CAPTULO VII.

DISTRIBUCIONES
TEORICAS DE PROBABILIDAD
VARIABLE ALEATORIA
Una variable aleatoria se define asignando un valor
numrico a cada suceso simple de un experimento que
conduzca a resultados aleatorios.
VARI ABLES
ALEATORI AS
DI SCRETAS
VARIABLES ALEATORIAS
CONTINUAS
Una variable aleatoria discreta
es una variable que puede tomar
solo valores de un conjunto
predeterminado
Una variable aleatoria continua se
mide en una escala numrica. Cada
observacin de la variable aleatoria
puede tomar cualquier valor dentro de
un rango especfico
Cuando se conocen caractersticas de las variables se desarrollan modelos de
probabilidad. Todo modelo as desarrollado se basa en lo siguiente:
Una funcin de probabilidad: f(x)
Una funcin de distribucin: F(x)
Parmetros (medidas numricas descriptivas)
FUNCIN DE PROBABILIDAD:
Una funcin de probabilidad es la correspondencia
que se establece entre los valores, o intervalos de
valores, de una variable aleatoria y la probabilidad de
ocurrencia de stos. Se denota por f(x).
Si f(x) es discreta se le denomina funcin de cuanta, y Se
puede representan como p(x). Para que sea una funcin de
probabilidad, la funcin de cuanta, debe cumplir las siguientes
propiedades:

1.- f (x) 0 2.- f (x) = 1

Si f(x) es continua se le denomina funcin de
densidad. Para que sea una funcin de
probabilidad, la funcin de densidad, deben
cumplirse las siguientes propiedades:
1. f (x) 0
4. P(X=X
k
)=0
FUNCIN DE DISTRIBUCIN
Se denomina funcin de distribucin o funcin de
acumulacin probabilstica, y se denota por F(x).
Esta funcin de distribucin acumula las probabilidades hasta un
valor dado (x
k
). Es decir que:
F(x
k
) = P(X = X
k
)
Cumple las siguientes propiedades:
En caso de funciones discretas
Ejemplo. Un determinado experimento aleatorio tiene como
funcin de probabilidad la relacin:
Se pide:
a. Verificar las propiedades de f(x)
b. P(x >1)
c. F(1)
d. Probabilidad de que x tome por lo menos valor 1
e. Probabilidad de que x tome a lo sumo valor 2
Solucin:
a. Propiedad f (x) 0
f (x
0
)= 1/10; f (x
1
)= 2/10; f (x
2
)= 3/10; f (x
3
)=1/10 por tanto f(x)0
Propiedad que la suma de 0 a 3 = 1 f (x) = 1
f (x)= 1/10[(1+0)+(1+1)+(1+2)+(1+3)] = 10/10 = 1
2. Sea f (x) = 1/18(3 + 2x) una funcin de densidad para 2 < x < 4
a.- Verifique si se cumplen las propiedades de f (x)
b.- Calcule P(x < 3)
c.- P(x 3)
d.- P(x = 3)
e.- Halle F(x)
f.- Calcule P(2 < x 3) haciendo uso de la F(x)
Parmetros en una distribucin de probabilidad
Por analoga con las variables estadsticas podemos definir tambin
aqu la media y la desviacin tpica o de la variable aleatoria.
La media m, tambin llamada
esperanza matemtica, es un
valor representativo de todos
los valores que toma la
variable aleatoria X, lo
podemos imaginar como el
punto sobre el eje de abscisas
donde al poner una cua la
figura plana definida por la
funcin de densidad quedar
en equilibrio. Para calcularla
hemos de hacer:

La desviacin tpica s es una
medida de la dispersin de los
valores que toma la variable
aleatoria de la media. Como
ocurra con las variables
estadsticas la desviacin
tpica ser ms pequea o ms
grande segn la grfica de la
funcin de densidad sea ms
estrecha o ms ancha en torno
a la media. En este caso se
calcula:

Se tiene el experimento aleatorio que tiene las siguientes
caractersticas:
En cada prueba del experimento slo son posibles dos
resultados: el suceso p(xito) y su contrario q (fracaso).
El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
La probabilidad del suceso p es constante, la representamos
por p, y no vara de una prueba a otra.
El experimento consta de un nmero n de pruebas.
DISTRIBUCIN BINOMIAL
Todo experimento que tenga estas caractersticas diremos que sigue
el modelo de la distribucin Binomial. A la variable X que
expresa el nmero de xitos obtenidos en cada prueba del
experimento, la llamaremos variable aleatoria binomial.
Funcin de probabilidad de la distribucin Binomial
o tambin denominada funcin de la distribucin de Bernoulli (para n=1).
Verificndose: 0 s p s 1





La variable binomial es una variable aleatoria discreta, slo
puede tomar los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han
realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener
k-xitos y (n-k) fracasos debemos calcular stas por
combinaciones (nmero combinatorio n sobre k).
Se suele representar por B(n,p) siendo n y p los parmetros
de dicha distribucin.
Probabilidad de obtener K xitos
q p
k n k
k
n
k X p

- -
|
|
.
|

\
|
= = ) (
Parmetros de la Distribucin Binomial




Funcin de Distribucin de la variable aleatoria Binomial




Esta funcin de distribucin proporciona, para cada nmero real x
i
, la probabilidad
de que la variable X tome valores menores o iguales que x
i
.

Siendo K el mayor nmero entero menor o igual a x
i
q p q p q p
k n k n n
k
n n n
x X p x F

- -
|
|
.
|

\
|
+ + - -
|
|
.
|

\
|
+ - -
|
|
.
|

\
|
= s = ....
1 0
) ( ) (
1 1 0
1 1
Ejemplo
En una fbrica de lmparas el 5% sale defectuosos.
Determine la probabilidad de que en una muestra de 10 se
encuentren 2 lmparas defectuosas.
Solucin

0746 . 0
2
10
) 2 (
) (
95 . 0 05 . 0
2 10 2
= - -
|
|
.
|

\
|
= =
= - -
|
|
.
|

\
|
= =

X p
k
n
k X p
q p
k n k
Ejemplo
La probabilidad de xito de una determinada vacuna es 0.72.
Calcula la probabilidad de a que una vez administrada a 15
pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad
Solucin :
Se trata de una distribucin binomial de parmetros B(15, 0.72)
Una distribucin binomial B (n, p) se puede
aproximar por una distribucin normal,
siempre que n sea grande y p no est muy
prxima a 0 1. La aproximacin consiste en
utilizar una distribucin normal con la misma
media y desviacin tpica de la distribucin
binomial.
En la prctica se utiliza la aproximacin cuando:
n>30, np>5, nq>5

En cuyo caso : x= B(n,p) se puede aproximar a N(=np, =\ npq )

APROXIMACIN BINOMIAL POR LA NORMAL
DISTRIBUCIN BINOMIAL NEGATIVA
Un experimento aleatorio que tiene las siguientes caractersticas:
En cada prueba del experimento slo son posibles dos
resultados: el suceso p (xito) y su contrario q (fracaso).
El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
La probabilidad del suceso p es constante, la representamos
por p, y no vara de una prueba a otra.
El experimento se repite x veces, hasta que ocurra un nmero
k de xitos.
Por lo tanto, en vez de calcular la probabilidad de k xitos en n pruebas, donde n es
fija, ahora nos preocuparemos por la probabilidad de que ocurra k xitos en las x
pruebas. Los experimentos de este tipo se llaman experimentos binomiales
Negativos .
FUNCIN DE PROBABILIDAD
La funcin de probabilidad de una variable aleatoria Binomial negativa
X, donde x es el nmero de pruebas hasta que ocurra k xitos se
expresa:




para x=k, k+1, k+2,

FUNCIN DE DISTRIBUCIN
Siendo su funcin de distribucin la sumatoria de cada uno de los
valores menores.

PARMETROS:
La media E[X] = k/p;

y varianza V[X] = k(1-p)/p
2
.

) 1 (
1
1
) (
p p
k x k
k
x
x p


- -
|
|
.
|

\
|

=
Ejemplo.
Si la probabilidad de que un nio expuesto a una enfermedad
contagiosa la contraiga es 0.40,
a. Cul es la probabilidad de que el dcimo nio expuesto a la
enfermedad sea el tercero en contraerla?
b. Si se contagian 2 nios cual es la probabilidad de que mas
de 8 nios hayan estado expuestos a la enfermedad.
Solucin
En este caso, X es el nmero de nios expuestos la enfermedad
y
a. p=0.40 ; k=3 contraen la enfermedad ; x=10 expuestos a la
enfermedad
P(x=10;k=3;p=0.40)=0.0645
b. P(x>8;k=2;p=0.40)=0106
Ejemplo.
Los registros de una compaa constructora de pozos, indican que
la probabilidad de que uno de sus pozos nuevos, requiera de
reparaciones en el trmino de un ao es de 0.20.
a. Cul es la probabilidad de que el sexto pozo construido por esta
compaa en un ao dado sea el segundo en requerir reparaciones
en un ao?.
b.Cul es la probabilidad de que el octavo pozo construido por
esta compaa en un ao dado sea el tercero en requerir
reparaciones en un ao?.
Solucin
a. BN(x=6; 0.20;2)=0.08192
b. BN(x=8;0.20; 3)=0.05505


Ejemplo.
En un experimento de percepcin auditiva, la deteccin de una seal
sobre un fondo de ruido tiene una distribucin binomial con media 3
y varianza 2.1. Calcular :
a. La probabilidad de deteccin de la seal.
b. Si el experimento termina con la quinta deteccin correcta, la
probabilidad de que se necesiten menos de 7 ensayos.
c. Si el experimento termina con la segunda deteccin correcta,
calcular la probabilidad de que se necesiten 6 o mas ensayos.
Solucin
a. Sabemos
=3;
2
=2.1 =np =npq =q 2.1=3q q=0.7
Luego
p=1-0.7=0.3
b. BN(x<7;p=0.3;k=5)=0.0109
c. BN(x6;p=0.3;k=2)=0.528
Ejemplo.
S la probabilidad de que un cierto estudiante llegue tarde a clase es
de 0.08, cul es la probabilidad de que;
a. El noveno estudiante que asiste a clase sea el tercero en llegar
tarde?,
b. En mas de 19 estudiantes que asiste a clase hayan cinco que llegan
tarde?.
c. En mas de 30 estudiantes que asiste a clase hay uno que llega
tarde?.
Solucin
a. p=0.08; x=9 estudiante; k=3 llegan tarde
BN(x=9;0.08;3)=0.00869
a. p=0.08; x>19 estudiantes; k=5 llegan tarde
BN(x>19;0.08;5)=0.985
a. p=0.03; x>30 estudiantes; k=1 llega tarde
BN(x>30;0.08;1)=0.0820

Ejemplo.
Se quieren reclutar 5 personas para participar en un nuevo
programa. Si p = 0.2 la probabilidad de que las personas
quieran participar.
a.Cul es la probabilidad que 10 personas no quieran
participar antes de encontrar a 5 que estn de acuerdo en
participar?.
b.La probabilidad que a lo sumo 10 personas no quieran
participar antes de encontrar a 5 que estn de acuerdo en
participar
Solucin
a.
k = 5 xitos, p = 0.2 y x =10 fracasos,
BN(x = 10;k=5;p=0.2)=0.034 (modelar eventos fallidos)
b. k = 5 xitos, p = 0.2 y x 10 fracasos
BN(x 10;k=5;p=0.2)=0.164 (modelar eventos fallidos)



22
Distribucin geomtrica
Es un caso particular de la distribucin binomial negativa para
k=1
Consideremos el siguiente experimento que tiene las siguientes
caractersticas:
1) Un experimento que consta de pruebas idnticas.

2) Cada prueba tiene dos resultados posibles:
p = xito; q = fracaso

3) La probabilidad de tener xito en una sola prueba es igual a p
y es constante en todas las pruebas.

4) Las pruebas son independientes.

5) La variable aleatoria de inters es X, el nmero de pruebas
hasta obtener el primer xito, k=1.





La funcin de probabilidad es:
Partimos de un experimento de Bernoulli donde la probabilidad
de que ocurra un suceso es p (xito) y la probabilidad de que no
ocurra q = 1- p (fracaso).
Repetimos nuestro experimento hasta conseguir el primer xito.
Definimos la variable aleatoria X, como el nmero de pruebas
hasta que se obtiene el primer xito.

1
0
) 1 ( 1 ) 1 ( ) (
+
=
= =

n
n
x
x
p p p n F
f(X = x) = p(1 - p)
x-1
, x = 1, 2,
E(X) = 1/p

Var(X) = (1 - p)/p
Parmetros de la distribucin
Funcin de distribucin
X=x significa que en los
primeros x-1 ensayos se
obtuvieron fracasos y en el x
ensayo se obtuvo xito.
X>x significa que en los x
ensayos se obtuvo fracasos
luego f(X>x)=(1-p)
x
para x>1
,

EJEMPLOS.
Si 0,08 es la probabilidad de que cierto instrumento de medicin de
intensidad de luz sufra una desviacin excesiva,
a. Cul es la probabilidad de que el sexto de los instrumentos
sometidos a prueba sea el primero en mostrar esa desviacin?
b. Calcular la media, varianza y desviacin estndar.
Solucin.
Sea X el nmero de ensayos en el cual se produce el primer (k=1)
instrumento que muestra una desviacin excesiva.
a. se tiene que
x=6 es el nmero de instrumentos sometidos a prueba,
p = 0.08 q = 1 p = 0.92
g(6; 0.08) = (0.08)(0.92)
6-1
= 0.053

b. Utilizando la ecuacin de la media se tiene que
u =1/0.08= 12,5
S
2
=(1 0.08)/(0.08)
2
= 143.75
s = 11.98
Ejemplo.
Considere el tablero de un conmutador telefnico. Hay inters de
saber el nmero de intentos necesarios que una persona hace para
tener una lnea disponible. Suponga que p = 0.125 es la probabilidad
de tener lnea durante la mayor congestin de llamadas. Determinar:
a. La probabilidad de que sean necesarios 5 intentos para lograr una
comunicacin?
b. Que porcentaje de veces un usuario tendr que hacer 5 o menos
intentos antes de lograr una comunicacin?
c. Cual es el promedio de intentos que una persona hace para tener
lnea disponible?
Solucin
a. g(x=5;p=0.125)=0.074
b. g(x5;p=0.125)=
c. u= 1/0.125 =

Ejemplo.
Un matrimonio quiere tener una hija, y por ello deciden tener
hijos hasta el nacimiento de una hija.
a. Calcular el nmero esperado de hijos (entre varones y
mujeres) que tendr el matrimonio.
b. Calcular la probabilidad de que la pareja acabe teniendo
tres hijos o ms.
Solucin
p=0.5, 1-p=0.5,
a. E(x)= 1/p = 1/0.5 = 2 hijos
b. G(x3;p=0.5)= 0.25

Ejemplo.
Disponemos de una caja que contiene : 5 tringulos (T), 3 crculos
(C) y 2 rectngulos (R).
Realizando extracciones de figuras con reemplazamiento :
a. Calcule la probabilidad de que, al realizar 8 extracciones, se
obtenga en 4 ocasiones un crculo.
b. Calcule la probabilidad de que se necesiten 8 extracciones para
obtener 4 crculos.
c. Calcule la probabilidad de que aparezca el primer crculo en la 8
extraccin.
Realizando extracciones de figuras sin reemplazamiento :
e) Calcule la probabilidad de que, al realizar 6 extracciones, se
obtenga en 2 ocasiones un crculo.
Solucin
a. Se tienen
p=3/10, n=8, x=4
b(x=4, n=8, p=0.3)=0.136
b. p=3/10, n=8, x=4
BN(k=4, x=8, p=0.3)=0.0681
c. p=3/10, n=8, x=4
G(x=8, p=0.3)=0.04247
d. p=3/10, N= 10; n=6 x=2, r= 3
H(x=2; n=6; r=3; N=10)=0.5



Ejemplo.
Se arroja repetidamente un dado. Cul es la probabilidad de
que el primer uno aparezca antes del quinto tiro?.
Solucin
P=0.166667
X4
G(x 4;p=0.166667)= 0.5177
DISTRIBUCIN DE POISSON
Esta distribucin aparece en algunos procesos que tienen una dimensin
temporal o espacial, y en fenmenos que tienen un alto nmero de
experimentos (alto n) y una baja probabilidad de que ocurran (baja p).

Ejemplos:
nmero de llamadas telefnicas que recibe un servicio de atencin a
urgencias durante un intervalo de tiempo determinado

nmero de cultivos infectados por una plaga en una cierta regin
geogrfica
CARACTERSTICAS
1.Los eventos son independientes. La ocurrencia de un evento en
un intervalo de espacio o tiempo no tiene efecto sobre la
probabilidad de una segunda ocurrencia del evento en el mismo,
o cualquier otro intervalo.

2.Tericamente, debe ser posible un nmero infinito de
ocurrencias del evento en el intervalo.

3. La probabilidad de la ocurrencia nica del evento en un
intervalo dado es proporcional a la longitud del intervalo.
FUNCIN DE DISTRIBUCIN
siendo su funcin de distribucin el sumatorio de cada uno de los
valores menores.



PARAMETROS
La media y varianza de X son ambas iguales a ,

E[X] = V[X] = .
FUNCIN DE PROBABILIDAD
La funcin de probabilidad de una variable aleatoria de Poisson
con media > 0, que simplificamos con la notacin P(), es



Donde se expresa como eventos por unidad de tiempo o espacio
EJEMPLOS
Supongamos que el nmero de accidentes laborales semanales
es en promedio 3. Calcular la probabilidad de que en una
semana
a. ocurran como mnimo 2 accidentes.
b. Ocurran a lo mucho 3 accidentes
c. Ocurran mas de 4 accidentes
d. Ocurran menos de 1 accidente
e. No ocurran accidentes
f. Ocurran entre 2 y 3 accidentes
Solucin
a. P(x, )=p(x2;3)=0.8009
b. P(x, )=p(x3;3)=
c. P(x, )=p(x5;3)=
d. P(x, )=p(x=0;3)=
e. P(x, )=p(x=0;3)=
f. P(x, )=p(x = 2, x=3, x;3)=





Ejemplo.
En una clnica el promedio de atencin es 16 pacientes por 4 horas,
encuentre la probabilidad que
a. En 30 minutos se atiendan menos de 3 personas y
b. Que en 180 minutos se atiendan 12 pacientes.
c. Que en 120 minutos se atiendan a lo mucho 5 pacientes
d. Que en 15 minutos se atiendan mas de 2 pacientes
Solucin
a. =16 pacientes/4 horas=4 pacientes/hora =2 pacientes/30 min
P(x; )=p(x<3;2)=0.677
b. =16 pacientes/4 horas=4 pacientes/hora =12 pacientes/180 min
P(x; )=p(x=12;12)=
c. =16 pacientes/4 horas=4 pacientes/hora =
P(x; )=p(x 5;8)=
d. =16 pacientes/4 horas=4 pacientes/hora =
P(x; )=p(x;)=

Ejemplo.
Despus de una prueba de laboratorio muy rigorosa con
cierto componente elctrico, el fabricante determina que en
promedio, solo fallarn 2 componentes antes de tener 1000
horas de operacin. Si se considera que la distribucin es
Poisson,
a. cual es la probabilidad que falle 5 componentes en 1000
horas
b. cual es la probabilidad que falle 5 componentes en 500
horas.
Solucin
a. = 2
x = 5

b. = 1
x = 5




0361 . 0
! 5
2
) 5 (
!
) (
5
2
= = = = = =

e X p
k
e k X p
k

DISTRIBUCIN HIPERGEOMTRICA
Est estrechamente relacionada con la distribucin de
probabilidad binomial. La diferencia entre ambas est
en la independencia de los intentos y en que la
probabilidad de xito cambia de uno a otro
Se usa para calcular la probabilidad de que una
muestra aleatoria de n artculos seleccionados sin
reemplazo, obtengamos x elementos identificados
como xitos, y n-x como fracasos. Para que suceda
esto debemos obtener x xitos de los r de la
poblacin, y n-x fracasos de los N-r de la poblacin
CARACTERISTICAS:
1. En cada prueba solo hay dos resultados xitos y
fracasos.
2. Las probabilidades asociadas a cada uno de los
resultados no son constantes.
3. Cada ensayo o repeticin del experimento no es
independiente de los dems.
4. El nmero de repeticiones del experimento (n) es
constante.
5. La poblacin es finita

0 x r s s
( )( )
( )
N
n
r
x
r N
x n
x P

= ) (
Donde N= tamao de la poblacin
n = tamao de la muestra
r = numero de xitos en un poblacin
x = numero de xitos en una muestra para los cuales
se desea la probabilidad

FUNCIN DE PROBABILIDAD
N
r
n x E = ) (
)
1
)( 1 (
2

=
N
n N
N
r
N
r
n o
PARAMETROS
1. Un crculo de calidad esta formado por 5 miembros, 3 mujeres
y 2 varones; se debe elegir 2 miembros del crculo para ser
capacitados. Cul es la probabilidad de elegir 2 mujeres al
azar?
Solucin
N=5, n=2, r=3 mujeres en la poblacin
x=2 mujeres en la muestra
EJEMPLOS.
( )( )
( )
( )( )
( ) 10
3
) (
5
2
3
2
2
0
= = =

N
n
r
x
r N
x n
x P
La distribucin Normal o de Gauss es el modelo
probabilstico ms importante. Se utiliza para
modelar gran nmero de fenmenos aleatorios,
entre ellos el ruido y los errores en la medida.
Aparece adems como distribucin lmite en el
Teorema Central del Lmite. Sus parmetros son
la media y la desviacin tpica ,
X ~ N(,)
DISTRIBUCIN NORMAL
Est caracterizada por dos parmetros: la media, y
la desviacin tpica, .

Su funcin de densidad es:
0) (
2
1
) ( ) , (
2
2
2
) (
> = =

x
e x P N
La curva normal adopta un nmero infinito de formas,
determinadas por sus parmetros y .
+
Caractersticas de la distribucin Normal
, Mo, Mn
o o
- o + o
Tiene forma de campana, es asinttica al eje de las abscisas
(para x = )
Los puntos de inflexin tienen como abscisas los valores o
Simtrica con respecto a la media () donde coinciden la mediana
(Me) y la moda (Mo )
Puntos
de
inflexin
Distribucin normal con =0 para varios valores o
0
0.4
0.8
1.2
1.6
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
o=0.25
o=0.5
o=1
p(x)
20 30 40 50 60 70 80 90 100 110 120
o = 5
o = 5
10 = o
Curvas normales con distintas medias y desviaciones estndar.
0) (
2
1
) ( ) , (
2
2
2
) (
> = =

x
e x P N
N(, ): Interpretacin probabilista
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
Si tomamos intervalos centrados en , y cuyos extremos estn
a distancia , tenemos probabilidad 68%
a distancia 2 , tenemos probabilidad 95%
a distancia 25 tenemos probabilidad 99%
Entre la media y
dos desviaciones
tpicas aprox. 95%

Podemos obtener la funcin de
distribucin F(x) integrando la
funcin de densidad de probabilidad:

2
1
) (
2
2
2
) (
dv e x F
x
v
}

=
De modo que la probabilidad de una
variable aleatoria normal X en un
intervalo a s x s b es:

2
1
) ( ) ( ) (
2
2
2
) (
dv e a F b F b X a P
b
a
v
}

= = s s
No podemos calcular analticamente el valor de la integral!
Tabularemos sus valores numricos...
2
2
2
) (
2
1
) ( ) , (

= =
x
e x P N
1
2
1
2
2
2
) (
=
}

dv e
v
En particular:
Cmo calcular probabilidades asociadas
a una curva normal especfica?
Dado que tanto como o pueden asumir infinitos valores lo
que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribucin
normal reducida o tipificada.



Se define una variable z =
x -
o
Es una traslacin , y un cambio de escala de
la variable original.
La nueva variable z se distribuye como una
NORMAL con media = 0 y desviacin tpica o = 1
-3 -2 -1 0 1 2 3
z
68% 95% 99%
Recordemos de nuevo que en cualquier distribucin normal las
probabilidades delimitadas entre :
o = 68 %
2o = 95 %
3o = 99 %
68%
99%
95%
Tipificacin
Dada una variable de media y desviacin tpica
, se denomina valor tipificado z, de una
observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
tpicas, es decir:
o

=
x
z
En el caso de variable X normal, la interpretacin es clara:
asigna a todo valor de N(, ), un valor de N(0,1) que deja
exctamente la misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos
distribuciones normales diferentes, para saber cul de los
dos es ms extremo.
Se quiere dar una beca a uno de dos estudiantes de sistemas
educativos diferentes y se asignar al que tenga mejor
expediente acadmico:
El estudiante A tiene una calificacin de 8 en un sistema
donde la calificacin de los alumnos se comporta como
N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema
donde la calificacin de los alumnos se comporta como
N(70,10).
1
10
70 80
2
1
6 8
=

=
=

=
B
x
z
x
z
B B
B
A
A A
A
o

o

No podemos comparar directamente 8
puntos de A frente a los 80 de B, pero
como ambas poblaciones se comportan
de modo normal, podemos tipificar y
observar las puntuaciones sobre una
distribucin de referencia N(0,1).

Como z
A
> z
B
, podemos decir que el
porcentaje de compaeros del mismo
sistema de estudios que ha superado
en calificacin el estudiante A es mayor
que el que ha superado B. En principio
A es mejor candidato para la beca.
du e z Z p z F
z e z p
}

= s =
< < =
z
2
u
2
z
2
2
2
1
) ( ) (
;
2
1
) (
Caracterstica de la distribucin
normal tipificada (reducida o
estndar):

No depende de ningn parmetro.

Su media es 0, su varianza es 1 y su
desviacin tpica es 1.

La curva f(x) es simtrica respecto al
eje de ordenadas y tiene un mximo
en este eje.

Tiene dos puntos de inflexin en z =1
y z = -1.
Hay varios tipos de tablas de la distribucin normal
La que se explica aqu representa las reas para los
diferentes valores de z desde 0 hasta +.
0
+
Los valores
negativos de z NO
estn tabulados, ya
que la distribucin
es simtrica

0.0
0.1
0.2
0.3
0.4

0.5

0 1 2 3 4 5 6 7 8 9
.0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
.0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
.0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
.1179 ..... ...... ...... ......
.1554 .... ..... ....

.1915 ....
La tabla consta de:
*Margen izquierdo : Los enteros de z y
su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: reas correspondientes,
acumuladas, desde 0
hasta 3.99
EJEMPLOS:
1.-Cul es la probabilidad de que un
valor de z est entre 0 y -2.03?
2.-Cul es la probabilidad de que un
valor de z est entre -2.03 y +2.03?
3. Hallar P( z >1.25 )
4. Hallar P ( -0.34 < z < )
5. Hallar P ( 0.34 < z < 2.30 )






?
Ejemplo 1
Cul es la probabilidad de que un valor de z est entre 0 y -2.03?
z
Cmo la curva es simtrica
P (-2.03 < z < 0) = P (0 < z < 2.03)
-3 -2 -1 0 1 2 3
0 1 2 3 4
1.8
1.9
2.0
2.1
47. 88%
Ejemplo 1
Cul es la probabilidad de que un valor de z est entre 0 y -2.03?
-3 -2 -1 0 1 2 3
z
Se busca en la tabla el rea correspondiente a z = 2.03
0.47882

?







47.88%








47.88%
Ejemplo 2
Cul es la probabilidad de que un valor de z est entre -2.03 y 2.03 ?
-3 -2 -1 0 1 2 3
z
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y
2.03= 0.47882
La misma rea hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764
95.76%
Ejemplo 3
Cul es la probabilidad de que un valor de z sea mayor a 1.25 ?
z
-3 -2 -1 0 1 2 3
?
1.- La probabilidad de 0 < z < + = 0.500
2.- La probabilidad de 0 < z < 1.25 = 0.39435
39.44%
3.- La probabilidad de z > 1.25 = 0.500 - 0.39435= 0.10565
10.56%
50%
Hallar P( -0.34 < z < )
z
P(0 < z <0.34) = 0.13307 =
P(-0.34 < z < 0)
13.31% 50%
63.31%
P( -0.34 < z < ) =
0.13307 + 0.50000 = 0.63307
-3 -2 -1 0 1 2 3
Ejemplo 4
P (0 < z < ) = 0.50000
Ejemplo 5
Hallar P( 0.34 < z < 2.30)
z
-3 -2 -1 0 1 2 3
P(0< z <0.34) = 0.13307
P( 0 < z < 2.30) = 0.4893
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623
35.62%
EJEMPLO
Sea una variable distribuida normalmente con media
= 4 y desviacin tpica o = 1.5.
Cul es la probabilidad de encontrar un valor x > 6
(P(x > 6 ))?
x
= 4 o = 1.5 Hallar P ( x > 6 )


?
6
1.- transformar x en un valor de z
0.40824
0.09176
z = (6 - 4)/1.5 = 1.33
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 =

x
z

=
0.5
-0.5 1 2.5 4 5.5 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
Hasta ahora vimos como dado un valor x de la variable,
hallar probabilidades transformando (estandarizacin) la
variable en valores de
x -
o
Cmo hallar un valor de x, dada la probabilidad?
x = ?
38.20%
Ejemplo: Sea una variable distribuida normalmente con =4 y
o =2 . Hallar el valor de x que deja por encima de l un 38.20%
(0.3820)
Se debe desestandarizar :
x = z o +
0.5000 - 0.382 = 0.118 Se busca en la
tabla el valor ms aproximado :0.1179
corresponde a z =+ 0.30
4.60
Sustituyendo en la frmula
0.30x2+4 =4.60
z =
Distribucin exponencial de probabilidad
Es una distribucin continua de probabilidad que se aplica
para determinar las probabilidades de ocurrencias de un
evento en el tiempo y espacio
La funcin de densidad de esta distribucin es:



De acuerdo a sta la distribucin exponencial de
probabilidad (rea bajo la curva) corresponde a:

0, 0 x > >
x
x
u
e e
u
x f

= =
1
1
) (
x
u
x
e e x X p

= = s 1 1 ) (
Se puede llegar a establecer una relacin entre la
distribucin exponencial y la distribucin de Poisson
considerando que ambas incluyen intervalos de tiempo
( )
!
1
( )
p
p
x
e e p
p
e
f x
x
f x e

=
= =
Caractersticas
Los eventos son independientes. La probabilidad de ocurrencia
de eventos en el intervalo de tiempo que transcurre es
independiente de la probabilidad de ocurrencia o no ocurrencia
en intervalos pasados.
La probabilidad de un evento debe darse en una unidad o
intervalo determinado.


Parmetros

La media y la variancia de la distribucin exponencial son:

= 1/ y o
2
= 1/
2

Donde

se expresa como eventos por unidad de tiempo

Ejemplo
Determinar la probabilidad de que un camin que llega
a un puerto sea cargado en 6 minutos o menos. Se sabe
que en promedio se demoran 15 minutos
solucin
( ) f x
6 Tiempo(min) 0
6 / 15
( 6) 1 0.3297 P x e

s = =
Ejemplo:
El tiempo de respuesta de un departamento es en promedio de 5
minutos y se distribuye exponencialmente.
a.Calcular la probabilidad de que el tiempo de respuesta a lo sumo
sea de 10 minutos.
b.Calcular la probabilidad de que el tiempo de respuesta oscile
entre 5 y 10 minutos.
Solucin
a. P(X 10) = F(10; 1/5) = 1- exp(-0.2*10) = 0.865

La probabilidad entre el tiempo de respuesta de 5 y 10 minutos es:
b. P(5X 10;5)= 0.233
Ejemplo.
A un servicio de emergencias llega un paciente cada 2 horas en
promedio (= 1/2),
a)cul es la probabilidad de que un paciente llegue en un lapso
mayor a dos horas?
b) cul es la probabilidad de que un paciente llegue en un tiempo
menor a una hora?
c) cul es la probabilidad de que un paciente llegue en un tiempo
mayor a una hora y menor a tres?
Solucin
a. P(x>2;u=2)=0.368
b. P(x<1;u=2)=0.393
c. P(1<x<3;u=2)=0.383

Ejemplo.
El personal de la compaa Onda S.L. usa una Terminal para realizar
sus pedidos internacionales. Si el tiempo que cada comercial gasta en
una sesin en la Terminal tiene una distribucin exponencial con
media 36 minutos, encontrar:
a. Probabilidad de que un comercial utilice la Terminal 30 minutos
o menos.
b. El 90% de las sesiones terminan en menos de R minutos. Cunto
vale R?
Solucin
a. E(x<30;u=36)=0.565
b. E(x<R;u=36)=0.90; luego R=82.9


EJERCICIOS:
1. Sea X el tiempo entre dos solicitudes de servicio sucesivas a un departamento, si X
tiene una distribucin exponencial con media = 10, calcular:
a) El tiempo esperado entre dos solicitudes sucesivas.
b) La desviacin estndar de esas llegadas
c) P(X<=15)
d) P(8<=X<=14)
2. Las falla de los ventiladores de un equipo tiene un tiempo promedio de 25,000 Horas,
cul es la probabilidad de que
a) Un ventilador seleccionado al azar dure por lo menos 20,000 horas?
b) A lo sumo 30,000 horas?
c) Entre 20,000 y 30,000 horas?
3. Un fabricante de equipos electrnicos ofrece un ao de garanta. Si el equipo falla en
ese periodo por cualquier razn se reemplaza. El tiempo hasta una falla est modelado
por la distribucin exponencial: f(x) = 0.125 exp(-0.125*x)
a) Qu porcentaje de los equipos fallarn dentro del periodo de garanta?
b) El costo de fabricacin del equipo es de $500 y la ganancia es de $250 Cul es el
efecto de la garanta por reemplazo sobre la ganancia?
4. El tiempo entre fallas de un componente de equipo es importante para proveer de
equipos de respaldo. Un generador elctrico tiene una vida promedio de 10 das.
a) Cul es la probabilidad de que falle dentro de los siguientes 14 das?
b) Cul es la probabilidad de que opere por ms de 20 das?



TRABAJ O
Distribuciones discretas
Distribucin Uniforme discreta (a,b)
Distribucin Binomial (n,p)
Distribucin Hipergeomtrica (N,R,n)
Distribucin Geomtrica (p)
Distribucin Binomial negativa (r,p)
Distribucin Poisson (lambda)
Distribuciones Continuas
Distribucin Uniforme (a,b)
Distribucin Normal (Mu, Sigma)
Distribucin Lognormal (Mu, Sigma)
Distribucin Logstica (a, b)
Distribucin Beta (p,q)
Distribucin Gamma (a,p)
Distribucin Exponencial (lambda)
Distribucin J i-cuadrado (n)
Distribucin t de Student (n)
Distribucin F de Snedecor (n,m)
1. En la industria azucarera se realiz una investigacin sobre la disciplina
laboral.
Las estadsticas demuestran que el 5% de los obreros son faltones, si se
selecciona una muestra aleatoria de 5 trabajadores. Calcule la probabilidad
que:
a.- 2 de ellos sean faltones.
b.- entre 3 y 5 sea faltones.
c.- de que todos faltones.
d.- al menos 4 sean faltones.
2. Se sabe que el servidor principal del centro de cmputo de la UNHEVAL
funciona adecuadamente el 90% del tiempo. Si se hace una muestra aleatoria de
10 inspecciones:
a.- Cul es la probabilidad de que el servidor principal funcione correctamente.
a.1.- exactamente nueve veces?
a.2.- por lo menos nueve veces?
a.3.- cuando ms 9 veces?
a.4.- ms de 9 veces?
a.5.- menos de 9 veces?
b.- Cuantas veces se puede esperar que funcione en forma apropiada el servidor
principal?
3. La probabilidad de que un boxeador termine la pelea sin sufrir daos es de
0.85 y si termina 4 peleas, hallar la probabilidad de que:
a.- De 2 a 4 peleas termine sin sufrir daos.
b.- Al menos 3 peleas termine sin sufrir daos.
c.- A lo sumo dos peleas termine sin sufrir daos.
d.- Probabilidad de que todas las peleas termine daado.
e.- Cul es el promedio de peleas que no debe sufrir daos?
4. El nmero promedio de Bajaj que se detienen por minuto para tomar
pasajeros en la puerta de la universidad es 1.2.
Cul es la probabilidad de qu en determinado minuto se detengan...
a.- menos de dos Bajajs?
b.- ms de tres Bajajs?
c.- menos de dos Bajajs ms de tres?
d.- dos tres Bajajs para tomar pasajeros?
e.- al menos dos Bajajs?
5. Una Central telefnica recibe 480 llamadas por hora, pero no puede recibir ms
de 12 llamadas por minuto.
Determine:
a.- La probabilidad de que se realicen 10 llamadas en un minuto.
b.- La probabilidad de que la central quede saturada en medio minuto (30
segundos).
c.- La probabilidad de que se produzcan a lo sumo 1 llamada en un minuto dado.
d.- La probabilidad de que se produzcan ms de 2 llamadas en un minuto.
e.- El nmero de llamadas esperadas en cinco minutos.
6. En cierta clnica hay 20 pacientes de los cuales se sabe que el 25%
tienen cncer. Se extrae aleatoriamente sin reemplazo 4 pacientes para el
despistaje de cncer
a) Cul es la probabilidad de que al menos uno tenga cncer?
b) Cul es el nmero esperado de pacientes con cncer?
7. Un jurado de 7 jueces va a decidir entre dos finalistas quin es la
ganadora del concurso de belleza, para lo cual bastar una mayora
simple de los jueces. Suponga que 4 jueces votan por Mara y que los
otros 3 votan por Susana. Se eligen al azar 3 jueces y se les pregunta por
quin van a votar. Cul es la probabilidad de que la mayora de los
jueces de la muestra estn a favor de Mara?
8. El peso de llenado de las bolsas de azucar se distribuye normalmente, siendo el
peso promedio de 50 kg con una desviacin tpica de 1.8 kg.
a) Qu probabilidad hay de que una bolsa tenga un peso neto inferior a 45 kg?
b) Qu proporcin de las bolsas tendr pesos netos superiores a 53 kg?
c) Qu proporcin de las bolas tendr pesos netos entre 45 y 53 kg?
d) Cul es el peso mximo del 20% de las bolsas menos pesadas?
e) Cul es el peso mnimo del 10% de las bolsas ms pesadas?

9. Se sabe que el 7% de las productos de una fabrica son defectuosas. Si en un lote
se extrae 3 productos con reemplazamiento (se extrae un producto que, una vez
observada, se devuelve al lote), determinar la probabilidad de que en estas 3
extracciones resulte solamente una pieza defectuosa.
10. La media de las calificaciones obtenidas en un examen result ser = 4,7 con
una desviacin tpica s = 1,3. Se pregunta, suponiendo que las calificaciones se
distribuyen normalmente, lo siguiente:
a. Cul fue el % de aprobados ?.
b. Qu % obtuvo ms de 7 ?.
c. Y menos de tres puntos ?.
d. Qu % obtuvo entre 4 y 6 puntos ?.
11. Cual es la probabilidad de que al lanzar 6 monedas al aire nos salgan entre
dos y cuatro caras ?
12. Un saco que contiene 400 monedas es vaciado sobre una mesa. Hallar la
probabilidad:
a) de que aparezcan ms de 210 caras;
b) de que el nmero de caras sea menor que 180;
c) de que el nmero de caras est comprendido entre 190 y 210, ambos inclusive.
13. De cada 2.000 personas a las que se suministra cierto medicamento, 6
resultan alrgicas al mismo, por trmino medio. Si en un determinado da se ha
administrado el medicamento a 400 personas, cul es la probabilidad de que
haya al menos una alrgica ?.

14. Se sabe que dos poblaciones distintas X e Y, se distribuyen
normalmente con media 0. Adems P(X = 2) = P(Y = 3) = 0,1587. Calcular sus
respectivas varianzas.
15. Una empresa produce 1 milln de botellas a la semana cuyos pesos siguen
una distribucin normal de media 1200 g. y desviacin tpica 10 g.. Calcular para
una semana:
a. El nmero de botellas que pesan ms de 1225 g..
b. El nmero de botellas que pesan entre 1195 g. y 1215 g..
c. El nmero de botellas que pesan menos de 1 kg..
16. La probabilidad de que un golfista haga hoyo en un cierto tipo de
lanzamiento es 0,2. Si lo intenta 5 veces, calcular la probabilidad de que:
a. no acierte ninguna vez;
b. acierte por lo menos dos veces .
Supongamos que lanzara 10.000 veces y su capacidad de acierto se mantuviera
( ni aumentara por la prctica ni disminuyera por el cansancio). Qu
probabilidad hay de que acierte ms de 2.080 veces ?.