3.6.

Distribucin de Probabilidad
Son todos los posibles valores que resultan de un experimento aleatorio, junto con la
probabilidad asociada a cada valor.
Las propiedades que debe cumplir una distribucin de probabilidad son:
1. 0 P(Xi) 1
2. ni=1 P(Xi) = 1
donde Xi es el valor de la variable aleatoria y P(Xi) es la probabilidad asociada al valor
Xi.
La distribucin de probabilidad puede ser representada en forma tabular, en forma
grafica o en forma de funcin.
Para entender de mejor manera este tema es necesario definir:

Variable aleatoria discreta.- Las variables aleatorias discretas son aquellas en que el
nmero de valores posibles que toman es finito o infinito, pero que puede numerarse,
como por ejemplo:
Ejemplo: Dada la tabla siguiente, determinar:
a. Si es una distribucin de probabilidad
Verificamos si cumple con las propiedades:
1. Los valores de probabilidad se encuentra entre 0 y 1
2. La sumatoria de cada una de las probabilidades resulta ser igual a 1
b. Calcula P(X=1)
Buscamos en la tabla P(X=1)=0.25
c. Calcula P(X<2)
Se determina los valores de X < 2, y posteriormente se suman: 0.25+0.20 = 0.45
d. Calcula P(X2)
Se determinan los valores de X > 2, incluido el valor de X = 2 y posteriormente se
suman las probabilidades: 0.15 + 0.40 = 0.55 ( a este valor se le conoce como
distribucin acumulada.
3.6.1.Media y desviacin estndar
Al hablar de distribucin de probabilidad definiremos a la media y a la desviacin
estndar como:
- Media o valor esperado:
Es una medida de localizacin central de la variable aleatoria. Se calcula de la
siguiente manera:
u = E X = =1 ()
Es decir el promedio ponderado de los valores que toma la variable aleatoria (Xi),
donde las ponderaciones o pesos son las probabilidades P(Xi).
- Varianza y desviacin estndar:
Son las medidas de dispersin o variabilidad de la variable aleatoria. Se calcula de
dos formas:
1. = Var X = =1 ()( )
2. 2 = Var X = E X 2
La desviacin estndar se calcula con la raz de la varianza en las dos anteriores
ecuaciones.
Ejemplo:
Calcular la media y la desviacin estndar del nmero de caras que puede caer
cuando se lanzan dos monedas. Solucin: luego de realizado el experimento se
obtiene los siguientes resultados:
Resultados X P(X) u = E X = 00.25 + 10.25 + 10.25 + 20.25 = 1
posibles
2 = Var X = 0.25 0 1 2 + 0.25 1 1 2 +0.25 1 1 2 +0.25 2 1 2 = 0.5
S, S 0 0.5x0.5= 0.25
C, S 1 0.5x0.5= 0.25 E X2 = () = 02 x0.25 + 12 x0.25 + 12 0.25 + 22 x0.25 = 1.5
S, C 1 0.5x0.5= 0.25 =1
2 = Var X = E X 2 2 = 1.5 12 = 0.5
C, C 2 0.5x0.5= 0.25
= 0.5 = 0.7071
3.7. Distribucin de Probabilidad Binomial
Tambin conocido como ensayo de Bernoulli. Es aquel que solo tiene dos resultados:
xito o fracaso, falso o verdadero, si o no, 0 o 1, cumple o no cumple. Como por
ejemplo puede ser el control de calidad de ciertos productos en el cual se puede
determinar si cierto producto cumple o no cumple con las especificaciones. Se
determina con la siguiente formula:

() = =

Donde
n: nmero de ensayos
x: nmero de xitos, con x = 1, 2, 3,..,n
p: probabilidad de xito en cada ensayo
q: probabilidad de fracaso en cada ensayo
Los criterios de aplicacin de este tipo de probabilidad es cuando satisfacen las
siguientes caractersticas:
a. n ensayos de Bernoulli, es decir, se repite muchas veces un ensayo que tiene slo
dos respuestas
b. Los ensayos son independientes, esto significa que el resultado de un ensayo
no implica el resultado del otro
c. La probabilidad de cada ensayo es constante, es decir que la probabilidad de
xito es lo que se quiere analizar

Ejemplo:
Una institucin universitaria establece nuevos mtodos de aprendizaje y de
evaluacin, se evidencia que el 85% de sus estudiantes aprueban todas las
asignaturas. Si se seleccionan 8 estudiantes de la misma institucin, cual es la
probabilidad:
a. Exactamente 3 aprueben todas las asignaturas
b. Exactamente 3 pierdan alguna asignatura
c. Mnimo 2 pierdan alguna asignatura
a. Exactamente 3 aprueben todas las asignaturas
8
P( 3) (0.85)3 (0.15)83 0.0026 0.26%
3
b. Exactamente 3 pierdan alguna asignatura
8
P( 3) (0.15)3 (0.85)83 0.0839 8.39%
3
c. Por lo menos 2 pierdan alguna asignatura
8
P( 0 ) (0.15)0 (0.85)80 0.2725
0
8
P(1) (0.15)1 (0.85)81 0.3847
1
P( x 2 ) 1 P( x 0 ) P( x 1)
P( x 2 ) 1 0.2725 0.3847 0.3428 34.28%
- Media o valor esperado


u=E X = () = =
=1 =1
Es decir, el valor esperado de una distribucin binomial es el nmero de ensayos
por la probabilidad de xito.
- Varianza y desviacin estndar


2 = Var X = 2 = 2 =
=1 =1
La desviacin estndar de la distribucin binomial se calcula como la raz
cuadrada del nmero de ensayos por la probabilidad de xito por la probabilidad
de fracaso.
Ejemplo: La probabilidad de que cierto componente resista una prueba de
choque es de 3/4. Calcule la probabilidad de que resistan exactamente 2 de los 4
componentes que se prueben. Adems calcular la media, la varianza y la
desviacin estndar.

P(x=2)=

4 3 2 1 42 4! 3 2 1 2 27
P(x=2)= = =
2 4 4 42 !2! 4 4 128
3
u = np = 4 =3
4
2
3 1 3
= = 4 =
4 4 4
3
= = 0.866
4
3.8. Distribucin Probabilstica de Poisson
Cuando n es grande, y p, la probabilidad de xito de un suceso, se acerca a
cero, mientras que q, la probabilidad de fracaso se aproxima a 1, de tal manera
que el producto de np, simbolizado por lambda , sea menor o igual a 5, debe
utilizarse la distribucin de Poisson. Algunos autores indican que se debe utilizar
esta distribucin con menor o igual a 10. La distribucin probabilstica de
Poisson, se aplica cuando se presentan sucesos llamados raros, y esta dada
por:

=
!
Donde:
e: base natural de los logaritmos neperianos
: np
X: nmero de casos favorables
P(x): probabilidad para un valor dado de x
Ejemplo:
Si el 1% de las bombillas fabricadas por una compaa son defectuosas, hallar la
probabilidad de que, en una muestra 100 bombillas, 3 sean defectuosas.
= 0.01
n= 100
x= 3
= = 100 0.01 = 1

=
!
3 1
1
3 = = 0.0613 6.13%
3!
Un fabricante de automviles se preocupa por una falla en el mecanismo de
freno de un modelo especifico. Se estima que fallan 5 de 500 mecanismos. a.
Cul es la probabilidad de que mximo 3 automviles al ao de ese modelo
especifico sufran algn accidente?. b. Cul es la probabilidad de mas de 1
automvil al ao de ese modelo especifico sufra algn accidente?
 5 5 5 5
= = 0.01 = = 0.01 = = 0.01 = = 0.01
500 500 500 500
n= 500 n= 500 n= 500 n= 500
x= 0 x= 1 x= 2 x= 3
= = 500 0.01 = 5 = = 500 0.01 = 5 = = 500 0.01 = 5 = = 500 0.01 = 5

= = = =
! ! ! !
0 5 1 5 2 5 3 5
5 5 5 5
0 = = 0.00674 1 = = 0.0337 2 = = 0.0842 3 = = 0.1403
0! 1! 2! 3!
a) P x 3 = 0 + 1 + 2 + 3 = 0.00674 + 0.0337 + 0.0842 + 0.1403 = 0.265

5 5 b. P x > 1 = 1 P x 1
= = 0.01 = = 0.01
500 500 P x > 1 = 1 0.404 = 0.9596
n= 500 n= 500
x= 0 x= 1
= = 500 0.01 = 5 = = 500 0.01 = 5

= =
! !
5 5
0 5 5
1
0 = = 0.00674 1 = = 0.0337
0! 1!
P x 1 = 0 + 1 = 0.00674 + 0.0337 = 0.0404

Para la distribucin de Poisson los valores de media y la varianza son igual a .

Para la distribucin de Poisson los valores de media y la varianza son igual a .
Para recordar lo aprendido:
Recordemos que la distribucin de frecuencias permite el manejo de cantidades
determinadas de informacin en forma resumida, describiendo un hecho ya
transcurrido, en cambio una distribucin de probabilidades es similar a la
distribucin de frecuencias, con la diferencia que se presenta valores probables de
un experimento en un evento futuro.
Los valores de x representan eventos numricos mutuamente excluyentes. Sumar
P(x) de todos los valores de x es equivalente a sumar las probabilidades de todos
los eventos simples y por tanto es igual a 1.
3.9. DISTRIBUICIN NORMAL
Variable aleatoria continua: Una variable aleatoria en general para describir los
resultados del espacio muestral mediante la asignacin de valores. Para la
variable aleatoria continua, los valores numricos provienen de un intervalo
continuo, es decir no son valores especficos, sino que puede ser cualquier valor
entre dos nmeros. Como ejemplo se podra considerar cualquier resultado en
cuanto a la medicin de ancho, longitud, as como tambin el tiempo en la
realizacin de una tarea; en estos casos las variables admiten fracciones o
decimales.
La distribucin normal, se le suele denominar: Laplace - Gauss, y es una
forma lmite de la distribucin binomial. Cuando el nmero de experimentos es
grande, se debe resolver como una distribucin normal. Este procedimiento
permite facilitar y agilizar las operaciones, cuyo resultado no ser exacto sino un
valor bastante aproximado, razn por la que se conoce tambin como mtodo
aproximado. Para explicar el comportamiento de este tipo de distribucin, se
utilizar un ejemplo:
Un experimento consiste en lanzar 12 monedas y mediante los resultados
elaboramos una tabla de frecuencias tericas o probabilsticas, en las que se
puede observar: 0 caras, 1 cara, 2 caras,.., 12 caras. Se debe obtener la
media, la varianza y la desviacin estndar. Se utilizar el binomio de Newton
para ver cada una de las probabilidades y la frecuencia en cada combinacin.
Sabemos que p es la probabilidad de xito (1/2) y q la probabilidad de fracaso
(1/2), siendo p: cara, q: sello.

12 0 0 1 1 2 2 3 3 4 4
+ = + + + + +
0 1 2 3 4
5 5 6 6 7 7 8 8 9 9
+ + + + +
5 6 7 8 9
10 10 11 11 12 12
+ +
10 11 12

Reemplazando valores se tiene:

 12 12 1 0 1 120 12 1 1 1 121 12 1 2 1 122 12 1 3 1 123
+ = + + + +
0 2 2 1 2 2 2 2 2 3 2 2

12 1 4 1 124 12 1 5 1 125 12 1 6 1 126 12 1 7 1 127

+ + + +
4 2 2 5 2 2 6 2 2 7 2 2

12 1 8 1 128 12 1 9 1 129 12 1 10 1 1210 12 1 11 1 1211

+ + + +
8 2 2 9 2 2 10 2 2 11 2 2

12 1 12 1 1212
12 2 2
12 1 1 1 1 1 1 1
+ =1 + 12 + 66 +220 +495 +792 +924 +
4096 4096 4096 4096 4096 4096 4096
1 1 1 1 1 1
792 +495 +220 +660 +12 +1
4096 4096 4096 4096 4096 4096
La distribucin normal esta dada por la siguiente ecuacin:
2

= 22
2
Donde:
N: cantidad de datos; : desviacin estndar = ; e: base de los logaritmos naturales; Z:

variable estadstica = ; u: media de la distribucin binomial = .

Volviendo al ejemplo anterior, tabulando los valores de cada termino se tiene:
Nmero Frecuencia
Probabilidad Nmero de
de caras esperada fx f x Z Y
P(x) caras x (%)
(x) (f)
0 1 0,000244141 0 0 -3,46410 0,00 0,135335536
1 12 0,002929688 12 12 -2,88675 8,33 0,249352532
2 66 0,016113281 132 264 -2,30940 16,67 0,411112631
3 220 0,053710938 660 1980 -1,73205 25,00 0,606530943
4 495 0,120849609 1980 7920 -1,15470 33,33 0,800737569
5 792 0,193359375 3960 19800 -0,57735 41,67 0,945959518
6 924 0,225585938 5544 33264 0,00000 50,00 1,000000000
7 792 0,193359375 5544 38808 0,57735 58,33 0,945959518
8 495 0,120849609 3960 31680 1,15470 66,67 0,800737569
9 220 0,053710938 1980 17820 1,73205 75,00 0,606530943
10 66 0,016113281 660 6600 2,30940 83,33 0,411112631
11 12 0,002929688 132 1452 2,88675 91,67 0,249352532
12 1 0,000244141 12 144 3,46410 100,00 0,135335536
4096 1 24576 159744 0,00000

Graficar los valores de z, x, x (%) en el eje X; y f, P(x) en el eje Y.

Graficar los valores de x; en el eje X, los valores de Y en el eje Y.
Con los valores de la tabla anterior se calculan la media aritmtica y la desviacin
estndar, adems la varianza.
Xifi 24576
X 6
f 4096
2
fX fX

f f
2
159744 24576
1.732
4096 4096
3
Con las formulas:
1 1 1
= = 12 = 1.732 = 3 u = = 12 =6
2 2 2

Resultan los mismo valores calculados con la formulas de desviacin estndar y media
utilizado en distribucin de frecuencias.
Como se puede observar en la ecuacin:
Z2
N 2
Y e 2
2
El termino que cambia en funcin de la presencia de la cara de la moneda es la
variable estadstica Z, puesto que es:
x u
Z

Por lo tanto Z es que la define la trayectoria de la curva de distribucin normal, y
cuya grafica es la siguiente:
Deber, formar la campana de Gauss con los datos de la tabla anterior.