DISTRIBUCIONES DE

PROBABILIDAD

Funciones de una variable discreta

Funcin de probabilidad
Dada una v.a. discreta X llamaremos funcin de probabilidad a aquella que asocia una
probabilidad a cada valor de la v.a.:
P:X
[0, 1] P [ X = x1]
As si la v.a. X toma los valores x1,...,xi,...,xn la funcin de probabilidad asociada a
cada xi una probabilidad pi, verificndose siempre que p1 = 1
Determinacin de una funcin de probabilidad (ejemplo)
Consideremos el experimento que consiste en lanzar tres monedas al aire.
Llamaremos C a Cara y X a Cruz, el espacio muestral ser:
{CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
Definimos la variable aleatoria (v.a.) X como el nmero de caras, pueden salir 0, 1, 2 o
3 caras. De los ocho posibles resultados, en slo uno de ellos no se obtiene ninguna
cara, por tanto se tiene P[ X = 0 ]= 1/8. Razonando anlogamente, en tres casos hay
una cara P[ X = 1 ]= 3/8, en tres casos hay dos caras P[ X = 2 ]= 3/8 y en uno slo hay
tres caras P[ X = 3 ]= 1/8.
Resumido:
P [ X = 0] = 1/8
P [ X = 1] = 3/8
P [ X = 2] = 3/8
P [ X = 3] = 1/8

Funciones de una variable discreta

Funcin de distribucin (acumulada)
Dada X v.a. discreta llamaremos funcin de distribucin de X a tal que a F : X [0, 1]
Tal que F (x1) = P [ X x1]
Ejemplo
Consideremos el experimento que consiste en lanzar tres monedas al aire.
Llamaremos C a Cara y X a Cruz, el espacio muestral ser:
{CCC,CCX,CXC,XCC,CXX,XCX,XXC,XXX}
Definimos la variable aleatoria (v.a.) X como el nmero de caras, y estudiemos su
funcin de distribucin.
Si x< 0
F (x) = P [ X x] = 0
Si 0 x < 1 F (x) = P [ X x] = P [ X 0] = 1/8
Si 1 x < 2 F (x) = P [ X x] = F (0 + P [ X = 1] ) = 4/8 = 1/2
Si 2 x < 3 F (x) = P [ X x] = F (1) + P [ X = 2] ) = + 3/8 = 7/8
Si 3 x
F (x) = P [ X x] = F (2) + P [ X = 3] ) = 7/8 + 1/8 = 1

Funciones de una variable discreta

Esperanza
Consideremos una v.a discreta X que toma los valores x1,x2,...,xi,...,xn con
probabilidadesp1,p2,...,pi,...,pn. Llamaremos media o esperanza de X a:
E(x) = xi * pi
Ejemplo: La media para la variable aleatoria que representa el nmero que queda
hacia arriba al lanzar un dado legal. Ser:
f(x) = 1/6 para X = 1, 2, 3, 4, 5, 6; por consiguiente

Varianza
Se define la varianza como la esperanza del cuadrado de la diferencia entre la
variable y su esperanza:
V (x) = [X E (x) ]2 * pi desarrollando el cuadrado queda V (x) = E(x2) (E(x))2
Ejemplo: Supngase que la variable aleatoria X es el nmero que queda hacia arriba
al lanzar un dado legal. La funcin de probabilidad correspondiente es:
f(x) = 1/6 para X = 1, 2, 3, 4, 5, 6; por consiguiente

1
6

1
6

1
6

1
6

1
6

1
6

x 2 f ( x ) (1)2 ( ) (2)2 ( ) (3)2 ( ) ( 4)2 ( ) (5)2 ( ) (6)2 ( ) 15.17

2 x 2 f ( x) 2 15.17 (3.5)2 2.92

Funciones de una variable continua

Funcin de densidad
Segn la definicin, una v.a. continua puede tomar un nmero infinito no numerable
de puntos, la probabilidad que hemos de asignarle a cada valor de la variable estar
en [0,1] con la condicin de que la suma de todas las probabilidades es 1, como hay
un nmero infinito no numerable de valores con masa, sta es despreciable por lo
que se dice que no tienen masa: P [ X = x] = 0
Definimos f : R
R una funcin que verifica que:
A esta funcin asociada a una v.a. continua se le llama funcin de densidad.
Ejemplo:
Una calculadora genera nmeros al azar en el intervalo [0,1], con igual probabilidad
para cada nmero del intervalo. Una variable as definida es continua, y adems se
reparte uniformemente la probabilidad en el intervalo [0,1]. La funcin de densidad es
:

Esta funcin as definida cumple las dos condiciones mencionadas

Funciones de una variable continua

Funcin de distribucin
La funcin de distribucin F : R
[0,1] da la probabilidad acumulada desde -
hasta el valor que se tiene en consideracin.
F (x) = P [ X x ] = f(t) d(t)
grficamente la funcin de distribucin es el rea limitada por la funcin de
densidad y el eje de abscisas entre - y x

Ejemplo:

Funciones de una variable continua

Esperanza, media o Valor esperado
Consideremos una v.a continua X. Llamaremos media o esperanza de X a
donde x son los valores que toma la variable y f(x) es la funcin de densidad
Ejemplo:
Determinar la media o valor esperado de la distribucin cuya funcin densidad de
probabilidad est por la regla de correspondencia:
x

1
f ( x ) e 2 , para 0 x
2

Varianza
Se define la varianza como la esperanza del cuadrado de la diferencia entre la variable
y su esperanza:
, desarrollado el cuadrado:

Ejemplo: La varianza del ejemplo sera:

x
r1

2 0 x 2f ( x)d( x) 2 lim o x 2e 2 dx 2
r
2
x r
x
x
r

r 2

1
1
2
2
2
2
2
lim o x e dx lim 2x e 4 e 2 xdx
2 r
2 r
0
0

x
r
x

1
r
lim 2r 2e 2 8re 2 8 o e 2 dx 2
2 r

x
r
r

1
lim 2r 2e 2 8re 2 16e 2 16 4
2 r

2 8 4 4
2

Distribuciones de
Probabilidades:
Discretas

Distribucin Binomial

Definicin: variable de Bernouilli es aqulla cuyo espacio de muestra

slo contiene dos resultados, xito (p) y fracaso (1-p).
Distribucin: si en n intentos se obtienen k aciertos, la distribucin de
probabilidad del nmero de aciertos viene dada por
P(k) =

( nk )

pk qnk

donde

( nk )

n!

k! (n-k)!

Parmetros de la distribucin:
Media: = np
n=10
k=4
p=0.3

Varianza: 2 = npq
Desviacin tipica: npq

Ejemplo: Supongamos que se sabe que el 30% de cierta poblacin es inmune a alguna
enfermedad. Si se escoge una muestra aleatoria de 10 elementos de entre esa poblacin, cul
es la probabilidad de que dicha muestra contenga exactamente 4 individuos inmunes?
p=0.3
n=10
k=4

10!
10
p ( 4) (0.3) 4 (0.7)10 4
(0.3) 4 (0.7) 6
4!6!
4

p(4)

10 * 9 * 8 * 7 * 6!
5040
(0.3) 4 (0.7) 6
(0.3) 4 (0.7) 6
(4 * 3 * 2 *1) * 6!
24

p(4) 210 * (0.0081) * (0.117649) 0.2001

Distribucin Binomial. Utilizacin de la Tabla

La tabla de la distribucin
Binomial proporciona las
probabilidades acumulativas
desde x=0 hasta algn
nmero positivo especifico de
xitos. As la probabilidad de
x=4, cuando n=10 y p=0.30
ser igual a:
P(x=4) = P(x4) P(x3)
= 0.8497 - 0.6493
= 0.2001

Distribucin de Poisson

Definicin: proceso poissoniano es aqul compuesto de eventos discretos

que son independientes en el espacio y en el tiempo.
Distribucin: si el nmero de eventos esperados, ,
en un intervalo de extensin h es = h ( da la
tasa de eventos por unidad de h), entonces la
probabilidad de que ocurran n eventos en h viene
dada por
x

p( x)

e
x!

Parmetros de distribucin:
Media: =

Varianza: 2 =
Desviacin tipica:
Ejemplo: Durante el estudio de cierto organismo acutico, se tom un gran nmero de muestras de una
laguna, y se cont el nmero de organismos en cada muestra. El nmero promedio de organismos encontrados
por muestra fue de 2. Suponga que el nmero de organismos sigue una distribucin de Poisson, y calcule la
probabilidad de que la prxima muestra que se tome tenga un organismo o menos.

e 2 21 e 2 2 0
p( x 1) p( x 1) p( x 0)

1!
0!

p( x 1) 0.13534 0.27068 0.40602

Distribucin de Poisson. Uso de la Tabla

x p

2.0

2.2

2.4

2.6

2.8

3.0

3.2

3.4

La tabla de la Distribucin
de Posisson proporciona
las probabilidades
acumulativas desde x=0
hasta algn nmero
positivo especifico de
xitos. As la probabilidad
de x = 1, cuando =2.0
es igual a:

0.1353

0.1108

0.0907

0.0743

0.0608

0.0498

0.0408

0.0334

0.4060

0.3546

0.3084

0.2674

0.2311

0.1991

0.1712

0.1468

0.6767

0.6227

0.5697

0.5184

0.4695

0.4232

0.3799

0.3397

0.8571

0.8194

0.7787

0.7360

0.6919

0.6472

0.6025

0.5584

0.9473

0.9275

0.9041

0.8774

0.8477

0.8153

0.7806

0.7442

0.9834

0.9751

0.9643

0.9510

0.9349

0.9161

0.8946

0.8705

0.9955

0.9925

0.9884

0.9828

0.9756

0.9665

0.9554

0.9421

0.9989

0.9980

0.9967

0.9947

0.9919

0.9881

0.9832

0.9769

0.9998

0.9995

0.9991

0.9985

0.9976

0.9962

0.9943

0.9917

P(x1) = P(x1)

1.0000

0.9999

0.9998

0.9996

0.9993

0.9989

0.9982

0.9973

= 0.4060

10

1.0000

1.0000

1.0000

0.9999

0.9998

0.9997

0.9995

0.9992

11

1.0000

1.0000

1.0000

1.0000

1.0000

0.9999

0.9999

0.9998

Distribucin Hipergeomtrica
Definicin: es aquella poblacin finita de elementos de modo que N1 de ellos
ponen una caracterstica de inters y N2 (el complemento) no poseen dicha
caracterstica.

Distribucin: Se selecciona una muestra aleatoria de n elementos y se define x

como el nmero de elementos de la muestra que poseen la caracterstica de inters,
entonces se dice que x sigue una distribucin hipergeomtrica.
P(X x)

Parmetros de distribucin:
Media:

nA
N

Varianza:

A N - A
x n - x

N
n

N= Tamao de la poblacin
A= # xitos en la poblacin
n=Tamao de la muestra
X= # de xitos en la muestra

Nn
A
A
* n * (1 )
N 1
N
N

Ejemplo: Supongamos que en un curso de 50 estudiantes hay 30 que tienen promedio de notas 4.0 o mayor
que es la nota de aprobacin, se elige al azar 5 estudiantes del curso cul es la probabilidad de que:
a. Ninguno tenga un promedio superior a 4.0
30 20

0 5 - 0

P(X 0)
50

0.007317

b. Al menos 2 tengan promedio superior a 4,0

P(x > 2) = 1- P(x < 1)
= 1- [ P(x = 0) + P(x = 1) ]
= 1- [ 0,007317 + 0,068597 ] = 0,9241

Distribuciones de
probabilidades:
Continuas

Distribucin Uniforme
Definicin: En estadstica la distribucin uniforme es una distribucin de probabilidad
cuyos valores tienen la misma probabilidad.
Distribucin: Se dice que una variable aleatoria X continua tiene una distribucin
uniforme en el intervalo [a,b] si la funcin de densidad de probabilidad (FDP) es
Parmetros de distribucin:
Media:(a + b) / 2
Varianza:(b a) / 12
Ejemplo: Supngase que se gire el dial mostrado en la figura que para en una posicin aleatoria.

Modele esto como una apropiada funcin de densidad de probabilidad, y sela para calcular la
probabilidad de que la aguja pare a cualquier posicin entre 5 y 300.
Definimos X como el ngulo al que la aguja para, de modo que usamos el intervalo [0 360] para
su rango. Pues todos ngulos son equiprobables, la funcin de densidad debe ser independiente
de x, y por lo tanto debe ser constante. Es decir, tomamos f como uniforme.
f (x)

1
1

b a 360 0

300

por lo tanto, P(5 x 300)

1
300 5 295
dx

0.8194
360
360
360

Distribucin Normal
La distribucin normal fue reconocida por primera vez por el francs
Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss
(1777-1855) elabor desarrollos ms profundos y formul la ecuacin
de la curva; de ah que tambin se la conozca, ms comnmente, como
la "campana de Gauss". La distribucin de una variable normal est
completamente determinada por dos parmetros, su media y su
desviacin estndar, denotadas generalmente por y . Con esta
notacin, la densidad de la normal viene dada por la ecuacin:

1
f ( x)
e
2

x 2
2 2

que determina la curva en

forma de campana que tan
bien conocemos

Distribucin Normal. Importancia

Muchas variables aleatorias que aparecen en relacin con

experimentos u observaciones prcticas estn distribuidas
normalmente. Caracteres morfolgicos (como la talla o el peso), o
psicolgicos (como el cociente intelectual) son ejemplos de variables
de las que frecuentemente se asume que siguen una distribucin
normal.

Otras variables aleatorias estn normalmente en forma aproximada,

Algunas veces una variable no est distribuida normalmente, ni

siquiera en forma aproximada, pero se puede convertir en una variable
con distribucin normal por medio de una transformacin sencilla.

Ciertas distribuciones se pueden aproximar mediante la distribucin

normal (como el caso de las distribuciones binomial y de poisson).

En estadstica terica, muchos problemas pueden ser resueltos

fcilmente en el supuesto de una poblacin normal.

Ciertas variables que son bsicas para justificar pruebas estadsticas

estn distribuidas normalmente.

Distribucin Normal. Caractersticas

1.

Tiene una nica moda, que coincide con su media y su mediana.

2.

La distancia entre la lnea trazada en la media y el punto de inflexin ( - y

+ ) de la curva es igual a una desviacin tpica (). Cuanto mayor sea , ms
aplanada ser la curva de la densidad.

3.

La curva normal es asinttica al eje de abscisas (X). Por ello, cualquier valor
entre - y + es tericamente posible. El rea total bajo la curva es, por tanto,
igual a 1.
P( - < x < + ) 0.68 P( - 2 < x < + 2 ) 0.955 P( - 3 < x < + 3 ) 0.997

4.

Es simtrica con respecto a su media . Segn esto, para este tipo de

variables existe una probabilidad de un 50% de observar un dato mayor que la
media, y un 50% de observar un dato menor.

5.

La forma de la campana de Gauss depende de los parmetros y . La media

indica la posicin de la campana, de modo que para diferentes valores de la
grfica es desplazada a lo largo del eje horizontal. Por otra parte, la
desviacin estndar determina el grado de apuntamiento de la curva. Cuanto
mayor sea el valor de , ms se dispersarn los datos en torno a la media y la
curva ser ms plana. Un valor pequeo de este parmetro indica, por tanto,
una gran probabilidad de obtener datos cercanos al valor medio de la
distribucin.

Distribucin Normal. Caractersticas

Se puede calcular la probabilidad (o el %) de datos que queda a la derecha/izquierda de .

N (,)

Regla Empirica

68% de los datos: ( 1, +1)

95% de los datos: ( 2, +2)
99% de los datos: ( 3, +3)

DISTRIBUCION NORMAL TIPICA

La distribucin normal es una numerosa familia de distribuciones que
corresponden a los muchos valores diferentes de y de . De entre todas ellas,
la ms utilizada es la distribucin normal estndar, que corresponde a una
distribucin de media 0 y varianza 1. Para ello es esencial una simplificacin
para tabular las probabilidades normales para varios valores de los parmetros.
Esto es posible por medio del procedimiento llamado tipificacin. As, la
expresin que define su densidad se puede obtener de la ecuacin:

1
f ( z)
e
2

z2

Es importante conocer que, a partir de

cualquier variable X que siga una distribucin
N(,), se puede obtener otra caracterstica Z
con una distribucin normal estndar, sin ms
que efectuar la transformacin. Como x es

una variable aleatoria tambin lo es Z.

Frmulas para calcular rea debajo de la curva normal
F representa la distribucin acumulada de la distribucin Normal, es decir
el rea acumulada a la izquierda del valor dado
P (X < a) = F(a)
P (a < X < b) = F(b) - F(a)
P (X > b) = 1 - F(b)

DISTRIBUCION NORMAL TIPICA. Uso de la Tabla

Si X es una poblacin Normal con media = 70 y = 10. Hallar las siguientes probabilidades:
a. P (X < 60) = F (z (60-70)/10) = F(z -1) = 0.1587
Z
-3.5

0.09

0.08

0.07

0.06

0.05

0.04

0.03

0.02

0.01

0.00

0.00017 0.00017 0.00018 0.00019 0.00019 0.00020 0.00021 0.00022 0.00022 0.00023

-1.0

0.1379

0.1401

0.1423

0.1446

0.1469

0.1492

0.1515

0.1539

0.1562

0.1587

-0.9

0.1611

0.1635

0.1660

0.1685

0.1711

0.1736

0.1762

0.1788

0.1814

0.1841

b. P (X > 95) = 1 F (z (95-70)/10) = 1 F (z 2.5) = 1 0.9938 = 0.0062

Z

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0

0.5000

0.5040

0.5080

0.5120

0.5160

0.5199

0.5239

0.5279

0.5319

0.5359

2.5

0.9938

0.9940

0.9941

0.9943

0.9945

0.9946

0.9948

0.9949

0.9951

0.9952

2.6

0.9953

0.9955

0.9956

0.9957

0.9959

0.9960

0.9961

0.9962

0.9963

0.9964

c. P (50 < X < 80) = F (z (80-70)/10) F (z (50-70)/10) = F (z 1) F (z --2) = 0.8413 0.0228 = 0.8185
Z

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0

0.5000

0.5040

0.5080

0.5120

0.5160

0.5199

0.5239

0.5279

0.5319

0.5359

1.0

0.8413

0.8438

0.8461

0.8485

0.8508

0.8531

0.8554

0.8577

0.8599

0.8621

1.1

0.8643

0.8665

0.8686

0.8708

0.8729

0.8749

0.8770

0.8790

0.8810

0.8830

0 .0 9

0 .0 8

0 .0 7

0 .0 6

0 .0 5

0 .0 4

0 .0 3

0 .0 2

0 .0 1

0 .0 0

-3.5

0.00017

0.00017

0.00018

0.00019

0.00019

0.00020

0.00021

0.00022

0.00022

0.00023

-2.0

0.0183

0.0188

0.0192

0.0197

0.0202

0.0207

0.0212

0.0217

0.0222

0.0228

-1.9

0.0233

0.0239

0.0244

0.0250

0.0256

0.0262

0.0268

0.0274

0.0281

0.0287

DISTRIBUCION NORMAL TIPICA. Uso de la Tabla

Determinar el valor o valores de z en cada uno de los siguientes casos, donde el rea se
refiere a una curva normal.
a. El rea entre 0 y z es 0.3770 = P (Z z) = 0.5 + 0.3770 = 0.8770 = P (Z 1.16) = 0.88770
Z

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0

0.5000

0.5040

0.5080

0.5120

0.5160

0.5199

0.5239

0.5279

0.5319

0.5359

1.1

0.8643

0.8665

0.8686

0.8708

0.8729

0.8749

0.8770

0.8790

0.8810

0.8830

1.2

0.8849

0.8869

0.8888

0.8907

0.8925

0.8944

0.8962

0.8980

0.8997

0.9015

b. El rea a la izquierda de z es 0.8621 = P (Z z ) = 0.8621 = P (Z 1.09 ) = 0.8621

Z

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0

0.5000

0.5040

0.5080

0.5120

0.5160

0.5199

0.5239

0.5279

0.5319

0.5359

1.0

0.8413

0.8438

0.8461

0.8485

0.8508

0.8531

0.8554

0.8577

0.8599

0.8621

1.1

0.8643

0.8665

0.8686

0.8708

0.8729

0.8749

0.8770

0.8790

0.8810

0.8830

c. El rea entre 1.5 y z es 0.0217

Caso 1 = P (Z z) P(Z -1.5) = 0.0217 = 0.0217 + 0.0668 = 0.0885 , z = -1.35
Z

0 .0 9

0 .0 8

0 .0 7

0 .0 6

0 .0 5

0 .0 4

0 .0 3

0 .0 2

0 .0 1

0 .0 0

-1.7

0.0367

0.0375

0.0384

0.0392

0.0401

0.0409

0.0418

0.0427

0.0436

0.0446

-1.6

0.0455

0.0465

0.0475

0.0485

0.0495

0.0505

0.0516

0.0526

0.0537

0.0548

-1.5

0.0559

0.0571

0.0582

0.0594

0.0606

0.0618

0.0630

0.0643

0.0655

0.0668

-1.4

0.0681

0.0694

0.0708

0.0721

0.0735

0.0749

0.0764

0.0778

0.0793

0.0808

-1.3

0.0823

0.0838

0.0853

0.0869

0.0885

0.0901

0.0918

0.0934

0.0951

0.0968

Caso 2 = P (Z -1.5) P(Z z) = 0.0217 = 0.0668 0.0227= 0.0451 , z = -1.70

Aproximaciones de otras
Distribuciones a la Normal
APROXIMACIONES DE LA BINOMIAL
n grande
p pequeo

Se aproxima por una P(np)

np constante
np(1 - p) > 5

Se aproxima por una N(np; np(1 -p))

APROXIMACIONES DE LA POISSON
Cuando >5

P ( )

N (0,1)