UNIDAD III

DISTRIBUCIÓN DE PROBABILIDADES: PRINCIPALES MODELOS

Elaborado por: Lic. Juan Pablo González Martínez 1

Objetivo: Utilizar los modelos de distribución de probabilidades mediante el análisis del

comportamiento de variables discretas y variables continuas para modelar situaciones
relacionadas con problemas del ámbito socioeconómico.

Contenido
3.1 Definición de variable aleatoria ............................................................................... 2
3.2 Definición de variable aleatoria discreta.................................................................. 2
3.2.1. Distribución de Probabilidad ................................................................................. 2
3.2.2. Distribución Acumulada de Probabilidad ............................................................. 3
3.2.3. Esperanza Matemática y Varianza ................................................................... 4
3.3. Definición de variable aleatoria continúa ................................................................ 6
3.3.1. Función de Densidad ............................................................................................. 7
3.3.2. Función Acumulada de Probabilidad .................................................................... 8
3.4 Modelos de distribución de probabilidad en variable aleatoria discreta ............... 11
3.4.1 Binomial ............................................................................................................... 11
3.4.2 Poisson ................................................................................................................. 14
3.4.3 Aproximación de la distribución binomial a la Poisson ....................................... 16
3.5 Modelos en Distribución de Probabilidad en variable aleatoria continúa ............ 17
3.5.1 Exponencial .......................................................................................................... 17
3.5.2 Normal.................................................................................................................. 18

1
Licenciado en Estadística, colaborador del Departamento de Matemática y Estadística.

Página 1 de 24
 3.5.3 Aproximación de la binomial a la normal ............................................................ 22
Referencias .......................................................................................................................... 24

3.1 Definición de variable aleatoria

Definición:

Cantidad que resulta de un experimento que, por azar, puede adoptar diferentes valores.
(Lind, Marchal, & Wathen, 2012, pág. 188)

Las variables aleatorias deben tomar valores numéricos, en efecto, una variable aleatoria
asocia un valor numérico a cada uno de los resultados experimentales. El valor numérico de
la variable aleatoria depende del resultado del experimento.

Una variable aleatoria puede clasificarse como discreta o continua, depende del tipo de
valores numéricos que éstas asuman.

3.2 Definición de variable aleatoria discreta

Variable aleatoria discreta es la variable aleatoria que adopta sólo valores claramente
separados. (Lind, Marchal, & Wathen, 2012, pág. 190)
Una variable aleatoria que asuma ya sea un número finito de valores o una sucesión infinita
de valores tales como 0, 1, 2,. . ., se le llama variable aleatoria discreta (Anderson, Dennis,
& Thomas, 2008)

3.2.1. Distribución de Probabilidad

Distribución de probabilidad es una lista de todos los resultados de un experimento y la
probabilidad asociada a cada uno de ellos. (Lind, Marchal, & Wathen, 2012, pág. 187)

A continuación, se presentan algunas de las características de la distribución de probabilidad:

1. La probabilidad de un resultado en particular se encuentra entre 0 y 1, inclusive.
2. Los resultados son eventos mutuamente excluyentes.
3. La lista es exhaustiva. Por lo tanto, la suma de las probabilidades de los diversos
eventos es igual a 1.

Página 2 de 24
Las condiciones requeridas para lo es una función de probabilidad discreta son las siguientes:
Para todos los valores de 𝑥, 𝑃(𝑥) es mayor o igual que 0; 𝑃(𝑥) ≥ 0
Para todos los valores de 𝑥, la sumatoria de los 𝑃(𝑥) es igual a uno, ∑ 𝑃(𝑥) = 1

Ejemplo
Con la variable aleatoria 𝑋, cuya función de probabilidad viene dado por la tabla siguiente:

Tabla 1: Distribución de Probabilidad

𝑿 𝑷(𝑿)
0 0.10
1 0.30
2 0.25
3 0.14
4 0.06
5 0.15

Demostrar que cumple las condiciones requeridas para que sea una función de probabilidad.

La primera condición que 𝑃(𝑥) ≥ 0, la cumple pues todos los valores de P(x) son mayores
o iguales a cero.

La segunda condición que tiene que cumplir es: ∑ 𝑃(𝑥) = 1

Por lo que ∑ 𝑃(𝑥) = 0.10 + 0.30 + 0.25 + 0.14 + 0.06 + 0.15 = 1.00.

Con lo que demostramos que cumple las dos condiciones para que sea una función de
probabilidad.

3.2.2. Distribución Acumulada de Probabilidad

Para cada número real x, una función acumulada de probabilidad está dada por la siguiente
expresión:

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)

Una función de nombre “F” le asigna a cada valor real 𝑋, el de la probabilidad de

que una variable aleatoria 𝑋 asuma un valor inferior o igual a 𝑥.

La probabilidad de que sea 𝑋 se sitúe en un intervalo 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎).

Ejemplo.
Con la variable aleatoria 𝑋, cuya función de probabilidad viene dado por la tabla siguiente:

Página 3 de 24
 Tabla 2: Distribución de Probabilidad
𝑿 𝑷(𝑿)
0 0.10
1 0.30
2 0.25
3 0.14
4 0.06
5 0.15
Usando la distribución de probabilidad acumulada, calcular:

a) 𝑃(𝑋 ≤ 2)
b) 𝑃(1 ≤ 𝑋 ≤ 4)
c) 𝑃(𝑋 > 3)

Solución:

a) 𝑃(𝑋 ≤ 2) = 𝐹(2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = 0.10 + 0.30 + 0.25

𝑃(𝑋 ≤ 2) = 𝟎. 𝟔𝟓
La probabilidad acumulada que la variable X sea menor o igual a 2 es del 65%.

b) 𝑃(1 ≤ 𝑋 ≤ 4) = 𝐹(4) − 𝐹(1) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝑃(1 ≤ 𝑋 ≤ 4) = 0.30 + 0.25 + 0.14 + 0.06 = 𝟎. 𝟕𝟓

La probabilidad de que la variable X esté entre 1 y cuatro inclusive es del 75%.

c) 𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − 𝐹(3) = 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) +

𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)] = 1 − (0.10 + 0.30 + 0.25 + 0.14) = 1 − 0.79
𝑃(𝑋 > 3) = 𝟎. 𝟐𝟏
La probabilidad de que la variable X sea mayor que 3 es del 21%.

3.2.3. Esperanza Matemática y Varianza

Esperanza matemática:

Definición

Página 4 de 24
 Se trata de un promedio ponderado
en el que los posibles valores de una
variable aleatoria se ponderan con
sus correspondientes probabilidades
de ocurrir. (Lind, Marchal, &
Wathen, 2012)

El valor esperado, o media, de una El valor esperado o esperanza

variable aleatoria es una medida de la matematica , 𝐸(𝑥) , de una
localización central de la variable variable 𝑥, es simplemente la
aleatoria. A continuación se da la media aritmetica de su
fórmula para obtener el valor distibución de probabilidad.
esperado de una variable aleatoria x. (Gómez Barrantes, 2016, pág.
(Anderson, Dennis, & Thomas, 2008). 461 )

La fórmula para el cálculo de la esperanza matemática para una variable aleatoria x es:
𝑬(𝒙) = 𝝁 = ∑[𝒙𝑷(𝒙)]

Donde:
𝑥 = variable aleatoria
𝑃(𝑥) =probabilidad de que suceda 𝑥
𝐸(𝑥) = valor esperado de 𝑥
𝜇 = media

Varianza
La varianza es un promedio ponderado de los cuadrados de las desviaciones de una variable
aleatoria de su media. Los pesos son las probabilidades.

Así como en la unidad uno se utilizó la varianza para resumir la variabilidad de los datos, en
esta unidad la varianza se usara para resumir la variabilidad en los valores de la variable
aleatoria 𝑥. A continuación se presenta la fórmula para su cálculo:
𝝈𝟐 = 𝑬(𝒙 − 𝝁)𝟐 = ∑(𝒙 − 𝝁)𝟐 𝑷(𝒙) = ∑ (𝒙𝟐 𝑷(𝒙)) − 𝝁𝟐

Donde
𝜎 2 = varianza
𝑥 = variable areatoria
𝑓(𝑥) = probabilidad de que suceda 𝑥

Desviación estándar.

Página 5 de 24
Aparte de la varianza es necesario el cálculo de la desviación estándar 𝜎 el cual se define
como la raíz cuadrada positiva de la varianza. Como se vio en la unidad uno para ello la
fórmula es la siguiente:

𝜎 = √∑(𝒙 − 𝝁)𝟐 𝑷(𝒙)

Ejemplo:
Con la variable aleatoria 𝑋, cuya función de probabilidad viene dado por la tabla siguiente:
Tabla 3: Distribución de Probabilidad
𝑿 𝑷(𝑿)
0 0.10
1 0.30
2 0.25
3 0.14
4 0.06
5 0.15
Calcular el valor esperado y la varianza.

Solución:
La tabla muestra los cálculos
Tabla 4: Distribución de Probabilidad y otros cálculos
𝑿 𝑷(𝑿) 𝑿𝑷(𝑿) 𝑿𝟐 𝑷(𝑿)
0 0.10 0.00 0.00
1 0.30 0.30 0.30
2 0.25 0.50 1.00
3 0.14 0.42 1.26
4 0.06 0.24 0.96
5 0.15 0.75 3.75
Total 1.00 2.21 7.27

Para el cálculo del valor esperado:

𝐸(𝑥) = 𝜇 = ∑ 𝑥𝑃(𝑥) = 𝟐. 𝟐𝟏
Por lo que el valor esperado de la variable X es de 2.21.

Cálculo de la varianza:

𝜎 2 = ∑(𝑥 2 𝑃(𝑥)) − 𝜇 2 = 7.27 − 2.212 = 𝟐. 𝟑𝟗

Y la varianza de la variable X es de 2.39 y su desviación estándar es de 1.55.

3.3. Definición de variable aleatoria continúa

A una variable que puede tomar cualquier valor numérico dentro de un intervalo o colección
de intervalos se le llama variable aleatoria continua. (Anderson, Dennis, & Thomas, 2008).

Página 6 de 24
Se define la variable aleatoria continua como aquella para la cual existe una determinada
probabilidad de tomar valores en cada uno de los intervalos comprendidos dentro de su
campo de variación.

Se puede decir que una variable aleatoria 𝑥 es continua si su conjunto de posibles valores es
todo un intervalo (finito o infinito) de números reales.

A diferencia de la variable aleatoria discreta, una variable aleatoria continua puede adoptar
cualquier valor fraccionario dentro un rango definido de valores.

3.3.1. Función de Densidad

La función 𝑓(𝑥) es una función de densidad de probabilidad para la variable aleatoria

continua 𝑥, definida sobre el conjunto de los números reales.
𝑏
La función de densidad es 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥; donde 𝑎 ≤ 𝑏

A continuación se muestran algunas de las condiciones que la función 𝑓(𝑥) debe cumplir:

1. 𝑓(𝑥) ≥ 0 para −∞ < 𝑥 < +∞

+∞
2. ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

Esto es, la probabilidad de que 𝑋 tome un valor en el intervalo [𝑎, 𝑏] es el área bajo la gráfica
de la función de densidad, como lo ilustra la figura xxx. La gráfica de 𝑓(𝑥), se conoce a veces
como curva de densidad.

Ejemplo. Dada la siguiente función:

8 2 3
𝑓(𝑥) = { 9 𝑥 , 𝑠𝑖 0 < 𝑥 ≤
2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Demostrar que es una función de densidad de probabilidad.

Solución:
Para demostrar que es una función de densidad de probabilidad, tenemos que observar que
cumple dos condiciones:

Página 7 de 24
 1) 𝑓(𝑥) ≥ 0, como podemos observar 𝑓(𝑥) siempre va a ser mayor o igual a cero, pues
el tramo de la función cuadrática es mayor a cero, mientras que el otro tramo de la
función es igual a cero.
+∞
2) Ahora probaremos que ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Para ello:
3
+∞ 0 +∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑓(𝑥)𝑑𝑥 + ∫02 𝑓(𝑥)𝑑𝑥 + ∫3 𝑓(𝑥)𝑑𝑥
2
3
+∞ 0 8 +∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 0𝑑𝑥 + ∫0 (9 𝑥 2 ) 𝑑𝑥 + + ∫3
2 0𝑑𝑥
2
3
3
+∞ 8 2 8 8 𝑥3 2 2
∫−∞ 𝑓(𝑥)𝑑𝑥 = 9 ∫0 𝑥 𝑑𝑥 = (9)
2 ] = (27 )[(32) −0] = 𝟏
3
0
Con lo que concluimos que cumple las dos condiciones para que sea una función de
densidad.
3.3.2. Función Acumulada de Probabilidad

La distribución acumulada 𝐹(𝑥) de una variable aleatoria continúa 𝑥, con una función de
densidad 𝑓(𝑥) es:

𝒙
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒕)𝒅𝒕 𝐩𝐚𝐫𝐚 − ∞ < 𝒙 < +∞
−∞

Las propiedades que deben cumplir la función acumulada de probabilidad son:

1. 𝐹(−∞) = 0
2. 𝐹(∞) = 1
3. 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = 𝐹(𝑥2 ) − 𝐹(𝑥1 )
𝑑𝐹(𝑥)
4. = 𝑓(𝑥)
𝑑𝑥

Sea X una variable aleatoria continua con función de densidad de probabilidad (fdp) 𝑓(𝑥) y
función de distribución acumulada (fda) 𝐹(𝑥). Entonces para cualquier número 𝑎 se tiene:

𝑷(𝑿 > 𝒂) = 𝟏 − 𝑭(𝒂)

Y para dos números reales 𝒂 y 𝒃 cualesquiera, tales que 𝒂 < 𝒃 se tiene:

𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = 𝑭(𝒃) − 𝑭(𝒂)

A continuación se ilustra el cálculo de probabilidades entre a y b como una diferencia entre

las probabilidades acumuladas en la fda (“áreas”)

Página 8 de 24
Calculado a partir de las probabilidades acumuladas de 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏)

Ejemplo. Dada la siguiente función:

8 2 3
𝑓(𝑥) = { 9 𝑥 , 𝑠𝑖 0 < 𝑥 ≤
2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Calcular las probabilidades:

a) 𝑃(0.5 ≤ 𝑋 ≤ 1.0).
b) 𝑃(14 ≤ 𝑋 ≤ 54).
c) 𝑃(𝑋 ≥ 34).

Solución:
a) Para el cálculo de la primera probabilidad 𝑃(0.5 ≤ 𝑋 ≤ 1.0):
1
1 8 𝑥3 3
𝑃(0.5 ≤ 𝑋 ≤ 1.0) = ∫1 (9 𝑥 2 ) 𝑑𝑥 =( 8
) 3]
9
8
= (27 8
)[(1)3 −(12) ] = (27 )(34) = 𝟎. 𝟐𝟓𝟗𝟑
2 1
2

Por lo cual la probabilidad que la variable X esté entre 0.5 y 1.0 es del 25.93%.

b) Para el cálculo de la probabilidad 𝑃(14 ≤ 𝑋 ≤ 54):

5
5 4
8 𝑥3 3
1 3
𝑃(14 ≤ 𝑋 ≤ 54) = ∫ 1
4
(9 𝑥2 ) 𝑑𝑥 = (89) 3 ] = (278 )[(54) −(4) ] = (278 )(24
16
) = 𝟎. 𝟒𝟖𝟒𝟒
4 1
4

Por lo cual la probabilidad que la variable X esté entre 0.25 y 1.25 es del 48.44%.

c) Para el cálculo de la probabilidad 𝑃(𝑋 ≥ 34):

3
3 2
8 𝑥3 3
3 3
3
𝑃(𝑋 ≥ ) = ∫
4 3
2
(9 𝑥2 ) 𝑑𝑥 = ( ) ] = (278 )[(32)
8
9
−(4) ] = (278 )(27
16
) = 𝟎. 𝟖𝟕𝟓𝟎
4
3 3
4

Por lo cual la probabilidad que la variable X sea mayor a 0.75 es del 87.50%.

Página 9 de 24
Al igual que en las variables aleatorias discretas en éstas también se necesita el cálculo de la
esperanza matemática o valor esperado así mismo de la varianza y desviación estándar como
sigue a continuación.

Esperanza matemática
Se X una variable aleatoria continua con función de densidad 𝑓(𝑥). Se llama esperanza
matematica o valor esperado, valor medio o media de 𝑋 al número real, la fórmula para el
cálculo es la siguiente:
∞

𝑬(𝑿) = 𝝁 = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞

Ejemplo.
Dada la siguiente función:
8 2 3
𝑓(𝑥) = { 9 𝑥 , 𝑠𝑖 0 < 𝑥 ≤
2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcular el valor esperado.
Solución:
3
∞ ∞ 2 3
4
8 2 8 3 8 𝑥 2 2 3 4 9
𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥 ( 𝑥 ) 𝑑𝑥 = ∫ ( 𝑥 ) 𝑑𝑥 = (9) ] = (9) [(2) −(0)4 ] =
9 9 4 8
−∞ −∞ 0 0

9
Por lo cual el valor esperado es de 8
=𝟏.𝟏𝟐𝟓.

varianza
La varianza se define como la medida del cuadrado de la distancia promedio entre la media
y cada elemento de la población.

Se 𝑋 una variable aleatoria continua con distribución de probabilidad 𝑓(𝑥) y media 𝜇. La

varianza de 𝑋 es calculada por medio de la formula siguiente:
∞ ∞
𝟐 𝟐]
𝝈 = 𝑬[(𝑿 − 𝝁) = ∫ (𝒙 − 𝝁) 𝒇(𝒙)𝒅𝒙 = ∫ 𝒙𝟐 𝒇(𝒙)𝒅𝒙 − 𝝁𝟐
𝟐

−∞ −∞

Página 10 de 24
Ejemplo.
Dada la siguiente función:
8 2 3
𝑓(𝑥) = { 9 𝑥 , 𝑠𝑖 0 < 𝑥 ≤
2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Calcular la varianza.
9 2 9 2
3
∞ ∞ 8 8
𝜎 2 = ∫−∞ 𝑥 2 𝑓(𝑥)𝑑𝑥 − 𝜇 2 = ∫−∞ 𝑥 2 (9 𝑥 2 ) 𝑑𝑥 − (8) = ∫02 (9 𝑥 4 ) 𝑑𝑥 − (8)
3

2 𝑥5 2 9 2 5 9 2 27 81 27
𝜎 = ( ) 5 ] − (8) = (458 )[(32)
8
9
−(0)5 ] − (8) = (20) − (64) = 320
0

27
Por lo cual la varianza es 320 = 𝟎. 𝟎𝟖𝟒𝟑𝟕𝟓.

Desviación estándar.
Es la raíz cuadrada positiva de la varianza, la fórmula para su cálculo es la siguiente:

𝜎𝑥 = √𝑉(𝑋)

3.4 Modelos de distribución de probabilidad en variable aleatoria discreta

3.4.1 Binomial
La función binomial es una distribución de probabilidad discreta aplicable como modelo para
situaciones de toma de decisiones en las que puede suponer que un proceso de muestreo
responde a un proceso Bernoulli. (Lind, Marchal, & Wathen, 2012).

Propiedades:
1. El experimento consiste en una serie de n ensayos idénticos.
2. En cada ensayo hay dos resultados posibles. A uno de estos resultados se le llama
éxito y al otro se le llama fracaso.
3. La probabilidad de éxito, que se denota 𝑝, no cambia de un ensayo a otro. Por ende,
la probabilidad de fracaso, que se denota 1 − 𝑝, tampoco cambia de un ensayo a otro
lo que significa que 𝑝 es constante.
4. Los ensayos son independientes.

La ecuación para su cálculo es la que a continuación se presenta:

Página 11 de 24
 𝒏
𝑷(𝒙) = ( ) 𝒑𝒙 (𝟏 − 𝒑)(𝒏−𝒙)
𝒙
Donde:
𝑃(𝑥) = Probabilidad de 𝑥 éxitos en 𝑛 ensayos
𝑛 = Número de ensayos
𝑛!
(𝑛𝑥) = 𝑥!(𝑛−𝑥)! = combinación
𝑝 = Probabilidad de éxito en cualquiera de los ensayos
1 − 𝑝 = Probabilidad de un fracaso en cualquiera de los ensayos.

Ejemplo:
El jefe de recursos humanos de una empresa realiza un test de 8 ítems a los aspirantes a un
puesto, teniendo en cada ítem cinco posibles respuestas, de las que sólo una es correcta.
Suponiendo que los aspirantes teniendo la misma probabilidad de responder. Se pide hallar
las probabilidades para el aspirante:

A. Conteste todos los ítems mal

B. Contesta al menos 4 ítems bien
C. Contesté entre 4 y 6 ítems bien

Solución:
Sea X: Contestar correctamente el ítem en el test.
La variable X sigue una distribución binomial con 𝑛 = 8 y 𝑝 = 0.20.
a) 𝑃(𝑋 = 0) = (80)0.200 (1 − 0.20)(8−0) = 0.808 = 𝟎. 𝟏𝟔𝟕𝟖
El 16.78% es la probabilidad que el estudiante conteste todos los ítems mal.

b) 𝑃(𝑋 ≥ 4) = 1 − 𝑃(𝑋 < 4) = 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 =

3)] =
1 − [(80)0.200 (1 − 0.20)(8−0) + (81)0.201 (1 − 0.20)(8−1) + (82)0.202 (1 −
0.20)(8−2) + (83)0.203 (1 − 0.20)(8−3) ] = 1 − [0.1678 + 0.3355 + 0.2936 +
0.1468] = 1 − 0.9437 = 0.0563
El 5.63% es la probabilidad que el estudiante conteste al menos cuatro ítems bien.

c) 𝑃(4 ≤ 𝑋 ≤ 6) = 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6) = (84)0.204 (1 −

0.20)(8−4) + (85)0.205 (1 − 0.20)(8−5) + (86)0.206 (1 − 0.20)(8−6) = 0.0459 +
0.0092 + 0.0011 = 𝟎. 𝟎𝟓𝟔𝟐
El 5.62% es la probabilidad que el estudiante conteste entre cuatro y seis ítems bien.

Valor esperado y varianza en la distribución binomial

Página 12 de 24
En el tema anterior se dieron fórmulas para lo que fue el cálculo del valor esperado y la
varianza de una variable aleatoria discreta. Al igual en este tema se verán esas medidas, en
el caso especial de que la variable aleatoria tenga una distribución binomial para la que se
conoce el número de ensayos 𝑛 y la probabilidad de éxito 𝑝, la formula general tanto para el
valor esperado como para la varianza me presentan a continuación:

Valor esperado:

𝑬(𝒙) = 𝝁 = 𝒏𝒑
Donde:
𝐸(𝑥) = valor esperado
𝑛 = número de ensayos
𝑝 = probabilidad de éxito
Varianza
𝑽𝒂𝒓(𝒙) = 𝝈𝟐 = 𝒏𝒑(𝟏 − 𝒑)

Donde:
𝑛 = número de ensayos
𝑝 = probabilidad de éxito
1 − 𝑝 = Probabilidad de un fracaso en cualquiera de los ensayos.

Ejemplo:
El jefe de recursos humanos de una empresa realiza un test de 8 ítems a los aspirantes a un puesto,
teniendo en cada ítem cinco posibles respuestas, de las que sólo una es correcta. Suponiendo que los
aspirantes teniendo la misma probabilidad de responder. Calcular el valor esperado y la varianza.

Solución.
Sea X: Contestar correctamente el ítem en el test.

La variable X sigue una distribución binomial con 𝑛 = 8 y 𝑝 = 0.20.

El valor esperado viene dado por la fórmula:

𝐸(𝑋) = 𝑛𝑝 = (8)(0.2) = 𝟏. 𝟔
La fórmula de la varianza viene dado por la siguiente fórmula:

𝑉(𝑋) = 𝑛𝑝(1 − 𝑝) = (8)(0.2)(0.8) = 𝟏. 𝟐𝟖

Página 13 de 24
 3.4.2 Poisson

Es una distribución de probabilidad discreta que se expresa, a partir de una frecuencia de

ocurrencia media, la probabilidad de que ocurra de un determinado número de eventos
durante cierto período de tiempo.

La distribución de probabilidad de Poisson describe el número de veces que se presenta un

evento durante un intervalo específico. El intervalo puede ser tiempo, distancia, área o
volumen. (Lind, Marchal, & Wathen, 2012).

La distribución se basa en dos supuestos: El primero consiste en que la probabilidad es

proporcional a la magnitud del intervalo. El segundo consiste en que los intervalos son
independientes. Se puede decir que, cuanto más grande sea el intervalo, mayor será la
probabilidad, asimismo el número de veces en que presenta en un intervalo no influye en los
demás intervalos.

Las propiedades de la distribución de Poisson son:

1. La probabilidad de ocurrencia es la misma para cualesquiera dos intervalos de la
misma magnitud.
2. La ocurrencia o no-ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no-ocurrencia en cualquier otro intervalo.

La fórmula para el cálculo de la distribución de Poisson es la siguiente:

𝝁𝒙 𝒆−𝝁
𝑷(𝒙) =
𝒙!
Donde
𝑷(𝒙)= Probabilidad de 𝑥 ocurrencias en un intervalo
𝝁 = Valor esperado o número medio de ocurrencias en un intervalo
𝒆 = Es la constante 𝒆 = 𝟐. 𝟕𝟏𝟖𝟐𝟖 que es la base de los logaritmos naturales

Se puede observar que el número de ocurrencia 𝑥, no tiene limite superior, es decir ésta es
un a varaible aleatoria discreta que puede tomar los valores de una sucesión de números (𝑥 =
0,1,2, … … )

Valor Esperado
Al igual que en los temas anteriores es necesario el cálculo del valor esperado 𝑬(𝒙) y para
ello se utilizara la formula siguiente:

Página 14 de 24
 𝑬(𝒙) = 𝝁

𝝁 = Valor esperado o número medio de ocurrencias en un intervalo

𝑬(𝒙) = Valor esperado

Varianza:

𝑽𝒂𝒓(𝒙) = 𝝁

Ejemplo:
Una compañía aérea observa que el número de componentes que fallan antes de cumplir 100
horas de funcionamiento es una variable aleatoria de Poisson. Si el número promedio de
fallos es ocho. Se pide:

a) ¿Cuál es la probabilidad de que falle un componente en 25 horas?

b) ¿Cuál es la probabilidad de que fallen menos de dos componentes en 50 horas?
c) ¿Cuál es la probabilidad de que fallen por lo menos tres componentes en 125 horas?

Solución.
Sea la variable aleatoria discreta X = número de componentes que fallan antes de 100 horas.
El parámetro es 𝜇 = 𝐸(𝑋) = 𝟖
a) ¿Cuál es la probabilidad de que falle un componente en 25 horas?

Considerando ciertas condiciones de regularidad, se puede asumir que la variable:

Y = número de componentes que fallan antes de 25 horas.
8
Esta sigue distribución de Poisson de parámetro 𝜇𝑌 = 4 = 2
Lo que necesitamos calcular es:
𝑘 𝜇𝑌 =2
𝜇𝑌 21
𝑃(𝑌 = 𝑘) = 𝑒 −𝜇𝑌 → 𝑃(𝑌 = 1) = 𝑒 −2 = 𝟎. 𝟐𝟕𝟎𝟔𝟕
𝑘! 1!
Por lo cual la probabilidad de que un componente falle en 25 horas es del 27.07%.

b) ¿Cuál es la probabilidad de que fallen menos de dos componentes en 50 horas?

Similarmente podemos utilizar una variable aleatoria.
U = número de componentes que fallan antes de 50 horas.
8
Esta sigue distribución de Poisson de parámetro 𝜇𝑈 = 2 = 4

Lo que necesitamos calcular es:

40 41
𝑃(𝑈 < 2) = 𝑃(𝑈 = 0) + 𝑃(𝑈 = 1) = [ 𝑒 −4 ] + [ 𝑒 −4 ] = 𝟎. 𝟎𝟗𝟏𝟔
0! 1!

Página 15 de 24
Por lo cual la probabilidad de que fallen menos de dos componentes en 50 horas es del 9.16%.

c) ¿Cuál es la probabilidad de que fallen por lo menos tres componentes en 125 horas?
Tenemos la Variable Aleatoria:
V = número de componentes que fallan antes de 125 horas.
Esta sigue distribución de Poisson de parámetro 𝜇𝑉 = 1.25(8) = 10
𝑃(𝑉 ≥ 3) = 1 − 𝑃(𝑉 < 3) = 1 − [𝑃(𝑉 = 0) + 𝑃(𝑉 = 1) + 𝑃(𝑉 = 2)] =
100 101 102
𝑃(𝑉 ≥ 3) = 1 − [ 0! 𝑒 −10 + 𝑒 −10 + 𝑒 −10 ] =
1! 2!
𝑃(𝑉 ≥ 3) = 1 − 0.0028 = 𝟎. 𝟗𝟗𝟕𝟐
Por lo cual la probabilidad de que fallen por lo menos tres componentes en 125 horas es del
99.72%.

3.4.3 Aproximación de la distribución binomial a la Poisson

Se considera como el límite al cual tiende una distribución Binomial cuando el número de
elementos es muy grande, es decir, tiende a infinito con probabilidades pequeñas, cuando
𝑛 → ∞ y 𝑝 → 0.

La aproximación se utiliza regularmente cuando 𝒏 ≥ 𝟑𝟎 y 𝐩 ≤ 𝟎. 𝟎𝟓.Para la distribución

Binomial se aproxima a la de Poisson con 𝝁 = 𝒏𝒑. Por lo que la función de distribución de
probabilidad es:

(𝒏𝒑)𝒙 𝒆−(𝒏𝒑)
𝑷(𝒙) =
𝒙!

Ejemplo:
Se sabe que el 4% de los libros encuadernados en cierto taller tienen encuadernaciones
defectuosas. Determine la probabilidad de que 3 de 120 libros encuadernados en ese taller,
tengan encuadernaciones defectuosas, usando la aproximación de Poisson a la distribución
Binomial.

Solución:
Primeramente se verá que cumple las condiciones para poder hacer la aproximación. El 𝑛 =
120, por tanto el valor de 𝑛 es mayor que 30 y cumple la primera condición. Para la segunda
condición el valor de p ≤ 0.05, si lo cumple pues p = 0.04. Como cumple las dos
condiciones podemos hacer la aproximación de la distribución Binomial a la de Poisson con
𝝁 = 𝒏𝒑 = 120 ∗ 0.04 = 𝟒. 𝟖.
Por lo que la función de distribución de probabilidad es:

Página 16 de 24
 (𝟒. 𝟖)𝒙 𝒆−(𝟒.𝟖)
𝑷(𝒙) =
𝒙!
Definimos la variable 𝑋: número de libros encuadernados en un taller que tengan
defectuosos.

Ahora lo que tenemos que calcular es 𝑷(𝒙 = 𝟑).

Usando la distribución de Poisson:

(𝟒. 𝟖)𝟑 𝒆−(𝟒.𝟖)

𝑷(𝒙 = 𝟑) = = 𝟎. 𝟏𝟓𝟏𝟕
𝟑!
Por lo que la probabilidad de que tres cuadernos tengan encuadernaciones defectuosas es del
15.17%.

3.5 Modelos en Distribución de Probabilidad en variable aleatoria continúa

3.5.1 Exponencial

Es una distribución de probabilidad continua con parámetro 𝜇 > 0.

Una variable aleatoria X tiene una distribución exponencial y se denomina variable aleatoria
exponencial continua si y sólo si su función de densidad de probabilidad está dada por:
𝟏 −𝒙
𝒆 𝝁 𝒑𝒂𝒓𝒂 𝒙 ≥ 𝟎
𝒇(𝒙) = { 𝝁
𝟎 𝒆𝒏 𝒄𝒂𝒔𝒐 𝒄𝒐𝒏𝒕𝒓𝒂𝒓𝒊𝒐

𝝁 = valor esperado o media

Es una función de densidad de probabilidad ya que cumple con lo siguiente:

1. 𝑓(𝑥) ≥ 0 Lo cumple por ser una función exponencial.

∞
2. ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

Función de Distribución Acumulada:

Para calcular las probabilidades exponenciales se utiliza la fórmula siguiente:
𝟎 𝒑𝒂𝒓𝒂𝒙 < 𝟎
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = { −𝒙
𝟏− 𝒆𝝁 𝒑𝒂𝒓𝒂𝒙 ≥ 𝟎
Esta fórmula aporta la probabilidad aculada de obtener un valor de la variable aleatoria
exponencial que sea menor o igual que algún valor especifico denotado por 𝒙.

Página 17 de 24
El cálculo del valor esperado y la varianza de la distribución exponencial se realizaran
mediante las siguientes fórmulas.

𝑽𝒂𝒍𝒐𝒓 𝑬𝒔𝒑𝒆𝒓𝒂𝒅𝒐 𝑬(𝒙) = 𝝁

𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝑽𝒂𝒓(𝒙) = 𝝁𝟐

Ejemplo:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución
exponencial con media de 20 años. ¿Cuál es la probabilidad de que a una persona a la que se
le ha implantado este marcapasos se le deba reimplantar otro antes de 25 años?

Solución:

Sea X: la variable aleatoria que mide la duración de un marcapasos en una persona.

𝜇 = 20

La Función Acumulada de Probabilidad está dado por:

𝑥
−
𝑃(𝑋 ≤ 𝑥) = 𝐹(𝑥) = 1 − 𝑒 𝜇

25
𝑃(𝑋 ≤ 25) = 𝐹(25) = 1 − 𝑒 −20 = 1 − 𝑒 −1.25 = 𝟎. 𝟕𝟏𝟑𝟓

Por lo tanto, la probabilidad de que a una persona a la que se le ha implantado este marcapasos
se le deba reimplantar otro antes de 25 años es del 71.35%.

3.5.2 Normal

Es una distribución de probabilidad de variable continua que con frecuencia se aproxima a

fenómenos reales.

Una variable aleatoria continua 𝑋 tiene una distribución normal con parámetros 𝜇 y 𝜎 2 ,
siendo 𝜇 un número real cualquiera y 𝜎 > 0, siendo su función de densidad de probabilidad
de la forma siguiente:

𝟏 (𝒙−𝝁)𝟐
−
𝒇(𝒙) = 𝒆 𝟐𝝈𝟐
𝝈√𝟐𝝅

Página 18 de 24
Donde:
𝜇 = Media

𝜎 = Desviación estándar

𝜋 = PI 3.14150

𝑒 = 2.71828

El valor esperado y la varianza se calculan mediante las siguientes fórmulas:

𝑽𝒂𝒍𝒐𝒓 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒐 𝑬(𝒙) = 𝝁

𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝑽𝒂𝒓(𝒙) = 𝝈𝟐

Para (Anderson, Dennis, & Thomas, 2008) da las siguientes observaciones importantes
acerca de las características de las distribuciones normales.

1. Toda la familia de distribuciones normales se diferencia por medio de dos parámetros:

la media 𝝁 y la desviación estándar 𝝈.

2. El punto más alto de una curva normal se encuentra sobre la media, la cual coincide
con la mediana y la moda.

3. La media de una distribución normal puede tener cualquier valor: negativo, positivo
o cero.

4. La distribución normal es simétrica, siendo la forma de la curva normal al lado

izquierdo de la media, la imagen especular de la forma al lado derecho de la media.
Las colas de la curva normal se extienden al infinito en ambas direcciones y en teoría
jamás tocan el eje horizontal. Dado que es simétrica, la distribución normal no es
sesgada; su sesgo es cero.

5. La desviación estándar determina qué tan plana y ancha es la curva normal.

Desviaciones estándar grandes corresponden a curvas más planas y más anchas, lo
cual indica mayor variabilidad en los datos.

Página 19 de 24
 (Anderson, Dennis, & Thomas, 2008)

6. Las probabilidades correspondientes a la variable aleatoria normal se dan mediante

áreas bajo la curva normal. Toda el área bajo la curva de una distribución normal es
1. Como esta distribución es simétrica, el área bajo la curva y a la izquierda de la
media es 0.50 y el área bajo la curva y a la derecha de la media es 0.50.

7. Los porcentajes de los valores que se encuentran en algunos intervalos comúnmente

usados son:
a. 68.3% de los valores de una variable aleatoria normal se encuentran más o menos
una desviación estándar de la media.
b. 95.4% de los valores de una variable aleatoria normal se encuentran más o menos
dos desviaciones estándar de la media.
c. 99.7% de los valores de una variable aleatoria normal se encuentran más o menos
tres desviaciones estándar de la media.

(Anderson, Dennis, & Thomas, 2008)

Estandarización de la distribución normal

Una variable aleatoria que tiene una distribución normal con una media cero y desviación
estándar de uno tiene una distribución normal estándar. Para designar esta variable aleatoria
normal se suele usar la letra 𝒛.Esta distribución tiene el mismo aspecto general que cualquier
otra distribución normal, pero tiene las propiedades especiales, 𝝁 = 𝟎 y 𝝈 = 𝟏

Cualquier distribución de probabilidad normal puede convertirse en una distribución de

probabilidad normal estándar si se resta la media de cada observación y se divide esta
Página 20 de 24
diferencia entre la desviación estándar. Los resultados reciben el nombre de valores z o
valores tipificados.

La fórmula para el cálculo es la siguiente:

𝑿−𝝁
𝒛=
𝝈

DONDE:
𝑋 = Es el valor de cualquier observación y medición.
𝜇 = Es la media de la distribución.
𝜎 = Es la desviación estándar de la distribución.

Ejemplo
Para el tiempo empleado, en horas, en hacer un determinado producto sigue una distribución
(15, 3). Se pide la probabilidad de que ese producto se tarde en fabricar:
a) Menos de 10.5 horas
b) Entre 12 y 16.5 horas
Solución:

Sea X: número de horas en fabricar un determinado producto

𝜇 = 15 𝜎 = 3

𝑋 → 𝑁(15,3)
a) Menos de 10.5 horas
𝑿−𝝁
= 𝒁 (Estandarizando)
𝝈
𝑋 − 𝜇 10.5 − 15
𝑃(𝑋 < 10.5) = 𝑃 [ < ]
𝜎 3
𝑋 − 𝜇 10.5 − 15
𝑃[ < ] = 𝑃[𝑍 < −1.5] = 𝑃[𝑍 > 1.5]
𝜎 3

𝑃[𝑍 > 1.5] = 0.0668

Lo que nos indica que el 6.68% es la probabilidad que un producto se fabrique en menos de
10.5 horas
b) Entre 12 y 16.5 horas

Página 21 de 24
 𝑿−𝝁
= 𝒁 (Estandarizando)
𝝈

12−15 𝑋−𝜇 16.5−15

𝑃(12 ≤ 𝑋 ≤ 16.5) = 𝑃 [ ≤ ≤ ]
3 𝜎 3
12−15 𝑋−𝜇 16.5−15
𝑃[ ≤ ≤ ] = 𝑃(−1.0 ≤ 𝑍 ≤ 0.5) =
3 𝜎 3

𝑃(−1.0 ≤ 𝑍 ≤ 0.5) = 𝑃(𝑍 ≥ −1.0) − 𝑃(𝑍 ≥ 0.5)

𝑃(−1.0 ≤ 𝑍 ≤ 0.5) = 𝑃(𝑍 ≤ 1.0) − 𝑃(𝑍 ≥ 0.5)

𝑃(𝑍 ≤ 1.0) = 1 − 𝑃(𝑍 ≥ 1.0)

𝑃(−1.0 ≤ 𝑍 ≤ 0.5) = 𝑃(𝑍 ≤ 1.0) − 𝑃(𝑍 ≥ 0.5)

𝑃(−1.0 ≤ 𝑍 ≤ 0.5) = 1 − 𝑃(𝑍 ≥ 1.0) − 𝑃(𝑍 ≥ 0.5)

𝑃(−1.0 ≤ 𝑍 ≤ 0.5) = 1 − 0.1587 − 0.3085 = 𝟎. 𝟓𝟑𝟐𝟖

Lo que nos indica que el 53.28% es la probabilidad que un producto se tarde en fabricarse
entre 12 y 16.5 horas.

3.5.3 Aproximación de la binomial a la normal

Cuando 𝑛 es grande y 𝑝 es constante el comportamiento de una distribución Binomial, con

parámetros 𝑛 y 𝑝, es aproximadamente igual a una distribución normal de media 𝝁 = 𝒏𝒑 y
desviación estándar 𝝈 = √𝒏𝒑(𝟏 − 𝒑).

Se considera una buena aproximación cuando:

𝒏𝒑 ≥ 𝟓 Y 𝒏(𝟏 − 𝒑) ≥ 𝟓
Cuando aproximamos una distribución binomial mediante una normal, se está convirtiendo
una variable discreta X, en una variable continua X’.

Página 22 de 24
En el siguiente esquema se muestran todas las posibles situaciones del cambio de las
variables:

𝑿 ⟹ 𝑩(𝒏, 𝒑) 𝑿′ ⟹ 𝑵(𝒏𝒑, √𝒏𝒑(𝟏 − 𝒑))

𝑃(𝑋 = 𝑎) = 𝑃(𝑎 − 0.5 ≤ 𝑋 ′ ≤ 𝑎 + 0.5)
𝑃(𝑋 ≤ 𝑎) = 𝑃(𝑋 ′ ≤ 𝑎 + 0.5)
𝑃(𝑋 < 𝑎) = 𝑃(𝑋 ′ ≤ 𝑎 − 0.5)

𝑃(𝑋 > 𝑎) = 𝑃(𝑋 ′ ≥ 𝑎 + 0.5)

𝑃(𝑋 ≥ 𝑎) = 𝑃(𝑋 ′ ≥ 𝑎 − 0.5)

𝑃(𝑎 ≤ X < 𝑏) = 𝑃(𝑎 − 0.5 ≤ 𝑋 ′ ≤ 𝑏 + 0.5)

Ejemplo
El 6% de los pantalones de una determinada marca salen con algún defecto. Se empaquetan
en caja de 100 pantalones para diferentes tiendas. ¿Cuál es la probabilidad de que en una caja
haya entre 7 y 11 pantalones defectuosos?

Solución:
Sea 𝑋: número de pantalones defectuosos en una caja.

Se trata de una distribución binomial, con parámetros 𝑛 = 100, 𝑝 = 0.06; es decir

𝐵(100,0.06), donde

𝜇 = 𝑛𝑝 = 100 ∗ 0.06 = 𝟔 𝜎 = √𝑛𝑝(1 − 𝑝) = √100 ∗ 0.06 ∗ 0.94 = 𝟐. 𝟑𝟕𝟓

Como podemos observar las condiciones para aproximar de una distribución discreta
binomial a una distribución continua normal:

𝑛𝑝 = 6 > 5 𝑛(1 − 𝑝) = 94 > 5

Con lo que, 𝐵(𝑛, 𝑝)~𝑁[𝜇 = 𝑛𝑝, 𝜎 = √𝑛𝑝(1 − 𝑝)] ↦ 𝐵(100,0.06)~𝑁[6, 2.375]

Para utilizar correctamente la transformación de una variable aleatoria discreta 𝑋

(distribución binomial) en una variable aleatoria continua 𝑧 (con distribución normal) es
necesario hacer una corrección de continuidad:

Página 23 de 24
 TRANSFORMACIÓN

𝑃(7 ≤ 𝑋 ≤ 11) = 𝑃(6.5 ≤ 𝑋 ′ ≤ 11.5)

6.5−6.0 𝑋′−6.0 11.5−6.0

𝑃(6.5 ≤ 𝑋 ′ ≤ 11.5) = 𝑃 [ ≤ ≤ ] = 𝑃(0.21 ≤ 𝑧 ≤ 2.32) =
2.375 2.375 2.375

𝑃(0.21 ≤ 𝑧 ≤ 2.32) = 𝑃(𝑧 ≥ 0.21) − 𝑃(𝑧 ≥ 2.32) = 0.4168 − 0.0102 = 𝟎. 𝟒𝟎𝟔𝟔

Por lo cual la probabilidad de que en una caja haya entre 7 y 11 pantalones defectuosos es
del 40.66%.

Referencias
Anderson, D. R., Dennis, J. S., & Thomas, A. W. (2008). Estadística para Administración
y Economía (10 ed.). México, D.F: Cengage Learning.
Gómez Barrantes, M. (2016). Elementos de Estadistica Descriptiva. San José, Costarica:
EEUNED.
Lind, D., Marchal, W., & Wathen, S. (2012). Estadística aplicada a los negocios y la
economía (15 ed.). México: Mc Graw Hill.

Página 24 de 24