Probabilidad y Estadística I

Distribución de Probabilidades
de Variables Aleatorias
Unidimensionales
Material elaborado por:
Prof. Lic. Mirtha Guedes de Paciello

Adaptado por:
MSc. Lorena Leticia González
Lic. María Julia Valenzuela de Noguera

Campus Universitario
San Lorenzo, Paraguay
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Índice
1. Distribución de Probabilidades de Variables Aleatorias Unidimensionales ....................................3
1.1. Conceptos de variables aleatorias ...........................................................................................3
2. Distribución de Probabilidades de variables aleatorias ...................................................................3
2.1. Discretas ...................................................................................................................................3
2.1.1. Valor esperado (Media o Promedio de una variable) ..............................................................4
2.1.2. Varianza ....................................................................................................................................5
2.2. Continuas..................................................................................................................................6
3. Distribución de Probabilidad Discreta ..............................................................................................8
3.1. Distribución de Bernoulli ..........................................................................................................8
3.2. Distribución Binomial ...............................................................................................................9
3.3. Distribución de Poisson ......................................................................................................... 11
3.4. Distribución de Poisson como aproximación de la Distribución Binomial: ........................... 13
3.5. Distribución Hipergeométrica ............................................................................................... 15
4. Distribución de Probabilidad Continua ......................................................................................... 17
4.1. Distribución Normal .............................................................................................................. 18
4.2. Aproximación de la distribución Normal a la Binomial ......................................................... 24
Bibliografía ............................................................................................................................................ 27

2 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

1. Distribución de Probabilidades de Variables Aleatorias

Unidimensionales

1.1. Conceptos de variables aleatorias

Se define una variable aleatoria (v.a.) para un experimento aleatorio cuando se asocia un valor
numérico a cada resultado del experimento.

Sea E el espacio muestral asociado a un experimento. Se llama variable aleatoria a toda

aplicación del espacio muestral E en el conjunto de los números reales (es decir, asocia a cada
elemento de E un número real).Si una variable aleatoria sólo toma valores enteros, es decir,
un número finito de valores o infinito numerable diremos que es discreta.

Si teóricamente, puede tomar todos los valores de un intervalo de 𝑹, diremos que es

continua.

Ejemplos: Consideremos el experimento que consiste en lanzar:

 Tres monedas, supongamos que a cada elemento de su espacio muestral
E = {ccc, ccx, cxc, xcc, cxx, xcx, xxc, xxx} le asignamos un número real, el correspondiente
al número de caras (discreta).
 Dos dados, podemos asignar a cada resultado la suma de los puntos aparecidos en cada
dado (discreta).

Si teóricamente, puede tomar todos los valores de un intervalo de 𝑹, diremos que es

continua.

Ejemplos: Consideremos el experimento que consiste en elegir al azar:

 500 personas y medir su estatura. La ley que asocia a cada persona con su talla es una
variable aleatoria (continua).
 100 sandias de una plantación y pesarlas. La ley que asocia a cada sandía su peso es una
variable aleatoria (continua).

2. Distribución de Probabilidades de variables aleatorias

2.1. Discretas

Sea 𝑥 una variable aleatoria discreta. Su distribución viene dada por los valores que puede
tomar, 𝑥1 , 𝑥2 , … , 𝑥𝑛 y las probabilidades de que aparezcan , 𝑝1 , 𝑝2 , … , 𝑝𝑛 . Estas cantidades
reciben el nombre de función de probabilidad función masa de probabilidad de variable
aleatoria discreta 𝑥, y satisface las siguientes propiedades:

1. 𝑓(𝑥) ≥ 0,
2. ∑𝑥 𝑓(𝑥) = 1
3. 𝑃(𝑋 = 𝑥) = 𝑓(𝑥)

3 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Ejemplo: El espacio muestral del lanzamiento de dos monedas es:

𝐸 = {𝐶𝐶, 𝐶𝑋, 𝑋𝐶, 𝑋𝑋}

Si se asocia a cada uno de los sucesos elementales del espacio muestral un número real, por
ejemplo, el número de cruces, se obtiene una función del espacio muestral 𝐸 en el conjunto
de los números reales.

Esta función es una variable aleatoria tiene de recorrido el conjunto finito {0,1,2}.

𝑃(𝑋 = 0) = 𝑃 ({(𝑋, 𝑋)}) = 1/4

𝑃(𝑋 = 1) = 𝑃 ({(𝐶, 𝑋)}, {(𝐶, 𝑋)}) = 1/2

𝑃(𝑋 = 2) = 𝑃 ({(𝐶, 𝐶)}) = 1/4

Esta correspondencia de probabilidades se llama distribución de probabilidad.

𝑿𝒊 0 1 2
𝑷(𝑿 = 𝒙𝒊 ) 1/4 1/2 1/4

2.1.1. Valor esperado (Media o Promedio de una variable)

Es la media de la variable aleatoria X ó la media de la distribución de probabilidad de 𝑋.

La media o valor esperado de cualquier variable aleatoria discreta se obtiene al sumar el

producto cada uno de los valores 𝑋1 , 𝑋2 , . . . , 𝑋𝑛 de la variable aleatoria 𝑋 por su
correspondiente probabilidad 𝑝1 , 𝑝2 , . . . , 𝑝𝑛 . Esto es válido, si la variable aleatoria es discreta.

La media de una variable aleatoria 𝑥 mide en cierto sentido el valor medio de 𝑥, y su fórmula
está dada por:

𝜇𝑥 = 𝐸(𝑋) = 𝑥1 𝑝1 + 𝑥2 𝑝2 + ⋯ + 𝑥𝑛 𝑝𝑛 ; si 𝑋 es discreta

Propiedades de la Esperanza

1. 𝐸(𝑋) = 𝑐, c es una constante.

2. 𝐸 (𝑐. 𝑋) = 𝑐. 𝐸(𝑋), c es una constante y X una variable aleatoria.
3. 𝐸 (𝑋 + 𝑌) = 𝐸 (𝑋) + 𝐸(𝑌), X e Y variables aleatorias
4. 𝐸 (𝑎. 𝑋 + 𝑏. 𝑌) = 𝑎. 𝐸(𝑋) + 𝑏. 𝐸(𝑌), a y b constantes; X e Y variables aleatorias

Ejemplo 1: El lanzamiento de un dado.

Sea 𝑋 = número de puntos que muestra la cara superior de un dado después de un
lanzamiento.

X 1 2 3 4 5 6
p = P(X = x) 1/6 1/6 1/6 1/6 1/6 1/6

4 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

1 1 1 1 1 1
𝐸(𝑋) = 1. + 2. + 3. + 4. + 5. + 6. = 3,5
6 6 6 6 6 6
Ejemplo 2: Suponga que el número de autos 𝑍, que pasan a través de una máquina lavadora,
entre las 04: 00 𝑃. 𝑀. y las 05: 00 𝑃. 𝑀. de un viernes, tiene la siguiente distribución de
probabilidades

X 4 5 6 7 8 9
p = P(X = x) 1/12 1/12 1/4 1/4 1/6 1/6

Sea 𝑔(𝑥) = 2𝑥 − 1 que representa la cantidad de dinero, en dólares, que el gerente del
negocio le paga al encargado. Encuentre las ganancias esperadas del encargado en este
período en particular.
1 1 1 1 1 1
𝐸(𝑋) = 4. ( ) + 5. ( ) + 6. ( ) + 7. ( ) + 8. ( ) + 9. ( )
12 12 4 4 6 6
41
𝐸(𝑋) =
6
𝐸(2𝑋 − 1) = 2 𝐸(𝑋) − 1
41
𝐸(2𝑋 − 1) = 2. ( ) − 1
6
38
𝐸(2𝑋 − 1) =
3
La ganancia esperada del encargado es 12,67 dólares entre las 04: 00 𝑃. 𝑀. y las 05: 00 𝑃. 𝑀.

2.1.2. Varianza

Varianza: Sea 𝑋 una variable aleatoria discreta que asume los valores 𝒙𝟏 , 𝒙𝟐 , . . . , 𝒙𝒏 con
probabilidades 𝒑𝟏 , 𝒑𝟐 , . . . , 𝒑𝒏 respectivas la varianza de 𝑋 se define como:

𝜎 2 𝑥 = 𝑉(𝑋) = 𝐸(𝑋 − 𝜇𝑥 )2 = (𝑋1 − 𝜇𝑥 )2 . 𝑝1 + (𝑋2 − 𝜇𝑥 )2. 𝑝2 + ⋯ + (𝑋𝑛 − 𝜇𝑥 )2 ∗ 𝑝𝑛

La raíz cuadrada de la varianza se llama desviación estándar y se denota por 𝜎

Ejemplo 3: Teniendo en cuenta los datos del Ejemplo 2, determina la varianza de 𝑋

1 1 1 1 1 1
𝑉(𝑋) = (1 − 3,5)2 ( ) + (2 − 3,5)2 ( ) + (3 − 3,5)2 ( ) + (4 − 3,5)2 ( ) + (5 − 3,5)2 ( ) + (6 − 3,5)2 ( )
6 6 6 6 6 6

35
𝑉(𝑋) =
12
Propiedades de la varianza

1. La varianza no puede ser negativa.

2. 𝑉(𝑐) = 0 c es una constante
2 2
3. 𝑉(𝑋) = 𝐸(𝑋 ) − (𝐸(𝑋))

5 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

4. 𝑉(𝑐. 𝑋) = 𝑐 2 . 𝑉(𝑋) , c es una constante y X variable aleatoria

5. 𝑉(𝑋 + 𝑐) = 𝑉(𝑋 )

Ejemplo 4: Se sabe que, en intervalos de 15 minutos tomados aleatoriamente, el número de

clientes que llegan a una cafetería sigue la distribución de probabilidades que se muestra en
la siguiente tabla.
a) Calcule la media.
b) Calcule la varianza.
c) ¿Cuál es la probabilidad de que en un intervalo dado lleguen de 2 a 5
clientes?

𝟐 𝟐
Clientes 𝑷(𝑿𝒊 ) 𝑿𝒊 𝑷(𝑿𝒊 ) (𝑿𝒊 ) (𝑿𝒊 ) 𝑷(𝑿𝒊 )
( 𝑿𝒊 )
1 0,04 0,04 1 0,04
2 0,15 0,3 4 0,6
3 0,2 0,6 9 1,8
4 0,25 1 16 4
5 0,19 0,95 25 4,75
6 0,1 0,6 36 3,6
7 0,05 0,35 49 2,45
8 0,02 0,16 64 1,28
Total 1 4 18,52
Tabla 1: Distribución de probabilidades

a) 𝐸(𝑋) = 𝜇 = ∑ 𝑋𝑖 . 𝑃(𝑋𝑖 ) = 4
2
b) 𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 18,52 − (4)2 = 2,52
c) 𝑃(2 ≤ 𝑋 ≤ 5) = 0,15 + 0,2 + 0,25 + 0,19 = 0,79

2.2. Continuas

Cuando la variable 𝑥 puede tomar una serie de valores continuos tenemos una distribución
de probabilidades continua.

Se dice que 𝑥 es una v. a. continua si existe una función 𝑓(𝑥), llamada función de densidad de
probabilidad (𝑓𝑑𝑝) de 𝑥, que satisface las siguientes condiciones:

1) 𝑓(𝑥) ≥ 0,
∞
2) ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

6 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

El área total bajo la curva limitada por el eje 𝑥 es igual a 1.

Para cualquier (𝑎, 𝑏), tal que −∞ < 𝑎 < 𝑏 < +∞, se tiene
𝑏
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎

A diferencia de la distribución de probabilidad discreta en este caso se utiliza intervalos en vez

de un valor puntual.

Grafica

Ejemplo 5: Calcular 𝑘 para que la función dada sea una función de densidad.
𝑘, 𝑥 ∈ [1,4]
𝑓(𝑥) = {
0 𝑥 ∉ [1,4]
Hallar las probabilidades:
a) 𝑃(2 ≤ 𝑥 < 3)
b) 𝑃(2 ≤ 𝑥 < 4)
c) 𝑃(2 ≤ 𝑥 < 9)

El área total bajo la curva ha de ser igual a 1.

𝑃(−∞ < 𝑥 < ∞) = 𝑃(1 < 𝑥 < 4) = 3 𝑘 = 1
𝑘 = 1/3
1
a) 𝑃(2 ≤ 𝑥 < 3) = (3 − 2). 3 = 1/3
1
b) 𝑃(2 ≤ 𝑥 < 4) = (4 − 2). 3 = 2/3
2
c) 𝑃(2 ≤ 𝑥 < 9) = 3
𝑃𝑢𝑒𝑠 𝑒𝑙 𝑡𝑟𝑎𝑚𝑜 [4,9]
𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑒𝑠 𝑐𝑒𝑟𝑜

7 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

3. Distribución de Probabilidad Discreta

3.1. Distribución de Bernoulli

La distribución de Bernoulli (o distribución dicotómica), nombrada así por el matemático y

científico suizo Jakob Bernoulli, es una distribución de probabilidad discreta, que toma valor
1 para la probabilidad de éxito (𝑝) y valor 0 para la probabilidad de fracaso (𝑞 = 1 − 𝑝).

Si 𝑋 es una variable aleatoria que mide "número de éxitos", y se realiza un único experimento
con dos posibles resultados (éxito o fracaso), se dice que la variable aleatoria 𝑋 se distribuye
como una Bernoulli de parámetro 𝑝.

Dicho de otra manera, es una distribución discreta, donde sólo son posibles dos resultados: éxito
o fracaso, la probabilidad de éxito es 𝑝 y la de fracaso 1 – 𝑝, y es sólo para un experimento, es decir,
para 𝑛 = 1.

Su fórmula está dada por: 𝑃(𝑥) = 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥

Por ejemplo, al seleccionar un objeto para control de calidad puede ocurrir que sea defectuoso
o no lo sea. El espacio muestral 𝐸, de un experimento Bernoulli consta de dos resultados.

𝐸 = {é𝑥𝑖𝑡𝑜, 𝑓𝑟𝑎𝑐𝑎𝑠𝑜}.

Un proceso de Bernoulli es una sucesión de ensayos igualmente denominados con las

características siguientes:

 En cada ensayo, el éxito tiene una probabilidad 𝑝 y el fracaso una probabilidad 𝑞 = 1 − 𝑝

de ocurrir.
 La probabilidad de éxito y de fracaso permanece constante durante el proceso.
 Los ensayos son independientes; es decir, el resultado de cualquier ensayo particular no
es afectado por el resultado de cualquier otro ensayo

Ejemplo 6: Al lanzar un dado, que salga un 6

Cuando lanzamos un dado tenemos 6 posibles resultados:

𝐸 = {1,2,3,4,5,6}

Estamos realizando un único experimento (lanzar el dado una sola vez).

Se considera éxito sacar un 6, por tanto, la probabilidad que sea 6 (casos favorables dividido
entre casos posibles) será 1/6.

𝑝 = 1/6

Se considera fracaso no sacar un 6, por tanto, se considera fracaso sacar cualquier otro
resultado.

𝑞 = 1 − 𝑝 = 1 − 1/6 = 5/6

8 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

La variable aleatoria 𝑋 medirá "número de veces que sale un 6", y solo existen dos valores
posibles, 0 (que no salga 6) y 1 (que salga un 6).

Por tanto, la variable aleatoria 𝑋 se distribuye como una Bernoulli de parámetro 𝑝 = 1/6

𝑋 ∼ 𝐵(1 / 6)

La probabilidad de que obtengamos un 6 viene definida como la probabilidad de que 𝑋 sea

igual a 1.

𝑃(𝑋 = 1) = 𝑓(1) = (1 / 6)1 ∗ (5 / 6)0 = 1 / 6 = 0, 1667

La probabilidad de que no obtengamos un 6 viene definida como la probabilidad de que 𝑋

sea igual a 0.

𝑃(𝑋 = 0) = 𝑓(0) = (1 / 6)0 ∗ (5 / 6)1 = 5 / 6 = 0,8333

3.2. Distribución Binomial

La distribución binomial es una distribución de probabilidad discreta que mide el número de

éxitos en una secuencia de 𝑛 ensayos de Bernoulli independientes entre sí, con una
probabilidad fija 𝑝 de ocurrencia del éxito entre los ensayos.

Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de los
experimentos es independiente de los restantes (la probabilidad del resultado de un
experimento no depende del resultado del resto). El resultado de cada experimento ha de
admitir solo dos categorías (a las que se denomina éxito y fracaso). Las probabilidades de
ambas posibilidades han de ser constantes en todos los experimentos (se denotan como 𝑝 𝑦
𝑞 𝑜 𝑝 𝑦 1 − 𝑝), donde cada ensayo tiene igual probabilidad de éxito 𝑝, 0 < 𝑝 < 1.

Dicha de otra manera, se relaciona con un experimento de etapas múltiples, es decir, para
𝑛 ≥ 2, donde los ensayos son repetidos e independientes, con sólo 2 posibles resultados y
con las mismas probabilidades en todos los ensayos. Se acostumbra a denotar las dos
probabilidades por 𝑝 y 𝑞 al referirse al resultado con probabilidad 𝑝 de éxitos y 𝑞 de fracaso,
donde 𝑝 + 𝑞 = 1.

Se designa por 𝑋 a la variable que mide el número de éxitos que se han producido en los 𝑛
experimentos.

Para representar que una variable aleatoria 𝑋 sigue una distribución binomial de parámetros
𝑛 y 𝑝, se escribe:

𝑋~𝐵(𝑛, 𝑝)
Su función de probabilidad es 𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 𝑝 𝑥 𝑞 𝑛−𝑥 en donde 𝑥 = 1,2,3, . . . , 𝑛 siendo:

9 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

𝑝 = representa la probabilidad de tener éxito

𝑞 = 1 – 𝑝 = probabilidad de fracaso

𝑥 = número de éxitos deseados

𝑛 = número total de intentos o de ensayos

Fórmula Binomial

𝑋~𝐵(𝑥; 𝑛, 𝑝) 𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 𝑝 𝑥 𝑞 𝑛−𝑥

Cálculo de la Media y de la Varianza

Valor esperado: 𝐸(𝑋) = 𝑛. 𝑝

Varianza: 𝑉(𝑋) = 𝑛. 𝑝. 𝑞
Propiedades:

1) El experimento consiste en una sucesión de 𝑛 intentos o ensayos idénticos.

2) En cada intento o ensayo son posibles sólo dos resultados a uno le llamamos éxito 𝑝 y al
otro fracaso 𝑞.
3) La probabilidad de un éxito representada por 𝑝 no cambia de un intento o ensayo a otro.
En consecuencia la probabilidad de un fracaso representado por 1 − 𝑝 no cambia de un
intento a otro.
4) Los intentos o ensayos son independientes
5) Nos interesa solo el número total de éxitos 𝑥 y no el orden en que hayan ocurrido

Cuando se cumplen las condiciones anteriores 𝑥 tiene la distribución binomial con parámetros
𝑛 y 𝑝 donde 𝑛 es el número de intentos, 𝑝 la probabilidad de obtener éxito y 1 − 𝑝 de fracaso.
Los posibles valores son desde 0 hasta 𝑛.

𝑛 = {0, 1, 2,3, … , 𝑛}

Ejemplo 7: La probabilidad de que una cierta clase de componente pase con éxito una
determinada prueba de impacto es ¾. Encuentre la probabilidad de que exactamente dos de
los siguientes cuatro componentes que se prueben pasen la prueba.

𝑋 = pasar con éxito la prueba de impacto

3 3 1
𝑃 (𝑋 = 2 ∕ 𝑛 = 4, 𝑝 = ) = 𝐶24 ( )2 ( )2 = 0,2109
4 4 4

La probabilidad de que exactamente dos de las siguientes piezas cuatro componentes que se
prueben pasen la prueba es de 0,2109

10 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Ejemplo 8: La probabilidad de que un edificio seleccionado aleatoriamente este asegurado es

de 0,38. Calcular el espacio muestral de las probabilidades de que los edificios de una muestra
de 3 edificios estén asegurados. Calcular la 𝐸(𝑋) y la 𝑉(𝑋).

Solución: Recordando que el espacio muestral es el conjunto de todos los resultados posibles,
mutuamente excluyentes y colectivamente exhaustivos de un experimento aleatorio, en este
ejemplo, los resultados posibles de la variable aleatoria “numero de edificios asegurados” en
una muestra de 3 de ellos es: 0, 1, 2 y 3. Se muestran las probabilidades binomiales asociadas
a cada resultado:

𝑃(𝑋 = 0 ∕ 𝑛 = 3, 𝑝 = 0,38) = 𝐶03 (0,38)0 (0,62)3 = 0,24

𝑃(𝑋 = 1 ∕ 𝑛 = 3, 𝑝 = 0,38) = 𝐶13 (0,38)1 (0,62)2 = 0,44
𝑃(𝑋 = 2 ∕ 𝑛 = 3, 𝑝 = 0,38) = 𝐶23 (0,38)2 (0,62)1 = 0,27
𝑃(𝑋 = 3 ∕ 𝑛 = 3, 𝑝 = 0,38) = 𝐶33 (0,38)3 (0,62)0 = 0,05

𝜇 = 𝑛𝑝 = 3 ∗ 0,38 = 1,14

𝜎 2 = 𝑛𝑝𝑞 = 3 ∗ 0,38 ∗ 0,62 = √0,7068 = 0,8407

3.3. Distribución de Poisson

La distribución de probabilidad de Poisson debe su nombre a Simeón Denis Poisson (1781 –

1840), un francés que desarrolló la distribución en el año 1834 a partir de los estudios sobre
esta distribución.

La distribución de Poisson es un buen modelo para la distribución de frecuencias relativas del

número de eventos raros que ocurren en una unidad de tiempo, de distancia, de espacio, etc.
Por esta razón se utiliza mucho en el área de investigación científica tanto en administración
de empresas como en las actividades biológicas para modelar la distribución de frecuencias
relativas del número de accidentes industriales por unidad de tiempo o por administradores
de personal, para modelar la distribución de frecuencias relativas del número de accidentes
de los empleados o el número de reclamaciones de seguros, por unidad de tiempo, o la
frecuencia de enfermedades raras que ocurre en una población dada.

La distribución de probabilidad de Poisson puede proporcionar, en algunos casos, un buen

modelo para la distribución de frecuencias relativas del número de llegadas por unidad de
tiempo a una unidad de servicio (por ejemplo, el número de pedidos recibidos en una planta
manufacturera o el número de clientes que llegan a una instalación de servicio, a una caja
registradora en un supermercado, etc.).

11 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Características de la distribución de Poisson

1. Las consecuencias de 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. Teóricamente, debe ser posible un número infinito de ocurrencias del evento en el
intervalo.
3. La probabilidad de la ocurrencia única del evento en un intervalo dado es proporcional a
la longitud del intervalo.

En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo,
pieza, etc., como, por ejemplo:

 Número de defectos de una tela por m2.

 Número de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
 Número de bacterias por cm2 de cultivo
 Número de llamadas telefónicas a un conmutador por hora, minuto, etc.
 Número de llegadas de embarcaciones a un puerto por día, mes, etc.

Fórmula de la Distribución de Poisson

𝑒 −𝜆 𝜆𝑥
X ~ Poisson (x; ) 𝑃(𝑥) =
𝑥!

donde:
𝝀 es la media de la cantidad de veces (éxitos) que se presenta un evento en un intervalo
particular.
𝒆 es la constante 2.71828 (base del sistema de logaritmos neperianos).
𝒙 es el número de veces que se presenta un evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente x veces).
𝑷(𝒙) es la probabilidad de un valor específico de x.

Propiedades

Media: 𝜇 = 𝜆
Desviación Típica: 𝜎 = √𝜆

Ejemplo 9: Un empresario de transporte posee dos camiones de carga que puede utilizar
diariamente. La demanda de camiones para un día se distribuye aproximadamente según una
ley de Poisson con 𝜆 = 1,5. Calcular la probabilidad de que en un día no se presente demanda
alguna.

12 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Solución: Como en este caso ya se tiene el dato de la media de la distribución, se procede a

sustituir directamente en la fórmula:
𝜆 = 1,5
𝑥=0
𝑒 −𝜆 𝜆𝑥
𝑃(𝑥) =
𝑥!
𝑒 −1,5 (1,5)0
𝑃(𝑥 = 0) = = 0,2231
0!
Ejemplo10: Suponga que el número de llamadas que llega a una computadora es de 0,5 por
minuto en promedio, hallar la probabilidad de que:

a) En un minuto no lleguen llamadas.

b) En un minuto lleguen más de tres llamadas
c) En tres minutos lleguen menos de cinco llamadas

Desarrollo
Como se trata de un conteo en la unidad de tiempo consideramos la distribución de Poisson,
que en este caso está dada por la variable aleatoria, X= número de llamadas en un minuto con
𝜆 = 0,5
𝑒 −0,5 (0,5)0
a) 𝑃(𝑥 = 0) = = 0,607
0!
b) 𝑃(𝑥 > 3) = 1 − 𝑃(𝑥 ≤ 3) = 1 − [𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3)
𝑒 −0,5 (0,5)0 𝑒 −0,5 (0,5)1 𝑒 −0,5 (0,5)2 𝑒 −0,5 (0,5)3
𝑃(𝑥 > 3) = 1 − [ + =+ =+ ]
0! 1! 2! 3!
𝑃(𝑥 > 3) = 1 − 0,998 = 0,002
c) En este caso el valor de debe ser modificado acorde con el intervalo de tiempo que
se está tomando en cuenta que es de tres minutos, así que =3. (0,5) = 1,5. La variable
ahora es, X= número de llamadas que llegan en tres minutos.
𝑃(𝑋 < 5) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 2) + 𝑃(𝑥 + 3) + 𝑃(𝑥 + 4)
𝑒 −1,5 (1,5)0 𝑒 −1,5 (1,5)1 𝑒 −1,5 (1,5)2 𝑒 −1,5 (1,5)3 𝑒 −1,5 (1,5)4
𝑃(𝑥 < 5) = + =+ =+ +
0! 1! 2! 3! 4!
𝑃(𝑥 < 5) = 0,982

3.4. Distribución de Poisson como aproximación de la Distribución

Binomial:

En general, la distribución de Poisson se puede utilizar como una aproximación de la binomial,

𝐵(𝑛, 𝑝), si 𝒏 tiende a infinito ( 𝑛 es muy grande) y 𝒑 tiende a cero (𝑝 es muy pequeña),
siendo 𝑛 𝑝 constante (y menor que 7); en esta situación sería difícil calcular probabilidades en
una variable binomial y, por tanto, se utiliza una aproximación a través de una variable Poisson
con media 𝜆 = 𝑛 𝑝.

13 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

La regla es que la aproximación Poisson-binomial es “buena” si 𝑛 > 20 𝑦 𝑝 ≤ 0,5 y “muy

buena” si 𝑛 ≥ 100 𝑦 𝑝 ≤ 0,01

Valor esperado: 𝜇𝑥 = 𝜆 = 𝑛  𝑝

Ejemplo 11: Si la probabilidad de que una persona adquiera la enfermedad como

consecuencia de una vacuna contra la misma, es 0,002, ¿cuál es la probabilidad de que la
adquieran exactamente 5 personas en una población de 10.000 vacunados?

Solución:

𝜆 = 𝑛. 𝑝 = 10.000 ∗ 0,002 = 2
𝑥=5
𝑒 −𝜆 𝜆𝑥
𝑃(𝑥) =
𝑥!
𝑒 −2 (2)5
𝑃(𝑥 = 5) = = 0,0361
5!
Ejemplo 12: Si la probabilidad de que un niño sufra una reacción con una vacuna de un
determinado suero es de 0,001, determina la probabilidad de que, en un total de 2000 niños,
haya:

a) Uno o más tenga reacción

b) Exactamente 4 tengan reacciones

Datos
𝑝 = 0,001
𝑛 = 2000
𝜆 = 𝑛 𝑝 = 2000 × 0,001 = 2

a) 𝑝(𝑥 ≥ 1) = 1 − 𝑝(𝑥 = 0)
𝑒 −𝜆 𝜆𝑥
=1−
𝑥!

𝑒 −2 20
=1−
0!

𝑝(𝑥 ≥ 1) = 0,8647

𝑒 −𝜆 𝜆𝑥 𝑒 −2 24
𝑝(𝑥 = 4) = = = 0,090
𝑥! 4!

14 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

3.5. Distribución Hipergeométrica

La distribución Hipergeométrica es una distribución de probabilidad discreta y finita.

Se utiliza para calcular la probabilidad de una selección aleatoria de un objeto sin reposición.
Es decir, son experimentos donde, al igual que en la distribución binomial, en cada ensayo hay
sólo dos posibles resultados éxito o fracaso. Pero se diferencia de la distribución binomial en
que los distintos ensayos son dependientes entre sí.

Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones

pequeñas y en el cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones en
el control de calidad para procesos experimentales en los que no es posible retornar a la
situación de partida.

Los experimentos que tienen este tipo de distribución tienen las siguientes características:

a) Al realizar un experimento con este tipo de distribución, se esperan dos tipos de

resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repetición del experimento no es independiente de los demás.
d) El número de repeticiones del experimento (𝑛) es constante.

Fórmula General

𝐶𝑥𝐴 𝐶𝑛−𝑥
𝑁−𝐴
𝑃(𝑥, 𝑁, 𝑛, 𝐴) =
𝐶𝑛𝑁

Donde

𝑁 =Número de elementos en la población

𝑛 = Número de elementos en la muestra
𝐴 = Número de éxitos en la población
𝑥 = Número de éxitos en la muestra

Propiedades
𝐴
Media: μ = 𝑛 (𝑁)

𝐴 𝑁−𝐴 𝑁−𝑛 𝑁−𝐴 𝑁−𝑛

Desviación Estándar: 𝜎 = √𝑛 (𝑁) ( ) (𝑁−1) = √μ ( ) ( 𝑁−1)
𝑁 𝑁

Ejemplo 13: De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote

contiene 3 proyectiles defectuosos que no explotarán, ¿cuál es la probabilidad de que, a) los
4 exploten?, b) al menos 2 no exploten?

15 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Solución:

a) N = 10 proyectiles en total
𝑎 = 7 proyectiles que explotan
𝑛 = 4 proyectiles seleccionados
𝑥 = 0, 1, 2, 3 𝑜 4 proyectiles que explotan = variable que nos define el número de proyectiles
que explotan entre la muestra que se dispara
𝐶𝑥𝐴 𝐶𝑛−𝑥
𝑁−𝐴
𝑃(𝑥, 𝑁, 𝑛, 𝐴) =
𝐶𝑛𝑁

𝐶47 𝐶03 35
𝑃(4; 10; 4; 7) = 10 = = 0,16667
𝐶4 210

b) N = 10 proyectiles en total
𝑎 = 3 proyectiles que no explotan
𝑛 = 4 proyectiles seleccionados
𝑥 = 0, 1, 2 𝑜 3 proyectiles que no explotan
𝑝 (al menos 2 no exploten) = 𝑝( 2 o más proyectiles no exploten)

𝐶23 𝐶27 𝐶33 𝐶17 70

𝑝(𝑥 ≥ 2) = 𝑝(𝑥 = 2) + 𝑝(𝑥 = 3) = 10 + 10 = 210 = 0,333333
𝐶4 𝐶4

Ejemplo 14: Para evitar Un recipiente tiene 12 botellas de vinos, 3 de las cuales contienen vino
que se ha echado a perder. Una muestra de 4 botellas se selecciona al azar de entre la caja.

a) Encuentre la distribución de probabilidad para 𝑥, el número de botellas de vino echado a

perder de la muestra.
b) Determina la esperanza y la varianza de 𝑥

Desarrollo
a) N=12

A=3

n=4

x=0,1,2,3

𝑥 0 1 2 3 ∑ 𝑃(𝑥)
𝑃(𝑥) 0,25 0,51 0,22 0,02 1

𝐶30 𝐶94
𝒑(𝒙 = 𝟎) = = 0,25
𝐶12
4

16 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

𝐶31 𝐶93
𝒑(𝒙 = 𝟏) = = 0,51
𝐶12
4

𝐶32 𝐶92
𝒑(𝒙 = 𝟐) = = 0,22
𝐶12
4

𝐶33 𝐶91
𝒑(𝒙 = 𝟑) = = 0,02
𝐶12
4

𝐴 3
b) E(x) = 𝑛 (𝑁) = 4 (12) = 1

𝐴 𝑁−𝐴 𝑁−𝑛 3 12 − 3 12 − 4
𝑉(𝑋) = 𝑛 ( ) ( )( ) = 4 ( )( )( ) = 0,54
𝑁 𝑁 𝑁−1 12 12 12 − 1

4. Distribución de Probabilidad Continua

En las variables aleatorias continuas, lo correspondiente a la función de probabilidad se

conoce como función densidad de probabilidad; es una función continua y se denota en
general como 𝑓(𝑥).

Una diferencia fundamental del caso continuo respecto del discreto es que la probabilidad
teórica de que de un valor particular 𝑥 es cero, ya que hay infinitos resultados posibles.

La probabilidad de que de un valor cualquiera 𝑥 en (𝑎, 𝑏) puede expresarse también como la

probabilidad del subintervalo (𝑎, 𝑏) representado por su tamaño 𝛥𝑥 = 𝑏 − 𝑎, quedando
entonces 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃(𝑥 − ∆𝑥).

En el caso continuo la asignación sigue las dos reglas básicas:

1. 0 ≤ 𝑃(𝑋 = ∆𝑥) ≤ 1) 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 0 ≤ á𝑟𝑒𝑎 𝑏𝑎𝑗𝑜 𝑓(𝑥) 𝑒𝑛 (𝑎, 𝑏) ≤ 1, 𝑐𝑜𝑛 𝑓(𝑥) ≥ 0

2. 𝑃(𝑆) = 1 𝐸𝑙 á𝑟𝑒𝑎 𝑏𝑎𝑗𝑜 𝑙𝑎 𝑔𝑟á𝑓𝑖𝑐𝑎 𝑑𝑒 𝑓(𝑥) 𝑒𝑛 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑞𝑢𝑒 𝑐𝑜𝑛𝑠𝑡𝑖𝑡𝑢𝑦𝑒

𝑒𝑙 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 𝑆 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 𝑎 1.

En el cálculo Integral, el área bajo la gráfica de una función continua 𝑓(𝑥) en un intervalo
𝑏
(𝑎, 𝑏) se expresa mediante,∫𝑎 𝑓(𝑥)𝑑𝑥, de modo que las condiciones básicas para el caso
continuo se presentan algunas veces como:
𝑏
1. 𝑓(𝑥) ≥ 0 𝑦 0 ≤ ∫𝑎 𝑓(𝑥)𝑑𝑥 ≤ 1
.
2. ∫𝑆 𝑓(𝑥) = 1, 𝑐𝑜𝑛 𝑆 = 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑞𝑢𝑒 𝑐𝑜𝑛𝑠𝑡𝑖𝑡𝑢𝑦𝑒 𝑒𝑙 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙

𝑏
Si no se conoce la notación ∫𝑎 𝑓(𝑥)𝑑𝑥, simplemente hay que interpretarla como el área bajo

17 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

la curva de 𝑓(𝑥)en el intervalo (𝑎, 𝑏). Con ello será suficiente, ya que las demostraciones
necesarias en relación con las áreas se harán en forma geométrica y no se requerirá cálculo
integral.

4.1. Distribución Normal

Una variable aleatoria continua 𝑋 sigue una distribución normal de media μ y desviación típica
σ, y se designa por N (μ, σ), si se cumplen las siguientes condiciones:

1. La variable puede tomar cualquier valor: (-∞, +∞)

2. La función de densidad, es la expresión en términos de ecuación matemática de la curva

de Gauss:
1 𝑥−𝜇 2
1
𝑓(𝑥) = 𝑒 −2( 𝜎
)
donde µ es cualquier número real y σ es cualquier número positivo.
𝜎 √2𝜋

Es importante conocer que, a partir de cualquier variable 𝑋 que siga una distribución 𝑁(𝜇, 𝜎),
se puede obtener otra característica Z con una distribución normal estándar, sin más que
efectuar la transformación, es decir, cualquier distribución normal de probabilidades puede
ser trasformado en una distribución normal estándar que tenga la media = 0 y la desviación
típica = 1 entonces, podemos expresar en unidades de desviación mediante,
𝑥−𝜇
𝑍=
𝜎
En este caso se dice que 𝑍 se distribuye normalmente con media 0 y varianza 1 y recibe el
nombre de distribución normal estándar.

Las propiedades de la distribución Normal son las siguientes:

 Media o valor esperado 𝜇

 Desviación estándar 𝜎
 Varianza 𝜎 2
 Es simétrica con respecto a su media μ, es decir, deja un área igual a 0,5 a la izquierda y
otra igual a 0,5 a la derecha.
 La distancia entre la línea trazada en la media y el punto de inflexión de la curva es igual
a una desviación típica (σ). Cuanto mayor sea σ, más aplanada será la curva de la
densidad.
 El área total bajo la curva es igual a 1.
 La curva tiene un sólo pico por tanto es unimodal.
 Debido a la simetría de la distribución normal, la media, la moda y la mediana tienen el
mismo valor.
Curva de la distribución normal

18 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

El campo de existencia es cualquier valor real, es decir, (-∞, +∞).

La probabilidad equivale al área encerrada bajo la curva.

𝑝(𝜇 − 𝜎 < 𝑋 ≤ 𝜇 + 𝜎) = 0.6826 = 68.26 %

𝑝(𝜇 − 2𝜎 < 𝑋 ≤ 𝜇 + 2𝜎) = 0.954 = 95.4 %
𝑝(𝜇 − 3𝜎 < 𝑋 ≤ 𝜇 + 3𝜎) = 0.997 = 99.7 %
Esto da lugar a la llamada Regla 68 – 95 – 99,7
Esta regla dice que, en una población distribuida normalmente, el 68% (aproximadamente) de
la población cae dentro de una desviación estándar alrededor de la media, el 95% cae dentro
de dos desviaciones estándar alrededor de la media y el 99,7% cae dentro de las tres
desviaciones estándar alrededor de la media.

Uso de las tablas de la distribución normal N (0,1)

La normal 𝑁(0,1) se encuentra tabulada, para valores a partir de 0 y hasta 3,99.

Si por ejemplo, queremos calcular 𝑃 (𝑍 ≤ 2,78), hemos de realizar los pasos:

1. Buscar la parte entera y las décimas en la primera columna (en este caso 2,7).
2. Buscar las centésimas en la primera fila (en este caso 8).
3. En el punto común a la fila y la columna que hemos encontrado, tenemos la probabilidad
buscada, en este caso 0,4373.

Curva de la distribución normal de 0 a Z

Por tanto, 𝑃 (𝑍 ≤ 2,78) = 0,5 + 0,4373 = 0,9973.

19 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Si queremos calcular una probabilidad de un valor mayor que 3,99 basta fijarse en que las
probabilidades correspondientes a valores tales como 3,62 y mayores ya valen 0,9999
(prácticamente 1). Por eso, para estos valores mayores que 3,99 diremos que la probabilidad
es aproximadamente 1. Así:

Curva de la distribución normal

𝑃 (𝑍 ≤ 5,62) = 1
aunque no aparezca en la tabla.

Tabla 1- Áreas de curva normal estándar

Esta tabla da las áreas Ф(𝑧) bajo la distribución

normal estándar Ф y 𝑧 ≥ Ф en intervalos de 0,01

Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0754
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1227 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2488 0,2123 0,2157 0,2190 0,2224
0,6 0,2258 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2518 0,2549
0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2996 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545

20 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000

Puedes usar la tabla de arriba para saber el área bajo la curva desde la línea central hasta
cualquier línea vertical "a valor 𝑍" hasta 3, en incrementos de 0.1.

Esto te dice qué parte de la población está dentro de "𝑍" desviaciones estándar de la media.

Ejemplo 14: Si los ingresos de una región están distribuidos normalmente, con µ = US 1.800
dólares anuales y σ = US 50 dólares, cuál es la probabilidad de que una familia escogida
aleatoriamente tenga los siguientes ingresos: a) Entre 1.800y 1.900 dólares b) Superiores a
1.880 dólares c) Entre 1.700 y 1.874 dólares d) Entre 1.832 y 1.936 dólares.

𝜇 = $1.800 Aplicando la fórmula, el valor de “Z” será:

𝜎 = $50 𝑋−𝜇
𝑃(𝑍 ≤ )
𝑎)𝑃(1.800 ≤ 𝑥 ≤ 1.900) =? 𝜎
1900 − 1800
𝑃 (𝑍 < )=2
50

𝑃(𝑥 ≤ 1.900) = 𝑃(𝑍 ≤ 2)

21 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Buscando en la tabla, para el valor de Z =

2.00, obtenemos la probabilidad para el
intervalo comprendido entre z = 0 y z = 2, es
decir, entre X= 1.800 y X= 1900, equivalente
al área sombreada bajo la curva. Por lo tanto:
𝑃(𝑍 ≤ 1.900) = 0,4772
𝑃(1.800 ≤ 𝑥 ≤ 1.900) = 𝑃(𝑍 ≤ 2)
= 0 + 0,4772

𝑃(1.800 ≤ 𝑥 ≤ 1.900) = 0,4772

la probabilidad de que una familia
escogida aleatoriamente tenga ingresos
entre 1.800 y 1.900 dólares es de 0,4772

𝜇 = $1.800 Aplicando la fórmula, el valor de “Z” será:

𝜎 = $50 𝑋−𝜇
𝑃(𝑍 ≤ )
𝑏)𝑃(𝑥 ≥ 1.880) =? 𝜎
1.880 − 1.800
𝑃 (𝑍 < ) = 1.60
50

𝑃(𝑥 ≥ 1.880) = 𝑃(𝑍 ≤ 1.60)

Buscando en la tabla, para el valor de Z
=1.60, obtenemos la probabilidad para el
intervalo comprendido entre “” y 1.880, es
decir entre X = 1.800 y X = 1.880, cuya área
es 0.4452. Por lo tanto, la probabilidad
pedida será el área sombreada bajo la curva,
equivalente a la mitad derecha de la curva,
menos el área no sombreada de la misma
como puede verse en la gráfica:
𝑃(𝑥 ≥ 1.880) = 𝑃(𝑍 ≤ 1.60) = 0,4452
𝑃(𝑥 ≥ 1.880) = 𝑃(𝑍 ≤ 1.60)
= 0,5 − 0,4452

𝑃(𝑥 ≥ 1.880) = 0,0548

la probabilidad de que una familia
escogida aleatoriamente tenga ingresos
superiores a 1.880 dólares es de 0,0548

𝜇 = $1.800 Aplicando la fórmula, el valor de “Z” será:

𝜎 = $50 𝑋−𝜇 𝑋−𝜇
𝑃( ≤𝑍≤ )
𝑐)𝑃(1.700 ≤ 𝑥 ≤ 1.874) =? 𝜎 𝜎

22 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

1.700 − 1.800
𝑃 (𝑍1 ≥ ) = −2,00
50
𝑃(𝑍1 ≥ −2,00)

1.874 − 1.800
𝑃 (𝑍2 ≤ ) = 1,48
50
𝑃(𝑍2 ≥ 1,48)

Si busco en la tabla, la probabilidad para Z = -

2,00, equivale al área sombreada
comprendida entre 1.700 y 1.800 dólares,
la probabilidad de que una familia escogida cuyo valor es 0.4772 y la probabilidad para Z
aleatoriamente tenga ingresos entre 1.700 y =+1.48, equivale al área sombreada
1.874 dólares es de 0,9078 comprendida entre 1.800 y 1.874.00 dólares,
cuyo valor es 0.4306. La probabilidad pedida
es la suma de 0.4772 y 0.4306, equivalente al
área total sombreada de la curva siguiente
cuyo valor es:
𝑃(𝑍1 ≥ −2,00) = 0,4772
𝑃(𝑍2 ≥ 1,48) = 0,4306
𝑃(1.700 ≤ 𝑥 ≤ 1.874)
= 0,4772 + 0,4306
𝑃(1.700 ≤ 𝑥 ≤ 1.874) = 0,9078

𝜇 = $1.800 Aplicando la fórmula, el valor de “Z” será:

𝜎 = $50 𝑋−𝜇 𝑋−𝜇
𝑃(𝑃( ≤𝑍≤ )
𝑑)𝑃(1.832 ≤ 𝑥 ≤ 1.936) =? 𝜎 𝜎
1.832 − 1.800
𝑃 (𝑍1 ≥ ) = 0,64
50
𝑃(𝑍1 = 0,64)

1.936 − 1.800
𝑃 (𝑍2 ≤ ) = 2,72
50
𝑃(𝑍2 ≥ 2,72)

Si busco en la tabla,
La probabilidad para Z =+2.72 es 0.4967, que
equivale al área entre 1.800 y 1.936 dólares.
La probabilidad para Z = 0.64 es 0.2389, que
la probabilidad de que una familia escogida equivale al área entre 1.800 y 1832 dólares.
aleatoriamente tenga ingresos entre 1.832 y La probabilidad pedida, es la diferencia entre
1.936 dólares es de 0,2578 los dos valores anteriores o sea: 0.4967–
0.2389 =0.2547.

23 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

𝑃(1.832 ≤ 𝑥 ≤ 1.936)
= 0,4967 − 02389
𝑃(1.832 ≤ 𝑥 ≤ 1.936) = 0,2578

4.2. Aproximación de la distribución Normal a la Binomial

Las Probabilidades asociadas a experimentos binomiales cuando 𝑛 es pequeño se obtiene con
facilidad de la formula 𝑃(𝑥) = 𝐶𝑥𝑛 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 de la distribución binomial.

Cuando 𝑛 es grande, el cálculo de las probabilidades binomiales requiere del uso de

aproximaciones. Se requiere que 𝑛 sea bastante grande y 𝑝 cercana a 0 ó 1. El siguiente
teorema permite utilizar áreas bajo la curva normal para aproximar propiedades binomiales
cuando 𝑛 es suficientemente grande.

Teorema: Si 𝑥 es una variable aleatoria binomial con media 𝜇 = 𝑛 𝑝 y varianza 𝜎 2 = 𝑛 𝑝 𝑞,

entonces la forma límite de la distribución de:
𝑥–𝑛𝑝
𝑍 =
√𝑛 𝑝 𝑞

Cuando 𝑛 tiende a infinito, es la distribución normal estándar 𝑁 (𝑧; 0,1)

La distribución normal estándar con 𝜇 = 𝑛 𝑝 y 𝜎 2 = 𝑛 𝑝 𝑞 no solo proporciona una

aproximación muy exacta a la distribución binomial cuando 𝑛 es grande y 𝑝 no esta muy cerca
a cero o a uno, si no también proporciona una aproximación bastante aceptable aun cuando
1
𝑛 es pequeño y 𝑝 razonablemente cerca a 2.

En resumen, se utiliza la aproximación Normal para evaluar probabilidades Binomiales

siempre que p no esté cercano a 0 o 1. La aproximación es excelente cuando n es grande y
bastante buena para valores pequeños de n si p está razonablemente cercana a ½. Una posible
guía para determinar cuándo puede utilizarse la aproximación Normal es tener en cuenta el
cálculo de 𝑛𝑝 y 𝑛𝑞. Sí ambos, 𝑛𝑝 y 𝑛𝑞 son mayores o iguales a 5, la aproximación será buena.
Factor de corrección por continuidad

Antes de empezar a resolver problemas con la aproximación Normal, es bueno aclarar que se
están evaluando probabilidades asociadas a una variable discreta x, con una distribución que
evalúa variables de tipo continuo como es la Normal, por lo que z sufre un pequeño cambio,
el ajuste recibe el nombre de Yates.

1
¿Por qué vamos a sumar o a restar 2 a 𝑥?

Este es un factor de corrección debido a que se está evaluando una variable discreta con una
distribución continua, por lo que hay que delimitar claramente desde que punto se va a

24 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

evaluar la variable, dicho de otra forma, en que límite de la barra (inferior o superior) nos
debemos posicionar para determinar la probabilidad requerida, cada barra de probabilidad a
evaluar tiene como base la unidad, ese es el porqué del ± ½.

Así la probabilidad 𝑝 (𝑥 = 12) para la aproximación binomial discreta se aproxima mediante

𝑝(11,5 ≤ 𝑥 ≤ 12,5) en la distribución normal continua.

Corrección de Yates

𝑃(𝑥 = 𝑘) = 𝑃(𝑘 − 0,5 ≤ 𝑥 ≤ 𝑘 + 0,5)

𝑃(𝑥 = 2) = 𝑃(2 − 0,5 ≤ 𝑥 ≤ 2 + 0,5)
𝑃(𝑥 ≤ 𝑘) = 𝑃(𝑥 ≤ 𝑘 + 0,5)
𝑃(𝑥 ≤ 4) = 𝑃(𝑥 ≤ 4 + 0,5)
𝑃(𝑥 < 𝑘) = 𝑃(𝑥 < 𝑘 − 0,5)
𝑃(𝑥 < 4) = 𝑃(𝑥 < 4 − 0,5)
𝑃(𝑥 ≥ 𝑘) = 𝑃(𝑥 ≥ 𝑘 − 0,5)
𝑃(𝑥 ≥ 4) = 𝑃(𝑥 ≥ 4 − 0,5)
𝑃(𝑥 > 𝑘) = 𝑃(𝑥 > 𝑘 + 0,5)
𝑃(𝑥 > 4) = 𝑃(𝑥 > 4 + 0,5)

Ejemplo 15: Un paciente que padece una rara enfermedad de la sangre tiene 0,4 de
probabilidad de recuperarse. Si se sabe que 100 personas contrajeron esta enfermedad, ¿cuál
es la probabilidad de que sobrevivan menos de 30?

Solución:

𝑋 = 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑎𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑠𝑜𝑏𝑟𝑒𝑣𝑖𝑣𝑒𝑛.

𝑝 = 0,4 𝜇 = 𝑛. 𝑝 = 100 (0,4) = 40

𝑛 = 100 𝜎 = √𝑛. 𝑝. 𝑞 = √100 × 0,4 × 0,6 = 4,894

𝑝(𝑥 < 30) = 𝑝(𝑥 < 29,5)

Figura 1: Área para el ejemplo 1

25 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

𝑥 − 𝜇 29,5 − 40
𝑧= = = −2,14
𝜎 4,899

𝑝(𝑥 < 30) ≈ 0,5 − 𝑃(𝑍 < −2,14) = 0,5 − 0,4838 = 0,0162

Ejemplo 16: Un examen de opción múltiple tiene 200 preguntas, cada una con 4 respuestas
posibles, de las que solo una es la correcta. ¿Cuál es la probabilidad de que solamente
adivinando se obtengan de 25 a 30 respuestas correctas para 80 de los 200 problemas sobre
los que el estudiante no tiene conocimientos?

Solución: La probabilidad de adivinar una respuesta correcta para cada una de las 80
preguntas es 𝑝 = 1/4. Si X representa el número de respuestas correctas solo porque se
adivinaron, entonces,
30

(25 ≤ 𝑥 ≤ 30) = ∑ 𝑏(𝑥; 80; 025)

𝑥=25

𝑝 = 1/4 𝜇 = 𝑛. 𝑝 = 100 (1/4) = 20

𝑛 = 80 𝜎 = √𝑛. 𝑝. 𝑞 = √100 × (1/4) × (3/4) = 3,873,

Necesitamos el área entre 𝑍1 = 24,5 y 𝑍2 = 30,5. Los valores 𝑍 correspondientes son

24,5−20 30,5−20
𝑍1 = = 1,16 y 𝑍2 = = 2,71
3,873 3,873

Figura 2: Área para el ejemplo 2

30

𝑃(25 ≤ 𝑥 ≤ 30) = ∑ 𝑏(𝑥; 80; 025 ≈ 𝑃(1,16 < 𝑍 < 2,71)

𝑥=25

𝑃(𝑍 < 2,71) − 𝑃(𝑍 < 1,16) = 0,4966 − 0,3770 = 0,1196

26 www.virtual.facen.una.py
 Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia

Bibliografía

Anderson, D., Sweeney, D. & Williams, T. (2008). Estadística para administración y economía.
10ª ed. CENGAGE Learning. México.

Canavos, G. (1998). Probabilidad y Estadística. Aplicaciones y Métodos. Mc Graw Hill.

Levin, R. & Rubin, D. (2004). Estadística para administración y economía. 7 ed. PEARSON
EDUCACIÓN. México

Lind, D., Marchal, W., & Wathen, S. (2012). Estadística Aplicada a los Negocios y la
Economía.15 ed. Mc Graw Hill. México.

Spiegel, M. & Stephens, L. (2009). Estadística.4 ed. Mc Graw Hill. México.

Triola, M. (2013). Estadística. 11ed.PEARSON EDUCACIÓN. México.

27 www.virtual.facen.una.py