UNIVERSIDAD NACIONAL MAYOR DE

SAN MARCOS
UNIVERSIDAD DEL PERÚ, DECANA DE AMÉRICA
FUNDADA EL 12 DE MAYO DE 1551 (651 AÑOS)

ASIGNATURA: PROBABILIDAD Y ESTADÍSTICA

SEMANA 06-07-09
I. CONCEPTO DE VARIABLE ALEATORIA.
II. TIPOS DE VARIABLES ALEATORIAS
III. VARIABE ALEATORIA DISCRETA: DISTRIBUCIÓN
DE PROBABILIDAD
IV. VARIABLE ALEATORIA CONTINUA,
CARACTERÍSTICAS NUMERICAS DE UNA
VARIABLE ALEATORIA: ESPERANZA Y
VARIANZA.
V. DISTRIBUCIONES ESPECIALES DE VARIABLE
DISCRETA: BERNOULLI; BINOMIAL; POISSON;
GEOMÉTRICA; HIPERGEOMÉTRICA.
VI. DISTRIBUCIONES ESPECIALES DE VARIABLE
CONTINUA: UNIFORME; EXPONENCIAL;
NORMAL: PROPIEDADES, ESTANDARIZACIÓN,
MANEJO DE TABLA.

Por: Lic. Fernando Camones Gonzales

E.A.P. ESTADÍSTICA
I. CONCEPTO DE VARIABLE ALEATORIA

Una variable aleatoria es una función que asigna un número real a cada
elemento del espacio muestral Ω.

Una variable aleatoria puede definirse de forma textual o simbólica.

En un espacio muestral Ω puede definirse más de una variable aleatoria.

La expresión “VARIABLE ALEATORIA” es un convencionalismo. Por

definición, una variable aleatoria es una función y no una variable.

Por ejemplo, si la variable aleatoria es X, el valor que asume es x.

X: Ω→ ℝ tal que cada elemento de 𝑤 ∈ Ω. se le asocia un número real x=X(w)

se denomina VARIABLE ALEATORIA.

El conjunto de valores que asume la variable aleatoria es denominado el

“recorrido” de la variable aleatoria y se denota por RX, que también se
reconoce como el “rango de X”

𝑅𝑥 = {𝑥 ∈ ℝ ∕ 𝑥 = 𝑋(𝑤), 𝑤 ∈ Ω}

LA VARIABLE ALEATORIA ES UNA FUNCIÓN QUE ASIGNA UN

NÚMERO REAL A CADA RESULTADO DEL ESPACIO MUESTRAL DE
UN EXPERIMENTO ALEATORIO.

Ejemplo 1:

Sea 𝜀 un experimento aleatorio que consiste en lanzar al aire una moneda

tres veces consecutivas y observar la cara superior. Determine:

a) El espacio muestral Ω
b) Sea X la variable aleatoria definida como el número de caras obtenidas,
entonces determine el recorrido o rango RX.

EJEMPLO 02.

Una central telefónica tiene 24 líneas externas. En un momento cualquiera

se registra el número de líneas ocupadas. Sea X la variable aleatoria definida
como el número de líneas ocupadas. ¿Cuál es el recorrido de la variable
aleatoria X?

El recorrido de la variable aleatoria es Rx=

EJEMPLO 03.

En control de calidad es importante que el número de defectos de un

producto no exceda los límites de control. Un mueble de madera puede tener
como defectos: raspaduras, pequeños orificios, uniformidad de color,
abolladuras etc. Si la variable aleatoria X es definida como el número de
defectos, ¿Cuál es el recorrido de la variable aleatoria X?

El recorrido de la variable aleatoria es Rx=

EJEMPLO 04.

Una compañía de taxis, con la finalidad de optimizar sus servicios, ha

registrado los tiempos de duración de las carreras que prestan a sus clientes.
Sea X la variable aleatoria definida como el tiempo de duración, ¿Cuál es el
recorrido de la variable aleatoria X?

El recorrido de la variable aleatoria es Rx=

COMO PUEDE OBSERVARSE EN LOS EJEMPLOS ANTERIORES, EL
CONJUTO DE VALORES CORRESPONDIENTES AL RECORRIDO Rx
PUEDE SER: FINITO, INFINITO NUMERABLE O INFINITO NO
NUMERABLE. ESTA DIFERENCIA ORIGINA LA SIGUIENTE
CLASIFICACIÓN DE VARIABLES ALEATORIAS:

DEFINICIÓN:

Una variable aleatoria discreta es una variable con un

rango finito (o contable infinito).

Una variable aleatoria continua es una variable aleatoria

que tiene como rango un intervalo (sea finito o infinito)
de números reales.

Nota 1:

En algunos casos la v.a X es en realidad discreta, pero,

debido a que el rango de los valores posibles es tan
extenso, podría resultar más conveniente analizar X
como v.a continua.

Ejemplos:

V.a discretas: Número de rayaduras en una superficie,

proporción de partes defectuosas entre 1000 probadas,
número de bits trasmitidos.

V.a continua: Corriente eléctrica, longitud, presión,

temperatura, tiempo, voltaje, peso, etc.
EJERCICIOS DE VARIABLE ALEATORIA:

I. Decida si una variable aleatoria discreta o continua es el mejor modelo

para cada una de las variables siguientes:

a. El tiempo hasta que un proyectil llega a la tierra.

b. El número de veces que un transistor en una memoria de computadora
cambia de estado en una operación.
c. El volumen de gasolina que se pierde por evaporación durante el
llenado de un tanque de combustión.
d. El diámetro exterior de una flecha maquinada.
e. El número de grietas que exceden media pulgada en 10 millas de una
carretera interestatal.
f. El peso de una pieza de plástico moldeada por inyección.
g. El número de moléculas en una muestra de gas.
h. La concentración de la salida de un reactor.
i. La corriente de un circuito electrónico.

EJERCICIOS COMPLEMENTARIOS:

II. Los datos de 200 piezas maquinadas se resumen en continuación:

Condición de Profundidad de taladro Total

Borde Mayor que la Menor que la
del diseño del diseño
Burdo 15 10

Regular 25 20

Liso 60 70

Total

a. ¿Cuál es la probabilidad de que una pieza seleccionada tenga

una condición de borde regular y una profundidad del taladro
menor que la del diseño?
 b. ¿Cuál es la probabilidad de que una pieza seleccionada tenga
una condición del borde regular o una profundidad del taladro
menor que la del diseño?
c. ¿Cuál es la probabilidad de que una pieza seleccionada no
tenga una condición del borde regular o no tenga una
profundidad del taladro menor que la del diseño?

III. En la tabla siguiente se enlista el historial de las características

opcionales en 940 pedidos de una computadora básica

Procesador de alta Memoria extra Total

velocidad No Si
No 514 68

Si 112 246

Sea que A denote el evento de que un pedido incluya el procesador de alta

velocidad opcional y sea que B denote el evento de que un pedido requiera
memoria extra. Determine las siguientes probabilidades:

a. P(AUB)
b. P(AB)
c. P(A’UB)
d. P(A’B’)
e. ¿Cuál es la probabilidad de que un pedido requiera memoria
extra, dado que el pedido requiere el procesador de alta
velocidad opcional?
f. ¿Cuál es la probabilidad de que un pedido requiera un pedido
de alta velocidad opcional, dado que el pedido requiere
memoria extra?
II. VARIABLE ALEATORIA DISCRETA Y DISTRIBUCIÓN DE
PROBABILIDAD:

CONTENIDO

2.1 VARIABLE ALEATORIA DISCRETA

2.1.1 Probabilidad en el Rx de la variable aleatoria

Una variable aleatoria discreta X asume cada uno de los valores

con cierta probabilidad que denotaremos: P[X=xi], pues lo adquiere
de Ω vía X. El valor de P[X=xi] se denomina probabilidad inducida
por X y está definida en Rx.

En efecto, si el rango de la variable aleatoria X es el conjunto finito

de número Rx={x1,x2,…,xn}, y si B={xi} es un evento unitario en
Rx, entonces:

P[X=xi]=P({w∈ Ω⁄𝑿(𝒘) = 𝒙𝒊})

EJEMPLO 05.
Si la variable aleatoria X es un número de caras que resultan al
lanzar una moneda tres veces, entonces, el rango de X es
Rx={0,1,2,3}, por lo tanto, en Rx, se tiene:

P[X=0]=P({SSS})=1/8
P[X=1]=P({SSC o SCS o CSS})=3/8
P[X=2]=P({SCC o CSC o CCS})=3/8
P[X=3]=P({CCC})=1/8
 NOTAS:

1. El conjunto de pares (x, P[X=xi]) constituye la

distribución de probabilidad de la variable aleatoria
X.
2. Las probabilidades Pi=P[X=xi], xi∈Rx, satisfacen las
siguientes propiedades:
Pi≥0
σ 𝐏𝐢 = 𝟏

EJEMPLO 06.
En un proceso de fabricación de semiconductores, se prueban dos
obleas de un lote. Cada oblea se clasifica como pasa o falla.
Suponga que la probabilidad de que una oblea pase la prueba es
0.8 y que las obleas son independientes. El espacio muestral del
experimento y las probabilidades asociadas se muestran:

Resultado Probabilidad x

(pasa,pasa) 0.64 2

(falla,pasa) 0.16 1

(pasa, falla) 0.16 1

(falla,falla) 0.04 0

Por ejemplo: Debido a la independencia, la probabilidad del

resultado de que la primera oblea probada pase y la segunda oblea
probada falle, denotada como (pasa, falla), es:

P[(pasa, falla)]=0.8*0.2=0.16
 La variable aleatoria X se define: como el número de obleas que
pasan. La última columna de la tabla muestra los valores de X que
se asignan a cada resultado del experimento.

2.2 DISTRIBUCIONES DE PROBABILIDAD Y FUNCIONES DE

PROBABILIDAD

LA DISTRIBUCIÓN DE PROBABILIDAD de una v.a X es una descripción

de las probabilidades asociadas con los valores posibles de X. Para
una v.a.d. la distribución de probabilidad es una lista de valores
posibles junto con la probabilidad de cada uno.

EJEMPLO 07.
Existe la posibilidad de que un Bit transmitido a través de un canal
de transmisión digital se reciba con error. Sea X igual al número de
bits con error en los cuatro siguientes bits transmitidos. Los valores
posibles de X son {0,1,2,3,4}. Con base en un modelo para los
errores, se determinarán las probabilidades de estos valores.
Suponga que las probabilidades son
P[X=0]=0.6561
P[X=1]=0.2916
P[X=2]=0.0486
P[X=3]=0.0036
P[X=4]=0.0001

La distribución de probabilidad de X se especifica por los valores

posibles junto con la probabilidad de cada uno. Elabore un gráfico
de distribución de probabilidad de X:

Gráfico de Bastones:

DEFINICIÓN:

Para una variable aleatoria discreta X con valores posibles x1, x2, x3,
…,xn, LA FUNCIÓN DE PROBABILIDAD ES:

f(xi)= P[X=xi], puesto que f(xi) se define como una probabilidad, f(xi)≥
𝟎 y σ 𝒇(𝒙𝒊) = 𝟏
 EJEMPLO 08.
Sea X la v.a. definida como el número de caras que ocurre al lanzar
una moneda 4 veces:
a. Obtenga la distribución de probabilidad de X. Luego
grafique la distribución y describa su forma.

b. Calcule la probabilidad de P[0<X≤ 2].

2.3 FUNCIÓN DE DISTRIBUCIÓN ACUMULADA

DEFINICIÓN:

La FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA V.A. DISCRETA

X DENOTADA COMO F(X), ES:

F(x)= P[X≤x]= σ 𝒇(𝒙)

Para una v.a. Discreta X, F(x) satisface las siguientes propiedades:

a) F(x)= P[X≤x]= σ 𝒇(𝒙)

b) 𝟎 ≤ 𝑭(𝒙) ≤ 𝟏
c) Si x≤y, entonces F(x)≤F(y)

EJEMPLO 09.
Sea X la v.a. definida como el número de caras que ocurre al lanzar
una moneda 4 veces:
a. Obtenga y grafique la función de distribución acumulada
F(x)
 X=#caras x=0 x=1 x=2 x=3 x=4

f(x) 1/16 4/16 6/16 4/16 1/16

b. Aplicando la F(x), calcule la P[0<X≤ 2].

2.4 MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

DEFINICIÓN:

LA MEDIA O VALOR ESPERADO DE UNA V.A. DISCRETA X DENOTADA

COMO 𝝁 o E(X) ES:

𝝁 =E(X)= σ 𝑿𝒇(𝒙)

LA VARIANZA DE X, DENOTADA COMO 𝝈𝟐 O V(X), ES:

𝝈𝟐 = 𝑽(𝑿) = 𝑬(𝑿 − 𝝁)𝟐 = ෍(𝒙 − 𝝁)𝟐 𝒇(𝒙) = ෍ 𝒙𝟐 𝒇(𝒙) − 𝝁𝟐

LA DESVIACIÓN ESTÁNDAR DE X ES: 𝝈 = [𝑽(𝑿)]𝟏/𝟐

EJERCICIO DE LA SECCIÓN
EJERCICIO 01.
El número de mensajes por hora enviados en una red de
computadoras tiene la siguiente distribución:

X=#msg x=10 x=11 x=12 x=13 x=14 x=15

f(x) 0.08 0.15 0.30 0.20 0.20 0.07

Determine la media y la desviación estándar del número de

mensajes por hora enviados.
 EJERCICIO 02.

Una variable aleatoria X puede tomar los valores 30, 40, 50 y 60

con probabilidades 0.4, 0.2, 0.1 y 0.3. Represente en una tabla la
función de probabilidad, P(X=x), y la función de distribución de
probabilidad acumulada, F(x)=P(X≤ 𝑥), y determine las siguientes
probabilidades:
a) P(x≤ 25)
b) P(x≥ 60)
c) P(x<40)
d) P(x>40)
e) P(30 ≤x≤ 60)
f) P(30 <x≤ 60)
g) P(30 <x< 60)
h) Obtenga la esperanza y la varianza de X.

EJERCICIO 03.

Con la variable aleatoria X, cuya función de probabilidad viene

dada en la tabla siguiente:

a) Determine la esperanza y varianza de X

b) Determine la función de distribución de probabilidad
c) Determine F(33), F(14,5), P(10.5<X<17.5)
 EJERCICIO 04.

El espacio muestral de un experimento aleatorio es {a,b,c,d,e,f}

cada resultado es igualmente probable. Una variable aleatoria se
define de la siguiente manera:
resultado a b c d e f

x 0 0 1.5 1.5 2 3

a. Determine la función de probabilidad de X

b. Determine la función de distribución acumulada de la
variable aleatoria X
c. Determine la esperanza y la varianza de X

EJERCICIO 05.

Utilice la función de probabilidad del ejercicio 04 para determinar

las siguientes probabilidades:
a. P(x= 1.5)
b. P(x>3)
c. P(0 ≤x< 2)
d. P(0.5 <x< 2.7)
2.5 DISTRIBUCIONES ESPECIALES DE VARIABLE DISCRETA:

2.5.1 BERNOULLI

La distribución de Bernoulli es una distribución que toma dos

valores (1 y 0) con probabilidad p y 1−p. Habitualmente esta
distribución aparece en experimentos donde se identifica el suceso
1=EXITO y 0=FRACASO.

DEFINICIÓN 01:

Una v.a. X tiene una distribución de Bernoulli si para algún

p con:
𝟎≤𝒑≤𝟏

P(X=1)=p
P(X=0)=1-p

Ejemplo:
1. La v.a. que define el experimento lanzamiento de una moneda
sigue una distribución de Bernoulli de parámetro p. Donde p es
la probabilidad del suceso de interés, cara o sello.
2. En la selección de una pieza de un lote de 500 piezas. Los
resultados posibles son defectuosos y no defectuosos.
3. En la selección de una persona al azar de un grupo de 1000.
Los resultados posibles son hombre o mujer.

En todos los casos interesa la ocurrencia de un éxito o fracaso.

DEFINICION

La v.a. X, que toma solamente dos valores 0 y 1 con función

de probabilidad de X es:

𝒇(𝒙) = 𝒑(𝒙) = 𝑷[𝑿 = 𝒙] = 𝒑𝒙 (𝟏 − 𝒑)𝟏−𝒙 , 𝒔𝒊 𝒙 = 𝟎; 𝟏; 𝟐; …

 De la definición, se tiene P[x=1]=p y P[X=0]=1-p

Si X es una v.a. con distribución Bernoulli de parámetro p,

entonces se denota por 𝑿~𝑩(𝟏; 𝒑)

Si X es una variable aleatoria Bernoulli con

parámetro p, entonces:

𝝁 = 𝑬(𝑿) = 𝒑 y 𝝈𝟐 = 𝑽(𝑿) = 𝒑(𝟏 − 𝒑)

2.5.2 BINOMIAL

Se dice que un experimento es BINOMIAL si satisface los

siguientes supuestos:

I. El experimento consiste de n ensayos de

Bernoulli.
II. La probabilidad de éxito en un ensayo es igual
a p y es constante para todos los ensayos. La
probabilidad de fracaso es q=1-p.
III. Los ensayos son independientes.
IV. El investigador está interesado en el número
de éxitos y no el orden que ocurren.

En todos los casos interesa la ocurrencia de un éxito o fracaso.

DEFINICION

La v.a. X, que es igual al número de ensayos que producen

un éxito tiene una DISTRIBUCIÓN BINOMIAL con
parámetros p y n= 1, 2, …

La función de probabilidad de X es:

 𝒏
𝒇(𝒙) = 𝒑(𝒙) = 𝑷[𝑿 = 𝒙] = ( ) 𝒑𝒙 (𝟏 − 𝒑)𝒏−𝒙 , 𝒔𝒊 𝒙 = 𝟎; 𝟏; 𝟐; … , 𝒏
𝒙

Si X es una variable aleatoria Binomial con

parámetro p y n, entonces:

𝝁 = 𝑬(𝑿) = 𝒏𝒑 y 𝝈𝟐 = 𝑽(𝑿) = 𝒏𝒑(𝟏 − 𝒑)

EJERCICIO 1
Un vendedor de un producto sabe, por experiencia, que logra la
venta en el 30% de los clientes que visita, porcentaje que ha
permanecido constante a lo largo del tiempo. Cada cliente no tiene
contacto con los demás. El vendedor desea saber la probabilidad de
que si visita 8 clientes.
a) Logre vender en exactamente 3 casos.
b) Logre vender en por lo menos 3 casos.
c) En a) y b) compruebe los resultados utilizando algún programa
estadístico

EJERCICIO 2
En una fábrica hay 12 máquinas. Cada una de ellas está averiada un
día de cada 10. ¿Cuál es la probabilidad de que un determinado día
haya?

a) más de 3 máquinas averiadas

b) exactamente 3 máquinas averiadas.
c) por lo menos 3 máquinas averiadas.
d) En a), b) y c) compruebe los resultados utilizando algún
programa estadístico.

EJERCICIO 3
En una fábrica se realiza el control de calidad de los productos, para
ello se seleccionan 10 de los artículos elaborados y se inspeccionan
con el fin de determinar si son defectuosos o no. La probabilidad de
que un producto sea defectuoso es de 12%. Determinar:

a) La probabilidad si de los 10 artículos seleccionados 3 sean

defectuosos.
b) La probabilidad de que más de 2 y menos de 6 artículos
seleccionados sean defectuosos.
c) En a), b) y c) compruebe los resultados utilizando algún
programa estadístico.

EJERCICIO 4
Un semáforo particular tardado en el trayecto matutino del lector
está en verde 20% de las veces que usted pasa por este crucero.
Suponga que cada mañana representa un ensayo independiente.

a) En 5 mañanas, ¿cuál es la probabilidad de que la luz esté en

verde exactamente un día?
b) En 20 mañanas, ¿cuál es la probabilidad de que la luz esté en
verde exactamente 4 días?
c) En 20 mañanas, ¿cuál es la probabilidad de que la luz esté en
verde más de 4 días?
d) En a), b) y c) compruebe los resultados utilizando algún
programa estadístico.

2.5.3 GEOMÉTRICA
En una serie de ensayos BERNOULLI independientes, con
probabilidad constante p de un éxito, sea que la variable aleatoria
X denote el número de ensayos hasta el primer éxito. Entonces X
tiene una DISTRIBUCIÓN GEOMETRICA con parámetro p y:

La función de probabilidad de X es:

𝒇(𝒙) = 𝒑(𝒙) = 𝑷[𝑿 = 𝒙] = 𝒑(𝟏 − 𝒑)𝒙−𝟏 , 𝒔𝒊 𝒙 = 𝟏; 𝟐; … , 𝒏

Si X es una variable aleatoria GEOMETRICA con

parámetro p, entonces LA MEDIA Y LA VARIANZA:

𝟏−𝒑
𝝁 = 𝑬(𝑿) = 𝟏/𝒑 y 𝝈𝟐 = 𝑽(𝑿) =
𝒑𝟐

EJEMPLO 01
La probabilidad de que una oblea contenga una partícula de
contaminación grande es 0.01. Si se supone que las obleas son
independientes, ¿cuál es la probabilidad de que sea necesario
analizar exactamente 125 obleas antes de detectar una partícula
grande? Realice el gráfico de progresión geométrica y replique con
el minitab
SOL.
 Sea que X denote el número de muestras analizadas hasta que se
detecte una partícula grande. Entonces:

X es una v.a GEOMETRICA con p=0.01, la probabilidad pedida es:

𝒇(𝒙) = 𝒑(𝒙) = 𝑷[𝑿 = 𝒙] = 𝒑(𝟏 − 𝒑)𝒙−𝟏 , 𝒔𝒊 𝒙 = 𝟏; 𝟐; … , 𝒏

P(X=125)=(𝟏 − 𝟎. 𝟎𝟏)𝟏𝟐𝟓−𝟏 𝟎. 𝟎𝟏 = 𝟎. 𝟎𝟎𝟐𝟗

2.5.4 HIPERGEOMÉTRICA.

Representa el número de éxitos en una muestra aleatoria de

tamaño n seleccionada de N resultados posibles, de los cuales k
son considerados como éxitos y N-k son considerados fracasos.

Se selecciona una muestra de n individuos de entre los k individuos

marcados como éxito y los N − k restantes marcados como
fracaso.

DEFINICIÓN:

Sea que la va X denote el número de éxitos en la muestra.

Entonces X tiene una distribución HIPERGEOMETRICA y:
𝒌 𝑵−𝒌
( )( )
𝒙 𝒏−𝒙
𝒇(𝒙) = 𝒑(𝒙) = 𝑷[𝑿 = 𝒙] = 𝑵 , x=máx(0,n+k-N) hasta
( )
𝒏
min(k,n)

Si X es una variable aleatoria HIPERGEOMETRICA

con parámetro N,K y n, entonces LA MEDIA Y LA
VARIANZA:

𝑵−𝒏
𝝁 = 𝑬(𝑿) = 𝒏𝒑 y 𝝈𝟐 = 𝑽(𝑿) = 𝒏𝒑(𝟏 − 𝒑) ( )
𝑵−𝟏
Donde p=k/N
 La-expresión
𝑵−𝒏
, 𝒔𝒆 𝒄𝒐𝒏𝒐𝒄𝒆 𝒄𝒐𝒎𝒐 𝒆𝒍 𝒇𝒂𝒄𝒕𝒐𝒓 𝒅𝒆 𝒄𝒐𝒓𝒓𝒆𝒄𝒄𝒊ó𝒏 para
𝑵−𝟏
poblaciones finitas.

EJERCICIO 01
Suponga que X tiene una distribución Hipergeométrica con N=100,
n=4, y k=20. Determine las siguientes probabilidades:

a) P(X=1)
b) P(X=4)
c) P(X=6)
d) Determine la media y la varianza de X.
e) Compruebe los resultados utilizando algún programa estadístico

EJERCICIO 02
Suponga que X tiene una distribución Hipergeométrica con N=20,
n=4 y k=4. Determine lo siguiente las siguientes probabilidades:

a) P(X=1)
b) P(X≤ 𝟐)
c) P(X=4)
d) Determine la media y la varianza de X.
e) Compruebe los resultados utilizando algún programa estadístico

EJERCICIO 03
En una empresa hay 28 empleados en el dpto. Administrativo y 43
en el dpto de ventas. Se desea seleccionar un comité de 5
empleados para que asistan a un evento. Determinar:
a) La probabilidad de que de los 5 empleados que se
seleccionan 3 pertenezcan al dpto. administrativo.
b) La probabilidad de que más de 3 empleados seleccionados
pertenezcan al dpto de administración.
c) Compruebe los resultados utilizando algún programa
estadístico

EJERCICIO 04
Un lote de 75 arandelas contiene cinco en las que la variabilidad del
espesor alrededor de la circunferencia es inaceptable. Se
selecciona, al azar y sin reemplazo una muestra de 10 arandelas.
a) ¿Cuál es la probabilidad de que ninguna de las arandelas
inaceptables este en la muestra?
b) ¿Cuál es la probabilidad de que al menos una de las
arandelas inaceptables esté en la muestra?
c) ¿Cuál es la probabilidad de que exactamente una de las
arandelas inaceptables este en la muestra?
d) ¿Cuál es el número promedio de arandelas inaceptables en
la muestra?
e) Compruebe los resultados utilizando algún programa
estadístico

2.5.5 POISSON

Consideremos sucesos ("éxitos") que ocurren aleatoriamente a lo

largo del tiempo y sea la v.a. X ="número de sucesos en el intervalo
de tiempo (0, t)". La distribución de Poisson de parámetro λ surge
en los llamados procesos de Poisson que se presenta en relación
con el acontecimiento de éxitos de un tipo particular durante un
intervalo continuo de tiempo.

DEFINICION
 Una v.a. X, tiene una DISTRIBUCIÓN de POISSON con
parámetros λ .

La función de probabilidad de X es:

𝒆−𝝀 𝝀𝑿
𝒇(𝒙) = 𝒑(𝒙) = 𝑷[𝑿 = 𝒙] = , 𝒔𝒊 𝒙 = 𝟎; 𝟏; 𝟐; …
𝒙!
Nota: El modelo de distribución de Poisson puede
establecerse aproximadamente como una variable aleatoria
BINOMIAL. Puesto que: 𝑬(𝑿) = 𝝀 = 𝒏𝒑 𝒔𝒆 𝒐𝒃𝒕𝒊𝒆𝒏𝒆 𝒑 = 𝝀 ∕ 𝒏

Si X es una variable aleatoria POISSON con

parámetro 𝝀, ENTONCES la media y la varianza de
x son:

𝝁 = 𝑬(𝑿) = 𝝀 y 𝝈𝟐 = 𝑽(𝑿) = 𝝀

EJERCICIO 1
En un taller se averían una media de 2 máquinas a la semana.
Calcula la probabilidad de que:

a) no haya ninguna avería en una semana.

b) haya menos de 6 en un mes?
c) En a) y b) compruebe los resultados utilizando algún programa
estadístico
 EJERCICIO 2
Para el caso del alambre delgado de cobre, suponga que el número
de imperfecciones sigue una distribución de Poisson con una media
de 2.3 imperfecciones por milímetro.

a) Determine la probabilidad de exactamente 2 imperfecciones en

un milímetro de alambre.
b) Determine la probabilidad de 10 imperfecciones en 5 milímetros
de alambre.
c) Determine la probabilidad de al menos una imperfección en 2
milímetros de alambre
d) En a), b) y c) compruebe los resultados utilizando algún
programa estadístico

EJERCICIO 3
La contaminación constituye un problema en la fabricación de
discos de almacenamiento óptico. El número de partículas de
contaminación que ocurre en un disco óptico tiene una distribución
de Poisson y el número promedio de partículas por centímetro
cuadrado de superficie es 0.1. El área de un disco bajo estudio es
100 centímetros cuadrados. Encuentre la probabilidad de que:

a) Ocurran 12 partículas en el área del disco bajo estudio.

b) Ocurran cero partículas en el área del disco bajo estudio.

c) 12 o menos partículas ocurran en el disco bajo estudio.
d) En a), b) y c) compruebe los resultados utilizando algún
programa estadístico

EJERCICIO 4
Suponga que X tiene una distribución de Poisson con una media de
4. Determine las siguientes probabilidades:

a) P(X=0)
b) P(X≤ 𝟐)
c) P(X=4)
d) P(X=8)
e) Compruebe los resultados utilizando algún programa estadístico

EJERCICIO 5
Suponga que X tiene una distribución de Poisson con una media de
0.4. Determine las siguientes probabilidades:

a) P(X=0)
b) P(X≤ 𝟐)
c) P(X=4)
d) P(X=8)
e) Compruebe los resultados utilizando algún programa estadístico

EJERCICIO 6
Suponga que el número de clientes que en entran a un banco en una
hora es una variable aleatoria de Poisson y suponga que
P(X=0)=0.05. Determine la:

a) Media y,
b) Varianza de X.
c) Compruebe los resultados utilizando algún programa estadístico
III. VARIABLE ALEATORIA CONTINUA Y DISTRIBUCIÓN DE
PROBABILIDAD:

CONTENIDO

3.1 VARIABLE ALEATORIA CONTINUA

Una variable aleatoria continua X tiene el número de valores posibles

es finito incontable, X posee una distribución claramente diferente de
las v.a discretas. El rango de X incluye todos los valores en un intervalo
de números reales; es decir, el rango de X puede considerarse un
continuo.

EJEMPLO:
 UN DIA DE PRODUCCIÓN, SELECCIONAR UNA PIEZA Y
MEDIR CON PRECISIÓN UNA LONGITUD DIMENSIONAL.
 LA CORRIENTE EN EL EXPERIMENTO CON UN
ALAMBRE DE COBRE.
 LA LONGITUD DE UNA PIEZA MAQUINADA.

REPRESENTAN UNA VARIABLE ALEATORIA

3.2 DISTRIBUCIÓN DE PROBABILIDAD Y FUNCIONES DE DENSIDAD

DE PROBABILIDAD

La función de densidad de probabilidad f(x), la probabilidad de que X esté

entre a y b se determina como la integral de f(x) de a 𝑎 b.
 Fig. Probabilidad determinada por el área bajo f(x)

DEFINICIÓN:
Para una variable aleatoria continua X, una FUNCIÓN DE DENSIDAD
DE PROBABILIDAD es una función tal que:
1. 𝒇(𝒙) ≥ 𝟎
∞
2. ∫−∞ 𝒇(𝒙)𝒅𝒙 = 𝟏
𝒃
3. 𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = ∫𝒂 𝒇(𝒙)𝒅𝒙 =
á𝒓𝒆𝒂 𝒃𝒂𝒋𝒐 𝒇(𝒙)𝒅𝒆 𝒂 𝒂 𝒃, 𝒑𝒂𝒓𝒂 𝒂 𝒚 𝒃 𝒄𝒖𝒂𝒍𝒆𝒔𝒒𝒖𝒊𝒆𝒓𝒂

Para una variable aleatoria continua implica lo siguiente:

Si X es una variable aleatoria continua, entonces para cualquiera x1

y x2,

𝑷(𝒙𝟏 ≤ 𝑿 ≤ 𝒙𝟐) = 𝑷(𝒙𝟏 < 𝑿 ≤ 𝒙𝟐) = 𝑷(𝒙𝟏 ≤ 𝑿 < 𝒙𝟐) = 𝑷(𝒙𝟏 < 𝑿 < 𝒙𝟐)

3.3 FUNCIONES DE DISTRIBUCIÓN ACUMULADA

Un método alternativo para describir la distribución de una variable

aleatoria discreta también puede usarse para variables aleatorias
continuas:

DEFINICIÓN:

La función de distribución acumulada de una variable aleatoria

continua X es:
 𝒙

𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒖)𝒅𝒖 𝒑𝒂𝒓𝒂 − ∞ < 𝒙 < ∞

−∞

3.4 MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA CONTINUA

La media y la varianza de una variable aleatoria continua se define de

forma similar a una variable aleatoria discreta. La integración reemplaza
a la suma en las definiciones:

DEFINICIÓN:

Suponga que X es una variable aleatoria continua con función de

densidad de probabilidad f(x).

LA MEDIA O VALOR ESPERADO DE X, DENOTADO COMO:

𝝁 𝒐 𝑬(𝑿), es:

𝝁 = 𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙
−∞

LA VARIANZA DE X, DENOTADA COMO 𝝈𝟐 𝒐 𝑽(𝑿), 𝑬𝑺:

∞ ∞

𝝈𝟐 = 𝑽(𝑿) = ∫ (𝒙 − 𝝁)𝟐 𝒇(𝒙)𝒅𝒙 = ∫ 𝒙𝟐 𝒇(𝒙)𝒅𝒙 − 𝝁𝟐

−∞ −∞

LA DESVIACIÓN ESTÁNDAR DE X ES:

𝝈 = [𝑽(𝑿)]𝟏/𝟐
 EJERCICIO 06.

La demanda mensual en miles de kilogramos de un producto es

una va X cuya función de densidad es la función real de valor real:
𝑐𝑥 2 Si x∈ [0,2]
f(x) =
0 Si x€[0,2]

a. Halle el valor de la constante c y trace la gráfica de

distribución de probabilidad.
b. Si el stock mensual del producto es 1000kg, ¿Qué
probabilidad hay que la demanda no sea satisfecha en un
mes cualquiera?

3.5 DISTRIBUCIONES ESPECIALES DE VARIABLE CONTINUA

3.5.1 UNIFORME

La distribución continua más simple es análoga a su

contraparte discreta:

Definición

Una variable aleatoria continua X con función de densidad

de probabilidad

𝟏
𝒇(𝒙) = ,𝒂 ≤ 𝒙 ≤ 𝒃
𝒃−𝒂
Tiene una distribución continua uniforme.

La media y la varianza de la variable aleatoria continua

uniforme X es:
La media y la varianza de una variable aleatoria continua
uniforme X en a≤ 𝑿 ≤ 𝒃
 (𝒂 + 𝒃)⁄ 𝟐 𝟐
𝝁 = 𝑬(𝑿) = 𝟐 𝒚 𝝈 = 𝑽(𝑿) = (𝒃 − 𝒂) /𝟏𝟐

La función de distribución acumulada de una

variable aleatoria continua uniforme se obtiene por
integración . Si a<x<b, entonces:

𝒙 𝟏 𝒙 𝒂
𝑭(𝒙) = ∫𝒂 du= −
(𝒃−𝒂) (𝒃−𝒂) (𝒃−𝒂)

Por lo tanto, la distribución completa de la función

de distribución acumulada de una variable aleatoria
continua uniforme es:
0 X<a

F(X)= (x-a)/(b-a) a<=X<b

1 b<=x

EJERCICIO 01.

Suponga que X tiene una distribución continua uniforme en el

intervalo [1.5, 5.5]:

a. Determine la media, la varianza y la desviación estándar de

X.
b. ¿Cuál es la P(X<2.5)?

EJERCICIO 02.
Suponga que X tiene una distribución continua uniforme en el
intervalo [-1, 1]:

a. Determine la media, la varianza y la desviación estándar de

X.
b. Determine el valor de x tal que P(-x<X<x)=0.90)?

EJERCICIO 03.

La distribución para el peso neto en libras de un herbicida químico

empacado es uniforme para 49.75<x<50.25 libras.

a. Determine la media, la varianza y la desviación estándar del

peso de los paquetes.
b. Determine la función de distribución acumulada del peso de
los paquetes
c. Determine: P(X<50.1)?

EJERCICIO 04.

El grosor del reborde de un componente aeronáutico tiene una

distribución uniforme entre 0.90 y 1.05 milimetros:

a. Determine la media, la varianza y la desviación estándar del

grosor de los rebordes.
b. Determine la proporción de rebordes que exceden 1.02
milímetros.
c. Determine la función de distribución acumulada del grosor
de los rebordes.
d. Que grosor exceden 90% de los rebordes.

EJERCICIO 05.
 Suponga que X tiene una distribución continua uniforme en el
intervalo [-2, 2]:

d. Determine la media, la varianza y la desviación estándar de

X.
e. Determine el valor de x tal que P(-x<X<x)=0.95)?

3.5.2 EXPONENCIAL

En la distribución de Poisson, una variable aleatoria se definió

como el número de imperfecciones

La variable aleatoria X que es igual a la distancia entre

conteos sucesivos de un proceso de Poisson con media λ>0
tiene una distribución exponencial con parámetro λ. La
función de densidad de probabilidad de X es:

𝒇(𝒙) = 𝝀𝒆−𝝀𝒙 , para 0≤ 𝒙 < ∞

F(x)=P(X<=x)=𝟏 − 𝒆−𝝀𝒙 , x>=0, es la función

acumulada de X, al derivar F(x), el cálculo de la
función de probabilidad de x da como resultado:

𝒇(𝒙) = 𝝀𝒆−𝝀𝒙 , x>=0

∞ ∞
Si P(x<x)=∫𝒙 𝒇(𝒙)𝒅𝒙 = ∫𝒙 𝝀𝒆−𝝀𝒙 𝒅𝒙 =
∞
− ∫𝒙 𝒆−𝝀𝒙 𝒅(−𝝀𝒙)
P(X>X)=𝐞−𝛌𝐱

La distribución exponencial debe su NOMBRE a la función

exponencial de la función de densidad de probabilidad.
Si la variable aleatoria X tiene una distribución exponencial
con parámetro λ, entonces:

𝟏 𝟏
𝑬(𝑿) = 𝒚 𝑽(𝑿) = 𝟐
𝝀 𝝀

EJERCICIO 01.

Suponga que X tiene una distribución exponencial con 𝝀=2.

Determine lo siguientes:
a) P(X≤ 𝟎)
b) P(X≥ 𝟐)
c) P(X≤ 𝟏)
d) P(1<X<2)
e) Encuentre el valor de x tal que P(X<x)=0.05

EJERCICIO 02.

Suponga que X tiene una distribución exponencial con media

igual a 10. Determine lo siguientes:
a) P(X> 𝟏𝟎)
b) P(X>20)
c) P(X> 𝟑𝟎)
d) Encuentre el valor de x tal que P(X<x)=0.95

EJERCICIO 03.

Suponga que los conteos registrados por un contador Geirger

X sigue un proceso de Poisson con un promedio de dos
conteos por minuto. Determine lo siguientes:
 a) ¿Cuál es la probabilidad de que no haya conteos en un
intervalo de 30 segundos?
b) ¿Cuál es la probabilidad de que el primer conteo ocurra
en menos de 10 segundos?
c) ¿Cuál es la probabilidad de que el primer conteo ocurra
entre 1 y 2 minutos después de encender el contador?

EJERCICIO 04.

El tiempo entre llamadas telefónicas a una ferretería tiene una

distribución exponencial con un tiempo promedio entre las
llamadas de 15 minutos:
a) ¿Cuál es la probabilidad de que no haya llamadas en un
intervalo de 30 minutos?
b) ¿Cuál es la probabilidad de que el haya al menos una
llamada en un intervalo de 10 minutos?
c) ¿Cuál es la probabilidad de que la primera llamada se
realice dentro de los 5 y 10 minutos?
d) Determine la longitud de un intervalo de tiempo tal que
la probabilidad de que haya al menos una llamada en el
intervalo sea 0.90

3.5.3 NORMAL:

El modelo de uso más generalizado para la distribución de una

variable aleatoria es la DISTRIBUCIÓN NORMAL.

Definición:

Una variable aleatoria X con función de densidad de probabilidad

−(𝒙−𝝁)𝟐
𝟏
𝒇(𝒙) = 𝒆 𝟐𝝈𝟐 para -−∞ < 𝒙 < +∞
√𝟐𝝅𝝈
 Tiene una distribución normal con parámetro 𝝁, donde -−∞ < 𝝁 <
∞𝒚𝝈>𝟎

Además,
𝑬(𝒙) = 𝝁 𝒚 𝑽(𝑿) = 𝝈𝟐

A la creación de una variable aleatoria por medio de la

transformación se le llama ESTANDARIZACIÓN.

Si X es una v.a normal con E(X)=𝝁 y V(X)=𝝈𝟐 , entonces la v.a.

𝑿−𝝁
𝒁=
𝝈

En una v.a normal E(Z)=𝟎 y V(X)=1. Es decir, Z es una variable

aleatoria normal estándar.

3.5.3.1 MANEJO DE TABLA.

Con el siguiente ejercicio se ilustra el manejo de la tabla

de distribución normal estándar (ver Tabla de distribución
normal estándar).

EJERCICIO 01.

Use la tabla de distribución normal estándar para determinar

las sgts probabilidades de la variable aleatoria normal
estándar Z:

a) P(Z<1.32)
b) P(Z<3.00)
c) P(Z<1.45)
d) P(Z>-2.15)
e) P(-2.34<z<1.76)
 EJERCICIO 02.

Use la tabla de distribución normal estándar para determinar

las sgts probabilidades de la variable aleatoria normal
estándar Z:

a) P(Z>3)
b) P(0<Z<1)
c) P(-1<z<1)
d) P(-1<z<1)
e) P(-1<z<1)

EJERCICIO 03.

Suponga que Z tiene una DISTRIBUCIÓN NORMAL

ESTÁNDAR. Use la tabla de distribución para determinar el
valor de z que resuelve cada una de las expresiones
siguientes:

a) P(Z<z)=0.90
b) P(Z<z)=0.50
c) P(Z>z)=0.1
d) P(Z>z)=0.9
e) P(-1.24<Z<z)=0.8

EJERCICIO 04.

Suponga que Z tiene una DISTRIBUCIÓN NORMAL

ESTÁNDAR. Use la tabla de distribución para determinar el
valor de z que resuelva cada una de las expresiones
siguientes:

a) P(-z<Z<z)=0.95
b) P(-z<Z<z)=0.99
c) P(-z<Z<z)=0.68
 d) P(-z<Z<z)=0.9973

EJERCICIO 05.

Suponga que X tiene una DISTRIBUCIÓN NORMAL con media

de 10 y una desviación estándar de 2. Determine lo siguiente.

e) P(X<13)=
a) P(X>9)=
b) P(6<X<14)=
c) P(-2<X<8)=

EJERCICIO 06.

La resistencia a la compresión de muestras de cemento puede

modelarse mediante una distribución normal con una media
de 6000 kilogramos por centímetro cuadrados.

a) ¿Cuál es la probabilidad de que la resistencia a la

compresión de una muestra sea menor 6250kg/cm2?
b) ¿Cuál es la probabilidad de que la resistencia a la
compresión de una muestra este entre 5800 y 5900
kg/cm2?
c) ¿Cuál es la resistencia a la compresión que excede 95%
de las muestras?

EJERCICIO 07.

El peso de un zapato especializado para correr tiene una

distribución normal con una media de 12 onzas y una varianza
de 0.25 onzas.

a) ¿Cuál es la probabilidad de que un zapato pese más de

13 onzas?
b) ¿Cuál debe ser la desviación estándar del peso para
que el fabricante anuncie que el 99.9%de sus zapatos
pesan menos de 13 onzas?
IV. MAS EJERCICIOS:

1. Suponga que la función de distribución acumulada de la v.a. X es:

0 X<-2

0.2 -2≤ 𝑥 < 0

F(x) =
0.7 0≤ 𝑥 < 2

1 2≤ 𝑥

a. Determine la función de probabilidad de X y realice el gráfico de la

función de distribución acumulada.

b. f(-2)=
c. f(0)=
d. f(2)=
2. El espesor del entrepaño de madera (en pulgadas) que pide un cliente
una v.a. con la siguiente función de distribución acumulada:

0 X<1/8

0.2 1/8≤ 𝑥 < 1/4

F(x) =
0.9 1/4≤ 𝑥 < 3/8

1 3/8≤ 𝑥

Determine las siguientes probabilidades:

a) P(x≤ 1/8)
b) P(x≤ 1/4)
c) P(x≤ 5/16)
d) P(x>1/4)
e) P(x≤ 1/2)
V. BIBLIOGRAFIA

Montgomery & Runger, Probabilidad y Estadística aplicadas a la Ingeniería.

Limusa Wiley. 2ª Edición. 2012.

Muruzábal Irigoyen José Javier, Cálculo de probabilidades y Teoría de

variable aleatoria. Elementos de Estadística Aplicada. Garceta, grupo
editorial. 4ª. Edición. 2014.

Chue, Barreno, Millones, Vásquez, Castillo, Estadística aplicada. Fondo

Editorial de la Universidad de Lima. 2009.

Jay L. Devore, Probabilidad y Estadística para Ingeniería y Ciencias.

CENGAGE Learning. Séptima Edición, 2008.

Ipiña & Durand, Inferencia estadística y análisis de datos. Pearson,

Prentice-Hall. 2008.

Lind, Marchal, Wathen, Estadística aplicada a los negocios y la economía.

Mc Graw Hill. 2008.

Chue, Barreno, Millones, Vásquez, Castillo, Estadística descriptiva y

probabilidades. Fondo Editorial de la Universidad de Lima. 2007.

Quevedo Urías & Pérez Salvador, Estadística para Ingeniería y Ciencias.

Grupo Editorial Patria. 2008.

DE CONSULTA

Freund & Miller & Miller, Estadística Matemática con Aplicaciones. Pearson
Educación. 6ª Edición. 1996.

Walpole & Myers, Probabilidad y Estadística. McGraw-Hill. 4ª Edición. 1996.

Freund & Walpole, Estadística Matemática con Aplicaciones. Prentice-Hall,

4ª Edición, 1990.

Hines & Montgomery, Probabilidad y Estadística para Ingeniería y

Administración. CECSA, 1986.

Mendenhall, Scheaffer, Wackerly, Estadística Matemática con

Aplicaciones. Grupo Editorial Iberoamérica. 1986.
Mendenhall & Sincich, Probabilidad y Estadística para Ingeniería y
Ciencias. Prentice-Hall 4ª Edición. 1997.

Scheaffer & McClave, Probabilidad y Estadística para Ingeniería. Grupo

Editorial Iberoamérica. 1993.

Véliz Capuñay Carlos, Estadística. Aplicaciones. Editorial San Marcos.

2000.

Walpole & Myers, Probabilidad y Estadística. McGraw-Hill. Cuarta edición.

1996.

ENLACES Y SITIOS WEB

http://ar.answers.yahoo.com/question/index?qid=20080803091252AAyiMLy
http://webpages.ull.es/users/jjsalaza/curriculum/books/GOBCAN02.pdf
http://www.fisterra.com/mbe/investiga/distr_normal/distr_normal2.pdf
http://www.hezkuntza.ejgv.euskadi.net/r43-
573/es/contenidos/informacion/dia6_sigma/es_sigma/adjuntos/sigma_27/4_
distribucion_normal.pdf