CAPÍTULO 6

DISTRIBUCIONES TEÓRICAS DE PROBABILIDAD

1. INTRODUCCIÓN

Las distribuciones de probabilidad que se han determinado en un capítulo anterior, se conocen como funciones
empíricas. Las funciones teóricas de probabilidad corresponden a modelos que permiten expresar teorías sobre
el comportamiento ideal de una variable en la realidad.

Una distribución teórica se utiliza para:

 Expresar lo que puede esperarse de un universo, cuando se comporta como deseamos que lo haga.
 Como fuente de referencia, a fin de comparar con distribuciones observadas.
 Cuando las distribuciones observadas son difíciles de formalizar, se la utiliza para resolver problemas y
efectuar operaciones.
 Sirve para realizar inferencias y elaborar predicciones sobre el comportamiento de una variable cuando se
dispone de información limitada.

Las funciones teóricas de probabilidad correspondientes a variables discretas son:

 Binomial  Uniforme
 Hipergeométrica  Geométrica
 Poisson.  Binomial negativa
 Multinomial

Si la variable aleatoria es continua y se utiliza el análisis a grandes muestras, su función es:

 La Normal.

En casos de muestras pequeñas se usa:

 t de Student
 Chi-cuadrada
 F de Fisher.

Existen otras funciones continuas de probabilidad, como la uniforme, exponencial, log-normal, gamma, Erlang y
Weibull, que tienen aplicación en la simulación.

En este capítulo se estudiarán todas las funciones teóricas discretas de probabilidad y las distribuciones
continuas normal, uniforme y exponencial.

2. DISTRIBUCIONES TEÓRICAS DISCRETAS DE PROBABILIDAD

2.1. Introducción

En general, la determinación de un modelo teórico discreto de probabilidades para aplicarlo a un caso observado,
se realiza tomando en cuenta las siguientes características:

 La naturaleza del número de pruebas del experimento (fijo o variable).

 La naturaleza de los resultados del experimento (dicotómico o no).
 El carácter de la probabilidad en cada prueba (constante o variable).
 La determinación del carácter del experimento (Sucesos dependientes o independientes).

2.2. Distribución binomial

Es una distribución de probabilidad discreta, pues los datos recopilados son resultado de conteos. Se la utiliza
como modelo cuando:

92
 El número de pruebas o ensayos del experimento es fijo: “n”.
 El resultado solo puede tomar una de dos formas, comúnmente denominadas como éxito y fracaso. Cada
resultado es mutuamente excluyente.
 La probabilidad de éxito, “p”, permanece constante de un ensayo a otro y lo mismo sucede con la de fracaso,
“q”; tal que: p + q = 1.
 Los ensayos son independientes, lo cual significa que el resultado de un ensayo no afecta al resultado de
algún otro. Esta condición puede asegurarse mediante un muestreo con reposición en poblaciones finitas o el
muestreo de poblaciones infinitas o muy grandes.

La distribución probabilística binomial se puede describir utilizando la fórmula:

n
P(x)    p x q n  x
x
donde:

n, es el número de ensayos
x, es la variable aleatoria discreta del número de éxitos
p, es la probabilidad de éxito en cada ensayo
q, es la probabilidad de fracaso en cada ensayo, q = 1 - p
n n!
x 
  x!(n  x)! es la combinatoria de ‘n’ en ‘x’

La media esperada es:

  E(x)  np

La varianza esperada es:

 2  V(x)  n p q

El modelo se representa por el símbolo b(n, p, x) donde n y p, son parámetros conocidos.

Nota: La binomial en una distribución sesgada, pero para valores de p cercanos a 0.5 y n>20, se vuelve
prácticamente simétrica.

Los valores de probabilidad de un modelo binomial están tabulados y se presentan en forma de una distribución
acumulada de probabilidades. Estos valores se designan con el signo B(n, p, x) dispuestas en tablas con el
siguiente formato (Ver anexo de tablas al final del texto):

P
n x 0.1 0.2 0.3 ... 0.5
3 0
1 Valores de probabilidad acumulada
2

Ejemplo: En una clínica se han producido tres partos.

a) Calcule la probabilidad de que haya nacido una niña.

b) Calcule la probabilidad de que al menos hayan nacido dos niños.
c) Determine la tabla de distribución de probabilidad.
d) realice un gráfico de la distribución.
e) Calcule la media, la varianza, desviación y coeficiente de variación esperados de la distribución.

Resolución

Primero se verifica si las condiciones del problema que muestran una distribución de probabilidad, se pueden
ajustar al modelo binomial:

 Se efectúa un número de pruebas igual a 3, FIJO.

93
 Los resultados se clasifican en: "nacer niña, éxito" y "nacer niño, fracaso".
 La probabilidad de éxito en cada prueba es 0.5, constante.
 Las pruebas son independientes, porque habiendo nacido niña en una prueba no quiere decir que en la
anterior y la siguiente prueba nazca también niña.

El experimento, por características anteriores, se puede decir que sigue un modelo probabilístico binomial. Sus
probabilidades se resuelven usando la expresión del modelo binomial:

n=3
p (x) = 0.5
q (x) = 0.5

a) En este caso la variable "x" representa el número de niñas. Se desea resolver la probabilidad de que x=1.

Entonces:
1 3 1
 3  1  1  1  1 
P(x  1)         3      0.375
1 2  2  2  4 
Respuesta: Hay una probabilidad de 37.5% de que en tres partos haya nacido una niña.

b) En este caso la variable "x" representa el número de niños. Probabilidad de nacer 2 o más niños:

P (x  2 ) = P (x = 2 ) + P (x = 3 )
2 3 2 3
 3 1   1  3* 2  1 
P(x  2)            0.375
 2 2   2  1* 2  2 
3 0 3
 3   1   1  3* 2 *1  1 
P(x  3)            0.125
 3   2   2  1* 2*3  2 

Luego:
P(x  2)  0.5

Respuesta: Hay una probabilidad del 50% de que en tres partos hayan nacido 2 o más niños.

Los resultados anteriores pueden determinarse directamente leyendo en una tabla B(x, n, p) (tabla binomial de
frecuencia acumulada), donde n es el número de pruebas y p, la probabilidad de elementos.

P
n x 0.1 0.2 0.3 ... 0.5
3 0 0.1250
1 0.5000
2 0.8750
3 1.0000

a)
P(x  1)  P(x  1)  P(x  0)  0.5000  0.1250  0.3750

b)
P(x  2)  1  P(x  1)  1  0.5000  0.5000

c) Se concluye que la tabla acumulada es muy útil en la resolución de problemas, porque simplifica los cálculos.
Por otro lado es útil para obtener la distribución de probabilidad (Ver tabla 6.2.1).

d) A partir de la distribución, se puede determinar el diagrama de barras de la distribución (ver gráfico 6.2.1).

Lo más usual es que en tres partos nazcan 1 o 2 niñas. La distribución es bimodal.

94
 Tabla 6.2.1
Distribución de probabilidad de mujeres nacidas en tres partos

x P(x) Pac (x)

0 0.1250 0.1250
1 0.3750 0.5000
2 0.3750 0.8750
3 0.1250 1.0000
Total 1

Fuente: Elaboración propia

e) La media y la varianza esperada son:

E( x)=3(0 .5 )=1 .5 V ( x)=3 (0.5 )(0.5 )=0 .75

0. 87
CV = ∗100=57 . 7 %
S ( x)=0. 87 1. 5
Se concluye que se espera que en tres partos nazcan 1.5 niñas con una dispersión porcentual del 57.7%.

Gráfico 6.2.1
Diagrama de barras de la probabilidad de mujeres nacidas en tres partos
0.4

0.3

0.2
P(x)

0.1

0
0 1 2 3
x
Fuente: Elaboración propia

2.3. Distribución hipergeométrica

Es una distribución de probabilidad discreta al igual que la binomial, se utiliza cuando el tamaño de la muestra es
superior al 5% de la población y tiene las siguientes características:

 El número de pruebas o ensayos es fijo, “n”.

 El resultado solo puede tomar una de dos formas, comunmente denominadas como éxito y fracaso. Cada
resultado es mutuamente excluyente.
 La probabilidad de éxito no permanece constante de un ensayo a otro, es variable.
 Los ensayos deben ser dependientes. Esto ocurre cuando los ensayos son sin reposición y en poblaciones
finitas o pequeñas.

La fórmula para la distribución probabilística hipergeométrica es:

 N1  N  N1 
  
x nx 
P(x)   
 N
 
n
donde:

95
N, es el tamaño de la población
N1, es el número total de elementos de la categoría éxito en la población
n, es el número de ensayos o tamaño de la muestra
x, es el valor de la variable aleatoria discreta del número de éxitos

La esperanza matemática es:

E(x)  np
 Nn  N
V(x)  np(1  p)   p 1
La varianza esperada es:  N  1  , donde: N
Nota: Lamentablemente no se tienen tablas acumuladas para esta distribución, debido al número de variables
que se manejan.

Ejemplo: En una canasta existen 7 cítricos: 4 naranjas y 3 limas. Un niño elige 3 cítricos.

a) Qué probabilidad hay de que sean 2 naranjas?.

b) Cuál es la probabilidad de que hayan al menos 2 limas?.
c) Determine la distribución de probabilidad para el experimento.
d) Realice un gráfico adecuado de la distribución.
e) Calcule los estadígrafos más importantes de la distribución.

Resolución

El problema proporciona la siguiente información:

 El número de pruebas n=3, es fijo.

 El resultado de la prueba se clasifica en:
Éxito es que sean naranjas.
Fracaso es que sean limas.
 La probabilidad de obtener naranjas es diferente en cada prueba, por tanto también es diferente la
probabilidad de obtener limas.
 Las pruebas son dependientes, este resultado se ve afectado por la prueba anterior y afecta al siguiente.

Por lo tanto, la distribución empírica del problema se puede ajustar a un modelo hipergeométrico.

a) Obtener 2 naranjas.
 47  4 4*3
 23 2  *3
108
P (x = 2 ) =     = 1* 2 = = 0.51
7 7 * 6 * 5 210
 3 1* 2 * 3
 

Respuesta: En el 51% de los casos el niño podrá obtener 2 naranjas.

b) Sacar al menos 2 limas.

P (x  2 ) = P (x = 2 ) + P (x = 3 )
 3  4   3   4  3* 2
       *4
2 1 3 0 1*1 78
P(x  2)           1* 2    0.37
7 7 7 *6*5 7 *6*5 210
 3  3 1* 2*3 1* 2*3
   
Respuesta: En el 37% de los casos es posible que el niño haya obtenido al menos 2 limas.

c) La distribución de probabilidades para el experimento aleatorio se muestra en la tabla 6.2.2.

96
 Tabla 6.2.2
Distribución de probabilidad de elección de naranjas

x P(x) Pac (x)

0 0.028571 0.028571
1 0.342857 0.371428
2 0.514286 0.885714
3 0.114286 1.000000
Total 1

Fuente: Elaboración propia

d) Se muestra en el gráfico 6.2.2 el diagrama de barras para la distribución.

e) Los estadígrafos esperados son:

E( x )=3 ( 47 )=1 .71 V ( x )=3 ( 47 )(1− 47 )( 7−3

7−1 )
=0. 49
0.7
CV = ∗100=41%
S ( x )=0.7 1 . 71
Se concluye que si un niño elige 3 cítricos de entre 4 naranjas y tres limas, se espera que obtenga 1.71 naranjas
con una dispersión del 41%.

Gráfico 6.2.2
Diagrama de barras de la elección de naranjas

0.6
0.5
0.4
0.3
P(x)

0.2
0.1
0
0 1 2 3
x

Fuente: Elaboración propia

Lo más probable es que el niño obtenga 2 naranjas si elige de entre 3 cítricos, de un conjunto de 7 cítricos, donde
se tienen 4 naranjas y 3 limas.

2.4. Distribución de Poisson

También denominada ley de eventos improbables. Se aplica a problemas que cumplen las características de una
distribución binomial con probabilidad de éxito, “p”, pequeña (p<0.05) y tamaño de muestra, “n”, grande (n>25).
Tiene muchas aplicaciones. Se utiliza como modelo para describir fenómenos como la distribución de errores en
captura de datos, número de imperfecciones en piezas recientemente pintadas, número de clientes que hacen
cola en un banco, número de llamadas telefónicas, etc.

Matemáticamente puede escribirse utilizando la siguiente fórmula:

 x e 
P(x, ) 
x!
97
donde:

 es la media (esperanza matemática) del número de ocurrencias (éxitos) en un intervalo de tiempo dado. En

situaciones binomiales
  np y
 2  np , puesto que q  1.
x es la variable aleatoria discreta del número de éxitos.
e = 2.71828 (la base del logaritmo neperiano).

Ejemplo: Un estudiante de Administración de Empresas, cuando presenta sus informes de contabilidad, afirma
que comete por término medio 5 errores por página.

a) ¿Cuál es la probabilidad de que cometa al menos 4 errores por página?.

b) Determine la distribución de probabilidades.
c) Grafique la distribución.

Resolución

Del problema se obtiene la siguiente fórmula:

Número promedio de errores = tamaño de muestra * probabilidad = n * p

 Se supone que el tamaño de la muestra es bastante grande; n = 10000

 El resultado de la prueba es éxito: "error por página" y fracaso: "no tener error por página".
 La probabilidad de éxito es constante en cada prueba y además pequeña.
 Las pruebas son independientes porque cometer un error no influye en que se cometa otro.

Se pide:
P(x  4,   5)

Para resolver el problema afortunadamente existen tablas de probabilidad acumulada de Poisson (Ver anexo de
tablas al final del texto). Aquí se reproduce solamente una parte:

x 0 1 2 3 4 5 6 7 8 9

4.8 0.008 0.048 0.143 0.294 0.476 0.651 0.791 0.887 0.944 0.975
5.0 0.007 0.040 0.125 0.265 0.440 0.616 0.762 0.867 0.932 0.968
5.2 0.006 0.034 0.109 0.238 0.406 0.581 0.732 0.845 0.918 0.960

P(x  4,   5)  1  P(x  3,   5)  1  0.265  0.735

Respuesta: El estudiante tiene la probabilidad de 73.5% de cometer al menos 4 errores por página.
Nota: se usa indistintamente para la media de ocurrencias en un intervalo de tiempo dado, tanto  como  .

b) La distribución se halla a partir de la tabla acumulada (Ver tabla 6.2.3)

Tabla 6.2.3
Distribución de errores por página

Pac(x
x P(x) ) x P(x) Pac(x)
0 0.007 0.007 8 0.065 0.932
1 0.033 0.04 9 0.036 0.968
2 0.085 0.125 10 0.018 0.986
3 0.140 0.265 11 0.009 0.995
4 0.175 0.44 12 0.003 0.998
5 0.176 0.616 13 0.001 0.999
6 0.146 0.762 14 0.001 1
7 0.105 0.867   1  

98
 Fuente: Elaboración propia

c) La gráfica de la distribución se muestra en el gráfico 6.2.3.

Se puede observar que la distribución es bimodal. Lo más probable es que el estudiante cometa 4 o 5 errores por
página.

Gráfico 6.2.3
Diagrama de barras de la distribución de errores por página
0.20
0.18
0.16
0.14
0.12
0.10
P(x)

0.08
0.06
0.04
0.02
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
x
Fuente: Elaboración propia

2.5. Distribución multinomial

Un experimento aleatorio se comporta como una distribución multinomial cuando observa las siguientes
características:

 El número de pruebas del experimento es fijo.

 Los resultados del experimento se clasifican en categorías (K).
C1 , C 2 , . . . . , C K

 La probabilidad de éxito para cada categoría permanece constante en cada prueba y se expresa como:
P1 , P 2 , . . . . , P K

 Las pruebas son independientes, es decir el resultado de una prueba no afecta ni es afectado por el resultado
de la prueba anterior o la siguiente, respectivamente.

La probabilidad del experimento con estas características se calcula mediante la siguiente expresión:

n!
f ( x1, x 2,..., x K ) = * P ( x1) x1 * P ( x 2) x 2 *...* P ( x K ) x K
x1!* x 2!*...* x K!
n! n
f ( x1, x 2,..., x K ) = n *  P ( x i ) xi
 x i! i=1
i=1

Ejemplo: En una bolsa de mercado existen 7 cítricos: 3 naranjas, 2 limas y 2 toronjas. Un niño elige 3 cítricos con
reposición. Determine la probabilidad de que sean 2 toronjas y una naranja.

Resolución

El problema proporciona la siguiente información, que indica que la distribución planteada sigue un modelo
multinomial:

99
 El número de pruebas es 3 y es fijo.
 Los resultados de la prueba se clasifican en 3 categorías:

C1 = toronjas
C2 = naranjas
C3 = limas
 La probabilidad de cada categoría es constante en cada prueba y sus valores son:
P1 = 2/7
P2 = 3/7
P3 = 2/7
 Las pruebas son independientes porque si en la prueba sale 1 toronja y 2 naranjas, esto no quiere decir que la
siguiente o la anterior prueba sea de la misma naturaleza.

Con los datos anteriores, la probabilidad solicitada es:

2 1 0
3! 2 3 2
f ( x1 = 2 , x 2 = 1 , x 3 = 0 ) =      
2!* 1!* 0!  7   7   7 

3 * 2 *1  4   9  72
=    = = 0.105
2 *1  49   49  680
Respuesta: Entonces esta combinación formada por 2 toronjas y 1 naranja, se dará en 10.5 de 100 casos.

2.6. Distribución uniforme

Un experimento aleatorio es uniforme si puede determinar de n formas mutuamente excluyentes, todas

igualmente probables. Las características son:

 El número de pruebas del experimento es fijo y es siempre 1.

 Los resultados del experimento se clasifican en categorías (K).
C1 , C 2 , . . . . , C K

 La probabilidad de éxito para cada categoría es la misma. Como sólo existe una prueba, no es necesario
observar si la probabilidad se mantiene constante.

1
P1 , P 2 , . . . . , P K = k
 Las categorías son mutuamente excluyentes. Como sólo existe una prueba, no es necesario clasificarla en
independientes o dependientes.

La probabilidad de los eventos se calcula usando la siguiente expresión.

1
f (x , k )= para x=x 1 , x2 , …, x k
k
Otra forma de calcular la probabilidad es cuando se tienen los valores mínimo y máximo de la variable:
x=a , a+1, …, b . La variable entonces contiene (b-a+1) valores, cada uno con probabilidad:

1
f (x , b−a+1)= para x=a , …, b
b−a+ 1
Con cualquier formato, la media y la varianza esperada de una distribución uniforme discreta serán:

100
 2
E( x )=
k +1 b−a+2 k 2 −1 (b−a+1 ) −1
= V ( x )= =
2 2 12 12
Ejemplo: El temario de un examen para un proceso selectivo contiene 50 temas, de los cuales se elegirá uno por
sorteo. Si una persona no ha estudiado los 15 últimos temas ¿Cuál es la probabilidad de que apruebe el examen?

Resolución

La variable que representa el número del tema seleccionado para el examen sigue una distribución uniforme con
parámetros a=1 y b=50. La persona aprueba el examen si le toca un tema del 1 al 35; por tanto, la probabilidad
que se pide es la cola a la izquierda de 35.

La distribución de probabilidad es la siguiente:

1
f ( x ,50 )= x=1 , 2, … . , 50
50
El diagrama de barras es el que se muestra en el gráfico 6.2.4.

Gráfico 6.2.4
Diagrama de barras de la probabilidad de aprobación de un examen

0.03
0.02
P(x)

0.01
0
1 4 7 1 0 1 3 16 19 2 2 25 28 31 34 37 4 0 43 46 4 9
x

Fuente: Elaboración propia

35∗1
La probabilidad de que el alumno apruebe el examen será de: =0.7 .
50

La media y la desviación esperadas son:

E ( x )=
50+1 50 2−1
=25.5 V ( x )= =208.25
2 12
s ( x )=14.43 CV ( x )=56.59 %
2.7. Distribución geométrica

Un experimento aleatorio se comporta como una geométrica cuando:

 El número de pruebas “n”, es variable.

 Los resultados se clasifican en 2 categorías (éxito o fracaso).
 La probabilidad de éxito es constante en cada prueba.
 Las pruebas son independientes.

Suponga que en una sucesión de pruebas o ensayos, queremos saber el número del ensayo en que ocurre el
primer éxito, y que todas las suposiciones de la binomial, menos la primera se satisfacen; en otras palabras n no
es fija.

La probabilidad de obtener el primer éxito en el x-ésimo ensayo es proporcionada por:

101
 g( x, p)= p(1− p)x−1 para x=1, 2, …
1
g( x, p)= b (1, x, p )
x si se transforma a una distribución binomial

donde: p, es a probabilidad de éxito

1-p, es la probabilidad de fracaso
x, es el número de ensayos realizados hasta obtener un éxito.

La media y la varianza esperadas son:

1 1− p
E( x)= V ( x )=
p p2
Ejemplo: Si la probabilidad de que un ladrón sea atrapado en un robo cualquiera es 0.20.

a) ¿Cuál es la probabilidad de que lo capturen por primera vez en su cuarto robo?

b) Determine la distribución
c) Determine la media y varianza de la distribución.
d) Realice un gráfico de barras.

Resolución

a) Sustituyendo en la fórmula:

g(4,0 . 2)=0. 2(1−0.2) 4−1 =0 . 1024

Existe un 10.24% de probabilidad de que el ladrón sea atrapado en su cuarto robo.

b) La distribución del número de robos hasta que el ladrón sea atrapado se muestra en la tabla 6.2.4.

c) La media y varianza de la distribución son:

1 V ( x )=
1−0 . 2
E( x )= =5 =20
0.2 0 .2 2
4 . 47
CV = ∗100=89 . 4 %
S ( x)=4 .47 5
Lo que se espera es que un ladrón sea atrapado por primera vez en su quinto robo con una dispersión de 89.4%.

Tabla 6.2.4
Distribución de probabilidad de que un ladrón sea atrapado en su cuarto robo

x P(x) Pac(x) x P(x) Pac(x)

0.011
1 0.2000 0.2000 14 0 0.9560
0.008
2 0.1600 0.3600 15 8 0.9648
0.007
3 0.1280 0.4880 16 0 0.9719
0.005
4 0.1024 0.5904 17 6 0.9775
0.004
5 0.0819 0.6723 18 5 0.9820
102
 0.003
6 0.0655 0.7379 19 6 0.9856
0.002
7 0.0524 0.7903 20 9 0.9885
0.002
8 0.0419 0.8322 21 3 0.9908
0.001
9 0.0336 0.8658 22 8 0.9926
1 0.001
0 0.0268 0.8926 23 5 0.9941
1 0.001
1 0.0215 0.9141 24 2 0.9953
1 0.000
2 0.0172 0.9313 25 9 0.9962
1
3 0.0137 0.9450      

Fuente: Elaboración propia

d) Se muestra a continuación el diagrama de barras de la distribución (Ver gráfico 6.2.5)

Observando el gráfico 6.2.5, existe mayor probabilidad de que el ladrón sea atrapado en el primer robo.

Gráfico 6.2.5
Distribución de probabilidad de ser atrapado en el cuarto robo

0.25

0.2

0.15
P(x)

0.1

0.05

0
1 3 5 7 9 11 13 15 17 19 21 23 25

x
Fuente: Elaboración propia
2.8. Distribución binomial negativa

La distribución binomial negativa es una generalización de la distribución geométrica, donde la variable aleatoria
es el número de ensayos necesarios para obtener c éxitos.

Un experimento aleatorio se comporta como una DBN cuando:

 El número de pruebas “n”, es variable.

 Los resultados se clasifican en 2 categorías (éxito o fracaso).
 La probabilidad de éxito es constante en cada prueba.
 Las pruebas son independientes.

La probabilidad de los eventos se calcula usando la siguiente expresión.

b¿ (n, c, p)= n−1 pc qn−c para n=c , c+1, …

( )
c−1
donde: n = número de pruebas
103
 c = número de éxitos
p = probabilidad de éxito

La media y la varianza son:

c c(1− p )
E( x)= V ( x )=
p p2
Por razones prácticas, la expresión anterior debe transformarse en probabilidad de valores acumulados y además
en función de probabilidades acumuladas de la binomial positiva:

 n -1 c n c  n  x n x
B (n, c, p ) =   B (n, c, p ) = 1 -    p q
* *
 p q
 c -1  x
*
B (n, c, p ) = 1 - B (x -1, n, p )
Ejemplo: Los productores de durazno en Cochabamba han detectado que el 10% de los duraznos están
afectados por la mosca. Supongamos que un grupo de estudiantes van a un huerto de duraznos con el permiso
del propietario y están deseosos de que, eligiendo al azar los duraznos, puedan comer 20 duraznos buenos.

a) ¿Cuál es la probabilidad de que tengan que probar 25 duraznos?

b) ¿Cuál es la probabilidad de que tengan que probar más de 25 duraznos (los afectados se descartan).
c) Determinar la distribución de probabilidades.
d) Determinar la esperanza matemática y la varianza esperada.
e) Realizar un gráfico.

Resolución

El problema contiene la siguiente información:

 El número de pruebas es variable.

 Los resultados de la prueba se clasifican en éxito: durazno que no está afectado por la mosca de la fruta;
fracaso: durazno afectado.
 Probabilidad de éxito 90% constante en cada prueba.
 Las pruebas son independientes porque si en cualquier prueba un durazno no está afectado no quiere decir
que en la selección anterior o la siguiente tampoco esté afectado.

Por los datos presentados, el experimento corresponde a una binomial negativa.

a) Se tienen los siguientes datos:

c = x = número de éxitos = 20
n = 25
p = 0.90 probabilidad de éxito.

b¿ (n=25, c=20, p=0. 9)= 25−1 (0 . 9)20 (0 . 1)25−20= 24 (0.9 )20 (0.1)5 =0. 0517
( ) ( )
20−1 19
Hay una probabilidad del 5.17% de que los estudiantes tengan que probar 25 duraznos para obtener 20 buenos.

b) Se debe llevar a la distribución de probabilidad binomial acumulada:

B ¿ (25, 20, 0. 9)=1−[ 1−B(19, 25, 0. 9)]=0. 0334

Hay una probabilidad de 3.34% de que si quieren comer 20 duraznos buenos, tengan que probar 25 o más
duraznos.

104
c) La distribución de probabilidades se muestra en la tabla 6.2.5

Tabla 6.2.5
Distribución del número de pruebas para obtener 20 duraznos buenos

n P(n) Pac(n) Pac(n)

20 0.1216 0.1216 1.0000
21 0.2432 0.3647 0.8784
22 0.2553 0.6200 0.6352
23 0.1872 0.8073 0.3799
24 0.1077 0.9149 0.1927
25 0.0517 0.9666 0.0851
26 0.0215 0.9881 0.0334
27 0.0080 0.9961 0.0118
28 0.0027 0.9988 0.0038
29 0.0008 0.9997 0.0011
30 0.0002 0.9999 0.0003
31 0.0001 1.0000 0.0001

Fuente: Elaboración propia

d) La esperanza matemática y la varianza es:

20 20 (1−0 . 9)
E( x )= =22 .22 V ( x )= =2. 47
0.9 0 . 92
S ( x)=1 .57 CV =7 %
Lo que se espera para obtener 20 duraznos buenos es probar 22 duraznos con una dispersión del 7%.

e) El diagrama de barras se muestra en el gráfico 6.2.6

Observando el gráfico 6.2.6, se constata que hay mayor probabilidad de obtener 20 duraznos buenos probando
22 duraznos.

Gráfico 6.2.6
Número de pruebas para obtener 20 duraznos buenos

0.30
0.25
0.20
0.15
P(n)

0.10
0.05
0.00
20 21 22 23 24 25 26 27 28 29 30 31
n

Fuente: Elaboración propia

3. FUNCIONES TEÓRICAS CONTINUAS DE PROBABILIDAD

3.1. Introducción

Un experimento aleatorio que presenta una variable continua, puede ser modelado mediante varias funciones
teóricas continuas de probabilidad. La más importante es la distribución normal.

105
El criterio que se sigue para decidir qué modelo se ajusta mejor a los datos generados por el experimento
aleatorio es la prueba de hipótesis de bondad de ajuste, la cual se desarrollará en un capítulo subsiguiente del
texto. Mientras tanto, simplemente se utilizará el criterio, la gráfica de la distribución y el conocimiento de la
situación para elegir el modelo adecuado.

3.2. Distribución Normal

a) Generalidades

Una distribución teórica probabilística continua muy importante es la normal.

Las distribuciones probabilísticas de la duración de algunos productos, como acumuladores o baterías,

neumáticos, bombillas o lámparas, tienden a seguir un patrón normal. Lo mismo sucede con los pesos de los
envases de un cereal, la longitud de rollos de papel tapiz y otras variables que se miden en una escala continua.

Se dice que la función normal es la piedra fundamental de la Estadística. Su función de densidad está dada por la
siguiente expresión:
 (x  )2
1
y= e 2 2
  x  
2

b) Características de una distribución normal

Presenta las siguientes características:

1. La curva tiene perfil de campana, y presenta un solo pico en el centro exacto de la distribución. La media
(aritmética), la mediana y la moda de la distribución son iguales y están en el punto central, de esta
forma la mitad del área bajo la curva se encuentra a la izquierda y la otra mitad a la derecha de la media
(ver figura 6.3.1).
2. La distribución probabilística normal es simétrica con respecto a su media. Si se corta la curva normal
por la mitad verticalmente, las dos mitades serán como imágenes reflejadas en un espejo.
3. La curva normal decrece uniformemente en ambas direcciones a partir del valor central. Es asintótica.
4. A una distancia de la media aritmética correspondiente a la desviación estándar, se encuentran sus
puntos de inflexión.

Figura 6.3.1. Distribución normal

50% 50%

Punto de inflexión
Punto de inflexión

- +
Me=Mo=
Fuente: Elaboración propia

c) Familia de distribuciones normales

Existen tres familias: Éstas dependen de su posición y su concentración respecto a la media.

a) Distribuciones que presentan la misma media pero distinta desviación (figura 6.3.2)

Figura 6.3.2. Distribuciones normales con media igual y distinta desviación

= 15
106
=8

= 25 x
 Fuente: Elaboración propia

b) Distribuciones que presentan la misma desviación pero distinta media (Figura 6.3.3)

Figura 6.3.3. Distribuciones normales con desviación igual y distinta media

=8 =8

= 10 x = 25 x
Fuente: Elaboración propia
c) Distribuciones que presentan distinta media y distinta desviación (Figura 6.3.4).

Figura 6.3.4. Distribuciones normales con desviación y media distintas

=8 =4

=9 x = 25 x
Fuente: Elaboración propia

d) Distribución Normal Estándar

Resultaría imposible proporcionar una tabla de valores de probabilidad normal para cada distribución, por lo que
se recurre a una variable estandarizada o tipificada “z”:

X 
z

donde : X es el valor de cualquier observación específica
 es la media de la distribución
 es la desviación estándar de la distribución

El valor de z mide la distancia entre un valor específico x y la media, en unidades de desviación estándar. La
media de la distribución normal estándar es 0 y su desviación estándar 1.

Una distribución normal se simboliza como: N (x, , ).

Una distribución normal estándar, como: N (z, 0, 1) (Ver figura 6.3.5)

Figura 6.3.5. Transformación de la curva normal a la estándar

=8 107 33  25 41  25
z 1 z 2
8 8

9 17 25 33 41 17  25 9  25
x z  1 z  2
-2 -1 0 1 2 z
8 8
 Fuente: Elaboración propia

e) Áreas bajo la curva normal

Cada medición de x, tiene una medición estandarizada z correspondiente, obtenida con la fórmula de
transformación, de modo que la desviación estándar se convierte en la unidad de medida.

De esa manera se puede calcular que el 68.27% de los datos se hallan en el intervalo de más y menos una
desviación estándar, el 95.45% de los datos están contenidos en más y menos dos desviaciones estándar y el
99.73% en más y menos 3 desviaciones estándar. El área total bajo la curva normal es obviamente 100% (Ver
figura 6.3.6).

  1 => 68.27%
  2 => 95.45%
  3 => 99.73%

Figura 6.3.6. Áreas de la distribución normal según la desviación estándar

=1

68% 95%
99%

-3 -2 -1 0 1 2 3 z

Fuente: Elaboración propia

El cálculo de áreas bajo la curva normal se realiza mediante la tabla normal estándar (Ver anexo de tablas
estadísticas). Aquí se reproduce una parte de la tabla:

z 1

z  0 z z
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.49601 0.49202 0.48803 0.48405 0.48006 0.47608 0.47210 0.46812 0.46414
0.2 0.42074 0.41683 0.41294 0.40905 0.40517 0.40129 0.39743 0.39358 0.38974 0.38591
0.3 0.38209 0.37828 0.37448 0.37070 0.36693 0.36317 0.35942 0.35569 0.35197 0.34827
0.8 0.21186 0.20897 0.20611 0.20327 0.20045 0.19766 0.19489 0.19215 0.18943 0.18673
0.9 0.18406 0.18141 0.17879 0.17619 0.17361 0.17106 0.16853 0.16602 0.16354 0.16109
1.0 0.15866 0.15625 0.15386 0.15151 0.14917 0.14686 0.14457 0.14231 0.14007 0.13786

Esta tabla contiene las probabilidades de cola superior (áreas bajo la curva normal) para cada valor de z positivo.

Por ejemplo, para hallar el valor del área de más y menos un sigma, vemos el valor de z de 1 en la tabla:
108
 z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.8
0.9
1.0 0.15866
1.1

P( z=1)=0 .1586

Como la curva normal es simétrica con respecto a su media: P( z=−1)=0 .1586

=1
0.1586 0.1586

z1=-1 = 0 z2=1 x
Por lo tanto, el valor de más y menos una desviación estándar será:

P(−1≤z≤1)=1−2(0 . 1586)=0 .6828

Nota: También existe la tabla de valores z para la curva normal acumulada. El investigador podrá hacer uso de la
que más le convenga.

Ejemplo: Se ha determinado que los jóvenes que asisten a la fiesta de San Juan, beben 25 tazas de ponche en
promedio, con una varianza de 64 tazas2. Si dicha variable se comporta como una normal:

a) ¿Cuál es la probabilidad de qu tomen a lo más, 19 tazas de ponche?

b) Determine la proporción de estudiantes que toman más de 41 tazas de ponche.
c) Determine la proporción de estudiantes que consumen entre 19 y 31 tazas de ponche.
d) Determine el mínimo y máximo de tazas de ponche que bebería el 80% central de los estudiantes.

Resolución

 Se trata de una distribución normal: N (x, =25, =8).

a) Se debe resolver:
P(x  19)

Gráficamente:
=8

19 = 25 x

 Se estandariza la variable.

x   19  25
P(  ) = P (z   0.75 )
 8
Gráficamente:
=1

109

- 0.75 =0 z
 Se lee el resultado en la tabla de distribución normal de cola superior (Ver anexo de tablas al final del texto):

P(z  0.75)  0.2266

Respuesta: La probabilidad de tomarse 19 o menos tazas de ponche es del 23%.

b) Se trata de resolver:
P(x  41)

Gráficamente:
=8

= 25 41 x

 Se estandariza la variable.
x   41  25
P(  ) = P (z  2 )
 8
Gráficamente:
=1

=0 2 z

 Se lee el resultado en tabla de distribución normal acumulada.

P(z  2)  1  P(z  2)  1  0.9772  0.0228

Resultado: 2% de los invitados toman más de 41 tazas de ponche.

c) Se trata de resolver:
P(19  x  31)

Gráficamente:
=8

19 = 25 31 x

 Se estandariza la variable.

19  25 x   31  25
P(   ) = P (0.75  z  0.75 )
8  8
Gráficamente:
=1

110
-0.75 =0 0.75 z
 Se lee el resultado en tabla de distribución normal.

P(0.75  z  0.75)  P(z  0.75)  P(z  0.75)  0.7734  0.2266  0.5468

Resultado: El 55% de los invitados a la fiesta de San Juan consumen entre 19 y 31 tazas de ponche.

P(x1  x  x 2 )  0.80
d) Se quiere calcular los límites del 80% central:

Gráficamente:
80% =8

 Se estandariza la variable. X1 = 25 X2 x

x1  25 x   x 2  25
P(   ) = 0.80
8  8

P (z1 < z < z 2 ) = 0.80

Gráficamente:
80%
=1

z1 =0 z2 z

 Leyendo en tablas de distribución normal, se determinan los límites de z.

z0,10 = -1.28 z0,90 = 1.28

Sustituyendo en la variable estandarizada, se pueden hallar los límites:

 25
1.28 = x1 x1 = 25  (1.28) (8) = 14.76
8

 25
1.28 = x 2 x 2 = 25 + (1.28) (8) = 35.24
8
Respuesta: El 80% central de asistentes a la fiesta, tomarán entre 15 a 35 tazas de ponche.

3.3. Aproximación normal a la binomial

Se utiliza cuando np y nq son mayores a 5. Esto quiere decir que el número de ensayos es mayor a 20 (y por lo
tanto ya no se puede usar la tabla de valores acumulados) y la probabilidad de éxito es cercana a 0.5. En estas
condiciones, la distribución binomial se acerca mucho a la forma de la distribución normal, y es mejor y más fácil
calcular las distintas probabilidades con esta aproximación.

Factor de corrección por continuidad

111
Debido a que se está aproximando una distribución discreta a una continua, es necesario un factor de corrección.

El factor de corrección por continuidad es el valor 0.5 que se resta o se suma, dependiendo del problema, a un
valor seleccionado cuando una distribución probabilística binomial se está aproximando por medio de una
distribución de probabilidad continua.

La variable estandarizada, en este caso se encuentra por medio de la siguiente ecuación, en la que se usa la
media y la desviación estándar de la distribución binomial:

(x  0.5)  np
Z
npq

Ejemplo: La gerencia de la cadena de pizzerías CAPRI reveló que el 70% de sus nuevos clientes vuelven en otra
ocasión. En una semana en la que 80 nuevos clientes (de primera vez) cenaron en uno de sus establecimientos,
¿cuál es la probabilidad que:

a) 60 o más regresen en otra ocasión?

b) menos de 40 regresen en otra ocasión?

Resolución

En primer lugar se debe verificar si el modelo que se ajusta al problema es el binomial.

 El número de pruebas es fijo. n=80.

 El resultado es dicotómico. éxito=los clientes vuelven, fracaso=no vuelven.
 Probabilidad de éxito constante. p=0.7
 Los sucesos son independientes. Que una persona vuelva, no está relacionada a la decisión de otras
personas.

Luego, para observar la conveniencia de utilizar la aproximación, se tratará de resolver el inciso a) del problema
con la fórmula binomial.

a) Se pide:
P(x  60)

Esto se podría tratar de resolver de dos maneras:

Primera:
P(x  60)  P(x  60)  P(x  61)    P(x  80)
P(x  60)  1  P(x  59)  1   P(x  59)  P(x  58)    P(x  0) 
Segunda:

En cada caso, se debe resolver 20 ó 60 veces la fórmula binomial, para hallar el resultado. Se concluye que es
mejor realizar la aproximación.

Para realizar la aproximación, primero se debe verificar si se cumple con las dos condiciones: np y nq sean
mayores a 5.
np  80(0.7)  56 nq  80(0.3)  24
Luego se hallan los valores de la media y la desviación estándar:

  np  80(0.7)  56   npq  80(0.7)(0.3)  4.1

a) Se pide:
P(x  60)

Gráficamente:

112 = 4.1

=56 60 x
Se estandariza la variable:

 (x  0.5)   (60  0.5)  56 

P   = P (z  0.85 )
  4.1 
En este caso se resta 60 – 0.5, para hallar la variable estándar, ya que siempre se tratará de cubrir un poco más
de área, para realizar la corrección por continuidad.

Gráficamente:
=1

=1 0.85 z

La probabilidad se determina mediante la tabla de normal estándar de cola superior del anexo.

P(x  60)  0.1977

Respuesta: Hay una probabilidad de 19.77% de que de 80 personas que vinieron la primera vez a la pizzería
CAPRI, 60 o más regresen.

b) Se pide:
P(x  40)

Estandarizando:

 (x  0.5)   (40  0.5)  56 

P   = P (z  3.78 )
  4.1 
Gráficamente:

40 = 56 x
-3.78 =1 z

En este caso, para cubrir un poco más del área, se tuvo que sumar 40 + 0.5, para realizar la corrección por
continuidad.

Usando la tabla normal estándar, se halla la probabilidad pedida:

P(x  40)  0.00008

Respuesta: La probabilidad de que menos de 40 regresen a CAPRI es del 0.008%.

3.4. Distribución uniforme continua

Una variable aleatoria x con función de densidad de probabilidad con parámetros a y b:

113
 1
f (x )=¿ { b−a
para a≤x≤b ¿ ¿¿¿

tiene una distribución uniforme continua. Su gráfica se muestra en el gráfico 6.3.1.

Gráfico 6.3.1
Distribución uniforme continua
0.6
0.5
0.4
f(x) 0.3
0.2
0.1
0
0 2 4 6 8 10
x
Fuente: Elaboración propia

La media y la varianza están dadas por las siguientes ecuaciones:

2
a+b (b−a )
E( x )= V ( x )=
2 12
Ejemplo: La función de densidad de probabilidad del peso neto en libras de un paquete de alimento balanceado
es f (x )=2 , para 49 . 75≤x≤50 . 25 libras.

a) Calcule la probabilidad de que un paquete pese más de 50 libras.

b) ¿Cuánto alimento está contenido en el 90% de los paquetes?
c) Calcule la media y la varianza del peso de los paquetes.
d) Determine la función de distribución acumulada del peso de los paquetes.

Resolución

a) Se pide: P( x>50 )
50 . 25
P( x>50 )=∫50 2 dx=2 x|50. 25
50 =2(50 . 25−50)=0 . 5

Existe una probabilidad de 50% de que el paquete pese más de 50 libras.

b) Se pide:
x x
0. 9=∫49. 75 2 dx=2 x|49 .75=2( x−49 .75 )
0 . 9=2 x−99 . 5
x=50 .2
El 90% de los paquetes tienen un peso de 50.2 libras.

c) La media y la varianza de la distribución son:

114
 49 .75+50 . 25 (50 . 25−49. 75 )2
E( x )= =50 V ( x )= =0 . 021
2 12
S ( x)=0. 144 CV =0 . 3 %
Lo que se espera es que un paquete pese 50 libras con una dispersión de 0.3%.

d) La función de distribución acumulada será:

x
F( x )=∫49 .75 2 dx=2( x−49 .75)=2 x−99.5
3.5. Distribución exponencial

Si la distribución de Poisson describe las probabilidades del número de fallas por unidad de longitud, la
exponencial da las probabilidades de la variable aleatoria que describe la distancia entre fallas.

Si la variable aleatoria x, es la distancia entre ocurrencias sucesivas de un proceso de Poisson con media λ ,
la función de densidad de probabilidad es:

− λx
f (x , λ )=λ e , para 0≤x≤∞
La media y varianza esperadas son:

1 V ( x )=
1
E( x )=
λ λ2
Ejemplo: El promedio de llegada de camiones a una bodega para ser descargados es de 3 por hora. Encuentre
las probabilidades de que el tiempo entre la llegada consecutiva de dos camiones sea: a) Menor de 5 minutos, b)
Al menos de 45 minutos

Resolución

1
a) Se pide, transformando a horas:
P( 0≤x ≤ 12 )

1 1 1
−
P(0≤x ≤ 121 )= 012 ∫ 3e −3 x
dx=−e −3 x 12
| =−e +1=0 .2212
0
4

La probabilidad de que el tiempo de llegada entre dos camiones sea menor a 5 minutos es del 22.12%.

3
b) Se pide:
P( 4 ≤x≤∞ )

9
∞ −
3 −3 x −3 x ∞
P( 4
≤x≤∞ )= 3 ∫ 3e dx=−e |3 =e =0 . 1064
4

4 4

La probabilidad de que el tiempo de llegada entre dos camiones sea al menos de 45 minutos es del 10.64%.

4. ÁRBOL DE DECISIÓN PARA ELEGIR LA DISTRIBUCIÓN TEÓRICA DISCRETA ADECUADA EN LA

RESOLUCIÓN DE PROBLEMAS

Se muestra en la figura 6.4.1, un árbol de decisión que ayuda a elegir a la hora de ajustar una distribución
empírica a un modelo discreto probabilístico.
115
116
 FIGURA 6.4.1
ÁRBOL DE DECISIÓN PARA ELEGIR LA DISTRIBUCIÓN DISCRETA ADECUADA

n>25
p<0.05 Poisson  x e 
P(x, ) 
varios varios x!
Binomial
independiente n (x  0.5)  np
P(x)    p x q n  x np>5 Aproximación Z
x nq>5 a la normal npq
dicotómico
dependiente  N1  N  N1 
  
x nx 
Hipergeométrica P(x)   
varios varios  N
 
fijo n
categoría
1
uno f ( x, k )  para x  x1 , x 2 ,  , x k
independiente
uno Uniforme k
1
f ( x, b  a  1)  para x  a,  , b
variable b  a 1
varios n! n

varios
Multinomial f ( x1, x 2,..., x K ) = n
*  P ( x i ) xi
¿Naturaleza del número de dicotómico
ensayos?
 x!
i=1
i
i=1

x 1
¿Resultados posibles?
independiente

varios
uno Geométrica g( x, p)  p(1  p)
¿Naturaleza de las pruebas?
varios  n  1 c n  c
¿Número de ensayos? b* (n, c, p)   p q para n  c, c  1,
Binomial  c  1 
¿Número de éxitos? negativa
B* (n, c, p ) = 1 - B (x -1, n, p )
 EJERCICIOS DE CLASE

Binomial

1. En un día veraniego muy caluroso, 10% de los trabajadores de producción de una empresa están ausentes
del trabajo. Se van a seleccionar al azar 10 obreros para un estudio especial a profundidad sobre el
ausentismo.

a) ¿Cuál es la variable aleatoria en este problema?

b) ¿Tal variable es discreta o continua? ¿Por qué?
c) ¿Cuál es la probabilidad de seleccionar al azar 10 nombres de trabajadores y descubrir que ninguno está
ausente?
d) Calcule la media y varianza.
e) Represente la distribución mediante una gráfica.
f) Encuentre la probabilidad acumulada y represéntela en un diagrama.

2. El departamento de mercadeo de una compañía planea realizar una encuesta nacional para determinar si los
consumidores de cereales en hojuelas pueden distinguir uno de sus productos favoritos, de los otros del
mismo tipo. Para probar el cuestionario y el procedimiento que se van a emplear, se pidió a ocho personas
que cooperaran en un experimento. Se colocan frente a la persona 5 tazones pequeños marcados A, B, C, D
y E con cereal y se le informó que solo uno tenía su producto favorito. Suponga que la persona no pudo
identificar el cereal y sólo conjeturó que estaba en el tazón C.

a) ¿Cuál es la probabilidad de que haya adivinado correctamente?

b) ¿Cuál es la probabilidad de que ninguna de las ocho adivine en forma correcta?
c) Suponga que siete de la ocho identificaron el cereal que más les gustaba. ¿Es razonable pensar que solo
estaban adivinando? Justifique su respuesta.

Hipergeométrica

3. En Alke se acaba de recibir un embarque de 10 aparatos de TV. Poco después de recibirlos, el fabricante
llamó para informar que por descuido habían enviado tres aparatos defectuosos. Se decidió probar dos de
éstos. ¿Cuál es la probabilidad de que ninguno de los dos esté defectuoso?.

4. Un profesor tiene un conjunto de 15 preguntas de opción múltiple referente a distribuciones probabilísticas.

Cuatro de estas preguntas se relacionan con la distribución hipergeométrica. ¿Cuál es la probabilidad que al
menos una de estas preguntas sobre la distribución hipergeométrica aparezca en el examen de cinco
preguntas del próximo lunes?

Poisson

5. Un productor de semillas híbridas tiene problemas con gusanos barrenadores del maíz. Una verificación
aleatoria de 5.000 mazorcas reveló estos datos: muchas mazorcas no tenían gusanos. Algunas tenían uno,
otras tenían dos, etc. La distribución del número de barrenadores se aproximó a una Poisson. El productor
contó 3.500 gusanos en las 5.000 mazorcas. ¿Cuál es la probabilidad que una mazorca seleccionada al azar
no contenga gusanos?

6. Los automovilistas llegan a una salida de una carretera a razón de dos por minuto. La distribución de llegadas
se aproxima a una distribución de Poisson.

a) ¿Cuál es la probabilidad que en un minuto específico no lleguen automóviles?

b) ¿Cuál es la probabilidad que al menos un automóvil llegue durante un minuto específico?

Multinomial

7. En una ciudad muy grande, la televisión nacional tiene el 40% de los televidentes el viernes por la noche, un
canal local tiene 20%, la televisión por cable tiene 30% y 10% ve videograbaciones. ¿Cuál es la probabilidad
de que entre siete televidentes seleccionados al azar en esa ciudad en una noche de viernes, dos estén
viendo la televisión nacional, uno esté viendo el canal local, tres estén viendo televisión por cable y uno esté
viendo una videograbación?
8. Si un dado se tira 5 veces. ¿Cuál es la probabilidad de que los resultados sean un 1, un 2, y otros tres
números?

Uniforme

9. Se mide la longitud de varias placas de vidrio, hasta la décima de milímetro más cercana. Las longitudes
están distribuidas de manera uniforme, con valores que están espaciados una décima de milímetro
comenzando en 290.0 y continuando hasta 590.9. Calcule la media y la varianza de las longitudes.

10. Un sombrero contiene 10 pedazos de papel numerados del 1 al 10. Se extrae un número. Sea x dicho
número. Hallar la distribución de probabilidad de x, el valor esperado de x y su varianza esperada.

Geométrica

11. Si 0.05 es la probabilidad de que cierto instrumento de medición sufra una desviación excesiva, ¿cuál es la
probabilidad de que el sexto de los instrumentos probados sea el primer en mostrar esa desviación?

12. Un tirador experto da en el blanco el 95% de las veces. ¿Cuál es la probabilidad de que falle por primera vez
en su décimo quinto disparo?

Binomial negativa

13. Un estudiante contesta oralmente un test de elección múltiple con cinco respuestas. Contesta preguntas
hasta que responde correctamente cinco. ¿Cuál es la probabilidad de que las responda en 25 preguntas o
menos, si responde a cada pregunta sin pensar?

14. Se estima que el 90% de un cosecha de papas es buena, estando podridas por dentro las restantes, pero no
puede descubrirse a menos que las papas se corten por la mitad.

a) ¿Cuál es la probabilidad de obtener 20 o menos papas buenas en un saco de 25?

b) Supóngase que el cocinero necesita 20 papas buenas para una comida, para lo que elige papas al azar,
las corta por la mitad y tira las malas. ¿Cuál es la probabilidad de que tenga que partir más de 25 papas?

Normal

15. A los empleados de una empresa les otorgan puntuaciones por eficiencia. La distribución de estas sigue
aproximadamente una distribución normal. La media es 400, y la desviación estándar, 50.

a) ¿Cuánto vale el área bajo la curva normal entre 400 y 482?

b) ¿Cuáles son los límites del 80% de la distribución? (de los valores centrales).

16. Supóngase que un fabricante de neumáticos desea fijar una garantía de millas recorridas para su nuevo
neumático MX100. Las pruebas de duración revelaron que la media de millas recorridas es de 47.900, y la
desviación estándar es de 2.050 millas. El fabricante desea fijar la garantía de manera que no tenga que
reemplazar más del 5% de los neumáticos.

a) ¿Cuál es este valor en millas?

b) ¿Cuál es la probabilidad de que los neumáticos duren más de 50.000 mi.?

Aproximación normal a la binomial

17. Se estima que 0.5% de las llamadas telefónicas a la Boliviana de Seguros reciben señal de ocupado. ¿Cuál
es la probabilidad que de las 1.200 llamadas telefónicas del día de hoy, al menos 5 hayan recibido la señal
de ocupado?

18. Un estudio realizado por una compañía aseguradora reveló que los propietarios no recuperaron los bienes
robados en 80% de los robos informados a la aseguradora.

a) Durante un cierto período ocurrieron 200 robos. ¿Cuál es la probabilidad de que no se recuperen los
bienes en 170 o más de los asaltos?
 b) ¿Cuál es la probabilidad de que ninguno de los bienes robados se recobre en 150 o más de los asaltos?

Uniforme

19. El espesor de la capa de sustancia fotoprotectora que se aplica a las obleas en el proceso de fabricación de
semiconductores en cierta área de oblea, tiene una distribución uniforme entre 0.2050 y 0.2150
micrómetros.

a) Obtenga la función de distribución acumulada del espesor de la sustancia fotoprotectora.

b) Calcule la proporción de obleas en las que el espesor de la sustancia es mayor que 0.2125 micrómetros.
c) ¿Qué es pesor exceden 10% de las obleas?
d) Calcule la media y la varianza del espesor de la sustancia.

20. La función de densidad de probabilidad de la longitud de una varilla de metal es f (x )=2 para
2. 3≤x≤2. 8 metros. Si las especificaciones de la varilla en cuanto a la longitud es que debe tener
entre 2.25 y 2.75 metros, ¿cuál es la proporción de varillas que no cumplen con el requerimiento?

Exponencial

21. La función de densidad de probabilidad del tiempo de falla (en horas) de un componente electrónico de una
−x
1000
e
f (x )=
copiadora es 1000 para x > 0. Calcule la probabilidad de que:

a) El componente tarde más de 3000 horas en fallar.

b) El componente falle en el lapso comprendido entre 1000 y 2000 horas.
c) Calcule el número de horas en las que fallarán el 10% de todos los componentes.

22. El kilometraje (en miles de kilómetros) que los automovilistas logran con cierto tipo de neumático es una
−x
1
f (x )= e 20
variable aleatoria con densidad de probabilidad: 20 para x> 0 . Calcule las
probabilidades de que uno de los neumáticos dure:

a) A los sumo 10000 km.

b) Entre 16000 y 24000 km.
c) Al menos 30000 km.
 EJERCICIOS PROPUESTOS

1. Un director de control de calidad de una compañía de automóviles, se encuentra realizando su revisión

mensual de transmisiones automáticas. En el procedimiento, se retiran 10 transmisiones de la pila de
componentes y se les revisa en busca de defectos de fabricación. A lo largo del tiempo, solo el 2% de las
transmisiones tiene defectos (suponga que los defectos se presentan de manera independiente en diferentes
transmisiones).

a) ¿Cuál es la probabilidad de que la muestra del director contenga más de dos transmisiones con defectos
de fábrica?
b) ¿Cuál es la probabilidad de que ninguna de las transmisiones elegidas tenga defectos de fábrica?

2. Un supervisor de producción de una planta de una compañía, está preocupado por la habilidad de un
empleado ya mayor para mantener el menor ritmo de trabajo. Además de los descansos diarios obligatorios,
este empleado deja de trabajar durante períodos cortos un promedio de 4.1 veces por hora. El período de
descanso que se toma es de tres minutos cada vez. El supervisor ha decidido que si la probabilidad de que el
descanso adicional, 12 minutos o más por hora, del empleado (es decir, además del obligatorio), es mayor
que 0.5, entonces lo cambiará a una tarea diferente. ¿Deberá hacer esto?

3. Un ingeniero de control de calidad inspecciona una muestra aleatoria de 3 acumuladores de cada lote de 20
que están listos para ser embarcados. Si un lote contiene 6 acumuladores con pequeños defectos, ¿cuáles
son las probabilidades de que la muestra del inspector contenga

a) ninguna de las baterías con defectos;

b) solamente una de las baterías defectuosas;
c) al menos dos de las baterías con defectos leves?

4. Las probabilidades de que conduciendo cierto sedán de dos puertas en la ciudad se obtenga un rendimiento
promedio de menos de 20 millas por galón de combustible, de 20 a 25 millas por galón o más de 25 millas por
galón con 0.3, 0.6 y 0.1, respectivamente. Obtenga la probabilidad de que entre 6 automóviles de ese tipo
sometidos a prueba, dos promedien como mínimo 20 millas por galón, tres promedien de 20 a 25 millas por
galón y uno promedie más de 25 millas por galón.

5. En una gran universidad se ha determinado que el 20% vive en residencias, el 30% en la universidad y el 50%
en casas particulares. Si se elige un comité de 5 estudiantes, eligiéndose cada uno independientemente de
los demás

a) ¿Cuál es la probabilidad de que el comité esté formado por un estudiante que viva en la universidad, por
uno que viva en una casa particular y por tres que vivan en residencias?
b) ¿Cuál es la probabilidad de que esté formado por tres o más estudiantes que vivan en residencias?

6. Un fabricante de proyectiles dirigidos sostiene que sus proyectiles son eficaces en un 90%. La fuerza aérea
comprueba las existencias realizando disparos, siendo necesarias 11 pruebas para obtener cuatro éxitos.
¿Cuál es la probabilidad de que se necesiten 11 o más pruebas si
p  0.9 . ¿Qué conclusión es razonable
sacar?

7. Una compañía ha recibido un gran pedido para producir motores eléctricos para una compañía
manufacturera. Con el fin de que ajuste en su soporte, el rotor del motor debe tener un diámetro de 5.1  0.05
(pulgadas). El encargado de compras de la compañía se da cuenta de que hay en existencia una gran
cantidad de varillas de acero con un diámetro medio de 5.07 plg., y con una desviación estándar de 0.07 pulg.
¿Cuál es la probabilidad de que una varilla de acero del inventario se ajuste en el soporte?

8. Ciertos bastoncillos de plástico moldeados por inyección son cortados automáticamente en longitudes
nominales de 6 pulgadas. Las longitudes reales están distribuidas normalmente alrededor de la media de 6
pulgadas y sus desviaciones estándar son 0.06 pulgadas.

a) ¿Qué proporción de los bastoncillos rebasan los límites de tolerancia, que son de 5.9 a 6.1 pulgadas?
b) ¿A qué valor es necesario reducir la desviación estándar si 99% de los bastoncillos debe estar dentro de
los límites de tolerancia?
9. La probabilidad de que un componente electrónico falle en menos de 1000 horas de uso continuo es 0.25.
Utilícese la aproximación normal para encontrar la probabilidad de que entre 200 de tales componentes
menos de 45 fallen en menos de 1000 horas de uso continuo.

10. Un embarque de 200 alarmas contra robo, contiene dos piezas defectuosas. Se seleccionan al azar 5
alarmas contra robo para enviarlas a un cliente.

a) Halle la probabilidad de que el cliente reciba exactamente una alarma contra robo defectuosa.
b) Halle la probabilidad de que el cliente reciba exactamente una alarma contra robo defectuosa, si se
supone que el embarque es lo suficientemente grande como para considerarla una población infinita.

11. Los expedientes de una compañía de albercas indican que la probabilidad de que una de sus nuevas
albercas requiera reparación en el plazo de un año es 0.20. ¿Cuál será la probabilidad de que la sexta
alberca construida en un año determinado sea la primera en requerir reparación en ese lapso?

12. Una máquina troqueladora produce tapas de latas cuyos diámetros tienen una desviación de 0.01 pulgadas.
¿En qué diámetro nominal promedio debe ajustarse la máquina, de tal manera que no más del 5% de las
tapas producidas tengan diámetros que excedan las 3 pulgadas?

13. En cierta ciudad, el consumo diario de energía eléctrica (millones de kw-hora) es una variable aleatoria con
−x
1 3
f (x )= x e
densidad de probabilidad: 9 para x>0 . Si la planta de energía de la ciudad tiene
una capacidad diaria de 12 millones de kw-hora, ¿cuál es la probabilidad de que el abastecimiento de
energía sea inadecuado en un día cualquiera?

14. La cantidad de tiempo que un reloj funciona sin necesidad de ser ajustado es una variable aleatoria que
−x
1
f (x )= e 50
tiene una distribución exponencial: 50 . Calcule las probabilidades de que tal reloj:

a) Deba ajustarse en menos de 20 días.

b) No tenga que se ajustado en 60 días por lo menos.

15. En una “prueba de resistencia” el interruptor de una lámpara es puesto en encendido y apagado hasta que
falla. Si la probabilidad de que falle en cualquier ocasión que es puesto en encendido o en apagado es de
0.001, ¿cuál será la probabilidad de que falle después de que fue puesto en encendido y apagado 1200
veces? (suponga que se satisfacen las condiciones de la distribución geométrica).