40

Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

Capítulo 3.

DISTRIBUCIONES DE PROBABILIDAD

3.6. Variables aleatorias.

Definición. Una función X definida sobre un espacio muestral , donde cada
elemento w   le corresponde un número real x = X(w), se denomina variable
aleatoria.
Una variable aleatoria puede ser:
 Discreta, si el rango de X es un conjunto finito o infinito numerable, es decir,
R X  x1 , x 2 , ..., x k ,.....
 Continua, si el rango de X, RX , es un intervalo sobre la recta de los números
reales.

Ejemplo 3.10. Sea el experimento : lanzar 3 monedas y observar el resultado.

En este caso tenemos que,  = {CCC, CCS, CSC, SCC, CSS, SCC, SCS, SSC, SSS.

Sea X: número de caras obtenidas en las tres monedas, entonces X así definida es
una variable aleatoria que toma los siguientes valores:
X(SSS) = 0
X(CSS) =.X(SCS) = X(SSC) = 1
X(CCS) =.X(CSC) = X(SCC) = 2
X(CCC) = 3

Luego RX = {0, 1, 2, 3.

Ejemplo 3.11. Un lote de artículos grande contiene artículos defectuosos D, y no

defectuosos N. Se extrae sucesivamente artículos hasta lograr un artículo defectuoso
y definimos X como el número de extracciones. Determinar el rango de la v.a X.

Solución.-

3.6. Distribuciones de Probabilidad de tipo discreto: binomial, Poisson.

Característica. Aplicaciones.

3.6.1. Distribución Binomial.

La distribución binomial es una distribución de probabilidad discreta aplicable como

modelo a diversas situaciones de toma de decisiones, siempre y cuando pueda
suponerse que el proceso de muestreo se ajuste a un proceso Bernoulli. Un proceso
Bernoulli es un proceso de muestreo en el que:

Dr. César Haro Díaz

 41
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

1) Sólo son posibles dos resultados mutuamente excluyentes en cada ensayo u

observación. Por conveniencia, a estos resultados se les denomina éxito y
fracaso.
2) Los resultados del conjunto de ensayo u observaciones, constituyen eventos
independientes.
3) ) La probabilidad de éxito, que se denota mediante p, permanece constante de
un ensayo a otro.

Puede utilizarse la distribución binomial para determinar la probabilidad de obtener

un número determinado de éxitos en un proceso Bernoulli. Se requieren tres valores:
el número especifico de éxitos (X), el número de ensayos u observaciones (n) y la
probabilidad de éxito en cada uno de los ensayos ( p). La fórmula para determinar la
probabilidad de un número determinado de éxitos X para una distribución binomial
es:
n
P(X  x)   p x q n  x , donde q = 1 - p
x
Teorema. Si X  B(n, p), entonces,

a) μ  E(X)  np , b) σ 2  V(X)  np(1  p)

Ejemplo 3.12. Debido a las elevadas tasas de interés, una empresa reporta que el
30% de sus cuentas por cobrar de otras empresas están vencidas. Si un contador toma
una muestra aleatoria de cinco de esas cuentas, determine la probabilidad de cada
uno de los siguientes eventos: a) ninguna de las cuentas está vencida, b)
exactamente dos cuentas están vencidas, c) a lo más hay tres cuentas vencidas d) la
mayor parte de las cuentas están vencidas e) exactamente el 20% de las cuentas están
vencidas.

Solución.·

Sea la variable aleatoria X: número de cuentas vencidas, R X ={ 0, 1, 2, 3, 4, 5 

X ~ B(5, 0.3)

5
a) P( X  0 / n  5, p  0.30)   ·(0.30) 0 ·(0.70) 5  0.16807
0

 5
b) P( X  2)   ·(0.30) 2 ·(0.70) 3  0.3087
 2
P( X  3 )  P( X  0)  P( X  1)  P( X  2)  P( X  3)
c)
 0.1681  0.3602  0.3087  0.1323  0.9693

d) P( X  3 )  P( X  3)  P( X  4)  P( X  5)  0.1631

X
e) P(  0.20 )  P( X  1 )  0.3602
n

Dr. César Haro Díaz

 42
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

Ejemplo 3.13. El Sr. Seminario está a cargo de la sección de electrónica de un gran

centro comercial. Se ha dado cuenta de que la probabilidad de que un cliente que
solamente se encuentra curioseando compre algo es de 0.3. Suponga que 15 clientes
visitan la sección de electrónica cada hora.
a) ¿Cuál es la probabilidad de que ninguna de las personas que curiosean compre
algo durante una hora dada?
b) ¿Cuál es la probabilidad de que no más de cuatro personas que curiosean compren
algo durante una hora dada?
c) ¿Cuál es la probabilidad de que al menos cuatro personas que curiosean compren
algo en una hora dada?
d) ¿Cuál es el número esperado de personas que curiosean compren algo en una hora
dada?

Solución. Sea la v.a X: "el número de clientes que curiosean compren algo durante
una hora dada".
RX = {0, 1, 2, 3, 4... 15 X ~ B (15, 0.3)
a) P(X  0)  0.0047
b) P(X  4)  0.5154
c) P(X  4)  1  P(X  3)  1  0.2968  0.7032
e) Como n = 15 y p = 0.3, entonces el número esperado de personas que
compren algo en una hora dada es : E(X) = n·p = 15x0.3= 4.5 personas.

3.6.2. Distribución de Poisson.

La distribución de Poisson debe su nombre a Simeón Denis Poisson (1781 - 1840),

un francés que desarrollo la distribución a partir de los estudios que realizó durante la
ultima parte de su vida.

La distribución de Poisson se utiliza para describir cierto tipo de procesos, entre los
que se encuentran las llamadas telefónicas que llegan a la central telefónica de la
UNP entre las 8 a.m a 12 a.m, la demanda diaria de los pacientes que requieren
servicio en el hospital "Cayetano Heredia"-Piura, las llegadas de camiones y
automóviles a una garita de peaje en una hora punta, el número de accidentes
regristados en una cierta intersección de calles durante un mes y el número de piezas
defectuosas por lote en un proceso de producción. Estos ejemplos tienen en común
un elemento: pueden ser descritos mediante una variable aleatoria discreta que toma
valores enteros (0, 1, 2, 3, 4, 5, etc.). El número de pacientes que llegan al
consultorio de un medico en un cierto intervalo de tiempo será de 0, 1, 2, 3, 4, 5 ó
algún otro número entero. De manera parecida, si usted cuenta el número de
automóviles que llegan a una garita de peaje de alguna carretera durante un período
de 20 minutos, el número será de 0, 1, 2, 3, 4, 5 y así consecutivamente.

Definición. Se dice que la variable aleatoria discreta X, cuyos valores posibles son:
0, 1, 2, ... , tiene distribución de Poisson con parámetro  ( > 0) y se escribe X ~
P(), si su función de probabilidad es:

Dr. César Haro Díaz

 43
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

e  λ ·λ x
p(x)  P(X  x)  , x = 0, 1, 2, ... ,
x!

donde  es el promedio eventos para el tiempo o dimensión especifico de interés.

Teorema. Si X ~ P(), entonces: a) E(X) =  b) V(X) = 

Ejemplo 3.14. Suponga que llegan en forma aleatoria una serie de llamadas a una
central telefónica con un promedio de tres llamadas por minuto.
a) calcular la probabilidad de que en el período de un minuto:
a1) no ocurra llamada alguna,
a2) ocurra al menos 4 llamadas.
b) Si cada llamada cuesta S/. 0.50, ¿cuánto es el costo esperado por llamadas.
Solución.
a) Sea X el número de llamadas que ocurren en el período de un minuto.
X ~ P(), donde  = 3 es el promedio del número de llamadas por minuto.
a1) La probabilidad de que no ocurra llamada alguna en el período de un minuto
es:
e 3 (3) 0
P(X  0)   0.0498
0!
a2) La probabilidad de que ocurran al menos 4 llamadas en el período de un
minuto es:
3
e 3 (3) k
P(X  4)  1  P(X  3)  1    1  0.6472  0.3528
k 0 k!

b) Sea C el costo por llamada, entonces, C = 0.5 X , y

E (C )  E (0.5 X )  0.5E ( X )  0.5  3  1.5

Ejercicio. Una empresa textil produce un tipo de tela en rollos de 100 metros. El
número de defectos que se encuentra al desenrollar la tela es una variable aleatoria de
Poisson que tiene en promedio 4 defectos por cada 20 metros de tela.
a) ¿Qué probabilidad hay de que al desenrollar la tela se encuentre menos de tres
defectos en los primeros 50 metros?
b) Hallar la probabilidad de que al desenrollar la tela no se encuentre defectos en el
primer segmento de 5 metros de tela.

La distribución de Poisson como una aproximación de la distribución binomial

En algunas ocasiones, si deseamos evitar la tediosa tarea de calcular distribuciones

binomiales de probabilidad, podemos utilizar la distribución de Poisson. La
distribución de Poisson puede ser una razonable aproximación de la binomial, pero
sólo bajo ciertas condiciones. Tales condiciones se presentan cuando n es grande y p
es pequeña, esto es, cuando el número de ensayos es grande y la probabilidad
binomial de tener éxito es pequeña.

Dr. César Haro Díaz

 44
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

La distribución de Poisson es una buena aproximación de la distribución

binomial cuando n  20 y p  0.05. En los casos en que se cumplen estas
condiciones, podemos sustituir la media de la distribución binomial (np) en lugar de
la media de la distribución de Poisson (), de modo que la formula queda:

e  np (np) x
P(X  x) 
x!

Ejemplo 3.15. El U.S. Bureau of Printing and Engraving (Departamento de

Impresiones y grabados) de Estados Unidos es el responsable de imprimir papel
moneda en aquel país. El departamento tiene una impresionantemente baja
frecuencia de errores de impresión; sólo 0.5% de los billetes presentan errores graves
que no permiten su circulación. ¿Cuál es la probabilidad de que de un fajo de 1000
billetes más de 9 presenten errores que no permitan su circulación?-

Solución.
Sea X el número de billetes que presentan errores que no permitan su circulación en
el fajo de 1000 billetes. Los posibles valores de X son 0, 1, 2, 3,..., 1000 y se
distribuyen según el modelo binomial: B(1000, 0.005), esto es:

1000 
P(X  x)   (0.005) x (0.995) 1000 x x = 0, 1, 2,..., 1000
 x 

La probabilidad de que más de 9 de los billetes presenten errores es:

9
1000 
P(X  9)  P( X  10)  1  P( X  9)  1    (0.005) x (0.995) 1000 x
x 0  x 

= 1- 0.969 = 0.031

Si utilizamos la distribución de Poisson como aproximación a la distribución

binomial, se tiene: = np = 1000(0.005) = 5

1000  e 5 (5) x
P(X  x)   (0.005) x (0.995) 1000 x  y
 x  x!

9
e -5 (5) x
P(X  9)  P( X  10)  1  P( X  9)  1  
x 0 x!

= 1 - 0.968 = 0.030

Como podemos darnos cuenta, diferencia entre las dos distribuciones de probabilidad
es pequeña (sólo de aproximadamente 3% de error en este ejemplo).

Dr. César Haro Díaz

 45
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

3.7. Distribuciones de Probabilidad de tipo continuo. Normal, Característica.

Aplicaciones.

3.7.1. Distribución Normal.

Hasta este del capítulo, nos hemos ocupado por el análisis de las distribuciones de
probabilidad discretas. En la presente sección fijaremos nuestra atención a los casos
en que la variable puede tomar cualquier valor que éste en un intervalo de valores
dado, y en los cuales la distribución de probabilidad es continua.

Una distribución de probabilidad continua que es muy importante es la distribución

normal. Varios matemáticos han contribuido a su desarrollo, entre los que podemos
contar al astrónomo -matemático del siglo XIX Karl Gauss. En honor a su trabajo, la
distribución de probabilidad normal a menudo también se le lama distribución
gaussiana.

Existen dos razones básicas por las cuales la distribución normal ocupa un lugar tan
prominente en la estadística. Primero, tiene algunas propiedades que la hacen
aplicable a un gran número de situaciones en las que es necesario hacer inferencias
mediante la toma de muestras. Segundo, la distribución normal casi se ajusta a las
distribuciones de frecuencias reales observadas en muchos fenómenos, incluyendo
características humanas (pesos, alturas, IQ), resultados de procesos físicos
(dimensiones y rendimientos) y muchas otras medidas de interés para los
administradores, tanto en el sector público como en el privado.

3.7.1.1. Definición. Se dice que la variable aleatoria X tiene distribución normal con
media  y varianza 2, y se escribe X ~ N(,2), si su función de densidad es dada
por:
(x μ) 2
1 
f(x)  ·e 2σ 2
  x  
2π ·σ

donde    μ   ,  > 0. Su gráfica es la figura siguiente.

f(x)

 X

Figura 3.2. Gráfica de la función de densidad normal

Observe durante un momento la figura 3.2. Este gráfico pone de manifiesto varias
características importantes de una distribución normal de probabilidad.

Dr. César Haro Díaz

 46
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

1. La curva tiene un pico, por tanto, es unimodal. Tiene la forma de campana.

2. La curva es simétrica con respecto al eje vertical X = .
3. Debido a la simetría la distribución normal, la mediana y la moda de la
distribución se encuentran también en el centro; en consecuencia, para una
curva normal, la media, la mediana y la moda tienen el mismo valor.
4. Los dos extremos de la distribución normal de probabilidad se extienden
indefinidamente y nunca tocan el eje horizontal (desde luego, esto es
imposible de mostrar de manera grafica).
5. El área bajo la curva normal es 1.

3.7.1.2. Distribución normal estándar y uso de la tabla normal.

Considerando la diversidad de variables cuya distribución es aproximadamente

normal, se hace necesario emplear una función densidad normal que sea
independiente de los valores y unidades que puedan tomar dichas variables. Para esto
se define la variable estandarizada, z, de la siguiente forma:
X 
Z


que mide el número de desviaciones estándares que un valor x se desvía de la media

.

Para está variable estandarizada, se define la función de densidad estandarizada:

z2
1 
f(z)  ·e 2
  z  
2π

La variable estándar Z tiene media igual a cero y la varianza igual a 1.

(z)

z
0
Figura 3.3. Curva normal estandarizada.

Además, función de distribución acumulada de la normal estándar es:

t2

z 1
 ( z )  P( Z  z )  
2
·e dt

2

 (z)

Dr. César Haro Díaz

 47
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

Z
0 z
Figura 3.4. Área bajo la curva normal estandarizada.

No es necesario tener una tabla distinta para cada curva normal posible. En lugar de
ello podemos utilizar la distribución de probabilidad normal estándar para
encontrar áreas (probabilidades) bajo cualquier curva normal.

Si la variable aleatoria X tiene distribución N(,2), entonces, la variable aleatoria

Z = (X - )/ tiene distribución N(0,1).

Luego,
a   b b a
P ( a  X  b)  P   Z   ( ) ( )
     

Ejemplo 3.16. Utilizando la tabla de probabilidad normal estándar, hallar:

a) P( Z  1.2) b) P(0.81  Z  1.94) c) P(Z  -1.28) d) P(-0.46  Z  2.21)
e) P(-2.04  Z -1.98) f) P(Z  -0.68)

Solución .
a) Directamente de la tabla normal estándar se obtiene:

P( Z  1.2) = 0.5 + P( 0  Z  1.2) = 0.5 + 0.3849 = 0.8849

0.8849

Z
0 1.2

b) P(0.81  Z  1.94) = P(0  Z  1.94) - P( 0  Z  0.81) =

Z
-3 0 0.81 1.94 3

c) P(Z  -1.28) =

Z
-3 -1.28 0 3

Dr. César Haro Díaz

 48
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

d) P(-0.46  Z  2.21) =

Z
-3 -0.46 0 2.21 3

e) P(-2.5  Z -1.98) =

Z
-3 - 2.5 -1.98 0 3
f) P(Z  -0.68) =

Z
-3 -0.68 0 3

Ejemplo 3.17. Un abogado se traslada diariamente de su casa en los suburbios a su

oficina en el centro de la ciudad. En promedio el viaje le toma 24 minutos con una
desviación estándar de 3.8 minutos. Asuma que la distribución de los tiempos de
traslado está normalmente distribuida.
a) ¿Cuál es la probabilidad de que un traslado le tome al menos 1/2 hora?-
b) Si la oficina abre a las 9:00 a.m. y él sale de su casa a las 8:45 a.m.
diariamente, ¿qué porcentaje de las veces llega tarde a su trabajo?-
c) Si deja su casa a las 8:35 a.m. y en la oficina entre las 8:50 y las 9:00 a.m. se
toma café, ¿cuál es la probabilidad de que se pierda el café?-
d) Encuentre el período arriba del cual se encuentra el 10% de los traslados más
lentos.
Solución.
Sea la v.a X: tiempo que dura el traslado de un abogado desde su casa a la oficina.
Se sabe además que X ~ N[24, (3.8)2]

 X   30  24 
a) P( X  30)  P    P( Z  1.58)  0.5  P(0  Z  1.58) 
  3.8 

b) P(X  15) 

c) P(X  25) 

Dr. César Haro Díaz

 49
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

d) Sea x0 el período de tiempo arriba del cual se encuentra el 10% de los traslados
más lentos.
Es decir que: P( X  x0 )  0.10

X
24 X0
Z
0 1.28

Luego:
 X  24 x0  24   x  24 
P( X  x0 )  P     P Z  0  0.1
 3.8 3.8   3.8 
x0  24
Se observa en la tabla de la normal estandariza que 1.28  , de donde
3.8
resulta: x0  28.86 minutos

3.7.3. Distribución t de Student.

Definición. La variable aleatoria continua T se distribuye según t-student con r
grados de libertad y se representa por T ~ t (r), si su función de densidad es,

(r  1) / 2  t 2 
 ( r 1) / 2

f (t )  ·1     t  ,
(r / 2) π·r  r

donde r es un número positivo.

La gráfica de la distribución t se representa en la figura 3.6.

T
0
Figura 3.7. Gráfica de la distribución t - Student.

" Si Z y V son dos variables aleatorias independientes tales que Z está normalmente
distribuida con media cero y varianza 1, y V está distribuida como chi-cuadrado con r
grados de libertad, entonces, la variable aleatoria
Z
T
V /r
tiene distribución t- Student con r grados de libertad"

Dr. César Haro Díaz

 50
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

La distribución t- Student tiene las siguientes propiedades:

 Si la v.a T ~ t (r), entonces su media y su varianza son respectivamente:

r
μ  E(T)  0 σ 2  V(T)  , r > 2.
r2
 Su gráfica tiene forma de campana de Gauss, simétrica en cero.
 La varianza de la distribución t es mayor que de la distribución N(0, 1). Pero
cuando r   , la varianza de la t tiende a 1.
 La distribución t se aproxima a una distribución N(0, 1), cuando r   . La
aproximación es buena, si r  30 .

Si la v.a T ~ t(r), en la tabla de probabilidades t-Student se puede encontrar una

probabilidad 1- o un valor t(1-, r) , mediante la relación

P(T  t1 ,r )  1  α

1-

t
0 t(1-, r)

Figura 3.8. Área de la distribución t.

Ejemplo 3.18. Si T tiene distribución t-Student con 18 grados de libertad, hallar:

a) P(T  1.734) b) P(T  2.10) c) P(T  2.878)
d) P(1.330  T  2.552 ) e) P(T  2)

Solución.
a) P(T  1.734) = 0.05

b) P(T  2.10) = 1- P(T  2.10) =

c) P(T  2.878) = P(T  2.878) =

Dr. César Haro Díaz

 51
Capítulo 3. Probabilidad y Distribuciones de Probabilidad.

d) P(1.330  T  2.552 ) =

e) Por interpolación resulta p0  0.968

Ejemplo 3.19. Si X tiene distribución t con 10 grados de libertad, hallar el valor c tal que:
a) P( X  c)  0.01 b) P( X  c)  0.995 c) P( X  c)  0.05

d) P(c  X  c)  0.95 e) P( X  c)  0.08

Solución.

a) P( X  c)  0.01 , entonces, c = 2.764

b) P( X  c)  0.995 , implica, P( X  c)  0.005 , luego c = 3.169

c) P( X  c)  0.05 ,

d) P(c  X  c)  0.95 , implica, P( X  c)  0.025 , luego c =

e) Por interpolación se obtiene c = 1.548

Dr. César Haro Díaz