UNIVERSIDAD NACIONAL

“SANTIGO ANTÚNEZ DE MAYOLO

Curso: Estadística General

Distribución de probabilidad

Sesión 08

Huaraz, julio de 2019

Dra. Rosa Vilchez V.
CONTENIDO
Prof. Rosa Vilchez V.

Discretas
• Binomial
• Poisson
Distribuciones
Continuas
de probabilidad
• Normal
• T-Student
• Chi cuadrado
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

Distribución Binomial
Supongamos que un experimento aleatorio tiene sólo dos resultados
posibles mutuamente excluyentes y conjuntamente exhaustivos, "éxito"
y "fracaso", y que p es la probabilidad de obtener éxito en cada
repetición.

Si se realizan n repeticiones independientes, la distribución del número

de éxitos, X, resultante se denomina distribución binomial.

𝑛!
𝑃 𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑥 é𝑥𝑖𝑡𝑜𝑠 = 𝑝 𝑥 (1 − 𝑥)𝑛−𝑥 para x= 0,1,2,….,n
𝑥! 𝑛−𝑥 !

n! 1 2  3... n y 0! 1

DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

EJEMPLO:

Supongamos que un agente de seguros tiene cinco

contactos, y piensa que para cada uno la probabilidad de
conseguir un seguro de vida es 0.4. La distribución del
número de ventas, X es, entonces, binomial, con n = 5 y
p = 0,4, es decir,

5!
𝑃 𝑂𝑏𝑡𝑒𝑛𝑒𝑟 𝑥 é𝑥𝑖𝑡𝑜𝑠 = 𝑓 𝑥 = (0,4)𝑥 (1 − 0,4)5−𝑥
𝑥! 5 − 𝑥 !

para x= 0,1,2,3,4 y 5
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

EJEMPLO:

Las probabilidades para el número de éxitos (seguro de

vida logradas) son:

P(0 éxitos) = 5! (0,4)0(0,6)5 = (0,6)5 = 0,078

0! 5!

P(1 éxitos) = 5! (0,4)1(0,6)4 = (5)(0,4)(0,6)4 = 0,259

1! 4!

P(2 éxitos) = 5! (0,4)2(0,6)3 = (10)(0,4)2(0,6)3 = 0,346

2! 3!
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

P(3 éxitos) = 5! (0,4)3(0,6)2 = (10)(0,4)3(0,6)2 = 0,230

3! 2!

P(4 éxitos) = 5! (0,4)4(0,6)1 = (5)(0,4)4(0,6) = 0,077

4! 1!

P(5 éxitos) = 5! (0,4)5(0,6)0 = (0,4)5 = 0,01

5! 0!
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

Distribución de Poisson
Supongamos que puede asumirse lo siguiente:

Para cada intervalo de tiempo o de un espacio, la

probabilidad de que ocurra un suceso en ese intervalo es
aproximadamente proporcional a la amplitud del
intervalo y no puede ocurrir dos o más sucesos en dicho
intervalo.

e   x
P( x ocurrencias )  f ( x) 
x!
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

Distribución de Poisson
e   x
P( x ocurrencias )  f ( x) 
x!
Donde;

λ es el número medio de ocurrencias entre 0 y T, y

e = 2,71828 ... es la base de los logaritmos naturales.

Este modelo probabilístico se denomina Distribución de

Poisson.
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

EJEMPLO:

La distribución de Poisson ha resultado ser muy útil en

problemas de líneas de espera o colas.

Los clientes llegan a una maquina fotocopiadora a una

tasa media de dos cada cinco minutos En la práctica,
se pueden representar los procesos de llegada de esta
clase mediante una distribución de Poisson.
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

Sea X el número de llegadas de clientes en un periodo de

cinco minutos con lo cual X tiene una distribución de
poisson con media λ = 2.

La función de probabilidad es

e 2 2 x
P( X  x)  f ( x)  para x = 0, 1, 2,...
x!
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

Las probabilidades para el número de llegadas en un período

de cinco minutos son:

P(0 llegadas) =f(0)= e-2(2)0 = (0.135335)(1) = 0.1353

0! 1

P(1 llegadas)=f(1)= e-2(2)1 = (0.135335)(2) = 0.2707

1! 1
DISTRIBUCION DE PROBABILIDAD:
DISCRETA
Prof. Rosa Vilchez V.

P(2 llegadas)=f(2)= e-2(2)2 = (0.135335)(4) = 0.2707

2! 2
y así sucesivamente.

Así, por ejemplo, la probabilidad de que se produzcan más de

dos llegadas en un periodo de cinco minutos es;

P(X>2) = 1 – P(X≤2)=1-[P(0) + P(1) + P(2)]

= 1 – [0.1353 + 0.2707 + 0.2707]

= 1- 0,6767

= 0.3233
DISTRIBUCION DE PROBABILIDAD:
CONTINUA
Prof. Rosa Vilchez V.

Distribución Normal
• Uno de estos modelos probabilísticos que tiene que ver con
variables continuas es la distribución Normal.
• Esta se llama así por ser la más frecuente en la naturaleza,
esto es porque muchas variables siguen esta distribución de
frecuencias.
• La distribución normal básicamente dice que hay pocos
valores extremos y que la mayor frecuencia se encuentra en
los valores centrales.
• Esto además coincide con la media, la moda y la mediana.
DISTRIBUCION DE PROBABILIDAD:
CONTINUA
Prof. Rosa Vilchez V.

Distribución Normal

𝑥𝜖𝑅 𝑦 𝜎>0

Donde,
µ (mu) es la media poblacional
𝜎 (sigma) es la desviación estándar (𝜎 2 𝑒𝑠 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎)

• La distribución normal es la mas importante de todas las

distribuciones de probabilidad.
• Es una distribución de variable continua, con dominio ]-ꚙ , ꚙ[
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución Normal:
características

• La forma de la campana de Gauss depende de los parámetros

μ y σ.
• Tiene una única moda que coincide con su media y su
mediana.
 La curva normal es asintótica al eje de X.
 Es simétrica con respecto a su media μ . Según esto, para este
tipo de variables existe una probabilidad de un 50% de
observar un dato mayor que la media, y un 50% de observar un
dato menor.
DISTRIBUCION DE PROBABILIDAD:
CONTINUA
Prof. Rosa Vilchez V.

Distribución Normal
DISTRIBUCION DE PROBABILIDAD:
CONTINUA
Prof. Rosa Vilchez V.

Distribución Normal Estándar

Es importante conocer que, a partir de cualquier variable X que siga una

distribución , se puede obtener otra característica Z con una distribución
normal estándar, sin más que efectuar la transformación:
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Ejemplos
1.-¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
2.-¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y +2.03?
3.-Hallar P( z >1.25 )
4. Hallar P ( -0.34 < z < ꚙ)
5. Hallar P ( 0.34 < z < 2.30)
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Ejemplos

• Calcula en la tabla:
• P(z >1,05)=1-P(z ≤ 1,05)
• P(z ≥-0,25)=P(z ≤ 0,25)
• P(1,05 < z ≤ 1,96)
• P(-0,25 ≤ z ≤ 1,05)
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Ejemplos

7. Sea una variable distribuida normalmente con media

µ = 4 y desviación típica σ = 1,5. ¿Cuál es la probabilidad de
encontrar un valor x ≥ 6?
Solución:
𝑋−𝜇 6−4
𝑍= = = 1,33
𝜎 1,5

𝑃 𝑍 ≥ 1,33 = 1 − 𝑃 𝑍 < 1,33 = 1 −0,90834=0,09166

DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Ejemplos

7. Calcular la probabilidad de que x < 3,14 para una distribución

normal de media 0,19 y desviación estándar de 1,25.
𝑋−𝜇 3,14−0,19
𝑍= = = 2,36
𝜎 1,25

𝑃 𝑍 < 2,36 = 0,99086

DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

TEORIA DE PEQUEÑAS MUESTRAS
En probabilidad y en estadística, la distribución t o distribución t de student; es
una distribución de probabilidad que surge del problema de estimar la media de
una población normalmente distribuida, cuando el tamaño de la muestra es
pequeño.

Función densidad
 v 1
 
f ( x)   2 
*
1
k 1
v
  * v  x 2
 2
2  v  1
 
F ( x)   f ( x) dx  Tabulada
Forma de la curva de esta distribución
Según sus grados de libertad (v)
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

x
t
S/ n
tiene distribuci ón t( n 1)
Para extraer valores de probabilidad de esta tabla se sigue el siguiente
procedimiento:
1. Calcular los valores de la desviación estándar y el promedio y determinar
el valor del promedio para el que se desea calcular la probabilidad.
2. Determinar los grados de libertad (v) tal que v=n-1.
3. Calcular el valor de 𝑡 = (𝑥ҧ − 𝜇)/(𝑠/ 𝑛)
4. Localizar en tablas el valor de la probabilidad asociada a los valores de t y
de v. Los valores de t pueden ser negativos o positivos. En algunos casos
puede ser necesario interpolar para encontrar el valor exacto buscado, de
lo contrario se escoge el que más se aproxime.
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

Ejemplo:
1. Encuentre la probabilidad de –t0.025 < t < t0.05.

Como t0.05 deja un área de 0.05 a la derecha, y –t0.025 deja un área de 0.025
a la izquierda, encontramos un área total de 1-0.05-0.025 = 0.925.

P( –t0.025 < t < t0.05) = 0.925

Si se tiene una muestra de 20, entonces los grados de libertad de la

distribución de t es n-1=20-1=19, entonces:
𝑡0,05;19 = 𝑡0,95;19 = 1,729
𝑡0,025;19 = 𝑡0,975;19 = −2,093
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

Ejemplo:
2. Encuentre k tal que P(k < t < -1.761) = 0.045, para
una muestra aleatoria de tamaño 15 que se selecciona
de una distribución normal.
Si se busca en la tabla el valor de t =1.761 con 14 grados de libertad nos damos
cuenta que a este valor le corresponde un área de 0.05 a la izquierda, por ser
negativo el valor. Entonces si se resta 0.05 y 0.045 se tiene un valor de 0.005, que
equivale a α. Luego se busca el valor de 0.995 en el primer renglón con 14 grados
de libertad y se obtiene un valor de t = 2.977, pero como el valor de está en el
extremo izquierdo de la curva entonces la respuesta es t = -2.977 por lo tanto:

P(-2.977 < t < -1.761) = 0.045

DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

Ejemplo:
3. Una empresa especifica que el peso medio de uno de sus productos debe ser
de 2 Kg. Sabiendo que la desviación estándar de una muestra de 16 unidades
es 0.1
a. ¿Cuál es la probabilidad de que la media sea:
menos de 1.9666 Kg.?
más de 2.0646 Kg.?
entre 1.9935 y 2.053 Kg.?
b. ¿Qué valor de promedio genera una probabilidad de 0.15 a su izquierda?
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

Solución:
a. ¿Cuál es la probabilidad de que la media sea:
menos de 2,0334 Kg.?
más de 2.0646 Kg.?
entre 1.9935 y 2.053 Kg.?

=2 Kg. 𝑠𝑥ҧ =0.1/16 = 0.025 Kg. con 16 grados de libertad

ҧ
𝑥−𝜇 2,0334−2
i) P(𝑥1.9666)=𝑃
ҧ ≤ = 𝑃 𝑡16 ≤ −1,337 = 0,1
𝑠𝑥ഥ 0,025

La probabilidad de que la media muestral sea menor a 2,0334 Kg. es

0.1 ó del 10%
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

Solución:
a. ¿Cuál es la probabilidad de que la media sea:
menos de 2,0334 Kg.?
más de 2.0646 Kg.?
entre 1.9935 y 2.053 Kg.?

=2 Kg. 𝑠𝑥ҧ =0.1/16 = 0.025 Kg. con 16 grados de libertad

ҧ
𝑥−𝜇 2,0646−2
ii) P(𝑥ҧ >2,0646)=𝑃 ≤ = 𝑃 𝑡16 ≤ 2,584 = 0,01
𝑠𝑥ഥ 0,025

La probabilidad de que la media muestral sea mayor a 2,0646 Kg. es

0.01 ó del 1%
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

Solución:
a. ¿Cuál es la probabilidad de que la media sea:
menos de 2,0334 Kg.?
más de 2.0646 Kg.?
entre 2.0217 y 2.053 Kg.?

=2 Kg. 𝑠𝑥ҧ =0.1/16 = 0,025 Kg. con 16 grados de libertad

2,0217−2 ҧ
𝑥−𝜇 2,053−2
iii) P( 2,0217 < 𝑥ҧ <2,053)=𝑃 0,025
<
𝑠𝑥ഥ
<
0,025
= 𝑃 0,866 < 𝑡16 < 2,584 = 0,175

La probabilidad de que la media muestral sea mayor a 2,0217 y menor

a 2,053 Kg. es 0.175 ó del 17,5%
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución “t” de Student

Solución:
b. ¿Qué valor de promedio genera una probabilidad de 0.15 a su izquierda?

𝑃 𝑥ҧ ≤ 𝑐 = 0,15
x
t =2 Kg. 𝑠𝑥ҧ =0.1/16 = 0,025 Kg. con 16 grados de libertad
S/ n
tiene distribuci ón t( n 1)
𝑥ҧ − 𝜇 𝑐 − 2
𝑃 𝑥ҧ ≤ 𝑐 = 𝑃 ≤ = 0,15
𝑆𝑥ҧ 0,025
0,015 0,85 𝑐−2
𝑃 𝑡 ≥ = 0,85
0,025
C=1,97 𝑐−2
=-1,071 (ver tabla)
0,025

c = 1,97 Valor del promedio

DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Distribución Chi cuadrado

Esta es una distribución de muestreo asociada a la probabilidad de la varianza
(2). Por medio de ella se determina la probabilidad de ocurrencia de un valor
específico de varianza con v=n-1 grados de libertad en una muestra de tamaño
n.

Función densidad
v x
1 1
f ( x)  *x 2
*e 2

v
v
  * 2 2

2
F ( x)   f ( x) dx
Está tabulada
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Uso de tabla Chi cuadrado

Localizar en tablas el valor de la probabilidad asociada a los valores de 2
y de v. En algunos casos, puede ser necesario interpolar para encontrar el
valor exacto buscado, de lo contrario, se escoge el que más se aproxime.
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Uso de tabla Chi cuadrado

Una máquina llenadora ha ejecutado su operación con una varianza de 0.83

grms2. Si se toma una muestra de 15 unidades, ¿cuál es la probabilidad de
tener una varianza:
a. superior o igual a 1.249 grms2?
b. inferior a 0.3896 grms2?

SOLUCIÓN
a. La probabilidad de tener una varianza superior a 1.249 grms2 es 0.1.

 2 14 * 1.249 
P(  1.249)  P  
2
  P   21.067  0.1
2
 
 0.83 
14 ∗ 1,249
𝑃 𝜎 2 ≥ 1,249 = 𝑃 𝜒 2 ≥ = 𝑃 𝜒 2 ≥ 21,067 = 1 − 𝑃 𝜒 2 < 21,067 = 1 − 0,90 = 0,1
0,83
DISTRIBUCION DE PROBABILIDAD:
CONTINUA Prof. Rosa Vilchez V.

Uso de tabla Chi cuadrado

Una máquina llenadora ha ejecutado su operación con una varianza de 0.83

grms2. Si se toma una muestra de 15 unidades, ¿cuál es la probabilidad de
tener una varianza:
a. superior a 1.249 grms2?
b. inferior o igual a 0.3896 grms2?

SOLUCIÓN:

b. La probabilidad de tener una varianza inferior a 0.3896 grms2 es 0.05.

14 ∗ 0,3896
𝑃 𝜎 2 ≤ 0,3896 = 𝑃 𝜒 2 ≤ = 𝑃 𝜒 2 ≤ 6,57 = 0,05
0,83
DISTRIBUCION DE PROBABILIDAD

Prof. Rosa Vilchez V.