Distribuciones Bin Pois Hiper Expo Norm

Distribuciones discretas
Distribuciones continuas
Distribuciones de Probabilidad Discreta y

continuas
Estadística y Probabilidad
Cristian Fernando Tellez Piñerez

1 Departmento de Matemáticas
Universidad El Bosque
Cristian Fernando Tellez Piñerez Distributions

Outline
1 Distribuciones discretas
Distribución Binomial
Distribución Poisson
Distribución Hipergeométrica
2 Distribuciones continuas
Distribución Exponencial
Distribución normal

Outline

Introducción
La distribución binomial es una distribución de probabilidad

discreta que mide el número de éxitos en una secuencia de n
ensayos independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos.

Algunos experimentos binomiales
1 Número de alumnos aprobados un examen, si se presentan 25

estudiantes a dicho examen.
2 Número de caras en 20 lanzamientos de una moneda.
3 Número de accidentes de tránsito en cierta calle de la ciudad
de Bogotá si, por allí se han movilizado 200 vehículos.

Definition
Sea X una variable aleatoria discreta con distribución binomial de
parámetros n y p. La función de distribución de probabilidad para
X está dada por:
P (X = x ) = n x
x p (1 − p)n−x , con x = 0, 1, 2, ..., n (1)
Notación: Si una variable aleatoria X sigue una distribución

binomial de parámetros n y p se representa simbólicamente
X ∼ binom (n, p).

Teorema
Sea X una variable aleatoria discreta, tal que, X ∼ binom (n, p),
entonces,
1 E (X ) = np
2 V (X ) = np (1 − p).

Ejemplo
Ejemplo
Un profesor de la Fundación Universitaria Los Libertadores quiere
realizar un examen de 8 preguntas cada una de opción múltiple.
Cada pregunta tiene cuatro opciones de respuesta, en la que, sólo
una es correcta. El examen es aprobado sí responden
correctamente al menos cinco preguntas. Si un estudiante va a
presentar el examen y pretende adivinar las respuestas:
1 ¿Cuál es la probabilidad de aprobar el examen?
2 ¿Cuál es la probabilidad de reprobar el examen?
3 ¿Cuál es la probabilidad de responder 3 preguntas correctas?
4 Calcule el valor esperado y la varianza para número de
preguntas correctas.

Solución
Sea X := Número de respuestas correctas en el examen.

1
X ∼ binom 8, . (2)
4
Reemplazando los parámetros conocidos de la distribución binomial se obtiene la siguiente expresión:
8 1 x 1
8−x
P (X = x ) = 1−
x 4 4
8 1 x 3 8−x
= . (3)
x 4 4
Empleando la fórmula anterior se pueden calcular las probabilidades de interés. La respuesta a la pregunta a es:
8
X
P (X ≥ 5) = P (X = x )
x =5
= P (X = 5) + P (X = 6) + P (X = 7) + P (X = 8)
8 1 5 3 8−5 8 1 8 3 8−8
= + ··· +
5 4 4 8 4 4
= 0,0272.

Solución
El cálculo de la probabilidad solicitada en b es:
4
X
P (X < 5) = P (X = x )
x =0
= P (X = 0) + P (X = 1) + · · · + P (X = 4)
! !
0
8 1 3 8−0 8 1 4 3 8−4
= + ··· +
0 4 4 4 4 4
= 0,9727.
La respuesta al ítem c es:

!
3 8−3
8 1 3
P (X = 3) =
3 4 4
= 0,208.

Solución
Las respuestas al ítem d son:
E (X ) = np
1
= 8×
4
= 2
V (X ) = np(1 − p)
1 3
= 8× ×
4 4
3
= .
2

Ejemplo
Ejemplo
Una prueba de embarazo realizada por un laboratorio reconocido de
la ciudad de Bogotá tiene un margen de error del 4 %. Si en un día
se realizaron 45 pruebas de embarazo. ¿Cuál es la probabilidad de:
1 Cinco pruebas salgan erróneas?
2 Ninguna prueba resulte errónea?
3 Todas las pruebas salgan erróneas?
4 ¿Cuántas pruebas espera el laboratorio que salgan errónea?

Solución
Sea X := Número de pruebas erradas.
X ∼ binom (45 , 0,04) . (4)
Reemplazando los parámetros conocidos de la distribución binomial se obtiene

la siguiente expresión:

45
P (X = x ) = (0,04)x (1 − 0,04)45−x
x

45
= (0,04)x (0,96)45−x . (5)
x
Empleando la ecuación (5) se puede calcular la respuesta al interrogante a,

veamos:

45
P (X = 5) = (0,04)5 (0,96)45−5
5
= 0,024.

Solución
45
P (X = 0) = (0,04)0 (0,96)45−0
0
= 0,159.
La respuesta al interrogante c es:
45
P (X = 45) = (0,04)45 (0,96)45−45
45
≈ 0.
La respuesta al interrogante d es:
E (X ) = 45 × 0,04
= 1,8.
Se espera que aproximadamente de 2 de las 45 pruebas de embarazo realizadas den un

resultado erróneo.

Ejemplo
Ejemplo
Quince individuos, cada uno de ellos propenso a la tuberculosis,
entran en contacto con un portador de la enfermedad. Si la
probabilidad de que la enfermedad se contagie del portador a una
persona es de 0.3. ¿Cuántas personas se espera que contraigan la
enfermedad?

Solución
Sea X := Número de personas que contraen la enfermedad.

Del enunciado se puede deducir que la función de probabilidad es:
X ∼ binom (15 , 0,3) . (6)
Empleando la fórmula del valor esperado de la distribución

binomial se obtiene lo siguiente
E (X ) = np
= 15 × 0,3
= 4,5.
Por lo anterior, se espera que alrededor de 5 personas contraigan la

enfermedad.

Ejemplo
Example
Un estudiante de psicología de la Fundación Universitaria Los Libertadores sabe
que alrededor del 30% de los estudiantes universitarios sufren de estrés. Si se
toma una muestra de 350 estudiantes de los distintos programas que ofrece la
fundación:
1 ¿Cuál es la probabilidad de que exactamente 100 estudiantes sufran de
estrés?
2 ¿Cuál es la probabilidad de que ningún estudiante sufra de estrés?
3 ¿Cuál es la probabilidad de que al menos 100 estudiantes sufran de estrés?
4 ¿Cuál es la probabilidad de que como mucho 50 estudiantes sufran de
estrés?
5 Calcule el número de estudiantes que se esperara sufran de estrés.

Solución
Sea X := Número de estudiantes que sufren de estrés.
X ∼ binom (350 , 0.3) (7)
Reemplazando los parámetros conocidos en la función de masa de probabilidad

para la distribución binomial se obtiene la siguiente expresión:

350
P (X = x ) = (0.3)x (1 − 0.3)350−x
x

350
= (0.3)x (0.7)350−x . (8)
x
Empleando la ecuación (8) se puede calcular la respuesta al interrogante a,

veamos:

350
P (X = 100) = (0.3)100 (0.7)350−100
100
= 0.0397.

Solución

350
P (X = 0) = (0,3)0 (0,7)350−0
0
≈ 0.
La respuesta al interrogante c es:

350
X 350
P (X ≥ 100) = (0,3)x (0,7)350−x
x
x =100

350 350
= (0,3)100 (0,7)350−100 + · · · + (0,3)350 (0,7)350−350
100 350
= 0,738.

Solución
El cálculo de la probabilidad solicitada en d es:
50
X 350 x 350−x
P (X ≤ 50) = (0,3) (0,7)
x =0
x

350 0 350−0 350 50 350−50
= (0,3) (0,7) + ··· + (0,3) (0,7)
0 50
∼
= 0.
La respuesta al interrogante e es:
E (X ) = np
= 350 × 0,3
= 105.
Se espera que 105 estudiantes de los 350 sufran de estrés.

Outline

Introducción
La distribución de Poisson es una distribución de probabilidad

discreta que expresa, a partir de una frecuencia de ocurrencia
media, la probabilidad de que ocurra un determinado número de
eventos durante cierto periodo de tiempo.

Algunos ejemplos
1 Número de accidentes por hora en un cruce de carretera.

2 Número de errores ortográficos por página.
3 Número de llamadas telefónicas a una central por minuto.
4 Número de bolsas de basura por calle en Bogotá.
5 Número de huecos por kilómetro en una carretera.

Definición
Definitions
Sea X una variable aleatoria discreta con distribución Poisson de
parámetro λ. La función de distribución de probabilidad para X
está dada por:
e −λ λx
P (X = x ) = , con x = 0, 1, 2, ... y λ > 0 (9)
x!
Notación: Si una variable aleatoria X sigue una distribución
Poisson de parámetro λ se representa simbólicamente
X ∼ Pois (λ).

Valor Esperado y Varianza
Teorema
Sea X una variable aleatoria discreta, tal que X ∼ Pois (λ),
entonces
1 E (X ) = λ
2 V (X ) = λ.
La distribución Poisson es la única distribución en donde la
varianza y el valor esperado coinciden y es igual a λ. Existe una
relación entre la distribución Poisson y la distribución binomial que
será presentada más adelante.

Ejemplo
Ejemplo
Suponga que un día de mucho trabajo, al director del departamento de
Ciencias Básicas de la Fundación Universitaria Los Libertadores le llegan en
promedio 3 llamadas cada 5 minutos. El director quiere salir un momento a
tomar un café y antes de hacerlo se hace las siguientes preguntas:
1 ¿Qué tan probable es que reciba una llamada en los próximos 5 minutos?
2 ¿Qué tan probable es que no reciba llamadas en los próximos 5 minutos?
3 ¿Qué reciba al menos una llamada en los próximos 5 minutos?
4 ¿Qué reciba más de dos llamadas en los próximos 2 minutos?
5 ¿Cuántas llamadas esperaría recibir en los próximos 3, 5 y 10 minutos?

Solución
Sea X := El número de llamadas que entran a la oficina del director del
departamento de Ciencias Básicas.
X ∼ Pois (3) (10)
Reemplazando el parámetro conocido en la función masa de probabilidad

de la distribución Poisson se obtiene lo siguiente:
e −3 3x
P (X = x , λ = 3) = (11)
x!
Empleando la expresión 11 se puede dar respuesta al interrogante a.
e −3 31
P (X = 1 , λ = 3) =
1!
= 0,1493.

Solución
De manera similar se puede calcular la probabilidad solicitada en b:
e −3− 30
P (X = 0 , λ = 3) =
0!
= 0,049.
La solución del interrogante c es:
P (X ≥ 1 , λ = 3) = 1 − P (X < 1 , λ = 3)
= 1 − P (X = 0 , λ = 3)
e −3 30
= 1−
0!
= 1 − 0,049
= 0,951.

Solución
Para poder solucionar la pregunta planteada en d se debe tener en
cuenta que el intervalo de tiempo cambió de 5 minutos a 2
minutos. Lo anterior implica que se debe identificar un nuevo valor
para λ por medio de la siguiente regla de 3:
5 minutos → λ = 3
2 minutos → λ2 = 1,2. (12)
Con el nuevo valor del parámetro (ver 12) se puede calcular la
probabilidad de interés:
P (X > 2 , λ2 = 1,2) = 1 − P (X ≤ 2 , λ2 = 1,2)
= 1 − [P (X = 0) + P (X = 1) + P (X = 2)]
−1,2 0
e −1,2 1,21 e −1,2 1,22

e 1,2
= 1− + +
0! 1! 2!
= 1 − 0,88
= 0,12.
Ejemplo
El valor esperado para los 3 valores de interés del ítem e se puede obtener por medio
de una regla de tres simple, veamos:
5 minutos → λ=3
3 minutos → λ3 = 1,8
En los próximos 3 minutos se esperan aproximadamente 2 llamadas:
5 minutos → λ=3
5 minutos → λ5 = 3
En los próximos 5 minutos se esperan recibir 3 llamadas:
5 minutos → λ=3
10 minutos → λ10 = 6
En los próximos 10 minutos se espera recibir 6 llamadas:

Ejemplo
Ejemplo
El alcalde actual de la ciudad de Bogotá decide reparar todos los
baches que tiene la avenida Caracas, conociendo de antemano que
hay en promedio 2 por cada kilómetro. Antes de empezar la obra,
el alcalde desea saber ¿Cuál es la probabilidad de encontrar más de
5 baches por kilómetro?, ¿Cuál es la probabilidad de encontrar más
de un bache en 500 metros?

Solución
Sea X := El número de baches por kilómetros en la avenida Caracas.
X ∼ Pois (2) . (13)
Reemplazando el parámetro conocido en la función masa de probabilidad de la

distribución Poisson se obtiene lo siguiente:
e −2 2x
P (X = x , λ = 2) = . (14)
x!
Empleando la expresión 14 se puede dar respuesta al interrogante a.
P (X > 5, λ = 2) = 1 − P (X ≤ 5, λ = 2)

e −2 20 e −2 25
= 1− + ··· +
0! 5!
= 1 − 0,9834
= 0,016.

Solución
Para poder solucionar la segunda pregunta planteada se debe tener en
cuenta que el intervalo de distancia cambió de 1 kilómetro a 500 metros.
Lo anterior implica que se debe identificar un nuevo valor para λ por
medio de la siguiente regla de 3:
1 kilómetro → λ = 2
0,5 kilómetro → λ500 = 1.
Con el nuevo valor del parámetro (denotado λ500 ) se puede calcular la
probabilidad de interés de la siguiente manera:
P (X > 1, λ500 = 1) = 1 − P (X ≤ 1, λ500 = 1)

= 1 − P (X = 0 , λ5000 = 1)
−1 0
e −1 11

e 1
= 1− +
0! 1!
= 0,264.
Ejemplo
Ejemplo
Se sabe por experiencia que el número de usuarios que llegan a
retirar dinero en cierto cajero en la ciudad de Bogotá es de 10 por
hora. Se desea calcular:
1 ¿La probabilidad de que lleguen 7 usuarios a retirar dinero en
40 minutos?
2 ¿La probabilidad de que en las próximas 2 horas lleguen 25
usuarios?
3 El intervalo de tiempo (en horas) para que la probabilidad de
que llegue al menos un usuario sea de 0.97.

Solución
Sea X := El número de usuarios que retiran dinero en el cajero.
X ∼ Pois (10) . (15)
Reemplazando el parámetro conocido en la función de masa de probabilidad de
la distribución Poisson se obtiene lo siguiente:
e −10 10x
P (X = x , λ = 10) = . (16)
x!
Para poder solucionar la pregunta planteada en el inciso a se debe tener en
cuenta que el intervalo de tiempo cambió de 1 hora a 40 minutos. Lo anterior
implica que se debe identificar un nuevo valor para λ por medio de la siguiente
regla de 3:
40 minutos → λ40 = 6,67.
Cambiando el valor del parámetro en 16 se puede calcular la probabilidad de
interés:
e −6,67 6,677
P (X = 7, λ40 = 6,67) = .
7!
= 0,147
Solución
Para poder solucionar la pregunta planteada en el inciso b se debe

tener en cuenta que el intervalo de tiempo cambió de 1 a 2 horas.
Lo anterior implica que se debe identificar un nuevo valor para λ
por medio de la siguiente regla de 3:
120 minutos → λ120 = 20.
Cambiando el valor del parámetro en 16 se puede calcular la

probabilidad de interés:
e −20 2025
P (X = 25, λ120 = 20) =
25!
= 0,044.

Solución
Para poder solucionar la pregunta planteada en el inciso c se debe tener en cuenta que el intervalo de tiempo
cambió de 1 hora a un tiempo indeterminado (por estimar). Identificando un nuevo valor para λ por medio de la
siguiente regla de 3:
1 Hora → λ = 10
L Horas → λL = 10L
Entonces,
P (X ≥ 1, λL = 10L) = 1 − P (X < 1, λL = 10L) = 0,97

= 1 − P (X = 0, λL = 10L) = 0,97
e −10L (10L)0
= 1− = 0,97
0!
−10L 0
e (10L)
= = 0,03,
0!
Por lo tanto,
−10L
e = 0,03
−10L = Ln (0,03)
Ln (0,03)
L = −
10
L = 0,351.
Se puede concluir que el intervalo de tiempo necesario para que la probabilidad de que llegue al menos un cliente
sea de 0.97 es de 0.351 horas (aproximadamente 21 minutos).

Aproximación
Theorem
Si X ∼ binom (n , p) con un tamaño muestral n considerablemente
grande y una probabilidad de éxito p cercana a cero
(n ≥ 100 , p < 0.1) entonces X ∼ Pois (λ) con λ = np.

Ejemplo
Ejemplo
Suponga que en un estudio realizado por estudiantes de psicología de la
Fundación Universitaria Los Libertadores se determinó que la probabilidad de
que un medicamento para disminuir los niveles de estrés tenga efectos
secundarios es de 0.002. Suponga también que dicho medicamento es
suministrado a 500 estudiantes de la Fundación Universitaria Los Libertadores y
resulta de interés estimar:
1 ¿Qué tan probable es que a más de un estudiante el medicamento le
produzca efectos secundarios?
2 ¿Qué tan probable es que a ningún estudiante el medicamento le
produzca efectos secundarios?
3 ¿Qué tan probable es que sólo a 5 estudiantes les produzca efectos
secundarios?
4 ¿A cuántos estudiantes se espera que el medicamento les produzca
efectos secundarios?

Solución
Sea X = Número de estudiantes a quienes el medicamento les produce efectos
secundarios.
Como la probabilidad es muy pequeña y el tamaño de la muestra es grande, se utiliza
el teorema anterior y se aborda este ejemplo mediante la distribución Poisson con
λ = 0,002 × 500 = 1. Queda al lector verificar que los resultados utilizando la
distribución binomial resultan muy aproximados.
X ∼ Pois (1) .
Reemplazando el parámetro conocido en la función de masa de probabilidad de la
distribución Poisson se obtiene lo siguiente:
e −1 1x
P (X = x , λ = 1) = . (17)
x!
Empleando la expresión anterior se puede dar respuesta al interrogante a.
P (X > 1 , λ = 1) = 1 − P (X ≤ 1 , λ = 1)

e −1 10 e −1 11
= 1− +
0! 1!
= 0,264.

Solución
Al inciso b
e −1 10
P (X = 0 , λ = 1) =
0!
= 0,367.
Al inciso c
e −1 15
P (X = 5 , λ = 1) =
5!
= 0,00306.
Por definición de valor esperado para una variable aleatoria con

distribución Poisson, se espera que a un estudiante el medicamento
le produzca efecto secundario.

Outline

Introducción
En teoría de la probabilidad la hipergeométrica es una distribución

discreta relacionada con muestreos aleatorios sin reemplazo.
Supongase que se tiene una población de N elementos en los que,
d pertenecen a la categoría A y N − d a la B y considere que se
requiere una muestra de tamaño n.

Definición
DefiniciÃ3 n
Sea X una variable aleatoria discreta con distribución hipergeométrica de parámetros
n, d y N. La función de distribución de probabilidad para X está dada por:
d
N−d

x n−x
P (X = x ) = N
, x = 0, 1, ..., d (18)
n
De la anterior expresión x ≤ d y n − x ≤ N − d, donde N es el tamaño de población,

n es el tamaño de la muestra extraída, d es el número de elementos en la población
original que pertenecen a la categoría bajo consideración y x es el número de
elementos en la muestra que pertenecen a dicha categoría.
Notación: Si una variable aleatoria X sigue una distribución hipergeométrica de
parámetros n, d y N se representa simbólicamente X ∼ hyper (n, d, N).

Teorema
Teorema
Sea X una variable aleatoria discreta, tal que X ∼ hyper (n, d, N),
entonces
Nd
1 E (X ) =
n
N −n nd d

2 V (X ) = 1− .
N −1 N N

Ejemplo
Example
Un administrador tiene a su cargo un almacén con 800
computadores que serán vendidos. El despachador del almacén le
dice al administrador que hay 8 computadores defectuosos. Una
universidad compra 20 computadores y éstos son despachadas al
azar. ¿Cuál es la probabilidad de que en los computadores que
compró la universidad se encuentren 2 o más defectuosas?

Solución
Sea X := El número de computadoras defectuosas entre las 20.
X ∼ hyper (20 , 8, 800)

de la distribución hipergeométrica se obtiene lo siguiente:
8
800−8

x 20−x
P (X = x ) = 800
. (19)
20
Empleando la expresión obtenida previamente se puede calcular la probabilidad

de interés:
P (X ≥ 2) = 1 − P (X < 2)
= 1 − [P (X = 0) + P (X = 1)]
" #
8 800−8 8 800−8
0 20−0 1 20−1
= 1− 800
+
800
20 20
= 0,0152.

Solución
El lector puede verificar que N−n 800−20
N−1 = 800−1 = 0,97 es un valor muy
cercano a 1, por lo cual se puede aproximar la anterior probabilidad
empleando la función de la distribución binomial tomando
8
p = 800 = 0,01 y n = 20. El cálculo resultante se presenta a
continuación:
P (X ≥ 2) = 1 − P (X < 2)
= 1 − [P (X = 0) + P (X = 1)]
" ! ! #
20 20
= 1− 0,010 0,9920 + 0,011 0,9919
0 1
= 0,0168.
Por tanto, se puede observar que ambas probabilidades son muy

próximas
Ejemplo
Ejemplo
(Ejemplo clásico del narcotraficante) Para evitar que lo descubran
en la aduana, un viajero ha colocado 6 tabletas de narcótico en
una botella que contiene 9 píldoras de vitamina que son similares
en apariencia. Si el oficial de la aduana selecciona 3 tabletas
aleatoriamente para analizarlas:
1 ¿Cuál es la probabilidad de que el viajero sea arrestado por
posesión de narcóticos?
2 ¿Cuál es la probabilidad de que no sea arrestado por posesión
de narcóticos?

Solución
Sea X := El número de tabletas de narcótico.
X ∼ hyper (3 , 6, 15)

de la distribución hipergeométrica se obtiene lo siguiente:
6
15−6

x 3−x
P (X = x ) = 15
. (20)
3
Empleando la expresión obtenida previamente se puede calcular la probabilidad

pedida en a, veamos:
P (X ≥ 1) = 1 − P (X < 1)
6
15−6

0 3−0
= 1− 15

3
= 0,8154.

Propiedades
Para el inciso b la probabilidad es:

6 15−6
0 3−0
P (X = 0) = 15
3
= 0,1846.

Ejemplo
Ejemplo
Epsilon fabrica computadoras personales en dos plantas, una en el
oriente y la otra en el sur de Estados Unidos. Hay 40 empleados en
la planta del oriente y 20 en la del sur. A una muestra aleatoria de
10 empleados se les pedirá que llenen un cuestionario sobre
ventajas laborales.
1 ¿Cuál es la probabilidad de que ninguno sea de la planta del
sur?
2 ¿Cuál es la probabilidad de que uno sea de la planta del sur?
3 ¿Cuál es la probabilidad de que dos o más sean de la planta
del sur?
4 ¿Cuál es la probabilidad de que nueve sean de la planta de
oriente?

Solución
Sea X = Número de empleados seleccionados de la planta del sur.
X ∼ hyper (10 , 20, 60)

Reemplazando los parámetros conocidos en la función masa de probabilidad de
la distribución hipergeométrica se obtiene lo siguiente:
20
60−20

x 10−x
P (X = x ) = 60
. (21)
10
Empleando la expresión obtenida previamente se puede calcular a probabilidad

pedida en a, veamos:
20
40

0
P (X = 0) = 60
10
10
= 0,011.

Solución
La probabilidad pedida en b es:

20
40
1
P (X = 1) = 60
9
1
10
= 0,07.
La probabilidad pedida en c es:
P (X ≥ 2) = 1 − P (X < 2)
= 1 − [P (X = 0) + P (X = 1)]
" #
20 40 20 40
0 10 1 9
= 1− 60
+ 60

10 10
= 1 − (0,011 + 0,07)
= 0,92.

Distribuciones discretas Distribución Exponencial
Distribuciones continuas Distribución normal
Outline

Introducción
Una variable aleatoria continua sigue una distribución exponencial,

si dicha variable mide la rapidez con la que ocurre un evento en un
intervalo de tiempo.

Definición
Definition
Sea X una variable aleatoria continua con distribución exponencial de parámetro λ. La
función de distribución de probabilidad para X está dada por:
f (X ; λ) = λe −λx , para x,λ≥0 (22)
Notación: Si una variable aleatoria X sigue una distribución exponencial de parámetro

λ se representa simbólicamente como X ∼ Exp (λ).
Theorem
Sea X una variable aleatoria continua, tal que X ∼ Exp (λ), entonces,
1 1
E (X ) = λ
2 1
V (X ) = λ2
.

Función de distribución acumulada
Teorema
Si X una variable aleatoria continua, tal que, X ∼ Exp (λ) la función densidad de
probabilidad acumulada es F (x , λ) = P(X ≤ x ) = 1 − e −λx
Demostración.
Por definición se sabe que:
Z x
F (x , λ) = λe −λt dt
0
x
= −e −λt
0

= −e −λx + 1
= 1 − e −λx . (23)

Nota
Teorema
Si X una variable aleatoria continua, tal que, X ∼ Exp (λ)
entonces P (X > s + t | X > t) = P (X > s) ∀s , t > 0.

Ejemplo
Una persona sabe que el tiempo promedio de espera para ser

atendido por un asesor de cierto operador de telefonía celular es de
3 minutos. Encuentre la probabilidad de que una persona que llame
al azar en un momento dado tenga que esperar:
1 Más de 3 minutos
2 Menos de un minuto
3 Entre 2 y 5 minutos

Ejemplo
Sea X := Tiempo transcurrido entre llamadas.

Puesto que el promedio de llamadas es de 3 minutos, se puede obtener el valor
del parámetro λ así:
1
E (X ) = = 3.
λ
por lo tanto,
1

X ∼ Exp λ = 3
Reemplazando el parámetro conocido en la función densidad de probabilidad

acumulada de la distribución exponencial se obtiene lo siguiente:
1
P (X ≤ x ) = 1 − e− 3 x . (24)

Solución
Cabe recordar que F (x ) = P (X ≤ x ) = P (X < x ). Empleando la
expresión anterior se puede calcular la probabilidad pedida en a:
P (X > 3) = 1 − P (X ≤ 3)
1
h i
= 1 − 1 − e − 3 ·3
= e −1
= 0,3679.
De manera similar se puede calcular la probabilidad pedida en b:
P (X < 1) = F (1)
1
= 1 − e − 3 ·1
= 0,2835.
Solución
Para la solución del inciso c vale la pena recordar que:
P (a < X < b) = P (X < b) − P (X < a)

= F (b) − F (a) (25)
Por la ecuación (25) la solución a la probabilidad pedida es:
P (2 < X < 5) = F (5) − F (2)

1 1

= 1 − e − 3 ·5 − 1 − e − 3 ·2
1 1
= e − 3 ·2 − e − 3 ·5
= 0,5134 − 0,1889
= 0,3245.

Ejemplo
Ejemplo
El tiempo promedio que demora en actuar un medicamento para la
migraña es de 30 minutos.
1 ¿Qué probabilidad hay de que el medicamento demore menos
de 30 minutos en hacer efecto?
2 ¿Qué probabilidad hay de que el medicamento demore entre
25 y 35 minutos en hacer efecto?

Solución
Sea X := Tiempo de acción del medicamento en el cuerpo.
Puesto que el tiempo promedio que demora en actuar un medicamento para la
migraña es de 30 minutos, se procede a obtener el valor del parámetro λ así:
1
E (X ) = = 30.
λ
por lo tanto,
1

X ∼ Exp λ = 30

1
F (X ≤ x ) = 1 − e − 30 x .

Solución
Empleando la expresión anterior, se puede calcular la probabilidad solicitada en
el inciso a:
P (X < 30) = F (30)

1
= 1 − e − 30 ·30
= 0,6321.
La probabilidad pedida en el inciso b es:
P (25 < X < 35) = F (35) − F (25)

1
1

= 1 − e − 30 ·35 − 1 − e − 30 ·25
1 1
= e − 30 ·25 − e − 30 ·35
= 0,4345 − 0,3114
= 0,1232.

Ejemplo
Ejemplo
Los estudiantes de economía, saben que los precios de las acciones
en la bolsa cambian muy rápido. En un trabajo de investigación
encontraron que cierta acción de una empresa, cambia de precio en
promedio cada 10 minutos. Con esta información se desea calcular:
1 La probabilidad de que los precios cambien en menos de 8
minutos.
2 Si ya han transcurrido más de 15 minutos, ¿Cuál es la
probabilidad de que los precios cambien en un tiempo superior
a 22 minutos?

Solución
Sea X := Tiempo en que los precios cambian.

Puesto que el tiempo promedio de cambio de precio es de 10 minutos, se procede a
obtener el valor del parámetro λ así:
1
E (X ) = = 10.
λ
por lo tanto,
1

X ∼ Exp λ = 10
.

1
P (X ≤ x ) = 1 − e − 10 x .

Solución
Al emplear la expresión anterior se puede calcular la probabilidad pedida en el inciso a:
P (X < 8) = F (8)
− 1 ·8
= 1−e 10
= 0,5506.
La probabilidad pedida en b se resuelve usando la propiedad de pérdida de memoria de la distribución exponencial.

Por el teorema ?? se tiene que:
P (X > s + t | X > t) = P (X > s)
Empleando la expresión anterior, considerando que t = 15 y 22 = s + 15 → s = 7, la probabilidad de interés se

calcula de la siguiente manera:
P (X > 22 | X > 15) = P (X > 7)

= 1 − P (X ≤ 7)
h i
− 1 ×7
= 1− 1−e 10
− 1 ×7
= e 10
= 0,4965.

Ejercicio
Ejemplo
Unos estudiantes de ingeniería electrónica de la Fundación
Universitaria Los Libertadores, saben que en promedio la vida útil
de un televisor es de 7 años. Por experiencia, saben que la vida útil
enunciada se modela a través de una distribución exponencial.
Empleando esta información quieren responder las siguientes
preguntas:
1 ¿Cuál es la probabilidad de que un televisor falle después de 7
años de uso?
2 Si los estudiantes deciden tomar una muestra de 12 televisores
para medir su durabilidad, ¿cuál es la probabilidad de que un
televisor de esta muestra dure más de 10 años?
3 Si se sabe de antemano que un televisor dura más de 8 años,
¿cuál es la probabilidad de que dure más de 15 años?
Ejemplo
Ejemplo
Un docente de ingeniería mecánica de la Fundación Universitaria
los Libertadores, explica a sus estudiantes que la vida media útil
del motor de cierto tipo de lavadora es de 10 años.
Adicionalmente, el profesor les dice a sus estudiantes que la vida
útil de dicho motor puede considerarse como una variable aleatoria
distribuida exponencial y les hace la siguiente pregunta: ¿cuál debe
ser el tiempo de garantía que deben tener dichas lavadoras si se
desea que como máximo 20 % de éstas fallen antes de que expire
su garantía?

Outline

Introducción
1 En estadística clásica, una de las distribuciones más
implementadas por los investigadores es la distribución
normal, puesto que ésta es la base de toda la inferencia que
en ella se hace. Dicha distribución tiene propiedades deseables
por ejemplo, su función de densidad de probabilidad es
simétrica, lo que conduce a que la media, mediana y moda
coincidan, adicional a esto, en el intervalo (µ − 3σ , µ + 3σ)
está acumulado el 99.73 % de los datos, ayudando esto a la
detección de datos raros o datos atípicos entre otras
propiedades.
2 La distribución normal tiene dos parámetros: uno de escala
(µ) y otro de forma (σ) . La forma de la distribución normal
cambia a medida que σ varía. En la figura 7.1 se muestra la
gráfica de la distribución y sus respectivas probabilidades
acumuladas y en la figura 7.2 se muestra algunas formas de la
distribución
Cristiancon µ yTellez
Fernando σ Piñerez
variantes.
Distributions
Definición
Definition
Sea X una variable aleatoria continua con distribución normal de
media µ y desviación estándar σ. La función de distribución de
probabilidad para X está dada por:
2
1 x −µ

1 −
f (x , µ, σ) = √ e 2 σ , x ∈ R. (26)
2πσ
Notación: si una variable aleatoria X sigue una distribución
normal de media µ y desviación estándar de σ se notará como
X ∼ N (µ , σ).

Teorema
Teorema
Sea X una variable aleatoria continua, tal que X ∼ N (µ , σ),
entonces
1 E (X ) = µ
2 V (X ) = σ 2 .

Algunas propiedades
Es simétrica con respecto a µ, lo que implica que el área bajo

la curva entre [µ , ∞) es 0.5.
La media, mediana y moda coinciden.
Numerosas variables continuas de fenómenos aleatorios
tienden a comportarse probabilísticamente como ésta.
Esta distribución puede ser alcanzada de manera aproximada.
Cuanto más grande es σ más achatada es la forma de la
distribución.
Proporciona la base de la inferencia estadística clásica debido
a su relación con el teorema del límite central

Distribución normal estándar
Sea X ∼ N (µ , σ), se desea calcular la probabilidad P (x1 ≤ X ≤ x2 ). Puesto

que es una función continua dicha probabilidad es calculada como sigue:
2
1 x −µ

x2
−
Z
1 2 σ
P (x1 ≤ X ≤ x2 ) = √ e dx .
x1 2πσ
Como se pudo observar, el cálculo de estas integrales es muy complicado y

tedioso, por lo tanto, una forma de solucionar esto es haciendo el siguiente
cambio de variable.
x −µ
Z = . (27)
σ
Con este cambio de variable, se puede probar que Z ∼ N (0, 1) y se dice que Z
sigue una distribución normal estándar.

Función de distribución
La función de densidad de una variable aleatoria normal estándar

es:
1 2
1 − Z
f (Z ) = √ e 2 , Z ∈ R. (28)
2π

Ejemplo
Ejemplo
La nota promedio obtenida por un estudiante del curso de
Estadística I tienen una distribución normal con una nota promedio
de µ = 3,0 y una desviación estándar de σ = 0,5. El profesor que
dicta el curso desea saber:
1 ¿Cuál es la probabilidad de que un estudiante obtenga una
nota inferior a 4?
2 ¿Cuál es la probabilidad de que un estudiante repruebe el
curso?
3 Si se desea que sólo el 5 % de todos los estudiantes de dicho
curso reprueben. ¿Cuál debe ser la nota mínima para que esto
suceda?

Ejemplo
Ejemplo
En la ciudad de Bogotá, se estima que las temperaturas máximas
diarias en el mes de junio siguen una distribución normal, con
media 20 grados y desviación estándar 3.5 grados.
1 Calcular el número de días del mes en los que se espera
alcanzar una temperatura máximas entre 14 grados y 17
grados.
2 ¿Qué temperatura máxima se debe alcanzar en el mes de junio
para ser 15 % superior a todas las temperaturas del mes?

Distribuciones Bin Pois Hiper Expo Norm

Cargado por

Copyright:

Formatos disponibles

Distribuciones Bin Pois Hiper Expo Norm

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones Bin Pois Hiper Expo Norm

Cargado por

Copyright:

Formatos disponibles

Distribuciones discretas

Distribuciones de Probabilidad Discreta y

Cristian Fernando Tellez Piñerez

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

La distribución binomial es una distribución de probabilidad

Cristian Fernando Tellez Piñerez Distributions

Algunos experimentos binomiales

1 Número de alumnos aprobados un examen, si se presentan 25

Cristian Fernando Tellez Piñerez Distributions

Notación: Si una variable aleatoria X sigue una distribución

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

Reemplazando los parámetros conocidos de la distribución binomial se obtiene la siguiente expresión:

Cristian Fernando Tellez Piñerez Distributions

La respuesta al ítem c es:

Cristian Fernando Tellez Piñerez Distributions

Las respuestas al ítem d son:

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

X ∼ binom (45 , 0,04) . (4)

Reemplazando los parámetros conocidos de la distribución binomial se obtiene

Empleando la ecuación (5) se puede calcular la respuesta al interrogante a,

Cristian Fernando Tellez Piñerez Distributions

La respuesta al interrogante c es:

La respuesta al interrogante d es:

Se espera que aproximadamente de 2 de las 45 pruebas de embarazo realizadas den un

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

Sea X := Número de personas que contraen la enfermedad.

X ∼ binom (15 , 0,3) . (6)

Empleando la fórmula del valor esperado de la distribución

Por lo anterior, se espera que alrededor de 5 personas contraigan la

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

X ∼ binom (350 , 0.3) (7)

Reemplazando los parámetros conocidos en la función de masa de probabilidad

Empleando la ecuación (8) se puede calcular la respuesta al interrogante a,

Cristian Fernando Tellez Piñerez Distributions

El cálculo de la probabilidad solicitada en b es:

La respuesta al interrogante c es:

Cristian Fernando Tellez Piñerez Distributions

La respuesta al interrogante e es:

Se espera que 105 estudiantes de los 350 sufran de estrés.

Cristian Fernando Tellez Piñerez Distributions

La distribución de Poisson es una distribución de probabilidad

Cristian Fernando Tellez Piñerez Distributions

1 Número de accidentes por hora en un cruce de carretera.

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

Valor Esperado y Varianza

Cristian Fernando Tellez Piñerez Distributions

Cristian Fernando Tellez Piñerez Distributions

X ∼ Pois (3) (10)

Reemplazando el parámetro conocido en la función masa de probabilidad

Cristian Fernando Tellez Piñerez Distributions