Material No.

4 1

PROBABILIDADES Y ESTADÍSTICA
Título: Distribuciones teóricas de probabilidad de uso frecuente en la Ingeniería.
Sumario:
1. Introducción.
2. Distribución Binomial.
3. Distribución de Poisson.
4. Distribución Exponencial.
5. Distribución de Weibull.
6. Distribución Normal.
7. Uso de tablas.
Bibliografía:
 “Probabilidades y Estadística para ingenieros” I. Miller páginas 93 a 976, 115 a 121, 145 a 153, 155
a 158, 163 a 167.
 “Probabilidades” Luis M. Castillo, páginas 297 a 318, 319 a 332, 345 a 350, 351 a 359.
 “Estadística” Caridad Guerra Bustillo y otros, páginas 93 a 104.
 “Tablas y Resúmenes estadísticos”
1- Introducción:
En el tema anterior se inició el estudio de las variables aleatorias como una forma más general de
representar un fenómeno aleatorio y la misma se definió como una función que asocia un valor
numérico a cada uno de los posibles resultados de un fenómeno aleatorio.
Se estudiaron algunas leyes que expresan el comportamiento de una variable aleatoria siendo esta la ley
de distribución de probabilidad de una variable aleatoria y la función de distribución acumulada, así
como algunas características numéricas de las distribuciones de probabilidad las cuales son valores
constantes para cada distribución y con ellas se resume en pocos números el comportamiento de una
variable aleatoria.
En este tema se trabajará con variables aleatorias específicas muy utilizadas en el campo de la
ingeniería para las cuales se ha establecido un modelo probabilístico que las identifica, esto es, una
expresión particular para su ley de distribución de probabilidad, así como para sus características
numéricas fundamentales. El objetivo fundamental de esta unidad temática es estudiar alguna de las
distribuciones teóricas de probabilidad de uso frecuente en problemas de Ingeniería. Estas son:
Distribución Binomial, Distribución de Poisson, Distribución Exponencial, Distribución de Weibull y
Distribución Normal.
2- Distribución Binomial:
Considérese un experimento que se repite cierto número de veces, al que denotaremos con la letra n, en
el cual cada uno de los posibles resultados del experimento puede clasificarse en ocurrencia o no
ocurrencia de un cierto evento A. Si el evento A ocurre, al resultado se le llama éxito (E) y si no ocurre
se le llama fracaso (F).
En este caso la variable aleatoria se introduce para representar el número total de éxitos, es decir, la
cantidad de veces que ocurre A, la que se denota por X.
¿Cómo calcular la probabilidad que en n pruebas independientes ocurran x éxitos, según esta
distribución?
Material No.4 2

Referiremos a un éxito como a E y un fracaso como a F, y enumeremos todas las colocaciones posibles
en las cuales hay x letras E y n-x letras F. Observemos que si la probabilidad de un éxito es p y la de un
fracaso es 1-p, entonces la probabilidad de obtener x éxitos y n-x fracasos en algún orden específico es
px. ( 1- p )n-x, es decir:
x veces nx veces
                        
p.p.p..........p. (1  p ).(1  p ).(1  p )..........(1  p )

En esta expresión hay x factores p para las letras E y n-x factores 1-p para las letras F. Puesto que la
probabilidad es la misma para cada "colocación" que contenga x letras E y n-x letras F, la probabilidad
de obtener "x éxitos en n pruebas" se puede obtener al multiplicar p x. (1- p)n-x por el número de
combinaciones distintas en que x letras E y n-x letras F pueden ser colocadas. Al representar el número
de tales colocaciones, podemos escribir finalmente el cálculo de la probabilidad de "x éxitos" en n
pruebas como:
n
P ( x, n, p) =  .p .1  p 
x nx
(1)
  x
n n!
Las cantidades    se llaman coeficientes binomiales.
 x  x!(n  x)!
La expresión (1) se aplica solamente si p (la probabilidad de éxito) permanece constante de una prueba
a otra y además si las pruebas son independientes.
La variable aleatoria X se define como: "cantidad de éxitos en n pruebas independientes", se
denota X  B(n, p) donde n es la cantidad de pruebas y p es la probabilidad de que en cada
prueba ocurra el éxito.
Para esta distribución se tiene que:
La media o valor esperado es: E(X) = n. p
La varianza es: V (X) = n. p. (1- p)
Observación:
Es importante resumir las características que debe cumplir una variable aleatoria X para que sea
considerada BINOMIAL:
1. En cada prueba del experimento hay dos resultados posibles: éxito o fracaso, sin implicar ello que
un éxito sea necesariamente deseable.
2. Los n ensayos son independientes.
3. La probabilidad de éxito en cada prueba permanece constante.
4. Se realizan n ensayos, donde n es constante.
Cálculo de probabilidades en la distribución Binomial
Al igual que cualquier otra variable aleatoria discreta, para calcular probabilidades se evalúa en la
función de probabilidad, si el evento contempla varios valores de la variable habría que evaluar varias
veces en la función lo cual resulta bastante engorroso es por eso que aparece tabulada en la mayoría de
los libros de estadística aunque en diferentes formas. Generalmente, las distribuciones aparecen
tabuladas a partir de eventos del tipo X  a o X  a.
En la siguiente figura se muestra el gráfico de la función de probabilidad de la distribución binomial
para varios valores de los parámetros n y p.
Material No.4 3

Ejemplo No.1: Se tiene un lote de 20 artículos, la probabilidad de que uno de dichos artículos sea
defectuoso se mantiene constante y es igual a 0.8. Calcular la probabilidad de que a lo sumo 4 de
dichos artículos sea defectuoso.
En este caso la variable aleatoria que se define es
X: cantidad de artículos defectuosos de un total de 20. X B(20, 0.8) pues:
1. En cada prueba del experimento hay dos resultados posibles: el artículo es defectuoso o no lo es.
2. El control de calidad de cada uno de los artículos se realiza de manera independiente.
3. La probabilidad de que un artículo es defectuosos es igual a 0.8.
4. Se realizan 20 ensayos.
3- Distribución de Poisson:
En el campo de la ingeniería se presentan también otro tipo de fenómenos aleatorios en los que son de
interés el estudio del comportamiento de las ocurrencias de cierto suceso (éxito) en instantes aleatorios
de tiempo. Como son por ejemplo:
 El número de fallos de un equipo en un período determinado
 El número de defectos de un cable por cada metro
 El número de llamadas telefónicas recibidas en una central telefónica durante un período de
tiempo
Fenómenos aleatorios con estas características presentan una distribución de probabilidad conocida
como distribución Poisson.
En la práctica, la más importante distribución discreta es la de Poisson. Aunque sea una aproximación a
otras distribuciones más exacta, la de Poisson es la exacta cuando se cumplen ciertas suposiciones, a
saber, que los acontecimientos se produzcan aleatoriamente (en el tiempo, en el espacio, con una
probabilidad de ocurrencia aproximadamente proporcional al tiempo, o al espacio o al área y no hay
ningún amontonamiento.)
Proceso de Poisson:
Supongamos que se desea calcular la probabilidad de que ocurran “X éxitos” durante un intervalo de
tiempo T.
Para ello se subdivide el intervalo de tiempo T en n subintervalos iguales de longitud Δt de tal forma
que T = n. Δt y supóngase que:
1. La probabilidad de que ocurra un éxito durante un intervalo muy pequeño Δt es igual a . Δt
2. En cada subintervalo de longitud Δt la probabilidad de que ocurra más de un éxito es despreciable.
3. La probabilidad de ocurrencia de un éxito en cada subintervalo no depende de lo que ocurrió antes
Material No.4 4

T
Esto significa que las suposiciones fundamentales de la distribución binomial se satisfacen con n 
t
y p = . Δt, donde  es la constante de proporcionalidad.
La distribución de Poisson puede ser obtenida de la distribución binomial mediante el paso al límite
cuando n   y es igual a:
λx
p (x) = e λ. si  > 0 y x = 0, 1, 2,...............
x!
donde = .t, siendo  la frecuencia de éxitos por unidad de tiempo.
El análisis realizado anteriormente para un intervalo de tiempo T puede extenderse para calcular la
probabilidad de ocurrencia de X éxitos en una magnitud medible: tiempo, área, volumen, peso,
longitud, espacio, etc.
La variable aleatoria X se define como la cantidad de éxitos en una magnitud medible, siendo la
frecuencia de éxitos constante por unidad "medible". Se denota X P().
Para la distribución de Poisson:
La media o valor esperado es: E(X) = 
La varianza es: V(X) = 
En la siguiente figura se muestra el gráfico de la función de probabilidad de la distribución de Poisson
para varios valores del parámetro .

La distribución de Poisson tiene múltiples e importantes aplicaciones en problemas de "teoría de

colas", en los cuales quizás interese conocer, por ejemplo, el número de clientes que solicitan un
servicio en un determinado período de tiempo o el número de barcos o camiones que arriban a un
muelle para ser descargados.
Ejemplo No.2:
La frecuencia de averías por semana de una cierta máquina se mantiene constante y es igual a 0.2,
calcular la probabilidad de que dicha máquina tenga más de dos averías en dos semanas.
Respuesta:
En este caso la variable aleatoria es X: cantidad de averías semanales de la máquina.
X  P(0.4) ya que: = .t = 0.2.(2 semanas) = 0.4
P(X > 2) = 1- P(X  2) = 1- [P(x = 0) + P(x = 1) + P(x = 2)] =
 0.4 (0.4)0 (0.4)1 (0.4)2 
1 - e .  e 0.4  e 0.4  = 0.007926
 0! 1! 2! 
Material No.4 5

Aproximación de la Binomial a la Poisson

Como se estudió se obtuvo la expresión analítica de la distribución de Poisson a partir del límite
cuando n tiende a infinito de la distribución Binomial, esto nos sugiere que en la práctica a partir de un
valor de n relativamente grande el comportamiento probabilístico de una variable Binomial se asemeja
al de una Poisson y en efecto así sucede.
Empíricamente se ha determinado que buenas aproximaciones se logran cuando en una variable
Binomial los parámetros n y p cumplen con n  20 y p  0,05 entonces podemos tratar a la X como si
tuviera distribución Poisson con  = np.
4- Distribución exponencial:
La distribución exponencial es el ejemplo más simple de las distribuciones para variables aleatorias
continuas, que pueden tomar cualquier valor positivo no acotadas.
Una variable aleatoria X tiene una distribución exponencial si su función de densidad probabilística
viene expresada por:
 .e  . X si X  0

f (X )   0

 0 si X  0
Se denota: X  E().
Para la distribución exponencial:
1
La media o valor esperado es: E(X) =
θ
1
La varianza es: V(X) =
2
La distribución exponencial tiene las siguientes propiedades:
Propiedad No. 1:
P(x > s + t / x > s) = P (x > t)
Demostración
P(x  s  t) 1  P(x  s  t) 1  1  e θ.(st)
P(x > s + t / x > s) =   = e-.t = P(x > t)
P(x  s) 1  P(x  s) θs
1 1  e
Puede comprobarse que la distribución exponencial de tiempos de fallo se produce cuando los fallos
ocurren al "azar" y no son debido al desgaste, sino a causas aleatorias.
Resulta conveniente alertar que hay muchas situaciones que implican estudios de fallas para los cuales
las hipótesis básicas que conducen a una ley exponencial no serán satisfechas. Por ejemplo, si una
pieza de acero está expuesta a una tensión continua, evidentemente sufrirá un deterioro, y por tanto se
debe considerar un modelo diferente al exponencial.
Propiedad No. 2:
En una población exponencial, el 36,8% de los datos está por encima de la media y el 63,2% de los
datos está por debajo de la media, esto está dado pues para cualquier valor del parámetro  se tiene que
P(X  ) = 0.368. La propiedad de que el mayor porcentaje está por debajo de la media, a veces, ayuda
a indicar aplicaciones de la distribución exponencial.
La distribución exponencial tiene múltiples aplicaciones importantes:
1. Puede demostrarse que en los "Procesos de Poisson", el tiempo de espera entre "éxitos" tiene una
distribución exponencial. Más exactamente, si en un proceso de Poisson el número promedio de
Material No.4 6

éxitos por unidad de tiempo es , el tiempo que transcurre antes del primer éxito o el tiempo de
espera entre dos éxitos tiene una distribución exponencial con parámetro .
2. Esta distribución describe el esquema de cargas de algunos elementos estructurales, ya que las
cargas pequeñas son mucho más numerosas que las grandes.
3. La exponencial también es indicada para describir la distribución de los tiempos de fallo de ciertos
equipos complejos. Representa la fase normal de operación de un componente. Se aconseja (en
Fiabilidad) su uso en las máquinas complejas después del período de asentamiento, donde aparece
regularidad de fallos y en aquellos artículos, por ejemplo componentes eléctricos, que fallan de
forma súbita.
4. Se encuentra, además, con frecuencia en la "teoría de colas", por ejemplo X es el tiempo de espera
durante el mantenimiento técnico.
En la siguiente figura se muestra el gráfico de la función de densidad probabilística de la distribución
exponencial para varios valores de la media.

Ejemplo No. 3:
Se está estudiando el tiempo de vida útil de una cierta máquina herramienta y se conoce que está
máquina herramienta tiene una frecuencia de fallos por mes igual a 2 fallos/mes. Calcular la
probabilidad de que la máquina 4 falle después de transcurrido medio año.
En este caso la variable aleatoria es X: tiempo hasta el fallo de la máquina herramienta. X  E(2).
5- Distribución de Weibull:
Una distribución que se ha utilizado bastante en años recientes es la distribución de Weibull,
introducida por el físico sueco Walodi Weibull en 1939.
Esta distribución es ampliamente utilidad por su gran flexibilidad, al poder ajustarse a una gran
variedad de funciones de fiabilidad de dispositivos o sistemas.
La función de densidad probabilística de la distribución de Weibull es:
 . . X  1. exp( . X  ) X  0

f (X )  

 0 en los demás puntos
> 0, se conoce como parámetro de forma o percentil de Weibull
 > 0. se conoce como parámetro de escala
La variable aleatoria X se denota: X  W(,).
Los parámetros se definen en función de los planes de observación.
Material No.4 7

Si  =1 entonces f(X) = .exp(-.X), que es la función de densidad probabilística de la distribución

exponencial.
La media o valor esperado de la distribución de Weibull es:
1
  1
β
E(X)  α .Γ 1  
 β
La varianza de la distribución de Weibull es:
1 2
  2   1 
β .Γ  
V(X)  α      Γ 1  
1 
  β   β  
 

α 1
La función  se define como: Γ(X)  X .exp(X)dX
0

Propiedades de la función :
1- Integrando por partes se obtiene que: () = (-1). (-1) para  > 1
2- Si  es un número entero positivo entonces: () = (-1)!
La tecnología moderna ha permitido diseñar muchos sistemas complicados cuya operación o su
seguridad de funcionamiento dependen de la confiabilidad de los diversos componentes que
constituyen dichos sistemas. Por ejemplo, un fusible puede quemarse, una columna de acero puede
ponderarse o es posible que falle un dispositivo sensible al calor.
La distribución de Weibull:
1. Caracteriza en varios casos, el plazo de servicio de los equipos radioelectrónicos.
2. Se emplea para la aproximación de distribuciones asimétricas en la estadística matemática.
3. Se puede utilizar para el análisis del recurso hasta el fallo de las estructuras metálicas sometidas a
fatiga,
4. Se puede utilizar para el análisis del recurso hasta la primera reparación capital de reductores y
cajas de velocidad, sometidos a cargas alternativas.
En la siguiente figura se muestra el gráfico de la función de densidad probabilística de la distribución
de Weibull para distintos valores de los parámetros de forma y escala.

Ejemplo No.4:
Material No.4 8

Si la razón o tasa de fallo de un cierto equipo no permanece constante durante un período de tiempo
determinado, puede demostrarse que el tiempo de vida útil del equipo obedece a una distribución de
Weibull. La variable aleatoria X es el tiempo de vida útil del equipo. X W(,).
La distribución Weibull representa un modelo adecuado para una ley de fallas siempre que el sistema
esté compuesto por cierto número de componentes y la falla se debe principalmente al defecto “más
grave” en un gran número de defectos del sistema. También suele utilizarse para obtener una tasa de
fallas creciente o decreciente mediante una elección apropiada de . Observe que para  >1 se tiene
que la razón o tasa de fallos es creciente, para  = 1 se tiene que la razón o tasa de fallos es constante
(caso de la distribución exponencial), por otra parte, para 0<  <1 se tiene que la razón o tasa de fallos
es decreciente.
6- Distribución normal.
La llamada Distribución Normal, fue estudiada por primera vez en el siglo XVIII cuando los científicos
observaron con sorpresa el grado de regularidad en los errores de medición. Descubrieron que los
patrones (distribuciones) eran aproximados a una distribución continua que denominaron “curva
normal de errores” y le atribuyeron reglas de probabilidad.
Definición: Una variable aleatoria X se distribuye normalmente si su función de densidad
probabilística viene dada por la expresión:
1  1  x  μ 2 
f(X)  .exp  .  
σ 2π  2  σ  

para todo x

 y  son los parámetros de esta ley de distribución.
E (X) =: Media o valor esperado  
V(X)= 2: Varianza >0
Si una variable aleatoria X se distribuye normalmente con media o valor esperado  y varianza 2 se
denota por: X  N ( , 2)
Representación gráfica:

Propiedades o características importantes de la Distribución Normal:

1- La curva de la distribución normal es simétrica con respecto a la media de la población, por lo que se
cumple que P(X ) = P(X≤) = 0.5.
2- Para la curva de distribución normal la media, la moda y la mediana coinciden.
3- Una propiedad interesante de la curva normal es que su localización y forma se determinan
completamente por sus valores de  y .
Material No.4 9

: Establece el centro de la curva.

: Establece la descripción de sus valores.
4- En una curva de distribución normal:
 El 68, 26 % de los datos están en el intervalo: ( -  ≤ X ≤  +)
 El 95, 44% de los datos están en el intervalo: ( - 2 ≤ X ≤  + 2)
 El 99, 73% de los datos están en el intervalo: ( - 3 ≤ X ≤  +3)
5- La curva normal cuenta con dos puntos de inflexión cuyas distancias son iguales desde la media ,
en la abscisa, se designan por la letra .
6- El valor de  influye en la forma de la curva de distribución normal:
Valor de  Distribución de los datos Desviación
Pequeño (0.5) Los valores de X se agrupan Débil
muy cerca de 
Medio (1) Distribución promedio de los Normal
valores de X alrededor de la
media 
Grande (2.5) Los valores de X se dispersan Fuerte
más o menos lejos de 
Distribución Normal Tipificada:
Como se conoce, para calcular la probabilidad de que una variable aleatoria continua esté entre los
valores a y b (con a < b) es necesario calcular:
b

 f(x)dx  P ( a  X  b )
a

Por lo que se tiene que:

b b 2
1  1  x μ 
P(a  X  b) 
 f(x)dx 
 . .exp
 2
σ 2π 
 dx
 σ   
a a

La función integrando de esta integral no tiene primitiva, por lo que es necesaria la aplicación de los
métodos numéricos de integración para calcular el resultado de esta integral.
El cálculo de esta integral depende de los parámetros  y , por lo que para cada valor diferente de
dichos parámetros se tendrá una integral diferente, o sea será necesario calcular infinitas integrales,
para los infinitos valores que pueden tomar  y .
Luego para poder calcular las integrales y tabular sus resultados se introduce el cambio de variable:
X μ
Z
σ
dX
dZ 
σ
El cálculo de la integral se reduce a:
Material No.4 10

b -μ b -μ
σ σ
 a μ bμ  1  1 
P(a  X  b)  P
 σ
Z
σ 
  f(z)dz  a-μ
a -μ
2π
. .exp z  2 dz
 2 
σ σ

La función integrando se reduce a:

1  1 
f(Z)  . .exp z  2 
2π  2 
A la distribución de probabilidad que tiene como función integrando la función anterior se le denomina
distribución normal tipificada o estandarizada y se denota Z  N (0,1)
Esta ley de distribución normal tipificada tiene como parámetros:
E(X) = Media = 0
V(X) = Varianza = 1
Si X  N (, 2) entonces a través del cambio de variable:
X μ
Z , la variable aleatoria estandarizada o tipificada Z  N (0,1)
σ
El gráfico de la distribución normal tipificada es:

Propiedades de la distribución normal tipificada:

1. P (Z  0) = P (Z  0) = 0.5
2. P (Z  a) = P (Z  -a)
3. P (Z  a) = P (Z  -a)
4. P (Z  a) + P (Z  -a) =1
Aplicaciones:
En fiabilidad se aconseja el uso de la distribución normal en aquellos artículos donde los fallos ocurren
a causa del desgaste natural y el envejecimiento progresivo donde es menor la probabilidad de fallos
eventuales.
Es aplicable cuando las desviaciones se concentran alrededor de la media y es igualmente probable que
se produzcan observaciones por debajo y por encima de esta.
Una de las aplicaciones más importantes en la ingeniería es que la distribución normal modela los
estudios correspondientes a errores en las mediciones.
7- Uso de tablas:
Material No.4 11

Para calcular probabilidades mediante el uso de las tablas y resúmenes estadísticos, a través de las
distribuciones de probabilidad estudiadas en esta unidad es imprescindible que conozca las
propiedades siguientes:
Para variables aleatorias discretas: (Distribución Binomial y Distribución de Poisson).
1. P(X  a): TABLA.
2. P(X  a) = 1 - P(X > a) = 1- P(X  a+1).
3. P(X > a) = P(X  a+1).
4. P(X < a) = 1- P(X  a).
5. P(X = a) = P(X  a) - P(X  a+1).
6. P( a  X  b) = P(X  a) - P(X > b) = P(X  a) - P(X  b+1).
Para variables aleatorias continuas: (Distribución Exponencial, Distribución de Weibull y
Distribución Normal).
1. P(X  a): TABLA.
2. P(X  a) = 1 - P(X > a) = 1- P(X  a).
3. P(X > a) = P(X  a).
4. P(X < a) = 1- P(X  a).
5. P(X = a) = 0.
6. P( a  X  b) = P(X  a) - P(X  b).