DISTRIBUCION DE PROBABILIDAD

En el capítulo anterior se analizó el concepto de probabilidad. El objetivo era determinar

la probabilidad de un evento. En este capítulo estudiaremos las distribuciones de
probabilidades importantes.
El comportamiento de una variable aleatoria que descrito por su distribución de
probabilidad. En muchas tareas estadísticas se busca determinar una distribución de
probabilidad o modelo probabilístico que satisfaga un conjunto de supuestos para
estudiar los resultados observados de un experimento aleatorio.

NOTA:
La variable aleatoria es una función que atribuye a cada evento elemental un
número que no es aleatorio o imprevisible sino fijo y predeterminado.

Distribución de probabilidad es una lista de todos los resultados posibles de

algún experimento y de la probabilidad relacionada con cada elemento.

Se pueden definir muchas distribuciones de probabilidad tanto de variables discretas

como de variable continua. Hay alguna que tiene aplicaciones estadísticas importantes y
que se estudiara a continuación.

2.1. DISTRIBUCION DE PROBABILIDAD DE TIPOS DISCRETO

Entre la más importante estudiaremos: la distribución de Bernoulli, Binomial y Poisson.

2.1.1. Distribución de Bernoulli

Se llama prueba o ensayo de Bernoulli a todo experimento aleatorio que consiste de solo
dos resultados posibles mutuamente excluyentes, generalmente llamados: éxitos (E) y
fracaso (F).

Ejemplo 2.1:

- Lanzar una moneda al aire con los resultados: cara o sello.

- Elegir al azar un objeto fabricado con los resultados: defectuoso o no defectuoso.
- Elegir al azar un alumno con los resultados: aprobado y desaprobado.

El espacio muestral asociado al experimento aleatorio de Bernoulli se puede escribir

como el conjunto: Ω = {E, F}

La variable aleatoria X definida en Ω de manera que atribuye a E el valor 1 y a F el

valor 0, se denomina variable aleatoria de Bernoulli.

Si p= P [X = 1] es la probabilidad de éxito, done 0 < p < 1 y q = P [X = 0] = 1- p es

la probabilidad de fracaso, la distribución de probabilidad de Bernoulli de parámetro
p esta dad por:

x
p ¿

f ( x )=P [ X =x ]=¿

0 , en otro caso

Si X es una variable aleatoria con distribución Bernoulli de parámetros p. entonces

lo denotaríamos por X→ B ( 1 , P ) .

La media y la varianza de la distribución de Bernoulli están dadas por:

Media : μ= p

Varianza:σ 2= pq

2.1.2. Distribución Binomial

 Se denomina experimento binomial a un número fijo, n de repeticiones
independientes de un experimento aleatorio de Bernoulli, y, por lo tanto, se
caracteriza porque:

a) Las n pruebas son estadísticamente independientes

b) Los resultados de cada prueba son dos, mutuamente excluyente, éxito (E) y
fracaso (F).

c) La probabilidad p de éxito es invariable en cada una de las pruebas.

El espacio muestral del experimento binomial es el conjunto:

Ω={(W 1 , W 2 , … W n )/W i=EoF }

Se denomina variable binomial a la variable a la variable aleatoria X definida en Ω

como el número de éxitos que ocurren en la n pruebas de Bernoulli. Los posibles
valores de X son: 0, 1, 2, 3,..n.

Se dice que la variable aleatoria X definida como el número de éxito que ocurren en las
n prueba de Bernoulli tiene distribución binomial con parámetros n y p se escribe: X →
B (n, p), si su función de probabilidad es:

()
f ( x )=P [ X =x ]= n pk p n−k , k =0 , 1 ,2 , 3 ,.. n
k

Donde: (nk)=C = k ! ( n−k

n
k
n!
)!
Numero eventos elementales.

La media y la variable de la distribución binomial están dadas por:

Medial : μ= pn

Varianza: σ 2=npq

Ejemplo 2.2:

Un estudiante de la Facultad de Ingeniería Industrial tiene la certeza de aprobar una

asignatura con probabilidad 0.8, si lleva seis asignaturas:
a) ¿Cuál es la probabilidad de que salga mal en todas las asignaturas?

b) ¿Cuál es la probabilidad que aprueba dos cursos?

c) ¿Cuál es la probabilidad de que aprueba menos de dos cursos?

Solución:

Sea X la variable aleatoria que denota el número de asignaturas.

6
() 0
a) P [ X=0 ] = x ( 0.8 ) x ( 0.2 )
0
6

Donde:

(60)= 0 ! 86−0
6!
¿
¿=
6!
0! x6!
=1

Entonces:

0 6 6
P [ X=0 ] =1 x (0.8) x ( 0.2 ) =1 x 1 x (0.2) =0.000064 .

b) P [ X=2 ]= ()
6 x ( 0.8 )2 x ( 0.2 )4
2

Donde:

(62 )= 2 !(6−2)
6!
=
6!
=
720
2 ! x 4 ! 2 x 24
=15

Entonces:

P [X=2]=15 x (0.8)2 x (0.2)4= 0.0154

c) P [X ≤ 1] = ()0 ()
6 x ( 0.8 )0 x ( 0.2 )6+ 6 x ( 0.8 )1 x ( 0.2 )5
1

P [ X ≤ 1 ] =0.0016 .

Ejemplo 2.3:

En un área geográfica determinada, el 40% de la población adulta pertenece al partido

demócrata. Se selecciona una muestra de 10 adultos. Si X es la variable aleatoria que se
define como de personas adultas que pertenece al partido demócrata:
a) Determine la función de probabilidad de X.

b) Calcule la media y la desviación estándar.

c) Determine la probabilidad de que tres de ellos pertenezcan al partido demócrata.

Solución:

a) Cada uno de los adultos pueden pertenecer al partido demócrata (E) o no pueden
pertenecer al partido demócrata (F). La probabilidad de que una persona adulta
pertenezca al partido demócrata es p=0.4 y de que no pertenezca es q=0.6. La
distribución de probabilidad de X es:

( )
P [ k ] =P [ X=k ] = 10 ¿
k

b) La media de esta distribución es:

μ=np=10 x 0.4=4 personas

La desviación estándar de esta distribución es:

~
σ =√ npq=√10 x 0.4 x 0.6=1.55 ¿ 2 personas

3 ( )
P[ X =3] 10 x ( 0.4 ) x ( 0.6 )
3 7

P [ X=3 ] =120 x 0.064 x 0.028

P [ X=3 ] =0.22

2.1.2.1. Uso de la Tabla de la Distribución Binomial.

La tabla I apéndice muestran las probabilidades P(X; n) distribución de probabilidad

acumulada F(x; n) = P [X ≤ x] para n = 5, 10, 15, 20, 25 en combinación con valores
seleccionados de p.

2.1.3. Distribución de Poisson

Se dice que la variable aleatoria discreta X, cuyos valores posibles son: 0, 1, 2,.., tiene
distribución de Poisson con parámetros λ ( λ>0) y se escribe X→ P(λ) , si su función de
probabilidad es:

Donde: f ( x )=P [ X =x ]=e−λ ¿ ¿ X=0, 1, 2,….

 λ = numero esperado de ocurrencia pro unidad de tiempo o espacio

e=¿ 2.71828…

Nota.- La distribución de Poisson se aplica a problemas donde la variable

aleatoria es el número de eventos independientes que ocurren en un intervalo de
tiempo o en un espacio dado (con un promedio dado), por ejemplo:
- Número de llamadas que recibe un central telefónica en el periodo de un
minuto
- Numero de llegada de cliente por hora
- Número de accidentes de trabajo que ocurre en una fábrica durante una
semana

La media y la varianza de la distribución de Poisson están dadas por:

Media : μ= λ

Varianza : σ 2=λ

NOTA:

Extensión o reducción del intervalo unitario. La probabilidad de que ocurra k

eventos de Poisson en un intervalo de tiempo o en un espacio de tamaño t es:

P [ X=k ] =e
− λt
¿¿
Donde t es el número de ocurrencia de eventos en el periodo o espacio t.

Ejemplo 2.4:

El número medio de automóviles que llegan a una garita de pareja es de 120 por hora.

a) Calcular la probabilidad de que en un minuto cualquiera no llegue automóvil

alguno
b) Calcular la probabilidad de que en el periodo de 3 minutos lleguemos más de 5
automóviles.
 c) Si tal garita puede atender a un máximo de 3 automóviles en 30 segundos,
calcular la probabilidad de que en medio minuto dado lleguen más automóviles
de lo que pueden atender.

Solución:

a) Sea X: El número de automóviles que llega a una garita de peaje en un minuto.

Entonces X → P (2): donde λ=2 es el número esperado de automóviles que llegan a
la garita de peaje por minuto.
P ( X=0 )=e−2 x ¿ ¿
Utilizando la tabla II encontramos que:
P (X=0) = 0.135
b) El número medio de automóviles que llegan a la garita de peaje en el periodo de 3
minutos es λ t = 2 x 3 = 6, entonces:
P ( X >5 ) =1−P( X ≤ 5)
Utilizando la tabla II encontramos que:
P [ X ≤ 5 ]=0.446
Entonces:
P [ X >5 ] =1−0.446=0.554
c) El número medio de automóviles que llegan a la garita de peaje en medio minuto es
λt =1 , entonces:
P ( X >3 ) =1−P(X ≤ 3)
Utilizando la tabla II encontramos que:
P [ X ≤ 3 ]=0.981
Entonces:
0, P [ X ≤ 3 ]=1−0.981=0.019

2.1.3.1. Distribución de Poisson como Aproximación de la Binomial

La razón fundamental para utilizar la distribución de Poisson en muchas situaciones está

dada por la siguiente razón:

Supongamos que en la distribución de probabilidad binomial B(n, p) hacemos

n → ∞ y p →0 , en tal forma que np se acerca el valor λ> 0. Entonces B(n , p)→ P ( λ)
Según esta proporción, en cualquier experimento binomial donde n sea grande y p
pequeña, B (n, p) ~¿ P ( λ ¿ , donde λ = np. Como regla práctica, se puede confiar en esta
aproximación n ≥ 100 , p ≤ 0.01 y np ≤ 20.

Además:

Como B(n , p)→ P (λ) conforme n → ∞, p →0 ,np → λ , la media y la varianza de la

variable binomial deben aproximarse a los de una variable de Poisson, estos límites son:

np → λ y npq → λ

Ejemplo 2.5:

Si un editor de libros no técnicos se esmera en asegurar que su libro estén libres de

errores tipográficos, y la probabilidad de que en cualquier página dada contenga al
menos uno de tales errores es 0.005 y lo errores son independientes de páginas a página.

Solución:

Con E señalando una página que contiene al menos un error y S una página sin
errores, sea X: el número de páginas que contiene al menos un error, es una
variable aleatoria binomial con n = 400 y p = 0.005, así que np = 2.

Queremos:

a) P [ X=1 ] =
1 ( )
400 x ¿

3
b) P [ X ≤ 3 ]=∑ 400 x ¿
k=0 1 ( )

2.1.3.2. Uso de la Tabla de la Distribución de Poisson

La tabla II del apéndice muestra la distribución acumulativa de Poisson para

λ=0.1 , 0.2 ,… , 10 , 15 y 20. También muchos paquetes de computo estadísticos generan
previa solicitud, P ( x , λ ) y F ( x , λ ) .

2.2. DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO

Entre las distribuciones continuas más importantes estudiaremos la distribución normal,

t student y chi-cuadrado que son usadas para propósitos interferenciales. El propósito de
este capítulo es aprender a manejar las tablas estadísticas de las distribuciones
respectivas así como sus aplicaciones respectivas.

2.2.1. Distribución Normal.

La distribución de probabilidad continua más importante en todo el capo de la

estadística es con toda seguridad la distribución normal, debido a que en la práctica
muchos fenómenos industriales, científicos, o de la vida diaria pueden describirse por
esta distribución. A la distribución normal frecuentemente se la llama distribución
gaussiana. La curva normal puede considerarse como modelo teórico para analizar
situaciones reales.

Una variable aleatoria continúa X se die que esta distribución normalmente con media
μ(−∞< μ< ∞) y varianza σ 2> 0 ,si su función de densidad de probabilidad está dado por:

( )
2
−1 x−μ
1 2 σ
f ( x )= e ;−∞< x <∞
σ √2 π

Donde: π=3.1415 … .. y e=2.7182… …

La distribución normal se emplea tanto que a menudo se emplea la siguiente notación

abreviada: X→ n ( μ , σ 2 ) , para indicar que la variable aleatoria X se distribuye
normalmente con media μ y varianza σ 2 .

2.2.1.1. Propiedades de la Distribución Normal

a) La distribución normal es simétrica y tiene forma de campana, se extiende de

−∞ a ∞ .
b) En la distribución normal la media está en la mitad y divide el área en dos mitades y
la media, la mediana y la moda tienen el mismo valor.
 c) El área total bajo la curva normal es el 100%
d) Existe una distribución normal diferente para cada combinación de media y
desviación estándar
e) La probabilidad de que una variable aleatoria tenga un valor entre dos puntos es
igual al área bajo la curva normal entre los dos puntos, tal como se muestra
P ( a ≤ x ≤ b )= Area bajo la curva normal entre a y b

f) Muestra el área bajo la curva normal de 1, 2 y 3 desviaciones estándar de la media.

2.2.1.2. La Distribución Normal Estándar

Dado que existe una distribución normal diferente para una combinación de media y
desviación estándar, sería inútil intentar elaborar las tablas suficientes para calcular
probabilidades, además de la complejidad de la función de densidad (formular). Existen,
sin embargo, una alternativa sencilla que evita estos problemas. Para ello se puede
convertir esta escala real en una relativa o estandarizada, mediante la variable
normalizada.

En donde:

x −μ
Z=
σ

X: Algunos valores de interés

μ: Media

σ : Desviación estándar

La distribución de una variable aleatoria normal con media cero y varianza 1 se denota:
Z → n(0 , 1) y se lee: “La variable aleatoria estándar Z se distribuye normalmente con media
cero y varianza 1”

2.2.1.3. Uso de Tablas de la Distribución Normal Estándar

La tabla ayuda a resolver dos problemas:

a) Conocido Z, hallar el área.

a.1) Usando la Tabla III

Ejemplo 2.5:

Obtener el área para Z<1.25

P [Z < 1.25]=?

En primer lugar se debe localizar al valor 1.2 en el lado izquierdo de la tabla III y luego
el 0.05 (5 es el último dígito) en su parte superior. El área bajo la curva se puede leer en
la información de la fila Z=1.2 y la columna 0.05 el valor 0.8944.
Luego: P (Z < 1.25) = 0.8944

Observe la tabla:

TABLA N° 07

Área bajo una curva normal entre −∞ y Z = 1.25

Z 0.00 0.01 0.02 0.03 0.04 0.05 … 0.09

-3.4
-3.3
.
.
0.0
.
.
0.9
0.8944
1.0
1.1
1.2
.
 .
3.4

a.2) Usando la tabla IV

Área bajo la curva normal que se muestra en la tabla IV

Ejemplo 2.6:

Obtener el área para -1.96 ≤ Z ≤ 1.96. Cabe que los puntos son simétricos. En primer
lugar se debe localizar al valor 1.9 en el lado izquierdo de la tabla IV y luego 0.06 (6 es
el último digito) en su parte superior. El área bajo la curva se puede leer en la
información de la fila Z = 1.9 y la columna 0.06. El valor es 0.95.

Luego:

P [−1.96≤ Z ≤ 1.96 ] =0.95

Observe la tabla:

TABLA N° 08

Área bajo una curva normal entre −1.96 y 1.96

 Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 ….. 0.09
0.0
0.1
.
.
1.0
.
.
0.95
1.9
.
3.4

b) Conocido el área, hallar Z.

Ejemplo 2.7:

Hallar Z tal que: P [ Z ≤ Z 0 ]=0.9382

En efecto, se ubica el número 0.9382 en el cuerpo de la tabla III. Por este punto se traza
una línea horizontal y una vertical, las que intersectan a la primera columna y la primera
fila en 1.5 y 0.04, respectivamente; luego Z = 1.5 + 0.04 = 1.54

TABLA N° 09

Z 0.00 0.01 0.02 0.03 0.04 0.05 …..

0.09
3.4
.
.
.
0.0
.
.
1.0
. 0.9382
 .
1.5
.
.
3.4

2.2.1.4. Propiedades para el Cálculo de Otras Áreas en la Distribución Normal

Estándar

P [ Z ≥ Z 0 ]=1−P [Z< Z 0 ]

0
Z0

Ejemplo 2.8:

Hallar P[Z ≥ 2.32]

Solución:

P [ Z ≥ 2.32 ] =1−P [ Z< 2.32 ] =1−0.9898=0.0102

P [ Z ≤−Z 0 ]=1−P[ Z< Z 0 ]

b)

Ejemplo 2.9:

Hallar P[Z ≤ 0.03]

Solución:

P [ Z ≤−0.03 ] =1−P [ Z< 0.03 ] =1−0.5120=0.4880

También se puede obtener directamente de la tabla III, ya que tiene valores negativos

c) P [ Z ≥−Z 0 ] =P[Z ≤ Z 0 ]

Ejemplo 2.10:

Hallar P[Z ≥−1.30]

Solución: P [ Z ≥−1.30 ] =P [ Z ≤1.30 ] =0.9032

b) P [ Z 0 ≤ Z ≤ Z1 ] =P [ Z ≤ Z 1 ]−P [Z< Z 0 ]

Ejemplo 2.11:

Hallar P[−2.05 ≥1.36 ]

Solución:

P [−2.05≤ Z ≤ 1.36 ] =P [ Z ≤1.36 ] −P [Z ←2.05].

P [−2.05≤ Z ≤ 1.36 ] =0.9131−0.0202.

P [−2.05≤ Z ≤ 1.36 ] =0.8929 .

Ejemplo 2.12:

Hallar P[2.58 ≤ Z ≤ 3.49]

Solución:

P [ 2.58 ≤ Z ≤ 3.49 ] =P [ Z ≤ 3.49 ] −P [Z< 2.58].

P [ 2.58 ≤ Z ≤ 3.49 ] =0.9998−0.9951.

P [ 2.58 ≤ Z ≤ 3.49 ] =0.0047 .

2.2.1.5. Aplicaciones de la Distribución Normal Estándar

Ejemplo 2.13:

Las ventas diarias (excluyendo los sábados) en un restaurante pequeño tiene una
distribución de probabilidad que es aproximadamente normal con media igual $530 y
una desviación estándar de $120.

a) ¿Cuál es la probabilidad de que las ventas excedan de $700 en un día dado?

Solución:

Variable aleatoria X: Ventas diarias en dólares

X → n(530 , 14400).

μ=$ 530 ; σ =$ 120.

a) P [ X >700 ] =P [ X−μ 700−530

σ
>
120 ]
¿ P[Z >1.42].

¿ 1−P [X ≤ 1.42].

¿ 1−0.9222 .

¿ 0.0778 .

D.N.G D.N.E
Ejemplo 2.14:

El promedio de las alturas de 800 alumnos de una gran unidad escolar es 1.50 m. y la
desviación es 0.30 m. Asumiendo que las alturas están normalmente distribuidas,
encontrar cuantos alumnos miden:

a) Entre 1.30 m y 1.70 m.

b) Mas de 1.65 m.

Solución:

Variable aleatoria X: Altura en metros

X → n(1.50 , 0.09)

a) P [ 1.30 ≤ X ≤700 ] =P [ 1.30−1.50

0.30
≤Z ≤
1.70−1.50
0.30 ]
¿ P[−0.67 ≤ Z ≤0.67 ].

¿ P [ Z ≤ 0.67 ] −P[Z ←0.67].

¿ 0.7486−0.2514 .

¿ 0.4972.

El número de alumnos que miden entre 1.30 m y 1.70 m, es:

n1 =nxP[1.30 ≤ X ≤ 1.70].

~
n1 =800 x 0.4972 ¿398 alumnos.

[
b) P [ X >1.65 ] =P Z>
1.65−1.50
0.30 ]
¿ P[Z >0.5 ].

¿ 1−P [Z ≤ 0.5].
¿ 1−0.6915 .

¿ 0.3085 .

El número de alumnos que pesan más de 1.65 m, es:

n2 =nxP[ X >1.65] .

~
n2 =800 x 0.3085 ¿ 247 alumnos.

Ejemplo 2.15:

Los puntajes en un examen de selección para seguir estudios superiores de maestría

están distribuidos normalmente con media 76 y desviación estándar 15. Se ha
establecido que el 15% de los concursantes que son mejores recibirán una beca integral
de estudios, en tanto que el 10% que se supone que son peores, definitivamente no
podrá seguir estudios superiores.

Hallar:

a) El puntaje mínimo para ganar la beca.

El puntaje mínimo para seguir estudios superiores.

Solución:

Variable aleatoria X: Puntaje

X →(76,225).

μ=76.

σ =15.

a) Puntaje mínimo para ganar la beca:

P [ X > X 1 ] =0.15.

P [ Z > Z1 ] =0.15.

P [ Z > Z1 ] =1−P [ Z ≤ Z 1 ]=0.15.

⇒ P [ Z ≤ Z 1 ]=1−0.15=0.85 .

Z1 =1.03.

X 1−μ
⇒ =1.03.
σ

X 1−76
=1.03 .
15

X 1 =76+15(1.03).

X 1 =91.45.

El puntaje mínimo para ganar la beca es de 91.45.

b) Puntaje mínimo para seguir estudios superiores.

P [ X ≤ X 2 ]=0.10 .

P [ Z ≤ Z 2 ] =0.10 .

⇒ Z 2=−1.29 .

X 2−μ
=−1.29 .
σ

X 2−76
=−1.29.
15

X 2 =76−15 (1.29) .

X 2 =56.65.

El puntaje mínimo para seguir estudios superiores es 56.65.

2.2.2. Distribución t de Student

Se dice que una variable T tiene una distribución T Student con υ grados de libertad si
su función de densidad de probabilidad está dada por:

γ ( 2 )
υ+1

( 1+ )
2 −(υ+1)/2
t
f ( t )=

√ 2
υ
υπγ ( )
υ

t ϵ R y υ=1, 2 , … …

Se denota como: T→ t υ y se lee la variable T se distribuye como una t de student con υ

grados de libertad.

OBSERVACIONES

La distribución de la variable aleatoria T depende únicamente del parámetro υ .

Entonces, hay una distribución t correspondiente a cada grado de libertad. En la fig. Se
presenta un bosquejo de la función de densidad de la variable aleatoria T para diferentes
grados de libertad. En la misma figura se da la gráfica de la normal estándar. Note la
simetría de la distribución t alrededor de t=0 y varia de menos infinito a mas infinito.

La media y la varianza de la distribución t Student con υ grados de libertad están dados

por:

M =E ( T )=0 , υ> 1.

2 υ
σ =V (T )= ,υ>2.
υ−2

Como podemos ver, la distribución t de student es muy similar a la distribución normal

n (0, 1), ya que ambas tienen como dominio todos los reales, son simétricas con
respecto a su media cero. Las dos tienen gráficos de forma de campana, pero la
distribución t de student tiene mayor dispersión que la distribución normal n (0, 1). La
distribución t de student se aproxima a la normal n (0, 1) cuando el grado de libertad υ
es suficientemente grande. En la práctica cuando el grado de libertad v es mayor o igual
que 30 (υ ≥ 30 ¿, la distribución t se trata como distribución normal n (0, 1).

2.2.2.1. Uso de Tablas de la Distribución t de Student: Debido a la importancia de la

distribución t en la inferencia estadística y la dificultad para evaluar la función de
distribución de la variable aleatoria T, estas se dan en una tabla. Puesto que existe una
distribución t diferente para cada grado de libertad, no es práctico proporcionar una
tabla de áreas completas para todas las distribuciones t, que corresponden a diferentes
grados de libertad. Se presentan en las tablas V y VI solo un resumen de la información
de cada una de estas distribuciones. Para el cálculo de áreas de la distribución t de
student se utiliza la misma propiedades de la distribución normal n (0, 1).

a) Uso de la tabla V: Calcula la probabilidad de que la variable aleatoria t tome valores

menores o iguales a una constante t 0=t 1−α . Así:

P [ T ≤ t 1−α ]=1−α

Ejemplo 2.16:

Si T → t 18 , hallar

1) P [ T ≤2.101 ]=0.975

2) P [ T >1.330 ] =1−P [ T ≤ 1.330 ] =1−0.90

 P [ T >1.330 ] =0.10.

3) P [ T ≤−1.330 ]=P [T ≥ 1.330]

P [ T ≤−1.330 ]=1−P[T <1.330].

P [ T ≤−1.330 ]=1−0.90=0.10.

4) P [ T ≥−1.330 ] 0 P [ T ≤ 1.330 ] =0.90

b) Uso de la Tabla VI: Calcula probabilidad de que la variable aleatoria T tome valores
dos puntos simétricos −t 0=−t 1−a /2 y t 0=t 1−a/ 2. Así:

Ejemplo 2.17:

Si T → t 18 , hallar:
1) P [−2.101≤ T ≤ 2.101 ] =0.95

2) P [−2.878≤ T ≤ 2.878 ] =0.99

2.2.3. Distribución Chi-Cuadrado

Se dice que la variable aleatoria X tiene una distribución chi-cuadrado con v grados de
libertad si su función de densidad esta dad por:

−υ x
2 2
2
x e 2 , si x ≥ 0
P ()
υ
2

f ( x )=¿

0; si x < 0

Notación abreviada:

2
X → Xυ

Donde υ es un número entero positivo.

2.2.3.1. Uso de la Tabla de la Distribución Chi-Cuadrado: Debido a que la

distribución chi-cuadrado es importante en las aplicaciones principalmente en inferencia
estadísticas, alguna de las cuales citaremos posteriormente, la función de distribución
F(x) está preparada en tabla (ver tabla VII) para valores seleccionados de υ y X 2 . Por lo
tanto, se puede encontrar en la tabla la probabilidad de que la variable aleatoria X que
tiene una distribución X 2υ (1 ≤ υ ≤ 30) sea menor o igual a un valor constante X 20=X 21−α
representado por:

P [ X ≤ X 21−α ,υ ]=1−α

Como no existe simetría, la tabla VII presenta las probabilidades (áreas) acumuladas
desde X 20=0 hasta X 20 → ∞ .

Puesto que existe una distribución chi-cuadrado diferente para cada valor de υ , resulta
impráctico proporcionar tablas de áreas completas. En lugar de esto la tabla VII presenta
un resumen de la información más esencial acerca de la distribución.

Ejemplo 2.18:

2
Si X → X 20, hallar:

a) P [ X ≤ 28.4 ] =0.90

b) P [ X ≥ 12.4 ] =1−P[ X ≤ 12.4]

P [ X ≥ 12.4 ] =1−0.10

P [ X ≥ 12.4 ] =0.90

c) P [ 12.4 ≤ X ≤ 28.4 ] =P [ X ≤ 28.4 ]−P [ X < 12.4]

P [ 12.4 ≤ X ≤ 28.4 ] =0.90−0.10

P [ 12.4 ≤ X ≤ 28.4 ] =0.80

 PROBLEMAS PROPUESTOS N° 2

Distribución Binomial

1. A cada una de las seis personas que toman refresco de soda, seleccionadas al azar se les
da un vaso que contiene refrescos de cola A y otro que contiene refresco de cola B. Los
vasos son idénticos en apariencia, excepto por un código que se encuentra en el fondo
 para identificar la marca. Suponga que, en realidad no hay tendencia entre las personas
que deben refrescos de cola a preferir entre una marca y otra. Entonces p = P (un
individuo seleccionado prefiere A) = 0.5, así que X: numero entre los seis que prefiere
A, X → B ( 6 , 0.5 ) .Determinar la probabilidad de que:
a) A lo más uno prefiera A.
b) Por lo menos tres prefieren A.
2. Cuando se prueban tarjetas de circuito empleadas en la manufactura de reproductores de
discos compactos, a la larga el porcentaje de partes defectuosas es de 5% Sea X: número
de tarjetas defectuosas en una muestra seleccionada al azar de tamaño n = 25, entonces
X → B ( 25 , 0.05 ) .
a) Determine P( X ≤ 2)
b) Determine P( X ≥ 5)
c) Determine P(1 ≤ X ≤ 4)
d) ¿Cuál es la probabilidad de que ninguna de las 25 tarjetas esta defectuosa?
e) Calcule el valor esperado y la desviación estándar.

3. Veinte por ciento de todos los teléfonos de cierto tipo se remiten para repararse cuando
todavía está vigente su garantía. De esto, 60% puede ser reparado y el otro 40% debe
sustituirse por aparatos nuevos. Si una compañía compra 10 de estos teléfonos, ¿Cuál es
la probabilidad de que exactamente se cambien 2 dentro del periodo de garantía?
4. La producción de cuatro máquinas es recogida en cajas de 5 unidades. La experiencia
permitió establecer la siguiente distribución de las cajas, según número de unidades
defectuosas que contienen:

N° de unidades defectuosas 0 1 2 3 4 5
Porcentaje de cajas 0.70 0.15 0.08 0.05 0.02 0.00

La inspección diaria consiste en examinar las 5 unidades de cada caja.

Se acepta una caja cuando contiene menos de dos unidades defectuosas.
En caso contrario se rechaza.
a) ¿Cuál es la probabilidad de rechazar una caja que no contenga unidades defectuosas?
b) ¿Cuál es la probabilidad de aceptar una caja que contenga tres unidades defectuosas?
 Distribución de Poisson

5. Una compañía telefónica emplea cinco operadoras que reciben solicitudes de

información independientemente una de otra, cada una según un proceso de Poisson con
tasa λ=2 por minuto.
a) ¿Cuál es la probabilidad de que durante un periodo de un minuto la primera operadora
no reciba solicitudes?
b) ¿Cuál es la probabilidad de que durante un periodo de un minuto exactamente cuatro de
las cinco operadoras no reciban solicitudes?
c) Escriba una expresión para la probabilidad de que durante un periodo de un minuto
todas las operadoras reciban exactamente el mismo número de solicitudes.
6. Un puesto de periódicos solicitado cinco ejemplares de cierta edición de una revista de
fotografía. Sea X; número de individuos que entra a comprar esta revista. Si X tiene una
distribución de Poisson con parámetro λ=4 . ¿Cuál es el número esperado de ejemplares
que se venderán?
7. Una universidad procesa 100 000 calificaciones en determinado semestre. En ocasiones
anteriores se ha descubierto que 0.1% de todas las calificaciones estaban equivocadas.
Suponer que una persona estudia cinco materias en esta universidad en un semestre
¿Cuál es la probabilidad de que todas las calificaciones estén correctas?
8. En cada página de una enciclopedia caben 3000 letras. La editorial estima que se
comete una errata en cada 5000 letras. Suponiendo que el número de erratas por página
sigue aproximadamente una distribución de Poisson, se pide:
a) Calcular la probabilidad de que en una página haya exactamente dos erratas.
b) Si se van revisando las páginas una a una, calcular la probabilidad de que la primera
errata que se encuentra aparezca en la quinta página revisada.
c) Calcular la probabilidad de que en las cinco primeras páginas haya al menos dos erratas

Aplicaciones y Manejo de Tablas de la Distribución Normal, t-Student y Chi-

Cuadrado.

9. Si X → n ,hallar:
a) P[Z ≤1.57 ] b) P[Z ≤1.84 ] c) P[1.57 ≤ Z ≤ 1.84 ]
d) P[−1.84 ≤ Z ≤1.84 ] e) P[Z ≥−2.08 ]
10. Si P [ Z ≥ Z 0 ]=0.50 ; hallar Z0.
11. Si P ¿] = 0.025, hallar Z0.
12. ¿Entre que dos valores de Z (simétricos alrededor de la media) estará contenido el
68.26% de todos los valores posibles de Z?
13. Si X → n ( 100 ,100 ) , hallar
a) P[ X ≤75 ] b) P ¿ c) P[75 ≤ X ≤ 85] d) P[ X >112]
e) P[ X <110 ó X >110]
f) El valor mínimo de x para el 10% de los valores.
g) Hallar los dos valores de X (simétricos alrededor de la media de 80% de los valores).
14. Los gastos mensuales en alimentación para la familias de cuatro miembros en una
ciudad grande son en promedio de 420 con una desviación estándar de 80 dólares.
Suponga que los gastos mensuales por alimentación tiene distribución normal.
a) ¿Qué porcentaje de gastos es menor que 350 dólares?
b) ¿Qué porcentaje de estos gastos esta entre 250 y 350 dólares?
c) ¿Qué porcentaje de estos gastos esta entre 250 y 450 dólares?
d) ¿Qué porcentaje de estos gastos es menor que 250 o mayor que 450 dólares?
e) ¿Qué es el gasto mínimo del 10% de familias con mayores gastos?
15. Los pesos de 600 paquetes están normalmente distribuidos con medias 65.3 Kg. y
desviación estándar 5.51 Kg. Encuentre el número de paquetes que pesan:
a) Entre 60 y 70 Kg. b) más de 63.2 Kg.
16. Las calificaciones de una prueba de Estadística tienen distribución normal una media de
12. Si el 95.44% de los examinados obtuvo calificaciones entre 8 y 16.
a) Calcular la desviación estándar de la distribución
b) Si la nota aprobatoria es 11, ¿Qué porcentaje de alumnos aprobaron el curso?
17. El tiempo de acceso al disco duro en un cierto modelo de ordenadores se distribuye
normalmente con media 15 milisegundos y una desviación estándar 3 milisegundos.
a) ¿Qué porcentaje de ordenadores acceden al disco duro entre 10 y 20 milisegundos?
b) ¿Qué porcentaje de ordenadores acceden al disco duro en más de 20 milisegundos?
c) ¿Cuál es el tiempo de acceso máximo del 10% de ordenadores con menor tiempo de
acceso al disco duro?
18. Si T → t 11, hallar:
a) P[T ←1.796 ] b) P[T >−1.363] c) P[T ←3.497 ]
d) P[−2.718 ≤T ≤2.718 ]
19. Si T → t 25 , hallar:
a) P[T ≥−1.708 ] b) P[T ≤ 2.485]
 c) P[T ≥ 3.450] d) P[T ←1.316 ]
20. Si X → X 215 hallar:
a) P[ X <32.8] b) P[ X >25.0]
c) P[11.0 ≤ X ≤−30.8] d) P[ X ≥ 30.6]
21. Si X → X 220 hallar:
a) P[12.4 ≤ X ≤ 40.0] b) P[ X >15.5]
c) P[ X <9.59 ] d) P[ X ≥ 28.4]