MATERIAL DE TRABAJO N° 5

ALGUNAS DISTRIBUCIONES DE PROBABILIDAD DE USO FRECUENTE

1- Introducción

Así como en el estudio de fenómenos determinísticos algunas funciones (como las lineales,
las cuadráticas, las exponenciales, etc.) desempeñan un papel más importante que otras; en
el estudio del comportamiento de una variable aleatoria hay ciertas distribuciones de
probabilidad que aparecen más a menudo que otras. Se trata de modelos relativamente
simples que sirven para describir un gran número de fenómenos aleatorios.

Como ya se mencionó en el Material de Trabajo N° 3, estos modelos resumen el

comportamiento de la variabilidad de los valores de una variable aleatoria (discreta o
continua) en la población, describen la proporción de elementos de la población que toman
esos valores y ayudan a comprender qué valores de la variable son posibles y con qué
probabilidad aparecen dichos valores en la población, facilitando así la toma de decisiones.

En la Sección 2 de este material se presentan algunos modelos de uso frecuente para el

estudio del comportamiento de variables aleatorias discretas y en la Sección 3, algunos
modelos de uso frecuente para el estudio del comportamiento de variables aleatorias
continuas.

Recuerde que, en el caso de variables aleatorias discretas, la función de probabilidad puntual

pX(x) brinda la probabilidad de que la variable aleatoria X tome el valor x; mientras que, en el

caso de variables aleatorias continuas, la probabilidad de que la variable aleatoria tome

valores en el intervalo (a,b) se obtiene integrando la función de densidad de probabilidad fX(x).

Para ambos tipos de variables, se define la función de distribución F X(x) = P(X ≤ x), la cual

también permite obtener diferentes probabilidades.

(Para recordar estos conceptos, vuelva al MT 3).

1
2- Distribuciones de probabilidad de uso frecuente para variables aleatorias discretas

2-1- Distribución de Bernoulli

Considere una experiencia que admita sólo dos resultados posibles, A y su opuesto, A .
Esa experiencia se denomina “ensayo de Bernoulli”.
En el lenguaje corriente los resultados A y A se denominan respectivamente “éxito” y “fracaso”. El
término “éxito” no está asociado necesariamente con un resultado bueno, sino con lo que se quiere
observar o estudiar. Por ejemplo, en una empresa se está llevando a cabo una inspección y puede
definirse como “éxito” que una pieza sea defectuosa.

La población está compuesta por los infinitos ensayos de Bernoulli que pueden llevarse a
cabo.
La variable aleatoria X se puede definir como el nº de veces que aparece el éxito en un
único ensayo de Bernoulli (o bien en una muestra de tamaño n = 1).

RX = {0, 1} es decir que esta variable sólo puede asumir los valores 0 y 1:

x = 0 cada vez que al repetir la experiencia se presenta A

x = 1 cada vez que al repetir la experiencia se presenta A.

Suponga que se conoce que la probabilidad de que ocurra A es π y la probabilidad de que

ocurra A es (1 – π).

Se dice que X se comporta según la Distribución o Modelo de Bernoulli, con parámetro π y

se simboliza X ~ Be(π). La función de probabilidad puntual de X viene dada por la Tabla 2.1.

Tabla 2.1. Función de probabilidad del Modelo de Bernoulli

(x) pX(x) = πx(1-π)1-x

0 1–π
1 π
Total 1

Esta distribución es importante porque permite el trabajo con variables originalmente

cualitativas, a través de una nueva variable que resulta cuantitativa discreta. Además,
constituye la base para otras distribuciones de probabilidad para variables aleatorias
discretas que se van a presentar luego.

2
Aplicando las definiciones de Esperanza y Variancia vistas en el MT 3, se obtiene que, para
variables con Distribución de Bernoulli, E(X) = π y V(X) = π(1-π).

El parámetro de interés es la proporción (π) de elementos que cumplen cierta

condición. Este valor coincide con la esperanza o media de la distribución.

Distribución o Función de Parámetros Parámetros

modelo probabilidad matemáticos Esperanza Variancia
pX(x) E(X) V(X)

πx(1-π)1-x
Bernoulli π π π ( 1 – π)
X Be(π)

Ejemplo 2.1. En una empresa se conoce que el 10 % de los componentes producidos por
cierto proceso son defectuosos. Se selecciona al azar un componente y se observa si este
es defectuoso o no.
Se define la variable X: nº de componentes defectuosos en una muestra de tamaño n = 1.
Entonces, X ~ Be(0,10). Su función de probabilidad (en forma tabular y en forma gráfica) y
algunas medidas de resumen, se presentan en la Tabla 2.2

La población asociada a esta variable es el conjunto de infinitos componentes.

La probabilidad de que el componente sea defectuoso es: P(X = 1) = 0,10
La probabilidad de que el componente no resulte defectuoso es: P(X = 0) = 0,90.
El valor medio para esta variable es: E(X) = 0,10, el cual coincide con la proporción
poblacional de componentes defectuosos.

Tabla 2.2. Distribución de probabilidad para el nº de componentes defectuosos en muestras de n = 1

Función de probabilidad puntual para el
modelo Be(0,10) 0,9

0,8
(x) pX(x)
0,7
0 0,90
0,6
1 0,10
0,5
p(x)

Total 1
0,4

0,3
E(X) = 0,10 componentes defectuosos
0,2
V(X) = 0,10.0,90 = 0,09
0,1
(componentes defectuosos)2 0,0
0 1
D(X) = 0,3 componentes defectuosos X: N° de componentes defectuosos en una muestra de tamaño n = 1

3
2-2- Distribución Binomial
Considere n ensayos independientes de Bernoulli, de tal manera que la probabilidad (π) de
que se presente el resultado de interés (A) se mantiene constante de ensayo a ensayo.
Se define la variable aleatoria X: n° de ensayos de Bernoulli en los que se presenta A, entre
los n (o en una muestra de tamaño n).
La población asociada a esta variable está formada por los infinitos grupos o muestras de
tamaño n que se pueden generar.

RX = {0, 1, 2, …, n} es decir que esta variable asume valores enteros entre 0 y n.

Se dice que X se comporta según la Distribución o Modelo Binomial, con parámetros n y π y

se simboliza X ~ Bi(n, π). La función de probabilidad de X viene dada por la siguiente

n
expresión: pX(x) = πx(1-π)n-x.
x

La expresión hace referencia a las “combinaciones de n elementos tomadas de x”

es decir, al número de grupos distintos (*) de tamaño x que se pueden formar a
partir de un total de n elementos. Se obtiene de la siguiente manera:
n n!
x x !(n x )!

(*) dos grupos son diferentes entre sí cuando difieren en al menos un elemento; pero
no importa en este caso el orden en que se ubican dichos elementos.

Aplicando las definiciones de Esperanza y Variancia vistas en el MT 3, se obtiene que para

variables con Distribución Binomial, E(X) = nπ y V(X) = nπ(1-π).

Distribución o Función de Parámetros Parámetros

modelo probabilidad matemáticos Esperanza Variancia
pX(x) E(X) V(X)

Binomial
n x
X Bi(n,π) π (1-π)n-x
x n, π nπ nπ( 1 – π)

Según los valores de n y π, la distribución puede resultar simétrica, asimétrica a la

derecha o asimétrica a la izquierda. En las Figuras 2.2 se presentan diferentes
situaciones.
4
En la primera columna se tienen distribuciones binomiales con n = 5 y diferentes valores de
π. Observe que:
- Cuando π es pequeña, los valores de la variable más probables son los más pequeños (0 y
1 en este caso) y los menos probables son los mayores. La forma de la distribución es
asimétrica a la derecha.
- Cuando π es 0,50, los valores de la variable más probables son los valores intermedios (2
y 3 en este caso). La forma de la distribución es simétrica.
- Cuando π es alta, los valores de la variable más probables son los más grandes (4 y 5 en
este caso) y los menos probables son los menores. La forma de la distribución es asimétrica
a la izquierda.

En la segunda columna se tienen distribuciones binomiales con π = 0,20 y diferentes valores

de n. Observe que a medida que n aumenta, la forma de la distribución se va haciendo cada
vez más simétrica, independientemente del valor de π.

Analizando las distribuciones, presentadas en las Figuras 2.2, reflexione sobre lo

siguiente…¿Cuál es el valor más probable en cada una? ¿Siempre coincide con E(X)?

A modo de ejemplo, obtenga e interprete E(X), V(X) y otros parámetros para el modelo
presentado en la primera columna y tercera fila de las Figuras 2.2, suponiendo que el
ensayo de Bernoulli consiste en seleccionar una pieza de un cierto proceso de
producción y analizar si es apta para cierto uso o no. El resultado de interés (éxito) es
que la pieza resulte apta.
Antes de realizar las interpretaciones, defina la población y la variable de interés.

5
 Distribuciones con mismo n, pero Distribuciones con mismo valor de π, pero
distinto valor de π distinto n

0,4 0,4

0,3 0,3

0,2 0,2

0,1 0,1

0,0 0,0
0 1 2 3 4 5 0 1 2 3 4 5

X ~ Bi(n = 5, π = 0,20) X ~ Bi(n = 5, π = 0,20).

0,35
0,30
0,30

0,25
0,25

0,20
0,20

0,15 0,15

0,10
0,10

0,05
0,05
0,00
0 1 2 3 4 5
0,00
0 1 2 3 4 5 6 7 8 9 10

X ~ Bi(n = 5, π = 0,50)
X ~ Bi(n = 10,π = 0,20)

0,4 0,20

0,3
0,15

0,2
0,10

0,1
0,05

0,0
0 1 2 3 4 5
0,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

X ~ Bi(n = 5, π = 0,70)
X ~ Bi(n = 30,π = 0,20)
Figuras 2.2 Gráficas de distribuciones de probabilidad, correspondientes al Modelo Binomial,
con diferentes valores de π (primera columna) y con diferentes valores de n (segunda columna)

Ejemplo 2.2. Suponga que en una empresa que fabrica cierto tipo de piezas se conoce por
experiencia que el 3 % de las mismas resultan defectuosas. Las piezas se comercializan en
bolsas de 10 unidades. En la empresa desean estudiar el comportamiento del n° de piezas
defectuosas en cada bolsa.

La población está conformada por las infinitas bolsas de 10 piezas

La variable en estudio es X: n° de piezas defectuosas entre 10 (es decir, el número de
piezas defectuosas por bolsa)

6
X ~ Bi(10, 0,03) y su recorrido RX = {0,1, 2, 3, ….10}
Su función de probabilidad puntual se presenta en la Figura 2.3, junto con algunas medidas
de resumen.

Función de probabilidad puntual del Modelo Binomial Bi(10, 0,03)

Binomial con n
= 10 y p = 0,03 0,8

0,7
x P( X = x )
0,6
0 0,737424
0,5
1 0,228069
2 0,031742 0,4
3 0,002618
0,3
4 0,000142
0,2
5 0,000005
6 0,000000 0,1
7 0,000000
0,0
8 0,000000 0 1 2 3 4 5 6 7 8 9 10

9 0,000000
E(X) = 0,3 piezas defectuosas
10 0,000000
V(X) = 0,291 (piezas defectuosas)2 D(X) = 0,54 piezas defectuosas
Figuras 2.3 Distribución de probabilidad puntual Binomial, Bi(10, 0,03)

Del análisis de la distribución de probabilidades se puede decir, para un gran número de

bolsas de 10 piezas, que:
- el número de piezas defectuosas en cada bolsa oscila entre 0 y 4, (ya que el resto de los
valores posibles tienen probabilidad nula)
- el número promedio de piezas defectuosas por bolsa es 0,30 unidades y su desviación
estándar es 0,54.
- aproximadamente en el 74 % de las bolsas no se encuentran piezas defectuosas (P(X = 0)
= pX(0) = 0,74)
- Más frecuentemente no hay piezas defectuosas en las bolsas (Moda = 0).

¿Qué pensaría Ud. si en una bolsa de 10 componentes le informan que se encuentran

como mínimo 4 defectuosas? ¿Es ese un resultado posible? ¿Es un resultado
probable?

7
2-3- Distribución Hipergeométrica
Considere un conjunto finito de N elementos (una población finita), cada uno de los cuales

se clasifica como A o A . Se sabe además que hay NE elementos clasificados como A en

ese conjunto.

Se seleccionan al azar y sin reposición, n elementos de dicha población.

Se define la variable aleatoria X: n° de elementos de tipo A que aparecen entre los n

seleccionados.
La población asociada a esta variable está formada por todos los conjuntos o muestras de n
elementos que pueden tomarse de los N elementos originales.

RX = {0, 1, 2,… mín(n, NE)} es decir que esta variable asume valores enteros entre 0 y el
mínimo entre n y NE.

Se dice que X se comporta según la Distribución o Modelo Hipergeométrico, con

NE NF
parámetros N, NE y n. La función de probabilidad es pX(x) = x n x ,
N
n

donde NF es la cantidad de elementos clasificados como A en la población.

Aplicando las definiciones de Esperanza y Variancia vistas en el MT 3, se obtiene que para
NE
variables con Distribución Hipergeométrica, E(X) = n y V(X) = n NE 1 NE N n
N N N N 1

Distribución o Función de Parámetros Parámetros

modelo probabilidad matemáticos Esperanza Variancia
pX(x) E(X) V(X)

NE NF
x n x (*) N, NE, n NE NE NE N n
Hipergeométrica n n 1
N N N N N 1
n

8
Ejemplo 2.3 Suponga que a una empresa llega un embarque de 15 contenedores con
cierta sustancia química. Dado que dicha sustancia es un insumo importante en el proceso
de producción, en la empresa deciden llevar a cabo lo siguiente:
Seleccionar al azar 3 contenedores del embarque y evaluar el nivel de pureza de la
sustancia en cada uno de ellos. Si dicho nivel no es el apropiado, en por lo menos 1
contenedor de los 3, se devuelve el embarque completo.
Interesa evaluar las posibilidades de devolución del embarque.
(Ejemplo adaptado del libro “Probabilidad y Estadística aplicadas a la ingeniería” de D. Montgomery y
G. Runger, Mc Graw-Hill, México, 1996)

La población está conformada por los grupos de 3 contenedores que pueden seleccionarse
de entre los 15.
La variable en estudio es X: n° de contenedores con nivel inapropiado de pureza entre los 3
seleccionados.
X ~ Hipergeom(15, NE, 3) y su recorrido es RX = {0, 1, 2, mín (NE,3)}

Suponga que se sospecha que entre los 15 hay 2 con nivel inapropiado de pureza, de
donde NE = 2.
X ~ Hipergeom(15, 2, 3) y su recorrido es RX = {0, 1, 2}

Observe que, aunque se inspeccionan 3 contenedores, no puede haber 3 con nivel inapropiado porque
en la población sólo hay 2 con esas características.

Su función de probabilidad se presenta en la Figura 2.4, junto con algunas medidas de

resumen.
La probabilidad de que el embarque se devuelva es: P(X ≥ 1) = pX(1) +pX(2) = 0,37

Del análisis de la distribución de probabilidades se puede decir, para un gran número de

muestras de 3 contenedores, que:
- el número promedio de contenedores con nivel inapropiado de pureza (entre los 3
evaluados) es 0,4 y su desviación estándar es 0,59.
- más frecuentemente, no habrá contenedores inapropiados entre los 3 (Moda = 0)
- aproximadamente en el 63 % de las veces no se encontrarán contenedores inapropiados
entre los 3 y el embarque completo se aceptará.
- por lo tanto, un 37 % de las veces, se encontrarán 1 o 2 contenedores inapropiados y el
embarque completo se devolverá.

9
 Función de probabilidad puntual del Modelo Hipergeométrico(15,2,3)
Hipergeométrico
0,7
con N = 15, M = 2
y n = 3 0,6

0,5
x P( X = x )

Probabilidad
0 0,628571 0,4
1 0,342857
0,3
2 0,028571
0,2

E(X) = 0,4 cont. con

0,1
nivel inapropiado de
impureza entre 3 0,0
0 1 2
N° de contenedores con nivel inapropiado de impurezas, entre 3
V(X) =0,3466
(cont.inapropiados)2 Observe que, aunque se inspeccionan 3 contenedores, no
puede haber 3 con nivel inapropiado porque en la
D(X) = 0,59 población sólo hay 2 con esas características.
(cont. con nivel inapr.)

Figuras 2.4 Distribución de probabilidad Hipergeométrica

La probabilidad 0,37 puede ser vista como un riesgo para el proveedor de esa
sustancia, ya que mide la chance de que le devuelvan el lote enviado, con todo lo que
ello implica.
La probabilidad 0,63 puede ser vista como un riesgo para el comprador, ya que mide
la chance de que un embarque (que tiene algunos contenedores inapropiados) pase a
producción. Estas cuestiones se discutirán con más detalle más adelante.

2-4- Distribución de Poisson

Considere intervalos de números reales, en los cuales se observa el número de ocurrencias
de un evento. Suponga que estos intervalos pueden dividirse en subintervalos lo
suficientemente pequeños de manera que la probabilidad de que dos o más eventos ocurran
simultáneamente se pueda considerar nula. Suponga también que la probabilidad de
ocurrencia de los eventos es proporcional a la longitud de los intervalos y que los eventos
ocurren en cada subintervalo de manera independiente.
Se define la variable aleatoria Y: n° de ocurrencias del evento en intervalos (siempre de
igual amplitud).
La población asociada a esta variable está formada por los infinitos intervalos.

RY = {0, 1, 2,… } es decir que esta variable está definida para el conjunto No

10
 Distribución o Función de
modelo probabilidad Esperanza Variancia
pY(y) E(YT) Var(YT)

Poisson
e αT
αT y αT αT
YT Po(αT)
y!

En el recuadro, se presenta una variable aleatoria YT, donde T es el tamaño de los intervalos
que se consideran y α es el número promedio de eventos por unidad.

YT es el n° de ocurrencias del evento en intervalos de amplitud T, de modo que YT en

realidad representa a un conjunto de variables con distribución de Poisson. A ese conjunto
se lo denomina “proceso de Poisson”.

Los intervalos de números reales en la práctica pueden ser períodos de tiempo, volúmenes,
superficies, etc. En el ejemplo 2.5, los intervalos se refieren a superficies.

Ejemplo 2.5. Se conoce que el número de partículas contaminantes que aparecen en discos
ópticos sigue una ley de Poisson con un promedio de 0,1 partículas por cm2. Se van a
revisar discos de 100 cm2 de superficie e interesa estudiar el comportamiento del número de
partículas contaminantes en dichos discos. Si este número es mayor que 12 unidades, en la
empresa considerarían hacer modificaciones en el proceso de producción de los discos.
(Ejemplo adaptado del libro “Probabilidad y Estadística aplicadas a la ingeniería” de Montgomery y Runger)

La población está conformada por los infinitos intervalos de 100 cm2 (en este caso, estos
intervalos son los discos ópticos con dicha superficie).
La variable en estudio es X100: n° de partículas contaminantes en intervalos de amplitud 100
(en discos).
X100 ~ Po(0,1 x 100) y su recorrido es RX = {0, 1, 2, …}
(recuerde que α = 0,1 partículas contaminantes por cm2)
Su función de probabilidad se presenta en la Figura 2.5, junto con algunas medidas de
resumen.
La probabilidad de interés, P(X100 > 12) se puede obtener de la siguiente manera:
P(X100 > 12) = 1 –P(X100 ≤ 12) = 1 – 0,79 = 0,21

11
 Función de probabilidad puntual del Modelo Poisson(10)
Poisson con media =10
0,14
x P( X = x )
0 0,000045
1 0,000454 0,12
2 0,002270
3 0,007567
4 0,018917 0,10
5 0,037833
6 0,063055
0,08
7 0,090079
8 0,112599
9 0,125110 0,06
10 0,125110
11 0,113736
12 0,094780 0,04
13 0,072908
14 0,052077 0,02
15 0,034718
16 0,021699
17 0,012764 0,00
18 0,007091 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
…. x

E(X) = 10 partículas por disco de 100 cm2

V(X) =10 (partículas)2 D(X) = 3,16 (part por disco de 100 cm2.)
Figuras 2.5 Distribución de probabilidad Poisson

Del análisis de la distribución de probabilidades se puede decir, para un gran número de

intervalos de 100 cm2 (discos), que:
- el número promedio de partículas contaminantes es 10 y su desviación estándar es 3,16
- más frecuentemente, se presentan entre 8 y 12 partículas por disco (Modas = 9 y 10)
- aproximadamente en el 21 % de los discos habrá más de 12 partículas contaminantes
(PX100 > 12) = 0,21. Este último dato debe ser considerado por los responsables del
laboratorio óptico, quienes tomarán la decisión de hacer modificaciones en el proceso
o no.
La distribución de Poisson resulta aproximadamente simétrica cuando el valor
promedio es alto, como en este caso. Para valores bajos de (αT), la distribución es
asimétrica a la derecha.

2-5- A modo de síntesis

En las Tablas 2.3 y 2.4 se resumen las características principales de las distribuciones de
probabilidad para las variables aleatorias discretas consideradas en este material. En la
Tabla 2.3 se presentan las características generales, la variable y la población asociada. En
la Tabla 2.4 se presentan la función de probabilidad puntual, los parámetros matemáticos y
algunos parámetros como E(X) y V(X). Los parámetros “matemáticos” son los valores con
los que se debe contar de antemano para que la función de probabilidad puntual esté
completamente definida. Por ejemplo, en el caso del modelo binomial, si no se conocen los
valores de n y π, no se pueden obtener las probabilidades. Los parámetros propiamente
dichos son las medidas de resumen poblacionales. En este caso se presentan la esperanza
o media poblacional y la variancia poblacional.
12
 Tabla 2.3 Características generales, variable y población
correspondientes a las distribuciones discretas consideradas en este material
Distribución o Variable Población Características generales
modelo
Bernoulli X: N° de éxitos en 1 ∞ repeticiones de una Se lleva a cabo 1 único ensayo de Bernoulli,
repetición de una experiencia de Bernoulli donde la probabilidad de que ocurra un éxito
experiencia de es π.
Bernoulli Interesa conocer el número de éxitos que se
RX= (0,1) presentan en ese ensayo (o repetición).
Binomial X: N° de éxitos en n ∞ grupos o muestras de Se lleva a cabo una secuencia de n ensayos
repeticiones n repeticiones indepen- independientes de Bernoulli, donde la
independientes de dientes de una experien- probabilidad de que ocurra un éxito es π.
una experiencia de cia de Bernoulli Interesa conocer el número de éxitos que se
Bernoulli presentan en los n ensayos (o repeticiones).
RX= (0,1, 2, …, n)
Hipergeométrica X: N° de éxitos en N muestras Se tiene una población finita de N elementos,
de n
una muestra de n n de los cuales NE son “éxitos” y NF son
elementos tomada “fracasos”.
elementos que se
de una población Se seleccionan muestras de n elementos sin
pueden tomar de la
finita reposición.
población de N
RX = (0, 1, 2, …. , Interesa conocer el número de éxitos en la
elementos
mín{n, NE}) muestra.
Poisson X: N° de eventos en ∞ intervalos. Estos Se observa la ocurrencia de algún evento
un intervalo o intervalos pueden ser de (éxito) en intervalos de la misma amplitud.
superficie tiempo, espacio, etc.
RX= (0, 1, 2, 3, …)

13
 Tabla 2.4 Función de probabilidad puntual y parámetros
correspondientes a las distribuciones discretas consideradas en este material
Distribución o Función de Parámetros Parámetros
modelo probabilidad puntual matemáticos Esperanza Variancia
pX(x) E(X) V(X)

πx(1-π)1-x
Bernoulli π π π( 1 – π)
X Be(π)

Binomial
n x
X Bi(n,π) π (1-π)n-x
x n, π nπ nπ( 1 – π)

Hipergeométrica NE NF
X Hip(N, N, NE, n NE NE N n
x n x (*) NE n 1
NE,n) N n N N N 1
N
n
Poisson
e α αx α α α
X Po(α)
x!
(**) (***)

NE NF
(*) Si x > NE, tome = 0 y si (n-x) > NF, tome = 0. En cualquiera de las dos situaciones, pX(x) = 0.
x n x
(**) α es el número promedio de eventos por unidad de tiempo, espacio, etc.
(***) Cuando se piensa en el Proceso de Poisson, se consideran ∞ variables XT, definidas como el número de
eventos que se observan en períodos de T unidades, con T > 0. En ese caso, se dice que XT Po(αT) y la

esperanza de dicha variable es αT, lo mismo que su variancia. También en la expresión de la función de
probabilidad puntual se reemplaza α por αT. Se utiliza la letra T pensando en intervalos de tiempo; pero estos
“intervalos” pueden ser, por ejemplo, de volumen, entre otros.

14
3- Distribuciones de probabilidad de uso frecuente para variables aleatorias continuas

3-1- Distribución Uniforme

Se dice que una variable aleatoria continua tiene una distribución uniforme, y se simboliza
1
Y U(a,b), si su función de densidad de probabilidad es fY(y) = , para a ≤ y ≤ b (y 0
b a
en caso contrario).

Distribución Función de densidad de Esperanza Variancia

o modelo probabilidad E(Y) Var(Y)
fY(y)
Uniforme 1 a b b a
2
fy (y)
Y U(a,b) b a 2 12
(para valores de la variable entre a
y b)

y a
La función de distribución para el modelo uniforme es: P(X ≤ y) = FY(y) =
b a

Ejemplo 3.1 Una empresa que vende productos por Internet conoce que el % de pedidos
diarios que requiere un envío especial oscila entre 5 y 15, de manera uniforme.
¿Cuál es el % promedio de pedidos con envío especial?
¿Qué proporción de los días se deben hacer entre un 10 y un 12 % de envíos especiales?

La población está conformada por los infinitos días.

La variable en estudio es Y: % de pedidos que requieren envío especial.
Y U(5,15) por lo que su función de densidad de probabilidad,
1
FY(y) = 0,10 , para 5 ≤ y ≤ 15 (y 0 en caso contrario).
15 5
Esta función, junto con algunas medidas de resumen y la probabilidad pedida se presenta
en la Figura 3.1.

P(10 < Y < 12) = FY(12) – FY(10) = 0,70 – 0,50 = 0,20

Del análisis de la distribución de probabilidades se puede decir, para un gran número de

días, que:

15
- el % promedio de pedidos que requieren envío especial es 10 %, y la desviación estándar
es 2,89 %
- aproximadamente en el 20 % de los días, el % de pedidos que requieren envío especial
está entre 10 y 12 %.

Función de densidad de probabilidad del Modelo Uniforme (5,15)

E(X) = (5+ 15)/2 =

10 % Gráfica de distribución
Uniforme. Inferior=5. Superior=15
0,2
V(X) = 8,33 (%)2 0,10

D(X) = 2,89 %
0,08
Densidad

0,06

0,04

0,02

0,00
5 10 12 15
X

Una propiedad de la distribución uniforme continua es que para intervalos de valores

de la variable de igual amplitud, las probabilidades son iguales (independientemente
de la localización de estos intervalos)

Distribución Función de densidad de Esperanza Variancia

o modelo probabilidad E(Y) Var(Y)
3-2- Distribución Normal
fY(y)
Se dice que una variable aleatoria continua tiene una distribución normal si su función de

µ σ2
2
Normal 1 1 y μ
fY ( y ) exp
Y de N(µ, σ) 2πσ 2 σ
densidad probabilidad es
(para valores de la variable entre -
∞ y +∞)
Distribución Función de densidad de Esperanza Variancia
o modelo probabilidad E(Y) Var(Y)
fY(y)

µ σ2
2
Normal 1 1 y μ
fY ( y ) exp
Y N(µ, σ) 2πσ 2 σ

(para valores de la variable entre -

∞ y +∞)

16
La función de distribución para el modelo normal está tabulada para una variable
estandarizada Z, que se presentará más adelante.

La gráfica de la función de densidad de probabilidad del Modelo Normal se presenta en la

Figura 3.2 Observando dicha gráfica puede decirse que la curva normal:
- tiene forma de campana
- es simétrica respecto al eje y = µ
- presenta un máximo relativo en el punto (µ, 1 )
2πσ

- presenta puntos de inflexión en y = µ - σ y en y = µ + σ

Figura 3.2. Curva normal

Si sólo varía el valor de µ, cambia la posición de la campana, sin variar su forma, como se
observa en la Figura 3.3.a. Si sólo cambia el valor de σ, varía la forma de la campana, sin
variar su posición, como se observa en la Figura 3.3.b. Si cambian µ y σ, se modifica tanto
la posición de la curva como su forma, como se observa en la Figura 3.3.c.

a. µ1 < µ2; σ1 = σ2 b. µ1 = µ2; σ1 < σ2

c. µ1 < µ2; σ1 < σ2

Figuras 3.3. Cambios en las curvas normales al variar µ y/o σ

17
Para obtener probabilidades en el caso del Modelo Normal, se requiere integrar la función
de densidad correspondiente, lo cual es una tarea compleja. Existen tablas donde se
presentan los valores de la función de distribución (probabilidad acumulada) para una
y μ
variable aleatoria Z, donde Z
σ

con µZ = 0 y σZ = 1. Para obtener las probabilidades se requiere, entonces, realizar el cambio

de variable y luego buscar los valores en la tabla correspondiente.

Ejemplo 3.2. Una empresa produce un tipo de piezas metálicas para la industria
automotriz. La característica de calidad más importante para este tipo de piezas es su
longitud (Y). Se conoce que la distribución de esta variable es normal con media 50 mm y
desviación estándar 5 mm. Interesa determinar lo siguiente:
1- La proporción de piezas con longitud inferior a 53,55 mm.
2- La proporción de piezas con longitud superior a 56,9 mm.
3- La proporción de piezas con longitud entre 42 y 52 mm.
4- La proporción de piezas con longitud entre:
d1) 45 y 55 mm d2) 40 y 60 mm d3) 35 y 65 mm

a) P(Y < 53,55 mm) = ?

Para obtener la probabilidad pedida, se utiliza la tabla Z; transformando el valor y= 53,55

mm en el correspondiente valor z = 0,71
53, 55 50
P(Y < 53,55) = P Y = P(Z < 0,71) = FZ(0,71)
5

Para obtener FZ(0,71) se debe utilizar la tabla de la distribución normal estándar. En esa
tabla, primero se debe identificar el entero y el primer decimal en una fila; mientras que el
segundo decimal se encuentra en las columnas. Con una fila y una columna elegidas, se
obtiene el valor buscado. En la Figura 3.6.a se muestra la porción de la tabla de la
distribución normal estándar de la cual se obtiene el valor buscado.

En este caso, FZ(0,71) = 0,7611. Es decir, P(Y < 53,55 mm) = 0,7611 (Ver Figura 3.4.a)

¿Cómo se interpreta el valor 0,7611?

1- Si se considera una gran cantidad de piezas producidas por la empresa,
aproximadamente el 76 % de las mismas tiene longitud menor que 53,55 mm.

2- Si se selecciona una pieza al azar, la chance (o posibilidad) de que su longitud sea

menor que 53,55 mm es aproximadamente 0,76.
18
Análogamente se obtienen las restantes probabilidades:

56, 9 50
− P(Y > 56,9) = P Y = P(Z > 1,38) = 1 – FZ(1,38) = 1 – 0,9162 = 0,0838 (Ver
5
Figura 3.4.b)

42 50 52 50
− P(42 < Y < 52) = P Y = P(-1,60 < Z < 0,40) = P(Z < 0,40) - P(Z < -
5 5

1,60) = FZ(0,40) – FZ(-1,60) = 0,6554 – 0,0548 = 0,6006 (Ver Figura 3.4.c)

50 53,55 y

P(Y < 53,55) = 0,7611

50 56,9 y
P(X > 56,9) = 0,0838

42 50 52 y

P(42 < Y < 52) = 0,6006

Figuras 3.4 Áreas bajo la curva normal

d) Trabajando de la misma manera que se hizo en el punto anterior, se obtiene:

P(45 < Y < 55) = P(-1 < Z < 1) = FZ(1) – FZ(-1) = 0,8413 – 0,1587 = 0,6826
P(40 < Y < 60) = P(-2 < Z < 2) = FZ(2) – FZ(-2) = 0,9772 – 0,0228 = 0,9544
P(35 < Y < 65) = P(-3 < Z < 3) = FZ(3) – FZ(-3) = 0,9987 – 0,0013 = 0,9974

19
Las probabilidades obtenidas en el punto anterior ponen de manifiesto la siguiente
propiedad de la distribución normal (o regla empírica de la distribución normal), que se
ilustra en la Figura 3.5:

1. aproximadamente 68% de los valores de la variable se encuentran en el intervalo µ+/- σ

2. aproximadamente 95% de los valores de la variable se encuentran en el intervalo µ+/- 2σ
3. aproximadamente 99,7% de los valores de la variable se encuentran en el intervalo µ+/-3σ

Las probabilidades mencionadas son válidas para cualquier variable con distribución
normal, independientemente del valor de la media y la desviación estándar

Figura 3.5. Regla empírica de la distribución normal

e) Para el mismo ejemplo, ahora se busca conocer la longitud superada por el 20 % de las
piezas. En este caso, a partir de una probabilidad, se busca un valor de la variable.

P(Y > y*) = P(Z > z*) = 0,20; es decir, FZ(z*) = 0,80

Buscando en el cuerpo de la tabla de la distribución normal estándar la probabilidad 0,80 (o

el valor más próximo a 0,80 que se encuentre, en este caso, 0,7995) y ubicando a qué fila y
columna pertenece dicho valor, se obtiene que: FZ(0,84) = 0,7995. (Ver Figura 3.6.b)

y μ y 50
Recordando que , resulta 0, 84 .
σ 5

Y, por lo tanto, y = 0,84 . 5 mm + 50 mm = 54,2 mm

Es decir, el 20 % de las piezas tiene longitudes superiores a 54,2 mm.

20
3-3- Distribución Exponencial
Se dice que una variable aleatoria continua tiene una distribución exponencial si su función
de densidad de probabilidad es fY(y) = αe-αy , para y ≥ 0 (y 0 en caso contrario).

Distribución Función de densidad de Esperanza Variancia

o modelo probabilidad E(Y) Var(Y)
fY(y)
Exponencial fy ( y ) αexp ( αy ) 1 1
Y Exp(α) α α2
(para valores de la variable
mayores que 0)

En la bibliografía se usa indistintamente α o λ en la expresión de la función de densidad

y en el cálculo de los parámetros correspondientes al modelo exponencial

En la Figura 3.6 se presentan distribuciones exponenciales, para diferentes valores de α.

Figura 3.6 Distribuciones exponenciales para diferentes valores de α

Esta distribución es una de las que se puede utilizar para modelar duraciones de
componentes o sistemas (o tiempos hasta la falla) y constituye el modelo correcto siempre y
cuando la ocurrencia de los eventos se pueda modelizar según un proceso de Poisson. En
ese caso, el valor de α (o λ) representa el número promedio de eventos por unidad de
tiempo.

En los estudios de duraciones de componentes o sistemas, la variable aleatoria T es el

tiempo hasta la falla y se define “confiabilidad de componente o sistema, en el tiempo to” a
la probabilidad de que un componente (o sistema) dure más (o sobreviva) a dicho tiempo.
Se la simboliza R(to) = P(T > to).

21
Relación entre la distribución de Poisson y la distribución exponencial

Las distribuciones de Poisson y exponencial están íntimamente relacionadas. Si la

ocurrencia de eventos en intervalos de amplitud T se comporta según la distribución de
Poisson Po(αT), entonces, el tiempo hasta que ocurre un evento sigue una ley exponencial
Exp(α).

Considere la variable XT con distribución de Poisson y la variable Y con distribución

exponencial.
XT: número de eventos en intervalos de amplitud T Po(αT)
Y: tiempo hasta la ocurrencia de un evento Exp(α)

Tenga en cuenta que los intervalos de tiempo están medidos en la misma unidad de medida
(horas, minutos, segundos, etc.) para ambas variables y que el número promedio de eventos
por unidad de tiempo (α) es el mismo para ambas variables.

Se puede demostrar que P(XT = 0) = P(Y > T)

Ya que si en un intervalo de amplitud T no aparecen eventos (XT = 0) significa que el

tiempo hasta que aparezca un evento es mayor que T unidades (Y > T)

Ejemplo 3.3 Suponga que el tiempo (en segundos) que transcurre desde que un usuario
realiza un pedido a una terminal de computadora hasta que esta le brinda una respuesta,
sigue una ley exponencial con α = 0,2.
Para un pedido en particular, ¿cuál es la chance de que la terminal demore entre 5 y 10
segundos en responder?
¿Cuánto tiempo, demora, en promedio, la terminal en responder los pedidos? ¿Cuánto vale
la variancia de la distribución?

La población está conformada por los infinitos pedidos que un usuario realiza a una terminal
de computadora.
La variable en estudio es X: tiempo que demora la computadora en responder al pedido.
Su función de probabilidad se presenta en la Figura 3.7, junto con algunas medidas de
resumen y la probabilidad pedida.
La probabilidad pedida se obtiene de la siguiente manera:
P(5 < X < 10) = FX(10) – FX(5) = (1 – e-10x0,2) – (1 – e-5x0,2) = 0,23

22
Del análisis de la distribución de probabilidades se puede decir, para un gran número de
pedidos, que:
- el comportamiento del tiempo es asimétrico, a la derecha
- el tiempo promedio es de 5 segundos, lo mismo que la desviación estándar
- dada la asimetría, se obtiene la mediana y el rango intercuartílico como medidas de
centrado y variabilidad. Estas resultan respectivamente 3,5 segundos y (6,93 – 1,44) = 5,49
segundos.
- aproximadamente en el 23 % de los pedidos, el tiempo oscila entre 5 y 10 segundos

Función de densidad de probabilidad del Modelo Exponencial (0,2)

E(X)=1/0,2=5 segundos Gráfica de distribución

EXPONENCIAL

0,20
V(X)=1/0,22=25
(segundos)2
0,15
Densidad

D(X)=5 segundos
0,10

0,05 0,2325

0,00
0 5 10
X

Figuras 3.7 Distribución Exponencial

En los estudios de duraciones de componentes o sistemas, la variable aleatoria T es

el tiempo hasta la falla y se define “confiabilidad de componente o sistema, en el
tiempo to” a la probabilidad de que un componente (o sistema) dure más (o sobreviva)
a dicho tiempo. Se la simboliza R(to) = P(T > to). Algunos de los modelos presentados
en este material, como, por ejemplo Exponencial y Normal, sirven para estudiar este
tipo de variables.

23
3-4- A modo de síntesis
En la Tabla 3.1 se presentan la función de densidad de probabilidad, los parámetros
matemáticos y algunos parámetros para las variables aleatorias continuas consideradas en
ese material.

Tabla 3.1 Función de densidad de probabilidad, función de distribución, parámetros “matemáticos” y parámetros
correspondientes a las distribuciones continuas consideradas en este material
Distribución Función de densidad de Parámetros Parámetros
o modelo probabilidad matemáticos Esperanza Variancia
fX(x) E(X) V(X)

Uniforme 2
a b b a
X U(a,b) a,b 2 12
para a ≤ x ≤ b

Normal µ, σ µ σ2
X N(µ, σ)
para -∞ < x < +∞
Exponencial 1 1
X Exp(α) α α α2
para x ≥ 0

4- Actividades propuestas

Para los cálculos solicitados en todos los problemas propuestos en este material, puede
aplicar las fórmulas correspondientes, recurrir a las tablas estadísticas, utilizar calculadoras
o software específico. Explore las distintas posibilidades mencionadas. Se sugiere que
ejercite el uso tanto de las tablas como de las herramientas de software disponibles.

1- En la producción de un tipo de barras de acero, la longitud de las mismas es una

variable aleatoria cuyo comportamiento puede describirse con una distribución normal con
µ = 60 cm y σ = 4 cm.
a) ¿Qué interpretación debe darse a la expresión resaltada?
b) Detalle claramente la población y la población estadística.
c) Haga un esquema de la distribución mencionada y marque en el mismo características de
interés.
d) Un comprador A requiere barras cuyas longitudes estén comprendidas en el intervalo 64
± 6 cm. Otro comprador B requiere barras cuyas longitudes estén comprendidas en el
intervalo 60 ± 8 cm. El fabricante sólo puede abastecer a uno de ellos y acuerda reponer las
24
barras fuera de especificación. ¿A cuál comprador le aconsejaría Ud. abastecer? Justifique
su respuesta.
e) Si se pudieran disponer acciones en el proceso de producción tendientes a modificar
alguno de los parámetros de la distribución, ¿qué parámetro procuraría Ud. modificar para
disminuir el porcentaje de artículos fuera de especificación para el comprador elegido? ¿Y
para el otro?

2- Se cuenta con tres variables aleatorias X, Y y L, que verifican lo siguiente:

X ~ N (μ= 3; σ = 0,2), Y ~ U(a = 3, b = 4) y L tiene la distribución que se presenta en
la Figura 1.
X
X X
X X X X
3 3,25 3,50 3,75 4
Figura 1 Función de probabilidad puntual para la variable aleatoria L

a) Complete la Tabla 1.
Tabla 1. Medidas de resumen para las distribuciones correspondientes a las variables X, Y y L

Variable X Y L
Media

Rango intercuartílico

Desvío estándar (típico)

Proporción de valores
mayores que 3
Proporción de valores
iguales a 3

b) Indique si las medidas obtenidas en el punto anterior son estadísticos o parámetros.

Justifique su respuesta.
c) Grafique en forma aproximada las funciones de densidad de probabilidad o de
probabilidad puntual y las funciones de distribución de las variables utilizando la misma
escala.
d) En una industria metalúrgica se producen piezas especiales para hornos industriales con
dos máquinas, A y B. Suponga que las variables X e Y corresponden a los diámetros de las
piezas producidas con cada una de ellas.
Usted es un posible comprador de esas piezas especiales. Dadas las distribuciones de
probabilidad de X e Y presentadas en este problema, plantee una situación en la cual le
resulte conveniente elegir las piezas producidas por la máquina A.

25
3- Para cierta experiencia electromagnética las variables aleatorias fuerza (F) e
intensidad de corriente (X) se encuentran relacionadas mediante la siguiente
expresión:
250
F= X
3
Suponga que X está distribuida normalmente, con σ = 12 unidades.
a) ¿Cuál será el promedio de la intensidad de corriente si se sabe que F supera el valor
4980 con probabilidad 0,98?
b) Indique el valor del promedio y el de la variancia de la variable F.

4- Una fábrica que produce componentes de distintos tipos piensa introducir

modificaciones en el proceso de producción de los componentes tipo A y tipo B. Se
conoce que 17% de los clientes consumen componentes de tipo A, 15% componentes
de tipo B y 12% componentes de ambos tipos.
a) ¿Qué porcentaje de clientes consumen al menos alguno de estos componentes?
b) ¿Qué porcentaje de clientes consumen sólo componentes de tipo A?
c) La empresa cuenta con una cartera total de 2000 clientes, de los cuales se eligen 50 al
azar. Interesa la probabilidad de que por lo menos 10 de ellos consuman componentes de
alguno de estos tipos.
Defina la variable aleatoria de interés, la población y la población estadística
correspondiente. Indique cuál es su distribución de probabilidad.
d) En la Figura 2 se presenta, para la variable aleatoria definida en el punto c, la función de
probabilidad puntual y en la Tabla 2, la función de distribución.
Obtenga la probabilidad pedida en el punto c e interprete el resultado en términos del
problema.
e) ¿Cambiaría el cálculo realizado en el punto anterior si la cartera de clientes de la empresa
fuera de 200 clientes? Justifique su respuesta.

26
 0,14

0,12

0,10

0,08
p(x)

0,06

0,04

0,02

0,00
0 1 2 3 4 5 6 7 8 9 10 1 1 1 2 13 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 26 2 7 2 8 29 3 0 3 1 32 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0 4 1 42 4 3 4 4 45 4 6 4 7 48 4 9 5 0

Figura 2 Función de probabilidad para la variable aleatoria definida en el Problema 4-c

Tabla 2. Función de distribución de la variable aleatoria definida en el Problema 4-c

x 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

FX(x) 0,00 0,00 0,00 0,01 0,02 0,05 0,10 0,19 0,31 0,44 0,58 0,71 0,81 0,89 0,94 0,97 0,99 0,99 1,00 1,00 1,00

5- En un proceso de producción, 5% de los artículos producidos tienen una duración

inferior a 80 horas. Estos artículos se venden en lotes de 100 unidades y el fabricante
garantiza que por lo menos 90% de los artículos contenidos en cada lote tienen una
duración superior a 80 horas.
a) ¿Qué porcentaje de los lotes no cumplirán la garantía?
b) ¿Cuál es el n° promedio de artículos con duración inferior a 80 horas por lote?
c) ¿Es esta medida la más apropiada a calcular para el centrado de la distribución?
Justifique su respuesta y si es negativa, proponga las medidas que calcularía.

6- La duración (en minutos) de las llamadas de larga distancia es una variable

aleatoria (T) con distribución Exp(0,20).
a) ¿Qué porcentaje de las llamadas que recibe la central tienen duración superior a 5
minutos?
b) ¿Cuál es la probabilidad de que entre 3 llamadas haya 1 con duración inferior a 5
minutos?

27
7- Los diámetros interiores de arandelas fabricadas por una máquina A y otra
máquina B son variables aleatorias que pueden modelarse con una distribución
normal con parámetros μA =5 mm, σA= 0,8mm, μB = 5,5mm, σB= 0,5mm.
a) Para una aplicación donde se requieren arandelas cuyos diámetros sean mayores a 6,5
mm, ¿son preferibles las arandelas producidas por la máquina B? Justifique.
b) A un cliente importante sólo se le envían arandelas producidas por la máquina A y se le
reemplazan todas aquellas piezas con diámetro superior a un determinado valor. ¿Qué valor
máximo para el diámetro fue estipulado por el cliente si el fabricante sólo debe reemplazar
2% de las arandelas?
c) Un cliente necesita arandelas cuyos diámetros verifiquen las especificaciones 5+/-1,5 mm.
c-1) Si la máquina A produce 20 % de las arandelas y la B produce las restantes, ¿qué
porcentaje de arandelas de la producción total cumplirán las especificaciones del
cliente?
c-2) El fabricante considera que si las arandelas se envían en lotes de 100 unidades
habrá 3 arandelas defectuosas por lote. ¿Está Ud. de acuerdo con este razonamiento?
Justifique.

8- Para un tipo de piezas, el diámetro de una de sus secciones es una característica

crítica. Por cuestiones de diseño, dicho diámetro debe estar en el intervalo 7,5 +/- 0,5
mm.
a) Se conoce que la distribución de los diámetros se puede describir adecuadamente con
una distribución normal de parámetros μ = 7,505 mm y σ = 0,16 mm. El cliente admite como
máximo 0,27 % de piezas fuera de especificaciones. ¿Considera que el proceso puede
cumplir los requerimientos del cliente en relación a los diámetros de las piezas? Justifique su
respuesta.
b) En el proceso de producción de las piezas hubo que introducir una serie de
modificaciones. Si estas modificaciones implican más de 0,27 % de piezas fuera de las
especificaciones establecidas, el proceso deberá ser revisado. Los ingenieros de proceso
consideran que por la naturaleza de las modificaciones realizadas, podría haber un
aumento en el diámetro promedio de las piezas sin alterar la desviación estándar.
b-1) ¿Cuál es el máximo valor admisible para el diámetro promedio?
(Obtenga dicho valor suponiendo que el modelo que describe el comportamiento en
probabilidad de los diámetros de las piezas, luego de las modificaciones, sigue siendo el
normal con σ = 0,16 mm.)
b-2) Realice un gráfico comparativo que muestre la distribución de los diámetros antes y
después de las modificaciones (suponiendo en este último caso que se da el máximo valor
admisible para el promedio). Incluya en dicho gráfico las especificaciones.

28
c) Suponga ahora que los ingenieros sospechan que habría un aumento en la variabilidad
de los diámetros de las piezas pero no en el promedio.
c-1) ¿Cuál es el máximo valor que se puede admitir para la desviación estándar del diámetro?
(Obtenga dicho valor suponiendo que el modelo que describe el comportamiento en
probabilidad de los diámetros de las piezas luego de las modificaciones sigue siendo el normal,
con μ = 7,505 mm).
c-2) Realice un gráfico comparativo que muestre la distribución de los diámetros antes y
después de las modificaciones (suponiendo en este último que se da el máximo valor admisible
para la desviación estándar). Incluya en dicho gráfico las especificaciones.

9- El tiempo hasta que se presenta una falla en un tipo de aparatos, tiene distribución
normal con promedio de 15 meses y desvío estándar de un mes.
a) A la empresa le interesa fijar un período de garantía T0 de manera tal que solo el 1 % de
los aparatos fallen durante el período de garantía. Obtenga el valor de T0.
b) La empresa decide vender estos aparatos en lotes de tamaño H. ¿Cuál deberá ser el
tamaño de los lotes para que el porcentaje de lotes que contienen a lo sumo 1 aparato que
no cumple la garantía sea del 90%?

10- Un artículo puede tener dos tipos de defectos, rayaduras y poros. El número de
rayaduras es una variable aleatoria (X) con distribución de Poisson con promedio 0,01
y el número de poros es una variable aleatoria (Y) con distribución de Poisson con
promedio 0,03. Rayaduras y poros se presentan de manera independiente.
Un artículo se considera defectuoso cuando presenta al menos uno de ellos.
a) Detalle claramente población física y poblaciones estadísticas bajo estudio. Grafique
ambas distribuciones.
b) Calcule la probabilidad de que un artículo se considere defectuoso (D).
Sugerencia: Considere los sucesos: A: la pieza tiene por lo menos 1 rayadura y B: la pieza tiene por lo
menos 1 poro. Obtenga P(A) y P(B) y luego P(D) en función de ambas.
c) Los artículos se venden en lotes de 50 unidades cada uno. ¿En qué porcentaje de los
lotes habrá a lo sumo 4 artículos defectuosos? Antes de hacer el cálculo explicite la variable
y la distribución bajo estudio. Grafíquela y señale en ella el porcentaje hallado según el
cálculo.
c) Si un comprador hace un pedido de tres lotes, ¿qué chance tiene de que haya a lo sumo
4 artículos defectuosos en cada uno de los tres lotes comprados?

29
11- El número de componentes electrónicas que fallan en un período se distribuye
según una ley de Poisson. Se conoce que el número promedio de transistores que
fallan por hora es 0,1.
a) ¿Cuál es la probabilidad de que una componente falle después de 10 horas de
funcionamiento?
b) ¿Cuál es la distribución de probabilidad de la variable T: tiempo entre dos fallas
sucesivas? Justifique su respuesta.
c) ¿Cuál es la P (T > 10 horas)? Indique la relación de este resultado con el obtenido en a)
d) Grafique la distribución de T e indique el área de la distribución calculado en c)

12- Con referencia al circuito de la Figura 3, se conoce que la probabilidad de

funcionamiento sin fallas durante un período de un mes es 0,85 para el componente
C1 y 0,60 para C2.

C1

A B

C2

Figura 3. Circuito conectado con componentes de tipo C1 y C2

a) Obtenga la probabilidad de que este circuito funcione sin fallas durante un mes.
b) Ambos componentes se reemplazarán por un único componente cuya duración es una
variable aleatoria distribuida exponencialmente con parámetro λ. ¿Qué valor debe tener λ
para que se mantenga la misma confiabilidad para el circuito en el período mencionado?
(Recuerde que la función de confiabilidad R(t) = P(T> t) )
c) ¿Cuál es el tiempo promedio de funcionamiento sin fallas para circuitos armados según el
ítem b)?

13- La distribución del tiempo de falla (en horas) durante la vida útil de un tipo de
componente sigue una ley uniforme en el intervalo (a, b).
a) Si a = 100 horas y b = 1500 horas, defina claramente la variable en estudio y grafique su
distribución de probabilidad.
b) ¿Qué porcentaje de componentes fallarán después de 500 horas de funcionamiento?
Señale en el gráfico el área hallada.
c) ¿Cómo se denomina la probabilidad calculada en a)? ¿Cuál es su interpretación?

30
14- Utilice tablas o herramientas de software para obtener y graficar las distribuciones
de probabilidad que se solicitan a continuación y responda los distintos ítems a partir
de la observación de los gráficos obtenidos.

1) Distribución Normal
a-1) Distribuciones con µ = 5, 10, 20 y σ = 1
a-2) Distribuciones con µ = 10 y σ = 0,3; 1 y 3
Comente sobre los cambios que se observan en cada uno de los casos.
2) Distribución Binomial
b-1) Distribuciones con n = 50 y π = 0,01; 0,15; 0,5 y 0,75
¿Para qué valor/es de π la distribución binomial es simétrica?
¿Para qué valor/es de π la distribución binomial es asimétrica a la derecha? ¿Y a la
izquierda?
b-2) Distribuciones con π = 0,10 y n = 10, 20, 50, 100, 200
¿Qué ocurre con la forma de la distribución a medida que n aumenta?
3) Distribución de Poisson
Distribuciones con λ = 0,1; 1; 5 y 10
¿Qué ocurre con la forma de la distribución a medida que n aumenta?
4) Distribución Exponencial
Distribuciones con λ = 0,1; 1; 5 y 10
Comente sobre los cambios que se observan al aumentar el valor del parámetro λ.

a) Reflexione sobre las características de los distintos modelos presentados en el MT 5,

b) Realice un resumen donde muestre:
- cómo los cambios en los parámetros matemáticos de cada uno afectan la forma de la
distribución, la esperanza y la variancia
- cómo la forma de la distribución afecta también a otros parámetros
- qué parámetros de posición y dispersión elegiría en cada caso

15- Considere nuevamente el problema 1 del MT 1:

Problema 1. Una empresa metalúrgica de la provincia de Santa Fe fabrica diferentes tipos de barras de acero
que luego se utilizan en la construcción y en otras industrias.
Una empresa automotriz de la zona requiere uno de los tipos de barras y está dispuesto a comprarlas siempre y
cuando sus longitudes estén en el intervalo 250 +/- 0,6 mm.
En la gerencia de la empresa metalúrgica están interesados en convertirse en proveedores de la automotriz y
quieren conocer cuál es la proporción de barras que cumplen con el requerimiento impuesto para las longitudes.

En la Tabla 1.3 (MT 1) se planteó el problema pensando como parámetro de interés a la

proporción de barras que satisfacen las especificaciones…

31
Suponga ahora que se conoce que la longitud de las barras sigue una ley normal y que en la
automotriz admiten como máximo 0,0027 para la proporción de barras fuera de
especificaciones…
a) ¿Podría decir cuáles son los valores apropiados para la media y la desviación estándar
de la longitud de las barras si se quiere cumplir con las exigencias de la industria
automotriz?
b) ¿Cambiaría su respuesta si la automotriz admite un máximo de 0,02 para la proporción de
barras fuera de especificaciones? Explique
c) Re-escriba el planteo del problema pensando ahora en la media y la desviación estándar
como parámetros de interés (considere que se admite un máximo de 0,0027 para la
proporción de barras fuera)

16- Indique si las siguientes proposiciones son verdaderas o falsas. Justifique su

respuesta:
a) Si la probabilidad de obtener una cara en un lanzamiento de una moneda, es igual a 0,5,
entonces la probabilidad de obtener 5 caras en 10 lanzamientos también es 0,5.
b) Si 2 variables aleatorias tienen igual promedio, entonces:
b-1) la probabilidad de obtener valores de la variable mayores al promedio es la misma para
cada una de ellas.
b-2) la forma de la distribución de probabilidad de cada una es semejante.
b-3) si ambas tienen una distribución de tipo simétrica, el valor del rango para cada una es
aproximadamente igual a 6σ.
c) Si una variable aleatoria continua está distribuida uniformemente en el intervalo (a, b),
entonces todos los valores de dicho intervalo tienen la misma probabilidad de ocurrencia.
d) Sean las variables X, Y, T donde se conoce que:
X ~ N (μ= 10; σ = 0,9), Y ~ Exp (0,10), T ~ Po (α = 10)
¿Para cuál/es de estas variables se puede afirmar que la probabilidad de que tome valores
menores que 9 coincide con la probabilidad de que tome valores mayores que 11?
Responda sin hacer cálculos.

17- Responda los siguientes ítems:

a) ¿En qué casos la forma de la distribución binomial es simétrica? ¿En qué casos es
asimétrica a la derecha? ¿y a la izquierda?
b) ¿Qué ocurre con la forma de la distribución binomial a medida que “n” aumenta?
c) ¿Cuál es la relación entre la distribución de Poisson y la exponencial?
d) ¿A qué se llama “confiabilidad” de un componente o sistema?

32
Para reflexionar:

En muchos de los problemas se afirma que el comportamiento en probabilidad de la

variable aleatoria en estudio puede describirse adecuadamente con un determinado
modelo.
- ¿Qué importancia tiene en la resolución de un problema conocer el modelo de
distribución de la variable en estudio? Dé un ejemplo.
- Por qué conocer la probabilidad de un resultado puede ayudar a tomar decisiones.
- ¿Con qué herramientas se cuenta para evaluar si un determinado modelo describe
adecuadamente la población estadística en estudio?

5- Bibliografía

Devore, J. (2008), “Probabilidad y Estadística para ingeniería y ciencias” 7ma.edición;

Cengage Learning, México

Hildebrand, D. y Ott, R. L. (1998), “Estadística Aplicada a la Administración y a la Economía”

3ra. Edición; Addison Wesley Longman, México

Meyer, Paul (1998), “Probabilidad y Aplicaciones Estadísticas”, Addison-Wesley-Longman,

México.

Montgomery, D. y Runger, G. (1996), “Probabilidad y Estadística aplicadas a la Ingeniería”

2da. Edición; Mc Graw-Hill, México

Navidi, W. (2006), “Estadística para ingenieros y científicos”, 1a.edición; Mc Graw-Hill,

México

Prat Bartés, A. y otros (2000), “Métodos estadísticos. Control y mejora de la calidad”,

Alfaomega, Ediciones UPC, México.

33