MODELOS DE

PROBABILIDAD

1
 Modelos de probabilidad
Proceso de Bernoulli

 Distribución de Bernoulli
 Distribución Binomial
 Distribución Geométrica

Proceso de Poisson

 Distribución de Poisson
 Distribución Exponencial

Distribución Normal

La Normal como aproximación de otras distribuciones

2
VARIABLES ALEATORIAS

Se llama variable aleatoria a toda función que asocia a cada

elemento del espacio muestral E un número real.

Se utilizan letras mayúsculas X, Y, ... para designar variables

aleatorias, y las respectivas minúsculas (x, y, ...) para
designar valores concretos de las mismas.

3
VARIABLE ALEATORIA DISCRETA

Una variable aleatoria discreta es aquella que sólo puede tomar

valores enteros.

Ejemplos:

El número de hijos de una familia

La puntuación obtenida al lanzar un dado.

4
VARIABLE ALEATORIA CONTINUA

Una variable aleatoria continua es aquella que, al menos

teóricamente, puede tomar todos los valores posibles dentro de
un cierto intervalo de la recta real.
Ejemplos:
La altura de los alumnos de una clase
Las horas de duración de una pila.

5
FUNCIÓN DE PROBABILIDAD
Se llama función de probabilidad de una variable aleatoria
discreta X a la aplicación que asocia a cada valor de xi de la
variable su probabilidad pi.
0 ≤ pi ≤ 1
p1 + p2 + p3 + · · · + pn = Σ pi = 1
EJEMPLO: Distribución de probabilidad al lanzar un dado
cúbico.

6
FUNCIÓN DE DISTRIBUCIÓN

Sea X una variable aleatoria discreta cuyos valores suponemos

ordenados de menor a mayor. Llamaremos función de distribución
de la variable X, y escribiremos F(x) a la función:

F(x) = p(X ≤ x)

La función de distribución asocia a cada valor de la variable aleatoria la

probabilidad acumulada hasta ese valor.

7
FUNCIÓN DE DISTRIBUCIÓN

EJEMPLO:

La función de distribución de probabilidad de las puntuaciones

obtenidas al lanzar un dado son:

8
Proceso de Bernoulli

9
 Proceso de Bernoulli

EJEMPLOS

 Observar
Observarel el resultado
resultado al al lanzar
lanzar unauna moneda
moneda

 Si Si
unauna pieza
pieza eses defectuosa
defectuosa o no
o no enen
unun proceso
proceso dede fabricación
fabricación

 Observar
Observarel el sexo
sexo dede
unun recién
recién nacido
nacido

 Si Si
sese transmite
transmite correctamente
correctamente unun
bitbit a través
a través dede
unun canal
canal digital
digital

10
 Proceso de Bernoulli

En esta distribución 1-p se suele denotar como q, y tanto la

esperanza como la varianza vienen dadas por las siguientes
expresiones:

11
 Proceso de Bernoulli

DISTRIBUCIÓN DE BERNOULLI

0 si el suceso no ocurre A  q  1  p  Pr( X  0)

X 
1 si el suceso ocurre A  p  Pr( X  1)

La función de probabilidad es:

p ( x)  p x (1  p )1 x x  0,1

  E  X   0  (1  p )  1 p  p

  Var  X   (0  p ) 2 (1  p )  (1  p ) 2 p  p (1  p )

12
 Proceso de Bernoulli

EJEMPLO:
El 10% de los trabajadores del país está desempleado, ¿Cuál es
la probabilidad de seleccionar un individuo al azar y esté
desempleado?

X = 1⇒ Desempleado p = 0,1

X = 0 ⇒Empleado q = 1-p = 1-0,1 = 0,9

p(x=1)=0,1

13
 Distribución Binomial

 Si se repite un número fijo de veces, n, un experimento de Bernoulli

con parámetro p, el número de éxitos sigue una distribución
Binomial de parámetros (n,p).
X = Número de veces que ocurre un suceso en las n pruebas

X toma valores 0,1,2,

…,n

14
 Distribución Binomial

La función de probabilidad es:

nn rr nnrr
PP((XX rr)) pp (1(1  p ) ,,rr 0,1,
 p ) 0,1,,,nn
rr

E  X   np
Var  X   np (1  p )

15
 Distribución Binomial
n=5

n=25 p=0.75 p=0.5 p=0.2

16
 Proceso de Bernoulli
Ejemplo

Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de

que un circuito sea defectuoso es 0.01 y los circuitos son independientes.
El producto funciona sólo si no hay ningún circuito defectuoso.
¿Cuál es la probabilidad de que el aparato funcione?

X = Número de circuitos defectuosos en los 40 de un aparato

Pr( X  0)

17
 Distribución Binomial
Ejemplo

Experimento:

Observar si un circuito es defectuoso o no. Se repite 40 veces

Son independientes

La probabilidad de ser defectuoso es constante, 0.01

X ~ B (40, 0.01)

 40 
Pr( X  0)    0.010 (1  0.01) 40  0.669
0
18
 Distribución Binomial

EJEMPLO
El 53% de los trabajadores de una determinada empresa son
mujeres. Si elegimos 8 personas de esa empresa al azar, calcula la
probabilidad de que haya:
a. Alguna mujer.
b. Más de 6 mujeres.
c. Halla la media y la desviación típica.

19
Distribución Binomial

20
 Distribución Binomial

EJEMPLO
La probabilidad de que un determinado juguete salga defectuoso
es de 0,03. Calcula la probabilidad de que en un lote de 60 de
estos juguetes haya:
a. Alguno defectuoso.
b. Menos de dos defectuosos.
c. Halla la media y la desviación típica.

21
Distribución Binomial

22
 Distribución Geométrica

Cuando un experimento tiene las siguientes características:

 Sólo hay dos resultados posibles

 La probabilidad de éxito se mantiene constante

 Las observaciones son independientes

 Se repite el experimento hasta que ocurre el primer éxito

X = Número de veces que hay que repetir el experimento hasta

conseguir el primer éxito

X ~ Ge( p )
23
 Distribución Geométrica

X i i  1,.....n son Bernoulli

X1 X2 X3 X4  X
    
1 0 0 0   X 1 Pr( X  1)  p
0 1 0 0   X 2 Pr( X  2)  qp
0 0 1 0   X 3 Pr( X  3)  qqp
0 0 0 1   X 4 Pr( X  4)  qqqp

La función de probabilidad es:

rr11
PP((XX  rr))  (1
(1 pp)) pp,, rr 1,1,2,
2,
24
 Distribución Geométrica

X i i  1,.....n son Bernoulli

X1 X2 X3 X4  X
    
1 0 0 0   X 1 Pr( X  1)  p
0 1 0 0   X 2 Pr( X  2)  qp
0 0 1 0   X 3 Pr( X  3)  qqp
0 0 0 1   X 4 Pr( X  4)  qqqp

25
Distribución Geométrica

p  x   Pr  X  x   (1  p ) x 1 p

26
 Distribución Geométrica

EJEMPLO
La probabilidad de que un bit transmitido a través de un canal de
transmisión digital sea recibido como un error es 0.1. Si las
transmisiones son independientes, ¿Cuál es el número medio de
transmisiones que hemos de observar hasta que ocurre el primer
error?

X = Número de transmisiones que hay que observar hasta encontrar

el primer error

E  X   1/ p  1/ 0.1  10
27
 Distribución Geométrica

EJEMPLO
Un matrimonio quiere tener una hija, y por ello deciden tener hijos
hasta el nacimiento de la esperada hija. Calcular:
a.El número esperado de hijos (entre varones y hembras) que
tendrá el matrimonio.
b.Calcular la probabilidad de que la pareja acabe teniendo tres hijos
o más.

28
 Distribución Geométrica

a.

b.

29
 Distribución Geométrica

Si el número de aspirantes a la Universidad es de 328 mil

alumnos, de los cuales 88 mil son admitidos. Calcula
a. ¿Cuál es la probabilidad de ser admitido?

b. ¿Cuál es la probabilidad de que la ficha número 500 haya

sido el primer admitido?

30
 Distribución Geométrica

b. ¿Cuál es la probabilidad de que la ficha número 500 haya

sido el primer admitido?

31
 Modelos de probabilidad

Proceso de Bernoulli
 Distribución de Bernoulli
 Distribución Binomial
 Distribución Geométrica
Proceso de Poisson
 Distribución de Poisson
 Distribución Exponencial

Distribución Normal

La Normal como aproximación de otras distribuciones

32
 Proceso de Poisson
Cuando un experimento tiene las siguientes características:

 Se observa la ocurrencia de sucesos en un intervalo

 La probabilidad de que ocurra un suceso en un intervalo

 Es la misma para los intervalos del mismo tamaño
 Es proporcional a la longitud del intervalo

 Los sucesos ocurren de forma independiente. El número

de sucesos que ocurren en un intervalo es independiente
del número de sucesos que ocurren en otro intervalo

33
 Distribución de Poisson

X = Número de sucesos en un intervalo de longitud fija

La distribución de Poisson se puede obtener como límite de

una Binomial cuando n yp0

  np  Número medio de sucesos en ese intervalo

34
 Distribución de Poisson

La función de probabilidad es:

eerr
PP((XX rr)) ,, rr 0,1,
0,1,

rr!!

e  r
 
 r 1
EX     EX    r  e 


0 r! 1 ( r  1)!

Var  X   
X ~ P (1 ) Y ~ P(2 ) independientes X  Y ~ P(1  2 )

35
Distribución de Poisson

36
 Distribución de Poisson

EJEMPLOS

Número de defectos en un milímetro de cable.

Número de llamadas de teléfono que se reciben en una
centralita en una hora.
Número de erratas por página en un documento

37
 Distribución de Poisson

EJEMPLO
El proceso de llegadas de clientes a un puesto de servicio se produce
de manera estable e independiente. Por término medio llega un cliente
cada minuto. ¿Cuál es la probabilidad de que no lleguen clientes en 3
minutos?
X = Número de clientes por minuto  X ~ P (  1)

Y = Número de clientes en 3 minutos  Y ~ P (  3)

e 3 30
Pr(Y  0)   e 3
0!
38
 Distribución de Poisson

El proceso de llegadas de clientes a un puesto de servicio se produce

de manera estable e independiente. Por término medio llega un cliente
cada minuto. Mantener el citado puesto de servicio abierto 8 horas al
día cuesta 6000 euros diarios. ¿Cuál debe ser el precio mínimo que se
cobre a cada cliente para que sea rentable?

Y = Número de clientes en 8 horas  Y ~ P (  60  8  480)

Beneficio = Tarifa * Y - 6000

Beneficio Esperado = Tarifa  E Y   6000  0

Tarifa > 12.5
= Tarifa  480  6000  0
39
 Distribución de Poisson

EJEMPLO
En los últimos 600 años se han producido 12 grandes terremotos en
España. Determínese la probabilidad de que se produzcan 2 en los
próximos 25 años.

40
Distribución de Poisson

41
Distribución de Poisson

42
 Distribución Exponencial

 La distribución exponencial sirve para modelizar el tiempo de

espera para la ocurrencia de un fenómeno aleatorio

 Tiempo entre llamadas telefónicas

 Tiempo entre llegadas a un puesto de servicio
 Tiempo de vida de un componente eléctrico

 En concreto, permite describir el tiempo de espera entre dos

fenómenos que siguen una distribución de Poisson.

43
 Distribución Exponencial
Distribución de exponencial

X = Numero de sucesos en la unidad de tiempo X ~ P ( )

T = Tiempo hasta que ocurre el primer suceso

Podemos calcular su función de distribución:

P (T  t0 )  P (cero sucesos en (0,t 0 ))

X= Número de sucesos en una unidad de tiempo X ~ P ( )
Y = Número de sucesos en (0,t0) Y ~ P ( t0 )
P (T  t0 )  Pr(Y  0)  e  t0
F (t0 )  P (T  t0 )  1  e  t0
44
 Distribución Exponencial
Distribución de exponencial

X = Numero de sucesos en la unidad de tiempo X ~ P ( )

T = Tiempo entre dos sucesos consecutivos

dF
dF ((tt))
ff ((tt))   ee ,,tt  00
t t

dt
dt
E  X   1/ 
Si hay sucesos por término medio en un
intervalo de tiempo

Var  X   1/  2 El tiempo medio entre dos sucesos es 1/

45
 Distribución Exponencial

f  x    e x

f ( x)  2e 2 x

f ( x)  0.5e 0.5 x
f ( x)  0.1e 0.1x

46
 Distribución Exponencial

Ejemplo

EJEMPLO
El proceso de llegadas de clientes a un puesto de servicio se produce
de manera estable e independiente. Por término medio llega un cliente
cada minuto. ¿Cuál es la probabilidad de que pasen más de 3 minutos
entre la llegada de dos clientes?
X = Número de clientes por minuto  X ~ P (  1)

T = Tiempo entre dos clientes  T ~ Exp (  1)

Pr(T  3)  1  Pr(T  3)  1  F (3)  1  1  e 13   e 3

 Pr(No haya clientes en 3 minutos)
47
 Distribución Exponencial

EJEMPLO
En una página web concreta entran una media de λ=1 usuarios/min.
¿Cuál es la probabilidad de que el tiempo que transcurre entre la
entrada de dos usuarios sea de 3 minutos?

La distribución que define la variable aleatoria de este problema es una

distribución exponencial, ya que estamos estudiando el tiempo que pasa desde
que sucede un evento (la entrada de un usuario a la página web) hasta que
vuelve a suceder ese mismo evento.

48
 Distribución Exponencial

¿Y la probabilidad de que sea igual o menos de 2 minutos?

Para determinar una probabilidad acumulada tenemos que utilizar

la fórmula de la función de distribución de la distribución
exponencial:

49
 Distribución Exponencial

Propiedad

Pr(T > t1 +t 2 | T > t1 ) = Pr( T > t 2 )

Pr(T > t1 +t 2  T > t1 ) Pr( T > t1 +t 2 ) e   (t1 +t 2 )

=    t1  e  t2
Pr( T > t1 ) Pr( T > t1 ) e
Si no ha habido clientes en 4 minutos, ¿cuál es la probabilidad de
que no haya clientes en los próximos 3 minutos?

Pr(Y  7 | Y  4)  Pr(Y  3)  1  F (3)  e 3

50
 Modelos de probabilidad
Proceso de Bernoulli
 Distribución de Bernoulli
 Distribución Binomial
 Distribución Geométrica

Proceso de Poisson
 Distribución de Poisson
 Distribución Exponencial

Distribución Normal

La Normal como aproximación de otras distribuciones

51
 Distribución Normal

 La distribución Normal describe gran cantidad de procesos

aleatorios

 Errores de medida
 Ruido en una señal digital
 Corriente eléctrica en un trozo de cable
 …

 En muchas situaciones otras distribuciones se pueden aproximar

a una Normal

 Es la base para la inferencia estadística

52
 Distribución Normal

Está caracterizada por dos parámetros: La media, μ, y la desviación

típica, σ. N (  ,  )

Toma valores en toda la recta real

Su función de densidad es:

 ( x   )2
1
f ( x)  e 2 2
  x  
2 
E[ X ]   Var[ X ]   2

53
 Distribución Normal

La función de densidad f(x) de una variable aleatoria continua X

se caracteriza por:

 f(x) ≥ 0 para todo valor de la variable aleatoria.

 El área de la región encerrada bajo la curva f(x) es
siempre 1.
 La probabilidad de que la variable tome valores en [a, b]
es el área de la región situada bajo el trozo de curva
comprendido en dicho intervalo.

54
 Distribución Normal

La función de densidad f(x) de una distribución normal tiene

como gráfica la campana de Gauss y está determinada cuando
se conoce la media µ y la desviación típica σ. Se denota por
N(µ, σ).

f ( x)

La media, mediana y
moda coinciden

0.5 0.5

55
 Distribución Normal

El efecto de  y 

¿Cómo afecta la deviación típica la forma de f(x)? Es un factor

= 2 de escala
 =3
 =4

¿Cómo afecta el valor esperado a la posición de f(x)?

 = 10  = 11  = 12

Es un factor de
traslación

56
 Distribución Normal

La probabilidad es el área bajo la curva

Pr(c  X  d) No es posible calcular la probabilidad

de un intervalo simplemente usando la
f(x) integral de la función de densidad

x
c d

57
 Distribución Normal

Todas las distribuciones normales

se pueden transformar en N(0,1)

Densidad de X

 1


0
X 
X Z 
 58
 Distribución Normal

X ~ N (3, 2)

3 6
Pr( X  6)
Z ~ N (0,1)
Mismoº
área

 63 0 1.5
Pr  Z    Pr( Z  1.5)
 2  Estadística, Prof. Bernardo D'Auria 59
 Distribución Normal

La función de distribución de la Normal estándar tiene una

notación propia:

F ( x)  Pr( X  x)   ( x)
Q( x)  Pr( X  x)  1   ( x)

Q( x)  1  Q( x)
Existen ciertas cotas para la función Q que se utilizan para calcular
cotas en error de probabilidad de varios sistemas de
comunicaciones 2
1  x2
Q( x)  e x0
2
2
x
1 
Q( x)  e 2 x0
2 x
60
 Distribución Normal

El área de la región encerrada entre f(x), OX y las rectas x = a y

x = b es la probabilidad de que la variable X esté en el intervalo
[a, b].

61
 Distribución Normal

MANEJO DE LA TABLA N(0, 1)

En la distribución de la N(0, 1), a la variable se le

suele representar por la letra Z. La tabla con la que
vamos a trabajar nos da las probabilidades P[Z ≤ k]
para valores de k de 0 a 4 centésimas. A estas
probabilidades se les llama F(k):
F(k) = P[X ≤ k]
Z se distribuye según una N(0, 1) F(k) es, pues, la
función de distribución de esta variable aleatoria.

62
 Distribución Normal

El valor de k se busca de la siguiente manera:

 Unidades y décimas en la columna de la izquierda.
 Centésimas en la fila de la arriba.
 El número que nos da la tabla es el valor de: F(k) = P[Z ≤ k].

Ejemplos:
P[Z ≤ 0, 45] = F(0, 45) = 0, 6736
P[Z ≤ 1, 2] = F(1, 2) = 0, 8849
P[Z ≤ 1] = F(1) = 0, 8413

63
 Distribución Normal

Recíprocamente, si conocemos el valor de la probabilidad P[Z ≤ k],

se puede saber el valor de k.
Ejemplos:
P[Z ≤ k] = F(k) = 0, 7190 ⇒ k = 0, 58
P[Z ≤ k] = F(k) = 0, 8643 ⇒ k = 1, 1
P[Z ≤ k] = F(k) = 0, 5560 ⇒ k = 0, 14

Recordemos que en la distribución de variable continua las

probabilidades puntuales son nulas, P[Z= k] = 0.
Por tanto, P[Z ≤ k] = P[Z < k]
64
 Distribución Normal

CALCULO DE PROBABILIDADES EN UNA DISTRIBUCIÓN N(0, 1)

Si k ≥ 0, las probabilidades P[Z ≤ k] = P[Z < k] se encuentran

directamente en la tabla.

Si k ≥ 0, P[Z ≥ k] = 1 − P[Z ≤ k]
Ejemplo:

P[Z ≥ 1, 73] = 1 − P[Z ≤ 1, 73] = 1 − 0, 9582 = 0, 0418

65
 Distribución Normal

Si k < 0, P[z ≤ k] = P[z ≥ −k] = 1 − P[z ≤ −k]

Ejemplo:

P[z ≤ −0, 83] = P[z ≥ 0, 83] = 1 − P[z ≤ 0, 83] = 1 − 0, 7967 = 0, 2033

66
 Distribución Normal

Si k < 0, P[Z ≥ k] = P[Z ≤ −k]

67
 Distribución Normal

P[a ≤ Z ≤ b] = P[Z ≤ b] − P[Z ≤ a]

Ejemplo:

P[0, 21 ≤ z ≤ 1, 34] = P[z ≤ 1, 34] − P[z ≤ 0, 21] = 0, 9099 − 0, 5832 = 0, 3267

68
 Distribución Normal

EJEMPLO
El tiempo de vida de un semiconductor sigue una distribución Normal
con media 7000 horas y desviación típica 600 horas.
¿Cuál es la probabilidad de que el semiconductor falle antes de 6000
horas?
¿Qué tiempo de vida en horas es excedido por el 95.05% de los
semiconductores?
Pr( X  6000)

Pr( X  a )  0.9505

69
 Distribución Normal

EJEMPLO
El tiempo de vida de un semiconductor sigue una distribución Normal
con media 7000 horas y desviación típica 600 horas
¿Cuál es la probabilidad de que el semiconductor falle antes de 6000
horas?  6000  7000 
Pr( X  6000)  Pr  Z    Pr( Z  1.66)
 600 

-1.66
70
 Distribución Normal

EJEMPLO
El tiempo de vida de un semiconductor sigue una distribución Normal
con media 7000 horas y desviación típica 600 horas
¿Cuál es la probabilidad de que el semiconductor falle antes de 6000
horas?  6000  7000 
Pr( X  6000)  Pr  Z    Pr( Z  1.66)
 600 

1.66
71
 Distribución Normal

EJEMPLO
El tiempo de vida de un semiconductor sigue una distribución Normal
con media 7000 horas y desviación típica 600 horas
¿Cuál es la probabilidad de que el semiconductor falle antes de 6000
horas?
 6000  7000 
Pr( X  6000)  Pr  Z    Pr( Z  1.66)
 600 
 1  Pr( Z  1.66)

1.66
72
 Distribución Normal

¿Cuál es la probabilidad de
que el semiconductor falle
antes de 6000 horas?

 1  Pr( Z  1.66)

 1  0.9515
 0.0485

73
 Distribución Normal

EJEMPLO

El tiempo de vida de un semiconductor sigue una distribución

Normal con media 7000 horas y desviación típica 600 horas
¿Qué tiempo de vida en horas es excedido por el 95.05% de los
semiconductores?  a  7000 
Pr( X  a )  0.9505  Pr  Z    0.9505
 600 

0.9505

a
74
 Distribución Normal

EJEMPLO

El tiempo de vida de un semiconductor sigue una distribución

Normal con media 7000 horas y desviación típica 600 horas
¿Qué tiempo de vida en horas es excedido por el 95.05% de los
semiconductores?  a  7000 
Pr( X  a)  0.9505  Pr  Z    0.9505
 600 
-b Valor negativo

0.9505

-b
75
 Distribución Normal

EJEMPLO

El tiempo de vida de un semiconductor sigue una distribución

Normal con media 7000 horas y desviación típica 600 horas
¿Qué tiempo de vida en horas es excedido por el 95.05% de los
semiconductores?
 (a  7000) 
Pr( X  a)  0.9505  Pr  Z    0.9505
 600 
b
0.9505

b
76
 Distribución Normal
EJEMPLO

¿Qué tiempo de vida en horas

es excedido por el 95.05% de
los semiconductores?
 (a  7000) 
Pr( X  a)  Pr  Z    0.9505
 600 

(a  7000)
 1.65
600

a  6010

El 95.05% de los semiconductores

duran más de 6010 horas
77
 Distribución Normal

Más ejemplos de cálculo de probabilidades

Pr ( Z <-0.6) =
Pr( -0.6 < Z < 1.83 )=
Pr ( Z >0.6 ) =
1 - Pr (Z < 0.6 ) =
Pr( Z < 1.83 ) - Pr( Z  -0.6 ) 1 – 0.7257 =
0.2743

= 0.7257 - 0.0336 Pr( Z < 1.83 ) =

= 0.6921 0.9664

-0.6 1.83

78
 Distribución Normal

La Normal es importante, no sólo porque muchas variables

comunes sigan esa distribución, sino porque aunque una v.a. no
posea distribución normal, ciertos estadísticos/estimadores
calculados sobre muestras elegidas al azar sí poseen una
distribución Normal.

79
 Distribución Normal

Ilustración
Sea X una variable
Uniforme en el intervalo
[50,70].

60
Tenemos una muestra de
tamaño 2000.

50
40
La muestra tiene media
59.9 y desviación típica 30

4.57
20

El histograma no se
10

parece a una distribución

0

normal con la misma 50 55 60

xx
65 70

media y desviación típica x

80
 Distribución Normal

Muestra
 Elegimos aleatoriamente grupos de 10 1ª 2ª 3ª
observaciones. 59 63 59

60 60 69

66 58 60
 Para cada grupo de 10 obtenemos entonces 54 53 65

una nueva medida: la media muestral. 51 51 69

54 59 54

51 53 59
 Las medias de cada muestra están más o 63 62 65

menos cerca de la media de la variable 66 57 56

70 69 55
original.

59.4 58.5 61.1 81

 Distribución Normal

 La distribución de las medias

muestrales tiene distribución 40

aproximadamente normal.
30

 La media de esta nueva

a
variable es muy parecida a la de 20

la variable original.
10

 Las observaciones de la nueva

variable están menos dispersas. 0
55.220755 57.099264 58.977773
xxx 60.856282 62.734792 64.613301
56.160009 58.038518 59.917028 61.795537 63.674046
 La desviación típica es menor, aa$x

en este caso 1.92

82
 Distribución Normal

Teorema Central del Límite

Cuando n crece,

Y  X1  X 2    X n

la distribución de
Y   i
Y~N   i ,  i
 2

 N (0,1)
 i
2

83
 Distribución Normal

Teorema Central del Límite

Sea lo que sea lo que midamos, cuando se promedie sobre

una muestra grande, nos va a aparecer de manera natural
la distribución Normal
84
 Modelos de probabilidad
4.5 Proceso de Bernoulli
 Distribución de Bernoulli
 Distribución Binomial
 Distribución Geométrica

4.6 Proceso de Poisson

 Distribución de Poisson
 Distribución Exponencial

4.8 Distribución Normal

4.9 La Normal como aproximación de otras distribuciones 85

 La Normal como aproximación de otras distribuciones

Binomial-Normal

La variable Binomial es suma de variables de Bernoulli, que

toman el valor 0 ó 1.

Y  X 1  X 2  X n E Xi   p
Var[ X i ]  p (1  p )
T.C.L.


Y  N np, np (1  p )  n  30
npq  5

86
La Normal como aproximación de otras distribuciones

Binomial-Normal

0.12

0.08 n  50 p  0.3
npq  10.5

0.04


N 15, 10.5 
0.00
5.000 7.625 10.250 12.875 15.500 18.125 20.750 23.375 26.000
x

87
 La Normal como aproximación de otras distribuciones

Binomial-Normal

Corrección de Yates
Al pasar de una distribución discreta a una continua, debemos
hacer las siguiente corrección (llamada corrección de Yates):

88
 La Normal como aproximación de otras distribuciones

EJEMPLO
Un fabricante de semiconductores admite que produce un 2% de
chips defectuosos. Los chips se empaquetan en lotes de 2000 chips
para su venta. Un comprador rechazará un lote si contiene 25 o más
chips defectuosos
¿Cuál es la probabilidad de rechazar un lote?
Pr( X  25)
X ~ B(2000, 0.02) 
n  30 X  N (40, 6.26) 25  0.5  40 

np  40 Pr  Z  
 6.26 
np (1  p )  39.2 Pr( Z  2.47) 
Pr( Z  2.47)  0.9292
89
 La Normal como aproximación de otras distribuciones

Poisson-Normal

La distribución de Poisson surge como límite de la Binomial cuando

el número de experimentos tiende a infinito.

Aproximamos a una Normal cuando λ grande (λ > 5)

X ~ P ( )
X  N ,  
90
La Normal como aproximación de otras distribuciones

Poisson-Normal

91
 La Normal como aproximación de otras distribuciones

EJEMPLO
El número de defectos en la superficie de un material por metro
cuadrado sigue una distribución de Poisson con media 100.
Si se analiza un metro cuadrado de dicho material, ¿Cuál es la
probabilidad de encontrar 95 defectos o más?
Pr( X  95)

 95  100  0.5 
Pr  Z    Pr( Z  0.55) 
 10 
Pr( Z  0.55)  0.6915

92
93