Distribuciones de probabilidad

la distribución de probabilidad de una variable aleatoria es una función que asigna

a cada suceso definido sobre la variable la probabilidad de que dicho suceso
ocurra. 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.
La distribución de probabilidad está completamente especificada por la función de
distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria
sea menor o igual que x.
Tipos de variables

 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
evento o 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 dentro de un intervalo dado.
 La distribución de probabilidad de x, el número de defectos por cada 10
metros de una tela sintética en rollos continuos de ancho uniforme , es

x 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01

a) Determine la distribución de probabilidad acumulada de x; P(x).

b) Determine el número esperado de defectos por cada 10 metros de tela
sintética en rollos continuos de ancho uniforme y la desviación estándar del
número de defectos por cada 10 metros de tela ….
c) Determine la probabilidad de que en 10 metros de tela sintética se
encuentren como máximo 2 defectos.
d) Determine la probabilidad de que en 10 metros de tela sintética se
encuentren por lo menos 2 defectos.

Solución:

a)
X 0 1 2 3 4
p(x) 0.41 0.37 0.16 0.05 0.01
P(x) 0.41 0.78 0.94 0.99 1.0
b)
@ 1 defecto

Interpretación:0.16, 0.05 ,0.01

Se espera que por cada 10 metros de tela se encuentre un defecto.

Interpretación:
El número de defectos esperado puede variar en ± 1 defecto, es decir que el
número de defectos esperado por cada 10 metros de tela puede variar de 0 a 2.

c) p (x £ 2) = p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94

d) p (x ³ 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22

 3.1 Distrubuciones discretas de probabilidad
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de
una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por
lo tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.

Ejemplo del número de quejas de clientes

Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo,
puede utilizar la distribución discreta de Poisson para describir el número de quejas
de clientes en un día. Supongamos que el número promedio de quejas por día es
10 y usted desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un
día.

x P (X = x)

5 0.037833

10 0.12511

15 0.034718
Usted también puede visualizar una distribución discreta en una gráfica de
distribución para ver las probabilidades entre los rangos.

Gráfica de distribución del número de quejas de clientes

Las barras sombreadas en este ejemplo representan el número de ocurrencias
cuando las quejas diarias de los clientes son 15 o más. La altura de las barras suma
0.08346; por lo tanto, la probabilidad de que el número de llamadas por día sea 15
o más es 8.35%.
 3.2 Valor esperado y varianza

La media «µ» o valor esperado «E(X)» es un promedio ponderado de los valores

que asume la variable aleatoria cuando los pesos son las probabilidades. Es una
medida de tendencia central. Cuando trabajamos con una variable aleatoria
discreta, la media o valor esperado se calcula mediante la siguiente fórmula:

Como verás, la media µ de una variable aleatoria discreta X se encuentra al

multiplicar cada posible valor de X por su propia probabilidad y luego sumar todos
los productos.
El valor esperado o media no tiene que ser un valor que la variable aleatoria pueda
asumir.

Ejemplo:

Si tiramos una moneda 10 veces, esperamos que salga 5 veces "cara" y 5 veces
"cruz". Esperamos obtener este valor porque la probabilidad de que salga "cara" es
0,5, y si lanzamos la moneda 10 veces, obtenemos 5. Por lo tanto, 5 es la media.

2. Varianza
Se conoce como varianza a la raíz cuadrada que se desprende de una desviación
estándar, la cual permite que las industrias de manufactura puedan trabajar con
precisión en su producción y reduzcan su índice de errores.
La varianza toma los datos dispersos de la media y, luego de medirlos, le da valor
a las variaciones y desviaciones. Además, permite contabilizar y prevenir posibles
errores.
Ejemplo de varianza
Para entender mejor este concepto, proponemos el ejemplo de una empresa que
quiere calcular la varianza de las toneladas de alimento que ha vendido en los
últimos 6 meses:
El primer paso para calcular la varianza consiste en calcular la media aritmética
(el promedio). Esta se obtiene teniendo en cuenta que la cantidad de valores a
analizar son 6 (los últimos 6 meses):

Mes Cantidad vendida

Enero 18

Febrero 20

Marzo 20

Abril 22

Mayo 20

Junio 20

(18 + 20 + 20 + 22 + 20 + 20) / 6 = 20
Una vez obtenida la media aritmética, en este caso 20, procedemos a calcular la
varianza, utilizando la fórmula antes mencionada:

σ²= [(18-20)2 + (20-20)2 + (20-20)2 + (22-20)2 + (20-20)2 + (20-20)2] / 6 = 1,33

De esta manera, obtenemos una varianza (σ²) de 1,33.
 3.3 Distribución de probabilidad binomial
Una distribución binomial es una distribución de probabilidad discreta que describe
el número de éxitos al realizar n experimentos independientes entre sí, acerca de
una variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser

caracterizados bajo esta distribución de probabilidad. Imaginemos el lanzamiento
de una moneda en el que definimos el suceso “sacar cara” como el éxito. Si
lanzamos 5 veces la moneda y contamos los éxitos (sacar cara) que obtenemos,
nuestra distribución de probabilidades se ajustaría a una distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o

ensayos en la que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito
nuestra variable aleatoria.

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución binomial,
tiene que cumplir las siguientes propiedades:

 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra
p. La probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es
constante dado que la moneda no cambia en cada experimento y las probabilidades
de sacar cara son constantes.
 La probabilidad de fracaso ha de ser también constate. Esta se representa mediante
la letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o
sabiendo q, podemos obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del anterior. Por lo
tanto, lo que ocurra en cada experimento no afecta a los siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al
mismo tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar
una moneda salga cara y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara
ha de salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n, p), donde n representa el número de ensayos o experimentos y p la
probabilidad de éxito.
Formula de la distribución binomial

La fórmula para calcular la distribución normal es:

Donde:

n = Número de ensayos/experimentos

x = Número de éxitos

p = Probabilidad de éxito

q = Probabilidad de fracaso (1-p)

Es importante resaltar que la expresión entre corchetes no es una expresión

matricial, sino que es un resultado de una combinatoria sin repetición. Este se
obtiene con la siguiente formula:

El signo de exclamación en la expresión anterior representa el símbolo de factorial.

Ejemplo de distribución binomial

Imaginemos que un 80% de personas en el mundo ha visto el partido de la final del

último mundial de fútbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es
la probabilidad de que 3 de ellos hayan visto el partido?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos la

probabilidad de que 3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el

denominador tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado del factorial sería
24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el
segundo 0,2 (dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por
100 tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos haya
visto el partido de la final del mundial.
 3.4. Distribución de probabilidad de Poisson

La distribución de Poisson es una distribución de probabilidad discreta y se emplea

para describir procesos que pueden ser descritos con una variable aleatoria
discreta. Describe situaciones en las cuales los clientes llegan de manera
independiente durante un cierto intervalo de tiempo y el número de llegadas
depende de la magnitud del intervalo. La distribución de Poisson juega un rol
importante en complementar la distribución exponencial en la teoría de colas o
modelo de líneas de espera.

Entre los procesos que se pueden describir con la distribución de probabilidad de

Poisson están la distribución de las llamadas telefónicas que llagan a un
conmutador, la demanda (necesidades) de servicios en una institución asistencial
por parte de los pacientes, los arribos de los camiones y automóviles a la caseta de
cobro y el número de accidentes en un cruce. Los ejemplos citados tienen un
elemento en común. Pueden ser descritos por una variable aleatoria discreta que
asume valores enteros (0,1,2,3,4,5 y así sucesivamente).

La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781-

1840), francés que desarrolló esta distribución basándose en estudios efectuados
en la última parte de su vida.

El número de enfermos que llegan a un consultorio en cierto intervalo de tiempo

será de 0,1,2,3,4,5 o algún otro número entero. De manera análoga, si se cuenta el
número de automóviles que llegan a una caseta de cobro durante un periodo de
diez minutos, el número será entero.

Características de los procesos que producen una distribución de la probabilidad de

Poisson

El número de vehículos que pasan por una caseta de cobro en las horas de mayor
tráfico sirve como ejemplo para mostrar las características de una distribución de
probabilidad de Poisson.

El promedio (media) de los arribos de vehículos por hora de gran tráfico puede
estimarse a partir de los datos anteriores del tráfico.

Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada

uno, encontraremos que los siguientes enunciados son verdaderos:

a) La probabilidad de que exactamente un vehículo llegue por segundo a una caseta

individual es un número muy pequeño y es constante para que cada intervalo de un
segundo.
b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un
segundo es tan reducida que podemos asignarle un valor cero.
c) El número de vehículos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la
hora de gran tráfico.
d) El número de llegadas en cualquier intervalo de un segundo no depende del
número de arribos de cualquier otro intervalo de un segundo.

Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos
descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una
distribución de probabilidad de Poisson para describirlos.

Cálculo de probabilidades mediante la distribución de Poisson

La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos

que pueden ser descritos con una variable aleatoria discreta. La letra X suele
representar esa variable y puede además asumir valores enteros (0,1,2,3 etc..).
Utilizamos la letra X mayúscula para representar la variable aleatoria y la x
minúscula para designar un valor específico que puede asumir la X mayúscula. La
probabilidad de exactamente x ocurrencias en una distribución de Poisson se
calcula mediante la fórmula:

P(x) = l x * e-l / x!

l x = Lambda
(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.

e-l = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial.

Ejemplo:

Supóngase que estamos investigando la seguridad de un crucero muy peligroso.

Los archivos de la policía indican una media de cinco accidentes por mes en él. El
número de accidentes está distribuido conforme a la distribución de Poisson, y la
división de seguridad en carreteras quiere calcular la probabilidad de exactamente
0,1,2,3 y 4 accidentes en un mes determinado.

Aplicando la fórmula anterior:

P (0) = (5)0 (e-5) /0! = 0.00674

P (1) = (5)1 (e-5) /1! = 0.03370

P (2) = (5)2 (e-5) /2! = 0.08425

P (3) = (5)3 (e-5) /3! = 0.14042

P (4) = (5)4 (e-5) /4! = 0.17552

Para saber cuál es la probabilidad en 3 o menos, sumaremos las probabilidades de
0,1,2,3 lo que será igual a :

P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511

entonces la probabilidad de que ocurran más de tres debe ser = 1 –0.26511 =
0.73489.
 3.5. Distribución de probabilidad Hipergeométrica

La distribución hipergeométrica es una distribución discreta que modela el número

de eventos en una muestra de tamaño fijo cuando usted conoce el número total de
elementos en la población de la cual proviene la muestra. Cada elemento de la
muestra tiene dos resultados posibles (es un evento o un no evento). Las muestras
no tienen reemplazo, por lo que cada elemento de la muestra es diferente. Cuando
se elige un elemento de la población, no se puede volver a elegir. Por lo tanto, la
probabilidad de que un elemento sea seleccionado aumenta con cada ensayo,
presuponiendo que aún no haya sido seleccionado.

Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones

relativamente pequeñas, sin reemplazo. Por ejemplo, la distribución
hipergeométrica se utiliza en la prueba exacta de Fisher para probar la diferencia
entre dos proporciones y en muestreos de aceptación por atributos cuando se toman
muestras de un lote aislado de tamaño finito.

La distribución hipergeométrica se define por 3 parámetros: tamaño de la población,

conteo de eventos en la población y tamaño de la muestra.

Por ejemplo, usted recibe un envío de pedido especial de 500 etiquetas.

Supongamos que el 2% de las etiquetas es defectuoso. El conteo de eventos en la
población es de 10 (0.02 * 500). Usted toma una muestra de 40 etiquetas y desea
determinar la probabilidad de que haya 3 o más etiquetas defectuosas en esa
muestra. La probabilidad de que haya 3 o más etiquetas defectuosas en la muestra

es de 0.0384.
Ejemplo de cálculo de las probabilidades hipergeométricas

Supongamos que hay diez automóviles disponibles para que usted los pruebe (N =
10) y cinco de ellos tienen motores turbo (x = 5). Si prueba tres de los vehículos (n
= 3), ¿cuál es la probabilidad de que dos de los tres que probará tengan motores
turbo?

1. Elija Calc > Distribuciones de probabilidad > Hipergeométrica.

2. Elija Probabilidad.
3. En Tamaño de la población (N), ingrese 10. En Conteo de eventos en la
población (M), ingrese 5. En Tamaño de la muestra (n), ingrese 3.
4. Elija Constante de entrada e ingrese 2.
5. Haga clic en Aceptar.
La probabilidad de que seleccione exactamente dos automóviles con motores turbo
de forma aleatoria cuando pruebe tres de los diez vehículos es 41.67%.
 3.6. Distribuciones continuas de probabilidad

Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no
se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que una variable
aleatoria continua equivalga a algún valor siempre es cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese
entre 160 y 170 libras.

Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de 160
a 170 libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un
hombre seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda
el área por debajo de la curva equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre
es cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente
190 libras es cero. Podría calcular una probabilidad diferente de cero de que un
hombre pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras,
pero la probabilidad de que pese exactamente 190 libras es cero.
 3.7. Distribuciones de probabilidad normal
La distribución normal (en ocasiones llamada distribución gaussiana) es la
distribución continua que se utiliza más comúnmente en estadística, es un modelo
que aproxima el valor de una variable aleatoria a una situación ideal, dependiendo
de la media y la desviación típica.

La distribución normal es de vital importancia en estadística por tres razones

principales:

 Muchas variables continuas comunes en el mundo de los negocios tienen

distribuciones que se asemejan estrechamente a la distribución normal.
 La distribución normal sirve para acercarse a diversas distribuciones de probabilidad
discreta, como la distribución binomial y la distribución de Poisson.
 La distribución normal proporciona la base para la estadística inferencial clásica por
su relación con el teorema de límite central.

En la distribución normal, uno puede calcular la probabilidad de que varios valores

ocurran dentro de ciertos rangos o intervalos. Sin embargo, la probabilidad exacta
de un valor particular dentro de una distribución continua, como la distribución
normal, es cero. Esta propiedad distingue a las variables continuas, que son
medidas, de las variables discretas, las cuales son contadas.

Ejemplo:

El tiempo (en segundos) se mide y no se cuenta. Por lo tanto, es factible determinar

la probabilidad de que el tiempo de descarga para una página principal en un
navegador de la Web esté entre 7 y 10 segundos o que la probabilidad de que el
tiempo de descarga esté entre 8 y 9 segundos, o la probabilidad de que el tiempo
de descarga esté entre 7.99 y 8.01 segundos. Sin embargo, la probabilidad de que
el tiempo de descarga sea exactamente de 8 segundos es cero.

Ejemplo de distribución normal

La distribución normal tiene importantes propiedades teóricas:

 Tiene una apariencia de forma de campana (y, por ende, es simétrica).
 Sus medidas de tendencia central (media, mediana y moda) son todas idénticas.
 Su «50% central» es igual a 1,33 desviaciones estándar. Esto significa que el rango
intercuartil está contenido dentro de un intervalo de dos tercios de una desviación
estándar por debajo de la media y de dos tercios de una desviación estándar por
encima de la media.
 Su variable aleatoria asociada tiene un rango infinito (-∞ < X < ∞).
 3.8. distribución de probabilidad exponencial

La distribución exponencial es una distribución continua que se utiliza para modelar

tiempos de espera para la ocurrencia de un cierto evento. Esta distribución al igual
que la distribución geométrica tiene la propiedad de pérdida de memoria. La
distribución exponencial es un caso particular de la distribución gamma.

A pesar de que la distribución Normal puede utilizarse para resolver muchos

problemas en ingeniería y ciencias, existen aún numerosas situaciones que
requieren diferentes tipos de funciones de densidad, tales como la exponencial y la
gamma y algunas otras como la weibull, etc., etc., de momento solo trataremos
sobre el uso de la exponencial.
Resulta que la exponencial es un caso especial de la distribución gamma, ambas
tienen un gran número de aplicaciones. Las distribuciones exponencial y gamma
juegan un papel importante tanto en teoría de colas como en problemas de
confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo
de falla de los componentes y sistemas eléctricos, frecuentemente involucran la
distribución exponencial. La relación entre la gamma y la exponencial permite que
la distribución gamma se utilice en tipos similares de problemas.

La variable aleatoria x tiene una distribución exponencial, con parámetro b, si su

función de densidad es:

,x>0 ; f(x) = 0 en cualquier otro caso

donde b > 0

La media y la variancia de la distribución exponencial son:

m=b y s2 = b2

Relación con el proceso de Poisson.

Las aplicaciones más importantes de la distribución exponencial son aquellas
situaciones en donde se aplica el proceso de Poisson, es necesario recordar que
un proceso de Poisson permite el uso de la distribución de Poisson. Recuérdese
también que la distribución de Poisson se utiliza para calcular la probabilidad de
números específicos de “eventos” durante un período o espacio particular. En
muchas aplicaciones, el período o la cantidad de espacio es la variable aleatoria.
Por ejemplo, un ingeniero industrial puede interesarse en el tiempo T entre
llegadas en una intersección congestionada durante la hora de salida de trabajo
en una gran ciudad. Una llegada representa el evento de Poisson.
La relación entre la distribución exponencial (con frecuencia llamada
exponencial negativa) y el proceso llamado de Poisson es bastante simple. La
distribución de Poisson se desarrolló como una distribución de un solo
parámetro l, donde l puede interpretarse como el número promedio de eventos
por unidad de “tiempo”. Considérese ahora la variable aleatoria descrita por el
tiempo que se requiere para que ocurra el primer evento. Mediante la distribución
de Poisson, se encuentra que la probabilidad de que no ocurran en el espacio
hasta el tiempo t está dada por:

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer
evento de Poisson. La probabilidad de que el período hasta que ocurre el primer
evento de Poisson exceda x es la misma que la probabilidad de que no ocurra
un evento de Poisson en x. Esto último por supuesto está dado por . Como
resultado,
P(X ³ x) =

Entonces, la función de distribución acumulada para x es:

P(0£ X £ x) = 1 -

Ahora, con objeto de que se reconozca la presencia de la distribución

exponencial, puede derivarse la distribución acumulada anterior para obtener la
función de densidad:

f(x) =

La cual es la función de densidad de la distribución exponencial con .

Nótese que la media de la distribución exponencial es el parámetro , el
recíproco del parámetro en la distribución de Poisson. El lector debe recordar
que con frecuencia se dice que la distribución de Poisson no tiene memoria, lo
cual implica que las ocurrencias en períodos de tiempo sucesivos son
independientes. Aquí el parámetro importante es el tiempo promedio entre
eventos. En teoría de la confiabilidad, donde la falla de un equipo concuerda
con el proceso de Poisson, recibe el nombre de tiempo promedio entre fallas.
Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces la
distribución exponencial es aplicable.
En el siguiente ejemplo se muestra una aplicación simple de la distribución
exponencial en un problema de confiabilidad. La distribución binomial también
juega un papel importante en la solución.

Ejemplos:
 1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de
falla en años está dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla . S í 5 de estos
componentes se instalan en diferentes sistemas, ¿cuál es la probabilidad de
que al menos 2 continúen funcionando después de 8 años?

Solución:
La probabilidad de que un determinado componente esté funcionando aún
después de 8 años es:

la | nos indica que la integral se va a

evaluar desde 8 hasta ¥

Sea x el número de componentes funcionando después de 8 años. Entonces

mediante la distribución Binomial,
n=5
p = 0.20 = probabilidad de que un componente esté funcionando después de 8
años
q = 1-p = 0.80 = probabilidad de que un componente no funcione después de 8
años

P (x ³ 2) = p(x=2) + p(x=3) + p(x=4) +p(x=5) = 1 – p (x = 0, 1)

2. El tiempo que transcurre antes de que una persona sea atendida en una
cafetería es una variable aleatoria que tiene una distribución exponencial con
una media de 4 minutos. ¿Cuál es la probabilidad de que una persona sea
atendida antes de que transcurran 3 minutos en al menos 4 de los 6 días
siguientes?

Solución:

la nos indica que la

integral va a ser evaluada de 0 a 3

x = número de días en que un cliente es atendido antes de que transcurran 3

minutos
x = 0, 1, 2,...,6 días

p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos

en un día cualquiera = 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3
minutos en un día cualquiera = 1- p = 0.4724

= 0.11587 + 0.02157 = 0.13744

Paola Vanesa Aragon Espinal

No. Control: 20600125
 Una distribución discreta describe la
Distribuciones
discretas de probabilidad de ocurrencia de cada valor
probabilidad de una variable aleatoria discreta.

valor esperado es un promedio ponderado

Valor esperado y de los valores Y Varianza
varianza Se conoce como varianza a la raíz
cuadrada que se desprende de una
desviación estándar

Una distribución binomial es una

Distribución de distribución de probabilidad discreta que
probabilidad describe el número de éxitos al realizar n
experimentos independientes entre sí,
Binomial acerca de una variable aleatoria.

La distribución de Poisson es una

Distribución de distribución de probabilidad discreta y se
Distribuciones emplea para describir procesos que
de probabilidad probabilidad de pueden ser descritos con una variable
Poisson aleatoria discreta.

La distribución hipergeométrica es una

Distribución de distribución discreta que modela el número
probabilidad de eventos en una muestra de tamaño fijo
cuando usted conoce el número total de
Hipergeométrica elementos en la población de la cual
proviene la muestra.

Una distribución continua describe las

Distribuciones
probabilidades de los posibles valores
continuas de de una variable aleatoria continua.
probabilidad

La distribución normal es la distribución

Distribución de continua que se utiliza más comúnmente en
estadística, es un modelo que aproxima el
probabilidad normal
valor de una variable aleatoria a una situación
ideal, dependiendo de la media y la desviación
típica.
Distribución de la distribución exponencial es una
probabilidad distribución continua que se utiliza
para modelar tiempos de espera para
exponencial
la ocurrencia de un cierto evento.