MANUAL DE DISTRIBUCIONES

DE PROBABILIDAD

Viridiana Sánchez Vázquez

TECNOLÓGICO NACIONAL DE MÉXICO

Manual de Distribuciones de probabilidad

Viridiana Sánchez Vázquez

 Contenido I

Contenido
Prefacio ............................................................................................................................................................ II
1. Distribuciones de Probabilidad Discretas (Variables aleatorias). ....................................................... 3
1.1 Variable aleatoria discreta. .................................................................................................................................. 4
1.2 Función de probabilidad y de distribución. ...................................................................................................... 4
1.3 Distribución Binomial. ......................................................................................................................................... 5
1.4 Distribución Hipergeométrica............................................................................................................................. 8
1.5 Distribución Geométrica. ..................................................................................................................................... 11
1.6 Distribución Multinomial.................................................................................................................................... 14
1.7 Distribución de Poisson. ...................................................................................................................................... 16
Ejercicios de la unidad................................................................................................................................................ 19
2. Distribuciones de Probabilidad Continuas (Variables aleatorias). ................................................... 21
2.1 Variable aleatoria continua. ............................................................................................................................... 22
2.2 Función de densidad y acumulativa................................................................................................................. 22
2.3 Valor esperado...................................................................................................................................................... 22
2.4 Distribuciones uniforme y exponencial. ......................................................................................................... 23
2.5 Distribución normal. ........................................................................................................................................... 28

2 ........................................................................................................................................................................................................... 34

2 .5 .1 Ap r o x i mac ió n d e l a D is tr ib u ció n b i no mi al a la no r ma l. ................................................................... 36

Ejercicios de la unidad............................................................................................................................................... 38
Apéndice. Tablas estadísticas. ....................................................................................................................... 40
Bibliografía. ..................................................................................................................................................... 42
II Distribuciones de probabilidad

Prefacio
El “Manual de distribuciones de probabilidad” es un escrito académico que fue diseñado pensando en
las necesidades académicas de aprendizaje que tienen, principalmente, los alumnos que estudian
Ingeniería Industrial en cualquier instituto tecnológico perteneciente al Tecnológico Nacional de México
(TecNM) y en particular cuando cursan la materia de probabilidad y estadística. El contenido que se
presenta es resultado de un completo trabajo de investigación y estudio, que se adaptó curricularmente
al temario de la materia antes mencionada.

Aporta al perfil del Ingeniero Industrial los elementos básicos para hacer una descripción de un
fenómeno de interés por medio de la estimación de los estadísticos necesarios para su análisis a partir
de una muestra de estudio seleccionada. Proporciona los elementos para entender los principios
probabilísticos aleatorios que rigen las relaciones tanto a priori como a posteriori del fenómeno bajo
estudio. Permite conocer el comportamiento que asumen los fenómenos más comunes que pueden ser
estudiados por la probabilidad y estadística.

Para profundizar en todos los temas del manual se recomienda al lector informarse en libros
especializados y/o las fuentes bibliográficas que fueron consultadas para la realización de esta obra, de
esa forma podrán nutrir más su conocimiento. Al final de la presente obra, aparece el apéndice con las
tablas estadísticas necesarias para realizar las pruebas analíticas. El manual contiene ejemplos resueltos
paso a paso con el contenido estructural de la materia y ejercicios de repaso que sirven para que el
alumno ponga en práctica el conocimiento que va adquiriendo, diseñados para reforzar el aprendizaje.

Por último, éste trabajo surge con la finalidad de desarrollar en el alumno el autodidactismo y la
facilitación por estudiar materias numéricas, mediante herramientas que se encuentren al alcance de
todos. No se pretende que sustituya al quehacer docente en el aula, pero si puede jugar un papel
fundamental como estrategia para enriquecer el conocimiento de conceptos teórico–prácticos.
1. Distribuciones de
Probabilidad Discretas
(Variables aleatorias).
Competencia específica a desarrollar.

Identifica las funciones de distribución de probabilidad discretas para la solución de problemas de

aplicación en ingeniería industrial y logística.

Función de probabilidad

Variables Discretas

Función de distribución
Variables aleatorias

Binomial

Hipergeométrica

Distribuciones Geométrica

Multinomial

Poisson
4 Probabilidad y Estadística

Las distribuciones de probabilidad discreta describen el comportamiento de una variable aleatoria, sin
importar si ésta se presenta de forma gráfica, tabular o con una fórmula. En la práctica muchas variables
asociadas a experimentos pueden relacionarse a unas cuantas distribuciones de probabilidad
importantes.

La estadística realiza inferencias para poblaciones y sus características, y los resultados de experimentos
se encuentran sujetos al azar. Es importante que se asigne un valor numérico al resultado, estos valores
son cantidades aleatorias determinadas por el resultado del experimento, visto de otro modo, son
valores que toma la variable aleatoria 𝑋.

1.1 Variable aleatoria discreta.

Una variable aleatoria es una función que asocia un número real con cada elemento del espacio
muestral (Walpole et. al, 2012). Se utiliza la letra mayúscula 𝑋 para denotar una variable aleatoria y la
letra minúscula 𝑥 para uno de sus valores. Un espacio muestral discreto contiene un número finito de
posibilidades; y entonces, una variable aleatoria es discreta si se pueden contar todos sus posibles
resultados. Los valores numéricos de una variable aleatoria discreta son números enteros.

1.2 Función de probabilidad y de distribución.

A menudo conviene representar todas las probabilidades de una variable aleatoria 𝑋 con una fórmula,
que sería en función de los valores de 𝑥. Por lo tanto, se escribe

𝑓(𝑥) = 𝑃(𝑋 = 𝑥)

Walpole et. al (2012) explican que el conjunto de pares ordenados (𝑥, 𝑓(𝑥)) se llama función de
probabilidad o distribución de probabilidad de la variable aleatoria discreta 𝑋 si para cada 𝑥 posible
o 𝑓(𝑥) ≥ 0
o ∑ 𝑓(𝑥) = 1
o 𝑓(𝑥) = 𝑃(𝑋 = 𝑥)

En muchas situaciones se quiere calcular la probabilidad de que un valor observado sea menor o igual
que algún número real, es entonces que se utiliza una función de distribución acumulativa, que se
denota por

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)

Valor esperado y varianza de una variable aleatoria discreta

La media de una variable aleatoria es una medida de localización central. El valor esperado de una
variable aleatoria discreta es

𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑓(𝑥)
 Distribuciones de Probabilidad Discretas (Variables aleatorias). 5

Lo que indica la ecuación anterior es que el valor esperado de una variable aleatoria discreta es el
resultado de la multiplicación de cada valor de la variable por su probabilidad correspondiente.

Además del valor esperado es útil considerar una medida de dispersión, para ver qué tan alejados se
encuentran los valores de la variable aleatoria de la media, para ello se puede calcular la varianza, que
para una variable aleatoria discreta es

𝑉𝑎𝑟(𝑋) = 𝜎 2 = ∑(𝑥 − 𝜇)2 𝑓(𝑥)

Para entender mejor el valor numérico de la varianza se calcula la desviación estándar. Que una vez
teniendo 𝑉𝑎𝑟(𝑋) se tiene que sacar su raíz cuadrada.

1.3 Distribución Binomial.

Frecuentemente los resultados de un experimento se pueden clasificar solamente con dos valores, éxito
o fracaso. El proceso para la obtención de datos se conoce como proceso de Bernoulli y cada ensayo es
un experimento de Bernoulli. Este proceso se caracteriza por lo siguiente

o El experimento consta de ensayos repetidos.

o Cada ensayo produce un resultado que se puede clasificar como éxito o fracaso.
o La probabilidad de un éxito permanece constante de un ensayo a otro.
o Los ensayos repetidos son independientes.

Por lo tanto, el número 𝑋 de éxitos en 𝑛 experimentos de Bernoulli se denomina variable aleatoria

binomial (Walpole et. al, 2012). La distribución de probabilidad de esta variable aleatoria discreta se
conoce como distribución binomial y cada uno de sus valores serán representados como 𝑏(𝑥; 𝑛, 𝑝); en la
Figura 1.1 se muestran diversas distribuciones binomiales, obsérvese cómo se comporta la gráfica
dependiendo del tamaño de 𝑛. La distribución de probabilidad de la variable aleatoria binomial 𝑋 es:

𝑏(𝑥; 𝑛, 𝑝) = 𝑃(𝑋 = 𝑥) = 𝑛𝐶𝑥 𝑝 𝑥 𝑞 𝑛−𝑥 𝑥 = 0, 1, 2, … , 𝑛

Donde 𝑝 es la probabilidad de éxito, 𝑞 = 1 − 𝑝 es la probabilidad de fracaso, 𝑥 es la cantidad de éxitos, 𝑛

la cantidad de ensayos y 𝑛𝐶𝑟 es el número de combinaciones de 𝑛 ensayos con 𝑥 éxitos. En la
calculadora se teclea el valor de 𝑛, luego la tecla 𝑛𝐶𝑟 y por último el valor 𝑥. Para calcular los valores
acumulados de la distribución binomial auxíliese de la tabla correspondiente.

p=0.20,
n=5 p=0.2…

0 1 2 3 4 5
0 1 2 3 4 5 6 7
x
x
6 Probabilidad y Estadística

p=0.20, p=0.20,
n=20 n=40

0 1 2 3 4 5 6 7 8 9 10 11 12 0 2 4 6 8 10 12 14 16 18
x x

Figura 1.1. Distribución Binomial para distintos valores de 𝒏 y 𝒑.

Valor esperado y varianza de una variable aleatoria Binomial

La media y la varianza de una distribución binomial depende solo de los valores que toman los
parámetros 𝑛, 𝑝 y 𝑞. La media y la varianza son:
𝐸(𝑋) = 𝑛𝑝 𝑉(𝑋) = 𝑛𝑝𝑞

Por lo tanto, la desviación estándar es 𝜎 = √𝑛𝑝𝑞.

Ejemplo 1.1

Una empresa de llantas prueba un neumático de reciente creación para motocicletas en un terreno
rocoso, los ingenieros encuentran que el 25% de las motocicletas se ponchan durante la prueba. De las
10 siguientes motocicletas de prueba, se calcula la probabilidad que a) 5 tengan ponchaduras, b) más de
7 tengan ponchaduras, c) menos de 3 tengan ponchaduras, d) entre 4 y 7 tengan ponchaduras y e)
¿Cuál es el valor esperado, la varianza y desviación estándar?

𝑝 = 0.25
𝑞 = 1 − 0.25 = 0.75 La distribución de probabilidad de 𝑋 se escribe como:
𝑛 = 10 𝑏(𝑥; 10, 0.25) = 𝑃(𝑋 = 𝑥) = 10𝐶𝑥 0.25𝑥 0.7510−𝑥
𝑥 = 0, 1, 2, … , 10

a) b) Utilizando la tabla Binomial.

5 10−5
𝑃(𝑋 = 5) = 10𝐶5 0.25 0.75
𝑃(𝑋 = 5) = (252)(0.001)(0.2373) = 0.0584
Hay 5.84% de probabilidad de que cinco de las
próximas 10 motocicletas de prueba se ponchen.
𝑃(𝑋 > 7) = 1 − 𝑃(𝑋 ≤ 7)
𝑃(𝑋 > 7) = 1 − 0.9996 = 0.0004
La probabilidad de que más de 7 de las 10
motocicletas de prueba se ponchen es de 0.04%.

c) Utilizando la tabla Binomial. d) Utilizando la tabla Binomial.

𝑃(𝑋 < 3) = 𝑃(𝑋 ≤ 2) = 0.5256 𝑃(4 ≤ 𝑋 ≤ 7) = 𝑃(𝑋 ≤ 7) − 𝑃(𝑋 ≤ 3)
Hay un 52.56% de probabilidades de que en la 𝑃(4 ≤ 𝑋 ≤ 7) = 0.9996 − 0.7759 = 0.2237
Existe una probabilidad de 22.37% de que se
prueba menos de 3 motocicletas se ponchen.
ponches justamente entre 4 y 7 motocicletas de
las 10 de prueba.
e)
𝐸(𝑋) = 10(0.25) = 2.5
 Distribuciones de Probabilidad Discretas (Variables aleatorias). 7

𝑉(𝑋) = 10(0.25)(0.75) = 1.875 Se puede esperar que 2.5 motocicletas se

𝜎 = √1.875 = 1.37
ponchen durante la prueba, con una desviación
estándar de 1.37.
0.30

Probabilidad
En la gráfica de la distribución de 0.20

probabilidad para el número de 0.10

motocicletas ponchadas, se aprecia 0.00

1 2 3 4 5 6 7 8 9 10
que las probabilidades más grandes se
x
encuentran en 2 y 3 ponchaduras.

Ejercicios de repaso.
1.1 Suponga un proceso de producción de cierto componente de acero, del cual se eligen 100 artículos.
Se sabe que hay 5% de probabilidad que salgan defectuosos. Se le pide responder lo siguiente a)
¿Cuál es la probabilidad de que haya exactamente 1 artículo defectuoso?, b) Se ha establecido que
si se encuentran entre 3 y 5 artículos defectuosos se inician actividades de recalibración de la
máquina ¿Cuál es la probabilidad de que esto ocurra? y c) si más de 5 artículos son defectuosos el
proceso debe detenerse ¿Cuál es su probabilidad?

𝑝=
𝑞=
𝑛=

a)
𝑃(𝑋 = 1) =

b)

𝑃(3 ≤ 𝑋 ≤ 5) =

𝑃(𝑋 = 3) =

𝑃(𝑋 = 4) =
8 Probabilidad y Estadística

𝑃(𝑋 = 5) =

𝑃(3 ≤ 𝑋 ≤ 5) =

c)
𝑃(𝑋 > 5) = 1 − 𝑃(𝑋 ≤ 5)
𝑃(𝑋 = 0) =

𝑃(𝑋 = 2) =

𝑃(𝑋 > 5) =

1.4 Distribución Hipergeométrica.

Las aplicaciones de la distribución hipergeométrica son muy similares a las de la distribución binomial; la
única diferencia entre ambas se debe al tipo de muestreo durante la realización del experimento. En la
Figura 1.2 se muestran los dos tipos de muestreo que existen. La distribución hipergeométrica no
requiere independencia y se basa en el muestreo sin reemplazo.

•En este muestreo el artículo inspeccionado es

reemplazado o vuelve a la población después de ser
Con reemplazo observado y antes de elegir al siguiente.
•Eso significa que la probabilidad de elección nunca
cambia.
•Al realizar este muestreo el artículo inspeccionado no
vuelve a la población antes de realizar el siguiente
Sin reemplazo ensayo.
•En este muestreo la probabilidad de elección si va
cambiando.

Figura 1.2. Tipos de muestreo.

Un experimento hipergeométrico posee las siguientes propiedades:

o De una población de 𝑁 artículos se elige una muestra 𝑛 sin reemplazo.

o 𝑟 de los 𝑁 artículos se pueden clasificar como éxitos y 𝑁 − 𝑟 como fracasos.

La variable aleatoria hipergeométrica es denominada por el número 𝑋 de éxitos y la distribución de

probabilidad de esta variable se conoce como distribución hipergeométrica, sus valores se denotan con
ℎ(𝑥; 𝑁, 𝑛, 𝑟).
 Distribuciones de Probabilidad Discretas (Variables aleatorias). 9

𝑟 𝑁−𝑟
( )( )
𝑥 𝑛−𝑥
ℎ(𝑥; 𝑁, 𝑛, 𝑟) = 𝑃(𝑋 = 𝑥) = 0≤𝑥≤𝑟
𝑁
( )
𝑛

Donde 𝑟 es el número de éxitos, 𝑁 es el tamaño de la población o lote y 𝑛 el tamaño de la muestra.

Dependiendo de los valores que tengan estos tres parámetros será el comportamiento de la distribución
de probabilidad hipergeométrica, caso de ello puede apreciarse en la Figura 1.3. En la calculadora para
𝑟
obtener las combinaciones ( ) y demás, se teclea el valor superior (𝑟), luego la tecla 𝑛𝐶𝑟 y por último el
𝑥
valor inferior (𝑥).

N=12, r=3, N=12, r=3,

n=4 n=8

0 1 2 3 0 1 2 3
x x

N=12, r=4,
N=12, r=4,
n=4
n=8

0 1 2 3 4 0 1 2 3 4
x x

Figura 1.3. Distribución Hipergeométrica, bajo distintos valores.

Valor esperado y varianza de una variable aleatoria Hipergeométrica

La media y la varianza de la distribución hipergeométrica viene dada por los valores que toman 𝑁, 𝑛 y 𝑟,
son:
𝑛𝑟 𝑛𝑟 𝑁 − 𝑛 𝑟
𝐸(𝑋) = 𝑉(𝑋) = ( )( ) (1 − )
𝑁 𝑁 𝑁−1 𝑁

Y como ya se sabe, la desviación estándar es la raíz cuadrada de la varianza 𝜎 = √𝑉(𝑋).

Ejemplo 3.2

Una empresa empaca cajas con 40 componentes y, por políticas de calidad, se tiene establecido que si 3
o más son defectuosos se rechaza ese lote. Para realizar la muestra el ingeniero encargado selecciona al
azar 5 componentes, si en todo el lote hay 3 defectuosos ¿Cuál es la probabilidad que a) no encuentre
ninguno defectuoso, b) encuentre exactamente 1 defectuoso, c) encuentre 2 defectuosos, d) encuentre al
menos 1 defectuoso? y e) ¿Cuál es el valor esperado, la varianza y desviación estándar?
10 Probabilidad y Estadística

𝑁 = 40 La distribución de probabilidad de 𝑋 se escribe como:

𝑛=5 3 40−3
( )( )
𝑥 5−𝑥
𝑟=3 ℎ(𝑥; 40, 5, 3) = 𝑃(𝑋 = 𝑥) = 40 0≤𝑥≤3
( )
5

a) b)
3 40 − 3 3 40 − 3
( )( ) 435897 ( )( ) 198135
𝑃(𝑋 = 0) = 0 5 − 0 = = 0.6625 𝑃(𝑋 = 1) = 1 5 − 1 = = 0.3011
40 658008 40 658008
( ) ( )
5 5
La probabilidad de que ningún componente de Hay 30.11% de probabilidad de que solamente 1
la muestra sea defectuoso es del 66.25%. componente de la muestra sea defectuoso.
c) d)
3 40 − 3 𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 = 0)
( )( ) 23310
𝑃(𝑋 = 2) = 2 5 − 2 = = 0.0354 𝑃(𝑋 ≥ 1) = 1 − 0.6625 = 0.3375
40 658008
( ) El ingeniero tiene 33.75% de probabilidades de
5
La probabilidad de que 2 de los 5 componentes encontrar al menos 1 componente defectuoso en
de la muestra sean defectuosos es de solo 3.54% su muestra de tamaño 𝑛 = 5.

0.375 es el promedio de componentes

e)
5(3) defectuosos que se obtienen al tomar muestras,
𝐸(𝑋) = = 0.375
40 con 0.558 de desviación estándar.
5(3) 40 − 5 3
𝑉(𝑋) = ( )( ) (1 − ) = 0.311
40 40 − 1 40
𝜎 = √0.311 = 0.558 1.00
Probabilidad

En la gráfica de la distribución de probabilidad para

0.50
el número de artículos defectuosos encontrados en
el muestreo, se aprecia que la probabilidad más 0.00
grande es para encontrar 0 artículos en la muestra 0 1 2 3

de 5. x

Æjercicio de repaso.

1.2 Una máquina llena 10000 botellas de refresco por hora, de entre las cuales 300 tienen menos
líquido de lo esperado. Cada hora se eligen al azar 30 botellas y se les mide el contenido. Calcule la
probabilidad de encontrar a) 0 botellas con llenado insuficiente, b) 4 botellas con llenado
insuficiente, c) máximo 3 botellas con llenado insuficiente y d) al menos 3 botellas con llenado
insuficiente.

𝑁=
 Distribuciones de Probabilidad Discretas (Variables aleatorias). 11

𝑛=
𝑟=

a)
𝑃(𝑋 = 0) =

b)

𝑃(𝑋 = 5) =

c)
𝑃(𝑋 ≤ 3) =

𝑃(𝑋 = 1) =

𝑃(𝑋 = 2) =

𝑃(𝑋 = 3) =

𝑃(𝑋 ≤ 3) =

d)

𝑃(𝑋 ≥ 3) =

1.5 Distribución Geométrica.

12 Probabilidad y Estadística

Esta distribución es un tipo especial de distribución Binomial negativa. Se utiliza cuando se conoce el
parámetro 𝑝 y se busca encontrar la probabilidad que en cierto ensayo ocurra el primer éxito. Sus
valores se denotan con 𝑔(𝑥; 𝑝); por lo tanto, si se tienen pruebas repetidas independientes, la
distribución de probabilidad de la variable aleatoria 𝑋 es
𝑔(𝑥; 𝑝) = 𝑃(𝑋 = 𝑥) = 𝑝𝑞 𝑥−1 𝑥 = 1, 2, 3, …

Donde 𝑝 es la probabilidad de éxtio, 𝑞 = 1 − 𝑝 la probabilidad de fracaso y 𝑥 es el número de ensayo

del que se obtendrá la probabilidad de que ocurra el primer éxito.

Valor esperado y varianza de una variable aleatoria Geométrica

La media y la varianza de una distribución geométrica depende solamente del parámetro 𝑝. La media
viene dada por
1
𝐸(𝑋) =
𝑝

Mientras que la varianza es

1−𝑝
𝑉(𝑋) =
𝑝2

Entonces, la desviación estándar es 𝜎 = √(1 − 𝑝)/𝑝2 .

Ejemplo 1.3

En una planta empacadora de arroz, se tienen registros que indican que el 25% de todas las
devoluciones de producto se deben a que los empaques llegan rotos. Si el analista de calidad está
inspeccionando determinada cantidad de muestras obtenga la probabilidad que a) la primera bolsa
inspeccionada tenga el empaque roto, obtenga lo mismo para b) la segunda bolsa, c) la tercera, d) la
cuarta y e) ¿Cuál es el valor esperado, la varianza y desviación estándar?

𝑝 = 0.25
𝑞 = 1 − 𝑝 = 1 − 0.25 = 0.75

La distribución de probabilidad de 𝑋 se escribe como:

𝑔(𝑥; 0.25) = 𝑃(𝑋 = 𝑥) = 0.25(0.75) 𝑥−1

a)
𝑃(𝑋 = 1) = 0.25(0.75)1−1 = 0.25

Hay 25% de probabilidad de que justamente la primer ponchadura de la prueba ocurra en la primera
motocicleta que se someta al experimento.

b)

𝑃(𝑋 = 2) = 0.25(0.75)2−1 = 0.1875

 Distribuciones de Probabilidad Discretas (Variables aleatorias). 13

Hay 18.75% de probabilidad de que justamente la primer ponchadura de la prueba ocurra hasta la
segunda motocicleta que se someta al experimento.

c)

𝑃(𝑋 = 3) = 0.25(0.75)3−1 = 0.1406

Hay 14.06% de probabilidad de que justamente la primer ponchadura de la prueba ocurra hasta la
tercera motocicleta que se someta al experimento.

d)

𝑃(𝑋 = 4) = 0.25(0.75)4−1 = 0.1055

Hay 10.55% de probabilidad de que justamente la primer ponchadura de la prueba ocurra hasta la
cuarta motocicleta que se someta al experimento.

0.20
Probabilidad

0.10

0.00
1 3 5 7 9 11 13 15
X

e)
1
𝐸(𝑋) = =4
0.25
1 − 0.25
𝑉(𝑋) = = 12
0.252
Al sacar la raíz cuadrada de 12 se encuentra que:

𝜎 = √12 = 3.464

En promedio se esperaría que el primer éxito ocurra en el ensayo 4 con una desviación estándar de
3.464.

Æjercicio de repaso.

1.3 En cierto restaurante de la ciudad se sabe que el 30% de los clientes compran piden la comida a
domicilio. Si se realiza una encuesta de satisfacción a los clientes, estime la probabilidad a) que el
primer cliente que diga que sí compra su comida a domicilio sea el tercero en encuestar y b) que
sea el quinto.

𝑝=
𝑞=
14 Probabilidad y Estadística

a)

𝑃(𝑋 = 3) =

b)
𝑃(𝑋 = 5) =

1.6 Distribución Multinomial.

Cuando hay más de dos posibles resultados en un experimento Binomial, éste se convierte en un
experimento Multinomial. En general, la distribución Multinomial comprende 𝑘 resultados posibles, cada
uno con probabilidades 𝑝1 , 𝑝2 , … , 𝑝𝑘 . Esta distribución dará la probabilidad de que 𝐸1 ocurra 𝑥1 veces, 𝐸2
ocurra 𝑥2 veces y 𝐸𝑘 ocurra 𝑥𝑘 veces, donde
𝑥1 + 𝑥2 + ⋯ + 𝑥𝑘 = 𝑛

Donde 𝑛 es el total de ensayos independientes. Es una distribución de probabilidad conjunta que se

denota como
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑘 ; 𝑝1 , 𝑝2 , … , 𝑝𝑘 , 𝑛)

Y se debe de cumplir que 𝑝1 + 𝑝2 + ⋯ + 𝑝𝑘 = 1. Por lo tanto, la distribución de probabilidad para las

variables aleatorias 𝑋1 , 𝑋2 , … , 𝑋𝑘 en 𝑛 ensayos independientes es
𝑛 𝑥 𝑥 𝑥
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑘 ; 𝑝1 , 𝑝2 , … , 𝑝𝑘 , 𝑛) = 𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑘 = 𝑥𝑘 ) = (𝑥 , 𝑥 , … , 𝑥 ) 𝑝1 1 𝑝2 2 … 𝑝𝑘 𝑘
1 2 𝑘
𝑛! 𝑥 𝑥 𝑥
= 𝑝 1 𝑝 2 … 𝑝𝑘 𝑘
𝑥1 ! 𝑥2 ! … , 𝑥𝑘 ! 1 2

Valor esperado y varianza de una variable aleatoria Multinomial

La media y la varianza de una distribución multinomial depende del número de ensayos y el parámetro
𝑝𝑖 . La media del evento 𝑖 observado en 𝑛 ensayos viene dada por

𝐸(𝑋) = 𝑛𝑝𝑖

Y la varianza es

𝑉(𝑋) = 𝑛𝑝𝑖 (1 − 𝑝𝑖 )

Por lo tanto, la desviación estándar es 𝜎 = √𝑛𝑝𝑖 (1 − 𝑝𝑖 ).

Ejemplo 1.4

Suponga que los motivos de ponchadura, de las llantas del Ejemplo 2.1, sólo se clasifican en: problemas
de presión, montaje incorrecto y por defectos en la fabricación, con probabilidades de 20, 65 y 15%,
 Distribuciones de Probabilidad Discretas (Variables aleatorias). 15

respectivamente. a) ¿Cuál es la probabilidad que las próximas 10 llantas ponchadas se distribuyan como:
3 por problemas de presión, 6 por montaje incorrecto y 1 por defecto de fabricación? y b) para las tres
clasificaciones ¿Cuál es el valor esperado, la varianza y desviación estándar?

a)
10!
𝑓(3,6,1; 0.20, 0.65,0.15, 10) = 𝑃(𝑋1 = 3, 𝑋2 = 6, 𝑋3 = 1) = 0.203 0.656 0.151 = 0.0760
3! 6! 1!
Sólo hay 7.60% de probabilidad de que las próximas 10 llantas que se ponchen en la prueba se
distribuyan de dicha manera.

b)
𝐸(𝑋) = 10(0.20) = 2 2 llantas en promedio con
Problemas de 𝑉(𝑋) = 10(0.20)(1 − 0.20) = 1.6
𝜎 = √1.6 = 1.265 1.265 de desviación
presión
estándar.
𝐸(𝑋) = 10(0.65) = 6.5 6.5 llantas en promedio con
Montaje 𝑉(𝑋) = 10(0.65)(1 − 0.65) = 2.275
𝜎 = √2.275 = 1.508 1.508 de desviación
incorrecto
estándar.
𝐸(𝑋) = 10(0.15) = 1.5 1.5 llantas en promedio con
Defecto en la 𝑉(𝑋) = 10(0.15)(1 − 0.15) = 1.275
𝜎 = √1.275 = 1.129 1.129 de desviación
fabricación
estándar.

Æjercicio de repaso.

1.4 Suponga que tiene 3 máquinas ensambladoras (𝑀1 , 𝑀2 y 𝑀3 ) que contribuyen en un 30%, 45% y
25% de la producción total, respectivamente. Si se eligen al azar 6 piezas de la última hora de
producción a) ¿Cuál es la probabilidad de que 1 sea de 𝑀1 , 3 sean de 𝑀2 y 2 sean de 𝑀3 ? y b) ¿Cuál
es el valor esperado, la varianza y desviación estándar?

a)
𝑃(𝑋1 = 1, 𝑋2 = 3, 𝑋3 = 2) =

b)
𝐸(𝑋) =
Máquina 1
𝑉(𝑋) =
16 Probabilidad y Estadística

𝜎=
𝐸(𝑋) =
Máquina 2 𝑉(𝑋) =
𝜎=
𝐸(𝑋) =
Máquina 3 𝑉(𝑋) =
𝜎=

1.7 Distribución de Poisson.

Los experimentos que producen resultados numéricos para una variable aleatoria 𝑋 y que ocurren en un
determinado intervalo de tiempo o región específica, se llaman experimentos de Poisson. Esta
distribución puede usarse para calcular la probabilidad correspondiente al número de éxitos en una
región o intervalo específicos, siempre y cuando se conozca el promedio de ocurrencias.

o Un intervalo de tiempo puede ser un minuto, una hora, un día, una semana, un mes, etc.
o Una región específica podría ser un área, un volumen, una pieza, etc.

Para poder realizar experimentos de Poisson se tiene que seguir un proceso de Poisson, que tiene las
siguientes tres propiedades

o No tiene memoria, es decir, los resultados de un intervalo de tiempo o región específica son
independientes de lo que ocurre en otro intervalo o región.
o La probabilidad de que ocurra un resultado en un intervalo o región pequeños es proporcional
al tamaño de la unidad de tiempo o región, y no depende del número de resultados que
ocurren fuera del intervalo de tiempo o región específica.
o La probabilidad de que más de un resultado ocurra en una región o intervalo de tiempo muy
pequeño no es significativa.

El número 𝑋 de resultados durante un experimento de Poisson se llama variable aleatoria de Poisson y,

esos datos, siguen una distribución de Poisson. La tasa de ocurrencia de los resultados se denota por
𝑝(𝑥; 𝜆), véase Figura 1.4. La distribución de probabilidad de la variable aleatoria de Poisson 𝑋 es:

𝑒 −𝜆 (𝜆)𝑥
𝑝(𝑥; 𝜆𝑡) = 𝑃(𝑋 = 𝑥) = 𝑥 = 0, 1, 2, …
𝑥!

Donde 𝜆 es el promedio de ocurrencias o resultados por intervalo o región y 𝑒 = 2.71828 …, con los que
se busca la probabilidad de 𝑥 ocurrencias. El número 𝑒 = 2.71828 … en la calculadora se obtiene con las
combinaciones de teclas 𝐴𝐿𝑃𝐻𝐴 𝑙𝑛. Podría recurrir al uso de la tabla de probabilidad para facilitarse el
cálculo de los valores acumulados de la distribución Poisson.
 Distribuciones de Probabilidad Discretas (Variables aleatorias). 17

λ…
λ=5

0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 9 10 11 12 13
x x

λ… λ=16

0 2 4 6 8 10 12 14 16 18 0 2 4 6 8 10121416182022242628
x x
Figura 1.4. Distribución de Poisson, para distintos valores 𝛌.

Valor esperado y varianza de una variable aleatoria de Poisson

La media y la varianza de una distribución de Poisson dependen sólo del valor que tome 𝜆. La media y
la varianza vienen dadas por:

𝐸(𝑋) = 𝜆 𝑉(𝑋) = 𝜆

Eso implica que, la desviación estándar es 𝜎 = √𝜆.

Ejemplo 1.5

El número promedio de clientes que llegan cada hora a cierto banco ubicado en el centro de la ciudad
es 10. Con esa información se determina la probabilidad que en una hora determinada a) lleguen 5
personas, b) lleguen 9 personas, c) lleguen menos de 4 personas, d) lleguen más de 10 personas y e)
¿Cuál es el valor esperado, la varianza y desviación estándar?

La distribución de probabilidad de 𝑋 se escribe como:

𝜆 = 10 𝑒 −10 (10) 𝑥
𝑝(𝑥; 10) = 𝑃(𝑋 = 𝑥) =
𝑥!
𝑥 = 0, 1, 2, …

a) b)

𝑒 −10 (10)5 4.531 𝑒 −10 (10)9 45399.93

𝑃(𝑋 = 5) = = = 0.0378 𝑃(𝑋 = 9) = = = 0.1251
5! 120 9! 362880
La probabilidad de que al banco lleguen 5 Hay un 12.51% de probabilidad de que al banco
personas en una hora es de 3.78%. lleguen exactamente 9 personas en una hora.
18 Probabilidad y Estadística

c) Utilizando tabla Poisson

𝑃(𝑋 ≤ 3) = 0.0103

La probabilidad de que al banco lleguen en una hora 3 o menos personas es del 1.03%.

d) Utilizando tabla Poisson En la gráfica se muestran las probabilidades de las llegadas

𝑃(𝑋 > 10) = 1 − 𝑃(𝑋 ≤ 10) de clientes al banco, se aprecia que lo más probable es que

𝑃(𝑋 > 10) = 1 − 0.583 = 0.417 lleguen entre 8 y 11 clientes.

Existe un 41.7% de probabilidad de 0.15

Probabilidad
que lleguen más de 10 clientes al 0.10
banco en una hora. 0.05

0.00
1 3 5 7 9 11 13 15 17 19
e) x
𝐸(𝑋) = 10
𝑉(𝑋) = 10 El número medio de clientes que llegan al banco es de 10
𝜎 = √10 = 3.16 con una desviación estándar de 3.16

Æjercicio de repaso.

1.5 Alumnos de primer semestre de ingeniería realizan un experimento en el laboratorio de química y

determinan que el número promedio de partículas que pasan a través de un contador por segundo
es 4. El profesor les pide calcular las siguientes probabilidades: a) que 6 partículas pasen a través del
contador en algún segundo dado, b) que máximo 4 partículas pasen a través del contador en algún
segundo dado y c) que 2 partículas pasen a través del contador en algún segundo dado.

𝜆=

a) b)
𝑃(𝑋 = 6) = 𝑃(𝑋 ≤ 4) =

c)

𝑃(𝑋 = 2) =
 Distribuciones de Probabilidad Discretas (Variables aleatorias). 19

Ejercicios de la unidad.
1.6 Según una investigación realizada durante el 2015, el 40% de los alumnos universitarios trabajan
durante los periodos vacacionales. Si 7 alumnos universitarios se seleccionan de manera aleatoria
¿Cuál es la probabilidad de que a) 5 trabajen en vacaciones, b) ninguno trabaje y c) todos trabajen?
¿Cuál es la probabilidad que d) el tercer alumno seleccionado sea el primero en decir que sí trabaja
durante las vacaciones y e) sea el quinto alumno seleccionado el primero en decir que sí trabaja
durante las vacaciones?
1.7 El 10% de computadoras que tienen instaladas un nuevo procesador salen defectuosas. Si una
tienda departamental tiene un lote de 20 computadoras:
a) ¿Cuántas esperaría usted que salieran defectuosas?
b) ¿Cuál es la probabilidad que el número de computadoras defectuosas sea igual al número
esperado del inciso a?
c) ¿Cuál es la probabilidad de que salgan máximo 5 computadoras defectuosas?
1.8 Usted es el ingeniero a cargo de la recepción e inspección de materia prima en una fábrica
procesadora de alimentos, a la que diariamente llegan 5 envíos. Suponga que la posibilidad que
lleguen más tarde de lo programado es de 0.20 ¿Cuál es la probabilidad a) que ninguno llegue
tarde hoy, b) que exactamente uno llegue tarde, c) que el segundo cargamento del día sea el
primero en llegar tarde y d) que el quinto cargamento del día sea el primero en llegar tarde?
1.9 Usted es subgerente de una empresa que elabora productos químicos, y debe contratar a 5
personas de 100 postulantes, de los cuales 22 tienen título universitario ¿Cuál es la probabilidad que
3 de los que sean contratados tengan un título?
1.10 De los 90 trabajadores del departamento de producción de una empresa, se seleccionan a 8 para
ser enviados a una capacitación sobre un nuevo proceso de producción, 8 de los trabajadores ya
tienen entrenamiento en el nuevo proceso ¿Cuál es la probabilidad que 2 de los seleccionados
tengan algo de conocimiento sobre el proceso?
1.11 Suponga que, de los alumnos que dicen trabajar durante las vacaciones, del Ejercicio 2.6, el 50% lo
hace para pagarse la escuela, el 30% lo hace porque es padre o madre de familia y el 20% restante
simplemente para reunir dinero. Si al azar se eligen 6 alumnos ¿Qué probabilidad hay que 3
trabajen para pagarse la escuela, 2 porque son padres de familia y 1 sólo para ahorrar dinero? ¿Cuál
es el valor esperado, la varianza y desviación estándar?
1.12 Un centro de inspección aduanero cuenta con 3 puestos de revisión. Un ingeniero realiza una
investigación y sus resultados arrojan que lo ideal sería que los porcentajes de servicio de los 3
puestos de revisión sean de 25, 45 y 30%, respectivamente. De los próximos 8 cargamentos que
pasen a revisión ¿Cuál es la probabilidad que se distribuyan en los puestos de revisión de la
20 Probabilidad y Estadística

siguiente manera: 3, 5 y 1, respectivamente? ¿Cuál es el valor esperado, la varianza y desviación

estándar?
1.13 A un centro de atención a clientes llegan un promedio de dos llamadas por minuto y se sabe que
siguen una distribución de Poisson. Si la operadora se levanta de su lugar por un minuto, cuál es la
probabilidad que el número de llamadas que no responda sea:
a) ¿Cero?
b) ¿Por lo menos una?
c) ¿De 3 a 5?
1.14 Las compañías editoras se preocupan mucho por evitar errores en un libro. Sin embargo, algunos
son inevitables. El Lic. Rodríguez, editor de libros de estadística, informa que el promedio de errores
por libro es de 8 ¿Cuál es la probabilidad que se comentan al menos 2 errores en determinado
libro?
1.15 Los registros de inventario en un laboratorio de microbiología dictan que, en promedio, el número
de veces al día que se solicita un artículo específico es 5 ¿Cuál es la probabilidad que en un día
determinado este artículo se pida a) más de 5 veces y b) ninguna vez?
2. Distribuciones de Probabilidad
Continuas (Variables
aleatorias).
Competencia específica a desarrollar.

Aplica las distribuciones de probabilidad para resolver problemas en situaciones correspondientes a

conjuntos de datos de variables aleatorias continuas en la industria.

Función de densidad

Variables Continuas
Variables aleatorias

Función acumulativa

Uniforme

Distribuciones Exponencial

Normal Aproximación Binomial

22 Probabilidad y Estadística

Una característica de las distribuciones continuas es que la probabilidad de que una variable aleatoria
continua tome exactamente algún valor es de 0 y, como consecuencia, no puede representarse
tabularmente. Este tipo de probabilidades se estiman a partir de un intervalo en lugar de un estimador
puntual.

2.1 Variable aleatoria continua.

Una variable aleatoria es una función que asocia un número real con cada elemento del espacio
muestral (Walpole et. al, 2012). Se utiliza la letra mayúscula X para denotar una variable aleatoria y la
letra minúscula x para uno de sus valores. Un espacio muestral continuo contiene un número infinito de
posibilidades; y entonces, una variable aleatoria es continua si no se pueden cuantificar todos sus
posibles resultados, porque puede tomar muchos valores en una escala numérica (por ejemplo, además
de números enteros, valores decimales).

2.2 Función de densidad y acumulativa.

La función 𝑓(𝑥) es una función de densidad de probabilidad para la variable aleatoria continua 𝑋, es
definida en el conjunto de números reales si:

o 𝑓(𝑥) ≥ 0, para toda 𝑥 ∈ 𝑅

∞
o ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
𝑏
o 𝑃(𝑎 < 𝑋 < 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥

Se utilizan áreas debajo de las curvas de distribución para representar probabilidades y éstas son valores
numéricos positivos, la función de densidad debe caer por arriba del eje 𝑥. De esta manera el área bajo
la curva es igual a 1.

En muchas situaciones se quiere calcular la probabilidad de que un valor observado sea menor o que
algún número real, es entonces que se utiliza una función de distribución acumulativa, de una variable
aleatoria continua 𝑋 con función de densidad 𝑓(𝑥).
𝑥
𝐹(𝑥) = 𝑃(𝑋 < 𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 −∞ < 𝑥 < ∞

Como ya se mencionó, las variables aleatorias de tipo continuo pueden distribuirse en el espectro
numérico bajo ciertas curvas, formadas por las funciones de densidad. En esta unidad, se presentan los
modelos teóricos más comunes y que explican el comportamiento de gran variedad de fenómenos
naturales e industriales. Según la distribución que tengan los datos se elegirá el modelo matemático que
mejor se adecúe para calcular probabilidades. Es importante destacar que, ahora, se podrá analizar la
distribución más importante de todas, la distribución Normal.

2.3 Valor esperado.

En el caso de las variables aleatorias continuas el valor esperado es similar al de las variables discretas,
pero en estos casos las sumatorias se remplazan por integrales
 Distribuciones de Probabilidad Continuas (Variables aleatorias). 23

∞
𝐸(𝑋) = ∫ 𝑥𝑓(𝑥) 𝑑𝑥
−∞

La media o valor esperado no ofrecen una descripción completa acerca de la forma de la distribución de
la variable aleatoria, es por ello que también se necesita cuantificar la variabilidad de la distribución. La
varianza de una variable aleatoria continua 𝑋 es
∞
𝑉(𝑋) = ∫ (𝑥 − 𝐸(𝑋))2 𝑓(𝑥) 𝑑𝑥
−∞

La raíz cuadrada de 𝑉(𝑋), se llama desviación estándar de 𝑋 y se denota por la letra 𝜎. La varianza será
mucho menor para un conjunto de valores 𝑥 que estén cercanos a 𝜇, que para un conjunto de valores
que varíe de forma considerable de 𝜇. (Walpole et al., 2012)

2.4 Distribuciones uniforme y exponencial.

Distribución uniforme continua

Es una de las distribuciones continuas más simples que existen, como dice Walpole et al. (2012) debido a
su naturaleza “plana”. Sus aplicaciones no son tan abundantes, pero es la mejor opción cuando se tiene
una variable en la que todos sus posibles comportamientos parecieran ser iguales, y su función de
densidad para el intervalo [𝐴, 𝐵] es
1
𝑓(𝑥; 𝐴, 𝐵) = 𝐴≤𝑥≤𝐵
𝐵−𝐴
Donde 𝐴 y 𝐵 son los valores numéricos que limitan la forma de la distribución. Por lo tanto, la función
de distribución es
𝑥
1 𝑥−𝐴
𝑃(𝑋 ≤ 𝑥) = ∫ 𝑑𝑥 =
𝐴 𝐵−𝐴 𝐵−𝐴

Si se quiere calcular la probabilidad superior y/o entre dos valores, se tiene que
𝐵−𝑥 𝑥2 − 𝑥1
𝑃(𝑋 ≥ 𝑥) = 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) =
𝐵−𝐴 𝐵−𝐴

La función de densidad tiene una forma rectangular, como la Figura 4.1, por eso en muchas ocasiones
también es llamada distribución rectangular. Calcular las probabilidades para esta distribución resulta
relativamente sencillo.

a b
X
Figura 2.1. Distribución Uniforme Continua entre a y b.
24 Probabilidad y Estadística

Valor esperado, varianza y desviación estándar de la distribución uniforme continua

El valor esperado de la distribución uniforme continua dependerá solamente de los valores que tomen
los parámetros 𝐴 y 𝐵, la media es
𝐴+𝐵
𝐸(𝑋) =
2
Y la varianza
(𝐵 − 𝐴)2
𝑉(𝑋) =
12
Por lo tanto, la desviación estándar es 𝜎 = √𝑉(𝑋) = √(𝐵 − 𝐴)2 /2

Ejemplo 4.1

Si se tiene una variable uniforme continua con limitantes 𝐴 = 2 y 𝐵 = 4, se determinará el área que está
a) a la derecha de 3, b) entre 2.5 y 3.5 y c) valor esperado y varianza.

a) b)
𝐵−𝑥 𝑥2 − 𝑥1
𝑃(𝑋 ≥ 𝑥) = 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) =
𝐵−𝐴 𝐵−𝐴
4−3 3.5 − 2.5
𝑃(𝑋 ≥ 3) = 𝑃(2.5 ≤ 𝑋 ≤ 3.5) =
4−2 4−2
𝑃(𝑋 ≥ 3) = 0.50 𝑃(2.5 ≤ 𝑋 ≤ 3.5) = 0.50
0.06 0.06
Densidad

Densidad

0.04 0.04

0.02 0.02

0 0
3 2.5 3.5
X X

c)
𝐴+𝐵 2+4 (𝐵 − 𝐴)2 (4 − 2)2
𝐸(𝑋) = = = 3.00 𝑉(𝑋) = = = 0.33
2 2 12 12

Æjercicio de repaso.

2.1 Suponga que en el Instituto Tecnológico el laboratorio de usos múltiples se puede reservar para
utilizarlo un tiempo máximo de 4 horas. En muchas ocasiones el tiempo de uso supone que la
duración 𝑋 tiene una distribución uniforme en el intervalo [0,4] ¿Cuál es la probabilidad que el
tiempo de uso del laboratorio sea máximo 2 horas? ¿Y que se utilice entre 1.5 y 3 horas?
 Distribuciones de Probabilidad Continuas (Variables aleatorias). 25

𝑃(𝑋 ≤ 𝑥) =

𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) =

Distribución exponencial

Rius y Parras (1997) dicen que esta distribución es el equivalente continuo de la distribución geométrica
(distribución discreta). Su aplicación es útil cuando interesa modelar fenómenos que miden el tiempo
que pasa hasta que ocurre un suceso. Tiene una estrecha relación con los procesos de Poisson, donde la
ocurrencia de dos sucesos consecutivos sigue una distribución exponencial. Su función de densidad es

𝑓(𝑥; 𝜆) = 𝜆𝑒 −𝜆𝑥 𝑥>0

Como se puede observar la distribución exponencial se describe por el parámetro 𝜆, que indica el
número promedio de ocurrencias en un intervalo de tiempo. Si, se tuviera un valor 𝜆 = 1, la curva de la
distribución que calcula la probabilidad que pasen 𝑥 periodos de tiempo entre una ocurrencia y otra
tiene la forma de la Figura 2.2, la función de distribución con la que se calculan probabilidades es

𝑃(𝑋 ≤ 𝑥) = 1 − 𝑒 −𝜆𝑥

En caso contrario

𝑃(𝑋 ≥ 𝑥) = 𝑒 −𝜆𝑥

Si se buscan probabilidades entre dos valores, la función se transforma en

𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = 𝑒 −𝜆𝑥1 − 𝑒 −𝜆𝑥2

Valor esperado, varianza y desviación estándar de la distribución exponencial

El valor esperado de la distribución exponencial depende solo del valor que tome la media de las
ocurrencias, por lo tanto
1
𝐸(𝑋) =
𝜆
26 Probabilidad y Estadística

Y la varianza
1
𝑉(𝑋) =
𝜆2
Por lo tanto, la desviación estándar es 𝜎 = √𝑉(𝑋) = √1/𝜆2

1 2 3 4
X
Figura 2.2. Distribución Exponencial con =1.

Ejemplo 4.2

Si se tiene un proceso en el que ocurre 1 evento cada minuto, en promedio. Se determina la

probabilidad que pasen a) máximo 2 minutos y b) entre 1 y 2 minutos para que ocurra el evento.
Además, c) se obtiene el valor esperado y la varianza de la distribución.

a) 𝑃(𝑋 ≤ 𝑥) = 1 − 𝑒 −𝜆𝑥 b) 𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = 𝑒 −𝜆𝑥1 − 𝑒 −𝜆𝑥2

𝑃(𝑋 ≤ 2) = 1 − 𝑒 −1(2) 𝑃(1 ≤ 𝑋 ≤ 2) = 𝑒 −1(1) − 𝑒 −1(2)
𝑃(𝑋 ≤ 2) = 0.8647 𝑃(1 ≤ 𝑋 ≤ 2) = 0.2325

1.00 1.00
0.80
Densidad
Densidad

0.60
0.50
0.40
0.20
0.00 0.00
2 1 2
X X

c) 1 1 1 1
𝐸(𝑋) = = = 1.00 𝑉(𝑋) = 2
= 2 = 1.00
𝜆 1 𝜆 1

Ejemplo 4.3

En un estudio se determinó que, se forman en promedio 3 personas por minuto en la fila de cajas de un
supermercado. Como encargado del estudio, se estima la probabilidad que pase a) al menos 1 minuto
antes que otra persona se vuelva a formar, b) menos de 30 segundos para que llegue otro cliente a la
fila y c) el valor esperado y la varianza para el tiempo que pasará entre la llegada de dos clientes a las
cajas.
 Distribuciones de Probabilidad Continuas (Variables aleatorias). 27

Se deben convertir todos los valores a la misma unidad de medida para poder realizar los cálculos, por
lo tanto:
3 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 1 𝑚𝑖𝑛𝑢𝑡𝑜 0.05 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠
𝜆= ( )=
1 𝑚𝑖𝑛𝑢𝑡𝑜 60 𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠 𝑠𝑒𝑔𝑢𝑛𝑑𝑜

a) 𝑃(𝑋 ≥ 𝑥) = 𝑒 −𝜆𝑥 b) 𝑃(𝑋 ≤ 𝑥) = 1 − 𝑒 −𝜆𝑥

𝑃(𝑋 ≥ 60) = 𝑒 −0.05(60) 𝑃(𝑋 ≤ 30) = 1 − 𝑒 −0.05(30)
𝑃(𝑋 ≥ 60) = 0.0498 𝑃(𝑋 ≤ 30) = 0.7769

0.04 0.04
Densidad

Densidad
0.02 0.02

0.00 0.00
X 60 30 X

La probabilidad que pasen más de 60 Hay 77.69% de probabilidad que para que
segundos entre la llegada de dos clientes llegue un cliente pasen máximo 30
es 4.98% segundos.

c) 1 1 1 1
𝐸(𝑋) = = = 20 𝑉(𝑋) = 2
= = 400
𝜆 0.05 𝜆 0.052

Æjercicio de repaso.

2.2 Los autobuses que llegan a una pequeña central camionera, con un solo estacionamiento, arriban
en una media de 3 por hora. Si por cuestiones de mantenimiento se tiene que cambiar el
alumbrado del andén y los trabajadores demorarán 15 minutos en realizar la labor ¿Cuál es la
probabilidad a) que llegue un autobús mientras se está cambiando el alumbrado y b) que pasen
más de 25 minutos para que llegue otro autobús a la central camionera?

𝜆=

𝑃(𝑋 ≤ 𝑥) =

X
28 Probabilidad y Estadística

𝑃(𝑋 ≥ 𝑥) =

2.5 Distribución normal.

La distribución normal es la distribución de probabilidad continua más importante de toda la estadística.
Su representación gráfica es la curva en forma de campana como la de la Figura 2.3, denominada curva
normal, la cual explica el comportamiento de muchos fenómenos que ocurren en la investigación, la
naturaleza y la industria.

Z
Figura 2.3. Distribución Normal Estándar.

Cuando una variable aleatoria 𝑋 tiende a seguir la distribución en forma de campana se denomina
variable aleatoria normal; y su notación matemática depende de los parámetros 𝜇 y 𝜎. Por ello, los
valores de densidad de 𝑋 son denotados por
1 1
− 2 (𝑥−𝜇)2
𝑛(𝑥; 𝜇, 𝜎) = 𝑒 2𝜎 −∞ < 𝑥 < ∞
√2𝜋𝜎
Donde 𝜇 es la media de la población y 𝜎 su la desviación estándar. Una curva con desviación estándar
grande tiende a ser más baja y extendida, eso significa que el conjunto de datos es muy variable. La
curva normal tiene las siguientes propiedades:

o La moda es el punto en el eje horizontal donde la curva tiene su punto más alto.
o El área total bajo la curva es igual a 1.
o La curva normal nunca cruza el eje 𝑥, por más que se aleje de la media en cualquier dirección.
o La curva es perfectamente simétrica cuando 𝜇 = 𝑀𝑜 = 𝑀𝑒.

La probabilidad que la variable aleatoria 𝑋 tome un valor entre 𝑎 y 𝑏, se obtiene calculando el área bajo
la curva limitada por las ordenadas 𝑥 = 𝑎 y 𝑥 = 𝑏 y gráficamente se representa por la región sombreada
de la Figura 2.4, matemáticamente esto sería:
 Distribuciones de Probabilidad Continuas (Variables aleatorias). 29

𝑏 𝑏
1 1
− 2 (𝑥−𝜇)2
𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑛(𝑥; 𝜇, 𝜎) 𝑑𝑥 = ∫ 𝑒 2𝜎 𝑑𝑥
𝑎 √2𝜋𝜎 𝑎

a b
X
Figura 2.4. Área bajo la curva normal limitada por a y b.

Como ya se explicó el área bajo la curva de una distribución de datos depende de los valores 𝜇 y 𝜎.
Debido a la infinita cantidad de posibles valores para esos dos parámetros y la dificultad que acarrea la
resolución de las integrales de la función de densidad normal; surge la distribución normal estándar.
Todas las observaciones de cualquier variable aleatoria normal 𝑋 se pueden transformar en un nuevo
conjunto de observaciones de la variable aleatoria normal 𝑍 con 𝜇 = 0 y 𝜎 = 1, donde:
𝑋−𝜇
𝑍=
𝜎
Cada vez que 𝑋 tome un valor 𝑥, su equivalencia correspondiente a 𝑍 esta dada por 𝑧 = (𝑥 − 𝜇)⁄𝜎.
Ahora sí, para calcular de forma más fácil el área bajo la curva normal se utiliza la tabla de la distribución
normal estándar, donde

𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑍 ≤ 𝑧) 𝑃(𝑋 ≥ 𝑥) = 1 − 𝑃(𝑋 ≤ 𝑥) = 1 − 𝑃(𝑍 ≤ 𝑧)

Mientras que

𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = 𝑃(𝑋 ≤ 𝑥2 ) − 𝑃(𝑋 ≤ 𝑥1 ) = 𝑃(𝑍 ≤ 𝑧2 ) − 𝑃(𝑍 ≤ 𝑧1 )

Ejemplo 2.4

Se calcula el área bajo la curva que se localiza a) a la derecha de 𝑧 = 1.84 y b) entre 𝑧 = −1.97 y 𝑧 = 0.86

a) 𝑃(𝑍 ≥ 𝑧) = 1 − 𝑃(𝑍 ≤ 𝑧) b) 𝑃(𝑧1 ≤ 𝑍 ≤ 𝑧2 ) = 𝑃(𝑍 ≤ 𝑧2 ) − 𝑃(𝑍 ≤ 𝑧1 )

𝑃(𝑍 ≥ 1.84) = 1 − 𝑃(𝑍 ≤ 1.84) 𝑃(−1.97 ≤ 𝑍 ≤ 0.86) = 𝑃(𝑍 ≤ 0.86) − 𝑃(𝑍 ≤ −1.97)
𝑃(𝑍 ≥ 1.84) = 1 − 0.9671 𝑃(−1.97 ≤ 𝑍 ≤ 0.86) = 0.8051 − 0.0244
𝑃(𝑍 ≥ 1.84) = 0.0329 𝑃(−1.97 ≤ 𝑍 ≤ 0.86) = 0.7807

0.6 0.6
Densidad

0.4
Densidad

0.4

0.2 0.2

0 0
Z Z
30 Probabilidad y Estadística

Ejemplo 2.5

Utilizando la forma inversa se calcula el valor de 𝑧 que cumpla lo siguiente a) 𝑃(𝑍 > 𝑧) = 0.3015 y b)
𝑃(𝑧 ≤ 𝑍 ≤ −0.18) = 0.4197.

a) b)

𝑃(𝑍 ≥ 𝑧) = 0.3015 𝑃(𝑧 ≤ 𝑍 ≤ −0.18) = 0.4197

𝑃(𝑍 ≤ 𝑧) = 1 − 0.3015 𝑃(𝑍 ≤ 𝑧) = 𝑃(𝑍 ≤ −0.18) − 𝑃(𝑧 ≤ 𝑍 ≤ −0.18)
𝑃(𝑍 ≤ 𝑧) = 0.6985 𝑃(𝑍 ≤ 𝑧) = 0.4286 − 0.4197
𝑧 = 0.52 𝑃(𝑍 ≤ 𝑧) = 0.0089
𝑧 = −2.37

0.4 0.4

0.3 0.3
Densidad
Densidad

0.2 0.2

0.1 0.1

0 0

z z

Æjercicios de repaso.

2.3 Se tiene una variable aleatoria 𝑋 que sigue una distribución normal con 𝜇 = 300 y 𝜎 = 50. Calcule a)
la probabilidad de que 𝑋 tenga un valor mayor que 360 y b) entre 245 y 262.

a) 0.4

𝑃(𝑋 ≥ 360) = 1 − 𝑃(𝑋 ≤ 360) 0.3

Densidad

𝑃(𝑍 ≥ 𝑧) = 1 − 𝑃(𝑍 ≤ 𝑧) 0.2

𝑧= 0.1

0
z
 Distribuciones de Probabilidad Continuas (Variables aleatorias). 31

b) 0.4

𝑃(245 ≤ 𝑋 ≤ 262) = 𝑃(𝑋 ≤ 262) − 𝑃(𝑋 ≤ 245) 0.3

Densidad
𝑃(𝑧1 ≤ 𝑍 ≤ 𝑧2 ) = 𝑃(𝑍 ≤ 𝑧2 ) − 𝑃(𝑍 ≤ 𝑧1 ) 0.2
𝑧1 = 0.1

0
z
𝑧2 =

2.4 Usted está analizando una distribución normal con 𝜇 = 40 y 𝜎 = 6, desea determinar el valor 𝑥 que
tenga a) el 12.51% del área a la izquierda y b) 33% del área a la derecha.

Deberá buscar el porcentaje en los valores de la tabla y determinar 𝑧; luego despeje el valor de 𝑥 en la
fórmula de la distribución normal estándar.

a) b)
𝑧= 𝑧=

𝑥= 𝑥=

0.4 0.4

0.3 0.3
Densidad
Densidad

0.2 0.2

0.1 0.1

0 0
z z
32 Probabilidad y Estadística

2.5 Una marca de batería para automóvil dura en promedio 3 años, con una desviación estándar de 0.5
años. Suponga que la vida de la batería se distribuye normalmente y calcule la probabilidad que
una determinada batería a) dure menos de 2.3 años, b) dure más de 4 años y c) demore entre 2.5 y
3.5 años.

a) 0.4

𝑃(𝑋 ≤ 2.3) = 𝑃(𝑍 ≤ 𝑧) 0.3

Densidad
𝑧= 0.2

0.1

0
z

b) 0.4

𝑃(𝑋 ≥ 4) = 1 − 𝑃(𝑋 ≤ 4) 0.3

Densidad

𝑃(𝑍 ≥ 𝑧) = 1 − 𝑃(𝑍 ≤ 𝑧) 0.2

𝑧= 0.1

0
z
 Distribuciones de Probabilidad Continuas (Variables aleatorias). 33

c) 0.4

𝑃(2.5 ≤ 𝑋 ≤ 3.5) = 𝑃(𝑋 ≤ 3.5) − 𝑃(𝑋 ≤ 2.5) 0.3

Densidad
𝑃(𝑧1 ≤ 𝑍 ≤ 𝑧2 ) = 𝑃(𝑍 ≤ 𝑧2 ) − 𝑃(𝑍 ≤ 𝑧1 ) 0.2
𝑧1 = 0.1

0
z
𝑧2 =

2.6 Una botella de tinta negra para impresora rinde en promedio 2500 impresiones, si se asume una
desviación estándar de 125 hojas, calcule la probabilidad que determinada botella no alcance para
más de 2300 hojas.

𝑃(𝑋 ≤ 2300) = 𝑃(𝑍 ≤ 𝑧) 0.4

𝑧=
0.3
Densidad

0.2

0.1

0
z

2.7 En una red de área local se sabe que la velocidad promedio de descarga es 126 Mb/seg con desvío
estándar de 14. Determine la probabilidad que cuando se vaya a realizar una transferencia de
información la velocidad promedio se encuentre entre 120 y 140 Mb/seg.
34 Probabilidad y Estadística

𝑃(120 ≤ 𝑋 ≤ 140) = 𝑃(𝑋 ≤ 140) − 𝑃(𝑋 ≤ 120) 0.4

𝑃(𝑧1 ≤ 𝑍 ≤ 𝑧2 ) = 𝑃(𝑍 ≤ 𝑧2 ) − 𝑃(𝑍 ≤ 𝑧1 )
0.3

Densidad
𝑧1 =
0.2

0.1
𝑧2 = 0
z

2
Distribuciones de Probabilidad Continuas (Variables aleatorias). 35
36 Probabilidad y Estadística

2.5.1 Aproximación de la Distribución binomial a la

normal.
Ya se estudió la distribución binomial, que es una distribución de probabilidad discreta. Si un problema
implica una muestra de, por ejemplo, 60 resulta ser muy tedioso realizar el cálculo para dicha cantidad.
Por lo tanto, un enfoque más efectivo es aplicar la aproximación de la distribución binomial a la normal.

La distribución normal es una buena aproximación a una distribución discreta cuando ésta última tiende
a una forma de campana simétrica, lo que ocurre cuando los valores de 𝑛 son suficientemente grandes
(véase Figura 2.5). Lind et al. (2008) recomiendan que la aproximación de la normal a la binomial se
utilice cuando 𝑛𝑝 y 𝑛𝑞 sean por lo menos 5. Si se cumple la condición anterior y 𝑋 es una variable
aleatoria binomial con media 𝜇 = 𝑛𝑝 y varianza 𝜎 2 = 𝑛𝑝𝑞, entonces la distribución tiene forma limitante
de:
𝑋 − 𝑛𝑝
𝑍=
√𝑛𝑝𝑞

μ=9,
σ=2.76
6

0 2 4 6 8 10
x 12 14 16 18 20
Figura 2.5. Aproximación de la distribución Binomial a la Normal.

Mientras 𝑛 → ∞, se ajusta a la distribución normal estándar 𝑛(𝑧; 0,1). Al tratar de aproximar una
distribución continua con una discreta, se debe aplicar un factor de corrección de continuidad, que es un
valor de ±0.5 a un valor especificado debido a la búsqueda del área bajo la curva normal, con este
factor de corrección se obtiene la siguiente definición por Walpole et al. (2012): “Sea 𝑋 una variable
aleatoria binomial con parámetros 𝑛 y 𝑝. Para una 𝑛 grande, 𝑋 tiene aproximadamente una distribución
normal con 𝜇 = 𝑛𝑝 y 𝜎 2 = 𝑛𝑝𝑞” y
𝑃(𝑋 ≤ 𝑥) ≈ á𝑟𝑒𝑎 𝑏𝑎𝑗𝑜 𝑙𝑎 𝑐𝑢𝑟𝑣𝑎 𝑛𝑜𝑟𝑚𝑎𝑙 𝑎 𝑙𝑎 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑎 𝑑𝑒 𝑥 + 0.5
𝑥
𝑥 + 0.5 − 𝑛𝑝
𝑃(𝑋 ≤ 𝑥) = ∑ 𝑏(𝑥; 𝑛, 𝑝) = 𝑃 (𝑍 ≤ )
𝑘=0
√𝑛𝑝𝑞

Y la aproximación será buena cuando 𝑛𝑝 y 𝑛𝑞 son por lo menos 5.

Valor esperado, varianza y desviación estándar de la aproximación de la Binomial a la Normal

La media y la varianza dependen solo de los valores que toman los parámetros 𝑛, 𝑝 y 𝑞. Como ya se
explicó anteriormente, la media y la varianza son:

𝐸(𝑋) = 𝜇 = 𝑛𝑝 𝑉(𝑋) = 𝜎 2 = 𝑛𝑝𝑞

 Distribuciones de Probabilidad Continuas (Variables aleatorias). 37

Por lo tanto, la desviación estándar es 𝜎 = √𝑛𝑝𝑞. Valores que forzosamente se calculan en la resolución
de cada situación.

Ejemplo 4.6

Para el ingreso a la educación media superior, este año los alumnos realizan un examen de opción
múltiple que tiene 200 preguntas, cada una tiene 4 posibles respuestas, pero sólo una es correcta. ¿Cuál
es la probabilidad de que solamente adivinando se obtengan de 25 a 30 respuestas correctas para 80 de
las preguntas del examen?

𝑝 = 0.25 24.5 − 20
𝑧= = 1.16
𝑞 = 1 − 0.25 = 0.75 3.873
𝑃(1.16 ≤ 𝑍 ≤ 2.71) = 0.9966 − 0.877
𝑛 = 80
𝑃(1.16 ≤ 𝑍 ≤ 2.71) = 0.1196
𝜇 = 80(0.25) = 20 30.5 − 20
𝑧= = 2.71
3.873
𝜎 = √80(0.25)(0.75) = 3.873

0.4

0.3
Densidad

0.2

0.1

La probabilidad de acertar entre 25 y 30 preguntas, al azar, es de 11.96%.

Æjercicios de repaso.

2.8 Una pizzería se da cuenta que 70% de sus nuevos clientes regresa por segunda vez a comer. ¿Cuál
es la probabilidad que 80 o más clientes regresen a comer durante una semana en la que se
observó a 120 nuevos clientes?

𝑝= 𝑃(𝑍 ≥ 𝑧) = 1 − 𝑃(𝑍 ≤ 𝑧)
𝑞=
𝑛=
𝑧=
𝜇=
𝜎=
38 Probabilidad y Estadística

2.9 Un proceso de producción genera 10% de artículos defectuosos, se eligen al azar 150 piezas cada
hora. La cantidad de defectuosos se denota por 𝑋. Encuentre la probabilidad que en una hora
determinada haya 15 o menos artículos defectuosos.

𝑝= 𝑃(𝑍 ≤ 𝑧)
𝑞=
𝑛=
𝑧=
𝜇=
𝜎=

Ejercicios de la unidad.
2.10 En una planta purificadora de agua se sabe que en promedio llenan 6 garrafones cada hora con la
tapa mal puesta. Si acaban de detectar un garrafón con desperfecto, estime la probabilidad que
pasen entre 10 y 15 minutos para que se vuelva a encontrar otro garrafón mal tapado.
2.11 Usted está a cargo de un proceso de producción de cierto componente, cuya especificación es
3±0.01. Se sabe que estas medidas se distribuyen normalmente con 𝜇 = 3 y 𝜎 = 0.005. Cada
componente que esté fuera de las especificaciones deberá ser rechazado. ¿Qué porcentaje de los
componentes fabricados se rechazarán?
 Distribuciones de Probabilidad Continuas (Variables aleatorias). 39

2.12 El encargado de laboratorio en una fábrica ordena interrumpir el proceso de producción y efectuar
recalibraciones a la máquina si el pH del producto final es mayor de 7.2 o menor de 6.8. Se sabe
que el pH del producto se comporta normalmente con media desconocida y desviación estándar de
0.1. Calcule las siguientes probabilidades
a) De que se interrumpa el proceso con 𝜇 = 7
b) De que se interrumpa el proceso con 𝜇 = 7.05
c) De que se interrumpa el proceso con 𝜇 = 6.95
2.13 Una máquina que llena botellas de refresco se reguló para servir 600 ml. Si el llenado se distribuye
normalmente con una desviación estándar igual a 15 ml
a) ¿Qué fracción de botellas contendrá más de 624 ml?
b) ¿Cuál es la probabilidad de que una botella contenga entre 591 y 609 ml?
c) ¿Cuántas botellas probablemente contendrán más de 600 ml para las siguientes 1000 botellas?
d) ¿Por debajo de cuántos ml estarán el 25% más bajo de botellas?
2.14 Se sabe que el llenado de costales de cemento sigue una distribución normal con 𝜇 = 50.02 y 𝜎 =
0.80. ¿Qué probabilidad existe de que determinado costal contenga más de 52.5 kg? Su comprador
es muy estricto y no acepta costales que pesen menos de 49.5 kg ¿Qué porcentaje de costales
serán rechazados?
2.15 En cierta planta productora de pan en la ciudad de Veracruz, se elaboran barras de pan blanco que
tienen una longitud promedio de 30 cm y una desviación estándar de 2 cm. Si se supone que éstas
medidas se distribuyen normalmente ¿Qué porcentaje de las barras de pan son a) más largas de
31.7 cm, b) más pequeñas que 25.5 cm y c) de entre 29.3 y 33.5 cm?
2.16 El gerente de RH de una empresa aplica una prueba de inglés a los candidatos para cierto puesto,
se requiere que los postulantes alcancen una calificación al menos de 1000 puntos. Si las
calificaciones de la prueba se distribuyen normalmente con media de 885 y desviación estándar de
30, ¿qué porcentaje de los postulantes pasará la prueba?
2.17 Un proceso produce 10% de artículos defectuosos. Si se seleccionan al azar 100 artículos del
proceso ¿Cuál es la probabilidad de que el número de defectuosos a) exceda los 15 y b) sea menor
que 6?
2.18 En una investigación de mercado se concluyó que 20% de los adolescentes prefieren comprar un
celular color blanco sobre cualquier otro color disponible, ¿Cuál es la probabilidad que de los
siguientes 1000 celulares que se vendan sean blancos a) entre 170 y 185 y b) entre 210 y 225?
2.19 Una empresa farmacéutica registra que 5% de las pastillas anticonceptivas que produce no
contienen suficiente cantidad de un determinado ingrediente, eso las hace inservibles. ¿Cuál es la
probabilidad de que menos de 10 pastillas en una muestra de 200 no sirvan?
40 Probabilidad y Estadística

Apéndice. Tablas estadísticas.

A.1 Áreas bajo la curva normal estándar P(Z≤z).
𝑧 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
 Apéndice. Tablas estadísticas. 41

A.1 Áreas bajo la curva normal estándar P(Z≤z).

(Continuación)
𝑧 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
 Bibliografía.
Chávez, Á. (2014). Estadística Administrativa. Puebla: ITSTL.
Levin, R., & Rubin, D. (2004). Estadística para administración y economía. México: PEARSON Educación.
Lind, D., Marchal, W., & Wathen, S. (2008). Estadística aplicada a los negocios y la economía. México:
McGraw-Hill.
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística para administración y economía. México:
CENGAGE Learning.
Devore, J. (2008). Probabilidad y Estadística para ingeniería y ciencias. México: CENGAGE Learning.
Gutiérrez, H., & De la Vara, R. (2009). Control Estadístico de Calidad y Seis Sigma. México: McGraw Hill.
Mendenhall, W., Beaver, R., & Beaver, B. (2010). Introducción a la probabilidad y estadística. México:
CENGAGE Learning.
Montgomery, D., & Hines, W. (1996). Probabilidad y Estadística para ingeniería y administración. México:
Compañía Editorial Continental.
Rius, F., & Parras, L. (1997). Bioestadística: métodos y aplicaciones. Málaga: Servicio de Publicaciones e
Intercambio Científico de la Universidad de Málaga.
Rodríguez, L. (2007). Probabilidad y Estadística básica para ingenieros. Guayaquil: Escuela Superior
Politécnica del Litoral.
Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y estadística para ingeniería y ciencias.
México: Pearson.
Webster, A. (2000). Estadística aplicada a los negocios y la economía. Colombia: McGraw-Hill.