Estadstica

Prof.: Aldo Vergara C.

Captulo 4.- Distribuciones de Probabilidades importantes.

4.1.

Distribuciones Discretas.

Los conceptos bsicos de probabilidades nos permitieron definir el concepto de variables

aleatorias y distribuciones de probabilidad as como para desarrollar sus propiedades
generales. Analizaremos en este captulo con detalle algunas distribuciones especficas de
probabilidad que han demostrado ser modelos tiles para diversos problemas prcticos. Se
examinarn varias distribuciones tanto discretas como continuas. En cada caso, se detallarn las
caractersticas distintivas de las distribuciones particulares y se deducirn sus medias varianzas,
factores de forma, y otras medidas descriptivas numricas. Se usarn las letras n y k para
referirse a los parmetros de conteo, p para la proporcin, para la rapidez, para la
localizacin, y para la escala, y y para la forma. Un parmetro de rapidez ()
representa la rapidez en que ocurre un evento aleatorio en el tiempo o en el espacio. Un
parmetro de localizacin () relaciona la funcin de densidad de probabilidad con el origen de
la escala de medicin, localizndola sobre el eje de las x sin tener algn efecto sobre su
apariencia. Un parmetro de escala influye sobre la dispersin de una variable aleatoria, y de
esta forma afecta la apariencia de la funcin de probabilidad. Un parmetro de forma afecta la
forma de la funcin de probabilidad en diverso grado, dependiendo del modelo particular.
Analizaremos en detalle cuatro familias de distribuciones de probabilidad discreta:
Distribuciones binomial, multinomial, Poisson, hipergeomtrica, binomial negativa y la
distribucin geomtrica.

4.1.1. La distribucin binomial.

Es una de las distribuciones discretas de ms utilidad. Sus reas de aplicacin incluyen
inspeccin de calidad, ventas, mercadotecnia, medicina, y otras. Est basada en un experimento
en el que el resultado es la ocurrencia (xito) o la no ocurrencia (fracaso) de un evento.
Sea p la probabilidad de xito cada vez que el experimento se lleva a cabo, y 1 p la
probabilidad de fracaso. Suponga adems que el experimento se realiza n veces, y cada uno de
stos es independiente de los otros, y sea X la variable aleatoria que representa el nmero de
xitos en n ensayos. El inters esta en determinar la probabilidad de obtener exactamente X =
x xitos durante los n ensayos. Los dos supuestos claves para la distribucin binomial son:

La probabilidad de xito p permanece constante para cada ensayo.

Los n ensayos son independientes entre s.
Sea X variable aleatoria que representa el nmero de xitos en n ensayos y p la
probabilidad de xito. Se dice que X distribuye binomial con funcin de
probabilidad:
p(x; n, p) =

n
x

p x (1 p) n x

x = 0, 1, 2, ....

E[X]=np, V[X]=np(1-p)

Estadstica

Prof.: Aldo Vergara C.

Los parmetros de la distribucin binomial son n y p, estos definen una familia de

distribuciones binomiales, en donde cada miembro tiene la funcin de probabilidad antes
indicada. Veamos algunas grficas de esta distribucin:
0.4

0.4

n = 5, p = 0.2

0.3

0.4

n = 5, p = 0.5

0.3

0.3

0.2

0.2

0.2

0.1

0.1

0.1

n = 5, p = 0.8

El nombre distribucin binomial proviene del hecho de que los valores de p(x; n,p) para x =
0,1,2.., son los trminos sucesivos de la expansin binomial de [(1 p) + p] n
La probabilidad de que una variable aleatoria X sea menor o igual a un valor especfico x se
determina por la funcin de distribucin acumulativa:
x

P(X x) = F(x; n, p) =

i=0

n
i
n-i
i p (1 p)

La distribucin binomial se ha tabulado para distintos valores de n y p; y esto permite obtener

las probabilidades individuales para distintos valores.
Debemos notar que si n = 1, la funcin de probabilidad binomial se reduce a:
p(x; p) =

p x (1 p) n-x

x = 0, 1

que es la funcin de distribucin de Bernoulli.

Ejemplo 1: Todos los das se seleccionan, de manera aleatoria, 15 unidades de un proceso de

manufactura con el propsito de verificar el porcentaje de unidades defectuosas en la
produccin. Con base en la informacin pasada, la probabilidad de tener una unidad defectuosa
es de 0.05. la gerencia ha decidido detener la produccin cada vez que una muestra de 15
unidades tenga dos o ms defectuosas. cul es la probabilidad de que, en cualquier da la
produccin se detenga?.
Sol. si el modelo apropiado para este problema es la distribucin binomial, debemos suponer
que las 15 unidades que se seleccionan diariamente, constituyen un conjunto de ensayos
independientes de manera que la probabilidad de tener una unidad defectuosa es 0.05 entre
ensayos. Si consideramos X el numero de unidades defectuosas que se encuentran entre las 15,
con n = 15 y p = 0.05, la probabilidad de la produccin se detenga es igual a la probabilidad de
que X sea igual o mayor que dos.

P(X 2) = 1 P(X 1) = 1 F(1; 15,0,.05) = 1 0.8290 = 0.171

Estadstica

Prof.: Aldo Vergara C.

Ejemplo 2: Supngase que para personas determinada edad, la probabilidad de que mueran
por una enfermedad transmisible es 0.01. cuntas personas de este grupo pueden exponerse a
la enfermedad de manera que la probabilidad de que no ms de una persona muera sea por lo
menos 0.95?.
El resultado se obtiene al resolver la ecuacin
(0.999)n-1 (0.999 + 0.001 n) = 0.95
que se resuelve de manera explicita, sino mediante el empleo de tcnicas iterativas. (n = 356).

Ejemplo 3: Un club nacional de automovilistas comienza una campaa telefnica con el

propsito de aumentar el nmero de miembros. Con base en experiencia previa, se sabe que
una de cada 20 personas que reciben la llamada se unen al club. Si en un da 25 personas
reciben la llamada telefnica, cul es la probabilidad de que por lo menos dos de ellas se
inscriban en el club? cul es el nmero esperado?.

Estadstica

Prof.: Aldo Vergara C.

4.1.2. La distribucin de Poisson.

Es otra distribucin de probabilidad discreta muy til en que la variable aleatoria representa el
nmero de eventos independientes que ocurren a una velocidad constante. Algunos ejemplos
tpicos son el nmero de personas que llegan a una tienda de autoservicio en un tiempo
determinado, el nmero de defectos en piezas similares para el material, el nmero de bacterias
en un cultivo, el numero de solicitudes de seguro procesadas por una compaa, etc. La
distribucin de Poisson es el principal modelo de probabilidad empleado para analizar
problemas de lneas de espera.
Sea X una variable aleatoria que representa el nmero de eventos aleatorios
independientes que ocurren a una rapidez constante sobre el tiempo o el espacio. Se
dice entonces que la variable X tiene una distribucin de Poisson con funcin de
probabilidad:
p(x;) =
E[X] = ,

e - x
x!

x = 0, 1, 2, ...., > 0

V[X] =

El parmetro de la distribucin de Poisson es , es el nmero promedio de ocurrencias del

evento aleatorio por unidad de tiempo. Para valores mayores que cero, define una familia de
distribuciones con una funcin de probabilidad determinada por la funcin anterior. Veamos
algunas grficas de esta distribucin:
0.4

0.4

=1

0.4

=2

0.3

0.3

0.2

0.2

0.2

0.1

0.1

0.1

4 5

4 5

=4

0.3

0 1

7 8

Ejemplo 4: despus de una prueba de laboratorio muy rigurosa con cierto componente
elctrico, el fabricante determina que en promedio, solo fallarn dos componentes antes de
tener 1.000 horas de operacin. Un comprador observa que son cinco los que fallan antes de las
1.000 horas. Si el nmero de componentes que fallan es una variable aleatoria de Poisson,
existe suficiente evidencia para dudar de la conclusin del fabricante?.
La distribucin Poisson tambin es una forma lmite de la distribucin binomial cuando n
y p 0 de manera que no permanece constante. Este resultado se obtiene mediante el siguiente
teorema (formulado por Poisson):

Estadstica

Prof.: Aldo Vergara C.

Teorema. Sea X una variable aleatoria con distribucin binomial y funcin de

probabilidad:
p(x; n, p) =

n
x

p x (1 p) n x

x = 0, 1, 2, ....n

si para n = 1, 2, ... la relacin p = /n es cierta para alguna constante > 0,

entonces:
e- x
lim p(x; n, p) =
, x = 0, 1, 2, ..
x!
n
p0

Tabla Comparacin valores de las probabilidades binomial y Poisson

X
0
1
2
3
4
5

p(x; 10, 0.2)

0.1074
0.2684
0.3020
0.2013
0.0881
0.0264

Binomial p(x; n, p)
p(x; 20, 0.1) p(x; 40, 0.05) p(x; 100, 0.02)
0.1216
0.1285
0.1326
0.2702
0.2706
0.2707
0.2852
0.2777
0.2734
0.1901
0.1851
0.1823
0.0898
0.0901
0.0902
0.0319
0.0342
0.0353

Poisson p(x;)
p(x; 2)
0.1353
0.2707
0.2707
0.1804
0.0902
0.0361

Ejemplo 5: Un comprador de grandes cantidades de circuitos electrnicos ha adoptado un

plan para aceptar un envi de estos y que consiste en inspeccionar una muestra aleatoria de
100 circuitos provenientes del lote. Si el comprador encuentra no ms de dos circuitos
defectuosos en la muestra, acepta el lote; de otra forma, lo rechaza. Si se enva un lote que
contiene 1% de defectuosos, cul es la probabilidad de que ste sea aceptado?.

Estadstica

Prof.: Aldo Vergara C.

4.1.3. La distribucin Hipergeomtrica.

Supongamos que tenemos un lote relativamente pequeo que consiste en N artculos, de los
cuales k tienen defectos. Si se extraen dos de ellos en forma sucesiva, entonces el resultado de
la segunda extraccin depende en gran medida de lo que haya sucedido en la primera, siempre
que el primer objeto extrado no se regrese al lote. Estamos frente a un caso de pruebas o
ensayos dependientes.
Sea N el nmero de artculos en una poblacin finita, de los cuales k son de un tipo (que
llamaremos xito) y N k son de otro tipo (fracaso). Si se selecciona una muestra
aleatoria de n artculos y no se regresa ninguno de los tomados como muestra (esto se
llama muestreo sin reemplazo). La probabilidad de que x sean de un tipo y (n x) sean
del otro tipo, esta dada por la funcin de probabilidad hipergeomtrica:

p(x; N, n, k) =

E[ X ] = n

k
,
N

k
x

Nk
nx

N
n
k N n
k
V [ X ] = n 1

N N N 1

x = 0, 1, 2, ...., n ;
x k, n x N k;
N, n, k , enteros positivos

Los parmetros de la distribucin hipergeomtrica son N, n y k. Estos definen una familia de

distribuciones con funcin de probabilidad antes descrita.

Ejemplo 6: supngase que se tienen 50 representantes de una colectividad poltica, de los

cuales 30 apoyan al candidato A y 20 al candidato B. Se seleccionan aleatoriamente 5 personas,
cul es la probabilidad de que, entre estos 5, por lo menos dos apoyen al candidato A?.
Ejemplo 7: considrese un fabricante de automviles que compra los motores a una
compaa donde se fabrican bajo estrictas especificaciones. El fabricante recibe un lote de 40
motores. Su plan para aceptar el lote consiste en seleccionar ocho, de manera aleatoria, y
someterlos a prueba. Si encuentra que ninguno de los motores presenta serios defectos, el
fabricante acepta el lote; de otra manera lo rechaza. Si lote contiene dos motores con serios
defectos, cul es la probabilidad de que sea aceptado?.
La distribucin Hipergeomtrica tiende a la binomial cuando n/N 0 y N d
lim pH (x; N, n, p) = pB(x; n, p)
N

Ejemplo 8: un fabricante asegura que solo el 1% de su produccin total se encuentra

defectuosa. Supngase que se ordenan 1000 artculos y se seleccionan 25 al azar para
inspeccionarlos. Si el fabricante se encuentra en los correcto, cul es la probabilidad de
observar dos o ms artculos defectuosos en la muestra?.

Estadstica

Prof.: Aldo Vergara C.

4.1.4. Distribucin Binomial negativa.

Consideremos una situacin de procesos con las mismas condiciones de una binomial, una
secuencia de ensayos independientes con probabilidad de xito en cada ensayo constante e
igual a p. En lugar de fijar el nmero de ensayos en n y observar el nmero de xitos,
supngase que se continan los ensayos hasta que hayan ocurrido exactamente k xitos.
Sea X, el nmero de ensayos independientes necesarios para obtener de manera exacta, k
xitos en un experimento binomial en donde la probabilidad de xito en cada ensayo es p.
Se dice entonces que X es una variable binomial negativa con funcin de probabilidad:
x = k, k+1, k+ 2, ...
x1
k
x-k
p(x; k, p) =
p
(1

p)
k1
0 p 1
k
k (1 p)
E[ X ] = ,
V[X ] =
p
p2

La distribucin se llama binomial negativa porque las probabilidades corresponden a los

trminos sucesivos de la expansin binomial de :
-k
1
1p
Los parmetros de la distribucin son n y k.
p
p
Si k no es entero, sta recibe el nombre de distribucin de Pascal, y esta distribucin se
interpreta como el tiempo que hay que esperar para que ocurra el k-simo xito. La funcin de
probabilidad incorporando la funcin , adopta la siguiente forma:
p(x; k, p) =

(k + x)
x!(k)

x= 0, 1, 2,..... k > 0 , 0 p 1

Por otro lado, si k = 1 surge un caso especial de la distribucin binomial negativa, que se
conoce como distribucin geomtrica y cuya funcin de probabilidad est dada por:
p(x; p) = p(1 p)x ,

x = 0, 1, 2, .... 0 p 1

La variable aleatoria geomtrica representa el nmero de fallas que ocurren antes de que se
presente el primer xito. La aplicacin primaria de la distribucin binomial negativa es una
alternativa para el modelo de Poisson cuado la frecuencia de ocurrencia no es constante sobre
el tiempo o el espacio. Tambin se emplea de manera frecuente para modelar las estadsticas
de accidentes, datos psicolgicos, compras del consumidor y otras situaciones similares en
donde la frecuencia de ocurrencia entre grupos o individuos no se espera que sea la misma

Estadstica

4.2.

Prof.: Aldo Vergara C.

Distribuciones Continuas.

Estas distribuciones se emplean en el estudio de fenmenos aleatorios en disciplinas como la

ingeniera y las ciencias aplicadas, en los negocios y en la economa. Al igual que en el caso
discreto, analizaremos los modelos de probabilidad ms importantes: uniforme, exponencial,
gamma, chi-cuadrado, normal, etc.

4.2.1. La distribucin uniforme.

Supngase que ocurre un evento en que una variable aleatoria toma valores de un intervalo
finito, de manera que stos se encuentran distribuidos igualmente sobre el intervalo. Esto es,
la probabilidad de que la variable aleatoria tome un valor en cada subintervalo de igual
longitud es la misma.
Una variable aleatoria X tiene una distribucin uniforme sobre el intervalo [a, b],
si su funcin de densidad de probabilidad est dada por:
1
a x b
ba
f(x; a, b) =
0
todo otro lugar

En la grfica siguiente se muestra la funcin de densidad de probabilidad uniforme, que

tambin se conoce como distribucin rectangular:
f(x)

1
ba

El caso especial cuando a = 0 y b = 1, se conoce como distribucin uniforme en [0, 1], que
tiene como funcin de densidad de probabilidad f(x; 0, 1) = 1, 0 x 1. Esta distribucin
juega un papel importante en la simulacin de los valores de una variable aleatoria con una
distribucin especfica.
Ejemplo 9: Cuando deja de funcionar una tarjeta de circuito integrado, un sistema de cmputo
se detiene hasta que se entregue una tarjeta nueva. El tiempo de entrega X est uniformemente
distribuido en el intervalo de uno a cinco das. El costo C de esa falla y la parada comprende un

Estadstica

Prof.: Aldo Vergara C.

costo fijo c0 de la reparacin y un costo c1 que aumenta en forma proporcional a X2, de modo
que
C = c0 + c1 X 2
a) Calcular la probabilidad de que el tiempo de entrega sea de dos a cinco das o ms.
b) Calcular el costo esperado de una determinada falla del componente en trminos de c0 y c1.

4.2.2. La distribucin gamma.

Supngase que una pieza metlica se encuentra sometida a cierta fuerza, de manera que se
romper despus de aplicar una cantidad especfica de ciclos de fuerza. Si los ciclos ocurren de
manera independiente y a una frecuencia promedio, entonces el tiempo que debe transcurrir
antes de que el material se rompa es una variable aleatoria que cumple con la distribucin
gamma.
Una variable aleatoria X tiene una distribucin gamma si su funcin de densidad
de probabilidad est dada por:
x

1
x 1 e

( )

x > 0, , > 0

f(x; , ) =
0

todo otro lugar

Esta distribucin presenta varios perfiles dependiendo del valor del parmetro .

=1
=1

=2
=1

=2
=2

Esta distribucin se emplea de manera extensa en una gran diversidad de reas; por ejemplo,
para representar el tiempo aleatorio de falla de cada un sistema que falla solo si de manera
exacta los componentes fallan y la falla de cada componente ocurre a una frecuencia constante
= 1/ por unidad de tiempo. Tambin se emplea en problemas de lneas de espera para

Estadstica

Prof.: Aldo Vergara C.

representar el intervalo total para completar una reparacin si esta se lleva a cabo en
subestaciones; completar la reparacin en cada subestacin es un evento independiente que
ocurre a una frecuencia constante igual a = 1/. Para valores grandes de , la distribucin
gamma puede aproximarse, en algn grado, por una distribucin normal, Z = X

Ejemplo 10: supngase que cierta pieza metlica se romper despus de sufrir dos ciclos de
esfuerzo. Si estos ciclos ocurren de manera independiente a una frecuencia promedio de dos
por cada 100 horas, obtener la probabilidad de que el intervalo de tiempo se encuentre hasta
que ocurre el segundo ciclo: a) dentro de una desviacin estndar del tiempo promedio, y b) a
ms de dos desviaciones estndar por encima de la media.
Ejemplo 11: Supngase que el intervalo de tiempo Y necesario para efectuar una
comprobacin peridica de mantenimiento, de acuerdo a la experiencia, en un dictfono, sigue
una distribucin tipo gamma con = 3 y = 2 (minutos). Supngase tambin que un mecnico
nuevo necesita 20 minutos para revisar un dictfono. No concuerda este tiempo de
comprobacin de mantenimiento con la experiencia anterior?.
Cuando es un entero > 0, la distribucin gamma se conoce como distribucin de Erlang.
Existe una asociacin entre los modelos de probabilidad de Poisson y Erlang. Si el nmero de
eventos aleatorios independientes que ocurren en un lapso especifico es una variable Poisson
con una frecuencia constante de ocurrencia igual a 1/ , entonces para una variable , el tiempo
de espera hasta que ocurre el -simo evento de Poisson tiene una distribucin Erlang.
Cuando el parmetro de forma es igual a uno, la distribucin de Erlang (gamma) se reduce a
lo que se conoce como la distribucin exponencial negativa. Esta distribucin se usa para
representar lapsos aleatorios de tiempo.
Otro caso especial del modelo de probabilidad de gamma es la distribucin chi-cuadrado (2).
Si se reemplaza el parmetro de forma con /2 y el parmetro de escala con 2, el resultado
es la funcin de densidad de probabilidad Chi-cuadrado.
Una variable aleatoria X tiene una distribucin chi-cuadrado ( 2) si su funcin
de densidad de probabilidad est dada por:
v
x
1
x > 0,
x 2 e 2
v

f(x; v) =

v
2 2
2

0
todo otro lugar
La distribucin 2 se encuentra caracterizada por un solo parmetro v, que recibe el nombre de
grados de libertad.

4.2.3. La distribucin de exponencial.

Una variable aleatoria X tiene una distribucin de probabilidad exponencial si su
funcin de densidad de probabilidad est dada por:

e x

x 0, constante

10

Estadstica

Prof.: Aldo Vergara C.

f(x; ) =
0

todo otro lugar

Esta distribucin se utiliza con frecuencia en ingeniera y ciencias, dado que muchas variables
se pueden modelar en forma adecuada como si tuvieran distribuciones exponenciales. Por
ejemplo, representa los tiempos entre las llegadas de vehculos a un punto fijo en una
carretera unidireccional.

Ejemplo 12. una refinadora de azcar tiene tres plantas de proceso, y todas reciben azcar
morena a granel. La cantidad de azcar que puede procesar una planta en un da se puede
representar mediante una funcin exponencial con un promedio de 4 (mediciones en toneladas)
para cada una de las tres plantas. Si las plantas trabajan en forma independiente, calcular la
probabilidad de que sea exactamente dos de las tres plantas las que procesen ms de 4 toneladas
en un da determinado.
cunta azcar morena se debe almacenar para esa planta cada da para que la probabilidad de
quedarse sin producto slo sea 0,05?

4.2.4. La distribucin normal.

La distribucin normal o Gausiana es sin dudas la ms importante y la de mayor uso de todas
las distribuciones continuas de probabilidad. Su uso es fundamental en Inferencia estadstica en
el anlisis de datos, puesto que las distribuciones de muchas estadsticas muestrales tienden
hacia la distribucin normal conforme crece el tamao de la muestra. La apariencia grfica de
esta distribucin es una curva simtrica en forma de campana, que se extiende sin limite hacia y hacia +. Su valor se centra en el valor promedio y su dispersin se mide con la
varianza 2, estos dos parmetros definen completamente la funcin normal de densidad.
Muchas mediciones que se hacen en forma natural tienden a tener distribuciones de
frecuencia relativa que se asemejan mucho a la curva normal, probablemente porque la
naturaleza tiende a promediar los efectos de las diversas variables que intervienen en una
respuesta determinada, por ejemplo, la altura de un grupo de personas tiende a una distribucin
que tiende a una distribucin que muestra muchas mediciones agrupadas estrechamente a una
altura promedio, y se encuentran, relativamente, muy pocas personas muy pequeas o muy
grandes; en otras palabras, la distribucin de frecuencia relativa se acerca la normal.

11

Estadstica

Prof.: Aldo Vergara C.

Una variable aleatoria X se encuentra normalmente distribuida, si su funcin de

densidad de probabilidad est dada por:

f(x; , ) =

1 x

1
e 2
2

< x <

, < < , > 0

=0
2=1

=0
2=3

Una propiedad muy importante, es que cualquier funcin lineal de una variable aleatoria con
distribucin normal tambin tiene distribucin normal. Es decir, si X n (, 2), y si
Y = aX + b, a y b constantes, entonces Y tambin se normalmente, y se ve con facilidad que:
E(Y) = a + b, Var(Y) = a22
Sea Z es una variable aleatoria normal con = 0 y = 1, se dice que Z tiene una distribucin
normal estndar.
La integracin directa demuestra que E(Z) = 0, y Var(Z) = 1.
Para cualquier variable aleatoria X N(, 2),
Z=

N (0,1)

este proceso se conoce como estandarizacin y cualquier variable aleatoria distribuida

normalmente se puede transformar a la normal estndar, esto permite calcular las
probabilidades tan solo teniendo disponible una tabla de loa valores normales estndar.
Ejemplo 13: si Z representa una variable normal estndar, determinar:

12

Estadstica

a) P(Z 1);

Prof.: Aldo Vergara C.

b) P(Z < -1.5)

c) P(Z > 1)

d) P(-1.5 Z 0.5)

Ejemplo 14: una empresa que fabrica y embotella jugo de manzana tiene una mquina
automtica que llena las botellas de 16 onzas (450 ml). Sin embargo, hay cierta variacin en la
cantidad de lquido que llega a cada botella. Durante un intervalo muy grande se tuvo una
cantidad promedio entregada a cada botella de 16 onzas, con una desviacin estndar de una
onza en las mediciones. Si se supone que la cantidad servida en cada botella tiene una
distribucin normal, estimar la probabilidad de que la mquina vace ms de 17 onzas de
lquido en cualquier botella.

13