Tema:

PRINCIPALES LEYES DE
DISTRIBUCIÓN DE
VARIABLES ALEATORIAS
Presentado por: Mg.Ing. César J. Huamaní Salazar

Sesión N° 14
I. INTRODUCCIÓN II. VARIABLES DISCRETAS
Como complemento al capítulo anterior en el que 2.1. Distribución de Bernoulli
definimos todos los conceptos relativos a variables
Consiste en realizar un experimento aleatorio una
aleatorias, describimos en este las principales leyes
sola vez y observar si cierto suceso ocurre o no,
de probabilidad que encontramos en las
siendo p la probabilidad de que esto sea así (éxito)
aplicaciones del cálculo de probabilidades.
y q = 1−p el que no lo sea (fracaso). En realidad no
Atendiendo a la clasificación de las v.a. en discretas
se trata más que de una variable dicotómica, es
y continuas describiremos las principales leyes de
decir que únicamente puede tomar dos
probabilidad de cada una de ellas, las cuales
modalidades, es por ello que el hecho de llamar
constituirán el soporte subyacente de la inferencia
éxito o fracaso a los posibles resultados de las
estadística y a las que será necesario hacer
pruebas obedece más una tradición literaria o
referencia en el estudio de dicho bloque. Iniciamos
histórica, en el estudio de las v.a., que a la situación
este capítulo con el estudio de las distribuciones
real que pueda derivarse del resultado. Podríamos
para v.a. discretas.
por tanto definir este experimento mediante una
v.a. discreta X que toma los valores X = 0 si el
suceso no ocurre, y X = 1 en caso contrario, y que
se denota X ⤳ Ber (𝑝)
Un ejemplo típico de este tipo de variables
aleatorias consiste en lanzar una moneda al aire y
considerar la v.a.
Para una v.a. de Bernoulli, tenemos que su función
de probabilidad es:
Los principales momentos de X son:
2.2. Distribución binomial
Se dice que una v.a. X sigue una ley binomial de
parámetros n y p, X ⤳ B (n, p), si es la suma de n v.a.
independientes de Bernoulli con el mismo
parámetro, 𝑝:
Esta definición puede interpretarse en el siguiente
sentido: Supongamos que realizamos n pruebas de
Bernoulli, Xi , donde en todas ellas, la probabilidad
de éxito es la misma (p), y queremos calcular el
número de éxitos, X, obtenidos el total de las n
pruebas. Su ley de probabilidad es1 En la Figura 6.1
se representa la función de probabilidad de una
variable binomial.
El valor esperado y la varianza de esta variable son:

Ejemplo de uso de la distribución binomial

Un médico aplica un test a 10 alumnos de un colegio
para detectar una enfermedad cuya incidencia sobre
una población de niños es del 10 %.

La sensibilidad del test es del 80 % y la especificidad

del 75 %. ¿Cual es la probabilidad de que
exactamente a cuatro personas le de un resultado
positivo? Si en la muestra hay cuatro personas a las
que el test le da positivo, ¿cuál es la probabilidad de
que entre estas, exactamente dos estén sanas?
Calcular la probabilidad de que el test suministre un
resultado incorrecto para dos personas. Calcular la
probabilidad de que el resultado sea correcto para
más de 7 personas.
Solución:
Los datos de que disponemos son:

donde E, T+, y T− tienen el sentido que es obvio. Si

queremos saber a cuantas personas el test le dará
un resultado positivo, tendremos que calcular P[T+],
para lo que podemos usar el teorema de la
probabilidad total (estar enfermo y no estarlo
forman una colección exhaustiva y excluyente de
sucesos):
 Si queremos calcular a cuantas personas les dará el
test un resultado positivo aunque en realidad estén
sanas, hemos de calcular previamente Ƥ 𝐸തȁ𝑇+ , o sea,
el índice predictivo de falsos positivos:

Sea 𝑋1 la v.a. que contabiliza el número de

resultados positivos. Es claro que llamando 𝑝1 =
Ƥ[T+], se tiene que X sigue una distribución
binomial.
Por ello la probabilidad de que a cuatro personas le
de el resultado del test positivo es:
Es importante observar este resultado. Antes de
hacer los cálculos no era previsible que si a una
persona el test le da positivo, en realidad tiene una
probabilidad aproximadamente del 74 % de estar
sana. Sea X2 la variable aleatoria que contabiliza al
número de personas al que el test le da positivo,
pero que están sanas en realidad. Entonces

𝑛 𝑛! 10! 1.2.3.4.5.6.7.8.9.10
• 𝐶𝑘𝑛 = 𝑘
= 𝑘! 𝑛−𝑘 !
= 4!(6!) = (1.2.3.4)(1.2.3.4.5.6)= 210
Y La variable aleatoria que contabiliza el número de
resultados erróneos del test es

Por último vamos a calcular la probabilidad 𝑝3 de

Como la probabilidad de que el test sea correcto
que el test de un resultado erróneo, que es:
para más de siete personas, es la de que sea
incorrecto para menos de 3, se tiene
2.3. Distribución geométrica (o de fracasos) De este modo tenemos que la ley de probabilidad de
Consideramos una sucesión de v.a. independientes X es
de Bernoulli,

Una v.a. X sigue posee una distribución geométrica, La media y varianza de esta variable aleatoria son:
X ⤳ Geo (𝑝), si esta es la suma del número de
fracasos obtenidos hasta la aparición del primer
éxito en la sucesión 𝑋𝑖 ∞
𝑖=1 . Por ejemplo
Ejemplo de uso de la distribución geométrica
Un matrimonio quiere tener una hija, y por ello
deciden tener hijos hasta el nacimiento de una hija.
Calcular el número esperado de hijos (entre varones
y mujeres) que tendrá el matrimonio. Calcular la
probabilidad de que la pareja acabe teniendo tres
hijos o más.
Solución:
Este es un ejemplo de variable geométrica. Vamos a
suponer que la probabilidad de tener un hijo varón
es la misma que la de tener una hija mujer. Sea X la
v.a.
X = número de hijos varones antes de nacer la niña
Es claro que
Sabemos que el número esperado de hijos varones
es
𝑞
𝐄 𝑋 = 𝑝 = 1 , por tanto el número esperado en total
entre hijos varones y la niña es 2. La probabilidad de
que la pareja acabe teniendo tres o más hijos, es la
de que tenga 2 o más hijos varones (la niña está del
tercer lugar en adelante), es decir,
•
Hemos preferido calcular la probabilidad pedida
mediante el suceso complementario, ya que sería
más complicado hacerlo mediante la suma infinita
2.4. Distribución binomial negativa
Sobre una sucesión de v.a. de Bernoulli
independientes,
se define la v.a. X como el número de fracasos
obtenidos hasta la aparición de r éxitos en la
sucesión 𝑋𝑖 ∞
𝑖=1 .En este caso se dice que X sigue
una ley de distribución binomial negativa de
parámetros r y p y se denota del modo: X ⤳ Bn (r, p).
Su ley de probabilidad es:
Ejemplo de variable binomial negativa
Para tratar a un paciente de una afección de pulmón
han de ser operados en operaciones independientes
sus 5 lóbulos pulmonares. La técnica a utilizar es tal
que si todo va bien, lo que ocurre con probabilidad
de 7/11, el lóbulo queda definitivamente sano, pero
si no es así se deberá esperar el tiempo suficiente
para intentarlo posteriormente de nuevo. Se
practicará la cirugía hasta que 4 de sus 5 lóbulos
funcionen correctamente. ¿Cuál es el valor esperado
de intervenciones que se espera que deba padecer el
paciente? ¿Cuál es la probabilidad de que se
necesiten 10 intervenciones?
Solución es muy simple:
Este es un ejemplo claro de experimento aleatorio
regido por una ley binomial negativa, ya que se • Y=X+r
realizan intervenciones hasta que se obtengan 4
lóbulos sanos, y este es el criterio que se utiliza para Luego
detener el proceso. Identificando los parámetros se
tiene:

X = número de operaciones hasta obtener r = 4 con Luego el número esperado de intervenciones que
resultado positivo deberá sufrir el paciente es de 11. La probabilidad
de que el número de intervenciones sea Y = 10, es la
de que X = 10 − 4 = 6. Por tanto:

Lo que nos interesa es medir el número de

intervenciones, Y , más que el número de éxitos
hasta el r–ésimo fracaso. La relación entre ambas
v.a. 𝑛 𝑛!
• 𝐶𝑘𝑛 = 𝑘
= 𝑘! 𝑛−𝑘 !
2.5. Distribución hipergeométrica
Por claridad, consideremos el siguiente ejemplo:
Tenemos una baraja de cartas españolas (N = 40
naipes), de las cuales nos vamos a interesar en el
palo de oros (D = 10 naipes de un mismo tipo).
Supongamos que de esa baraja extraemos n = 8
cartas de una vez (sin reemplazamiento) y se nos
plantea el problema de calcular la probabilidad de
que hayan k = 2 oros (exactamente) en esa
extracción. La respuesta a este problema es
En lugar de usar como dato D es posible que
tengamos la proporción existente, p, entre el
número total de oros y el número de cartas de la
baraja

..
de modo que podemos decir que Cuando el tamaño de la población (N) es muy
grande, la ley hipergeométrica tiende a aproximarse
a la binomial:

El valor esperado de la hipergeométrica es el mismo

Este ejemplo sirve para representar el tipo de que el de la binomial,
fenómenos que siguen una ley de distribución
hipergeométrica. Diremos en general que una v.a. X
sigue una distribución hipergeométrica de sin embargo su varianza
parámetros, N, n y p, lo que representamos del
modo X⤳ HGeo (N, n, p), si su función de
probabilidad es
no es exactamente la de la binomial, pues está
𝑁−𝑛
corregida por un factor, 𝑁−1 , que tiende a 1 cuando
N → ∞ . A este factor se le denomina factor de
corrección para población finita.
2.6. Distribución de Poisson o de los sucesos raros Su valor esperado y varianza coinciden:
Una v.a. X posee una ley de distribución de
probabilidades del tipo Poisson cuando

Ejemplo de distribución de Poisson

Este tipo de leyes se aplican a sucesos con Cierta enfermedad tiene una probabilidad muy baja
probabilidad muy baja de ocurrir, obteniéndose de ocurrir, 𝑝 = 1/100,000. Calcular la probabilidad
como la distribución límite de una sucesión de de que en una ciudad con 500,000 habitantes haya
variable binomiales, B (n, p), donde n · p = λ, y n → más de 3 personas con dicha enfermedad. Calcular
∞ (por tanto 𝑝 → 0+). el número esperado de habitantes que la padecen.
En general utilizaremos la distribución de Poisson
como aproximación de experimentos binomiales
donde el número de pruebas es muy alto, pero la
probabilidad de éxito muy baja. A veces se suele
utilizar como criterio de aproximación:
Solución:
Si consideramos la v.a. X que contabiliza el número ..
de personas que padecen la enfermedad, es claro
que sigue un modelo binomial, pero que puede ser
muy bien aproximado por un modelo de Poisson, de
modo que

Así el número esperado de personas que padecen la

enfermedad es E[X] = 5. Como Var [X] = 5, existe
una gran dispersión, y no sería extraño encontrar
que en realidad hay muchas más personas o menos
que están enfermas. La probabilidad de que haya
más de tres personas enfermas es:
MUCHAS GRACIAS