DISTRIBUCIONES DE

PROBABILIDAD
INTRODUCCION

Uno de los objetivos de la estadística es el conocimiento cuantitativo de una

determinada parcela de la realidad. Para ello, es necesario construir un modelo de esta
realidad particular objeto de estudio, partiendo de la premisa de que lo real es siempre
más complejo y multiforme que cualquier modelo que se pueda construir. De todas
formas, la formulación de modelos aceptados por las instituciones responsables y por
los usuarios, permite obviar la existencia del error o distancia entre la realidad y el
modelo.
DISTRIBUCIONES DISCRETAS

 DISTRIBUCIÓN BINOMIAL
En estadística, la distribución binomial es una distribución de probabilidad discreta
que cuenta el número de éxitos en una secuencia de n ensayos
de Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del
éxito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser
dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se denomina
éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p.

Y su función de probabilidad es:

𝑓(𝑥) = (𝑛𝑥)𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 0 ≤ 𝑝 ≤ 1

Propiedades de la distribución binomial.

 𝐸(𝑥) = 𝑛𝑝
 𝑉(𝑥) = 𝑛𝑝(1 − 𝑝)

Ejemplo
1) Supongamos que se lanza un dado 51 veces y queremos conocer la
probabilidad de el número 3 salga 20 veces. En este caso tenemos
1
una 𝐵~(51, 6) entonces la probabilidad seria 𝑝(𝑥) = 20.

Solución
Datos
𝑛 = 51
 𝑝 = 1/6
𝑞 = 1 − 1/6
P(x=20)=???
Entonces:
𝑝(𝑥 = 20) = (𝑛𝑥)𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
1
𝑝(𝑥 = 20) = (51
20
)( )20 (1 − 1/6)51−20
6

𝑝(𝑥 = 20) = 4.896959824𝑥10−16

 DISTRIBUCION GOMETRICA
La distribución geométrica es un modelo adecuado para aquellos procesos en lo que
se repiten pruebas hasta la consecución del éxito a resultado deseado y tiene
interesantes aplicaciones en los muestreos realizados de esta manera. También
implica la existencia de una dicotomía de posibles resultados y la independencia de
las pruebas entre sí.
Para un solo existo en único lugar:
𝑝(𝑥) = 𝑝𝑞 𝑥−1 ∀𝑥: 1,2,3 ….
X= n números de pruebas
 𝐸(𝑥) = 1/𝑝
 𝑉(𝑥) = 𝑞/𝑝2

Ejercicios
1) De un salón de clases el 60% de los alumnos son hombre, calcular la
probabilidad de extraer el 1er hombre a la cuarta ocasión que extraemos
un alumno.

Solución
𝑥=4
𝑝 = 0.60
𝑞 = 0.40
𝑝(𝑥 = 4) =? ?
𝑝(𝑥) = 𝑝𝑞 𝑥−1
𝑝(𝑥 = 4) = (0.60)(0.40)4−1
𝑝(𝑥 = 4) = 0.0384
 DISTRIBUCION DE PASCAL
Definamos una experiencia aleatoria cuyo resultado solo puede ser el suceso A o su
complementario 𝐴𝑐 , y que se repite secuencialmente hasta que aparase el suceso A
por primera vez.
Definamos la variable aleatoria X como el número de veces que repetimos la
experiencia en condiciones independientes hasta que se dé A por primera vez. Bajo
estas condiciones, decimos que la variable X sigue una distribución geométrica o de
pascal de parámetro 𝑝 = 𝑃(𝐴).
La función de densidad puede deducirse fácilmente de la definición:
𝑓(𝑘) = 𝑃[𝑋 = 𝑘] = (1 − 𝑝)𝑘 𝑝 𝑘 = 0, 1, 2, …
Propiedades del modelo geométrico o de pascal
Esperanza: 𝐸(𝑋) = (1 − 𝑝)/𝑝
Varianza:𝑉(𝑋) = (1 − 𝑝)/𝑝2
 DISTRIBUCION DE POISSON
Es una distribución de probabilidad discreta que expresa, a partir de una frecuencia
de ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto periodo de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos
raros.
La función de masa o probabilidad de la distribución de Poisson es:
𝑒 −𝜆 𝜆𝑘
𝑓(𝑘, 𝜆) =
𝑘!
Donde:
 K es el número de ocurrencias del evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente k veces).
 𝜆 es un parámetro positivo que representa el número de veces que se espera
que ocurra el fenómeno durante un intervalo dado. Por ejemplo, si el suceso
estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados
en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribución de Poisson con 𝜆 = 10 ∗ 4 = 40.
 𝑒 es la base de los logaritmos naturales (e=2,71828…)
EJEMPLOS
1) Si el 2% de los libros encuadernados en cierto taller tiene encuadernación
defectuosa, para obtener la probabilidad de que 5 de 400 libros
encuadernados en este taller tenga encuadernaciones defectuosas usamos
la distribución de Poisson. En este caso concreto, k es 5 y 𝜆, el valor
 esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto,
la probabilidad buscada es.
Solución:
𝑒 −𝜆 𝜆𝑘
𝑓(𝑘, 𝜆) =
𝑘!
𝑒 −8 85
𝑝(8,5) =
5!
= 0.09160
 DISTRIBUCION MULTINOMIAL

En teoría de probabilidad, la distribución multinomial es una generalización de

la binomial. La distribución binomial es la probabilidad de un número de éxitos en N
sucesos de Bernoulli independientes, con la misma probabilidad de éxito en cada
suceso. En una distribución multinomial, el análogo a la distribución de Bernoulli es
la distribución categórica, donde cada suceso concluye en únicamente un resultado
de un número finito K de los posibles, con probabilidades.

Función de probabilidad

𝑓(𝑥1 , … , 𝑥𝑘 ; 𝑛, 𝑝1 , … , 𝑝𝑘 = Pr(𝑋1 = 𝑥1 𝑦 … 𝑦𝑋𝑘 = 𝑥𝑘 )

𝑛!
𝑝1 𝑥1 … 𝑝𝑘 𝑥𝑘 , 𝑐𝑢𝑎𝑛𝑑𝑜 ∑𝑘𝑖=1 𝑥𝑖 = 𝑛
= {𝑥1 !…𝑥𝑘!
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Propiedades

𝐸(𝑥𝑖 ) = 𝑛𝑝𝑖

𝑉(𝑥𝑖 ) = 𝑛𝑝𝑖 (1 − 𝑝𝑖 ).

EJEMPLO

1) Según una nueva ley se plantea la donación de órganos de los cuales

existe una probabilidad de que el 15% estén en contra el 40% sean
indiferentes a la ley el 45% estén a favor, si se es trae una muestra
aleatoria de 20 sujetos. ¿Cuál es la probabilidad de que 5 estén en contra,
10 sean indiferentes y 5 estén a favor?
 Solución:
DATOS:
𝑥1 : En contra =0.15
𝑥2 : 𝑖𝑛𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒 = 0.40
𝑥3 : 𝑎 𝑓𝑎𝑣𝑜𝑟 = 0.45
𝑛!
𝑓(𝑥1 = 5, 𝑥2 = 10, 𝑥3 = 5) = 𝑥 𝑝1 𝑥1 … 𝑝𝑘 𝑥𝑘
1 !…𝑥𝑘 !

20!
= 5!10!5! 𝑥0.155 𝑥0.4010 𝑥0.455 = 0.41

DISTRIBUCIONES CONTINUAS
 DISTRIBUCION UNIFORME
La distribución uniforme es el modelo continuo más simple. Corresponde al caso de
una variable aleatoria que solo puede tomar valores comprendidos entre dos extremos
a y b, de manera que todos los intervalos de una misma longitud (dentro de (a, b))
tiene la misma probabilidad. También puede espesarse como el modelo probabilístico
correspondiente a tomar un número al azar dentro de un intervalo (a, b).
De la anterior definición se desprende que la función de densidad debe tomar el
mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir.
1
𝑠𝑖 𝑥𝜖(𝑎, 𝑏)
𝑓𝑥 (𝑥) = {𝑏 − 𝑎
0 𝑠𝑖 𝑥 ∉ (𝑎, 𝑏)
La función de distribución se obtiene integrando la función de densidad y viene dada
por:

0 𝑠𝑖 𝑥 ≤ 𝑎
𝑥−𝑎
𝐹𝑥 (𝑋) = 𝑃(𝑋 ≤ 𝑥) = { 𝑠𝑖𝑥𝜖(𝑎, 𝑏)
𝑏−𝑎
1 𝑠𝑖 𝑥 ≥ 𝑏

EJEMPLO

1. La cantidad total de gasolina bombeada en un mes es una variable aleatoria X (expresada

en diez miles de galones) con una función de densidad de probabilidad como se indica
abajo. Calcule la probabilidad de que la gasolinera bombee entre 8000 y 12000 galones
en un mes (0.8 < 𝑥 < 1.2 = "𝑝 = " >
Solución:
1
, 𝑠𝑖 𝑜 > 𝑥 < 3
𝑓(𝑥) = {3
0 , 𝑜𝑡𝑟𝑜 𝑙𝑢𝑔𝑎𝑟
 1
𝑓(𝑥) = { , 0>𝑥<3
3
Distribución uniforme (0, 3)
𝑝(0.8) Es la integral entre 0.8 y 1.3 de 𝑓(𝑥)
La integral indefinida es:
1
𝑓(𝑥) = {( )𝑥
3
Y la probabilidad es:
𝐹(1.2) − 𝐹(0.8)
1 1 0.8
( )1.2 − ( ) = 0.1333
3 3
 DISTRIBUCION EXPONENCIAL
En estadística la distribución exponencial es una distribución de probabilidad
continua con un parámetro 𝜆 > 0 cuya densidad es:
−𝜆𝑥
𝑓(𝑥) = 𝑃(𝑥) = { 𝜆𝑒 𝑝𝑎𝑟𝑎 𝑥 ≥ 0
𝑜 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Su función de distribución acumulada es:
0 𝑝𝑎𝑟𝑎 𝑥 < 0
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = {
1 − 𝑒 −𝜆𝑥 𝑝𝑎𝑟𝑎 𝑥 ≥ 0
Donde e representa el número.
El valor esperado y la varianza de una variable aleatoria X con distribución
exponencial son:
1 1
𝐸[𝑋] = 𝜆 , 𝑉(𝑋) = 𝜆2
EJEMPLO
1. El tiempo durante el cual las baterías para un teléfono celular trabajan en forma efectiva
hasta que fallar se distribuye según un modelo exponencial, con un tiempo promedio de
falla de 500 horas. Calcular la probabilidad de una batería funcione por más de 600 horas.
Solución:
X= tiempo que dura la batería hasta que falla, entonces como E(x)=500, entonces 𝜆=
1/500 con lo que E (1/500). Por tanto su función de distribución seria:
0 𝑠𝑖 𝑥 < 0
𝐹(𝑥) = {
1 − 𝑒 −𝑥/500 𝑠𝑖 𝑥 ≥ 0
𝑝(𝑥 > 600) = 1 − 𝑝(𝑥 ≤ 600)
𝑝(𝑥 > 600) = 1 − 𝐹(600)
600
𝑝(𝑥 > 600) = 1 − (1 − 𝑒 −500 ) =0.301
 DISTRIBUCION NORMAL
Se trata, sin duda de un modelo continuo en estadística, tanto su aplicación directa.
Veremos que muchas variables de interés general pueden describirse por dicho
modelo, como por sus propiedades, que han permitido el desarrollo de numerosas
técnicas de inferencia estadística. En realidad, el nombre de Normal proviene del
hecho de que un tiempo se creyó, por parte de médicos y biólogos, que todas las
variables naturales de interés seguían este modelo.

Su función de densidad viene por la fórmula:

1 (𝑥−𝑢)2
𝑓(𝑥) = 𝑒𝑠𝑝 {− } Donde −∞ < 𝑥 < +∞
√2𝜋𝜎 2𝜎 2

Que como vemos, depende de los parámetros u (que puede ser cualquier calor real) y
𝜎(que ha de ser positiva). Por esta razón, a partir de ahora indicaremos de forma
abreviada que una variable X sigue el modelo Normal así: 𝑋~𝑁(𝑢, 𝜎) Por ejemplo,
si nos referimos a una distribución normal con u=0 y 𝜎 = 1 lo abreviaremos 𝑁(0, 1)
a continuación presentaremos la gráfica de esta función de densidad (donde se puede
cambiar los parámetros):
 Como se puede ver, la función del modelo normal tiene forma de campana, la que
habitualmente se denomina campana de Gauss. De hecho, a este modelo, también se
le conoce con el nombre de distribución gaussiana.
Propiedades del modelo Normal
a. Su esperanza es u
b. Su varianza es 𝜎 2 y, por tanto, su desviación típica es 𝜎.
c. Es simétrica respecto a su media u, como se puede apreciarse en la
representación anterior.
d. Media, moda y mediana coinciden (u).

EJEMPLO
1. Si X es una variable aleatoria de una distribución 𝑁(𝑢, 𝜎), hallar: 𝑝(𝑢 −
3𝜎 ≤ 𝑥 ≤ 𝑢 + 3𝜎)
𝑥−𝑦
Solución: sabemos que 𝑧 = ; como 𝑥1 = 𝑢 − 3𝜎 y 𝑥2 = 𝑢 + 3𝜎 entonces la
𝜎

𝑝(𝑥1 ≤ 𝑥 ≤ 𝑥2 ) se define como:

(𝑢−3𝜎)−𝑢 (𝑢−3𝜎)−𝑢
𝑝(𝑢 − 3𝜎 ≤ 𝑥 ≤ 𝑢 + 3𝜎) = 𝑝( 𝜎
≤𝑧≤ 𝜎
)

= 𝑝(3 ≤ 𝑧 ≤ 3) = 𝑝(𝑧 ≤ 3) − 𝑝(𝑧 ≤ −3)

= 𝑝(𝑧 ≤ 3) − (1 − 𝑝(𝑧 ≤ 3))
= 𝑝(𝑧 ≤ 3) − 1 + 𝑝(𝑧 ≤ 3)
= 0.9986 − 1 + 0.9986 = 0.9972
Es decir, que aproximadamente el 99.72% de los valores de X están a más/menos de tres
desviaciones típicas de la media.

 APROXIMACION MEDIANTE LA DISTRIBUCION NORMAL BINOMIAL

 BINOMIAL

Cuando n es grande, el uso de la binomial es muy complicada por lo que la aproximación

usando la distribución normal es muy buena, esto se hace usando en factor de conversión
de una variable aleatoria discreta a una variable aleatoria continua; es decir, usando ± 0,5
pues, la expresión:
𝑥 ± 0,5 − 𝜇
𝑍=
𝜎
En otras palabras es una normal estandarizada

 HIPERGEOMETRICA
 Para la aproximación de la distribución normal mediante la distribución hipergeométrica

se usa la siguiente formula:

𝒙 ± 0.5 − 𝑛𝐴/𝑁
𝒁=
𝒏𝑨(𝑵 − 𝑨)(𝑵 − 𝑵)
√
𝑵. 𝑵. 𝑵(𝑵 − 𝟏)
 POISSON

La aproximación mediante la distribución normal por el método de Poisson

Se expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra

un determinado número de eventos durante cierto período de tiempo; y se determina

mediante la siguiente formula:

𝑿 ± 𝟎, 𝟓 − 
𝒁=
√
Donde:

Z: Es el valor límite de distribución

X: La variable

: Es el parámetro

EJEMPLOS

1. El número de accidentes en un tramo de 100km de una autopista, es una

V.A con distribución de Poisson con un promedio de 2 accidentes por

semana. ¿Cuál es la probabilidad de que hayan 100 o menos accidentes en

este tramo durante el próximo año?

Solución:

 = 52 ∗ 2 = 104

𝑝(𝑥 ≤ 100) = 𝑝(𝑧 ≤ 𝑍0 )

Donde:

100 + 0,5 − 104

𝑧0 = = −0,34
√104

𝑝(𝑧 ≤ −0,34) = 𝐹(−0,34) = 0,3669