Distribución Binomial

Una distribución binomial es una distribución discreta que modela el número de

eventos en un número de ensayos fijo. Cada ensayo tiene dos resultados posibles,
y evento es el resultado de interés en un ensayo.
Si p es la probabilidad de que en un solo ensayo ocurra un evento (llamada la
probabilidad de éxito) y q = 1 − p es la probabilidad de que este evento no ocurra
en un solo ensayo (llamada probabilidad de fracaso), entonces la probabilidad de
que el evento ocurra exactamente X veces en N ensayos (es decir, que ocurran X
éxitos y N − X fracasos) está dada por:
𝑵 𝑵!
𝒑(𝑿) = ( ) 𝒑𝑿 𝒒𝑵−𝑿 = 𝒑𝑿 𝒒𝑵−𝑿
𝑿 𝑿! (𝑵 − 𝑿)!
Media µ = 𝑵𝒑

Varianza 𝛔𝟐 = 𝑵𝒑𝒒

Desviación 𝛔 = √𝑵𝒑𝒒
estándar

Ejemplos
1. La probabilidad de que un estudiante obtenga el titulo de Licenciado en
Farmacia es 0.3. Hallar la probabilidad de que un grupo de siete
estudiantes matriculados en primer curso finalice la carrera:

a) Ninguno de los siete finalice la carrera.

b) Finalicen todos.
c) Al menos dos acaben la carrera.
d) Hallar la media y la desviación estándar del número de alumnos que
acaban la carrera.
𝐴 = 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑒𝑙 𝑡í𝑡𝑢𝑙𝑜 → 𝑝 = 𝑝(𝐴) = 0.3
𝐴̅ = 𝑛𝑜 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑒𝑙 𝑡í𝑡𝑢𝑙𝑜 → 𝑞 = 𝑝(𝐴̅) = 1 − 0.3 = 0.7
𝐵(7; 0.3)

a) 𝑷(𝑿 = 𝒙) = (𝑵𝒙) ∗ 𝒑𝒙 ∗ 𝒒𝑵−𝒙 → 𝒙 = 𝟎, 𝑵 = 𝟕, 𝒑 = 𝟎. 𝟑, 𝒒 = 𝟎.7

𝟕
𝑷(𝑿 = 𝟎) = ( ) ∗ (𝟎. 𝟑)𝟎 ∗ (𝟎. 𝟕)𝟕−𝟎 = 𝟎. 𝟎𝟖𝟐𝟒
𝟎
b) 𝑷(𝑿 = 𝒙) = (𝑵𝒙) ∗ 𝒑𝒙 ∗ 𝒒𝑵−𝒙 → 𝒙 = 𝟎, 𝑵 = 𝟕, 𝒑 = 𝟎. 𝟑, 𝒒 = 𝟎. 𝟕
𝟕
𝑷(𝑿 = 𝟕) = ( ) ∗ (𝟎. 𝟑)𝟕 ∗ (𝟎. 𝟕)𝟎 = 𝟎. 𝟎𝟎𝟎𝟐
𝟕

c) 𝑷(𝒙 ≥ 𝟐) = 𝟏 − [𝒑(𝒙 = 𝟎) + 𝒑(𝒙 = 𝟏)]

𝑷(𝑿 = 𝟎) = 𝟎. 𝟎𝟖𝟐𝟒
𝟕
𝑷(𝑿 = 𝟏) = ( ) ∗ (𝟎. 𝟑)𝟏 ∗ (𝟎. 𝟕)𝟔 = 𝟎. 𝟐𝟒𝟕𝟏
𝟏
𝑷(𝑿 ≥ 𝟐) = 𝟏 − [𝟎. 𝟎𝟖𝟐𝟒 + 𝟎. 𝟐𝟒𝟕𝟏] = 𝟎. 𝟔𝟕𝟎𝟓

d) Media: 𝝁 = 𝑵𝒑 = (𝟕)(𝟎. 𝟑) = 𝟐. 𝟏
Desviación Estándar: 𝝈 = √𝑵 ∗ 𝒑 ∗ 𝒒 = √(𝟕)(𝟎. 𝟑)(𝟎. 𝟕) = 𝟏. 𝟐𝟏𝟐𝟒

2. La probabilidad de que cierto antibiótico presente una reacción negativa al

administrarse a un ave rapaz en recuperación es de 0.15. Si se les ha
administrado dicho antibiótico a 10 aves, calcúlense las probabilidades de
que haya reacción negativa:

a) En dos aves
b) En ningún ave
c) En menos de 4 aves
d) En más de 3 aves
e) Entre 2 y 5 aves

𝑷(𝑨) = 𝟎. 𝟏𝟓; 𝑵 = 𝟏𝟎; 𝑿 → 𝑩(𝟏𝟎; 𝟎. 𝟏𝟓)

a) 𝑷(𝑿 = 𝟐) = (𝟏𝟎
𝟐
) ∗ (𝟎. 𝟏𝟓)𝟐 ∗ (𝟎. 𝟖𝟓)𝟖 = 𝟎. 𝟐𝟕𝟓𝟗

b) 𝑷(𝑿 = 𝟎) = (𝟏𝟎
𝟎
) ∗ (𝟎. 𝟏𝟓)𝟎 ∗ (𝟎. 𝟖𝟓)𝟏𝟎 = 𝟎. 𝟏𝟗𝟔𝟗

c) 𝑷(𝑿 < 𝟒) = 𝑷(𝑿 ≤ 𝟑) = 𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏) + 𝑷(𝑿 = 𝟐) +

𝑷(𝑿 = 𝟑)

𝑷(𝑿 < 𝟒) = 𝟎. 𝟏𝟗𝟔𝟗 + 𝟎. 𝟑𝟒𝟕𝟒 + 𝟎. 𝟐𝟕𝟓𝟗 + 𝟎. 𝟏𝟐𝟗𝟖 = 𝟎. 𝟗𝟓

d) 𝑷(𝑿 > 𝟑) = 𝟏 − 𝑷(𝑿 ≤ 𝟑) = 𝟏 − [𝑷(𝑿 = 𝟎) + 𝑷(𝑿 = 𝟏) +

𝟏𝑷(𝑿 = 𝟐) + 𝑷(𝑿 = 𝟑)]
 𝑷(𝑿 > 𝟑) = 𝟏 − (𝟎. 𝟏𝟗𝟔𝟗 + 𝟎. 𝟑𝟒𝟕𝟒 + 𝟎. 𝟐𝟕𝟓𝟗 + 𝟎. 𝟏𝟐𝟗𝟖)
= 𝟎. 𝟎𝟓

e) 𝑷(𝟐 ≤ 𝑿 ≤ 𝟓) = 𝑷(𝑿 = 𝟐) + 𝑷(𝑿 = 𝟑) + 𝑷(𝑿 = 𝟒) +

𝑷(𝑿 = 𝟓) = 𝟎. 𝟐𝟕𝟓𝟗 + 𝟎. 𝟏𝟐𝟗𝟖 + 𝟎. 𝟎𝟒𝟎𝟏 + 𝟎. 𝟎𝟎𝟖𝟓 = 𝟎. 𝟒𝟓𝟒𝟑

Distribución Uniforme
La distribución uniforme es útil para describir una variable aleatoria con
probabilidad constante sobre el intervalo (a,b) en el que está definida y se denota
por U(a,b). También es conocida con el nombre de distribución rectangular por el
aspecto de su función de densidad.
Si 𝜃1 < 𝜃2, se dice que una variable aleatoria Y tiene distribución de probabilidad
uniforme en el intervalo (𝜃1, 𝜃2) si y sólo si la función de densidad de Y es
1
𝑓(𝑥) = : 𝜃1 ≤ y ≤ 𝜃2
𝜃2 − 𝜃1
Media 𝜽𝟏 + 𝜽𝟐
µ=
𝟐

Varianza (𝜽𝟐 − 𝜽𝟏)^𝟐

𝛔𝟐 =
𝟏𝟐
Desviación estándar
(𝜽𝟐 − 𝜽𝟏)^𝟐
𝛔=√
𝟏𝟐

Ejemplos
1. Sea X el momento elegido al azar en que un estudiante recibe clases en un
determinado día entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 -
11:00 - 12:00 - 13:00.
a) Calcular el valor medio esperado
b) Calcular la desviación estándar

𝜽𝟏+𝜽𝟐 𝟕+𝟏𝟑
a) 𝝁 = = = 𝟏𝟎
𝟐 𝟐
 𝟐 (𝜽𝟐−𝜽𝟏)𝟐 (𝟏𝟑−𝟕)𝟐 (𝟔)𝟐 𝟑𝟔
b) 𝝈 = = = = =𝟑
𝟏𝟐 𝟏𝟐 𝟏𝟐 𝟏𝟐

𝝈 = √𝝈𝟐 = √𝟑 = 𝟏. 𝟕𝟑𝟐

2. Una variable aleatoria se distribuye uniformemente en el intervalo [0, 100].

a) Calcule la probabilidad de que su valor esté comprendido entre 20 y 35.
b) Determine su esperanza matemática y varianza.

0, 𝑝𝑎𝑟𝑎 𝑥 < 0
𝑥−0 𝑥
a) Su función de distribución es 𝑓(𝑥) = {100−0 = 100 , 𝑝𝑎𝑟𝑎 0 ≤ 𝑥 ≤ 100
1, 𝑝𝑎𝑟𝑎 𝑥 > 100

𝑃(20 ≤ 𝑥 ≤ 35) = 𝑃(𝑥 ≤ 35) − 𝑃(𝑥 ≤ 20) = 𝐹(35) − 𝐹(20)

35 20 1
= − = 15 ( ) = 0.15
100 100 100

𝜃1+𝜃2 0+100
b) 𝜇 = = = 50
2 2

2
(𝜃2 − 𝜃1)2 (100 − 0)2
𝜎 = = = 833.33
12 12

Distribución Exponencial
La distribución exponencial se usa para modelar el tiempo entre eventos en un
proceso continuo de Poisson. Se presupone que eventos independientes ocurren
a una tasa constante.
Por ejemplo, la distribución exponencial se puede utilizar para modelar:

 Cuánto tiempo tarda en fallar un componente electrónico

 El intervalo de tiempo entre las llegadas de clientes a una terminal
 El tiempo que esperan los clientes en fila hasta recibir servicio
 El tiempo hasta que se declara el incumplimiento de un pago (modelos de riesgo
de crédito).
 El tiempo para desintegración de un núcleo radiactivo
1 −𝛽𝑦
𝑓(𝑥) = 𝑒 : 𝛽 > 0
𝛽
Media µ=𝛃

Varianza 𝛔𝟐 = 𝜷𝟐

Ejemplo
1. El tiempo durante el cual las baterías para un teléfono celular trabajan en
forma efectiva hasta que fallan se distribuyen según un modelo
exponencial, con su tiempo promedio de falla de 500 horas.

a) Calcular la probabilidad de una batería funcione por más de 600 horas.

b) Si una batería ha trabajado 350 horas. ¿Cuál es la probabilidad de que
trabaje más de 300 horas adicionales?

X = tiempo que dura la batería hasta que falla

0, 𝑥<0
𝑓(𝑥) = 𝑓(𝑥) = { 𝑥
1 − 𝑒 −500 , 𝑥≥0
a) 𝑃(𝑥 > 600) = 1 − 𝑃(𝑥 ≤ 600)
𝑃(𝑥 > 600) = 1 − 𝑓(60)
600
𝑃(𝑥 > 600) = 1 − (1 − 𝑒 500 ) = 0.301
𝑃(𝑥>650)
b) 𝑃(𝑥 > 350 + 300|𝑥 > 350) =
𝑃(𝑥>350)

1 − 𝑓(𝑥 > 650)

𝑃(𝑥 > 350 + 300|𝑥 > 350) =
1 − 𝑓(𝑥 > 350)
650
1 − (1 − 𝑒 500 )
𝑃(𝑥 > 350 + 300|𝑥 > 350) = 350 = 0.549
1 − (1 − 𝑒 500 )