FACULTAD DE INGENIERA - Escuela Profesional de Ingeniera Civil

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

3.1. Introduccin

En el lenguaje corriente se utiliza el trmino "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 teora
de la probabilidad, admitimos o no el uso de algo tan complejo. Cuando, escuchamos
una prediccin de un 70% de posibilidades de lluvia, cambiamos nuestros
planes de salir el da de campo y nos quedamos viendo televisin o
escuchando msica. 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 ejecucin de

un acto (o prueba) una o ms 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 tambin 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 mustrales de experimentos aleatorios que consisten 1

de dos o mas pruebas sucesivas se obtienen tambin de un diagrama tipo
rbol, como el la figura 3.1, para 2

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

 1Prueba 2Prueba 3Prueba puntos mustrales

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 rbol.

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

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

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

seguro y a evento imposible.

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

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

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

3.3. Principios bsicos de probabilidades.

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

tenis",Tengo el 50% de posibilidad de obtener un nmero 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
informacin que se tiene del pasado o de la compresin de la estructura del 1
experimento, se logra cierto grado de confianza en la valides de la aseveracin.

3.3.1. Definicin de probabilidad. La probabilidad de un evento es la razn entre el

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura
nmero de casos favorables y el nmero 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 vara entre 0 y 1 (aunque a veces se expresa en tantos por

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

3.3.2. Probabilidad experimental.

La probabilidad que se ha estado considerando estn 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 nica forma de determinar una probabilidad es repitiendo un
experimento muchas veces, para ver la frecuencia con que ocurriran los posibles
resultados. Mientras ms se repita el experimento aparece un modelo de regularidad,
esto es, habr una estabilidad de la fraccin p=f/n (frecuencia relativa), donde n = es
el nmero de repeticiones y f es de un particular resultado establecido antes de la
realizacin del experimento.
Por ejemplo, en el lanzamiento de una moneda, se puede estimar la probabilidad de
caras y sellos al repetirlo un gran nmero de veces y registrar los resultados.

3.4. Algunos teoremas sobre probabilidad.

3.4.1. Teorema de adiccin.

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

1
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

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

Ejemplo 3.4. Los empleados de una cierta compaa 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 eleccin se efecta sacando de un sombrero

uno de los nombres impresos. Nuestra pregunta es, cul es la probabilidad de que el
vocero sea mujer o cuya edad est por arriba de 35 aos?.-

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

P(mujer o mayor de 35 aos) = P(mujer) + P(mayor de 35 aos) -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) slo uno de los dos premios, b) ninguno de los dos premios.

Solucin.-

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(AB) resulta:
2 3 3 1
P(AB)=
5 8 4 40

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

figura siguiente:

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

ESTADSTICA APLICADA | 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 AB
40
Ejercicio. De 100 personas que presentaron solicitud para un puesto de analista de
sistemas en una empresa grande el ao pasado, 40 tenan alguna experiencia
de trabajo (T) y 30 tenan un certificado profesional (C). Sin embargo, 20 de
los solicitantes tenan tanto experiencia de trabajo como certificado, y, por ello, estn
incluidos en ambos conteos.

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

b) cul es probabilidad de que un solicitante elegido al azar tenga experiencia
de trabajo o certificado (o ambos).
c) cul 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 d cuando se sabe que algn otro evento A

se ha presentado se llama "probabilidad condicional" y se escribe P(B/A). Est
expresin, se lee: " probabilidad de que B ocurra dado que ocurri A.

Definicin. 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 multiplicacin

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

P A B P A P B / A

As. la probabilidad de que se presenten ambos es igual a la de que se d A multiplicada

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

Tambin se puede escribir: P B A P B P A / B

Teorema 2. Dos eventos A y B son independientes si y slo 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 1
no-ocurrencia) del otro evento.

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

ESTADSTICA APLICADA | 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
ao fiscal es de 0.30, la probabilidad de que la divisin 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 divisin de equipo de oficina tenga un

margen de utilidad de cuando menos 10%, dado que la Divisin 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 estadsticamente independiente.

Solucin.

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 elaboracin de los saldos.

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

B). Si el auditor elige al azar dos cuentas (con reemplazo), cul es la

probabilidad de que una de las cuentas no contenga error de procedimiento?

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

ninguna de las cuentas incluya el error?

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

cuando menos una de ellas tenga error?

Solucin.

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

ESTADSTICA APLICADA | 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

0.2222
12 12 144
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 particin del espacio muestral de tal
forma que P(Bi) >0 para i =1, 2, ..., k, entonces para cualquier evento A en ,
k
P A P Bi P A / Bi
i 1

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

ao. 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 ao 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 rbol para esta situacin que implica eventos dependientes.

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

estructural del siguiente ao?
1
Solucin

b) 0.90 A

ESTADSTICA APLICADA | 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 particin del espacio muestral , de tal
forma que P(Bi) >0 para i =1, 2, ..., k, entonces para cualquier evento A en 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 ao. Cul es la probabilidad de que haya
habido un aumento en las inversiones de capital?. Solucin. Mediante la frmula 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 compaa B tenga xito al

comercializar un producto es de 0.95 si su competidora la compaa A no interviene en
el mercado. y es de 0.1 5 si la compaa A interviene en el mercado. Si se estima que
A intervendra en el mercado con probabilidad de 0.7.
a) Cul es la probabilidad de que la Ca. B tenga xito? Respuesta: 0.39
b) Si la compaa B no tuviera xito, en cuanto se estima la probabilidad de
que A intervenga en el mercado? Respuesta: 0.975

1
3.5. Variables aleatorias.
Definicin. Una funcin X definida sobre un espacio maestral , donde cada
elemento W le corresponde un nmero real x = X(w), se denomina variable
aleatoria.
ESTADSTICA APLICADA | 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 nmeros
reales.
Ejemplo 3.10. Sea el experimento c: lanzar 3 monedas y observar el resultado. En
este caso tenemos que, = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}.

Sea X: nmero de caras obtenidas en las tres monedas, entonces X as 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 artculos grande contiene artculos defectuosos D, y no

defectuosos N. Se extrae sucesivamente artculos hasta lograr un artculo defectuoso
y definimos X como el nmero de extracciones. Determinar el rango de la v.a X.

Solucin.-

3. 6. Di st ri buci ones de Pr obabi l i dad de ti po di scr et o: Bi nom i al, 1

Poi sson. Caracterstica. Aplicaciones.

3.6.1. Distribucin Binomial.

La distribucin binomial es una distribucin de probabilidad discreta aplicable
ESTADSTICA APLICADA | 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) Slo son posibles dos resultados mutuamente excluyentes en cada
ensayo u observacin. Por conveniencia, a estos resultados se les
denomina xito y fracaso.

2) Los resultados del conjunto de ensayo u observaciones, constituyen

eventos independientes.

3) La probabilidad de xito, que se denota mediante p, permanece constante

de un ensayo a otro.

Puede utilizarse la distribucin binomial para determinar la probabilidad de

obtener un nmero determinado de xitos en un proceso Bernoulli. Se requieren tres
valores: el nmero especifico de xitos (X), el nmero de ensayos u observaciones (n)
y la probabilidad de xito en cada uno de los ensayos ( p). La frmula para determinar
la probabilidad de un nmero determinado de xitos X para una distribucin binomial
es:

n x nx
P X x p q q 1 p

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

a) = E(X) = n p, b) 2
= V(X) = n p (l -p)
Ejemplo 3.12. Debido a las elevadas tasas de inters, una empresa reporta que el 30%
0% de sus cuentas por cobrar de otras empresas estn 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 est vencida, b)
exactamente dos cuentas estn vencidas, c) a lo ms hay tres cuentas vencidas d) la
mayor parte de las cuentas estn vencidas e) exactamente el 20% de las cuentas
estn vencidas.

Solucin.
Sea la variable aleatoria
X: nmero de cuentas vencidas, Rx={0, 1, 2, 3, 4, 5 }
X ~ B(5, 0.3)
1

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

 5
a) P(X = 0/ n = 5, p = 0.30)= (0.30)0(0.7 0)5 = 0.16807

5
b) P(X = 2) = (0.30)2(0.7 0)3 = 0.3087

2
c) P(X3)=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 est a cargo de la seccin de electrnica 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 seccin de electrnica hora.

a) Cul es la probabilidad de que ninguna de las personas que curiosean

compre algo durante una hora dada?
b) Cul es la probabilidad de que no ms de cuatro personas que curiosean
compren durante una hora dada?
c) Cul es la probabilidad de que al menos cuatro personas que curiosean
compren en una hora dada?
d) Cul es el nmero esperado de personas que curiosean compren algo en una
hora dada?

Solucin. Sea la v.a X: "el nmero de clientes que curiosean compren algo durante 1
una hora dada".

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

a) P(X = 0) = 0.0047
ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura
 b) P(X4)=0.5154

c) P(X 4) = 1 P(X3) = 1 0.2968 = 0.7032

e) Como n = 15 y p = 0.3, entonces el nmero esperado de personas

que compren algo en una hora dada es : E(X) = np = 15x0.3= 4.5 personas.

16.2. Distribucin de Poisson.

La distribucin de Poisson debe su nombre a Simen Denis Poisson (1781 -
1840), un francs que desarrollo la distribucin a partir de los estudios que
realiz durante la ltima parte de su vida.

La distribucin de Poisson se utiliza para describir cierto tipo de procesos,

entre los que se encuentran las llamadas telefnicas que llegan a la central
telefnica 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 automviles a una garita de peaje en
una hora punta, el nmero de accidentes en una cierta interseccin de calles
durante un mes y el nmero de piezas defectuosas por lote en un proceso de
produccin. Estos ejemplos tienen en comn pueden ser descritos mediante una
variable aleatoria discreta que toma valores enteros (0, 1, 2, 3, 4, 5, etc.). El
nmero de pacientes que llegan al consultorio de un medico en un cierto
intervalo de tiempo ser de 0, 1, 2, 3, 4, 5 algn otro nmero entero. De
manera parecida, si usted cuenta el nmero de automviles que llegan a una
garita de peaje de alguna carretera durante un perodo de 20 minutos, el nmero ser
de 0, 1, 2, 3, 4, 5 y as consecutivamente.

Definicin. Se dice que la variable aleatoria discreta X, cuyos valores posibles

son: 0, 1, 2, .... , tiene distribucin de Poisson con parmetro ( > 0) y
se escribe X ~ P( ), si su funcin de probabilidad es:

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

donde , es el promedio eventos para el tiempo o dimensin especifico de inters.

1
Teorema. Si X ~P(), entonces: a) E(X) = , b) V(X) =

Ejemplo 3.14. Suponga que llegan en forma aleatoria una serie de llamadas a
una central telefnica con un promedio de tres llamadas por minuto.
ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura
 a) calcular la probabilidad de que en el perodo de un minuto:
a1) no ocurra llamada alguna,
a2) ocurra al menos 4 llamadas.
b) Si cada llamada cuesta S/. 0.50, cunto es el costo esperado por llamadas.

Solucin.
a) Sea X el nmero de llamadas que ocurren en el perodo de un minuto.
X~ P(), donde = 3 es el promedio del nmero de llamadas por minuto.

a1) La probabilidad de que no ocurra llamada alguna en el perodo 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 perodo 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) Qu 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.

Solucin. Sea X el nmero de defectos encontrados en un segmento de 20 metros

de tela que ocurre con promedio = 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 t 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 t = 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: 1

2
e 1010 k
P X3 P X 2 0.0028
k 0 k!

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

b) El promedio de defectos en los primeros 5 metros de tela es t = 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 distribucin de Poisson como una aproximacin de la distribucin

Binomial.

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

distribuciones binomiales de probabilidad, podemos utilizar la distribucin de Poisson.
La distribucin de Poisson puede ser una razonable aproximacin de la binomial,
pero slo bajo ciertas condiciones. Tales condiciones se presentan cuando n es
grande y p es pequea, esto es, cuando el nmero de ensayos es grande y
la probabilidad binomial de tener xito es pequea.

La distribucin de Poisson es una buena aproximacin de la

distribucin binomi al cuando n >= 20 y p0. 05. En los casos en que
se cumplen est as condiciones, podemos sustituir la media de la distribucin
binomial (np) en lugar de la media de la distribucin de Poisson (), 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 pas. El departamento tiene una
impresionantemente baja frecuencia de errores de impresin; slo 0.5% de los
billetes presentan errores graves que no permiten su circulacin. Cul es la
probabilidad de que de un fajo de 1000 billetes ms de 9 presenten errores que no
permitan su circulacin?-

Solucin.

Sea X el nmero de billetes que presentan errores que no permitan su circulacin

en el fajo de 1000 billetes. Los posibles valores de X son 0,1,2,3,, 1000 y se
distribuyen segn el modelo binominal: (1000,0.005), esto es
1
1000

0.005 0.995
x 1000 x
P(X=x)= x=0,1,2,., 1000
x
La probabilidad de que ms de 9 de los billetes presenten errores es:

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

 x
1000
9
P(X>9)=(X10)=1-P(X9)=1- 0.005 0.9951000 X
x0 x

= 1- 0.969 = 0.031

Si utilizamos la distribucin de Poisson como aproximacin a la distribucin

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

1000 e 5 5
x
0.005 0.995
x 1000 x
P(X=x)= y
x x!

e5 5
9 x

P(X>9)=(X10)=1-P(X9) 1
x0 x!

=1-0.968=0.030

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

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

Aplicaciones.

3.7.1. Distribucin Normal.

Hasta este del captulo, nos hemos ocupado por el anlisis de las distribuciones de
probabilidad discretas. En la presente seccin fijaremos nuestra atencin a los casos
en que la variable puede tomar cualquier valor que ste en un intervalo de valores
dado, y en los cuales la distribucin de probabilidad es continua.

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

normal. Varios matemticos han contribuido a su desarrollo, entre los que podemos
contar al astrnomo -matemtico del siglo XIX Karl Gauss. En honor a su trabajo, la
distribucin de probabilidad normal a menudo tambin se le lama distribucin
gaussiana.

Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan
prominente en la estadstica. Primero, tiene algunas propiedades que la hacen
aplicable a un gran nmero de situaciones en las que es necesario hacer inferencias
mediante la toma de muestras. Segundo, la distribucin normal casi se ajusta a las
dist ribuciones de frecuencias r eales observadas en muchos f enm enos,
incluyendo caractersticas humanas (pesos, alturas, IQ), resultados de
1
procesos fsicos (dimensiones y rendimientos) y muchas otras medidas de
inters para los profesionales , tanto en el sector pblico como en el privado.

3.7.1.1. Definicin. Se dice que la variable aleatoria X tiene distribucin normal con
ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura
media y varianza 2 , y se escribe X ~ N( , 2 ), si su funcin de densidad es
dada por:

x
1
f x .e 2 2 x
2 .

Donde , 0 .Su grfica es la figura siguiente.

Figura 3.2. Grfica de la funcin de densidad normal

Observe durante un momento la figura 3.2. Este grfico pone de manifiesto varias
caractersticas importantes de una distribucin normal de probabilidad.

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

campana.
2. La curva es simtrica con respecto al eje vertical X=
3. Debido a la simetra la distribucin normal, la mediana y la moda de
la distribucin se encuentra tambin 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 distribucin normal de probabilidad se
extienden indefinidamente y nunca tocan el eje horizontal (desde
luego, esto es imposible de mostrar de manera grafica).
5. El rea bajo la curva normal es 1.

3.7.1.2. Distribucin normal estndar y uso de la tabla normal.

Considerando la diversidad de variables cuya distribucin es aproximadamente

normal, se hace necesario emplear una funcin 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: 1
X
Z

Que mide el nmero de desviaciones estndares que un valor X se desva de la media

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura



Para est variable estandarizada, se define la funcin de densidad estandarizada:

z2
1 2
f z e -<z<
2

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

0 z
Figura 3.3. Curva normal estandarizada.

Adems, funcin de distribucin acumulada de la normal estndar es:

t2
1 2
z P Z z
z
e dt

2

Z
0 z
Figura 3.4 rea bajo la curva normal estandarizada

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

Si la variable aleatoria X tiene distribucin N( , 2 ), entonces, la variable aleatoria

Z=(X- )/ tiene distribucin N(0,1).
Luego,
1
a b b a
P a X b P Z

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

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

a) P(Z 1.2) b) P(0.81 Z1.94) c) P(Z -1.28)

d) P(-0.46 Z 2.21) e) P(-2.04 Z-l.98) f) P(Z -0.68)

Solucin .

a) Directamente de la tabla normal estndar se obtiene:

P( Z l.2)= 0.5+P( 0 Z1.2) = 0.5 + 0.38849 = 0.8849

0.8849
Z
0 1.2
c) P(0.81 Z 1.94) = P(0 Z1.94) - P(0 Z 0.81) =

Z
-3 0 0.81 1.94 3

c) P(Z-1.28)=

Z 1
-3 -1.28 0

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

 d) P(-0.46Z2.21)=

Z
-3 -0.46 0 2.21 3

e) P(-2.5Z-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
estndar de 3.8 minutos. Asuma que la distribucin de los tiempos de traslado est
normalmente distribuida.
a) Cul 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 l sale de su casa a las 8:45 a.m. 1
diariamente, qu 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.,
cul es la probabilidad de que se pierda el caf?-
d) Encuentre el perodo arriba del cual se encuentra el 10% de los traslados ms

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

 lentos.

Solucin.
Sea la v.a X: tiempo que dura el traslado de un abogado desde su casa a la oficina.
Se sabe adems que X ~ N[24, (3.8)2]

x 30 24
a) P(x30)=p P ( Z 1.58) 0.5 P(0 Z1.58)
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

ms 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 corporacin es de 24 meses en promedio, con una
desviacin estndar de 7.5 meses. Si los tiempos de vida de las cuentas de
ahorros estn distribuidos aproximadamente en forma normal,
a) Si un depositante abre una cuenta en un banco miembro de la corporacin,
cul es la probabilidad de que todava haya dinero en la cuenta despus de 28
meses?- 1
b) Cul es la probabilidad de que la cuenta sea cerrada antes de un ao?-

Aproximacin Normal a probabilidades Binomiales.

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura

Cuando el nmero de observaciones o ensayos n es relativamente grande, puede
utilizarse la distribucin binomial para aproximar las probabilidades binomiales. Una
regla aceptable para determinar cundo puede utilizarse la aproximacin normal
a las probabilidades binomiales es tener en cuenta que tanto np 5 como nq 5

Hemos visto que cuando p es muy pequea y n es grande, la aproximacin 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 contrado est
enfermedad, cul es la probabilidad de que menos de 30 sobrevivan?.-

Solucin.

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

sobreviven.

Los posibles valores de X son 0, 1, 2,..100. en este caso la distribucin 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 aproximacin 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(X29) = 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

ESTADSTICA APLICADA | Universidad Particular Antenor Orrego - Piura