DISTRIBUCION DE PROBABILIDADES

TUTOR
ARLEY MURIEL DELGADO

CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS

ESTADISTICA INFERENCIAL
CALI – VALLE
 DISTRIBUCION
DE PROBABILIDADES
 DEFINICION
Una distribución de probabilidad indica toda la gama de
valores que pueden representarse como resultado de un
experimento si éste se llevase a cabo. 

Es decir, describe la probabilidad de que un evento se

realice en el futuro, constituye una herramienta
fundamental para la prospectiva, puesto que se puede
diseñar un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos
fenómenos naturales
 
Toda distribución de probabilidad es generada por

una variable, porque puede tomar diferentes valores

aleatoria, porque el valor tomado es totalmente al

azar, se pueden clasificar en dos tipos:

 DISTRIBUCION DE
PROBABILIDAD DISCRETA
Son aquellas donde una variable proporciona
datos que son llamados datos cuantitativos
discretos y son respuestas numéricas que resultan
de un proceso de conteo, asumen un numero
limitado de valores y solo puede tomar valores
enteros y un número finito de ellos.
EJEMPLO
Variable que nos define el número de alumnos
aprobados en la materia de probabilidad en un
grupo de 40 alumnos (1, 2 ,3…ó los 40).

El número de vehículos vendidos en un día, en

un lote de autos.
 Binomial
DISTRIBUCIONES Hipergeométrica
DISCRETAS Multinomial
Poisson
 DISTRIBUCION BINOMIAL
Esta distribución fue elaborada por Jacobo Bernoulli y
es aplicable a un gran número de problemas de
carácter económico y en numerosas aplicaciones como:
Juegos de azar.
Control de calidad de un producto.
En educación.
En las finanzas.
 La distribución binomial posee las siguientes
propiedades esenciales:

1.El espacio muestral contiene n ensayos idénticos.

2.Las observaciones posibles se pueden obtener
mediante dos diferentes métodos de muestreo. Se
puede considerar que cada observación se ha
seleccionado de una población infinita sin
reposición o de una población finita con reposición.
3.Cada observación se puede clasificar en una de dos
categorías conocidas como éxito E o fracaso E', las
cuales son mutuamente excluyentes es decir E E' = 0.
4.Las probabilidades de éxito p y de fracaso q = 1 - p en
un ensayo se mantienen constantes, durante los n
ensayos.
5.El resultado de cualquier observación es
independiente del resultado de cualquier otra
observación.
La probabilidad de que el evento E ocurra x veces y el evento E'
ocurra (n - x) veces en n ensayos independientes está dado por la
fórmula binomial:

Donde:
p = Probabilidad característica o probabilidad de éxito.
q = Probabilidad de fracaso
x = Número de éxitos deseados
n = Número de ensayos efetuados
EJEMPLO
Si se lanza 4 veces una moneda, calcular el evento
"Número de águilas que caen."
datos:
En el anterior espacio muestral; si se considera éxito la
aparición de cara, se puede elaborar una distribución
de probabilidad, calcular la media, la varianza y la
desviación típica o estándar de la siguiente manera:

La media: µ =∑𝑋𝑖 𝑃(𝑥) (valor esperado)

La varianza: 𝜎 =∑(𝑥𝑖−𝜇) 𝑃(𝑋)
2 2
La desviación típica: 𝜎 =√(𝜎 )
2
Distribución de Probabilidad, cumple con las siguientes propiedades: p(x)≥ 0, para
todos los valores de x
∑P(x)= 1
EJEMPLO
Sea el experimento de lanzar 3 veces una moneda y
representemos por X el evento del número de caras que
aparecen. Encontrar los valores que puede tomar la variable
aleatoria. 

El espacio muestral de lanzar 3 veces una moneda es:

S = { ccc, cc+, c+c, +cc, c++, +c+, ++c, +++}

Si solamente nos interesa el número de caras que aparecen,

entonces al punto muestral (+++) le corresponde el valor cero
porque no hay ninguna cara, a cada punto muestral donde
hay una cara (c++, +c+, ++c) le corresponde el valor 1 y así los
demás puntos muéstrales.
EJEMPLO
En el lanzamiento de 7 monedas, ¿ Cuál es la
probabilidad de obtener:
Exactamente dos caras?. c) Exactamente seis caras?
Por lo menos dos caras?. d) Como máximo 6 caras?
Solución :
a) Exactamente dos caras:
n= 7 p= 0,5 x= 2
P(2)= 7! (0.5) (0.5) = 0, 1640 = 16.40%
2 5
(7-2)!2!
EJEMPLO
 b) Por lo menos dos caras= como mínimo dos caras:

 n=7 p= 0,5 x= 2,3,4,5,6,y7

 En un principio se podría plantear el ejercicio de la siguiente forma:
 P(x ≥2) = P(x=2) + P(x=3)….+ P(x=7)
 Este proceso es muy largo, por tanto, se debe trabajar con el

complemento, es decir.

 P(x ≥2) = 1- (P(x=0) + P(x=1))

 = 1 – (0.0078 + 0,0547)= 1 - 0.0625
 = 0.9375 = 93.75%

 c) Exactamente 6 caras:

 n= 7 p= 0.5 x= 6 6
 P(x=6) = 7! (0.5)(0.5) = 0.0546 = 5.46%
 (7 – 6)! 6!
 d) Como máximo 6 caras :
 No más de 6 caras n= 7 P= 0.5 x= 0,1…6
 Se trabaja con el complemento donde X= 7

 P(x<6) = 1- P(7)= 1 - 0.0078 = 0.9922=99.22%


 Distribución de Probabilidad Continua
Para este caso el área total bajo la
curva que representa la función de
densidad de probabilidad, p(x), que
delimita el polígono de frecuencias,
es igual a 1. 
 
El área bajo la curva entre las rectas
Xi y Xk, da la probabilidad de que X
se encuentre entre estos dos valores,
lo cual se expresa mediante la
relación:
P ( Xk  X  Xl )
La función P( X ) es una Función de
densidad de probabilidad y X es una
variable aleatoria continua.
Distribución de Probabilidad Continua
Ejemplo 1: (Distribución de
probabilidad uniforme)
Consideremos una empresa que
paga a sus empleados entre U$50
y U$120 como salario semanal. La
probabilidad de que un empleado
nuevo ingrese ganando un sueldo
cualquiera dentro de este rango es
de 1/70, en cualquier otro caso es
cero. ¿Qué probabilidad tiene un
empleado, que ingresa por
primera vez a la empresa, de ganar
un salario entre U$ 70 y U$110?
Distribución de Probabilidad continua
Ejemplo 2: Solución:
 Una oficina de atención al cliente de una
empresa está preocupada por las constantes
quejas sobre el tiempo que demora la
correspondencia en llegar al funcionario
adecuado. El gerente de la oficina ha realizado
un estudio en el que pudo establecer que estos
tiempos oscilan entre 8 y 20 horas y que la
probabilidad de que la información llegue en
un tiempo determinado, en este intervalo, está
dada por la función P(X) = -x/360 + 11/90
 ¿Cuál es la probabilidad de que la información
llegue en un lapso de 10 a 15 horas?
 ¿Qué probabilidad existe de que la
correspondencia llegue al funcionario
adecuado en un tiempo máximo de 12 horas?
Distribución de Probabilidad Continua
Ejemplo 2
¿Cuál es la probabilidad de que la
información llegue en un lapso de 10 a
15 horas?
¿Qué probabilidad existe de que la
correspondencia llegue al funcionario
adecuado en un tiempo máximo de 12
horas?
Distribución de Probabilidad Normal
Una distribución normal de
probabilidades se representa a
través de una curva simétrica
con respecto a la media (),
denominada precisamente
curva de probabilidad Normal
o campana de Gauss. El área
bajo la curva equivale al 100% o
la probabilidad del espacio
muestral, P(S)=1.
 Una función de densidad de
1
probabilidad Normal está P( x)  e ( x   )
2
/ 2 2

 2
definida por la expresión:
 Distribución de Probabilidad Normal
Para determinar el área
bajo la curva, sin el uso del
cálculo integral, se hace
necesario expresar la
variable aleatoria continua
“x” en términos de otra
variable, denominada
“variable normal
estandarizada, z” y que se
define como:
xi  
Z

Distribución de Probabilidad Normal
Por ejemplo, para determinar qué
región de la campana de Gauss
corresponde hasta el valor de Z = 1,24
se procede de la siguiente forma:
Se sabe que hasta Z =0 , hay 0,5 o
50%.
Ahora miramos en la tabla el valor
que corresponde al intercepto entre
1.2 y 0.04 (cuya suma es 1.24), este
valor es 0.3925, que significa que el
área entre Z = 0 y Z = 1.24 es el
39,25%. 

Por lo tanto el área acumulada hasta

Z =1,24 es 0,5 + 0,3925 = 0,8925.
Distribución Normal
 Ejemplo: En enero de 2003 un
empleado estadounidense pasaba en
promedio 77 horas conectado a
internet durante las horas laborales
(CNBS, 15 de marzo de 2003). Suponga
que la media poblacional es 77 horas,
que los tiempos están distribuidos
normalmente y que la desviación
estándar es 20 horas.
 ¿Cuál es la probabilidad de que en xi   50  77
Z   1,35
enero de 2003 un empleado  20
seleccionado aleatoriamente haya
P (x < 50) = 0,50 – A1
pasado menos de 50 horas conectado
P (x < 50) = 0,50 – 0,4115 = 0,0885 = 8,85%
a internet?
Distribución Normal
¿Qué porcentaje de los
empleados pasó en enero
de 2003 más de 100 horas
conectado a internet?