1.

1 VARIABLES ALEATORIAS UNIDIMENSIONALES

En esta unidad el objetivo será modelar los experimentos aleatorios mediante una función que
tenga la capacidad para medir la ocurrencia de eventos aleatorios mediante probabilidades.

Comúnmente los eventos de interés son aquéllos identificados por números, denominados eventos
numéricos, por ejemplo: un médico se interesa en el evento de que ocho pacientes tratados se
curen con determinado medicamento, un agrónomo se interesa en el evento de la cantidad de maíz
que se cosechará en su tierra para el próximo año, una agencia de autos se interesa en el evento del
número de vehículos que será vendido en este año, un fabricante de bombillas está interesado en el
tiempo de duración de la bombilla, etc.

Para estudiar los eventos numéricos que presentan aleatoriedad, es necesario comprender el
concepto de variable aleatoria pues éste permite describir de manera numérica los eventos
asociados a un experimento. Cuando se emplean variables aleatorias, la probabilidad de ocurrencia
de los eventos será descrita mediante un modelo probabilístico.

Definición. Una variable aleatoria es una función que asigna un número real a cada elemento
del espacio muestral de un experimento. El conjunto de valores que la variable aleatoria asigna a
estos elementos del espacio muestral, se conoce como recorrido, rango o valores posibles de la
variable y será denotado por RX.

Los valores que puede asignar la variable aleatoria son aleatorios pues dependen de la ocurrencia
de los eventos en el experimento.

Las variables aleatorias comúnmente se denotan por una letra mayúscula como X, Y ó Z. Una vez
que se ha llevado a cabo el experimento, el valor resultante de la variable aleatoria se denota por
una letra minúscula digamos x, y o bien z.

Ejemplo
Considérese el experimento de lanzar dos monedas. En la unidad anterior se mostró que el espacio
muestral está formado por . Defínase la variable aleatoria

X: El número de águilas obtenidas en los dos lanzamientos.

Obsérvese que X({ss})=0, X({as})=1, X({sa})=1 y X({aa})=2. De esta manera, los valores que se
obtiene de la variable aleatoria X son: 0, 1 y 2 por lo que el recorrido de X es

RX={0,1,2}.

Ejemplo
Se lanza un dado dos veces. El espacio muestral del experimento está formado por las parejas de
todos los posibles resultados de cada uno de los lanzamientos, es decir, es

Defínase la variable aleatoria

X: Valor de la suma de los números obtenidos en los dos lanzamientos.

Se puede observar que, en cada lanzamiento el valor más pequeño que se puede obtener es uno y el
valor más grande es seis, entonces la suma de los resultados de los lanzamientos puede valer desde
dos hasta doce, es decir, el rango es:

64
 RX={2,3,4,5,6,7,8,9,10,11,12}.

Además la variable aleatoria X puede asignarle el mismo valor a diferentes elemento del espacio
muestral, por ejemplo: el valor 7 del rango, proviene de los elementos del espacio muestral: (1,6),
(2,5), (3,4), (4,3), (5,2) y (6,1).

Ejemplo
En una ciudad hay interés en realizar un estudio respecto a las personas que tienen diabetes. El
experimento consiste en aplicar pruebas a personas hasta encontrar al primero con diabetes. El
espacio muestral del experimento es S = {D, ND, NND, NNND, NNNND, …} pues la primera persona a
la que se le detecta diabetes puede ser a la primera a la que se le aplicó la prueba, o a la segunda a la
que se le aplicó la prueba y así sucesivamente. Si se define la variable

X: Número de personas a las que se le aplica la prueba hasta detectar la primera con diabetes

Entonces el rango de X es

RX={1,2,3,4,…}.

Notar que el rango es infinito pero numerable.

Ejemplo
Se fabrica una bombilla y se prueba su duración poniéndola en un portalámparas. El experimento
consiste en anotar el tiempo transcurrido hasta que se quema. El espacio muestral es infinito no
numerable pues S es igual al intervalo [0,). Lo más estudiado en este tipo de experimentos es la
variable

X: tiempo de duración de la bombilla

En este caso, el rango de la variable aleatoria X es el mismo que el espacio muestral, esto es, a cada
elemento simple X le asigna el mismo valor, es decir:

RX= [0,)

Obsérvese que en los primeros tres ejemplos anteriores se han considerado espacios muestrales
numerables (finitos o infinitos) y el cuarto corresponde a un espacio muestral infinito no
numerable. Así que las variables aleatorias son clasificadas de la misma manera que los espacios
muestrales, es decir, pueden ser discretas (espacios muestrales numerables) y continuas (espacios
muestrales no numerable).

Definición. Una variable aleatoria es discreta si su rango es finito o infinito numerable.

Definición. Una variable aleatoria es continua si su rango es un intervalo de los números reales.

Ejemplo
Las siguientes variables aleatorias son discretas:

1. El número de alumnos que aprobarán el curso de probabilidad.

2. El número de bits transmitidos con error.
3. El número de personas enfermas en un hospital

Ejemplo
Las siguientes variables aleatorias son continuas:

1. El tiempo que dura una pila alcalina.

65
 2. El peso máximo de una persona en toda su vida.
3. La velocidad a la que viaja un auto.

En estos ejemplos se puede ver que cada uno de los valores de la variable aleatoria está asociado a
uno o varios eventos simples:

1. En el ejemplo del número de águilas obtenidas en los lanzamientos de las dos monedas, si
X=0 significa que en los dos lanzamientos no se obtuvo águila, es decir, el resultado de los
dos lanzamientos fue el evento {ss}; si X=1 entonces en los dos lanzamientos se obtuvo sólo
un águila por lo que el evento asociado es {as,sa}; finalmente si X=2 entonces se obtuvieron
dos águilas, es decir, el evento {aa}. Así los eventos asociados a los lanzamientos, se
presentan en la tabla siguiente:

X Evento
0 {ss}
1 {as,sa}
2 {aa}

2. En el ejemplo, donde X representa la suma de los números obtenidos en los dos

lanzamientos de un dado, los eventos asociados a cada uno de los valores de la variable se
presentan en la siguiente tabla:

X Evento

2 {(1,1)}

3 {(1,2),(2,1)}

4 {(1,3),(2,2),(3,1)}

5 {(1,4)(2,3),(3,2),(4,1)}

6 {(1,5),(2,4),(3,3),(4,2),(5,1)}

7 {(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)}

8 {(2,6),(3,5),(4,4),(5,3),(6,2)}

9 {(3,6),(4,5),(5,4),(6,3)}

10 {(4,6),(5,5),(6,4)}

11 {(5,6),(6,5)}

12 {(6,6)}

Esta asociación entre variables aleatorias y eventos, permite calcular las probabilidades de cada
uno de los valores de la variable X vía los eventos como se muestra a continuación:

1. En el ejemplo de lanzar dos monedas, la probabilidad de que la variable X sea cero es la

probabilidad del evento asociado al valor cero, es decir, que se haya obtenido {ss} en los
lanzamientos, por lo que P(X=0)=P({ss})=1/4. Los resultados para X=1 y X=2 se calculan
análogamente y se muestran en la siguiente tabla

66
 X Evento Probabilidad
0 {ss} ¼
1 {as,sa} ½
2 {aa} ¼

2. En el ejemplo de lanzar un dado dos veces, donde X representa la suma de los números
obtenidos en los dos lanzamientos, la probabilidad de que X sea dos es la probabilidad del
evento asociado es decir, {(1,1)} por lo que P(X=2)=P({(1,1)})=1/36. También, como el
evento asociado a X=3 es {(1,2),(2,1)} se tiene que P(X=3)=P({(1,2),(2,1)})=2/36=1/18.
Análogamente a los casos anteriores se construye la tabla de probabilidades para los
valores de X

X 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36

Se concluirá este tema haciendo énfasis en que, una de la característica que tiene la variable
aleatoria es que a cada elemento simple del espacio muestral le asigna un único valor numérico, sin
embargo cada valor del rango de X puede representar a varios eventos simples del espacio
muestral. Esto se ilustra en el ejemplo de lanzar dos monedas y considerando X como el número de
águilas que se obtienen en los lanzamientos; a cada evento del espacio muestral se le asigna un
número

Evento Número asignado X

{ss} 0
{sa} 1
{as} 1
{aa} 2

En la tabla anterior también se puede notar que el evento simple del espacio muestral asociado al
valor X=0 es {ss} mientras que el valor X=1 tiene asociados los eventos simples {as} y {sa}.

Otra características de las variables aleatorias es que el evento asociado a un valor de la variable
aleatoria X es ajeno al evento asociado a otro valor de la variable y la unión de los eventos
asociados a todos los valores de la variable aleatoria es igual al espacio muestral. Se ilustra lo
anterior mediante el ejemplo de lanzar dos monedas. Ya se sabe que los eventos asociados a cada
valor de X son:

X Evento
0 {ss}
1 {as,sa}
2 {aa}

Es muy claro que el evento asociado al valor X=0 es excluyente del evento asociado a X=1 y del
evento asociado a X=2, también los eventos asociados a X=1 y X=2 son excluyentes. Además, la
unión de los eventos asociados a X=0, X=1 y X=2 es el espacio muestral . Debido a lo anterior, una
variable aleatoria define de manera precisa a un espacio muestral, por lo cual, la probabilidad de
los eventos puede medirse a través de la variable aleatoria.

La importancia del empleo de una variable aleatoria radica en lo siguiente:

67
1. En muchas ocasiones por no decir en la mayoría, los espacios muestrales se vuelven
laboriosos de listar y hasta complejo de representar como una lista. La variable aleatoria
indica a través de un número el resultado de un experimento sin necesidad de hacer el
listado de los eventos simples asociados a ese número y como consecuencia se puede
obtener la probabilidad del evento de interés utilizando técnicas de conteo para conocer el
número de eventos simples asociados a ese número.
2. Cuando el espacio muestral es continuo, las variables aleatorias permiten mediante
modelos probabilísitcos calcular las probabilidades de los eventos. El formalismo del
modelo probabilístico para este tipo de variables queda fuera de los límites del curso.

68
1.2 FUNCIONES DE DENSIDAD Y DE DISTRIBUCIÓN
A partir de este tema no se hará énfasis en el espacio muestral del experimento pues al considerar
los valores de la variable aleatoria éste queda definido de manera implícita.

Variables aleatorias discretas

Sea X una variable aleatoria discreta, como se mencionó en el tema anterior, los valores de esta
variable representan al espacio muestral y por consiguiente se tiene el interés de medir las
probabilidades de los elementos del rango o recorrido de X.

Las probabilidades de los eventos relacionados con la variable aleatoria serán medidas a través de
una función que describe el comportamiento del rango de la variable. Esta función recibe el nombre
de función masa de probabilidad.

La función masa de probabilidad para una variable aleatoria X cuyo recorrido es

cumple las siguientes condiciones:

1. , para toda
2. para toda x diferente de ,
3. .

La función representa la probabilidad del evento asociado al valor de la variable

aleatoria. La probabilidad es cero cuando es un valor que no corresponde a un elemento
del rango, pues esto indica que el evento relacionado con este valor es el conjunto vacío.

Otros términos empleados para asignar una función de densidad para una variable aleatoria
discreta son: función masa de probabilidad, función de probabilidad, o función de frecuencia
discreta.

Ejemplo
Sea X la variable que representa la suma de los números obtenidos en los dos lanzamientos de un
dado. Determinar la función masa de probabilidad de la variable aleatoria X.

Solución
El recorrido de la variable aleatoria X es

RX={2,3,4,5,6,7,8,9,10,11,12}.

Se puede observar que la probabilidad para cada elemento del rango de X es la que se proporciona
en la tabla siguiente:

X 2 3 4 5 6 7 8 9 10 11 12

1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Y de aquí es fácil comprobar que cumple con las tres condiciones de la definición, por
tanto se afirma que la función masa de probabilidad es precisamente la que presenta la tabla.

Otra manera de expresar ésta función masa de probabilidad es:

69
Ejemplo
Sea el experimento de lanzar en varias ocasiones una moneda balanceada y defínase la variable
aleatoria X: el número de veces necesarias que se lanza la moneda hasta obtener un águila.
Determinar la función masa de probabilidad de X.

Solución
Nótese que el rango de la variable aleatoria X es el conjunto de los números naturales, es decir,
RX={1,2,3,4,…}; además, los lanzamientos de la moneda son independientes. Así X=1 sucede cuando
en el primer lanzamiento se obtiene águila por lo que p(X=1)=1/2. En el caso X=2, significa que
hasta el segundo lanzamiento se logra obtener águila, es decir, en el primer lanzamiento se obtiene
sol y en el segundo águila, por lo que

Análogamente podemos ver que

pues para que en el n-ésimo lanzamiento se observe por primera vez águila debe haber ocurrido
que en los n-1 primeros lanzamientos se obtuvo puro sol.

Se concluye que la función masa de probabilidad de X es

Se invita al estudiante a verificar que la función definida anteriormente cumple las

propiedades de la función masa de probabilidad.

Las variables aleatorias también pueden ser utilizadas para eventos no numéricos como se muestra
en el siguiente ejemplo.

Ejemplo
Se tiene una urna con 3 bolas negras, 2 rojas y 5 blancas. El interés es el de observar el color al
extraer una bola. Se puede codificar la bola extraída de acuerdo al color, por ejemplo X=1 significa
que la bola extraída es negra; X=2 que la bola es roja y X=3 que la bola es blanca. Así, la función
masa de probabilidad de X es expresada mediante la siguiente tabla.

70
 X 1 2 3
p(x) 3/10 2/10 5/10

En este ejemplo se puede observar que, el rango de la variable aleatoria X no necesariamente tiene
que ser obtenida de manera natural como ocurre en otros ejemplos que se han presentado, esto es,
el rango de una variable aleatoria X puede resultar de la codificación arbitraria de los eventos que
se tienen en el espacio muestral. En el caso de este ejemplo puede incluso considerarse X=10 si la
bola extraída es negra, X=20 si es roja o bien X=30 si es blanca y aun así las probabilidades de
extraer cada color no cambian.

En el ejemplo de lanzar una moneda hasta obtener por primera vez águila es válido preguntarse
cuál sería la probabilidad de que se necesiten cuando mucho tres lanzamientos para obtener por
primera vez águila. Como los valores de la variable representan al total de los elementos de la
muestra se tiene que:

Lo anterior indica que en ocasiones resulta conveniente expresar probabilidades acumuladas tales
como en términos de una nueva función. Esta nueva función que expresa probabilidades
acumuladas es conocida como función de distribución acumulada de la variable aleatoria X.

Definición. Sea X una variable aleatoria discreta con rango . La función de

distribución acumulada de X denotada por , es definida por

donde es la función masa de probabilidad de la variable X.

Si se desea especificar que X es la variable de interés, la función de distribución acumulada se

escribe . Otra manera de nombrar a la función de distribución acumulada es
simplemente función de distribución.

Para un valor real , la probabilidad acumulada hasta ese valor representada por es igual a la
suma de las probabilidades de los elementos del rango de X que cumplen con .

Ejemplo
Halle la función de distribución acumulada de la variable aleatoria que representa el número de
águilas obtenidas al lanzar dos monedas. Se sabe que la función masa de probabilidad está dada por

x
0 ¼
1 ½
2 ¼

Solución
De la tabla se puede observar que los elementos del rango de X son: , ,

Para entender mejor la función de distribución acumulada se ejemplificarán unos casos que ayuden
a obtener la expresión general:

71
 1. Si x= -1, se observa que no hay ningún elemento del recorrido de X tal que sea menor o igual
que -1 por lo que no hay probabilidad que sumar, entonces 0. lo
mismo sucedería para cualquier valor real negativo, es decir si .
2. Si x=0.5, se observa que solamente el elemento 0 del recorrido cumple la condición de ser
menor o igual a 0.5 entonces . Esto también sucede
para cualquier valor real que cumpla .
3. Si x=1.3, en este caso se observa que los elementos 0 y 1 del recorrido de X cumplen la
condición de ser menores o iguales a 1.3 entonces
. Este mismo valor le corresponde a para cualquier que
cumpla .
4. Si x= 2, se tiene que todos los elementos del recorrido de X cumplen la condición de ser
menores ó iguales a 2 entonces =
. Y este valor le corresponde para cualquier que cumpla .

Por lo tanto la función de distribución queda definida de la siguiente forma

Se puede ver que la función de distribución tiene valores mayores que cero siempre que x sea
mayor o igual al elemento del rango más pequeño a diferencia de la función masa de probabilidad
que sólo tiene valores mayores que cero en los elementos del rango de X.

Además, de manera general, la función de distribución acumulada cumple las siguientes

propiedades:

1. para todo valor real x.

2. Si entonces , es decir, la función de distribución acumulada es no
decreciente.
3. es continua por la derecha.
4. Si es el valor más grande del recorrido de X, entonces para toda .

Como se puede apreciar en la siguiente figura, la función de distribucióna acumulada de la variable

aleatoria discreta del ejemplo anterior tiene forma de “escalera” y cada escalón comienza en los
puntos donde la función masa de probabilidad es positiva, esto es de acuerdo al recorrido de la
variable aleatoria X. En el ejemplo esos puntos son x=0, x=1 y x=2.

72
 Y

3/4

1/4
X
0 1 2

Lo anterior indica que se puede calcular la función masa de probabilidad de la variable a partir de la
función de distribución acumulada, pues la altura del escalón corresponde a la probabilidad del
elemento del recorrido de X, es decir, , y
.

El hecho de que la función masa de probabilidad pueda calcularse a partir de la función de

distribución acumulada indica que todas las preguntas que existan con respecto a la probabilidad
de la variable X pueden ser contestadas a través de la función de distribución acumulada.
Particularmente un resultado que es de interés es

Variables aleatorias continuas

Una variable aleatoria continua está relacionada con experimentos aleatorios o fenómenos
aleatorios que generan espacios infinitos no numerables. La variable aleatoria continua puede
tomar cualquier valor de cierto intervalo o colección de intervalos de números reales y de manera
análoga a las variables aleatorias discretas, las variables aleatorias continuas tienen una función
que será útil para determinar probabilidades de eventos. Esta función es la función de densidad que
se define a continuación.

Definición. Sea X una variable aleatoria continua. La función de densidad de probabilidad de la

variable aleatoria X es una función que cumple:
1.
2.

Ejemplo
Verificar que la siguiente función cumple las propiedades de una función de densidad de
probabilidad

73
Solución
Es claro que la función definida es no negativa pues para todo número real su valor es cero o uno.
Además

Por lo tanto f(x) es una función de densidad de probabilidad.

Observando la función de densidad, se tiene que el rango de X o recorrido de X es el intervalo (0,1),

esto es, el recorrido de X son los valores de X para los cuales la función de densidad es mayor que
cero.

Una función de densidad de probabilidad proporciona una descripción simple del comportamiento
de la variable aleatoria para los valores que puedan ocurrir, es decir, para el recorrido de X. Una
función de densidad es cero para los valores de x que no pueden ocurrir y se supone que es cero
siempre que no se defina expresamente. De esta forma, la función de densidad considerada
anteriormente pudo haberse expresado solamente como f(x)=1 para .

Es importante mencionar que la función de densidad de probabilidad para variables aleatorias

continuas no mide la probabilidad de los valores de la variable aleatoria como sucede en las
variables discretas en la que la función masa de probabilidad asocia una probabilidad a cada
elemento del rango o recorrido de X aun cuando el rango de X sea infinito. Por lo tanto no
necesariamente se cumple que . Obsérvese el siguiente ejemplo.

Ejemplo
Sea f(x)=2 para 0<x<1/2. Es fácil comprobar que f(x) es una función de densidad; sin embargo, se
observa que f(x)>1 para cualquier valor de X entre 0 y ½, por ejemplo f(1/3)=2. Por lo tanto f(x) no
puede ser la probabilidad de 1/3, ya que en este caso el valor 2 es mayor que uno.

Así, en el caso de una variable aleatoria continua, la función de densidad tiene utilidad para realizar
el cálculo de probabilidad de intervalos de la variable aleatoria mediante la siguiente expresión:

Esto indica que si se requiere calcular la probabilidad de que la variable tome valores en un
intervalo, sólo se debe calcular el área bajo la curva definida por la función de densidad en el
intervalo deseado.

Ejemplo
Sea X una variable aleatoria continua y sea la función definida por

para . Halla .

Solución
Se observa que el recorrido o rango de X es

Por la definición de f(x) es evidente que es no negativa para cualquier valor de x (para x<1 la
función vale cero y por eso no se escribe).

74
 f(x)

Además

por lo tanto, sí cumple las condiciones de una función de densidad continua. Obsérvese que no es
necesario integrar en los intervalos fuera del recorrido de la variable aleatoria continua X para
comprobar que efectivamente es una función de densidad.

Entonces la probabilidad pedida es calculada mediante la siguiente integración:

Nótese que el intervalo donde la función de densidad es cero puede ser omitido para el cálculo,
pues la integral siempre será cero.

Análogamente al resultado con el que se concluyó la sección de variables aleatorias discretas, se

tiene el siguiente resultado que se obtiene de la definición y de las propiedades de la integral:

A continuación se define la función de distribución acumulada para una variable aleatoria continua.

Definición. La función de distribución acumulada de una variable aleatoria continua X con función
de densidad es

para todo número real x.

Ejemplo
Hallar la función de distribución acumulada de una variable aleatoria X con función de densidad.

Solución
Se hallará la función de distribución acumulada ejemplificando algunos casos al igual que se hizo
para las variables aleatorias discretas:

75
 1. Si entonces = En general, será
cero siempre que sea un valor negativo. Esto es, no se está acumulando una probabilidad
antes del inicio del rango de X
2. Si x=1/2 entonces =
1/2. En general se puede ver que para cualquier valor real ] se tiene que
(la variable sobre la que
se integra es indiferente debido a que posteriormente se evalúa en los límites de
integración).
3. Si entonces
|01+0=1. siempre será 1 si >1. Esto es, se está acumulando una probabilidad en un
valor mayor al rango de X, por lo que indica que es uno, pues ya se integró en todo el rango
de X.

En conclusión la función de distribución acumulada es

y su gráfica es
F(x)

x
1
1
De la gráfica se puede observar que F(x):

1. Es no decreciente.
2. Es continua en todos los puntos.
3. En el recorrido de la variable X la función es creciente.

Todas estas características se presentan en cualquier función de distribución acumulada de

variables aleatorias continuas.

Al igual que como sucede en el caso de variables aleatorias discretas, la función de densidad puede
ser obtenida a través de la función de distribución acumulada pero en este caso es mediante la
expresión:

Ejemplo
Sea X una variable aleatoria con función de distribución acumulada

Determina la función de densidad.

76
Solución
Al hacer la gráfica de la función de distribución acumulada se ve claramente que no tiene la forma
de escalera, lo que permite identificar a la variable aleatoria X como continua, así, que si se usa el
resultado anterior en cada pedazo donde está definida la función de distribución se obtiene que

que es equivalente a decir que

Ejemplo
Un proveedor de petróleo diáfano tiene un tanque de 200 galones lleno al principio de cada
semana. Sus demandas semanales tienen un comportamiento de frecuencia relativa que aumenta
constantemente hasta llegar a 100 galones, y a continuación permanece igual entre 100 y 200
galones. Si X representa la demanda semanal en cientos de galones y se supone que las frecuencias
relativas de la demanda se modelan en forma adecuada mediante la función de densidad:

que tiene la forma gráfica que se muestra a continuación:

f(x)

1
½
0

1 2
Gráfica de la función de densidad de probabilidad
a) Calcula la probabilidad de que la demanda sea mayor de 150 galones en determinada
semana.
b) Calcula la distribución acumulada para esta variable aleatoria y grafícala.
c) Usa la distribución acumulada para calcular P (X > 150) en una semana determinada.

Solución
a) La probabilidad está dada por

77
b) La función de distribución acumulada es:

También, como el recorrido de la variable es el intervalo ] entonces para

.
La gráfica de esta distribución acumulada es la siguiente:
F(x)

x (en cientos de galones)

0 1 2
c) Dado que la probabilidad acumulada hasta 2 (el máximo valor en el que está definida la
función) es 1, entonces

Esta es otra forma de hallar la probabilidad, utilizando la distribución acumulada.

78
1.3 ESPERANZA Y VARIANZA
Variables aleatorias discretas

Definición. Sea X una variable aleatoria discreta con recorrido y función masa de
probabilidad . La media, esperanza o valor esperado de la variable X, denotada como E(X),
es definida como:

Esto es, la suma del producto del todos los elementos del recorrido de X por su probabilidad.

Otra forma de denotar la esperanza es cuando se desea hacer énfasis en la variable aleatoria X, o
sólo si no es motivo de confusión. Se recomienda usar la notación pues en temas posteriores
cuando se involucren dos o más variables habrá que hacer referencia a la variable en cuestión.

El valor esperado de X es una media ponderada de los valores del recorrido de X, estando cada
valor ponderado por la probabilidad de ocurrencia de dicho valor. Para entender mejor el concepto
considere el enfoque de que las probabilidades representan la frecuencia relativa (que es
equivalente a su proporción), si representan las posibles ganancias al jugar un juego de
azar y representan sus respectivas probabilidades, entonces la
proporción de veces que se ganará será , la proporción de veces que se ganará será
y así sucesivamente. Si en total se realizan N juegos entonces el número de juegos en los
que se gana será , el número de veces que se gana será y así
sucesivamente. Por lo tanto, la ganancia promedio por juego es la suma de todas las ganancias entre
el total de juegos, es decir, aplicando la fórmula para media de datos ordenados visto en la unidad 1,

que es precisamente la definición de esperanza.

Ejemplo
En una lotería realizada para beneficio de la compañía de bomberos local, se venden ocho mil
boletos a $1.00 cada uno. El premio es un automóvil de 3,000 pesos. Si Juan compra dos boletos
¿Cuál es su ganancia esperada?

Solución
Sea X la variable que representa la ganancia de Juan. El recorrido de la variable es
pues si no gana el automóvil ha perdido los $2 que pagó por los boletos pero si gana el automóvil ha
ganado $2998 porque pagó $2. Además, la función masa de probabilidad es y
pues sólo hay dos opciones para que gane Juan que son los dos boletos que
compró. Por lo tanto la ganancia esperada es

Lo anterior quiere decir que si se repitiera muchas veces el sorteo con las mismas condiciones, en
promedio Juan perdería por sorteo $1.25.

Como se ve en el ejemplo anterior la esperanza es un valor, no es una variable aleatoria.

79
La esperanza cumple las siguientes propiedades cuando X y Y son variables aleatorias discretas:

1. E(X+Y)=E(X)+E(Y)
2. E(X-Y)=E(X)-E(Y)
3. E(cX)=cE(X) donde c es un valor constante.
4.
donde g es una función cualquiera de la variable X y p(X=x) es la función masa de
probabilidad de X con recorrido

En el siguiente ejemplo se presenta la aplicación de estas propiedades.

Ejemplo
Se lanzan dos dados y se observan los números que muestran las caras superiores. Considere las
variables aleatorias:

X: El número que muestra la cara superior del primer dado

Y: El número que muestra la cara superior del segundo dado
Z: El cuadrado del número que muestra la cara superior del primer dado
Determine E(X+Y) y E(Z).

Solución
Es claro que la función masa de probabilidad de las variables X y Y está dada por

Por lo tanto,

y de manera análoga . Se concluye que .

Para calcular E(Z), se utilizará la propiedad 4. Obsérvese que por lo que .

Entonces

Siempre es útil poder resumir las propiedades esenciales de la función masa de probabilidad
mediante ciertas mediciones definidas de manera adecuada. Una de tales mediciones es la
esperanza, sin embargo, no da información acerca de la variabilidad o dispersión de los valores o
datos que proporciona la variable aleatoria, lo cual en la aplicación estadística es indispensable.
Para ello se introducen los siguientes nuevos conceptos de medición: la varianza y la desviación
estándar.

80
Definición. Sea X una variable aleatoria discreta con esperanza E(X). La varianza de la variable
denotada por Var(X), es definida de la siguiente manera

Otra forma de denotar la varianza es cuando se desea hacer énfasis en la variable aleatoria X o
simplemente si no causa confusión. De igual forma a como se recomendó en la esperanza, la
notación sugerida para la varianza es pues en unidades posteriores será necesario hacer énfasis
de la variable en cuestión.

Definición. La desviación estándar de X es .

La definición de la varianza puede ser interpretada como el valor esperado de las variaciones que
tienen los valores de la variable con respecto a su valor esperado y su cálculo, utilizando las
propiedades de esperanza, se reduce a la siguiente expresión:

Ejemplo
Determine la varianza y la desviación estándar de la variable X cuya función masa de probabilidad
está dada por la siguiente tabla:

x P(X=x)
-1 0.05
0 0.10
1 0.40
2 0.20
3 0.10
4 0.10
5 0.05

Solución
Por definición

Por la propiedad 4

Por lo tanto, la varianza es:

y la desviación estándar es

Variables aleatorias continuas

La media y la varianza de una variable aleatoria continua se definen de la misma manera que en el
caso de una variable aleatoria discreta, con la modificación de que la integral reemplaza a la
sumatoria.

Definición. Sea X una variable aleatoria continua con función de densidad . La media,
esperanza o valor esperado de X, denotada por E(X) es

81
La esperanza también puede ser escrita como o sólo si no es motivo de confusión. Se sugiere
de nuevo utilizar la notación .

Definición. Sea X una variable aleatoria continua con media E(X). La varianza de X es denotada por
Var(X) y es definida por:

Otra forma de denotar la varianza es o si no es motivo de confusión.

Definición. La desviación estándar de X es .

Las propiedades de la esperanza para las variables aleatorias continúas X y Y son las mismas que en
el caso de variables discretas, con la modificación de que ahora, para su cálculo se realiza
integración en lugar de sumatorias:

1. E(X+Y)=E(X)+E(Y)
2. E(X-Y)=E(X)-E(Y)
3. E(cX)=cE(X) donde c es un valor constante.
4. donde g(x) es una función cualquiera y f(x) es la función de
densidad de la variable X.

Como consecuencia de la propiedad 4 y de las propiedades de integral, se sigue cumpliendo la

identidad
]

que se utilizó para variables aleatorias discretas.

Ejemplo
Se está esperando a que llegue un mensaje en algún momento después de las 5:00 P.M. Se sabe por
experiencia que el número de horas después de las 5:00 P.M. que pasarán para que el mensaje
llegue es una variable aleatoria X con función de densidad

Determine la media, la varianza de X y desviación estándar.

Solución
Por definición de esperanza, se tiene que:

Además,

82
Por lo tanto,
]

y la desviación estándar es .

Obsérvese que en al igual que en se integro en el intervalo (0,2) que es precisamente el

recorrido o rango de X.

Por lo anterior, en el caso de variables aleatorias continuas es importante tener en cuenta el rango
de X al utilizar la integración para realizar cálculos.

Desigualdad de Chebyshev

La desigualdad de Chebyshev es un resultado comúnmente utilizado en estadística, antes de

presentarlo de manera formal, para motivarlo y posteriormente hacer un análisis de lo que trata se
calculará la probabilidad de que las variables definidas en los dos últimos ejemplos pertenezcan al
intervalo , es decir, se desea:

1. En el ejemplo de la variable X con función masa de probabilidad

x P(X=x)
-1 0.05
0 0.10
1 0.40
2 0.20
3 0.10
4 0.10
5 0.05

Se sabe que y , por lo que la probabilidad pedida es:

En la gráfica de abajo, la altura de las barras indica la probabilidad de ocurrencia de cada valor
posible de la variable aleatoria X. Así mismo se indica el intervalo que es igual
a . Se observa que este intervalo abarca casi toda la gráfica, estrictamente es la
representación de la probabilidad de 0.95 que resultó del cálculo anterior.

0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-1 0 1 2 3 4 5

2 2


83
 2. En el ejemplo de la variable X con función de densidad

Se sabe que y , así que la probabilidad pedida es,

Se puede ver que en ambos casos las probabilidades son mayores que 0.75. En general, para
cualquier variable aleatoria se cumple que . Lo anterior, es
garantizado por el siguiente resultado:

Desigualdad de Chebyshev. Sea una variable aleatoria con media y varianza . Entonces para
toda se cumple que

o equivalentemente

Si se hace entonces la primera identidad implica que:

lo cual confirma el resultado que se menciona en los ejemplos.

En general, si es múltiplo de la desviación estándar, es decir, para alguna constante

positiva entonces:

o equivalentemente,

La expresión representa la distancia que existe de la variable X a su media, por lo que la

expresión significa que los valores de X que se alejan cuando mucho una
cantidad de la media tienen probabilidad de al menos . A continuación se presentan las
probabilidades mínimas de los valores de X que se alejan cuando mucho con respecto a la media
para algunos valores de :
84
 mínima
2 0.75
3 0.88
4 0.93
5 0.96

Ejemplo
Supóngase que los resultados de calificaciones en un examen general de conocimientos, aplicado a
los alumnos de probabilidad y estadística de una institución, tienen media y varianza
. Utilizando la desigualdad de Chebyshev y considerando dos desviaciones estándares de
distancia con respecto a la media se tiene que

El valor anterior puede ser interpretado de la siguiente manera:

- Si se considera un alumno al azar, la calificación de este se encontrará entre 66 y 90 con una
probabilidad mayor ó igual a 0.75.
- Más del 75% de los estudiantes tiene una calificación entre 66 y 90.

Si ahora se consideran tres desviaciones estándares, la desigualdad de Chebyshev indica que

De manera análoga al anterior, esta relación puede ser interpretada de la siguiente manera:
- Si se considera un alumno al azar, la calificación de éste se encontrará entre 60 y 96 con una
probabilidad mayor ó igual a 0.88.
- Más del 88% de los estudiantes de dicha institución tiene una calificación entre 60 y 96.

Nota:
Es importante comentar que la desigualdad de Chebyshev tiene la característica de ser
conservadora, es decir, en el ejemplo anterior, en el caso de considerar tres desviaciones
estándares, se podría asegurar que casi la totalidad de los estudiantes (más del 88%) tienen una
calificación entre 60 y 96. Es por ello que comúnmente en este tipo de resultados se consideran tres
desviaciones estándares.

85
1.4 DISTRIBUCIONES DISCRETAS: BINOMIAL, GEOMÉTRICA,
BINOMIAL NEGATIVA, HIPERGEOMÉTRICA Y POISSON
En este tema se presentan algunas distribuciones de variables aleatorias discretas así como su
esperanza y varianza.

Distribución Binomial

Un experimento binomial tiene las siguientes propiedades:

1. El experimento consiste en n ensayos idénticos.

2. Cada ensayo tiene dos resultados posibles. A uno de ellos se le denotará como éxito y al otro
fracaso.
3. La probabilidad de éxito en un ensayo es igual a p y es igual en todos los ensayos. La
probabilidad de fracaso en cada ensayo es q=1-p.
4. Los ensayos son independientes.

Cuando se cumplen las condiciones anteriores se dice que la variable aleatoria X que representa el
número de éxitos obtenidos en los n ensayos tiene distribución Binomial y se denota .
El recorrido de la variable es .

Ejemplos de variables aleatorias Binomiales son:

i) El número de hijos del sexo masculino que una familia tendrá si desea tener cuatro hijos.
ii) El número de águilas que se obtienen al lanzar 100 veces una moneda legal.
iii) El número de partes defectuosas que hay en un lote de producción de 50 piezas.

Las características de la variable aleatoria X son:

1. La función masa de probabilidad es .

2. La media de la distribución es ] .
3. La varianza es .

Recuérdese que representan las combinaciones de n elementos tomado en grupos de

k.

Ejemplo
Suponga que Ana, una lanzadora de dardos, logra un objetivo con probabilidad p=1/3. Suponga que
ella dispara a su objetivo 7 veces. Encuentre la probabilidad de que ella alcance el objetivo:

a) Exactamente 3 veces.
b) Al menos una vez.
c) Encuentre el número esperado de veces que ella le atinará al objetivo.
d) Encuentre la desviación estándar.

Solución
Se puede observar que los ensayos corresponden a los siete lanzamientos y éstos se realizan bajo
las mismas condiciones, en cada disparo hay dos resultados posibles, a saber, atinarle al blanco o
fallar, la probabilidad de éxito (atinar al objetivo) es p=1/3 y el resultado de cada lanzamiento es
independiente de los otros lanzamientos. Por lo tanto, . Entonces:

a) La probabilidad de que le atine al objetivo exactamente 3 veces estaría dado por:

86
 b) La probabilidad de que alcance el objetivo al menos una vez es:

c) El número esperado de veces que ella le atinará al objetivo es,

es decir, aproximadamente dos de esas siete veces Ana le atinará al objetivo.

d) La varianza de X es por lo tanto .

En algunos libros de la referencia bibliográfica de esta unidad se encuentran tablas que

proporcionan las probabilidades de la variable aleatoria X cuando tiene distribución binomial de
parámetros n y p. El uso de estas tablas está limitado para aquellos valores del tamaño de muestra
n y probabilidad de éxito p que aparece en ellas pues en general, los libros se limitan a presentar
tablas sólo para algunos valores de n y p.

Se debe tener mucho cuidado en observar el tipo de probabilidad que maneja la tabla que se usará,
puesto que algunas de ellas proporcionan probabilidades acumuladas, es decir donde r es
un valor del rango de X, y otras proporcionan probabilidades de un solo valor del rango de la
variable X, es decir P(X=r).

Para efectos de este curso, se utilizarán las tablas A.1. que presentan las probabilidades acumuladas
y que tienen la siguiente notación:

Ejemplo
La probabilidad de que un paciente se recupere de una rara enfermedad sanguínea es 0.4. Si se sabe
que 15 personas contraen esta enfermedad, Determine la probabilidad de que
a) Sobrevivan al menos 10
b) Sobrevivan de 3 a 8
c) Sobrevivan exactamente 5

Solución
Sea X el número de personas que sobreviven. Entonces X se distribuye binomial de parámetros
En la tabla A.1 se busca la tabla con estos parámetros.

a) Pero de acuerdo a la
tabla A.1 para n=15, p=0.4 y r=9 se tiene que , por lo tanto
.

b)

Observar que los valores de las sumatorias fueron obtenidos de la tabla de la Binomial para
r=8 y r=2.

87
 c)

Este último valor se puede hallar también de la misma tabla Binomial como sigue:

Distribución Geométrica

Si se realizan ensayos repetidos en un experimento y en cada ensayo existe una probabilidad de

éxito p, una probabilidad de fracaso q=1-p y además, cada ensayo es independiente de los
anteriores, la variable aleatoria X que representa el número de ensayos que deben ser realizados
hasta obtener finalmente un éxito es conocida como variable con distribución Geométrica. En tal
caso su notación es . El recorrido de X es con función masa de
probabilidad

La expresión anterior se obtiene del hecho de que se realizarán k ensayos solamente en el caso de
que haya ocurrido una sucesión de k-1 fracasos sucesivos antes de lograr el primer éxito en el k-
ésimo ensayo.

La esperanza y la varianza de una variable aleatoria X con distribución Geométrica(p)

respectivamente son:
]
y

Ejemplo
La probabilidad de que un cohete alcance un objetivo es p=0.2 y se disparará tantas veces como sea
necesario hasta alcanzar el objetivo.

a) Encuentre el número esperado de cohetes que serán disparados antes de alcanzar el

objetivo.
b) Encuentre la probabilidad de que 4 ó más cohetes sean requeridos para alcanzar finalmente
el objetivo.

Solución
a) El número esperado de disparos antes de alcanzar el objetivo es:

b) Para determinar la probabilidad de que al menos cuatro cohetes sean requeridos hasta
lograr el objetivo se considera la función masa de probabilidad:

P(X=x)

Además, es importante recordar que el rango de la variable X es . Así, la

probabilidad deseada es

88
Además del ejemplo de lanzamiento de cohetes que se ha presentado, hay otros casos en los que se
tiene una variable aleatoria cuya probabilidad se puede modelar mediante una distribución
geométrica, como el número de clientes visitados antes de hacer la primera venta, el número de
años que funciona una presa antes del derrame, o el número de automóviles que pasan por un
puesto de radar antes de descubrir al primer infractor por alta velocidad.

Distribución Binomial Negativa

La distribución binomial negativa es una generalización de la distribución geométrica, pero ahora

en lugar de hacer el experimento hasta obtener el primer éxito, se hace el experimento hasta
obtener el éxito número r. En otras palabras, si se realizan ensayos repetidos en un experimento y
en cada ensayo existe una probabilidad de éxito p, una probabilidad de fracaso q=1-p y además,
cada ensayo es independiente de los anteriores, la variable aleatoria X que representa el número de
ensayos que deben ser realizados hasta obtener finalmente el r-ésimo éxito es conocida como
variable con distribución Binomial negativa.

En tal caso la notación es . El rango de X es y la función

masa de probabilidad es:

La esperanza de una variable aleatoria binomial negativa es:

]
y su varianza es

Ejemplo
La probabilidad de que un niño expuesto a una enfermedad se contagie es 0.4, determine:
a) La probabilidad de que el décimo niño expuesto a la enfermedad sea el tercero en
contraerla.
b) El número esperado de niños que deben exponerse a la enfermedad para que hayan tres
enfermos.

Solución
a) Sea X la variable que representa el número de niños que han sido expuestos hasta obtener
tres enfermos, entonces . Luego, la probabilidad de que el décimo niño
sea el tercero en contraer la enfermedad es equivalente a determinar P(X=10) esto es,
considerando r =3, p=0.4 se tiene que:

b) El número esperado de niños que deben exponerse a la enfermedad para obtener tres
enfermos es

Esto es, el número esperado de niños expuestos a la enfermedad para obtener 3 contagiados
es de aproximadamente 8.

89
Distribución Hipergeométrica

Cuando se tiene una variable aleatoria discreta cuyo espacio de eventos tiene sólo dos elementos,
digamos S = {éxito, fracaso}, y se realiza un muestreo sin reemplazo, entonces los resultados de cada
experimento no son independientes ni la probabilidad de éxito permanece constante, como en la
distribución Binomial, por lo que esta última no es aplicable.

Si se tienen en total N objetos, de los cuales M tienen una característica deseada y los restantes N-M
no poseen esta característica, y se seleccionan n de los objetos, entonces la variable X que
representa el número de objetos que poseen la característica deseada de los n seleccionados, tiene
una distribución hipergeométrica, la cual es denotada por .

El recorrido o rango de la variable X es y su función masa de

probabilidad es:

Además, la esperanza de X es,

]
y su varianza es,

La aplicación de la distribución hipergeométrica se encuentra en muchas áreas, con un uso

considerable en el muestreo de aceptación, las pruebas electrónicas y el aseguramiento de la
calidad. Es obvio que en muchos de estos campos la prueba se realiza a expensas de la pieza que se
está probando. Ésta se destruye y por lo tanto no se puede reemplazar en la muestra. Entonces, es
necesario el muestreo sin reemplazo.

Ejemplo
Considérese un fabricante de automóviles que compra los motores a una compañía donde se
fabrican bajo estrictas especificaciones. El fabricante recibe un lote de 40 motores del que se sabe
que hay dos motores con serios defectos. Su plan para seleccionar el lote consiste en seleccionar
ocho, de manera aleatoria, y someterlos a prueba. Si encuentra que a lo más uno de los motores
presenta serios defectos, el fabricante acepta el lote; de otra forma lo rechaza. Determine:

a) La probabilidad de que sea aceptado.

b) El número esperado de motores en buen estado de los ocho seleccionados.

Solución
a) Sea X el número de motores en buen estado en la muestra. Claramente
. Pues hay 40 motores, 38 de los cuales están en buen estado y se van a
seleccionar ocho. Como el lote es aceptado si a lo más uno presenta serios defectos, esto es
equivalente a que si al menos hubieran siete en buen estado, por lo que la probabilidad de
que el lote sea aceptado es,

b) El número esperado de motores en buen estado de la muestra es,

90
Distribución Poisson

Muchos eventos aleatorios ocurren de manera independiente con una velocidad constante en el
tiempo o en el espacio. Algunos ejemplos típicos son el número de personas que llegan a una tienda
de autoservicios en un tiempo determinado, el número de defectos en piezas similares para el
material, el número de bacterias en un cultivo, etc.

Si se considera un intervalo de tiempo fijo en el que se desea contar el número de eventos que se
presentan y dicho intervalo se puede dividir en subintervalos con una longitud suficientemente
pequeña tal que:

1. La probabilidad de que se presente más de un evento en un subintervalo es cero.

2. La probabilidad de un evento en un subintervalo es la misma para todos los subintervalos y
proporcional a la longitud del subintervalo.
3. El número de eventos en cada subintervalo es independiente de los demás subintervalos.

Entonces la variable aleatoria X que representa el número de eventos que se presentan en el

intervalo fijo es Poisson con parámetro , donde representa el promedio de eventos que se
presentan en el intervalo. En tal caso su notación es .

El recorrido o recorrido de la variable X con distribución Poisson es y su función

masa de probabilidad es:

La esperanza y varianza de esta variable aleatoria son respectivamente

Ejemplo
El promedio de imperfecciones por milímetro en un alambre de cobre es 2.3. Determine:
a) La probabilidad de que en un milímetro se tengan 2 imperfecciones.
b) La probabilidad de que en tres milímetros se tengan al menos dos imperfecciones.
c) El número esperado de imperfecciones en 10 milímetros.

Solución
a) Sea X la variable que mide el número de imperfecciones por milímetro, entonces
. Por lo tanto, la probabilidad pedida es

b) Sea X la variable que mide el número de imperfecciones por cada tres milímetros, entonces
pues como en cada milímetro el promedio de imperfecciones es 2.3
entonces en tres milímetros hay 3(2.3)=6.9 imperfecciones. Por lo tanto, la probabilidad
pedida es

91
 c) Como en un milímetro hay en promedio imperfecciones, el número de
imperfecciones en diez milímetros es y como se concluye que
.

Al igual que con la distribución Binomial, existen tablas que contienen las probabilidades para los
valores de la variable aleatoria con distribución Poisson. Las tablas A.2 son las que se utilizarán en
este curso y en ellas se expresan las probabilidades acumuladas de la variable Poisson. La notación
que se utiliza es

Ejemplo
Durante un experimento de laboratorio el número promedio de partículas radioactivas que pasan a
través de un contador en un milisegundo es cuatro. ¿Cuál es la probabilidad de que seis partículas
entren al contador en un milisegundo dado?

Solución
De acuerdo a la notación original se tiene que la variable aleatoria X que indica el número de
partículas radioactivas que entran al contador en un milisegundo se distribuye Poisson(4). Luego

Si se usa la tabla A.2, se busca la columna . Los cálculos se harían como sigue:

Ejemplo
El número promedio de camiones tanque que llega cada día a cierta ciudad portuaria es 9. Las
instalaciones en el puerto pueden manejar a lo más 15 camiones tanque por día. ¿Cuál es la
probabilidad de que en un día dado los camiones se tengan que regresar?

Solución
Sea X la variable que representa el número de camiones tanque que llegan en un día dado.
Utilizando la tabla A.2 en la columna indicada por se tiene que

La distribución Poisson también sirve para aproximar probabilidades cuando la variable aleatoria X
tiene distribución , y el número de ensayos es grande y la probabilidad de éxito es
pequeña. De manera tradicional la aproximación se utiliza cuando y . En tal caso, el
parámetro de la distribución Poisson es . A continuación se presenta un ejemplo de esta
aproximación.

92
Ejemplo
Suponga que el 2% de los artículos producidos por una fábrica están defectuosos. Encuentre la
probabilidad de que haya tres artículos defectuosos en una muestra de 100 artículos.

Solución
Sea X la variable que representa el número de artículos defectuosos, es claro que
. Por lo que la probabilidad pedida es,

Si se utiliza la aproximación a la Poisson mencionada con entonces,

que es aproximado al valor verdadero.

93
1.5 Distribuciones continuas: Uniforme, Exponencial, Normal,
Ji-Cuadrada, T-Student y F de Fisher.
A continuación se presentan algunas distribuciones comunes y útiles de variables aleatorias
continuas. En algunas de ellas se incluyen ejemplos y en otras sólo se mencionan sus características
y algunos resultados que servirán para unidades posteriores de esta asignatura.

Distribución Uniforme

Se dice que una variable aleatoria continua X tiene una distribución uniforme en el intervalo de los
números reales si su función de densidad es:

Cuando X se distribuye uniforme es común denotarlo como . Es claro que el recorrido de

la variable es el intervalo de los números reales. La esperanza de esta variable aleatoria es:

y su varianza es:

La gráfica de la función de densidad de una variable aleatoria con distribución uniforme en el

intervalo es la siguiente:

f(x)

1
ba

x
a b

Ejemplo
Los tiempos en que los clientes llegan a las cajas registradoras se rigen por una distribución
uniforme con una duración de 30 minutos. Calcule la probabilidad de que un cliente llegue durante
los últimos 5 minutos del período de media hora y el tiempo esperado de llegada.

Solución
Como se dijo, el tiempo en que un cliente llega a una caja sigue una distribución uniforme en el
intervalo (0,30). Si X denota el tiempo en que éste llega a la caja, entonces la función de densidad es:

Por lo tanto lo que se pide es:

94
La probabilidad de que el cliente llegue a la caja en cualquier otro intervalo de 5 minutos es
también 1/6, debido a que se trata de una distribución uniforme. Además, el valor esperado del
tiempo en el que un cliente llegue a la caja registradora es

Distribución exponencial

Se ha llevado a cabo un experimento con el objeto de medir la vida útil de un determinado tipo de
baterías, para ello se seleccionaron de manera aleatoria 50 de ellas y se apuntaron los tiempos de
vida útil, mismos que se indican a continuación:

Vida útil de baterías (en cientos de horas)

0.406 0.685 4.778 1.725 8.223
2.343 1.401 1.507 0.294 2.230
0.538 0.234 4.025 3.323 2.920
5.088 1.458 1.064 0.774 0.761
5.587 0.517 3.246 2.330 1.064
2.563 0.511 2.782 6.426 0.836
0.023 0.225 1.514 3.214 3.810
3.334 2.325 0.333 7.514 0.968
3.491 2.921 1.624 0.334 4.490
1.267 1.702 2.634 1.849 0.186

La siguiente gráfica representa un Histograma de frecuencias relativas de los datos de la tabla

anterior:
Frecuencia
Relativa

0.3

0.2

0.1

0 1 2 3 4 5 6 7 8 9
Vida útil (cientos de horas)

El histograma de frecuencia relativa para estos datos muestra con claridad que la mayor parte de
las vidas útiles están cerca de cero, y que la frecuencia disminuye con mucha uniformidad cuando
se pasa a las vidas útiles mayores. Hay una disminución en la frecuencia cuando se avanza hacia
otros intervalos hasta que el último (de 8 a 9) contenga sólo una observación.

Este histograma de frecuencia relativa de la muestra no sólo permite retratar el comportamiento de

la muestra, sino que da idea de algún modelo probabilístico posible de la variable aleatoria X. El

95
histograma de la figura se ve como si se pudiera representar con mucha aproximación mediante
una curva exponencial. Debido a lo anterior, se presenta la función de densidad exponencial que se
utiliza con frecuencia para describir la duración de los componentes electrónicos.

Se dice que una variable aleatoria X tiene una distribución exponencial con parámetro
indicada como , si su función de densidad es:

Como se puede apreciar en la función de densidad, el recorrido de la variable es .

Además, su esperanza y su varianza son ] y , respectivamente.

Ejemplo
Suponga que la duración en días de un foco se distribuye de forma exponencial de parámetro
. Determine:
a) La probabilidad de que el componente dure menos de 60 días.
b) La probabilidad de que dure más de 240 horas
c) La varianza de la duración del componente.

Solución
a) La función de densidad para este caso es por lo que la probabilidad
pedida es:

b) Como el tiempo está dado en días, la probabilidad de que dure más de 240 horas es la
probabilidad de que dure más de diez días, entonces:

c) Como entonces .

Distribución Normal

La distribución de probabilidad continua que se utiliza más extensamente es la normal. Se dice que
una variable aleatoria X tiene una distribución de probabilidades normal si existen y
tal que su función de densidad es:

En tal caso se denota por . El recorrido de la variable con distribución normal es

, su esperanza o media es:

y la varianza es:

96
Un caso particular de la distribución normal es la que se conoce como distribución normal estándar
que presenta las siguientes características:

1. La esperanza de la variable es
2. La varianza de la variable es y la desviación estándar por lo tanto también es .
3. Como consecuencia de los dos puntos anteriores, la función de densidad de la distribución
normal estándar es

El siguiente teorema es de suma importancia pues permite convertir cualquier variable aleatoria
con distribución normal en una variable aleatoria normal estándar.

Teorema: Si , entonces la variable

tiene distribución normal estándar, es decir, .

La importancia de convertir cualquier variable aleatoria normal X en una variable normal estándar
Z, radica en que para esta última existen tablas que permiten calcular las probabilidades. En esta
unidad la tabla a utilizar para la distribución normal estándar es la tabla 1.

A continuación se presentan las características de la curva normal estándar que servirán para
calcular probabilidades. Considere la siguiente figura:

1. La gráfica de la figura corresponde a la función de densidad de la distribución normal

estándar, es decir, .
2. El área debajo de la curva (que tiene forma de campana) representa una probabilidad, por
lo que el área total es uno.
3. El valor de la media, en este caso , divide a la mitad el área total debajo de la curva, lo
que quiere decir que a la derecha del cero hay un área igual a 0.5 (que representa
probabilidad) y a la izquierda del cero hay también un área igual a 0.5 (que también
representa probabilidad).
4. Los valores positivos de la variable Z con distribución normal estándar están a la derecha
de y los valores negativos están a la izquierda de .
5. La tabla 1 proporciona las probabilidades de que la variable Z sea mayor o igual a un valor
, es decir , es por esto que aparece sombreada toda el área bajo la curva a la
derecha de k. Esta región es conocida como la cola de la distribución.
6. En la tabla 1 sólo aparecen las probabilidades para los valores de Z positivos ya que las
probabilidades para los valores negativos se pueden obtener del hecho de que la gráfica es
simétrica con respecto a .

Para entender la forma de utilizar la tabla se presentan los siguientes ejemplos.

97
Ejemplos
Sea . Utilizar la tabla 1 que corresponde a dicha distribución para determinar las
siguientes probabilidades:

a)
b)
c)
d)
e)
f)

Solución
a) En la tabla de la normal se busca en la primera columna el entero y el primer decimal, es
decir, como se quiere la probabilidad de que Z sea mayor que 2.12, se busca 2.1. El segundo
decimal se busca en los valores que aparecen en la primera fila, en este caso hay que buscar
0.02. Así, la probabilidad deseada es aquella que aparece en la fila marcada con el número
2.1 y en la columna marcada con 0.02, es decir, 0.0170 (es el valor que está en el cruce de la
fila 2.1 y la columna 0.02). Como la tabla proporciona la probabilidad de la cola de la
distribución, se concluye que

b) La probabilidad deseada es el área que se muestra en la siguiente figura. Al utilizar la tabla,

si se identifica el 1.94 esto significa que se tiene que , pero lo que se
desea es , ahora, como el área total bajo la curves es igual a uno, entonces se
tiene que , esta probabilidad es la
que corresponde al área sombreada

c) La probabilidad deseada es la que corresponde al área sombreada en la siguiente figura:

98
 pero como la gráfica de la distribución normal es simétrica, esta área es equivalente al área
de la siguiente figura:

ahora bien, considerando que la tabla proporciona la probabilidad de la cola de la

distribución, entonces se localiza el valor de la intersección de 1.4 de la 1ª columna y 0.08
de la 1ª fila, que resulta ser 0.0694 esto indica que entonces se
concluye que .

d) La probabilidad pedida es la que corresponde al área sombreada:

lo cual, por simetría es equivalente a la probabilidad del área de la siguiente figura:

99
 la probabilidad de esta área es calculada de la misma manera como en el inciso b) de este
ejemplo, por lo tanto

e) La probabilidad pedida es la que corresponde al área que está entre 1.01 y 2.01 tal y como
se muestra en la siguiente figura:

ésta puede ser calculada mediante la expresión pues la resta de

las áreas de las siguientes dos figuras es igual al área que está entre 1.01 y 2.01.

Por lo tanto .

f) Aquí, la probabilidad deseada es representada por el área siguiente:

Obsérvese que el complemento de esta área es la unión de las dos siguientes:

100
 y

y éstas son representadas por las probabilidades y . De la tablas 1 es directo

que y mediante un procedimiento análogo al inciso c) de este ejemplo se
tiene que . Por lo tanto

Ahora que se sabe cómo calcular probabilidades de una distribución normal estándar a través de la
tabla correspondiente, todos los problemas de variables aleatorias con distribución normal,
(independientemente del valor de su media y varianza) pueden ser resueltos a través de la tabla.
Es importante recordar que si se tiene una variable aleatoria con distribución normal, antes de
emplear la tabla, primero se debe estandarizar la variable mediante la expresión

Ejemplo
La estatura de los hombres en Estados Unidos está distribuida en forma (aproximadamente)
normal con media y desviación estándar ambas medidas en pulgadas. Encuentre el
porcentaje de hombres estadounidenses que están entre 66 y 71 pulgadas de estatura.

Solución
La probabilidad pedida es . Para estandarizar es suficiente restar la media y dividir
entre la desviación estándar de la variable X, por lo tanto

donde el valor fue obtenido de manera similar al inciso f) del ejemplo anterior. Se concluye que el
67.3% de los estadounidenses, aproximadamente, están entre esas estaturas.

101
Ejemplo
Ciertos estudios demuestran que el consumo de gasolina de los autos medianos tiene una
distribución normal con un consumo medio de 25.5 km/galón y una desviación estándar de 4.5
km/galón. ¿Qué porcentaje de autos medianos obtiene 30 o más km/galón?

Solución
La proporción de autos medianos que consiguen 30 o más km/galón se calcula mediante la
probabilidad . Estandarizando se obtiene que

lo que quiere decir que el 15.87% de los autos medianos obtiene 30 o más km/galón. Nótese que la
probabilidad se calculó de manera similar al inciso a) del penúltimo ejemplo.

En el siguiente ejemplo se hará un procedimiento diferente a lo realizado, pues en lugar de buscar

la probabilidad cuando se tiene un valor de Z, lo que se hará es buscar el valor de Z que origina una
probabilidad dada.

Ejemplo
Bajo las condiciones del ejemplo anterior, si un fabricante desea producir un automóvil mediano
que tenga un mejor rendimiento que el 95% de los automóviles medianos existentes, ¿Cuántos
kilómetros por galón debe recorrer este nuevo auto?

Solución
Sea la variable que representa el número de kilómetros por galón que recorre
un auto mediano. Se desea encontrar un valor tal que:

Estandarizando se obtiene que:

Sea , entonces se necesita determinar el valor tal que el área sombreada de la siguiente
figura sea 0.95:

que es equivalente a buscar el valor de tal que el área sombreada de la siguiente figura sea 0.05:

102
Por las tablas se tiene que (en este caso se buscó el área dentro de las tablas y se encontró
a cuál valor correspondía, fijándose en la 1ª. fila y en la 1ª. columna). Entonces de
donde se concluye que .

Por lo tanto, el nuevo auto debe recorrer 32.88 km/galón para superar al 95% de los autos
medianos actualmente disponibles.

Distribución Ji-Cuadrada

Se dice que la variable aleatoria X posee distribución Ji – cuadrada con grados de libertad y se
denota por si su función de densidad es:

La gráfica de la función de densidad de esta variable se muestra a continuación:

f(  2
)

2

Como se puede observar, la variable presenta más probabilidad para los valores cercanos al cero y
no es simétrica.

El recorrido de la variable es . Además, la esperanza de la variable aleatoria es ]

y su varianza es .

En la tabla 3 se presentan los valores de la variable aleatoria Ji-Cuadrada que originan diferentes
probabilidades de la cola de la distribución, es decir, si es una variable aleatoria con distribución
Ji-Cuadrada con grados de libertad y se desea tener una probabilidad de la cola igual a ,
entonces la tabla 3 proporciona el valor tal que . Obsérvese, a diferencia de la
normal estándar, en tabla de la Ji-Cuadrada las probabilidades se proporcionan en la 1ª fila, y los
datos dentro del cuerpo de la tabla dan los valores de la variable correspondiente a las
probabilidades específicas de la primera fila.

Para entender mejor la forma de utilizar la tabla 3 se presentan los siguientes ejemplos.

103
Ejemplo
a) Sea una variable aleatoria Ji-Cuadrada con 5 grados de libertad. Determinar el valor de
que haga que la probabilidad de la cola sea 0.10.
b) Sea una variable aleatoria Ji-Cuadrada con 12 grados de libertad. Determinar el valor de
que haga que la probabilidad acumulada hasta ese valor sea 0.75.
c) Sea una variable aleatoria Ji-Cuadrada con 16 grados de libertad. ¿Cuál es la probabilidad
de que la variable sea mayor que 9.30?

Solución
a) El valor que se pide es aquél que se encuentra en la intersección de la fila que contiene los
grados de libertad y la columna que contiene la probabilidad pedida. Utilizando la tabla 3, se
puede observar que el número que está en la intersección de la fila que tiene 5 grados de
libertad y de 0.10 de probabilidad en la cola es 9.24. Esto indica que .
b) Como se desea que la probabilidad acumulada sea 0.75 entonces la probabilidad de la cola
será 0.25. Procediendo de manera análoga al inciso anterior, es decir, buscando la fila que
tiene 12 grados de libertad y 0.25 de probabilidad en la cola, se obtiene que el valor pedido
es 14.85. Esto implica que la probabilidad acumulada hasta 14.85 es 0.75 es decir

c) En este ejemplo se procede a la inversa pues los grados de libertad y el valor de la variable
están dados. Para buscar la probabilidad de la cola a la derecha de 9.30 cuando la variable
tiene 16 grados de libertad, sólo se busca en la fila que contiene los 16 grados de libertad el
valor más próximo a 9.30 siendo éste 9.31. La probabilidad de la cola es la indicada en la fila
de probabilidades arriba del valor 9.31, es decir, es aproximadamente 0.90.

El siguiente teorema será útil para la unidad de Intervalos de Confianza y Pruebas de hipótesis:

Teorema. Sean variables aleatorias normales estándar independientes. Entonces

es decir, la variable definida como la suma de los cuadrados de variables aleatorias normales
estándar independientes se distribuye Ji-Cuadrada con grados de libertad.

Distribución T-Student

Se dice que una variable aleatoria X tiene distribución t-student (o simplemente distribución t) con
n grados de libertad si su función de densidad es:

Cuando X tiene distribución t con n grados de libertad se escribe . De la función de densidad

se observa que .

Además, para la esperanza de X es:

y para la varianza es:

104
En la tabla 2 se presentan los valores de la variable aleatoria t-student que originan diferentes
probabilidades de la cola de la distribución, es decir, si es una variable aleatoria t-student con
grados de libertad y se desea tener una probabilidad de la cola igual a , entonces la tabla 2
proporciona el valor tal que . La variable t-student es simétrica con respecto al cero
por lo que para encontrar los valores se pueden aplicar las mismas estrategias que se describieron
en la tabla 1 de la variable normal estándar. Solamente, que a diferencia de la tabla 1 (normal
estándar) la 1ª. fila corresponde a las probabilidades y los valores que se encuentran dentro de la
tabla son los valores que originan la probabilidad de la cola, dependiendo de los grados de libertad
(1ª. columna) que tenga la distribución.

Para entender mejor la forma de utilizar la tabla 2 se presentan los siguientes ejemplos.

Ejemplo
a) Sea una variable aleatoria t-student con 8 grados de libertad. Determina el valor de que
haga que la probabilidad de la cola sea 0.20.
b) Sea una variable aleatoria t-student con 12 grados de libertad. Determina el valor de
que haga que la probabilidad acumulada sea 0.95.
c) Sea una variable aleatoria t-student con 20 grados de libertad. Determina el valor de X
que haga que la probabilidad de la cola sea 0.85.

Solución
a) El valor que se pide es aquél que se encuentra en la intersección de la fila que contiene los
grados de libertad y la columna que contiene la probabilidad pedida. Utilizando la tabla 2, se
puede observar que el número que está en la intersección de la fila que tiene 8 grados de
libertad y 0.20 de probabilidad en la cola es 0.889.
b) Como se desea que la probabilidad acumulada sea 0.95 entonces la probabilidad de la cola
será 0.05. Procediendo de manera análoga al inciso anterior, es decir, buscando la fila que
tiene 12 grados de libertad y 0.05 de probabilidad en la cola, se obtiene que el valor pedido
es 1.782.
c) Como se desea determinar el valor que cumple que y éste no está en la
tabla 2, se realiza el cambio a la probabilidad acumulada, es decir, . Al ser la
variable t-student simétrica, el valor también cumple que . Por lo tanto el
valor que aparece en la fila que corresponde a 20 grados de libertad y en la columna que
tiene la probabilidad 0.15 es – de donde se concluye que .

El siguiente teorema será importante para la unidad de Intervalos de Confianza y Pruebas de

Hipótesis:

Teorema. Sea Z una variable aleatoria normal estándar y W una variable con una distribución . Si
Z y W son independientes, entonces la variable aleatoria

tiene una distribución t con n grados de libertad.

Distribución F de Fisher

Se dice que una variable aleatoria X posee distribución F de Fisher (o simplemente F) con grados
de libertad en el numerador y grados de libertad en el denominador si su función de densidad
es:

105
La gráfica de esta distribución es similar a la siguiente gráfica.

Cuando X tiene esta distribución comúnmente es denotado por . El recorrido de la

variable X es . Además, para , la esperanza de X es:

y para la varianza de X es

En la tabla 4 se presentan los valores de la variable aleatoria F de Fisher que originan las
probabilidades 0.01 y 0.05 para la cola de la distribución, es decir, si es una variable aleatoria F
de Fisher con grados de libertad en el numerador, grados de libertad en el denominador y se
desea tener una probabilidad de la cola igual a ( en la tabla 4 solamente se proporciona los
valores de 0.01 y 0.05 para ), entonces la tabla 4 proporciona el valor tal que . Si
se desean encontrar valores que originen probabilidades en la cola diferentes a los mencionados, se
debe recurrir a otras tablas de la distribución F de Fisher. Los números que aparecen en negrita
corresponden al valor mientras que los otros de color normal corresponden al valor
.

Para entender mejor la forma de utilizar la tabla 4 se presentan los siguientes ejemplos.

Ejemplo
a) Sea una variable aleatoria F de Fisher con 5 grados de libertad en el numerador y 6
grados de libertad en el denominador. Determina el valor de que haga que la probabilidad
de la cola sea 0.01.
b) Sea una variable aleatoria F de Fisher con 3 grados de libertad en el numerador y 6
grados de libertad en el denominador. Determina el valor de que haga que la probabilidad
de la cola sea 0.05.

Solución
a) El valor que se pide es aquél que se encuentra en la intersección de la fila que contiene los
grados de libertad del denominador y la columna que contiene los grados de libertad del
numerador. Es importante recordar que como la probabilidad de la cola es
entonces el valor estará indicado con negritas. Utilizando la tabla 4, se puede observar que
el número (en negritas) que está en la intersección de la fila que tiene 6 grados de libertad
con la columna que indica 5 grados de libertad es 8.75.

106
 b) Como , el valor (letra normal) que se pide es el que está en la intersección de la fila
que tiene 6 grados de libertad con la columna que tiene 3 grados de libertad, es decir, el
valor pedido es 4.76.

El siguiente teorema será útil para la unidad de Prueba de Hipótesis:

Teorema. Si y son independientes entonces la variable

tiene una distribución F con grados de libertad en el numerador y grados de libertad en el

denominador.

107
1.6 Aproximaciones de distribuciones discretas vía
distribuciones continuas

En ocasiones hacer los cálculos de probabilidades de variables aleatorias discretas resulta cansado
pues hay que considerar muchos casos como se muestra en el siguiente ejemplo.

Ejemplo
En un canal de comunicación digital, suponga que el número de bits recibidos con error puede
modelarse con una variable aleatoria binomial tal que la probabilidad de que un bit se reciba con
error es . Si se transmiten 16 millones de bits, ¿cuál es la probabilidad de que más de 150
presenten errores?

Solución
Sea X la variable aleatoria que denota el número de errores. Entonces
. Luego la probabilidad pedida es

Evidentemente, el cálculo de la probabilidad no es sencillo y se requirió usar excel para determinar

el valor de la probabilidad pedida. Si no se tuviera un software, se puede usar la distribución
normal para obtener una excelente aproximación del ejemplo anterior fundamentado por el
siguiente teorema.

Teorema. Si , es decir, es una variable aleatoria binomial, entonces

es aproximadamente una variable aleatoria con distribución normal estándar. La aproximación es

buena cuando y .

Recuérdese que para una variable aleatoria binomial X, se tiene que

] y .

Por consiguiente, la expresión de la ecuación anterior no es otra cosa sino la fórmula para
estandarizar la variable aleatoria X. Las probabilidades en las que esté presente X con distribución
binomial pueden aproximarse utilizando una distribución normal estándar, esta aproximación es
buena cuando n es grande y p es pequeña.

Ejemplo
En un canal de comunicación digital, suponga que el número de bits recibidos con error puede
modelarse con una variable aleatoria binomial tal que la probabilidad de que un bit se reciba con
error es . Si se transmiten 16 millones de bits. Determinar la probabilidad de que más de
150 presenten errores utilizando la aproximación a la distribución normal.

Solución
Se tiene que

108
 .

Entonces, (utilizando la tabla 1 de la distribución normal) se tiene que

que es una buena aproximación al resultado 0.772 obtenido en la solución del ejemplo anterior.

Es importante considerar que el recorrido de la variable aleatoria discreta de este ejemplo es

que no coincide con el de la variable aleatoria normal estándar pues éste
es . Por lo que es conveniente hacer una corrección denominada “corrección por
continuidad” debido a lo siguiente:
1. En la variable aleatoria binomial no hay probabilidad entre los valores 150 y 151, por
ejemplo.
2. En la variable aleatoria normal sí hay probabilidad entre los valores 150 y 151.
3. La manera de distribuir las probabilidades entre 150 y 151 que se presentan en la normal
para que sea una “mejor” aproximación de la binomial es considerar que el 150 abarca
hasta 150.5 y que 151 comienza a partir de 150.5 como se muestra en la figura de abajo

B A

150 150.5 151

en otras palabras, hay que repartir la probabilidad del intervalo (150,151) que se
considera para la variable normal en las probabilidades de los puntos 150 (la región B) y
151 (la región A) que son considerados en la variable binomial. Se formaliza esto en el
siguiente ejemplo:

Ejemplo
En un canal de comunicación digital, suponga que el número de bits recibidos con error puede
modelarse con una variable aleatoria binomial tal que la probabilidad de que un bit se reciba con
error es . Si se transmiten 16 millones de bits. Determinar la probabilidad de que más de
150 presenten errores utilizando la “corrección por continuidad” de la aproximación a la
distribución normal.

Solución
Si se desea la probabilidad de obtener más de 150 bits erróneos es lo mismo que se tenga al menos
151 bits erróneos, por lo tanto:

y utilizando la corrección por continuidad se tiene que

109
que es una mejor aproximación al resultado exacto 0.772 obtenido con la binomial.

Otro caso en el que una distribución discreta puede ser aproximada por una distribución normal se
presenta cuando la variable en cuyo caso se tiene el siguiente teorema:

Teorema. Si X es una variable aleatoria Poisson con ] y , entonces

es aproximadamente una variable aleatoria normal estándar. La aproximación es buena para .

Ejemplo
El número de partículas de asbesto en un centímetro cuadrado de polvo sigue una distribución de
Poisson con una media de 1000. Si se analiza un centímetro cuadrado de polvo, ¿cuál es la
probabilidad de encontrar menos de 950 partículas?

Solución
Por hipótesis . Luego la probabilidad exacta es obtenida mediante la distribución Poisson,
con el siguiente cálculo (a través del software excel):

Ahora, si se utiliza la aproximación a la normal con la corrección por continuidad se tiene que:

que es una buena aproximación al valor exacto 0.0542 obtenida utilizando la distribución Poisson.

Se concluye esta unidad presentando un resultado muy importante acerca de la distribución del
promedio de variables aleatorias que tienen la misma distribución y son independientes.

Teorema del límite central

Si se selecciona al azar muestras de n observaciones de una población con media finita  y
desviación estándar , entonces, cuando n es grande, la media muestral

110
tiene una distribución aproximadamente normal con media igual a  y desviación estándar
. La aproximación se vuelve más precisa a medida que n aumenta. Como consecuencia la
variable

se distribuye normal estándar cuando es grande, es decir, su media es cero y su varianza es 1.

Por lo general se considera que es grande cuando .

La importancia del teorema del límite central es doble. Primero explica por qué algunas mediciones
tienden a poseer, aproximadamente una distribución normal. La segunda contribución del teorema
del límite central, y la más importante, es en la inferencia estadística. Muchos estimadores o
estadísticos que se usan (y se verán en la unidad de Intervalos de Confianza y Pruebas de Hipótesis)
para hacer inferencias acerca de los parámetros de una población en la cual se desconoce la
distribución, son sumas o promedios de las observaciones muestrales.

Ejemplo
Para evitar dificultad con las agencias de protección al consumidor, una embotelladora de bebidas
debe estar razonablemente segura de que las botellas de 12 onzas realmente contengan 12 onzas
de bebida. Para inferir si una máquina embotelladora está trabajando satisfactoriamente, se
seleccionan 49 botellas al azar cada hora y se mide la cantidad de bebida en cada botella. Si la
experiencia pasada demuestra que la cantidad de bebida por botella tiene una desviación estándar
de 0.5 onzas y si la máquina está ajustada para producir una cantidad media por botella de 12.1
onzas ¿Cuál es la probabilidad de que la media muestral de las 49 botellas seleccionadas sea
menor que 12 onzas?

Solución
Si se define como el número de onzas que tiene la botella , entonces por hipótesis su media es
y su desviación estándar es para =1,2,…,49. Utilizando el teorema del límite
central la media del promedio de las 49 botellas es y la desviación estándar del
promedio de las 49 botellas, denotada por el símbolo , es:

Por lo tanto, una probabilidad aproximada es:

En otras palabras, si la máquina está ajustada para producir un contenido medio de 12.1 onzas, la
media de la muestra de 49 botellas es menor que 12 onzas con probabilidad aproximadamente
igual a 0.0808, es decir, en el 8.08% de las muestras, el promedio de los contenidos de las botellas
será menor que 12 onzas.

111