GUIA TEORICO-PRACTICA

Distribuciones de Probabilidad

Luz Rodrı́guez Q.

Barquisimeto 2015

1
 Unidad I
Distribuciones Discretas de Probabilidad
1 Variable Aleatoria Discreta
Al realizar un experimento aleatorio, relacionado con cada punto muestral puede haber
una serie de caracterı́sticas numéricas que en la mayorı́a de los casos interesan más que
la descripción del punto muestral en sı́. El concepto de variable aleatoria proporciona un
medio para relacionar cualquier resultado con una medida cuantitativa.
Una Variable Aleatoria Discreta X es una función real que toma valores x1 , x2 ,..., en
R.

1.1 Ensayos de Bernoulli

Los ensayos repetidos e independientes, se llaman ensayos de Bernoulli cuando cada en-
sayo tiene dos únicos resultados posibles y las probabilidades de éstos son las mismas en
todos los ensayos. Estos dos resultados se clasifican en ”Éxito”(E) o ”Fracaso”(F) y sus
probabilidades las denotaremos por:
P (E) = p y P (F ) = 1 − p p≥0
Sea X = número de ensayos que resultan éxito, luego si salen k éxitos se tiene que:
P (X = k) = pk × (1 − p)n−k .
Ası́, la Distribución de Bernoulli con parámetro p para la variable aleatoria X, definida
como el número de éxitos en un ensayo independiente de Bernoulli, está dada por:
P (X = k) = pk × (1 − p)n−k ;
usaremos la notación: X ∼ Bern(p).

1.2 Distribución Binomial

Si consideramos n ensayos de Bernoulli, para cualquier sucesión de n términos donde k de
ellos son éxitos y n − k son fracasos,

P (X = k) = pk × (1 − p)n−k .

Ahora
  bien, el número de formas en que se pueden ubicar k términos (E) en n lugares es:
n
.
k
Definamos X = ”número de éxitos en n-ensayos de Bernoulli”, luego X es una variable
aleatoria tal que:  
n
P (X = k) = × pk × (1 − p)n−k
k

2
La función de densidad de X será entonces:
  
n
× px × (1 − p)n−x si x = 0, 1, ..., n

f (x) = x
0 para otros valores


Diremos que X tiene una Distribución Binomial con parámetros n y p, esto se denotará
por: X ∼ Bin(n, p).
Ejemplos:
1
1. Se ha comprobado que una dactilógrafa tiene una probabilidad de equivocarse
10
al apretar una tecla. Debe hacer copias que requieren 100 golpes de tecla. Si X
= número de errores cometidos en la copia, X será una variable aleatoria con dis-
1
tribución binomial de parámetros n = 100 y p = . Podemos calcular:
10
 
100
P (X = 0) = (0.1)0 .(0.99)100 = (0.99)100
0

2. Supongamos que el promedio normal de infección de una cierta enfermedad del

ganado es del 25%. Para probar un nuevo suero se lo inyectan a n animales sanos
del corral. Cómo se podrá evaluar el resultado del experimento?.
Si el suero fuera absolutamente inofensivo la probabilidad de que k de los n animales
inyectados se mantengan sanos será:
 
n
P (X = k) = (0.75)k (0.25)n−k
k

X = ”número de animales inyectados que se mantienen sanos”

1.3 Distribución Multinomial

Es una generalización inmediata de la binomial y surge del hecho de que cada ensayo pueda
tener más de dos posibles resultados.
Supongamos que hay n ensayos independientes, cada uno de los cuales permite k re-
sultados
P mutuamente excluyentes con probabilidades p1 , p2 , · · · , pk respectivamente donde
pi = 1.
Nos interesa
P la probabilidad de obtener x1 resultados del tipo 1, x2 resultados del tipo
2, etc, con xi = n. Dicha probabilidad está dada por:

n!
p(x1 , x2 , · · · , xk ) = px1 px2 · · · pxkk para x = 0, 1, 2, · · · , n,
x1 ! x2 ! · · · xk ! 1 2
y la llamaremos Distribución Multinomial.
Ejemplo:
Las probabilidades de que un foco de cierto tipo de proyector dure menos de 40 horas de

3
uso continuo, entre 40 y 80 horas, o más de 80 horas son 0.3, 0.5 y 0.2 respectivamente.
Hallar la probabilidad de que entre 8 de esos focos dos duren menos de 40 horas, cinco
duren entre 40 y 80 y uno dure más de 80 horas.
X1 : número de focos que duran menos de 40 horas; x1 = 2 y p1 = 0.3
X2 : número de focos que duran entre 40 y 80 horas; x2 = 5 y p2 = 0.5
X3 : número de focos que duran más de 80 horas; x3 = 1 y p1 = 0.2
Luego, la probabilidad pedida es:
8!
p(2, 5, 1) = P (X1 = 2, X2 = 5, X3 = 1) = (0.3)2 (0.5)5 (0.2)1 = 0.0945.
2!5!1!

1.4 Distribución Hipergeométrica

Sea n el número de elementos de un conjunto que contiene n1 del tipo I y n2 del tipo II.
Supóngase que se extrae una muestra aleatoria de tamaño k de dicho conjunto. Definimos
X = ”número de objetos del tipo I en la muestra”. Entonces
  
n1 n − n1
x k−x
P (X = x) =   , x = 0, 1, ..., k
n
k

es llamada Distribución Hipergeométrica. X ∼ Hiper(x; n, n1 , k) y su función de densidad

es:
   

 
n1  n − n1 

 x k−x
si x = 0, 1, 2, ..., k

  
n

h(x) = h(x; n, n1 , k) =  

 k




0 en otros casos


Ejemplo:
Un embarque de 20 grabadoras contiene 5 defectuosas. Si 10 de ellas se eligen al azar para
su inspección, cuál es la probabilidad que 2 de los 10 sean defectuosos?
Notemos que, X =número de grabadoras defectuosas; nos interesa hallar la probabilidad
de que x = 2; además n = 20, n1 = 5, k = 10 por lo tanto,
  
5 15
2 8
h(2) = h(2; 20, 5, 10) =   = 0.348.
20
10

1.4.1 Distribución Hipergeométrica Multivariada

Esta variable se define igual que la hipergeométrica con la única diferencia de que se
supone que el conjunto de unidades sobre el que se muestrea se divide en R grupos de

4
A1 , A2 , · · · , AR unidades y la variableP describe el número
P de unidades de cada tipo que se
han obtenido (x1 , x2 , · · · , xR ), donde Ai = n y xi = k.
La función de probabilidad es:
   
A1 AR
···
x1 xR
p(x1 , x2 , · · · , xR ; n, k, A1 , A2 , · · · , AR ) =   .
n
k

1.5 Aproximación de la Hipergeométrica por la Binomial

Esta aproximación se lleva a cabo cuando k es pequeño en comparación con n, tomando
n1
la distribución binomial con los parámetros k y p = , lo cual ofrecerá una buena aprox-
n
imación de la hipergeométrica.
n1
En general, cuando n → +∞, h(x; n, n1 , k) ≈ Bin(x; k, p = ) y se satisface la
n
n
condición k ≤ .
10
Ejemplo:
Consideremos un embarque de 100 grabadoras que contiene 25 defectuosas. Si 10 de ellas se
eligen al azar para su inspección, cuál es la probabilidad que 2 de los 10 sean defectuosos?
Notemos que, X =número de grabadoras defectuosas; nos interesa hallar la probabilidad
de que x = 2; además n = 100, n1 = 25, k = 10 por lo tanto,
  
25 75
2 8
h(2) = h(2; 100, 25, 10) =   = 0.292
100
10
n
Observemos, que k = 10 es pequeño en comparación con n = 100 y además k ≤ ,
10
25
ası́ usando la aproximación tenemos que: X ∼ Bin(k = 10, p = ). Por lo tanto,
100
 
10
h(2) = h(2; 100, 25, 10) ≈ p(2) = (0.25)2 (0.75)8 = 0.282.
2
La diferencia entre las dos probabilidades obtenidas es de 0.010, la cual es pequeña.

1.6 Distribución Geométrica

Se realizan ensayos de Bernoulli. Sea X = número de pruebas necesarias para que resulte
el primer éxito. Luego,
g(x) = P ({X = x}) = q x−1 .p si x = 1, 2, 3...
P∞ P∞ 1
Observemos que: x=1 g(x) = x=1 q x−1 p = p = 1, ya que tenemos una serie
1−q
geométrica de razón q.

5
 Una variable aleatoria con esta función de densidad se dice que tiene un Distribución
Geométrica con parámetro p.
Ejemplo:
Si la probabilidad de que un ladrón sea atrapado en un robo cualesquiera es 0.2, cuál es la
probabilidad de que lo capturen por primera vez en su cuarto robo?
Notemos que x = 4 significa que en el cuarto robo el ladrón es atrapado por primera vez;
ası́
g(4) = P (X = 4) = (0.8)3 (0.2) = 0.102.

1.7 Distribución Binomial Negativa (Dist. de Pascal)

Se realizan pruebas de Bernoulli hasta que aparezca el éxito r. Sea X = ”número de
fracasos antes del éxito r”.
 
r+k−1
P ({X = k}) = pr q k , k = 0, 1, 2, ...
r−1
Una variable aleatoria con esta función de densidad se dice que tiene un Distribución
Binomial Negativa con parámetros r y p; (X ∼ Bineg(r, p)).
Ejemplo:
Si la probabilidad de que un niño expuesto a una enfermedad contagiosa la contraiga es
0.4, cuál es la probabilidad de que el décimo niño expuesto sea el tercero en contraerla?
Notemos que: X = 7 es el número de fracasos antes del éxito r = 3; la probabilidad de
éxito es p =0.4; por lo tanto la probabilidad pedida es:
 
10 − 1
p(7) = P (X = 7) = (0.4)3 (0.6)7 = 0.0645.
3−1

1.8 Distribución de Poisson

Sea X una variable aleatoria tomando valores 0, 1, 2, ..., sea λ un número positivo.
Entonces, si
λx e−λ
P (X = x) = , x = 0, 1, 2, ...
x!
decimos que X tiene un Distribución de Poisson con parámetro λ > 0 cuya función de
probabilidad es :  x −λ
 λ x!e
x = 0, 1, 2, ...
pX (x) =
0 en otros casos


pX es llamada Distribución de Poisson de parámetro λ. Denotaremos por X ∼ P oiss(λ)

para decir que X se distribuye Poisson con parámetro λ.
Observaciones:
1. La distribución de Poisson se puede considerar como el lı́mite al que tiende la dis-
tribución Binomial cuando n → ∞ y p → 0, siendo λ = n p constante y menor que
7 aproximadamente.

6
 2. El parámetro λ es igual a la media y a la varianza de la variable aleatoria.

3. Una regla general aceptable es emplear la aproximación si n ≥ 20 y p ≤ 0.05. Si n =

100 la aproximación es generalmente excelente siempre y cuando n p ≤ 10 (p ≤ 0.1).

Ejemplo:
Se sabe que la probabilidad de que una máquina produzca un objeto defectuoso es p = 0.1.
Si seleccionamos aleatoriamente 10 objetos producidos por la máquina, la probabilidad de
que haya como máximo un objeto defectuoso es, según la ley binomial:
X = número de objetos defectuoso, el evento de a lo sumo un objeto sea defectuoso
está formado por: {0, 1} es decir que X = 0, 1

P (X ∈ {0, 1}) = P ({X = 0} ∪ {X = 1})

= P (X = 0) + P (X = 1)
   
10 0 10 10
= (0, 1) (0.9) + (0, 1)1 (0.9)9
0 1
= 0.7361

En una distribución de Poisson el parámetro λ determina la intensidad con que suceden

los eventos, λ = 10(0.1) = 1. Por lo que

P (X ∈ {0, 1}) = P ({X = 0}) + P ({X = 1})

e−1 λ0 e−1 λ
= +
0! 1!
= 2e−1
= 0.7358

Ejemplo:
Cúal es la probabilidad de que en una compañia de 500 personas haya exactamente k de
ellos con cumpleaños en el dı́a de año nuevo? Debemos suponer que la probabilidad que
tiene cada persona de cumplir año es la misma para cualquiera de los 365 dı́as del año.
1
Tenemos 500 ensayos de Bernoulli, todos con probabilidad de éxito p = 365 , entonces
X: número de personas que cumplen año en el dı́a de año nuevo,
  k  500−k
500 1 1
P (X = k) = 1−
k 365 365
500
Considerando la aproximación Poisson a la Distribución Binomial λ = 365
, entonces
500
( 500
365
)k e− 365
P (X = k) u
k!

k 0 1 3 5 6
Binomial 0.2537 0.3484 0.1089 0.0101 0.0023
Poisson 0.2541 0.3385 0.1089 0.0102 0.0023

7
1.9 Proceso de Poisson
Estos procesos se caracterizan por su dependencia temporal, es decir, el hecho de que
ciertos eventos tengan o no lugar a intervalos regulares o a lo largo de intervalos continuos.
Acá nos ocuparemos de los procesos que tienen lugar en intervalos continuos. Para
determinar la probabilidad de x-éxitos durante un intervalo de duración T , dividimos el
intervalo en n partes iguales de duración ∆t de manera que T = n × ∆t, y suponemos que:

1. La probabilidad de un éxito durante un intervalo ∆t muy reducido está dada por

α∆t.

2. La probabilidad de más de un éxito durante ese reducido intervalo ∆t es insignificante.

3. La probabilidad de un éxito durante ese intervalo No depende de lo que haya ocurrido

antes de ese momento.

Esto significa que los supuestos de la distribución binomial se satisfacen, de modo que
la probabilidad de x-éxitos en el intervalo T está dada por la probabilidad binomial con
T
n= y p = α∆t.
∆t
Luego, cuando n → +∞, la probabilidad de x-éxitos en el intervalo T está dada por
T
la probabilidad de Poisson con parámetro λ = np = α∆t = αT .
∆t
Observación: α es el promedio (media) de éxitos por unidad de tiempo.
Ejemplo:
Supóngamos que ciertas bacterias aparecen en el agua con un promedio de 2 por cm3 .
Supóngamos que este fenómeno sigue una ley de probabilidades Poisson. Cúal es la prob-
abilidad de que 2cm3 de agua contengan:

1. Cero bacterias.

2. Por lo menos 2 bacterias?

Solución:
X: Número de bacterias en el agua, X = 0,1,2,... X ∼ P oiss(λ).
Promedio de bacterias: E(X) = λ = 2 por 1 cm3 . Luego, en 2cm3 de agua el promedio
será: λ = 4.

1.
40 e−4
P {X = 0} = = e−4
0!
2.

P {X ≥ 2} = 1 − P {X < 2}
= 1 − (P {X = 0} + P {X = 1})
41 e−4
= 1 − e−4 − = 1 − 5e−4
1!

8
2 Ejercicios Propuestos
2.1 Ejercicios de distribución Binomial y Multinomial
1. En cierto distrito de la ciudad, la necesidad de dinero para comprar drogas se es-
tablece como la razón del 75% de los robos. Encuentre la probabilidad que entre los
siguientes cinco casos de robo que reporten en este distrito.

(a) Exactamente 2 resulten de la necesidad de dinero para comprar drogas.

(b) Al menos 3 resulten de la necesidad de dinero para comprar drogas.

2. De acuerdo con la Chemical Engineering Progress (Noviembre de 1990), aproximada-

mente 30% de todas las fallas de operación de tuberı́as en plantas quı́micas son
ocasionadas por errores del operador.

(a) Cuál es la probabilidad de que de las siguientes 20 fallas al menos 10 se deban

a error del operador?
(b) Cuál es la probabilidad de que no más de cuatro de 20 fallas se deban a error
del operador?

3. Un prominente médico afirma que 70% de las personas de cáncer de pulmón. Son
fumadores empedernidos. Si su aseveración es correcta:

(a) Encuentre la probabilidad de que de 10 de tales pacientes admitidos reciente-

mente en un hospital. Menos de la mitad sean fumadores empedernidos.
(b) Encuentre la probabilidad de que de 20 de tales pacientes admitidos reciente-
mente en un hospital. Menos de la mitad sean fumadores empedernidos.

4. De acuerdo con una investigación de la Administrative Management Society, la mitad

de las compaı́as estadounidenses dan a sus empleados cuatro semanas de vacaciones
después de 15 aos de trabajar en la compaı́a. Encuentre la probabilidad de que entre
seis compaı́as investigadas al azar, el número de compaı́as que da a sus empleados
cuatro semanas de vacaciones después de 15 aos de servicio es:

(a) Cualquiera entre dos y cinco. b) Menor que tres.

5. La superficie de un tablero circular para dardos tiene un pequeo circulo central lla-
mado ojo de buey y 20 regiones en forma de rebanada de pastel numeradas del 1
al 20.Cada una de las regiones en forma de rebanada de pastel está dividida en tres
partes de modo que una persona que lanza un dardo que cae un numero especifico
obtiene un puntaje igual al valor, el doble del número o el triple de éste, según en
cuál de las tres partes cae el dardo. Si una persona atina al ojo de buey con prob-
abilidad de 0.01, atina un doble con probabilidad 0.10, un triple con probabilidad
0.05 y no le atina al tablero con probabilidad 0.02 Cuál es la probabilidad de que
siete lanzamientos tengan como resultado ningún centro , ningún triple, un doble dos
veces y una falla completa?

9
 6. De acuerdo con la teorı́a de la genética, cierta cruza de conejillos de indias tendrá
crı́as rojas, negras y blancas con relación 8:4:4. Encuentre la probabilidad de que
entre ocho crı́as, cinco sean rojas, dos negras y una blanca.
7. Las probabilidades de un delegado a cierta convención llegue por aire, autobús, au-
tomóvil o tren son 0.4, 0.2, 0.3 y 0.1, respectivamente. Cuál es la probabilidad de
que entre nueve delegados a esta convención seleccionados al azar, tres lleguen por
aire, tres por autobús, uno por automóvil y dos en tren?
8. Si la probabilidad de que una luz fluorescente tenga una vida útil de al menos 800
horas es 0.9, encuentre las probabilidades de que entre 20 de tales luces
(a) Exactamente 18 tengan una vida útil de al menos 800 horas.
(b) Al menos 15 tengan una vida útil de al menos 800 horas.
(c) Al menos 2 no tengan una vida útil de al menos 800 horas.

2.2 Ejercicios de distribución Hipergeométrica (Relación con la

Binomial)
1. Para evitar la detección de la aduana, un viajero coloca seis tabletas de narcótico
en una botella que contiene nueve pı́ldoras de vitamina similares en apariencia. Si el
oficial de la aduana selecciona tres de las tabletas al azar para su análisis. Cuál es
la probabilidad de que el viajero sea arrestado por posesión ilegal de narcóticos?
2. De un lote de 10 misiles, se seleccionan cuatro al azar y se lanzan. Si el lote contiene
tres misiles defectuosos que no explotarán. Cuál es la probabilidad de que
(a) Los cuatro exploten? b) A lo más dos fallen?
3. Se selecciona al azar un comité de tres personas a partir de cuatro doctores y dos
enfermeras. Escriba una fórmula para la distribución de probabilidad de la variable
aleatoria X que representa el número de doctores en el comité. Encuentre la P (2 ≤
X ≤ 3).
4. Se estima que 4000 de los 10000 residentes de una ciudad que votan están en contra
de un nuevo impuesto sobre ventas. Si se seleccionan al azar 15 votantes y se les
pide su opinión. Cuál es la probabilidad de que a lo más siete estén a favor del nuevo
impuesto?
5. Entre 150 empleados de IRS en una ciudad grande. Sólo 30 son mujeres. Si se eligen
al azar 10 de los aspirantes para que proporcionen asistencia libre de impuestos a
los residentes de esta ciudad. Utilice la aproximación binomial a la hipergeométrica
para encontrar la probabilidad de que el menos se seleccionen tres mujeres.
6. Encuentre la probabilidad de que cuando se le reparta una mano de 13 cartas en
cierto juego, esta tenga cinco de espadas, dos de corazones, tres de diamantes y tres
de bastos.

10
 7. Un club de estudiantes extranjeros tiene como miembros a dos canadienses, tres
japoneses, cinco italianos y dos alemanes. Si se selecciona al azar un comité de
cuatro. Encuentre la probabilidad

(a) Todas las nacionalidades estén representadas.

(b) Todas las nacionalidades estén representadas excepto los italianos.

8. Estudios de población de biologı́a y el ambiente a menudo etiquetan y sueltan a

sujetos a fin de estimar el tamao y el grado de ciertas caracterı́sticas en la población.
Se capturan diez animales de cierta población que se piensa extinta (o cerca de la
extinción), se etiquetan y se liberan en cierta región que tiene una muestra aleatoria
de 15 animales del tipo. Cuál es la probabilidad de que cinco de estos seleccionados
sean animales etiquetados si hay 25 animales de este tipo en la región?

2.3 Ejercicios de distribución Binomial Negativa, Geométrica y

de Poisson
1. La probabilidad de que una persona, que vive en cierta ciudad, tenga un perro se
estima en 0.3. Encuentre la probabilidad de que décima persona entrevistada al azar
en esta ciudad sea la quinta que tiene un perro.

2. Un cientı́fico inocula varios ratones, uno a la vez, con el germen de una enfermedad
hasta que encuentra dos que contraen la enfermedad. Si la probabilidad de contraer
la enfermedad es 1/6, Cuál es la probabilidad de que se requieran ocho ratones?

3. La probabilidad de que un estudiante para piloto apruebe el examen escrito para

piloto privado es 0.7. Encuentre la probabilidad de que el estudiante apruebe el
examen

(a) En el tercer intento. b) Antes del cuarto intento.

4. En promedio en cierta intersección ocurren tres accidentes de tránsito por mes. Cuál
es la probabilidad de que para cualquier mes dado en esta intersección ocurran

(a) exactamente cinco accidentes?

(b) menos de 3 accidentes? c) al menos de 2 accidentes?

5. Una secretaria comete dos errores por página, en promedio. Cuál es la probabilidad
de que en la siguiente página cometa

(a) Cuatro o más errores? b) Ningún error.

6. El chef de un restaurante prepara una ensalada revuelta que contiene, en promedio,

cinco vegetales. Encuentre la probabilidad de que la ensalada contenga más de cinco
vegetales.

(a) En un dı́a dado.

11
 (b) En tres de los siguientes cuatro dı́as.
(c) Por primera vez en abril el dı́a 5.

7. La probabilidad de que una persona muera de cierta infección respiratoria es 0.002.

Encuentre la probabilidad de que mueran menos de cinco de los cinco de los siguientes
2000 infectados de esta forma.

8. Se sabe que la probabilidad de que un estudiante de una preparatoria local presente

escoliosis (curvatura de la espina dorsal) es 0.004. De los siguientes 1875 estudiantes
que se revisen en búsqueda de escoliosis. Encuentre la probabilidad de que

(a) Menos de cinco presenten el problema.

(b) Ocho, Nueve o Dı́ez presenten el problema.

9. Las llamadas de servicio llegan a un centro de mantenimiento de acuerdo con un

proceso de poisson con un promedio de 2.7 llamadas por minuto. Encuentre la
probabilidad de que

(a) Lleguen no más de cuatro llamadas en cualquier minuto;

(b) Lleguen de dos llamadas en cualquier minuto;
(c) Lleguen más de 10 llamadas en un periodo de cinco minutos.

10. El propietario de una farmacia local sabe que en promedio, llegan a su farmacia 100
personas por hora:

(a) Cuál es la probabilidad de que en un periodo de tres minutos nadie entre a la

farmacia?
(b) Encuentre la probabilidad de que en un periodo dado de tres minutos entren
más de cinco personas a la farmacia.

12
 Unidad II
Distribuciones Continuas de Probabilidad
3 Variables Aleatorias Continuas
En muchas situaciones es más natural asociar, no un conjunto discreto, sino un intervalo
de la recta, con cada punto muestral. Por ejemplo, en el caso de:
X: número elegido al azar en el intervalo [0, 1].
Y : tiempo que tarda un bombillo en quemarse.
Para variables aleatorias continuas no tiene sentido trabajar con los eventos {X = x}
ya que, aunque no son vacı́o, su probabilidad es cero (P {X = x} = 0).
Definición 3.1 Sea X una variable aleatoria. Llamaremos Función de Distribución de X
a
F (x) = P {X ≤ x}, ∀x ∈ R

3.1 Propiedades de la Función de Distribución

1. 0 ≤ F (x) ≤ 1, ∀x ∈ R
2. F es una función no decreciente de x.
3. F (−∞) = 0 (F (X) → 0, x → −∞) y F (∞) = 1, (F (X) → 1, x → ∞)
4. F es continua a la derecha.
Definición 3.2 Una variable aleatoria X se denomina continua si P {X = x} = 0, −∞ <
x < +∞.
Entonces Xes una variable aleatoria continua si y sólo si su función de Distribución
F es continua en x para todo x.
Observemos que si X es una variable aleatoria continua
P [a < x < b] = P [a ≤ x < b] = P [a < x ≤ b]
= F (b) − F (a)

3.2 Función de Densidad

Definición 3.3 Llamamos función de Densidad a una función no negativa, tal que:
Z Z ∞
f (x)dx = f (x)dx = 1
R −∞

Observemos que si f es una función de densidad entonces

Z x
F (x) = f (z)dz
−∞

es una función de Distribución Continua.

13
4 Distribución Uniforme Continua
Una variable aleatoria se dirá uniformemente distribuida en el interior de un intervalo [a,b]
si su función de densidad es constante sobre este intervalo y es cero el resto, es decir:
1
f (x) = si a ≤ x ≤ b
b−a
su función de distribuciuón será, por lo tanto,
x−a
F (x) = si a ≤ x ≤ b
b−a
Ejemplo 4.1 El tiempo de un viaje (ida y vuelta) de los camiones que transportan el
concreto hacia una construcción, está distribuido uniformemente en un intervalo de 50 a
70 minutos. Cuál es la probabilidad de que la duración del viaje sea mayor a 65 min. si
se sabe que la duración del viaje es mayor a 55 min.?
X: El tiempo que dura un camión al transportar concreto en un viaje (ida y vuelta);
X ∼ U nif (50, 70) y por tanto
1 1
f (x) = = para 50 ≤ x ≤ 70
70 − 50 20
y
x − 50
F (x) = si 50 ≤ x ≤ 70
20
Ası́,
65−50
P (X > 65) P (1 − X ≤ 65) 1− 20 1
P (X > 65 | X > 55) = = = 55−50 = .
P (X > 55) P (1 − X ≤ 55) 1− 20
3

5 Distribución Normal
La función de densidad de probabilidad normal de una variable aleatoria Y está dada por:
(  2 )
1 1 y−µ
f (y) = √ exp − , σ > 0, −∞ < µ < ∞, −∞ < y < ∞
σ 2π 2 σ

Esta función contiene dos parámetros µ y σ que corresponden a la media y la desviación

estándar respectivamente.
Algunas Propiedades de la Normal:

1. La función es simétrica con respecto a µ.

2. Es área total bajo la curva es uno.

3. Tiene una única moda que coincide con su media y su mediana.

4. La curva es asintótica al eje de las abscisas.

14
 Las áreas bajo la función de densidad normal correspondientes a P (a ≤ Y ≤ b)
requieren la evaluación de la integral
Z b (  2 )
1 1 y−µ
√ exp − dy,
a σ 2π 2 σ
pero no existe una solución exacta, por lo que su evaluación se obtiene con métodos de
aproximación, recurriendo a la tabla de la distribución Normal Estándar, es decir, la dis-
tribución normal con µ = 0 y σ 2 = 1.
Siempre es posible transformar una v.a. X ∼ N (µ, σ 2 ) a una v.a. Z ∼ N (0, 1), como
veremos en la siguiente proposición. Esta v.a. Z es llamada v.a. estandarizada.
Proposición 5.1 (Normal Estándar)
X −µ
Si X es una v.a. con distribución N (µ, σ 2 ) entonces Z = tiene una distribución
σ
N (0, 1).
Ejemplo 5.1 Sea Z una variable aleatoria normal con media 0 y desviación estándar 1.
1. Hallar P (z > 2)
P (z > 2) = 0.0228
2. Hallar P (−2 ≤ z ≤ 2)
P (−2 ≤ z ≤ 2) = 1 − 2P (z > 2)
= 1 − 2(0.0228) = 0.9544
3. Hallar P (0 ≤ z ≤ 1.73)
1
P (0 ≤ z ≤ 1.73) = − P (z > 1.73)
2
= 0.5 − 0.0418
= 0.4582
Ejemplo 5.2 Se supone que los resultados de un examen tienen una distribución normal
con una media de 78 y una varianza de 36. Y ∼ N (78, 36)
1. Cúal es la probabilidad de que obtenga una nota mayor a 72?
 
Y −µ 72 − 78
P (Y > 72) = P > = P (z > −1)
σ 6
= 1 − P (z < −1) = 1 − P (z > 1)
= 1 − 0.1587 = 0.8413
2. Cúal es la nota mı́nima aprobatoria si sólo el 28% aprueba?
Debemos hallar c tal que P (Y > c) = 0.281
 
c − 78
0.281 = P (Y > c) = P z>
6
c − 78
⇒ = 0.58 ⇒ c = 81.48
6

15
6 Aproximación de la Distribución Binomial a la
Normal
Cuando n es grande y la probabilidad de éxito, p, se encuentra cerca de 0.5, la distribución
normal puede servir para aproximar la distribución binomial.
En este tipo de aproximación se debe realizar la siguiente corrección de con-
tinuidad para calcular P (a ≤ X ≤ b): Sumar o restar 0.5 a los extremos del intervalo
[a, b] de tal manera que contenga los valores que toma la variable aleatoria discreta X.
Observación:
Si X ∼ Bin(n, p) y n → +∞ entonces la v.a. W ∼ N (n p, n p q) y por lo tanto,
W − np
Z= √ ∼ N (0, 1);
npq
donde q = 1 − p.
Una regla empı́rica√útil es que la aproximación normal a la distribución binomial es
apropiada cuando p ± 2 pqn está dentro del intervalo (0, 1).
Ejemplo 6.1 Sea X ∼ Bin(25; 0.4), use la aproximación normal de la binomial para
calcular P (X ≤ 8) y P (X = 8).
Notemos que W ∼ N (10, 6) pues n p = 25.4 y n p q = 25(0.4)(0.6)
 
W − np 8.5 − 10
• P (X ≤ 8) ≈ P (W ≤ 8.5) = P √ ≤ √ = P (Z ≤ −0.61) = 0.2709
npq 6
• P (X = 8) ≈ P (7.5 ≤ W ≤ 8.5) = P (W ≤ 8.5) − P (W ≤ 7.5) = P (Z ≤ −0.61) −
P (Z ≤ −1.02) = 0.2709 − 0.1539 = 0.117

7 Distribución Gamma
Si Y es una una variable aleatoria tipo gamma, su función de densidad está dada por:

y α−1 e−y/β

 β α Γ(α)
α, β > 0; 0≤y≤∞
f (y) =

0 en otro caso
Un caso particular de la distribución gamma ocurre cuando α = 1, obteniéndose la dis-
tribución exponencial.

8 Distribución Exponencial
Si Y es una v.a. exponencialmente distribuida su función de densidad es:
1 −y/β
f (y) = e , 0 ≤ y < ∞.
β

16
 La distribución exponencial tiene muchas aplicaciones importantes, por ejemplo, se
puede demostrar que si en un proceso de Poisson la tasa media de arribo (Número promedio
de arribos por unidad de tiempo) es α, el tiempo hasta el primer arribo, o tiempo de espera
entre sucesivos arribos, tiene una distribución exponencial con
1
β= .
α
Ejemplo 8.1 En un muelle de recepción llegan en promedio tres camiones por hora para
ser descargados, calcular las probabilidades de que el tiempo entre el arribo de sucesivos
camiones sea:

1. menor que 5 minutos;

2. de al menos 45 minutos.

Notemos que α = 3 es el número de llegadas promedio por hora, suponiendo que el número
1
de llegadas sigue un proceso Poisson con α = 3, entonces β = . Luego, definiendo
3
X : tiempo entre llegadas sucesivas; X ∼ exp(β), por tanto,
Z 1/12
1
(1) P (X < 5min) = P (X < hrs.) = 3e−3x dx = 1 − e−1/4 = 0.221
12 0
Z 3/4
3
(2) P (X ≥ 45min) = P (X ≥ hrs.) = 1 − 3e−3x dx = 0.105
4 0

9 Ejercicios Propuestos
1. Si una v.a. tiene una distribución normal estándar, determine la probabilidad de que
ésta adopte un valor

(a) entre 0 y 2.7; c) entre 1.22 y 2.43;

(b) entre -1.35 y -0.35; d)entre -1.70 y 1.35

2. Determine z si la probabilidad de que una v.a. con una distribución normal estándar
adopte un valor

(a) menor que z es de 0.9911; c) mayor que z es de 0.1093;

(b) mayor que z es de 0.6443; d) menor que z es de 0.0217

3. Dada una v.a. con la distribución normal con µ = 16.2 y σ 2 = 1.5625; determine las
probabilidades de que la v.a. adopte un valor

(a) menor que 14.9; c) mayor que 16.8;

(b) entre 13.6 y 18.8; d) entre 16.5 y 16.7

17
 4. Una v.a. tiene una distribución normal con µ = 62.4. Determine su desviaci ón est
ándar si la probabilidad de que adopte un valor mayor que 79.2 es de 0.20.

5. Las especificaciones de cierto trabajo implican limpiadores con un diámetro interior

de 0.300± 0.005 pulgadas. Si los diámetros interiores provistos por cierto fabricante
pueden considerarse una v.a. con distribución normal con µ = 0.302 y σ = 0.003
pulgadas, qué porcentaje de estos limpiadores cumplirá con las especificaciones?

6. Una troqueladora produce tapas de lata cuyos diámetros se distribuyen normalmente

con una desviación estándar de 0.01 pulgadas. En qué diámetro nominal medio
deberı́a fijarse la máquina para que no más del 5% de las tapas producidas tengan
diámetros que excedan de 3 pulgadas?

7. Si una v.a. tiene una distribución binomial con n = 30 y p = 0.60. Use la aproxi-
mación normal para determinar las probabilidades de que adopte

(a) el valor de 14; b) un valor menor que 12.

8. Un fabricante sabe que en promedio 2% de los tostadores eléctricos que produce

requerirán reparaciones en un término de 90 dı́as posteriores a su venta. Use la
aproximación normal a la distribución binomial para determinar la probabilidad de
que entre 1200 de esos tostadores al menos 30 requieran reparaciones en los primeros
90 dı́as tras su venta.

9. La probabilidad de que un componente electrónico falle en menos de 1000 horas de

uso continuo es de 0.25. Use la aproximación normal para determinar la probabilidad
de que entre 200 de estos componentes menos de 45 fallen en menos de 1000 horas
de uso continuo.

10. Un ingeniero de seguridad supone que el 30% de los accidentes industriales en su

planta se deben a que los empleados no siguen las instrucciones. Si esa cifra es
correcta, determine aproximadamente, la probabilidad de que entre 84 accidentes
industriales en esa planta cualquier número entre 20 y 30 (inclusive) se deban a la
negligencia de los empleados de no seguir las instrucciones.

11. Si el 62% de las nubes impregnadas con yoduro de plata muestran un crecimiento
espectacular, cuál es la probabilidad de que entre 40 nubes impregnadas de yoduro
de plata al menos 20 muestren un crecimiento espectacular?

12. En ciertos experimentos, el error cometido en la determinación de la solubilidad de

una sustancia es una una v.a. con la densidad uniforme con a = −0.025 y b = 0.025.
Cuales son las probabilidades de que ese error sea

(a) de entre 0.010 y 0.015; b) de entre -0.012 y 0.012?

13. Sea X el número de llamadas que recibe un conmutador. Suponga que el número
promedio de llamadas recibidas por minuto es de 0.6. Determine las probabilidades

18
 de que el tiempo entre llamadas sucesivas que arriban al conmutador en una empresa
de consultorı́a sea

(a) de menos de medio minuto; b) de más de 3 minutos.

14. La longitud de tiempo para que un individuo sea atendido en una cafeterı́a es una
v.a. que tiene una distribución exponencial con una media de cuatro minutos. Cuál
es la probabilidad de que una persona sea atendida en menos de 3 minutos?

15. La vida en años de cierto interruptor eléctrico tiene una distribución exponencial
con una vida promedio de dos años. Se instalan de estos interruptores en diferentes
sistemas, cuál es la probabilidad de que a lo más 30 fallen durante el primer año?

16. En un muelle de recepción llegan en promedio tres camiones por hora para ser descar-
gados, calcular las probabilidades de que:

(a) lleguen por lo menos siete en tres horas,

(b) el tiempo entre el arribo de sucesivos camiones sea de al menos 45 minutos.

19