UNIVERSIDAD SAN IGNACIO

DE LOYOLA
DISTRIBUCIONES DISCRETAS IMPORTANTES
DISTRIBUCIÓN BINOMIAL
 VARIABLE ALEATORIA
VARIABLE ALEATORIA
Una variable aleatoria es una función que asigna un número a cada
elemento en Ω.
VARIABLE ALEATORIA DISCRETA
Una variable aleatoria X, es discreta si los valores que toma la variable son
enumerativos; es decir, existe un primer valor, un segundo valor, etc.

0,14

0,12

0,10

0,08
P(X)

0,06

0,04

0,02

0,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X
 DISTRIBUCIÓN BINOMIAL
A partir de ciertas características los siguientes experimentos aceptan un
modelo Binomial:
 Lanzar una moneda veinte veces y observar el número de caras que
aparecen.
 Lanzar un dado diez veces y observar el número de veces que el dado
muestra inscrito el número cinco.
Un experimento Binomial tiene las siguientes características:
 Consiste de n ensayos independientes.
 En cada ensayo, solo hay dos posibles resultados, a uno se le denomina
éxito y al otro fracaso.
 La probabilidad p de éxito es la misma en cada ensayo.
 Definición
Una variable aleatoria X sigue distribución Binomial con parámetros n y p,
y se representa por X∼Bi(n,p), si su función de probabilidad está dada por:

𝐏 𝐗 = 𝐱 = ∁𝐧𝐱 𝐩𝐱 𝟏 − 𝐩 𝐧−𝐱 , 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐧

Donde:
n = Número de ensayos
p= Probabilidad de éxito en cada ensayo

Medidas de resumen
Esperanza matemática: Varianza:
𝐄 𝐗 =𝐧𝐩 𝐕 𝐗 = 𝐧 𝐩 (𝟏 − 𝐩)
 EJEMPLO 1
Se lanza una moneda 10 veces, si el interés es contar el número de caras
que aparecen en los 10 lanzamientos, calcule:

a) La probabilidad de que el número de caras sea igual a tres.

b) La probabilidad de que el número de caras sea a lo más dos.
c) La probabilidad de que el número de caras sea al menos dos.
d) El valor esperado y la varianza del número de caras.
 SOLUCIÓN
La variable aleatoria es:
X = Número de caras obtenidas en los diez lanzamientos
n=10 p=0.5 (probabilidad de que resulte cara en cualquier lanzamiento)
a) Se pide: P(X = 3)
P X = 3 = ∁10
3 0.5 3 1 − 0.5 10−3

𝐏 𝐗 = 𝟑 = 𝟎. 𝟏𝟏𝟏𝟏
b) Se pide: P X ≤ 2

P X ≤ 2 = P(X = 0) + P(X = 1) + P(X = 2)

P X ≤ 2 = ∁10
0 0.50 1 − 0.5 10−0 + ∁10 0.51 1 − 0.5 10−1 + ∁10 0.52 1 − 0.5
1 2
10−2

𝐏 𝐗 ≤ 𝟐 = 𝟎. 𝟎𝟎𝟎𝟎
c) Se pide: P X ≥ 2
P X≥2 =1−P X<2
P X ≥ 2 = 1 − [P X = 0 + P X = 1 ]
P X ≥ 2 = 1 − [∁10
0 0.50 1 − 0.5 10−0 + ∁10 0.51 1 − 0.5
1
10−1 ]

P X ≥ 2 = 1 − [0.0107]
𝐏 𝐗 ≥ 𝟐 = 𝟎. 𝟗𝟗𝟗𝟗

d) El valor esperado se calcula de la La varianza se calcula de la siguiente

siguiente manera: manera:

E X = np V X = np(1 − p)
E X = 10 × 0.5 V X = 10 × 0.5 × (1 − 0.5)
𝐄 𝑿 =𝟓 𝐕 𝑿 = 𝟐. 𝟓
 EJEMPLO 2
A un restaurante llegan dos tipos de clientes, los que piden comida criolla y los
que piden pescados y mariscos. Si ocho clientes llegan al restaurante y la
probabilidad que un cliente que llega pida comida criolla es 0.70, se pide:

a) Defina la variable de estudio

b) Identifique los parámetros que le corresponden a la variable definida
c) Calcule la probabilidad de que como máximo dos de los clientes pidan
comida criolla.
d) Si se sabe que por lo menos dos clientes piden comida criolla. Calcule la
probabilidad de que menos de cuatro pidan comida criolla.
e) Calcule el número de clientes que tendrían que llegar al restaurante para
que el número esperado de clientes que pidan comida criolla sea igual a 21.
Justificar.
 SOLUCIÓN

a) Sea la variable:
X = Número de clientes que piden comida criolla de un total de ocho.
b) Sea los parámetros:
n=8 p = 0.7 (Probabilidad de que un cliente pida comida criolla)

c) P X ≤ 2 = P X = 0 + P X = 1 + P X = 2

P X ≤ 𝟐 = C0𝟖 (0. 𝟕)0 (0. 𝟑)𝟖 +C𝟏𝟖 (0. 𝟕)𝟏 (0. 𝟑)𝟕 +C𝟐𝟖 (0. 𝟕)𝟐 (0. 𝟑)𝟔

𝐏 𝐗 ≤ 𝟐 = 𝟎. 𝟎𝟎𝟎𝟎
d) Se pide:
X < 4 𝑃(2 ≤ 𝑋 < 4)
P �𝑋 ≥ 2 =
𝑃(𝑋 ≥ 2)

X < 4 P X=2 +P X=3

P �𝑋 ≥ 2 =
1 − 𝑃(𝑋 < 2)

P X=2 +P X=3
P X < 4�𝑋 ≥ 2 =
1− P X=0 +P X=1
8 2 (0.3)6 +C 8 (0.7)3 (0.3)5
C (0.7) 0.0567
P X < 4�𝑋 ≥ 2 =
2 3
=
1 − C08 (0.7)0 (0.3)8 +C18 (0.7)1 (0.3)7 0.9987

𝐏 𝑿 < 𝟒�𝑿 ≥ 𝟐 = 𝟎. 𝟎𝟎𝟎𝟎

e) Sea la variable:
Y = Número de clientes que piden comida criolla de un total de n
n=? p = 0.70
Se sabe que:
𝐸 Y = 21 ⟹ 𝑛𝑛 = 21 ⟹ 0.70𝑛 = 21 ⟺ 𝒏 = 𝟑𝟑
UNIVERSIDAD SAN IGNACIO
DE LOYOLA
DISTRIBUCIONES CONTINUAS IMPORTANTES
DISTRIBUCIÓN NORMAL
 VARIABLES ALEATORIAS CONTINUAS
Definición
Una variable aleatoria X es continua si puede tomar cualquier valor
dentro de un intervalo. La representación gráfica es una curva que es
conocida como función de densidad de probabilidad.

0.24 n= 6
0.22
0.20
0.18
0.16
f(X)

0.14
0.12 n=12
0.10
0.08 n=24
0.06
0.04
0.02
0.00
10 20 30 40
 DISTRIBUCIÓN NORMAL
La distribución Normal es una de las distribuciones de probabilidad más
importante y es una de las más utilizadas en la Estadística Inferencial.
Definición
Una variable aleatoria continua X sigue una distribución normal con
parámetros µ y σ2 (X ~ N µ, σ2 ) si su función de densidad de probabilidad
está dada por:
𝟏 𝟏 𝒙−𝝁 𝟐
−
𝒇 𝒙 = 𝒆 𝟐 𝝈 , −∞ < 𝛍 < +∞, 𝛔>𝟎
𝝈 𝟐𝟐
Donde:
µ = Media poblacional
σ = Desviación estándar poblacional
 PROPIEDADES DE LA CURVA DE LA DISTRIBUCIÓN
NORMAL

 Tiene forma acampanada.

 Está determinada por dos parámetros: la media (µ) y la varianza (σ2 ).

 Es simétrica con respecto a la media.

 El punto más alto de la curva se encuentra sobre el promedio, el cual coincide

con la mediana y la moda.

 Se hace más plana a medida que la varianza crece.

GRÁFICA DE LA DISTRIBUCIÓN NORMAL

σ =1
σ = 1.5 La gráfica de la distribución
Normal es simétrica con respecto
a la recta x = µ. A esta se le
conoce con el nombre de
Campana de Gauss.
σ =2

-4 -3 -2 -1 0 1 2 3 4
 A continuación, se presentan algunos resultados válidos para esta curva:
 El área bajo la curva que comprende entre
µ−σ yµ+σ es aproximadamente el
68.26% del área total.
 El área bajo la curva que comprende entre
f(X)

µ − 2σ y µ + 2σ es aproximadamente el
95.50% del área total.
σ σ σ σ σ σ
µ X  El área bajo la curva que comprende entre
68.26%
µ − 3σ y µ + 3σ es aproximadamente el
95.50%
99.99% del área total.
99.99%
 DISTRIBUCIÓN NORMAL ESTÁNDAR
Definición
Una variable aleatoria continua Z sigue una distribución normal estándar si
sus parámetros son µ = 0 y σ2 = 1 ( Z~N(0, 1)), si su función de densidad de
probabilidad está dada por:

𝟏 𝟏 𝟐
𝐟 𝒛 = 𝐞−𝟐𝒛 , −∞ < 𝐳 < +∞
𝟐𝟐
 TABLA DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
Para calcular probabilidades de variables aleatorias continuas que siguen
una distribución Normal, se utiliza la tabla de la distribución normal estándar.

Z 0 1 2 …… 7 8 9

0.0 0.50000 0.50399 0.50798 …… 0.52790 0.53188 0.53586

0.1 0.53983 0.54380 0.54776 …… 0.56749 0.57142 0.57535

P Z ≤ 0.40 = 0.65542
0.2 0.57926 0.58317 0.58706 …… 0.60642 0.61026 0.61409

0.3 0.61791 0.62172 0.62552 …… 0.64431 0.64803 0.65173

0.4 0.65542 0.65910 0.66276 …… 0.68082 0.68439 0.68793

P Z ≤ 3.78 = 0.99992
……
…

…
3.5 0.99977 0.99978 0.99978 …… 0.99982 0.99983 0.99983

3.6 0.99984 0.99985 0.99985 …… 0.99988 0.99988 0.99989

3.7 0.99989 0.99990 0.99990 …… 0.99992 0.99992 0.99992

3.8 0.99993 0.99993 0.99993 …… 0.99995 0.99995 0.99995

3.9 0.99995 0.99995 0.99996 …… 0.99996 0.99997 0.99997

 PROPIEDADES
 P a≤Z≤b =P Z≤b −P Z≤a 𝑃 𝑍 ≥ a = 1 − 𝑃 𝑍 < a

P Z ≥ −a = P Z ≤ a P(Z ≤ −a) = P(Z ≥ a)

 EJEMPLO 1
Si Z sigue una distribución Normal Estándar, calcule la probabilidad de que Z
sea menor o igual que 1.63.

Solución
La representación gráfica es la siguiente:

La probabilidad buscada, es el área bajo la curva a la izquierda de 1.63. De

la tabla, se tiene que: P(Z ≤ 1.63) = 𝟎. 𝟗𝟗𝟗𝟗𝟗.
 EJEMPLO 2
Si Z sigue una distribución Normal Estándar, calcule la probabilidad de que Z
sea menor o igual a -2.60.

Solución
La representación gráfica es la siguiente:

La probabilidad buscada, es el área bajo la curva a la izquierda de -2.60. De

la tabla, se tiene que: P(Z ≤ −2.60) = 𝟎. 𝟎𝟎𝟎𝟎𝟎.
 EJEMPLO 3
Si Z sigue una distribución Normal Estándar, calcule la probabilidad de que Z
tome valores entre -2.53 y 1.87.
Solución
La representación gráfica es la siguiente:

La probabilidad buscada, es el área bajo la curva entre - 2.53 y 1.87, luego:

P −2.53 ≤ Z ≤ 1.87 = P Z ≤ 1.87 − P Z < −2.53 = 0.96926 − 0.00570 = 𝟎. 𝟗𝟗𝟗𝟗𝟗
 EJEMPLO 4
Si Z sigue una distribución Normal Estándar, calcule la probabilidad de que Z
sea mayor a 1.76.

Solución
La representación gráfica es la siguiente:

La probabilidad buscada, es el área bajo la curva a la derecha de 1.76, luego:

P(Z > 1.76) = 1 − P(Z ≤ 1.76) = 1 − 0.96080 = 𝟎. 𝟎𝟎𝟎𝟎
 ESTANDARIZACIÓN

Teorema 1
Si la variable aleatoria continua X sigue una distribución Normal con
parámetros µ y σ2 , la variable aleatoria:
X−µ
Z=
σ

sigue una distribución Normal Estándar, es decir: Z ~ N(0, 1).

Observación
El cambio de variable anterior (X ⟶ Z) recibe el nombre de estandarización.
 EJEMPLO 5
En un restaurante se sabe que el ingreso diario por la venta de comida sigue
una distribución normal con media igual a 625 nuevos soles y desviación
estándar igual a 49 nuevos soles. Para un día cualquiera:

a) Defina la variable de interés

b) Identifique los parámetros que le corresponden a la variable definida.
c) Calcule la probabilidad de que el ingreso sea a lo más 600 nuevos soles.
d) Calcule la probabilidad de que el ingreso este comprendido entre 611 y 639
nuevos soles.
e) Se sabe que solo el 4.5% de los días son considerados con la denominación
de excelente con respecto a la venta de comida, calcule el ingreso mínimo
diario para que un día sea considerado con esta denominación.
 SOLUCIÓN
a) Sea la variable:
X = Ingreso diario por la venta de comida.

b) Sea los parámetros:

μ = 625 y σ2 = 492
c) Se pide:
X − µ 600 − 625
P X ≤ 600 = P ≤
σ 49

P X ≤ 600 = P Z ≤ −0.51

𝐏 𝐗 ≤ 𝟔𝟔𝟔 = 𝟎. 𝟑𝟑𝟑𝟑𝟑
d) Se pide:
611 − 625 X − µ 639 − 625
P 611 ≤ X ≤ 639 = P ≤ ≤
49 σ 49

P 611 ≤ X ≤ 639 = P −0.29 ≤ Z ≤ 0.29

P 611 ≤ X ≤ 639 = P Z ≤ 0.29 − P Z < −0.29

P 611 ≤ X ≤ 639 = 0.61409 − 0.38591

𝐏 𝟔𝟔𝟔 ≤ 𝐗 ≤ 𝟔𝟔𝟔 = 𝟎. 𝟐𝟐𝟐𝟐𝟐

 e) Gráficamente: En la tabla de distribución Normal
Estándar, el valor de z al que le
corresponde un área igual a 0.955 es
aproximadamente 1.70. Igualando, se
tiene:
k − 625
= 1.70
0.955 0.045
49
k
k = Ingreso mínimo para que un día sea considerado excelente
𝐤 = 𝟕𝟕𝟕. 𝟑
Del gráfico:
P X ≤ k = 0.955 El ingreso mínimo diario para que el día
sea considerado con la denominación de
Estandarizando, se tiene: excelente con respecto a la venta de
k − 625 comida es 708.3 nuevos soles.
P Z≤ = 0.955
49
 EJERCICIO PROPUESTO
Una empresa cervecera sabe que el consumo de cerveza anual por persona en
una ciudad sigue una distribución Normal con un consumo promedio de 45 Litros
y una desviación estándar de siete litros. Para una persona de esta ciudad, se
pide:
a) Defina la variable de interés.
b) Identifique los parámetros que le corresponden a la variable definida.
c) Calcule la probabilidad de que su consumo de cerveza de sea por lo menos
50 litros.
d) Calcule la probabilidad de que su consumo de cerveza este comprendido
entre 30 y 60 litros.
e) Si se considera de buenos bebedores al 10% que más consume, ¿cuántos
litros de cerveza como mínimo tendría que consumir para considerarse dentro
de este grupo?
UNIVERSIDAD SAN IGNACIO
DE LOYOLA
DISTRIBUCIONES DISCRETAS IMPORTANTES
DISTRIBUCIÓN POISSON
 DISTRIBUCIÓN POISSON
A partir de ciertas características los siguientes experimentos aceptan un
modelo Poisson:

 Observar el número de aviones que llegan a un aeropuerto en una hora

determinada.
 Observar el número de llamadas que recibe la central telefónica de una
universidad entre las ocho y nueve de la mañana.

En un experimento Poisson, se observa el número de ocurrencias de un

evento en una unidad de espacio o tiempo.
 Definición
Una variable aleatoria X sigue una distribución Poisson con parámetro λ, y
se representa por (X∼P (λ)), si su función de probabilidad está dada por:

𝐞−𝛌 𝛌𝐱
𝐏 𝐗=𝐱 = , 𝐱 = 𝟎, 𝟏, 𝟐, …
𝐱!

Donde:
λ = Número promedio de ocurrencias de un evento

Medidas de resumen

Esperanza matemática: Varianza:

𝐄 𝐗 =𝛌 𝐕 𝐗 =𝛌
 EJEMPLO
El jefe del área de control de calidad de la empresa “San Ignacio Industrial” ha
observado que el número de botellas defectuosas que fabrica una máquina
sigue una distribución Poisson con una media de cinco botellas cada cuatro
horas.
Si el jefe del área hace una supervisión y toma una muestra a las dos horas de
haber empezado la fabricación de las botellas, se pide:

a) Defina la variable de estudio y parámetro

b) Calcule la probabilidad que obtenga cinco botellas defectuosas.
c) Calcule la probabilidad que obtenga a lo más dos botellas defectuosas.
d) Si se sabe que habrán menos de cinco botellas defectuosas. Calcule la
probabilidad que se obtengan más de dos botellas defectuosas
 SOLUCIÓN
a) X: Número de botellas defectuosas en dos horas

𝜆 = 5 botellas ⟶ 4 ℎ𝑜𝑜𝑜𝑜
𝝀 = 𝟐. 𝟓 𝐛𝐛𝐛𝐛𝐛𝐛𝐛𝐛 ⟶ 2 ℎ𝑜𝑜𝑜𝑜

−2.5 2.55
b) 𝑃 𝑋 = 5 = 𝑒 × = 𝟎. 𝟎𝟎𝟎𝟎
5!

c) P X ≤ 2 = P X = 0 + P X = 1 + P X = 2
2.50 2.51 2.52
𝑃 𝑋≤2 = × 𝑒 −2.5
× + + 𝑒 −2.5
× 𝑒 −2.5
0! 1! 2!
𝑃 𝑋 ≤ 2 = 0.0821 + 0.2052 + 0.2565

𝑷 𝑿 ≤ 𝟐 = 𝟎. 𝟓𝟓𝟓𝟓
d) Se pide:
X > 2 P 2<X<5 P X=3 +P X=4
P �X < 5 = =
P X<5 P X<5

−2.5 2.53 −2.5 2.54

𝑒 × +𝑒 ×
P X > 2�X < 5 = 3! 4!
−2.5 2.50 −2.5 2.51 −2.5 2.52 −2.5 2.53 −2.5 2.54
𝑒 × +𝑒 × +𝑒 × +𝑒 × +𝑒 ×
0! 1! 2! 3! 4!

𝑋 > 2 0.2138 + 0.1336 0.3474

𝑃 �𝑋 < 5 = =
0.0821 + 0.2052 + 0.2565 + 0.2138 + 0.1336 0.8912

𝑷 𝑿 > 𝟐�𝑿 < 𝟓 = 𝟎. 𝟑𝟑𝟑𝟑