ESTADÍSTICA INFERENCIAL

Distribuciones de Probabilidad
Discreta y Continua
 CONTENIDO
• Conceptos y aplicaciones teórico-prácticos de las
distribuciones de probabilidad.

• Variable aleatoria discreta:

• Distribución Binomial,
• Distribución de Poisson
 COMPETENCIAS
• El estudiante deberá estar en capacidad de:

• Explicar y diferenciar las distribuciones de frecuencias de las

distribuciones de probabilidad.
• Definir e identificar las variables aleatorias discretas y continuas
• Identificar las condiciones que se debe reunir, en la aplicación de cada
una de las distribuciones de probabilidad.
• Construir, aplicar y calcular probabilidades asociadas a esas
distribuciones
 CONCEPTOS GENERALES
• Son todos los posibles valores que resultan de un experimento
Distribución de aleatorio, junto con la probabilidad asociada a cada valor
Probabilidad

• Corresponde a una caracterización cualitativa de los resultados que

constituyen un espacio muestral. Cada cantidad o valor es el resultado
Variable Aleatoria de un experimento aleatorio y, como tal, puede tomar distintos valores.

• Se considera así, cuando los valores que asume se puedan contar, y

éstos pueden organizarse en una secuencia al igual que los números
Variable aleatoria
Discreta enteros positivos. Solo podará asumir un número finito de valores
 Variable Aleatoria Discreta
• Es aquella que admite una cantidad numerable
de valores distintos. El hecho de que la
cantidad de valores que puede tomar la
variable sea numerable quiere decir que estos
valores se puedan asociar a los enteros 1, 2, 3,
…, es decir, se pueden numerar. El número de
valores diferentes que la variable aleatoria
discreta X puede tomar, puede entonces ser
finito o infinito (ya que el proceso de
numeración puede no terminar nunca). El
número de errores que comete una digitadora
en la elaboración de una cuenta, es un ejemplo
 Función de  Densidad
• Cuando
  un experimento aleatorio tiene definido una
variable que toma los valores con sus probabilidades
asociadas ; los valores determinan una variable aleatoria
discreta cuando sus valores son números enteros.
• Una función para los cuales
• Tiene valores , es la llamada función de densidad de
probabilidad de x
Propiedades de la Función de Densidad
 Distribución de Probabilidad

Recordemos que la distribución de frecuencias permitía en manejo de cantidades de

información en forma resumida, describiendo un hecho transcurrido (pasado), en cambio la
distribución de probabilidades es similar a una distribución de frecuencias, con la diferencia de
que presenta valores probables de un experimento en un evento futuro
 Ejemplo 1
• En la tabla 1 se muestra el número de camionetas que
se han solicitado para renta en una arrendadora de
automóviles, en un periodo de 50 días.
Demanda Disponible X Número de días Probabilidad
[P(x)]
3 3 0,06
4 7 0,14
5 12 0,24
6 14 0,28
7 10 0,20
8 4_ 0,08
50 1,00
 Esperanza Matemática o Valor Esperado E(X)
•• El
  valor esperado de una variable aleatoria discreta X,
simplemente, es la media aritmética ponderada presentada
en términos de probabilidad, con símbolos:
•
• Para la variable aleatoria discreta, resulta ser el promedio
ponderado de todos los valores numéricos posibles de la
variable.
•
• Con base en los datos de la tabla 1, se presentan en
la tabla 2 los cálculos que conducen al valor
esperado de
Demanda posible
X
la variable aleatoria.
Probabilidad
[P(X)]
Valor ponderado
[X*P(X)]
3 0,06 0,18
4 0,14 0,56
5 0,24 1,20
6 0,28 1,68
7 0,20 1,40
8 0,08 0,64
1,00 E(X)=5,66
 La varianza de la variable aleatoria
discreta
• La
  varianza de una variable aleatoria X se denota
mediante V(X); se calcula con respecto a E(X) como la
media de la distribución de probabilidad.

• La forma abreviada para la formula de la varianza de

una variable aleatoria discreta, que no requiere el
cálculo de las desviaciones con respecto a la media, es
• En la tabla 3 se muestra el calculo de la
Demanda Probabilidad Valor ponderado Demanda al Valor ponderado
varianza
Posible X [P(X)] [X*P(X)] cuadrado al cuadrado
(

3 0,06 0,18 9 0,54

4 0,14 0,56 16 2,24
5 0,24 1,20 25 6,00
6 0,28 1,68 36 10,08
7 0,20 1,40 49 9,80
8 0,08 0,64 64 5,12
1,00 E(X)=5,66 =33,78
 Resolver

• En la siguiente tabla se identifica la probabilidad de

que un sistema de computación “se caiga” el número
señalado de periodos por semana, durante la fase
inicial de instalación del sistema.
Calcule el numero esperado de veces por semana
que la computadora no está trabajando
Calcule la varianza de esta distribución de
probabilidad.
Número de periodos (X) 4 5 6 7 8 9
Probabilidad [P(X)] 0,01 0,08 0,29 0,42 0,14 0,06
 DISTRIBUCIÓN BINOMIAL
En cada prueba del experimento sólo son posibles dos resultados: el suceso A
(éxito) y su contrario Ā (fracaso).
El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
La probabilidad del suceso A es constante, la representamos por  p, y no varía
de una prueba a otra. La probabilidad de Ā  es  1- p  y la representamos por  q .

Todo experimento que tenga estas características diremos que sigue el

modelo de la distribución Binomial. A la variable  X  que expresa el número
de éxitos obtenidos en cada prueba del experimento, la llamaremos variable
aleatoria binomial.
 DISTRIBUCIÓN BINOMIAL
La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores 0, 1, 2, 3, 4, ..., n
suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos calcular
éstas por combinaciones (número combinatorio n sobre k).

Se suele representar por  B(n,p)  siendo  n  y  p  los parámetros de dicha distribución

 
Función de probabilidad de la distribución Binomial
o también denominada función de la distribución de Bernoulli (para n=1).
Verificándose: 0  p  1
 Esperanza y Varianza para la Binomial
•  
 Ejemplo
Si un estudiante responde al azar a un examen de 8 preguntas de
verdadero o falso
¿Cual es la probabilidad de que acierte 4?
¿Cual es la probabilidad de que acierte dos o menos?
¿Cual es la probabilidad de que acierte cinco o más?
¿Cuanto valen la media y la varianza del número de preguntas acertadas?
 Solución
• La
  distribución del número de aciertos será una
distribución Binomial de parámetros n = 8 y p = 1/2, en
consecuencia:
 Resolver
Debido a las elevadas tasas de interés, una compañía informó que
el 30% de su cartera con otras empresas están vencidas. Si un
contador público toma una muestra aleatoria de cinco de esas
cuentas, determine la probabilidad de cada uno de los siguientes
eventos, utilizando la fórmula de probabilidad Binomial:
a) Ninguna de las cuentas está vencida
b) Exactamente dos cuentas están vencidas
c) Exactamente el 20% de las cuentas están vencidas
 Ejercicio DISTRIBUCIÓN BINOMIAL
•Suponga
  que el 10% de las partes que produce una maquina automática
sea defectuoso. Si se toma al azar una muestra de 20 partes, defina la
variable que le permita determinar las probabilidades siguientes:
• a. Que en la muestra haya dos partes defectuosas R/ 0,2852
• b. Que en la muestra haya máximo tres partes defectuosas R/ 0,8670
• c. Que en la muestra haya 18 partes defectuosas como mínimo . R/
1,5571x
• d. Que en la muestra haya entre dos y cinco partes defectuosas R/
0,5969
• e. Que en la muestra haya mínimo tres defectuosas . R/ 0,3231
 DISTRIBUCIÓN POISSON

Ideada por el matemático francés Simeón Poisson mide la

probabilidad de un suceso aleatorio a lo largo de intervalo
temporal o espacial

Aparece en fenómenos que tienen un número alto de

experimentos (alto n) y una baja probabilidad de que ocurran
(baja p)

La aparición de un suceso en cualquier intervalo es independiente

de su aparición en cualquier otro intervalo
 DISTRIBUCIÓN POISSON
• Ejemplos:

Número de cultivos
infectados por una plaga en
una cierta región geográfica
Número de llamadas
telefónicas recibe un
servicio de atención a
urgencias durante un
intervalo de tiempo
determinado.
• La función de probabilidad de
una variable aleatoria de Poisson
con media l > 0, que
simplificamos con la notación
P(l), es

• siendo su función de distribución

el sumatorio de cada uno de los
valores menores.
Un estudio indica que el número de huelgas anuales en una fábrica
británica típica con 2.000 empleados, se puede representar por una
distribución de Poisson con media λ = 0,4.

La función de probabilidad del número de huelgas anuales X es,

entonces,

e 0.4 (0.4) x
Prob ( x huelgas ) 
x!
para x = 0, 1, 2,…..
Podemos calcular ahora probabilidades para números concretos de
huelgas anuales.

La probabilidad de que no haya huelgas es

Prob(0 huelgas) = e-0.4(0.4)0 = (0.6703)(1) = 0.6703

0! 1
Análogamente

Prob(1 huelga) = e-0.4(0.4)1 = (0.6703)(0.4) = 0.2681

1! 1

Prob(2 huelgas) = e-0.4(0.4)2 = (0.6703)(0.16) = 0.0536

2! 21

Prob(3 huelgas) = e-0.4(0.4)3 = (0.6703)(0.064) = 0.0071

3! 6
Prob(4 huelgas) = e-0.4(0.4)4 = (0.6703)(0.0256) = 0.0007
4! 24
Estas probabilidades pueden usarse para hallar la probabilidad de que el número de
huelgas esté en un intervalo concreto.

Por ejemplo, la probabilidad de que haya más de una huelga en un año es

Prob(más de 1 huelga) = 1 – P(0 huelgas) – P(1 huelga)

= 1 – 0.6703 – 0.2681 = 0.0616

La distribución de Poisson ha resultado ser muy útil en problemas de líneas de
espera o colas.

Los clientes llegan a una maquina fotocopiadora a una tasa media de dos cada
cinco minutos En la práctica, se pueden representar los procesos de llegada de
esta clase mediante una distribución de Poisson.
Asumiendo que éste es el caso, representaremos por X el número de llegadas de
clientes en un periodo de cinco minutos con lo cual X tiene una distribución de
poisson con media λ = 2.

La función de probabilidad es

Prob(x) = e-22x
x! para x = 0, 1, 2,...
Las probabilidades para el número de llegadas en un período de cinco
minutos son

Prob(0 llegadas) = e-2(2)0 = (0.135335)(1) = 0.1353

0! 1

Prob(1 llegadas) = e-2(2)1 = (0.135335)(2) = 0.2707

1! 1
 
Prob(2 llegadas) = e-2(2)2 = (0.135335)(4) = 0.2707
2! 2
 

y así sucesivamente. Así, por ejemplo, la probabilidad de que se produzcan más de dos
llegadas en un periodo de cinco minutos es

Prob(X>2) = 1 – Prob(0) – Prob (1) – Prob (2) = 1 – 0.1353 – 0.2707 – 0.2707 = 0.3233
 Ejemplo
• El profesor Emerson pide a sus estudiantes del curso de estadística que
<<actúen con un criterio restrictivo>> en las preguntas al tutor si tienen
preguntas previas al primer examen. Al parecer, la llegada de los estudiantes al
despacho del tutor sigue una distribución de Poisson, con una media de 5,2
estudiantes cada 20 minutos. El profesor Emerson se preocupa si hay
demasiados estudiantes que necesiten servicios de asesoría y pueda haber un
problema de congestión.
• A. ¿Cuál es la probabilidad de que lleguen cuatro estudiantes durante el
periodo de 20 minutos?
• El profesor Emerson quiere prevenir el problema de congestión contratando a
un asistente si la probabilidad de atender más de 4 estudiantes cada 20
minutos es superior al 50%. ¿debe contratar asistente?