Estadística

Universidad Nacional Santiago Antúnez de Mayolo

Distribuciones de Probabilidad
Dr. Luis Angulo C.
Conocidas: Discretas y Continuas
SESIÓN 08 - 09
Contenido:
I. Distribuciones de Probabilidad Discretas:
A. Distribución Binomial
B. Distribución de Poisson
C. Distribución Hipergeométrica.
Ejercicios

II. Distribuciones de Probabilidad Continuas:

A. Distribución Normal
B. Distribución T-Student (Lectura de Tablas)
C. Distribución Chi-Cuadrado (Lectura de Tablas)
D. Distribución F (Lectura de Tablas)
Ejercicios
II. Distribuciones de Probabilidad Discreta
I. Distribuciones de Probabilidad Discretas:
A. Distribución Binomial
B. Distribución de Poisson
C. Distribución Hipergeométrica.
Ejercicios

II. Distribuciones de Probabilidad Continuas:

A. Distribución Normal
B. Distribución T-Student (Lectura de Tablas)
C. Distribución Chi-Cuadrado (Lectura de Tablas)
D. Distribución F (Lectura de Tablas)
Ejercicios
A. Distribuciones de Probabilidad Discreta

Las variables aleatorias discretas se emplean en numerosas

aplicaciones prácticas. En este capítulo presentamos tres variables
aleatorias discretas importantes, la binomial, la de Poisson y la
hipergeométrica. Es frecuente que estas variables aleatorias se usen
para describir el número de sucesos de un evento, especificado en un
número fijo de intentos o una unidad fija de tiempo o espacio.
1. Distribución Binomial
Ensayo de Bernoulli:
Es el resultado de un proceso o ensayo que solo tiene dos resultados posibles (o
adecuados a dos)
E = Exito = 1 → con probabilidad p
F = Fracaso = 0 → Con probabilidad q=(1-p)
Ejemplos:
1. Lanzar una moneda y obtener cara→ Ω={c,s}, E={c}, p=0.5, F={s}, q=0.5
2. Lanzar un dado y obtener el 3 → Ω={3, otros #}, E={3}, p=1/6, F={otros #}, q=5/6

Se puede considerar “que si durante repetidos ensayos (n), siendo p la probabilidad de

éxito en un solo ensayo, la cual debe permanecer fija, y q=(1-p) la probabilidad de
fracaso, entonces La probabilidad P de que se obtenga x éxitos en n ensayos es el
termino del desarrollo binomio (p+q)^n”; cuyo desarrollo es 𝒏𝒙 𝒑𝒙𝒒𝒏−𝒙
1. Distribución Binomial

Definición: Si una variable aleatoria X, tiene distribución Binomial con parámetros n y p

[escribe como X → B(n,p)]. Entonces la probabilidad P de que se obtenga x éxitos en n
ensayos, está dado por la función de probabilidad:
𝒏
Individual: 𝑓 𝑥 =𝑝 𝑋=𝑥 = 𝒙
𝒑𝒙 𝒒𝒏−𝒙 donde: x= 0, 1, 2, . . . n.
0<p<1 y q=1-p
Y su distribución acumulada:
𝑛
F 𝑥 = 𝑝 𝑋 ≤ 𝑥 = σ𝑛𝑥=0 𝑥
𝒑𝒙 𝒒𝒏−𝒙

Media Varianza
𝐸 𝑋 = 𝜇 = 𝑛𝑝 𝑉 𝑋 = 𝜎 2 = 𝑛𝑝𝑞
Características de la Distribución Binomial

Tres características para reconocer un experimento Binomial :

1. El experimento consiste en n ensayos de Bernoulli con dos resultados

posibles (o adecuados) Éxito y Fracaso
2. Cada ensayo son idénticos e independientes, por lo que la
probabilidad de éxito p en invariante en cada ensayo.
4. La variable X denota, el número de éxitos observado en los n
ensayos,
Ejemplo 1

Ejemplo 1. Supongamos el lanzamiento de 12 monedas ( o una moneada

lanzada 12 veces). ¿Cuál es la probabilidad de obtener?:
a) Exactamente 4 caras.
b) Exactamente 10 caras
c) Por lo menos 2 caras
d) Como máximo 9 caras
e) Mas de 10 caras y menos de 3 caras
f) Entre 2 y 5 caras respectivamente.
 Ejemplo 1:

Solución mediante tabla:

Datos:
X: Numero de caras
obtenidos
n=12 y p=0.5 , q=0.5
a) p(X=4) = 0.1208
b) P(X=10) = 0.0161
c) P(X≥2) = 0.9969
d) P(X≤9) = 0.9808
e) P(X<3 o X>10)=
f) P(2 ≤ X ≤ 5)
Ejemplo 2

Ejemplo 2. Una institución universitaria establece nuevos métodos de

aprendizaje y de evaluación, con el resultado donde el 85% de sus alumnos
aprueban todas las asignaturas. Supongamos que se seleccionan 8 estudiantes
de dicho plantel, ¿Cuál es la probabilidad de que:
a) Exactamente tres aprueben todas las asignaturas.
b) Exactamente tres pierdan algunas asignaturas
c) Por lo menos dos pierdan algunas asignaturas
d) A lo mas 4 pierdan algunas asignaturas
e) Entre 2 y 6 pierdan algunas asignaturas
f) Entre 2 y 5 inclusive pierdan algunas asignaturas
2. Distribución Hipergeométrica

El muestreo de una población finita puede realizarse de una de dos formas.

➢Es posible seleccionar y examinar un objeto y luego devolverlo a la población para

su posible reselección (muestreo con reemplazo); seleccionarlo, examinarlo y
mantenerlo, lo que impide su reselección en extracciones subsiguientes (muestreo
sin reemplazo).
➢La primera garantiza que las extracciones sean independiente (caso de la
distribución Binomial).
➢En el muestreo sin reemplazo las extracciones no son independientes, y la variable
aleatoria X: numero de éxitos en n intentos, sigue una Distribución
Hipergeométrica.
 2. Distribución Hipergeométrica

Definición: Una variable aleatoria X tiene distribución Hipergeométrica con parámetros N,

n y r, si su función de probabilidad esta dado por:
𝑵𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒔 𝒅𝒆 𝒔𝒆𝒍𝒆𝒄𝒄𝒊𝒐𝒏𝒂𝒓 𝒙 𝒐𝒃𝒋𝒆𝒕𝒐𝒔 𝒄𝒐𝒏 𝒍𝒂 𝒓𝒂𝒔𝒈𝒐 𝒚 𝒏 − 𝒙 𝒐𝒃𝒋𝒆𝒕𝒐𝒔 𝐬𝐢𝐧 𝒆𝒍 𝒓𝒂𝒔𝒈𝒐
𝒇 𝒙 =𝒑 𝑿=𝒙 =
𝑵ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒔 𝒆𝒏 𝒒𝒖𝒆 𝒑𝒖𝒆𝒅𝒆 𝒑𝒓𝒐𝒄𝒆𝒅𝒆𝒓 𝒆𝒍 𝒆𝒙𝒑𝒆𝒓𝒊𝒎𝒆𝒏𝒕𝒐

𝒓 𝑵−𝒓
𝒙 𝒏−𝒙 Donde: N: Numero elementos de la población
𝒇 𝒙 = 𝑷(𝑿 = 𝒙) = 𝑵 n : Numero de elementos de la muestra
𝒏 r : elementos con el rasgo en la Población
n-r: elementos con el rasgo en la muestra
X: número de elementos con el rasgo en la muestra
X= 0, 1, 2, … r
Media Varianza
𝑟 𝑟 𝑁−𝑟 𝑁−𝑛
𝐸 𝑥 =µ= V 𝑥 =( )( )( )
𝑁 𝑁 𝑁 𝑁−1
Características de la Dist. Hipergeométrica

1. El experimento consiste en extraer una N

muestra aleatoria de tamaño n, sin
reemplazo ni consideración de su orden N-r r
de un conjunto de N objetos.
2. De los N objetos, r posee el rasgo o
característica que interesa, mientras
que los otros (N-r) objetos restantes no
muestreo sin
lo tienen. reemplazo
3. La variable aleatoria X es el número de
objetos de la muestra que posee el
rasgo de interés. n N-x x
Ejemplos

Ejemplo 1.
En la producción de cierto artículo, se sabe que por cada 50
producidos, en 43 su terminado es excelente. Si se extrae una muestra
de 10 artículos. ¿ Cual es la probabilidad:
a) De que exactamente dos no sean calificados como excelentes.
b) Por lo menos dos no sean calificados como excelentes.
c) Diez sean calificados como excelentes.
Solucion
 Ejemplos

Ejemplo 2. Un colegio tiene a su disposición para el transporte de sus estudiantes 10 buses. Por
información llegada a las directivas del plantel, se sabe que 4 no se encuentran en óptimas condiciones.
Si se selecciona una muestra de 5 buses, Cual es la probabilidad de que :
a) Dos de ellos no se encuentren en óptimas condiciones
b) Dos de ellos se encuentren en óptimas condiciones.
c) A lo mas dos no se encuentren en optimas condiciones
d) Menos de 8 se encuentren optimas condiciones
3. Distribución de Poisson

Definición.
Se dice que una variable aleatoria X tiene una distribución de Poisson con
parámetros λ si su función de probabilidad esta dad por:

𝑒 −λ λ𝑥 donde x= 0, 1, 2, . . .
𝑓 𝑥 =𝑃 𝑋=𝑥 =
𝑥! λ: Promedio de casos del evento por unidad

Función de distribución acumulada la v.a. X: número de casos promedio por unidad

𝑥 𝑒 −λ λ𝑥
𝑓 𝑥 =𝑃 𝑋≤𝑥 = σ𝑥=0
𝑥!

Media y Varianza
E(x)= λ V(x)= λ
Ejemplos 1

La cantidad de errores de transmisión de datos en un sistema en una

hora es 5 en promedio. Suponiendo que la variable tiene una
distribución de Poisson, determine la probabilidad que:
a) En cualquier hora ocurra solamente 1 error
b) En cualquier hora ocurran a lo más 3 errores
c) En cualquier hora ocurran al menos 2 errores
d) En dos horas cualesquiera ocurran no más de 3 errores
Ejemplos 2

Las lesiones laborales graves que ocurren en una planta siderúrgica,

tienen una media anual de 2,7. Dado que las condiciones de seguridad
serán iguales en la planta durante el próximo año, ¿cuál es la
probabilidad de que:
a) El número de lesiones graves sea menor que dos?.
b) En los próximos dos años cual es la probabilidad de que el número
de lesiones laborales graves sea al menos dos?.
c) En los primeros 8 primeros meses del año siguiente, el número de
lesiones graves sea igual a uno?.
Aproximación de la Binomial a la Poisson

• Cuando una variable aleatoria Binomial de parámetros n y p, presenta

valores muy extremos, entonces se puede pasar a la distribución
Poisson e incluso a la distribución Normal (que veremos mas
adelante).

• Si X es Binomial B(n,p) con parámetros:

n es grande ( n → ∞ ), y
p es pequeño ( p → 0 )
Entonces :
Se puede aproximar a la Distribución de Poisson con parámetro λ= np
Ejemplo de Aprox. Binomial a Poisson

Si se conoce que solo 3% de los estudiantes de un colegio son muy

inteligentes, calcular la probabilidad de que si tomamos 100
estudiantes al azar de dicho colegio.

a) 5 de ellos sean muy inteligentes

b) A lo mas 3 sean muy inteligentes
c) Entre 2 y 4 inclusive, sean muy inteligentes.
EJERCICIOS
1. Ejercicios de Binomial
Ejercicios de Binomial
2. Ejercicios de Hipergeométrica
3. Ejercicios de Distribución de Poisson
Ejercicios de Distribución de Poisson
Ejercicios de Distribución de Poisson
II. Distribuciones de Probabilidad Continua

I. Distribuciones de Probabilidad Discretas:

A. Distribución Binomial
B. Distribución de Poisson
C. Distribución Hipergeométrica.
Ejercicios

II. Distribuciones de Probabilidad Continuas:

A. Distribución Normal
B. Distribución T-Student (Lectura de Tablas)
C. Distribución Chi-Cuadrado (Lectura de Tablas)
D. Distribución F (Lectura de Tablas)
Ejercicios
DISTRIBUCIONES CONTINUAS

• Una variable aleatoria es continua si puede asumir cualquier valor

en uno o mas intervalos de números reales y la probabilidad de que
asuma un valor específico dado es 0.
4. Distribución Normal

✓Uno de estos modelos probabilísticos que tiene que ver con variables
continuas es la distribución Normal.
✓Esta se llama así por ser la más frecuente en la naturaleza, esto es
porque muchas variables siguen esta distribución de frecuencias.
✓La distribución normal básicamente dice que hay pocos valores
extremos y que la mayor frecuencia se encuentra en los valores
centrales.

✓Esto además coincide con la media, la moda y la mediana.

4. Distribución Normal

• Definición. La variable aleatoria X se distribución como una

distribución Normal con parámetros µ y 𝜎 y su función de densidad
esta dado por:
1 𝑥−𝜇 2
1 − ( )
𝑓 𝑥 = 𝑒 2 𝜎 -∞<x<∞
𝜎 2𝜋

f(x)
 4. Distribución Normal Estandar

• Definición. Definición. La variable aleatoria z se distribución como

una distribución Normal estándar parámetros µ=0 y 𝜎 = 1 y su
función de densidad es:
1
1 −2(𝑧)2 -∞<z<∞
𝑓 𝑧 = 𝑒
2𝜋

Distribución Normal Distribución Normal Estandar

f(x) Estandarización
f(z)
𝒙−𝒖
𝒛=
𝝈
x z
 Propiedades de la distribución Normal

Hay cinco propiedades importantes que están asociados con la distribución normal:
• Tiene forma de campana, por lo tanto es simétrica.
• Todas sus medidas de tendencia central son idénticas.
• La variable aleatoria asociada tiene un intervalo infinito
• Es unimodal
• El área bajo la curva normal es igual a 1,
 4. Distribución Normal Estandar

• Es importante conocer que a partir de cualquier variable X que siga una distribución
Normal N(𝜇, 𝜎), se puede obtener otra variable Z con una distribución estándar N(0,1),
solamente haciendo la estandarización (transformación de la variable z=(x-𝝁)/𝝈)
• Para poder utilizar la tabla d la distribución Normal N(0,1), tenemos que transformar la
variable X que sigue una distribución N(μ, σ) en otra variable Z que siga una
distribución N(0, 1).

Ejemplo: Hallar la probabilidad de:

1. P( z < 1.71) =
2. P( z > -2.3 ) =
3. P( -1.5 <z< 1.5)
Ejemplo 1

9
Ejemplos

9
Ejemplo 2

La vida de un semiconductor láser a una potencia constante se distribuye normalmente

con media 7000 horas y desviación típica 600 horas. ¿Cuál es la probabilidad de que la
vida del láser esté entre 6280 y 7120 horas?

X ≡ vida del semiconductor (en horas) ∼ N(7000, 600)

Estandarizando
4. Ejercicios de Distribución Normal
Ejercicios de Distribución Normal
Ejercicios de Distribución Normal
TABLAS ESTADÍSTICAS

Lectura de las tablas:

Chi-cuadrado, t de Student y
F de Snedecor:
 2
Ejercicios de Chi-cuadrado (𝑥 (n))

La distribución de probabilidad chi-cuadrado con n grados de libertad (2(n)) es la asociada a

una variable aleatoria que se obtiene como suma de los cuadrados de n variables
independientes con distribución N(0; 1). Por tanto, esta distribución sólo toma valores positivos
y además su función de densidad es muy compleja. En el siguiente gráfico aparecen
representadas las funciones de densidad de una 2(3) (línea continua) y una 2(5) (línea
discontinua):

Intuitivamente, esta distribución es de utilidad para obtener

información de la varianza poblacional a partir de un conjunto
de datos extraídos de una variable normal.
 Ejercicios de T-student ( t(n) )

La distribución de probabilidad t de Student con n grados de libertad (t(n)) es la

asociada a una variable aleatoria que se obtiene a partir del cociente de una variable
N(0, 1) y la raíz cuadrada de una variable χ 2 (n). Por tanto, esta distribución puede
tomar cualquier valor real. Su función de densidad es muy compleja y su gráfica es
parecida a la de la distribución N(0, 1). En el siguiente gráfico aparecen representadas
las función de densidad de una t(4):

Intuitivamente, esta distribución es de utilidad para obtener

información o establecer comparaciones entre las medias
poblacionales a partir de uno o dos conjuntos de poblaciones
Ejercicios de T-student ( t(n) )
GRACIAS