Bioestadı́stica M.A. Amparan, S. Marcaida, A.M.

Valle - Variables aleatorias

Tema 3. Variables aleatorias

3.1 Introducción
3.2 Variables aleatorias discretas

3.2.1 Distribución de probabilidad de una variable aleatoria discreta

3.2.2 Función de distribución de una variable aleatoria discreta
3.3 Variables aleatorias continuas

3.3.1 Función de densidad de una variable aleatoria continua

3.3.1 Función de distribución de una variable aleatoria continua
3.4 Media o esperanza matemática de una variable aleatoria
3.4.1 Esperanza de una variable aleatoria discreta
3.4.2 Esperanza de una variable aleatoria continua
3.5 Varianza de una variable aleatoria
3.5.1 Varianza de una variable aleatoria discreta
3.5.2 Varianza de una variable aleatoria continua

3.6 Algunas distribuciones de probabilidad de variables aleatorias discretas

3.6.1 Distribución binomial
3.6.2 Distribución de Poisson
3.7 Distribución normal

3.7.1 Teorema central del lı́mite

3.7.2 La distribución normal como lı́mite de la distribución binomial
3.8 Distribuciones asociadas a la normal

1
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.1 Introducción
Variable aleatoria: Cada una de las caracterı́sticas de interés asociadas a un experimento
aleatorio se llaman variables aleatorias: variables porque cambian de valor y aleatorias porque
su comportamiento depende del azar y es impredecible.
Por ejemplo, supongamos que el experimento consiste en lanzar de modo ordenado tres mone-
das al aire, para observar el número de caras obtenido.

Ω = {(ccc), (ccx), (cxc), (xcc), (xxc), (xcx), (cxx), (xxx)}

A cada elemento del espacio muestral le podemos asociar un valor numérico que representa el
número de caras obtenidas al realizar el experimento. De este modo aparece el concepto de
variable aleatoria como una función X que a cada elemento del espacio muestral w le asocia
un número real X(w).
X : Ω −→ R
w 7−→ X(w)
En el ejemplo anterior la variable aleatoria X toma valores 0, 1, 2 y 3.

X: Ω −→ R
(ccc) 7−→ X(ccc) = 3
(ccx) 7−→ 2
(cxc) 7−→ 2
(xcc) 7−→ 2
(xxc) 7−→ 1
(xcx) 7−→ 1
(cxx) 7−→ 1
(xxx) 7−→ 0

En función de los valores que toma la variable esta puede ser clasificada en discreta o continua.
Variable aleatoria discreta: es aquella que sólo puede tomar un número finito o infinito
numerable de valores.
Variable aleatoria continua: es aquella que puede tomar un número infinito no numerable
de valores, es decir, puede tomar cualquier valor en un intervalo.

Ejemplo Identificar cada una de las siguientes variables como discretas o continuas.
a) Número de personas por dı́a que buscaron tratamiento innecesario en un servicio de ur-
gencias de un hospital.
b) La cantidad de sangre perdida por paciente durante el trascurso de una operación.
c) Porcentaje de lı́quido corporal perdido durante las primeras 24 horas por una persona que
ha sufrido una quemadura grave.
d) Tiempo de supervivencia en años después de un diagnostico de leucemia.
e) El número de abejas obreras en una colonia de abejas productoras de miel.

Cuando estamos tratando con una variable aleatoria, puesto que su comportamiento está
gobernado por el azar, debemos describir su comportamiento en términos de probabilidades.

2
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.2 Variables aleatorias discretas

3.2.1 Distribución de probabilidad de una variable aleatoria discreta: es la función f que a cada
valor discreto x de la variable aleatoria le asocia la probabilidad de que X tome el valor x

f: R −→ [0, 1]
x 7−→ f (x) = P (X = x)

La distribución de probabilidad de una variable aleatoria discreta que toma valores x1 , . . . , xn

se expresa en la siguiente tabla

X x1 x2 ··· xn
P (X = x) P (X = x1 ) P (X = x2 ) · · · P (X = xn )

Propiedades:
a) 0 ≤ f (xi ) ≤ 1 es decir 0 ≤ P (X = xi ) ≤ 1 para todo valor de la variable xi .
Pn Pn
b) i=1 f (xi ) = i=1 P (X = xi ) = 1.

Ejemplo: Determinar la distribución de probabilidad del ejemplo anterior

1
P (X = 0) = P ({xxx}) =
8
3
P (X = 1) = P ({cxx, xcx, xxc}) =
8
3
P (X = 2) = P ({ccx, cxc, xcc}) =
8
1
P (X = 3) = P ({ccc}) =
8
Por lo tanto la distribución de probabilidad es:


 1/8 si x = 0
3/8 si x = 1

f (x) = P (X = x) =
 3/8 si x = 2

1/8 si x = 3


o bien
X 0 1 2 3
1 3 3 1
f (x) = P (X = x) P (X = 0) = 8 P (X = 1) = 8 P (X = 2) = 8 P (X = 3) = 8

Calcular las siguientes probabilidades:

1 3 3 7
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = + + =
8 8 8 8
P (X = 5) = 0
3 1 4
P (X > 1) = P (X = 2) + P (X = 3) = + =
8 8 8
1
P (0 ≤ X < 1) = P (X = 0) =
8

3
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.2.2 Función de distribución de una variable aleatoria discreta: es la función F que a cada valor
discreto x de la variable aleatoria le asocia la probabilidad de que X toma un valor inferior o
igual a x.
F : R −→ [0, 1]
x 7−→ F (x) = P (X ≤ x)
Ejemplo: Determinar la función de distribución del ejemplo anterior.
Si x < 0, −→ F (x) = P (X ≤ x) = 0
1
Si x = 0, −→ F (0) = P (X ≤ 0) = P (X = 0) =
8
1
Si 0 < x < 1, −→ F (x) = P (X ≤ x) = P (X = 0) =
8
1 3 4
Si x = 1, −→ F (1) = P (X ≤ 1) = P (X = 0) + P (X = 1) = + =
8 8 8
4
Si 1 < x < 2, −→ F (x) = P (X ≤ x) = P (X = 0) + P (X = 1) =
8
1 3 3 7
Si x = 2, −→ F (2) = P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = + + =
8 8 8 8
7
Si 2 < x < 3, −→ F (x) = P (X ≤ x) = P (X = 0) + P (X = 1) + P (X = 2) =
8
Si x = 3, −→ F (3) = P (X ≤ 3) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) =
1 3 3 1
+ + + =1
8 8 8 8
Si x > 3, −→ F (x) = P (X ≤ x) = P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) = 1
Por lo tanto la función de distribución es:


 0 si x<0
 1/8 si 0≤x<1


F (x) = P (X ≤ x) = 4/8 si 1≤x<2
7/8 si 2≤x<3




1 si x≥3


Ejemplo: La siguiente tabla muestra la distribución de probabilidad de la variable X, número de

personas por dı́a que solicitan tratamiento innecesario en el servicio de urgencias de un pequeño
hospital.

X 0 1 2 3 4 5
P (X = x) 0.01 0.1 0.3 0.4 0.1 ?

Encontrar P (X = 5).
Encontrar P (X > 3).
Calcular la función de distribución de X.

4
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.3 Variables aleatorias continuas

3.3.1 Función de densidad de una variable aleatoria continua
Sea X una variable aleatoria continua. Una función f definida sobre el conjunto de los números
reales y con valores en dicho conjunto, es decir
f: R −→ R
x 7−→ f (x)
se dice que es la función de densidad de X si verifica
1. f (x) ≥ 0, para todo número real x.
R +∞
2. −∞ f (x)dx = 1.
Rb
3. Para todo a, b ∈ R, P (a ≤ X ≤ b) = a f (x)dx.
Gráficamente:

Consecuencias:
• Para todo a ∈ R, P (X = a) = 0

• De la propiedad anterior se deduce que para todo a, b ∈ R

P (a ≤ X ≤ b) = P (a ≤ X < b) = P (a < X ≤ b) = P (a < X < b)
P (X ≤ a) = P (X < a)
P (X ≥ b) = P (X > b)

3.3.2 Función de distribución de una variable aleatoria continua

Al igual que en el caso discreto se define la función de distribución de una variable aleatoria
continua como la función F que a cada valor x de la variable aleatoria le asocia la probabilidad
de que X toma un valor inferior o igual a x.
F : R −→ [0, 1] R
x
x 7−→ F (x) = P (X ≤ x) = −∞ f (t)dt
Representa el área delimitada por la gráfica de la función de densidad a la izquierda del punto
x e incluyendo a éste.

5
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.4 Media o esperanza matemática de una variable aleatoria.

La esperanza matemática o valor esperado de una variable aleatoria es el concepto equivalente al
de media aritmética. Ası́, la esperanza de X representa por término medio el valor de X.

3.4.1 Esperanza de una variable aleatoria discreta

Sea X una variable aleatoria discreta con distribución de probabilidad f (x). Entonces la es-
peranza matemática de X se define como:
X X
µ = E(X) = xf (x) = xP (X = x)
x x

donde la suma está extendida a todos los valores de la variable.

3.4.2 Esperanza de una variable aleatoria continua
Sea X una variable aleatoria continua con función de densidad f (x). Entonces la esperanza
matemática de X se define como:
Z +∞
µ = E(X) = xf (x)dx.
−∞

Propiedades de la esperanza. Sean X e Y dos variables aleatorias y c un número real. Entonces:

a) E(c) = c.
b) E(X + c) = E(X) + c.
c) E(cX) = cE(X).
d ) E(X ± Y ) = E(X) ± E(Y ).

6
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.5 Varianza de una variable aleatoria.

Se define la varianza de una variable aleatoria como
 
2
σ 2 = V ar(X) = E (X − µ) = E(X 2 ) − (E(X))2

La raı́z cuadrada positiva de la varianza se denomina desviación estándar de X y se denota por

p
σ = V ar(X).

3.5.1 Varianza de una variable aleatoria discreta

Sea X una variable aleatoria discreta con distribución de probabilidad f (x). Entonces
X X
V ar(X) = (x − µ)2 f (x) = (x − µ)2 P (X = x)
x x

o bien,
X
V ar(X) = E(X 2 ) − (E(X))2 = x2 P (X = x) − µ2 .
x

donde la suma está extendida a todos los valores de la variable X

3.5.2 Varianza de una variable aleatoria continua
Sea X una variable aleatoria continua con función de densidad f (x). Entonces
Z +∞
V ar(X) = (x − µ)2 f (x)dx
−∞

o bien,
Z +∞
2 2
V ar(X) = E(X ) − (E(X)) = x2 f (x)dx − µ2 .
−∞

Propiedades de la varianza. Sean X e Y dos variables aleatorias y c un número real. Entonces:

a) V ar(c) = 0.
b) V ar(X + c) = V ar(X).
c) V ar(cX) = c2 V ar(X).
d ) Si X e Y son v.a. independientes, entonces V ar(X ± Y ) = V ar(X) + V ar(Y ).

7
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

Ejemplo: Variable aleatoria discreta:

La distribución de probabilidad de una variable aleatoria X está definida por


 k si x = 0




 2k si x = 1


f (x) =
3k si x = 2








0 en caso contrario


a) Determinar el valor de k.
b) Calcular P (X ≤ 2) y P (0 < X < 2).
c) Calcular la media, la varianza y la desviación estándar.

8
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

Ejemplo: Variable aleatoria continua:

En un hospital se observó que el peso en kilos de los niños al nacer era una variable aleatoria con
función de densidad 
 kx si 2 ≤ x ≤ 4
f (x) =
0 en caso contrario


a) Representa gráficamente la función de densidad.

b) Hallar el valor de la constante k para que f (x) sea función de densidad.
c) Sombrea la región correspondiente a la probabilidad de que un niño elegido al azar pese al
nacer más de 3 kg. Calcula dicha probabilidad.
d) ¿Cuál es la probabilidad de que un niño elegido al azar pese al nacer menos de 3 kg?
e) Sombrea la región correspondiente a la probabilidad de que un niño elegido al azar pese al
nacer entre 2 kg. y 3.5 kg. Calcula dicha probabilidad.
f) Calcular la media, la varianza y la desviación estándar.

9
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.6 Algunas distribuciones de probabilidad de variables aleatorias discretas.

Hay distribuciones de probabilidad que pueden servir de modelo a los variadı́simos experimentos
aleatorios que se presentan en las ciencias experimentales, entre ellos la biologı́a. Estudiamos dos
de estos modelos: distribución binomial y distribución de Poisson.

3.6.1 DISTRIBUCIÓN BINOMIAL

Supongamos que realizamos n pruebas idénticas de un experimento aleatorio, tal que cada
prueba admite dos resultados “éxito” o “fracaso”. Normalmente llamamos “éxito” al rasgo que
queremos contabilizar. Supongamos además que la probabilidad de “éxito” (p) es la misma en
cada prueba y que las pruebas son independientes. Entonces la variable aleatoria discreta X
que representa “el número de éxitos obtenidos en n pruebas independientes siendo
p la probabilidad de éxito en cada prueba” se dice que tiene distribución binomial de
parámetros n y p. Se denota
X:B(n,p)

X toma valores 0, 1, 2, . . . , n con probabilidades

 
n k
P (X = k) = p (1 − p)n−k para k = 0, 1, . . . , n
k

Si X es binomial de parámetros n y p, entonces E(X) = np y V ar(X) = np(1 − p).

Ejemplo: Un hombre y una mujer cada uno con un gen recesivo azul (b) y uno dominante
marrón (B) para el color de ojos, son padres de tres hijos. Determinar la distribución de
probabilidad de la variable aleatoria que representa el número de hijos con ojos azules.
(a) Una prueba consiste en observar el color de ojos de un niño. (n=3)
(b) “Éxito”: obtener un niño con ojos azules.
(c) p = P (“obtener un niño con ojos azules”) = 0,25
(d) X:“número de hijos con ojos azules en familias de 3 hijos”: B(3, 0,25)
X 0 1 2 3
3 1 0 3 3 3 1 1 3 2 3 1 2 3 1 3 1 3 3 0













P (X = k) 0 . 4 . 4 1 . 4 . 4 2 . 4 . 4 3 . 4 . 4

USO DE TABLAS:
• Calcula la distribución de probabilidad de la variable X:“número de hijos con ojos azules
en familias de 3 hijos”

X 0 1 2 3
P (X = k)
• Calcula la probabilidad de que el número de hijos con ojos azules sea igual a 2.

• Calcula la probabilidad de que el número de hijos con ojos azules sea superior a 2.

• Calcula la probabilidad de que el número de hijos con ojos azules sea menor o igual a 2.

10
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

Ejemplo: Se está desarrollando una nueva variedad de maı́z en una extensión de experimenta-
ción agrı́cola. Se espera que tengan una tasa de germinación del 90 %. Para verificar esto se
plantan 20 semillas en suelos de idéntica composición y se les dedican los mismos cuidados. Si
la cifra 90 % es correcta ¿Cuál es la probabilidad de que germinen al menos 18 semillas?
(a) Una prueba consiste en
(b) “Éxito”:
(c) p
(d) X

11
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.6.2 DISTRIBUCIÓN DE POISSON

Esta distribución es una de las más importantes distribuciones de variable discreta. Sus prin-
cipales aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa
determinar “el número de hechos de cierto tipo (“éxito”) que se pueden producir
por unidad de tiempo o de área”. Por ejemplo:
• número de aviones que aterrizan en un aeropuerto por dı́a, hora, minuto, etc
• número de defectos de una tela por m2
• número de llamadas telefónicas a un conmutador por hora, minuto, etc
• número de bacterias por cm2 de cultivo
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo o de área
necesitamos conocer la media o promedio de éxitos por unidad de tiempo o de área, λ.
Una variable aleatoria discreta X se dice que tiene distribución de Poisson de parámetro λ,
λ > 0, si su distribución de probabilidad viene dada por
λx
f (x) = P (X = x) = e−λ para x = 0, 1, 2, 3 . . .
x!
Se denota
X : P(λ)

Si X es Poisson de parámetro λ, entonces E(X) = λ y V ar(X) = λ.

Una importante aplicación de la distribución de Poisson aparece cuando se considera una
variable aleatoria discreta X con distribución binomial, X : B(n, p) tal que n es grande y p es
pequeña. En este caso, se puede demostrar que la distribución de Poisson de parámetro λ = np
es una buena aproximación de la distribución binomial de parámetros n y p. En la práctica
consideramos que la distribución de Poisson es buena si n > 50 y p < 0,1. Es decir

si n > 50 y p < 0,1 =⇒ B(n, p) ≈ P(np)

Ejemplo: La incidencia de la sepsis meningocócica en niños menores de 2 años y en una de-

terminada fase epidemiológica tiene un valor de 0,2 %. Cual es la probabilidad de que en una
población de 200 niños menores de 2 años sufran:
• 4 la enfermedad
• 4 o menos

12
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.7 DISTRIBUCIÓN NORMAL

La distribución normal es una de las distribuciones de probabilidad asociadas a variables aleatorias
continuas de mayor interés por sus múltiples aplicaciones prácticas.

Una variable aleatoria X se dice que tiene distribución normal de media µ y desviación estándar σ
si para cada x su función de densidad está dada por
1 (x−µ)2
f (x) = √ e− 2σ2
σ 2π
Sea denota
X : N (µ, σ)

La forma de la función de densidad es la llamada campana de Gauss que depende de los parámetros
µ y σ.

Representación gráfica:

Caso particular: Distribución normal de media µ = 0 y desviación estándar σ = 1

Sea Z una variable continua con distribución N (0, 1). Entonces su función de densidad es
1 x2
f (x) = √ e− 2 ,
2π
cuya representación gráfica es simétrica respecto el eje de ordenadas

13
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

Cálculo de probabilidades para una variable Z : N (0, 1)

P (Z > 1,32) = P (Z ≥ 1,32)

P (Z < 2) = P (Z ≤ 2)

P (Z < −1,37)

P (−1,5 < Z < 1,5)

P (Z ≥ −1,29)

14
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

Cálculo de probabilidades para una variable X : N (µ, σ)

Teorema de tipificación: Sea X una variable aleatoria con distribución normal de media µ y
desviación estándar σ, es decir, X : N (µ, σ). Entonces la variable

X −µ
σ
tiene distribución normal de media 0 y desviación estándar 1.

Sea una variable aleatoria X con distribución normal de media 1200 y desviación estándar 140, es
decir, X : N (1200, 140). Calcular las siguiente probabilidades:

P (X > 1400) = P (X ≥ 1400)

P (1000 ≤ X ≤ 1050) = P (1000 < X ≤ 1050) = P (1000 ≤ X < 1050) = P (1000 < X < 1050)

P (X ≤ 1600) = P (X < 1600)

Hallar el valor x0 tal que P (X < x0 ) = 0,2

15
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

Sea X una variable aleatoria con distribución normal de media µ y desviación estándar σ. Calcular
los siguientes valores de probabilidad:
a) P (µ − σ ≤ X ≤ µ + σ)
b) P (µ − 2σ ≤ X ≤ µ + 2σ)
c) P (µ − 3σ ≤ X ≤ µ + 3σ)
(0.6826, 0.9544, 0.9973)

Ejemplo: El plomo, como muchos otros elementos, está presente en el medio natural. La revolución
industrial y la llegada del automóvil han incrementado la cantidad de plomo en el medio hasta el
punto de que, en algunos individuos, la concentración de plomo puede alcanzar niveles peligrosos.
Sea X la concentración de plomo en partes por millón en la corriente sanguı́nea de un individuo.
Supongamos que X es una variable normal con media 0.25 y desviación tı́pica 0.11.

a) Una concentración superior o igual a 0.6 partes por millón se considera extremadamente alta.
¿Cuál es la probabilidad de que un individuo seleccionado aleatoriamente esté incluido en esta
categorı́a?
b) ¿Cuál es la probabilidad de que para un individuo seleccionado aleatoriamente su concentración
se encuentre entre 0.4 y 0.6?

16
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

Propiedad: Suma de variables normales independientes es normal.

Sean X1 y X2 variables aleatorias independientes tales que X1 : N (µ1 , σ1 ) y X2 : N (µ2 , σ2 ).
Entonces
p la variable X1 + X2 tiene distribución normal de media µ1 + µ2 y desviación estándar
σ12 + σ22 , es decir,  
q
2
X1 + X2 : N µ1 + µ2 , σ1 + σ2 2

En general, una combinación lineal de variables aleatorias normales independientes es normal. Sean
X1 y X2 variables aleatorias independientes tales que X1 : N (µ1 , σ1 ) y X2 : N (µ2 , σ2 ). Entonces
la variable a1 X1 + ap
2 X2 , con a1 , a2 constantes, tiene distribución normal de media a1 µ1 + a2 µ2 y
desviación estándar a21 σ12 + a22 σ22 , es decir,
 q 
2 2 2
a1 X1 + a2 X2 : N a1 µ1 + a2 µ2 , a1 σ1 + a2 σ2 2

3.7.1 Teorema central del lı́mite

Sean X1 , X2 , X3 , . . . una sucesión de variables aleatorias independientes e idénticamente distri-
buidas todas ellas con media µ y varianza σ 2 no nula. Entonces para n suficientemente grande
(consideramos n > 30) la variable suma tiene distribución normal
√
X1 + X2 + . . . + Xn ≈ N (nµ, σ n)

Esto equivale a decir que

X1 + X2 + . . . + Xn − nµ
√ ≈ N (0, 1).
σ n

Ejemplo: En un proceso de fabricación se sabe que el número aleatorio de unidades defectuosas

producidas diariamente es una variable aleatoria con esperanza y varianza ambas iguales a 10.
Determinar la probabilidad de que en 150 dı́as el número de unidades defectuosas producidas
supere 1480 unidades.

17
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.7.2 La distribución normal como lı́mite de la distribución binomial

Cuando estudiamos la distribución binomial vimos que el cálculo de probabilidades esta ta-
bulado para valores de n pequeños (desde 2 a 10) y por lo tanto dicho cálculo se hace muy
laborioso para valores grandes de n. Recordemos que para n > 50 y p < 0,1, B(n, p) ≈ P(np).
Veamos otra aproximación de la binomial mediante la normal.

Teorema de Moivre: Sea X una variable aleatoria con distribución binomial de parámetros
n y p con n grande y p cercano a 0,5. Entonces la distribución
p de probabilidad de X es
aproximadamente normal de media np y desviación estándar np(1 − p).
En la práctica consideramos que la aproximación es buena si n > 30 y 0,1 < p < 0,9. Es decir
p
si n > 30 y 0,1 < p < 0,9 =⇒ B(n, p) ≈ N (np, np(1 − p))

En otros libros como “Applied Statstics” de Mark L. Berenson, David M. Levine y David
Rindskopf dan otras condiciones para que esta aproximación a la normal pueda ser usada,
dichas condiciones son:
np > 5 y n(1 − p) > 5
Ejemplo: Un concesionario de automóviles vende a particulares vehı́culos de la misma marca.
Sabiendo que la probabilidad de que este tipo de vehı́culos esté en servicio dos años después
es de 0.8, determinar la probabilidad de que de 4000 automóviles vendidos
• más de 3200 estén en servicio dos años después.
• más de 3150 estén en servicio dos años después.

18
Bioestadı́stica M.A. Amparan, S. Marcaida, A.M. Valle - Variables aleatorias

3.8 Distribuciones asociadas a la normal

Distribución ji-cuadrado
Distribución t de Student
Distribución F de Fisher-Snedecor

19