Sesión N° 15

Variables aleatorias
Modelos de distribución de
Probabilidades Discretas y continuas
Binomial, Poisson y Normal
Profesor:
Luis Guerra Jordán
Introducción

Algunas variables de interés en muchos

procesos: sociales, económicas,
biológicas, etc, tienen una distribución
de probabilidad donde se pueden
observar patrones regulares.

Ejemplos
• Número de alumnos aprobados si se presentan 80 de ellos a un examen,
• Número de familias con un solo hijo en una población de 120 familias,
• Número de reacciones negativas ante un fármaco administrado a 40 pacientes,
• Número de accidentes de tráfico si han circulado 1200 automóviles
• Número de semillas que germinan de las 20 semillas que se han plantado en suelos de idéntica
composición.
• Número de clientes que llegan a un banco durante una hora o una mañana,
• Número de defectos en un trozo de material.
• Número de llamadas atendidas en un minuto, etc.
MODELOS DE DISTRIBUCIÓN DE PROBABILIDADES

Vamos a considerar algunas variables y sus distribuciones de

probabilidad, entre las mas utilizadas tenemos:

Discretas Continuas

Binomial Normal

Poisson
Experimento Binomial

• Se repiten un número finito de veces,

• Cada prueba del experimento con dos
resultados posibles,
• Los cuales son repetidos en idénticas
condiciones y de forma que cada
resultado de una prueba o repetición es
independiente del resultado de otra;
• La probabilidad de obtener éxito o
fracaso siempre es la misma en cada
ocasión.
De 15 pacientes, cuántos son atendidos en un día
Distribución Binomial
Variable aleatoria Binomial
X: Número de éxitos en n ensayos o pruebas
Función de probabilidad

𝒇 𝒙 = 𝒙 = 𝟎, 𝟏, 𝟐, . . , 𝒏

Función de Distribución

Donde
𝒑: Probabilidad de éxito 𝒒 = 𝟏 − 𝒑: Probabilidad de fracaso
𝒏:Número de ensayos o pruebas del experimento binomial
ESPERANZA
VARIANZA Notación Se suele representar como:
 Ejemplo

El programa de televisión 60 minutos de la CBS, ha sido

exitoso por muchos años. Recientemente tuvo un índice de
audiencia de 20, lo que significa que de todos los televisores
encendidos, el 20% estaban sintonizados en 60 minutos.
Suponga que un anunciante desea verificar ese valor del
20% realizando su propia encuesta, y que inicia una encuesta
piloto con 10 hogares que tienen el televisor encendido en el
momento en que se transmite el programa 60 minutos.
 𝑛 𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑝 1−𝑝
Solución (a) 𝑥

Datos
𝑛 = 10
𝑥=0
𝑝 = 0.20
1 − 𝑝 = 𝑞 = 0.80

𝑃 𝑋 = 0 = 10 0.200 1 − 0.20 10−0

0
𝑃 𝑋 = 0 = 1 1 0.8010
𝑃 𝑋 = 0 = 𝟎, 𝟏𝟎𝟕𝟑𝟕𝟒
Respuesta
 𝑃(X ≥ 1
Datos
𝑛 = 10
𝑥≥1
𝑝 = 0.20
1 − 𝑝 = 𝑞 = 0.80

𝑃 𝑋 ≥1 =1−𝑃 𝑋 =0
𝑃 𝑋 ≥ 1 = 1 − 0,1074
𝑃 𝑋 ≥ 1 = 𝟎, 𝟖𝟗𝟐𝟔

Respuesta
 𝑃(X ≤ 1)
Datos
𝑛 = 10
𝑥≤1
𝑝 = 0.20
1 − 𝑝 = 𝑞 = 0.80
𝑃 𝑋 ≤1 = 𝑃 𝑋 = 0 +𝑃 𝑋 =1

𝑃 𝑋 ≤ 1 = 𝟎, 𝟑𝟕𝟓𝟖

Respuesta
Ejemplo

El gerente de una gran tienda necesita

determinar cuál es la probabilidad del número de
ocho clientes que ingresan a la tienda hagan una
compra. El sabe que por experiencias previas que
de cada 10 clientes que ingresan a la tienda, 3
realizan una compra.

Preguntas
a. ¿Cuál es la probabilidad de que de 3 clientes que ingresan a la tienda, 2 compren?
b. ¿Cuál es la probabilidad de que haya como máximo 5 clientes realicen una
compra?
c. ¿Cuál es la probabilidad de que haya al menos 3 clientes que realicen la compra?
Solución

Datos
𝑛 = 8:Número de clientes

𝑃 𝑋 = 2 = 8 0.32 1 − 0.3 8−2

= 0.2965
2
Respuesta
Luego la probabilidad de que de 8 clientes que ingresan a la tienda 2 compren es
de 0,2965 (29,65%)
Ejemplo
De una población de 300 pacientes con depresión, de los
cuales 30% sufren alteraciones somáticas. Un psicólogo clínico
extrae una muestra al azar de 16 sujetos.
a. ¿Cuál es la probabilidad de que haya 3 sujetos que sufran
alteraciones somáticas en esta muestra?
b. ¿Cuál es la probabilidad de que haya como máximo 3
sujetos que sufran alteraciones somáticas en esta muestra?
c. ¿Cuál es la probabilidad de que haya como mínimo 3
sujetos que sufran alteraciones somáticas en esta muestra?
Solución (a)
𝑛 𝑥
Datos 𝑃 𝑋=𝑥 = 𝑝 1 − 𝑝 𝑛−𝑥
𝑥
𝑛 = 16
𝑃 𝑋 = 3 = 16 0.303 1 − 0.30 16−3
𝑥=3 3
𝑝 = 0.30
16
1 − 𝑝 = 𝑞 = 0.70 𝑃 𝑋=3 = 0.303 0.7013
3
 𝑛 𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑝 1−𝑝
𝑥

𝑃 𝑋 = 3 = 16 0.303 1 − 0.30 16−3

3

𝑃 𝑋 = 3 = 16 0.303 0.7013 = 𝟎, 𝟏𝟒𝟔𝟓

3

Respuesta
La probabilidad de que haya 3 sujetos que sufran alteraciones somáticas en esta
muestra es del 14,65%
 b. ¿Cuál es la probabilidad de que haya como máximo 3 sujetos que sufran
alteraciones somáticas en esta muestra?
𝑃(X ≤ 3
𝑃 𝑋≤3 =𝑃 𝑋=0 +𝑃 𝑋=1 +
+𝑃 𝑋 = 2 + 𝑃 𝑋 = 3
𝑃 𝑋 ≤ 3 = 𝟎, 𝟐𝟒𝟓𝟗

Respuesta
La probabilidad de que haya como máximo 3 sujetos que sufran alteraciones
somáticas en esta muestra es del 24,59%
 c. ¿Cuál es la probabilidad de que haya como mínimo 3 sujetos que sufran
alteraciones somáticas en esta muestra?
𝑃(X ≥ 3
𝑃 𝑋 ≥3 =1−𝑃 𝑋 ≤2
𝑃 𝑋 ≥ 3 = 1 − 0,0994
𝑃 𝑋 ≥ 3 = 𝟎, 𝟗𝟎𝟎𝟔

Respuesta
La probabilidad de que haya como mínimo 3 sujetos que sufran alteraciones
somáticas en esta muestra es del 90,06%
Ejemplo

La probabilidad de que un reloj salga

de fábrica defectuoso es del 4 %.
Halla: El número esperado de relojes
defectuosos en un lote de 1000

Respuesta
Se espera que 40 relojes salgan defectuosos en un lote de 1000 es de 40
Solución

Datos

Respuesta
Se espera que 40 relojes salgan defectuosos en un lote de 1000 es de 40
Ejemplo
Solución
𝑛 𝑥
Datos 𝑃 𝑋=𝑥 = 𝑝 1 − 𝑝 𝑛−𝑥
𝑥
𝑃 𝑋 = 3 = 5 0.013 1 − 0.01 5−3
3

Respuesta
La probabilidad de que se auditen exactamente 3 personas de las 5
seleccionadas al azar es del 0,0009%
 𝑃(X ≥ 3 𝑛 𝑥 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑝 1−𝑝
𝑥
Datos

𝑃 𝑋≥3 =𝑃 𝑋=3 +𝑃 𝑋=4 +𝑃 𝑋 =5

𝑃 𝑋 ≥ 3 = 0,000009801 + 0,0000000495 + 0,0000000001
𝑃 𝑋 ≥ 3 = 0,0000098506

Respuesta
 𝑃(X ≥ 3
Datos

𝑃 𝑋 ≥3 =1−𝑃 𝑋 ≤2
𝑃 𝑋 ≥ 3 = 1 − 1,0000
𝑃 𝑋 ≥ 3 = 0,0000

Respuesta
La probabilidad de que se auditen exactamente al menos a tres personas de las 5
seleccionadas al azar es del 0,0009%
Respuesta
Ejemplo

Solución
𝑛 𝑥
Datos 𝑃 𝑋=𝑥 = 𝑝 1 − 𝑝 𝑛−𝑥
𝑥
𝑛 = 15
𝑃 𝑋 = 3 = 15 0.103 1 − 0.10 10−3
𝑋=3 3
𝑝 = 0.10
1 − 𝑝 = 𝑞 = 0.90 𝑃 𝑋 = 3 = 15 0.103 0.907 = 𝟎, 𝟏𝟐𝟖𝟓
3
Ejemplo

a. Las 4 estén descompuestas

b. De 1 a 3 estén descompuestas
Solución(b)

Datos
𝑛=4 𝑃 1 ≤𝑥 ≤3 = 𝑃 𝑋 = 1 +𝑃 𝑋 =2 +𝑃 𝑋 =3
1≤𝑥≤3 𝑃 1 ≤ 𝑥 ≤ 3 = 0,2916 + 0,0486 + 0,0036 = 0,3438
𝑝 = 0.10
1 − 𝑝 = 𝑞 = 0.90 𝑃 1 ≤ 𝑥 ≤ 3 = 𝑃 𝑋 ≤ 3 − 𝑃 𝑋 ≤ 0
𝑃 1 ≤ 𝑥 ≤ 3 = 0,9999 − 0,6561 = 0,3438
Ejercicio

En un test destinado a medir la

capacidad espacial de un grupo de
alumnos de la Escuela de Ingeniería
Civil, se ha podido saber que el 20%
tienen una capacidad espacial
insuficiente.

¿Cuál es la probabilidad de que de tres alumnos elegidos al azar los tres hayan dado
resultados insuficientes en el test? 0,008.
Ejercicio

Se sabe que un determinado medicamento

produce mejoría de cierta enfermedad a
dos de cada tres pacientes. Se les
administra a siete enfermos.

a) Calcular la probabilidad de que mejoren cuatro 0,2561

b) Calcular la probabilidad de que mejoren al menos cuatro personas. 0,8267
Ejercicio

En una prueba sobre fluidez verbal hecha a un

grupo de niños se ha detectado que el 35% tiene
una fluidez verbal baja, mientras que para el
resto se puede considerar aceptable.

De una muestra aleatoria formada por siete niños, hallar:

a. La media y la varianza
b. La función de probabilidad
Ejercicio

Un estudio examinó las actitudes hacia los

antidepresivos. El estudio reveló que
aproximadamente el 70% cree que “los
antidepresivos en realidad no curan nada,
sólo encubren el problema real”. De acuerdo
con este estudio.

a) ¿cuál es la probabilidad de que al menos tres de las siguientes cinco

personas seleccionadas al azar sean de esta opinión?
b) Represente esta distribución binomial en un histograma
c) Calcule la media y la varianza de esta distribución binomial.
Experimento de Poisson
• El número de resultados que ocurren en un
intervalo de tiempo o región específicos es
independiente del número que ocurre en cualquier
otro intervalo de tiempo o región
• La probabilidad de que un resultado muy pequeño
ocurra en un intervalo de tiempo es cercano a cero.
• La probabilidad de que más de un resultado ocurra
en un intervalo de tiempo o en esa región tan
pequeña es despreciable, se asigna cero.

El numero de enfermos que llegan a una consultoría en cierto

intervalo de tiempo
Distribución de Poisson
La distribución de Poisson se emplean para describir varios
procesos, por ejemplo:
“La demanda de servicios en una institución asistencial por
parte de los pacientes”.

Características
• El número de enfermos que llegan a una consultoría en una
hora.
1 h. 1 h. 1 h.
. . .

El promedio de enfermos que llegan a una consultoría en una

hora, se obtiene de registros anteriores se denota por 𝝀.
 1 h. 1 h. 1 h.
. . .
Si dividimos las horas en periodos de un segundo cada uno, entonces, se
deben cumplir las siguientes condiciones, que caracterizan el experimento
de Poisson: 1 h.
. . . . . .
1 s.

• La probabilidad de que exactamente un enfermo llegue a una

consultoría por segundo es muy pequeña y constante.
• La probabilidad de que dos o más enfermos lleguen a una consultoría en
un segundo es tan pequeña que se desprecia (valor cero).
• El numero de enfermos que llegan en un determinado intervalo de un
segundo es independiente de otro intervalo de un segundo en una hora.
• El numero de enfermos en cualquier intervalo de un segundo no
depende del numero de enfermos que llegan en otro intervalo de un
segundo.
Ejemplos

➢ El número de errores de ortografía que uno comete al

escribir una única página.
Distribución de Poisson
Función de Función de
probabilidad Distribución

Donde

 : número medio o esperado de éxitos por unidad de tiempo, área o producto

ESPERANZA 
VARIANZA 

Notación También se suele representar como: 𝑿 ~ 𝑷(𝝀)

Ejemplo

Los clientes llegan a una maquina

fotocopiadora a una tasa media
de dos cada cinco minutos.

Calcular la probabilidad que:

a) Se produzcan dos llegadas en un periodo de cinco minutos

b) Se produzcan más de dos llegadas en un periodo de cinco
minutos.
c) Se produzcan como máximo tres llegadas en un periodo de
cinco minutos.
 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =𝑒
Solución 𝑥!

a) Se produzcan dos llegadas en un periodo de cinco minutos.

𝑷 𝑿=𝟐 = e-2(2)2 = (0.135335)(4) = 0.2707

2! 2
b) Se produzcan más de dos llegadas en un periodo de cinco minutos.

𝑷 𝑿 > 𝟐 = 𝟏 − 𝑷(𝑿 ≤ 𝟐)
= 1 – P(0) – P(1) – P(2)

= 1 – 0.1353 – 0.2707 – 0.2707 = 0.3233

𝑷 𝑿 > 𝟐 = 𝟎, 𝟑𝟐𝟑𝟑
Ejemplo

Por determinado tramo de carretera se

observa el paso de vehículos con una
frecuencia de 2 vehículos por minuto.
Calcular:

a) Probabilidad de que durante 60 segundos consecutivos no se alcance

ver ningún vehículo en este tramo.
b) Probabilidad de que lleguen más de dos vehículos en el intervalo de 2
minutos.
c) Tiempo de observación mínimo para tener una probabilidad al menos
del 95 % de ver un mínimo de 4 vehículos.
 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =𝑒
𝑥!

a) Probabilidad de que durante 60 segundos consecutivos no se alcance ver ningún

vehículo en este tramo.
Solución
Sea X: Número de averías en una semana si de media hay λ = 2, entonces:

−𝟐 𝟐𝟎
𝑷 𝑿 = 𝟎 =𝒆 = 𝟎, 𝟏𝟑𝟓𝟑
𝟎!

Respuesta

La probabilidad de que durante 60

segundos consecutivos no se
alcance ver ningún vehículo en este
tramo es del 13,53%.
 −𝜆 𝜆𝑥
𝑃 𝑋=𝑥 =𝑒
𝑥!

b) Probabilidad de que lleguen más de dos vehículos en el intervalo de 2 minutos.

Solución
Si en una semana hay 2 averías de media, entonces en un mes hay 2×4 = 8 averías
de media entonces:
Sea Y: Número de averías en un mes si de media hay λ = 8
𝑷(𝐘 > 𝟐)=1-𝑷(𝐘 ≤ 𝟐)
=𝑷 𝒀 =𝟎 +𝑷 𝒀=𝟏 +𝑷 𝒀=𝟏 +𝑷 𝒀= 𝟐
= 𝟏 − 𝟎, 𝟎𝟏𝟑𝟖 = 𝟎, 𝟗𝟗𝟔𝟐

Respuesta
La probabilidad de que lleguen más de dos vehículos
en el intervalo de 2 minutos es del 99,62%.
Ejercicio

Una compañía telefónica recibe llamadas a

razón de 5 por minuto. Si la distribución
del número de llamadas es de Poisson,
calcular la probabilidad de:

a)Recibir exactamente cinco llamadas en un minuto.

b)Recibir menos de cuatro llamadas en un determinado minuto.
c) Recibir más de ocho llamadas en un determinado minuto.
APROXIMACIÓN DE LA DISTRIBUCIÓN
BINOMIAL A LA DE POISSON

𝒏 > 𝟑𝟎 ; 𝒑 ≤ 𝟎, 𝟏𝟎
ó
𝒏𝒑 ≤ 𝟓

𝑿 ~ 𝑷(𝝀)
Ejemplo

La probabilidad de que tener un accidente de tráfico

es de 0,02 cada vez que se viaja. Si se realiza 300
viajes, ¿cuál es la probabilidad de tener 3 accidentes?
Solución
Como la probabilidad de que tener un accidente de
tráfico es baja 0,02 (𝒑 ≤ 𝟎, 𝟏𝟎) y el número de veces
que se realiza el experimento es grande, 300 (𝒏 > 𝟑𝟎). 𝒏 > 𝟑𝟎 ; 𝒑 ≤ 𝟎, 𝟏𝟎
Cumple con las condiciones requeridas para aproximar
la distribución binomial a la de Poisson, entonces:

𝑿 ~ 𝑷(𝝀)

𝑛 = 300
𝑝 = 0.02
λ = 𝑛𝑝 = 300 × 0.02 = 6

Sea X: Número de accidentes de tráfico en 300 viajes.

−6 63
𝑃 𝑋=3 = 𝑒 = 0.0892
3!
Ejemplo

La probabilidad de que un producto

salga defectuoso es de 0,012.

¿Cuál es la probabilidad de que

entre 800 productos ya fabricados
hayan 5 defectuosos?
Solución

−𝟗,𝟔 𝟗, 𝟔𝟓
𝑷 𝑿 = 𝟓 =𝒆 = 𝟎, 𝟎𝟒𝟔𝟎𝟐
𝟓!

Respuesta
La probabilidad de que haya 5 productos defectuosos entre 800 recién producidos
es del 4,6%.
Ejercicio
Ejercicio

La probabilidad de que al
administrársele un antibiótico a un
ave rapaz en recuperación se le
presente una reacción negativa es
0.05. Si se le va a administrar el
antibiótico a 80 de estas aves.

Calcúlese la probabilidad de que:

1. No haya reacción negativa en ningún ave (0.0183)
2. Al menos haya reacción negativa en dos de ellas
(0.9084)
3. Como mucho la haya en 5 (0.7851)
Clasificación

Variables aleatorias

Discretas Continuas
Variables aleatorias Continuas
Si el número de posibles valores de X (esto es su RX) es
infinito no e numerable, es decir puede tomar infinitos
valores dentro de un intervalo de la recta real.

Ejemplos:
X = temperatura ambiente
Y = tiempo en el que falle cierto dispositivo
Z = distancia del robot a la pared
Ejemplos

(Aleatorio)
(Rango)
Ejemplos

Discretas

Continuas
 DISTRIBUCIÓN DE PROBABILIDAD

En muchas ocasiones el interés se centra en la probabilidad de que una

variable aleatoria, asuma un valor particular
• Sea la variable aleatoria X: Número de productos defectuosos; podemos
estar interesados en cuantificar la probabilidad de que no se encuentre
ningún producto defectuoso.
Distribuciones de probabilidades
La distribución de una variable X se define como una descripción del
conjunto de valores posibles 𝒙𝒊 de X, junto con la probabilidad asociadas
(simpes o acumuladas) con cada uno de estos valores.

Variable aleatoria continua X

Función de Función de distribución

densidad acumulada
Función de densidad de probabilidad (cuantía) 𝒇

Se denomina función de densidad f(x) de una variable aleatoria continua X, a la

función que satisface:

𝟏 𝒇 𝒙 ≥𝟎 𝒇: 𝑹 𝑹
∞ 𝒙 𝒇 𝒙
𝟐 න 𝒇 𝒙 𝒅𝒙 = 𝟏
−∞ 𝒃

(3) 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 =න 𝒇 𝒙 𝒅𝒙
𝒂
Ejemplo

Sea c una constante positiva y consideremos la función de densidad:

Calcule:
a) El valor de c
b) P(X> 0)

La función de distribución acumulativa F(x) para una variable aleatoria X es igual a

la probabilidad
Función de distribución (probabilidades acumulada) 𝑭
La función de distribución acumulativa F(x) para una variable aleatoria X es igual
a la probabilidad

Si F(x) es la función de distribución acumulativa para una variable aleatoria

continua X, entonces la función de densidad f(x) para X es

𝑭: 𝑹 𝟎; 𝟏
𝒙 𝑭 𝒙
Relación gráfica entre las funciones de densidad y de distribución acumulada
Ejemplo
Sea c una constante y consideremos la función de densidad:

Graficar F(x) y calcule P(X>1)

 Parámetros de una distribución de probabilidades
Valor esperado (Esperanza)
Sea X una variable aleatoria continua con función de densidad f(x), y sea g(x)
cualquier función de X, los valores esperados de X y g(x) son:
∞ ∞

𝝁𝑿 = 𝑬 𝑿 = න 𝒙𝒇 𝒙 𝒅𝒙 𝝁𝒈(𝒙) = 𝑬 𝒈(𝑿 = න 𝒈(𝒙)𝒇 𝒙 𝒅𝒙

−∞ −∞
Propiedades
Sea X una variable aleatoria continua:
𝑬 𝒄 = 𝒄, donde c es una constante.
𝑬 𝒄𝑿 = 𝒄𝑬 𝑿
Sea X una variable aleatoria continua y sean g1(x), …, gk(x) funciones de X
Parámetros de una distribución de probabilidades
Varianza y desviación estándar
Sea X una variable aleatoria continua con función de densidad f(x). Entonces, la
varianza de X es
∞

𝝈𝟐𝑿 = 𝑽 𝑿 = න 𝒙 − 𝝁𝑿 𝟐 𝒇 𝒙 𝒅𝒙
−∞

También se puede calcular de la siguiente manera:

Ejemplo

El tiempo, en minutos, que un tren suburbano se retrasa es una variable aleatoria

continua X con densidad:

Calcule el valor esperado y la varianza de X.

Introducción

Algunas variables de interés en

procesos: Sociales, Economía,
Ingenierías, Biológicas, etc, tienen
una distribución de probabilidad
donde se pueden observar
patrones regulares.

Se representan matemáticamente a esas distribuciones mediante funciones

matemáticas (función de probabilidad o función de distribución), las cuales
permiten calcular fácilmente la probabilidad (o probabilidad acumulada)
asociada a un valor cualquiera de la variable.
MODELOS DE DISTRIBUCIÓN DE PROBABILIDADES

Vamos a considerar algunas variables y sus distribuciones de

probabilidad, entre las mas utilizadas tenemos:

Discretas Continuas

Binomial Normal

Poisson
 Distribución Normal
La importancia de la distribución normal se debe principalmente a
que hay muchas variables asociadas a fenómenos naturales que
siguen el modelo de la normal.

- Caracteres morfológicos - Caracteres fisiológicos,

de individuos ( personas, como el efecto de una misma
animales, plantas) dosis de un fármaco, o de una
misma cantidad de abono.

- Caracteres sociológicos, - Caracteres psicológicos,

como el consumo de ciertos como el cociente intelectual,
productos por individuos de grado de adaptación a un
un mismo grupo humano. medio.

- Caracteres físicos, como la resistencia

a la rotura de ciertas piezas. . .
 Distribución Normal
Ejemplo

Los salarios mensuales de una empresa siguen

una distribución normal de media 7.000 € y
desviación típica 2.000 €.
Distribución Normal
Función de Función de
densidad Distribución

Gráfica Esperanza 𝝁
Varianza 𝝈𝟐

Notación También se suele representar como:

 Distribución Normal
Ejemplo
Los salarios mensuales de una empresa siguen una distribución normal
de media 7.000 € y desviación típica 2.000 €.
¿Qué porcentaje de trabajadores ganan entre 6.000 y 9.000 €?
Si se selecciona al azar un trabajador, ¿cuál es la probabilidad que
gane entre 6.000 y 9.000 €?
𝑷 𝟔𝟎𝟎𝟎 < 𝑿 < 𝟗𝟎𝟎𝟎

Datos
𝝁 = 𝟕𝟎𝟎𝟎
𝝈 = 𝟐𝟎𝟎𝟎 𝝁 = 𝟕𝟎𝟎𝟎 𝑿
𝟔𝟎𝟎𝟎 𝟗𝟎𝟎𝟎
Distribución Normal estándar
La distribución normal estándar, tipificada o reducida, es aquella que se obtiene por
resultado de un cambio de variable, que permite tener su valor medio cero , μ = 0 y por
desviación típica la unidad, σ =1

Para indicar que una variable Z, sigue una distribución normal de media µ y
desviación estándar σ usaremos la expresión:
FUNCIÓN DE DENSIDAD

μ = 0
σ =1
 Distribución Normal
Ejemplo
Los salarios mensuales de una empresa siguen una
distribución normal de media 7.000 € y desviación
típica 2.000 €.
¿Qué porcentaje de trabajadores ganan entre 6.000
y 9.000 €?
𝝁 = 𝟕𝟎𝟎𝟎 𝑿
Si se selecciona al azar un trabajador, ¿cuál es
la probabilidad que gane entre 6.000 y 9.000 €? 𝟔𝟎𝟎𝟎 𝟗𝟎𝟎𝟎
𝑷 𝟔𝟎𝟎𝟎 < 𝑿 < 𝟗𝟎𝟎𝟎
6000 − 7000 9000 − 7000
=𝑃 <𝑍<
2000 2000
Datos
= 𝑃 −0,5 < 𝑍 < 1
𝝁 = 𝟕𝟎𝟎𝟎 𝝁𝒁 = 𝟎 𝒁
𝝈 = 𝟐𝟎𝟎𝟎
−𝟎. 𝟓 𝟏
 Uso de la tabla Normal estándar
x

e
1
1 − t2
F ( x) = P( Z  x) = 2
dt
2
−
𝑷 𝟔𝟎𝟎𝟎 < 𝑿 < 𝟗𝟎𝟎𝟎
6000 − 7000 9000 − 7000
=𝑃 <𝑍<
2000 2000
= 𝑃 −0,5 < 𝑍 < 1

= 0,30854 + 0,15866 = 0,4672

Respuesta:

El porcentaje de trabajadores que ganan entre 6.000

y 9.000 € es del 46,72%
𝝁𝒁 = 𝟎 𝒁
Si se selecciona al azar un trabajador, la
−𝟎. 𝟓 𝟏 probabilidad que gane entre 6.000 y 9.000 € es del
46,72%
 Distribución Normal
Ejemplo
Los salarios mensuales de una empresa siguen una
distribución normal de media 7.000 € y desviación
típica 2.000 €.
Sabiendo que un 10% de las personas ganan más
que el trabajador X ¿Cuánto gana el trabajador X?

Datos
𝝁 = 𝟕𝟎𝟎𝟎
𝝈 = 𝟐𝟎𝟎𝟎
Uso de la tabla Normal estándar
x


1
1 − t2
F ( x) = P( Z  x) = e 2
dt
2
−

x 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
Manejo de tablas
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708 1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082

P(Z  1,23) = 0,8907

Manejo de tablas
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708
–1,23 1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082

P(Z  –1,23) = 1 – P(Z  1,23) = 1 – 0,8907 = 0,1093

Manejo de tablas
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708
1,01 1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082

P(1,01  Z  1,23) = P(Z  1,23) – P(Z  1,01) =

= 0,8907– 0,8438 = 0,1469

Manejo de tablas
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708
–1,23 –1,01 1,01 1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082

P(–1,23  Z  –1,01) = P(1,01  Z  1,23) =

= P(Z  1,23) – P(Z  1,01) = 0,8907– 0,8438 = 0,1469

Manejo de tablas
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708 –1,23 1,01
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082

P(–1,23  Z  1,01) = P(Z  1,01) – P(Z  –1,23) =

= P(Z  1,01) – (1 – P(Z  1,23)) = 0,8907– 1+ 0,8438 = 0,7345

Algunas probabilidades de la distribución normal
Y

m – 3s m – 2s m – s m+s m + 2s m + 3s
0,683

0,954

0,997
Ejemplo

Un consultor está investigando el tiempo que

emplean los obreros de una planta
automotriz en montar una parte específica
después de haber seguido un periodo de
entrenamiento. El consultor determinó que el
tiempo en segundos empleados por los
obreros en dicha tarea se distribuye
normalmente con una media de 75 segundos
y una desviación estándar de 6 segundos.

a. Si seleccionamos un obrero al azar, calcule la probabilidad de que dicho obrero

complete su tarea de 62 segundos pero menos de 69 segundos.
b. Si seleccionamos tres obreros al azar, calcule la probabilidad de que el tiempo total
que les demanda realizar el mismo tipo de tarea sea menor de 250 segundos. Asuma
que los tiempos para realizar dicha tarea son independientes.
Ejemplo

Las calificaciones de los 500

aspirantes presentados a un
examen para contratación laboral,
se distribuye normalmente con
media 6,5 y varianza 4.

a) Calcule la probabilidad de que un aspirante obtenga más de 8 puntos.

b)Determine la proporción de aspirantes con calificaciones inferiores a
5 puntos.
c)¿Cuántos aspirantes obtuvieron calificaciones comprendidas entre 5
y 7,5 puntos ?.
a) Calcule la probabilidad de que un aspirante obtenga más de 8 puntos.
Solución
Datos Planteamiento
𝒏 = 𝟓𝟎𝟎 𝑷 𝑿>𝟖
P(X > 8)
𝝁 = 𝟔, 𝟓
𝝈𝟐 = 𝟒
X: Calificación de un aspirante 6,5 8 X
Datos Procedimiento

𝒏 = 𝟓𝟎𝟎 𝑷 𝑿>𝟖
𝝁 = 𝟔, 𝟓 𝟖 − 𝟔, 𝟓 P(X > 8)
𝑷 𝒁>
𝝈𝟐 = 𝟒 𝟐
𝑷 𝒁 > 𝟎, 𝟕𝟓 6,5 8

P(Z > 0,75)

0 0,75
 Tabla de Distribución normal
estándar Z acumulada

𝑷 𝒁 > 𝟎, 𝟕𝟓 = 𝟏 − 𝑷(𝒁 ≤ 𝟎, 𝟕𝟓) Buscamos en la tabla la

probabilidad correspondiente

Reemplazando tenemos: 𝑷 𝒁 > 𝟎, 𝟕𝟓 = 𝟏 − 𝟎, 𝟕𝟕𝟑𝟒

= 𝟎, 𝟐𝟐𝟔𝟔
Respuesta: La probabilidad de que un aspirante obtenga más
de 8 puntos es del 22,66%.
b)Determine la proporción de aspirantes con calificaciones inferiores a
5 puntos.
Solución
Datos: Planteamiento: 𝑷 𝑿<𝟓
𝒏 = 𝟓𝟎𝟎
𝝁 = 𝟔, 𝟓
𝝈𝟐 = 𝟒
Procedimiento: 5 6,5
𝑷 𝑿<𝟓
𝟓 − 𝟔, 𝟓
𝑷 𝒁<
𝟐
𝑷 𝒁 < −𝟎, 𝟕𝟓 = 𝟎, 𝟐𝟐𝟔𝟔
-0,75 0
Respuesta: La probabilidad de que un aspirante obtenga menos
de 5 puntos es del 22,66%.
c)¿Cuántos aspirantes obtuvieron calificaciones comprendidas entre 5
y 7,5 puntos ?.
Solución
Datos:
Planteamiento: 𝑷 𝟓 ≤ 𝑿 ≤ 𝟕, 𝟓
𝒏 = 𝟓𝟎𝟎
𝝁 = 𝟔, 𝟓
𝝈𝟐 = 𝟒

Procedimiento:
𝑷 𝟓 ≤ 𝑿 ≤ 𝟕, 𝟓 5 7,5
𝟓 − 𝟔, 𝟓 𝟕, 𝟓 − 𝟔, 𝟓
𝑷 ≤𝒁≤
𝟐 𝟐
𝑷 −𝟎, 𝟕𝟓 ≤ 𝒁 ≤ 𝟎, 𝟓 = 𝟎, 𝟔𝟗𝟏𝟓 − 𝟎, 𝟐𝟐𝟔𝟔 = 𝟎, 𝟒𝟔𝟒𝟗

Respuesta: La probabilidad de que un aspirante obtenga calificación

entre 5 y 7,5 puntos es de 46,49%
 CÁLCULO DE PROBABILIDADES DE
UNA DISTRIBUCIÓN NORMAL

Estandarizar una distribución normal permite determinar

más fácilmente la probabilidad que ocurra cierto evento.
El personal de la empresa del ejemplo anterior, puede
Ejemplo 3 hallar la probabilidad de que un solo cliente tenga entre
170 y 175 centímetros de estatura, simplemente
hallando el área que está bajo la curva normal entre
170 y 175.
Tabla de Distribución normal
estándar acumulada
 Supongamos que el personal de la empresa desea
hallar la probabilidad de que un solo cliente tenga
Ejemplo 4
mas de 180 centímetros de estatura.
 Se desea hallar la probabilidad de que un solo
Ejemplo 5 cliente su estatura este comprendida entre 165
y 174 centímetros de estatura.

Usando la tabla de distribución

acumulada tenemos:
 v

Usando la tabla de distribución v

acumulada tenemos:

La probabilidad de que un solo cliente su

Respuesta estatura este comprendida entre 165 y 174
centímetros de estatura es de 62,94%
Ejemplo 6:
Se sabe que la longitud de las alas
extendidas de un tipo de ave rapaz
es una variable aleatoria que sigue
una distribución Normal, de media
120 cm. y desviación típica 8 cm.

1. Calcúlese la probabilidad de que la longitud de un ave

elegida al azar sea:
a.- Mayor de 130 cm (0,1056)
b.- Menor de 100 cm (0,00621)
c.- Esté comprendido entre 110 y 130 cm (0,7888)

2. Obtener la longitud mínima, del 10 % de las aves

tienen una longitud superior de sus alas medidas .
Solución
𝑿: Longitud de las alas extendidas de un tipo de ave rapaz (cm).
𝝁 = 𝟏𝟐𝟎 y 𝝈 = 𝟖 X → N(120; 8)
1.a.) La probabilidad de que la longitud de un ave elegida al azar
sea mayor de 130 cm.
130 − 120
Estandarizando X → tenemos: 𝑃 𝑍>
8
= 𝑃 𝑍 > 1,25
= 0,10565.

𝟏𝟐𝟎 𝟏𝟑𝟎 𝑿
USO
DE
TABLAS

𝟎 𝟏, 𝟐𝟓 𝒁
Respuesta: La probabilidad de que la longitud
de un ave elegida al azar sea mayor de 130
cm. es del 0,1056 (10,56%)
2. Obtener la longitud tal que solo el 10 % de las aves tienen una
longitud superior.
Solución
Estandarizando X → tenemos:

𝟏𝟐𝟎 𝒂 𝑿

𝟎 𝒛𝟏 𝒁

Respuesta: La longitud mínima, del 10 % de

las aves que tienen una longitud superior de
sus alas medidas es de 130,24 cm.
 APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL
A LA DISTRIBUCIÓN NORMAL

Sea X una variable aleatoria con distribución Binomial:

Si se verifica que n es grande y p ni muy grande ni

muy pequeño, es decir : 𝒏 ≥ 𝟑𝟎 ; 𝒏𝒑 ≥ 0,5 ; 𝒏𝒒 ≥ 0,5
La Distribución Binomial se aproxima a una
distribución Normal de parámetros 𝝁 = 𝒏𝒑 y 𝝈 =
𝒏𝒑𝒒, respectivamente:
Cuando aproximamos una distribución binomial mediante una
normal, estamos convirtiendo una variable X discreta (toma
un número determinado de valores) en una continua X’ (toma
valores en un intervalo).
En el siguiente esquema se muestran todas las situaciones
posibles:
Exactamente
a

a-0,5 a+0,5

A lo sumo
a

a+0,5
Menos que
a

a-0,5

Al menos
a

a-0,5

Más que
a

a+0,5
Ejemplo
Un examen tipo test consta de 38 preguntas a contestar
verdadero o falso. El examen se aprueba si se contesta
correctamente al menos 20 preguntas. Un alumno responde al
examen lanzando al aire una moneda y contestando verdadero si
sale cara y falso si sale cruz. Halla
a) La probabilidad de aprobar el examen
b) Probabilidad de acertar más de 24 y menos de 31.

Solución
𝐶𝑜𝑚𝑜 𝑛𝑝 = 38 0,5 = 19 ≥ 0,5

20-0,5=19,5
Solución

24+0,5 31-0,5
Solución
Tenemos 𝒏 = 𝟐𝟎𝟏𝟑 sujetos independientes
y X ∶ 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑢𝑠𝑢𝑎𝑟𝑖𝑜𝑠 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑛𝑒𝑡 ;
suponemos que la proporción de la
población es de 𝑝 = 2Τ3 de lo que se
deduce 𝑞 = 1Τ3 Utilizaremos una
distribución normal para aproximar la
distribución binomial.
Paso 1:

Paso 2:
 APROXIMACIÓN DE LA DISTRIBUCIÓN DE
POISSON A LA DISTRIBUCIÓN NORMAL

Si 𝝀 es lo suficientemente grande (mayor que cinco), la

distribución de Poisson puede aproximarse mediante la
distribución normal. Tal aproximación es consecuencia de la
reproductividad de la distribución de Poisson y del Teorema
del limite central. La aproximación de la distribución de
Poisson a través de la distribución normal se expresa de la
siguiente manera:
Ejemplo

Supóngase que una editorial

imprime un texto que contiene
erratas al azar con una tasa
de 𝝀 = 𝟎, 𝟓 erratas por
página. Calcular la
probabilidad de que en 200
páginas se encuentren más de
80 erratas.
Solución
Se tiene la variable aleatoria X: Número de erratas en
200 páginas. Ésta sigue una distribución de Poisson con
𝝀 = 𝟎, 𝟓 𝟐𝟎𝟎 = 𝟏𝟎𝟎
Dado que 𝝀 = 𝟎, 𝟓 𝟐𝟎𝟎 = 𝟏𝟎𝟎 > 𝟓, es posible realizar la
aproximación a la distribución normal.

𝟖𝟎 + 𝟎, 𝟓 − 𝟏𝟎𝟎
𝑷 𝒁>
𝟏𝟎𝟎
= 𝑷 𝒁 > −1,95

= 𝟎, 𝟗𝟕𝟒𝟒
Z =-1,95
APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL
Y POISSON A LA DISTRIBUCIÓN NORMAL