DISTRIBUCIÓN

de
probabilidades
1. INTRODUCCION:
Es una distribución de probabilidad de variable discreta
y Bernoulli es el autor de esta distribución.
Ensayo de Bernoulli: Es cualquier ensayo de algún
experimento que conduce sólo a uno de dos resultados
mutuamente excluyentes, tales como: vivo o muerto;
enfermo o saludable; + ó –
De una sucesión de ensayos de Bernoulli se obtiene la
distribución binomial.
La formación de un proceso de Bernoulli se efectúa
bajo las siguientes condiciones.
A. Se tiene un número finito de ensayos
B. Cada ensayo conduce a uno de dos resultados
mutuamente excluyentes. Uno de los resultados
posibles se denomina (arbitrariamente) éxito y el otro
fracaso.
 C. La probabilidad de éxito, representada por p,
permanece constante de ensayo a ensayo. La
probabilidad de fracaso, 1-p, se denota por q.
D. Los ensayos son independientes, es decir, el
resultado de cualquier ensayo particular no es
afectado por el resultado del otro ensayo.

2. CÁLCULO DE PROBABILIDADES CON LA

DISTRIBUCIÓN BINOMIAL
Al estudiar la distribución binomial se tiene interés en
calcular la probabilidad de obtener x éxitos de un total de
n ensayos de Bernoulli. Este cálculo se realiza con:
 n! x n- x
p(X = x) = p q
x!(n - x)!
Donde: X = variable aleatoria
x = 0,1,2,3,....n

Se demuestra que la distribución binomial es una

distribución de probabilidad ya que:
a. P(x)  0
b.  P(x) =1

La distribución binomial tiene dos parámetros: n y p

La media de la distribución binomial es: x = np
La desviación estándar es:
x = npq
 Ejemplo (1) : En cierta población la prevalencia de
alergia es de 20%. Si se selecciona una muestra
aleatoria de n=10. Calcular :

a. La probabilidad de que la muestra contenga

exactamente un alérgico.
Solución:
Datos:
Éxito= tener alérgia  p = 0,2 y q = 0,8
n = 10
x=1
Luego: P(X=1)= 10! (0,2)1 (0,8)9
1!9!
= 10 (0,2)(0,8)9

P(X=1) = 0,2684
b. La probabilidad de que la muestra incluya
menos de dos alérgicos
Solución:
p = 0,2
q = 0,8
n = 10
P(X<2) = P(X=0) + P(X=1)
= 10! (0,2)0 (0,8)10 + 0,2684
0!10!
= 0,1074 + 0,2684
P(X<2) = 0,3758
TABLA DE DISTRIBUCIÓN BINOMIAL
 Ejemplo (2) : Calcular:
 P[X=2|4,0.23]
a. Se trabaja con la tabla donde: n = 4 y r o
k =2 con p = 0.23, se trabaja con la tabla
siguiente; p1=0,20 = 0.1536 y p2 =0.25
= 0.2109 para hallar P[X=2|4,0.23]
 Que es igual a x=0.18798 (aprox.)
LA DISTRIBUCIÓN DE POISSON
 Introducción
En este módulo se describe el uso de la distribución de
Poisson para obtener la probabilidad de ocurrencia de
sucesos raros cuyo resultado lo representa una
variable discreta.
 Dato histórico

La distribución de Poisson se llama así

en honor a su creador, el francés
Simeón Dennis Poisson (1781-1840),
Esta distribución de probabilidades fue
uno de los múltiples trabajos matemáticos
que Dennis completó en su productiva trayectoria.
 Utilidad
 La distribución de Poisson se utiliza en situaciones donde
los sucesos son impredecibles o de ocurrencia
aleatoria. En otras palabras no se sabe el total de
posibles resultados.

 Permite determinar la probabilidad de ocurrencia de un

suceso con resultado discreto.

 Es muy útil cuando la muestra o segmento n es grande y

la probabilidad de éxitos p es pequeña.

 Se utiliza cuando la probabilidad del evento que nos

interesa se distribuye dentro de un segmento n dado
como por ejemplo distancia, área, volumen o tiempo
definido.
 Ejemplos de la
utilidad
 La llegada de un cliente al negocio durante una hora.

 Las llamadas telefónicas que se reciben en un día.

 Los defectos en manufactura de papel por cada metro

producido.

 Los envases llenados fuera de los límites por cada 100

galones de producto terminado.
La distribución de Poisson se emplea
para describir procesos con un elemento
en común, pueden ser descritos por una
variable aleatoria discreta.
 Propiedades de un
proceso de Poisson
1. La probabilidad de observar exactamente
un éxito en el segmento o tamaño de muestra
n es constante.
2. El evento debe considerarse un suceso
raro.
3. El evento debe ser aleatorio e
independiente de otros eventos
Si repetimos el experimento n veces podemos
obtener resultados para la construcción de la
distribución de Poisson.
 La distribución de Poisson
La distribución de probabilidad de Poisson es un
ejemplo de distribución de probabilidad discreta.
La distribución de Poisson parte de la distribución
binomial.
Cuando en una distribución binomial se realiza el
experimento muchas veces, la muestra n es grande
y la probabilidad de éxito p en cada ensayo es baja,
es aquí donde aplica el modelo de distribución de
Poisson.
Se tiene que cumplir que:
p < 0.10
p * n < 10
 La función P(x=k)

A continuación veremos la función de

probabilidad de la distribución de Poisson.

Donde:

P(X=K) es la probabilidad de ocurrencia cuando la variable discreta

X toma un valor finito k.

λ = Lambda es la ocurrencia promedio por unidad (tiempo,

volumen, área, etc.). Es igual a p por el segmento dado. La
constante e tiene un valor aproximado de 2.71828….

K = es el número de éxitos por unidad

 Ejemplo1 de la función
F (x=k)

La probabilidad de que haya un accidente en una compañía

constructora es de 0.02 por cada día de trabajo. Si se trabajan 300
días al año, ¿cuál es la probabilidad de tener 3 accidentes?
Como la probabilidad p es menor que 0.1, y el producto n * p es
menor que 10 (300 * 0.02 = 6), entonces, aplicamos el modelo de
distribución de Poisson:

Al realizar el cómputo tenemos que P(x = 3) = 0.0892

Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300
días de trabajo es de 8.9%.
 Ejemplo 2 de la función
F(x=k)
La probabilidad de que un producto salga defectuoso
es de 0.012. ¿Cuál es la probabilidad de que entre
800 productos ya fabricados hayan 5 defectuosos?
En este ejemplo vemos nuevamente la probabilidad p
menor que 0.1, y el producto n * p menor que 10,
por lo que aplicamos el modelo de distribución de
Poisson:

El resultado es P (x = 5) = 0.04602
Por lo tanto, la probabilidad de que haya 5 productos
defectuosos entre 800 recién producidos es de 4.6%.
 Tablas de probabilidad de Poisson
Utilizando la tabla de probabilidad de Poisson se pueden
resolver los ejemplos anteriores.

Para esto, usted debe saber los valores X y λ.

X es el número de éxitos que buscamos. Este es el valor

K.

λ es el número promedio de ocurrencias por unidad

(tiempo, volumen, área, etc.). Se consigue multiplicando
a p por el segmento dado n. Del ejemplo 1: λ = 0.02 * 300 = 6
Del ejemplo 2: λ = 0.012 * 800 = 9.6
DISTRIBUCION NORMAL
 DISTRIBUCION NORMAL
 Es una distribución de probabilidad de
variablecontinua.
 El matemático Gauss contribuyó notablemente
en el estudio y difusión de esta distribución.
 La mayoría de las variables continuas tienen
polígonos de frecuencias que permiten
visualizar un aumento gradual hasta llegar a
un máximo y luego un descenso igualmente
gradual. Así:
Polígono de frecuencias
Curva normal

Xi x  Xi
Si n  e i 0
 Como toda figura geométrica en el plano, la
curva normal posee una fórmula o ecuación
denominada tambien Función de densidad de
la variable aleatoria continua que es la
siguiente:
2
1  x μ 
  
2 σ 
1 e (1)
y
2π σ -  x  

Donde:
y = altura de la curva en el punto x
 = media aritmética de la distribución
 = desviación estándar de la distribución
 Características más importantes
de la distribución normal
1. Es simétrica respecto a la media, .
2. La media, la mediana y la moda son iguales.
3. El área total debajo de la curva y por encima
del eje x es igual a una unidad cuadrada
4. Si se levantan perpendiculares a una distancia
de una desviación estándar a ambos lados de
la media, se habrá delimitado
aproximadamente el 68.26% del área total.
Si se extienden estas perpendiculares hasta
dos desviaciones estándar, se define como
95.44% del área total y con 3 desviaciones
estándar aproximadamente el 99.74%. Así:

0,6826 0,9544

Xi Xi
-  + -2  +2

5. La normal queda completamente determinada

por los parámetros  y 
 Distribución normal unitaria o
normal estándar
 Tiene una media de cero y desviación
estándar de uno

 Se obtiene a partir de la ecuación (1),

haciendo =0, =1 y x -  = z

Donde z es una variable aleatoria con
distribución normal. Luego:
Cálculo de área o probabilidad en
la curva normal estándar

Se utiliza la tabla de áreas.

Ejemplo 1:
Calcular el área entre z= - y z=2
Solución:
Se recomienda graficar la curva normal y
sombrear el área solicitada para facilitar la
resolución del problema. Así:
 =1

0 2 zi

De la tabla de áreas se obtiene:

P(z  2) = 0,9772
Interpretación:
La probabilidad de que la variable z asuma
valores entre - y 2 inclusive, es 0,9772
Ejemplo 2:
Si de la población de posibles valores de z, se
elige uno al azar, ¿ cuál es la probabilidad de
que se encuentre entre 0,84 y 2,45 inclusive?
Solución:
La pregunta permite calcular:
P(0,84  z  2,45) = ?
Veamos el gráfico siguiente:
 =1

zi
0 0,84 2,45

De la tabla: área entre - y z=2,45 0,9929

área entre - y z=0,84 0,7995
P(0,84  z  2,45) = 0,9929 - 0,7995= 0,1934
Interpretación:
La probabilidad de que una z elegida al azar quede
entre 0,84 y 2,45 es de 0,1934 ó el 19,34% de los
valores de z están entre 0,84 y 2,45.
Ejemplo 3:
Calcular P(z2,71).
Solución: Graficando:

De la tabla: área entre - y

z=2,71  0,9966
=1
Luego: P(z2,71)=1,0-0,9966
=0,0034.
zi
0 2,71

Interpretación:
La probabilidad de que un valor de z sea mayor
o igual a 2,71 es de 0,0034.
Cálculo de áreas en una curva
normal cualquiera
Ejemplo:
Los niveles de colesterol total en la
población general se distribuyen
normalmente con =200 y = 20. Si de esta
población se selecciona un sujeto al azar,
¿cúal es la probabilidad de que?:
a. tenga un valor entre 170 y 230?
Solución:
Se solicita: P(170x230)=?.
En el gráfico, el área que debemos calcular
aparece sombreada:

=20

170 200 230 Xi

Se transforman o estandarizan los valores de

xi en términos de z.
x1   230 200
z1   1,50
 20
x2   170 200
z2    1,50
 20
 =1

-1,50 0 zi
1,50

Luego: P(170x230)= P(-1,50z1,50)=?.

De la tabla:
P(-1,50z1,50)= 0,9332 - 0,0668 = 0,8664
Interpretación:
La probabilidad de que un sujeto seleccionado
al azar tenga un nivel de colesterol entre 170 y
230, es de 0,8664
b. Tenga un valor de 270 ó más.
Solución:
p(x270) =?
Cálculo de z:
=20 Z= 270 – 200=3,50
20

200 270 xi Luego:

P(x270)=P(z3,50)
= 1 - 0,9998
=1 = 0,0002.

0 3,50 zi

Interpretación:
La probabilidad de que un sujeto elegido al azar tenga
un nivel de colesterol de 270 ó más, es de 0,0002