DISTRIBUCION DE PROBABILIDAD

Variable aleatoria.- Una variable aleatoria

X es una función cuyo dominio es el
espacio muestral S y cuyo rango es un
subconjunto de los números reales R, que
tiene asociada a su conjunto de valores
una función de probabilidad. Las variables
aleatorias se denotan por letras
mayúsculas X, Y, etc para distinguirlas de
sus posibles valores dados en minúsculas.
Si el rango X es el conjunto de los números enteros Z o un
subconjunto de Z, la variable aleatoria de denomina discreta

EJEMPLOS DE VARIABLES ALEATORIAS DISCRETAS

Experimento Variable aleatoria Valores posibles

V.A
lanzamiento de un L a suma de puntos 2,3,4,5,6,7,8,9,10,11,12
dado dos veces
lanzamiento de una El número de caras 0,1,2
moneda dos veces

Inspeccionar un Cantidad de chips 0,1,2,….,20

embarque de 20 chips defectuosos

Funcionamiento de un Cantidad de clientes 0,1,2,3…….

restaurante durante un
día
Si el rango X es el conjunto de los números reales R o un
subconjunto de R, la variable aleatoria se denomina continua
Ejemplos variable aleatoria continua
Experimento Variable aleatoria Valores posibles V.A

Funcionamiento de la Tiempo en minutos, X>=0

caja de la universidad destinado por cada
usuario
Envasado de una Cantidad de onzas 0<=x<=13,5
botella de bebida
gaseosa

Proyecto para Porcentaje de avance 0<=x<=100

construir el corredor del proyecto
Lima Norte
Ensayar un nuevo Temperatura cuando 160<=x<=200
proceso químico se lleva a cabo la
reacción deseada (min
160º F; máx 200ºF)
DISTRIBUCIÓN DE PROBABILIDAD.-
la distribución de probabilidad de una
variable aleatoria es una función que
asigna a cada evento definido sobre
la variable aleatoria la probabilidad de
que dicho evento ocurra
Distribución de Probabilidad para una variable aleatoria discreta
.
Ilustraremos el concepto con un ejemplo :
EJEMPLO
Se lanza dos veces una moneda y se observa el número de
apariciones cara. Determine la distribución de probabilidad para X.
Solución

Valores de X:xi f(xi)

Elementos de S

SS 0 f(0)=1/4
CS 1 f(1)=2/4
SC 1
CC 2 f(2)=1/4
EJEMPLO
Se lanza dos dados y se observa la suma de puntos. Determine la
distribución de probabilidad para X.
Solución

1 2 3 4 5 6 X f(x)
2 1/36
3 2/36
1 2 3 4 5 6 7
4 3/36
2 3 4 5 6 7 8 5 4/36
3 4 5 6 7 8 9 6 5/36
4 5 6 7 8 9 10 7 6/36
8 5/36
5 6 7 8 9 10 11
9 4/36
6 7 8 9 10 11 12 10 3/36
11 2/36
12 1/36
7
 REPRESENTACIÓN GRÁFICA

probabilidad

2
__ 3
__ 4
__ 5
__ 6
__ 5
__ 4
__ 3
__ 2
__
1 1
36 36 36 36 36 36 36 36 36
36 36

2 3 4 5 6 7 8 9 10 11 12 X

En este ejemplo la distribución es simétrica.

8
Entre los requisitos para una distribución de probabilidad
discreta tenemos que:

0  f(x)  1
 f(x)  1
x
Valor Esperado .- Sea X una variable aleatoria discreta con
distribución de probabilidad f(x), , el valor esperado o medio de X
es:
  E ( x)   xf ( x)
x

Varianza .- Sea X una variable aleatoria discreta con

distribución de probabilidad f(x), la varianza de x es:

  E( x   )  E( x )  
2 2 2 2
DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL
Características:
Existen sólo dos resultados posibles para cada ensayo “éxito o
fracaso”
La probabilidad de un éxito es la misma para cada ensayo
Existen n ensayos donde n es una constante
Los n ensayos son independientes.
Los ensayos que satisfacen estos supuestos se llaman ensayos de
Bernoulli.
La distribución de probabilidad para una variable aleatoria Binomial
está dada por:

 n x
f ( x)  b( x; n, p)    p (q) n  x
 x
para x=0,1,2....n
Donde:

  np
p: Probabilidad de éxito para cada ensayo
q = 1-p : Probabilidad de fracaso
n: número de pruebas
X: Número de éxitos en n pruebas
 2
 npq La media y varianza la definimos por:
1.La Fundación Nacional de las Ciencias de Estados Unidos, informa que
el 70% de los estudiantes de Postgrado que obtienen grados de
doctorado en ingeniería en ese país son ciudadanos de otros países.
considere el número de estudiantes extranjeros en una muestra aleatoria
de 25 estudiantes de ingeniería que recientemente obtuvieron su
doctorado. Determine:
A)p(x=10)
B) p( x  5)
C)Media y desviación estándar de x

2.El 60% de los postulantes prefieren las matemáticas .¿Cuál es la

probabilidad de que mas de la mitad de los postulantes que forman
una muestra de 5 personas, elegidas aleatoriamente del total de
postulantes, prefieran matemática?
 DISTRIBUCIÓN MULTINOMIAL
Características:
El experimento consiste en n pruebas idénticas
Existen k resultados posibles de cada prueba
Las probabilidades de los k resultados son denotados por p1, p2...pk se
mantienen constantes a lo largo de todos las pruebas donde
p1+p2+...+pk=1
Las pruebas son independientes
Las variables aleatorias de interés son x1,x2,.....xk en cada una de las
k categorías de clasificación.

n!
f ( x1 x2 ....xk )  p1x1 p2x 2 ....... pkxk
x1! x2!.....xk !
Donde:

p1  p2  .....  pk  1 n  x1  x2  .....  xk 
número de pruebas

xk : número de ocurrencias del resultado k en n pruebas

La media y la varianza de la variable aleatoria multinomial xk son
respectivamente:
k  npk  k  npk (1  pk )
2
Ejemplo
Una fábrica de pinturas envía a su distribuidor
autorizado 40 galones de pinturas de 4 clases diferentes:
brillante, semibrillante, satinado y mate .El distribuidor
autorizado estima que el 10% de los galones de pinturas
son brillantes, 50% son semibrillantes, 20% son
satinados y otros 20% son mates.
Calcule la probabilidad en que 4 galones sean brillantes,
24 sean semibrillantes, 10 sean satinados y 2 sean
mates.
Calcule el número esperado de galones satinados en la
muestra
 DISTRIBUCIÓN HIPERGEOMETRICA
Características:
-Muestreo sin reemplazo, esto es seleccionar aleatoriamente n elementos
diferentes de N elementos de la población.
-Consideremos una población de N unidades, de los cuales “a” poseen
ciertas características y “N-a” no la poseen. Si se hacen “n” extracciones al
azar, sin reemplazo entre la población, cada extracción es subsecuente es
dependiente y la probabilidad de éxito cambia en cada extracción. En estas
condiciones si deseamos obtener x unidades del tipo “a”( éxitos) en la
muestra al azar de tamaño “n”, el número de éxitos en este caso se llama
variable hipergeométrica .
Media y varianza
 a  N  a 
   a
 x  n  x    n 
f ( x)  h( x; n, a, N )  N
N
 
n  na( N  n)( N  a)
 
2

N 2 ( N  1)
En una fiesta hay 20 personas 14 casadas y
6 solteras. Se eligen 3 personas al azar
¿Cuál es la probabilidad de que las 3 sean
solteras?
 DISTRIBUCIÓN DE POISSON
Características:
- Proporciona un modelo para la frecuencia relativa del número de “eventos poco
comunes” que ocurren en una unidad de tiempo, área, volumen, etc. Como por
ejemplo el ejemplo el número de accidentes fatales por mes en una planta de
producción, el número de defectos visibles en un diamante, etc.
-La probabilidad de un evento que ocurra en una unidad de tiempo, área o
volumen es la misma para todas las unidades
-El número de eventos que ocurren en una unidad de tiempo, área o volumen es
independiente del número de los que ocurren en otras unidades.
-El número medio (o esperado ) de eventos en cada unidad se denota por la letra
griega lambda , .
 e x 
f ( x) 
x!
: es el número medio de eventos en una unidad de tiempo, área o volumen

 =2.71828......
La media y la varianza de una variable aleatoria de Poisson son, respectivamente

   2
1.Suponga que llegan en forma aleatoria una serie de llamadas a la
central de pedidos de una empresa de cemento con un promedio de
tres llamadas por minuto.
Calcular la probabilidad de que en el periodo de un minuto
a) no ocurra llamada alguna
b) ocurran al menos 4 llamadas
 DISTRIBUCIÓN BINOMIAL NEGATIVA
En muchos casos nos interesará medir el tiempo transcurrido antes de que
ocurra un evento, por ejemplo el tiempo que un cliente debe esperar en una cola
para ser atendido , el tiempo que tarda en fallar un equipo, etc.

La distribución de probabilidad para la variable

aleatoria x está dada por:
 x  1 a x  a
Media y varianza f ( x)    p q
a  a  1

p x=a, a+1,a+2....
Donde:
aq p:Probabilidad de éxito
  2
2
q:1-p
p x:Número de pruebas hasta que se observa el a-ésimo éxito
Ejemplo:
Sí la probabilidad de que un cierto dispositivo de medición muestre una
desviación excesiva es de 0,05, ¿cuál es la probabilidad de que; a) el
sexto de estos dispositivos de medición sometidos a prueba sea el
tercero en mostrar una desviación excesiva?, b) el séptimo de estos
dispositivos de medición sometidos a prueba, sea el cuarto que no
muestre una desviación excesiva?.

 6  1 5
a) f (6)   0,05 0,95   0,0530,953  0,001072
3 3

 3  1  2

 7  1  6
a) f (7)   0,95 0,05   0,9540,053  0,0020
4 3

 4  1 3
 DISTRIBUCIÓN GEOMÉTRICA
Es un caso especial de la distribución de probabilidad negativa, cuando “a” es
igual a 1. La distribución de probabilidad para una variable aleatoria geométrica
está dada por

x 1
f ( x)  g ( x; p)  pq x=1,2.....

Donde x número de ensayos hasta que se observa el primer éxito

Media y varianza ,

Media y varianza

1

p

q
  2
2

p
 VARIABLES ALEATORIAS CONTINUAS.-Se
dice que una variable aleatoria es continua cuando
el conjunto de posibles valores es todo un intervalo
de números. Muchas variables aleatorias que se
observan en la vida real constituyen claros
ejemplos de variables aleatorias continuas: El
tiempo de espera X ( en minutos) para culminar
un trabajo, la velocidad de un automóvil, la
cantidad de alcohol en la sangre de una persona,
la intensidad de la luz solar a una hora
determinada, el pH de un compuesto químico, etc.
 Ejemplo: Se seleccionan aleatoriamente 100 remesas de la bodega de un bus
interprovincial y éstas se agrupan de la siguiente manera:

CANTIDAD
PESO EN DE %
40
Lb REMESAS

150-155 3

155-160 8
20

160-165 20

165-170 40

170-175 23
150 155 160 165 170 175 180 185
Peso Lb
175-180 5

180-185 2

100
 ¿Cuál es la probabilidad de que una remesa seleccionada al azar,
tenga un peso superior a 165 Lb?

CANTIDAD
PESO DE % Prob.=%=Area
EN Lb REMESAS 40

150-155 3
155-160 8
160-165 20
20

165-170 40
170-175 23
175-180 5
180-185 2
150 155 160 165 170 175 180 185

100 Peso
 CANTIDAD
PESO DE
EN Lb REMESAS

150-155 3 % Prob.=%=Area
40
155-160 8
160-165 20
165-170 40
20

170-175 23
175-180 5
180-185 2
150 155 160 165 170 175 180 185
100 Peso
¿Cuál es la probabilidad de que una remesa de la MUESTRA, tomada al azar,
tenga un peso superior a 165 Lb?
 CANTIDAD
PESO DE
EN Lb REMESAS

% Prob.=%=Area
150-155 3 40

155-160 8
160-165 20
165-170 40 20

170-175 23
175-180 5
180-185 2
100 150 155 160 165 170 175 180 185
Peso
¿Cuál es la probabilidad de que una remesa, seleccionada al azar,
tenga un peso superior a 165?
¿Cuál es la probabilidad de que una remesa de la POBLACION, seleccionada al azar,
tenga un peso superior a 165 Lb?

% Prob. (muestra)
40

POBLACION

20

Muestra

150 155 160 165 170 175 180 185

Peso
Conocida (DATOS)
Desconocida!!! ¿Qué hacemos, entonces?
¿Cuál es la Probabilidad de que una remesa de la POBLACION, seleccionada al azar,
tenga un peso superior a 165 Lb?
Función de
densidad y = f(x)
%


165
f ( x)dx

165
170
Peso

Esa área es la probabilidad pedida; también puede interpretarse

como el porcentaje total de remesas (no sólo de la muestra) con
un peso superior a 165 Lb.
 ¿Qué es una función de densidad?
La Distribución de Probabilidad o función de densidad de
probabilidad de una variable aleatoria continua X, es una función
f(x), tal que la probabilidad de que X tome un valor en el intervalo
[a,b] esta dada por dada por:

b
p(a  x  b)   f ( x)dx
a

Area bajo la curva de f(x) entre a y b.

IMPORTANTE:
La probabilidad de que la variable X tome un valor determinado,
es CERO:
a
P( X  a)   f ( x)dx  0
a
 Para que f(x) sea una función de densidad, debe satisfacer las
siguientes condiciones:
f ( x)  0  x


Proposición:
 
f ( x)dx  1
Si X es una variable aleatoria continua, para dos números cualesquiera a y b con a < b
tenemos:

p(a  x  b)  p(a  x  b)  p(a  x  b)  p(a  x  b)

Función de Distribución Acumulativa
Sea F(x) la función de distribución acumulativa para una variable aleatoria continua X

x
F ( x)  P( X  x)   f (t )dt

 Si X es una variable aleatoria continua, para dos números cualesquiera a y b
con a < b tenemos:
b
p(a  x  b)   f ( x)dx  F (b)  F (a)
a

La función de densidad para una variable aleatoria X, también está dada por:

F ( x)
f ( x) 
d ( x)
La función de densidad para una variable aleatoria continua X, que
modela alguna población de datos de la vida real, por lo regular es una
curva continua.
Valor esperado y varianza para variables aleatorias continuas
Media de una densidad de probabilidad

  E ( x)   xf ( x)dx


  E( x   )    ( x   ) f ( x)dx   x f ( x)dx   2

  2
2 2 2
 
Ejemplo. El diámetro en centímetros de unos balines metálicos para uso
Industrial , es una v. a continua X, cuya función de densidad está dada por:

a) Obtenga el valor de la constante c.

b) Halle la desviación estándar , media y mediana
Ejemplo. Un ama de casa permite a sus hijos pequeños mirar televisión un máximo
de 200 horas por mes (incluyendo sábados y domingos). Y sólo después de terminar
sus tareas escolares. Ella lleva un control riguroso del tiempo que sus hijos
mantienen la televisión encendida cada mes, de modo que se trata de una v.a
Continua que medida en unidades de 100 horas , tiene la siguiente función de
Densidad de probabilidad:

Determine la probabilidad de que, durante un mes cualquiera, los niños vean la

La televisión:
a) Menos de 120 horas
b) Entre 50 y 100 horas
c) Calcule la media y varianza
Ejemplo.
Suponga que la función de densidad de ventas semanales de un cereal (en toneladas)

2(1  x) 0  x 1
f ( x)  
 0 en otros casos

a)Obtenga la función de distribución acumulada (F(x)) .

b)Calcule , P( x  0,5) es decir F(0,5)

c)Calcule
P(0,25  x  0,5)
d)Calcule E(x) y desviación estándar.
 PRINCIPALES DISTRIBUCIONES CONTINUAS

Distribución Normal

 Entre las distribuciones continuas la más importante es la llamada

distribución normal.

• Fue introducida por Carl Friedrich Gauss (1777 – 1855) a

principios del siglo XIX en su estudio de los errores de
medida. Desde entonces se ha utilizado como modelo en
multitud de variables (peso, altura, calificaciones...), en
cuya distribución los valores más usuales se agrupan en
torno a uno central y los valores extremos son escasos.
 DISTRIBUCIÓN NORMAL
• Función de densidad:
1  ( x   )2 2 2
 Está caracterizada por dos parámetros: f ( x)  e
 La media, μ, y la desviación típica, σ.
• CARACTERÍSTICAS:  2
– Gráfico con Perfil de Campana
– Simétrica con respecto a la media
– Asintótica al eje de las x,-<x<+
– Parámetros μ y 
– Coinciden la Media, Moda y Mediana
– El área bajo la curva es igual a 1
– El área entre 2 puntos bajo la curva es la probabilidad de que la
variable tome un valor entre los mismos.
– El área desde la media tomando una desviación típica para cada
lado P(µ)=68%, tomando P(µ2σ)=95% y P(µ3σ)=99.7%
 1  ( x   )2 2 2
f ( x)  e
 2
N(μ, σ2): Interpretación probabilística

 Entre la media y
una desviación
típica tenemos
aprox. 68% de las
observaciones

 Entre la media y dos

desviaciones típicas
aprox. 95%
 Tipificación
 Dada una variable de media μ y desviación típica σ, se
denomina valor tipificado, z, de una observación x, a la
distancia (con signo) con respecto a la media, medida
en desviaciones típicas:

x
z

 DISTRIBUCIÓN NORMAL TIPIFICADA o
ESTANDAR
1 ( z
2

f ( z) 
)
• FUNCIÓN: e 2

2
• VARIABLE ALEATORIA z
x
z se describe como el z
número de desviaciones
típicas entre x y μ. 
• CARACTERÍSTICAS:
– Media Aritmética = 0  0
– Desviación Típica = 1
 1
Nos permite así comparar entre dos valores de dos distribuciones
normales diferentes, para saber cuál de los dos es más extremo
 La distribución f (Z) se encuentra tabulada en la
tabla de distribución normal estándar. En esta tabla
podemos determinar los valores de Z o la
probabilidad de determinado valor Z.

 La Distribución Normal Tipificada está tabulada, permitiendo

determinar probabilidades en intervalos, sin necesidad del
cálculo integral.
1.Haga uso de la tabla de Distribución Normal, determine las siguientes probabilidades:

2.Si x es una variable que se distribuye normalmente con media y desviación

estándar, hallar el valor de k tal que:
P( x    k )  0,95

3.Calule el valor de la variable aleatoria normal estándar z, llámesele z0 tal que:

Aproximación de la Distribución Binomial mediante la
Distribución Normal.

Cuando n es muy grande, los cálculos de las

probabilidades binomiales resultan
laboriosos, en la obtención de los
coeficientes binomiales y potencias de p y q.
La distribución normal resulta una buena
aproximación de las distribuciones
binomiales cuando n es grande y p no
necesariamente pequeño
 k  0,5  np k  0,5  np
i) p( X  k )  p( z )
npq npq
k  0,5  np
ii ) p( X  k )  p( z  )
npq
k  0,5  np
iii ) p( X  k )  p( z  )
npq
k  0,5  np
iv ) p( X  k )  p( z  )
npq
k  0,5  np
v) p( X  k )  p( z  )
npq
Ejemplo
Un fabricante vende lámparas en cajas de
1000. ¿Cuál es la probabilidad de que
alguna caja contenga no más del 1% de
lámparas defectuosas, si se considera el
proceso de producción como un
experimento Binomial con p=1% (la
probabilidad de que alguna lámpara sea
defectuosa)?
Sol
PRINCIPALES DISTRIBUCIONES CONTINUAS:

Distribución exponencial: Exp(λ)

 x
f ( x )  e
Función de densidad:

  0, x  0
-Se utiliza con frecuencia para modelar la
duración (vida de personas, animales o
componentes físicos; duración de huelgas,
recesiones económicas, etc.) o el tamaño
(duración de llamadas, tamaño de
yacimientos, etc.)
 Características: 1
– Esperanza o valor esperado  
1 
– Varianza   2

 2

– Su función de distribución acumulada es:

 0 x0
F ( x)  P( X  x)    x
1  e x0
Ejemplo. Un operador de una estación de bomberos observó que la demanda de
agua en determinada hora del día, se puede representar mediante un v.a que se
Distribuye exponencialmente cuyo promedio es de 100 pies3/s
a) Calcule la probabilidad de que la demanda sea mayor que 200 pies en un día
Seleccionado al azar
b)¿cuál es la capacidad máxima de suministro de agua que debería conservar
en circulación la estación en esa hora para que la demanda sea mayor que la
Capacidad de suministro, con una probabilidad de 0,01?
Ejemplo:
Suponga que el tiempo de respuesta
X en cierta terminal de computadora
en línea (el tiempo transcurrido entre
el fin de la consulta del usuario y el
principio de la respuesta del sistema
a esa consulta) tiene una distribución
exponencial con tiempo esperado de
respuesta igual a 5 segundos. ¿Cuál
es la probabilidad de que el tiempo de
respuesta se encuentre entre 5 y 10
segundos?
 Distribución exponencial: ejemplo
• Datos:
– E ( X ) = 1 / λ = 5 segundos :. λ =0,2
• Obteniendo la distribución acumulada:
0, 2 (10) =0,865
– F(10)=
–.
1 e
P(X<=10)=F(10)=0,87
• La probabilidad de que el tiempo de
respuesta esté entre 5 y 10s es:
P ( 5 <= X <=10) = F(10) – F(5) =
0, 2 (10) 0, 2 ( 5)
1 e 1  e  0,233
 Distribución de probabilidad uniforme
Suponiendo que se selecciona al azar un número x,
representado por un punto en el intervalo a  x  b . La
función de densidad de x, se representa
1
por un rectángulo donde la altura es b  a , para
asegurar que el área debajo del rectángulo sea igual a
1.
Una variable aleatoria de este tipo se denomina
variable uniforme y su función de densidad es:

a b
 Una variable aleatoria de este tipo se
denomina variable uniforme y su función
de densidad es:

 1
 si a  x  b
f ( x)   b  a

 0 en otro caso

Donde:

ab (b  a ) 2
 2 
2 12
EJEMPLO
Una compañía manufacturera ha inventado una máquina
con gran eficiencia de combustible que combina el
lavado a presión con la limpieza a vapor. La máquina
está diseñada para suministrar siete galones de
limpiador por minuto a 1000 libras por pulgada
cuadrada para el lavado a presión. En realidad la
máquina suministra una cantidad aleatoria entre 6,5 y
7,5 galones por minuto suponga que x, la cantidad de
limpiador suministrado es una variable aleatoria
uniforme con densidad de probabilidad.
a)Calcule la media y desviación estándar
b)Calcule la probabilidad de suministrar más de 7,2
galones de limpiador por minuto.
Ejemplo.
La temperatura de destilación del petróleo es importante en la determinación
de la calidad final del producto. Suponga que x es una v.a con distribución
uniforme en el intervalo [150,300]. Suponga que el costo para producir un galón
de petróleo en miles de soles es c1. Si el aceite es destilado a una temperatura
menor a 200º, el producto obtenido es vendido a c2 ; si la temperatura fuera
superior a 200º, el producto es vendido a c3. ¿cuál es la ganancia promedio
Por galón?
 Fuentes de información
• INSTITUTO TECNOLÓGICO DE CHIHUAHUA
HTTP://WWW.ITCHIHUAHUA.EDU.MX/ACADEMIC/INDUSTRIAL/SABATICORITA/_PRIVATE/03DISTRIBUCION%20EX
PONENCIAL.HTM
• WIKIPEDIA. HTTP://ES.WIKIPEDIA.ORG/WIKI/PORTADA 25 DE ENERO DEL 2008.
• DEVORE, JAY. PROBABILIDAD Y ESTADÍSTICA PARA INGENIERÍA Y CIENCIAS. MÉXICO: THOMSON LEARNING,
2001.
• ITESM. PROBABILIDAD Y ESTADÍSTICA. MATERIAL DE APOYO. MÉXICO: 1992.
• LIPSCHUTZ, SEYMOUR. PROBABILIDAD. COLOMBIA: MC GRAW HILL, 2001.
• CORDOVA ZAMORA, MANUEL. “ESTADÍSTICA”. EDITORIAL LIBRE MOSHERA. QUINTA EDICIÓN. 2003.
• PIOTR MARIAN WISNIEWSQUI – GABRIEL VELASCO SOTOMAYOR. “PROBLEMARIO DE PROBABILIDAD”.
INTERNATIONAL THOMSON EDITORES, S.A.2001
• MACELIA GARCIA ALVAREZ - GUILLERMO RAMIS RAMOS. “QUIMIOMETRÍA “ EDIT. SÍNTESIS 2001.