruebas de Bernoulli que sean independientes entre sí con la siguiente
distribución.

Distribución Binomial

Es aquella función que representa cuál es la probabilidad de obtener x éxitos en n

pruebas de Bernoulli independientes, cuya probabilidad de éxito es de p. Su función
masa de probabilidad es:

La siguiente gráfica representa la función masa de probabilidad para distintos valores de

los parámetros de la distribución binomial.
La siguiente distribución debe su nombre al matemático francés Simeon Poisson (1781-
1840), el cual la obtuvo como límite de la distribución binomial.

Distribución de Poisson
Se dice que una variable aleatoria X tiene distribución de Poisson de parámetro λ
cuando puede tomar los valores enteros positivos 0,1,2,3,… con la siguiente
probabilidad:

En esta expresión λ es el número medio correspondiente a las ocurrencias del suceso por
cada unidad de tiempo, y x es el número de veces que ocurre el suceso.

Su función masa de probabilidad es:

A continuación, una gráfica que representa la función masa de probabilidad para

distintos valores de los parámetros de la distribución Poisson.
Note que, mientras la cantidad de éxitos sea baja y la cantidad n de pruebas realizadas
en una distribución binomial sea alta, siempre podremos aproximar estas distribuciones,
al ser la distribución de Poisson límite de la distribución binomial.

La diferencia principal entre estas dos distribuciones es que, mientras la binomial

depende de dos parámetros —a saber, n y p—, la de Poisson solo depende de λ, el cual
a veces es llamado la intensidad de la distribución.

Hasta ahora solo hemos hablado de distribuciones de probabilidad para casos en los que
los diferentes experimentos son independientes entre sí; es decir, cuando el resultado de
uno no se ve afectado por algún otro resultado.

Cuando ocurre el caso de tener experimentos que no son independientes, la distribución

hipergeométrica es de gran utilidad.

Distribución Hipergeométrica
Sea N el número total de objetos de un conjunto finito, de los cuales podemos
identificar a k de estos de alguna manera, formando así un subconjunto K, cuyo
complemento está formado por los N-k elementos restantes.

Si escogemos al azar n objetos, la variable aleatoria X que representa el número de

objetos pertenecientes a K en dicha elección tiene una distribución Hipergeométrica de
parámetros N, n y k. Su función masa de probabilidad es:
La siguiente gráfica representa la función masa de probabilidad para distintos valores de
los parámetros de la distribución hipergeométrica.

Ejercicios
Primer ejercicio

Supongamos que la probabilidad de que un tubo de radio (puesto en cierto tipo de

equipo) funcione por más de 500 horas es de 0,2. Si se prueban 20 tubos, ¿cuál es la
probabilidad de que exactamente x de estos funcionen más de 500 horas, x=0,1,2,…,20?

Solución p=0,20 q= 0,80 n = 20

Si X es el número de tubos que funcionan más de 500 horas, supondremos que X tiene
una distribución binomial. Entonces

Ó: Solución p=0,20 q= 0,80 n = 20

n!
P ( x) = x n− x
( n−x ) ! x ! . p . q

20 !
P ( 0 )= 0
( 20−0 ) ! 0! . 0,2 .0,8
20−0
p = 0,2 q= 0,8
n = 20
x = 0,1,2,…,20
 20 !
P ( 0 )= . 1. 0,8
20
20 !

P ( 0 )=1. 1 .0,8 20 P ( 0 )=1. 1 .0,0115❑

P ( 0 )=0,012 probabilidad de cuando x = 0 // Rpta.

Y así:

Deber

Deber: desarrollar el resto de la tabla, utilizando cualquiera de las 2 fórmulas,

cuando X = 11, 12, 13, 14, 15, 16, 17, 18, 19 y 20.

Ejemplo:
- De una población de cetáceos se sabe que el 60% son machos. Si se
extrae un conjunto de 10 de ellos,

a) ¿cuál es la probabilidad de que en ese conjunto hallan 7 hembras?

• X = Nº de hembras en el conjunto
• n = 10

• P = 0.4

Q = 0,6

n!
P ( x) = x n− x
( n−x ) ! x ! . p . q
 10 !
P ( 7 )= 7 10−7
( 10−7 ) !7 ! . 0,4 . 0,6

10 !
P ( 7 )=
3 !7 !
7
. 0,4 . 0,6
3
= 0,042

P(7) = 0,042 es la probabilidad de que hallan 7 hembras //

P+q=1 p = 0,4 q= 0,6

Q=1–p

Q = 1 – 0,4

Q= 0,6

b) ¿Cuál es la probabilidad de que hallan 3 o menos hembras?

P(X ≤3) P(X 0) P(X 1) P(X 2) P(X 3) 0.382

Deber: Desarrollar el ejercicio cuando X = 0, 1, 2, 3

Para k≥11, las probabilidades son menores que 0,001

Así podemos observar cómo la probabilidad de que k de estos funcionen más de 500
horas va subiendo, hasta que alcanza su valor máximo (con k=4) y luego empieza a
disminuir.
Segundo ejercicio

Se avienta una moneda 6 veces. Cuando el resultado sea cara, diremos que es un éxito.
¿Cuál es la probabilidad de que salgan dos caras exactamente?

Solución

Para este caso tenemos que n=6 y tanto la probabilidad de éxito como de fracaso son
p=q=1/2

Por lo tanto, la probabilidad de que se den dos caras (es decir k = 2) es de

Tercer ejercicio

¿Cuál es la probabilidad de hallar al menos cuatro caras?

Solución

Para este caso tenemos que k=4, 5 o 6

Tercer ejercicio

Supongamos que el 2 % de los artículos producidos en una fábrica son defectuosos.

Hallar la probabilidad P de que haya tres artículos defectuosos en una muestra de 100
artículos.

Solución

Para este caso podríamos aplicar la distribución binomial para n=100 y p=0,02 q= 0,98
x= 3, obteniendo como resultado:
100 C 3

n!
P ( x) = x n− x
( n−x ) ! x ! . p . q

100 !
P ( 3 )= 3 100−3
( 100−3 ) ! 3 ! . 0,02 .0,98

161700 x 0.000008 x 0.1409

P ( 3 )=161700 . 0,00000112725

0,1823 es la probabilidad de que haya 3 artículos

P ( 3 )=¿
defectuosos en una muestra de 100 artículos. // Rpta.

Sin embargo, ya que p es pequeño, usamos la aproximación de Poisson con λ=n.p=2.

Así:

λ= n . p

λ= 100 x 0,02 = λ= 2

e = 2,71828

3! = 3 x 2 x 1 = 6

= 0,135 x 8 x 0,166 = 0,180 // probabilidad de que hayan 3 artículos defectuosos.

Referencias

1. Kai Lai Chung. Elementary Proability Theory with Stochastic Processes. Springer-Verlag
New York Inc
2. Kenneth.H. Rosen .Matemáticas Discretas y sus Aplicaciones.
S.A.MCGRAW-HILL/INTERAMERICANA DE ESPAÑA.
3. Paul L. Meyer. Probabilidad y Aplicaciones Estadisticas. S.A. ALHAMBRA MEXICANA.
4. Seymour Lipschutz Ph.D.  2000 Problemas Resueltos de Matemática Discretas.
McGRAW-HILL.
5. Seymour Lipschutz Ph.D.  Teoría y Problemas de Probabilidad. McGRAW-HILL.