CLASIFICIACIN DE LAS DISTRIBUCIONES DE LA PROBABILIDAD.

1. DISTRIBUCIN BINOMIAL: Es la ms importante en el grupo de las

discretas consta en realizar un experimento el cual cumpla con: n nmero

de pruebas idnticas, los datos obtenidos son el resultado del conteo, la
prueba solo puede tener un resultado con dos posibilidades una ya sea de
xito (p) u otra de fracaso (q), y se excluyen mutuamente, la
probabilidad de xito es constante en cada prueba es decir no vara, la de
fracaso es (1-p)=q, las pruebas son independientes es decir lo que ocurre en
la primera no afecta a la otra.
Formula:

EJERCICIO:

Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan

ms caras que cellos.
B (4, 0.5)

p = 0.5q = 0.5

p (x3)= p(x = 3) + p(x=4)=

=

(34)0,5 0,5+( 44) 0,5 =

3

0,3125

2. DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA: Se aplica esta

distribucin cuando el muestreo se realiza sin reposicin para los elementos

y una poblacin finita no se puede aplicar Bernoulli debido a un cambio
sistemtico en la probabilidad de xito consecuencia de extraer elementos
de la poblacin.
Si el nmero de elementos de la poblacin es pequeo en relacin a la
muestra es decir; n > (0.05) (a + b) o n > (0.05) (n) la probabilidad depende
de los resultados precedentes por lo tanto los nmeros o aciertos es una
distribucin hipergeomtrica.
Formula:

F(x) = Funcin de probabilidad de x de la distribucin hipergeomtrica; a =

Nmero de elementos de la poblacin finita considerados aciertos; b =

Nmero de elementos de la poblacin finita considerados fallos; a + b = N
= Nmero de elementos de la poblacin finita; x = El valor de la variable
discreta; n = Tamao de la muestra; ( ) = Anlisis combinatorio.

EJERCICIO:

5 fabricantes producen en determinado dispositivo cuya calidad vara de un

fabricante a otro. Si usted elige 3 fabricantes al azar, hallar la probabilidad
que la seleccin contenga 2 de las 3 mejores.
N=5 (tamao de la poblacin); m=3 (Elementos favorables en la poblacin);
n= 3 (Tamao de la prueba); k= ?

3 53
3 2
(
)(
)
(
2 32
2 )(1 )
p ( x=2 )=
=
=0,6=60
5
5
( 3) (3)

3. DISTRIBUCIN DE PROBABILIDAD DE POISSON: Tambin recibe el

nombre de variable aleatorio de Poisson, es el nmero de acontecimientos

raros de un evento que ocurren por unidad de tiempo o espacio
especificado.
En esta distribucin la varianza y la Esperanza coinciden

= parmetro de la Dist. De Poisson

= Variable aleatoria
EJERCICIO:

Si ya se conoce que solo el 3% de los alumnos de Matemtica son muy

inteligentes Calcular la probabilidad de que si tomamos 100 alumnos al
azar 5 de ellos sean muy inteligentes:
n=100; P=0,03; = 100

p (5 )=

0,03= 3; x=5

e3 3 5
=0,10 08=10 , 08
5!

4. DISTRIBUCIN DE PROBABILIDAD NORMAL: Se utiliza en el caso que el

tipo de variable aleatoria es continua, es decir, toma valores en todos los

puntos de una escala y sin interrupciones entre valores posibles.
Considrese las caractersticas medidas en unidades de dinero, tiempo,
distancia o peso, etc.
Se representa mediante una curva simtrica con su respectiva media y
desviacin estndar, la curva tiene forma de campana donde la media la
moda y la mediana se encuentran en la parte central y son iguales es el
grafico de una funcin gaussiana por eso se le conoce con el nombre de
campana de Gauss.

Frmula:

= media; = desv. Tpica;

= varianza; = 3,1415; = 2,7182;

=abscisa
EJERCICIO:

En una ciudad se estima que la temperatura mxima en el mes de mayo

sigue una distribucin normal, con media 23 y desviacin tpica 5. Calcular
el nmero de das del mes en los que se espera alcanzar mximas entre 21
y 27.

p [ 21< x 27 ] = p

2723
<Z
=
( 2123
5
5 )

p (0,4 <Z 0,8 )= p ( Z 0,8 )[ 1 p ( Z 0,4 ) ] =

0,7881( 10,6554 )=0,4425 30=13

5. DISTRIBUCIN DE BERNOULLI: Es el modelo ms simple de probabilidad

es decir en la cual solo son posibles dos eventos una de xito y otra de
fracaso, Podemos definir una variable aleatoria
Discreta X tal que: xito 1; fracaso 0
Si la probabilidad de xito es p y la de fracaso 1 - p, entonces:

EJERCICIOS:

En un restaurante el 25% de las rdenes para beber es una bebida pequea,

35% una mediana y 40% una grande. Sea X=1 si escoge aleatoriamente
una orden de una bebida pequea y sea X=0 en cualquier otro caso. Sea
Y=1 si la orden de la bebida mediana y Y=0 en cualquier otro caso sea Z=1
si el orden de una bebida pequea o mediana y Z=1 si la bebida es pequea
o media y Z=0 para cualquier otro caso.
Sea PX la probabilidad de xito de X. Determine PX
Sea PY la probabilidad de xito de Y. Determine PY
Sea PZ la probabilidad de xito en Z. Determine PZ
Es posible que X y Y sean iguales a 1?
Es Z= X +Y? explique
Respuesta

PX= (0) (1*0,25) + (1) (0,25)= 0,25

PY= (0) (1*0,35) + (1) (0,35)= 0,35
PZ= (0) (1*0,40) + (1) (0,40) = 0,40
Si
No porque los valores son totalmente distintos.

6. DISTRIBUCION DE T STUDENT: Son parecidas a la normal. Se pueden

utilizar para hacer estimaciones de la media cuando se desconoce la

varianza y se usan muestras pequeas.
Los intervalos as obtenidos son, no podra ser de otra manera, ms grandes
y menos precisos que los que se obtendran si supusiramos conocida la
varianza en una distribucin normal.
EJEMPLO:

La longitud de los tornillos fabricados en un fbrica tienen media = 10mm

y desviacin s=1mm, calcular la probabilidad de que una muestra de
tamao n=25, la longitud media del tornillo sea inferior a 20,5 mm:
P ( 20,5
Estandarizamos T= (X-)

(s / n)

que sigue una distribucin t de n-1

grados de libertad
T= (20,5-20) /

( 1/ 25 ) = 2,5

P ( 20,5 P (T 2,5 t (24)

(T 2,5 =0,9902
P ( 20,5 = 0,9902= 99,02%
La probabilidad que la longitud media de la muestra de 25 tornillos sea
inferior a 20,5mm es de 99,02%
7. DISTRIBUCCION GAMMA: Sirve para experimentos donde interviene el

tiempo por ejemplo la llegada de un avin, algunas variables no son

negativas y tienen distribuciones inclinadas a la derecha es decir la mayor
rea se encuentra cerca del origen porque estn en la rea baja de la
grfica.
EJERCICIO

El nmero de pacientes que llegan a la consulta de un mdico siguen la

siguiente distribucin Poisson de medias 3 pacientes por hora. Calcular la
probabilidad de que transcurra menos de una hora hasta la llegada del

segundo paciente, debe tenerse en cuenta la variable aleatoria tiempo que

transcurre hasta la llegada del segundo paciente sigue una distribucin
Gamma
Gamma
(ap)
a (escala)
P( forma)
Punto X
Cola izquierda: Pr [ X k ]
Cola derecha:

Pr [ X k ]

60000
20000
10000

0,9826
0,0174

Media

0,3333

Varianza

0,0556

Moda

0,1667

La probabilidad de que transcurra menos de una hora hasta que llegue el

segundo es de 0,98