Instituto Científico del Pacífico

www.icip.edu.pe
DISTRIBUCIONES DE PROBABILIDAD

Instituto Científico del Pacífico

www.icip.edu.pe
Contenido
Introducción ......................................................................................................... 4
Variable Aleatoria Discreta ................................................................................ 5
Función de probabilidad ................................................................................ 5
Distribución de probabilidad ......................................................................... 5
Función de Distribución Acumulada ............................................................ 5
Esperanza o valor esperado de una variable discreta X .......................... 6
Propiedades .................................................................................................. 6
Varianza de una variable aleatoria discreta X ........................................... 6
Propiedades .................................................................................................. 6
Variable Aleatoria Continua .............................................................................. 8
Función de Densidad ...................................................................................... 8
Función de Distribución Acumulada ............................................................ 8
Esperanza de una variable aleatoria discreta x ......................................... 8
Propiedades .................................................................................................. 9
Varianza de una variable aleatoria continua X ......................................... 9
Propiedades .................................................................................................. 9
Distribución Normal............................................................................................ 10
Distribuciones muestrales .............................................................................. 10
Distribución Normal ........................................................................................ 10
Teorema del límite central (TLC) .................................................................. 11
Distribución de la Media Muestral................................................................... 12
Caso de la varianza 𝝈𝟐 conocida........................................................... 12
Caso de la varianza 𝝈𝟐 desconocida y n>30 ....................................... 12
Caso de la varianza 𝝈𝟐 desconocida y 𝒏 ≤ 𝟑𝟎 .................................... 12
Distribución de la proporción muestral .......................................................... 13
Bibliografía .......................................................................................................... 14

Instituto Científico del Pacífico

www.icip.edu.pe
Introducción
Una distribución de probabilidad de una variable aleatoria es una función
que asigna a cada suceso definido sobre la variable aleatoria la
probabilidad de que dicho suceso ocurra.

La distribución de probabilidad de una variable está definida sobre el

conjunto de todos los sucesos, cada uno de los sucesos es el rango de los
valores de dicha variable aleatoria.

En la presente sesión se explicarán los principales conceptos y teorías

relacionadas de la distribución.

Instituto Científico del Pacífico

www.icip.edu.pe
Variable Aleatoria Discreta
Una variable aleatoria es discreta cuando el conjunto de valores que
puede tomar rango, es finito o infinito numerable. El rango de valores es
un conjunto finito infinito numerable, todos sus valores se pueden listar o
enumerar:
𝑅𝑥 = {𝑥1 , 𝑥2 , … , 𝑥𝑛 , … }

Ejemplo: Número de hijos varones en un hogar.

𝑅𝑥 = {1,2, … ,12}

Función de probabilidad
Es la función 𝑝, que corresponde a cada valor de 𝑥𝑖 de 𝑅𝑋 , un número real
𝑝(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ), llamado probabilidad del evento asociado al valor 𝑥𝑖 de
𝑋. Para una variable aleatoria se satisface las siguientes propiedades:
• 𝑝(𝑥𝑖 ) = 𝑃(𝑋 = 𝑥𝑖 ) ≥ 0; ∀𝑥𝑖 ∈ 𝑅𝑋
• ∑𝑥𝑖 ∀𝑅𝑋 𝑝(𝑥𝑖 ) = ∑𝑥𝑖 ∀𝑅𝑋 𝑃(𝑋 = 𝑥𝑖 ) = 1

𝑹𝑿 𝑹𝑿

𝒙𝒊 𝒑(𝒙𝒊 )

Distribución de probabilidad
Es una descripción del conjunto de valores posibles de X, junto con la
probabilidad asociada con cada uno de estos valores; es decir, es un
conjunto de pares ordenados de la forma:

{(𝑥𝑖 , 𝑝(𝑥𝑖 ))|𝑥𝑖 ∈ 𝑅𝑋 }

Función de Distribución Acumulada

Si 𝑋 es una variable aleatoria con función de probabilidad 𝑝(𝑥), la función
de distribución acumulada 𝐹(𝑥) es tal que:

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑝(𝑥𝑖 )

𝑥𝑖 ≤𝑥

Instituto Científico del Pacífico

www.icip.edu.pe
Se satisface las siguientes propiedades:
• 0 ≤ 𝐹(𝑥) ≤ 1
• Si 𝑥 ≤ 𝑦, entonces 𝐹(𝑥) ≤ 𝐹(𝑦)
• lim 𝐹(𝑥) = 𝑃[𝑥 ∈ 𝑅𝑋 |𝑥 < ∞] = 𝑃[𝑥 < ∞] = 1
𝑥→∞

• lim 𝐹(𝑥) = 𝑃[𝑥 ∈ 𝑅𝑋 |𝑥 < −∞] = 𝑃[𝑥 < −∞] = 0

𝑥→∞

Esperanza o valor esperado de una variable discreta X

Es el promedio a largo plazo de los valores de X, y se le conoce también
como valor esperado de la variable aleatoria discreta X.

𝐸(𝑋) = 𝜇𝑋 = ∑ 𝑥. 𝑝(𝑥)
𝑥 ∈𝑅𝑋

Mide la tendencia central de la variable aleatoria 𝑋.

Propiedades
Sean 𝑋 e 𝑌 son variables aleatorias discretas y 𝑘, 𝑘1 y 𝑘2 constantes:
• 𝐸(𝑘) = 𝑘
• 𝐸(𝑋 ± 𝑘) = 𝐸(𝑋) ± 𝑘
• 𝐸(𝑘𝑋) = 𝑘𝐸(𝑋)
• 𝐸(𝑘1 𝑋 ± 𝑘2 ) = 𝑘1 𝐸(𝑋) ± 𝑘2
• 𝐸(𝑋 ± 𝑌) = 𝐸(𝑋) ± 𝐸(𝑌)

Varianza de una variable aleatoria discreta X

La varianza de una V.A.D. 𝑋, mide la dispersión de dicha variable
aleatoria respecto a la media.
2
2
𝑉(𝑋) = ∑ 𝑥 𝑝(𝑥) − [∑ 𝑥𝑝(𝑥)]

𝐷𝑒𝑠𝑣. 𝐸𝑠𝑡𝑎𝑛𝑑𝑎𝑟 = 𝜎𝑋 = √𝑉(𝑋)

𝜎𝑋
𝐶𝑜𝑒𝑓. 𝑑𝑒 𝑉𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 = 𝐶𝑉(𝑋) =
𝜇𝑋

Propiedades
Sean 𝑋 e 𝑌 son variables aleatorias discretas y 𝑘, 𝑘1 y 𝑘2 constantes:
• 𝑉(𝑘) = 0

Instituto Científico del Pacífico

www.icip.edu.pe
• 𝑉(𝑋 ± 𝑘) = 𝑉(𝑋)
• 𝑉(𝑘𝑋) = 𝑘 2 𝑉(𝑋)
• 𝑉(𝑘1 𝑋 ± 𝑘2 ) = 𝑘12 𝑉(𝑋)
• 𝑉(𝑋 ± 𝑌) = 𝑉(𝑋) ± 𝑉(𝑌) si 𝑋 e 𝑌 son v.a. independientes.

Instituto Científico del Pacífico

www.icip.edu.pe
Variable Aleatoria Continua
Cuando el conjunto de valores que puede tomar el rango, es un intervalo
real. Si el rango 𝑅𝑋 de la variable aleatoria 𝑋, es un intervalo sobre la recta
de los números reales, en este caso:
𝑅𝑥 = {𝑥 ∈ ℝ | 𝑎 ≤ 𝑥 ≤ 𝑏}

Ejemplo: Estatura de los trabajadores de una empresa.

𝑅𝑥 = {𝑥 ∈ ℝ | 0.3 ≤ 𝑥 ≤ 3}

Función de Densidad
Una función 𝑓(𝑥), integrable, es una función de densidad de probabilidad
de la variable aleatoria continua 𝑋, si para cualquier intervalo [𝑎, 𝑏] de
números reales se cumple:
• 𝑓(𝑥) ≥ 0; ∀ 𝑥 ∈ 𝑅𝑥
∞
• ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
𝑏
• 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥

Función de Distribución Acumulada

𝑥
𝐹(𝑋) = 𝑃(𝑋 ≤ 𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡, para todo −∞ ≤ 𝑋 ≤ ∞. En este caso, 𝐹 ′ (𝑥) =
𝑑
𝑓(𝑥) = 𝑓(𝑥). Además, para cualquier par de números 𝑎 y 𝑏, si 𝑎 <
𝑑(𝑥)
𝑏: 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎).
Además 𝐹(𝑥) debe satisfacer:

• 0 ≤ 𝐹(𝑥) ≤ 1, ∀ 𝑋 ∈ 𝑅𝑋
• 𝐹(𝑋) es una función creciente. Esto es, para 𝑥1 ∈ 𝑅𝑋 y 𝑥2 ∈ 𝑅𝑋 , tales
que 𝑥1 ≤ 𝑥2 entonces: 𝐹(𝑥1 ) ≤ 𝐹(𝑥2 )

Esperanza de una variable aleatoria discreta x

Es el promedio a largo plazo de los valores de X, se le conoce también
como valor esperado de la variable aleatoria continua.
∞

𝐸(𝑋) = 𝜇𝑋 = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞

Mide la tendencia central de la variable aleatoria continua X.

Instituto Científico del Pacífico

www.icip.edu.pe
Propiedades
Sean 𝑋 e 𝑌 son variables aleatorias discretas y 𝑘, 𝑘1 y 𝑘2 constantes:
• 𝐸(𝑘) = 𝑘
• 𝐸(𝑋 ± 𝑘) = 𝐸(𝑋) ± 𝑘
• 𝐸(𝑘𝑋) = 𝑘𝐸(𝑋)
• 𝐸(𝑘1 𝑋 ± 𝑘2 ) = 𝑘1 𝐸(𝑋) ± 𝑘2
• 𝐸(𝑋 ± 𝑌) = 𝐸(𝑋) ± 𝐸(𝑌)

Varianza de una variable aleatoria continua X

La varianza de una V.A.C. 𝑋, mide la dispersión de dicha variable
aleatoria respecto a la esperanza.
𝑉(𝑥) = 𝜎 2 = 𝐸[𝑥 − 𝐸(𝑋)]2
= 𝐸(𝑥 2 ) − [𝐸(𝑥)]2
∞ ∞ 2

𝑉(𝑥) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 [ ∫ 𝑥𝑓(𝑥)𝑑𝑥]

−∞ −∞

Propiedades
Sean 𝑋 e 𝑌 son variables aleatorias discretas y 𝑘, 𝑘1 y 𝑘2 constantes:
• 𝑉(𝑘) = 0
• 𝑉(𝑋 ± 𝑘) = 𝑉(𝑋)
• 𝑉(𝑘𝑋) = 𝑘 2 𝑉(𝑋)
• 𝑉(𝑘1 𝑋 ± 𝑘2 ) = 𝑘12 𝑉(𝑋)
• 𝑉(𝑋 ± 𝑌) = 𝑉(𝑋) ± 𝑉(𝑌) si 𝑋 e 𝑌 son v.a. independientes.

Instituto Científico del Pacífico

www.icip.edu.pe
Distribución Normal
Distribuciones muestrales
Una estadígrafo 𝑻 es una función 𝒕(𝒙𝟏 , . . . , 𝒙𝒏 ) de los valores de las
observaciones de una muestra de tamaño 𝒏. Para una población de 𝑵
elementos, se puede obtener: 𝑵𝒏 ó 𝑷(𝑵, 𝒏) muestras posibles de tamaño
𝒏, dependiendo de la selección de la muestra (con reemplazo o sin
reemplazo respectivamente).

La distribución Muestral o de Muestreo es la distribución de probabilidad

del estadígrafo 𝑇, que tiene tantos valores diferentes como muestras
posibles de tamaño 𝑛 se puede obtener.

Para determinar la distribución muestral de una estadística o estadígrafo,

es necesario conocer:
• La población y el parámetro.
• Todas las muestras posibles.
• Todos los valores posibles.

Cuando la población es infinita, la distribución muestral se debe

considerar como una distribución muestral teórica, dado que no es
posible conocer todas las muestras posibles.

Cuando la población es finita y de un tamaño moderado, se puede

construir la distribución muestral, que se debe considerar como una
distribución muestral experimental.
En este último caso, se puede obtener todas las muestras posibles de
tamaño n, calculando sus respectivas estadísticas, así como sus
probabilidades de ocurrencia.
Cuando se estudia una distribución muestral es necesario conocer:
• Su forma funcional.
• Su valor esperado.
• Su varianza.

Distribución Normal
La mayor parte de los fenómenos del comportamiento humano se
comportan de la siguiente manera:

Instituto Científico del Pacífico

www.icip.edu.pe
  La mayoría de las puntuaciones se concentran en el centro de la
distribución.

 Tanto en el extremo inferior como en el superior, encontraremos

sólo algunos casos.

Esta distribución se llama así por ser la más frecuente en la naturaleza,

esto es porque muchas variables siguen esta distribución de frecuencias.
1 (𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2𝜎2 ; 𝑥 ≥0
𝜎√2𝜋
Teorema del límite central (TLC)
Definición: Sea X una población que tiene distribución normal con media
𝜇 y varianza 𝜎 2 y sea 𝑥1 , … , 𝑥𝑛 una muestra aleatoria extraída de esta
población.
• Luego la media muestral está dada por:
𝑛
1
𝑥̅ = ∑ 𝑥𝑖
𝑛
𝑖=1

• Tiene un valor esperado y una varianza dados por:

𝜎2
𝐸(𝑥̅ ) = 𝜇 𝑉(𝑥̅ ) =
𝑛

Instituto Científico del Pacífico

www.icip.edu.pe
Distribución de la Media Muestral
Caso de la varianza 𝝈𝟐 conocida
Si x tiene una distribución con varianza, la distribución muestral de la
media está dada por:
𝜎2 𝑥̅ − 𝜇
𝑥̅ ~𝑁 (𝜇, ) ⇒ 𝑧 = ~𝑁(0,1)
𝑛 𝜎/√𝑛
Si el tamaño de la población N es conocido, se puede afirmar que la
Distribución Muestral de la Media estaría dada por:
𝜎2 𝑁 − 𝑛 𝑥̅ − 𝜇
𝑥̅ ~𝑁 (𝜇, )⇒𝑧= ~𝑁(0,1)
𝑛 𝑁−1 2
√𝜎 𝑁 − 𝑛
𝑛 𝑁−1
Caso de la varianza 𝝈𝟐 desconocida y n>30
Si la varianza es desconocida y el tamaño de la muestra es grande, se
puede afirmar que la Distribución muestral de la media está dada por:
𝑠2 𝑥̅ − 𝜇
𝑥̅ ~𝑁 (𝜇, )⇒𝑧= ~𝑁(0,1)
𝑛 𝑠/√𝑛

Si el tamaño de la población N es conocido, se puede afirmar que la

distribución muestral de la media estaría dada por:
𝑠2 𝑁 − 𝑛 𝑥̅ − 𝜇
𝑥̅ ~𝑁 (𝜇, )⇒𝑧= ~𝑁(0,1)
𝑛 𝑁−1 2
√𝑠 𝑁 − 𝑛
𝑛 𝑁−1
Caso de la varianza 𝝈𝟐 desconocida y 𝒏 ≤ 𝟑𝟎
Si la varianza es desconocida y el tamaño de la muestra es pequeño, se
puede afirmar que la Distribución muestral de la media está dada por:
𝑥̅ − 𝜇
𝑡= ~𝑡(𝑛−1)
𝑠/√𝑛

Si el tamaño de la población N es conocido, se puede afirmar que la

distribución muestral de la media estará dada por:
𝑥̅ − 𝜇
𝑡= ~𝑡(𝑛−1)
2
√𝑠 𝑁 − 𝑛
𝑛 𝑁−1

Instituto Científico del Pacífico

www.icip.edu.pe
Distribución de la proporción muestral
Sea X una población donde una parte de sus elementos satisfacen cierta
característica. Esto quiere decir que:
1, 𝑆𝑖 𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑒 𝑙𝑎 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛
𝑥={
0, 𝑁𝑜 𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑒 𝑙𝑎 𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛
La proporción 𝜋 de la población que satisface cierta característica está
dada por:
𝐾 ∑𝑁
𝑖=1 𝑋𝑖
𝜋= =
𝑁 𝑁
𝐾 es número de observaciones que satisface la característica y 𝑁 es el
tamaño de la población.
Si se tiene una muestra aleatoria extraída de la población 𝑥1 , … , 𝑥𝑛 la
proporción de la muestra está definida por:
𝑘 ∑ 𝑋𝑖
𝑝= =
𝑛 𝑛
𝑘 es número de observaciones que satisface la característica y 𝑛 es el
tamaño de la muestra.
Cuando 𝑛 > 30, la distribución muestral de proporción de la muestra está
dada por:

𝜋(1 − 𝜋) 𝑝 − 𝜇𝑝
𝑝~𝑁(𝜇𝑝 , 𝜎𝑝2 ) 𝜇𝑝 = 𝜋 𝜎𝑝 = √ ⇒𝑧= ~𝑁(0, 1)
𝑛 𝜎𝑝

Cuando el tamaño de la población 𝑁 es conocido se tiene que:

𝜋(1 − 𝜋) 𝑁 − 𝑛 𝑝 − 𝜇𝑝
𝑝~𝑁(𝜇𝑝 , 𝜎𝑝2 ) 𝜇𝑝 = 𝜋 𝜎𝑝 = √ ( )⇒𝑧= ~𝑁(0, 1)
𝑛 𝑁−1 𝜎𝑝

Instituto Científico del Pacífico

www.icip.edu.pe
Bibliografía
Badii, M. H., & Castillo, J. (2009). Distribuciones probabilísticas de uso
común (Probabilistic distributions of common use). Daena:
International Journal of Good Conscience, 4(1), 149-178.
<Consultado el 21 de marzo de 2016>.
http://www.spentamexico.org/v4-n1/4(1)%20149-178.pdf
Páginas Web

Distribución de Probabilidades – GALEON. Consultado el 21 de marzo de

2016.
http://metodoscuantitativo2.galeon.com/enlaces2218784.html

Instituto Científico del Pacífico

www.icip.edu.pe
Instituto Científico del Pacífico
www.icip.edu.pe
CURSO DE MÉTODOS ESTADÍSTICOS CON MINITAB –
NIVEL BÁSICO
SESIÓN 5 – TAREA

1. Defina variable aleatoria discreta y de 5 ejemplos de la

misma.
2. Considere un experimento que consiste en lanzar una
moneda 3 veces y sea X una variable aleatoria que
representa el número de caras obtenidas en los tres
lanzamientos. ¿Cuál es el espacio muestral generado?
¿Cómo se distribuye la probabilidad de ocurrencia del
evento? Grafíquela y muestre dicho diagrama.
3. Defina a la distribución normal y diga cuál es la
importancia de esta.

Instituto Científico del Pacífico

www.icip.edu.pe