1

DISTRIBUCIONES ESPECIALES

Veremos algunas distribuciones de probabilidades especiales, discretas y continuas,

asociadas con experimentos caracterizados en forma muy precisa. Estas distribuciones
de probabilidades se pueden expresar en una formula que involucra ciertas constantes,
llamadas parámetros de la distribución. Las definiciones de las variables aleatorias y sus
distribuciones de probabilidades nacen en forma directa, al considerar las características
de estos experimentos. Estas distribuciones especiales, son muy conocidas por su
amplia aplicación en la resolución de problemas prácticos en distintas áreas del
conocimiento.

Distribución Bernoulli

Uno de los experimentos mas simple que podemos realizar es aquel donde los
resultados posibles son solo dos ; por ejemplo, lanzamiento de una moneda equilibrada
{cara, sello} , el sexo de un niño por nacer {hom bre, mujer} , la clasificación de un
artículo que se está inspeccionando {defectuoso, no − defectuoso} . Este tipo de
experimento con sólo dos resultados posibles se denomina Ensayo Bernoulli y sus
eventos elementales, comúnmente llamados éxito y fracaso.

El recorrido de la variable aleatoria X es Rx = {0,1} , ella es discreta y su función de

probabilidades se obtiene directamente de la distribución de probabilidades asignada.

Se anota X ∼ β( p ) es decir X distribuye Bernoulli con parámetro p

Características:
El resultado del experimento aleatorio puede clasificarse en una de las dos
categorías siguientes ÉXITO o FRACASO
La probabilidad de ÉXITO (p) en un ensayo es constante cada vez que se realiza el
experimento.
El experimento se realiza una sola vez.

La función de densidad de probabilidad esta dada por:

P( X = x ) = px q 1-x con x= 0,1 donde p + q =1

Utilizando la función de probabilidades de la variable Bernoulli , obtenemos que :

Media µ es E [X ] = p y que σ2 Varianza [X ] = pq donde q = 1-p

Observación : la distribución Bernoulli juega un papel muy importante en la

construcción de otras distribuciones de probabilidades discretas.

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 2

Distribución Binomial

Un experimento que consiste de n ensayos Bernoulli independientes, cada uno con

probabilidad de éxito p, se llama un experimento Binomial con n ensayos y parámetro
p. La frase ensayos independientes significa que los ensayos son eventos
independientes, esto es, lo que ocurra en un ensayo no tiene efecto en el resultado
observado para cualquier otro ensayo.

La variable aleatoria X es una suma de n variables en que cada una tiene

distribución Bernoulli , X1, X2............Xn

Dado que la variable X cuenta él número de éxitos observados en un experimento

binomial con n ensayos, ella es discreta y su recorrido es Rx= {0,1,2,......n}

Se anota de la siguiente manera: X ∼ β ( n, p )

Características:
El resultado del experimento aleatorio puede clasificarse en una de las dos
categorías siguientes ÉXITO o FRACASO.
La probabilidad de ÉXITO es constante (p).
Cada repetición es independiente de las restantes.
Se repite n experimentos Bernoulli.
La variable X es el número de éxitos en los n ensayos Bernoulli

La función de densidad de probabilidad de X es :

n
P(X = x ) =   px qn-x con x= 0,1,2,....,n
 x

Recibe el nombre de distribución Binomial , debido a que su fórmula corresponde al

termino general en el desarrollo del teorema del binomio.

n n!
Recordemos que   = n C r son combinatorias
 x x!(n − x)!

0! = 1

4! = 1*2*3*4

Media µ es E [X ] = np y que σ2 Varianza [X ] = npq donde q = 1-p

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 3

Distribución Binomial Negativa

Esta distribución corresponde al numero de ensayos Bernoulli independientes

necesarios para observar el K-ésimo éxito, k= 2.3,….

Si repetidos intentos independientes pueden resultar en un EXITO con una probabilidad

p y en un fracaso con una probabilidad q, entonces la distribución de probabilidad de la
variable aleatoria X, es el número del intento en el cuál ocurre el K-ésimo ÉXITO.

El recorrido de X es Rx= {k , k + 1, k + 2,........} ya que al menos k ensayos deben

realizarse para observar k éxitos.

Se anota de siguiente manera: X ∼ B- ( p )

Características:
El resultado del experimento es un ÉXITO o FRACASO
La probabilidad p de ÉXITO es constante
Cada repetición es independiente de las restantes
El experimento se repite un número variable ( X ) de veces hasta obtener un número
determinado de EXITOS( K )
La función permite calcular la probabilidad de que se necesitan exactamente X
ensayos para obtener K EXITOS

La función de densidad de probabilidad de X es :

 x − 1  k x-k
P ( X = x ) =   p q donde x= k, k+1,k+2,.........
 K − 1

k
Media µ es E [X ] =
p

kq
y que σ2 Varianza [X ] =
p2

Distribución Geométrica

Es un caso especial de la distribución Binomial Negativa donde K= 1, se tiene una

distribución de probabilidad para el número de intentos para un solo éxito.

Si repetidos intentos independientes pueden resultar en un ÉXITO con una probabilidad

p y en un FRACASO con una probabilidad q, entonces la distribución de probabilidad
de la variable aleatoria X, el número del intento en el cuál ocurre el primer ÉXITO .

El recorrido de X es Rx= {1,2,3,........}

Se anota de la siguiente manera: X ∼G(p)

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 4

La función de densidad de probabilidad de X es :

P( X = x ) = pqx-1 con x= 1,2..........

Observación : sus términos forman una progresión geométrica.

1 q
Media µ es E [X ] = y que σ2 Varianza [X ] =
p p2

Distribución Hipergeométrica

La distribución de probabilidad de la variable aleatoria Hipergeométrica X, el número

de EXITOS en una muestra aleatoria de tamaño n seleccionada de N resultados
posibles de los cuales K son considerados como EXITO y N-K como FRACASO.

El recorrido de X es Rx= {0,1,2,3,......n}

Se anota de la siguiente manera: X ∼ H (N,n,K )

Características:
El resultado del experimento aleatorio es ÉXITO o FRACASO
La probabilidad de éxito varia de un ensayo a otro
Las repeticiones sucesivas son dependientes
Las repeticiones se realizan un número n determinado de veces
La extracción se hace de entre N itemes
Se elige una muestra de tamaño n

La función de densidad de distribución de la variable aleatoria Hipergeométrica es:

 K  N − K 
  
 x  n − x 
H(x,N,n,K) = con x= 0.1.2....n
N
 
n

Observaciones:

• La distribución Hipergeométrica no requiere de independencia y se basa en el

muestreo llevado a cabo sin reemplazo.

• En cambio la distribución Binomial requiere la independencia entre intentos y el

muestreo debe realizarse con reemplazo de cada articulo después de observarse.

• La distribución Hipergeométrica se ocupa cuando la pieza es probada y se destruye,

por lo tanto no puede reemplazarse.

• Si n es relativamente pequeño respecto a N, la probabilidad para cada intento

cambia solo ligeramente cuando se aproxima a una distribución Binomial donde,

K
p=
N

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 5

Distribución Multinomial

Un experimento Binomial se convierte en un experimento Multinomial si cada intento

tiene más de 2 resultados posibles cuando es con reemplazo.

Si en un intento determinado pueden resultar en cualquiera de los K resultados E1,

E2,.......EK con probabilidades p1 ,p2,......pK, entonces la distribución de probabilidades
de las variables aleatorias X1,X2,.......XK que representan el número de ocurrencias
para E1, E2,.......EK en n intentos independientes.

Se anota de la siguiente manera: X ∼ M ( p1 ,p2,......pK )

La función de densidad de distribución de la variable aleatoria Multinomial es:

 n  x1 x2
P ( X1=x1, X2= x2, ..............Xk= xk ) =   p1 p 2 ....... p kxk
 x1 x 2 ......x k 

n!
= p1x1 p 2x2 ....... p kxk
x1! x 2 !.....x k !

K K
Con ∑ xi = n
i =1
∑p
i =1
i =1

Distribución de Poisson

Esta distribución sirve como modelo del número de aciertos que ocurren durante un
Intervalo de tiempo dado. Existe un tiempo implícito dentro de la variable analizada.

El proceso de Poisson tiene las siguientes características:

El número de resultados que ocurren en un intervalo de tiempo o región específicos

es independiente del número que ocurre en cualquier otro intervalo,
independientemente de como se elija el intervalo.

La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo muy

corto es proporcional a la longitud del intervalo de tiempo y no depende del número
de resultados que ocurren fuera de ese intervalo.

La probabilidad de que más de un resultado ocurra en ese intervalo de tiempo tan

corto es tan pequeña que puede despreciarse.

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 6

El número de aciertos X en un intervalo de tiempo tiene la siguiente función de

densidad de distribución:

e −λ λ x
P(X = x ) = donde x= 0,1,2........ e = 2,71828
x!

λ = promedio de éxitos que se presentan en un intervalo de tiempo dado.

Se anota de la siguiente manera: X ∼ P ( λ )

La distribución Poisson tiene la media y la varianza iguales al parámetro λ

Media µ es E [X ] = λ y que σ2 Varianza [X ] = λ

Observaciones:

Cuando n es muy grande y la probabilidad es muy pequeña, cercana a cero, esta

distribución puede usarse para obtener probabilidades binomiales aproximadas.

Es decir cuando n → ∞ y p→ 0 np se mantiene constante haciendo

equivalente λ = np

En general la distribución de Poisson ofrece una buena aproximación a

probabilidades binomiales cuando n ≥ 20 y p ≤ 0.05

Cuando n ≥ 100 y λ = np ≤ 10 la aproximación es excelente

Cuando existe un número promedio de aciertos en un intervalo de t unidades de

tiempo ó t unidades de la región especificada es una variable aleatoria Poisson con
la media igual al promedio por las t unidades.

Es decir λt ∴ la distribución es la siguiente

e − λt λt x
P( x, λt ) = donde λ = Nº promedio de resultados por unidad de
x!
tiempo ó región

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 7

DISTRIBUCION NORMAL

Existe una distribución de frecuencias cuando la variable es continua, llamada

Distribución Normal, ó Curva Normal ó Distribución Gaussiana, se considera como un
modelo adecuado para la distribución de un gran número de variables en todas las áreas
de trabajo.
Cuando aumenta el número de observaciones y se disminuye el tamaño de los
intervalos de clase, el gráfico Histograma se asemeja al de la Distribución Normal.

Definición: La variable aleatoria X continua tiene una Distribución Normal si su

función de densidad es :

E [X ] = µ Varianza [X ] = σ 2

Ejemplo: si µ= 1 y σ = 1 se obtiene la siguiente función de densidad de

la Normal

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 8

PROPIEDADES:

Su gráfica se asemeja a una campana simétrica, cuyas alas se extienden hacia el

infinito tanto en dirección negativa como positiva. Así la función de densidad es
simétrica con respecto a µ, y luego su coeficiente de simetría es igual a cero, es
decir el SESGO = 0.

El promedio, la mediana y la moda de la distribución tienen el mismo valor por ser

simétrica.

La distribución queda completamente definida por el promedio y la desviación

estándar. El promedio nos informa sobre la posición o ubicación de la distribución
en el eje horizontal y la desviación estándar refleja la dispersión de los valores con
respecto al promedio.

Es asintótica con respecto al eje X

El punto de inflexión de la curva está entre -σ y σ

Si σ es relativamente grande, el gráfico tiende a ser achatado, mientras que si σ

es pequeño, el gráfico tiende a ser puntiagudo.

Cualquiera sean los valores de µ y σ , el área bajo la curva

comprendida entre el promedio más y menos 1,2 y 3 desviaciones estándar es
aproximadamente:

Aunque teóricamente la distribución va de - ∞ a + ∞ , en la práctica es muy raro

encontrar valores a más de 3 desviaciones estándar del promedio.

Bajo la curva Normal está aproximadamente el 100 % de los casos.

La función de distribución de X es :

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 9

Existen diferentes tablas que entregan áreas bajo la curva Normal y los límites de la
integral pueden cambiar dependiendo de la tabla a usar.

CALCULO DE AREAS

Para calcular el área bajo la curva Normal a partir de un determinado valor de la

variable X, es necesario calcular la integral dada. Existen tablas de áreas de la Normal
reducida, que tiene promedio cero y desviación estándar 1. Para usar estas
tabulaciones es necesario transformar la variable original en que están dados los datos.

x−µ
La variable transformada es Z= la cuál llamamos Variable Normal
σ
Estandarizada y se denota por:

La función de densidad de la variable Z es :

La función de distribución de Z es :

Los limites de la integral pueden variar dependiendo de la tabla a usar.

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 10

Ejemplo: si µ= 0 y σ = 1 se obtiene la siguiente función de densidad de

la Normal Estandarizada.

APROXIMACION DE LA DISTRIBUCION BINOMIAL A LA NORMAL

La distribución Normal es una buena aproximación a la distribución discreta cuando la

distribución discreta tiene la forma de una campana simétrica.

DEFINICION: Si X es una variable aleatoria Binomial con media µ =np y

varianza σ2 = npq entonces la forma de límite de la distribución es :

x−µ x − np
Z = = cuando n → ∞ Z ∼ N ( 0, 1 )
σ npq

Observaciones:

• Cuando n es grande y p no es muy cercana a cero ó uno es una buena

aproximación.
1
• Si n es pequeña y p es muy cercana a se aproxima mucho a una Normal
2
• En general si np y nq son mayores o iguales a cinco la aproximación será
buena.
• Cuando n > 20 se puede analizar, para aproximar a una distribución Normal.

Cuando se aproxima de una distribución discreta a una continua se debe usar la

corrección de continuidad, según la cual, cada entero x no negativo está representado
1 1
por el intervalo x − a x + ,quedando z de la siguiente manera
2 2

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones
 11

1
( x ± ) − np
Z = 2
npq

INACAP OSORNO Prof: Gloria Opazo B

Curso: Distribuciones