Beruflich Dokumente
Kultur Dokumente
DISTRIBUCIONES DE
PROBABILIDAD
2014 – 10
Texto sugerido
Estadística
Matemática con
aplicaciones.
WACKERLY,
MENDENHALL y
SCHEAFFER.
Editorial THOMSON.
Contenido
Distribuciones de Probabilidad.
• Variables aleatorias discretas y sus distribuciones de probabilidad,
distribución de probabilidad acumulada.
• Valor esperado y varianza de una variable aleatoria discreta, propiedades.
• Distribuciones de probabilidad discreta especiales (Binomial,
Hipergeométrica, Poisson, Binomial Negativa, Geométrica, Uniforme
Discreta)
• Distribuciones de probabilidad continua y sus distribuciones de probabilidad.
• Valor esperado y varianza de una variable aleatoria continua, función de
distribución.
• Distribuciones de probabilidad continua especiales (Normal, Exponencial,
Uniforme continua)
• Aproximaciones entre las distribuciones de probabilidad.
• Relación entre las distribuciones de Poisson y Exponencial.
Introducción
• Se pretende tomar los conceptos aprendidos (probabilidad,
condicionales, independencia, etc.) y aplicarlos a variables
aleatorias, en vez de eventos.
• Las variables aleatorias servirán para representar de manera
probabilística fenómenos relacionados con actividades
profesionales del ingeniero.
• Ejemplo: cantidad de Km. que recorre un vehículo hasta que se
daña, duración de la reparación de una máquina, etc.
• Revisaremos variables aleatorias conocidas, tanto discretas como
continuas.
• Conoceremos sus parámetros y varias medidas para éstas.
• Importancia de las variables aleatorias: la mayoría de los
fenómenos son del tipo probabilístico. Al conocer más información
sobre ellos podemos tomar decisiones más certeras y hacer, por
ejemplo, mejores diseños.
CONCEPTO DE VARIABLE
ALEATORIA
• Hasta el momento, el espacio muestral sólo es una
descripción detallada de cada posible resultado de
un experimento.
• La estadística realiza inferencias acerca de las
poblaciones y sus características.
• Por ejemplo, el espacio muestral cuando se prueban
tres componentes electrónicos, se escribe como:
S = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}
• Donde N denota no defectuoso y D defectuoso.
CONCEPTO DE VARIABLE ALEATORIA
• Evidentemente, nos interesa el número de no
conformes que se presenten.
• A cada punto en el espacio muestral se le asignará
un valor numérico de 0, 1, 2, ó 3.
• Estos valores son, por supuesto, cantidades
aleatorias determinadas por el resultado del
experimento.
• Se pueden ver como valores que toma la variable
aleatoria X.
Una variable aleatoria es una función que asocia
un número real a cada elemento del espacio
muestral de un experimento aleatorio.
CONCEPTO DE VARIABLE ALEATORIA
• Utilizamos una letra mayúscula, digamos X, para
denotar una variable aleatoria; y su correspondiente
letra minúscula, x en este caso, para uno de sus
valores.
• En el ejemplo de la prueba de componentes
electrónicos, la variable aleatoria X toma el valor de
x = 2 para todos los elementos en el subconjunto
E = {DDN, DND, NDD}
del espacio muestral S. Esto es, cada valor posible
de X representa un evento que es un subconjunto
del espacio muestral para el experimento dado.
CONCEPTO DE VARIABLE ALEATORIA
Ejemplo
• Se sacan dos bolas de manera sucesiva sin
reemplazo, de una urna que contiene 4 bolas rojas
y 3 negras.
• Los posibles resultados y los valores y de la
variable aleatoria Y, donde Y es el número de
bolas rojas, son: Espacio
y
Muestral
RR 2
RN 1
NR 1
NN 0
CONCEPTO DE VARIABLE ALEATORIA
Ejemplo
• El empleado de un almacén regresa tres cascos de seguridad al
azar a tres trabajadores de un taller siderúrgico que ya los
habían probado. Si Smith, Jones y Brown, en ese orden, reciben
uno de los tres cascos, liste los puntos muéstrales para los
posibles órdenes de regreso de los cascos, y encuentre m de la
variable aleatoria M que representa el número de asociaciones
correctas.
• Solución: Si S, J y B representan, respectivamente, los cascos
de Smith, Jones y Brown, se tiene:
Espacio
m
Muestral
SJB 3
SBJ 1
BJS 1
BSJ 0
JSB 1
JBS 0
CONCEPTO DE VARIABLE ALEATORIA
• En cada uno de los ejemplos anteriores, el espacio
muestral contiene un número finito de elementos.
• Cuando se lanza un dado hasta que salga un 5,
obtenemos un espacio muestral con una secuencia
de elementos interminables,
S = {F, NF, NNF, NNNF, NNNNF,…},
donde F y N representan, respectivamente, la
ocurrencia y la no ocurrencia de un 5.
• Sin embargo, incluso en este experimento el número
de elementos puede ser igual a todos los números
enteros, de manera que hay un primer elemento, un
segundo, un tercero y así sucesivamente, y en este
sentido se pueden contar.
CONCEPTO DE VARIABLE ALEATORIA
• Hay casos en los que la variable aleatoria es
categórica por naturaleza y se utilizan las llamadas
variables ficticias o indicadoras.
• Un buen ejemplo de ello es el caso en que la variable
aleatoria es binaria por naturaleza, como se indica a
continuación:
Ejemplo
• Considere la condición en que los componentes
llegan de la línea de ensamble y se clasifican como
no conformes y conformes. Defina la variable
aleatoria X mediante
1, |||| si _ el _ componente _ es _ no _ conforme
X
0, |||| si _ el _ componente _ es _ conforme ||||||||||
CONCEPTO DE VARIABLE ALEATORIA
Ejemplo
• Los estadísticos utilizan planes de muestreo ya
sea para aceptar o para rechazar lotes de
materiales. Suponga que uno de los planes de
muestreo implica el muestreo independiente de 10
artículos de un lote de 100 de ellos, donde hay 12
no conformes.
• Sea X la variable aleatoria definida como el
número de artículos que están no conformes en la
muestra de 10. En este caso, la variable aleatoria
toma los valores de 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
CONCEPTO DE VARIABLE ALEATORIA
Ejemplo
• Suponga que un plan de muestreo implica el muestro
de artículos hasta cuando se encuentre uno no
conforme.
• La evaluación del proceso dependerá de cuantos
artículos consecutivos se observan.
• En este aspecto, sea X una variable aleatoria que se
define como el número de artículos observados hasta
cuando salga uno no conforme.
• Se asigna N a conforme y D a no conforme; los
espacios muéstrales son S = (D) dado que X = 1
S = (ND) dado que X = 2, S = (NND) dado que X = 3,
S = (NNND) dado que X = 4, y así sucesivamente.
CONCEPTO DE VARIABLE ALEATORIA
Ejemplo
• El interés se centra en la proporción de personas
que responden a cierta encuesta por correo. Sea X
tal proporción. X es una variable aleatoria que
toma todos los valores de x para los cuales
0 <= x <= 1.
Ejemplo
• Sea X la variable aleatoria definida como el tiempo
de espera, en horas, entre conductores sucesivos
que exceden los límites de velocidad detectados
por una unidad de radar. La variable aleatoria X
toma los valores de x tales que x >= 0.
CONCEPTO DE VARIABLE ALEATORIA
Si un espacio muestral contiene un número
finito de posibilidades, o una serie
interminable con tantos elementos como
números enteros existen, se llama espacio
muestral discreto.
Elementos del SSS SSC SCS CSS CCS CSC SCC CCC
espacio muestral
Ley de
correspondencia
# de caras 0 1 2 3 caras
m 0 1 2 3
P (M = m ) 1/8 3/8 3/8 1/8
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
• Si se suponen pesos iguales para los eventos
simples del ejemplo de los cascos, la probabilidad
de que ningún empleado obtenga de vuelta su
casco correcto, es decir, la probabilidad de que M
tome el valor cero es 1/3. Los valores posibles m
de M y sus probabilidades son:
Espacio
m
m 0 1 3
Muestral
SJB 3 P (M = m ) 1/3 1/2 1/6
SBJ 1
BJS 1
BSJ 0 • Note que los valores de m
JSB
JBS
1
0
agotan todos los casos
posibles y por ello las
probabilidades suman 1.
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
• A cada valor que puede tomar una variable
aleatoria se le puede calcular su probabilidad
sumando la probabilidad de todos los puntos
muestrales que tienen asignado ese valor.
3/8
1/4 1/4
1/16 1/16
26
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
HISTOGRAMA DE PROBABILIDAD
6/16
4/16
1/16
1 2 3 4 5
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
6/16
4/16
1/16
1 2 3 4 5
DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD
1,2000
1,0000
1,0000 0,9375
0,8000 0,6875
0,6000
0,4000 0,3125
0,2000
0,0625
0,0000 1 2 3 4 5
0 1 2 3 4
Distribución Acumulada Discreta
VALOR ESPERADO DE UNA VARIABLE
ALEATORIA DISCRETA
• El valor esperado, la expectativa o media de
una variable aleatoria discreta Y con función de
probabilidad p(Y) se conoce como E(Y) y se
define como:
EY yp ( y )
y
VALOR ESPERADO DE UNA VARIABLE
ALEATORIA DISCRETA
• Teorema: Sea Y una variable aleatoria discreta
con una función de probabilidad p(y), y sea g(y)
una función de valores reales de y. Entonces el
valor esperado de g(y) está dado por:
Eg (Y ) g ( y ) p( y )
y
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
DISCRETA
• Teorema: la varianza de una variable aleatoria discreta Y
está definida como el valor esperado de (Y ) 2 . Es
decir:
V(Y) Var(Y) E Y μ 2
• La desviación estándar de Y es la raíz cuadrada positiva
de V(Y).
• Si la distribución de probabilidad representa fielmente la
distribución de frecuencias de la población, entonces
• EY Y V Y 2
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
DISCRETA
Teorema:
Sea c una constante. Entonces E(c)= c.
Teorema:
Sea g(Y) una función de una variable aleatoria Y y sea c
una constante.
Entonces: E[cg(Y)]=cE[g(Y)].
Teorema:
Sean g1(Y), g2(Y),…, gk(Y) funciones de la variable aleatoria
Y. Entonces:
E[g1(Y)+g2(Y)+…+gk(Y)]= E[g1(Y)]+ E[g2(Y)]+…+ E[gk(Y)].
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
DISCRETA
Media y varianza de una función lineal de una variable
aleatoria:
Teorema:
Sea Y una variable aleatoria y sea Z= aY+b, donde a y b
son constantes. Entonces,
• E[Z]= aE[Y]+b,
• V(Z)= a 2V (Y ) a 2Var (Y )
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
DISCRETA
Teorema:
V(Y)= Var(Y)= 2 E[(Y ) 2 ] E[Y 2 ] 2
Demostración:
3
E (Y ) yp ( y )
y 0
1 1 3 1
0 * 1* 2 * 3 *
8 4 8 4
1,75
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
DISCRETA
Ejercicio: opción 1
Halle el valor esperado, la varianza y la desviación estándar de la variable
aleatoria Y, cuya distribución de probabilidad es:
3
E[(Y ) ] ( y ) 2 p( y )
2 2
y 0
1 2 1 2 3 2 1
(0 1,75) ( ) (1 1,75) ( ) (2 1,75) ( ) (3 1,75) ( )
2
8 4 8 4
0,9375
2 0,9375 0,97
VALOR ESPERADO DE UNA VARIABLE ALEATORIA
DISCRETA
Ejercicio: Opción 2
Halle el valor esperado, la varianza y la desviación estándar de la variable
aleatoria Y, cuya distribución de probabilidad es:
E (Y 2 ) y 2 p ( y )
y
1 2 1 3 1
0 * 1 * 2 * 3 *
2 2 2
8 4 8 4
4
2 E (Y 2 ) 2 4 (1,75) 2 0,9375
DISTRIBUCIÓN UNIFORME
DISCRETA
•La más simple de todas las
distribuciones de probabilidad
discreta es aquella donde la
variable aleatoria toma cada uno
de sus valores con probabilidad
idéntica.
DISTRIBUCIÓN UNIFORME DISCRETA
Una variable aleatoria X es una variable aleatoria discreta
uniforme si cada uno de los n valores de su rango, por ejemplo,
x1, x2, x3,..., xn, tiene la misma probabilidad, por lo tanto
para x = x1, x2, x3,..., xn
f x; n
1
n
Suponga que X es una variable aleatoria uniforme discreta en
los números enteros consecutivos a, a+1, a+2, ..., b, para a b
b a 1 n
b a 12 1 1 n
EX i 2
x i x
2 n i 1 12 n i 1
45
DISTRIBUCIÓN UNIFORME DISCRETA
Ejemplo
• Para el problema encontramos que
1 2 3 4 5 6 21 7
3.5
6 6 2
b a 12 1 6 1 12 1 35
1.7078
12 12 12
1 3.52 2 3.52 3 3.52 4 3.52 5 3.52 6 3.52
17.5
35
1.7078
6 6 12
DISTRIBUCIÓN BINOMIAL
• Un ensayo que sólo tiene dos resultados posibles se
usa con tanta frecuencia como bloque de
construcción de un experimento aleatorio que se
conoce como ensayo de Bernoulli.
• Por lo general se supone que los ensayos que
constituyen el experimento aleatorio son
independientes.
• Esto implica que el resultado de un ensayo no
afecta el resultado que se obtiene en cualquier otro
ensayo.
• Además, con frecuencia es razonable suponer que
la probabilidad de un éxito en cada ensayo es
constante.
DISTRIBUCIÓN BINOMIAL
• Ejemplo: Las probabilidades de que un bit transmitido a
través de un canal de transmisión digital se reciba con
error es 0.1. Suponga además que los ensayos de
transmisión son independientes. Sea X el número de bits
con error en los siguientes 4 bits transmitidos. Determine
P(X = 2).
• Solución: E = bit con error; O = bit correcto.
RESULTADO X RESULTADO X
OOOO 0 EOOO 1
OOOE 1 EOOE 2 P( EEOO ) P( E ) P( E ) P(O) P(O)
OOEO 1 EOEO 2
P( EEOO ) (0.1) 2 (0.9) 2 0.0081
OOEE 2 EOEE 3
OEOO 1 EEOO 2 p( X 2) 6(0.0081) 0.0486
OEOE 2 EEOE 3
OEEO 2 EEEO 3
OEEE 3 EEEE 4
DISTRIBUCIÓN BINOMIAL (continuación)
Un experimento aleatorio que consta de n ensayos repetidos
tales que:
1. Los ensayos son independientes,
2. cada ensayo produce únicamente dos resultados posibles,
etiquetados como “éxito” o “fracaso”, y
3. la probabilidad de un éxito en cada ensayo, denotado como p,
permanece constante de un ensayo a otro. La probabilidad de un
fracaso es igual a q=(1-p),
4. se llama experimento binomial.
La variable aleatoria X que es igual al número de ensayos que
producen un éxito tiene una distribución binomial con
parámetros p y n = 1, 2,....
La función de masa de probabilidad de X es
n x
f x p 1 p , x = 0, 1, ..., n
n x
x
DISTRIBUCIÓN BINOMIAL (continuación)
• Para determinar que un experimento es
binomial es necesario examinar si reúne
las características definidas
anteriormente.
f x p 1 p
20 0,5 n x
x f(x) x
0 0,000000954
1 0,000019073
2 0,000181198
3 0,001087189
Distribución Binomial para Valores
4 0,004620552 seleccionados de n y p
5 0,014785767 f(x)
6 0,036964417
7 0,073928833
8 0,120134354
9 0,160179138
10 0,176197052
11 0,160179138
12 0,120134354
13 0,073928833
14 0,036964417
15 0,014785767
16 0,004620552
17 0,001087189 x
18 0,000181198
19 0,000019073
20 0,000000954
DISTRIBUCIÓN BINOMIAL (continuación)
n p n x
f x p 1 p
n x
10 0,1
x
x f(x)
0 0,348678440
1 0,387420489
2 0,193710245
3 0,057395628
4 0,011160261
5 0,001488035
6 0,000137781
7 0,000008748
8 0,000000365
9 0,000000009
10 0,000000000
DISTRIBUCIÓN BINOMIAL (continuación)
| p
n x
f x p 1 p
n x
10 0,9
x
x f(x)
0 0,000000000
1 0,000000009
2 0,000000364
3 0,000008748
4 0,000137781
5 0,001488035
6 0,011160261
7 0,057395628
8 0,193710245
9 0,387420489
10 0,348678440
DISTRIBUCIÓN BINOMIAL (continuación)
Ejemplo
• La probabilidad de que cierto componente
sobreviva a una prueba de choque es 3/4.
Encuentre la probabilidad de que sobrevivan
exactamente 2 de los siguientes cuatro
componentes que se prueben.
• Solución: Supongamos que las pruebas son
independientes y como p = ¾ para cada una de
las 4 pruebas, obtenemos
x 27
2 2
2
n 4
f x p 1 p
n x 3 1 4! 3
4
x 2 4 4 2!2! 4 128
DISTRIBUCIÓN BINOMIAL (continuación)
Ejemplo
• La probabilidad de que un paciente se recupere de una rara
enfermedad sanguínea es 0.4. Si se sabe que 15 personas contraen
tal enfermedad, ¿cuál es la probabilidad de que a) sobrevivan al
menos 10; b) sobrevivan de 3 a 8; y c) sobrevivan exactamente 5.
Ejemplo
• Solución: Respuesta a) Respuesta b)
Respuesta a) n p n p
9
15 15 0,4000 15 0,4000
P( X 10) 1 P( X 10) 1 0.4 1 0.4
x 15 x
x x
x 0 x 0 0,000470 3 0,063388
P( X 10) 1 P( X 10) 1 0.9662 0.0338 1 0,004702 4 0,126776
2 0,021942 5 0,185938
Respuesta b) 3 0,063388 6 0,206598
4 0,126776 7 0,177084
8
15 2
15
P(3 X 8) 0.4 1 0.4 0.4 1 0.4
x 15 x x 15 x 5 0,185938 8 0,118056
x 0 x x 0 x 6 0,206598 b) 0,877839
P(3 X 8) 0.9050 0.0271 0.8779 7 0,177084
8 0,118056 Respuesta c)
Respuesta c) 9 0,061214 0,966167 n p
10 0,024486 15 0,4000
5
15 4
15
P( X 5) 0.4 1 0.4 0.4 1 0.4
x 15 x x 15 x 11 0,007420 x
x 0 x x 0 x 12 0,001649 5 0,1859
13 0,000254 c)
P( X 5) 0.4032 0.2173 0.1859
14 0,000024
15 0,000001 0,033833
a) 0,033833
DISTRIBUCIÓN BINOMIAL (continuación)
Ejemplo
• Una cadena grande de tiendas al detalle compra cierto
tipo de dispositivo electrónico de un fabricante. El
fabricante indica que la tasa de defectos del dispositivo
es 3%.
a) El inspector de la cadena elige 20 artículos al azar de
un cargamento ¿Cuál es la probabilidad de que haya al
menos un artículo defectuoso entre estos 20?
b) Suponga que el detallista recibe 10 cargamentos en un
mes y que el inspector prueba aleatoriamente 20
dispositivos por cargamento ¿Cuál es la probabilidad
de que haya 3 cargamentos que contengan al menos
un dispositivo defectuoso?
DISTRIBUCIÓN BINOMIAL (continuación)
• Solución:
• Denote con X el número de dispositivos defectuosos entre los
20. Esta X sigue una distribución b(x; 20, 0.30). Por
consiguiente:
• a) X = número de dispositivos
defectuosos entre los veinte Ejemplo
n Respuesta a)
P( X 1) 1 P( X 0) 1 p x 1 p
n x
n p
x 20 0,0300
20
P( X 1) 1 0.03 1 0.03 0.4562
0 20 x
0 0,5438 0,4562
0
• b) Y = número de cargamentos que
Respuesta b)
contienen al menos un artículo defectuoso n p
Esta Y sigue una distribución b(y; 10, 0.4562). 10 0,4562
x
n 10 3 0,1602
P(Y 3) p y 1 p 0.4562 1 0.4562 0.1602
n y 3 7
y 3
DISTRIBUCIÓN BINOMIAL (continuación)
Ejercicio
• Se sabe que en un lote gigante de fusibles el 5% son
defectuosos. Determine la probabilidad de que se
encuentren al menos tres defectuosos en una muestra
aleatoria de 20 fusibles. ¿Cuantos fusibles en perfecto
estado esperará encontrar?
n x
P( X 3) 1 P( X 0) P( X 1) P( X 2) 1 p 1 p
n x
x
20 20 20 20 18
P( X 3) 1 0.05 1 0.05 0.05 1 0.0519 0.05 1 0.05
0 1 2
0 1 2
1 0,3584 0,377 0,1886
0,0759
DISTRIBUCIÓN BINOMIAL (continuación)
Ejercicio
• Se sabe que en un lote gigante de fusibles el 5% son
defectuosos. Determine la probabilidad de que se
encuentren al menos tres defectuosos en una muestra
aleatoria de 20 fusibles. ¿Cuantos fusibles en perfecto
estado esperara encontrar?
E X n p 2 V X n p 1 p
• El valor esperado en una binomial es np Pero la pregunta se
refiere a los fracasos de manera que encontramos el valor
esperado con n(1-p)= 20*0,95=19
DISTRIBUCIÓN BINOMIAL (continuación)
Ejercicio
La experiencia ha demostrado que el 30% de personas
afectadas por cierta enfermedad se recupera sin
tratamiento. Una compañía farmacéutica desarrolló un
nuevo medicamento. Se seleccionó al azar un grupo de
10 personas con la enfermedad en cuestión y se les
administró el medicamento; poco después nueve se
recuperaron. ¿Es la vacuna absolutamente ineficaz?
Utilice la probabilidad de que al menos nueve personas
de diez afectadas se recuperen.
DISTRIBUCIÓN BINOMIAL (continuación)
Ejercicio
• La experiencia ha demostrado que el 30% de personas afectadas por
cierta enfermedad se recupera sin tratamiento. Una compañía
farmacéutica desarrollo un nuevo remedio. Se selecciono al azar un
grupo de 10 personas con la enfermedad en cuestión y se les
administro el remedio; poco después nueve se recuperaron. ¿Es la
vacuna absolutamente ineficaz? Utilice la probabilidad de que al
menos nueve personas de diez afectadas se recuperen.
Con la vacuna Sin la vacuna
n n
P( X 10) P( X 9) p x 1 p
n x
P( X 10) P( X 9) p x 1 p
n x
x x
10 10 1 10
0.9 1 0.9 0.9 1 0.9 10 1
0.3 1 0.3 0.3 1 0.3
10 0 9
10 0 9
f x 1 p
x 1
p, x=1, 2, ...
DISTRIBUCIÓN GEOMÉTRICA
EX
1
2
V X
1 p
2
p p
. Figura. Distribución
geométrica para un valor
del parámetro p de 0.1.
f x 1 p p,
x 1 x =1, 2, ...
DISTRIBUCIÓN x
0
p = 0,1000000
f(x)
0,1111111
GEOMÉTRICA
1 0,1000000
2 0,0900000 f(x)
3 0,0810000 0,1200000
4 0,0729000
0,1000000
5 0,0656100
(continuación)
6 0,0590490 0,0800000
7 0,0531441
0,0600000
8 0,0478297
9 0,0430467 0,0400000
10 0,0387420
0,0200000
11 0,0348678
12 0,0313811 0,0000000
13 0,0282430 0 10 20 30 40 50 60 70
14 0,0254187
15 0,0228768
16 0,0205891
17 0,0185302
18 0,0166772
19 0,0150095
20 0,0135085
21 0,0121577
22 0,0109419
23 0,0098477
24 0,0088629
25 0,0079766
26 0,0071790
27 0,0064611
28 0,0058150
29 0,0052335
30 0,0047101
31 0,0042391
32 0,0038152
33 0,0034337
34 0,0030903
35 0,0027813
36 0,0025032
37 0,0022528
38 0,0020276
39 0,0018248
40 0,0016423
41 0,0014781
42 0,0013303
43 0,0011973
44 0,0010775
45 0,0009698
46 0,0008728
47 0,0007855
48 0,0007070
49 0,0006363
50 0,0005726
51 0,0005154
DISTRIBUCIÓN GEOMÉTRICA (continuación)
p = 0,1000000
x f(x)
1 0,1000000
2 0,0900000
3 0,0810000
4 0,0729000
5 0,0656100
6 0,0590490
7 0,0531441
8 0,0478297
9 0,0430467
10 0,0387420
DISTRIBUCIÓN GEOMÉTRICA (continuación)
f x 1 p
x 1
p
p = 0,9000000
x f(x)
1 0,9000000
2 0,0900000
3 0,0090000
4 0,0009000
5 0,0000900
6 0,0000090
7 0,0000009
8 0,0000001
9 0,0000000
10 0,0000000
DISTRIBUCIÓN GEOMÉTRICA (continuación)
Ejemplo
• La probabilidad de que un bit transmitido a través de un canal
de transmisión digital se reciba con error es 0.1. Suponga que
las transmisiones son eventos independientes y sea que la
variable aleatoria X denote el número de bits transmitido hasta
el primer error.
• Entonces, P(X = 5) es la probabilidad de que los cuatro
primeros bits se transmitan correctamente y que el quinto tenga
un error. Este evento puede denotarse como {OOOOE}, donde
O denota un bit correcto. Como los ensayos son independientes
y la probabilidad de una transmisión correcta es 0.9.
P(X = 5) = P(OOOOE) = (1 - p)X-1 p = 0.940.1 = 0.066
• Obsérvese de que hay cierta probabilidad de que X sea igual a
cualquier valor entero. Así mismo, si el primer ensayo es un
éxito, entonces X = 1. Por lo tanto, el rango de X es {1, 2, 3,..},
es decir, todos los enteros positivos.
DISTRIBUCIÓN GEOMÉTRICA (continuación)
Ejemplo
• Suponga que la probabilidad de que falle un motor durante
cualquier periodo de una hora es p=0,02. Encuentre la
probabilidad de que un motor funcione bien durante dos horas.
• SOLUCION
• Si Y denota el número de intervalos de una hora hasta la
primera falla del motor, tenemos que: ∞
2
• P(continúa funcionando 2 horas)= 1- 𝑦=1 𝑝(𝑦)
3
• Puesto que los ensayos son independientes, la probabilidad de que
ocurran exactamente 3 errores en los 9 primeros ensayos y que el
ensayo 10 sea el cuarto error es el producto de la probabilidad de estos
dos eventos, es decir, 9 9
0.1 0.9 0.1 0.1 0.9
3 6 4 6
3 3
DISTRIBUCIÓN BINOMIAL NEGATIVA (continuación)
r 1 3
3 3 3 3
0.0915 0.1647 0.1853 0.1668 0.6083
2 2 2
0.1664 0.2246 0.2021 0.5931
DISTRIBUCIÓN BINOMIAL NEGATIVA (continuación)
• Ejemplo 4.24 M
• Un avión de alto rendimiento contiene tres computadoras idénticas. Se utiliza únicamente
una para operar el avión; las dos restantes son repuestos que pueden activarse en caso de
que el sistema primario falle. Durante una hora de operación, la probabilidad de una falla en
la computadora primaria ( o de cualquiera de los sistemas de repuesto activados) es
0.0005. Suponiendo que cada hora representa un ensayo independiente, ¿cuál es el tiempo
promedio para que fallen las tres computadoras?
• Sea que X denote el número de horas hasta cuando los tres sistemas fallen, y sea que X1,
X2 y X3 denoten el número de horas de operación antes de una falla de la primera, la
segunda y la tercera computadoras usadas, respectivamente. Entonces X = X1 + X2 + X3.
Además que las horas comprenden ensayos independientes con probabilidad constante de
falla p = 0.0005. Por otra parte, una computadora de repuesto no es afectada por la
cantidad de tiempo que transcurra antes de activarse. Por consiguiente, X tiene una
distribución binomial negativa con p = 0.0005 y r = 3. En consecuencia, E X
r
p
E(X) = 3 / 0.0005 = 6000 horas
• ¿Cuál es la probabilidad de que las 3 computadoras fallen en un vuelo de 5 horas?
• La probabilidad pedida es P(X <= 5) y
P(X <= 5) = P(X = 3) + P(X = 4) + P(X = 5)
2 3 4
P X 5 1 0.0005 0.00053 1 0.0005 0.00053 1 0.0005 0.00053
0 1 2
2 2 2
P X 5 1.25 10 10 3.75 1010 7.49 1010 1.249 10 9
DISTRIBUCIÓN BINOMIAL NEGATIVA (continuación)
Taller en Clase 1: 4.69 M.
Suponga que X es una variable
aleatoria binomial negativa con p = 0,2
y r = 4. Determine lo siguiente:
a)E(X)
b)V(X)
c)P(X=20)
d)P(X=19)
e)P(X=21)
DISTRIBUCIÓN HIPERGEOMÉTRICA
• La producción de un día de 850 piezas manufacturadas contiene
50 piezas que no cumplen con los requerimientos del cliente. Se
seleccionan 2 piezas, al azar y sin reemplazo, de la producción de
un día. ¿Cuál es la probabilidad de que en la muestra haya 2
piezas que no cumplan con los requerimientos?
• Este experimento consta de 2 ensayos: se selecciona la primera
pieza y luego se selecciona la segunda. Si embargo, este
experimento presenta diferencias fundamentales con los ejemplos
basados en la distribución binomial.
• En este experimento, los ensayos no son independientes.
Obsérvese que en el inusual caso de que se hiciera el reemplazo
de cada unidad seleccionada antes de la siguiente selección, los
ensayos serían independientes y la probabilidad de que una pieza
no cumpla en cada ensayo sería constante.
DISTRIBUCIÓN HIPERGEOMÉTRICA (continuación)
• Sea que A y B denoten los eventos de que la primera y la
segunda pieza no cumplen, respectivamente; luego
P(A) = 50 / 850 y P(B | A) =49 / 849. Por consiguiente,
saber que la primera pieza no cumple, sugiere que es
menos factible que la segunda pieza seleccionada no
cumpla con los requerimientos del cliente.
• Sea X igual al número de piezas de la muestra que no
cumplen. Entonces,
P(X = 0) = P(ambas piezas cumplen)
= (800 / 850)(799 / 849) = 0.886
P(X = 1) = P(la primera pieza cumple y la segunda no, o
la primera pieza no cumple y la segunda si)
= (800 / 850) (50 / 849) + (50 / 850)(800 / 849) = 0.111
P(X = 2) = P(ambas partes no cumplen)
= (50 / 850)(49 / 849) = 0.003
DISTRIBUCIÓN HIPERGEOMÉTRICA
N n
A la expresión
N 1
se le conoce como factor de corrección
para poblaciones finitas.
DISTRIBUCIÓN HIPERGEOMÉTRICA (continuación)
• Ejemplo 4.25 M
• En el ejemplo, la producción de un día de 850 piezas manufacturadas
contiene 50 piezas que no cumplen con los requerimientos del cliente.
Se seleccionan 2 piezas, al azar y sin reemplazo, de la producción de un
día. ¿Cuál es la probabilidad de que en la muestra haya x piezas que
no cumplan con los requerimientos? x = 0, 1, 2
50 800
P ( X 0) 0 2 319600
0.886
850 360825
2 K N K
50 800
x nx
P ( X 1) 1 1
40000
0.111 f x
850 360825 N
2
n
50 800
P ( X 2) 1225 0.003
2 0
850 360825
2
DISTRIBUCIÓN HIPERGEOMÉTRICA (continuación)
• Ejemplo 4.26 M
• Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de
un proveedor de otra ciudad. Si se seleccionan 4 piezas al azar y sin reemplazo,
a) ¿Cuál es la probabilidad de que todas sean del proveedor local?
K N K 100 200
P( X 4)
f x
x n x 4 0
0.0119
N 300
n 4
b) ¿Cuál es la probabilidad de que dos o más piezas sean del proveedor
local?
100 200 100 200 100 200
P( X 2) 2 2 3 1 4 0
0.408
300 300 300
4 4 4
c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del
proveedor local? 100 200
P( X 1) 1 P( X 0) 1 0 4
0.804
300
4
DISTRIBUCIÓN HIPERGEOMÉTRICA (continuación)
• Ejemplo 4.27 M
• Un lote contiene 100 piezas de un proveedor de tubería local
y 200 unidades de un proveedor de otra ciudad. Si se
seleccionan 4 piezas al azar y sin reemplazo,
a) ¿Cuál es la media?
b) ¿Cuál es la varianza?
X f(X)
0 0,8187307531
1 0,1637461506
2 0,0163746151
3 0,0010916410
4 0,0000545821
5 0,0000021833
6 0,0000000728
7 0,0000000021
8 0,0000000001
9 0,0000000000
10 0,0000000000
11 0,0000000000
12 0,0000000000
13 0,0000000000
14 0,0000000000
15 0,0000000000
16 0,0000000000
17 0,0000000000
18 0,0000000000
19 0,0000000000
20 0,0000000000
DISTRIBUCIÓN DE POISSON (continuación)
n p
20 0,05
X f(X)
0 0,3678794412
1 0,3678794412
2 0,1839397206
3 0,0613132402
4 0,0153283100
5 0,0030656620
6 0,0005109437
7 0,0000729920
8 0,0000091240
9 0,0000010138
10 0,0000001014
11 0,0000000092
12 0,0000000008
13 0,0000000001
14 0,0000000000
15 0,0000000000
16 0,0000000000
17 0,0000000000
18 0,0000000000
19 0,0000000000
20 0,0000000000
DISTRIBUCIÓN DE POISSON (continuación)
n p
20 0,1
X f(X)
0 0,1353352832
1 0,2706705665
2 0,2706705665
3 0,1804470443
4 0,0902235222
5 0,0360894089
6 0,0120298030
7 0,0034370866
8 0,0008592716
9 0,0001909493
10 0,0000381899
11 0,0000069436
12 0,0000011573
13 0,0000001780
14 0,0000000254
15 0,0000000034
16 0,0000000004
17 0,0000000000
18 0,0000000000
19 0,0000000000
20 0,0000000000
DISTRIBUCIÓN DE POISSON (continuación)
n p
20 0,3
X f(X)
0 0,0024787522
1 0,0148725131
2 0,0446175392
3 0,0892350784
4 0,1338526175
5 0,1606231410
6 0,1606231410
7 0,1376769780
8 0,1032577335
9 0,0688384890
10 0,0413030934
11 0,0225289600
12 0,0112644800
13 0,0051989908
14 0,0022281389
15 0,0008912556
16 0,0003342208
17 0,0001179603
18 0,0000393201
19 0,0000124169
20 0,0000037251
DISTRIBUCIÓN DE POISSON (continuación)
n p
20 0,5
X f(X)
0 0,0000453999
1 0,0004539993
2 0,0022699965
3 0,0075666550
4 0,0189166374
5 0,0378332748
6 0,0630554580
7 0,0900792257
8 0,1125990321
9 0,1251100357
10 0,1251100357
11 0,1137363961
12 0,0947803301
13 0,0729079462
14 0,0520771044
15 0,0347180696
16 0,0216987935
17 0,0127639962
18 0,0070911090
19 0,0037321626
20 0,0018660813
DISTRIBUCIÓN DE POISSON (continuación)
n p
20 0,7
X f(X)
0 0,0000008315
1 0,0000116414
2 0,0000814898
3 0,0003802858
4 0,0013310003
5 0,0037268008
6 0,0086958686
7 0,0173917373
8 0,0304355403
9 0,0473441737
10 0,0662818432
11 0,0843587096
12 0,0984184945
13 0,1059891479
14 0,1059891479
15 0,0989232047
16 0,0865578041
17 0,0712828975
18 0,0554422536
19 0,0408521869
20 0,0285965308
DISTRIBUCIÓN DE POISSON (continuación)
n p
20 0,9
X f(X)
0 0,0000000152
1 0,0000002741
2 0,0000024673
3 0,0000148035
4 0,0000666159
5 0,0002398174
6 0,0007194521
7 0,0018500196
8 0,0041625441
9 0,0083250881
10 0,0149851586
11 0,0245211686
12 0,0367817529
13 0,0509285810
14 0,0654796041
15 0,0785755250
16 0,0883974656
17 0,0935973165
18 0,0935973165
19 0,0886711419
20 0,0798040277
DISTRIBUCIÓN DE POISSON (continuación)
Si X es una variable aleatoria de Poisson
con parámetro l, entonces la media y la
varianza de X son.
= E(X) = l y 2 = V(X) = l
DISTRIBUCIÓN DE POISSON (continuación)
• Es importante usar unidades consistentes en el
cálculo de probabilidades, medias y varianzas
cuando se trabaja con variables aleatorias de Poisson.
• Por ejemplo, si el número promedio de imperfecciones
por mm de alambre es 3.4, entonces:
– el número promedio de imperfecciones en 10 mm de alambre
es 34, y
– el número promedio de imperfecciones en 100 mm de
alambre es 340.
• Si una variable aleatoria de Poisson representa el
número de conteo en cierto intervalo, entonces la
media de la variable aleatoria debe ser igual al
número esperado de conteos en la misma longitud del
intervalo.
DISTRIBUCIÓN DE POISSON (continuación)
Ejemplo
• Para el caso del alambre delgado de cobre, suponga que el número de
imperfecciones sigue una distribución de Poisson con una media de 2.3
imperfecciones por milímetro. Determine la probabilidad de exactamente 2
imperfecciones en un milímetro de alambre.
• Sea que X denote el número de imperfecciones en un mm de alambre. Entonces
l
l
E(X) = 2.3 imperfecciones y x 2.3
f x
e e 2.3 2
, P( X 2) 0.265
x! 2!
• Determine la probabilidad de 10 imperfecciones en 5 mm de alambre. Sea que X
denote el número de imperfecciones en 5 mm de alambre. Entonces, X tiene una
distribución de Poisson con
E(X) = 5 mm * 2.3 imperfecciones/mm = 11.5 imperfecciones
Por lo tanto, P(x = 10) = e-11.5 11.510 / 10! = 0.113
• Determine la probabilidad de al menos una imperfección en 2 mm de alambre. Sea
que X denote el número de imperfecciones en 2 mm de alambre. Entonces X tiene
una distribución de Poisson con,
E(X) = 2 mm * 2.3 imperfecciones/mm = 4.6 imperfecciones
• Por lo tanto, P( X 1) 1 P( X 0) 1 e4.6 0.9899
DISTRIBUCIÓN DE POISSON (continuación)
Ejemplo
• La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre en un
disco óptico tiene una distribución de Poisson y el número promedio de partículas
por centímetro cuadrado de superficie del disco es 0.1. El área del disco bajo estudio
es de 100 cm2. Encuentre la probabilidad de que ocurran 12 partículas en el área del
disco bajo estudio.
• Sea que X denote el número de partículas en el área del disco bajo estudio. Puesto
que el número promedio de partículas es de 0.1 por cm2
E(X) = 100 cm2 x 0.1 partículas/cm2 = 10 partículas
l
l
Por lo tanto, x 10 12
e 10
f x
e
, P( X 12) 0.095
x! 12!
• La probabilidad de que ocurran cero partículas en el área del disco bajo estudio es
P(X = 0) = e-10 = 4.54 x 10-5
• Determine la probabilidad de que 12 o menos partículas ocurran en el área del disco
bajo estudio. La probabilidad es 12 10 i
e 10
P( X 12) P( X 0) P( X 1) ... P( X 12) 0.791
i 0 i!
DISTRIBUCIONES CONTINUAS
DE PROBABILIDAD
• Una variable aleatoria continua tiene una probabilidad cero de
tomar exactamente cualquiera de sus valores.
• En consecuencia, su distribución de probabilidad no se puede
dar en forma tabular.
• Ejemplo: Considérese una variable aleatoria cuyos valores son
las alturas de toda la gente mayor de 21 años. Entre dos
valores cualesquiera, digamos 163.5 y 164.5 cm, o incluso
entre 163.99 y 164.01 cm, hay un número infinito de alturas,
una de las cuales es 164 cm.
• Es remota la probabilidad de seleccionar al azar a alguien que
tenga exactamente 164 cm de estatura y no sea del conjunto
infinitamente grande de estaturas tan cercanas a 164 cm, que
humanamente no sea posible medir la diferencia; por ello,
asignamos una probabilidad cero a tal evento.
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
• En este caso, sin embargo, si nos referimos a la
probabilidad de seleccionar a una persona que, al
menos mida 163 cm pero no más de 165 cm de
estatura, tratamos ahora con un intervalo en vez
de un valor puntual de nuestra variable aleatoria.
• Trataremos el cálculo de probabilidades para
varios intervalos de variables aleatorias continuas
como P(a < X < b), P(W >= c), etc.
• Observe que cuando X es continua,
P(a X b) P(a X b) P( X b) P(a X b)
• Esto sólo es cierto cuando la variable X es
continua.
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
• Aunque la distribución de probabilidad de una
variable aleatoria continua no se puede
presentar de forma tabular, si se establece una
fórmula, la cual será necesariamente una
función de los valores numéricos de la variable
aleatoria continua X y como tal se representa
mediante la notación funcional f(x).
• Al tratar con variables continuas, f(x) por lo
general, se llama función de densidad de
probabilidad, o simplemente función de
densidad de X.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
(continuación)
Para una variable aleatoria continua X, una función de
densidad de probabilidad es una función tal que:
1. f x 0 para toda x ϵ R
f(x)
2. f x dx 1
a b x
b
3. Pa X b
f x dx área bajo la curva f x de a a b.
a
x3 1
x
x t2 t3
F ( x) f (t )dt dt
1 3 9 9
1
Por _ lo _ tan to ,
0, _____________ x 1,
x3 1
, _______ 1 x 2,
9
F ( x)
1, ____________ x 2.
• La distribución acumulada F(x) se expresa de forma
gráfica en esta figura. Así:
2 1 1
P(0 X 1) F (1) F (0) como en el ejemplo 3.11 W.
9 9 9
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
• Ejemplo 3.13 W
• El Departamento de Energía (DE) asigna proyectos
mediante licitación y, por lo general, estima lo que debería
ser una licitación razonable. Sea b el estimado. El DE
determinó que la función de densidad de la licitación
ganadora (baja) es 5 2
8b , ________________ 5 b y 2b,
f ( y)
0, ___ en _ cualquier _ otro _ caso.
• Encuentre F(y) y utilícela para determinar la probabilidad de
que la licitación ganadora sea menor que la estimación b
preliminar del DE.
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
2
Solución: Para b y 2b,
5
y
y 5 5t 5y 1
F ( y) dt
2 b / 5 8b 8b 8b 4
2b / 5
De _ manera _ que
2
0, _____________ y b,
5
5y 1 2
F(y) = , _______ b y 2b,
F ( y ) 8b 4 5
1, ____________ y 2b.
Para determinar la probabilidad de que la licitación
ganadora sea menor que la estimación b, se tiene:
5 1 3
P (Y b) F (b)
8 4 8
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
(continuación)
• Suponga que X variable aleatoria continua con función de
densidad de probabilidad f x
• La media o valor esperado de X, denotada como o E(X) es:
E X x f x dx
• La varianza de X, denotada como 2 o V(X) es:
V X
2
x
2
f x dx
• La desviación estándar de X es =[V(X)]1/2.
. Un histograma es una
aproximación de una
función de densidad de
probabilidad
DISTRIBUCIÓN UNIFORME CONTINUA
Una variable aleatoria continua X con función de densidad de
probabilidad
f x
1
, a xb
ba
tiene una distribución continua uniforme.
b a
2 V X
b a 2
E X
2 12
f(x)
Función de densidad de
probabilidad continua
uniforme.
x
DISTRIBUCIÓN UNIFORME CONTINUA (continuación)
Ejemplo 5.8 M
• Sea que la variable aleatoria continua X denote la corriente
media de un alambre delgado de cobre en miliamperios.
Suponga que el rango de X es [0, 20 mA], y suponga que la
función de densidad de probabilidad es,
f(x) = 0.05, 0<= x <=20.
• ¿Cuál es la probabilidad de que una medición de la corriente
esté entre 5 y 10 miliamperios?
10
P(5 X 10) f ( x)dx 5(0.05) 0.25
5
f(x)
0 5 10 15 20 x
• Además,
E(X) = 10 mA y V(X)= 202 / 12 = 33.33 mA2
Por consiguiente la desviación estándar de X es 5.77 mA.
DISTRIBUCIÓN UNIFORME CONTINUA (continuación)
E X V X 2
f(x)
Función de densidad de
probabilidad normal
x
DISTRIBUCIÓN NORMAL (continuación)
2 = 1
=5
DISTRIBUCIÓN NORMAL (continuación)
2 = 4
=5
DISTRIBUCIÓN NORMAL (continuación)
2 = 1
= 15
DISTRIBUCIÓN NORMAL (continuación)
Distribución normal estándar
A Una variable aleatoria normal con = 0 y 2 = 1 se le llama
variable aleatoria normal estándar. Una variable aleatoria
normal estándar se denota como Z.
Si X es una variable aleatoria normal con
E(X) = y V(X) = 2, entonces la variable aleatoria
X
Z
es una variable aleatoria normal con E(Z) = 0 y V(Z) = 1. Es
decir, Z es una variable aleatoria normal estándar.
Suponga que X es una variable aleatoria normal con media
y varianza 2. X x
P X x P PZ z
Entonces:
donde,
Z es una variable aleatoria normal estándar,
z = (x - / es el valor z que se obtiene al estandarizar X.
La probabilidad se obtiene introduciendo el valor de z en la
tabla de la distribución normal estándar.
DISTRIBUCIÓN NORMAL (continuación)
a) b) c)
Asignación
f x l e lx
para 0 ≤ x < ∞
Función de densidad de
probabilidad exponencial
x
DISTRIBUCIÓN EXPONENCIAL (continuación)
Ejemplo 5.21 M
• En una red de computadoras de una gran corporación, el acceso de
usuario al sistema puede modelarse como un proceso de Poisson con
una media de 25 accesos por hora. ¿Cuál es la probabilidad de que no
haya acceso en un intervalo de 6 minutos?
• Sea que X denote el tiempo en horas desde el principio del intervalo
hasta el primer acceso. Entonces, X tiene una distribución exponencial
con l = 25 accesos por hora.
• 6 minutos = 0.1 horas. La probabilidad pedida se indica en el área
sombreada de la figura.
P( X > 0.1) 25e 25x dx e 25x e 25( 0.1) 0.082
0.1
0.1
16.000.000 5 x
150
P(X > 150) 1 - P(X 150) 1 - 10 1 10 5 16.000.00 x
x 0 x
• El cálculo de esta probabilidad en este caso es complejo y en
este caso se puede recurrir e la distribución normal para obtener
una excelente aproximación en este ejemplo.
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL Y DE
POISSON (continuación)
Ejemplo 5.18 M
• El problema del canal de comunicaciones digital del
ejemplo anterior se resuelve como sigue:
X n p
n.p = 1*10^(-5) * 16.000.000 = 160 Z
n pq
x -5 25
P(X 2) P P( Z 1.415) 0.08
2.12 2.12
• Incluso para una muestra de apenas 50 bits, la
aproximación normal es razonable.
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN
BINOMIAL Y DE POISSON (continuación)
Ejemplo 6.15 W
• La probabilidad de que un paciente se recupere de una rara
enfermedad de la sangre es 0.4. Se sabe que 100 personas contrajeron
esta enfermedad, ¿cuál es la probabilidad de que menos de 30
sobrevivan?
• Solución: Representamos con la variable binomial X el número de
pacientes que sobreviven. Como n = 100, deberíamos obtener
resultados bastante precisos usando la aproximación de la curva
normal con = np = (100)(0.4) = 40
y npq 100 0.4 0.6 4.899
• Para obtener la probabilidad que se desea tenemos que encontrar el
área de la izquierda de x = 29.5. El valor de z que corresponde a 29.5
es 29.5 40
z 2.14
4.899
y la probabilidad de que menos de 30 de los 100 pacientes sobrevivan
es P(X < 30) ≈ P(Z < -2.14) = 0.0162
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL Y DE POISSON
(continuación)