3

ALGUNAS DISTRIBUCIONES DE
PROBABILIDAD

3.1 INTRODUCCIÓN

La estadística inferencial tiene como problema general establecer las propiedades de un

fenómeno aleatorio estudiando una parte del mismo. Para esto es necesario conocer la
distribución de probabilidad de la variable aleatoria que se está estudiando. Esto puede ser
complicado si no existe otra alternativa que deducir teóricamente la función de probabilidad.
Afortunadamente, existen numerosos modelos de probabilidad muchos de los cuales, aunque
hayan sido generados con otros fines, pueden ser usados para describir el comportamiento de
la mayoría de las variables aleatorias que son estudiadas en las ciencias naturales.
Los modelos de distribuciones de probabilidad se clasifican de acuerdo a la naturaleza de la
variable aleatoria en modelos probabilísticos discretos y en modelos probabilísticos continuos.
En éste capítulo se estudiarán algunas distribuciones de probabilidad importantes para la
aplicación de los métodos de inferencia estadística, como son la distribuciones Binomial, de
Poisson y Normal. Otras distribuciones valiosas como las de T, de F y χ² se estudiaran en el
momento que se requiera su uso. En este punto es necesario enfatizar que el esfuerzo que se
haga en entender las propiedades de estos modelos permitirá, por una parte, comprender mejor
el funcionamiento de los métodos de inferencia estadística y por otro lado, contar con más y
mejores criterios para elegir el modelo apropiado en la aplicación de algún método estadístico.

3.2 MODELOS PROBABILÍSTICOS DISCRETOS

3.2.1. Modelo de Bernoulli.

Una gran cantidad de situaciones que se presentan en distintos campos de acción, tienen en
común algunas cosas. Veamos algunos ejemplos:

a) Lanzar una moneda y determinar si sale cara en cada lanzamiento

b) Lanzar un dado y verificar cada vez si sale un número par.
c) Elegir aleatoriamente un individuo y determinar su sexo.
d) Determinar en una solución si el pH es básico.
e) Determinar si un individuo elegido al azar está enfermo.
f) Verificar para una sustancia su naturaleza orgánica.
g) Determinar si un elemento es metálico.
h) Verificar si un objeto o cosa es defectuoso.
 56

Todos estos experimentos y otros similares reciben el nombre genérico de Ensayos de

Bernoulli, por tener las características siguientes:

1) Cada vez que se repite el experimento se producen dos resultados mutuamente excluyentes:
sale cara o sello, número par o impar, individuos machos o hembras, Ph básico o ácido,
individuos enfermos o sanos, sustancias orgánicas o inorgánicas, metales o no metales, objetos
buenos o defectuosos. Estos resultados de dos clases se identifican de forma general como
éxito y fracaso.

2) Cada vez que se repite el experimento la probabilidad de ocurrencia del éxito p o del
fracaso q no cambian. En los ejemplos citados se cumple esta condición: la probabilidad de
encontrar una cara es la misma cada vez que se lanza la moneda, la probabilidad de obtener un
número par no cambia en sucesivos lanzamientos del dado. Del experimento c en adelante, si
el muestreo es con reposición y las condiciones del experimento no se alteran, la probabilidad
de ocurrencia de los eventos estudiados se mantiene constante.

3) Los resultados son independientes. El hecho de que ocurra un fracaso o un éxito, no afecta
la probabilidad de ocurrencia de un nuevo resultado al repetir el experimento.

El espacio muestral general para los distintos ensayos de Bernoulli está formado por dos
resultados: el éxito (E) y el fracaso (F).

S = { F ; E}

Conocido el espacio muestral, es posible definir una variable aleatoria que le asigne valores a
estos dos resultados. Por ejemplo la variable X = número de éxitos en un ensayo , genera el
rango espacial siguiente:
Rx = {0,1}

Igualmente es posible encontrar una función que le asigne valores de probabilidad a éstos
resultados. Para tal fin la probabilidad del éxito p y la probabilidad del fracaso 1 − p , se
pueden representar de la forma siguiente:

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

De lo cual se deduce que la expresión matemática de la función de probabilidad para la

distribución de Bernoulli es la siguiente
p( x ) = p x ( 1 − p )1− x

El valor esperado y la varianza de esta distribución son: E( x ) = µ = p y Var( x ) = σ 2 = pq

respectivamente.
 57

3.2.2. Modelo binomial.

Un experimento binomial consta de varios ensayos de Bernoulli, algunos ejemplos son los
siguientes:

a) Lanzar una moneda n veces y determinar si sale cara en cada lanzamiento

b) Lanzar un dado n veces y verificar cada vez si sale un número par.
c) Determinar el sexo de cada uno de n individuos.
d) Medir en cada una de n soluciones si el pH es básico.
e) Determinar en cada uno de n individuos si están sanos o enfermos.
f) Verificar para cada una de n sustancias su naturaleza orgánica.
g) Determinar si cada uno de n elementos son metales.
h) Verificar si cada uno de n objetos son defectuosos.

El examen de los ejemplos anteriores deja ver que en cada repetición del experimento se
mantienen las propiedades de los ensayos de Bernoulli y que la variable aleatoria que los
caracteriza es el número de veces que ocurre el éxito (o el fracaso) en n repeticiones del
experimento. La función de probabilidad para este tipo de variable, la vamos a deducir a través
del ejemplo siguiente:

Ejemplo 3.1.
En una investigación de cierta parasitosis, pequeñas dosis de una vacuna experimental se
inyectaron en ratones de laboratorio. Los resultados encontrados demostraron que 4 de cada 20
ratones mueren a causa de la vacuna. Si la misma dosis de la vacuna se aplica a cuatro ratones
¿cuál es la probabilidad de que mueran x individuos?

1) En primer lugar se verifica que se trata de un ensayo de Bernoulli.

• Tiene dos resultados posibles: ratón muere (éxito); ratón sobrevive

(fracaso). El significado del éxito en éste caso tiene una connotación
simplemente estadística, porque para el objetivo de la investigación y de la
ética científica no puede ser un éxito que muera un ratón.

• La probabilidad del éxito p = 1 5 y del fracaso q = 4 5 , no cambian en

cada aplicación de la dosis.

• El experimento se repitió cinco veces (n = 4).

2) Puesto que el número de repeticiones (n=4), es pequeño se puede determinar fácilmente

los 16 resultados que conforman el espacio muestral. Si se representa con m el evento
morir y con s el evento sobrevivir, los 16 resultados posible son los siguientes:
 58

 ssss 
 sssm,ssms,smss,msss 
S =
ssmm,smsm,mssm,smms,msms,mmss 
 
 smmm,msmm,mmsm,mmms 

La variable aleatoria X = número de ratones muertos genera el rango espacial siguiente:

Rx = {0, 1, 2, 3, 4}

3) Si p = probabilidad de morir y q = probabilidad de sobrevivir ; la probabilidad con la

cual ocurrirán los resultados del espacio muestral S, son las siguientes:

P(X=0) = p(ssss)= qqqq = 1p 0 q 4

P(X=1)=p(mmms)+p(mmsm)+p(msmm)+p(smmm)=4pqqq=4p 1q 3
P(X=2)= p(ssmm)+p(smsm)+p(smms)+p(msms)+p(mmss)+p(mssm)= 6ppqq = 6p 2 q 2
P(X=3)= p(smmm)+p(msmm)+p(mmsm)+(mmms)= 4pppq= 4p 3 q 1
P(X=4)= p(mmm)= 1pppp= 1p 4 q 0

4) Puesto que se está en busca de una fórmula general para calcular la probabilidad con la
cual ocurre cada resultado de la variable aleatoria X = número de ratones muertos, una
forma de hacerlo, es identificando los elementos comunes en las fórmulas usadas para el
cálculo de cada probabilidad de X.
El primer hecho común que resalta es que los valores de p están elevados a una potencia
que coincide con el valor x de la variable aleatoria. Igualmente, los valores de q están
elevados a una potencia que es igual a 4-x. De modo que se tiene como un término común,
la expresión:
p xq4 − x

Este último término se puede hacer mucho más general, si se sustituye el valor 4 por n,
como valor genérico que representaría, en el ejemplo específico que se viene trabajando,
un número cualquiera de ratones, o si se tratara de cualquier experimento binomial, n sería
el número de repeticiones de ese experimento. El término queda entonces de la forma
siguiente:
p xq n− x

5) Otro elemento común, que se observa en las probabilidades calculadas, es que cada
término esta multiplicado por un coeficiente que representa el número de secuencias
diferentes como pueden morir x ratones. Obviamente que no sería práctico que cada vez
que se necesite calcular la probabilidad de que un evento ocurra x veces en n repeticiones
se tengan que determinar las diferentes maneras como puede ocurrir un resultado
particular. Si en el ejemplo se hubiesen vacunado 10 ratones en lugar de 4, el número de
secuencias para cada valor de x se habría elevado enormemente, y sería muy complicado
determinarlas todas. Afortunadamente los denominados métodos de enumeración ofrecen
 59

una solución para calcular el número de secuencias diferentes que se pueden originar a
partir de un conjunto de n elementos. El método que se usa en éste caso son las
Permutaciones de n elementos diferentes, siendo x elementos de una clase (ratones que
mueren) y n – x de otra clase (ratones que sobreviven), cuya fórmula de cálculo es la
siguiente:
n!
n Px;n − x =
x!( n − x )!

En consecuencia, la formulación general para calcular la probabilidad de tener x éxitos en

n repeticiones es la siguiente:

n!
P( X = x ) = p( x ) = n P( x;n − x ) p x q n − x = p xq n− x
x!( n.x )!

La fórmula n Px:n − x con la cual se calcula el número de permutaciones diferentes que se

pueden construir con n elementos, cuando x son de una clase y n-x de otra clase, es
equivalente a la fórmula n C x que se utiliza para calcula el número de combinaciones de n
elementos diferentes tomados de x en x.

n!
n P( x;n − x ) = =n Cx
x!( n − x )!

Por lo tanto, la función de probabilidad del modelo binomial puede ser expresado
indistintamente en una de las dos formas siguientes:

n!
a) p( x ) = n P( x;n − x ) p x q n − x = p xq n− x
x!( n − x )!

n!
b) p( x ) = nC x p x q n − x = p xq n− x
x!( n − x )!

Cualquiera de las dos fórmulas anteriores representa la función de probabilidad de la variable

aleatoria X = número de éxitos en n repeticiones de un experimento. Su aplicación permitirá
calcular la probabilidad de que un resultado ocurra x veces en n repeticiones. Para el caso
específico del ejemplo con el cual se comenzó esta explicación, la aplicación de la función de
probabilidad produce los resultados siguientes:

4!
P( X = 0 ) = p( 0 ) = 4 C0 p 0 q 4 = ( 1 5 )0 ( 4 5 )4 = ( 1 )(( 1 )( 0,4096 ) = 0,4096
0 !( 4 − 0 )!

4!
P( X = 1 ) = p( 1 ) = 4 C1 p 1q 3 = ( 1 5 )1( 4 5 )3 = ( 4 )( 0,2 )( 0,5120 ) = 0,4096
1!( 4 − 1 )!
 60

4!
P(X=2)= p(2)=4 C2 p 2 q 4-2 = (1/5)2 (4/5)2 = (6)(0,04)(0,64) = 0,1536
2!(4-2)!

4!
P(X=3)= p(3)=4 C3 p 3 q 4-3= (1/5)3 (4/5)1= (4)(0,008)(0,8) = 0,0256
3!(4-3)!

4!
P(X=4)= p(4)=4 C4 p 4 q 4-4 = (1/5)4 (4/5)0 = (1)(0,0016)(1) = 0,0016
4!(4-4)!

3.2.2.1 Distribución de probabilidades del modelo binomial

El conjunto de pares ordenados [ xi ; p( x ) ] genera una distribución binomial, nombre que se
le da porque los sucesivos términos de la distribución de probabilidad son semejantes a los
obtenidos con la expansión del Binomio de Newton ( p + q )n . Cuando una variable aleatoria
se distribuye en forma binomial con parámetros n y p se puede representar mediante la
expresión siguiente: X : b( n; p ) . La forma de la distribución binomial cambia para cada
combinación de valores diferente de n y/o p (Figura 3.1).

Figura 3.1. Distribuciones de probabilidad para una variable aleatoria que sigue el modelo
binomial con n = 10 y diferentes valores de p.

Ejemplo 3.2.
Para una pareja de individuos la probabilidad de tener un hijo con ojos azules es 1 4 y la de
tener hijos con ojos marrones es de 3 4 . Si tienen previsto tener cuatro hijos ¿Cuál será la
distribución de probabilidades para la variable X = número de hijos con ojos azules?
 61

Se trata de un ensayo binomial. Sólo hay dos posibles resultados, mutuamente excluyentes e
independientes. La probabilidad de éxito (ojos azules) p = 1 4 y la probabilidad del fracaso
q = 3 4 no cambiarán en los nacimientos sucesivos. Para obtener la distribución de
probabilidades se debe usar la función de probabilidad del modelo binomial para calcular la
probabilidad de ocurrencia de cada resultado del rango espacial: Rx = {0, 1, 2, 3, 4},

4!
P(X=0)=4 C0 p 0 q 4 −0 = ( 1 / 4 )0 ( 3 / 4 )4 = ( 1 )( 1 )( 0,3164 ) = 0,3164
0 !( 4 − 0 )!

4!
P(X=1)=4 C1 p 1q 4 −1 = ( 1 / 4 )1( 3 / 4 )3 = ( 4 )( 0,25 )( 0,4269 ) = 0,4269
1!( 4 − 1 )!

4!
P(X=2)=4 C2 p 2 q 4 − 2 = ( 1 / 4 )2 ( 3 / 4 )2 = ( 6 )( 0,0625 )( 0,5625 ) = 0,2109
2!( 4 − 2 )!

4!
P(X=3)=4 C3 p 3 q 4 − 3 = ( 1 / 4 )3 ( 3 / 4 )1 = ( 4 )( 0,0156 )( 0,75 ) = 0,0469
3!( 4 − 3 )!

4!
P(X=4)=4 C4 p 4 q 4 − 4 = ( 1 / 4 )4 ( 3 / 4 )0 = ( 1 )( 0,0039 )( 1 ) = 0,0039
4!( 4 − 4 )!

La distribución de probabilidades se muestra en la tabla siguiente y en la Figura 3.2.

X p(x)
0 0,3164
1 0,4269
2 0,2109
3 0,0469
4 0,0039
 62

Figura 3.2. Distribución de probabilidades del número de hijos con ojos azules.

3.2.2.2 Función de probabilidad acumulada para el modelo binomial

n
La función acumulada F( x ) = ∑ p( x ) , facilita el cálculo de probabilidades del tipo siguiente:
i =1
a) P( X ≤ x )
b) P( X ≥ x )
c) P( x1 ≤ X ≤ x2 )

A fin de facilitar la aplicación de la distribución binomial, en la mayoría de los textos de

estadística existen tablas con las probabilidades acumuladas. También muchos programas de
utilidades para computadoras personales, como el Excel, proporcionan funciones que permitan
calcular las probabilidades individuales o acumuladas. En la Tabla 3.1 se muestra una parte de
una tabla de probabilidades acumuladas de la función binomial. Su uso es muy fácil, tiene tres
entradas, el valor del parámetro p (probabilidad del éxito), el valor de n (número de
repeticiones) y el valor de x (número de éxitos).
x n-x
Tabla 3.1. Algunas probabilidades acumuladas de la función de probabilidad p(x) = nCx p q
Rx
F( x ) = P( X ≤ x ) = ∑ n C x p x q n − x

Ejemplo 3.3.
Si se tiene una variable aleatoria que se distribuye binomialmente con n = 15 y p = 0,5,
encuentre las probabilidades siguientes:

a) P(X ≤ 3); b) P(X > 5); c) P(X< 8); d) P(X ≥ 9); e) P(X= 6); f) P(10 < X ≤ 14)
 63

Para encontrar estas probabilidades, primero ubicamos en la tabla los parámetros de la

distribución n = 15 y p = 0,5. Luego encontramos la probabilidad acumulada para el valor de x
correspondiente. Así tenemos que:

a ) P( X ≤ 11 ) = 0,9824

b ) P(X>5)=1-P(X ≤ 5 ) = 1 − 0,150 = 0,8491

c ) P(X<8)=P(X ≤ 7 ) = 0,500

d ) P(X ≥ 9)=1-P(X ≤ 8 ) = 1 − 0,6964 = 0,3036

e ) P(X=6)=P(X ≤ 6 ) − P( X ≤ 5 ) =
= 0,3036 − 0,1509 = 0,1527
 60

f ) P(5<X ≤ 11)=P(X ≤ 11)-P(X ≤ 5)=

= 0,9824 − 0,1509 = 0,8315

Las áreas sombreadas de las figuras anteriores representan las probabilidades solicitadas.

3.2.2.3 Valor Esperado (Media) y Varianza de la Distribución Binomial

El valor esperado y la varianza de la distribución binomial son los siguientes:

E( X ) = µ = np Var( X ) = σ 2 = npq

Ejemplo 3.4.
Calcule el número promedio y la varianza que se espera obtener del número de niños con
fiebre cuando se vacunan 6 niños, si la probabilidad de que se enferme un niño es de 1/4.
µ = np = 6( 1 / 4 ) = 1,5 niños σ 2 = npq = 6( 1 / 4 )( 3 / 4 ) = 1,125

3.2.3. Modelo de Poisson.

Esta distribución fue introducida por el matemático francés S.D. Poisson en 1837. El modelo
de Poisson a semejanza del binomial consta de varios ensayos de Bernoulli. La diferencia
estriba en que el modelo binomial sirve para calcular la probabilidad de ocurrencia de un
resultado particular en un número finito de repeticiones, mientras que con el modelo de
Poisson se determina la probabilidad de ocurrencia de un determinado evento en el tiempo o el
espacio y no en un número definido de repeticiones del experimento. En estos eventos que se
producen aleatoriamente en el espacio o el tiempo, la frecuencia de ocurrencia de un evento es
tan baja con relación a la frecuencia de no ocurrencia que se consideran como sucesos raros.
Tratar de describir la distribución de una variable aleatoria de este tipo mediante el modelo
 65

binomial sería impráctico puesto que el número de ensayos tendría que ser extraordinariamente
grande para que ocurriera el resultado esperado. Por ejemplo, para un biólogo que está
colectando individuos de una especie de planta cuyos individuos están distribuidos
aleatoriamente e independientemente en una sabana, es de suma importancia conocer la
distribución de probabilidades de la variable número de plantas. Para obtener ésta distribución
se podría usar el modelo binomial. Sólo se necesitaría considerar cada punto muestreado como
una repetición del proceso, sin embargo esto implicaría trabajar con un número de repeticiones
extremadamente grande, puesto que la presencia de una planta en un punto del área de
búsqueda es un hecho muy poco frecuente con relación al número de puntos donde no se
encuentra. Bajo el supuesto que se pudiera superar la dificultad del elevado número de
repeticiones, se tendría otro problema, como es que la función binomial está caracterizada por
un valor de n muy grande y un valor de p muy pequeño, lo que hace sumamente tedioso el
cálculo de probabilidades por tener que usar factoriales de números muy grandes.
Afortunadamente, situaciones como la planteada donde n → ∞ y p → 0, se pueden resolver
usando el modelo probabilístico de Poisson.

Para deducir la función de probabilidad de Poisson seguiremos haciendo uso del mismo
ejemplo de la planta en la sabana. Para tal efecto se hará uso de dos supuestos: el primero es
que en esta sabana se delimitó una parcela de terreno que tiene un número promedio de plantas
igual a λ; y el segundo es que el área de la parcela se corresponde con una unidad de superficie,
de forma que λ representa el número promedio de plantas por unidad de superficie. El mayor
interés es el de conocer la probabilidad con la cual la variable aleatoria asume los valores de su
rango espacial, el cual es Rx = {0,1,2,3,........N } . Una manera de encontrar las probabilidades
para cada resultado en Rx sería definir un número grande de parcelas del mismo tamaño,
determinar su número de plantas y construir una distribución de frecuencias. Las frecuencias
relativas se pueden usar para estimar la probabilidad de ocurrencia de la variable número de
plantas. Otra forma sería dividir la parcela en n unidades del mismo tamaño lo suficientemente
pequeñas para que en cada uno de ellas se produzca uno de dos resultados: presencia o
ausencia de plantas (Figura 3.3).

Figura 3.3. Parcela de terreno dividida en n subparcelas. Los puntos indican la ubicación
hipotética de las plantas (ver texto)

Bajo estas nuevas condiciones el experimento presenta las características de un experimento

binomial:
 66

a) Se repite n veces.
b) Dos resultados posibles. Si la probabilidad de ocurrencia de una planta es muy pequeña con
relación a la probabilidad de que no ocurra y cada subparcela es lo suficientemente pequeña,
entonces la posibilidad de encontrar mas de una planta en una misma subparcela es
infinitamente pequeña y para efectos prácticos se puede considerar que en cada subparcela
existen dos resultados posibles: presencia o ausencia de la planta.

c) Para cada subparcela existe la misma posibilidad de tener una planta.

d) Los n ensayos son independientes. El hecho de que ocurra una planta en un punto, no afecta
su ocurrencia en otro punto.

Por lo tanto, es posible utilizar la función de probabilidad del modelo binomial para el cálculo
de probabilidades.

Para aplicar la función de probabilidades falta conocer el valor de p. Este se puede deducir a
partir de λ que es el número promedio de plantas por parcela o por unidad de superficie (véase
segundo supuesto). Puesto que la parcela se dividió en n subparcelas, la probabilidad de que
ocurra una planta en cada una de las n subparcelas de tamaño 1/n será p = λ n y la probabili-
dad de que no ocurra será q = 1 − ( λ n ) , de modo que la función p( x ) = n C x p x q n − x queda
de la manera siguiente:
n− x
p(x) = nCx [ λ n ] [1-λ n ]
x

Sin embargo esta función sólo es una aproximación, pues toma en cuenta n subparcelas. Como
la superficie es una variable continua, el área de la parcela se puede dividir en infinitas
subparcelas, de modo que cuando n tiende a infinito la función de probabilidad binomial se
aproxima al valor siguiente:
−λ x
Limite nCx [ λ n ] x [( 1 − λ ) n ]n − x = e λ
n→∞ x!

Donde λ = número de ocurrencia del evento de interés en una unidad de espacio (o tiempo).
Para cualquier otro valor de espacio (o tiempo) la función de probabilidad será:

e −λ a λ a x
p(x) = nCx [ λ a n ]
x
[( 1 − λ a ) n ]n − x =
x!
 67

Donde a es un factor de proporcionalidad que permite calcular el número de ocurrencias del

éxito en un tiempo o espacio dado diferente a la unidad.

Sí se hace λ a = µ la función de probabilidades para el modelo de Poisson queda de la

manera siguiente:
e−µ µ x
p( x ) =
x!
Donde µ = es el número promedio de ocurrencias en un espacio o tiempo dado y x = número
de veces que ocurre el éxito en ese mismo espacio o tiempo.

3.2.3.1 Distribución de probabilidades del modelo de Poisson

La distribución de probabilidades de Poisson esta formada por los pares ordenados de valores
[xi; p(xi)] y la misma está caracterizada por un sólo parámetro: el promedio µ. En forma
similar a la distribución binomial, la distribución de Poisson es una familia de curvas, cuya
forma depende del valor de µ (Figura 3.4)

Figura 3.4. Distribución de probabilidades para el modelo de Poisson

Ejemplo 3.5.
Supóngase que el número de partículas radiactivas emitidas por cierto material durante una
hora tiene una distribución de Poisson cuyo promedio es de 0,8 partículas/hora. ¿Cuál es la
probabilidad de que en cinco horas se emitan mas de 3 y menos de 7 partículas?.

Para encontrar la probabilidad solicitada P( 3 < X < 7 ) será necesario calcular las
probabilidades individuales p( 4 ) , p( 5 ) y p( 6 ) , de forma que,

P( 3 < X < 7 ) = P( 4 ≤ X ≤ 6 ) = p( 4 ) + p( 5 ) + p( 6 )

Para el cálculo de cada probabilidad se usa la función de Poisson: p( x ) = e − µ µ x x! .

 68

Si λ = 0,8 emisiones/hora , el número promedio esperado para cinco horas será

µ = λ t = ( 0,8 )( 5 ) = 4,0 emisiones . Las probabilidades requeridas son:

p(4) = e −4 4 4 4! = (0,0183)(256) 24 = 4,688 24 = 0,1954

p(5) = e −4 4 5 5! = (0,0183)(1024) 120 = 18,74 120 = 0,1562

p(6) = e −4 4 6 6! = (0,0183)(4096) 720 = 74,96 720 = 0,1041

Al sumar estos valores se obtiene la probabilidad total buscada,

P( 3 < X < 7 ) = P( 4 ≤ X ≤ 6 ) = 0,1954 + 0,1562 + 0,1041 = 0,4557

Ejemplo 3.6.
Se ha encontrado que el número de fallas en un transistor de un aparato de medición es una
variable aleatoria que se distribuye como Poisson. El promedio de fallas es de 0,1 cada 10
horas. ¿Cuál será la probabilidad de que el transistor falle en dos horas?

La probabilidad de que el transistor falle será la probabilidad de que la variable aleatoria X =

número de fallas en dos horas tome un valor mayor o igual a 1.

Si λ = 0,1 fallas/10 horas = 0,01 fallas/hora , entonces µ = λ t = ( 0,01 )( 2 ) = 0,002 fallas

La probabilidad requerida es:

eµ − µ0 e0,002 − 0,0020
P( X ≥ 1 ) = 1 − P( X ≤ 0 ) = 1 − p( 0 ) = 1 − = 1− = 1 − 0,9892 = 0,0198
0! 0!

3.2.3.2 Función de probabilidad acumulada para el modelo de Poisson

En la Tabla 3.2 se muestran una parte de la Tabla de probabilidades acumuladas de la función
de probabilidad de Poisson. Las entradas para ésta tabla son el parámetro µ y el número x de
éxitos.

Tabla 3.2: Algunas probabilidades acumuladas de la Distribución de Poisson

Rx e − µ µ x
F(x)= P(X ≤ x)=∑
x!
 69

Ejemplo 3.7.
Supóngase que el número de impulsos que recibe una central telefónica es una variable que se
distribuye como Poisson El promedio es de 120 impulsos recibidos por hora. La central tiene
una capacidad máxima de 4 impulsos/minuto. ¿Cuál es la probabilidad de que en un minuto
determinado la central se congestione?

La central comenzará a fallar cuando el número de impulsos sea superior a 4 por minuto, de
modo que la probabilidad solicitada es P( X > 4 ) .

Si λ = 120 impulsos/hora = 120 impulsos/60 minutos= 2 impulsos/minuto , entonces se tiene

que µ = λ t = ( 2 impulsos / min uto )( 1 minuto ) = 2 impulsos

La probabilidad solicitada es P(X > 4) = 1 - P(X ≤ 4) = 1 - F(4) . Para encontrar el valor de

F(4) se localiza el valor de µ = 2 en la primera fila de la Tabla 3.2, luego en la primera
columna se ubica el valor de x = 4 . El valor de la intersección 0,9473 representa las
probabilidades acumuladas de la distribución de Poisson para x = 4 cuando µ = 2 , por tanto

P(X > 4)= 1- P(X ≤ 4)= 1 - F(4)= 1- 0,9473= 0,0527

Ejemplo 3.8.
Encontrar la probabilidad solicitada en el Ejemplo 3.5 utilizando la función acumulativa

La probabilidad solicitada es:

P( 3 < X < 7 ) = P( 4 ≤ X ≤ 6 ) = P( X ≤ 6 ) − P( X ≤ 3 ) = F( 6 ) − F( 3 )
En una Tabla de probabilidades acumuladas para el modelo de Poisson se encuentran los
valores de F(6) y F(3) para µ = 4 y se resuelve.

P( 3 < X < 7 ) = P( 4 ≤ X ≤ 6 ) = P( X ≤ 6 ) − P( X ≤ 3 ) = F( 6 ) − F( 3 ) = 0,8893 − 0,4335 = 0,4558

Ejemplo 3.9.
 70

El número de accidentes severos que ocurren anualmente en los laboratorios de química según
la Federación Internacional de Laboratorios de Química es de 2,5 casos por cada 1000 profe-
sionales del área. ¿Cuál es la probabilidad de que en una población de 80 personas que
trabajan en los laboratorios de un Departamento de Química, se produzca algún accidente en el
año?
λ = 2,5 casos/1000 personas = 2,5 x 10 -3 casos/persona

µ = λ t = (2,5x10 -3 casos/persona)(80 personas) = 0,2 casos

P(X >0)= 1- P(X ≤ 0) = 1 - F(0) = 1 - 0,8187 = 0,1813

3.2.3.3 Relación entre los modelos Binomial y Poisson

La deducción de la función de probabilidad del modelo de Poisson se hizo a partir de la
función de probabilidad del modelo binomial. Con éste propósito en un experimento binomial
se aumentó infinitamente el número de repeticiones n, y la probabilidad de ocurrencia del éxito
se disminuyó proporcionalmente a éste aumento, p = λ/n. De modo que en cualquier ensayo de
Bernoulli donde n sea muy grande y p muy pequeño, se puede utilizar la función de Poisson
para calcular las probabilidades de ocurrencia del éxito, sabiendo que µ = np.

Ejemplo 3.10.
En una fábrica, se sabe que en el proceso de envasado de alimentos uno de cada 1000 envases
producidos no cumple con las normas de calidad del producto. ¿Cuál es la probabilidad de que
en una muestra aleatoria de 8000 envases, siete o menos no cumplan con las normas de
calidad?

La variable X = número de envases sin calidad se distribuye binomialmente: a) en cada

elección existe dos resultados posibles, b) la probabilidad de encontrar un envase que no
cumpla con la garantía no cambia, c) los ensayos son independientes y d) el experimento se
repitió n veces.
n = 8000 y p =1/1000 = 0,001

La función acumulativa no esta tabulada para valores de n tan grandes. El cálculo mediante la
función de probabilidad se dificulta por que hay que trabajar con factoriales muy grandes. Sin
embargo si consideramos que n tiende a infinito y p tiende a cero, podemos aproximar la
Binomial a Poisson, de modo que: µ = np = ( 8000 )( 0,001 ) = 8 envases

La probabilidad deseada las buscamos en la tabla de probabilidades acumuladas del modelo de

Poisson para µ = 8.
P( X ≤ 7 ) = F(7 ) = 0,3134

3.2.3.4 Valor Esperado y Varianza de la Distribución de Poisson

El valor esperado [ E( X ) = µ ] y la varianza Var( X ) = σ 2  de la distribución de Poisson son
iguales: µ = σ 2 .
 71

Ejemplo 3.11.
Sea X una variable que se distribuye según el modelo de Poisson, sabiendo que µ = 9 calcule
la probabilidad que tiene la variable aleatoria de ser mayor o menor a la media en más de una
desviación estándar.

La probabilidad solicitada es P[ X < ( µ − σ ) ó X > ( µ+σ )]

Como se sabe que en el modelo de Poisson µ = σ 2 , se deduce que σ 2 = µ = 9 . Por lo tanto el valor de la
desviación estándar es σ = 9 = 3 , de modo que:

P[X< (µ-σ) ó X > (µ+σ)]= P(X< µ-σ)+ P(X > µ+σ)= P(X<9-3)+ P(X > 9+3)= P(X< 6)+ P(X >12)=

= P(X ≤ 5)+ [1-P(X ≤ 12)]=P(X ≤ 5)+ 1-P(X ≤ 11)= 0,1157+1-0,8758=0,2399

3.3 MODELOS PROBABILÍSTICOS CONTINUOS

3.3.1. Modelo Normal.

La función de probabilidad de la distribución normal sirve de modelo para una gran cantidad
de variables continuas naturales, tales como la temperatura, la humedad, la precipitación, la
altura, el peso, la concentración, el coeficiente de inteligencia, los errores instrumentales, etc.
Igualmente la distribución de muchos estadísticos tienden hacia la distribución normal, por lo
cual ésta distribución adquiere una gran importancia en el análisis de datos mediante la
inferencia estadística. La fórmula de la función de probabilidad del modelo normal fue
introducida por Abraham De Moivre en las primeras décadas del siglo XVIII, como una
derivación de la distribución binomial cuando n es muy grande. Luego fue usada por Pierre
Laplace y Carl Gauss con diferentes propósitos. Erróneamente, se le ha atribuido a éste último
el descubrimiento de la función de probabilidad normal, por lo que su distribución muchas
veces se le denomina Campana de Gauss, para honrar a su supuesto creador y por la forma de
la distribución que semeja a una campana. El nombre de distribución normal le fue dado por
Karl Pearson, otro insigne matemático. Una variable aleatoria X se encuentra distribuida
normalmente si su función de probabilidad es la siguiente:

1 x−µ 2
 
1 −  
f( x ) = e 2 σ 
σ 2π
 72

Esta función esta caracterizada por dos parámetros: la media (µ) y la desviación estándar (σ).
El valor de µ define la posición de la distribución y el valor de σ define la forma de la
distribución (Figura 3.5). Para cada par de valores distintos de µ y σ existe una distribución
normal, por lo tanto hay un número infinito de distribuciones normales diferentes.

Figura 3.5. Distribuciones normales con la misma media (µ = 20) y diferentes varianzas
(arriba); Distribuciones normales con diferentes medias y la misma varianza (abajo)

La distribución normal es simétrica, con un valor máximo para x = µ y presenta dos puntos de
inflexión para x = ± σ (Figura 3.6)

Figura 3.6. Distribución normal y arreas contenidas por los intervalos definidos a una, dos y
tres desviaciones estándar alrededor de µ.

La función de probabilidad f(x) tiende a cero a medida que x tiende a ± ∞ , por lo que las dos
colas de la distribución se aproximan asintóticamente a cero. Todas estas propiedades le
confieren a la distribución normal una forma característica semejante a una campana. Cuando
una variable aleatoria sigue la distribución normal se indica X : N( µ ;σ ) . Por tratarse de un
modelo para variables continuas, la probabilidad de que la variable se encuentre en un intervalo
se obtiene integrando la función f(x) entre los límites del intervalo.

x2
P( x1 ≤ X ≤ x2 ) = ∫ f( x )dx
x1
 73

Igualmente se puede calcular la probabilidad utilizando la función acumulativa φ( x ) .

x2 x1
P( x1 ≤ X ≤ x2 ) = P( X ≤ x2 ) − P( X ≤ x1 ) = ∫ f( x )dx − ∫ f( x )dx = φ( 2 ) − φ( 1 )
−∞ −∞

En el caso de las distribuciones discretas los valores de la función acumulativa están tabulados
para diferentes valores de los parámetros que caracterizan estas distribuciones. Esto no es
posible en el caso de la distribución normal porque al ser aplicable a variables continuas
existen infinitos valores de µ y σ . Afortunadamente ésta situación se resolvió tabulando las
probabilidades acumuladas para una única distribución, con valores de µ y σ específicos, y
mediante el procedimiento de tipificación transformar cualquier variable normal, en esa
variable estándar o patrón. La variable que se seleccionó como estándar es aquella cuya
función tiene como parámetros µ = 0 y σ = 1 , por lo cual se le denominó variable normal
estándar, unitaria o tipificada, identificándose con la letra Z para diferenciarla de las otras
variables cuya distribución de probabilidad tiene µ ≠ 0 y σ ≠ 1 . La función de probabilidad
de la variable Z es la siguiente:
1
− [ z]
2
1
f( z ) = e 2
σ 2π
La probabilidad de encontrar un valor de Z en un intervalo dado, se obtiene calculando el área
que se encuentra entre la curva y el intervalo definido en el eje de coordenadas. Pero en lugar
de integrar f( z ) entre los límites del intervalo, ésta área se puede calcular utilizando la tabla
de la función acumulada φ( z ) , que proporciona los valores de integración entre -∞ y un dado
valor de Z (Figura 3.7). En la Tabla 3.3 se muestra una parte de la tabla de φ( z )

Figura 3.7. Función acumulativa Φ(z)

La primera columna de la Tabla 3.3 son los valores de Z con una apreciación en décimas y la
primera fila son las centésimas de Z. Las cantidades dentro de la tabla son las probabilidades
acumuladas desde - ∞ hasta un valor dado de Z. Por ejemplo, a la izquierda de z = 1,25 la
probabilidad acumulada es 0,8944.

Tabla 3.3: Algunas Probabilidades acumuladas Φ(z) de la Distribución Normal Estandarizada.

 1
− [ z]
z 2
1
φ( z ) = ∫ e 2
−∞ σ 2π

A continuación se desarrollarán algunos ejemplos sobre el uso de la función acumulada φ( z ) .

Ejemplo 3.12.
Si se elige aleatoriamente un valor de la variable Z, calcule las probabilidades siguientes:
a) P( Z < 1,2 )
b) P( −0,2 ≤ Z ≤ 1,35 )
c) P( Z ≥ 0,75 )
d) P( −0,45 ≤ Z ≤ −0,13 )
e) P( 0,12 ≤ Z ≤ 1,14 )
f) P( −0,45 ≥ Z ≥ 0,45 )

Respuestas

a) P(Z < 1,2) = P(Z ≤ 1,2) = φ(1,2) = 0,8849

Las áreas sombreadas en la figura de la derecha representan
las áreas o probabilidades solicitadas

b ) P(- 0,2 ≤ Z ≤ 1,35 ) = P( Z ≤ 1,35 ) - P( Z ≤ -0.2 ) =

= φ( 1,35 ) − φ( −0,2 ) = 0,9115 − 0,4207 = 0,4908
c ) P( Z ≥ 0,75 ) = 1 − P( Z ≤ 0,75 ) = 1 − φ( 0,75 )=
= 1 − 0,7734 = 0,2260

d ) P( −0,45 ≤ Z ≤ −0,13 ) = P( Z ≤ −0,13 ) − P( Z ≤ −0,45 ) =

= φ( −0,13 ) − φ( −0,45 ) = 0,4483 − 0,3264 = 0,1219

e ) P( 0,12 ≤ Z ≤ 1,14 ) = P( Z ≤ 1,14 ) − P( Z ≤ 0,12 ) =

= φ( 1,14 ) − φ( 0,12 ) = 0,8729 − 0,5478 = 0,3251

f ) P( −0,45 ≥ Z ≥ 0,45 ) = P( Z ≤ −0,45 ) + P( Z ≥ 0,45 ) =

=P(Z ≤ -0,45)+[1-P(Z ≤ 0,45]=φ(-0,45) + 1 − φ( 0,45 ) =
=0,3264+1-0,6736=0,3264+0,3264=0,6528

3.3.3.1 Transformación de una variable X en la variable Z.

Al transformar la función f( x ) en la función f( z ) , lo que realmente se hizo fue sustituir el
x−µ
término por la variable z
σ

De manera que cualquier variable X que se distribuye normalmente con µ ≠ 0 y/o σ ≠ 1 , se

puede convertir en la variable Z, restando a todo valor de X su media µ y dividiendo esta
diferencia entre su desviación estándar σ .

Al dividir la distancia x − µ entre σ , se está determinando el número de desviaciones estándar

que caben en esa distancia. Por lo tanto los valores de Z expresan la distancia de X respecto a
su media µ en términos de desviación estándar. Por ejemplo si un valor de una variable X al
transformarse produce un valor de z = 1,5 , este último indica que el valor de X está a 1,5σ a
la derecha de µ . Igualmente un valor de z = −2 , indica que el valor de X está a 2σ a la
izquierda de µ . (Figura 3.7)
 76

Figura 3.7. Equivalencia entre valores de Z y el número de desviaciones estándar

Otro aspecto importante a considerar en la transformación de una variable X en la variable Z,

es que para toda distribución normal, independientemente de cuales sean sus valores de µ y
σ , el área bajo la curva es la misma para todo intervalo cuyos límites estén ubicados a una
misma distancia de µ en términos del número de desviaciones estándar. Por ejemplo, en toda
distribución normal, el área sobre el intervalo µ ± 1σ representa el de 68,3% del área total; si
el intervalo tiene como límites µ ± 2σ lo cubre un área igual al 95,4% y sobre el intervalo
µ ± 3σ el área representa un 99,7% del total.
Estas dos propiedades que acabamos de ver son las que permiten calcular las probabilidades de
una distribución normal, cualquiera sean los valores de µ y σ , a partir de las probabilidades
acumuladas para la distribución normal estandarizada o tipificada.

Ejemplo 3.13. Sea X : N( 20;4 ) y se quiere conocer la probabilidad de que la variable tenga
un valor menor a 16.

La probabilidad que nos interesa es P( X ≤ 16 ) . El área que representa esta probabilidad se

encuentra a la izquierda del valor 16 (Figura 3.8). Para poder determinar el valor de ésta área
mediante la tabla de probabilidades acumuladas de la distribución normal estándar, se debe
convertir el valor de x en su respectivo valor z, lo cual se hace mediante la operación
siguiente:
x − µ 16 − 20
z= = = −1
σ 4
Ahora se busca el área que se encuentra a la izquierda de z = −1 en la tabla de probabilidades
acumuladas para la variable Z, y se toma dicha área como la probabilidad conque la variable
aleatoria X asume un valor igual o menor a 16 (Figura 3.8). En consecuencia se tiene,

 16 − 20 
P( X ≤ 16 ) = P  Z ≤  = P( Z ≤ −1 ) = φ( −1 ) = 0,1587
 4 
 77

Figura 3.8.
Ejemplo 3.14.
El nivel de colesterol en la sangre en los individuos adultos de 25 a 30 años de cierta población
es una variable que se distribuye normalmente con una media de 190 mg/dl y una desviación
de 20 mg/dl, encuentre la probabilidad que un individuo elegido aleatoriamente tenga valores
de colesterol a) entre 150 y 210 mg/dl; b) mayor a 230 o menor a 180

 150 − 190 210 − 190 

a ) P( 150 ≤ X ≤ 210 ) = P  ≤Z ≤ =
 20 20 
= P( Z ≤ 1 ) − P( Z ≤ −2 ) = 0,8413 − 0.02258 = 0,8185

b ) P( 180 ≥ X ≥ 230 ) = P( X ≤ 180 ) + P( X ≥ 230 ) =

 180-190   230 − 190 
=P  Z ≤  + PZ ≥ =
 20   20 
= P(Z ≤ -0,5)+P(Z ≥ 2)=P(Z ≤ -0,5)+ [1-P(Z ≤ 2)]=
= 0,3085+1-0,9772=0,3313

3.4 EJERCICIOS

1. En una experiencia de laboratorio se inocularon 15 conejos con un suero que contiene un

germen que produce cierta enfermedad. Se sabe que el 40% de todos los conejos
inoculados con éste suero contraerán dicha enfermedad (reacción positiva). ¿Responda?:
 78

a. ¿Cuál es la variable aleatoria en éste experimento?

b. ¿Cuál es la distribución probabilística que sigue la variable aleatoria?
c. ¿Cuál es el espacio muestral de la variable aleatoria?
d. Calcule la probabilidad de que se produzca una reacción positiva:
d1. En 12 conejos.
d2. En menos de tres conejos.
d3. En al menos tres conejos.
d4. A lo sumo en tres conejos.

2. Se espera que el 90% de las semillas de una nueva variedad de maíz germine. Para
verificar tal presunción se siembran 20 semillas en recipientes separados y se mantienen
bajo las mismas condiciones ambientales ¿Calcule la probabilidad de que:
a. Germinen 15 semillas y 5 no germinen?
b. Germinen 13 o menos semillas?
c. Germinen entre 15 y 19 semillas (ambas inclusive)
d. Germinen más semillas que las que no germinan?

3. En un estudio sobre granivoría (depredación de semillas) se encuentra que el 60% de las

hormigas que regresan al nido lleva cargada una semilla. Calcule la probabilidad que de
las próximas 15 hormigas que regresan al hormiguero:
a. Más de 12 estén cargadas.
b. Entre 2 y 14 estén cargadas (ambos inclusive).
c. Se encuentren entre ellas 10 sin carga alguna.

4. Sea X una variable aleatoria discreta que sigue la distribución binomial con p = 0,5.
Suponiendo que n = 5, encuentre la probabilidad de que la variable tome un valor en el
intervalo.
a. µ − σ < X < µ + σ
b. x < µ − σ ó x > µ + σ
c. x < µ − σ y x > µ + σ

5. En un poblado el porcentaje de individuos cuya sangre tiene el factor Rh(+) es de 65%.

Si se toma una muestra de sangre a 6 individuos en el mismo poblado, calcule:
a. Distribución de probabilidad de la variable número de individuos Rh(+).
b. Probabilidad de que se encuentren menos de dos, o más de cuatro individuos Rh(+).
c. Si se han encontrado más de tres individuos Rh(+) ¿cuál es la probabilidad de que se
encuentren entre dos y cinco individuos Rh(+)? (ambos valores inclusive).

6. El 40% de las flores de un jardín no tienen néctar al final del día. ¿Cuál es la probabilidad
de que al final de un día cualquiera después de examinar 15 flores al azar, el número de
flores vacías difiera de la media poblacional en más de 2 individuos?

7. Se sabe que el 10% de los huevos producidos por una especie de tortuga son infértiles.
Un biólogo necesita obtener crías de la tortuga y recolectó 20 huevos de la misma especie
y formó dos grupos de 10 huevos que fueron colocados en una incubadora ¿cuál es la
 79

probabilidad de que:
a. En los dos grupos nazcan menos de 8 crías
b. En el primer grupo nazcan menos de 8 crías y en el segundo grupo más de 8 crías
c. En el primer grupo nazcan 5 o menos crías ó más de 8 crías en el segundo grupo

8. Se censó el número de individuos adultos de las dos únicas especies de conejos que
habitan en una pequeña isla, encontrándose los resultados siguientes:

Especie A Especie B
Hembras 70 80
Machos 30 20
Total 100 100

Si se capturan al azar 20 conejos de la especie A ¿cuál es la probabilidad de que:

a. Sean 10 machos y 10 hembras.
b. Sean 5 ó más hembras.
c. Sean menos de 4 ó más de 6 hembras.
d. Sean meno de 7 hembras si se sabe que se han seleccionado entre más de 2 y menos
de 10 hembras.
e. Si se capturan 20 conejos de la especie A y 15 de la especie B. ¿cuál es la
probabilidad de que sean 8 ó más machos de la especie A y 8 ó menos machos de la
especie B?

9. Se sabe que en una zona donde persiste si se capturan 3 mosquitos del género Anopheles
la probabilidad que los tres estén infectados con parásitos maláricos es 1/27. Conociendo
esto determine:
a. ¿Cuál es la probabilidad de que uno este infectado?
b. Si se capturan 4 mosquitos de ésta especie ¿cuál es la probabilidad de que al menos
uno esté infectado?
c. Si se capturan 6 mosquitos ¿cuántos se espera que estén infectados y cuál sería su
desviación típica?

10. En un estudio sobre la regulación de la tensión arterial las ratas a las cuales se le inyecta
una droga les aumenta la presión sanguínea. Después de haber realizado esta experiencia
muchas veces se sabe que antes que el experimento haya concluido muere el 30% de las
ratas por causa de la droga. Se realiza un nuevo experimento con un lote de 5 ratas, X
representa el número de ratas sobrevivientes, calcule:
a. La probabilidad para cada uno de los valores que puede tomar dicha variable
aleatoria.
b. La probabilidad de que sobrevivan 3 ó más ratas.
c. La probabilidad de que mueran entre 1 y 4 ratas (inclusive).

11. Un Biólogo esta interesado en los venados de la especie Rabitus blancus. El investigador
después que capturaba un venado lo identificaba y liberaba inmediatamente. Mediante
este procedimiento logró examinar 1000 venados en una región con una superficie de
 80

20.000 Ha., y encontró que solamente el 0,01% de los venados era de la especie anterior.
El investigador quiere saber:
a. ¿Cuál es la variable aleatoria de este experimento?
b. ¿Cuáles son las características del modelo probabilístico que sigue la variable
aleatoria en este experimento?
c. ¿Cuál es el rango espacial de la experiencia?
d. Probabilidad de encontrar mas de dos venados en un área 5000 Ha.:
e. Probabilidad de que el número de venados sea menor o mayor a µ ± σ .

12. La población de valores de una variable aleatoria que sigue el modelo binomial presenta
la distribución siguiente:

x f
0 1
1 2
2 3
3 4
4 5
5 4
6 3
7 2
8 1

a. ¿Cuál será la probabilidad de que la variable esté incluida en el intervalo µ ± σ ?

b. ¿Cuál será la frecuencia que predice el modelo binomial para x = 5?

13. En cierta población la incidencia de gripe es de 80 por cada 200.000 personas. Si en esa
población se examinan 5000 personas, ¿cuál es la probabilidad de que se encuentre:
a. ¿Más de una persona con gripe?
b. ¿Menos de 4 ó más de 5 persona con gripe?

14. Un distribuidor vende semillas de tulipán rojo en paquetes de 1000 Y sabe, por
experiencias anteriores, que el 1% de un gran número de ellas no será de la variedad que
se desea. ¿Cuál es la probabilidad de que un paquete dado contenga más del 1% de
semillas de otra clase?

15. Los registros de pluviometría en una zona caracterizada por la presencia de extensas
selvas nubladas indican que el promedio de precipitaciones en 24 horas es de 36 mm.
Calcule la probabilidad de que para una hora de cualquier día en particular, la
precipitación sea de:
a. Mayor a 4 mm.
b. Igual o menor a 2 mm.
c. Exactamente 3 mm o más de 6 mm.
 81

16. En un estudio sobre la ecología de un insecto que es plaga de un cultivo se sabe que las
ninfas de insecto se distribuye al azar en las hojas de la planta, siguiendo el modelo de
Poisson. A fin de determinar la distribución de frecuencia del número de insectos
presentes se tomó una muestra de 96 hojas contándose en cada una de ellas el número de
ninfas presentes. Los resultados obtenidos fueron los siguientes:

N° insectos/hoja 0 1 2 3 4 5 6 7 8 >9
Frecuencia (f) 7 13 22 20 14 10 6 3 1 0

a. Calcule la probabilidad a posteriori de cada valor de X.

b. Calcule el valor de probabilidad esperado según el modelo de Poisson para cada
valor de X.

17. En cierta ciudad se sabe que una persona por cada 10.000 habitantes muere de cáncer.
Calcule, ¿cuál es la probabilidad de que en las próximas 38000 muertes que ocurran
a. Exactamente 7 personas mueran de cáncer.
b. Entre 5 Y 10 personas (ambas inclusive) mueran de cáncer.
c. Más de 6 personas mueran de cáncer.
d. Mueran menos de 7 personas de cáncer si se saben que han muerto por esta causa
entre 3 y 12 personas.

18. En un estudio de una muestra de sangre se observa al microscopio la distribución de los

hematíes en los cuadritos de una retícula siendo la superficie de cada cuadrito igual a 20
milimicras cuadradas ( mµ 2 ) . Si el número promedio de hematíes es de 5 células por
cuadrito. Calcule la probabilidad de encontrar en 100 mµ2,
a. Exactamente 25 hematíes.
b. Entre 18 y 30 hematíes.
c. Menos de 20 ó más de 30 hematíes.

19. Se sabe que de las papas almacenadas en un Silo cada 30 días se pudre un promedio igual
al 15%. Si el silo contiene 2000 papas, calcule la probabilidad que en un día cualquiera:
a. Se pudran 6 ó mas papas.
b. Se pudran 4 ó 7 papas.

20. Para que el silo de la pregunta anterior se considere que está funcionando correctamente,
el número de papas podridas cada día no debe exceder a µ . Si lo excede el sistema de
conservación está fallando. ¿Cuál es la probabilidad de que el sistema falle?

21. En un estudio sobre una población de murciélagos se determinó que por término medio
mueren 2 individuos por día. Calcule la probabilidad de que:
a. En una semana mueran 10 o menos individuos.
b. En tres días mueran exactamente 5 individuos
c. Mañana mueran como máximo 4 individuos.
d. Entre el sábado y el martes, ambos inclusive, mueran al menos seis individuos.
 82

22. El número promedio de glóbulos rojos en un volumen determinado de suero sanguíneo es

de 9 células/ml para personas normales. En base al planteamiento anterior responda lo
siguiente:
a. ¿Cuál es la variable aleatoria (X) en éste experimento?
b. ¿Que tipo de modelo probabilística sigue X?
c. ¿Diga las razones por las cuales escogió el modelo probabilístico anterior?
d. ¿Cual es el rango espacial de la experiencia?
e. Determine la probabilidad de que el número de glóbulos rojos para una persona
cualquiera sea mayor o menor a dos desviaciones estándar del promedio.

23. Sea X:N(0;1), determine el valor de “a” cuando:

a. P( 0 ≤ X ≤ a ) = 0,3531
b. P( a ≤ X ≤ 0 ) = 0,2673
c. P( −a ≤ X ≤ a ) = 0,8132
d. P( X ≤ a ) = 0,7850

24. Sea X una variable que se distribuye normalmente con media igual a 0 y desviación igual
a 1. Explique sin cálculos si la P ( 0 ≤ X ≤ 2 ) es igual, mayor o menor a
P ( −1 ≤ X ≤ 1) .

25. Sea X:N(5;2). Represente gráficamente las probabilidades siguientes:

a. P( − s ≤ X ≤ + s )
b. P( −2s ≤ X ≤ 2s )
c. P( X > µ + s )
d. P( X ≤ µ − s )
26. Sea X una variable aleatoria que se distribuye normalmente con media igual 20 y
desviación igual a 5. Determine la probabilidad de que un valor elegido en forma
aleatoria:
a. Sea mayor a 22
b. Se encuentre entre 19 y 23
c. Sea menor 18,2 o mayor a 21,8.

27. La altura de ciertas plantas se distribuye normalmente con media igual a 31,9 cm y
desviación igual a 0,45 cm. Calcule la probabilidad que una planta elegida al azar:
a. Sea menor a 31 cm.
b. Este comprendida entre 31,5 y 32,5 cm.
c. Sea mayor a 32,8 cm.

28. La concentración de plomo en la sangre de cierto grupo de individuos expuestos a este

elemento se distribuye normalmente con µ = 0,25 y σ = 0,11. Una concentración superior
o igual a 0,6 ppm se considera extremadamente alta ¿Cuál es la probabilidad de que un
individuo seleccionado aleatoriamente este incluido en ésta categoría?
 83

29. Se sabe que la duración en días de un medicamento se distribuye normalmente con una
vida media útil de 1860 días y una desviación de 90 días. Si se lanza al mercado un lote
de éste medicamento con la misma fecha de expedición. Qué tanto por ciento del
medicamento se espera que dure
a. Más de 2000 días.
b. Menos de 1800 días.
c. Entre 1800 y 1900 días

30. Si la concentración de colesterol en la sangre de los 4578 adultos que viven en cierta
región se distribuye normalmente con µ = 217,6 mg/100 ml y s = 32,32 mg/100 ml
¿Cuántos individuos tendrán un valor de colesterol superior a los 220 mg/100 ml?

31. Un productor sabe que el peso de los frutos que produce se distribuye normalmente con
media igual a 14,5 g y desviación igual a 0,5 g. En la última cosecha recolectó 10.000
frutos y los quiere repartir en seis categorías diferentes: P1, P2, P3, P4, P5 y P6, donde
cada categoría tiene una amplitud de 0,5 g. Es decir que en P1 se encuentran los frutos
que pesan entre 13,0 y 13,5 g, en P2 los que pesan entre 13,5 y 14 g. Y así hasta P6 donde
están incluidos los que pesan entre 15,5 y 16 g. ¿Cuántos frutos le corresponden a cada
categoría?

32. Si la cantidad de radiación que puede ser absorbida por un individuo antes que le
sobrevenga la muerte es una variable que se distribuye normalmente con una media igual
a 500 roentgen y una desviación de 150 roentgen ¿Sobre cual nivel de radiación
sobrevivirá solamente el 5% de los expuestos?

33. El contenido promedio de ácido acetilsalicílico es de 0,5 g/tableta de aspirina. Si la

concentración de este producto se distribuye normalmente con una desviación de 0,05 g.
Determine:
a. Que % de las tabletas producidas contendrá más de 0,575 g. del ácido.
b. Cuantas tabletas tendrán un contenido del ácido que varíe entre 0,45 y 0,55 g/tableta
en un lote de 5750 pastillas.
c. Cuantas tabletas tendrán un contenido superior a 0,58 g/tableta en las próximas 1000
tabletas que se produzcan.
d. Para cual contenido de ácido se obtiene el 25% de pastillas con el valor más bajo de
ácido.

34. Al clasificar cierto tipo de semillas cuyo peso se distribuye normalmente se encontró que
un 20% son pequeñas, 55% son medianas, 15% son grandes y 10% son extra-grandes. Si
el peso medio de las semillas es de 4,83 g y su desviación es de 1,2 g. ¿Cuáles son los
pesos límites de las semillas medianas?

35. En cierta población humana, la anchura del cráneo (X) se distribuye normalmente. Sí,
entre los individuos de esa población hay 58% de dolicocéfalos (X ≤ 75); 38 % de
mesocéfalos (75 ≤ X ≤ 80) y 4% de braquicéfalos (X ≥ 80). Determine el valor de la
media y la desviación de la anchura del cráneo.
 84

36. Suponiendo que la duración de cierto tipo de instrumentos electrónicos es una variable
X:N(µ; σ²) y se tiene que elegir entre los instrumentos electrónicos del tipo A y B, los
cuales tienen una duración cuyas distribuciones son Xa:N(44;36) y Xb:N(45;9)
respectivamente. ¿Cuál debe preferirse para usarlo durante un período mínimo de 45
horas? ¿Cuál debe preferirse para usarlo durante un período mínimo de 48 horas?

37. Una bureta automática esta ajustada para servir un promedio de 200 ml de una solución
de HCl dentro de recipientes especiales. Si la cantidad de ácido servido es una variable
aleatoria que se distribuye normalmente con una desviación estándar de 15 ml, responda
a. ¿Que fracción de los recipientes contendrá mas de 224 ml de ácido?
b. ¿Cual es la probabilidad de que un tubo de ensayo contenga entre 191 y 209 ml?
c. ¿Cuantos recipientes se derramaran si los siguientes 1000 recipientes a llenar tienen
una capacidad de 230 ml?
d. ¿Por debajo de que valor se obtiene el 25% de recipientes con el menor volumen de
ácido?

38. La concentración de glóbulos blancos en cierta población humana se distribuye

normalmente con una media igual a 190 células/ µ l y una desviación estándar de 48
céluas/ µ l , se quiere conocer lo siguiente:
a. ¿Cuál es la probabilidad de que al elegir aleatoriamente una persona de esa población
la concentración de glóbulos blancos sea igual a 190 células/ µ l ?
b. ¿Cuál es la concentración máxima de glóbulos blancos que puede tener el 39% de
las personas con valores más bajos de esta variable?
c. Para un estudio se han seleccionado aleatoriamente 9 personas de esa población.
c1. ¿Cuál es la probabilidad de que en total posean más de 1725 células/ µ l ?
c2. ¿Que número esperado de personas tienen una concentración mayor a 200
células/ µ l ?