primera

0011 0010 1010 1101 0001 0100 1011

UNIDAD
Cul es la importancia de las

1
2
distribuciones
0011 0010 1010 1101 0001 0100 1011
de probabilidad?

4
f( x)

50% 50%

X
 Distribucin uniforme Distribucin poisson

0011 0010 1010 1101 0001 0100 1011

1.2 4.6 minutos minutos

Tiempos de respuesta

Distribucin normal

1
2
45,750

valoracin

4
 Sumario
0011 0010 1010 1101 0001 0100 1011
1. Cul es la importancia del estudio de las distribuciones de
probabilidad?
2. Cul es la diferencia entre una distribucin discreta de
probabilidad y una continua?

1
2
3. Cules son las caractersticas de la distribucin Binomial?
4. Cules son las caractersticas de la distribucin
Hipergeomtrica?

4
5. Cules son las caractersticas de la distribucin Poisson?
6. Cules son las caractersticas de la distribucin Exponencial?
7. Cules son las caractersticas de la distribucin Uniforme?
8. Cules son las caractersticas de la distribucin Normal?
 ORIENTACIONES Y PROPSITOS
0011 0010 1010 1101 0001 0100 1011

La presente unidad tiene como propsito

comprender los conceptos sobre el

1
2
comportamiento de una variable aleatoria
quede descrito por su distribucin de
probabilidad, mediante un grfico, en

4
forma tabular o por medio de una frmula.
 Leccin 1
VARIABLE ALEATORIA
1. Concepto
0011 0010 1010 1101 0001 0100 1011

Dado un experimento y su espacio muestral SS asociado al experimento,

adems X es una funcin el cual asigna un nmero real X(s) a cada resultado del
espacio muestral, entonces X(s) es llamada una variable aleatoria.

1
2
El rango o recorrido de una variable aleatoria X, es Rx, es el conjunto de
resultados posibles que toma la variable aleatoria.

4
SS X
Rx

s.

X(s)
 Ejemplo
Sea SS el espacio muestral asociado al experimento de
lanzar una moneda tres veces y se anotan el nmero de
caras
0011 0010 que1101
1010 se obtienen.
0001 0100 1011

Se define como la variable aleatoria X al nmero de caras

que se obtienen, y los posibles resultados son 0, 1 , 2 , o 3
caras, es decir, RX={0,1,2,3}. Por ejemplo X(SSS)=0

1
2
SS
X
SSS Rx
SCC

4
0
CSC
CCS 2
SCS
1
SSC
CSS
3
CCC
 2. Variable aleatoria discreta
Si el rango Rx de la variable aleatoria X es finito o infinito numerable,
entonces X es llamado una variable aleatoria discreta. En este caso Rx ={
0011 0010 1010 1101 0001 0100 1011
x1, x2, ,xk,.}.
Una variable aleatoria discreta puede asumir solo ciertos valores, con
frecuencia nmeros enteros, y resulta principalmente del conteo.

1
2
Ejemplos
El nmero de caras en el experimento del lanzamiento de la moneda.
El nmero de personas, camiones, etc. que hacen una cola de espera.

4
 3. Distribucin de probabilidad de una
variable aleatoria discreta
Definicin
La0010
0011 distribucin
1010 1101 de probabilidad
0001 0100 1011 de una v.a. discreta es una tabla,
grfica, frmula o cualquier otro medio que se utilice para especificar
todos los valores posibles de una v.a. discreta junto con sus respectivas
probabilidades.

1
2
La probabilidad de que la v.a. discreta X tome algn valor especifico, xi ,
se escribe como P(xi) = P(X = xi) y se llama funcin de probabilidad (o
funcin de probabilidad puntual o ley de probabilidad), adems a la

4
coleccin de pares [(xi , P(xi) ),i =1,2,....] es llamada distribucin de
probabilidad.
Propiedades:
(1) 0 P(X = xi) 1 y
(2) P(X = xi) = 1.
 3. Distribucin de probabilidad de una
variable aleatoria discreta (cont.)
Ejemplo
0011 0010 1010 1101 0001 0100 1011
La distribucin de probabilidad del experimento de lanzar una moneda
tres veces, se calcula de la siguiente manera y presenta en la figura 1.3

P(X=0) = P( {SSS} )=(1/2) (1/2) (1/2) = 1/8

1
2
P(X=1) = P( {SSC o SCS o CSS} )= 1/8 + 1/8 + 1/8 = 3/8
P(X=2) = P( {SCC o CSC o CCS} )= 1/8 + 1/8 + 1/8 = 3/8

4
P(X=3) = P( {CCC} )= 1/8

Interpretacin
La probabilidad de que los tres lanzamientos de una moneda resulten en
dos caras es: P(X =2) = 3/8.
 4. Media de una distribucin de probabilidad discreta
Definicin
La media de una variable aleatoria discreta X o media de la distribucin
0011 0010 1010 1101 0001 0100 1011
de probabilidad de X, es un nmero real que se denota por , se llama
tambin esperanza matemtica o valor esperado de X.
La media aritmtica o valor promedio de una distribucin de probabilidad

2
se llama el valor esperado E(X), y se halla multiplicando cada resultado

1
posible por su probabilidad y sumando los resultados, tal y como se
muestra en la siguiente frmula:

EX xi P xi

4
Media o valor esperado
de una distribucin de
probabilidad discreta

donde xi son los resultados individuales de una variable aleatoria discreta

X.
 5. Varianza de una distribucin de probabilidad discreta

Definicin
Mide
0011 la 1010
0010 dispersin de los
1101 0001 resultados
0100 1011 alrededor de su media. La varianza
se expresa en unidades al cuadrado, pero la desviacin estndar se
expresa en las mismas unidades que la variable aleatoria y por ende con
frecuencia tiene una interpretacin ms racional.

1
2
Varianza de una
distribucin de xi Pxi
2 2
probabilidad discreta

Frmula alternativa: 2 xi2 Pxi 2

4
5. Varianza de una distribucin de probabilidad discreta (cont.)
Ejemplo
Utilizando la tabla de distribucin de probabilidades del experimento de
lanzar
0011 0010una moneda
1010 tres veces,
1101 0001 se calcula la media y la varianza:
0100 1011

Tabla 1.2 Tabla para el clculo de la media y la varianza.

N de caras P(xi) (xi) P(xi) (xi - )2 P(xi)

1
2
xi
0 1/8 0 (0 -1.5)2 * 1/8 =
1 3/8 3/8 (1 -1.5)2 * 3/8 =

4
2 3/8 6/8 (2 -1.5)2 * 3/8 =
3 1/8 3/8 (3 -1.5)2 * 1/8 =
1 =E(X) = 12/8 =1.5 2 = 0.75

La varianza es 2 = 0.75 y la desviacin estndar es: 2 0.8660

 6. Variable aleatoria continua
Definicin
Si el rango R de la variable aleatoria X es un intervalo o una coleccin de
0011 0010 1010 x1101 0001 0100 1011
intervalos, entonces X es llamado una variable aleatoria continua.
Una v.a. continua resulta principalmente de la medicin y puede tomar
cualquier valor, al menos dentro de un rango dado. Tiene como rango un

2
intervalo de nmeros reales.

Ejemplos 1
4
Los pesos de los estudiantes..
La estatura de los clientes.
Los ingresos de los empleados.
El tiempo entre llegadas a la cola de espera.
 7. Funcin de densidad de probabilidad
Definicin
Para una v.a. continua X, donde la funcin f(x) es llamada funcin de
densidad de probabilidad, que satisface las siguientes condiciones:
0011 0010 1010 1101 0001 0100 1011
1) f x 0 para todo x R x

2) P ( a X b ) f x dx 1
Rx

1
2
a
3) P (a X b) f x dx rea bajo f(x) de a y b cualesquiera
b

4
f(x)
P(aXb)

x=a x=b

Figura 1.4 Funcin de densidad de probabilidad hipottica

 8. Distribucin de probabilidad de una
variable aleatoria continua
0011 0010 1010 1101 0001 0100 1011
Definicin
La funcin de densidad de probabilidad f(x) permite describir la
distribucin de probabilidad de una variable aleatoria continua X.

1
2
Nota:
El punto importante es que f(x) se usa para calcular un rea que
representa la probabilidad de que la variable aleatoria continua X ,

4
asuma un valor en [a, b].
 9. Ejemplos de la leccin

0011 0010 1010 1101 0001 0100 1011

1
2
4
 Leccin 2
0011 0010 1010 1101 0001 0100 1011

DISTRIBUCIONES DISCRETAS
DE PROBABILIDAD 1
2
4
 LA DISTRIBUCIN BINOMIAL
1. Introduccin
0011 0010 1010 1101 0001 0100 1011

El experimento de lanzar la moneda discutido anteriormente tiene solo

dos posibles resultados 1) cara (2) sello. La probabilidad de cada uno es
conocida y constante de un intento al siguiente, y adems el experimento

1
2
puede repetirse muchas veces. Los experimentos de este tipo siguen una
distribucin binomial con las caractersticas de un proceso de Bernoulli.

4
 2. Proceso de Bernoulli
El proceso de Bernoulli debe tener las siguientes propiedades:
1. Slo debe saber dos posibles resultados.
0011 0010 1010 1101 0001 0100 1011
2. La probabilidad de un xito representada por , sigue siendo
constante de un ensayo al siguiente. Tambin, la probabilidad de
fracaso, 1- .
3. Los ensayos o intentos repetidos son independientes.

1
2
4. El experimento puede repetirse n veces.

4
 3. Distribucin binomial
El nmero X de xitos en un proceso Bernoulli, se llama v.a. binomial. La
distribucin de probabilidad de esta v.a. discreta se llama distribucin
0011binomial,
0010 1010dada por
1101 P(x).0100 1011
0001

Si se conoce la probabilidad de que un ensayo determinado producir un

xito, entonces es posible determinar la probabilidad de cuntos xitos
habr, en un nmero dado de ensayos, es decir, P(x) = P x xitos en n

1
2
ensayos.

Frmula P( x) n!

1
x! n x !

xn x

n Cx 1

4
Binomial x n x

n
Donde: P( x) P( X x) x 1 n x x 1 n x
n!

x x!n x !

X: Es el nmero de xitos, x = 0,1,2,..,n; n=nmero de ensayos;

=probabilidad del xito 1-=probabilidad del fracaso.
 4. Aplicaciones
Los sindicatos laborales con frecuencia desean saber cuantos
trabajadores (1) estn interesados en unirse al sindicato y (2) quienes no
0011 0010 1010 1101 0001 0100 1011
estn interesados.
Los banqueros pueden hacen encuestas a los expertos en economa
sobre si las tazas de inters:(1) aumentaran o (2) no aumentarn.
El personal de mercadeo desea saber si una persona: (1) prefiere o (2)

1
2
no prefiere cierto producto.
Poblacin

4
X1=Si Muestra Aleatoria
X2=No
X3=Si
ESQUEMA ..
.. P(X=x)=?
..
..

.XN=No n=tamao de muestra

N=Tamao poblacin
 Ejemplo de distribucin binomial
Un gerente de crdito de una tarjeta de crdito ha descubierto que
=10% de los usuarios de tarjeta no paga el monto completo de la deuda
0011durante un mes
0010 1010 1101dado. El desea
0001 0100 1011determinar la probabilidad que de n=20
cuentas seleccionadas de manera aleatoria, x=5 de las cuentas no sean
pagadas. Esto puede expresarse como:
P(X=5) = P(X=5 | n=20 ; =0.10), lo cual se lee como la probabilidad de

1
2
5 xitos dado que hay 20 ensayos y la probabilidad de un xito de
cualquier ensayo es del 10%.
Poblacin con tarjeta

4
X1 = Si paga
Muestra Aleatoria
X2 = No paga

..

.
P(X=5) = ????
.XN = Si paga

n=20 cuentas
N=Tamao de la poblacin
 Ejemplo de distribucin binomial (cont.)
La solucin es:
P( X 5) P( X 5 | n 20, 0.10) 20 C5 0.105 1 0.10205 0.0319
0011 0010 1010 1101 0001 0100 1011
20
P( X 5) P( X 5 | n 20, 0.10) 0.105 1 0.1020 5 0.0319

5

P( X 5)
20!
0.105 1 0.10205 0.0319
5!20 5!

1
2
Figura 1.5 Esquema del uso de la distribucin binomial en la tarjeta de crdito.

4
Poblacin con tarjeta

X1 = Si paga
Muestra Aleatoria
X2 = No paga

..

. P(X=5) = 0.0319
.XN = Si paga

n=20 cuentas
N=Tamao de la poblacin
 Ejemplo de distribucin binomial (cont.)
Interpretacin:
0011Existe un 3.19%
0010 1010 de oportunidad
1101 0001 0100 1011 de que exactamente 5 de 20 cuentas
seleccionadas de manera aleatoria tengan un saldo de favor, dado que la
probabilidad de que no se pague una cuenta cualquiera en su totalidad es
=0.10.

1
2
4
 5. Uso de la tabla binomial
Nos piden calcular: P(X=5) = P(X=5 | n=20 ; =0.10)=?
Esta informacin se obtiene ms fcilmente utilizando la tabla binomial.
0011 0010 1010 1101 0001 0100 1011

En la tabla binomial, las dos primeras columnas muestran los posibles

valores para n y x.
1 Ubique el valor de 20 para n debido a que hay 20 ensayos (cuentas)

1
2
2 Localice la fila que contenga los valores de probabilidad para x=5. ( Se
busca la probabilidad de que x=5 xitos (cuentas no pagadas),

4
3 Proceda a lo largo de la fila hasta encontrar la columna encabezada
con =0.10. All se encontrara el valor 0.0319.
Entonces: P(X=5) = P(X=5 | n=20 ; =0.10)= 0.0319
 5. Uso de la tabla binomial (cont.)
Ejemplo
Se tiene que el personal de ventas de una compaa, hace una venta al
001115%
0010de los 1101
1010 clientes
0001a 0100
los que
1011visitan. Si un miembro del personal de

ventas llama a 15 clientes hoy Cul es la probabilidad de que venda

exactamente dos aparatos? Nos piden P(X=2)=?
Solucin

1
2
En la tabla binomial, dado n=15 , x=2 y =0.15, ubique el valor para
n=15, luego la fila que pertenezca a x=2. En la fila encabezada por la
columna =0.15, encontrar P(X=2) = P(X=2|n=15 ; =0.15)=0.2856.
Interpretacin

4
Poblacin de clientes

Existe 28.56% de oportunidad X1 = Si vende Muestra Aleatoria

de que se hagan exactamente X2 = No vende

dos ventas de las 15 llamadas. ..

.
P(X=2) = 0.2856
.XN = Si vende

n=15 clientes
N=Tamao poblacin
 5. Uso de la tabla binomial (cont.)
Ejemplo
De acuerdo con el peridico de educacin superior, el 40% de todos los
0011bachilleres trabajan
0010 1010 1101 0001durante el verano. Si 7 bachilleres se seleccionan
0100 1011

de manera aleatoria Cul es la probabilidad de que (a) 5 tengan trabajo

en el verano, (b) ninguno trabaje, (c) todos trabajen?
Esquema:

1
2
Poblacin de bachilleres

Muestra Aleatoria

4
X1 = trabaja

X2 = No trabaja a) P(X=5) = ?
.

.XN = Si vende b) P(X=0) = ?

c) P(X=7) = ?

n=7 bachilleres
N=Tamao poblacin
 5. Uso de la tabla binomial (cont.)
Nota: La tabla binomial incluye los valores de solo hasta 0.5. Qu
debe hacerse si la probabilidad de un xito es mayor a 0.5 ?
0011 0010 1010 1101 0001 0100 1011

Ejemplo
Supongamos que el 70% de todos los residentes de una ciudad tiene sus
computadores enlazados con internet. Cul es la probabilidad de que

1
2
de los 10 residentes seleccionados aleatoriamente, 6 estn conectados.
Ya que >0.5, no se puede utilizar la tabla binomial, sin algn ajuste.
Esquema:

4
Poblacin de residentes

X1 = conectado
Muestra Aleatoria

X2 = No conectado

..
P(X=6) =??
...

XN = No conectado
n=10 residentes
N=Tamao poblacin
 5. Uso de la tabla binomial (cont.)
Solucin
1ra. Usando la frmula binomial:
P( X 6) P( X 6 | n 10; 0.70)10 C6 0.70 1 0.70
0011 0010 1010 1101 0001 0100 1011 106

6

P( X 6)
10!
0.706 1 0.704 0.2001
6!10 6!

2da. Usando un artificio: construir dos arreglos:

1
2
Si 6 de los 10 residentes son usuarios de internet, entonces 4 no lo son.

4
Es decir, 6 xitos a =0.70 es lo mismo que 4 fracasos a =0.30.
0 1 2 3 4 5 6 7 8 9 10 (=0.70)
10 9 8 7 6 5 4 3 2 1 0 (=0.30)

P(X=6| n=10 ; =0.70) = P(X=4| n=10 ; =0.30) = 0.2001 (Ver tabla binomial)
 6. Parmetros de una distribucin binomial

E X n
Media de una
0011 0010 1010 1101 0001 0100 1011
distribucin binomial

y
Varianza de una
n 1
1
2
distribucin binomial 2

4
Ejemplo
Para los residentes de la cuidad con sus computadoras enlazadas al
internet, si n=10, E(X)=(10)(0.70)=7. De las 10 personas seleccionadas
aleatoriamente, se esperara que 7 estuvieran enlazadas al internet.
La varianza es =(10)(0.70)(0.30)=2.1 y la desviacin estndar es
=1.45.
 7. Distribucin binomial acumulada
Ejemplo
Dados los datos del ejemplo de los bachilleres que trabajan de verano,
0011determinar
0010 1010la1101
probabilidad
0001 0100de que 3 o menos bachilleres trabajen. Este
1011
problema implica una distribucin binomial acumulada debido a que se
esta interesado en un rango de valores (0 a 3).
Usar el siguiente arreglo ordenado. La probabilidad del evento A (0 a 3
trabajen) es P(A) = P(X 3)=??. Los datos son: n=7 ; =0.40

0 1
A
2 3 4 5 6 7 1
(=0.40)

2
Poblacin de
bachilleres

X1 = trabaja

X2 = No trabaja

..XN = Si vende

N= Poblacin
P(X 3) = ?
n=7 bachilleres

4
Muestra Aleatoria
 7. Distribucin binomial acumulada (cont.)
Ejemplo (cont.)
Solucin: (Usando la distribucin binomial puntual)
P(X 3) = P(X3| n=7 ; =0.40) = P(X=0) + P(X=1) P(X=2) + P(X=3) = ?
0011 0010 1010 1101 0001 0100 1011
7
P( X 0) 0.40 1 0.40 0.400 0.607 0.0280
0 7 0 7!
0 0!7!
7
P( X 1) 0.40 1 0.40 0.401 0.606 0.1306
1 71 7!

1
2
1 1!6!
7
P( X 2) 0.40 1 0.40 0.402 0.605 0.2613
2 7 2 7!
2!5!

4
2
7
P( X 3) 0.40 1 0.40 0.403 0.604 0.2903
3 73 7!
3 3!4!
P(X 3) = 0.0280 + 0.1306 + 0.2613 + 0.2903 = 0.7102
Interpretacin
Existe un 71.02% de probabilidad de que tres o menos bachilleres, de 7.
 8. Uso de la tabla binomial acumulada
Por conveniencia, estas sumas se compilan en la tabla de distribucin
binomial acumulada, la cual muestra la probabilidad del nmero de xitos
0011 0010 1010 1101 0001 0100 1011
que es igual a o menor que cierta cantidad, de manera directa.
Ejemplo (usando la tabla de distribucin binomial acumulada)
En el caso de los 3 o menos bachilleres trabajen. La solucin es:
P(X3 | n=7 ; =0.40) = 0.7102
NOTA:
1
2
La tabla de distribucin binomial acumulada proporciona la probabilidad

4
de que el nmero de xitos sea igual o menor que cierta cantidad.
[ P(X c) ] .
 8. Uso de la tabla binomial acumulada (cont.)
Ejemplo
Con los datos del ejemplo de los bachilleres que trabajan, se desea
conocer P(A)=P(X5)=?. La tabla binomial acumulada no da
0011 0010 1010 1101 0001 0100 1011
directamente esta probabilidad. Hay que construir un arreglo ordenado:
Evento A
0 1 2 3 4 5 6 7 (=0.40)
Evento Ac
1
2
Si el evento A es P(X5), entonces el evento contrario Ac es 4 o menos,

4
lo cual puede hallarse en la tabla binomial acumulada. Se sabe que
P(A)=1- P(Ac).
P(X5 | n=7 ; =0.40) = 1 - P(X4 | n=7 ; =0.40) = 1 - 0.9037 = 0.0963.
Interpretacin:
La probabilidad de que por lo menos 5 bachilleres trabajen es 9.63%.
 8. Uso de la tabla binomial acumulada (cont.)
Ejemplo
Con los datos de los bachilleres que trabajan, se desea conocer la
probabilidad de que entre 3 y 5 bachilleres inclusive trabajen. Se
0011 0010 1010 1101 0001 0100 1011
construye un arreglo de prueba. Nos piden ahora P(3 X5) =??
Evento A
0 1 2 3 4 5 6 7 (=0.40)
P(X2)=0.4199

1
2
4
P(X5)=0.9812

P(3 X5) = P(X 5) - P(X 2) = 0.9812 - 0.4199 = 0.5613

Interpretacin
Existe ...% de probabilidad de que entre 3 y 5 inclusive bachilleres
trabajen.
 8. Uso de la tabla binomial acumulada (cont.)
NOTA
La tabla binomial acumulada incluye valores de solo hasta 0.5. qu
debe hacerse si la probabilidad de un xito es >0.50 ?
0011 0010 1010 1101 0001 0100 1011

Ejemplo
Determinar la probabilidad de que 3 o menos bachilleres trabajen, dado
que ahora el 80% de los graduados trabajaron.

1
2
Nos piden :P(A)= P(X3 | n=7 ; =0.80) =??.
Se necesitan construirse dos arreglos ordenados, uno para =0.80 y
otro para =0.20.

4
Evento A
0 1 2 3 4 5 6 7 (=0.80)
7 6 5 4 3 2 1 0 (=0.20)
Evento A Evento Ac
 8. Uso de la tabla binomial acumulada (cont.)
Ejemplo (cont.)
Se observa que la probabilidad 3 o menos trabajen con =0.80 es la
misma que la probabilidad de que 4 o ms no trabajen a =0.20
0011 0010 1010 1101 0001 0100 1011

P(A) = P(X3 | n=7 ; =0.80) = P(X4 | n=7 ; =0.20) =

= 1 P(X3 | n=7 ; =0.20)=

1
2
Usando la tabal binomial acumulada

4
= 1 0.9667 = 0.0333

Se puede usar la tabla binomial acumulada o la frmula binomial para

encontrar probabilidades puntuales.
 9. Ejercicios de la leccin
1. El 10% de los discos de computador producidos por un nuevo proceso salen
defectuosos. Si hay 20 discos en una caja:
0011 0010 1010 1101 0001 0100 1011
a. Cuntos esperara usted que salieran defectuosos? Rpta. 2
b. Cul es la probabilidad de que el nmero de discos defectuosos sea igual al
nmero esperado que usted determin en su respuesta a la parte a? Rpta.
0.2852

1
2
2. Solo 20% de los empleados de la poblacin civil que esta en una base militar
restringida para su identificacin persona. Si llegan 10 empleados ,cual es la
probabilidad de que el guardia de seguridad encuentre:
a. Por lo menos cuatro empleados con identificacin? R. 0.1209

4
b. A lo sumo 5 empleados con identificacin? R. 0.9936
c. Entre 4 y 7 empleados inclusive con identificacin? R. 0.1208

3. Usted ha contratado 8 recepcionistas telefnicas para que tomen los pedidos telefnica para que
tomen los pedidos telefnicos para una lnea de productos deportivos que su empresa esta
comercializando .una recepcionista esta ocupada el 30%del tiempo catalogando un pedido . Usted no
desea que la probabilidad de que una llamada del cliente se reciba con una seal de ocupado exceda
del 50%. Debera usted contratar ms recepcionistas si 3 clientes llaman?
 Leccin 3
0011 0010 1010 1101 0001 0100 1011

LA DISTRIBUCIN
HIPERGEOMETRICA 1
2
4
 LA DISTRIBUCIN
HIPERGEOMETRICA
1. Introduccin
0011 0010 1010 1101 0001 0100 1011

Los tipos de aplicaciones de la distribucin hipergeomtrica son similares

a aquellos de la binomial. El inters se centra en el clculo de
probabilidades para el nmero de observaciones que caen en una

1
2
categora particular.
La distribucin binomial es apropiada solo si la probabilidad de un xito

4
permanece constante para cada intento. Esto ocurre si el muestreo se
realiza con remplazo o de una poblacin finita (o muy grande).
La distribucin hipergeomtrica es de utilidad, si la poblacin es pequea
y ocurre el muestreo sin remplazo, la probabilidad de un xito variar.
Adems, la probabilidad de un xito no es constante,
 2. Experimento hipergeomtrico
Propiedades
a) 0010
0011 Una1010
muestra
1101 aleatoria
0001 0100 de1011
tamao n se selecciona sin reemplazo de
un total de N resultados posibles o artculos totales.
b) r resultados o artculos del total N pueden clasificarse como xitos y
N-r como fracasos.

Figura 1.7 Esquema del experimento hipergeomtrico.

1
2
4
Poblacin

r = xitos Muestra aleatoria

N-r
P(X=x) =?

n= tamao de muestra
N=Poblacin
 3. Distribucin hipergeomtrica
El nmero de X xitos en un experimento hipergeomtrico recibe el
nombre
0011 de variable
0010 1010 aleatoria
1101 0001 hipergeomtrica, de acuerdo con esto, la
0100 1011
distribucin de probabilidad de la variable hipergeomtrica se llama
distribucin hipergeomtrica, dado por P(x).

1
2
Cx Cn x
Distribucin
P x r N r
hipergeomtrica Cn
N

En donde:
N
r
n
x
es el tamao de la poblacin.
es el nmero de xitos en la poblacin.
es el tamao de la muestra.
es el nmero de xitos en la muestra.
4
 3. Distribucin hipergeomtrica (cont.)
Ejemplo
En un establo de caballos de carrera hay N=10 caballos, y r=4 de ellos
0011 tienen una1101
0010 1010 enfermedad
0001 0100 contagiosa
1011 Cul es la probabilidad de
seleccionar una muestra n=3 en la cual x=2 caballos enfermos?
Figura 1.8 Esquema distribucin hipergeomtrica del ejemplo de los caballos enfermos
Poblacin

1
2
Muestra aleatoria
r = 4 enfermos
P(X=2 enfer.) =?
N-r = 6 sanos

4
N = 10 caballos n = 3 caballos

C C 66
P(2 caballos enfermos) = P X 2 2 10 4 3 2
4
0.30
10 C3 120
Interpretacin
Existe un 30% de probabilidad de seleccionar tres caballos de carrera, dos de
los cuales estn enfermos.
 3. Distribucin hipergeomtrica (cont.)
Ejemplo
Un producto es embarcado en lotes de 20 unidades. Para la industria es
0011 demasiado costoso
0010 1010 1101 0001 llevar a cabo una inspeccin del 100% de su
0100 1011
produccin para determinar los tems defectuosos. Para minimizar el
nmero de embarques defectuosos hacia los clientes, se toma una
muestra aleatoria de 5 tems de cada lote y se rechaza el lote si se

2
encuentra ms de un defectuoso. Si el lote contiene 4 defectuosos,
cul la probabilidad de que sea rechazada?
1
Figura 1.9 Esquema distribucin hipergeomtrica del ejemplo de los tems defectuosos
Poblacin

r = 4 tems defect.

N-r =16 sanos

N = 120 lotes
Muestra aleatoria

P(X> 1) =?

n = 5 lotes
4
 3. Distribucin hipergeomtrica (cont.)
Ejemplo (cont.)
P(rechazar el lote) = P(X>1) = P(X2) =
0011 0010 1010 1101 0001 0100 1011
= 1 P(X<2) =
= 1 [ P(X=0) + P(X=1) ]
4 16 4 16

1
2
0 5 1 4

1 20 20

4
5 5
= 1 [0.2817 + 0.4696] = 0.2487
Interpretacin
Existe un 24.87% de probabilidad de que el lote sea rechazada.
 4. Ejercicios de la leccin
1. En un caso reciente en el distrito de Lima, tres mujeres entablaron una demanda
contra una empresa de servicios locales, por discriminacin de sexos. De las
nueve personas que eran elegibles para un ascenso, cuatro eran mujeres, las
0011 0010
otras1010 1101 0001
tres mujeres 0100demandaron.
elegibles 1011 Si el gnero no era un factor, Cul es la
probabilidad de que no ms que uno de los tres ascensos fuera asignada una
mujer? (Webster,p.114) Rpta: 0.5952
2. Como subgerente de su empresa de materias primas, usted debe.. completar

1
2
3. De los 15 altos ejecutivos de un negocio de exportaciones y de importaciones, se
seleccionan 12 para ser enviados a Japn a estudiar un nuevo proceso de
produccin. Ocho de los ejecutivos ya tienen algo de entretenimiento en el

4
proceso. Cul es la probabilidad de que 5 de los enviados tengan algo de
conocimiento sobre el proceso antes de partir para el lejano oriente? Rpta. 0.1230
4. Una encuesta sirve como fuente para este problema, que su supervisor le solicita
que resuelva. De los 10 empleados hombres, 7 tenan esposas que tambin
trabajaban. Cul es la probabilidad de que a lo sumo un esposo tenga una
esposa que est empleada fuera de casa si se seleccionan tres trabajadores al
azar? Rpta: 0.1833
 Leccin 4
0011 0010 1010 1101 0001 0100 1011

2
LA DISTRIBUCIN DE POISSON
1
4
 LA DISTRIBUCIN DE POISSON
1. Introduccin
0011 0010 1010 1101 0001 0100 1011
Una variable discreta de gran utilidad en la medicin de la frecuencia
relativa de un evento sobre alguna unidad de tiempo o espacio es la
distribucin de Poisson.
Con frecuencia se utiliza para describir:

1
2
El nmero de llegadas de cliente por hora.(Teora de colas)
El nmero de accidentes industriales cada mes.
El nmero de conexiones elctricas defectuosas por milla de

4
cableado.
El nmero de errores de mecanografa por pgina.
Los experimentos que resultan en valores numricos de una variable
aleatoria X, que representa el nmero resultados o eventos en un
intervalo de tiempo o espacio, se llama experimentos de Poisson.
 2. Proceso de Poisson

Un experimento de Poisson surge del proceso de Poisson y tiene las

0011 siguientes
0010 1010 propiedades:
1101 0001 0100 1011

Propiedades:
a. La probabilidad de ocurrencia del evento es constante para dos

2
intervalos cualesquiera de tiempo o espacio y proporcional al
intervalo.
1
b. La ocurrencia del evento en un intervalo de tiempo o espacio es

4
independiente de la ocurrencia de otro intervalo de tiempo o
espacio cualesquiera.
 3. Distribucin de Poisson
La distribucin de Poisson mide la probabilidad de un evento
aleatorio sobre algn intervalo de tiempo o espacio.
0011 0010 1010 1101 0001 0100 1011
El nmero X de resultados que ocurren en un experimento de
Poisson se llama variable aleatoria de Poisson, y su distribucin de
probabilidad recibe el nombre de distribucin de Poisson, y est
dada por P(x).

1
2

ex
P x
Funcin de probabilidad
de Poisson

4
x!
En donde:
x = nmero de veces que ocurre el evento.
= nmero promedio de ocurrencias por unidad de tiempo o de espacio,
o tasa de llegada promedio o tasa de arribo.
e = 2.71828 base del logaritmo natural.
 3. Distribucin de Poisson (cont.)
Ejemplo
Hallar la probabilidad de que exactamente 5 clientes lleguen durante la
0011 siguiente
0010 1010hora
1101 (o en 0100
0001 cualquier
1011 hora dada) laboral. La observacin
simple de las ltimas 80 horas ha demostrado que 800 clientes han
ingresado al negocio.
Solucin

2
= 800 clientes/ 80 horas = 10 clientes por 1 hora.
Nos piden:
1
P(5) = P(X=5 clientes por 1 hora | =10 clientes por 1 hora) =?

P5 P X 5 | 10
Interpretacin
105 2.7182810
5!

4 0.0378

Existe 3.78% de oportunidad de que exactamente 5 clientes

ingresen a la tienda durante la siguiente hora o en cualquier hora.
 4. Uso de la tabla Poisson
Dirjase al extremo superior de la tabla hasta encontrar =10. Baje por
esa columna hasta la fila donde esta x=5. All usted encontrar 0.0378.
0011Ejemplo
0010 1010 1101 0001 0100 1011
Una compaa de pavimentacin hace mantenimiento a las vas de un centro
urbano. Las vas recientemente pavimentadas por esta compaa demostraron
un promedio de dos defectos por kilmetro, despus de un ao de uso. Si el
distrito sigue con esta compaa, cul es la probabilidad de que se presenten

1
2
tres defectos en cualquier kilmetro de va despus de un ao de trfico?
Nos piden : P(3) = ?
Solucin: P(3) = P(X=3 defectos por 1 km. | = 2 defectos por 1 km.) =?

P3 P X 3 | 2
Interpretacin
Existe 18.04% de oportunidad de que
23 2.7182810
3!

exactamente 3 defectos aparezcan en el siguiente

o cualquier kilmetro de pavimentacin. 4
0.1804
 4. Uso de la tabla Poisson (cont.)
Ejemplo
Se desea conocer ahora la probabilidad de 3 defectos en 0.5 kilmetros.
Debido a que se da la media de ocurrencias por un kilmetro (2 defectos por
0011 10010
km.)1010
es necesario
1101 0001ajustar
0100 1011
de acuerdo con la estipulacin en el problema
de 0.5 kilmetros. Nos piden:
P(3) = P(X=3 defectos en 0.5 km. | =2 defectos en 1 km.)=?
Solucin: Se debe hacer una transformacin:
promedio () unidad de espacio

1
2
2 defectos 1 Km
0.5 Km
El nuevo ser: =(2*0.5) / 1 = 1 defecto por 0.5 km.
P3 P X 3 def. en 0.5 km. | 1 def. en 0.5 km.

P3 P X 3 | 1
Interpretacin
1 2.71828
3

3!
1
0.0613

4
Existe un 6.13 % de probabilidad de que exactamente 3 defectos aparezcan en
el siguiente o el prximo medio kilmetro de pavimentacin.
 5. Ejercicios de la leccin
1. El profesor Montero anima a sus estudiantes de estadstica a actuar de forma
prudente consultando al tutor si tienen alguna pregunta mientras se preparan para
el examen final. Parece que la llegada de los estudiantes a la oficina del tutor se
ajusta a una distribucin de Poisson, con un promedio de 5.2 estudiante cada 20
0011 0010 1010 1101 0001 0100 1011
minutos. El profesor Montero est preocupado porque si muchos estudiantes
necesitan los servicios del tutor, puede resultar un problema de congestin.
a. El tutor debe determinar la probabilidad de que cuatro estudiantes lleguen durante cualquier
intervalo de 20 minutos, lo cual podra causarle problema de congestin que teme el profesor

2
Montero. Si la probabilidad excede el 20%, se contratar un segundo tutor. Rpta.0.1681

1
b. El tutor debe calcular la probabilidad de que ms de cuatro estudiantes lleguen durante
algn periodo de 20 minutos. Si es mayor que el 50%, las horas de oficina del tutor se
aumentarn, permitiendo a los estudiantes extender el horario en las que vienen a ver al

4
autor. Rpta.0.5938
c. Si la probabilidad de que ms de siete estudiantes lleguen durante un periodo cualquiera de
30 minutos excede 50%, el mismo profesor Montero ofrecer tutora adicional. Rpta.0.5188
 5. Ejercicios de la leccin (cont.)
2. A un computador de la oficina principal de la compaa llegan llamadas a un
promedio de dos por minuto y se sabe que tienen distribucin de Poisson. Si el
operador esta distrado por un minuto, cul es la probabilidad de que el nmero de
0011 0010 1010 1101 0001 0100 1011
llamadas no respondidas sea:
a. Por lo menos una? R=0.8647
b. Entre 3 y 5, inclusive? R=03067

3.

1
2
Un proceso de fabricacin utilizada para ser artefactos plsticos Incas presenta
una tasa de defectos de 5 por cada 100 unidades. Las unidades se envan a los
distribuidores en lotes de 200. Si la probabilidad de que ms de 3 salgan

4
defectuosos supera el 30%, usted planea vender en su lugar, camisetas. Cul
artculo agregar usted al inventario? Rpta. 0.9896
 Leccin 5
0011 0010 1010 1101 0001 0100 1011

DISTRIBUCIONES CONTINUAS
DE PROBABILIDAD 1
2
4
 LA DISTRIBUCIN EXPONENCIAL
1. Introduccin
La distribucin
0011 exponencial
0010 1010 1101 0001 0100 es una
1011 distribucin continua. Mide el
paso del tiempo entre ocurrencias. Estima el lapso entre arribos.
Si el nmero de ocurrencias tiene distribucin de Poisson, el lapso
entre las ocurrencias estar distribuido exponencialmente
Con frecuencia se utiliza para describir:
1
El tiempo entre llegadas en las instalaciones de servicio (teora

2
4
de colas).
El tiempo de falla de los componentes y sistemas elctricos
(problemas de confiabilidad).
Tiempo o espacio hasta la ocurrencia del primer evento.
Tiempo entre dos eventos sucesivos, despus de cualquier
punto en el tiempo elegido al azar.
 2. Distribucin exponencial
La probabilidad de que el lapso de tiempo sea menor que o igual a
cierta cantidad x:

P X x 1 e t
0011 0010 1010 1101 0001 0100 1011
Distribucin exponencial

En donde:
t es el lapso de tiempo.

1
2
tasa promedio de ocurrencia.
e = 2.71828 base del logaritmo natural.

4
Figura 1.10 Distribucin exponencial.
 2. Distribucin exponencial (cont.)
Ejemplo
La tasa promedio de llegada de ciertos clientes es =1.5 por hora y se
0011 0010 1010 1101 0001 0100 1011
desea saber la probabilidad que no ms de dos horas transcurran
entre llegadas. Usando la formula exponencial, el valor t=2.
Nos piden: P(X 2 horas | =1.5 clientes por 1 hora )=?

1
2
Solucin
P X 2 1 e 1.5 2 3
1 e
P X 2 1 0.0498 0.9592
Interpretacin

4
Existe 95.02% de probabilidad de que el segundo cliente ingrese a las
dos horas o menos del primero si la tasa promedio de llegadas es de
=1.5 clientes por hora.
 2. Distribucin exponencial (cont.)
Ejemplo
Los camiones llegan al puerto de carga a una tasa de =2 por hora. Cul es
la probabilidad de que no ms de 30 minutos transcurran entre llegadas? La
0011tasa
0010promedio est0001
1010 1101 dada0100
por hora,
1011o 60 minutos, y el problema se plantea en
minutos (30 de ellos).
Nos piden: P(X 30 minutos | =2 camiones por 1 hora )=?
Solucin

1
2
Se debe hacer una transformacin: tiempo t
60 minutos 1
30 minutos t

4
El nuevo t ser: t =(30/60) / 1 = 1/12
1
2
P X 30 1 e 12 1
1 e 1 0.3679 0.6321
Interpretacin
Existe 63.21% de probabilidad que el prximo camin ingrese al puerto en 30 minutos
como mximo, si la tasa promedio de llegadas es de =2 camiones por hora.
 3. Ejercicios de la leccin
1. Una compaa de taxis programa para que sus unidades lleguen al aeropuerto
local en una distribucin de Poisson con una tasa promedio de llegada de 12 por
hora.
0011 0010 Usted
1010 acaba
1101 0001de aterrizar
0100 1011 en el aeropuerto y debe llegar al centro acerrar un
buen negocio. Cul es la probabilidad de que usted tenga que esperar mximo
5 minutos para conseguir un taxi? Su jefe un tirano que no tolerar la falla, de
manera que si la probabilidad de que pase otro taxi dentro de 5 minutos es menor
al 50%, usted alquilar un carro para el viaje a la oficina. Rpta.0.6321

1
2
2. Los aviones llegan al pequeo aeropuerto al puerto, de Pisco, a una proporcin
de dos por hora. Tomar una hora para reparar una rampa para desembarcar
pasajeros. Cul es la probabilidad de que un avin llegue mientras que la rampa

4
est en reparacin? Rpta.0.8647
3. El computador principal de la universidad queda fuera de lneas tres veces por
semana. El profesor Daz debe completar un proyecto esta semana y requiere del
computador. Cul es la probabilidad de que el computador est fuera de lnea
toda la semana? Rpta. 0.9975
 Leccin 6
0011 0010 1010 1101 0001 0100 1011

LA DISTRIBUCIN UNIFORME
1
2
4
 1. Distribucin de probabilidad uniforme
En una distribucin uniforme las probabilidades son las mismas
para todos los posibles resultados.
0011 0010 1010 1101 0001 0100 1011
Ejemplo
El experimento de lanzar un dado ilustrado en la tabla 1.3 es uno
de los ejemplos. Todos los seis resultados tenan 1/6 de

2
probabilidad de ocurrencia. La figura 1.11 muestra una distribucin

1
uniforme en la cual todos los resultados sobre el rango total de
posibilidades de distribucin son igualmente posibles, desde el

4
mnimo de a hasta el mximo de b.
Figura 1.11 Distribucin uniforme

1/b-a

a b
 2. La media y la varianza de la distribucin uniforme
2.1 La media
La media o valor esperado de una distribucin uniforme est en la
mitad
0011 0010 de camino
1010 entre
1101 0001 sus1011
0100 dos puntos extremos.
Media de una ab
E x
distribucin uniforme 2

2
En donde a y b son los valores mas bajo y mas alto respectivamente.
2.2 La varianza
Varianza de una 1
a b 2

4
2
distribucin uniforme 12
Nota: El rea total bajo la curva, como en todas las distribuciones de probabilidad,
debe ser igual a 1 o 100%. Se sabe que el rea es la altura por el ancho, la altura es:
Area
Altura
Ancho
En donde b-a es el ancho o rango de la distribucin.
 Ejemplo de distribucin uniforme
Suponga que los contenidos de las latas de 16 onzas de ensalada
de fruta producida por Del Monte oscila entre 14.5 y 17.5 onzas y
0011 0010 1010 1101 0001 0100 1011
se ajusta a una distribucin uniforme. Esto se muestra en la figura
1.12.
14.5 17.5
La media es: 16 onzas
2

1
2
1
Y la altura es: Altura 1
17.5 - 14.5 3

4
Figura 1.12 Distribucin uniforme de los productos enlatados
1/3

0.40

14.5 =16 17.2 17.5

 3. Probabilidad de una observacin
Ejemplo
El seor Del Monte desea saber la probabilidad de que una sola
lata 1010
0011 0010 pese1101
entre0001
16 y0100
17.21011
onzas. Este valor esta dado por el rea
dentro de ese rango tal y como se muestra en la figura 1.12.
La probabilidad de que una observacin nica este comprendida
dentro de los valores X1 y X2 es:

1
2
Probabilidad de que una X1 X 2
observacin caiga entre P X 1 X X 2
dos valores
rango

Para la lata de Del Monte, se tiene:

P16 X 17.2
17.2 16
17.5 14.5

4
0.40
 4. Ejercicios de la leccin
1. Generalmente le toma entre 1.2 y 1.7 horas aproximadamente hacer su
tarea de estadstica. Los tiempos estn distribuidos de manera uniforme.
que tan probable es que usted termine a tiempo para reunirse con sus
0011 0010 1010 1101 0001 0100 1011
amigos dentro de 1.4 horas? Rpta.0.40
2. Las latas de alimento para perros tienen un promedio de 16 onzas, con un
rango de 4.2 onzas. Si usted selecciona una lata al azar, cul es la
probabilidad de que pese entre 15.8 y 16.5 onzas? Rpta.0.167

1
2
3. El agua utilizada por un grifo para lavar los carros es de 30 galones por
carro. Lo menos que se utiliza son 27 galones, y su uso est distribuido
uniformemente. Una encuesta muestra que los carros no quedan limpios a

4
menos que se utilicen 32 galones de agua en la lavada. Qu porcentaje de
carros que salen del grifo quedan limpios? Rpta.0.33
4. El tiempo requerido para conseguir una pista en una bolera local oscila
entre 23.5 y 40.5 minutos. Asumiendo una distribucin uniforme, si la
probabilidad de que usted tenga que esperar ms de 30 minutos excede del
60%, usted piensa jugar golf. Cul bolsa debera colocar en la maletera de
su carro, la bolsa de golf o la de bolos? Rpta.61.7%.
 Leccin 7
0011 0010 1010 1101 0001 0100 1011

LA DISTRIBUCIN NORMAL
1
2
4
 1. Introduccin
De todas las distribuciones de probabilidad que se analizarn, la
distribucin normal es la ms importante. En el curso de
0011 0010 1010 1101 0001 0100 1011
Estadstica I, se hizo una introduccin a la naturaleza bsica de la
distribucin normal, su caracterstica simtrica en forma de
campana y la forma como se relacionaba con la regla emprica. En
este momento debe recordarse que la distribucin normal es una

1
2
distribucin continua (no discreta). Se utiliza para reflejar la
distribucin de variables tales como estaturas, pesos, distancias y
otras medidas que son divisibles infinitamente. Tales variables

4
continuas generalmente son el resultado de la medida.
 2. Distribucin normal
Una variable aleatoria continua X que tiene la distribucin en forma
de campana se llama variable aleatoria normal. La ecuacin
matemtica
0011 0010 1010 1101para
0001la0100
distribucin
1011 de probabilidades de la variable
normal depende de dos parmetros: su media () y su desviacin
estndar ().
Se dice que una variable aleatoria X tiene una distribucin normal
con media (-+) y varianza 20 si tiene la funcin de
densidad f(x):
f x
1
2

e 2
1 x
2

1
2
(-x+)

Figura 1.13 Distribucin normal

f(x)

x 4
Notacin abreviada: X N(,2),
indica que la variable aleatoria X se
distribuye normalmente con media y
varianza 2 .
 3. Propiedades de la distribucin normal
1. La moda, que es punto sobre el eje horizontal donde la curva
tiene su mximo, ocurre en x=.
2. 1010
0011 0010 La curva
1101es simtrica
0001 alrededor de .
0100 1011
3. La curva tiene puntos de inflexin en x=.
4. La curva normal se acerca al eje horizontal en forma asinttica
en cualquiera de las dos direcciones, alejndose de la media.

2
5. El rea total bajo la curva y arriba del eje horizontal es igual a 1.
Ejemplo
1
Un gran fabricante de ropas en Gamarra, desea estudiar la distribucin en la estatura de las

4
personas. El fabricante reconoci que el pblico estaba en constante cambio en su tamao
fsico y en sus proporciones. En un esfuerzo por producir la ropa de mejor ajuste, la
gerencia sinti que se necesitaba un anlisis completo de las tendencias actuales en los
tamaos de moda. Se supone que si el fabricante fuera a medir las estaturas de todos sus
clientes potenciales, encontraran que las estaturas estn distribuidas normalmente
alrededor de una media de 67 pulgadas. Es decir, que mientras que la estatura promedio es
de 67 pulgadas, algunas personas son ms altas y algunas ms bajas. Esta dispersin por
encima y por debajo de la media podra medirse mediante la desviacin estndar. Se
asume que la desviacin estndar en las estaturas de los clientes es de 2 pulgadas.
 Ejemplo(cont.)
Una grfica de estas estaturas producira la habitual forma de campana. La figura
5.5 muestra esta grfica, colocando las observaciones individuales en el eje
horizontal, y la frecuencia con la cual cada una de estas observaciones ocurri en
0011 0010 1010 1101 0001 0100 1011
el eje vertical.
Si los valores estn distribuidos normalmente, entonces aparecer la curva en
forma de campana de la figura 1.13. Vale la pena recordar que ms del 50% de
las observaciones (estaturas) estn por encima de la media y el 50% de stas

1
2
estn debajo de la media. Similarmente el 50% de toda el rea bajo la curva
normal est a la derecha de la media y el 50% de esta rea est a la izquierda de
la media.

4
Figura 1.14 Distribucin normal para las estaturas del fabricante de ropa.
=2
f(x)

50% 50%

=67 X (pulgadas)
 4. Comparacin entre distribuciones normales
La forma y posicin de una distribucin normal estn determinadas
por dos parmetros: su media y su desviacin estndar . La
0011 0010 1010 1101 0001 0100 1011
figura 1.15 muestra tres distribuciones normales diferentes de las
tallas que el fabricante puede encontrar en su estudio sobre las
tendencias de la moda.

2
La primera (I) corresponde a las distribuciones descritas

1
anteriormente, las cuales tienen una media de =67 y una
desviacin estndar de =2. Est centrada en 67 con la mitad de

4
las observaciones por encima de 67 y la mitad por debajo. La
desviacin estndar de 2 indica el grado en el cual las
observaciones estn dispersas por encima y por debajo de 67.
 4. Comparacin entre distribuciones normales (cont.)

Figura 1.15 La regla emprica

0011 0010 1010 1101 0001 0100 1011
=2 II =2
I

1
2
61 63 65 67 69 71 73 75 77 79 81 83 85
68.3% 68.3%
95.5% 95.5%
99.7% 99.7%

4
III =4

55 59 63 67 71 75 79
68.3%
95.5%
99.7%
 4. Comparacin entre distribuciones normales (cont.)
La segunda distribucin (II) tiene una media ms alta, de =79, pero
la misma desviacin estndar de = 2. Por tanto, est centrada
ms 1010
0011 0010 hacia1101
la derecha, directamente
0001 0100 1011 encima de 79. Pero como tiene
el mismo grado de dispersin (=2), toma la misma forma que la
primera distribucin.
Una tercera distribucin (III) tiene la misma media que la primera

1
2
(=67). Sin embargo, su medida de dispersin es ms grande (=4).
Es ms plana y ms dispersa por encima y por debajo de la media
de 67.

4
La regla emprica especfica que, sin considerar el valor de la
media o la desviacin estndar:
El 68.3% de todas las observaciones est a 1 de la media.
El 95.5% de todas las observaciones est a 2 de la media.
El 99.7% de todas las observaciones est a 3 de la media.
 5. La desviacin normal
Puede existir un nmero infinito de distribuciones normales posibles,
cada una con su propia media y su desviacin estndar. Ya que
obviamente no se puede analizar un nmero tan grande de
0011 0010 1010 1101 0001 0100 1011
posibilidades, es necesario convertir todas estas distribuciones
normales a una forma estndar. Esta conversin a la distribucin
normal estndar se efecta con la frmula de conversin (o
frmula-Z).
La desviacin normal
o frmula-Z
Z
X
1
2
4
En donde Z es desviacin normal, que se define como "el nmero
de desviaciones estndar a las que una observacin est de la
media", y X es algn valor especfico de la variable aleatoria.
Sin considerar lo que valen la media y la desviacin estndar, se miden en las
unidades originales en la distribucin, despus de que se ha aplicado la frmula de
conversin la media es 0 y la desviacin estndar es 1; Z N(0,1)
 5. La desviacin normal (cont.)
Ejemplo
La figura 1.16 ilustra el uso de los datos del fabricante. El eje
superior
0011 0010 1010mide
1101 las
0001observaciones
0100 1011 de estatura X en pulgadas. La
media es =67 pulgadas, y la desviacin estndar es =2 pulgadas.
El eje inferior refleja estas estaturas en trminos de sus valores de Z.
Figura 1.15 Conversin de estaturas de los clientes

1
2
4
63 ? 67 X pulgadas
70
Paula Fred Tom Steve

-2 -1.5 0 1.5 Valor Z

 5. La desviacin normal (cont.)
Ejemplo (cont.)
Z
X
Clculos
0011 0010
1010 1101 0001 0100 1011

Tom mide 67 pulgadas, la estatura promedio de todos los consumidores

en el mercado de ropas. Utilizando la conversin, es Z=0.
67 67

1
2
Z 0
2 63 67
Paula mide 63 pulgadas. Su valor de Z es -2 Z 2
2

a un valor de Z resulta:

Z
70 67
2
4
Steve mide 70 pulgadas. La figura 1.16 revela que convertir 70 pulgadas

1.5
 6. Clculo de probabilidades con la desviacin normal
Estandarizar una distribucin normal permite determinar ms
fcilmente la probabilidad de que ocurra cierto evento.
0011 0010 1010 1101 0001 0100 1011

7. Uso de la tabla normal

1
2
El rea relacionada con un valor de Z dado puede hallarse en la tabla
normal. Esta tabla proporciona el rea bajo la curva desde la media

4
hasta algn valor por encima o por debajo de sta. sta es
justamente el rea que se quiere.
En la tabla normal, se halla el valor de Z para 1.0. Se va hacia la
derecha a la siguiente columna que comienza con 0.00 para obtener
Z = 1.00.
 7. Uso de la tabla normal (cont.)
Ejemplo
Hallar la probabilidad de que un solo cliente tenga entre 67 y 69
pulgadas de estatura, P(67 X 69). Se halla el rea que est bajo la
0011 0010 1010 1101 0001 0100 1011
curva normal entre 67 y 69. Es decir, si se conoce el rea se
conocer la probabilidad. Buscando en la tabla normal, se encontrar
el valor de 0.3413, figura 1.17
=2
f(x) Figura 1.17

Para X=69, el valor de Z=1

69 67 1 1
0.3413

2
4
=67 69
Z X (pulgadas)
2 =0 1 Z

Entonces: P(67 X 69) = P(0 Z 1) = 0.3413

Interpretacin
Existe 34.13% de probabilidad que un cliente escogido al azar mida entre 67 y
69 pulgadas.
 7. Uso de la tabla normal (cont.)
Ejemplo
Hallar la probabilidad de que un solo cliente tenga ms de 69
pulgadas de estatura, P(X>69). La fig. 1.18, estable que el 34.13%
0011 0010 1010 1101 0001 0100 1011
de todos los clientes miden entre 67 y 69 pulgadas. Adems, se sabe
que el 50% de todos los clientes est por encima de la media de 67.
Esto deja 0.5000 -0.3413 =0.1587 en el rea de la cola que va ms
all de Z=1.00.

1
2
=2
f(x) Figura 1.18
0.3413 0.1587

Interpretacin
=67

=0

Entonces: P(X>69) = P(Z>1) = 0.5000 - 0.3413 =0.1587

69

4
X (pulgadas)

Existe 15.87% de probabilidad que un cliente escogido al azar mida ms de 69

pulgadas.
 7. Uso de la tabla normal (cont.)
Ejemplo
En la figura 1.19 , ahora se busca el rea comprendida entre 64.5 y
70.3. Como la tabla da solamente el rea de la media hasta algn
0011 0010 1010 1101 0001 0100 1011
valor por encima o por debajo de ella, deben determinarse las reas
(1) entre 64.5 y 67 y (2) entre 67 y 70.3 y luego adicionarlas.
f(x) Figura 1.19
64.5 67

1
2
Z 1.25
2 0.3944 0.4505

70.3 67

4
Z 1.65
2 64.5 =67 70.3 X (pulgadas)

-1.25 =0 1.65 Z

Entonces:
P(64.5X70.3) = P(-1.25Z1.65) = P(0Z1.25) + P(0 Z1.65)=
= 0.3944 + 0.4505 = 0.8449
 8. Clculo de un valor X a partir de una
probabilidad desconocida
Algunas veces se puede saber cul probabilidad se requiere, y debe
0011 0010 1010 1101 0001 0100 1011
determinarse qu valor de X dar dicha probabilidad.
Ejemplo
Los asesores econmicos del presidente proponen un programa de

2
bienestar social para ayudar a los desfavorecidos, con un pago

1
monetario al 15% a los ms pobres de la nacin. Entonces surge la
pregunta sobre qu nivel de ingresos separa el 15% ms pobre del

4
resto de la gente. En 1996, el ingreso promedio por persona, medido
en dlares, en el ao de 1982 era de US$13,812. Se asume una
desviacin estndar de US$3,550. Esto se muestra en la figura 1.21.
Existe algn nivel de ingreso que aparezca como "?" que separe el
15% ms pobre del 85% restante? Se asume que los ingresos estn
distribuidos normalmente. Ver figura 1.21.
 8. Clculo de un valor X a partir de una
probabilidad desconocida (cont.)
Ejemplo (cont.) Figura 1.21
Nos interesa el valor de 0.15.
0011 0010 1010 1101 0001 0100 1011

Se busca en la estructura
interna de la tabla normal el
0.1500 0.3500 0.5000
rea de 0.3500 (0.5 -0.15).

1
2
Lo ms prximo es 0.3508, ? =13812 X ($$

que corresponde a Z=1.04.

-1.04 =0 Z
X

4
Como:

Reemplazando, se tiene: 1.04
X 13,812 Despejando X,
3,550 Es X=US$ 10,120
Interpretacin
Recibirn el subsidio del gobierno, quienes sus ingresos son
US$ 10,120 o menos.
 9. Aproximacin normal a la distribucin binomial (cont.)
Ejemplo
En un sindicato laboral, el 40% de los miembros est a favor de una
0011 0010 1010 1101 0001 0100 1011
huelga. Si se seleccionan 15 miembros de manera aleatoria cul es
la probabilidad de que 10 apoyen un paro?
Con la tabla binomial o la frmula binomial, se halla:

2
P(X = 10 | n = 15 ; = 0.40) = 0.0245

1
Si no se pudiera utilizar la tabla, podra aproximarse a la respuesta
utilizando la distribucin normal.

4
Primero se debe hallar la media y la desviacin estndar de la
distribucin normal as:
= n y n( )(1 - )

As: = (15)(0.40) = 6 y 15(0.40)(0.60) 1.897

 9. Aproximacin normal a la distribucin binomial (cont.)
Ejemplo (cont.)
Debido a que existe un nmero infinito de valores posibles en una
0011 0010 1010 1101 0001 0100 1011
distribucin normal (o en cualquier distribucin continua), la
probabilidad de que la variable aleatoria sea exactamente igual a
algn valor especfico como 10, es cero.
Cuando se utiliza una distribucin continua para estimar una variable

1
2
aleatoria discreta, es necesario un leve ajuste. Este ajuste, llamado
factor de correccin de continuidad, requiere que se trate la

4
probabilidad de exactamente 10 miembros como el intervalo entre 9.5
miembros y 10.5 miembros.
Esto se ilustra en la figura 1.22, la cual muestra las probabilidades
para cada valor de la variable aleatoria (nmero de miembros) tomada
de la tabla binomial.
 9. Aproximacin normal a la distribucin binomial (cont.)
Ejemplo (cont.)
Figura 1.22 Aproximacin normal a la binomial
Probabilidad
9.5 61010 1101 0001 0100.201011
0011 0010
1.85
1.897 .15
Z=1.85 da una rea de 0.4678, y .10
.02
10.5 6

1
2
2.37 .01
1.897
Z=2.37 da una rea de 0.4911 0 1 2 3 4 5 6 7 8 9 10 11 12 .
Nmero de miembros

4
9.5 10.5

P(X = 10 | n = 15 ; = 0.40) P(9.5 X 10.5) =

= P(0 Z2.37) - P(0 Z1.85)
= 0.4911 - 0.4678 = 0.0233
El cual es una aproximacin muy cercana al 0.0245 que se encontr
en la tabla binomial.
 10. Ejercicios de la leccin
1. Los paquetes de un cereal en cajas de 36 onzas que tienen una
desviacin estndar de 1.9 onzas. Se piensa que los pesos estn
0011 0010 1010 1101 0001 0100 1011
distribuidos normalmente. Si se selecciona una caja
aleatoriamente, cul es la probabilidad de que la caja pese:
a. Entre 34.3 onzas y 38.9 onzas? Rpta. 0.7503
b. Entre 39.5 onzas y 41.1 onzas? Rpta. 0.0292

1
2. Se publica que los frenos de los nuevos autos de cierta marca

2
4
duran un promedio de 35,000 millas con una desviacin estndar
de 1,114 millas. Cul es la probabilidad de que los frenos del auto
que usted acaba de comprar le duren:
a. Menos de 37.500 millas? Rpta.98.75%
b. Entre 35,200 y 36,900 millas? Rpta.38.50%
 10 . Ejercicios de la leccin (cont.)
3. El promedio de los salarios en los bancos comerciales en Illinois
es de US$22.87 por hora, con una desviacin estndar de
0011 0010 1010 1101 0001 0100 1011
US$5.87. Cul debe ser su salario por hora si desea ganar:
a. Ms que el 80% de todos los empleados? Rpta.27.80
b. Ms que el 30% de todos los empleados? Rpta.19.82
c. Menos que el 20% de todos los empleados? Rpta.27.80

1
4. Los registros muestran que 45% de todos los automviles

2
4
producidos por FMC contiene partes importadas de Japn. Cul
es la probabilidad de que los prximos 200 carros, 115 contengan
partes japonesas? Rpta. 0.0002