Distribuciones PDF

Distribuciones comúnmente usadas
Emigdio Z.Flores López
2019
Instituto
Tecnologico de
Tijuana
Contenido I
1. Distribución de Bernoulli
2. Distribución binomial
3. Distribución de Poisson
4. Algunas otras distribuciones discretas
5. Distribución normal
6. Distribución lognormal
7. Distribución exponencial
8. Distribución gamma
9. Distribución de Weibull
10. Gráficas de probabilidad
11. El teorema del limite central
12. Simulación
1 155
Distribución de Bernoulli
Definición
Imagine un experimento que tenga dos resultados. Al primero se le llama “éxito” y al otro “fracaso”. La
probabilidad de éxito se denota por p. Por consecuencia, la probabilidad de fracaso es 1 − p. Lo
anterior representa un ensayo de Bernoulli con probabilidad de éxito p.
Para cualquier ensayo de Bernoulli se define a la variable aleatoria X así: Si el experimento propicia
“éxito”, entonces X = 1. De lo contrario, X = 0. De ahí que X sea una variable aleatoria discreta, con
función de masa de probabilidad p(x) definida por
p(0) = P(X = 0) = 1 − p (1)
p(1) = P(X = 1) = p (2)
3 155
Definición
Se dice que la variable aleatoria X sigue una distribución de Bernoulli con parámetro p.
Figura 1: a) Histograma de probabilidad de Bernoulli (0.5). b) Histograma de probabilidad de Bernoulli (0.8).
4 155
Ejemplo
Cuando se lanza al aire una moneda hay una probabilidad de 0.5 de que caiga en “cara”. Sea X = 1 si
la moneda cae en “cara” y X = 0 si cae en “cruz”. ¿Cuál es la distribución de X?
5 155
Ejemplo
Cuando se lanza al aire una moneda hay una probabilidad de 0.5 de que caiga en “cara”. Sea X = 1 si
la moneda cae en “cara” y X = 0 si cae en “cruz”. ¿Cuál es la distribución de X?
Solución
Puesto que X = 1 cuando cae “cara”, ésta es resultado de éxito. La probabilidad de éxito, P(X = 1), es
igual a 0.5. Por tanto, X ∼ Bernoulli(0.5).
5 155
Ejemplo
Diez por ciento de los componentes fabricados mediante determinado proceso está defectuoso. Se
selecciona un componente aleatoriamente. Sea X = 1 si el componente está defectuoso y X = 0 en
cualquier otro caso. ¿Cuál es la distribución de X?
6 155
Ejemplo
Diez por ciento de los componentes fabricados mediante determinado proceso está defectuoso. Se
selecciona un componente aleatoriamente. Sea X = 1 si el componente está defectuoso y X = 0 en
cualquier otro caso. ¿Cuál es la distribución de X?
Solución
La probabilidad de éxito es p = P(X = 1) = 0.1. Por lo que X ∼ Bernoulli(0.1).
6 155
Media y varianza de una variable aleatoria de Bernoulli
Si X ∼ Bernoulli(p), entonces
µX = p (3)
2
σX = p(1 − p) (4)
7 155
Ejemplo
2
Con referencia al ejemplo anterior, determine µX y σX .
8 155
Ejemplo
2
Con referencia al ejemplo anterior, determine µX y σX .
Solución
Puesto que X ∼ Bernoulli(0.1), la probabilidad de éxito p es igual a 0.1. Al usar las ecuaciones 3 y 4,
2
µX = 0.1 y σX = 0.1(1 − 0.1) = 0.09.
8 155
Distribución de Bernoulli– Ejercicios
Ejercicio 1
Un jugador de basquetbol está a punto de rar hacia la parte superior del tablero. La probabilidad de
que anote el ro es de 0.55.
a) Sea X = 1, si anota el ro, si no lo hace, X = 0. Determine la media y la varianza de X.

b) Si anota el ro, su equipo ob ene dos puntos; si lo falla, su equipo no recibe puntos. Sea Y el
número de puntos anotados. ¿Tiene una distribución de Bernoulli? Si es así, encuentre la
probabilidad de éxito. Si no, explique por qué.
c) Determine la media y varianza de Y.
9 155
Ejercicio 2
Cuando se aplica cierto barniz a una superficie de cerámica, 5 % es la probabilidad de que se decolore,
20 % de que se agriete, y 23 % de que se decolore o se agriete, o ambas. Sea X = 1 si se produce una
decoloración y X = 0 en cualquier otro caso; Y = 1 si hay alguna grieta y Y = 0 en cualquier otro
caso; Z = 1 si hay decoloración o grieta, o ambas, y Z = 0 en cualquier otro caso.
a) Sea pX la probabilidad de éxito de X. Determine pX .

b) Sea pY la probabilidad de éxito de Y. Determine pY .
c) Sea pZ la probabilidad de éxito de Z. Determine pZ .
d) ¿Es posible que X y Y sean igual a 1?
e) ¿Es pZ = pX + pY ?
f) ¿Es Z = X + Y? Explique.
10 155
Ejercicio 3
Se lanza al aire una moneda de 1 y de 5 centavos. Sea X = 1 si sale “cara” en la moneda de 1 centavo
y X = 0 en cualquier otro caso. Sea Y = 1 si sale “cara” en la moneda de 5 centavos y Y = 0 en
cualquier otro caso. Sea Z = 1 si sale “cara” en ambas monedas y Z = 0 en cualquier otro caso.
a) Sea pX la probabilidad de éxito de X. Determine pX .

b) Sea pY la probabilidad de éxito de Y. Determine pY .
c) Sea pZ la probabilidad de éxito de Z. Determine pZ .
d) ¿Son X y Y independientes?
e) ¿Es pZ = pX pY ?
f) ¿Es Z = XY? Explique.
11 155
Distribución binomial
Definición
Suponga que se lleva a cabo una serie de n ensayos de Bernoulli, cada uno con la misma probabilidad
de éxito p. Además, suponga que los ensayos son independientes; esto es, que el resultado de un
ensayo no influye en los resultados de alguno de los otros ensayos. Sea la variable aleatoria X igual al
número de éxitos en n ensayos, entonces X ene la distribución binomial con parámetros n y p. La
notación es X ∼ Bin(n, p). X es una variable aleatoria discreta y sus posibles valores son 0, 1, . . . , n.
13 155
Definición
Suponga que se lleva a cabo una serie de n ensayos de Bernoulli, cada uno con la misma probabilidad
de éxito p. Además, suponga que los ensayos son independientes; esto es, que el resultado de un
ensayo no influye en los resultados de alguno de los otros ensayos. Sea la variable aleatoria X igual al
número de éxitos en n ensayos, entonces X ene la distribución binomial con parámetros n y p. La
notación es X ∼ Bin(n, p). X es una variable aleatoria discreta y sus posibles valores son 0, 1, . . . , n.
Resumen
Si se realiza un total de n ensayos de Bernoulli y si
· Los ensayos son independientes
· Cada ensayo ene la misma probabilidad de éxito de p
· X es el numero de éxitos en los n ensayos
entonces X ene la distribución binomial con parámetros n y p, que se denota como X ∼ Bin(n, p).
13 155
Ejemplo
Se lanza al aire diez veces una moneda. Sea X el número de caras que aparecen. ¿Cuál es la
distribución de X?
14 155
Ejemplo
Se lanza al aire diez veces una moneda. Sea X el número de caras que aparecen. ¿Cuál es la
distribución de X?
Solución
Hay diez ensayos de Bernoulli independientes, cada uno con probabilidad de éxito de p = 0.5. La
variable aleatoria X es igual al número de éxitos en los diez ensayos. Por consiguiente,
X ∼ Bin(10, 0.5).
14 155
Consideración
Tip Suponga que una población finita con ene elementos de dos pos, éxitos y fracasos, y que se
extrae una muestra aleatoria simple de una población. Entonces, si el tamaño muestral no es mayor a
5 % de aquélla, se puede u lizar la distribución binomial para modelar el número de éxitos.
15 155
Ejemplo
Un lote con ene varios miles de componentes, de éstos 10 % están defectuosos. Se extraen siete
componentes de la población. Sea X el número de componentes defectuosos en la muestra. ¿Cuál es
la distribución de X?
16 155
Ejemplo
Un lote con ene varios miles de componentes, de éstos 10 % están defectuosos. Se extraen siete
componentes de la población. Sea X el número de componentes defectuosos en la muestra. ¿Cuál es
la distribución de X?
Solución
Puesto que el tamaño muestral es pequeño en comparación con la población (es decir, menor a 5 %),
su número de éxitos representa una distribución binomial. Por tanto, se modela X con la distribución
binomial Bin(7, 0.1).
16 155
Función de masa de probabilidad de una variable aleatoria binomial
Si X ∼ Bin(n, p), la función de masa de probabilidad de X es


 n! px (1 − p)n−x x = 0, 1, . . . , n
p(x) = P(X = x) = x!(n−x)! (5)
0 de otro modo
17 155
Función de masa de probabilidad de una variable aleatoria binomial
Figura 2: a) Histograma de probabilidad Bin(10, 0.4). b) Histograma de probabilidad Bin(20, 0.1).
18 155
Ejemplo
Determine la función de masa de probabilidad de la variable aleatoria X si X ∼ Bin(10, 0.4).

Determine P(X = 5).
19 155
Ejemplo
Determine la función de masa de probabilidad de la variable aleatoria X si X ∼ Bin(10, 0.4).

Determine P(X = 5).
Solución
Se emplea la ecuación 5 con n = 10 y p = 0.4. La función de masa de probabilidad es

 10! (0.4)x (0.6)10−x x = 0, 1, . . . , 10
p(x) = x!(10−x)!
0 de otro modo
10!
P(X = 5) = p(5) = (0.4)5 (0.6)10−5
5!(10 − 5)!
=0.2007
19 155
Ejemplo
Una gran compañía industrial hace un descuento en cualquier factura que se pague en un lapso de 30
días. De todas las facturas, 10 % recibió el descuento. En una auditoría de la compañía se seleccionó
aleatoriamente 12 facturas. ¿Cuál es la probabilidad de que menos de cuatro de las 12 facturas de la
muestra tengan descuento?
20 155
Ejemplo
Una gran compañía industrial hace un descuento en cualquier factura que se pague en un lapso de 30
días. De todas las facturas, 10 % recibió el descuento. En una auditoría de la compañía se seleccionó
aleatoriamente 12 facturas. ¿Cuál es la probabilidad de que menos de cuatro de las 12 facturas de la
muestra tengan descuento?
Solución
Sea X el número de facturas en la muestra que recibe descuento. Entonces X ∼ Bin(12, 0.1). La
probabilidad de que menos de cuatro facturas tengan descuento es P(X ≤ 3). Se consulta la tabla de
probabilidades binomiales de la forma P(X ≤ x) para n ≤ 20 con n = 12, p = 0.1 y x = 3. Se
encuentra que P(X ≤ 3) = 0.974.
20 155
Una variable aleatoria binomial cons tuye la suma de variables aleatorias de
Bernoulli
Suponga que se realiza n ensayos de Bernoulli independientes, cada uno con probabilidad de éxito p.
Sean Y1 , . . . , Yn definidas de la siguiente manera: Yi = 1 si el i-ésimo experimento da como resultado
un éxito, y Yi = 0, de otro modo. Entonces cada una de las variables aleatorias Yi sigue una
distribución Bernoulli(p). Ahora, sea que X represente el número de éxitos en los n ensayos.
Entonces, X ∼ Bin(n, p). Puesto que cada Yi es 0 o 1, la suma Y1 + · · · + Yn es igual al número de los
Yi que enen el valor 1, que es el número de éxitos en los n ensayos. Por tanto, X = Y1 + · · · + Yn .
Esto úl mo demuestra que una variable aleatoria binomial se puede expresar como la suma de
variables aleatorias de Bernoulli. Dicho en otro modo, extraer un solo valor de una población Bin(n, p)
equivale a extraer una muestra de tamaño n de una población Bernoulli(p), y luego sumar los valores
de la muestra.
21 155
La media y varianza de una variable aleatoria binomial
Si X ∼ Bin(n, p), entonces la media y la varianza de X están dadas por
µX = np (6)
2
σX = np(1 − p) (7)
22 155
Incer dumbre en una proporción muestral
Si X ∼ Bin(n, p), entonces la proporción muestral p̂ = X/n se emplea para es mar la probabilidad de
éxito p.
· p̂ no sesgado.
· La incer dumbre en p̂ es √
p(1 − p)
σp̂ = (8)
n
23 155
Ejemplo
Un comisionado de seguridad en una gran ciudad quiere es mar la proporción de edificios en la

ciudad que viola los códigos de incendios. Se elige una muestra aleatoria de 40 edificios para
inspeccionarlos, y se descubre que cuatro no cumplen el código de incendios. Es me la proporción de
edificios en la ciudad que violan éste y encuentre la incer dumbre en la es mación.
24 155
Ejemplo
Un comisionado de seguridad en una gran ciudad quiere es mar la proporción de edificios en la

ciudad que viola los códigos de incendios. Se elige una muestra aleatoria de 40 edificios para
inspeccionarlos, y se descubre que cuatro no cumplen el código de incendios. Es me la proporción de
edificios en la ciudad que violan éste y encuentre la incer dumbre en la es mación.
Solución
Sea p la proporción de edificios en la ciudad que no cumple el código de incendios. El tamaño
muestral (número de ensayos) es n = 40. El número de edificios con violaciones (éxitos) es X = 4. Se
es ma p con la proporción muestral p̂.
X 4
p̂ = = = 0.10
n 40
24 155
Solución (cont...)
Al usar la ecuación 8, la incer dumbre en p̂ es

√
p(1 − p)
σp̂ =
n
Al sus tuir p̂ = 0.1 por p y 40 por n, se ob ene
√
(0.10)(0.90)
σp̂ =
40
=0.047
25 155
Ejemplo
En el ejemplo anterior, ¿cuántos edificios adicionales deben inspeccionarse para que la incer dumbre
de la proporción muestral de los edificios que no cumple el código sea sólo de 0.02?
26 155
Ejemplo
En el ejemplo anterior, ¿cuántos edificios adicionales deben inspeccionarse para que la incer dumbre
de la proporción muestral de los edificios que no cumple el código sea sólo de 0.02?
Solución
√
Se necesita determinar el valor de n de tal forma que σp̂ = p(1 − p)/n = 0.02. Al aproximar p con
p̂ = 0.1, se ob ene √
(0.1)(0.9)
σp̂ = = 0.02
n
Al despejar n se ene que n = 225. Ya se ha señalado 40 edificios, por lo que ahora se necesita indicar
185 más.
26 155
Distribución binomial– Ejercicios
Ejercicio 4
Sea X ∼ Bin(8, 0.4). Determine
a) P(X = 2)
b) P(X = 4)
c) P(X < 2)
d) P(X > 6)
e) µX
2
f) σX
27 155
Ejercicio 5
En un patrón aleatorio de ocho bits u lizado para probar un microcircuito, cada bit ene la misma
probabilidad de ser 0 o 1. Suponga que los valores de los bits son independientes.
a) ¿Cuál es la probabilidad de que todos los bits sean 1?

b) ¿Cuál es la probabilidad de que exactamente tres de los bits sean 1?
c) ¿Cuál es la probabilidad de que al menos seis de los bits sean 1?
d) ¿Cuál es la probabilidad de que al menos dos de los bits sean 1?
28 155
Ejercicio 6
De los pernos manufacturados por cierta aplicación, 90 % sa sface la longitud especificada y se

puede u lizar inmediatamente, 6 % está demasiado largo y sólo se puede usar después de que sea
cortado, y 4 % está demasiado corto y debe desecharse.
a) Determine la probabilidad de que un perno seleccionado aleatoriamente se pueda u lizar

(inmediatamente o después de ser cortados).
b) Determine la probabilidad de que menos de nueve de una muestra de diez pernos se puedan
u lizar (inmediatamente o después de ser cortados).
29 155
Ejercicio 7
Unas figurillas de porcelana se venden a 10 dólares si no enen imperfección, y a 3 dólares si la

presentan. Entre las figurillas de cierta compañía, 90 % no ene imperfecciones y 10 % sí ene. En
una muestra de 100 figurillas ya vendidas, sea Y el ingreso ganado por su venta y X el número de
éstas que no presenta imperfecciones.
a) Exprese Y como una función de X.

b) Determine µY .
c) Determine σY .
30 155
Distribución de Poisson
Definición
Una manera de considerarla es como una aproximación de la distribución binomial cuando n es

grande y p es pequeña. Si X ∼Poisson(λ), entonces
· X es una variable aleatoria discreta, cuyos posibles valores son enteros no nega vos.
· El parámetro λ es una constante posi va.
· La función de masa de probabilidad de X es

e−λ λx si x es un entero no nega vo
x!
p(x) = P(X = x) = (9)
0 de otro modo
· La función de masa de probabilidad de Poisson se aproxima mucho a la función de masa de

probabilidad binomial cuando n es grande, p es pequeña y λ = np.
32 155
Ejemplo
Si X ∼ Poisson(3), calcule P(X = 2), P(X = 10), P(X = 0), P(X = −1) y P(X = 0.5).
33 155
Ejemplo
Si X ∼ Poisson(3), calcule P(X = 2), P(X = 10), P(X = 0), P(X = −1) y P(X = 0.5).
Solución
Cuando se usa la función de masa de probabilidad, con λ = 3, se ob ene
32
P(X = 2) = e−3 = 0.2240
2!
310
P(X = 10) = e−3 = 0.0008
10!
30
P(X = 0) = e−3 = 0.0498
0!
P(X = −1) = 0
P(X = 0.5) = 0
33 155
Media y varianza de una variable aleatoria de Poisson
Si X ∼Poisson(λ), entonces la media y la varianza de X están dadas por
µx = λ (10)
2
σX =λ (11)
34 155
Funciones de masa de probabilidad de Poisson
Figura 3: a) Histograma de probabilidad de Poisson(1), b) Histograma de probabilidad de Poisson(10).
35 155
Ejemplo
Unas par culas están suspendidas en un medio líquido con concentración de seis par culas por mL.
Se agita por completo un volumen grande de la suspensión, y después se extrae 3 mL. ¿Cuál es la
probabilidad de que sólo se re ren 15 par culas?
36 155
Ejemplo
Unas par culas están suspendidas en un medio líquido con concentración de seis par culas por mL.
Se agita por completo un volumen grande de la suspensión, y después se extrae 3 mL. ¿Cuál es la
probabilidad de que sólo se re ren 15 par culas?
Solución
Sea X el número de par culas extraídas. El número promedio de par culas en un volumen de 3 mL es
18. Entonces X ∼ Poisson(18). La probabilidad de que se extraigan sólo 15 par culas es
1815
P(X = 15) =e−18
15!
=0.0786
36 155
Ejemplo
La abuela hornea galletas de chispas de chocolates en grupos de 100. Ella agrega 300 chispas en la
masa. Cuando las galletas están hechas, le ofrece una. ¿Cuál es la probabilidad de que su galleta no
tenga chispas de chocolate?
37 155
Ejemplo
La abuela hornea galletas de chispas de chocolates en grupos de 100. Ella agrega 300 chispas en la
masa. Cuando las galletas están hechas, le ofrece una. ¿Cuál es la probabilidad de que su galleta no
tenga chispas de chocolate?
Solución
Sea X el número de chispas en su galleta. La media del número de chispas es tres en cada galleta, de
forma que X ∼Poisson(3). De ahí que P(X = 0) = e−3 30 /0! = 0.0498.
37 155
Ejemplo
Los nietos de la abuela se han estado quejando de que ella es muy tacaña con las chispas de
chocolate. La abuela acuerda agregar las suficientes chispas a la masa de tal forma que sólo 1 % de las
galletas no tendrá chispas de chocolate. ¿Cuántas chispas debe incluir en la masa de 100 galletas para
lograr su propósito?
38 155
Ejemplo
Los nietos de la abuela se han estado quejando de que ella es muy tacaña con las chispas de
chocolate. La abuela acuerda agregar las suficientes chispas a la masa de tal forma que sólo 1 % de las
galletas no tendrá chispas de chocolate. ¿Cuántas chispas debe incluir en la masa de 100 galletas para
lograr su propósito?
Solución
Sea n el número de chispas que se incluirá en una masa de 100 galletas, y X el número de chispas en
su galleta. La media del número de chispas es 0.01n por cada galleta, por lo que X ∼ Poisson(0.01n).
Se debe determinar el valor de n para el cual P(X = 0) = 0.01. U lizando la función de masa de
probabilidad Poisson(0.01n)
(0.01n)0
P(X = 0) =e−0.01n
0!
=e−0.01n
Al hacer e−0.01n = 0.01, se ob ene que n ≈ 461.
38 155
Uso de la distribución de Poisson para es mar una razón
Proceso de Poisson
· Sea λ la media del número de eventos que ocurre en una unidad de empo o espacio.
· Sea X el número de eventos que ocurre en t unidades de empo o espacio. Entonces si
X ∼ Poisson(λt), λ se es ma con λ̂ = X/t.
39 155
Ejemplo
Una suspensión con ene par culas en una concentración desconocida de λ por mL. Se agita por
completo la suspensión, y después se extraen 4 mL y se cuentan 17 par culas. Es me λ.
40 155
Ejemplo
Una suspensión con ene par culas en una concentración desconocida de λ por mL. Se agita por
completo la suspensión, y después se extraen 4 mL y se cuentan 17 par culas. Es me λ.
Solución
Sea X = 17 el numero de par culas contadas y t = 4 mL el volumen extraído de la suspensión.
Entonces λ̂ = X/t = 17/4 = 4.25 par culas por mL.
40 155
Incer dumbre en la razón es mada
Si X ∼ Poisson(λt) se es ma la razón λ con λ̂ = X

t
.
· λ̂ no es sesgado.
· La incer dumbre en λ̂ es √
λ
σλ̂ = (12)
t
En la prac ca se sus tuye λ̂ por λ en la ecuación 12.
41 155
Ejemplo
Se saca una muestra de 5 mL de una suspensión, y se cuenta 47 par culas. Es me la media del
número de par culas por mL y encuentre la incer dumbre en la es mación.
42 155
Ejemplo
Se saca una muestra de 5 mL de una suspensión, y se cuenta 47 par culas. Es me la media del
número de par culas por mL y encuentre la incer dumbre en la es mación.
Solución
El número de par culas contadas es X = 47. El volumen extraído es t = 5 mL. La media es mada del
número de par culas por mL es
47
λ̂ = = 9.4
5
La incer dumbre en la es mación es
√
λ
σλ̂ =
t
√
9.4
= aproximando λ con λ̂ = 9.4
5
=1.4
42 155
Distribución de Poisson– Ejercicios
Ejercicio 8
Sea X ∼ Poisson(4). Determine
a) P(X = 1)
b) P(X = 0)
c) P(X < 2)
d) P(X > 1)
e) µX
f) σX
43 155
Ejercicio 9
Suponga que 0.03 % de los contenedores plás cos producidos en cierto proceso ene pequeños
agujeros que los dejan inservibles. X representa el número de contenedores en una muestra aleatoria
de 10000 que enen este defecto. Determine
a) P(X = 3)
b) P(X ≤ 2)
c) P(1 ≤ X < 4)
d) µX
e) σX
44 155
Ejercicio 10
El número de mensajes recibidos por el tablero computado de anuncios es una variable aleatoria de
Poisson con una razón media de ocho mensajes por hora.
a) ¿Cuál es la probabilidad de que se reciban cinco mensajes en una hora?

b) ¿Cuál es la probabilidad de que se reciban diez mensajes en 1.5 horas?
c) ¿Cuál es la probabilidad de que se reciban menos de tres mensajes en 1½ horas?
45 155
Ejercicio 11
Mamá y la abuela están horneando, cada una, galletas de chispas de chocolate. Cada una le da dos
galletas. Una de las galletas de mamá ene 14 chispas de chocolate y la otra ene 11. Las galletas de
la abuela enen seis y ocho chispas.
a) Es me la media del número de chispas en una de las galletas de mamá.

b) Es me la media del número de chispas en una de las galletas de la abuela.
c) Determine la incer dumbre en la es mación de las galletas de mamá.
d) Determine la incer dumbre en la es mación de las galletas de la abuela.
e) Es me cuántas chispas más en promedio ene una galleta de mamá en comparación con una
galleta de la abuela. Determine la incer dumbre en la es mación.
46 155
Algunas otras distribuciones discretas
La distribución hipergeométrica
Suponga una población finita que con ene N unidades, de ellas R son clasificadas como éxitos y
N − R como fracasos. Suponga que se extrae n unidades de esta población, y sea X el número de
éxitos en la muestra. Entonces X sigue la distribución hipergeométrica con los parámetros N, R y n,
que se puede denotar como X ∼ H(N, R, n).
La función de masa de probabilidad de X es
   

 RN − R

    

   
 x
 n−x
   máx(0, R + n − N) ≤ x ≤ mín(n, R)
p(x) = P(X = x) = N (13)

  

  

 n


0 de otro modo
donde ( )
n n!
= (14)
k k!(n − k)!
48 155
Ejemplo
De 50 edificios en un parque industrial, 12 no cumplen el código eléctrico. Si se seleccionan

aleatoriamente diez edificios para inspeccionarlos, ¿cuál es la probabilidad de que exactamente tres
de los diez no cumplan el código?
49 155
Ejemplo
De 50 edificios en un parque industrial, 12 no cumplen el código eléctrico. Si se seleccionan

aleatoriamente diez edificios para inspeccionarlos, ¿cuál es la probabilidad de que exactamente tres
de los diez no cumplan el código?
Solución
Sea X el número de edificios seleccionados que violan el código. Entonces, X ∼ H(50, 12, 10). Se debe
determinar P(X = 3). U lizando la ecuación (13),
( )( )
12 38
3 7
P(X = 3) = ( )
50
10
(220)(12620256)
=
10272278170
=0.2703
49 155
Media y varianza de la distribución hipergeométrica
Si X ∼ H(N, R, n) entonces
nR
µX = (15)
N
( )( )( )
R R N−n
2
σX =n 1− (16)
N N N−1
50 155
Ejemplo
Con referencia al ejemplo anterior encuentre la media y la varianza de X.
51 155
Ejemplo
Con referencia al ejemplo anterior encuentre la media y la varianza de X.
Solución
X ∼ H(50, 12, 10), por lo que
(10)(12)
µX =
50
=2.4000
( )( )( )
12 12 50 − 10
2
σX =(10) 1−
50 50 50 − 1
=1.4890
51 155
Distribución geométrica
Suponga que se lleva a cabo una secuencia de ensayos de Bernoulli independientes, cada uno con la
misma probabilidad de éxito p. Sea X el número de experimentos hasta incluir el primer éxito. Por
tanto, X es una variable aleatoria discreta, la cual ene una distribución geométrica con parámetro p.
Se expresa como X ∼ Geom(p).
Si X ∼ Geom(p), entonces la función de masa de probabilidad de X es

p(1 − p)x−1 x = 1, 2, ...
p(x) = P(X = x) =
0 de otro modo
52 155
Ejemplo
Una prueba de resistencia de soldadura consiste en poner carga en uniones soldadas hasta que se dé
una ruptura. Para cierto po de soldadura, 80 % de las rupturas ocurre en la propia soldadura,
mientras que otro 20 % se da en las vigas. Se prueba cierto número de soldaduras. Sea X el número
de pruebas, incluyendo la primera prueba que da como resultado la ruptura de la viga. ¿Cuál es la
distribución de X?
53 155
Ejemplo
Una prueba de resistencia de soldadura consiste en poner carga en uniones soldadas hasta que se dé
una ruptura. Para cierto po de soldadura, 80 % de las rupturas ocurre en la propia soldadura,
mientras que otro 20 % se da en las vigas. Se prueba cierto número de soldaduras. Sea X el número
de pruebas, incluyendo la primera prueba que da como resultado la ruptura de la viga. ¿Cuál es la
distribución de X?
Solución
Cada prueba es un ensayo de Bernoulli, con un éxito definido como la ruptura de una viga. Por
consiguiente, la probabilidad de éxito es p = 0.2. El número de ensayos incluyendo al primer éxito
ene una distribución geométrica con parámetro p = 0.2. Por consecuencia, X ∼ Geom(0.2).
53 155
Media y varianza de una distribución geométrica
Si X ∼ Geom(p), entonces
1
µX = (17)
p
2 1−p
σX = (18)
p2
54 155
Ejemplo
Con referencia al ejemplo anterior, sea X el número de pruebas hechas incluyendo la primera ruptura
de la viga. Determine la media y la varianza de X.
55 155
Ejemplo
Con referencia al ejemplo anterior, sea X el número de pruebas hechas incluyendo la primera ruptura
de la viga. Determine la media y la varianza de X.
Solución
Puesto que X ∼ Geom(p), µX = 1/0.2 = 5, y σX
2
= (1 − 0.2)/(0.22 ) = 20.
55 155
Distribución mul nomial
Un ensayo de Bernoulli representa un proceso que ene dos posibles resultados. Una generalización
del ensayo de Bernoulli cons tuye el experimento mul nomial, que es un proceso con k resultados,
donde k ≥ 2. Por ejemplo, el lanzamiento de un dado es un experimento mul nomial, con seis
posibles resultados: 1, 2, 3, 4, 5, 6. Cada resultado de un experimento mul nomial ene una
probabilidad de ocurrir. Las probabilidades de los k resultados se representan como p1 , . . . , pk . Por
ejemplo, en el lanzamiento de un dado, p1 = p2 = · · · = p6 = 1/6.
Ahora suponga que se realizan n experimentos independientes mul nomiales, cada uno con los
mismos k resultados posibles y con las mismas probabilidades p1 , . . . , pk . Se enumeran los resultados
1, 2, . . . , k. Para cada resultado i, Xi representa el número de ensayos que ene ese resultado.
Entonces X1 , . . . , Xk son variables aleatorias discretas. La colección X1 , . . . , Xk ene una distribución
mul nomial con parámetros n, p1 , . . . , pk . Se expresa como X1 , . . . , Xk ∼ MN(n, p1 , . . . , pk ). Observe
que toda la colección X1 , . . . , Xk sigue la distribución mul nomial, en vez de sólo una Xi .
56 155
Ejemplo
Se inspeccionan las unidades producidas por una línea de ensamble, y se clasifica cada una como
correspondiente (aceptable), inferior o rechazada. En general, 70 % de las unidades son
correspondientes, 20 % son inferiores y 10 % rechazadas. Suponga que se selecciona de forma
independiente y aleatoria cuatro unidades. Sean X1 , X2 , X3 los números entre los cuatro eventos
correspondientes inferiores y rechazados, respec vamente. ¿Cuál es la distribución de X1 , X2 , X3 ?
57 155
Ejemplo
Se inspeccionan las unidades producidas por una línea de ensamble, y se clasifica cada una como
correspondiente (aceptable), inferior o rechazada. En general, 70 % de las unidades son
correspondientes, 20 % son inferiores y 10 % rechazadas. Suponga que se selecciona de forma
independiente y aleatoria cuatro unidades. Sean X1 , X2 , X3 los números entre los cuatro eventos
correspondientes inferiores y rechazados, respec vamente. ¿Cuál es la distribución de X1 , X2 , X3 ?
Solución
Cada unidad es un ensayo mul nomial con tres posibles resultados: correspondiente, inferior y
rechazada. Las probabilidades asociadas con los resultados son p1 = 0.7, p2 = 0.2 y p3 = 0.1. Las
variables aleatorias X1 , X2 , X3 se refieren a los números de cada resultado en los cuatro ensayos
independientes. Por tanto, X1 , X2 , X3 ∼ MN(4, 0.7, 0.2, 0.1).
57 155
Distribución mul nomial
Suponga que se llevan a cabo n experimentos independientes, cada uno ene k resultados posibles.
Sean x1 , . . . , xk el número de ensayos con resultados 1, 2, . . . , k, respec vamente. El número de
arreglos de los resultados entre los n ensayos es
n!
x1 !x2 ! · · · xk !
Si X1 , . . . , Xk ∼ MN(n, p1 , . . . , pk ), entonces la función de masa de probabilidad de X1 , . . . , Xk es
p(x1 , . . . , xk ) =P(X1 = x1 , . . . , Xk = xk ) (19)


 x ∑
n!
px1 px2 · · · pkk xi = 0, 1, 2, . . . , n y xi = n
= x1 !x2 !···xk ! 1 2 (20)
0 de otro modo
58 155
Ejemplo
La alcaptonuria es una enfermedad gené ca que se caracteriza por carencia de una enzima necesaria
para metabolizar al ácido homogen sico. Algunas personas son portadores de aquélla, lo cual significa
que no enen la enfermedad, sino que pueden transmi rla potencialmente a sus hijos. De acuerdo
con las leyes de la herencia gené ca, un hijo, cuyos padres son portadores de alcaptonuria, ene
probabilidad de 0.25 de no tener la enfermedad, 0.5 de ser portador y 0.25 de padecer la
enfermedad. En una muestra de diez hijos de portadores de la alcaptonuria, ¿cuál es la probabilidad de
que tres no la tengan, cinco sean portadores y dos la padezcan?
59 155
Ejemplo
La alcaptonuria es una enfermedad gené ca que se caracteriza por carencia de una enzima necesaria
para metabolizar al ácido homogen sico. Algunas personas son portadores de aquélla, lo cual significa
que no enen la enfermedad, sino que pueden transmi rla potencialmente a sus hijos. De acuerdo
con las leyes de la herencia gené ca, un hijo, cuyos padres son portadores de alcaptonuria, ene
probabilidad de 0.25 de no tener la enfermedad, 0.5 de ser portador y 0.25 de padecer la
enfermedad. En una muestra de diez hijos de portadores de la alcaptonuria, ¿cuál es la probabilidad de
que tres no la tengan, cinco sean portadores y dos la padezcan?
Solución
Sean X1 , X2 , X3 los números entre los diez hijos que no enen la enfermedad, son portadores y la
padecen, respec vamente. Entonces X1 , X2 , X3 ∼ MN(10, 0.25, 0.50, 0.25), por lo que de la ecuación
(20) se ene que
10!
P(X1 = 3, X2 = 5, X3 = 2) = (0.25)3 (0.50)5 (0.25)2
3!5!2!
=(2520)(0.015625)(0.03125)(0.0625)
=0.07690
59 155
Algunas otras distribuciones discretas– Ejercicios
Ejercicio 12
Quince automóviles son llevados a una concesionaria para validar su garan a. Suponga que cinco
presentan graves problemas de motor, mientras que diez enen problemas sin importancia. Se eligen
aleatoriamente seis automóviles para componerlos. ¿Cuál es la probabilidad de que dos tengan graves
problemas?
60 155
Ejercicio 13
La probabilidad de que una computadora que corre cierto sistema opera vo se descomponga en
determinado día es de 0.1. Determine la probabilidad de que la máquina se descomponga por primera
vez en el duodécimo día, después de la instalación del sistema opera vo.
61 155
Ejercicio 14
Si X ∼ Geom(p), ¿cuál es el valor más probable de X?
i) 0
ii) 1/p
iii) p
iv) 1
v) (1 − p)/p2
62 155
Ejercicio 15
En un lote de diez microcircuitos, tres están defectuosos. Se elige aleatoriamente cuatro

microcircuitos para ser probados. Sea X el número de circuitos probados que son defectuosos.
a) Determine P(X = 2).

b) Determine µX .
c) Determine σX .
63 155
Distribución normal
Definición
La distribución normal (también conocida como distribución de Gauss) es la distribución más u lizada
en la estadís ca. Cons tuye un buen modelo para muchas, aunque no para todas las poblaciones
con nuas.
La distribución normal es con nua en vez de discreta. La media de una variable aleatoria normal
puede tener cualquier valor y la varianza cualquier valor posi vo. La función de densidad de
probabilidad de una variable aleatoria normal con media µ y varianza σ 2 está dada por
1 2 2
f(x) = √ e−(x−µ) /2σ (21)
σ 2π
Si X ∼ N(µ, σ 2 ), entonces las media y la varianza de X están dadas por
µX = µ
2
σX = σ2
65 155
Función de densidad
Figura 4: Función de densidad de probabilidad de una variable aleatoria normal con media µ y varianza σ 2 .
66 155
Ejemplo
Suponga que la estatura en una población de mujeres sigue una curva normal con media µ = 64
pulgadas y desviación estándar σ = 3 pulgadas. La estatura de dos mujeres elegidas aleatoriamente
es de 67 y 62 pulgadas, respec vamente. Convierta estas estaturas a unidades estándares.
67 155
Ejemplo
Suponga que la estatura en una población de mujeres sigue una curva normal con media µ = 64
pulgadas y desviación estándar σ = 3 pulgadas. La estatura de dos mujeres elegidas aleatoriamente
es de 67 y 62 pulgadas, respec vamente. Convierta estas estaturas a unidades estándares.
Solución
Una estatura de 67 pulgadas es tres pulgadas mayor que la media de 64, y tres pulgadas es igual a una
desviación estándar. Por tanto, 67 pulgadas es una desviación estándar mayor que la media y
equivalente a una unidad estándar. Una estatura de 62 pulgadas es 0.67 desviaciones estándar menor
que la media, por lo que 62 pulgadas es equivalente a −0.67 unidades estándar.
En general, se convierte a unidades estándar al restar la media y dividir entre la desviación estándar.
Por consiguiente, si x es una unidad seleccionada de una población normal con media µ y varianza σ 2 ,
la unidad estándar equivalente a x es el número z, donde
x−µ
z= puntaje z (22)
σ
67 155
Ejemplo
Las láminas de aluminio u lizadas para fabricar latas de bebida enen un espesor (en milésimas de
pulgada) que se distribuye normalmente con una media de 10 y desviación estándar de 1.3. Una
lámina par cular ene un espesor de 10.8 milésimas de pulgadas. Determine el puntaje z.
68 155
Ejemplo
Las láminas de aluminio u lizadas para fabricar latas de bebida enen un espesor (en milésimas de
pulgada) que se distribuye normalmente con una media de 10 y desviación estándar de 1.3. Una
lámina par cular ene un espesor de 10.8 milésimas de pulgadas. Determine el puntaje z.
Solución
La can dad 10.8 es un dato de una población normal con media µ = 10 y desviación estándar σ = 1.3.
Por consecuencia,
10.8 − 10
z=
1.3
=0.62
68 155
Ejemplo
Determine el área debajo de la curva normal a la izquierda de z = 0.47.
69 155
Ejemplo
Determine el área debajo de la curva normal a la izquierda de z = 0.47.
Solución
De la tabla z, el área es de 0.6808.
69 155
Ejemplo
Determine el área debajo de la curva normal y a la derecha de z = 1.38.
70 155
Ejemplo
Determine el área debajo de la curva normal y a la derecha de z = 1.38.
Solución
De la tabla z, el área a la izquierda de z = 1.38 es de 0.9162. Por tanto, el área a la derecha es
1 − 0.9162 = 0.0838.
70 155
Ejemplo
¿A qué puntaje z corresponde el 75o. percen l de una curva normal? ¿El 25o. percen l? ¿La mediana?
71 155
Ejemplo
¿A qué puntaje z corresponde el 75o. percen l de una curva normal? ¿El 25o. percen l? ¿La mediana?
Solución
Para responder esta pregunta se u liza al revés la tabla z. Se necesita encontrar el puntaje z para el
que 75 % del área de la curva está a la izquierda. A par r del contenido de la tabla, el área más cercana
a 75 % es 0.7486, correspondiente al puntaje z de 0.67. Por tanto, el 75o. percen l es
aproximadamente de 0.67. Por simetría de la curva, el 25o. percen l es z = −0.67 (esto también
puede verse directamente en la tabla). La mediana es z = 0.
71 155
Ejemplo
Un proceso fabrica cojinetes de bolas cuyos diámetros se distribuye normalmente con media de 2.505
cm y desviación estándar de 0.008 cm. Las especificaciones requieren que el diámetro esté dentro del
intervalo 2.5 ± 0.01 cm. ¿Qué proporción de cojinetes de bolas cumple con la especificación?
72 155
Ejemplo
Un proceso fabrica cojinetes de bolas cuyos diámetros se distribuye normalmente con media de 2.505
cm y desviación estándar de 0.008 cm. Las especificaciones requieren que el diámetro esté dentro del
intervalo 2.5 ± 0.01 cm. ¿Qué proporción de cojinetes de bolas cumple con la especificación?
Solución
Sea X el diámetro de un cojinete de bolas seleccionado aleatoriamente. Entonces
X ∼ N(2.505, 0.0082). La figura presenta la función de densidad de probabilidad de la población
N(2.505, 0.0082). El área sombreada representa P(2.49 < X < 2.51), que es la proporción de
cojinetes de bolas que cumplen con la especificación.
Con nua...
72 155
Ejemplo (cont...)
Se calcula los puntajes z:

2.49 − 2.505 2.51 − 2.505
z= = −1.88 z = = 0.63
0.008 0.008
El área a la izquierda de z = −1.88 es 0.0301. El área a la izquierda de z = 0.63 es 0.7357. El área entre
z = 0.63 y z = −1.88 es 0.7357 − 0.0301 = 0.7056. Aproximadamente 70.56 % de los diámetros
sa sface la especificación.
73 155
Es mación de los parámetros de una distribución normal
Los parámetros µ y σ de una distribución normal representan su media y varianza, respec vamente.
Por tanto, si X1 , . . . , Xn son una muestra aleatoria de una distribución N(µ, σ 2 ), µ se es ma con la
media muestral X y σ 2 se es ma con la varianza muestral s2 . Al igual que con cualquier otra media, la
√ √
incer dumbre en X es σ/ n, que será reemplazada con s/ n si no se conoce a σ. Además, µX = µ,
por lo que X es un es mador no sesgado de µ.
74 155
Combinaciones lineales de variables aleatorias independientes normales
Una de las caracterís cas más notables de la distribución normal consiste en que las combinaciones
lineales de variables aleatorias independientes normales son en sí mismas variables aleatorias.
Sean X1 , X2 , . . . , Xn independientes y distribuidas normalmente con medias µ1 , µ2 , . . . , µn y
varianzas σ12 , σ22 , . . . , σn2 . Sean c1 , c2 , . . . , cn constantes, y sea c1 X1 + c2 X2 + · · · + cn Xn una
combinación lineal, entonces
c1 X1 + c2 X2 + · · · + cn Xn ∼ N(c1 µ1 + c2 µ2 + · · · + cn µn , c21 σ12 + c22 σ22 + · · · + c2n σn2 ) (23)
75 155
Ejemplo
En el ar culo “Advances in Oxygen Equivalent Equa ons for Predic ng the Proper es of Titanium
Welds” (D. Harwig, W. I wa ana y H. Castner, en The Welding Journal, 2001: 126s-136s), los autores
proponen una ecuación de equivalencia al oxígeno para predecir la resistencia, duc lidad y dureza de
soldaduras hechas casi de tanio puro. La ecuación es E = 2C + 3.5N + O, donde E es la equivalencia
del oxígeno, y C, N y O las proporciones de peso, en partes por millón, de carbono, nitrógeno y
oxígeno, respec vamente. Suponga que para un nivel par cular de tanio puro comercial, las
can dades C, N y O son aproximadamante independientes y se distribuyen normalmente con medias
µC = 150, µN = 200, µO = 1500 y desviaciones estándar σC = 30, σN = 60, σO = 100. Determine la
distribución de E. Determine P(E > 3000).
76 155
Ejemplo (cont...)
Solución
Puesto que E es una combinación lineal de variables aleatorias normales independientes, su
distribución es normal. Ahora se debe determinar la media y la varianza de E. U lizando la ecuación
23 se calcula
µE =2µC + 3.5µN + 1µO

=2(150) + 3.5(200) + 1(1500)
=2500
σE2 =22 σC
2
+ 3.52 σN
2
+ 12 σO
2
=22 (302 ) + 3.52 (602 ) + 12 (1002 )

=57700
Se concluye que E ∼ N(2500, 57700).

Para calcular P(E > 3000), se calcula el puntaje z: z = (3000−2500)/57700 = 2.08. El área a la
derecha de z = 2.08 debajo de la curva normal es 0.0188. Por tanto, P(E > 3000) = 0.0188.
77 155
Combinaciones lineales de variables aleatorias independientes normales
Sean X1 , . . . , Xn independientes y distribuidas normalmente con media µ y varianza σ 2 , entonces

( )
σ2
X ∼ N µ, (24)
n
Sean X y Y independientes, con X ∼ N(µX , σX

2
) y Y ∼ N(µY , σY
2
), entonces
X + Y ∼ N(µX + µY , σX
2 2
+ σY ) (25)
X − Y ∼ N(µX − µY , σX
2 2
+ σY ) (26)
78 155
Distribución normal– Ejercicios
Ejercicio 16
Determine el área bajo la curva normal
a) A la derecha de z = −0.85.
b) Entre z = 0.40 y z = 1.30.
c) Entre z = −0.30 y z = 0.90.
d) Desde z = −1.50 hasta z = −0.45.
79 155
Ejercicio 17
Las puntuaciones de una prueba estandarizada se distribuyen normalmente con media de 480 y
desviación estándar de 90.
a) ¿Cuál es la proporción de puntuaciones mayores a 700?

b) ¿Cuál es el 25o. percen l de las puntuaciones?
c) Si la puntuación de alguien es de 600, ¿en qué percen l se encuentra?
d) ¿Qué proporción de las puntuaciones se encuentra entre 420 y 520?
80 155
Ejercicio 18
La resistencia de una aleación de aluminio se distribuye normalmente con media de 10 gigapascales

(GPa) y desviación estándar de 1.4 GPa.
a) ¿Cuál es la probabilidad de que una muestra de esta aleación tenga resistencia mayor a 12 GPa?
b) Determine el primer cuar l de la resistencia de esta aleación.
c) Determine el 95o. percen l de la resistencia de esta aleación.
81 155
Ejercicio 19
El volumen de latas llenadas por cierta máquina se distribuye con media de 12.05 onzas y desviación
estándar de 0.03 onzas.
a) ¿Qué proporción de latas con ene menos de 12 onzas?

b) La media del proceso se puede ajustar u lizando calibración. ¿En qué valor debe fijarse la media
para que 99 % de las latas contenga 12 onzas o más?
c) Si la media del proceso sigue siendo de 12.05 onzas, ¿en qué valor debe fijarse la desviación
estándar para que 99 % de las latas contenga 12 onzas o más?
82 155
Distribución lognormal
Definición
Para datos que enen valores a picos, la distribución normal no es apropiada. La distribución
lognormal, que ene relación con la distribución normal, es, a menudo, buena opción para estos
conjuntos de datos.
· Si X ∼ N(µ, σ 2 ), entonces la variable aleatoria Y = eX ene distribución lognormal con

parámetros µ y σ 2 .
· Si Y ene distribución lognormal con parámetros µ y σ 2 , entonces la variable aleatoria X = lnY
ene la distribución N(µ, σ 2 ).
84 155
La función de densidad de probabilidad de una variable aleatoria lognormal con parámetros µ y σ 2 es

 [ ]
 √ 1
exp − 2σ1 2 (lnx − µ)2 si x > 0
f(x) = σx 2π (27)
0 si x ≤ 0
85 155
Figura 5: Función de densidad de probabilidad de la distribución lognormal con parámetros µ = 0 y σ = 1.
86 155
Es mación de los parámetros de una distribución lognormal
Si Y es una variable aleatoria cuya distribución es lognormal con parámetros µ y σ 2 , entonces µ y σ 2

son la media y la varianza, respec vamente, de ln Y. Por tanto, si Y1 , . . . , Yn es una muestra aleatoria
de una población lognormal, primero se transforma a la escala logarítmica, definiendo
X1 = lnY1 , . . . , Xn = lnYn . Ahora X1 , . . . , Xn es una muestra aleatoria de N(µ, σ 2 ). Se es ma µ con
X y σ 2 con la varianza muestral s2X . Al igual que con la media muestral, la incer dumbre en X es
√
σX = σ/ n, y si no se conoce σ, se le es ma con la desviación estándar muestral sX .
87 155
Media y varianza
Media
σ2
E(Y) = eµ+ 2 (28)
y varianza ( )
2 2
V(Y) = e2µ+σ eσ − 1 (29)
88 155
Ejemplo
Los diámetros (en mm) de las semillas de cierta planta siguen una distribución normal. Una muestra
aleatoria de cinco semillas ene los diámetros 1.52, 2.22, 2.64, 2.00 y 1.69. Es me los parámetros µ y σ.
89 155
Ejemplo
Los diámetros (en mm) de las semillas de cierta planta siguen una distribución normal. Una muestra
aleatoria de cinco semillas ene los diámetros 1.52, 2.22, 2.64, 2.00 y 1.69. Es me los parámetros µ y σ.
Solución
Para es mar µ y σ, se sacan los logaritmos de los cinco valores de la muestra, para obtener 0.419,
0.798, 0.971, 0.693 y 0.525. La media muestral es 0.681 y la desviación estándar muestral es 0.218. Por
consecuencia, se es ma que µ̂ = 0.681, σ̂ = 0.218.
89 155
Distribución lognormal– Ejercicios
Ejercicio 20
El empo de vida (en días) de cierto componente electrónico que opera en un ambiente a alta
temperatura sigue una distribución lognormal con µ = 1.2 y σ = 0.4.
a) Determine la media del empo de vida.

b) Determine la probabilidad de que un componente dure entre tres y seis días.
c) Determine la mediana del empo de vida.
d) Determine al 90o. percen l de los empos de vida.
90 155
Distribución lognormal– Ejercicios
Ejercicio 21
El índice de masa corporal (IMC) de una persona se define como la masa corporal de una persona
dividido entre el cuadrado del peso de la persona. El ar culo “Influences of Parameter Uncertain es
within the ICRP 66 Respiratory Tract Model: Par cle Deposi on” (W. Bolch, E. Farfan y colaboradores,
en Health Physics, 2001:378-394) establece que el índice de masa corporal (en kg/m2) en hombres
entre 25-34 años sigue una distribución lognormal con parámetros µ = 3.215 y σ = 0.157.
a) Determine la media del IMC para hombres entre 25 − 34 años.

b) Determine la desviación estándar del IMC para hombres entre 25 − 34 años.
c) Determine la mediana del IMC para hombres entre 25 − 34 años.
d) ¿Qué proporción de hombres entre 25 − 34 años ene un IMC menor a 22?
e) Encuentre el 75o. percen l de IMC para hombres entre 25 − 34 años.
91 155
Distribución exponencial
Definición
La distribución exponencial es una distribución con nua que algunas veces se u liza para modelar el
empo que transcurre antes de que ocurra un evento. A menudo, a aquél se le llama empo de
espera. En algunas ocasiones la distribución exponencial se u liza para modelar el empo de vida de
un componente. Asimismo, hay una relación cercana entre la distribución exponencial y la
distribución de Poisson.
La función de densidad de probabilidad de la distribución exponencial con parámetro λ > 0 es

λe−λx x>0
f(x) = (30)
0 x≤0
93 155
Figura 6: Gráficas de la función de densidad de probabilidad exponencial para varios valores de λ.
94 155
Función acumula va
Si X ∼ Exp(λ), la función de distribución acumula va de X es


1 − e−λx x>0
F(x) = P(X ≤ x) = (31)
0 x≤0
Si X ∼ Exp(λ), entonces
1
µX = (32)
λ
2 1
σX = 2 (33)
λ
95 155
Ejemplo
Si X ∼ Exp(2), encuentre µX , σX
2
y P(X ≤ 1).
96 155
Ejemplo
Si X ∼ Exp(2), encuentre µX , σX
2
y P(X ≤ 1).
Solución
2
Se calcula µX y σX a par r de las ecuaciones 32 y 33, sus tuyendo λ = 2. Se ob ene
2
µX = 0.5, σX = 0.25. U lizando la ecuación 31, se ene que
P(X ≤ 1) = 1 − e−2(1) = 0.865
96 155
La distribución exponencial y el proceso de Poisson
Si los eventos siguen un proceso de Poisson con un parámetro de razón λ, y si T representa el empo
de espera desde cualquier punto inicial hasta el próximo evento, entonces T ∼ Exp(λ).
97 155
Ejemplo
Una masa radiac va emite par culas de acuerdo con un proceso de Poisson a una media de razón de
15 par culas por minuto. En algún punto inicia un reloj. ¿Cuál es la probabilidad de que transcurran
cinco segundos antes de la siguiente emisión? ¿Cuál es la media del empo de espera hasta que se
emite la siguiente par cula?
98 155
Ejemplo
Una masa radiac va emite par culas de acuerdo con un proceso de Poisson a una media de razón de
15 par culas por minuto. En algún punto inicia un reloj. ¿Cuál es la probabilidad de que transcurran
cinco segundos antes de la siguiente emisión? ¿Cuál es la media del empo de espera hasta que se
emite la siguiente par cula?
Solución
El empo se medirá en segundos. T denota el empo en segundos que transcurre antes de que se
emita la siguiente par cula. La media de la razón de las emisiones es de 0.25 por segundo, por lo que
el parámetro de razón es λ = 0.25 y T ∼ Exp(0.25). La probabilidad de que transcurran más de cinco
segundos antes de la siguiente emisión es igual a
P(T > 5) =1 − P(T ≤ 5)

=1 − 1(1 − e−0.25(5) )
=e−1.25
=0.2865
1
La media del empo de espera es µT = 0.25
= 4.
98 155
Propiedad de falta de memoria
Si T ∼ Exp(λ), y t y s son números posi vos, entonces
P(T > t + s|T > s) = P(T > t)
99 155
Ejemplo
El empo de vida de un circuito integrado par cular ene una distribución exponencial con media de
dos años. Encuentre la probabilidad de que el circuito dure más de tres años.
100 155
Ejemplo
El empo de vida de un circuito integrado par cular ene una distribución exponencial con media de
dos años. Encuentre la probabilidad de que el circuito dure más de tres años.
Solución
Sea T el empo de vida del circuito. Dado que µT = 2, λ = 0.5. Se necesita encontrar P(T > 3).
P(T > 3) =1 − P(T ≤ 3)

=1 − (1 − e−0.5(3) )
=e−1.5
=0.223
100 155
Ejemplo
Con referencia al ejemplo anterior, suponga que actualmente un circuito ene cuatro años y aún
funciona. Determine la probabilidad de que funcione tres años más. Compárela con la probabilidad de
que un circuito nuevo funcione tres años más, la cual se calculó en el ejemplo anterior.
101 155
Ejemplo
Con referencia al ejemplo anterior, suponga que actualmente un circuito ene cuatro años y aún
funciona. Determine la probabilidad de que funcione tres años más. Compárela con la probabilidad de
que un circuito nuevo funcione tres años más, la cual se calculó en el ejemplo anterior.
Solución
Se pide que el empo de vida de un circuito sea más de cuatro años y se ene que calcular la
probabilidad de que el empo de vida sea mayor que 4 + 3 = 7 años. La probabilidad está dada por
P(T > 7 y T > 4)
P(T > 7|T > 4) =
P(T > 4)
101 155
Ejemplo (cont...)
Solución (cont...)
Si T > 7, entonces también T > 4. Por consecuencia, P(T > 7 y P > 4) = P(T > 7). De ahí que
P(T > 7)
P(T > 7|T > 4) =
P(T > 4)
e−0.5(7)
=
e−0.5(4)
=e−0.5(3)
=e−1.5
=0.223
102 155
Uso de la distribución exponencial para es mar una razón
Si X1 , . . . , Xn es una muestra aleatoria de Exp(λ), entonces el parámetro λ se es ma con

1
λ̂ = (34)
X
Este es mador es sesgado. El sesgo es aproximadamente igual a λ/n. La incer dumbre en σ̂ se es ma
con
1
σλ̂ = √ (35)
X n
Este es mador de la incer dumbre es razonablemente bueno cuando el tamaño muestral es mayor a
20.
103 155
Distribución exponencial– Ejercicios
Ejercicio 22
T ∼ Exp(0.45). Determine
a) µT
2
b) σT
c) P(T > 3)
d) La mediana de T.
104 155
Ejercicio 23
Una inves gadora de catalizadores afirma que los diámetros, en micrones, de los poros de un nuevo
producto que ella ha fabricado sigue una distribución exponencial con parámetro λ = 0.25.
a) ¿Cuál es la media del diámetro de los poros?

b) ¿Cuál es la desviación estándar de los diámetros de los poros?
c) ¿Qué proporción de los poros ene un diámetro menor a tres micrones?
d) ¿Qué proporción de los poros ene un diámetro mayor a 11 micrones?
e) ¿Cuál es la mediana del diámetro de los poros?
f) ¿Cuál es el tercer cuar l de los diámetros de los poros?
g) ¿Cuál es el 99o. percen l de los diámetros de los poros?
105 155
Ejercicio 24
Cierto po de componente puede ser comprado nuevo o viejo. El 50 % de los componentes nuevos
duran más de cinco años, pero sólo 30 % de los usados dura más de cinco años. ¿Sería posible que las
duraciones de los componentes se distribuyan exponencialmente? Explique.
106 155
Distribución gamma
Distribución gamma
La función gamma
Para r > 0, la función gamma está definida por

∫ ∞
Γ(r) = tr−1 e−t dt (36)
0
La función gamma ene las siguientes propiedades:
1. Si r es un entero, entonces Γ(r) = (r − 1)!

2. Para cualquier r, Γ(r + 1) = rΓ(r)
√
3. Γ(1/2) = π
Distribución gamma
La función de densidad de probabilidad de la distribución gamma con parámetros r > 0 y λ > 0 es

 λr xr−1 e−λx x>0
Γ(r)
f(x) = (37)
0 x≤0
108 155
Distribución gamma
Figura 7: Función de densidad de probabilidad gamma para varios valores de r y λ.
109 155
Distribución gamma
Media y varianza de la distribución gamma
Si X1 , . . . , Xn son variables aleatorias independientes, cada una se distribuye como Exp(λ), entonces
la suma X1 + · · · + Xr se distribuye como Γ(r, λ).
Si X ∼ Γ(r, λ), entonces
r
µX = (38)
λ
2 r
σX = 2 (39)
λ
110 155
Distribución gamma
Función acumula va
Si T ∼ Γ(r, λ) y r es un entero posi vo, la función de distribución acumula va de T está dada por

1 − ∑r−1 e−λx (λx)j x>0
j=0 j!
F(x) = P(T ≤ x) = (40)
0 x≤0
111 155
Distribución gamma
Casos especiales de la distribución gamma
A una distribución gamma en la cual el parámetro r es un entero posi vo se le denomina algunas

veces distribución de Erlang. Si r = k/2 donde k es un entero posi vo, a la distribución Γ(r, 1/2) se le
llama distribución X2 con k grados de libertad.
112 155
Distribución gamma
Ejemplo
Suponga que los empos de llegada a una ventanilla de toma de órdenes desde el automóvil sigue un
proceso de Poisson con media de razón = 0.2 llegadas por minuto. Sea T el empo de espera hasta
la tercera llegada. Determine la media y varianza de T. Encuentre P(T ≤ 20).
113 155
Distribución gamma
Ejemplo (cont...)
Solución
La variable aleatoria T se distribuye Γ(3, 0.2). U lizando las ecuaciones 38 y 39 se calcula
µT = 3/0.2 = 15 y σT 2
= 3/(0.22 ) = 75. Para calcular P(T ≤ 20) se sigue la siguiente lógica: T ≤ 20
significa que el tercer evento ocurrirá dentro de 20 minutos. Esto es lo mismo que si se dijera que el
número de eventos que ocurren dentro de 20 minutos es mayor que o igual a tres. Ahora, sea X el
número de eventos que ocurren dentro de 20 minutos. Lo que se ha dicho es que
P(T ≤ 20) = P(X ≥ 3). Ahora la media de X es (20)(0.2) = 4 y X ene una distribución de Poisson,
por lo que X ∼ Poisson(4). De ahí que
P(T ≤ 20) =P(X ≥ 3)

=1 − P(X ≤ 2)
=1 − [P(X = 0) + P(X = 1) + P(X = 2)]
( )
40 41 42
=1 − e−4 + e−4 + e−4
0! 1! 2!
=1 − (e−4 + 4e−4 + 8e−4 )
=0.7619
114 155
Distribución de Weibull
Definición
La distribución de Weibull cons tuye una distribución con nua que se u liza en varias situaciones.
Una aplicación común es modelar los empos de vida de componentes, como cojinetes, cerámica,
capacitores y dieléctricos.
La función de densidad de probabilidad de la distribución de Weibull es

αβ α xα−1 e−(βx)α x>0
f(x) = (41)
0 x≤0
La función de distribución acumula va de Weibull se puede calcular al integrar la función de densidad

de probabilidad:
∫
 x αβ α tα−1 e−(βt)α dt = 1 − e−(βx)α x>0
F(x) = P(X ≤ x) = 0
(42)
0 x≤0
116 155
Figura 8: La función de densidad de probabilidad de Weibull para varias elecciones de α y β.
117 155
Media y varianza de la distribución de Weibull
Si X ∼ Weibull(α, β), entonces ( )

1 1
µX = Γ 1 + (43)
β α
{ ( ) [ ( )]2 }
1 2 1
2
σX = 2 Γ 1 + − Γ 1+ (44)
β α α
Para el caso especial de que 1/α sea un entero, entonces
[( ) ] {( ) [( ) ]2 }
1 1 1 2 1
µX = 2
! , σX = 2 !− !
β α β α α
118 155
Ejemplo
En el ar culo “Snapshot: A Plot Showing Program through a Device Development Laboratory” (D.
Lambert, J. Landwehr y M. Shyu, en Sta s cal Case Studies for Industrial Process Improvement,
ASA-SIAM, 1997), los autores sugieren u lizar una distribución de Weibull para modelar la duración
de un proceso de horneado en la fabricación de un semiconductor. Sea T la duración en horas del
proceso de horneado de una muestra elegida aleatoriamente. Si T ∼ Weibull(0.3, 0.1), ¿cuál es la
probabilidad de que el proceso de horneado dure más de cuatro horas? ¿Cuál es la probabilidad de
que dure entre dos y siete horas?
119 155
Ejemplo (cont...)
Solución
Se u liza la función de distribución acumula va, ecuación 42. Al sus tuir 0.3 por α y 0.1 por β, se
ene
0.3
P(T ≤ t) = 1 − e−(0.1t)
En consecuencia,
P(T > 4) =1 − P(T ≤ 4)

0.3
=1 − (1 − e−[(0.1)(4)] )
0.3
=e−(0.4 )
=e−0.7597
=0.468
120 155
Ejemplo (cont...)
Solución (cont...)
La probabilidad de que el proceso dure entre dos y siete horas es
P(2 < T < 7) =P(T ≤ 7) − P(T ≤ 2)

0.3 0.3
=(1 − e−[(0.1)(7)] ) − (1 − e−[(0.1)(2)] )
0.3 0.3
=e−[(0.1)(2)] − e−[(0.1)(7)]
0.3 0.3
=e−(0.2) − e−(0.7)
=e−0.6170 − e−0.8985
=0.132
121 155
Distribución de Weibull– Ejercicios
Ejercicio 25
Sea T ∼ Γ(4, 0.5).
a) Determine µT .
b) Determine σT .
c) Determine P(T ≤ 1).
d) Determine P(T ≥ 4).
122 155
Ejercicio 26
Sea T ∼ Weibull(0.5, 3).
a) Determine µT .
b) Determine σT .
c) Determine P(T ≤ 1).
d) Determine P(T ≥ 5).
e) Determine P(2 ≤ T ≤ 4).
123 155
Ejercicio 27
En el ar culo “Parameter Es ma on with Only One Complete Failure Observa on” (W. Pang, P. Leung
y colaboradores, en Interna onal Journal of Reliability, Quality, and Safety Engineering,
2001:109-122), se modela la duración, en horas, de cierto po de cojinete con la distribución de
Weibull con parámetros α = 2.25 y β = 4.474×10−4 .
a) Determine la probabilidad de que un cojinete dure más de 1 000 horas.

b) Determine la probabilidad de que un cojinete dure menos de 2 000 horas.
c) Determine la mediana de la duración de un cojinete.
124 155
Gráficas de probabilidad
Introducción
Los cien ficos e ingenieros trabajan con frecuencia con datos que se pueden considerar como una
muestra aleatoria de cierta población. En muchos de dichos casos, es importante determinar una
distribución de probabilidad que describa aproximadamente la población. En algunos casos, el
conocimiento del proceso que generó los datos puede orientar la decisión. No obstante, con mayor
frecuencia, la única forma de determinar una distribución apropiada es examinar la muestra para
encontrar una distribución de probabilidad que se ajuste.
Dada una muestra aleatoria X1 , . . . , Xn , una gráfica de probabilidad puede determinar si es posible
que la muestra provenga de alguna población específica.
126 155
Ejemplo
Se extrae una muestra aleatoria de tamaño 5 y se desea determinar si la población de que proviene es
normal. La muestra, en orden ascendente, es
3.01, 3.35, 4.79, 5.96, 7.89
Los valores, en orden ascendente, se denotan por X1 , . . . , Xn (n = 5 en este caso). Lo primero que
debe hacerse es asignar valores crecientes espaciados uniformemente entre 0 y 1 a Xi . Hay muchas
maneras aceptables de hacer esto; probablemente la más simple es asignar el valor (i − 0.5)/n a Xi .
127 155
Ejemplo (cont...)
i Xi (i − 0.5)/5
1 3.01 0.1
2 3.35 0.3
3 4.79 0.5
4 5.96 0.7
5 7.89 0.9
El obje vo es determinar si es posible que la muestra provenga de una población normal. La

distribución normal más fac ble es aquella donde la media y desviación estándar son iguales a la
media y desviación estándar muestrales. La media muestral es X = 5.00 y la desviación estándar es
s = 2.00. Por tanto, se determinará si es posible que esta muestra provenga de una distribución
N(5, 22 ).
128 155
La curva de distribución acumula va
Figura 9: La curva es la fda de N(5, 22 ). Si los puntos muestrales X1 , . . . , Xn provienen de esta distribución, es
probable que estén cerca de la curva.
129 155
Gráfica de probabilidad
La gráfica de probabilidad está compuesta por los puntos (Xi , Qi ). Puesto que la distribución que
generó los Qi era una distribución normal, se le llama gráfica de probabilidad normal. Si, de hecho,
X1 , . . . , Xn provienen de la distribución que generó los Qi , los puntos se deben concentrar en una
línea recta. Para construir la gráfica, se deben calcular los Qi . Éstos son los percen les 100(i − 0.5)/n
de la distribución que se supone generó la muestra. En este ejemplo, los Qi son el 10, 30, 50, 70 y 90o.
percen les de la distribución N(5, 22 ). Es posible aproximar estos valores al buscar los puntajes z
correspondientes a estos percen les, y después conver rlos en nuevos puntajes. En la prác ca, los Qi
se calculan siempre u lizando un so ware computacional.
i Xi Qi
1 3.01 2.44
2 3.35 3.95
3 4.79 5.00
4 5.96 6.05
5 7.89 7.56
130 155
Gráfica de probabilidad
Figura 10: Gráficas de probabilidad normal para la muestra X1 , . . . , X5 . Las gráficas son idén cas, excepto por la
escala del eje ver cal. Los puntos de la muestra se aproximan a una línea recta, por lo que es fac ble que
provengan de una población normal.
131 155
Gráfica QQ
Es importante mencionar que a los puntos Q1 , . . . , Qn se les denomina cuan les de la distribución de
la que son generados. Algunas veces, a los puntos X1 , . . . , Xn se les llama cuan les empíricos. Por
esta razón, algunas veces se hace referencia a la gráfica de probabilidad como gráfica cuan l-cuan l, o
gráfica QQ.
Figura 11: Dos gráficas de probabilidad normal. (a) Gráfica de producciones mensuales de 225 pozos de gas. Estos
datos no se aproximan a una línea recta y, por tanto, no provienen de una población que se aproxima a la normal.
(b) Gráfica de los logaritmos naturales de las producciones mensuales. Estos datos se aproximan mucho más a una
línea recta, aunque se puede ver cierta desviación de la normalidad.
132 155
Gráficas de probabilidad– Ejercicios
Ejercicio 28
Cada una de las tres muestras fueron graficadas sobre una gráfica de probabilidad normal. Para cada
una, diga si la muestra parece provenir de una población aproximadamente normal.
133 155
Gráficas de probabilidad– Ejercicios
Ejercicio 29
A con nuación se muestran las duraciones (en minutos) de 40 erupciones del geiser Old Faithful en el
Parque Nacional Yellowstone.
4.1 1.8 3.2 1.9 4.6 2.0 4.5 3.9 4.3 2.3
3.8 1.9 4.6 1.8 4.7 1.8 4.6 1.9 3.5 4.0
3.7 3.7 4.3 3.6 3.8 3.8 3.8 2.5 4.5 4.1
3.7 3.8 3.4 4.0 2.3 4.4 4.1 4.3 3.3 2.0
Construya una gráfica de probabilidad normal para estos datos. ¿Parece ser que estos datos
provienen de una distribución aproximadamente normal?
134 155
El teorema del limite central
Definición
El teorema del límite central establece que si se extrae una muestra lo suficientemente grande de una
población, entonces la distribución de la media muestral es aproximadamente normal, sin importar de
qué po de población haya sido extraída la muestra.
Sea X1 , . . . , Xn una muestra aleatoria simple de una población con media µ y varianza σ 2 .
X1 +···+Xn
Sea X = n
la media muestral.
Sea Sn = X1 + · · · + Xn la suma de las observaciones muestrales.
Entonces si n es suficiente grande
( )
σ2
X ∼ N µ, aproximadamente (45)
n
y
Sn ∼ N(nµ, nσ 2 ) aproximadamente (46)
136 155
Observación
Para la mayoría de las poblaciones, si el tamaño muestral es mayor a 30, la aproximación del teorema
del límite central es buena.
137 155
Comportamiento
Figura 12: Funciones de densidad de probabilidad con diferentes tamaños muestrales.
138 155
Comportamiento
139 155
Comportamiento
140 155
Ejemplo
Sea X el número de imperfecciones en una pulgada de un alambre de cobre. La función de masa de

probabilidad de X se muestra en la siguiente tabla.
x P(X = x)
0 0.48
1 0.39
2 0.12
3 0.01
Se toma una muestra de 100 alambres de esta población. ¿Cuál es la probabilidad de que el número
promedio de imperfecciones por alambre en esta muestra sea menor a 0.5?
141 155
Ejemplo (cont...)
Solución
La media del número de imperfecciones en la población es µ = 0.66 y la varianza poblacional es
σ 2 = 0.5244. X1 , . . . , X100 denota el número de imperfecciones en los 100 alambres extraídos de esta
población. Se necesita encontrar P(X ≤ 0.5). Ahora, el tamaño muestral es n = 100, que es una
muestra grande. Por el teorema del límite central (expresión 45) se ene que X ∼ N(0.66, 0.005244).
Por tanto, el puntaje z es
0.5 − 0.66
z= √ = −2.21
0.005244
De la tabla z, el área a la izquierda de −2.21 es 0.0136. Por consecuencia, P(X < 0.5) = 0.0136, por lo
que sólo 1.36 % de las muestras de tamaño 100 tendrá menos de 0.5 imperfecciones por alambre.
142 155
Ejemplo
En una universidad grande, la media de la edad de los estudiantes es 22.3 años y la desviación
estándar es de cuatro años. Se toma una muestra aleatoria de 64 estudiantes. ¿Cuál es la probabilidad
de que la edad promedio de estos estudiantes sea mayor a 23 años?
143 155
Ejemplo (cont...)
Solución
Sean X1 , . . . , X64 las edades de los 64 estudiantes en la muestra. Se desea determinar P(X > 23).
Ahora la población de la cual se sacó la muestra ene una media µ = 22.3 y varianza σ 2 = 16. El
tamaño muestral es n = 64. Por el teorema del límite central (expresión 45) se ene que
X ∼ N(22.3, 0.25). El puntaje z para 23 es
23 − 22.3
z= √ = 1.40
0.25
De la tabla z, el área a la derecha de 1.40 es 0.0808. Por tanto, P(X > 23) = 0.0808.
144 155
Aproximación normal a la binomial
Si X ∼ Bin(n, p) y si np > 10 y n(1 − p) > 10, entonces

X ∼ N(np, np(1 − p)) aproximadamente (47)
( )
p(1 − p)
p̂ ∼ N p, aproximadamente (48)
n
Figura 15: El histograma de probabilidad Bin(100, 0.2), con la función de densidad de probabilidad N(20, 16)
sobrepuesta.
145 155
Corrección por con nuidad
La distribución binomial es discreta, mientras que la distribución normal es con nua. La corrección
por con nuidad es un ajuste, hecho cuando se aproxima una distribución discreta con una con nua,
que puede mejorar la exac tud de la aproximación.
Figura 16: Para calcular P(45 ≤ X ≤ 55) deben incluirse las áreas de los rectángulos correspondientes a 45 y 55.
Para aproximar esta probabilidad con la curva normal, se calcula el área bajo la curva entre 44.5 y 55.5.
146 155
Ejemplo
Si se lanza al aire una moneda 100 veces, u lice la curva normal para aproximar la probabilidad de que
el número de caras esté entre, e incluyendo a, 45 y 55.
147 155
Ejemplo
Si se lanza al aire una moneda 100 veces, u lice la curva normal para aproximar la probabilidad de que
el número de caras esté entre, e incluyendo a, 45 y 55.
Solución
Sea X el número de caras obtenidas. Entonces X ∼ Bin(100, 0.5). Al sus tuir n = 100 y p = 0.5 en la
ecuación (47) se ob ene la aproximación normal X ∼ N(50, 25). Puesto que se incluyen los puntos
finales 45 y 55, debe calcularse el área bajo la curva normal entre 44.5 y 55.5. Los puntajes z para 44.5
y 55.5 son
44.5 − 50 55.5 − 50
z= = −1.1, z = = 1.1
5 5
De la tabla z se determina que la probabilidad es 0.7286.
147 155
Aproximación normal a la de Poisson
Si X ∼ Poisson(λ), donde λ > 10, entonces
X ∼ N(λ, λ), aproximadamente (49)
148 155
Ejemplo
El número de visitas a un si o web sigue una distribución de Poisson, con una media de 27 visitas por
hora. Encuentre la probabilidad de que haya 90 o más visitas durante tres horas.
149 155
Ejemplo
El número de visitas a un si o web sigue una distribución de Poisson, con una media de 27 visitas por
hora. Encuentre la probabilidad de que haya 90 o más visitas durante tres horas.
Solución
Sea X el número de visitas al si o web en tres horas. La media del número de visitas en tres horas es
81, por lo que X ∼ Poisson(81). U lizando la aproximación normal X ∼ N(81, 81). Se desea encontrar
P(X ≥ 90). Se calcula el puntaje z de 90, que es
90 − 81
z= √ = 1.00
81
Haciendo uso de la tabla z se determina que P(X ≥ 90) = 0.1587.
149 155
El teorema del limite central– Ejercicios
Ejercicio 30
Las bolsas de una mezcla de concreto, e quetadas con un peso de 100 libras, enen por peso una
media poblacional de 100 libras y una desviación estándar poblacional de 0.5 libras.
a) ¿Cuál es la probabilidad de que la media del peso de una muestra aleatoria de 50 bolsas sea
menor a 99.9 libras?
b) Si la media del peso de poblacional aumenta a 100.15 libras, ¿cuál es la probabilidad de que la
media del peso de una muestra de tamaño 50 sea menor a 100 libras?
150 155
Ejercicio 31
Se elige una muestra aleatoria de 100 hombres con una estatura media de 70 pulgadas y una
desviación estándar de 2.5 pulgadas. ¿Cuál es la probabilidad de que la estatura promedio de los
hombres de la muestra sea mayor a 69.5 pulgadas?
151 155
Ejercicio 32
Cierto proceso de fabricación de componentes electrónicos produce partes, 20 % de las cuales está
defectuoso. Las partes son enviadas en unidades de 400. Los envíos que con enen más de 90 partes
defectuosas se puede regresar. Usted puede suponer que cada envío cons tuye una muestra
aleatoria simple de partes.
a) ¿Cuál es la probabilidad de que se regrese un envío específico?

b) En un día par cular se realizaron 500 envíos. ¿Cuál es la probabilidad de que se regresen 60 o
más de éstos?
c) Se introduce un nuevo proceso de fabricación, el cual se supone reduce los porcentajes de las
partes defectuosas. El obje vo de la compañía es reducir la probabilidad de que se regrese un
envío a 0.01. ¿Cuál debe ser el porcentaje de partes defectuosas para alcanzar este obje vo?
152 155
Ejercicio 33
La densidad de las par culas en una suspensión es de 50 por mL. Se extrae un volumen de 5 mL de la
suspensión.
a) ¿Cuál es la probabilidad de que el número de par culas extraídas esté entre 235 y 265?
b) ¿Cuál es la probabilidad de que el número promedio de par culas por mL en la muestra extraída
esté entre 48 y 52?
c) Si se toma una muestra de 10 mL, ¿cuál es la probabilidad de que el número promedio por mL de
par culas en la muestra extraída esté entre 48 y 52?
d) ¿Qué tan grande debe ser la muestra extraída para que el número promedio de par culas por mL
en la muestra esté entre 48 y 52 con probabilidad de 95 %?
153 155
Simulación
Simulación
Simulación
La simulación se refiere al proceso que genera números aleatorios y los trata como si hubiesen sido
generados por un experimento cien fico real. A los datos generados de esta forma se les denomina
simulados o sinté cos.
Los métodos de simulación enen muchos usos, incluyendo la es mación de probabilidades,
es mación de medias y varianzas, comprobación de una hipótesis de normalidad, y es mación de
sesgos.
155155

Distribuciones PDF

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones PDF

Cargado por

Copyright:

Formatos disponibles

Distribuciones comúnmente usadas

Emigdio Z.Flores López

p(0) = P(X = 0) = 1 − p (1)

p(1) = P(X = 1) = p (2)

Figura 1: a) Histograma de probabilidad de Bernoulli (0.5). b) Histograma de probabilidad de Bernoulli (0.8).

a) Sea X = 1, si anota el ro, si no lo hace, X = 0. Determine la media y la varianza de X.

a) Sea pX la probabilidad de éxito de X. Determine pX .

a) Sea pX la probabilidad de éxito de X. Determine pX .

Si X ∼ Bin(n, p), la función de masa de probabilidad de X es

Figura 2: a) Histograma de probabilidad Bin(10, 0.4). b) Histograma de probabilidad Bin(20, 0.1).

Determine la función de masa de probabilidad de la variable aleatoria X si X ∼ Bin(10, 0.4).

Determine la función de masa de probabilidad de la variable aleatoria X si X ∼ Bin(10, 0.4).

Si X ∼ Bin(n, p), entonces la media y la varianza de X están dadas por

Un comisionado de seguridad en una gran ciudad quiere es mar la proporción de ediﬁcios en la

Un comisionado de seguridad en una gran ciudad quiere es mar la proporción de ediﬁcios en la

Al usar la ecuación 8, la incer dumbre en p̂ es

Sea X ∼ Bin(8, 0.4). Determine

a) ¿Cuál es la probabilidad de que todos los bits sean 1?

De los pernos manufacturados por cierta aplicación, 90 % sa sface la longitud especiﬁcada y se

a) Determine la probabilidad de que un perno seleccionado aleatoriamente se pueda u lizar

Unas ﬁgurillas de porcelana se venden a 10 dólares si no enen imperfección, y a 3 dólares si la

a) Exprese Y como una función de X.

Una manera de considerarla es como una aproximación de la distribución binomial cuando n es

· La función de masa de probabilidad de Poisson se aproxima mucho a la función de masa de

Si X ∼Poisson(λ), entonces la media y la varianza de X están dadas por

Figura 3: a) Histograma de probabilidad de Poisson(1), b) Histograma de probabilidad de Poisson(10).

Al hacer e−0.01n = 0.01, se ob ene que n ≈ 461.

Si X ∼ Poisson(λt) se es ma la razón λ con λ̂ = X

Sea X ∼ Poisson(4). Determine

a) ¿Cuál es la probabilidad de que se reciban cinco mensajes en una hora?

a) Es me la media del número de chispas en una de las galletas de mamá.

De 50 ediﬁcios en un parque industrial, 12 no cumplen el código eléctrico. Si se seleccionan

De 50 ediﬁcios en un parque industrial, 12 no cumplen el código eléctrico. Si se seleccionan

Con referencia al ejemplo anterior encuentre la media y la varianza de X.

Con referencia al ejemplo anterior encuentre la media y la varianza de X.

p(x1 , . . . , xk ) =P(X1 = x1 , . . . , Xk = xk ) (19)

Si X ∼ Geom(p), ¿cuál es el valor más probable de X?

En un lote de diez microcircuitos, tres están defectuosos. Se elige aleatoriamente cuatro

a) Determine P(X = 2).

Si X ∼ N(µ, σ 2 ), entonces las media y la varianza de X están dadas por

Determine el área debajo de la curva normal a la izquierda de z = 0.47.

Determine el área debajo de la curva normal a la izquierda de z = 0.47.

Determine el área debajo de la curva normal y a la derecha de z = 1.38.

Determine el área debajo de la curva normal y a la derecha de z = 1.38.

Se calcula los puntajes z:

c1 X1 + c2 X2 + · · · + cn Xn ∼ N(c1 µ1 + c2 µ2 + · · · + cn µn , c21 σ12 + c22 σ22 + · · · + c2n σn2 ) (23)

µE =2µC + 3.5µN + 1µO

=22 (302 ) + 3.52 (602 ) + 12 (1002 )

Se concluye que E ∼ N(2500, 57700).

Sean X1 , . . . , Xn independientes y distribuidas normalmente con media µ y varianza σ 2 , entonces

Sean X y Y independientes, con X ∼ N(µX , σX

Determine el área bajo la curva normal

a) ¿Cuál es la proporción de puntuaciones mayores a 700?

La resistencia de una aleación de aluminio se distribuye normalmente con media de 10 gigapascales

a) ¿Qué proporción de latas con ene menos de 12 onzas?

· Si X ∼ N(µ, σ 2 ), entonces la variable aleatoria Y = eX ene distribución lognormal con

La función de densidad de probabilidad de una variable aleatoria lognormal con parámetros µ y σ 2 es

Figura 5: Función de densidad de probabilidad de la distribución lognormal con parámetros µ = 0 y σ = 1.

Si Y es una variable aleatoria cuya distribución es lognormal con parámetros µ y σ 2 , entonces µ y σ 2

a) Determine la media del empo de vida.

a) Determine la media del IMC para hombres entre 25 − 34 años.

Figura 6: Gráﬁcas de la función de densidad de probabilidad exponencial para varios valores de λ.