1

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

MSc. Carlos Machado

camachado@utn.edu.ec Período Oct2017-Feb2018
 VARIABLE ALEATORIA
Definición. Una variable aleatoria es una descripción numérica de los resultados de un
experimento.
Variables aleatorias discretas
Una variable aleatoria que puede asumir cualquier número finito de valores o una sucesión
infinita de valores como 0, 1, 2, . . . se conoce como variable aleatoria discreta. Por ejemplo,
considere el experimento de un sujeto que presenta el examen de certificación de contador
público, el cual consta de cuatro partes. Una variable aleatoria se define como x = el número
de partes del examen aprobadas. Se trata de una variable aleatoria discreta, ya que puede
asumir un número finito de valores 0, 1, 2, 3 o 4.

Ejemplos de variables aleatorias discretas

 Distribuciones de probabilidad discreta

La distribución de probabilidad de una variable aleatoria describe cómo se distribuyen

las probabilidades entre los valores de la misma. Para una variable aleatoria discreta x,
la distribución de probabilidad se define por medio de una función de probabilidad,
denotada por f(x). La función de probabilidad proporciona la probabilidad para cada
valor que puede asumir la variable aleatoria.

Como ejemplo de una variable aleatoria discreta y su distribución de probabilidad,

considere las ventas de automóviles en DiCarlo Motors, Nueva York. Durante los últimos
300 días de operación, los datos de ventas mostraron que en 54 días no se vendió
ningún automóvil, en 117 días se vendió 1 automóvil, en 72 días se vendieron 2, en 42
días se vendieron 3, en 12 días se vendieron 4 y en 3 días se vendieron 5
Se considera el experimento de seleccionar un día de operación en DiCarlo Motors y se
define la variable aleatoria de interés como x = número de automóviles vendidos en un
día.
Distribución de probabilidad para el
número de automóviles vendidos durante un
día en Dicarlo Motors

Representación gráfica de la distribución

de probabilidad para el número de
automóviles vendidos durante un día en
Dicarlo Motors
 Valor esperado y varianza

Valor esperado
El valor esperado, o media, de una variable aleatoria es una medida de su
posición central. La fórmula para el valor esperado de una variable aleatoria
discreta x

Ambas notaciones, E(x) y µ se usan para denotar el valor esperado de una

variable aleatoria.
 Valor esperado y varianza

Varianza
Aun cuando el valor esperado proporciona el valor medio de la variable aleatoria,
a menudo necesitamos una medida de variabilidad o dispersión. La varianza se
usa para resumir la variabilidad en los valores de una variable aleatoria.

Como muestra la ecuación, una parte esencial de la fórmula de la varianza es la

desviación, (x-µ), la cual mide a qué distancia está el valor esperado, o la media,
µ, de un valor particular de la variable aleatoria. Para calcular la varianza de una
variable aleatoria, las desviaciones se elevan al cuadrado y luego se ponderan
por el valor correspondiente de la función de probabilidad. La suma de estas
desviaciones al cuadrado ponderadas para todos los valores de la variable
aleatoria se conocen como la varianza. Las notaciones Var (x) y 𝜎 2 se usan para
denotar la varianza de una variable aleatoria.
 Valor esperado y varianza
Cálculo del valor esperado para
el número de automóviles que
se venden en un día en Dicarlo
Motors

Cálculo de
la varianza
para el
número de
automóviles

La desviación estándar, σ, se define como la raíz cuadrada positiva de la

varianza. Por tanto, la desviación estándar para el número de
automóviles vendidos durante un día es 𝜎 = 1,25 = 1,118
 Distribución de probabilidad binomial
La distribución de probabilidad binomial es una distribución de probabilidad
discreta que proporciona muchas aplicaciones. Se asocia con un experimento
de múltiples pasos que se llama experimento binomial.

PROPIEDADES DE UN EXPERIMENTO BINOMIAL

1. El experimento consiste de una secuencia de n ensayos idénticos.
2. En cada ensayo hay dos resultados posibles. A uno de ellos se le llama éxito
y al otro, fracaso.
3. La probabilidad de éxito, denotada por p, no cambia de un ensayo a otro.
Por consiguiente, la probabilidad de fracaso, denotada por 1-p, tampoco
cambia de un ensayo a otro.
4. Los ensayos son independientes.
 Distribución de probabilidad binomial
El problema de Martin Clothing Store:
Considere las decisiones de compra de los 10 clientes siguientes que entran
en la tienda de ropa Martin Clothing Store. Con base en su experiencia, el
gerente de la tienda estima que la probabilidad de que un cliente cualquiera
haga una compra es de 0.30. ¿Cuál es la probabilidad de que 4 de los 10
clientes realicen una compra?
 Distribución de probabilidad binomial

Valor esperado y varianza de la distribución binomial

 Distribución de probabilidad de Poisson
Ahora consideramos una variable aleatoria discreta que a menudo es útil para
estimar el número de ocurrencias en un intervalo específico de tiempo o
espacio. Por ejemplo, la variable aleatoria de interés podría ser el número de
llegadas a un centro de lavado automotriz en una hora o el número de fugas en
100 millas de tubería. Si las dos propiedades siguientes se satisfacen, el
número de ocurrencias es una variable aleatoria descrita por la distribución de
probabilidad de Poisson.

PROPIEDADES DE UN EXPERIMENTO DE POISSON

1. La probabilidad de ocurrencia es la misma para cualesquiera de dos
intervalos de igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo.
 Distribución de probabilidad de Poisson
Un ejemplo con intervalos de tiempo
Suponga que le interesa conocer el número de llegadas al autocajero de un
banco en las mañanas de lunes a viernes durante un periodo de 15 minutos.
Si se asume que la probabilidad de un automóvil que llega es la misma para
cualquiera de dos periodos de igual duración y que la llegada o no llegada de
un vehículo en cualquier periodo es independiente del arribo o no en cualquier
otro periodo, la función de probabilidad de Poisson es aplicable. Suponga que
estos supuestos se cumplen y que un análisis de los datos históricos muestra
que el número medio de automóviles que llega en un periodo de 15 minutos es
10; en este caso, se aplica la función de probabilidad siguiente.

En el ejemplo anterior, la media de la distribución de Poisson es µ=10 llegadas

por un periodo de 15 minutos. Una propiedad de la distribución de Poisson
consiste en que la media de la distribución y la varianza de la distribución son
iguales. Por tanto, la varianza para el número de llegadas durante un periodo
de 15 minutos es 𝜎 2 = 10. La desviación estándar es 𝜎 = 10 = 3,16
 Distribución de probabilidad de Poisson
En el ejemplo anterior, la media de la distribución de Poisson es µ=10 llegadas
por un periodo de 15 minutos. Una propiedad de la distribución de Poisson
consiste en que la media de la distribución y la varianza de la distribución son
iguales. Por tanto, la varianza para el número de llegadas durante un periodo
de 15 minutos es 𝜎 2 = 10. La desviación estándar es 𝜎 = 10 = 3,16
 Distribución de probabilidad hipergeométrica
La distribución de probabilidad hipergeométrica mantiene una relación estrecha
con la distribución binomial, pero difiere de ésta en dos puntos esenciales: sus
ensayos no son independientes y su probabilidad de éxito cambia de un ensayo
a otro.
La función de probabilidad hipergeométrica se usa para calcular la probabilidad
de que en una muestra aleatoria de n elementos, seleccionados sin remplazo,
se obtengan x elementos etiquetados como éxitos y n - x elementos marcados
como fracasos. Para que este resultado ocurra, se deben obtener x éxitos de los
r éxitos que hay en la población y n - x fracasos de los N - r fracasos. La función
de probabilidad hipergeométrica siguiente proporciona la probabilidad de
obtener x éxitos en n ensayos.
La media y la varianza de una
distribución hipergeométrica
son las siguientes.
Considere la siguiente aplicación de control de calidad. Los fusibles eléctricos
producidos por Ontario Electric se empacan en cajas de 12 unidades cada
una. Suponga que un inspector selecciona al azar tres de los 12 fusibles de
una caja para probarlos. Si ésta contiene exactamente cinco fusibles
averiados, ¿cuál es la probabilidad de que el inspector encuentre exactamente
un fusible defectuoso en los tres que seleccionó? En esta aplicación n = 3 y N
= 12. Con r = 5 fusibles defectuosos en la caja, la probabilidad de encontrar x
= 1 fusible defectuoso es
 NOTAS Y COMENTARIOS

Considere una distribución hipergeométrica con n ensayos. Sea p = (r/N) que

denota la probabilidad de un éxito en el primero ensayo. Si el tamaño de la
población es grande, el término (N-n)/(N-1) en la ecuación, se aproxima a 1.
Como resultado, el valor esperado y la varianza se escriben E(x)=np y Var(x)=
np(1-p). Note que estas expresiones son las mismas que las usadas para
calcular el valor esperado y la varianza de una distribución binomial.
Cuando el tamaño de la población es grande, una distribución hipergeométrica
puede aproximarse por una distribución binomial con n ensayos y una
probabilidad de éxito de p=(r/N)
 Ejercicios

La Asociación Estadounidense de Inversionistas Individuales publica una guía

anual para los principales fondos de inversión. La clasificación del riesgo total
para 29 categorías de fondos de inversión se muestra a continuación.

a) Sea x=1 para el riesgo bajo y hasta x=5 para el riesgo alto; elabore una
distribución de probabilidad para el nivel de riesgo.
b) ¿Cuáles es el valor esperado y la varianza para el riesgo total?
c) Resulta que 11 de las categorías eran fondos de bonos. Para estos últimos,
siete categorías se clasificaron como bajas, y cuatro por debajo del
promedio. Compare el riesgo total de los fondos de bonos con las 18
categorías de los fondos de acciones.
 EJERCICIOS

Un estudio reveló que en promedio una persona tarda alrededor de 26

minutos en trasladarse de su casa al trabajo o viceversa. Además, 5% de los
encuestados informó que tarda más de una hora en ir o regresar del trabajo
a) Si 20 personas se encuestan un día en particular, ¿cuál es la probabilidad
de que tres de ellas informen que tardan más de una hora en trasladarse?
b) Si 20 personas se encuestan un día en particular, ¿cuál es la probabilidad
de que ninguna informe que tarda más de una hora en trasladarse?
c) Si una empresa tiene 2 000 empleados, ¿cuál es el número esperado de
empleados que tardan más de una hora en trasladarse de su trabajo a su
casa o viceversa?
d) Si una empresa tiene 2 000 empleados, ¿cuáles son la varianza y la
desviación estándar del número de ellos que tardan más de una hora en
trasladarse?
 EJERCICIOS

Durante la semana que terminó el 16 de septiembre de 2001, Tiger Woods

fue el golfista que más dinero ganó en el PGA Tour. Sus ganancias sumaron
un total de $5 517 777. De los 10 principales golfistas mejor remunerados,
siete usaron pelotas de golf de la marca Titleist. Suponga que seleccionan al
azar a dos de los 10 principales golfistas que ganan más dinero.
a) ¿Cuál es la probabilidad de que exactamente uno use una pelota de golf
Titleist?
b) ¿Cuál es la probabilidad de que ambos usen pelotas Titleist?
c) ¿Cuál es la probabilidad de que ninguno use esta marca de pelota?
Una diferencia fundamental entre las variables aleatorias discretas y las
continuas radica en la manera de calcular las probabilidades. Para las
primeras, la función de probabilidad f(x) proporciona la probabilidad de que la
variable aleatoria asuma un valor particular. Con las segundas, el homólogo de
la función de probabilidad es la función de densidad de probabilidad, que
también se denota por medio de f(x). La diferencia estriba en que la función de
densidad de probabilidad no proporciona las probabilidades directamente. Sin
embargo, el área bajo la gráfica f(x) que corresponde a un intervalo dado
representa la probabilidad de que la variable aleatoria continua x asuma un
valor dentro de ese intervalo.
De esta manera, cuando se calculan las probabilidades de las variables
aleatorias continuas en realidad se está determinando la probabilidad de
que la variable aleatoria asuma cualquier valor dentro de un intervalo.
1. Distribución de probabilidad uniforme
2. Distribución de probabilidad normal
3. Distribución de probabilidad exponencial
 Distribución de probabilidad uniforme
Considere la variable aleatoria x que representa el tiempo de vuelo de un avión
que viaja de Chicago a Nueva York. Suponga que este tiempo puede ser
cualquier valor en el intervalo de 120 a 140 minutos. Dado que la variable
aleatoria x puede asumir cualquier valor en ese intervalo, x es una variable
aleatoria continua más que una variable aleatoria discreta. Suponga además
que cuenta con suficientes datos reales sobre los vuelos para concluir que la
probabilidad de que el tiempo de vuelo esté dentro de cualquier intervalo de 1
minuto es igual a la probabilidad de que esté dentro de cualquier otro intervalo
de 1 minuto contenido dentro del intervalo mayor de 120 a 140 minutos. Como
cada intervalo de 1 minuto es igualmente probable, se dice que la variable
aleatoria x tiene una probabilidad de distribución uniforme. La función de
densidad de probabilidad, que define la distribución uniforme para la variable
aleatoria del tiempo de vuelo es
 Distribución de probabilidad uniforme

En el ejemplo del tiempo de vuelo, una pregunta de probabilidad aceptable

es: ¿cuál es la probabilidad de que el tiempo de vuelo se encuentre entre
120 y 130 minutos? Es decir, ¿cuánto es P(120≤ x ≤ 130)?
 Distribución de probabilidad uniforme

El área como medida de la probabilidad

Como una observación de la gráfica de la figura, considere que el área bajo

la gráfica f(x) en el intervalo de 120 a 130 es rectangular, y el área de un
rectángulo es sencillamente el ancho multiplicado por la altura. Si se
considera que el ancho del intervalo es igual a 130 - 120 = 10, y la altura es
igual al valor de la función de densidad de probabilidad f (x)=1/20, se tiene el
área = ancho*altura = 10(1/20) = 10/20 = 0.50.
 Distribución de probabilidad uniforme

Observe que P(120 ≤ x ≤ 140) = 20(1/20) = 1; es decir, el área total bajo la

gráfica f(x) es igual a 1. Esta propiedad es válida para todas las distribuciones
de probabilidad continua y es el análogo de la condición que indica que la
suma de las probabilidades debe ser iguala 1 para una función de probabilidad
discreta.
En el caso de una función de densidad de probabilidad continua, se requiere
también que f(x) ≥ 0 para todos los valores de x. Este requerimiento es el
análogo del requisito de f (x) ≥ 0 para las funciones de probabilidad discretas.

1. Ya no se alude a la probabilidad de que una variable aleatoria asuma un

valor particular. En su lugar, se habla de la probabilidad de que asuma un
valor dentro de cierto intervalo.
2. La probabilidad de que una variable aleatoria continua asuma un valor
dentro de un intervalo dado de 𝑋1 a 𝑋2 se define como el área bajo la
gráfica de la función de densidad de probabilidad entre 𝑋1 y 𝑋2 . Como
cada punto es un intervalo cuyo ancho es igual a cero, esto implica que la
probabilidad de que una variable aleatoria continua asuma cualquier valor
particular es exactamente cero; también significa que la probabilidad de
que asuma un valor en cualquier intervalo es la misma, ya sea que se
incluyan o no los puntos finales.
 Distribución de probabilidad uniforme

En el caso de la distribución de probabilidad continua uniforme presentada en

esta sección, las fórmulas para el valor esperado y la varianza son

𝑎+𝑏
𝐸 𝑥 =
2
2
(𝑏 − 𝑎)2
𝜎 𝑥 =
12

1. Se sabe que la variable aleatoria x está distribuida de manera uniforme entre

1.0 y 1.5
a) Trace la gráfica de la función de densidad de probabilidad.
b) Calcule P(x = 1.25)
c) Determine P(1.0 ≤ x ≤ 1.25)
d) Calcule P(1.20 < x < 1.5)
2. La variable aleatoria x está distribuida de manera uniforme entre 10 y 20.
a) Trace la gráfica de la función de densidad de probabilidad.
b) Calcule P(x < 15).
c) Estime P(12 < x < 18).
d) Calcule E(x).
e) Determine Var (x).
 Distribución de probabilidad normal
La distribución de probabilidad más importante para describir una variable
aleatoria continua es la distribución de probabilidad normal. Ésta se ha utilizado
en una amplia variedad de aplicaciones en las cuales las variables aleatorias
son la altura y el peso de las personas, las calificaciones de los exámenes, las
mediciones científicas, y otros valores parecidos. En estas aplicaciones, la
distribución normal describe qué tan probables son los resultados obtenidos de
un muestreo.
Curva normal
La forma de la distribución normal se ilustra por medio una curva con forma de
campana. La función de densidad de probabilidad que define la curva de la
distribución normal se muestra en seguida.
 Distribución de probabilidad normal

Se formulan varias
observaciones acerca de
las características de la
distribución normal.

1. La familia completa de distribuciones normales se diferencia por medio de

dos parámetros: la media µ y la desviación estándar σ.
2. El punto más alto de una curva normal se encuentra sobre la media, el cual
coincide con la mediana y la moda de la distribución.
3. La media de una distribución normal puede tener cualquier valor numérico:
negativo, cero o positivo.
4. La distribución normal es simétrica: la forma de la curva normal a la
izquierda de la media es una imagen de espejo de la forma de la curva a la
derecha de la media. Los extremos de la curva normal se extienden hacia el
infinito en ambas direcciones y en teoría nunca tocan el eje horizontal.
 Distribución de probabilidad normal
5. La desviación estándar determina qué tan plana y ancha es la curva normal. Los
valores grandes de la desviación estándar dan como resultado curvas más anchas y
planas, mostrando mayor variabilidad en los datos.
6. Las probabilidades para la variable aleatoria normal están representadas por las áreas
bajo la curva normal. El área total bajo la curva de una distribución normal es 1. Como
la distribución es simétrica, el área bajo la curva a la izquierda de la media es 0.50 y el
área a la derecha también es 0.50
7. Los porcentajes de los valores en algunos intervalos de uso común son los siguientes.
a) 68.3% de los valores de una variable aleatoria normal se sitúan más o menos a una
desviación estándar de su media.
b) 95.4% de los valores de una variable aleatoria normal se encuentran más o menos a
dos desviaciones estándar de su media.
c) 99.7% de los valores de una variable aleatoria normal están más o menos dentro de
tres desviaciones estándar de su media.
 Distribución de probabilidad normal estándar
Se dice que una variable aleatoria que muestra una distribución normal con una
media de cero y una desviación estándar de uno tiene una distribución de
probabilidad normal estándar. La letra z se usa comúnmente para designar esta
variable aleatoria normal. La figura 6.5 muestra la gráfica general de la
distribución normal estándar, la cual tiene la misma apariencia que otras
distribuciones normales, pero con las propiedades especiales de µ = 0 y σ = 1.

Como µ = 0 y σ = 1, la fórmula para la función de densidad de probabilidad

normal estándar es una versión más sencilla de la ecuación
 Distribución de probabilidad normal estándar
Como ocurre con otras variables aleatorias continuas, los cálculos de la
probabilidad con cualquier distribución normal se efectúan al obtener las áreas
bajo la gráfica de la función de densidad de probabilidad. Por tanto, para
encontrar la probabilidad de que una variable aleatoria normal esté dentro de
cualquier intervalo específico, debe calcularse el área bajo la curva normal en
ese intervalo.
Para la distribución normal estándar, las áreas bajo la curva normal ya se han
estimado y están disponibles en tablas que se utilizan para el cálculo de
probabilidades.

Los tres tipos de probabilidades que se necesita calcular incluyen:

1. la probabilidad de que la variable aleatoria normal estándar z sea menor o
igual que un valor determinado
2. la probabilidad de que z esté entre dos valores dados
3. la probabilidad de que z sea mayor o igual que un valor determinado.
 Distribución de probabilidad normal estándar

Cómo calcular la probabilidad de que z sea menor o igual que 1.00, esto es,
P(z ≤ 1.00). Esta probabilidad acumulada es el área bajo la curva normal a la
izquierda de z = 1.00 en la gráfica siguiente.

La probabilidad acumulada que corresponde a

z = 1.00 es el valor ubicado en la intersección
de la fila cuyo encabezado es 1.0 y la columna
cuyo encabezado es 0.00. Primero se localiza
1.0 en la columna izquierda de la tabla y luego
0.00 en la fila superior. Al observar el cuerpo de
la tabla, encontramos que la fila 1.0 y la
columna 0.00 se intersecan en el valor 0.8413;
por tanto, P(z ≤ 1.00) = 0.8413
 Distribución de probabilidad normal estándar

Para ilustrar el segundo tipo de cálculo de la probabilidad, suponga que se

quiere determinar la probabilidad de que z esté en el intervalo entre -0.50 y
1.25; o sea, P(-0.50 ≤ z ≤ 1.25).

Para calcular el área bajo la curva normal a

la izquierda de z = 1.25, primero se localiza
la fila 1.2 en la tabla de probabilidad normal
estándar y luego se avanza hasta la
columna 0.05. Como el valor que aparece
en la fila 1.2 y en la columna 0.05 es
0.8944, P(z ≤ 1.25) = 0.8944.
De manera similar, cuando se quiere
determinar el área bajo la curva a la
izquierda de z = -0.50, se localiza el valor de
la fila -0.5 y la columna 0.00; como el valor
es 0.3085, P(z ≤ -0.50) = 0.3085. Por tanto,
P(-0.50 ≤ z ≤ 1.25) = P(z ≤ 1.25) - P(z ≤ -
0.50) = 0.8944 - 0.3085 = 0.5859.
 Distribución de probabilidad normal estándar

Para explicar cómo se efectúa el tercer tipo de cálculo de probabilidad,

suponga que se quiere determinar la probabilidad de obtener un valor z por lo
menos igual a 1.58; es decir, P(z ≥ 1.58). El valor en la fila z = 1.5 y la columna
0.08 de la tabla normal acumulada es 0.9429; por tanto, P(z ≤ 1.58) = 0.9429.
Sin embargo, como el área total bajo la curva normal es 1, P(z ≥ 1.58) = 1 -
0.9429 = 0.0571.
 Distribución de probabilidad normal estándar

En los ejemplos anteriores se mostró cómo calcular las probabilidades cuando

se proporcionan valores de z específicos. En algunas situaciones se da una
probabilidad y se quiere trabajar a la inversa para encontrar el valor de z
correspondiente. Suponga que quiere determinar un valor de z tal que la
probabilidad de obtener un valor de z mayor sea 0.10
Recuerde que esta tabla proporciona el
área bajo la curva a la izquierda de un
valor de z determinado. Se tiene la
información de que el área en el extremo
superior de la curva es 0.10. Por
consiguiente, el área bajo la curva a la
izquierda del valor de z desconocido debe
ser igual a 0.9000. Al revisar el cuerpo de
la tabla, encontramos que 0.8997 es el
valor de probabilidad acumulada más
cercano a 0.9000. La sección de la tabla
que muestra este resultado se reproduce
a continuación.
 Distribución de probabilidad normal estándar
Cálculo de probabilidades para cualquier distribución de probabilidad normal
Cuando se tiene una distribución normal con cualquier media µ y cualquier desviación
estándar σ, las preguntas de probabilidad acerca de la distribución se responden
convirtiendo primero a la distribución normal estándar. Luego se usa la tabla de
probabilidad normal estándar y los valores de z apropiados para obtener las
probabilidades buscadas. La fórmula para convertir cualquier variable aleatoria normal
x con media µ y desviación estándar σ a la variable aleatoria normal estándar z se
presenta a continuación.

Suponga que se tiene una distribución con µ = 10 y σ = 2. ¿Cuál es la probabilidad

de que la variable aleatoria x esté entre 10 y 14? Aplicando la ecuación vemos que
en x = 10, z = (x - µ)/σ = (10 - 10)/2 = 0 y que en x = 14, z = (14 - 10)/2 = 4/2 = 2. Por
tanto, la respuesta a nuestra pregunta sobre la probabilidad de que x esté entre 10 y
14 está dada por la probabilidad equivalente de que z esté entre 0 y 2 para la
distribución normal estándar.
En otras palabras, la probabilidad que se busca estriba en que la variable aleatoria x
esté entre su media y a dos desviaciones estándar sobre la media. Al usar z = 2.00 y
la tabla de probabilidad normal estándar, P(z ≤ 2) = 0.9772.
Como P(z ≤ 0) = 0.5000, podemos calcular P(0.00 ≤ z ≤ 2.00) = P(z ≤ 2) - P(z ≤ 0) =
0.9772 - 0.5000 = 0.4772. De ahí que la probabilidad de que x esté entre 10 y 14
sea 0.4772.
 Ejercicios y Aplicaciones

Dado que z es una variable aleatoria normal estándar, calcule las

probabilidades siguientes.
a) P(-1.98 ≤ z ≤ 0.49).
b) P(0.52 ≤ z ≤ 1.22).
c) P(-1.75 ≤ z ≤ -1.04).

El precio medio de las acciones de las empresas que forman el S&P 500 es
$30, y la desviación estándar es $8.20. Suponga que los precios de las
acciones se distribuyen normalmente.
a) ¿Cuál es la probabilidad de que las acciones de una empresa tengan un
precio mínimo de $40?
b) ¿Cuál es la probabilidad de que el precio de las acciones no supere $20?
c) ¿Qué tan alto debe ser el precio de las acciones de una firma para situarla
en el 10% de las principales empresas?
 Aproximación normal de las probabilidades binomiales
Recuerde que un experimento binomial consiste en una secuencia de n
ensayos independientes idénticos cada uno con dos resultados posibles: un
éxito o un fracaso. La probabilidad de éxito es la misma para todos los
ensayos y se denota como p. La variable aleatoria binomial es el número de
éxitos en los n ensayos y las preguntas de probabilidad pertenecen a la
probabilidad de x éxitos en los n ensayos.
Cuando el número de ensayos es grande, es difícil evaluar la función de
probabilidad binomial a mano o con una calculadora. En los casos en que np ≥
5 y n(1 - p) ≥ 5, la distribución normal proporciona una aproximación fácil de
usar de las probabilidades binomiales.
Cuando se usa la aproximación normal a la binomial, se establece 𝜇 = 𝑛𝑝 y
𝜎 = 𝑛𝑝(1 − 𝑝) en la definición de la curva normal.
Considere una empresa particular que tiene una historia de cometer errores en
el 10% de sus facturas. Se tomó una muestra de 100 facturas y se quiere
calcular la probabilidad de que 12 contengan errores. Es decir, se desea
determinar la probabilidad binomial de 12 éxitos en 100 ensayos. Al aplicar la
aproximación normal en este caso, se establece 𝜇 = 𝑛𝑝 = (100)(0.1)=10 y
𝜎 = 𝑛𝑝(1 − 𝑝) = 3. Una distribución normal con µ = 10 y σ = 3
Aproximación normal de las probabilidades binomiales

Con una distribución de probabilidad continua, las probabilidades se

calculan como las áreas bajo la función de densidad de probabilidad. Como
resultado, la probabilidad de cualquier valor único para la variable aleatoria
es cero. Por tanto, para aproximar la probabilidad binomial de 12 éxitos, se
calcula el área bajo la curva normal correspondiente entre 11.5 y 12.5. El
0.5 que se suma y resta de 12 se llama factor de corrección de continuidad.

Al usar la tabla de probabilidad normal estándar, vemos que el área bajo la

curva a la izquierda de 12.5 es 0.7967. Del mismo modo, el área bajo la
curva a la izquierda de 11.5 es 0.6915. Por tanto, el área entre 11.5 y 12.5
es 0.7967 - 0.6915 = 0.1052. La aproximación normal a la probabilidad de
12 éxitos en 100 ensayos es 0.1052.
 Distribución de probabilidad exponencial

La distribución de probabilidad exponencial puede usarse para variables

aleatorias como el tiempo entre la llegada de un automóvil a un autolavado,
el tiempo requerido para cargar un camión, la distancia entre los defectos
importantes de una carretera, etc.

Como ejemplo de la distribución exponencial, suponga que x representa el

tiempo de carga para un camión en el muelle y sigue dicha distribución. Si
la media, o promedio, del tiempo de carga es 15 minutos (µ = 15), la función
1
de densidad de probabilidad apropiada para x es F 𝑋 = 15 𝑒 −𝑋/15
Cálculo de probabilidades para la distribución
exponencial
Al igual que con la distribución de probabilidad continua, el área bajo la
curva correspondiente a un intervalo proporciona la probabilidad de que la
variable aleatoria asuma un valor en ese intervalo. En el ejemplo del muelle
la probabilidad de que cargar un camión tarde 6 minutos o menos P(x ≤ 6)
se define como el área bajo la curva en la fi gura de x = 0 a x = 6. De
manera similar, la probabilidad de que dicho tiempo sea de 18 minutos o
menos P(x ≤ 18) es el área bajo la curva de x = 0 a x = 18. Note también
que la probabilidad de que el tiempo de carga esté entre 6 y 18 minutos P(6
≤ x ≤ 18) está dado por el área bajo la curva de x = 6 a x = 18.

Una propiedad de la distribución

exponencial indica que la media
y la desviación estándar son
iguales.
 Ejercicios y Aplicaciones
El tiempo requerido para pasar la inspección de seguridad en el aeropuerto
puede ser molesto para los viajeros. El tiempo de espera medio durante los
periodos pico en el Aeropuerto Internacional de Cincinnati/norte de Kentucky
es de 12.1 minutos. Suponga que el tiempo para pasar la inspección de
seguridad sigue una distribución exponencial.
a) ¿Cuál es la probabilidad de que tarde menos de 10 minutos pasar la
inspección de seguridad durante un periodo pico?
b) ¿Cuál es la probabilidad de que pasar la inspección tarde más de 20
minutos?
c) ¿Cuál es la probabilidad de que la inspección tome entre 10 y 20 minutos?
d) Son las 8:00 a.m. (un periodo pico) y usted acaba de formarse en la fila de
inspección. Para tomar su vuelo debe estar en la puerta en 30 minutos.
Transcurren 12 minutos desde el momento en que pasa la inspección de
seguridad hasta que llega a su puerta, ¿cuál es la probabilidad de que pierda
el vuelo?
www.utn.edu.ec