DISTRIBUCIONES

DE
PROBABILIDAD
RESUMEN
 Discreta Continua

Se investiga
a través de
una muestra Variable El problema
es un
de valores de fenómeno
X (tamaño,
n)
Aleatoria aleatorio

“Caracterizan” a X Probabilidad: Cálculo

matemático de las
Se denota con
Está posibilidades que existen

Estadísticos: letra mayúscula relacionada de que una cosa se

cumpla o suceda al azar.
Media, XoYo MoLo con un
Mediana, B etc. problema
Moda,
Varianza,
Desviación
Estándar
 Variable
Reglas de Distribuciones
Aleatoria de
Probabilida
d Discreta, Probabilidad
X

Probabilidad de que X suceda Binomial Hipergeo Poisson

P(x) = f(x) Función de F(x) = P(X ≤ x) métrica
probabilidad = ∑ f(x) -∞< x
<∞ Inversa
f(x) ≥ 0 ∑ f(x) = 1 Función de
probabilidad Alfa 0.10/2 = 0.05 Alfa 0.05/2 = 0.025
f(x) acumulada CI= 0.05 CD= 0.95 CI= 0.025 CD= 0.975

X P(x)
Función
0 0.1
1 0.2
2 0.3
3 0.4
x
Inversa

Alfa 10 % CI= 0.05 = 37 CD= 0.95 = 53 CI = Cola Izquierda CD = Cola Derecha

 Variable
Reglas de Distribuciones
Probabilida
Aleatoria
de
d Continua, Probabilidad
X
Función de Densidad Función Acumulada Normal
Uniforme

Inversa

Alfa 10 % Alfa 5 %
CI= 0.05 CD= 0.95 CI= 0.025 CD= 0.975
f(x)

Alfa 10 % CI= 0.05 = 155..5 CD= 0.95 = 184.4

CI = Cola Izquierda CD = Cola Derecha
 Distribución Binomial
Un experimento de Bernoulli puede resultar en un éxito con una probabilidad p (constante).

VARIABLES ALEATORIAS DISCRETAS

En un fracaso (q) con una probabilidad q = 1 – p.
El tamaño de la muestra (n) corresponde al número de veces que se repite el experimento.
Los eventos son independientes.

n
b(x; n, p) = pxqn-x, x = 0, 1, 2, …, n.
n! x
x!(n-x)!

Entonces cuando n = 3 y p = 0.25, la distribución de probabilidad de

X: número de artículos defectuosos, puede escribirse como:
b(x; 3, 0.25) = 3 (0.25)x(0.75)3-x, x = 0, 1, 2, 3,
x

b=Distribución Binomial; x=la probabilidad de que X=x; n= # de veces que se repite el experimento (muestra); p=probabilidad
 RSTUDIO PARA LA DISTRIBUCIÓN
BINOMIAL
Comando
x<-c(0:3) Generar la matriz de los valores de X. En el ejemplo los valores de X van de 0 a 3
dbinom(x,3,0.25) Distribución Binomial (x,n,p) donde x= matriz de los valores de X, n=muestra y p=probabilidad
constante. En el ejemplo los valores de X son la matriz x<-c(0:3), n=3 y p=0.25.
pbinom(x,3,0.25) Distribución Binomial Acumulada (x,n,p) donde x= valores de la matriz, n=muestra y p=probabilidad
constante. En el ejemplo los valores de X son la matriz x<-c(0:10), n=15 y p=0.20.
pbinom(2, 3,0.25,lower.tail = Distribución Binomial Acumulada cuando se busca un valor de X dado, por ejemplo en este caso 2,
FALSE) como al final se ha puesto lower.tail = FALSE entonces regresara la probabilidad acumulada mayor a 2
pbinom(2, 3,0.25) P(X>2), si no se pone lower.tail = FALSE regresará la probabilidad aculada hasta 2 P(X≤2).
qbinom(0.025, 3,0.25) Distribución Binomial Inversa (alfa,n,p) donde Alfa= probabilidad que se busca, Alfa del 0.05/2 (cola
qbinom(0.975, 3,0.25) izquierda 0.025, cola derecha 0.975) o Alfa del 0.1/2 (cola izquierda 0.05, cola derecha 0.95);
n=muestra; y p=probabilidad constante.
Gráfica Distribución Binomial
plot(x,dbinom(x, 3,0.25),type = "h", main = "Distribución Binomial", xlab = "x",ylab = "f(x)",lwd=6,col="red", xaxp=c(0,3,3))

Gráfica Distribución Binomial Acumulada

plot(x,pbinom(x, 3,0.25),type = "h", main = "Distribución Binomial Acumulada", xlab = "x",ylab = "f(x)",lwd=6,col="red", xaxp=c(0,3,3))
 RSTUDIO PARA LA DISTRIBUCIÓN BINOMIAL
Instrucción en Rscript Resultado en la Consola
dbinom(x,3,0.25) [1] 0.421875 0.421875 0.140625 0.015625
pbinom(x,3,0.25) [1] 0.421875 0.843750 0.984375 1.000000
pbinom(2, 3, 0.25, lower.tail = FALSE) [1] 0.015625
pbinom(2,3,0.25) [1] 0.984375
qbinom(0.025, 3,0.25) [1] 0
qbinom(0.975, 3,0.25) [1] 2

f(0) = P(X = 0) = 0.421875

f(1) = P(X = 1) = 0.421875
f(2) = P(X = 2) = 0.140625
f(3) = P(X = 2) = 0.015625
F(0) = P(0 ≤ x < 1) = 0.421875
F(1) = P(1 ≤ x < 2) = 0.843750
F(2) = P(2 ≤ x < 3) = 0.984375
F(3) = P(3 ≤ x) = 1.000000
 Utilidad de la Distribución Binomial

A menudo las medidas de control de calidad y los

esquemas de muestreo para procesos se basan en
la distribución binomial, la cual se aplica en
cualquier situación industrial donde el resultado
de un proceso es dicotómico (dos partes) y los
resultados del proceso son independientes, y
además la probabilidad de éxito se mantiene
constante de una prueba a otra.
 Distribución Hipergeométrica
La diferencia entre la binomial y la hipergeométrica es la forma del muestreo :

VARIABLES ALEATORIAS DISCRETAS Binomial con remplazo (independencia de eventos).

Hipergeométrica sin remplazo (eventos dependientes).

Muestra (n) sin remplazo de un universo de tamaño N (usualmente pequeño).

k artículos o resultados dentro del universo (N) que pueden clasificarse como éxitos.
N – k como fracasos.

k N–k
h(x; N, n, k)= x n–x x = 0, 1, 2, …, n.
N
n
Entonces cuando X = número de artículos defectuosos de un lote de 100 (N); con n = 15; y k = 20
20 100 – 20
h(x; 100, 15, 20)= x 20 – x x = 0, 1, 2, …, 15
100
20

h=Distribución Hipergeométrica; x=la probabilidad de que X=x; n= tamaño de la muestra; k= éxito de que ocurra X; N-k = fracaso de que no ocurra X.
 RSTUDIO PARA LA DISTRIBUCIÓN HIPERGEOMÉTRICA
Comando
x <- (0:15) Generar la matriz de los valores de X. En el ejemplo los valores de X van de 0 a 15
dhyper(x,20,80,15) Distribución de Probabilidad Hipergeométrica dhyper(x,k,N-k,n) donde donde x=valores de
x, k= lo que buscas, N=total o población, n= tamaño de muestra. En el ejemplo los valores de X
son la matriz x<-c(0:15), k=20, N-k= 80 y n=15.
phyper(x,20,80,15) Distribución Hipergeométrica Acumulada phyper(x,k,N-k,n) donde x=valores de x, k=lo que
buscas, N=total o población, n= tamaño de muestra. En el ejemplo los valores de X son la
matriz x<-c(0:15), k=20, N-k= 80 y n=15.
phyper(3,20,80,15,lower.tail = FALSE) Distribución Hipergeométrica Acumulada cuando se busca un valor de X dado, por ejemplo
en este caso 3, como al final se ha puesto lower.tail = FALSE entonces regresara la probabilidad
phyper(3,20,80,15) acumulada mayor a 3, P(X>3); si no se pone lower.tail = FALSE regresará la probabilidad
aculada hasta 3, P(X≤3).
qhyper(0.025,20,80,15) Distribución Hipergeométrica Inversa (alfa, k,N-k,n) donde Alfa= probabilidad que se busca,
Alfa del 0.05/2 (cola izquierda 0.025, cola derecha 0.975) o Alfa del 0.1/2 (cola izquierda 0.05,
qhyper(0.975,20,80,15) cola derecha 0.95); k=lo que buscas; N=total o población; y n= tamaño de muestra
Gráfica Distribución Hipergeométrica
plot(x, dhyper(x,20,80,15), type = "h", main = "Distribución Hipergeométrica", xlab = "x",ylab = "f(x)",lwd=6,col="red", xaxp=c(0,15,15))

Gráfica Distribución Hipergeométrica Acumulada

plot(x, phyper(x,20,80,15), type = "h", main = "Distribución Hipergeométrica Acumulada", xlab = "x",ylab = "f(x)",lwd=6,col="red",
xaxp=c(0,15,15))
 RSTUDIO PARA LA DISTRIBUCIÓN HIPERGEOMÉTRICA
Instrucción en Rscript Resultado en la Consola
dhyper(x,20,80,15) [1] 2.619369e-02 1.190622e-01 2.363474e-01 2.711044e-01 2.003815e-01 1.007633e-01
[7] 3.548003e-02 8.870006e-03 1.579590e-03 1.992276e-04 1.753203e-05 1.048566e-06
[13] 4.085323e-08 9.669404e-10 1.223975e-11 6.119876e-14
dhyper(3,20,80,15) [1] 0.2711044
phyper(x,20,80,15) [1] 0.02619369 0.14525593 0.38160335 0.65270774 0.85308925 0.95385253 0.98933255
[8] 0.99820256 0.99978215 0.99998138 0.99999891 0.99999996 1.00000000 1.00000000
[15] 1.00000000 1.00000000
qhyper(0.025,20,80,15) [1] 0
qhyper(0.975,20,80,15) [1] 6

f(0) = P(X = 0) = 0.01336346

f(1) = P(X = 1) = 0.06681731
f(2) = P(X = 2) = 0.1559070
…
F(15) = P(X=15) = 0.0000009
F(0) = P(0 ≤ x < 1) = 0.01336346
F(1) = P(1 ≤ x < 2) = 0.08018077
F(2) = P(2 ≤ x < 3) = 0.23608781
…
F(15) = P(15 ≤ x) = 1.000000
UTILIDAD DE LA DISTRIBUCIÓN HIPERGEOMÉTRICA

Las aplicaciones de la distribución

hipergeométrica se encuentran en muchos campos,
sobre todo en el muestreo de aceptación, las
pruebas electrónicas y los controles de calidad.
Evidentemente, en muchos de estos campos el
muestreo se realiza a expensas del artículo que se
prueba; es decir, el artículo se destruye, por lo
que no se puede reemplazar en la muestra.
 Distribución de Poisson

VARIABLES ALEATORIAS DISCRETAS La distribución de probabilidad de la variable aleatoria de Poisson X, la

cual representa el número de resultados que ocurren en un intervalo de
tiempo dado o región específicos y se denota con t, es

e−λt(λt)x
p(x; λt) = x! , x = 0,1,2,...

Sí λt = 5 (cheques promedio sin fondo al día en un banco) y X = probabilidad que se

rechacen 10, entonces:

p(10; 5) = e−λt(5)x , x = 0,1,2,...

x!

P= Distribución Poisson; λt = (lambda t) es el número promedio de resultados por unidad de tiempo,

distancia, área o volumen; e = 2.71828… ó número de Euler.
 Distribución de Poisson

VARIABLES ALEATORIAS DISCRETAS

Ejemplos:
Para tiempo
El número de llamadas telefónicas por hora que
recibe una oficina.
El número de juegos suspendidos debido a la
lluvia durante la temporada de béisbol.
Para región
El número de ratas de campo por acre.
El número de bacterias en un cultivo.
 RSTUDIO PARA LA DISTRIBUCIÓN DE POISSON
Comando
x <- (0:20) Generar la matriz de los valores de X. En el ejemplo los valores de X van de 0 a 20
dpois(x,5) Distribución de Poisson dpois(x, lambda) donde x= valores de la matriz, lambda = promedio de
resultados. En el ejemplo los valores de X son la matriz x<-c(0:20) y lambda=5.
dpois(10,5) Distribución de Poisson dpois(x, lambda) donde x= 10, lambda = promedio de resultados. En el
ejemplo los valores de X son la matriz x<-c(0:20) y lambda=5. Se quiere saber la probabilidad de que
se rechacen 10 cheques al día.
ppois(x,5) Distribución de Poisson Acumulada ppois(x, lambda) donde x= valores de la matriz, lambda =
promedio de resultados. En el ejemplo los valores de X son la matriz x<-c(0:20) y lambda=5.
ppois(10,5,lower.tail = FALSE) Distribución de Poisson Acumulada cuando se busca un valor de X dado, por ejemplo en este caso 10,
como al final se ha puesto lower.tail = FALSE entonces regresara la probabilidad acumulada mayor a
ppois(10,5) 10, P(X>25); si no se pone lower.tail = FALSE regresará la probabilidad aculada hasta 10, P(X≤25).
qpois(0.025,20) Distribución de Poisson Inversa qpois(Alfa, lambda) donde Alfa= probabilidad que se busca: Alfa del
0.05/2 (cola izquierda 0.025, cola derecha 0.975) o Alfa del 0.1/2 (cola izquierda 0.05, cola derecha
qpois(0.975,20) 0.95); y lambda = promedio de resultados.
Gráfica Distribución de Poisson
plot(x, dpois(x,20), type = "h", main = "Distribución de Poisson", xlab = "x",ylab = "f(x)",lwd=6,col="red", xaxp=c(0,20,20))

Gráfica Distribución de Poisson Acumulada

plot(x, ppois(x,20), type = "h", main = "Distribución Poisson Acumulada", xlab = "x",ylab = "f(x)",lwd=6,col="red", xaxp=c(0,20,20))
 RSTUDIO PARA LA DISTRIBUCIÓN DE POISSON
Instrucción en Rscript Resultado en la Consola
dpois(x,5) [1] 6.737947e-03 3.368973e-02 8.422434e-02 1.403739e-01 1.754674e-01 1.754674e-01
[7] 1.462228e-01 1.044449e-01 6.527804e-02 3.626558e-02 1.813279e-02 8.242177e-03
[13] 3.434240e-03 1.320862e-03 4.717363e-04 1.572454e-04 4.913920e-05 1.445271e-05
[19] 4.014640e-06 1.056484e-06 2.641211e-07

dpois(10,5) [1] 0.01813279

ppois(x,5) [1] 0.006737947 0.040427682 0.124652019 0.265025915 0.440493285 0.615960655

[7] 0.762183463 0.866628326 0.931906365 0.968171943 0.986304731 0.994546908
[13] 0.997981148 0.999302010 0.999773746 0.999930992 0.999980131 0.999994584
[19] 0.999998598 0.999999655 0.999999919

qpois(0.025,5) [1] 1
qpois(0.975,5) [1] 10

f(0) = P(X = 0) = 0.006737947

f(1) = P(X = 1) = 0.03368973
f(2) = P(X = 2) = 0. 08422434
… F(0) = P(0 ≤ x < 1) = 0.006737947
F(20) = P(X=20) = 0.00000026 F(1) = P(1 ≤ x < 2) = 0.040427682
F(2) = P(2 ≤ x < 3) = 0.124652019
…
F(15) = P(15 ≤ x) = 0.999999919
VARIABLES ALEATORIAS CONTINUAS
 Distribución Normal

VARIABLES ALEATORIAS CONTINUAS

µ= media poblacional; σ= desviación estándar poblacional

 Distribución Normal

VARIABLES ALEATORIAS CONTINUAS

La densidad de la variable aleatoria normal X, con media μ y
varianza σ 2 , es

donde π = 3.14159. . . y e = 2.71828. . .

En una ciudad se estima que la temperatura máxima en el mes de junio tiene una
distribución normal, con media µ = 27° y desviación estándar σ = 5°.
a) Calcular el número de días del mes en los que se espera alcanzar máximas
entre 25° y 30°.

µ= media poblacional; σ= desviación estándar poblacional

 RSTUDIO PARA LA DISTRIBUCIÓN NORMAL
Comando
x<- seq(12,42, length = 60 ) Generar la matriz de los valores de X. a < x < b donde a (12) = media menos 3 desviaciones estándar y
b (42) = media más tres desviaciones estándar. Length es la longitud mientras más grande mejor
definida la línea de la curva.
dnorm(x, 27, 5) Distribución Normal dnorm(x, media, desviación estándar). En el ejemplo los valores de X son la
matriz x<- seq(12,42 length = 60), la media = 27 y la desviación estándar = 5
pnorm(x, 27, 5) Distribución Normal Acumulada pnorm(x, media, desviación estándar). En el ejemplo los valores de
X son la matriz x<- seq(12,42 length = 60), la media = 27 y la desviación estándar = 5
pnorm(30,27,5,lower.tail = Distribución Normal Acumulada cuando se busca un valor de X dado, por ejemplo en este caso 30,
FALSE) como al final se ha puesto lower.tail = FALSE entonces regresara la probabilidad acumulada mayor a
30, P(X>30), si no se pone lower.tail = FALSE regresará la probabilidad aculada hasta 30 P(X≤30).
pnorm(30,27, 5)
qnorm( 0.05, 27, 5) Distribución Normal Inversa qnorm(Alfa, media, desviación estándar) donde Alfa= probabilidad que
se busca, Alfa del 0.05/2 (cola izquierda 0.025, cola derecha 0.975) o Alfa del 0.1/2 (cola izquierda
qnorm( 0.95, 27, 5) 0.05, cola derecha 0.95).
Gráfica Distribución Normal
plot(x,dnorm(x, 27, 5),type = "l", main="Distribución Normal", xlab = "x",ylab = "f(x)",lwd = 2, col="red")
Gráfica Distribución Normal Acumulada
plot(x,pnorm(x, 27, 5),type = "l", main="Distribución Normal", xlab = "x",ylab = "f(x)",lwd = 2, col="red")
 RSTUDIO PARA LA DISTRIBUCIÓN NORMAL
Instrucción en Rscript
dnorm(x,27, 5)
Resultado en la Consola
[1] 0.0008863697 0.0011963708 0.0015981786 0.0021129704 0.0027648406 0.0035805964
[7] 0.0045893294 0.0058217249 0.0073090800 0.0090820177 0.0111689041 0.0135940033
[13] 0.0163754320 0.0195230089 0.0230361197 0.0269017474 0.0310928293 0.0355671105
[19] 0.0402666515 0.0451181242 0.0500339908 0.0549146023 0.0596511925 0.0641296702
[25] 0.0682350433 0.0718562463 0.0748910931 0.0772510520 0.0788655296 0.0796853776
[31] 0.0796853776 0.0788655296 0.0772510520 0.0748910931 0.0718562463 0.0682350433
[37] 0.0641296702 0.0596511925 0.0549146023 0.0500339908 0.0451181242 0.0402666515
[43] 0.0355671105 0.0310928293 0.0269017474 0.0230361197 0.0195230089 0.0163754320
[49] 0.0135940033 0.0111689041 0.0090820177 0.0073090800 0.0058217249 0.0045893294
[55] 0.0035805964 0.0027648406 0.0021129704 0.0015981786 0.0011963708 0.0008863697

pnorm(x,27, 5) [1] 0.001349898 0.001875927 0.002582090 0.003520327 0.004754092 0.006359793

[7] 0.008428075 0.011064813 0.014391690 0.018546192 0.023680875 0.029961759
[13] 0.037565727 0.046676858 0.057481660 0.070163249 0.084894617 0.101831165
[19] 0.121102827 0.142806134 0.166996648 0.193682235 0.222817627 0.254300722
[25] 0.287970980 0.323610178 0.360945669 0.399656122 0.439379586 0.479723537
[31] 0.520276463 0.560620414 0.600343878 0.639054331 0.676389822 0.712029020
[37] 0.745699278 0.777182373 0.806317765 0.833003352 0.857193866 0.878897173
[43] 0.898168835 0.915105383 0.929836751 0.942518340 0.953323142 0.962434273
[49] 0.970038241 0.976319125 0.981453808 0.985608310 0.988935187 0.991571925
[55] 0.993640207 0.995245908 0.996479673 0.997417910 0.998124073 0.998650102

pnorm(30,27,5,lower.tail = FALSE) [1] 0.2742531

pnorm(25,27, 5) [1] 0.3445783

[P(X > 30) = 0.2742531]+ [P(X<27) = 0.3445783] = 0.6188314

1-0.6188314 = 0.3811686
0.3811686 * 30 = 11.43506 días
 RSTUDIO PARA LA DISTRIBUCIÓN NORMAL
Instrucción en Rscript Resultado en la Consola
qnorm( 0.05, 27, 5) [1] 18.77573
qnorm( 0.95, 27, 5) [1] 35.22427