DISTRIBUCIONES CONTINUAS Y DISCRETAS

DISTRIBUCION CONTINUA NORMAL

Distribución normal o gaussiana
La distribución gaussiana, recibe también el nombre de distribución normal, ya que una gran mayoría de
las v.a continuas de la naturaleza siguen esta distribución. Se dice que una v.a. X sigue una distribución
2 2
normal de parámetros µ y σ , lo que representamos del modo X;N µ, σ si su función de densidad es:

(6.17)
Observación
Estos dos parámetros µ y σ coinciden además con la media (esperanza) y la varianza respectivamente de
la distribución como se demostrará más adelante:
(6.18)
(6.19)

La forma de la función de densidad es la llamada campana de Gauss.

Para el lector es un ejercicio interesante comprobar que esta alcanza un único máximo (moda) en
µ, que es simétrica con respecto al mismo, y por tanto P[X ≤ µ] = P[X ≥ µ] = 1/2, con lo cual en
µ coinciden la media, la mediana y la moda, y por último, calcular´ sus puntos de inflexión.
El soporte de la distribución es todo IR, de modo que la mayor parte de la masa de probabilidad
(área comprendida entre la curva y el eje de abscisas) se encuentra concentrado alrededor de la
media, y las ramas de la curva se extienden asintóticamente a los ejes, de modo que cualquier
valor “muy alejado” de la media es posible (aunque poco probable).

Figura 6.6: Campana

de Gauss o función de
densidad de una v.a.
de distribución normal.
EL parámetro µ indica
el centro y σ la
dispersión. La
distancia del centro a
los puntos de inflexión
es precisamente σ.
La forma de la campana de Gauss depende de los parámetros µ y σ:

 µ indica la posición de la campana (parámetro de centralización);

 σ2(o equivalentemente, σ) será el parámetro de dispersión. Cuanto menor sea, mayor

cantidad de masa de probabilidad habrá concentrada alrededor de la media (grafo de f
muy apuntado cerca de µ) y cuanto mayor sea “más aplastado” será.

Figura 6.7: A una

distancia que no supera en
una desviación de la
media tenemos una
probabilidad del 68 %. A
dos desviaciones tenemos
el 95 %.
DISTRIBUCION CONTINUA TRIANGULAR
Utilice la distribución triangular para describir una población sobre la cual existen datos de
muestra limitados. Por ejemplo, en la industria petrolera es costoso recolectar datos y es casi
imposible modelar la población.
La distribución triangular se utiliza generalmente para modelar procesos estocásticos o de riesgo
comercial. Por ejemplo, la recolección de datos para determinar el costo de construcción de un
edificio nuevo resulta difícil. Sin embargo, usted puede estimar los costos de construcción
mínimos, máximos y más probables (moda). Es fácil definir y explicar estos valores, que son una
representación razonable de los datos.
Una distribución triangular es una distribución continua que se describe por sus valores mínimos,
máximos y su moda. La distribución tiene una forma triangular. Comienza en el valor mínimo,
aumenta de manera lineal hasta alcanzar el valor pico en la moda y luego disminuye de manera
lineal hasta alcanzar el valor máximo. La forma del triángulo puede ser simétrica o asimétrica.
Por ejemplo, la siguiente gráfica ilustra una distribución triangular con parámetros mínimo = 10,
moda = 50 y máximo = 150.
La función densidad de probabilidad es:

Características de la distribución:
DISTRIBUCION CONTINUA HIPER GEOMETRICA
Hasta ahora hemos analizado distribuciones que modelaban situaciones en las que se realizaban
pruebas que entrañaban una dicotomía (proceso de Bernouilli) de manera que, en cada
experiencia, la probabilidad de obtener cada uno de los dos posibles resultados se mantenía
constante.
Si el proceso consistía en una serie de extracciones o selecciones ello implicaba la reposición de
cada extracción o selección, o bien la consideración de una población muy grande (cartas en un
casino). Sin embargo, si la población es pequeña y las extracciones no se remplazan, las
probabilidades no se mantendrán constantes. La distribución hipergeométrica viene a cubrir esta
necesidad de modelar procesos de Bernouilli con probabilidades no constantes (sin
reemplazamiento).

Selección sin reemplazamiento

La distribución hipergeométrica es especialmente útil en todos aquellos casos en los que se
extraigan muestras o se realicen experiencias repetidas sin devolución del elemento extraído o
sin retornar a la situación experimental inicial.
Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones pequeñas y
en el cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones en el control de
calidad para procesos experimentales en los que no es posible retornar a la situación de partida.
Las consideraciones a tener en cuenta en una distribución hipergeométrica:
El proceso consta de "n" pruebas, separadas o separables de entre un conjunto de "N" pruebas
posibles.
Cada una de las pruebas puede dar únicamente dos resultados mutuamente excluyentes.
El número de individuos que presentan la característica A (éxito) es "k".
En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con p+q=1.
En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”. La función de
probabilidad de esta variable sería:

La media, varianza y desviación típica de esta distribución vienen dadas por:

EJEMPLO 1:
Supongamos la extracción aleatoria de 8 elementos de un conjunto formado por 40 elementos
totales (cartas baraja española) de los cuales 10 son del tipo A (salir oro) y 30 son del tipo
complementario (no salir oro).
Si realizamos las extracciones sin devolver los elementos extraídos y llamamos X al número de
elementos del tipo A (oros obtenidos) que extraemos en las 8 cartas; X seguirá una distribución
hipergeométrica de parámetros 40 , 8 , 10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:

Solución problema 1

EJEMPLO 2:
De cada 20 piezas fabricadas por una máquina, hay 2 que son defectuosas. Para realizar un
control de calidad, se observan 15 elementos y se rechaza el lote si hay alguna que sea
defectuoso. Vamos a calcular la probabilidad de que el lote sea rechazado.
Solución problema 2

Cuando N es muy grande, como criterio se suele considerar N > 10n, la distribución
hipergeométrica se puede aproximar por la binomial B ( n, p ) con p = k/N.
En la siguiente escena puedes observar la función de probabilidad de la distribución
hipergeométrica. Puedes cambiar los diferentes parámetros que configuran dicha distribución y
observar cómo cambia esta función a medida que se varía alguno de ellos. Extrae tus propias
conclusiones. Así mismo, puedes utilizar también la escena como calculadora directa que
permite resolver situaciones concretas que se puedan plantear en problemas específicos.
Lógicamente hay un límite para los valores de la población de manera que la escena funcione
con fluidez (valores menores de 200).
DISTRIBUCION CONTINUA LOGARITMICA
La distribución logarítmico normal es continua. Se suele utilizar a menudo en situaciones en las que los
valores se sesgan positivamente, por ejemplo, para determinar precios de acciones, precios de
propiedades inmobiliarias, escalas salariales y tamaños de depósitos de aceite.
Parámetros
Ubicación, Media, Desviación estándar
De forma predeterminada, la distribución logarítmico normal utiliza la media aritmética y la desviación
estándar. En el caso de aplicaciones en las que hay datos históricos disponibles, resulta más adecuado
utilizar la desviación estándar logarítmica y la media logarítmica o la media geométrica y la desviación
estándar geométrica. Estas opciones están disponibles en el menú Parámetros de la barra de menús. Tenga
en cuenta que el parámetro de ubicación está siempre en el espacio aritmético.
Nota:
Si tiene datos históricos disponibles con los que definir una distribución logarítmico normal, es
importante calcular la media y la desviación estándar de los logaritmos de los datos y, a continuación,
introducir estos parámetros de logaritmo mediante el menú Parámetros (Ubicación, Media logarítmica y
Desviación estándar logarítmica). Calcular la media y la desviación estándar directamente en los datos sin
procesar no le dará la distribución logarítmico normal correcta. También puede optar por utilizar la
función de ajuste de distribución que se describe en Ajuste de distribuciones a datos históricos.
Para obtener más información sobre estos parámetros alternativos, consulte la sección de distribución
logarítmico normal en la guía de ejemplos y referencia de Oracle Crystal Ball. Para obtener más
información acerca de este menú, consulte Uso de conjuntos de parámetros alternativos.
Condicionales
La distribución logarítmico normal se utiliza cuando se dan las siguientes condiciones:
Los límites superiores e inferiores son ilimitados, pero la variable incierta no puede estar por debajo del
valor del parámetro de ubicación.
La distribución se ha sesgado positivamente, con la mayoría de los valores próximos al límite inferior.
El logaritmo natural de la distribución es una distribución normal.

Ejemplo:
DISTRIBUCION DISCRETA: BINOMIAL

La distribución binomial fue desarrollada por Jakob Bernoulli (Suiza,1654‐1705) y es la principal

distribución de probabilidad discreta para variables dicotómicas, es decir, que sólo pueden tomar dos La
distribución binomial 3 posibles resultados. Bernoulli definió el proceso conocido por su nombre. Dicho
proceso, consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o
no, siendo p la probabilidad de que ocurra (éxito) y q=1‐p de que no ocurra (fracaso), por lo que la
variable sólo puede tomar dos posibles valores, el 1 si ocurre y el 0 sino sucede.

Las distribución binomial es una generalización de la distribución de Bernouilli, cuando en lugar de

realizar el experimento aleatorio una sola vez , se realiza n, siendo cada ensayo independiente del
anterior.  

La distribución binomial viene definida como sigue:  

 Sea una población de tamaño ∞.

 Sea una muestra de tamaño n (número de repeticiones del experimento).
 Los n experimentos realizados son independientes.
 Cada ensayo produce uno de los dos únicos posibles resultados, a los que, por comodidad de
nomenclatura, les llamaremos acierto (A) y su complementario Fallo (F o Ᾱ).
 Sea A un suceso que tiene una probabilidad p de suceder y en consecuencia, su complementario
tendrá una probabilidad 1‐p de suceder.
 X: número de individuos de la muestra que cumplen A.
 El conjunto de posibles valores de A es, E = {0,1,2,3, 4…}

CARACTERISTICAS

Se dice que X sigue una distribución Binomial de parámetros n y p, que se representa con la siguiente
notación:

Donde, n, debe ser un entero positivo y p debe pertenecer al intervalo 0 ≤ p ≤ 1, por ser una proporción.
Su media y su varianza vendrán dadas por las siguientes expresiones:
La distribución binomial se puede expresar de forma gráfica, y que en realidad consiste en un diagrama
de barras, similar a los obtenidos en la función de probabilidad pero que van a ir variando su forma en
función de los valores de n y de p al modificarse las probabilidades de los distintos posibles valores de
P(X=x).    

Por ejemplo, para p=0,2 (azul), y p=0,3 (rojo) y distintos valores de n:

En la siguiente figura, puede apreciarse como al incrementar n, se ve que las curvas de frecuencias se
aproximan a una forma en forma de campana, con la típica forma de campana de Gauss, pudiendo a
deducirse, que conforme aumenta n, las variables discretas que siguen una distribución binomial tiende
a aproximarse a la distribución normal. 
EJEMPLO:

Un cazador tiene una probabilidad de acertar cada disparo que realiza con su escopeta (suceso A) del 40
%. ¿Qué probabilidad tiene de derribar a su presa si puede efectuar tres disparos consecutivos?

 Sea el suceso A: derriba a la presa en el disparo.    

 La probabilidad de A, sería p=0,4.    
 Sea la variable X ~ número de disparos acertados ~ B (n=3, p=0,4).

P ( derribarla )=P ( derribarlaen el primer disparo )+ P ( derribarla en el segundo disparo ) + P(derribarla en el tercer

Sin embargo, al ser sucesos independientes, podemos calcularlo de manera más sencilla, mediante el
complementario:

DISTRIBUCION DISCRETA: POISSON

La distribución Poisson es, junto con la distribución binomial,  una de las más importantes distribución
de probabilidad para variables discretas, es decir, sólo puede tomar los valores 0, 1, 2, 3, 4, ..., k.  

 La distribución de Poisson se emplea para describir varios procesos, entre otros: 

 El número de autos que pasan a través de un cierto punto en una ruta (suficientemente
distantes de los semáforos) durante un periodo definido de tiempo.  
 El número de errores de ortografía que uno comete al escribir una única página.  
 El número de llamadas telefónicas en una central telefónica por minuto.  
 El número de servidores web accedidos por minuto.  
  El número de defectos en una longitud específica de una cinta magnética.  
 El número de mutaciones de determinada cadena de ADN después de cierta cantidad de
radiación.  
 El número de defectos por metro cuadrado de tela.
 El número de estrellas en un determinado volumen de espacio.

DEFINICIÓN

La distribución de Poisson fue desarrollada por Siméon‐Denis Poisson (1781‐1840). Esta distribución de
probabilidades es muy utilizada para situaciones donde los sucesos son impredecibles o de ocurrencia
aleatoria. En general, utilizaremos la distribución de Poisson como aproximación de experimentos
binomiales donde el número de pruebas es muy alto (n→∞), pero la probabilidad de éxito muy baja
(p→0).   

Se dice que X sigue una distribución  de Poisson de parámetro λ y que se obtiene del producto n*p (que
nombraremos a partir de aquí como np, por mayor simplicidad), que se representa con la siguiente
notación:

La distribución de Poisson se caracteriza por las siguientes propiedades:

 Sea una población de tamaño ∞.

 Sea una muestra de tamaño n bastante elevado (se suele hablar de que tiende a ∞)
 Los sucesos son independientes entre si.
 Sea A un suceso que tiene una probabilidad p de suceder durante un periodo de tiempo, siendo
esta probabilidad de ocurrencia durante un periodo de tiempo concreto muy pequeña (se suele
hablar de que tiende a 0).
 El producto n*p, tiende a aproximarse a un valor promedio o número medio, al que llamaremos
λ. Por ejemplo, promedio de llamadas recibidas en una centralita por minuto o número medio
de accidentes producidos en una carretera durante el fin de semana.
 X: número de individuos de la muestra que cumplen A.
 El conjunto de posibles valores de A es, E = {0,1,2,3,4....}

Su función de probabilidad viene definida por:

donde x debe ser un entero positivo.

Esta expresión, se obtiene tomando los límites cuando n tiende a ∞, p tiende a 0 y np permanece
constante e igual a λ, de la función de probabilidad de la distribución de una variable binomial:
La media o esperanza y la varianza se obtienen mediante el mismo procedimiento, tomando los límites
cuando n tiende a ∞, p tiende a 0 y np tiende a λ:

Una propiedad importante de la distribución de Poisson, es que la suma de n variables de Poisson

independientes, Ps(λ1) +Ps(λ2) +…….+Ps(λn), es también una variable de Poisson siendo el valor de su
parámetro λ, la suma de los de las variables que se suman, Ps(λ1+λ2+…….+λn).

En general, la distribución de Poisson ofrecerá buenas aproximaciones a probabilidades de variables

binomiales cuando n ≥ 50 y p ≤ 0,1 y en el intervalo, 10 ≤ np ≤100, las aproximaciones serán excelentes,
ya que en muchos casos la aplicación de la función de probabilidad de la binomial puede llegar a ser
complicada.  

EJEMPLO.

Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de que
reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de dos días
consecutivos?  

SOLUCIÓN

a. x = variable que nos define el número de cheques sin fondo que llegan al banco en un día
cualquiera = 0, 1, 2, 3, ....., etc, etc.

λ = 6 cheques sin fondo por día

ε = 2.718
 b. X= variable que nos define el número de cheques sin fondo que llegan al banco en dos días
consecutivos = 0, 1, 2, 3, ......, etc., etc.

λ = 6 x 2 = 12 cheques sin fondo en promedio que  llegan al banco en dos días consecutivos