Universidad Nacional Santiago Antnez de Mayolo Estadstica

Distribuciones de Probabilidad:
Discretas y Continuas

Profesor:
Luis Angulo Cabanillas

Clases:
10 Y 11
Contenido:

I. Distribuciones de Probabilidad Discretas:

A. Distribucin Binomial
B. Distribucin de Poisson
C. Distribucin Hipergeomtrica.
Ejercicios

II. Distribuciones de Probabilidad Continuas:

A. Distribucin Normal
B. Distribucin T-Student (Lectura de Tablas)
C. Distribucin Chi-Cuadrado (Lectura de Tablas)
D. Distribucin F (Lectura de Tablas)
Ejercicios
A. Distribuciones de Probabilidad Discreta

Las variables aleatorias discretas se emplean en numerosas

aplicaciones prcticas. En este captulo presentamos tres variables
aleatorias discretas importantes, la binomial, la de Poisson y la
hipergeomtrica. Es frecuente que estas variables aleatorias se usen
para describir el nmero de sucesos de un evento, especificado en un
nmero fijo de intentos o una unidad fija de tiempo o espacio.
1. Distribucin Binomial
Ensayo de Bernoulli:
Es el resultado de un proceso o ensayo que solo tiene dos resultados posibles (o
adecuados a dos)
E = Exito = 1 con probabilidad p
F = Fracaso = 0 Con probabilidad q=(1-p)
Ejemplos:
1. Lanzar un dado y obtener cara ={c,s}, E={c}, p=0.5, F={s}, q=0.5
2. Lanzar un dado y obtener el 3 ={3, otros #}, E={3}, p=1/6, F={otros #}, q=5/6

Se puede considerar que si durante repetidos ensayos (n), siendo p la probabilidad de

xito en un solo ensayo, la cual debe permanecer fija, y q=(1-p) la probabilidad de
fracaso, entonces La probabilidad P de que se obtenga x xitos en n ensayos es el
termino del desarrollo binomio (p+q)^n; cuyo desarrollo es
1. Distribucin Binomial

Definicin: Si una variable aleatoria X, tiene distribucin Binomial con parmetros n y p

[escribe como X B(n,p)]. Entonces la probabilidad P de que se obtenga x xitos en n
ensayos, est dado por la funcin de probabilidad:

Individual: = = =
donde: x= 0, 1, 2, . . . n.
0<p<1 y q=1-p
Y su distribucin acumulada:

F = = =0

Media Varianza
= = = 2 =
Caractersticas de la Distribucin Binomial

Tres caractersticas para reconocer un experimento Binomial :

1. El experimento consiste en n ensayos de Bernoulli con dos resultados

posibles (o adecuados) xito y Fracaso
2. Cada ensayo son idnticos e independientes, por lo que la
probabilidad de xito p en invariante en cada ensayo.
4. La variable X denota, el nmero de xitos observado en los n
ensayos,
Ejemplo 1

Ejemplo 1. Supongamos el lanzamiento de 12 monedas ( o una moneada

lanzada 12 veces). Cul es la probabilidad de obtener?:
a) Exactamente 4 caras.
b) Exactamente 10 caras
c) Por lo menos 2 caras
d) Como mximo 9 caras
e) Mas de 10 caras y menos de 3 caras
f) Entre 2 y 5 caras respectivamente.
 Ejemplo 1:

Solucin mediante tabla:

Datos:
X: Numero de caras
obtenidos
n=12 y p=0.5 , q=0.5
a) p(X=4) = 0.1208
b) P(X=10) = 0.0161
c) P(X2) = 0.9969
d) P(X9) = 0.9808
e) P(X<3 o X>10)=
f) P(2 X 5)
Ejemplo 2

Ejemplo 2. Una institucin universitaria establece nuevos mtodos de

aprendizaje y de evaluacin, con el resultado donde el 85% de sus alumnos
aprueban todas las asignaturas. Supongamos que se seleccionan 8 estudiantes
de dicho plantel, Cul es la probabilidad de que:
a) Exactamente tres aprueben todas las asignaturas.
b) Exactamente tres pierdan algunas asignaturas
c) Por lo menos dos pierdan algunas asignaturas
d) A lo mas 4 pierdan algunas asignaturas
e) Entre 2 y 6 pierdan algunas asignaturas
f) Entre 2 y 5 inclusive pierdan algunas asignaturas
2. Distribucin Hipergeomtrica

El muestreo de una poblacin finita puede realizarse de una de dos formas.

Es posible seleccionar y examinar un objeto y luego devolverlo a la poblacin para

su posible reseleccin (muestreo con reemplazo); seleccionarlo, examinarlo y
mantenerlo, lo que impide su reseleccin en extracciones subsiguientes (muestreo
sin reemplazo).
La primera garantiza que las extracciones sean independiente (caso de la
distribucin Binomial).
En el muestreo sin reemplazo las extracciones no son independientes, y la variable
aleatoria X: numero de xitos en n intentos, sigue una Distribucin
Hipergeomtrica.
2. Distribucin Hipergeomtrica

Definicin: Una variable aleatoria X tiene distribucin Hipergeomtrica con

parmetros N, n y r, si su funcin de probabilidad esta dado por:
: sin
= = =

Donde: N: Numero elementos de la poblacin

n : Numero de elementos de la muestra
= ( = ) = r : elementos con el rasgo en la Poblacin
n-r: elementos con el rasgo en la muestra
X: nmero de elementos con el rasgo en la muestra
X= 0, 1, 2, r

Media Varianza

== V = ( )( )( )
1
Caractersticas de la Dist. Hipergeomtrica

1. El experimento consiste en extraer una N

muestra aleatoria de tamao n, sin
reemplazo ni consideracin de su orden N-r r
de un conjunto de N objetos.
2. De los N objetos, r posee el rasgo o
caracterstica que interesa, mientras
que los otros (N-r) objetos restantes no
muestreo sin
lo tienen. reemplazo
3. La variable aleatoria X es el nmero de n
objetos de la muestra que posee el
rasgo de inters. n-x x
Ejemplos

Ejemplo 1.
En la produccin de cierto artculo, se sabe que por cada 50
producidos, en 43 su terminado es excelente. Si se extrae una muestra
de 10 artculos. Cual es la probabilidad:
a) De que exactamente dos no sean calificados como excelentes.
b) Por lo menos dos no sean calificados como excelentes.
c) Diez sean calificados como excelentes.
Solucion
 Ejemplos

Ejemplo 2. Un colegio tiene a su disposicin para el transporte de sus estudiantes 10 buses. Por
informacin llegada a las directivas del plantel, se sabe que 4 no se encuentran en ptimas condiciones.
Si se selecciona una muestra de 5 buses, Cual es la probabilidad de que :
a) Dos de ellos no se encuentren en ptimas condiciones
b) Dos de ellos se encuentren en ptimas condiciones.
c) A lo mas dos no se encuentren en optimas condiciones
d) Menos de 8 se encuentren optimas condiciones
3. Distribucin de Poisson

Definicin.
Se dice que una variable aleatoria X tiene una distribucin de Poisson con
parmetros si su funcin de probabilidad esta dad por:

donde x= 0, 1, 2, . . .
= = =
! : Promedio de casos del evento por unidad

Funcin de distribucin acumulada la v.a. X: nmero de casos promedio por unidad

= = =0
!

Media y Varianza
E(x)= V(x)=
Ejemplos 1

La cantidad de errores de transmisin de datos en un sistema en una

hora es 5 en promedio. Suponiendo que la variable tiene una
distribucin de Poisson, determine la probabilidad que:
a) En cualquier hora ocurra solamente 1 error
b) En cualquier hora ocurran a lo ms 3 errores
c) En cualquier hora ocurran al menos 2 errores
d) En dos horas cualesquiera ocurran no ms de 3 errores
Ejemplos 2

Las lesiones laborales graves que ocurren en una planta siderrgica,

tienen una media anual de 2,7. Dado que las condiciones de seguridad
sern iguales en la planta durante el prximo ao, cul es la
probabilidad de que:
a) El nmero de lesiones graves sea menor que dos?.
b) En los prximos dos aos cual es la probabilidad de que el nmero
de lesiones laborales graves sea al menos dos?.
c) En los primeros 8 primeros meses del ao siguiente, el nmero de
lesiones graves sea igual a uno?.
Aproximacin de la Binomial a la Poisson

Cuando una variable aleatoria Binomial de parmetros n y p, presenta

valores muy extremos, entonces se puede pasar a la distribucin
Poisson e incluso a la distribucin Normal (que veremos mas
adelante).

Si X es Binomial B(n,p) con parmetros:

n es grande ( n ), y
p es pequeo ( p 0 )
Entonces :
Se puede aproximar a la Distribucin de Poisson con parmetro = np
Ejemplo de Aprox. Binomial a Poisson

Si se conoce que solo 3% de los estudiantes de un colegio son muy

inteligentes, calcular la probabilidad de que si tomamos 100
estudiantes al azar de dicho colegio.

a) 5 de ellos sean muy inteligentes

b) A lo mas 3 sean muy inteligentes
c) Entre 2 y 4 inclusive, sean muy inteligentes.
DISTRIBUCIONES CONTINUAS

Una variable aleatoria es continua si puede asumir cualquier valor

en uno o mas intervalos de nmeros reales y la probabilidad de que
asuma un valor especfico dado es 0.
4. Distribucin Normal

Uno de estos modelos probabilsticos que tiene que ver con variables
continuas es la distribucin Normal.
Esta se llama as por ser la ms frecuente en la naturaleza, esto es
porque muchas variables siguen esta distribucin de frecuencias.
La distribucin normal bsicamente dice que hay pocos valores
extremos y que la mayor frecuencia se encuentra en los valores
centrales.

Esto adems coincide con la media, la moda y la mediana.

4. Distribucin Normal

Definicin. La variable aleatoria X se distribucin como una

distribucin Normal con parmetros y y su funcin de densidad
esta dado por:
1 2
1 ( )
= 2 -<x<
2

f(x)
 4. Distribucin Normal Estandar

Definicin. Definicin. La variable aleatoria z se distribucin como

una distribucin Normal estndar parmetros =0 y = 1 y su
funcin de densidad es:
1
1 2()2 -<z<
=
2

Distribucin Normal Distribucin Normal Estandar

f(x) Estandarizacin
f(z)

=

x z
4. Distribucin Normal Estandar

Es importante conocer que a partir de cualquier variable X que siga una distribucin Normal
N(, ), se puede obtener otra variable Z con una distribucin estndar N(0,1), solamente
haciendo la estandarizacin (transformacin de la variable z=(x-)/)

Para poder utilizar la tabla d la distribucin Normal N(0,1), tenemos que

transformar la variable X que sigue una distribucin N(, ) en otra variable Z que
siga una distribucin N(0, 1).

Ejemplo: Hallara la probabilidad de:

1. P( z < 1.71) =
2. P( z > -2.3 ) =
3. P( -1.5 <z< 1.5)
Ejemplos
Ejemplos
EJERCICIOS
Ejercicios de Binomial
Ejercicios de Binomial
Ejercicios de Hipergeomtrica
Ejercicios de Distribucin de Poisson
Ejercicios de Distribucin de Poisson
Ejercicios de Distribucin de Poisson
Ejercicios de Distribucin Normal
Ejercicios de Distribucin Normal
Ejercicios de Distribucin Normal
GRACIAS