Captulo 3.- Probabilidades y distribuciones de probabilidad.

35

Captulo 3.
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
3.1. Introduccin.
En el lenguaje corriente se utiliza el termino "probabilidad" para designar el grado
de confianza que una persona tiene sobre la ocurrencia de un determinado suceso
futuro.
La probabilidad es una parte de nuestras vidas cotidianas. En la toma de decisiones
personales y administrativas, nos enfrentamos a la incertidumbre y la 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 administradores 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 de 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, SCC, SCS, SSC, SSS

Captulo 3.- Probabilidades y distribuciones de probabilidad.

36

NOTA. Los espacios muestrales de experimentos aleatorios que consisten de dos

o ms pruebas sucesivas obtienen tambin de un diagrama tipo rbol, como el la
figura 3.1, para 2
1. Prueba

2. Prueba

3. Prueba

puntos muestrales

CCC

S
C

CCS
CSC

CSS

SCC

S
C

SCS
SSC

SSS

C
C
S

C
S
S
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 vaco) 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
Para este experimento podemos definir los siguientes eventos:
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 un nmero mltiplo de 3, entonces C = { 3, 6

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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

37

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 experimento, se logra cierto
grado de confianza en la validez de la aseveracin.
3.3.1. Definicin de probabilidad. La probabilidad de un evento es la razn entre el
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 varia entre 0 y 100). Una probabilidad igual a 1 indica nuestra
absoluta certeza de que el suceso ocurrir, mientras que una probabilidad nula indica
nuestra absoluta certeza de que el suceso no ocurrir. Valores intermedios sealan
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 el nmero de xitos 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 B) P ( A) P ( B) P ( A B )

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

P ( A B ) P ( A) P ( B )

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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

38

P ( A1 A2 ... An ) P ( A1 ) P ( A2 ) .... P ( An )

Teorema 2. Para tres eventos A, B y C

P( A B ) 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

Ejemplo 3.4. Los empleados de una cierta compaa han elegido a cinco de ellos
para que les representen en el consejo administrativo y de personal sobre
productividad. Los perfiles de los cinco elegidos son:
1. hombre
2. hombre
3. mujer
4. mujer
5. hombre

edad 30
32
45
20
40

Este grupo decide elegir 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
mayor de 35) =
=

2
1
3
2
+
=
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(AB) = 3/4.
Sustituyendo estos valores en: P ( A B) P ( A) P ( B) P ( A B )
resulta:
P( A B )

2 3 3
1

5 8 4 40

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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

39

A B

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

P ( A B ) ( A B )

15 14 29

40 40 40

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

P ( A B )

10
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 ( B / A)

P( A B)
, si P( 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)

Captulo 3.- Probabilidades y distribuciones de probabilidad.

40

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 s 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 no-ocurrencia) del otro evento.
Teorema 3. Si en un experimento, los eventos A1, A2, ... , AK , pueden ocurrir,
entonces:
P ( A1 A2 A3 ... Ak ) P ( A1 ) P ( A2 / A1 ) P( A3 / A1 A2 )...P ( AK / A1 A2 ... AK )

Si los eventos A1, 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

0.20
P(M )
0.30

a)

P (O / M )

b)

P (O M ) P (O )P ( M )

0.06 0.30 0.20 0.06

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?

Captulo 3.- Probabilidades y distribuciones de probabilidad.

41

b) Si el auditor elige al azar dos cuentas (sin reemplazo), cul es la probabilidad de que
ninguna de las cuentas contenga error de procedimiento?
c) Si el auditor muestrea tres cuentas, cul es la probabilidad de que ninguna de las
cuentas incluya el error?d) Si el auditor muestrea 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
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 muestrea contiene error.

P ( E1 E 2 ) P ( E1 )P ( E 2 / E1 )

b) P ( E1 E 2 ) P ( E1 )P ( E 2 / E1 )

c)

4
3
12

0.091
12 11 132

8
7
56

0.424
12 11 132

P ( E1 E 2 E 3 ) P ( E1 )P ( E 2 / E1 )P ( E 3 / E1 E 2 )

8 7 6
336

0.2545
12 11 10 1320

d) P(cuando menos un error) =

P( E1 E 2 ) P( E1 E 2 ) P ( E1 E 2 )
P( E1 ) P ( E 2 / E1 ) P ( E1 ) P( E 2 / 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.

Captulo 3.- Probabilidades y distribuciones de probabilidad.

42

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 est situacin que implica eventos dependientes.
b) Cul es la probabilidad global de un aumento en el precio del acero estructural
del siguiente ao?
Solucin.
a)
0.90

0.10

0.40

0.60

0.60

0.40

b) 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)
>0,

P(B r /A)

P(B r )P(A/B r )
k

P(B )P(A/B )
i 1

para i = 1, 2, ... , k

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/A)

P(I)P(A/I)
(0.60)(0.90)
0.54

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 0.15 si la compaa A interviene en el mercado. Si se estima
que A intervendra en el mercado con probabilidad de 0.7.

Captulo 3.- Probabilidades y distribuciones de probabilidad.

43

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
3.5. Variables aleatorias.
Definicin. Una funcin X definida sobre un espacio muestral , donde cada
elemento w le corresponde un nmero real x = X(w), se denomina variable
aleatoria.
Una variable aleatoria puede ser:

Discreta, si el rango de X es un conjunto finito o infinito numerable, es decir,

R X x1 , x 2 , ..., x k ,.....

Continua, si el rango de X, R X , es un intervalo sobre la recta de los nmeros

reales.

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

En este caso tenemos que, = {CCC, CCS, CSC, SCC, CSS, SCC, SCS, SSC, SSS.
Sea X: 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. Distribuciones de Probabilidad de tipo discreto: binomial, Poisson.

Caracterstica. Aplicaciones.
3.6.1. Distribucin Binomial.

Captulo 3.- Probabilidades y distribuciones de probabilidad.

44

La distribucin binomial es una distribucin de probabilidad discreta aplicable como

modelo a diversas situaciones de toma de decisiones, siempre y cuando pueda
suponerse que el proceso de muestreo se ajuste a un proceso Bernoulli. Un proceso
Bernoulli es un proceso de muestreo en el que:
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
P(X x) p x q n x , donde q = 1 - p
x

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

a) E(X) np ,

b) 2 V(X) np(1 p)

Ejemplo 3.12. Debido a las elevadas tasas de inters, una empresa reporta que el 30% 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 el20% de las cuentas estn vencidas.
Solucin.
Sea la variable aleatoria X: nmero de cuentas vencidas, R X ={ 0, 1, 2, 3, 4, 5
X ~ B(5, 0.3)
5
0
5
a) P ( X 0 / n 5, p 0.30) (0.30) (0.70) 0.16807
0
5
(0.30) 2 (0.70) 3 0.3087
2

P ( X 3 ) P ( X 0) P ( X 1) P( X 2) P ( X 3)

b) P ( X 2)
c)

0.1681 0.3602 0.3087 0.1323 0.9693

d) P ( X 3 ) P ( X 3) P( X 4) P ( X 5) 0.1631

Captulo 3.- Probabilidades y distribuciones de probabilidad.

e) P(

45

X
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 cada 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
algo durante una hora dada?
c) Cul es la probabilidad de que al menos cuatro personas que curiosean compren
algo 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
una hora dada".
RX ={ 0, 1, 2, 3, 4, ..., 15 . X ~ B(15, 0.3)
a) P(X 0) 0.0047
b) P(X 4) 0.5154
c) P(X 4) 1 P(X 3) 1 0.2968 0.7032
e) Como n = 15 y p = 0.3, entonces el nmero esperado de personas que
compren algo en una hora dada es : E(X) = np = 15x0.3= 4.5 personas.

3.6.2. 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
ultima 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
UNP entre las 8 a.m a 12 a.m, la demanda diaria de los pacientes que requieren
servicio en el hospital "Cayetano Heredia"-Piura, las llegadas de camiones y
automviles a una garita de peaje en una hora punta, el nmero de accidentes
regristados 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
un elemento: 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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

46

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:
p(x) P(X x)

e x
,
x!

x = 0, 1, 2, ... ,

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

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.
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 64 llamadas en el perodo de un

minuto es:
3
e 3 (3) k
P(X 4) 1 P(X 3) 1
1 0.6472 0.3528
k!
k0
b) Sea C el costo por llamada, entonces, C = 0.5 X , y
E (C ) E (0.5 X ) 0.5 E ( X ) 0.5 3 1.5

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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

47

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 t metros de tela es:
P(X k)

e t (t) k
, k = 0,1, 2, 3, ....,
k!

donde t es el promedio de defectos en el segmento 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:
e 10 10 k
0.0028
k!
k 0
2

P ( X 3) P ( X 2)

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:
P ( X 0)

e 1 (1) 0
0.3679
0!

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
binomial cuando
n 20 y p 0.05. En los casos en que se cumplen estas
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:
P(X x)

e np (np) x
x!

Ejemplo 3.16. El U.S. Bureau of Printing and Engraving (Departamento de

Impresiones y grabados) de Estados Unidos es el responsable de imprimir papel
moneda en aquel pas. El departamento tiene una impresionantemente baja
frecuencia de errores de impresin; slo 0.5% de los billetes presentan errores graves

Captulo 3.- Probabilidades y distribuciones de probabilidad.

48

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 binomial: B(1000, 0.005), esto es:
1000
(0.005) x (0.995)1000 x
x

P(X x)

x = 0, 1, 2,..., 1000

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

1000
(0.005) x (0.995)1000 x
x
x 0
9

P(X 9) P ( X 10) 1 P( X 9) 1

= 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) x (0.995)1000 x
x!
x

P(X x)

e -5 (5) x
x!
x 0
9

P(X 9) P ( X 10) 1 P ( X 9) 1

= 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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

49

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
distribuciones de frecuencias reales observadas en muchos fenmenos, incluyendo
caractersticas humanas (pesos, alturas, IQ), resultados de procesos fsicos
(dimensiones y rendimientos) y muchas otras medidas de inters para los
administradores, 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
media y varianza 2, y se escribe X ~ N(,2), si su funcin de densidad es dada
por:

f(x)

1
2

(x ) 2
2 2

donde , > 0. Su grfica es la figura siguiente.

f(

x)

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 encuentran tambin en el centro; en consecuencia, para una
curva normal, la media, la mediana y la moda tienen el mismo valor.
4. Los dos extremos de la 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.

Captulo 3.- Probabilidades y distribuciones de probabilidad.

50

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:
X
Z

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

.
Para est variable estandarizada, se define la funcin de densidad estandarizada:
f(z)

1
2

z2
2

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

(z)

z
0

Figura 3.3. Curva normal estandarizada.

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

( z ) P(Z z)

1
e
2

t2
2

dt

(z)
Z
0

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,

Captulo 3.- Probabilidades y distribuciones de probabilidad.

51

b
b
a
a
Z
(
) (
)

P (a X b) P

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

a) P( Z 1.2)
2.21)

b) P(0.81 Z 1.94)

e) P(-2.04 Z -1.98)

c) P(Z -1.28)

f) P(Z -0.68)

Solucin .
a) Directamente de la tabla normal estndar se obtiene:
P( Z 1.2) = 0.5 + P( 0 Z 1.2) = 0.5 + 0.38849 = 0.8849

0.8849
Z
0

1.2

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

Z
-3

0 0.81 1.94

c) P(Z -1.28) =

Z
-3

-1.28

d) P(-0.46 Z 2.21) =

d) P(-0.46 Z

Captulo 3.- Probabilidades y distribuciones de probabilidad.

52

Z
-3

-0.46

2.21

e) P(-2.5 Z -1.98) =

Z
-3 - 2.5 -1.98

f) P(Z -0.68) =

Z
-3

-0.68

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
desviacin 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.
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
lentos.
Solucin.
Sea la v.a X: tiempo que dura el traslado de un abogado desde su casa a la oficina.

Captulo 3.- Probabilidades y distribuciones de probabilidad.

53

Se sabe adems que X ~ N[24, (3.8)2]

X 30 24

P ( Z 1.58) 0.5 P(0 Z 1.58)

3.8

a) P ( X 30) P
b)

P ( X 15)

c)

P ( X 25)

d) Sea x0 el perodo de tiempo arriba del cual se encuentra el 10% de los traslados
ms lentos.
Es decir que: P ( X x 0 ) 0.10

X
24

X0

Z
0

1.28

Luego:

x 24
X 24 x 0 24

P Z 0
0. 1

3. 8
3.8
3.8

P ( X x0 ) P

Se observa en la tabla de la normal estandariza que 1.28

x0 24
, de donde
3.8

resulta: x 0 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?b) Cul es la probabilidad de que la cuenta sea cerrada antes de un ao?Aproximacin Normal a probabilidades Binomiales.

Cuando el nmero de observaciones o ensayos n es relativamente grande, puede

utilizarse la distribucin normal para aproximar las probabilidades binomiales. Una
regla aceptable para determinar cuando puede utilizarse la aproximacin

Captulo 3.- Probabilidades y distribuciones de probabilidad.

54

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, 3, ..., 100. en este caso la distribucin binomial
es:
100
(0.4) x (0.6)100 x
x

P(X x)

x = 0, 1, 2,..., 100

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 de 30 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

3.7.2. Distribucin Chi-Cuadrado.

Definicin.- Se dice que la variable aleatoria continua X se distribuye segn Chicuadrado con r grados de libertad, y se representa por X ~ 2(r), si su funcin de
densidad es:

2 r / 2
X r / 2 1 e x / 2
(r / 2)

f (X )

0,

donde r es un nmero entero positivo.

f(2)

, si x 0

si x 0

Captulo 3.- Probabilidades y distribuciones de probabilidad.

55

r=1

r=6
r=15

10
Figura 3.5. Grfica de la

20

distribucin chi-cuadrado.

Si X ~ 2(r) entonces, su media y su varianza respectivamente son:

= E(X) = r

2 = V(X) = 2r

Si la variable aleatoria X ~ 2(r), entonces, en la tabla de probabilidades chicuadrado se puede encontrar una probabilidad 1 - o un valor 2 (1-, r) , mediante la
relacin
2
P(X (1
, r) ) 1

f(2)
Figura 3.6. rea bajo la curva
chi - cuadrado.

1-

2 (1-, r)

Ejemplo 3.20. Si X ~ 2(26), determinar:

a) P X 17.29 ,
P X 40

Solucin.a) P X 17.29 = 0.10

b) P X 38.89 =

b) P X 38.89 ,

c) P13.84 X 45.64

d)

Captulo 3.- Probabilidades y distribuciones de probabilidad.

56

c) P13.84 X 45.64 =

d) P X 40 =

Ejemplo 3.21. Si X ~ 2 (r), hallar:

a) a tal que P X a 0.005 , si r = 30
b) a y b tales que P a X b 0.95 , P X b 0.975 , si r = 13
c) a tal que P X a 0.015 , si r = 8
Solucin.
a) Directamente se observa de la tabla chi, que a = 53.672
b) De P X b 0.975 , se tiene P X b 0.025 resultando b = 24.7356
Por otra parte, 0.95 P a X b P( X a ) P ( X b) ,
de donde resulta,
P ( X a ) 0.95 0.025 0.975 , entonces , a = 5.01.

c) Por interpolacin se tiene a = 1.8267

3.7.3. Distribucin t de Student.

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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

f (t )

( r 1) / 2
t2

1
r
( r / 2) r

( r 1) / 2

57

t ,

donde r es un nmero positivo.

La grfica de la distribucin t se representa en la figura 3.6.

T
0

Figura 3.7. Grfica de la distribucin t - Student.

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

La distribucin t- Student tiene las siguientes propiedades:

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

E(T) 0

2 V(T)

r
, r > 2.
r2

Su grfica tiene forma de campana de Gauss, simtrica en cero.

La varianza de la distribucin t es mayor que de la distribucin N(0, 1). Pero
cuando r , la varianza de la t tiende a 1.
La distribucin t se aproxima a una distribucin N(0, 1), cuando r . La
aproximacin es buena, si r 30 .
Si la v.a T ~ t(r), en la tabla de probabilidades t-Student se puede encontrar una
probabilidad 1- o un valor t(1-, r) , mediante la relacin
P(T t1 , r ) 1

1-

T
0

t(1-, r)

Figura 3.8. rea de la distribucin t.

Captulo 3.- Probabilidades y distribuciones de probabilidad.

58

Ejemplo 3.22. Si T tiene distribucin t-Student con 18 grados de libertad, hallar:

a) P(T 1.734)
d) P( 1.330 T 2.552)

b) P (T 2.10)
e) P(T 2)

c) P (T 2.878)

Solucin.
a) P(T 1.734) = 0.05

b) P (T 2.10) = 1- P (T 2.10) =

c) P (T 2.878) = P (T 2.878) =

d) P ( 1.330 T 2.552) =

e) Por interpolacin resulta p 0 0.968

Ejemplo 3.23. Si X tiene distribucin t con 10 grados de libertad, hallar el valor c tal que:
a) P ( X c) 0.01

b) P( X c) 0.995

d) P (c X c) 0.95

c) P ( X c) 0.05

e) P ( X c ) 0.08

Solucin.
a) P ( X c) 0.01 , entonces, c = 2.764

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

Captulo 3.- Probabilidades y distribuciones de probabilidad.

59

c) P ( X c ) 0.05 ,

d) P (c X c ) 0.95 , implica, P ( X c) 0.025 , luego c =

e) Por interpolacin se obtiene c = 1.548

3.7.4. Distribucin F.
Definicin. Se dice que una variable aleatoria contina X tiene distribucin F con r1
y r2 grados de libertad y se representa por X ~ F(r1, r2), si su funcin de densidad es:
r r2
1

2

f ( x)
r
1
2

r1

r2
r2

r1/2

x r1/2 1
r
1 1 x
r2

(r1 r2 )/2

0 x

donde r1 y r2 , son nmeros enteros positivos. Su grfica es la figura 3.8.

f(x)
1.0

F(2,4)

Captulo 3.- Probabilidades y distribuciones de probabilidad.

60

F(10,2)
F(12, 15)

0.5

X
0

Figura 3.9. Grfica de la distribucin

F.

Si U y V son dos variables aleatorias independientes tales que U ~ 2 ( r1 ) y

V ~ 2 (r2 ) , entonces, la variable aleatoria:

X

U / r1
V / r2

tiene distribucin F con r1 y r2 grados de libertad.

Si la variable aleatoria X ~ F(r1, r2), en la tabla de probabilidades F se puede

encontrar una probabilidad 1- o un valor F(1 , r1, r2 ) , mediante la relacin:
P X F(1 ,

r1, r2

Para determinar valores de F correspondientes a reas 1- = 0.005, 0.01, 0.025,

0.05, o para determinar valores de F(1 , r1 , r2 ) 1 se usa el teorema siguiente:
Teorema. Si X ~ F(r1, r2), entonces, 1/ X tiene distribucin F con grados de libertad
r2 y r1, es decir,
F(1 ,

r1, r2 )

1
F( ,

r2 , r1 )

Ejemplo 3.24. Si X ~ F (4, 5) hallar:

a) P ( X 11 .4)

b) P( X 7.39)

c) P ( X 8)

Solucin.
a) P ( X 11 .4) = 0.01
b) P( X 7.39) = 1- P ( X 7.39) =
c) Por interpolacin: resulta P ( X 8) 0.977

d) P ( X 0.0645)

Captulo 3.- Probabilidades y distribuciones de probabilidad.

61

d) P ( X 0.0645) 1 P ( X 0.0645)
Debemos calcular P ( X 0.0645) . En efecto, tenemos:
1
1
P ( X 0.0645) P

P ( X 15.50) 1 P ( X 15.50) 1 0.010 0.99

X
0
.
0645

1
donde X ~ F (5,4) . Luego
X
P ( X 0.0645) 1 P ( X 0.0645) 1 0.99 0.01

Ejemplo 3.25. Si X ~ F (6, 10) , hallar el valor de c tal que:

a) P ( X c) 0.01

b) P ( X c) 0.95

c) P( X c) 0.025

Solucin.
a) P ( X c) 0.01 , entonces c = 5.39
b) De P ( X c) 0.95 , se obtiene P ( X c) 0.05 , luego se tiene, c =
c) P( X c) 0.025 , implica que P( X c) 0.975 .
c F( 0.975,

6, 10)

1
1

0.1831
F(0.025 ,10 ,6)
5.46