DISTRIBUCIONES DE PROBABILIDAD

Una distribución de probabilidad es un modelo matemático que asocia valores de una variable
aleatoria con sus respectivas probabilidades, es decir: Probabilidad de x = Función de x
Las distribuciones se caracterizan por una fórmula que determina el tipo de distribución y por
un conjunto de parámetros, que son propios de cada espacio muestral. Existen dos tipos de
distribuciones discretas y continuas

A.- Distribuciones Discretas:

Son aquellas en las que la variable puede pude tomar un número determinado de valores. La
distribución puede describirse mediante una.

Función de probabilidad, que para cada valor de x de la variable X determina la probabilidad

de ser asumido: P( X= x) = p (x) ó bien por medio de una función de distribución de
probabilidad acumulada o simplemente.

Función de distribución, la que, para cada valor provee la probabilidad de no ser superado
P ( X ≤ x) = F ( x) = ∑ p ( x)
Rango

Además se cumple:

1).- ∑p( x) =1
2).- E ( x) = ∑xp ( x, )

3).- Var ( x) = σ = E ( x ) − ( E ( x) )
2 2 2

Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir
un número de 1 al 6; en una ruleta el número puede tomar un valor del 1 al 32.

Las Principales distribuciones discretas son:

1.- Distribución de Bernouilli:

Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos
soluciones: éxito o fracaso:

1 , Si ocurre éxito con probabilidad p

x= 
, Si ocurre fracaso con probabilidad 1- p = q

0 Función de Probabilidad Bernouilli

E ( x) = p
con

Var ( x ) = pq
Parámetro p entonces

 p x q1− x , s i x = 0,1

( x) = P( X = x) =  NACIONAL DE INGENIERIA
PUNIVERSIDAD ESTADISTICA Y PROBABILIDADES
 0 , e no t rECONOMICA
FACULTAD DE INGENIERIA c oa s o Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire: Probabilidad de que salga
cara: p = 0,5. Probabilidad de que no salga cara: q = 0,5. Entonces p + q = 0,5 + 0,5 = 1

Ejemplo 2: Probabilidad de ser admitido en la universidad. Probabilidad de ser admitido: p =

0,25. Probabilidad de no ser admitido: q = 0,75. Entonces p + q = 0,25 + 0,75 = 1

2.- Distribuciones Binomial:

Las distribución binomial parte de la distribución de Bernouilli. Se aplica cuando se realiza "n"
veces el experimento de Bernouiili, siendo cada ensayo independiente del anterior. Donde x
número de éxitos en n ensayos, (n-x) fracasos, p : Probabilidad de éxito y q = 1- p:
Probabilidad de fracaso.

La v.a. X tiene distribución binomial con parámetros n y p [x~ b (n , p)]. Si:

Su Función de Probabilidad es dado por: Si x~ b (n , p)

E ( x ) = np
 (nx ) p x q n− x , s i x = 0,1. n. Var ( x ) = npq

P( x ) = P ( X = x ) = 
 0 , e no t rc oa s o
 Ejemplo: se tira una moneda 10 veces: ¿cuantas caras salen? Si
no ha salido ninguna la variable toma el valor 0; si han salido dos caras la variable toma el valor
2; si todas han sido cara la variable toma el valor 10.

Ejemplo 1: ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

" x " es el número de aciertos. Entonces x = 6 , "n" es el número de ensayos.n=10. y "p" es
la probabilidad de éxito, es decir, que salga "cara" al lanzar la moneda. Por lo tanto p = 0,5

Luego, P (x = 6) = 0,205, Es decir, se tiene una

probabilidad del 20,5% de obtener 6 caras al
lanzar 10 veces una moneda.

Ejemplo 2: ¿Cuál es la probabilidad de obtener cuatro veces el número 3 al lanzar un dado

ocho veces?
"x" (número de aciertos) toma el valor 4, "n" toma el valor 8 y "p" (probabilidad de que
salga un 3 al tirar el dado) es 1 / 6 (= 0,1666). La fórmula queda:

Luego, P (x = 4) = 0,026 Es decir, se tiene

una probabilidad del 2,6% de obtener cuatro
veces el números 3 al tirar un dado 8 veces.

3.- Distribución de Poisson:

La distribución de Poisson parte de la distribución binomial: Cuando en una distribución

binomial se realiza el experimento un número "n" muy elevado de veces y la probabilidad de
éxito "p" en cada ensayo es reducida, entonces se aplica el modelo de distribución de Poisson.
Se tiene que cumplir que: " p " < 0,10 y " p * n " < 10

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
Su Función de Probabilidad es dado por: Si el parámetro λ >0
E ( x) = λ
 e− λ λ x Var ( x) = λ
 , s i x = 0,1,2. . . . .
P( x) = P( X = x) =  x!
 0 , e no t rc oa s o
 "λ "=n *p (el número de veces "n" que se realiza el experimento
multiplicado por la probabilidad "p" de éxito en cada ensayo) "x"
es el número de éxito cuya probabilidad se está calculando

Ejemplo 1: La probabilidad de tener un accidente de tráfico es de 0,02 cada vez que se viaja,
si se realizan 300 viajes, ¿cual es la probabilidad de tener 3 accidentes?.
Como "p" es menor que 0,1, y el producto np <10, entonces aplicamos el modelo de
distribución de Poisson.

Luego, P (x = 3) = 0,0892. Por lo tanto, la probabilidad de tener 3

accidentes de tráfico en 300 viajes es del 8,9%

Ejemplo: La probabilidad de que un niño nazca pelirrojo es de 0,012. ¿Cuál es la probabilidad

de que entre 800 recién nacidos haya 5 pelirrojos?

Luego, P (x = 5) = 4,602 Por lo tanto, la probabilidad de que haya 5

pelirrojos entre 800 recién nacidos es del 4,6%

4.- Distribución Hipergeométrica:

La distribución hipergeométrica es el modelo que se aplica en experimentos del siguiente tipo:

En una urna hay bolas de dos colores (blancas y negras), ¿cuál es la probabilidad de que al
sacar 2 bolas las dos sean blancas?. Son experimentos donde, al igual que en la distribución
binomial, en cada ensayo hay tan sólo dos posibles resultados: o sale blanca o no sale. Pero
se diferencia de la distribución binomial en que los distintos ensayos son dependientes entre sí:
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el
segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay
dependencia entre los distintos ensayos). La distribución hipergeométrica tiene la siguiente.

Función de Probabilidad: Si x v. a. ~ H (N, n ,N1)

r
E ( x) = n
 ( rx )( nN−−xr ) N
P( x) = P( X = x) =  N r N −r N −n
 (n ) Var ( x) = n
N N N −1
Donde:
N: es el número total de bolas en la urna
r: es el número total de bolas blancas
N- r: es el número total de bolas negras
x: es el número de bolas blancas cuya probabilidad se está calculando
n: es el número de ensayos que se realiza

Ejemplo 1: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas ¿Cuál es la
probabilidad de que 3 sean blancas?
UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES
FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
Entonces: N = 12; N1 = 7; N2 = 5; k = 3; n = 4 Si aplicamos el modelo:
 ( 37 )(15 ) Por lo tanto, P (x= 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas
P( x = 3) =  12 blancas es del 35,3%.
 4 ( ) Pero este modelo no sólo se utiliza con experimentos con bolas, sino que
también se aplica con experimentos similares:

Ejemplo 2: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al

azar ¿Cuál es la probabilidad de que las 3 sean solteras?
 ( 36 )(14 ) Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3
P( x = 3) =  200
 ( 3 ) personas sean solteras es tan sólo del 1,75%

5.- Distribución Binomial Negativa:

Una v.a. x que denota el número de fracasos que ocurren en una sucesión infinitas de ensayos
de bernouilli con parámetros p antes que exactamente r éxitos sean obtenidos tiene distribución
binomial negativa con parámetros r y p si:
Su Función de Probabilidad es dado por: Si x~ BN (r, p)

 ( r+ xx− 1 ) p r q x , s i x = 0,1,2. . y. . r = 1,2. . E ( x) = rq

p

P ( x) = P ( X = x ) =  Var ( x) = rq
p2
 0 , e no t rcoa s o

6.- Distribución Geométrica:

Una distribución binomial negativa con parámetros r =1 y p se denomina distribución

geométrica, esto es, se dice que una v.a. x tiene distribución geométrica con parámetros p si:
Su Función de Probabilidad es dado por: Si x~ BN (, p)

 p qx , s i x = 0,1,2. . . E ( x) = q
p

P( x) = P( X = x) =  Var ( x) = q
p2
 0 , e no t rcoa s o

7.- Distribución Multinomial:

La distribución multinomial es similar a la distribución binomial, con la diferencia de que en

lugar de dos posibles resultados en cada ensayo, puede haber múltiples resultados:

Ejemplo de distribución binomial:

A unas elecciones se presentaron 2 partidos políticos: el POPO obtuvo un 70% de los votos y
el JEJE el 30% restante. ¿Cuál es la probabilidad de que al elegir 5 ciudadanos al azar, 4 de
ellos hallan votado al JEJE?

Ejemplo de distribución multinomial:

A esas elecciones se presentaron 4 partidos políticos: el POPO obtuvo un 40% de los votos, el
JEJE el 30%, el MUMU el 20% y el LALA el 10% restante. ¿Cuál es la probabilidad de que al
elegir 5 ciudadanos al azar, 3 hayan votado al POPO, 1 al MUMU y 1 al LALA?
UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES
FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
La distribución multinomial sigue el siguiente modelo:

Donde: X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido
POPO lo hayan votado 3 personas)
n: indica el número de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)

Ejemplo 1:

Luego: P = 0,0256 Es decir, que la probabilidad de que las 5 personas elegidas hayan votado
de esta manera es tan sólo del 2,56% (0! = 1, y cualquier número elevado a 0 es igual a 1)

Ejemplo 2: En una fiesta, el 20% de los asistentes son españoles, el 30% franceses, el 40%
italiano y el 10% portugueses. En un pequeño grupo se han reunido 4 invitados: ¿cual es la
probabilidad de que 2 sean españoles y 2 italianos?
Aplicamos el modelo:

Luego P = 0,0384 Por lo tanto, la probabilidad de que el grupo esté formado por personas de
estos países es tan sólo del 3,84%.

8.- Distribución Multihipergeométrica:

La distribución multihipergeométrica es similar a la distribución hipergeométrica, con la

diferencia de que en la urna, en lugar de haber únicamente bolas de dos colores, hay bolas de
diferentes colores.

Ejemplo 1: en una urna hay 7 bolas blancas, 3 verdes y 4 amarillas: ¿cuál es la probabilidad
de que al extraer 3 bolas sea cada una de un color distinto?. La distribución
multihipergeométrica sigue el siguiente modelo:

( Nx11 )( Nx22 )( Nx33 )......

P ( X 1 = x1 , X 2 = x 2 , X 3 = x3 .....) =
( nN )
Donde:

X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que una de las bolas sea
blanca)
N1: indica el número de bolas blancas que hay en la urna (en el ejemplo, 7 bolas)
N: es el número total de bolas en la urna (en el ejemplo, 14 bolas)
n: es el número total de bolas que se extraen (en el ejemplo, 3 bolas)

Ejemplo 2: En una caja de lápices hay 10 de color amarillo, 3 de color azul y 4 de color rojo. Se
extraen 7 lápices, ¿cual es la probabilidad de que 5 sean amarillos y 2 rojos?
Aplicamos el modelo:

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
 Luego P = 0,0777. Por lo tanto, la probabilidad de que
(10 3 4
5 )( 0 )( 2 ) los 5 lápices sean de los colores indicados es del
P( X 1 = 5, X 2 = 0, X 3 = 2) =
(17
7 ) 7,77%.

B.- Distribuciones Continuas:

Son aquellas que presentan un número infinito de posibles soluciones:

Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de
cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc); la esperanza media de vida de una
población (72,5 años, 7,513 años, 72, 51234 años).

función de distribución: P ( X ≤ x ) = ∫ f ( x)dx

Rango

Además se cumple:

1).- ∫ f ( x)dx =1

2).- E ( x ) = ∫ xf ( x) dx

3).- Var ( x) = σ 2 = E ( x 2 ) − ( E ( x) ) 2

Las Principales distribuciones continuas son:

1.- Distribución Uniforme:

Una v,a, continua tiene distribución uniforme con parámetros α y β (α <β ) que pueden tomar
cualquier valor dentro de un intervalo, todos ellos con la misma probabilidad. Su función de
densidad es aquella que nos permite conocer la probabilidad que tiene cada punto del
intervalo, viene definida por:

Su Función de densidad es dado por: Si x~ BN (r, p)

α+β
 1 E ( x) =
 β − α ,S i α ≤ x ≤ β
2
F ( X ) = P ( X ≤ X ) = ∫ f ( x ) dx
Ejemplo 1: El ( β −α) 2
f ( x) =  Var ( x) =
12
 0 , e no t rc oa s o
precio medio del litro de gasolina durante el próximo año se estima que
 puede oscilar entre 140 y 160 ptas. Podría ser, por tanto, de 143 ptas., o
de 143,4 ptas., o de 143,45 ptas., o de 143,455 ptas, etc. Hay infinitas
posibilidades, todas ellas con la misma probabilidad.
Por lo tanto, la función de distribución del ejemplo sería:

Es decir, que el valor final esté entre 140 ptas. y 141 ptas. tiene un
5% de probabilidad, que esté entre 141 y 142, otro 5%, etc.
Por lo tanto, el precio medio esperado de la gasolina para el
próximo año es de 150 ptas. E(X) = (140+160) / 2 =150

Ejemplo 2: El volumen de precipitaciones estimado para el próximo año en la ciudad de Lima

va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la función de distribución y la
precipitación media esperada:

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
 Es decir, que el volumen de precipitaciones esté entre 400 y 401
litros tiene un 1% de probabilidades; que esté entre 401 y 402
litros, otro 1%, etc.
El valor medio esperado es: E(X) = (400 + 500) / 2 = 450 Es decir, la precipitación media
estimada en Sevilla para el próximo año es de 450 litros.

2.- Distribución Normal:

Es el modelo de distribución más utilizado en la práctica, ya que multitud de fenómenos se

comportan según una distribución normal. Esta distribución se caracteriza porque los valores
se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con
el valor medio de la distribución:

Un 50% de los valores están a la derecha de este valor central

y otro 50% a la izquierda. Esta distribución viene definida por
dos parámetros: X: N (µ , σ 2) su función de densidad es.

2
( x −u )
 1
f ( x) =  ∀ x ∈ IR
2
e 2σ
 2π σ


E(x) = µ (-∞<u<∞):
Es el valor medio de la distribución y es precisamente donde se sitúa el centro de la curva (de
la campana de Gauss).

Var(x) = σ 2 (0< σ 2<∞):

Es la varianza. Indica si los valores están más o menos alejados del valor central: si la varianza
es baja los valores están próximos a la media; si es alta, entonces los valores están muy
dispersos.

3.- Distribución Normal Estándar o Tipificada N (0, 1):

Cuando la media de la distribución es 0 y la varianza es 1. Con función de densidad.

Su ventaja reside en que hay tablas donde se recoge la
 1 12 Z 2 probabilidad acumulada para cada punto de la curva de
f ( z) =  e ∀ z ∈ IR
esta distribución.
 2π

Toda distribución normal se puede transformar en una normal Estándar: Para transformarla en
una normal estándar se crea una nueva variable (Z) que será igual a la anterior (X) menos su
media y dividida por su desviación típica (que es la raíz cuadrada de la varianza).
x −µ
Z =
σ

Ejemplo 1: una variable aleatoria sigue el modelo de una distribución normal con media 10 y
varianza 4. Transformarla en una normal tipificada. X: N (10, 4)
x −10
Z = Esta nueva variable se distribuye como una normal tipificada, permitiéndonos, por
2 tanto, conocer la probabilidad acumulada en cada valor. Z: N (0, 1)

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
Tabla de una Distribuciones Normal Estanadr N (0, 1):

z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,977250,97778 0,978310,97882 0,979320,97982 0,980300,98077 0,981240,98169
2,1 0,982140,98257 0,983000,98341 0,983820,98422 0,984610,98500 0,985370,98574
2,2 0,986100,98645 0,986790,98713 0,987450,98778 0,988090,98840 0,988700,98899
2,3 0,989280,98956 0,989830,99010 0,990360,99061 0,990860,99111 0,991340,99158
2,4 0,991800,99202 0,992240,99245 0,992660,99286 0,993050,99324 0,993430,99361
2,5 0,993790,99396 0,994130,99430 0,994460,99461 0,994770,99492 0,995060,99520
2,6 0,995340,99547 0,995600,99573 0,995850,99598 0,996090,99621 0,996320,99643
2,7 0,996530,99664 0,996740,99683 0,996930,99702 0,997110,99720 0,997280,99736
2,8 0,997440,99752 0,997600,99767 0,997740,99781 0,997880,99795 0,998010,99807
2,9 0,998130,99819 0,998250,99831 0,998360,99841 0,998460,99851 0,998560,99861

¿Cómo se lee esta tabla?

La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La
primera fila nos indica el segundo decimal del valor que estamos consultando.

Ejemplo 1: Queremos conocer la probabilidad acumulada en el valor 2,75. Entonces buscamos

en la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla en la que
se intersectan es su probabilidad acumulada (0,99702, es decir 99.7%).

Atención: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la

curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto. En
una distribución continua en el que la variable puede tomar infinitos valores, la probabilidad en
un punto concreto es prácticamente despreciable.

Ejemplo 2: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La
probabilidad de que tome exactamente el valor 2 es despreciable, ya que podría tomar infinitos
valores: por ejemplo: 1,99, 1,994, 1,9967, 1,9998, 1999791, etc.

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
Ejemplo 3: Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486.
Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115.

Ejercicio 1: El salario medio de los empleados de una empresa se distribuye según una
distribución normal, con media 5 mil nuevos soles. y desviación típica S/. 1 mil nuevos soles
Calcular el porcentaje de empleados con un sueldo inferior a 7 mil nuevos soles .

Primero: Transformar esa distribución en una normal estándar, para ello se crea una nueva
variable Z que será igual a la anterior X menos su media y dividida por la desviación típica. La
variable Z que corresponde a una variable X=7 es: (Z se distribuye como una normal estándar):
x − µ 7 −5
Z= = = 2 El valor de Z equivalente a 7 mil nuevos soles es 2. P (X<7) = P (Z < 2)
σ 1

Segundo: Consultar la tabla la probabilidad acumulada para el valor Z =2 (equivalente a la

probabilidad de sueldos inferiores a 7 mil nuevos soles). Esta probabilidad es 0,97725. Por lo
tanto, el porcentaje de empleados con salarios inferiores a 7 mil nuevos soles. es del 97,725%.

Ejercicio 2: La renta media de los habitantes de un país es de 4 mil nuevos soles/año, con una
varianza de 1,5. Se supone que se distribuye según una distribución normal. Calcular:
a) Porcentaje de la población con una renta inferior a 3 mil nuevos soles.
b) Renta a partir de la cual se sitúa el 10% de la población con mayores ingresos.
c) Ingresos mínimo y máximo que engloba al 60% de la población con renta media.
x −µ 3−4
a) Calcular la normal estándar: Z = = = −0.816
σ 1.22
El valor de Z equivalente a 3 mil nuevos soles es -0,816. P (X<3)=P (Z< -0,816) Ahora tenemos
que ver cuál es la probabilidad acumulada hasta ese valor. Tenemos un problema: la tabla de
probabilidades sólo abarca valores positivos, no obstante, este problema tiene fácil solución, ya
que la distribución normal es simétrica respecto al valor medio. Por lo tanto: P(Y<-0,816) = P
(Y>0,816). Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%)
menos la probabilidad acumulada hasta dicho valor: P(Y>0,816) = 1 - P(Y < 0,816) = 1 - 0,7925
= 0,2075. Luego, el 20,75% de la población tiene una renta inferior a 3 mil nuevos soles.

b) Vemos en la tabla el valor de la variable estándar cuya probabilidad acumulada es el 0,9

(90%), lo que quiere decir que por encima se sitúa el 10% superior. Ese valor corresponde a Z
=1,282. Ahora calculamos la variable normal X equivalente a ese valor de la normal estándar:
x − 4 Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos
1.282 = superiores a 5,57 mil nuevos soles. constituyen el 10% de la población con
1.22
renta más elevada.

c) Vemos en la tabla el valor de la variable normalizada Z cuya probabilidad acumulada es el

0,8 (80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere
decir que entre la media y este valor de Z hay un 30% de probabilidad. Por otra parte, al ser la
distribución normal simétrica, entre -Z y la media hay otro 30% de probabilidad. En definitiva, el
segmento (-Z, Z) engloba al 60% de población con renta media. El valor de Z que acumula el
80% de la probabilidad es 0,842, por lo que el segmento viene definido por (-0,842, +0,842).
Ahora calculamos los valores de la variable X correspondientes a estos valores de Z.
Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97 mil
nuevos soles. e inferiores a 5,03 mil nuevos soles. constituyen el 60% de la población con un
nivel medio de renta.

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
Ejercicio 3: La vida media de los habitantes de un país es de 68 años, con una varianza de 25.
Se hace un estudio en una pequeña ciudad de 10.000 habitantes:
a) ¿Cuántas personas superarán previsiblemente los 75 años?
b) ¿Cuántos vivirán menos de 60 años?
x − µ 75 − 68
a) Hallamos el valor de la normal estándar equivalente a 75 años Z = = = 1 .4
σ 5
Por lo tanto P (X > 75) = (Z >1,4) =1 - P (Z< 1,4) =1 - 0,9192 = 0,0808. Luego, el 8,08% de la
población (808 habitantes) vivirán más de 75 años.
x −µ 60 − 68
b) Hallamos el valor de la normal estándar equivalente a 60 años Z = = = −1.6
σ 5
Por lo tanto P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) = 0,0548. Luego, el 5,48% de
la población (548 habitantes) no llegarán probablemente a esta edad.

Ejercicio 4º: El consumo medio anual de cerveza de los habitantes de una país es de 59 litros,
con una varianza de 36. Se supone que se distribuye según una distribución normal.
a) Si usted presume de buen bebedor, ¿cuántos litros de cerveza tendría que beber al año para
pertenecer al 5% de la población que más bebe?.
b) Si usted bebe 45 litros de cerveza al año y su mujer le califica de borracho ¿qué podría
argumentar en su defensa?

a) En la tabla el valor de la variable estándar cuya probabilidad acumulada es el 0,95 (95%),

por lo que por arriba estaría el 5% restante. Ese valor corresponde a Z=1,645. Ahora
calculamos la variable normal X equivalente a ese valor de la normal estándar:
x − 58
1.645 = Despejando X, su valor es 67,87. Por lo tanto, tendría usted que beber más
6
de 67,87 litros al año para pertenecer a ese "selecto" club de grandes
bebedores de cerveza.

b) Calculamos el valor de la normal tipificada correspondiente a 45 litros:

x − µ 45 − 58 P (X < 45) = (Z < -2,2) = P (Z > 2,2) = 1 - P (Y < 2,2) = 0,0139
Z = = = −2.2 Luego, el 1,39% de la población bebe menos que usted.
σ 6

Ejercicio 5: A un examen se han presentado 2.000 aspirantes. La nota media ha sido un 5,5,
con una varianza de 1,5.

a) Tan sólo hay 100 plazas. Usted ha obtenido un 7,7. ¿Sería oportuno ir organizando una
fiesta para celebrar su éxito?

b) Va a haber una 2ª oportunidad para el 20% de notas más altas que no se hayan clasificados.
¿A partir de que nota se podrá participar en esta?

a) Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a
comenzar por calcular el valor de la normal estándar equivalente.
x −µ 7 .7 − 5 .5
Z = = = 2 .1
σ 1.049

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
A este valor de Z le corresponde una probabilidad acumulada (ver tablas) de 0,98214
(98,214%), lo que quiere decir que por encima de usted tan sólo se encuentra un 1,786%. Si se
han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes. Por lo que si hay
100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la
"mejor de las fiestas".

b) En la tabla el valor de la normal estándar que acumula el 80% de la probabilidad, ya que por
arriba sólo quedaría el 20% restante. Este valor de Z corresponde a 0,842. Ahora calculamos el
valor de la normal X equivalente:
x − 5.5
0.842 = Despejamos la X y su valor es 6,38. Por lo tanto, esta es la nota a partir de
1.049 la cual se podrá acudir.

Teorema 1 Si las v.a. X1, X2, X3,...... Xk son independientes y si cada Xi tiene distribución
normal con media µ i y varianza σ 2i (i=1,2,3,.......k), entonces la suma X1+ X2+ X3+......
Xk tiene distribución normal con media µ 1 + µ 2+µ 3 + .....+µ k y varianza σ 21 +
σ 22+σ 23 + .....+σ 2k

Teorema Central del Límite

El Teorema Central del Límite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribución (cualquiera que éste sea),
la suma de ellas se distribuye según una distribución normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas

Teorema: Si X1,X2,X3,....Xn es una sucesión de v.a. independientes idénticamente distribuidas,

cada una con media µ y varianza X ~ N ( µ, σ 2 n) σ 2, entonces .
Estandarizando se tiene: X −µ
Z =
σ n

Ejemplo : Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale
cruz el valor 0. Cada lanzamiento es una variable independiente que se distribuye según el
modelo de Bernouilli, con media 0,5 (p) y varianza 0,25 (pq). Calcular la probabilidad de que en
estos 100 lanzamientos salgan más de 60 caras.

La variable suma de estas 100 variables independientes se distribuye, por tanto, según una
distribución normal. Con Media: n*Me (media de la variable individual multiplicada por el
número de variables independientes) y Varianza: n*s2 (varianza de la variable individual
multiplicada por el número de variables individuales)
En el Ejemplo: la Media = 100*0,5= 50 y la Varianza = 100*0,25 = 25. Para ver la probabilidad
de que salgan más de 60 caras calculamos la variable normal estándar equivalente:
60 − 50 Por lo tanto: P (X > 60) = P (Z > 2,0) = 1- P (Z < 2,0) = 1 - 0,9772 = 0,0228
Z= = 2 Es decir, la probabilidad de que al tirar 100 veces la moneda salgan más de
5
60 caras es tan sólo del 2,28%

Ejercicio 1. La renta media de los habitantes de un país se distribuye uniformemente entre 4,0
mil nuevos soles. y 10,0 mil nuevos soles. Calcular la probabilidad de que al seleccionar al azar
a 100 personas la suma de sus rentas supere los 725 mil nuevos soles.

Cada renta personal es una variable independiente que se distribuye según una función
uniforme. con media = (4+10)/2 = 7 y varianza = (10 - 4)2/12 = 3.:

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
Por tanto, la suma de las 100 variables se distribuye según una normal de media =n*Me=100*7
=700 y varianza n*s2 = 100*3 = 300:
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 mil nuevos soles,
calculamos el valor equivalente de la variable normal estándar:
725 − 700 Luego: P(X>725) = P (Z >1,44) = 1 - P (Z < 1,44) = 1 - 0,9251 = 0,0749
Z = = 1.44 Es decir, la probabilidad de que la suma de las rentas de 100 personas
17 .3
seleccionadas al azar supere los 725 mil nuevos soles es de 7,49%

Ejercicio 2. En una asignatura del colegio la probabilidad de que te saquen a la pizarra en

cada clase es del 10%. A lo largo del año tienes 100 clases de esa asignatura. ¿Cuál es la
probabilidad de tener que salir a la pizarra más de 15 veces?

Salir a la pizarra es una variable independiente que sigue el modelo de distribución de

Bernouilli: "Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10 "No salir a
la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9. La media es 0,10y la varianza
es 0,10 * 0,90 = 0,09 de cada variable independientes .

Por tanto, la suma de las 100 variables se distribuye según una normal cuya media es n*Me
=100 *0,10 = 10 y varianza n*s2 = 100*0,09 = 9. Para calcular la probabilidad de salir a la
pizarra más de 15 veces, calculamos el valor equivalente de la variable normal estandar:
15 −10
Z = = 1.67
3

Luego: P (X > 15) = P (Z > 1,67) = 1 - P (Z < 1,67) = 1 - 0,9525 = 0,0475

Es decir, la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del curso es
tan sólo del 4,75%.

Ejercicio 3. Un día visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser
siempre al negro y cada apuesta de 500 ptas. Llevamos 10.000 ptas. y queremos calcular que
probabilidad tenemos de que tras jugar 80 veces consigamos doblar nuestro dinero.

Cada jugada es una variable independiente que sigue el modelo de distribución de Bernouilli.
"Salir negro", le damos el valor 1 y tiene una probabilidad del 0,485 "No salir negro", le
damos el valor 0 y tiene una probabilidad del 0,515. La media = 0,485 y varianza = 0,485 *
0,515 = 0,25 de cada variable individual. A la suma de las 80 apuestas se le aplica el Teorema
Central del Límite, por lo que se distribuye según una normal cuya media es n*Me =80* 0,485
= 38,8 y varianza n*s2 = 80 * 0,25 = 20 .

Para doblar nuestro dinero el negro tiene que salir al menos 20 veces más que el rojo (20*500
=10.000), por lo que tendrá que salir como mínimo 50 veces (implica que el rojo “cero” salgan
como máximo 30 veces). Calculando el valor equivalente de la variable normal estándar.
50 − 38 .8 Luego: P (X > 50) = P (Z> 2,50) = 1 - P (Z < 2,50) = 1 - 0,9938 = 0,0062
Z = = 2.50 Es decir, la probabilidad de doblar el dinero es 0,62%.
4.5

Ejercicio 4. El precio de una acción en bolsa se mueve aleatoriamente entre.10. y 20 nuevos

soles., con la misma probabilidad en todo el tramo. Hemos dado la orden a nuestro broker de
que nos compre paquetes de 1.000 acciones cada día durante las próximas 40 sesiones.
Una vez ejecutada la orden, tenemos un total de 40.000 acciones. A final de año vendemos
todas las acciones al precio de 13 soles./acción, recibiendo 520.000 soles. Calcular la
probabilidad de que ganemos dinero en esta operación.

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
El precio de cada paquete comprado es una variable aleatoria independiente que se distribuye
uniformemente entre 10.000 y 20.000 nuevos soles. Su media es(10.000+20.000)/2 =15.000 y
varianza es (20.000-10.000)2/12 =833,3. El precio total de los 40 paquetes comprados se
distribuye según una distribución normal cuya media =n*Me =40*15.000=600.000 y varianza
n*s2 = 40 * 833,3 = 33.333,3.

Para estimar la probabilidad de que ganemos dinero, calculamos el valor equivalente de la

variable normal estándar:
Luego: P (X > 520.000) = P (Y > 2,40) = 1 - P (Y < 2,40) = 1 -
520 ,000 − 600 ,000
Z = = 2.40 0,9918 = 0,0082
33 ,333 .3 Por tanto, la probabilidad de que ganemos dinero con la
operación es del 0,82%.

4.- Distribución Exponencial:

Una variable aleatoria X tiene distribución exponencial de parámetro λ > 0 si su función de
densidad es

Integrando, su  λ e− λ x , S i x ≥ 0 E ( x) = 1
 λ
≤ x ) = f∫( x)f= ( x )dx =1 −e

−λx
F ( X ) = P( X
Var( x) = 1
 0 ,S i x < 0 λ2
función de 
distribución, o de probabilidad acumulada, es:

Análisis de Supervivencia:

Cuando X se interpreta como el tiempo −λx

necesario para que se produzca el fallo de S ( x ) = P ( X > x ) = 1 − F ( x ) = e , x ≥ 0 un
componente de una máquina, o el tiempo que transcurre hasta la muerte de un organismo
biológico, la función.

Es la probabilidad de que el individuo no fallezca antes del instante x.

Ejemplo: El tiempo medio de supervivencia de un paciente tras haber recibido un cierto

tratamiento es de E[X]=5 años; sabiendo que la variable X tiene distribución exponencial,
interesa saber cual es la probabilidad de que el paciente supere los 10 años de vida tras
haberle suministrado el tratamiento.

Puesto que la variable tiene distribución exponencial de media 5, el parámetro λ es igual a

1/5=0.2, por lo que la probabilidad de superar los 10 años de vida es S(10)=0.1353.

5.- Distribución Gamma:

Una variable aleatoria X tiene distribución gamma de parámetros α y β (α >0 y β > 0), si su
función de densidad es

 β α Xα −1 − βX Γ(α) = ∫
+
∞
X α−1 e −x dx E ( x) = α
β
 e ,S i x ≥ 0 0
UNIVERSIDAD Γ (α ) NACIONAL DE INGENIERIA
f ( x) =  DE INGENIERIA ECONOMICA Y [Link].
FACULTAD
ESTADISTICA Y PROBABILIDADES
PROFESOR: [Link] x ) = α LUCIO
NEL(QUEZADA
β2
 0 ,S i x < 0
 F ( X ) = P ( X ≤ x ) = ∫ f ( x )dx
su función de distribución, o de probabilidad acumulada, es:

6.- Distribución Beta:

Una variable aleatoria X tiene distribución Beta de parámetro α y β > 0 si su función de

densidad es

 (α + β + 1) ! α β E ( x) =
(α + 1)

 α !β ! x (1 − x ) ,S i 0 < x < 1 (α + β + 2)
f ( x) =  Var ( x ) =
(α + 1)( β + 1)
(α + β + 2) 2 (α + β + 3)
0 , O t rcoa s o
 Función de distribución, o de probabilidad
acumulada, es:

7.- Distribución Ji2 de Pearson:

F ( X ) = P ( X ≤ x ) = ∫ f ( x )dx

Si (X1, X2,..., Xn) son n variables aleatorias normales independientes de media 0 y varianza 1, la
variable definida como:

se dice que tiene una distribución X 2 con n grados de libertad.

Su función de densidad es con x > 0,

Siendo la función gamma de Euler, con p > 0.

La función de distribución viene dada por

8.- Distribución t de Student:

Si (X, X1, X2,..., Xn) son n+1 variables aleatorias normales independientes de media 0 y
varianza σ 2, la variable

tiene una distribución tn de Student con n grados de libertad.

Su función de densidad es con x > 0,

siendo la función gamma de Euler, con p > 0.

Finalmente, la función de distribución viene dada por

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO
9.- Distribución F de Snedecor:

La distribución F de Snedecor aparece en los contrastes asociados a comparaciones entre las

varianzas de dos poblaciones normales. Si (X1, X2,..., Xm) y (Z1, Z2,..., Zn) son m+n variables
aleatorias normales independientes de media µ = 0 y varianza σ 2, la variable

tiene una distribución Fm,n de Snedecor de m y n grados de libertad.

Su función de densidad es con x > 0,

Siendo la función gamma de Euler, con p > 0.

La función de distribución viene dada por

UNIVERSIDAD NACIONAL DE INGENIERIA ESTADISTICA Y PROBABILIDADES

FACULTAD DE INGENIERIA ECONOMICA Y [Link]. PROFESOR: LIC. NEL QUEZADA LUCIO