DISTRIBUCIN DE

PROBABILIDADES
Distribucion de prob.
DEFINICIN
Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento si ste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye una
herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de
acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales
Toda distribucin de probabilidad es generada por una variable (porque puede tomar diferentes
valores) aleatoria x (porque el valor tomado es totalmente al azar), y puede ser de dos tipos:

VARIABLE ALEATORIA DISCRETA (x).

Porque solo puede tomar valores enteros y un nmero finito de ellos. Por ejemplo:
X Variable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un
grupo de 40 alumnos (1, 2 ,3 los 40).

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

p(xi)<1 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores
o iguales a cero y menores o iguales a 1.
E p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1.
EJEMPLO
Para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar slo dos resulatdos: o cara (50%), o cruz
(50%).
La siguiente tabla nos muestra los posibles resultados de lanzar dos veces una moneda:

Al realizar la tabla de distribucin del nmero posible de caras que se obtiene al lanzar una
moneda dos veces, obtenemos:

VARIABLE ALEATORIA CONTINUA (x).

Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos
dentro de un mismo intervalo. Por ejemplo:
x es la Variable que nos define la concentracin en gramos de plata de algunas muestras de
mineral (14.8 gr, 12.1, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , n)

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)

p(x) Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o
iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar solo
valores mayores o iguales a cero.
El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.

ESPERANZA MATEMATICA O VALOR ESPERADO

El valor esperado de una Variable Aleatoria X es el promedio ponderado de todos los valores
posibles de la misma. DNode los pesos son las probabilidades asociadas con los valores.
Para calcular el valor esperado de una variable aleatoria por su correspondiente probabilidad y
luego sumar los trminos resultante.
La esperanza matemtica o valor esperado de una variable aleatoria tiene sus orgenes en los
juegos de azar, debido a que los apostadores deseaban saber cul era su esperanza de ganar
repetidamente un juego, por lo tanto, el valor esperado representa la cantidad de dinero
promedio que el jugador est dispuesto a ganar o perder despus de un nmero grande de
apuestas.
E(x) = = E xf (x)

VARIANZA
Es un promedio ponderado de las de las desvaciones al cuadrado.
Varianza = E ( x - ) f ( x)

DISTRIBUCIN BINOMIAL

La distribucin Binomial es un caso particular de probabilidad de variable aleatoria discreta, y

por sus aplicaciones, es posiblemente la ms importante.
Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las
siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el suceso A, llamado xito, y el
suceso B , llamado fracaso.
* Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos
anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de una prueba del experimento a
otra.

* En cada experimento se realizan n pruebas idnticas.

Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la distribucin
Binomial o distribucin de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de fracaso q, entonces
la distribucin de probabilidad que la modela es la distribucin de probabilidad binomial y su
regla de correspondencia es:

Donde:
P(X)= es la probabilidad de ocurrencia del
evento
p = es la probabilidad de xito del evento (en un intento)
q = es la probabilidad de fracaso del evento (en un intento) (se define como q = 1 p )
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
EJEMPLO
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma moneda 6
veces ?
Donde:
P(X)= Probabilidad de que ocurra el evento
p = (0.5)
q = (se define como q = 1 p ) (0.5)
X=2
n=6
Al sustituir los valores en la frmula obtenemos:

La posibilidad de obtener dos caras al lanzar una moneda 6 veces es de 0.234375

Como el clculo de estas probabilidades puede resultar algo tedioso se han construido tablas
para algunos valores de n y p que nos facilitan el trabajo (Ver las tablas de la funcin de
probabilidad Binomial).
Para una combinacin de n y p, la entrada indica una probabilidad de obtener un valor
especfico de r.
Para localizar la entrada, cuando p8804;0.50, localice p a lo largo del encabezado de la tabla, y
en la columna correspondiente localice n y r en el margen izquierdo; cuando p8805;0.50, localice
el valor de p en la parte inferior de la tabla, y n y r arriba, en el margen derecho.
Tenemos p = 0.50, n = 6 y r = 2 obteniendo resultado directo de tablas
P(2 caras) = 0.2344

DISTRIBUCIN DE POISSON
La distribucin de POISSON es tambin un caso particular de probabilidad de variable aleatoria
discreta, el cual debe su nombre a Simon Denis Poisson (1781-1840), un francs que la
desarroll a partir de los estudios que realiz durante la ltima etapa de su vida.
Es til cuando tratamos con cantidades de ocurrencia de un evento a lo largo de un intervalo de
tiempo o espacio especificado.
Esta distribucin se utiliza para describir ciertos procesos.

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo,
pieza, etc:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto,
la frmula a utilizar sera:

donde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos
es /
/= media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718 (base de logaritmo neperiano o natural)
X = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de
tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente
de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto
es independiente de otro producto dado.
EJEMPLO
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de
que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera
de dos das consecutivos? (e= 2.718281828)
Resolviendo para :
a) x = 4; / = 6 cheques sin fondo por da
Comprobando (sustituyendo en la frmula):

Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un da dado es
de 0.133853 (13.39%)
Valores directos para determinar probabilidades de Poisson.
Para un valor dado de /, la entrada indica la probabilidad de obtener un valor especfico de X

Para el ejemplo, inciso a) que estamos viendo: Cul es la probabilidad de que el banco reciba
cuatro cheques sin fondo en un da dado?
Tenemos x = 4; / = 6 cheques sin fondo por da; obteniendo resultado directo de tablas :

DISTRIBUCIN NORMAL
La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria
contnua, fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754).
Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul
la ecuacin de la curva; de ah que tambin se le conozca, ms comnmente, como la
"campana de Gauss". La distribucin de una variable normal est completamente determinada
por dos parmetros, su media () y su desviacin estndar (&#963;). Con esta notacin, la
densidad de la normal viene dada por la ecuacin:

que determina la curva en forma de campana que tan bien conocemos.

Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente
en la estadstica :
Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la que es
necesario hacer inferencias mediante la toma de muestras.
La distribucin normal casi se ajusta a las distribuciones de frecuencias reales observadas en
muchos fenmenos, incluyendo caractersticas humanas, resultados de procesos fsicos y
muchas otras medidas de inters para los administradores, tanto en el sector pblico como en el
privado.
Propiedad:
No importa cules sean los valores de y &#963; para un distribucin de probabilidad normal, el
rea total bajo la curva siempre es 1, de manera que podemos pensar en reas bajo la curva
como si fueran probabilidades. Matemticamente es verdad que:
Aproximadamente el 68% de todos los valores de una poblacin normalmente distribuida se
encuentra dentro de 1 desviacin estndar de la media.
Aproximadamente el 95.5% de todos los valores de una poblacin normalmente distribuida se
encuentra dentro de 2 desviaciones estndar de la media.
Aproximadamente el 99.7% de todos los valores de una poblacin normalmente distribuida se
encuentra dentro de 3 desviaciones estndar de la media.

Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la distancia a la

media medida en desviaciones estndar.
Estas grficas muestran tres formas diferentes de medir el rea bajo la curva normal. Sin
embargo, muy pocas de las aplicaciones que haremos de la distribucin normal de probabilidad
implican intervalos de exactamente (ms o menos) 1, 2 3 desviaciones estndar a partir de la
media. Para estos casos existen tablas estadsticas que indican porciones del rea bajo la curva
normal que estn contenidas dentro de cualquier nmero de desviaciones estndar (ms o

menos) a partir de la media.

Afortunadamente tambin podemos utilizar una distribucin de probabilidad normal estndar
para encontrar reas bajo cualquier curva normal. Con esta tabla podemos determinar el rea o
la probabilidad de que la variable aleatoria distribuida normalmente est dentro de ciertas
distancias a partir de la media. Estas distancias estn definidas en trminos de desviaciones
estndar.
USO DE LA TABLA DE DISTRIBUCIN NORLAM DE PROBABILIDAD NORMAL STANDAR
Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el mismo
nmero de desviaciones estndar a partir de la media contendrn la misma fraccin del rea
total bajo la curva para cualquier distribucin de probabilidad normal. Esto hace que sea posible
usar solamente una tabla (Apndice Tabla 1) de la distribucin de probabilidad normal estndar.

El valor de z est derivado de la frmula:

En la que:
x = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
&#963; = desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a la media de la
distribucin. (el uso de z es solamente un cambio de escala de medicin del
eje horizontal)

Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones estndar
EJEMPLO.
Partiendo de la misma premisa, = 500
y &#963; = 100. Cul es la probabilidad de que un candidato elegido al azar se tome entre 500
y 650 horas en completar el programa de entrenamiento?

Si buscamos Z=1.5 (refirase a la tabla), encontramos una probabilidad de 0.4332.

Por lo tanto, la probabilidad de que un candidato escogido al azar requiera entre 500 y 650
horas para terminar el programa de entrenamiento es de 0.4332