DISTRIBUCIONES DE

PROBABILIDAD

Ing. Alina Valverde Urtecho

1
 VARIABLES ALEATORIAS

2
EJEMPLO: LANZAR DOS MONEDAS

3
TIPOS DE VARIABLE ALEATORIA
1. VARIABLE ALEATORIA DISCRETA (V.A.D.)

2. VARIABLE ALEATORIA CONTINUA (V.A.C.)

4
FUNCIÓN DE PROBABILIDAD DE UNA
VARIABLE ALEATORIA DISCRETA

5
FUNCIÓN DE PROBABILIDAD
DISCRETA

6
EJEMPLO

7
8
VALOR ESPERADO Y VARIANZA DE
UNA VARIABLE ALEATORIA DISCRETA

9
EN EL EJEMPLO ANTERIOR:

10
DISTRIBUCIONES DISCRETAS
ESPECIALES

 Entre las distribuciones de probabilidad discretas más

importantes tenemos:

a) Distribución Binomial

b) Distribución Poisson

11
LA DISTRIBUCIÓN BINOMIAL

• Un experimento Binomial consiste de una serie de n

pruebas o ensayos fijados antes de realizar el
experimento.

- Las pruebas son idénticas y cada una puede

resultar en uno de dos resultados: Éxito (P) o
Fracaso (Q).
- Las pruebas son independientes entre si.
- La probabilidad de éxito es constante de una
prueba a otra y se denota por p.
12
EJEMPLOS:

 Lanzar una moneda

 Rendir un examen para cubrir una vacante
 Observar el sexo de un recién nacido.
 Encender una maquina y verificar si funciona, etc.

Ensayos de Bernoulli

13
ESTA DISTRIBUCIÓN TIENE LAS
SIGUIENTES CARACTERÍSTICAS :
1. Suvariable aleatoria esta definida como:
X: Numero de éxitos en “n” ensayos.
2. Su recorrido o rango es:
Rx = {0,1,2,3,4,5, …, n}
3. Su función de probabilidad esta dada por:

 n  x n x
f ( x)  P ( X  x)    p q , x  0,1,2,..., n
 x 14
PROPIEDADES

 Media o Valor Esperado

  E ( X )  np
 Varianza

  npq
2

 Desviación Estándar

  npq 15
6. USO DE TABLA: PARA EL USO DE LA TABLA
TENER
EN CUENTA LO SIGUIENTE:

CASO
CASO A.
A. PP (X
(X =
= aa )) =Usar
=Usar directamente
directamente la
la tabla
tabla
INDIVIDUAL
INDIVIDUAL
CASO
CASO B.
B. PP (( XX ≥≥ aa )) =
= Directamente
Directamente tabla tabla acumulada
acumulada
CASO
CASO C.
C. PP (( XX >> aa )) =
= PP (X
(X ≥
≥ a+1)
a+1)
CASO
CASO D.
D. PP (( XX <
< aa )) =
= 11 -- PP (( XX ≥
≥ aa ))
CASO
CASO E.
E. PP (( XX ≤≤ aa )) == 11 -- PP (X
(X ≥≥ a+1
a+1 ))
CASO
CASO F.
F. pp (a
(a ≤ ≤ xx ≤
≤ b)b) =
= PP (X(X ≥≥ aa )) -- PP (X
(X ≥
≥ b+1
b+1 ))

16
EJEMPLO DE APLICACIÓN:
 En general, el 45% de los postulantes fallan en una
prueba de selección de personal. ¿Cuál es la
probabilidad de que en una muestra de 15:

a) Fallen exactamente 4.
b) Fallen por lo menos 8.
c) Fallen más de 4.

17
 SOLUCIÓN:

 Sea X= Candidatos que fallan en una prueba de selección de

una muestra de 15 candidatos.

 n=15 candidatos

 p= probabilidad que un candidato falle en una prueba de

selección.
p= 0.45 q=0.55

18
 Función de probabilidad:
15 
f ( x)  P ( X  x )     0.45   0.55 
x 15 x
, x  0,1, 2,3, 4,5
x 
a) Fallen exactamente 4.
P( X=4)=0.078 = 7.8% Tabla Individual
n=15, X=4, p=0.45

b) Fallen por lo menos 8.

P( X  8)  0.346  34.6%  Tabla Acumulada

n  15, x  8, p  0.45 19
c) Fallen más de 4.

P( X  4)  P ( X  4  1) CASO C
TABLA II
 P( X  5)
 0.88  88%
Donde n  15, x  5, p  0.45

20
 EJEMPLO 2
Una compañía que vende por teléfono un
solo artículo, ha vendido 20 artículos en las
últimas 100 llamadas. Si durante un turno
se llaman a 12 clientes, ¿cuál es la
probabilidad de:

A. No hacer ninguna venta?

B. Hacer exactamente 2 ventas?
C. Hacer como máximo 2 ventas?
D. Hacer al menos 2 ventas?

21
LA DISTRIBUCIÓN DE POISSON
 Llamada así en honor de Simeón Denis Poisson,
probabilista francés del siglo XIX, quien fue el primero
en describirla.

 Esta distribución se origina en problemas que consisten

en observar la ocurrencia de eventos discretos en un
intervalo continuo (unidad de medida).

22
EJEMPLOS
 Número de manchas en un metro cuadrado de un
esmaltado de un refrigerador.
 Número de personas que llegan a una tienda de
autoservicios durante una hora.
 Número de llamadas telefónicas en un día.
 Número de clientes que llegan a un banco durante
las 10 y 12 p.m.
 Número de bacterias en un cm3 de agua.
 Número de solicitudes de seguro procesadas por
una compañía en un tiempo determinado, etc.
23
ESTA DISTRIBUCIÓN TIENE LAS
SIGUIENTES CARACTERÍSTICAS :
1. Su variable aleatoria esta definida como:
X: Número de ocurrencias en t unidades de
medida (volumen, espacio, tiempo,
longitud, etc.)
2. Su recorrido o rango es:
Rx = {0,1,2,3,4,5, ….}
3. Su función de probabilidad esta dada por:

e   ( ) x
f ( x)  P ( X  x)  , x  0,1,2,...
x! 24
4. Su parámetro es λ que es la tasa de ocurrencia
promedio en t unidades de medida.
5. Su notación es : X P( λ )
6. Uso de tabla: Para el uso de tabla tener en cuenta lo
siguiente:

CASO
CASO1.1. PP((XX≤≤aa))==Usar
Usardirectamente
directamentelalatabla
tabla
CASO2.2. PP((XXaa))== PP((XX≤≤aa -- 1)
CASO 1)
CASO
CASO3.3. PP((XX>>aa))==11-- PP((XX≤≤aa))
CASO4.4. PP((XX aa))==11––PP((XX≤≤aa --1)
CASO 1)
CASO
CASO 5. P ( X = a) = P ( X ≤ a ) - P ( X≤≤aa--11))
5. P ( X = a) = P ( X ≤ a ) - P ( X
CASO
CASO6.6. PP((aa≤≤XX≤≤bb))==PP((XX≤≤bb))--PP((XX≤≤aa-1)
-1)
25
PROPIEDADES

 Media o Valor Esperado

 
 Varianza
 
2

 Desviación Estándar
  26
EJEMPLO DE APLICACIÓN:
 La central telefónica de una empresa recibe un
promedio de 3.4 órdenes de pedido por hora. Estas
ocurrencias se producen al azar. ¿Cuál es la
probabilidad de que se produzcan:
a) Exactamente 4 órdenes de pedido en una hora dada.
b) Como máximo 5 órdenes de pedido en una hora.
c) Más de 5 órdenes de pedido en dos horas.

27
SOLUCIÓN

  3.4 órdenes de pedido / hora

a) Exactamente 4 órdenes de pedido en una hora dada.

e3.4  3.4 
4

P( X  4)   0.186  18.6%  Cálculo

4!
P( X  4)  P( X  4)  P( X  4  1)  Tabla Caso5
 0.744  0.558
 0.186  18.6% 28
b. Como máximo 5 órdenes de pedido en una hora.

P( X  5)  0.871  87.1%  Tabla Caso1

c. Más de 5 órdenes de pedido en dos horas.

En 2 horas   6.8 órdenes 

  6.8 órdenes / 2 horas
P ( X  5)  1  P ( X  5)  Tabla Caso 3
 1  0.327
 0.673  67.3% 29
APROXIMACIÓN DE POISSON A LA
BINOMIAL
 En problemas de
distribución binomial
donde n es grande y la
probabilidad de éxito p
Se cumple que:
es bastante pequeña, las
probabilidades se
  np
pueden aproximar
usando la distribución de
Poisson.
30
EJEMPLO:
 En un proceso en el cual se producen piezas de
vidrio, ocurren defectos o burbujas, ocasionando
que la pieza no sea apta para la venta. Se sabe
que en promedio 1 de cada mil piezas tiene una o
más burbujas. ¿Cuál es la probabilidad de que en
una muestra aleatoria de 8000 piezas, menos de
7 de ellas tengan burbujas?

31
SOLUCIÓN:
 Datos: n=8000
p=0.001(por dato:1 de cada1000=1/1000=0.001)
éste es por tanto un experimento binomial, pero dado
que : p se acerca a 0 y n es bastante grande, se hace la
aproximación con la distribución de Poisson.
Entonces: λ=np=8000*0.001=8
Nos piden: P( X<7)
Luego: P( X<7)=P( X≤6) Caso 2 Tabla
De tabla: P( X ≤6)=0.313=31.3%
32