DISTRIBUCIONES DE

PROBABILIDAD
PROBABILIDAD Y ESTADÍSTICA II
DISTRIBUCIÓN
BIMOMIAL

caracteristicas

fórmulas

ejemplos

ejercicios
VARIABLES ALEATORIAS
• Es una descripción numérica del resultado de un
experimento aleatorio
• De acuerdo a lo anterior las podemos clasificar como
discretas o continuas
• Las discretas son variable aleatorias con un rango finito ( o
infinito contable)
• Las continuas son variables que pueden asumir cualquier
valor en un intervalo o conjunto de intervalos
• Una forma de determinar si una variable es continua o
discreta es imaginarse que los valores de esa variable son
los puntos en una recta numérica
DISTRIBUCIÓN DE PROBABILIDAD

• La distribución de una variable X se define como

una descripción del conjunto de valores posibles de
X, junto con la probabilidad asociada con cada uno
de estos valores
• Para una variable aleatoria discreta la distribución
de probabilidad se describe mediante una función
de probabilidad, representada por f(x). Donde esta
función define la probabilidad de cada valor de la
variable analizada
DISTRIBUCIÓN DE PROBABILIDAD

• Las condiciones requeridas para una función son:

f ( x)  P ( X  x)
fx ( x )  0

Probabilidad
n

 fx( x)  1
i 1

Cantidad discreta
DISTRIBUCIÓN DE PROBABILIDAD

• Función de probabilidad uniforme discreta: es la representación más sencilla de

distribución de probabilidad, se define como:

f ( x)  x / n

• Valor esperado de una variable aleatoria discreta es una medida de localización central
de una variable aleatoria. Es un promedio ponderado de los valores que puede tener una
variable en donde los factores de ponderación son las probabilidades y se expresa de
acuerdo a:
n
E ( x)     xi f ( x)
i 1
DISTRIBUCIÓN DE PROBABILIDAD

• Varianza de una variable aleatoria discreta es una medida de dispersión o

variabilidad y corresponde a promedio ponderado de las desviaciones de una
variable aleatoria respecto a su promedio, elevadas al cuadrado
n 2

Var ( x)   2    xi    f ( x)
i 1
DISTRIBUCIÓN BINOMIAL
• Es una distribución discreta de probabilidad conocida por
sus variadas aplicaciones que se relaciona con un
experimento de etapas múltiples
• Un experimento binomial tiene cuatro propiedades:
1. El experimento consiste en una sucesión de n intentos
idénticos
2. En cada intento son posibles 2 resultados. Éxito o Fracaso
3. La probabilidad de éxito, representado por p, no cambia de
un intento a otro. En consecuencia, la probabilidad de
fracaso, (1-p), no cambia de un intento a otro. Supuesto de
estacionariedad
4. Los intentos son independientes
DISTRIBUCIÓN BINOMIAL

• Si existen sólo las propiedades 2,3,4 se habla de un proceso Bernoulli

• Un ejemplo de distribución Binomial es determinar la probabilidad de que
en n intentos al lanzar una moneda salga cara (éxito) y no sello (fracaso)
• La fórmula de combinatoria de n objetos seleccionados en un grupo
proporciona la cantidad de resultados experimentales que resultan en x éxitos
DISTRIBUCIÓN BINOMIAL

• Cantidad de resultados experimentales con exactamente x éxitos en n intentos

n n!
 x 
  x ! n  x !

• También es necesario conocer la probabilidad asociada a cada uno de los

resultados experimentales el cual se puede determinar a través de la siguiente
relación

p x (1  p) ( n  x )
DISTRIBUCIÓN BINOMIAL

• Combinado las dos expresiones obtenemos la función de

distribución Binomial
n x
f ( x)    p (1  p ) ( n  x )
 x

f ( x)  probabilidad de x exitos en n intentos

n n!
 x 
  x !(n - x)!
p  probabilidad de un exito en cualquier intento
(1- p)=probabilidad de un fracaso en cualquier intento
DISTRIBUCIÓN BINOMIAL

• Valor esperado de la distribución binomial de probabilidad

E ( x)    np
• Varianza de la distribución binomial de probabilidad

Var ( x)   2  np (1  p )
EJEMPLO
• El gerente de una gran tienda necesita determinar cual es la
probabilidad de que 2 de tres clientes que ingresan a la
tienda hagan una compra. Él sabe que la probabilidad de
que un cliente compre es de 0.3

 3 3! Cantidad de resultados experimentales

 2  3
  2!3  2 !
Probabilidad de cada resultado
0.32 (1  p )(31)  0.063 experimental en donde 2 de los tres
clientes compran

Luego 3·0.063 = 0.189, probabilidad de que de 3 clientes

que ingresan a la tienda 2 compren
EJEMPLO 1

• Considere un experimento binomial con 10 ensayos y p =0.9

• Calcular:
• A) La probabilidad de obtener 9 éxitos
• B) La probabilidad de obtener 9 o más éxitos
DISTRIBUCIÓN BINOMIAL EJEMPLO 1
n!=n * (n-1)!
10*9! = 10 = 10
• Fórmula: P(x = k) Cnk pk qn-k 9! (10-9) ! 1

X= número de éxitos en 10 ensayos

n= es el número de ensayos = 10
P(x=9)=10*0.3874*0.1=0.3874
k= es el número de éxitos = 9
a)=0.3874
p=0. 9 q=1-p=1-0.9=0.1

• Sustituimos la Fórmula: P(x = 9) C109 0.99 0.110-9

Primero la ) Cnk = n!/k ! (n-k) !

10!= 10*9*8*7*6*5*4*3*2*1
9!= 9*8*7*6*5*4*3*2*1
SOLUCION DEL B)

0.3874

0.7361
0.3487
EJEMPLO 2
• Cuando los discos duros de la marca Mm se prueban, el porcentaje de
defectuosos es de 20 %. Sea X = el número de discos duros defectuosos en
una muestra aleatoria de tamaño n=5, así que 𝑋~𝐵(5; 0,2). Representar la
distribución de probabilidad de X:
• a) mediante una tabla,
• b) de forma gráfica.
DISTRIBUCIÓN BINOMIAL EJEMPLO 2
n!=n * (n-1)!
5! = 5! = 1
• Fórmula: P(x = k) Cnk pk qn-k 0! (5-0) ! 0! 5!

X= número de éxitos en 5 ensayos

n= es el número de ensayos = 5
P(x=0)=1*1*0.85=
k= es el número de éxitos = 0
a)=0.3276
p=0.2 q=1-p=1-0.2=0.8

• Sustituimos la Fórmula: P(x = 0) C50 0.20 0.85-0

 DISTRIBUCIÓN BINOMIAL EJEMPLO 2
a) mediante una tabla b) de forma gráfica
Nos ayudamos de excel x=k p(x) p(x)
x=k p(x) 0 0.32768 0.45

0 =DISTR.BINOM.SERIE(5,0.2,0) 0.4

1 =DISTR.BINOM.SERIE(5,0.2,1)
1 0.4096 0.35

2 =DISTR.BINOM.SERIE(5,0.2,2) 2 0.2048 0.3

3 0.0512
0.25
3 =DISTR.BINOM.SERIE(5,0.2,3)
0.2
4 =DISTR.BINOM.SERIE(5,0.2,4)
5 =DISTR.BINOM.SERIE(5,0.2,5)
4 0.0064 0.15

5 0.00032
0.1

0.05

0
0 1 2 3 4 5
x
DISTRIBUCIÓN POISSON

• Es una distribución de probabilidad que muestra la probabilidad de x

ocurrencias de un evento en un intervalo especificado de tiempo o espacio
• Las propiedades de un experimento de Poisson son:
• La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera de igual
longitud
• La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o
no ocurrencia en cualquier otro intervalo
DISTRIBUCIÓN POISSON

• La distribución de Poisson se expresa como:

(x = cantidad de ocurrencia)  xe 
f ( x) 
x!

• Se puede usar este distribución de probabilidad como una

aproximación de la distribución binomial cuando p, la probabilidad
éxito es pequeña y n, la cantidad de intentos, es grande. Tan sólo se
iguala m=n·p
EJEMPLO
• Se necesita estimar la cantidad de llegadas a la ventanilla de
servicio en automóviles de un banco, durante un período de
15 minutos en las mañanas de los días hábiles. Los datos
históricos indican que en este período la cantidad de
automóviles en promedio es 10. A la gerencia le interesa
saber cual es la probabilidad exacta de que lleguen 5
automóviles en 15 minutos

105 e 10
f (5)   0.0378
5!
DISTRIBUCIÓN DE POISSON

• EJEMPLO 1:
• 1. La veterinaria de Jorge recibe un promedio de 𝜇 = 4 pacientes por día.
Sabiendo que el número de pacientes que llegan en un día sigue una
distribución de Poisson, calcular:
• a) la probabilidad de que lleguen 3 pacientes en un día.
• b) la probabilidad de que lleguen 5 pacientes en un día
DISTRIBUCIÓN DE POISSON

• EJEMPLO 1:
• 1. La veterinaria de Jorge recibe un promedio de 𝜇 = 4 pacientes por día.
Sabiendo que el número de pacientes que llegan en un día sigue una
distribución de Poisson, calcular:
• a) la probabilidad de que lleguen 3 pacientes en un día.
• b) la probabilidad de que lleguen 5 pacientes en un día
DISTRIBUCIÓN DE POISSON
• EJEMPLO 1: SUSTITUIMOS VALORES:
P(x=3)=43 e-4
• a) la probabilidad de que lleguen 3 3!
pacientes en un día.
• Fórmula: Hacemos las operaciones:
P(x=3)=0.1954
• Datos:
•𝜇=4
• k= número de pacientes que llegan a la
veterinaria en un día
• k=3
DISTRIBUCIÓN DE POISSON
• EJEMPLO 1: SUSTITUIMOS VALORES:
P(x=5)=45 e-4
• a) la probabilidad de que lleguen 5 5!
pacientes en un día.
• Fórmula: Hacemos las operaciones:
P(x=5)=0.1563
• Datos:
•𝜇=4
• k= número de pacientes que llegan a la
veterinaria en un día
• k=5
DISTRIBUCIÓN HIPERGEOMÉTRICA
• Está estrechamente relacionada con la distribución de
probabilidad binomial. La diferencia entre ambas está en la
independencia de los intentos y en que la probabilidad de
éxito cambia de uno a otro
• Se usa para calcular la probabilidad de que una muestra
aleatoria de n artículos seleccionados sin reemplazo,
obtengamos x elementos identificados como éxitos, y n-x
como fracasos. Para que suceda esto debemos obtener x
éxitos de los r de la población, y n-x fracasos de los N-r de
la población

 r  N  r 
 x  n  x 
f ( x)    
0 xr
N
n
 
EJEMPLO
• Se debe seleccionar 2 miembros de un comité,
entre 5, para que asistan a una convención en
Santiago. Suponga que el comité está formado por
3 mujeres y 2 hombres. Determine la probabilidad
de seleccionar 2 mujeres al azar
• Tenemos N=5, n=2, r=3 y x=2
• Luego el cálculo de la3 probabilidad
2
es:
 2  0 
3
f (2)       0.3
5 10
 2
 
DISTRIBUCIÓN HIPERGEOMETRICA

• Un recipiente tiene 12 botellas de vinos, 3 de las cuales contienen vino que se

ha echado a perder. Una muestra de 4 botellas se selecciona al azar de entre
la caja.
• 1. Encuentre la distribución de probabilidad para x, el número de botellas de
vino echado a perder de la muestra.
• 2. ¿Cuáles son la media y la varianza de x?
DISTRIBUCIÓN HIPERGEOMETRICA
• EJEMPLO 1:
• a) Encuentre la distribución de
probabilidad para x, el número de
botellas de vino echado a perder de la
muestra.
• Fórmula:
• Datos: N=12, n=4 V=3 N-M=B=9
• Los valores posibles para x=k son 0, 1, 2
y3
DISTRIBUCIÓN HIPERGEOMETRICA
• EJEMPLO 1:
• ¿Cuáles son la media y la varianza de x?
• Fórmula:

• Sustitución:
GRACIAS