3.

VARIABLES ALEATORIAS
La mayor parte de los experimentos generan resultados que se pueden interpretar en
términos de números reales. Estos resultados numéricos, cuyos valores pueden cambiar
de un experimento a otro, se llaman variables aleatorias.

3.1 NOCIÓN GENERAL DE UNA VARIABLE ALEATORIA

VARIABLE ALEATORIA. Una variable aleatoria es una función de valor real cuyo dominio es
un espacio muestral.

Es muy importante comprender una exigencia básica de una función: a cada s ∈ S le co-
rresponde exactamente un valor X (s). Esto se muestra esquemáticamente en la Figura
3.1. Valores diferentes de s pueden dar el mismo valor de X.

X
s X ( s)

S = espacio muestral del experimento Rx = valores posibles de la variable aleatoria X

Fig. 3.1. Dominio y recorrido de una variable aleatoria

El espacio Rx, el conjunto de todos los valores posibles de X, se llama recorrido de la

variable aleatoria X. En cierto sentido se puede considerar a Rx como otro espacio mues-
tral. El espacio muestral original S corresponde a los resultados no numéricos del experi-
mento, mientras que Rx es el espacio muestral asociado con la variable aleatoria X, que
representa la característica numérica que puede ser de interés.

Las variables aleatorias se representan con letras mayúsculas tales como X, Y, Z y los
valores numéricos reales que pueden asumir esas variables aleatorias se representan con
letras minúsculas tales como x, y, z.

3.2. VARIABLES ALEATORIAS DISCRETAS

Las variables aleatorias se pueden dividir en dos categorías para simplificar el trabajo. Los
resultados que se originan en datos de conteo, se llaman variables aleatorias discretas;
las variables aleatorias que resultan de procesos de medición se pueden clasificar como
continuas.

117
3.2.1. DEFINICIÓN DE VARIABLE ALEATORIA DISCRETA

VARIABLE ALEATORIA DISCRETA. Se dice que una variable aleatoria X es discreta si el nú-
mero de valores posibles de X (o sea Rx, el recorrido) es finito o infinito contable. Esto es,
se pueden anotar los valores posibles de X como x 1 , x 2 , ..., x n . Algunos ejemplos de
variables aleatorias discretas son los siguientes:

 El número de accidentes ocurridos en una determinada semana en una planta de ma-

nufactura, también determinada.
 El número de clientes esperando servicio en la caja de un supermercado.
 El número de tubos electrónicos de televisión producidos en una hora determinada, en
una planta de manufactura también determinada.

3.2.2. FUNCIÓN DE PROBABILIDAD

Es asunto relativamente sencillo el asignarles probabilidades a los valores de una variable

aleatoria discreta. Como ya se mencionó, el recorrido de la variable aleatoria discreta X
consta, a lo más, de un número de valores x 1 , x 2 ,... infinito numerable. Con cada resul-
tado posible x i se asocia un número p ( x i ) = P (X = x i ), llamado la probabilidad de x i
(es decir, P (X = x i ) es la probabilidad de que X tome el valor x i ). Los números p ( x i ),
i = 1, 2, ... deben satisfacer las condiciones siguientes:

 P (X = x i ) = p ( x i ) ≥ 0 para toda i
 x P (X = x i ) = x p ( x i ) = 1, siendo la suma con respecto a todos los valores posi-
bles de X.

La función p ( x i ) se llama función de probabilidad de la variable aleatoria X, y a veces se

le llama también función de masa de probabilidad de X para dar la idea de que se apila
una masa de probabilidad en puntos discretos.

3.2.3. DISTRIBUCIÓN DE PROBABILIDAD

Con frecuencia conviene hacer una lista de las probabilidades de una variable aleatoria
discreta. Esta lista está formada por la colección de pares ( x i , p ( x i )), i = 1, 2, ... y se
llama distribución de probabilidad de X, la cual se puede representar con una fórmula,
tabla o gráfica que proporciona las probabilidades asociadas a cada valor posible de la
variable aleatoria. La interpretación geométrica de una distribución de probabilidad es
siempre útil:

118
 p ( xi )

...

x1 x2 x3 ... xn X

Fig. 3.2. Histograma de distribución de probabilidad

Ejemplo 3.1. Distribución de probabilidad

Se lanza un par de dados corrientes.

a) Sea X que hace corresponder a cada punto (a, b) de S el máximo de sus números, esto
es X (a, b) = máx (a, b). Calcular la distribución de X.

El espacio finito equiprobable S consta de 36 elementos: S = {(1, 1), (1, 2), ..., (6, 6)}

X (a, b) = máx (a, b). Entonces X es una variable aleatoria cuyo recorrido es

Rx = {1, 2, 3, 4, 5, 6}

La distribución de probabilidad de X es:

1
p (1) = P (X = 1) = P ({(1, 1)}) =
36
3
p (2) = P (X = 2) = P ({(2, 1), (2, 2), (1, 2)}) =
36
5
p (3) = P (X = 3) = P ({(3, 1), (3, 2), (3, 3), (2, 3), (1, 3)}) =
36
7
p (4) = P (X = 4) = P ({(4, 1), (4, 2), (4, 3), (4, 4), (3, 4), (2, 4), (1, 4)}) =
36
9
p (5) = P (X = 5) = P ({(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (4, 5), (3, 5), (2, 5), (1, 5)}) =
36
p (6) = P(X = 6) = P({(6, 1),(6, 2),(6, 3),(6, 4),(6, 5),(6, 6),(5, 6),(4, 6),(3, 6),(2, 6),(1, 6)})
11
=
36

Esta información se pone en forma de tabla:

119
 xi 1 2 3 4 5 6
1 3 5 7 9 11
p ( x i ) 36 36 36 36 36 36

La distribución se muestra gráficamente en la figura siguiente:

p ( xi )

11 / 36
9 / 36
7 / 36
5 / 36
3 / 36
1 / 36

xi
1 2 3 4 5 6
X

b) Sea Y que hace corresponder a cada punto (a, b) de S la suma de sus números, esto es
Y (a, b) = a + b. Calcular la distribución de Y.

Ry = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}

La distribución de probabilidad de Y es:

1
p (2) = P (Y = 2) = P ({(1, 1)}) =
36
2
p (3) = P (Y = 3) = P ({(2, 1), (1, 2)}) =
36
3
p (4) = P (Y = 4) = P ({(2, 2), (1, 3), (3, 1)}) =
36
4
p (5) = P (Y = 5) = P ({(1, 4), (4, 1), (2, 3), (3, 2)}) =
36
5
p (6) = P (Y = 6) = P ({(1, 5), (5, 1), (2, 4), (4, 2), (3, 3)}) =
36
6
p (7) = P(Y = 7) = P({(1, 6),(6, 1),(2, 5),(5, 2),(3, 4),(4, 3)}) =
36
5
p (8) = P (Y = 8) = P ({(2, 6), (6, 2), (3, 5), (5, 3), (4, 4)}) =
36
4
p (9) = P (Y = 9) = P ({(3, 6), (6, 3), (4, 5), (5, 4)}) =
36

120
 3
p (10) = P (Y = 10) = P ({(4, 6), (6, 4), (5, 5)}) =
36
2
p (11) = P (Y = 11) = P ({(5, 6), (6, 5)}) =
36
1
p (12) = P (Y = 12) = P ({(6, 6)}) =
36

Esta información se pone en forma de tabla:

yi 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
p ( yi ) 36 36 36 36 36 36 36 36 36 36 36

La distribución se muestra gráficamente en la figura siguiente:

p ( yi )

6 / 36
5 / 36
4 / 36
3 / 36
2 / 36
1 / 36

yi
∎

3.2.4. VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

Como se puede decir que la probabilidad es la frecuencia relativa a largo plazo de que
suceda un evento, se puede interpretar una distribución de probabilidad como la frecuen-
cia relativa a largo plazo de los resultados numéricos asociados con un experimento.

La distribución de probabilidad descrita antes proporciona modelos para el histograma de

frecuencias de una variable aleatoria. Se deduce entonces que esta distribución debe
tener media, varianza, desviación estándar y, en general, otras medidas descriptivas de la
población que representan. Se recordará que tanto la media como la varianza son prome-
dios, así que se pretende ahora evaluar el correspondiente valor promedio de una variable
aleatoria. Este promedio se llama valor esperado o esperanza matemática de la variable
aleatoria en consideración.

121
VALOR ESPERADO DE UNA VARIABLE ALEATORIA DISCRETA. Sea X una variable aleatoria
discreta con valores posibles x 1 , x 2 , ..., x n y que tiene una función p ( x i ) de probabili-
dad. El valor esperado de X, denotado por E (X), se define como

n
E (X) = x 1 p ( x 1 ) + x 2 p ( x 2 ) + ... + x n p ( x n ) =  x i p(x i ) (3.1)
i 1

Con lo que respecta a las x i , es importante tener presente que son positivas cuando re-
presentan utilidades, triunfos o ganancias, y que son negativas cuando representan pérdi-
das, déficit o castigos. Además, si p ( x i ) proporciona una descripción precisa de las fre-
cuencias relativas de la población real de las mediciones, entonces E (X) = μ, la media de
la población. Se supondrá que este es el caso y por lo tanto E (X) y μ serán sinónimos.

Ejemplo 3.2. Valor esperado de una variable aleatoria discreta

Calcular la media de las distribuciones de X y Y del ejemplo 3.1.

6
 1   3   5   11 
a) E (X) =  x i p(x i ) = (1)   + (2)   + (3)   + … + (6)  
i 1  36   36   36   36 
1 6 15 28 45 66 161
= + + + + + = = 4.47 ≈ 5
36 36 36 36 36 36 36

Esto es, se espera que, a la larga, el máximo número que aparezca sea 5.

11
 1   2   3   1 
b) E (Y) =  y i p( y i) = (2)   + (3)   + (4)   + … + (12)  
i 1  36   36   36   36 
2 6 12 20 30 42 40 36 30 22 12
= + + + + + + + + + +
36 36 36 36 36 36 36 36 36 36 36
252
= =7
36

Esto es, se espera que, a la larga, la suma de los números sea 5. ∎

Ejemplo 3.3. Valor esperado de una variable aleatoria discreta

Un fabricante produce artículos de tal modo que el 10% son defectuosos y el 90% no lo
son. Si se produce un artículo defectuoso, el fabricante pierde $1 por artículo, mientras
que un artículo sin defectos le produce una utilidad de $5 por artículo. Si X es la utilidad
neta por artículo, entonces X es una variable aleatoria cuyo valor esperado es calculado
como

E (X) = − 1 (0.1) + 5 (0.9) = − 0.1 + 4.5 = $4.4

122
Supóngase que se produce un gran número de tales artículos. Entonces, puesto que el
fabricante pierde $1 alrededor del 10% de las veces y gana $5 alrededor del 90% de las
veces, él esperará ganar alrededor de $4.4 por artículo a la larga. ■

La varianza de una variable aleatoria discreta X mide la dispersión de X, mientras que la

media o esperanza de una variable aleatoria X mide el valor promedio de X. Se recordará
que la varianza de un conjunto de mediciones es el promedio de los cuadrados de sus
desviaciones con respecto a su promedio. Debido a la semejanza entre promediar y tomar
valores esperados, se define la varianza y la desviación estándar tomando esta semejan-
za en consideración.

VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA. Sea X una variable aleatoria discreta
con distribución de probabilidad p (x) y valor esperado E (X) = μ. Entonces la varianza de
la distribución de probabilidad p (x) (o de la variable aleatoria X), denotada por V (X), se
define como

V (X) = E [ ( X  ) 2 ] (3.2)

A veces se usa la notación E [ ( X  ) 2 ] =  2x .

El valor mínimo que puede tomar  2x es cero, y esto sólo sucede si toda la probabilidad
fuera un solo punto, esto es, si X toma un valor constante con probabilidad 1. La varianza
se hace más grande a medida que se esparcen más los puntos con probabilidad positiva.

La raíz cuadrada positiva de V (X) se llama desviación estándar de X, y está denotada por
x:

x =  2x = E [ X    2 ] (3.3)

El promedio (valor esperado) y la varianza se usan con frecuencia para resumir la infor-
mación de un gran conjunto de datos. Además, hay varias propiedades importantes rela-
cionadas con la esperanza matemática y la varianza de una variable aleatoria.

PROPIEDADES DEL VALOR ESPERADO Y LA VARIANZA DE UNA VARIABLE ALEATORIA

1. Si X = C, en donde C es una constante, entonces E (X) = C.

2. Si C es una constante y X es una variable aleatoria, entonces

E ( X + C ) = E ( X) + C
V ( X + C ) = V ( X)
E (CX) = C E (X)
V (CX) = C 2 V (X)

123
3. Si X y Y son variables aleatorias de un mismo espacio muestral, entonces

E (X + Y) = E (X) + E (Y)
V (X + Y) = V (X) + V (Y)

4. Sean X 1 , X 2 , ..., X n , n variables aleatorias de S. Entonces

E ( X 1 + X 2 + ... + X n ) = E ( X 1 ) + E ( X 2 ) + ... + E ( X n )
V ( X 1 + X 2 + ... + X n ) = V ( X 1 ) + V ( X 2 ) + ... + V ( X n )

Además, se tienen los siguientes teoremas.

TEOREMA 3.1. Para cualquier variable aleatoria X y constantes a y b cualesquiera,

 E (aX + b) = a E (X) + b
 V (aX + b) = a 2 V (X)

El teorema 3.1 conduce a una fórmula más eficaz para calcular la varianza, como se
muestra en el teorema siguiente:

TEOREMA 3.2. Si X es una variable aleatoria cuyo promedio es μ, entonces

V (X) = E ( X 2 ) −  2

DEMOSTRACIÓN:

Si se parte de la definición de varianza se tiene que

V (X) = E [(X − μ ) 2 ] = E [ X 2 − 2Xμ +  2 ]

= E ( X 2 ) − E (2Xμ) + E (  2 )
= E ( X 2 ) − 2μ E (X) +  2
= E ( X 2 ) − 2 2 +  2
= E ( X 2) − 2 ∎

Ejemplo 3.4. Varianza de una variable aleatoria discreta

El grado con el cual una determinada compañía se involucra en el desarrollo de nuevos

productos depende en gran medida de sus competidores. Un estudio fue realizado sobre
las compañías que utilizan tecnología avanzada para encontrar el número de productos
nuevos que cada una de ellas lanzó al mercado durante 2015. Basándose en este estu-
dio, se encontró la distribución de probabilidad para X, el número de productos nuevos
lanzados al mercado por una compañía de tecnología avanzada. La distribución se mues-
tra en la tabla siguiente. Encontrar el valor esperado, la varianza y la desviación estándar
de X.

124
 N° de productos
nuevos (X) 3 4 5 6 7 8 9
p (x) 0.08 0.14 0.22 0.30 0.14 0.08 0.04

E (X) =  x x p (x) = 3 (0.08) + 4 (0.14) + ... + 9 (0.04) = 5.68 ≈ 6 = μ

Es decir que se espera que, en promedio, una compañía de tecnología avanzada lance al
mercado 6 productos nuevos.

E ( X 2 ) = 9 (0.08) + 16 (0.14) + ... + 81 (0.04) = 34.48

V (X) = E ( X 2 ) −  2 = 34.48 − (5.68 ) 2 = 2.2176

De donde x = V (X ) = 2.2176 = 1.49

Es decir que habrá una dispersión de 1.49 en torno a la media de 5.68. En otras palabras,
hay una fluctuación de 1.49 en las observaciones por encima de la media y en las obser-
vaciones por debajo de ella. ■

EJERCICIOS 3.1

1. A un importador le ofrecen un cargamento de máquinas herramienta por $140 000 y las

probabilidades de que las venda en $180 000, $170 000 ó $150 000 son, respectiva-
mente, 0.32, 0.55 y 0.13. ¿Cuál es la utilidad esperada del importador?

2. Un sindicato al negociar mejores salarios intuye que las probabilidades están 0.40,
0.30, 0.20 y 0.10 que sus miembros consigan un aumento de $1.50 por hora, un au-
mento de $1.00 por hora, un aumento de 50 centavos por hora o ningún aumento, res-
pectivamente. ¿Cuál es su aumento esperado?

3. Una moneda corriente se lanza cuatro veces. Sea X que denota el número de águilas
que salgan. Hallar la distribución, el promedio y la desviación estándar de X.

4. Un jugador lanza tres monedas corrientes. Gana $5 si salen tres águilas, $3 si salen
dos águilas, y $1 si sale solamente un águila. Por otra parte, pierde $15 si salen tres se-
llos. Hallar el valor esperado del juego para el jugador.

5. Si llueve, un vendedor de paraguas puede ganar $30 por día. Si no llueve, puede per-
der $6 por día. ¿Cuál es su esperanza matemática si la probabilidad de lluvia es 0.3?

6. Un jugador lanza dos monedas corrientes. Gana $5 si aparecen dos águilas, $2 si apa-
rece un águila y $1 si ningún águila aparece. Hallar la ganancia esperada.

7. Cuando los campeones de la liga Americana y de la liga Nacional de béisbol son clasi-
ficados equitativamente, las probabilidades de que una serie mundial finalice en 4, 5, 6

125
 1 1 5 5
ó 7 juegos son, respectivamente, , , y . ¿Cuál es la duración esperada
8 4 16 16
de una Serie Mundial cuando los dos equipos son clasificados equitativamente?

8. Se lanza un par de dados corrientes. Sea X la variable aleatoria que denota el menor
de los dos números que aparezcan. Hallar la distribución de probabilidad, la media y la
desviación estándar de X.

9. Se selecciona al azar una muestra de tres artículos de una caja que contiene doce, de
los cuales tres son defectuosos. Hallar el valor esperado E de los artículos defectuosos.

10. Un jugador lanza un dado corriente. Si sale un número primo gana dicho número de
dólares, pero si no sale un número primo entonces pierde esa cantidad de dólares. Ha-
llar el valor esperado del juego para el jugador.

11. Se lanza un dado corriente. Designemos X como el doble del número que aparezca.
Hallar la distribución, el valor esperado y la desviación estándar de X.

3 1
12. Una moneda cargada para que P (a) = y P ( s) = se lanza tres veces. Sea X la
4 4
variable aleatoria que denota la mayor hilera de águilas (sucesivas) que aparezca. Ha-
llar la distribución, la esperanza y la desviación estándar de X.

13. Una caja contiene diez transistores de los cuales tres son defectuosos. Se selecciona
un transistor de la caja y se prueba hasta que se escoge uno no defectuoso. Hallar el
número esperado de veces que el transistor se escoge.

14. Una agencia de renta de automóviles recibe 0, 1, 2, 3, 4 o 5 devoluciones cada día,

1 1 1 1 1 1
con probabilidades de , , , , y , respectivamente. Encuentre la
6 6 3 12 6 12
media y la varianza del número de automóviles regresados.

3.3. DISTRIBUCIONES DE VARIABLES ALEATORIAS DISCRETAS

Las distribuciones de probabilidad estudiadas en la sección anterior pueden llamarse dis-

tribuciones empíricas, porque se construyen directamente con los datos de un experimen-
to. En esta sección se estudiarán dos distribuciones discretas especiales: la distribución
binomial, y la distribución de Poisson.

3.3.1. COEFICIENTES BINOMIALES Y TEOREMA DEL BINOMIO

n 
El símbolo   , donde n y r son enteros positivos, con r ≤ n, se define como:
r 

n n (n  1) (n  2)(n  r  1)
  =
r 1  2  3   ( r  1) r

126
Nótese que si multiplicamos el numerador y el denominador por (n − r)! se tiene

n n (n  1) (n  2)(n  r  1) n (n  1) (n  2)(n  r  1) (n  r )!

  = =
r 1  2  3   ( r  1) r 1  2  3   ( r  1) r (n  r )!

n n!
  =
r r !(n  r ) !

n!
Recordando que nCr se definió como n Cr = , entonces
r !(n  r ) !

n
  = n Cr (3.4)
r

n 
La fórmula abreviada de   y el hecho de que 0! = 1, llevan a definir:
r 

n n! 0 0!
  = =1 y, en particular,   = =1
0 0! n ! 0 0! 0!

n
Los números   se llaman coeficientes binomiales en atención al teorema del binomio,
r
el cual proporciona la expresión general para el desarrollo de (a + b ) n .

TEOREMA 3.3. TEOREMA DEL BINOMIO

n
 n  nr r
(a + b ) n =    a b
r0 r

n (n  1) n  2 2
= an + n a n 1 b + a b + ... + na b n  1 + b n (3.5)
1 2

El teorema del binomio se demuestra por inducción matemática, pero omitiremos la de-
mostración.

En el desarrollo de (a + b ) n se deben observar las propiedades siguientes:

 Hay n + 1 términos.
 La suma de los exponentes de a y de b en cada término es n.
 Los exponentes de a decrecen una unidad en cada término desde n hasta 0; los ex-
ponentes de b crecen similarmente de 0 a n.

127
 n 
 El coeficiente de cualquier término es   , donde k es el exponente de a o de b.
k 
 Los coeficientes de términos equidistantes de los extremos son iguales.

Ejemplo 3.5. Teorema del binomio

7
 a2 2 
Usar el teorema del binomio para desarrollar y simplificar  
 4 a 


7 7 6 5
 a2 2   a2   a2   2   7  a 2   2 2
  =   +7       
  a    a 
+ +
 4   4   4 
 a       2  4 
4 3 2
 7  a 2   2  3  7  a 2   2  4  7  a 2   2 5
+     +     +    
  a    a    a 
+
  
 3  4   4  4   5  4 
 a 2  2  6 7
    +   
2
+ 7  
 4  a  a 

a 14  a 12  2   a 10  4   a8  8   a6   16 
+ 7  6     + 21       
   a 4 
= 7  a   45  a 2 
+ 35  44  a 3 
+ 35  43
+
4  4       
 a 4   32   a 2   64   128 
+ 21  2    5  + 7  
 6 
+  7 
 4  a   4  a   a 
14
a 7 21 35 5 35 2 42 112 128
= − a 11 + − a + a − + 4
− ■
16384 2048 256 32 4 a a a7

3.3.2. DISTRIBUCIÓN BINOMIAL

Hay muchos casos experimentales que dan como resultado una variable aleatoria que se
puede modelar mediante la distribución binomial. Considérense pruebas repetidas e inde-
pendientes de un experimento con dos resultados. Se llama a uno de los resultados éxito,
y al otro fracaso, sin implicar ello que un éxito sea necesariamente deseable, y se desea
conocer la probabilidad de obtener k éxitos en n ensayos.

En los problemas que estudiaremos en esta sección, siempre haremos las siguientes su-
posiciones:

 El experimento consiste en un número fijo de n ensayos idénticos.

 Cada ensayo sólo puede tener dos posibles resultados, que se llaman “éxito” y “fraca-
so”.
 La probabilidad p de éxito es la misma en cada ensayo.
 Los n ensayos son independientes.
 Se define a X como el número de éxitos (k) en n ensayos.

128
Si existen estas cinco condiciones, entonces una variable aleatoria X tiene una distribu-
ción binomial, y los ensayos que satisfacen estas suposiciones se conocen como pruebas
de Bernoulli, en honor al matemático suizo Jakob Bernoulli (1654-1705), considerado co-
mo uno de los fundadores de la teoría de la probabilidad. Si las suposiciones no se cum-
plen, la teoría que aquí se desarrollará no puede aplicarse.

Para resolver problemas que satisfacen las condiciones enunciadas arriba, sea p la pro-
babilidad de éxito y q = 1 − p la probabilidad de fracaso en cada ensayo. Si lo que intere-
sa es el número de éxitos y no el orden en que suceden, entonces la probabilidad de ob-
tener exactamente k éxitos en n ensayos repetidos de un experimento se encuentra me-
diante la fórmula

n
P (X = k) = p (k) =   p k (1 − p ) n  k siendo 0≤p≤1 (3.6)
k  

n
donde:   = n Ck
k
k = número de éxitos = 0, 1, 2, ..., n
n = número de veces que se repite la prueba

La probabilidad desfavorable, es decir la probabilidad de no obtener ningún éxito en los n

ensayos, es (1 − p ) n y la probabilidad de por lo menos un éxito es 1 − (1 − p ) n .

Si se considera a n y p como constantes, entonces la función anterior, P (X = k) = p (k), es

una distribución de probabilidad discreta:

k 0 1 2 … n
n n
p (k) (1 − p ) n   (1 − p ) n  1 p   (1 − p ) n  2 p 2 … pn
 1 2

Esta distribución de probabilidad se llama distribución binomial, puesto que para k = 0, 1,

2, ..., n, los valores de las probabilidades p (k) corresponden a los términos sucesivos del
desarrollo binomial

n n
(q + p ) n = q n +   q n  1 p +   q n  2 p 2 + ... + p n
 1 2

donde: q = 1 − p

En realidad, la fórmula general de p (k) define una familia de distribuciones de probabili-

dad, puesto que para cada valor diferente de n y p, se puede definir una distribución dife-
rente. Las familias de distribuciones se identifican mediante unas constantes llamadas
parámetros. Así, n y p son los parámetros de la distribución binomial.

Las propiedades de la distribución binomial son:

129
 Media μ = np

Varianza  2 = np (1 − p)

Desviación estándar σ= n p (1  p)

Además, sin tener en cuenta el valor de n:

 Si p = 0.5, la distribución es simétrica.

 Si p > 0.5, la distribución es asimétrica y su máximo se encuentra a la derecha del
centro.
 Si p < 0.5, la distribución es asimétrica y su máximo se encuentra a la izquierda del
centro.

Finalmente, debe tenerse presente que el uso adecuado de la distribución binomial de-
pende de la suposición de que los n ensayos del experimento sean tomados de un núme-
ro infinito de ensayos posibles. En las aplicaciones prácticas, se dice que ésta se puede
utilizar cuando la muestra se extrae de una población infinita o cuando se extrae de una
población finita con reemplazamiento. Sin embargo, como en la práctica se suelen extraer
muestras sin reemplazamiento de poblaciones finitas, en este caso se puede aplicar la
distribución binomial sólo cuando el tamaño de la población es grande en relación con el
tamaño de la muestra, de preferencia sólo cuando aquélla tenga diez veces el tamaño de
ésta, y cuando p no tenga un valor demasiado cercano a 0 ó a 1.

Ejemplo 3.6. Distribución binomial

Con el propósito de decidir si se aceptan los lotes de mercancía que envía una determi-
nada fábrica, se lleva a cabo un procedimiento que consiste en seleccionar diez artículos
al azar de cada lote y determinar el número de defectuosos. Un lote se rechaza siempre
que se encuentran dos o más artículos defectuosos entre los diez seleccionados. Supon-
ga que el número de artículos en cada lote es grande y que cada lote contiene 5% de de-
fectuosos. ¿Cuál es la probabilidad de aceptar un lote? ¿Cuál es la probabilidad de re-
chazarlo?

Sea: X = número de artículos defectuosos en un lote

k = 0, 1, 2, ..., 10
n = 10 artículos revisados
p = 0.05 = probabilidad de que un artículo sea defectuoso (éxito)

La probabilidad de aceptar un lote es P (X < 2) = p (0) + p (1)

n
= (1 − p ) n +   p (1 − p ) n  1
 1
 10 
= (0.95)10 +   (0.05) (0.95) 9
 1 
= 0.598 + 0.315 = 0.913 = 91.3%

130
La probabilidad de rechazar un lote es P (X ≥ 2) = 1 − P (X < 2)
= 1 − 0.913 = 0.087 = 8.7% ■

Ejemplo 3.7. Distribución binomial

Suponer que los cuatro motores de una aeronave comercial se disponen para que operen
de manera independientemente, y que la probabilidad de que falle un motor durante el
vuelo es 0.01. ¿Cuál es la probabilidad de que, en un vuelo dado,

a) No se observen fallas?

Sea: X = Número de motores que fallan durante el vuelo

k = 0, 1, 2, 3, 4
n = 4 motores revisados

p = 0.01 = probabilidad de que un motor falle durante el vuelo (éxito)

1 − p = 0.99 = probabilidad de que un motor no falle durante el vuelo (fracaso)

La probabilidad de que un motor no falle durante el vuelo es

P (X = 0) = p (0) = (1 − p ) n
= (0.99) 4 = 0.9606
= 96.06%

b) No se observe más de una falla?

La probabilidad de que no se observe más de una falla es

P (X ≤ 1) = P (X = 0) + P (X = 1)
= p (0) + p (1)
n
= (1 − p ) n +   p (1 − p ) n  1
 1
4
= (0.99) 4 +   (0.01) (0.99) 3
 1
= 0.9606 + 0.0388 = 0.9994 = 99.94% ∎

Ejemplo 3.8. Distribución binomial

Un fabricante cree que el 30% de los consumidores prefiere su producto. Para verificar lo
anterior, toma una muestra de 800 consumidores y determina el número de ellos que pre-
fieren su producto. Calcular el número esperado y la desviación estándar de los consumi-
dores que prefieren el producto de este fabricante.

En este caso, n = 800 personas entrevistadas

p = 0.3 = probabilidad de que un consumidor prefiera el producto (éxito)

131
Por lo tanto, E (X) = μ = np = (800) (0.3) = 240 consumidores

σ= n p (1  p) = (800) (0.3)(0.7) = 168 = 12.96 ≈ 13 consumidores■

Ejemplo 3.9. Distribución binomial

Se empacan diez motores para su venta en determinado almacén. Los motores se ven-
den a $100 cada uno; la compañía se compromete a devolver el doble del valor de cada
motor si está defectuoso. Calcular la ganancia neta esperada por el vendedor si la proba-
bilidad de que cualquier motor tenga defectos es 0.08. (Suponer que la calidad de cual-
quier motor es independiente de la de los demás).

En este caso, n = 10 motores

p = 0.08 = probabilidad de que un motor tenga defectos (éxito)

Por lo tanto, E (X) = μ = np = (10) (0.08) = 0.8 ≈ 1

Esto es, se espera que en el lote de diez motores haya un motor defectuoso.

Cada motor se vende a $100.00. Por tanto por los diez motores se obtendrán 10 ×
$100.00 = $1 000.00, de los cuales se espera devolver $200.00 por el motor defectuoso.
Por consiguiente:

Ganancia neta esperada = $1 000 − $200 = $800.00 ∎

El cálculo de probabilidades binomiales mediante la ecuación 3.6 puede resultar muy la-
borioso cuando n es grande, ya que con frecuencia se necesita saber cuáles son las pro-
babilidades que hay de que el número de éxitos, k, sea mayor o menor que un valor dado
x, o que el número de éxitos esté dentro de un intervalo limitado por dos valores dados,
digamos x 1 y x 2 . Así, si están dados n, p y x, la probabilidad de que k sea mayor que x
se obtiene sumando las probabilidades individuales P (k = x + 1) + P (k = x + 2) + ...
+ P (k = n). Esto es,

n n k
P (k > x) =    p (1  p) n  k (3.7)
k  x 1  k 

De la misma manera, la probabilidad de que k sea menor que x se obtiene sumando las
probabilidades de los valores individuales desde 0 hasta x − 1, es decir

x 1
n k
P (k < x) =    p (1  p) n  k (3.8)
k 0 k

132
Igualmente, la probabilidad de que k asuma valores entre x 1 y x 2 inclusive, se halla su-
mando las probabilidades individuales entre x 1 y x 2 , así:

x2
n k
P ( x1 ≤ k ≤ x 2 ) =    p (1  p ) n  k (3.9)
k  x1 k

En la Tabla 2 del Apéndice se dan las probabilidades binomiales acumuladas para deter-
minados valores de n y p. Los elementos de la tabla son valores de

x x n k
 p (k ) =    p (1  p) n  k (3.10)
k 0 k 0 k

Con el ejemplo siguiente se ilustra el uso de dicha tabla.

Ejemplo 3.10. Distribución binomial

Una industria suministra un producto químico a diez plantas manufactureras. La probabili-

dad de que cualquiera de las plantas llame y haga un pedido en un determinado día es
0.2, y es la misma para las diez plantas. Calcular la probabilidad de que en un día deter-
minado, el número de plantas que llamen para hacer un pedido sea:

a) Cuando mucho tres

Sea X el número de plantas que llaman para hacer un pedido el día en cuestión. Si las
plantas hacen el pedido en forma independiente, entonces X se puede modelar con
una distribución binomial con p = 0.2, 1 − p = 0.8, n = 10 y, en este caso, x = 3. Por
tanto,

P (X ≤ 3) = p (0) + p (1) + p (2) + p (3)

3  10 
=    (0.2) k (0.8) 10  k = 0.879 = 87.9%
k 0  k 

de acuerdo con la Tabla 2.

b) Cuando menos tres

P (X ≥ 3) = 1 − P (X ≤ 2)
2  10 
= 1 − [p (0) + p (1) + p (2)] = 1 −    (0.2) k (0.8) 10  k (aquí, x = 2)
k 0  k 
= 1 − 0.678 = 0.322 = 32.2%

c) Exactamente tres

133
 P (X = 3) = P (X ≤ 3) − P (X ≤ 2)

= 0.879 − 0.678 = 0.201 = 20.1%

según los resultados que se encontraron en los incisos (a) y (b). ■

EJERCICIOS 3.2

1. La probabilidad de que un enfermo se recupere de un padecimiento gástrico es 0.8.

Supóngase que 20 personas han contraído tal afección.
a) ¿Cuál es la probabilidad de que al menos 10 se recuperen?
b) ¿Cuál es la probabilidad de que al menos 14, pero no más de 18, se recuperen?
c) ¿Cuál es la probabilidad de que cuando mucho 16 se recuperen?

2. Se construye un sistema electrónico complejo con determinado número de componen-

tes de respaldo en sus subsistemas. Un subsistema tiene cuatro componentes idénti-
cos, y cada uno tiene la probabilidad 0.2 de fallar en menos de 1000 horas. El subsis-
tema trabaja si dos o más cualesquiera de los cuatro componentes trabajan. Si se su-
pone que los componentes trabajan en forma independiente, calcular la probabilidad de
que:
a) Exactamente dos de los cuatro componentes duren más de 1000 horas
b) El subsistema trabaje más de 1000 horas.

3. Un vendedor de seguros vende pólizas a cinco hombres, todos de la misma edad y con
buena salud. De acuerdo con las tablas actuariales, la probabilidad de que un hombre
2
de esta edad viva 30 años más es . Hallar la probabilidad de que a los 30 años vi-
3
van:
a) Al menos tres hombres
b) Solamente dos
c) Cuando mucho uno

4. Sea un lote grande de fusibles con 10% de piezas defectuosas. Si se extraen al azar
cuatro fusibles del lote, calcular la probabilidad de que al menos un fusible en la mues-
tra salga defectuoso.

5. Una cooperativa agrícola asegura que el 90% de los melones embarcados están madu-
ros, y listos para comer. Encuéntrese la probabilidad de que entre 18 melones embar-
cados:
a) Al menos 16 estén maduros, y listos para comer
b) A lo más 14 estén maduros, y listos para comer.

6. Si la probabilidad de que una lámpara fluorescente tenga una vida útil de al menos 500
horas es 0.85, calcúlese las probabilidades de que entre veinte de esas lámparas:
a) Al menos quince tengan una vida útil de al menos 500 horas
b) Al menos dos no tengan una vida útil de al menos 500 horas

7. Supóngase que un examen en la administración pública está diseñado en forma tal que
el 70% de las personas con un CI de 90 lo aprueben. Encontrar las probabilidades de
que entre quince personas con un CI de 90, que presenten el examen,

134
 a) Al menos doce lo aprueben
b) A lo más seis lo aprueben

8. La probabilidad de que el nivel de ruido de un amplificador de banda amplia exceda 2

db es 0.05. Encontrar las probabilidades de que entre doce de esos amplificadores el
nivel de ruido
a) A lo más en dos excedan 2 db
b) En dos o más excedan 2 db.

9. Entre personas que donan sangre a una clínica, 80% tienen Rh+, es decir, tienen el
factor Rhesus presente en su sangre. Cinco personas donan sangre en la clínica en de-
terminado día.
a) Calcular la probabilidad de que al menos una de las cinco no tenga el factor Rh+
b) Calcular la probabilidad de que cuando mucho cuatro de las cinco tengan sangre Rh+

10. De un total de 800 familias con cinco hijos cada una, cuántos se espera que tengan:
a) Tres niños (Suponer iguales la probabilidad de niño y niña)
b) dos o tres niños

13. Una nueva técnica quirúrgica tiene una probabilidad p de éxito. Supóngase que la
operación se efectúa cinco veces y que los resultados son independientes unos de
otros. ¿Cuál es la probabilidad de que menos de dos operaciones sean exitosas, si
p = 0.3?

14. Al determinar la concentración letal de una sustancia presente en agua contaminada

se encuentra que una cierta concentración mata al 20% de los peces que se exponen a
ella durante 24 horas. Se colocan veinte peces en un tanque con esta concentración de
la sustancia. Calcular la probabilidad de que a las 24 horas:
a) Sobrevivan por lo menos diez
b) Sobrevivan cuando mucho 16

15. Una fábrica encuentra que el 20% de los cerrojos producidos por una determinada
máquina son defectuosos para unos determinados requerimientos. Si se eligen diez ce-
rrojos al azar de la producción del día de esta máquina, hallar la probabilidad de que:
a) Dos o más cerrojos sean defectuosos
b) Más de cinco cerrojos estén defectuosos

3.3.3 DISTRIBUCIÓN DE POISSON

A continuación se verá el desarrollo de un modelo probabilístico para el número de éxitos

que ocurren en un intervalo de tiempo. Es posible imaginarse que este intervalo se des-
compone en n subintervalos, de tal modo que

P (un éxito en un subintervalo) = p

P (sin éxitos en un subintervalo) = 1 − p

Nótese que se supone que el mismo valor de p es válido para todos los subintervalos y
que la probabilidad de que haya más de un éxito en cualquier subintervalo es cero. Si se
puede considerar que los resultados son independientes de un subintervalo a otro, enton-

135
ces el número total de éxitos en el periodo que es igual al número total de subintervalos
en los que hay un éxito, tendrá una distribución binomial.

Aunque no hay una manera única de escoger los subintervalos, y por lo tanto no se cono-
ce ni a n ni a p, parece razonable suponer que a medida que crece n, p debe disminuir.

Así, conviene examinar el límite de la distribución binomial de probabilidad cuando n → ∞

y p → 0. Para simplificar las cosas, en la explicación que sigue se estima el límite con la
restricción de que el promedio np en el caso binomial permanece constante en un valor
que se llamará λ (lambda).

Entonces, si np = λ, o p = λ / n, se tiene que

k nk
 n      
Lim      1  =
n    k  n   n 
n  n  1    n  k  1  n  k  n  k  1   2  1  k 
n k
    
= Lim  k  1   1 
n k !  n  k  n  k  1   2  1 n  n   n 
  n  n  1   n  k  1 
n k
k   
= Lim  1    1 
n k!  n  n k
 n 
n  n  1   n  k  1
n k
k      
= Lim  1    1  
k! n  n   n  n  n  n  n
k 
Lim  1 
  
n
 
k
 n  1 n2 n  k 1
=   1    
k! n  n   n  n n n
n k
k        1  2   k 1 
= Lim  1    1   1  1   1  
k! n  n   n   n  n   n 

Se observa que
n
  
Lim  1   = e   (se obtiene por la regla de L’Hôpital)
n  n 

y que todos los demás términos en los que interviene n tienden a la unidad; entonces, se
tiene la distribución al límite

k
p (k) = e
k!

Por tanto, si en un experimento binomial, el tamaño de muestra n es grande y la probabili-

dad de éxito p es pequeña, es frecuente usar las probabilidades dadas por la distribución
de Poisson con parámetro λ como una aproximación de las probabilidades binomiales,
dada por la fórmula

k
p (k) = e (3.11)
k!

136
donde: k = 0, 1, 2, ...
λ = np > 0
e = 2.718281...

La constante λ representa el número promedio de éxitos que ocurren en un periodo de

tiempo, aunque también se pueden considerar conteos en áreas o volúmenes. Por lo tan-
to, si se toman en cuenta t periodos que no se traslapan, el promedio sería λt.

Como se dijo antes, la distribución de Poisson proporciona una aproximación notable a la

distribución binomial para un k pequeño, establecido que p sea pequeño. Una regla prác-
tica es utilizarla si n ≥ 20 y si p ≤ 0.05; si n ≥ 100, la aproximación es generalmente exce-
lente a condición de que np ≤ 10.

Esta distribución infinita contable se presenta en muchos fenómenos naturales y se puede

emplear para modelar el número de defectos en un metro cuadrado de tela, el número de
colonias de bacterias en un centímetro cúbico de agua, o el número de veces que falla
una máquina en el transcurso de un día de trabajo.

Ejemplo 3.11. Distribución de Poisson

Supóngase que una gran planta procesadora y enlatadora de alimentos tiene veinte má-
quinas enlatadoras automáticas en operación constante. Si la probabilidad de que una
máquina se descomponga durante un día determinado es 0.05, encontrar la probabilidad
de que durante un día determinado fallen dos máquinas enlatadoras. Úsese la distribución
binomial para calcular la probabilidad exacta y posteriormente calcúlese la aproximación
de Poisson correspondiente.

Sea: X = el número de máquinas enlatadoras que fallan en un día

k = 0, 1, 2, ..., 20.
n = 20 máquinas
p = 0.05 = probabilidad de que una máquina se descomponga en un día determinado

Usando la distribución binomial se tiene:

 20 
P (X = 2) = p (2) =   (0.05) 2 (0.95)18 = 0.189 = 18.9%
 2 

Usando la distribución de Poisson para aproximar la probabilidad se tiene que λ = np = 20 ×

0.05 = 1 máquina descompuesta por día. Por lo tanto,

p (2) =
k
e =
12 e  1 = 0.184 = 18.4%
k! 2!

137
Puede verse que la aproximación de Poisson, 0.184, está bastante cerca del valor exacto
de la probabilidad binomial, 0.189. La aproximación de Poisson mejora a medida que au-
menta el valor de n. ■

Ejemplo 3.12. Distribución de Poisson

Si un banco recibe en promedio λ = 6 cheques falsos al día, ¿cuáles son las probabilida-
des de que reciba

a) Cuatro cheques falsos en un día cualquiera

Sea: X = el número de cheques falsos recibidos en un día

Sustituyendo k = 4 y λ = 6 cheques falsos al día en la fórmula para la distribución de

Poisson, tenemos

P (X = 4) = p (4) =
k
e =
 6 4 e  6 = 0.134 = 13.4%
k! 4!

b) 10 cheques falsos en dos días consecutivos cualesquiera?

Aquí se desea calcular p (10) para λ = 6 × 2 = 12 cheques falsos en dos días. Por tan-
to, tenemos

P (X = 10) = p (10) =
k
e =
 12 10 e  12 = 0.105 = 10.5% ∎
k! 10!

Ejemplo 3.13. Distribución de Poisson

Al inspeccionar la aplicación de estaño por un proceso electrolítico continuo, se descubren

en promedio 0.2 imperfecciones por minuto. Calcúlese las probabilidades de descubrir

a) Una imperfección en 3 minutos

Sea: X = el número de imperfecciones por minuto

Sustituyendo k = 1 y λ = 0.2 × 3 = 0.6 imperfecciones en 3 minutos en la fórmula para

la distribución de Poisson, tenemos

P (X = 1) = p (1) =
k  
e =
 0.6 1 e  0.6 = 0.329 = 32.9%
k! 1!

b) Al menos dos imperfecciones en 5 minutos

P (X > 2) = 1 − [p (0) + p (1)]

138
 Sustituyendo k = 0, 1 y λ = 0.2 × 5 = 1 imperfección en 5 minutos en la fórmula para la
distribución de Poisson, tenemos

p (0) =
k
e =
10 e  1 = 0.368
k! 0!

p (1) =
k
e =
 1 1 e  1 = 0.368
k! 1!

de donde

P (X > 2) = 1 − [p (0) + p (1)]

= 1 − (0.368 + 0.368)
= 1 − 0.736
= 0.264 = 26.4%

c) A lo sumo una imperfección en 15 minutos

P (X ≤ 1) = p (0) + p (1)

Sustituyendo k = 0, 1 y λ = 0.2 × 15 = 3 imperfecciones en 15 minutos en la fórmula

para la distribución de Poisson, tenemos

p (0) =
k
e =
 3 0 e  3 = 0.050
k! 0!

p (1) =
k
e =
 3 1 e  3 = 0.149
k! 1!

de donde

P (X ≤ 1) = p (0) + p (1)
= 0.050 + 0.149
= 0.199 = 19.9% ∎

Las probabilidades acumuladas de Poisson se calculan de la misma manera que se indicó

en la distribución binomial. La Tabla 3 del Apéndice presenta valores para probabilidades
acumuladas de Poisson de la forma

x k
 e 
k!
(3.12)
k 0

El siguiente ejemplo ilustra el uso de esta tabla.

139
Ejemplo 3.15. Distribución de Poisson

Si 3% de las bombillas fabricadas por una compañía son defectuosas, hallar la probabili-
dad de que en una muestra de 100 bombillas haya:

a) Más de cinco defectuosas

Sea: X = el número de bombillas defectuosas en la muestra

k = 0, 1, 2, ..., 100.
n = 100 bombillas
p = 0.03.

Por lo tanto, λ = np = 100 × 0.03 = 3 bombillas defectuosas.

P (X > 5) = 1 − P (X ≤ 5)
5 3k 3
P (X ≤ 5) = p (0) + p (1) + ... + p (5) =  k!
e = 0.916,
k 0
(según la tabla 3, con a = 5 y λ = 3)

P (X > 5) = 1 − 0.916 = 0.084 = 8.4%

b) Entre una y tres defectuosas

P (1 ≤ X ≤ 3) = P (X ≤ 3) − P (X < 1)

= P (X ≤ 3) − P (X = 0)
3 3k 3
=  k!
e − e  3 = 0.647 − 0.050 = 0.597 = 59.7%
k 0

c) Exactamente dos bombillas defectuosas

P (X = 2) = P (X ≤ 2) − P (X ≤ 1)
2 3k 3 1 3k 3
=  k!
e −  k!
e = 0.423 − 0.199 = 0.224 = 22.4% ■
k 0 k 0

Nótese que en el caso de la distribución de Poisson, k puede tomar cualquier valor entero
mayor o igual a cero y que el valor de p (k) decrece a medida que k crece.

La distribución de probabilidad de Poisson, además de ser útil como aproximación de las

probabilidades binomiales, constituye un buen modelo para experimentos donde k repre-
senta el número de veces que ha ocurrido un evento raro en una unidad dada de tiempo o
espacio, en la cual se espera que un promedio λ de ellos ocurra. Las únicas suposiciones
que se requieren para poder usar la distribución de Poisson como modelo para los expe-
rimentos son que los eventos ocurren en forma aleatoria e independientes unos de otros.

140
Por último, las propiedades de la distribución de Poisson son las siguientes:

Media μ=λ

Varianza 2 = λ

Desviación estándar σ= 

EJERCICIOS 3.3. DISTRIBUCIÓN DE POISSON

1. El número de imperfecciones en el tejido de una tela tiene una distribución de Poisson

con un promedio de cuatro por yarda cuadrada.
a) Calcular la probabilidad de que una muestra de una yarda cuadrada tenga por lo
menos un defecto.
b) Calcular la probabilidad de que una muestra de tres yardas cuadradas tenga al me-
nos un defecto.

2. El número de colonias de bacterias en determinado tipo de muestras de agua contami-

nada tiene una distribución de Poisson cuyo promedio es 2 por centímetro cúbico. Si se
seleccionan en forma independiente cuatro muestras de un centímetro cúbico de agua,
calcular la probabilidad de que por lo menos una muestra contenga una o más colonias
de bacterias.

3. El número de nudos en un tipo particular de madera tiene una distribución de Poisson

con una media de 1.5 nudos por 10 pies cúbicos de madera. Encuentre la probabilidad
de que un bloque de esta madera de 10 pies cúbicos tenga a lo más un nudo.

4. El número de automóviles que entran a un estacionamiento es una variable aleatoria

con distribución de Poisson, con un promedio de cuatro por hora. El estacionamiento
tiene lugar sólo para doce vehículos, y está vacío al principio.
a) Calcular la probabilidad de que el estacionamiento se llene durante la primera hora.
Suponer que todos los vehículos permanecen en el estacionamiento más de una ho-
ra.
b) Calcular la probabilidad de que lleguen menos de doce vehículos en un turno de 8
horas.

5. La probabilidad de que un ratón inoculado con un suero contraiga cierta enfermedad es

0.2. Encuentre la probabilidad de que a lo más tres de 30 ratones inoculados contraigan
la enfermedad utilizando una aproximación de Poisson.

6. Al analizar el contenido de bacterias de muestras de agua de río, se coloca el agua en

un medio de cultivo de tal manera que determinadas colonias de bacterias puedan cre-
cer, en caso de estar presentes dichas bacterias. El número de colonias por recipiente
es doce en promedio para muestras de agua de cierto río. Calcular la probabilidad de
que el siguiente recipiente que se examine tenga al menos diez colonias.

7. El número de errores tipográficos cometidos por una mecanógrafa en particular tiene

una distribución de Poisson con una media de cuatro errores por página. Si una página

141
 dada tiene más de cuatro errores, la mecanógrafa tendrá que repetir la página entera.
¿Cuál es la probabilidad de que no se tenga que repetir cierta página?

8. Supóngase que 220 erratas están distribuidas al azar a lo largo de un libro de 200 pá-
ginas. Hallar la probabilidad de que una página dada contenga:
a) Una errata
b) Dos o más erratas.

9. Si la probabilidad de que un individuo sufra una reacción por una inyección de un de-
terminado suero es 0.001, determinar la probabilidad de que de un total de 2000 indivi-
duos tengan reacción:
a) Exactamente tres
b) Más de dos individuos.

10. En una ciudad específica, el 6% de todos los conductores obtienen al menos un boleto
de estacionamiento por año. Empléese la aproximación de Poisson a la distribución bi-
nomial para determinar la probabilidad de que entre 80 conductores (escogidos aleato-
riamente en esta ciudad):
a) Al menos tres obtengan como mínimo un boleto de estacionamiento en un año cual-
quiera
b) 3, 4, 5 ó 6 de ellos obtengan al menos un boleto de estacionamiento en un año cual-
quiera.

11. El número de rayos gamma que emite por segundo cierta sustancia radiactiva es una
variable aleatoria que tiene distribución de Poisson con λ = 5.8. Si un detector deja de
operar cuando hay más de doce rayos por segundo, ¿cuál es la probabilidad de que es-
te instrumento deje de funcionar durante un segundo cualquiera?

12. Los empleados de cierta oficina llegan al reloj checador a una tasa media de 1.5 por
minuto. Calcúlese las probabilidades de que:
a) Al menos tres lleguen durante un intervalo de 2 minutos
b) A lo más quince lleguen durante un intervalo de 6 minutos.

13. El número de averías semanales de una computadora es una variable aleatoria que
tiene una distribución de Poisson con λ = 0.3. ¿Cuál es la probabilidad de que la
computadora opere sin averías dos semanas consecutivas?

14. La llegada de clientes en un torniquete de una tienda de departamentos tiene una dis-
tribución de Poisson con un promedio de ocho por hora. Para una hora determinada,
calcular la probabilidad de que:
a) No lleguen más de tres clientes
b) Lleguen por lo menos dos clientes

15. Se certifica la calidad de los discos para computadora pasándolos por un certificador
que cuenta el número de pulsos faltantes. Una determinada marca de discos para
computadora tiene en promedio 0.1 pulsos faltantes por disco.
a) Calcular la probabilidad de que al siguiente disco que se inspeccione no le falten pul-
sos.
b) Calcular la probabilidad de que al siguiente disco que se inspeccione le falten más de
un pulso.

142
3.4. VARIABLES ALEATORIAS CONTINUAS

Muchas de las variables aleatorias parecen tener en la práctica más de un conjunto men-
surable de valores positivos, es decir, pueden tomar cualquier valor en un intervalo de
números reales. Como las variables aleatorias de este tipo tienen un espectro continuo de
valores posibles, se llaman variables aleatorias continuas.

VARIABLE ALEATORIA CONTINUA. Se dice que una variable aleatoria X es continua si puede
tomar cualquier valor de entre todos los contenidos en un intervalo de la recta de números
reales. Algunos ejemplos de variables aleatorias continuas son los siguientes:

 El tiempo necesario para completar el ensamblaje de un artículo en una planta.

 La cantidad de petróleo bombeado cada hora en un pozo.
 La cantidad en miligramos de monóxido de carbono contenido en un metro cúbico de
aire.

3.4.1. FUNCIÓN DE DENSIDAD DE PROBABILIDAD

Con las variables aleatorias continuas resulta imposible asignar probabilidades a cada
uno de los valores de manera que la suma de éstas sea 1, como en el caso de las varia-
bles aleatorias discretas. Por lo tanto, se tiene la necesidad de contar con un enfoque
distinto para generar la distribución de probabilidad de una variable aleatoria continua. El
enfoque que se utiliza es el del histograma de frecuencia relativa. Se recordará que las
longitudes de los intervalos de clase se determinan de acuerdo a la cantidad de medicio-
nes disponibles. Si se tuviesen más mediciones se podría reducir la longitud de dichos
intervalos. La forma del histograma cambiaría un poco, sobre todo tornándose cada vez
menos irregular al ir aumentando el número de mediciones. Cuando éstas fuesen muy
grandes en número y los intervalos muy pequeños en longitud, el histograma aparecería,
para todo propósito práctico, como la curva continua mostrada a continuación.

y = frecuencia relativa

Fig. 3.3. Histograma de frecuencia relativa

Si se ajusta el histograma de frecuencia relativa para que el área total bajo la curva que lo
describe sea 1, las áreas bajo dicha curva sobre distintos intervalos corresponden a las
probabilidades de dichos intervalos.

143
Se construye a continuación un modelo para la distribución de probabilidad de una varia-
ble aleatoria continua. Supóngase que el recorrido de X está formado por un gran número
de valores. Se recalca de la definición de variable aleatoria que el conjunto {a ≤ x ≤ b} es
un suceso de S y, por consiguiente, la probabilidad P (a ≤ x ≤ b) está bien definida. Esta
probabilidad se acumula en algunos lugares de la recta, y el resultado es la distribución de
probabilidad.

Entonces, se dice que X es una variable aleatoria continua si existe una función f (x) que
modela el comportamiento de la frecuencia relativa de X, llamada la función de densidad
de probabilidad (fdp) de X, que satisface las condiciones siguientes:

 f (x) ≥ 0 para toda x


   f ( x ) dx = 1
b
 Para cualquier a, b, tal que a < b, P (a ≤ x ≤ b) = a f ( x ) dx , donde P (a ≤ x ≤ b) es
igual al área bajo la curva de f (x) entre x = a y x = b; f (x) es no negativa y el área to-
tal bajo su curva es 1.

f (x)

P (a ≤ x ≤ b)

x
a b
Fig. 3.4. Distribución de probabilidad f (x)

Nótese que para una variable aleatoria continua X,

b
P (x = a) = a f ( x ) dx = 0

para cualquier valor específico a. No debe preocupar el hecho de que se deba asignar
probabilidad cero a cualquier valor específico, ya que hay un número infinito de valores
posibles que puede asumir x. La asignación de probabilidad cero a un evento no elimina
dicho valor específico, sino que sólo dice que la probabilidad de que la variable aleatoria
tome exactamente dicho valor es extremadamente pequeña.

144
3.4.2. VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA CONTINUA

Como en el caso discreto, con frecuencia se desea resumir la información contenida en

una distribución de probabilidad calculando los valores esperados de la variable aleatoria
y determinadas funciones de la misma.

VALOR ESPERADO DE UNA VARIABLE ALEATORIA CONTINUA. Sea X una variable aleatoria
continua que tiene una función de densidad de probabilidad f (x). El valor esperado de X,
E (X), está dado por


E (X) =    x f ( x ) dx (3.13)

VARIANZA DE UNA VARIABLE ALEATORIA CONTINUA. La varianza de una variable aleatoria

continua, V (X), se define por


  x f ( x ) dx −  2
2
V (X) = (3.14)

donde μ = E (X)

E (X) y V (X) existen si y sólo si las integrales anteriores son convergentes en forma abso-
luta).

La desviación estándar σx se define por

x = V (X )

cuando V (X) existe.

Las propiedades del valor esperado y de la varianza de las variables aleatorias continuas
son las mismas que en el caso discreto.

Ejemplo 3.15. Variables aleatorias continuas

Sea X la duración (en miles de horas) de cierto tipo de bombilla eléctrica. Supóngase que
X es una variable aleatoria continua y supóngase que la fdp de X está dada por

 a
 para 1.5  x  2.5
f (x) =  x 3

 0 para cualquier otro valor


Para evaluar la constante a, se debe acudir a la condición   f ( x ) dx = 1. En este caso,

145
 2.5 a
1.5 x3
dx = 1
2.5
 1 
a 2 
=1
 2 x  1.5
 32 
a   =1
 225 
225
a=
32

Por tanto,

 225
 para 1.5  x  2.5
f (x) =  32x 3

 0 para cualquier otro valor

El valor esperado es


E (X) =    x f ( x ) dx
2.5
225 2.5  1  225  1 
=
32 1.5 x  3  dx =
 x 

32  x  1.5
225  4  15
=   =
32  15 8
= 1.875 miles de horas

y la varianza es


  x f ( x ) dx −  2
2
V (X) =
2
225 2.5  1   15 
=
32 1.5 x 2  3  dx − 
 x   8 

2
=
225
 ln x 21..55 −  15 
32  8 
2
225  15 
= (0.51082) −  
32  8 
= 0.076118

De donde x = V (X ) = 0.076118 = 0.276 miles de horas

La gráfica de f (x) se muestra en la figura siguiente.

146
 f (x )

x
1500 2500

∎
Ejemplo 3.16. Variables aleatorias continuas

Sea X una variable aleatoria continua con fdp

 k x si 0  x  5
f (x) = 
0 en otra parte

a) Calcular k


Sabemos que   f ( x ) dx = 1. Por tanto

0 5 
   0 dx +  0 k x dx + 5 0 dx = 1
5 k 25
 0 k x dx =1 →
2
[x ]0 = 1

k 2
(25) = 1 ∴ k=
2 25

Por consiguiente

 2

f (x) =  25 x si 0  x  5

 0 en otra parte

b) Hallar P (1 ≤ x ≤ 3), P (2 ≤ x ≤ 4) y P (x ≤ 3)

3
2 3 2  x2  2 8
P (1 ≤ x ≤ 3) =
25 1 x dx =   =
25  2  25
(4) =
25
= 0.32
1

147
 4
2 4 2  x2  2 12
P (2 ≤ x ≤ 4) = 2 x dx =   = (6) = = 0.48
25 25  2  2 25 25
3
2 3 2  x2  2 9 9
P (x ≤ 3) = 0 x dx =   =   =
25  2 
= 0.36
25 25  2  0 25

c) Hallar el valor esperado y la desviación estándar de X.


E (X) =    x f ( x ) dx
5
2 5 2  x3 
0
2
= x dx =  
25 25  3  0
2  125  10
=   =
25  3  3


  x f ( x ) dx −  2
2
V (X) =
5
2  x4 
2 2
2 5  10   10 
0
3
= x dx −   =   −  
25  3  25  4  0  3 
2  625  100 25 100 25
=   − = − =
25  4  9 2 9 18

25 5
Por tanto  x = V (X ) = = = 1.1785 ∎
18 3 2

EJERCICIOS 3.4

1. Sea X una variable aleatoria continua cuya función de densidad de probabilidad es

constante en un intervalo, como I = {a ≤ x ≤ b}, y 0 en cualquier parte (Se dice que di-
cha variable aleatoria está uniformemente distribuida en I):

 k si a  x  b
f (x) = 
0 en otra parte

a) Determinar k
b) Hallar la media μ de X

148
2. Sea X una variable aleatoria continua con función de densidad de probabilidad


 1 x  k si 0  x  3
f (x) =  6

 0 en otra parte

a) Calcular k
b) Hallar P (1 ≤ x ≤ 2)
c) Hallar el valor esperado y la desviación estándar de X.

3. Encuéntrese k de tal manera que la siguiente regla de correspondencia sea la densi-

dad de probabilidad de una variable aleatoria:

 0 para x  0

f (x) = 
  4x 2
 k xe para x  0

4. Una variable aleatoria continua que toma solamente valores entre x = 2 y 8 inclusive,
tiene una función de densidad dada por a (x + 3), donde a es una constante.
a) Hallar el valor de a
b) Hallar P (3 ≤ x ≤ 5)
c) Hallar P (x ≥ 4)
d) Hallar P (|x − 5| ≤ 0.5)

k
5. Dada la función de densidad de probabilidad f (x) = para − ∞ < x < ∞, cal-
1  x2
cúlese k.

7. En cierta ciudad, el consumo diario de energía eléctrica (millones de kilowatt-hora) es

una variable aleatoria con densidad de probabilidad

 x 3
 k xe para x  0

f (x) = 
 0 para x  0


a) Determinar el valor de k
b) Calcular la media y la desviación estándar

8. El kilometraje (en miles de kilómetros) que los automovilistas logran de cierto tipo de
neumático es una variable aleatoria con densidad de probabilidad

149
  
x
 1 e 20 para x  0
 20
f (x) = 
 0 para x  0



Calcúlese las probabilidades de que uno de los neumáticos dure:

a) A lo sumo 10 000 kilómetros
b) Entre 16 000 y 24 000 kilómetros
c) Al menos 30 000 kilómetros
d) Calcúlese la media para la distribución de los kilometrajes

9. Una variable aleatoria X tiene la función de densidad de probabilidad

 x para 0 x  1

f (x) = 2  x para 1 x  2
 0
 en otra parte

Hallar:
1 1 3
a) P (− 1 ≤ x ≤ ) c) P ( ≤x≤ )
2 4 2
3
b) P (x ≤ )
2

3.5. DISTRIBUCIÓN NORMAL

Entre todas las distribuciones continuas que se conocen, una de las más importantes en
la estadística es la distribución normal. La fórmula de esta distribución fue publicada por
primera vez por Abraham De Moivre (1667-1754) en 1733. Otros matemáticos que figuran
en la historia inicial de la distribución normal son Pierre Simon, el Marqués de Laplace
(1749-1827) y Carl Friedrich Gauss (1777-1855), en cuyo honor se denomina a veces
distribución de Gauss.

La distribución normal fue estudiada por primera vez, como ya se mencionó, en el siglo
XVIII, cuando los científicos observaron con sorpresa el grado de regularidad en los erro-
res de medición. Descubrieron que los patrones (distribuciones) eran aproximados a una
distribución continua que denominaron curva normal de errores y le atribuyeron reglas de
probabilidad.

3.5.1. FUNDAMENTOS DE LA DISTRIBUCIÓN NORMAL

Cuando las variables aleatorias observadas en la naturaleza tienen una distribución de

frecuencias aproximadamente acampanada, se dice que tienen una distribución de pro-
babilidad normal.

150
Matemáticamente, la función de densidad de probabilidad normal está dada por la ecua-
ción de la curva acampanada que se muestra en la Figura 3.5, la cual se centra en el va-
lor promedio μ y su dispersión se mide, desde luego, con la varianza  2 . Estos dos pa-
rámetros, μ y  2 , determinan por completo la forma y la ubicación de la función de densi-
dad de probabilidad normal. Además, como la ecuación de la función de densidad se
construye de manera que el área bajo la curva represente una probabilidad, el área total
es igual a 1.

f (x)

Punto de inflexión
σ

x
μ−σ μ μ+σ

Fig. 3.5. Función de densidad de probabilidad normal

La función de densidad de probabilidad normal se define como

1  1 ( x  ) 2 /  2
f (x) = e 2 , −∞<x<∞ (3.15)
2 

donde μ y σ > 0 son constantes arbitrarias que representan la media y la desviación es-
tándar de la población.

Las propiedades de la distribución normal son las siguientes:

Media μ

Varianza 2

Desviación estándar σ

La distribución normal con media μ y varianza  2 se designa por N (μ,  2 ).

Algunas de las características importantes de la distribución normal son:

151
 El área total comprendida bajo la curva y por encima del eje horizontal es igual a 1.

 La distribución es simétrica al respecto de su media. Es decir, el 50% del área está a

la derecha de la media y el 50% a la izquierda.

 A media, la mediana y la moda son todas iguales.

 La distancia horizontal que hay desde el punto de inflexión de la curva (el punto donde
la curva deja de ser cóncava hacia abajo y empieza a ser cóncava hacia arriba) hasta
una perpendicular levantada sobre la media es igual a la desviación estándar σ (ver
Figura 4.3).

 La distribución normal es realmente una familia de distribuciones, puesto que existe

una distribución diferente para cada valor de μ y de σ.

 La curva de una distribución normal se extiende de − ∞ hasta + ∞.

 Si se levantan perpendiculares a una distancia de una desviación estándar de la me-

dia en cada uno de los dos lados, el área comprendida entre estas dos perpendicula-
res, la curva y el eje horizontal es aproximadamente igual al 68.26% del área total. De
igual manera, se puede encerrar aproximadamente el 95.45% del área total debajo de
la curva de una distribución normal, levantando perpendiculares a una distancia de
dos desviaciones estándar de la media en cada uno de los dos lados. Se puede ence-
rrar aproximadamente el 99.73% del área total, levantando perpendiculares a una dis-
tancia de tres desviaciones estándar desde la media en cada uno de los dos lados. La
Figura 3.6 ilustra estos hechos.
34.13%
34.13%

σ μ σ
47.725%
47.725%

2σ μ 2σ

152
 49.865%

49.865%
3σ μ 3σ

Figura 3.6. Curvas de distribuciones normales que muestran la proporción aproximada del
área encerrada por perpendiculares levantadas a diferentes distancias de la
media respecto del área total

3.5.2. LA DISTRIBUCIÓN NORMAL ESTANDARIZADA

Dado que la densidad de probabilidad normal no puede ser integrada en forma exacta
entre cualquier par de límites a y b, las probabilidades relacionadas con la distribución
normal suelen obtenerse de tablas especiales, como la Tabla 4 del Apéndice. Esta tabla
corresponde a la distribución normal estándar, es decir a la distribución normal con μ = 0
y σ = 1. Así, si se hace la sustitución z = (x − μ) / σ en la ecuación 3.15, se obtiene

1 2
F ( z) = ez /2
(3.16)
2
F ( z)

Fig. 3.7. Distribución normal estándar N (0, 1)

Las tablas de distribución normal estándar proporcionan los valores de

1 z  t 2 /2
F ( z) =
2
0 e dt

o sea el área bajo la curva normal estándar entre z = 0 y valores positivos de z. La sime-
tría de la curva alrededor de z = 0 permite obtener el área entre dos valores de z. Además
se tiene que para − 1 ≤ z ≤ 1 el área bajo la curva es 68.26%; para − 2 ≤ z ≤ 2 el área
bajo la curva es 95.45%; y para − 3 ≤ z ≤ 3 el área bajo la curva es 99.73%, tal como ya
se había mencionado antes.

153
Para poder usar la tabla 4 del Apéndice con una variable aleatoria que tenga valores x y
una distribución normal con media μ y varianza  2 , hay que referirse a la correspondiente
variable aleatoria estandarizada, la cual tiene los valores

x 
z= (3.17)


Entonces, si X es una variable aleatoria continua con distribución normal, entonces se

dice que X está distribuida normalmente, y para calcular la probabilidad de que X caiga
entre x 1 y x 2 , designada por P ( x 1 ≤ X ≤ x 2 ), primero se pasan x 1 y x 2 a unidades
estándar:

x1   x2 
z1 = y z2 =
 

respectivamente. Entonces

P ( x 1 ≤ X ≤ x 2 ) = P ( z 1 ≤ Z ≤ z 2 ) = área bajo la curva normal estándar entre z 1 y z 2

donde Z es la variable aleatoria estandarizada que corresponde a X y, por lo tanto, Z tiene

distribución normal estándar N (0, 1). Entonces, para calcular P ( x 1 ≤ X ≤ x 2 ) se utiliza la
ecuación

P ( x1 ≤ X ≤ x 2 ) = P ( z1 ≤ Z ≤ z 2 ) = P ( z 2 ) − P ( z1)

y si z es negativo, se utiliza también la identidad

P (− z) = 1 − P (z)

3.5.3. APLICACIONES DE LA DISTRIBUCIÓN NORMAL

No es muy probable encontrar en la naturaleza variables aleatorias que se distribuyan

normalmente con exactitud porque la distribución normal es un ideal matemático. Sin em-
bargo, muchas variables aleatorias continuas pueden caracterizarse mediante una distri-
bución normal. Así, cuando en una investigación la variable de interés está normalmente
distribuida, por lo menos de manera aproximada, se utiliza en su análisis el conocimiento
que se tiene de la distribución normal.

La ecuación de la distribución normal enunciada en la sección anterior depende de los

valores numéricos de μ y σ, y al hacer variar esos valores se genera una familia infinita de
distribuciones normales. Entonces, lo más sencillo es trabajar con áreas limitadas por un
determinado número de desviaciones estándar de la media, utilizando la tabla 4 del
Apéndice.

154
Dado que la curva normal es simétrica alrededor de la media, la mitad del área bajo la
curva está a la izquierda de la media y la mitad a la derecha (ver la figura 4.6). También,
debido a la simetría se puede simplificar la tabla de áreas listando únicamente las áreas
entre la media y un determinado número z de desviaciones estándar a la derecha de μ.

Las áreas que se encuentran a la izquierda de la media pueden calcularse usando las
correspondientes áreas a la derecha de la media. La distancia de la media a un valor da-
do de X es (x − μ). Expresando esta distancia en unidades de la desviación estándar σ, se
tiene que

x 
z=


El área bajo la curva normal entre z = 0 y un valor especificado de Z, z 0 , es la probabili-

dad P (0 ≤ Z ≤ z 0 ). Esta área se registra en la tabla 4 del Apéndice y corresponde al área
indicada en la figura 4.6. En dicha tabla, el valor de z, hasta la primera cifra decimal, apa-
rece en la columna de la izquierda. La segunda cifra decimal de z aparece en la fila supe-
rior. Por lo tanto, el área entre la media y un punto z a la derecha de la media, se encuen-
tra en la intersección de la fila y la columna correspondientes.
P (0 < Z < z0)

z=0 z = z0

Fig. 4.6. Distribución normal estandarizada

Ejemplo 3.17. Distribución normal

a) Encontrar P (0 ≤ Z ≤ 1.63).

Esta probabilidad corresponde al área entre la media (z = 0) y un punto z = 1.63 des-

viaciones estándar a la derecha de la media (ver la figura).

0 1.63

155
 El área aparece marcada con el símbolo A en la figura. Se tiene que encontrar el valor
de z = 1.63. Este valor se encuentra en la intersección de la fila correspondiente a 1.6
con la columna correspondiente a 0.03. El área tiene, por lo tanto, un valor de A =
0.4484 y entonces P (0 ≤ Z ≤ 1.63) = 0.4484 = 44.84%.

b) Encontrar P (− 0.5 ≤ Z ≤ 1.0).

Esta probabilidad corresponde al área entre z = − 0.5 y z = 1.0 que se muestra en la

figura siguiente:

A1
A2

− 0.5 0 1

El área deseada corresponde a la suma de las áreas A1 y A 2 de la figura. De la tabla

4 del Apéndice se tiene que A 2 = 0.3413. El área A1 es equivalente al área entre z =
0 y z = 0.5 y es igual a 0.1915. Por lo tanto, el área total es

A = A1 + A 2 = 0.1915 + 0.3413 = 0.5328

De donde P (− 0.5 ≤ Z ≤ 1.0) = 0.5328 = 53.28%. ■

Ejemplo 3.18. Distribución normal

Supóngase que los diámetros de los tornillos fabricados por una compañía están distribui-
dos normalmente con media 0.25 pulgadas y desviación estándar 0.02 pulgadas. Se con-
sidera defectuoso un tornillo si su diámetro es menor o igual a 0.20 pulgadas, o mayor o
igual que 0.28 pulgadas. Hallar el porcentaje de tornillos defectuosos producidos por la
compañía.

Sea: X = diámetro de los tornillos (en pulgadas)

μ = 0.25 pulgadas
σ = 0.02 pulgadas
x 1 = 0.20 pulgadas
x 2 = 0.28 pulgadas

Primero convertimos x 1 y x 2 en unidades estándar:

156
 x1   0.20  0.25
z1 = = = − 2.5
 0.02

x2  0.28  0.25
z2 = = = 1.5
 0.02

Por tanto,

P (X ≤ 0.20 ) = P (Z ≤ − 2.5)
= P (Z ≤ 0) − P (− 2.5 ≤ Z ≤ 0)
= P (Z ≥ 0) − P (0 ≤ Z ≤ 2.5)
= 0.5000 − 0.4938 = 0.0062

P (X ≥ 0.28) = P (Z ≥ 1.5)
= P (Z ≥ 0) − P (0 ≤ Z ≤ 1.5)
= 0.5000 − 0.4332 = 0.0668

De donde P (artículos defectuosos) = P (X ≤ 0.20) + P (X ≥ 0.28)

= 0.0062 + 0.0668
= 0.073 = 7.3%

0.6% 6.68%

− 2.5 0 1.5
∎

Ejemplo 3.19. Distribución normal

Si la cantidad de radiación cósmica a la que una persona está expuesta mientras viaja en
avión por la República Mexicana es una variable aleatoria con distribución normal con μ =
4.35 mrem y σ = 0.59 mrem, calcúlese las probabilidades de que la cantidad de radiación
cósmica a la cual un viajero queda expuesto en tal vuelo esté

a) Entre 4.00 y 5.00 mrem

Sea: X = cantidad de radiación cósmica (en mrem)

μ = 4.35 mrem
σ = 0.59 mrem
x 1 = 4.00 mrem
x 2 = 5.00 mrem

157
Primero convertimos x 1 y x 2 en unidades estándar:

x1   4.00  4.35
z1 = = = − 0.59
 0.59

x2  5.00  4.35
z2 = = = 1.10
 0.59

Por tanto,

P (4.00 ≤ X ≤ 5.00) = P (− 0.59 ≤ Z ≤ 1.10)

= P (0 ≤ Z ≤ 0.59) + P (0 ≤ Z ≤ 1.10)
= 0.2224 + 0.3643
= 0.5867 = 58.67%

58.67%

- 0.59 0 1.10

b) Sea al menos de 5.50 mrem

Sea : x = 4.00 mrem

x  5.50  4.35
Por tanto z= = = 1.95
 0.59

Entonces

P (X ≥ 5.50 ) = P (Z ≥ 1.95)
= P (Z ≥ 0) − P (0 ≤ Z ≤ 1.95)
= 0.5000 − 0.4744
= 0.0256 = 2.56%

158
 2.56%

0 1.95
∎

EJERCICIOS 3.5

1. Si una variable aleatoria Z tiene distribución normal estándar, calcular las probabilida-
des de que tome un valor
a) Entre 0 y 1.42 e) Entre − 1.79 y − 0.54
b) Entre − 0.73 y 0 f) Menor o igual que 0.73
c) Entre − 1.37 y 2.01 g) Mayor o igual que 1.13
d) Entre 0.65 y 1.26

2. Determinar el valor de z si la probabilidad de que una variable aleatoria Z con distribu-

ción normal estándar tome un valor
a) Entre 0 y z es 0.4236 d) Mayor o igual que z es 0.1093
b) Menor o igual que z es 0.7967 e) Entre − z y z es 0.9298
c) Entre z y 2 es 0.1000

3. La media de los diámetros interiores de una muestra de 200 arandelas producidas por
una máquina es 0.502 pulgadas y la desviación estándar 0.005 pulgadas. El propósito
para el que se destinan estas arandelas permite una tolerancia máxima en el diámetro
de 0.496 a 0.508 pulgadas, de otro modo, las arandelas se consideran defectuosas.
Determinar el porcentaje de arandelas defectuosas producidas por la máquina, supo-
niendo que los diámetros se distribuyen normalmente.

4. Las especificaciones de cierta tarea recomiendan lavadoras con un diámetro interno de

0.300 ± 0.005 pulgadas. Si los diámetros internos de las lavadoras proporcionadas por
un fabricante determinado pueden considerarse como una variable aleatoria cuya distri-
bución es normal con μ = 0.302 pulgadas y σ = 0.003 pulgadas, ¿qué porcentaje de las
lavadoras cumplen las especificaciones?

5. Si los diámetros de cojinetes de bolas se distribuyen normalmente con media 0.6140

pulgadas y desviación estándar 0.0025 pulgadas, determinar el porcentaje de cojinetes
de bolas con diámetros:
a) Entre 0.610 y 0.618 pulgadas inclusive
b) Mayor o igual que 0.617 pulgadas
c) Menor o igual que 0.608 pulgadas

159
6. El tiempo requerido para ensamblar una pieza mecánica es una variable aleatoria cuya
distribución es aproximadamente normal, con  = 12.9 y  = 2.0 minutos. ¿Cuáles
son las probabilidades de que el ensamblado de tal pieza mecánica tarde
a) Al menos 11.5 minutos?
b) Entre 11.0 y 14.8 minutos?

7. En un proceso fotográfico, el tiempo de revelado de las copias es una variable aleatoria

cuya distribución normal tiene una media de 16.28 segundos y una desviación estándar
de 0.12 segundos. Calcúlese la probabilidad de que tarde
a) Entre 16.00 y 16.50 segundos el revelado de una de las copias
b) Al menos 16.20 segundos
c) A lo más 16.35 segundos.

8. El tiempo de ignición de un cohete experimental es una variable aleatoria que tiene la

distribución normal con μ = 4.76 segundos y σ = 0.04 segundos. ¿Cuál es la probabili-
dad de que el tiempo de ignición de tal cohete sea:
a) Menor que 4.66 segundos
b) Mayor de 4.80 segundos
c) Entre 4.70 y 4.82 segundos?

9. Ciertos bastoncillos de plástico moldeados por inyección son cortados automáticamente

en longitudes nominales de 6 pulgadas. Las longitudes reales están distribuidas nor-
malmente alrededor de la media de 6 pulgadas y sus desviaciones estándar son 0.06
pulgadas. ¿Qué proporción de los bastoncillos rebasan los límites de tolerancia, que
son de 5.9 a 6.1 pulgadas?

10. Una empresa que fabrica y embotella jugo de manzana tiene una máquina automática
que llena las botellas de 16 onzas (450 ml). Sin embargo, hay cierta variación en la can-
tidad de líquido que llega a cada botella. Durante un intervalo muy grande se tuvo una
cantidad promedio entregada a cada botella de 16 onzas, con una desviación estándar
de 1 onza en las mediciones. Si se supone que la cantidad servida en cada botella tiene
distribución normal, estimar la probabilidad de que la máquina vacíe más de 17 onzas
de líquido en cualquier botella.

11. Una operación de maquinado produce ejes de acero cuyos diámetros están distribui-
dos normalmente con un promedio de 1.005 pulgadas y desviación estándar de 0.01
pulgadas. Las especificaciones piden diámetros que queden en el intervalo 1.00 ± 0.02
pulgadas. ¿Qué porcentaje de la producción no cumplirá las especificaciones?

12. La cantidad semanal que una compañía gasta en mantenimiento y reparaciones tiene
una distribución normal aproximada cuyo promedio es de $400 y su desviación están-
dar es de $20. Si el presupuesto para cubrir los gastos de reparación para la semana
siguiente es de $450, ¿cuál es la probabilidad de que los costos reales sean mayores
que la cantidad supuesta?

13. Las ausencias por enfermedad de los empleados de una empresa en un mes tienen
una distribución normal aproximada, con promedio de 200 horas y varianza de 400.
Calcular la probabilidad de que el mes próximo el ausentismo total por enfermedad sea
menor que 150 horas.

160
EJERCICIOS DE REPASO DEL CAPÍTULO 3

1. Un jugador lanza dos monedas corrientes. Gana $1 o $2 según que aparezcan 1 o 2

águilas. Por otra parte, pierde $5 si no aparece águila. Determinar el valor esperado E
del juego y si éste es favorable al jugador.

1
2. La probabilidad de que el equipo A gane un juego es . A juega con B en un torneo.
2
El primer equipo que gane dos juegos seguidos o un total de tres gana el torneo. Hallar
el número esperado de juegos en el torneo.

3. Una caja contiene ocho artículos de los cuales dos son defectuosos. Una persona se-
lecciona tres artículos de la caja. Hallar el número esperado de artículos defectuosos
que ella saca.

4. Se lanza una moneda corriente hasta que resulte un águila o cinco sellos. Hallar el va-
lor esperado E de los lanzamientos de la moneda.

5. Una mano de póker de cinco cartas puede contener entre cero y cuatro ases. Si X es la
variable aleatoria que denota el número de ases, hallar la distribución de probabilidad
de X.

6. En cierta ciudad, se da por hecho que los gastos médicos son la causa del 75% de to-
das las quiebras personales. Empléese la fórmula de la distribución binomial para calcu-
lar la probabilidad que los gastos médicos sean la causa para dos de las cuatro próxi-
mas quiebras personales registradas en tal ciudad.

7. Si la probabilidad de que el vapor se condense en un tubo delgado de aluminio a 10

atm de presión es 0.40, úsese la fórmula de la distribución binomial para calcular la
probabilidad de que en las condiciones establecidas el vapor se condense en cuatro de
doce de tales tubos.

8. Se asegura que, en el 60% de todas las instalaciones fototérmicas, los gastos de servi-
cios se reducen al menos en una tercera parte. De acuerdo con lo anterior, ¿cuáles son
las probabilidades de que se reduzcan al menos en una tercera parte en
a) Cuatro de cinco instalaciones
b) Al menos cuatro de cinco instalaciones?

9. Si la probabilidad de que a cualquier persona no le guste el sabor de una nueva pasta

dental es 0.20, ¿cuál es la probabilidad de que a cinco de dieciocho personas elegidas
aleatoriamente no les guste?

10. Un fabricante de lavadoras asegura que solamente el 10% de sus lavadoras requiere
reparación dentro del periodo de garantía que es de 12 meses. Si cinco de veinte de
sus lavadoras requieren reparación durante el primer año, ¿contribuye esto a apoyar o
a refutar su afirmación?

161
11. Si la probabilidad de que cierta columna falle ante una carga axial específica es 0.05,
¿cuáles son las probabilidades de que entre dieciséis de tales columnas
a) A lo máximo dos fallen
b) Al menos cuatro fallen?

12. De una baraja corriente de 52 cartas se saca y se sustituye tres veces una carta. Usar
la distribución binomial para hallar la probabilidad de que resulten:
a) Dos corazones
b) Tres corazones
c) Por lo menos un corazón

13. Una familia tiene seis hijos. Usar la distribución binomial para hallar la probabilidad P
de que sean:
a) Tres niños y tres niñas
b) Menos niños que niñas

16. Si el 0.8% de los fusibles depositados en un lote están defectuosos, úsese la aproxi-
mación de Poisson para determinar la probabilidad de que cuatro fusibles estén defec-
tuosos en una muestra aleatoria de 400.

17. Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernación
defectuosa. Calcúlese la probabilidad de que dos de cien libros terminados en este ta-
ller tengan una encuadernación defectuosa, utilizando
a) La fórmula para la distribución binomial
b) La aproximación de Poisson a la distribución binomial

18. Suponiendo que el conmutador de una oficina de asesoría recibe un promedio de 0.6
llamadas por minuto, calcúlese la probabilidad de que
a) En un minuto cualquiera haya al menos una llamada
b) En un intervalo de cuatro minutos haya al menos tres llamadas

19. Según la National Office of Vital Statistics of the U.S. Department of Health, Education
and Welfare, el promedio de ahogados por accidente por año en Estados Unidos es tres
de cada cien mil personas. Hallar la probabilidad de que en una ciudad cuya población
es de 200 000 haya:
a) Entre cuatro y ocho ahogados por año
b) Menos de tres ahogados por año

20. Entre las 2 y las 4 de la tarde el promedio de llamadas telefónicas que recibe la cen-
tralita de una compañía por minuto es 2.5. Hallar la probabilidad de que en un determi-
nado minuto haya:
a) Cuatro o menos
b) Más de seis llamadas

162
21. Una variable aleatoria X tiene la función de densidad de probabilidad

 kx para 0 x  2

f (x) =  k (4  x) para 2 x  4
 0
 en otra parte

a) Encontrar el valor de k para el cual f es una función de densidad de probabilidad.

b) Encontrar la media y la varianza de X.

22. Repetir el problema anterior considerando que la función de probabilidad está definida
como

 kx para 0 x  a

f (x) =  k (2a  x) para a  x  2a

 0 en otra parte

23. Una variable aleatoria X tiene una función de densidad de probabilidad expresada
mediante

 k x (1  x) si 0  x  1
f (x) = 
 0 en otra parte

a) Calcular el valor de k que hace a esta ecuación una función de densidad de probabi-
lidad
b) Calcular P (0.4 ≤ x ≤ 1)
c) Calcular P (x ≤ 0.8)

24. La eficacia de las unidades de calefacción por energía solar depende de la cantidad
de radiación del sol. Para un mes de octubre típico, la radiación solar diaria en Tampa,
Florida, sigue aproximadamente la función de densidad de probabilidad que se da a
continuación (las unidades son cientos de calorías)


 3 ( x  2) (6  x) si 2  x  6
f (x) =  32

 0 en otra parte

a) Calcular la probabilidad de que la radiación solar sea mayor que 300 calorías en
un día normal de octubre.
b) Calcular la radiación solar diaria esperada en octubre.

25. Sea X una variable aleatoria continua con la función de densidad de probabilidad


 1 x si 0  x  2
f (x) =  2

 0 en otra parte

163
 a) Encontrar P (1 ≤ x ≤ 1.5)
b) Encontrar el valor esperado y la desviación estándar de X.

26. Una empresa ha encontrado que la duración de sus llamadas telefónicas a larga dis-
tancia tiene aproximadamente una distribución normal, con media de tres minutos y
desviación estándar de un minuto.
a) ¿En qué proporción las llamadas a larga distancia tienen una duración de más de
dos minutos, pero de menos de tres y medio minutos?
b) ¿Qué proporción de llamadas se completan en un minuto o menos?
c) Una secretaria va a hacer una llamada a larga distancia. ¿Cuál es la probabilidad de
que dure más de cinco minutos?

27. Unos expertos agrícolas descubren que el rendimiento por acre de un determinado
tipo de grano tiene una distribución aproximadamente normal, con media y desviación
estándar de 40 y 10 toneladas por acre respectivamente.
a) ¿Qué proporción del área en acres sembradas de este grano producen más de cin-
cuenta toneladas por acre?
b) Si se elige al azar un acre en la hacienda donde se siembra este grano, ¿cuál es la
probabilidad de que produzca menos de 15 toneladas?

29. Supóngase que los diámetros de los tornillos fabricados por una compañía están dis-
tribuidos normalmente con media 0.25 pulgadas y desviación estándar 0.02 pulgadas.
Se considera defectuoso un tornillo si su diámetro es menor o igual a 0.20 pulgadas o
mayor o igual a 0.28. Hallar el porcentaje de tornillos defectuosos producidos por la
compañía.

30. Un método para hacer predicciones económicas es mediante una aproximación por
consenso. Se obtiene un pronóstico de cada uno de un gran número de analistas; el
promedio de estos pronósticos individuales es el pronóstico general. Suponga que los
promedios individuales de enero de 2015 con respecto a la tasa de interés mínima de
todos los analistas económicos tiene aproximadamente una distribución normal con una
media igual a 14% y una desviación estándar de 2.6%. Si se selecciona al azar un solo
analista de este grupo, ¿cuál es la probabilidad de que el pronóstico de la tasa de inte-
rés mínima del analista sea:
a) Mayor que 18%
b) Menor que 16%

31. La duración de las barrenas de perforación para pozos petroleros depende de las ca-
racterísticas geológicas que se encuentren, pero se estima que su duración media es
de 75 horas. Si una compañía exploradora de petróleo adquiere barrenas que tienen
una duración con una distribución aproximadamente normal con media de 75 horas y
desviación estándar de 12 horas:
a) ¿Qué proporción de barrenas de perforación fallará antes de 60 horas de operación?
b) ¿Qué proporción durará al menos 60 horas?
c) ¿Qué proporción deberá ser reemplazada después de más de 90 horas de uso?

32. El diámetro de los pernos de una fábrica tiene una distribución normal con una media
de 950 mm y una desviación estándar de 10 mm. ¿Cuál es la probabilidad de que un
perno escogido al azar tenga un diámetro entre 947 y 958 mm?

164
33. Los conductores que se fabrican para utilizarse en determinado sistema de cómputo
necesitan tener resistencias que varíen entre 0.12 y 0.14 ohm. Las resistencias reales
medidas de los conductores que produce la Compañía A tienen una distribución normal
de probabilidad con un promedio de 0.13 ohm y una desviación estándar de 0.005 ohm.
a) ¿Cuál es la probabilidad de que un conductor seleccionado al azar de la producción
de la Compañía A cumpla con las especificaciones?
b) Si se usan cuatro de esos conductores en el sistema y son de la Compañía A, ¿cuál
es la probabilidad de que los cuatro cumplan con las especificaciones?

34. Una operación de maquinado produce rodamientos con diámetro distribuido normal-
mente, cuyo promedio y desviación estándar son, respectivamente, 3.005 y 0.01. Las
especificaciones del cliente piden que los diámetros de los rodamientos queden en el
intervalo 3.000 ± 0.020. Los que queden fuera del intervalo se consideran desechos y
se deben remaquinar o usar como repuesto para rodamientos más pequeños.
a) Con el ajuste actual de la máquina, ¿qué fracción de la producción total se desecha-
rá?
b) Suponer que se toman cinco rodamientos de la producción. ¿Cuál es la probabilidad
de que al menos uno sea defectuoso?

35. En una población determinada la estatura de los adultos hombres está más o menos
normalmente distribuida, con una media y una desviación estándar de 70 y 3 pulgadas
respectivamente.
a) ¿Qué proporción de hombres tiene entre 65 y 73 pulgadas de altura?
b) Se elige al azar un adulto en esa población. ¿Cuál es la probabilidad de que tenga
más de 6 pies de altura?
c) ¿Qué proporción de adultos tiene menos de 5 pies y 8 pulgadas de altura?

165