FACULTAD DE INGENIERÍA

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

3.1. Introducción

En el lenguaje corriente se utiliza el término "probabilidad" para designar el grado de

confianza que una persona tiene sobre la ocurrencia de un determinado
suceso f u t ur o .

La probabilidad es una parte de nuestras vidas cotidianas. En la toma de decisiones

personales y administrativas, nos enfrentamos a la incertidumbre y utilizamos la teoría
de la probabilidad, admitimos o no el uso de algo tan complejo. Cuando, escuchamos
una predicción de un 70% de posibilidades de lluvia, cambiamos nuestros
planes de salir el día de campo y nos quedamos viendo televisión o
escuchando música. Los profesionales que se encargan de inventarios de ropa de
moda para mujer deben preguntarse sobre las posibilidades de que las
ventas alcancen o excedan un cierto nivel.

3.2. Experimento aleatorio, espacio muestral, eventos.

3.2.1. Experimento aleatorio. Es todo proceso que consiste en la ejecución de

un acto (o prueba) una o más veces, cuyo resultado en cada prueba depende del
azar y en consecuencia no se puede predecir con certeza.
Por ejemplo, son experimentos aleatorios: lanzar un dado y observar el resultado,
contar objetos defectuosos producidos diariamente por cierto proceso, aplicar una
encuesta para obtener opiniones, etc.

3.2.2. Espacio muestral. Se denomina espacio muestral al conjunto que consiste

de todos los resultados posibles de un experimento aleatorio. Este conjunto se
denota por 
Cada resultado posible de un experimento aleatorio es un elemento del espacio
muestral y se denomina también punto muestral.

Ejemplo 3.1. Sea el experimento aleatorio de lanzar una moneda y un dado a la

vez, y observar los resultados posibles. En este caso espacio muestral es
el conjunto:

1 = { 1C, 2C,3C, 4C, 5C, 6C, 1S, 2S, 3S,4S,5S, 6S }

Ejemplo 3.2. El experimento aleatorio de lanzar una moneda 3 veces, consiste de

3 pruebas, cuyo espacio muestral puede escribirse como el conjunto de ternas
ordenadas:

 2 = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS }

NOTA: Los espacios muéstrales de experimentos aleatorios que consisten 13

de dos o mas pruebas sucesivas obtienen también de un diagrama tipo
árbol, como el la figura 3.1, para Ώ 2

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

 1°Prueba 2°Prueba 3°Prueba puntos muéstrales

C CCC
C
S CCS
C
C CSC
S
S CSS

C SCC
C
S SCS
S
C SSC
S
S SSS

Figura 3.1 Diagrama del Árbol.

3.2.3. Eventos. Se denomina evento a cualquier subconjunto de un espacio muestral

y lo denotaremos por A, B, C, D, E, etc. Así si A es un evento entonces A  Ω.

En particular Ω y Φ (conjunto vacio) son eventos. Al espacio muestral Ω se le llama evento

seguro y a Φ evento imposible.

Ejemplo 3.3. En el experimento aleatorio de lanzar un dado y observar el número

que aparece en la cara superior, el espacio muestral asociado este experimento es:

Ω = 1,2,3,4,5,6
i) A observar un número impar, entonces A = {1, 3, 5 }
ii) B observar un número menor que 4, entonces B = {1, 2, 3 }
iii) C observar

3.3. Principios básicos de probabilidades.

Cuando se hacen afirmaciones como "Juan probablemente ganara la partida de tenis"

tengo el 50% de posibilidad de obtener un número par al lanzar un dado", "No
estoy seguro de ganar en la Tinka este domingo". En cada caso se expresa
un resultado del cual no se tiene plena certeza, pero en virtud de la información que
se tiene del pasado o de la compresión de la estructura del experimento, se logra 13
cierto grado de confianza en la valides de la aseveración.

3.3.1. Definición de probabilidad. La probabilidad de un evento es la razón entre el

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
número de casos favorables y el número total de casos posibles.

La probabilidad del evento A, denotado por " P(A)" es expresada como:

P(A) = Numero de maneras en que el experimento ocurre favorable a A

Numero total de maneras en que el experimento puede ocurrir

La probabilidad de un evento varíía entre 0 y 1 (aunque a veces se expresa en tantos por

cien; entonces varíí a entre 0 y 100). Una probabilidad i g ual a 1 indica nuestra absoluta
certeza de que el suceso ocurriraí , mientras que una probabilidad nula indica nuestra
absoluta certeza de que el suceso no ocurriraí . Valores intermedios senñ alan, estados de
mayor o menor confianza en la ocurrencia del suceso.

3.3.2. Probabilidad experimental.

La probabilidad que se ha estado considerando están basadas en un conocimiento a

priori de las frecuencias favorables de un evento y de todos los resultados posibles
que puede ocurrir.
En algunas ocasiones, la única forma de determinar una probabilidad es repitiendo un
experimento muchas veces, para ver la frecuencia con que ocurrirían los posibles
resultados. Mientras más se repita el experimento aparece un modelo de regularidad,
esto es, habrá una estabilidad de la fracción p=f/n (frecuencia relativa), donde n = es
el número de repeticiones y f es de un particular resultado establecido antes de la
realización del experimento.
Por ejemplo, en el lanzamiento de una moneda, se puede estimar la probabilidad de
caras y sellos al repetirlo un gran número de veces y registrar los resultados.

3.4. Algunos teoremas sobre probabilidad.

3.4.1. Teorema de adicción.

Teorema 1. Si A y B son dos eventos cualquiera, entonces la probabilidad de que

tenga lugar uno de los dos eventos, es:

P(A U B) = P(A) +P(B) – P(A ∩ B) .

Corolario 1. Si A y B son eventos mutuamente excluyentes, entonces:

P(A U B) = P(A) +P(B)

Corolario 2. Si A1, A2, ..., An son eventos mutuamente excluyentes, entonces:

P(A1 U A2 U… UAn) =P(A1) + P(A2) +……+P(An)

Teorema 2. Para tres eventos A,B y C

13
P(A U B U C) = P(A)+ P(B) + P(C) – P(A ∩ B) - P(A ∩ C) - P(B ∩ C) + P(A ∩ B ∩ C)

Teorema 3. Si A y A´ son eventos complementarios, entonces: P(A) + P(A´) = 1

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

Ejemplo 3.4. Los empleados de una cierta compañía han elegido a cinco de
ellos para que les representen en el concejo administrativo y de personal sobre
productividad. Los perfiles de los cinco elegidos son :
1. Hombre edad 30
2. Hombre 32
3. Mujer 45
4. Mujer 20
5. Hombre 40

Este grupo decide elegir a un vocero, la elección se efectúa sacando de un sombrero

uno de los nombres impresos. Nuestra pregunta es, ¿cuál es la probabilidad de que el
vocero sea mujer o cuya edad esté por arriba de 35 años?.-

Utilizando el teorema 1, podemos establecer la respuesta a nuestra pregunta como:

P(mujer o mayor de 35 años) = P(mujer) + P(mayor de 35 años) -P(mujer y

2 2 1 3
mayor de 35)    
5 5 5 5

Ejemplo 3.5. Suponga que en un sorteo la probabilidad de ganar el primer premio

es 2/5 y la de ganar el segundo premio es 3/8. si la probabilidad de ganar al
menos uno de los 2 premios es 3/4, calcular la probabilidad de ganar:

a) sólo uno de los dos premios, b) ninguno de los dos premios.

Solución.-

Sean los eventos: A: " ganar el primer premio" y B: "ganar el segundo premio".

Se tiene P(A) = 2/5 , P(B) = 3/8 , y P(AUB) = 3/4.

Sustituyendo estos valores en: P(AUB) = P(A) + P(B) – P(A∩B) resulta:
2 3 3 1
P(A∩B)=   
5 8 4 40

Las probabilidades de cada una de las partes de se indican en la figura siguiente:

figura siguiente:

13

a) la probabilidad de ganar sólo uno de los dos premios es:

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
 15 14 29
P  A  B´   A´ B     
40 40 40

a) La probabilidad de no ganar ninguno de los premios es:

10
P  A´B´  
40
Ejercicio. De 100 personas que presentaron solicitud para un puesto de analista de
sistemas en una empresa grande el año pasado, 40 tenían alguna experiencia
de trabajo (T) y 30 tenían un certificado profesional (C). Sin embargo, 20 de
los solicitantes tenían tanto experiencia de trabajo como certificado, y, por ello, están
incluidos en ambos conteos.

a) construya un diagrama de Venn para ilustrar estos eventos.

b) ¿cuál es probabilidad de que un solicitante elegido al azar tenga experiencia
de trabajo o certificado (o ambos).
c) ¿cuál es probabilidad de que un solicitante elegido al azar tenga experiencia
de trabajo o certificado, pero no ambos.

3.4.2. Probabilidad condicional.

A la probabilidad de que un evento B se dé cuando se sabe que algún otro evento A

se ha presentado se llama "probabilidad condicional" y se escribe P(B/A). Está
expresión, se lee: " probabilidad de que B ocurra dado que ocurrió A”.

Definición. La probabilidad condicional de B, dado A, se define

P A  B 
P  B / A  , siP  A >0
P ( A)

3.4.3. Regla de multiplicación

Teorema 1. Si en un experimento pueden ocurrir los eventos A y B, entonces

P  A  B   P  A P  B / A

Así. la probabilidad de que se presenten ambos es igual a la de que se dé A multiplicada

por la de que ocurra B, dado que ocurrió A.

También se puede escribir: P  B  A  P B  P  A / B 

Teorema 2. Dos eventos A y B son independientes si y sólo si:

P  A  B   P  A P  B 
Es decir, si la ocurrencia (o no-ocurrencia) de un evento no influye en la ocurrencia o 13
no-ocurrencia) del otro evento.

Teorema 3. Si en un experimento, los eventos Al, A 2,……., AK , pueden ocurrir, entonces:

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

P A1  A2  A3  ....  AK   P  A1 P  A2 / A1 P A3 / A1  A2 ...P  Ak / A1  A2  ..... AK 

Si los eventos Ai, A2, ... , AK son independientes, entonces:

P  A1  A2  A3  ....  AK   P A1 P  A2  P  A3 ...P  Ak 

Ejemplo 3.6. Dos divisiones de productos distintos de una empresa grande son
productos marinos (M) y equipos de oficina (O). Se estima que la probabilidad de
que productos marinos tenga un margen de utilidad de cuando menos 10% en este
año fiscal es de 0.30, la probabilidad de que la división de equipo de oficina tenga un
margen de utilidad de cuando menos 10% es 0.20 y la probabilidad de que ambas
divisiones tengan un margen de utilidad de cuando menos 10% es 0.06.

a) Determinar la probabilidad de que la división de equipo de oficina tenga un

margen de utilidad de cuando menos 10%, dado que la División de productos
marinos alcanza ese criterio de utilidad.

b) Aplique una prueba apropiada para determinar si el logro de la meta de utilidades

de las dos divisiones es estadísticamente independiente.

Solución.

P O  M  0.06
A) P O / M    0.20
P M  0.30
B) P  O  M   P  O  P M 
0.06 = 0.30 x 0.20
Como 0.06 = 0.60, los dos eventos son independientes

Ejemplo 3.7. De doce cuentas que se tiene en un archivo, cuatro contienen un error
de procedimiento en la elaboración de los saldos.

A). Si un auditor elige al azar dos de las 12 cuentas (sin reemplazo), ¿cuál es la
probabilidad de que las cuentas contenga error de procedimiento?

B). Si el auditor elige al azar dos cuentas (sin reemplazo), ¿cuál es la

probabilidad de que una de las cuentas contenga error de procedimiento?

C). Si el auditor muestra tres cuentas, ¿cuál es la probabilidad de que

ninguna de las cuentas incluya el error?

D). Si el auditor muestra dos cuentas al azar, ¿cuál es la probabilidad de que

cuando menos una de ellas tenga error?

13

Solución.

a) En este caso los eventos son dependientes porque el resultado de la primera

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
cuenta de la muestra afecta las probabilidades que se aplican a la segunda.
Sean los eventos: E1 La primera cuenta que se muestrea contiene error.

E2 La segunda cuenta que se muestra contiene error.

4 3 12
P  E 1  E 2   P  E 1 P  E 2 / E 1     0.091
12 11 132

b) P  E1  E2   P E1  P E2 / E1  
8 4 32
´ ´ ´
   0.2424
12 11 132
       8
12

7 6
c) P E1´  E2´  E 3  P E1´ P E2´ / E1´ P E3´ / E1´  E2´     
336
11 10 1320
 0.2545

a) P(cuando menos un error) =

P E1  E 2   P E1  E2´   P  E1´  E 2  

    
 P E1 P E 2 / E1  P E1 P E2´ / E1  P E1´ P E 2 / E1´ 
4 3 4 8 8 4 76
=        0.5758
12 11 12 11 12 11 132

3.4.4. Teorema de Bayes.

Teorema 1. (Probabilidad total)

Si los eventos B1, B2, ... , Bk constituyen una partición del espacio muestral Ω de tal
forma que P(Bi) >0 para i =1, 2, ..., k, entonces para cualquier evento A en Ω,
k
P  A   P  Bi  P  A / Bi 
i 1

Ejemplo 3.8. Si hay un aumento en las inversiones de capital el siguiente

año. La probabilidad de que aumente el precio del acero estructural es de
0.90. si no hay aumentos en esa clase de inversiones, la probabilidad de
aumento es de 0.40 en forma global, se estima que existe una probabilidad
del 60% de que aumenten el siguiente año las inversiones de capital.

a) Al utilizar I e I' para indicar que se dan los aumentos y que no se dan aumentos
en las inversiones de capital, y utilizando A y A' para representar los aumentos
y los no aumentos en los precios del acero estructural, construya un diagrama
de árbol para esta situación que implica eventos dependientes.

a) ¿Cuál es la probabilidad global de un aumento en el precio del acero

estructural del siguiente año?
13
Solución

b) 0.90 A

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

 0.60 I

0.10 A

0.40 A

0.40 I’

0.60 A

c) P A  P I  P A / I   P I ´ P( A / I ´)   0.60   0.90   0.40   0.40  0.70

Teorema 2. (Regla de Bayes)

Si los eventos B1, B2, ... , Bk constituyen una partición del espacio muestral Ω, de tal
forma que P(Bi) >0 para i =1, 2, ..., k, entonces para cualquier evento A en Ω tal
que P(A) >O,

P Br  P A 
P Br / A  k  Br 
para i=1, 2, 3, ….., k
 P Bi  P A 
i 1  Bi 

Ejemplo 3.9. Con respecto al ejemplo 3.8, suponga que, de hecho, aumentan los
precios del acero estructural en el siguiente año. ¿Cuál es la probabilidad de que haya
habido un aumento en las inversiones de capital?. Solución. Mediante la fórmula de
Bayes, tenemos:

P  I  P A / I   0.60 0.90 0.54

P  I / A    0.77
P  I  P A / I   P I ´ P A / I ´  0.60 0.90   0.40 0.40 0.70

Ejercicio. Se estima que la probabilidad de que una compañía B tenga éxito al

comercializar un producto es de 0.95 si su competidora la compañía A no interviene en
el mercado. y es de 0.1 5 si la compañía A interviene en el mercado. Si se estima que
A intervendría en el mercado con probabilidad de 0.7.
a) Cuál es la probabilidad de que la Cía. B tenga éxito? Respuesta: 0.39
b) Si la compañía B no tuviera éxito, ¿en cuanto se estima la probabilidad de
que A intervenga en el mercado? Respuesta: 0.975

13
3.5. Variables aleatorias.
Definición. Una función X definida sobre un espacio maestral Ω, donde cada
elemento W  Ω le corresponde un número real x = X(w), se denomina variable
aleatoria.
ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
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 c: lanzar 3 monedas y observar el resultado. En
este caso tenemos que, Ω= {CCC, CCS, CSC, SCC, CSS, 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. Di st ri buci ones de Pr obabi l i dad de ti po di scr et o: Bi nom i al, 13

Poi sson. Característica. Aplicaciones.

3.6.1. Distribución Binomial.

La distribución binomial es una distribución de probabilidad discreta aplicable
ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
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:
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  x n x
P X  x   p q q  1 p

 x
Teorema . Si X~ B(n ,p), entonces,

a) µ = E(X) = n p, b)  2
= V(X) = n p (l -p)
Ejemplo 3.12. Debido a las elevadas tasas de interés, una empresa reporta que el 30%
0% 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, Rx={0, 1, 2, 3, 4, 5 }
X ~ B(5, 0.3)
13

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

 5
a) P(X = 0/ n = 5, p = 0.30)=   (0.30)0(0.7 0)5 = 0.16807

0

5
b) P(X = 2) =   (0.30)2(0.7 0)3 = 0.3087

 2
c) P(X≤3)=P(X=0)+P(X=1)+P(X=2)+P(X=3)

= 0.1 681 +0. 36 02+ 0.3 08 7+0. 13 23 =0.9 69 3

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 

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 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 durante una hora dada?
c) ¿Cuál es la probabilidad de que al menos cuatro personas que curiosean
compren 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 13
una hora dada".

Rx ={ 0, 1, 2, 3, 4..... 15 }, X~ B(15, 0.3)

a) P(X = 0) = 0.0047
ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
 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.

16.2. 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 última 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 UPAO 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 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 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 λ (λ > 0) y
se escribe X ~ P(λ ), si su función de probabilidad es:

e   x
P(x) =P(X =x) = , x = 0, 1, 2, ... ,
X!

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

13
Teorema. Si X ~P(λ), entonces: a) E(X) = λ, b) V(X) =λ

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.
ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
 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(λ), donde λ = 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:
e 3  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(0.5X) = 0.5E(X) = 0.5 x 3 =1.5

Ejemplo 3.15. Una empresa textil produce un tipo de tela en rollos de 100 metros. El
numero 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.

Solución. Sea X el número de defectos encontrados en un segmento de 20 metros

de tela que ocurre con promedio λ= 4. La probabilidad de encontrar k defectos en
el segmento de 20 x t metros de tela es:

e  t  t 
k
P(X = k) = , k = 0 , 1 , 2 , 3,.......
k!
donde λt es el promedio de defectos en el se gmento de 20 x t metros de tela.
a) El promedio de defectos en los primeros 50 metros de tela es λt = 4 x 2.5 = 10 (t
=2.5 aumenta la longitud de 20 a 50 metros) y la probabilidad de que se
encuentre menos de tres defectos en los primeros 50 metros de tela es: 13

2
e 1010 k
P X3  P X  2     0.0028
k 0 k!

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

b) El promedio de defectos en los primeros 5 metros de tela es λt = 4 x (1/4) = 1 (t =
1/4 reduce la longitud de 20 a 5 metros) y la probabilidad de no encontrar defectos
en los primeros 5 metros de tela es:

e 1 1
0
P X  0   0.3679
!

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.

La distribución de Poisson es una buena aproximación de la

distribución binomi al cuando n >= 20 y p≤0. 05. En los casos en que
se cumplen est as condiciones, podemos sustituir la media de la distribución
binomial (np) en lugar de la media de la distribución de Poisson (λ), de modo que la
formula queda:

e  np  np 
x
P(X=x)=
x!

Ejemplo 3.16. El U.S. Bureau of Printin- 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 binominal: (1000,0.005), esto es
13
 1000

 0.005  0.995
x 1000  x
P(X=x)=  x=0,1,2,…., 1000
 x 
La probabilidad de que más de 9 de los billetes presenten errores es:

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

 x
 1000
9 
P(X>9)=(X≥10)=1-P(X≤9)=1-    0.005  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: λ = np = 1000(0.005) = 5

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

e5  5
9 x

P(X>9)=(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).

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
dist ribuciones de frecuencias r eales observadas en muchos f enóm enos,
incluyendo características humanas (pesos, alturas, IQ), resultados de
13
procesos físicos (dimensiones y rendimientos) y muchas otras medidas de
interés para los profesionales , 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
ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura
media  y varianza  2 , y se escribe X ~ N(  ,  2 ), si su función de densidad es
dada por:

 x 
1
f  x  .e 2 2   x  
2 .

Donde      ,   0 .Su gráfica es la figura siguiente.

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.

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 encuentra también en el centro; en consecuencia,
para una curva normal, la media, la mediana y la moda tiene 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: 13
X 
Z


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

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura



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

z2
1 2
f  z  e -∞<z<∞
2

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

 z

0 z
Figura 3.3. Curva normal estandarizada.

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

t2
1 2
  z   P Z  z   
z
e dt

2

 z

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,
13
a   b  b   a   
P a  X  b   P  Z       
         

Ejemplo 3.17. Utilizando la tabla de probabilidad normal estándar, hallar:

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

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≤-l.98) f) P(Z ≥ -0.68)

Solución .

a) Directamente de la tabla normal estándar se obtiene:

P( Z ≤ l.2)= 0.5+P( 0≤ Z≤1.2) = 0.5 + 0.38849 = 0.8849

0.8849
Z
0 1.2
c) 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 13
-3 -1.28 0

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

 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 3.18. 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
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. 13
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.,
¿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

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

 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)=

d) Sea X0 el periodo de tiempo el cual arriba se encuentra el 10% de los traslados

más lentos.

Es decir que: P(X ≥x0) = 0. 10

X
24
Z
0 1.28

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

Ejercicio. Investigaciones hechas por la federal Deposit insurance Corporation

muestran que el tiempo de vida de una cuenta de ahorros regular que se tiene en uno
de los bancos miembros de la corporación es de 24 meses en promedio, con una
desviación estándar de 7.5 meses. Si los tiempos de vida de las cuentas de
ahorros están distribuidos aproximadamente en forma normal,
a) Si un depositante abre una cuenta en un banco miembro de la corporación,
¿cuál es la probabilidad de que todavía haya dinero en la cuenta después de 28
meses?- 13
b) ¿Cuál es la probabilidad de que la cuenta sea cerrada antes de un año?-

Aproximación Normal a probabilidades Binomiales.

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura

Cuando el número de observaciones o ensayos n es relativamente grande, puede
utilizarse la distribución binomial para aproximar las probabilidades binomiales. Una
regla aceptable para determinar cuándo puede utilizarse la aproximación normal
a las probabilidades binomiales es tener en cuenta que tanto np  5 como nq ≥5

Hemos visto que cuando p es muy pequeña y n es grande, la aproximación de

Poisson a la Binomial es buena.

Ejemplo 3.19. La probabilidad de que un paciente se recupere de una rara

enfermedad de la sangre es 0.4. Si se sabe que 100 personas han contraído está
enfermedad, ¿ cuál es la probabilidad de que menos de 30 sobrevivan?.-

Solución.

Sea la variable aleatoria binomial X que representa el número de pacientes que

sobreviven.

Los posibles valores de X son 0, 1, 2,……..100. en este caso la distribución binomial

es:

100 
P(X=x)    0.4 x  0.6 100  x X=0,1,2,………..,100
X

Dado que n =100 es grande, deben obtenerse resultados bastantes precisos utilizando
la aproximación de la curva normal con:

  np  100  0.4  40 y   npq  100  0.4  0.6  4.899

Entonces la probabilidad de que menos de30 pacientes de 100 sobrevivan, es:

P(X<30)=P(X≤29) = P(X ≤ 29 +1/2) = P(X ≤ 29.5)

 X  40 29.5  40 
 P    P  Z  2.14  0.0162
 4.899 4.899 

13

ESTADÍSTICA – INGENIERÍA | Universidad Particular Antenor Orrego - Piura