Temas 6 y 7: MODELOS DE DISTRIBUCIONES DE PROBABILIDAD

Distribuciones de tipo discreto

Distribucin Binomial
Se dice que un experimento aleatorio es una prueba de Bernouilli si al realizarlo slo pueden ocurrir dos

( )

sucesos que llamamos xito (A) y fracaso (A) . Adems consideramos P( A) = p y P A = q = 1 p .

Se considera un experimento aleatorio que consiste en realizar, en las mismas condiciones (de forma
independiente), n pruebas de Bernouilli y se define la variable aleatoria X : Nmero de xitos obtenidos
al realizar las n pruebas.
Esta variable aleatoria se dice que sigue una distribucin binomial de parmetros n y p y se utiliza la
notacin X B(n, p )

Caractersticas de la distribucin de probabilidad

El soporte de la variable aleatoria X es: DX = {0, 1, 2,Ln}

n x n x
P( X = x ) = p q
x

La funcin de probabilidad es:

P( X = x ) = 0

x DX
x DX

Esta expresin se obtiene considerando que:

Si

x DX

x4
x4
x 4
x 4
647
8
8 647
64n7
8 64n7
8

P( X = x ) = P A, A, L A, A , A , L A U L U A , A , L A , A, A, L A =

Al ser los sucesos incompatibles, aplicamos la propiedad de la funcin de probabilidad y obtenemos

x4
x4
x 4
x 4
647
64n7
8
8 647
8 64n7
8

P( X = x ) = P A, A,L A, A , A , L A + L + P A , A ,L A , A, A,L A

Como los sucesos pertenecen a un experimento compuesto formado por n experimentos (Pruebas de
Bernouilli) fsicamente independientes, obtenemos

P ( X = x ) = p x q n x + L + p x q n x

Como el nmero de sucesos es el nmero de permutaciones de n elementos de los que x son iguales entre
s y los restantes tambin son iguales entre s, obtenemos
P( X = x ) = Pnx,n x p x q n x =

Adems se cumple que

n
n!
p x q n x = p x q n x
x!(n x )!
x

P( X = x ) = 1 , ya que

xDX

xD X

P(X = x ) =

x p

q n x = ( p + q )n = 1n = 1

x =0

La media de la distribucin es E ( X ) = np

La varianza de la distribucin es V ( X ) = npq

Ejercicio:
Un representante realiza cinco visitas cada da a los comercios de su ramo, y por su experiencia anterior sabe
que la probabilidad de que le hagan un pedido en cada visita es del 0,4. Obtener:
a) La distribucin del nmero de pedidos por da.
b) Las probabilidades para los diferentes nmeros de pedidos.
c) El nmero medio de pedidos por da.
d) La varianza.
e) La probabilidad de que el nmero de pedidos que realiza durante un da est comprendido entre 1 y
3.
f) La probabilidad de que por lo menos realice dos pedidos.
Ejercicio:
Consideramos una poblacin de N elementos de los que M presentan cierta caracterstica. Se elige una
muestra aleatoria con reemplazamiento de tamao n . Determina la distribucin de probabilidad de la
variable aleatoria X : Nmero de elementos en la muestra que presentan la caracterstica.

Distribucin Hipergeomtrica
Hemos visto que la distribucin apropiada para un experimento de seleccin con reemplazamiento es la
binomial y veremos ahora que la distribucin apropiada para experimentos de seleccin sin
reemplazamiento es la hipergeomtrica.
Consideramos una poblacin de N elementos de los que M presentan cierta caracterstica. Se elige una
muestra aleatoria sin reemplazamiento de tamao n .
Se define la variable aleatoria X : Nmero de elementos en la muestra que presentan la caracterstica.

Esta variable aleatoria se dice que sigue una distribucin hipergeomtrica de parmetros N , M y n y se
utiliza la notacin

X H (N , M ; n )

Caractersticas de la distribucin de probabilidad

El soporte de la variable aleatoria X es D X = { 0, 1, 2, L n } si M y N M son mayor o igual a n
Si M N M son menores que n algunos de los elementos de DX pueden tener probabilidad 0. Como
ejemplo podemos considerar una poblacin de 10 elementos de los que 3 presentan la caracterstica, si se
elige una muestra sin reemplazamiento de tamao 4 entonces D X = { 0, 1, 2, 3 }

M N M

P( X = x ) = x n x x D
X
La funcin de probabilidad es:
N

P( X = x ) = 0
x DX

Para obtener esta expresin determinamos en primer lugar el nmero de sucesos elementales del espacio
muestral.
Cada suceso elemental es una de las posibles muestras sin reemplazamiento de tamao n que se pueden
formar con los N elementos de la poblacin. Por tanto el nmero de sucesos elementales es el nmero de
combinaciones de N elementos de orden n .
Como las muestras se eligen al azar se puede aceptar el postulado de indiferencia y para calcular la
probabilidad de que en la muestra haya x elementos que presenten la caracterstica y n x elementos que
no la presentan, debemos determinar el nmero de sucesos elementales o muestras que cumplen esta
condicin.
El nmero de grupos de x elementos que se pueden formar con los M elementos que presentan la
caracterstica es el nmero de combinaciones de M elementos de orden x .
El nmero de grupos de n x elementos que se pueden formar con los N M elementos que no presentan
la caracterstica es el nmero de combinaciones de N M elementos de orden n x .
Por lo tanto el nmero de sucesos elementales o muestras que tienen x elementos que presentan la
caracterstica y n x que no la presentan es el producto de los dos nmeros de grupos anteriores, y
obtenemos
M N M

x n x

P( X = x ) =
N

n
Adems se cumple que

si x D X

P( X = x ) = 1

xDX

La media de la distribucin es E ( X ) = n

La varianza de la distribucin es V ( X ) = n

M
N

M N M N n

N
N
N 1

Ejercicio:
Un concesionario de cierta marca de frigorficos ecolgicos dispone de 8 unidades para la venta. De ellos 4
son del modelo A y los restantes del modelo B. Se pide:
a) Si se venden 4 frigorficos de entre los disponibles, obtener la probabilidad de que 2 sean del modelo
A y 2 del modelo B.
b) Si se venden 3 unidades, obtener la probabilidad de que 2 sean del modelo A y 1 del modelo B.
Ejercicio:
Una urna contiene 20 bolas de las cuales 12 son rojas y 8 son blancas. Se extraen 3 bolas de la urna y se
considera la variable aleatoria X que representa el nmero de bolas rojas extradas. Calcula la distribucin
de X , su media y varianza si:
a) Las tres bolas se extraen una a una con reemplazamiento.
b) Las tres bolas se extraen una a una sin reemplazamiento.

Distribucin de Poisson
La distribucin de Poisson es apropiada para variables aleatorias X que representan el nmero de
ocurrencias de un suceso durante un periodo de tiempo fijo o en una regin fija del espacio.
Se puede demostrar que si el proceso fsico que genera la ocurrencia de estos sucesos satisface tres
condiciones matemticas, entonces la distribucin de la variable aleatoria X debe ser una distribucin de
Poisson. Las tres condiciones son:
1. El nmero de ocurrencias del suceso en dos intervalos cualesquiera de tiempo (o en dos regiones del
espacio) disjuntos deben ser independientes.
2. La probabilidad de que ocurra un suceso en un intervalo de tiempo (o en una regin del espacio)
debe ser proporcional a la longitud del intervalo (o al rea o volumen de la regin)
3. La probabilidad de que ocurran dos o ms sucesos en un intervalo de tiempo muy pequeo (o en
una regin del espacio) es tan pequea que puede despreciarse.
Esta variable aleatoria X se dice que sigue una distribucin de Poisson de parmetro ( > 0) y se utiliza la
notacin X P( )

Caractersticas de la distribucin de probabilidad

El soporte de la variable aleatoria X es D X = { 0, 1, 2, L

La funcin de probabilidad es: P( X = x) = e x!

0

Se puede comprobar que

P( X = x) = 1 , ya que P( X = x ) = e

xDX

xDX

x=0

x = 0,1, 2, K
en otro caso

x
x
= e
= e e = 1
!
x!
x
x=0

La media es E ( X ) =

La varianza es V ( X ) =
En general, la distribucin de Poisson es el modelo probabilstico de mayor utilidad para el anlisis de las
lneas de espera o colas.
Ejercicio:
Se sabe que el nmero de llamadas telefnicas recibidas por minuto en una centralita se distribuye segn un
v.a. de Poisson con un promedio de 1,8 llamadas. Calcula la probabilidad de que en un minuto se reciban:
a) Dos llamadas.
b) Al menos dos llamadas.
c) Ms de dos llamadas.
Cul es la probabilidad de que en cinco minutos no se reciba ninguna llamada?

Distribuciones de tipo continuo

Distribucin Uniforme
Una variable aleatoria X se dice que sigue una distribucin uniforme en el intervalo [a, b] y se utiliza la
notacin X U [a, b] , si su funcin de densidad es:

f (x)

f ( x) =

1
ba

a x b; f ( x) = 0 en otro caso

1/(b-a)

Caractersticas de la distribucin de probabilidad

F (x ) = 0

La funcin de distribucin es:

Esta

expresin
x

F ( x) =

se

f (t)dt

obtiene

si

x < a; F ( x) =

consideramos

que

xa
a x b; F ( x ) = 1 x > b
ba
la

funcin

de

distribucin

se

define

x , por lo tanto

Si x < a F ( x ) =

f (t )dt =

Si a x b F ( x ) =
Si x > b F ( x ) =

0 dt = 0

f (t )dt =

f (t )dt =

1
1
1
[t ] ax = x a
dt =
dt =

ba
ba
ba
ba
a

1
1
1
[t ]ba = b a = 1
dt =
dt =

ba
ba
ba
ba
a

La media es E ( X ) =

b+a
2

Este resultado se obtiene considerando que

1
1 x2
b 2 a 2 (b a )(b + a ) b + a
E ( X ) = x f (x ) dx = x
dx =
=
=
=
ba
b a 2 a 2(b a )
2(b a )
2

La varianza es V ( X ) =

(b a )2
12

( )

Este resultado se obtiene considerando que V ( X ) = E X 2 (E ( X ))2

( )

(b + ab + a )(b a) = b
=
EX

1
1
1 x3
b3 a 3
= x f (x ) dx = x
dx =
x 2 dx =
=
=
ba
ba a
b a 3 a 3(b a )

a
b

3(b a )

( )

V ( X ) = E X 2 (E ( X )) =
2

+ ab + a 2
3

2
4 b 2 + ab + a 2 3(b + a )2 (b a )2
b 2 + ab + a 2 (b + a )

=
=
3
4
12
12

Propiedad: Si [a1 ,b1 ] y [a2 ,b2 ] son dos intervalos de la misma longitud (l) incluidos en el intervalo

[a, b] entonces P{a1 X b1} = P{a2 X b2 }

b1

a1

a1

1
1 1
1
dx =
dx =
[x]ba11 = b1 a1 = l
Esta propiedad es cierta ya que P{a1 X b1} =

ba
ba
ba
ba
ba
Esta propiedad permite considerar la distribucin uniforme como un modelo adecuado para variables
aleatorias que pueden tomar todos los valores de un intervalo de nmeros reales y se puede admitir el
postulado de indiferencia sobre los valores que toma la variable

Ejercicio:
De la parada del autobs que recorre la lnea Centro Ciudad-Universidad sale un autobs cada 15 minutos.
Un viajero llega de improviso en cualquier momento. Obtener:
a) La funcin de distribucin de la variable aleatoria tiempo de espera hasta que salga el prximo
autobs.
b) Probabilidad de que el viajero espere menos de 5 minutos.
c) La media y varianza de la variable aleatoria tiempo de espera.
d) Probabilidad de que el viajero espere exactamente 10 minutos.

Distribucin Exponencial
Una variable aleatoria X se dice que sigue una distribucin exponencial de parmetro ( > 0 ) y se utiliza
la notacin X Exp( ) , si su funcin de densidad es:

f ( x) = e x

x > 0;

f ( x) = 0

x0

4,5
4
3,5
3
2,5
2
1,5
1
0,5
0

Funcin de densidad de distribuciones exponenciales

Exp (1,5)
Exp (0,5)
Exp (4)

0 1 2 3 4 5 6 7 8 9

Caractersticas de la distribucin de probabilidad

F (x ) = 0

La funcin de distribucin es:

x0

F ( x) = 1 e x

x>0

Esta expresin se obtiene si consideramos que la funcin de distribucin se define

x
F ( x) = f (t)dt x , por lo tanto

x
x
Si x 0

Si x > 0

F ( x) =

F ( x) =

f (t)dt = 0dt = 0

f (t)dt = e

t dt = e t x = e x ( 1) = 1 e x
0

La media es E ( X ) =

La varianza es V ( X ) =

1
2

Propiedad: Si X Exp( ) y a,b son dos nmeros reales positivos entonces

P{X a + b X a} = P{X b}

Este resultado se obtiene si consideramos que

P{X a + b X a} =

P[{X a + b} I {X a}] P{X a + b} 1 P{X < a + b}

=
=
P{X a}
P{X a}
1 P{X < a}

Como la variable aleatoria X es continua

P{X < a} = P{X a} = F (a ) = 1 e a
P{X < a + b} = P{X a + b} = F (a + b ) = 1 e (a +b )
entonces P{X a + b X a} =

1 P{X < a + b} 1 1 e (a + b ) e (a + b )
=
=
= e b

a
1 P{X < a}
1 1e
e

Calculamos P{X b} = 1 P{X < b} = 1 F (b ) = 1 1 e b = e b

Por lo tanto se cumple

P{X a + b X a} = P{X b}

Nota: Se utiliza la distribucin exponencial como modelo para variables aleatorias que miden la duracin o
tiempo de vida de diversos productos.
Ejercicio:
La vida de las plantas de una determinada especie en un cierto entorno, tiene una duracin en das, X , que
sigue una distribucin exponencial de media 120 das. Se pide:
a) Cul es la funcin de distribucin de X ?
b) Qu proporcin de plantas mueren en los primeros 100 das?
c) Si una planta ha vivido 100 das, cul es la probabilidad de que viva otros 100 das ms?

Distribucin Normal
Fue considerada por De Moivre en 1753, pero fueron Laplace y Gauss quienes la introdujeron en el siglo XIX
en relacin con la teora de los errores accidentales en las medidas fsicas. Es la distribucin ms importante
porque:
1. Muchas de las variables que aparecen relacionadas con experimentos de azar estn distribuidas
normalmente.
2. Otras muchas variables estn distribuidas normalmente en forma aproximada.
3. A veces variables que no estn distribuidas normalmente se pueden convertir mediante
transformaciones sencillas en variables distribuidas normalmente.

Distribucin Normal (0,1)

Una variable aleatoria X se dice que sigue una distribucin normal de parmetros (0, 1) y se utiliza la
notacin X N (0 ,1) , si su funcin de densidad es:

f (x ) =

1 x2 2
e
2

< x <

Caractersticas de la distribucin de probabilidad

Esta distribucin es simtrica respecto a x = 0 ya que f ( x ) = f ( x )

La media es E ( X ) = 0

La varianza es V ( X ) = 1

Distribucin Normal (, )
Una variable aleatoria X se dice que sigue una distribucin normal de parmetros (, ) , siendo un
nmero real y un nmero real positivo, y se utiliza la notacin X N (, ) si la variable aleatoria

Z=

X
sigue una distribucin Normal (0, 1)

Caractersticas de la distribucin de probabilidad

La media es E( X ) =

Este resultado se obtiene considerando que si Z =

X
entonces X = Z +

Como E (Z ) = 0 entonces existe E( X ) y su valor es E( X ) = E(Z ) + =

10

La varianza es V ( X ) = 2

Este resultado se obtiene considerando que si Z =

X
entonces X = Z +

Como V (Z ) = 1 entonces existe V ( X ) y su valor es V ( X ) = 2 V (Z ) = 2

La funcin de densidad es:

f ( x) =

2
2
1
e( x ) 2
2

< x <

Esta expresin se puede obtener si determinamos la funcin de distribucin de X a partir de la funcin de

distribucin de Z y despus derivamos la funcin de distribucin de X para determinar la funcin de
densidad.
Esta distribucin es simtrica respecto a x = ya que f ( x ) = f ( + x )

P{ 3 X + 3 } = 0,9974 si X N (, )

0,4
0,35
0,3
0,25
0,2

N(0,1)

0,15

N(0,2)

0,1
0,05
0
-8,0 -7,0 -6,0 -5,0 -4,0 -3,0 -2,0 -1,0 0,0

1,0

2,0

3,0

4,0

5,0

6,0

7,0

8,0

Si X N (, ) y se considera la variable aleatoria Y = a X + b siendo a y b nmeros reales entonces

Y N (a + b , a )

11

Ejercicio:
La nota media de las pruebas de acceso correspondientes a los estudiantes que queran ingresar a una
facultad era 5,8 y la desviacin tpica 1,75. Fueron admitidos los de nota superior a 6.
a) Cul fue el porcentaje de admitidos si la distribucin es normal?
b) Con qu probabilidad exactamente cuatro de diez estudiantes son admitidos?
Ejercicio:
Supongamos que la demanda semanal de un artculo sigue una distribucin normal de media 100 y
desviacin tpica 20. Qu existencias deben de tener al principio de la semana para poder satisfacer la
demanda con una probabilidad de 0,95?

12