FACULTAD DE INGENIERÍA Y ARQUITECTURA

CARRERA DE INGENIERÍA CIVIL

PROBABILIDAD Y ESTADÍSTICA
APLICADA

DISTRIBUCIONES DE PROBABILIDAD

1
CONTENIDO
o Distribución de Bernoulli
o Distribución binomial
o Distribución hipergeométrica
o Distribución de Poisson

2
OBJETIVO

Al finalizar la sesión, el estudiante

estará en condiciones de escoger el
modelo probabilístico adecuado
para resolver un problema real
usando distribuciones de
probabilidad discreta.

3
Distribuciones de probabilidad de
variables aleatorias discretas

4
Distribución de Bernoulli

5
Distribución de Bernoulli
Un experimento de Bernoulli es aquel que tiene dos resultados mutuamente
excluyentes que se denotan por éxito y fracaso con probabilidades p y q =1 –
p, respectivamente.

Si X es una variable aleatoria con una distribución de Bernoulli; entonces, su

distribución de probabilidad está dada por:

Donde, 0 < p < 1

6
Esperanza y varianza de una distribución de
Bernoulli

Características para definir una distribución Bernoulli

a) El experimento se ejecuta una sola vez

b) El experimento tiene dos resultados posibles: éxito y fracaso.

7
Distribución Binomial

8
Distribución binomial
Es una de las distribuciones discretas más importantes: se utiliza en
producción, control de calidad, en investigación de mercados, etc.

Está asociada a un experimento aleatorio de Bernoulli cuyos resultados en

cada prueba son dos: éxito y fracaso.

Un experimento binomial se puede caracterizar como la extracción de n

elementos uno a uno con reposición, de una población finita (N) o infinita
dividida en dos categorías.

9
Características de una distribución binomial
o El experimento aleatorio se repite n veces con idénticas condiciones.
o El resultado de cada prueba es independiente de las demás.
o Cada una de las pruebas es un experimento de Bernoulli.
o La probabilidad (p) de éxito permanece constante en cada prueba.
o La variable X de interés es el número de éxitos en los n ensayos de
Bernoulli.

10
Función de probabilidad binomial
La distribución binomial se denota por: B (n, p). Tiene dos parámetros, n y p,
donde n representa el número de veces que se repite el experimento
(tamaño de la muestra) y p, la probabilidad de que se produzca un éxito y se
mantiene constante en cada ensayo. Su función de probabilidad está dada
por:

11
Esperanza y varianza de una distribución binomial

La esperanza viene dada por la siguiente expresión:

E(X) = np

La varianza viene dada por la siguiente expresión:

V(X) = npq

12
Gráfica de una distribución binomial

13
Ejemplo
Los operarios de un taller descansan un 10 % del tiempo de trabajo. Si en el
taller trabajan 10 operarios, calcular la probabilidad de que en un momento
dado:

a) Estén descansando la mitad de los operarios.

b) Estén descansando menos de 4 operarios.
c) Estén descansando más de 4 operarios
d) ¿Cuál es el número de operarios descansando más probable?

14
Ejemplo
a) Estén descansando la mitad de los operarios.
Se define la variable aleatoria:

X = Número de operarios que descansan = 5

n = número de operarios = 10

p = probabilidad de que un operario descanse = 0.1

15
Ejemplo
Para este caso el valor de X = 5; n = 10, p = 0.1

Se reemplaza en la fórmula y se tiene lo siguiente:

16
Ejemplo
Para este caso el valor de X = 5; n = 10, p = 0.1

P(X=5) Usando Excel

DISTR.BINOM.N(núm_éxito, ensayos, prob_éxito, acumulado)

Acumulado: si el argumento acumulado es VERDADERO, devuelve la

función de distribución acumulativa; si es FALSO, devuelve la función de
masa de probabilidad

P(X=5) = DISTR.BINOM.N(5, 10, 0.1, FALSO) → 0.001488

17
Ejemplo
b) Estén descansando menos de 4 operarios.
P(X<4) Usando Excel

DISTR.BINOM.N(núm_éxito, ensayos, prob_éxito, acumulado)

Acumulado: si el argumento acumulado es VERDADERO, devuelve la

función de distribución acumulativa; si es FALSO, devuelve la función de
masa de probabilidad

P(X<4) = DISTR.BINOM.N(3, 10, 0.1, VERDADERO) → 0.987205

18
Ejemplo
c) Estén descansando más de 4 operarios
P(X>4) = 1 - P(X<=4)

P(X<=4) = DISTR.BINOM.N(4, 10, 0.1, VERDADERO) → 0.998365

P(X>4) = 1 - P(X<=4) = 1 - 0.998365 = 0.001635

19
Ejemplo
d) ¿Cuál es el número de operarios descansando más probable?

X 0 1 2 3 4 5 6 7 8 9 10
p(X) 0.3487 0.3874 0.1937 0.0574 0.0112 0.0015 0.0001 9E-06 4E-07 9E-09 1E-10

El mas probable es X = 1

20
Ejemplo
Un estudiante se ha preparado para un examen de forma que tiene una
probabilidad 0.7 de hacer bien cualquier problema. Si para aprobar el
examen debe resolver correctamente al menos la mitad de los problemas,
¿qué tipo de examen le sería más favorable: uno de 4 problemas o uno de
6?

21
Ejemplo
X: Número de problemas resueltos correctamente.

Para este caso el valor de X >= 2; n = 4, p = 0.7

P(X>=2) = 1 - P(X<2)

P(X<2) = DISTR.BINOM.N(1, 4, 0.7, VERDADERO) → 0.0837

P(X>=2) = 1 - P(X<2) = 1 - 0.0837 = 0.9163

22
Ejemplo
X: Número de problemas resueltos correctamente.

Para este caso el valor de X >= 3; n = 6, p = 0.7

P(X>=3) = 1 - P(X<3)

P(X<3) = DISTR.BINOM.N(2, 6, 0.7, VERDADERO) → 0.07047

P(X>=3) = 1 - P(X<3) = 1 - 0.07047 = 0.92953

Conclusión: El examen más favorable es de 6 problemas, la probabilidad de

aprobar es mayor

23
Distribución hipergeométrica

24
Distribución hipergeométrica
La distribución hipergeométrica es una distribución de probabilidad de una
variable aleatoria discreta y es útil donde las extracciones se realizan sin
reposición, en cuyo caso las pruebas no son independientes.

25
Características de una distribución
hipergeométrica
o El tamaño de la población es finito (N).
o La población se divide en dos características mutuamente excluyentes.
o Cada elemento pertenece a una de estas características.
o Se obtiene una muestra aleatoria de tamaño n sin reemplazamiento.

26
Función de probabilidad hipergeométrica
Una variable aleatoria hipergeométrica depende de tres parámetros:

N: Tamaño de la población
M: Número de elementos que pertenecen a la categoría de éxito en la
población
n: Tamaño de la muestra

27
Esperanza y varianza de una distribución
hipergeométrica
La esperanza viene dada por la siguiente expresión:

La varianza viene dada por la siguiente expresión:

28
Gráfica de una distribución hipergeométrica:

29
Ejemplo
Un distribuidor mayorista recibe diariamente un lote de 20 refrigeradoras, de
las cuales ocho son de color blanco y las restantes de color plata. Un
comerciante minorista le solicita, también diariamente, seis refrigeradoras.
Suponiendo que las refrigeradoras son seleccionadas al azar.

a) ¿Cuál es la probabilidad de que, en un día cualquiera, el número de

refrigeradoras seleccionadas de color blanco sea mayor a tres?

b) ¿Cuál es la probabilidad que, para los siguientes cinco días, como

máximo en dos días, el minorista reciba exactamente tres refrigeradoras
de color plata? Suponer independencia.

30
Ejemplo
a) ¿Cuál es la probabilidad de que, en un día cualquiera, el número de
refrigeradoras seleccionadas de color blanco sea mayor a tres?

N = total de refrigeradoras = 20
M = total refrigeradoras de color blanco = 8
N – M = total refrigeradoras de color plata = 12
n = numero de refrigeradoras seleccionadas como muestra = 6
X = número de refrigeradoras de color blanco > 3

31
Ejemplo
a) ¿Cuál es la probabilidad de que, en un día cualquiera, el número de
refrigeradoras seleccionadas de color blanco sea mayor a tres?

N = total de refrigeradoras = 20
M = total refrigeradoras de color blanco = 8
N – M = total refrigeradoras de color plata = 12
n = numero de refrigeradoras seleccionadas como muestra = 6
X = número de refrigeradoras de color blanco > 3
DISTR.HIPERGEOM.N(númÉxito,númMuestra,poblaciónÉxito,población,acumulado)

32
Ejemplo
a) ¿Cuál es la probabilidad de que, en un día cualquiera, el número de
refrigeradoras seleccionadas de color blanco sea mayor a tres?

N = total de refrigeradoras = 20
M = total refrigeradoras de color blanco = 8
N – M = total refrigeradoras de color plata = 12
n = numero de refrigeradoras seleccionadas como muestra = 6
X = número de refrigeradoras de color blanco > 3
P(X<=3)=DISTR.HIPERGEOM.N(3,6,8,20,VERDADERO) = 0.862745
P(X>3) = 1 - P(x<=3) = 1 - 0.862745 = 0.137255

33
Ejemplo
b) ¿Cuál es la probabilidad que, para los siguientes cinco días, como
máximo en dos días, el minorista reciba exactamente tres refrigeradoras
de color plata? Suponer independencia.

P(X=3) = DISTR.HIPERGEOM.N(3,6,12,20,FALSO) = 0.317853

Y=numero de días donde recibe exactamente 3 refrigeradoras de color plata
Y → B(n=5, p = 0.317853)
P(Y<=2) = DISTR.BINOM.N(2,5,0.317853,VERDADERO) = 0.812513

34
Ejemplo
En un almacén de aparatos electrónicos se almacenan 10 tostadoras para su
distribución, 4 de la marca A y el resto de marcas menos conocidas. Si un
empleado selecciona al azar 5 tostadoras para llevarlas por encargo a una
tienda para su comercialización, calcular la probabilidad de que en las 5
tostadoras seleccionadas:
a) Haya exactamente 2 de la marca A.
N = total de tostadoras = 10
M = total tostadoras de la Marca A = 4
N – M = total tostadoras de marcas menos conocidas = 6
n = numero de tostadoras seleccionadas como muestra = 5
X = número de tostadoras de la marca A = 2

35
Ejemplo
a) Haya exactamente 2 de la marca A.
N = total de tostadoras = 10
M = total tostadoras de la Marca A = 4
N – M = total tostadoras de marcas menos conocidas = 6
n = numero de tostadoras seleccionadas como muestra = 5
X = número de tostadoras de la marca A = 2

P(X=2) = DISTR.HIPERGEOM.N(2,5,4,10,FALSO) = 0.476191

36
Ejemplo
b) A lo sumo haya una tostadora de las marcas menos conocidas.
N = total de tostadoras = 10
M = total tostadoras de las marcas menos conocidas = 6
N – M = total tostadoras de Marca A = 4
n = numero de tostadoras seleccionadas como muestra = 5
X = número de tostadoras de las marcas menos conocidas <= 1

P(X<=1) = DISTR.HIPERGEOM.N(1,5,6,10,VERDADERO) = 0.02381

37
Distribución de Poisson

38
Distribución de Poisson
La distribución de Poisson es una distribución de probabilidad de
una variable aleatoria discreta y hace referencia a una
modelización en la que nos interesa la ocurrencia de un número
de eventos finitos de eventos discretos en un intervalo de tiempo
o de espacio.

39
Distribución de Poisson
La distribución de Poisson se utiliza para describir procesos, como, por
ejemplo:
o El número de clientes que llegan a un supermercado en un tiempo de 10
minutos.
o Número de faltas ortográficas cometidos en una página.
o Número de accesos al servidor web de una empresa en un minuto.

40
Características de una distribución de Poisson
o Los sucesos o eventos son independientes entre sí.
o El promedio de ocurrencias de un evento en un intervalo de longitud t es
la misma que en otro intervalo de la misma longitud y es proporcional a
su longitud (λt) .
o La probabilidad de ocurrencia de un evento en un intervalo de tiempo
depende de la longitud del intervalo.
o El interés es analizar el número de ocurrencias en un intervalo.
o La distribución de Poisson tiene un parámetro que se denota con λ y se
define como el número promedio de ocurrencias en la unidad
especificada.

41
Función de probabilidad de Poisson

Donde el valor de e = 2.71828 es conocido como el número de Euler o

constante de Napier, y λ representa el promedio de ocurrencias en la unidad
especificada.

42
Esperanza y varianza de una distribución de
Poisson
La esperanza viene dada por la siguiente expresión:

E(X) = λ

La varianza viene dada por la siguiente expresión:

V(X) = λ

43
Gráfica de una distribución de Poisson:

44
Ejemplo
Suponga que en un establecimiento de comida rápida se atiende a 50
clientes por hora siguiendo una distribución de Poisson.

a) ¿Cuál es la probabilidad que se tenga que atender a menos de ocho

clientes entre las 5:00 p.m. y las 5:15 p. m.?

X: Número de clientes atendidos en una hora.

E(X) = 50 clientes ⇒X → Poisson (λ = 50) por cada hora.
Y: Número de clientes atendidos en un cuarto de hora (15 minutos).
Y →Poisson(λ =12.5) por cada cuarto de hora.
P(Y<8) = POISSON.DIST(7,12.5,VERDADERO) = 0.06983
45
Ejemplo
Suponga que en un establecimiento de comida rápida se atiende a 50
clientes por hora siguiendo una distribución de Poisson.

b) Hallar la probabilidad de que entre las 4:00 p.m. y 4:30 p.m. se atienda a
más de 20 clientes.

W →Poisson(λ = 25) por cada media hora

P(W>20) = 1 - P(W<=20)
P(W<=20) = POISSON.DIST(20,25,VERDADERO) = 0.185492
P(W>20) = 1 - 0.185492 = 0.814508

46
Ejemplo
El promedio de ventas de televisores en las tiendas de Centro Plaza es de 6
cada dos horas. Si se supone que la venta de cada una de las tiendas es
independiente una de otra.

a) Si X representa el número de ventas cada 40 minutos, ¿cuál es la

probabilidad de que en un intervalo de 40 minutos no se realice venta
alguna?

Cada 2 horas (120 minutos) se venden en promedio 6 televisores, entonces,

cada 40 minutos se venderán en promedio 2 televisores.

47
Ejemplo
a) Si X representa el número de ventas cada 40 minutos, ¿cuál es la
probabilidad de que en un intervalo de 40 minutos no se realice venta
alguna?

X: Número de ventas de televisores cada 40 minutos.

X →Poisson(λ = 2) cada 40 minutos.
P(X=0) = POISSON.DIST(0,2,FALSO) = 0.135335

48
Ejemplo
b) ¿Cuál es la probabilidad de que se realice al menos 4 ventas en el
intervalo de 60 minutos?

Cada 2 horas (120 minutos) se venden en promedio 6 televisores, entonces,

cada 60 minutos se venderán en promedio 3 televisores.
Y : Número de ventas de televisores cada 60 minutos.
Y →Poisson (λ = 3) cada 60 minutos.
P(Y>=4) = 1 - P(Y<4)
P(Y<4) = POISSON.DIST(3,3,VERDADERO) = 0.647232
P(Y>=4) = 1 - 0.647232 = 0.352768

49
GRACIAS

50