3.

ALGUNAS IMPORTANTE
DISTRIBUCIONES TEÓRICAS

3.1 DISTRIBUCIÓN BINOMIAL

3.1.0 Introducción:
En este capítulo discutiremos la teoría discreta
distribuciones en las que las variables se distribuyen de acuerdo con algún
ley de probabilidad definida, que puede expresarse matemáticamente.
La distribución binomial es una distribución discreta que expresa el
probabilidad de un conjunto de alternativas dicotómicas, es decir, éxito o
fracaso. Esta distribución se ha utilizado para describir una amplia variedad de
proceso en negocios y ciencias sociales, así como en otras áreas.
3.1.1 Distribución de Bernoulli:
A random variable X which takes two values 0 and 1 with
probabilidades q y p es decir, P(x=1) = p y P(x=0) = q, q = 1 -- p,
se llama una variable de Bernoulli y se dice que es una Distribución de Bernoulli,
donde p y q toman las probabilidades de éxito y fracaso
respectivamente. Fue descubierto por el matemático suizo James
Bernoulli (1654-1705).
Ejemplos de los experimentos de Bernoulli son:
1) Lanzamiento de una moneda (cara o cruz)
2) Lanzamiento de un dado (número par o impar)
3) Performance of a student in an examination (pass or fail)
3.1.2 Distribución Binomial:
Se dice que una variable aleatoria X sigue una distribución binomial,
si su función de masa de probabilidad está dada por

P (X = x) = P(x) = nCxpxqn-x ; x = 0, 1,2,…,n

0 ; de lo contrario
Aquí, las dos constantes independientes n y p son conocidas como el
' parámetros' de la distribución. La distribución es completamente
determinado si n y p son conocidos. x se refiere al número de éxitos.
68
 Si consideramos N conjuntos de n ensayos independientes, entonces el número de
veces que obtenemos x éxito es N(nCxpxqn-x). Se deduce que los términos en
la expansión de N (q + p)nda las frecuencias de las ocurrencias
de 0,1,2,...,x,...,n éxitos en los N conjuntos de ensayos independientes.
3.1.3 Condición para la Distribución Binomial:
Obtenemos la distribución binomial bajo las siguientes condiciones:
condiciones experimentales.
1) El número de ensayos 'n' es finito.
2) Los ensayos son independientes entre sí.
3) La probabilidad de éxito 'p' es constante para cada prueba.
4) Cada prueba debe resultar en un éxito o un fracaso.
Los problemas relacionados con el lanzamiento de monedas o la tirada de
tirar dados o sacar cartas de una baraja con reemplazo conduce a
distribución de probabilidad binomial.
3.1.4 Características de la Distribución Binomial:
1. La distribución binomial es una distribución discreta en la que el
la variable aleatoria X (el número de éxitos) asume el
valores 0, 1, 2, ... n, donde n es finito.
2. Media = np, varianza = npq y
standard deviation =s npq ,
q- p
Coeficiente de asimetría = ,
npq
1 - 6pq , claramente cada uno de los
Coeficiente de curtosis =
npq
las probabilidades son no negativas y la suma de todas las probabilidades es
1 ( p < 1 , q < 1 y p + q =1, q = 1 p ).-
3. La moda de la distribución binomial es ese valor de la
variable que ocurre con la mayor probabilidad. Puede
tienen uno o dos modos.
4. Si dos variables aleatorias independientes X e Y siguen
distribución binomial con parámetro (n1, p) y (n2, p)
respectivamente, entonces su suma (X+Y) también sigue una binomial
distribución con parámetro (n1+ n2, p)
69
 5. Si n ensayos independientes se repiten N veces, N conjuntos de n
se obtienen ensayos y la frecuencia esperada de x éxitos
es N(nCxpxqn-xLas frecuencias esperadas de 0,1,2…n
el éxito son los términos sucesivos de la distribución binomial
de N(q + p)n .
Ejemplo 1:
Comenta lo siguiente: “La media de una binomial
la distribución es 5 y su varianza es 9
Solución:
Los parámetros de la distribución binomial son n y p
Tenemos media Þ np = 5
Varianza Þ npq = 9
npq 9
\ q= =
np 5
9
q=1
5
Lo cual no es admisible ya que q no puede exceder la unidad. Por lo tanto
la declaración dada es incorrecta.
Ejemplo 2:
Se lanzan simultáneamente ocho monedas. Encuentra la probabilidad
de obtener al menos seis caras.
Solución:
Aquí el número de ensayos, n = 8, p denota la probabilidad de
consiguiendo una ventaja.

1 1
\ p= y q =
2 2
Si la variable aleatoria X denota el número de caras, entonces
la probabilidad de un éxito en n ensayos está dada por
P(X = x) = ncxpxqn-x x = 0, 1, 2, ..., n
x 8- x 8
æ1 ö æ 1ö æ1 ö
= 8Cx ç ÷ ç ÷ = 8Cx ç ÷
è2ø è2ø è2ø
1
= 8 8Cx
2
70
La probabilidad de obtener al menos seis caras está dada por
P(x ³ 6) = P(x = 6) + P(x = 7) + P(x = 8)
1 1 1
= 8C6+ 8C7+ 8C8
28 28
28
1
= 8 [ 8C6+ 8 °C7+ 8°C8]
2
1 37
= 8 [ 28 +8 +1] =
2 256
Ejemplo 3:
Se lanzan simultáneamente diez monedas. Encuentra la probabilidad.
of getting (i) atleast seven heads (ii) exactly seven heads
(iii) un máximo de siete cabezas

Solución:
1
p = Probabilidad de obtener un cara =
2
1
q = Probabilidad de no obtener una cara =
2
La probabilidad de obtener x caras al lanzar 10 monedas
simultáneamente es dado por
P(X = x) = nCxpxqn-x. , x = 0 , 1, 2 , ..., n
x 10 - x
æ1 ö æ 1ö 1
= 10Cx ç ÷ ç ÷ = 10Cx
è2ø è2ø 210
i) Probabilidad de obtener al menos siete caras
P(x ³ 7) = P (x = 7) + P(x = 8) + P (x = 9) + P (x = 10)
1
= 10 10C7+ 10C8+ 10C9+ 10°C10]
2
1 176
= [120 + 45 + 10 + 1] =
1024 1024
ii) Probabilidad de obtener exactamente 7 caras
1 1
P ( x = 7) = 10
10C7= 10 (120)
2 2
120
=
1024
71
iii) Probabilidad de obtener como máximo 7 caras
P( x 7)
£ = 1 – P(x > 7)
= 1 -{ P(x = 8) + P (x = 9) + P(x = 10)}
1
= 1- 10 {10C8+ 10C9+ 10°C10}
2
1
= 1 - 10 [45 +10+1]
2
56
=1-
1024
968
=
1024
Ejemplo 4:
20 relojes de pulsera en una caja de 100 son defectuosos. Si 10
se seleccionan relojes al azar, encuentra la probabilidad de que (i) 10 sean
defective (ii) 10 are good (iii) at least one watch is defective
(iv) como máximo 3 son defectuosos.
Solución:
20 de 100 relojes de pulsera son defectuosos
20 1
Probabilidad de reloj de pulsera defectuoso, p = =
100 5
4
\ q = 1-p =
5
Dado que se seleccionan 10 relojes al azar, n = 10
P(X = x) = nCxpxqn-x , x = 0 , 1, 2, ...,10
x 10 - x
æ1 ö æ 4ö
= 10Cx ç ÷ ç ÷
è5 ø è5 ø
i) Probabilidad de seleccionar 10 relojes defectuosos
10 0
æ1 ö æ 4ö
P( x =10) = 10C10 ç ÷ ç ÷
è 5 ø è 5ø
1 1
= 1. 10 .1 = 10
5 5

72
ii) Probabilidad de seleccionar 10 relojes buenos (es decir, sin defectos)
0 10
æ1 ö æ 4ö
P(x = 0) = 10C0 ç ÷ ç ÷
è5 ø è5 ø
10 10
æ4 ö æ4 ö
= 1.1. ç ÷ = ç ÷
è5ø è5ø
iii) Probabilidad de seleccionar al menos un reloj defectuoso
P(x ³ 1) = 1 – P(x < 1)
= 1 - P(x = 0)
0 10
æ1 ö æ 4ö
= 1 -10C 0 ç ÷ ç ÷
è5 ø è5 ø
10
æ4 ö
=1- ç ÷
è5ø
iv) Probabilidad de seleccionar como máximo 3 relojes defectuosos
P (x 3)
£ = P (x = 0) + P(x = 1) + P(x = 2) + P(x = 3)
0 10 1 9 2 8
æ1 ö æ4 ö æ1 ö æ4 ö æ1 ö æ 4ö
= 10C0 ç ÷ ç ÷ +10C1 ç ÷ ç ÷ + 10C2 ç ÷ ç ÷
è 5 ø è5 ø è 5 ø è5 ø è5ø è5ø
3 7
æ1 ö æ 4ö
+10C3 ç ÷ ç ÷
è5 ø è5 ø
10 1 9 2 8
æ4 ö æ1 ö æ4 ö 10.9 æ1 ö æ 4ö
= 1.1. ç ÷ + 10 ç ÷ ç ÷ + ç ÷ ç ÷
è5ø è 5 ø è5 ø 1.2 è 5 ø è 5 ø
3 7
10.9.8 æ1 ö æ ö4
+ ç ÷ ç ÷
1.2.3 è 5 ø è 5ø
= 1. (0.107) + 10 (0.026) + 45 (0.0062) + 120 (0.0016)
= 0.859 (aprox)
Ejemplo 5:
Con la notación habitual, encuentra p para la variable aleatoria binomial.
X si n = 6 y 9P(X = 4) = P(X = 2)
Solución:
La función de masa de probabilidad de la variable aleatoria binomial X es
dado por
P(X = x) = nCxpxqn-x. , x = 0 , 1, 2, ..., n
73
Aquí n = 6 \ P(X = x) = 6Cxpxq6-x
P (x = 4) = 6C4p4q2
P (x = 2) = 6C2p2q4
Dado que,
9. P(x = 4) = P(x = 2)
9. 6C4p4q2= 6C2p2q4
Þ 9 ´ 15p2= 15q2
9p2= q2
Al tomar la raíz cuadrada positiva en ambos lados, obtenemos,
3p = q
= 1-p
4p = 1
1
\ p= = 0.25
4
3.1.5 Ajuste de la Distribución Binomial:
Cuando se ajusta una distribución binomial a una observada
se adopta el siguiente procedimiento.
Sfx
1. Encontrar la media = x = = np
Sf
x
Þ p= donde n es el número de ensayos
n
2. Determina el valor, q =- 1 p.
3. La función de probabilidad es P(x) =nCx pxqn-x pon x = 0, nosotros
n
establecer P(0) = q y f(0) = N P(0)
´
4. Las otras frecuencias esperadas se obtienen utilizando el
la fórmula de recurrencia está dada por
n-x p
f(x+1) = f(x)
x+1 q
Ejemplo 6:
Un conjunto de tres monedas similares se lanzan 100 veces con el
resultados siguientes
Number of heads : 0 1 2 3
Frecuencia : 36 40 22 2

74
Solución:
X f fx
0 36 0
1 40 40
2 22 44
3 2 6
S f = 100 S fx = 90
Sfx 90
Media = x = = = 0.9
Sf 100
x
p=
n
0.9
= = 0.3
3
q = 1 – 0.3
= 0.7
La función de probabilidad es P(x) = nCxpxqn-x
Here n = 3, p = 0.3 q = 0.7
\ P(x) = 3Cx(0.3)x(0.7)3-x
P(0) = 3C0(0.3)0(0.7)3
(0.7)30.343
\ f(0) = N P(0)
´ = 0.343 100´ = 34.3
Las otras frecuencias se obtienen utilizando la fórmula de recurrencia.
n-xæpö
f(x+1) = f(x). Al poner x = 0, 1, 2 se espera
x+1 çè q ÷ø
las frecuencias se calculan de la siguiente manera.
3 - 0 æpö
f(1) = ´ 34.3
0 + 1 çè q ÷
ø
= 3 ´(0.43) 34.3
´ = 44.247
3-1æpö
f(2) = f(1)
1 + 1 çè q ÷
ø
2
= (0.43) ´ 44.247
2
= 19.03
75
 3 - 2 æpö
f(3) = f(2)
2 + 1 çè q ÷
ø
1
= (0.43) ´ 19.03
3
= 2.727
Las frecuencias observadas y teóricas (esperadas) están tabuladas
debajo:
Total
Observado 36 40 22 2 100
frecuencias
Esperado 34 44 19 3 100
frecuencias
Ejemplo 7:
Se lanzan 4 monedas y se anota el número de caras.
el experimento se repite 200 veces y la siguiente distribución es
obtenido.
x: Number of heads 0 1 2 3 4
f: frequencies 62 85 40 11 2

Solution:
X 0 1 2 3 4 Total
f 62 85 40 11 2 200
fx 0 85 80 33 8 206

Sfx 206
Media = x = = = 1.03
Sf 200
x 1.03
p= = = 0.2575
n 4
\ q = 1-0.2575 = 0.7425
Aquí n = 4, p = 0.2575; q = 0.7425
La función de probabilidad de la distribución binomial es
P(x) = nCxpxqn-x

76
La función de probabilidad binomial es
P(x) = 4Cx(0.2575)x(0.7425)4-x
P(0) = (0.7425)4
= 0.3039
\ f(0) = NP(0)
= 200 0.3039
´
= 60.78
Las otras frecuencias se calculan utilizando la fórmula de recurrencia
n-xæpö
f(x+1) = f(x). Al poner x = 0, 1, 2, 3 entonces se espera
x+1 çè q ÷
ø
las frecuencias se calculan de la siguiente manera:
Si ponemos x = 0, obtenemos

4-0
f(1) = (0.3468) (60.78)
0 +1
= 84.3140
4-1
f(2) = (0.3468) (84.3140)
1+1
= 43.8601
4-2
f(3) = (0.3468) (43.8601)
2 +1
= 10.1394
4-3
f(4) = (0.3468) (10.1394)
3 +1
= 0.8791

Las frecuencias teóricas y esperadas se tabulan a continuación:

Total
Observado 62 85 40 11 2 200
frecuencias
Esperado 61 84 44 10 1 200
frecuencias

77
3.2 DISTRIBUCIÓN DE POISSON:
3.2.0 Introducción:
La distribución de Poisson fue descubierta por un francés
El matemático y físico Simeon Denis Poisson en 1837.
La distribución de Poisson también es una distribución discreta. Él la derivó como una
caso límite de la distribución binomial. Para n-pruebas la binomial
la distribución es (q + p)nla probabilidad de x éxitos está dada por
P(X=x) = nCxpxqn-x . Si el número de ensayos n es muy grande y el
la probabilidad de éxito ‘ p’ es muy pequeña de modo que el producto np = m es
no negativo y finito.
La probabilidad de éxito es dada por
e - mmx
P( X = x ) = para x= 0,1,2, …
x!
0 ; de lo contrario
Aquí, m se conoce como parámetro de la distribución, de modo que m > 0
Dado que el número de ensayos es muy grande y la probabilidad de
el éxito p es muy pequeño, está claro que el evento es un evento raro.
Por lo tanto, la distribución de Poisson se relaciona con eventos raros.

Nota:
1 1 1
1) e está dado por e = +1 ++ +….. = 2.71828
1! 2! 3!
-m 0
e m
P(X=0) = , 0! = 1 y 1! = 1
0!
e- m m1
3) P(X=1) =
¡1!
Algunos ejemplos de variables de Poisson son:
1. El número de ciegos nacidos en un pueblo en un año en particular.
2. Número de errores cometidos en una página mecanografiada.
3. El número de estudiantes que obtienen calificaciones muy altas en todos
asuntos
4. El número de accidentes de avión en una semana en particular.
5. El número de tornillos defectuosos en una caja de 100,
fabricado por una empresa de renombre.
6. Número de suicidios reportados en un día en particular.

78
3.2.1 Conditions:
La distribución de Poisson es el caso límite de la binomial.
distribution under the following conditions:
1. El número de ensayos n es indefinidamente grande¥ es decir, nà
2. La probabilidad de éxito 'p' para cada ensayo es muy pequeña;
es decir, p à0
3. np = m (decir) es finito, m > 0

3.2.2 Características de la distribución de Poisson:

The following are the characteristics of Poisson distribution
1. Distribución discreta: la distribución de Poisson es discreta
distribución como la distribución binomial, donde la aleatoria
variable asumida como un número contablemente infinito de valores
0,1,2….
2. Los valores de p y q: Se aplica en situaciones donde el
la probabilidad de éxito p de un evento es muy pequeña y la de
la falla q es muy alta, casi igual a 1 y n es muy grande.
3. El parámetro: El parámetro de la distribución de Poisson es
m. Si se conoce el valor de m, todas las probabilidades de la
La distribución de Poisson puede ser determinada.
4. Valores de la Constante: Media = m = varianza; de modo que la desviación estándar

deviation = m
La distribución de Poisson puede tener uno o dos modos.
5. Propiedad Aditiva: Si X e Y son dos Poisson independientes
distribución con parámetro m1y m2respectivamente. Entonces
(X+Y) también sigue la distribución de Poisson con parámetro
(m1+m2)
6. Como una aproximación a la distribución binomial: Poisson
la distribución se puede considerar como una forma límite de Binomial
distribución cuando n es grande y p es muy pequeño en tal
manera en que el producto np = m permanece constante.
7. Supuestos: La distribución de Poisson se basa en el
siguiendo suposiciones.
i) La ocurrencia o no ocurrencia de un evento hace
no influir en la ocurrencia o no ocurrencia de
cualquier otro evento.
79
 ii) La probabilidad de éxito para un intervalo de tiempo corto
o una pequeña región del espacio es proporcional a la
longitud del intervalo de tiempo o espacio según sea el caso
ser.
iii) La probabilidad de que ocurra más de uno
un evento es un intervalo muy pequeño es negligible.
Ejemplo 8:
Supongamos que en promedio 1 casa de cada 1000 en un cierto distrito
hay un incendio durante un año. Si hay 2000 casas en ese distrito,
¿cuál es la probabilidad de que exactamente 5 casas tengan un incendio durante?
¿el año? [dado que e-2= 0.13534]
1
Media, x = np, n = 2000 y p =
1000
1
= 2000 ´
1000
m=2
La distribución de Poisson es
e - mmx
P(X=x) =
x!
-2 5
e 2
\ P(X = 5) =
5!
(0.13534) ´ 32
=
120
= 0.036
(Nota: Los valores de e-mse proporcionan en el Apéndice)
Ejemplo 9:
En una distribución de Poisson 3P(X=2) = P(X=4) Encuentra el
parámetro 'm'.
Solución:
e - mmx
La distribución de Poisson se da por P(X=x) =
x!
Dado que 3P(x=2) = P(x=4)

80
 e - mm2 e - mm4
3. =
2! 4!
3 ´ 4!
m2=
2!
\ m=±6
Dado que la media siempre es positiva m =\6

Ejemplo 10:
Si el 2% de las bombillas eléctricas fabricadas por una cierta empresa
son defectuosos. Encuentra la probabilidad de que en una muestra de 200 bombillas
i) menos de 2 bombillas ii) más de 3 bombillas están defectuosas.-4= 0.0183]
Solución:
2
La probabilidad de una bombilla defectuosa = p = = 0.02
100
Dado que n = 200 ya que p es pequeño y n es grande
Usamos la distribución de Poisson
mean, m = np = 200 ´0.02 = 4
e - mmx
Ahora, función de probabilidad de Poisson, P(X = x) =
x!
i) Probabilidad de que menos de 2 bombillas estén defectuosas
= P(X<2)
= P(x = 0) + P(x = 1)
e- 440e 41 - 4
= +
0! ¡1!
= e- 4 + e- 4 (4)
= e- 4 (1 + 4) = 0.0183 5´
= 0.0915
ii) Probabilidad de obtener más de 3 bombillas defectuosas
P(x > 3) = 1 P(x - 3) £
= 1-{P(x = 0) + P(x =1) + P(x=2) + P(x=3)}
4 243
= 1-e- 4 {1+ 4+ + }
2! 3!
= 1-{0.0183 (1´ + 4 + 8 + 10.67)}
= 0.567
81
3.2.3 Ajuste de la Distribución de Poisson:
El proceso de ajuste de la distribución de Poisson para el
probabilities of x = 0, 1,2,... success are given below :
å fx
i) Primero tenemos que calcular la media = = = xm
åf
ii) El valor de e-mse obtiene de la tabla (ver Apéndice)
e - m .m
x
iii) Al usar la fórmula P(X=x) =
¡x!
-m
Sustituyendo x = 0, P(0) = e
Entonces f(0) = N
´ P(0)
Las otras frecuencias esperadas se obtendrán utilizando el
fórmula de recurrencia
m
f(x+1) = f(x) ; x = 0,1,2, …
x +1

Ejemplo 11:
Se observaron los siguientes errores por página en un libro.
Number of mistakes ( per page) 0 1 2 3 4
Número de páginas 211 90 19 5 0
Ajusta una distribución de Poisson a los datos anteriores.

Solución:
xyo fyo fyoxyo
0 211 0
1 90 90
2 19 38
3 5 15
4 0 0
N = 325 Ȉ fx = 143

Ȉ fx
Media = x =
N
143
= = 0.44 = m
325
-m 0.44
Entonces e eÞ = 0.6440
82
La función de masa de probabilidad de la distribución de Poisson es
mx
P(x) = e-m
x!
440
Ponga x = 0, P(0) = e-0.44
0!
= e-0.44
= 0.6440
\ f(0) = N P(0)
= 325 ´0.6440
= 209.43
Las otras frecuencias esperadas se obtendrán utilizando el
fórmula de recurrencia
m
f(x+1) = f(x). Al poner x = 0,1,2,3 obtenemos el
x +1
las frecuencias esperadas y se calculan de la siguiente manera.
f(1) = 0.44 209.43
´ = 92.15
0.44
f(2) = ´ 92.15 = 20.27
2
0.44
f(3) = ´ 20.27 = 2.97
3
0.44
f(4) = ´ 2.97 = 0.33
4
Total
Observado 211 90 19 5 0 325
frecuencias
Esperado 210 92 20 3 0 325
frecuencias
Ejemplo 12:
Encuentra la media y la varianza de los siguientes datos que dan el
frecuencia del número de muertes por patada de caballo en 10 cuerpos por
ejército por año durante veinte años.
X 0 1 2 3 4 Total
F 109 65 22 3 1 200
83
Solución:
Calculemos la media y la varianza de los datos dados
xyo fyo fyoxyo fyoxyo2
0 109 0 0
1 65 65 65
2 22 44 88
3 3 9 27
4 1 4 16
2
Total N = 200 Ȉ fx = 122 Ȉ fx = 196

Ȉ yofy o x
Mean = x =
N
122
=
200
= 0.61

Ȉ yofyo2x
()
2
Variance = s2 = -x
N
196
= - (0.61)2
200
= 0.61
Por lo tanto, media = varianza = 0.61

Ejemplo 13:

Se inspeccionan 100 radios de coche a medida que salen de la producción

la línea y el número de defectos por conjunto se registran a continuación

No. de 0 1 2 3 4
defects
No. de 79 18 2 1 0
conjuntos

Ajustar una distribución de Poisson y encontrar frecuencias esperadas

84
Solution:
x f fx
0 79 0
1 18 18
2 2 4
3 1 3
4 0 0
N = 100 Ȉ fx= 25
Ȉ fx
Media = x =
N
25
=
100
\ m= 0.25
-m - 0.25
Entonces e =e = 0.7788 = 0.779
La función de probabilidad de Poisson se da por
e- mmx
P(x) =
x!
e 0.250
- 0.25
P(0) = (0.779)
0!
\ f(0) = N.P(0) = 100 (0.779)
´ = 77.9
Otras frecuencias se calculan utilizando la fórmula de recurrencia
m
f(x+1) = f(x).
x +1
Al poner x = 0,1,2,3, obtenemos las frecuencias esperadas y son
calculado de la siguiente manera.

m
f(1) = f(0+1) = f(0)
0+1
0.25
f(1) = (77.9)
1
= 19.46
0.25
f(2) = (19.46)
2
= 2.43
85
 0.25
f(3) = (2.43)
3
= 0.203
0.25
f(4) = (0.203)
4
= 0.013
Observado 79 18 2 1 0 100
frequencies
Esperado 78 20 2 0 0 100
frecuencias

Ejemplo 14:
Suponiendo que uno de cada 80 nacimientos es en el caso de gemelos, calcula
la probabilidad de 2 o más pares de gemelos en un día con 30 nacimientos
ocurre. Comparar los resultados obtenidos utilizando (i) el binomial y
(ii) Distribución de Poisson.
Solución:
(i) Usando la distribución binomial
1
La probabilidad de nacimiento de gemelos = p =
= 0.0125
80
\ q = 1- p = 1 – 0.0125
= 0.9875
n = 30
La distribución binomial se da por
P(x) = nCxpx qn-x
P(x ³ 2) = 1 – P(x < 2)
= 1 - {P(x = 0) + P(x = 1)}
= 1 – {30C0(0.0125)0 (0.9875)30
+ 30C1(0.0125)1(0.9875)29}
= 1– {1.1(0.9875)30+ 3 (0.125) (0.9875)29}
= 1 – { 0.6839 + 0.2597 }
= 1 - 0.9436
P( x 2)
³ = 0.0564
86
(ii) Usando la distribución de Poisson:
La función de masa de probabilidad de la distribución de Poisson se expresa como
e- mmx
P(x) =
x!
Mean = m = np
= 30 (0.0125) = 0.375
P(x ³ 2) = - 1 P(x <2)
= 1 -{ P( x = 0) + P( x = 1)}
e - 0.375(0.375)0 e - 0.375(0.375)1
=1–{ + }
0! 1!
= 1 -e- 0.375 ( 1 + 0.375)
= 1 – (0.6873) (1.375) = 1 – 0.945 = 0.055
3.3 DISTRIBUCIÓN NORMAL:
3.3.0 Introducción:
En las secciones anteriores hemos discutido lo discreto
distribuciones, la distribución binomial y la distribución de Poisson.
En esta sección tratamos los conceptos continuos más importantes
distribución, conocida como distribución de probabilidad normal o simplemente
distribución normal. Es importante por la razón de que juega un papel
rol vital en la estadística teórica y aplicada.
La distribución normal fue descubierta por primera vez por DeMoivre
(Matemático inglés) en 1733 como caso límite del binomio
distribución. Más tarde se aplicó en las ciencias naturales y sociales por
Laplace (matemático francés) en 1777. La distribución normal
también se conoce como distribución gaussiana en honor a Karl Friedrich
Gauss (1809).
3.3.1 Definición:
Se dice que una variable aleatoria continua X sigue una distribución normal
distribución con media m y desviación estándar , sis su
función de densidad de probabilidad

1 æx - mö2
- ç ÷
1 2 è s ø ;- ¥ < x < ¥ , - ¥ m
f(x) = e < ¥<0. s,
s 2p
87
Nota:
La media m y desviación estándar s se llaman los
parámetros de la distribución normal. La distribución normal es
N( , )m 2 s
expresado por X ~
3.3.2 Condición de Distribución Normal:
i) La distribución normal es una forma límite de la binomial
distribución bajo las siguientes condiciones.
y nà
a) n, el número de ensayos es indefinidamente grande es¥ decir,
b) Ni p ni q son muy pequeños.
ii) La distribución normal también se puede obtener como una forma límite de
Distribución de Poisson con parámetro mà ¥
iii) Constants of normal distribution are mean = , variation
m =, s2
Desviación estándar = s.

3.3.3 Curva de probabilidad normal:

La curva que representa la distribución normal se llama la
curva de probabilidad normal. La curva es simétrica respecto a la media
( m), en forma de campana y las dos colas en los lados derecho e izquierdo de la
la Media se extiende hasta el infinito. La forma de la curva se muestra en el
figura siguiente.

-¥ x=m ¥

88
3.3.4 Propiedades de la distribución normal:
1. La curva normal tiene forma de campana y es simétricam en x = .
La media, la mediana y la moda de la distribución coinciden.
es decir, Media = Mediana = Moda = m
3. Tiene solo un modo en m x = (es decir, unimodal)
4. Dado que la curva es simétrica, la asimetría b=1 = 0 y
Kurtosis = =b 23.
5. Los puntos de inflexión están men ±s x =
6. The maximum ordinate occurs at mx = and
1
su valor es =
s 2p
7. El eje x es una asíntota de la curva (es decir, la curva
continúa acercándose pero nunca toca el eje x
8. El primer y el tercer cuartil están a la misma distancia de la mediana.
9. La desviación media respecto a la medias es 0.8
10. Desviación cuartil = 0.6745 s
11. Si X e Y son variables normales independientes con media m1
y, m y2 varianza s 12 y s2 2 respectivamente luego su suma
(X + Y) también es una variable normal con mediam1( + )my2
varianza ( s1s22 + 2)
12. Propiedad del Área P(m- s <' <m + s) = 0.6826
P( m- 2s <´ < m+ 2s ) = 0.9544
P( m- 3s <´ < m+ 3s ) = 0.9973
3.3.5 Distribución Normal Estándar:
Sea X una variable aleatoria que sigue una distribución normal
con media y varianza
m La variable s2 normal estándar es
X- m
definido como Z = que sigue una distribución normal estándar
s
con media 0 y desviación estándar 1, es decir, Z~N(0,1). La estándar
-1 2
1 Z
la distribución normal está dada por (z) =f e ; -¥ < z<¥
2

2p
La ventaja de la función anterior es que no contiene ninguna
parámetro. Esto nos permite calcular el área bajo la normal
curva de probabilidad.
89
3.3.6 Propiedades de área de la curva normal:
El área total bajo la curva de probabilidad normal es 1.
la curva también se llama curva de probabilidad estándar. El área debajo de la
curva entre las ordenadas en x = a y x = b donde a < b,
representa las probabilidades de que x esté entre x = a y x = b, es decir,
P(a £ x £ b)

-¥ x= x=a
m x=b +¥
Para encontrar cualquier valor de probabilidad de x, primero lo estandarizamos por
X- m
usando Z = , y utiliza la tabla de probabilidad normal de área. (dado
s
en el Apéndice).
Por ejemplo: La probabilidad de que la variable aleatoria normal x
sms( ,-m + ) es dado por
yacer en el intervalo

-¥ x=m
s- x=m x= m+ s +¥
z = -1 z=0z=+1

90
P( m - s < x < +
m)s=- P(£1£z 1 )
= 2P(0 < z < 1)
= 2 (0.3413) (de la tabla de áreas)
= 0.6826
P( m- s2m <s x < +2 ) = P(-2 < z < 2 )
= 2P(0 < z < 2)
= 2 (0.4772) = 0.9544

-¥ x=s-m 2 x=m x =m +2s + ¥

z = -2 z=0 z = +2

P(m - s3 < x m< +s 3 ) -= P( 3 < z < 3 )

= 2P(0 < z < 3)
= 2 (0.49865) = 0.9973

-¥ x=s-m 3 x=m x=m+3 s +¥

z = -3 z=0 z=+3

91
La probabilidad de que una variable normal x se encuentre fuera del rangom ± s3
es dado por
P(|x - m | > 3s) = P(|z| >3)
= 1 – P( -3 z £3) £
= 1 -0.9773 = 0.0027
Así que esperamos que los valores en una curva de probabilidad normal serán
mentir entre el rango 3, maunque
±s teóricamente varía
desde- ¥ a. ¥
Ejemplo 15:
Encuentra la probabilidad de que la variable normal estándar esté
entre 0 y 1.56
Solución:

0.4406

-¥ z =0 z = 1.56 +¥
P(0<z<1.56) = Área entre z = 0 y z = 1.56
= 0.4406 (de la tabla)
Ejemplo 16:
Find the area of the standard normal variate from –1.96 to 0.
Solución:

0.4750

-¥ z = -1.96 z = 0 +¥
92
El área entre z = 0 y z = 1.96 es la misma que el área de z = 1.96
- az=0
P(-1.96 < z < 0) = P(0 < z < 1.96) (por simetría)
= 0.4750 (de la tabla)
Ejemplo 17:
Encuentra el área a la derecha de z = 0.25
Solución:

0.4013

-¥ z = 0 z = 0.25 +¥

P(z >0.25) = P(0<z < ) –¥P(0<z<0.25)

= 0.5000 - 0.0987 (de la tabla) = 0.4013
Ejemplo 18:
Encuentra el área a la izquierda de z = 1.5
Solución:

0.9332

-¥ z = 0 z = 1.5 +¥

P(z < 1.5) = P( - ¥ < z < 0 ) + P( 0 < z < 1.5 )

= 0.5 + 0.4332 (de la tabla)
= 0.9332
93
Ejemplo 19:
Encuentra el área de la variable normal estándar entre -1.96 y 1.5
Solución:

0.9082

-¥ z= -1.96 z = 0 z=1.5 +¥
P(-1.96 < z < 1.5) = P(-1.96 < z < 0) + P(0 < z < 1.5)
= P(0 < z < 1.96) + P(0 < z < 1.5)
= 0.4750 + 0.4332 (de la tabla)
= 0.9082
Ejemplo 20:
Dada una distribución normal con m = 50 y s = 8, encontrar el
probabilidad de que x asuma un valor entre 42 y 64
Solution:

0.8012

-¥ z= -1 z=0 z=1.75 +¥

Dado que m = 50 y = 8 s
x- m
La variable normal estándar z =
s

94
 42 - 50 - 8
Si X = 42, Z1= = = -1
8 8
64 - 50 14
Si X = 64, Z2= = = 1.75
8 8
\ P(42 < x < 64) = P( -1 < z < 1.75)
= P(1- < z < 0) + P(0 < z < 1.95)
= P(0<z<1) + P(0<z<1.75) (por simetría)
= 0.3413 + 0.4599 (de la tabla)
= 0 .8012
Ejemplo 21:
A los estudiantes de una clase se les realizó una prueba de aptitudes. Sus calificaciones
se encontraron que seguían una distribución normal con una media de 60 y una desviación estándar
desviación 5. ¿Qué porcentaje de los estudiantes aprobó?
i) Más de 60 puntos Menos de 56 puntos
(iii) Entre 45 y 65 puntos
Solución:
Given that mean = = 60
m and standard deviation = = 5 s
x- m
i) La variable normal estándar Z =
s

0.5

-¥ z=0 z>0 +¥

x- m 60 - 60
If X = 60, Z = = =0
s 5
\ P(x > 60) = P(z > 0)
= P(0 < z < ¥) = 0.5000
Por lo tanto, el porcentaje de estudiantes que obtuvieron más de 60
las calificaciones son 0.5000(100) = 50 %

95
 56 - 60 - 4
ii) Si X = 56, Z = = = - 0.8
5 5

0.2119

-¥ z= -0.8 z=0 +¥
P(x < 56) = P(z < 0.8)
-
= P(- ¥< z < 0) – P(0.8
- < z < 0) (por simetría)
= P(0 < 2 <¥ ) – P(0 < z < 0.8)
= 0.5 0.2881
- (de la tabla)
= 0.2119
Por lo tanto, el porcentaje de estudiantes que obtienen menos de 56 puntos es
0.2119(100) = 21.19 %
45 - 60 - 15
iii) Si X = 45, entonces z = = =- 3
5 5

0.83995

-¥ z= -3 z=0 z=1 +¥

65 - 60 5
X = 65 entonces z = = =1
5 5
P(45 < x < 65) = P(3 <-z < 1)
= P( - 3 < z < 0 ) + P ( 0 < z < 1)

96
 = P(0 < z < 3) + P(0 < z < 1) (por simetría)
= 0.4986 + 0.3413 (from the table)
= 0.8399
Por lo tanto, el porcentaje de estudiantes que obtuvo entre 45 y 65
la calificación es 0.8399(100) = 83.99 %

Ejemplo 22:
X es una distribución normal con media 2 y desviación estándar
3. Encuentra el valor de la variable x tal que la probabilidad de la
el intervalo desde la media hasta ese valor es 0.4115

Solución:
Given m= 2,s = 3
Supongamos z1se requiere un valor estándar,
Así P (0 < z < z1) = 0.4115
De la tabla, el valor correspondiente al área 0.4115 es 1.35
eso es z1= 1.35
x- m
Aquí z1=
s
x- 2
1.35 =
3
x = 3(1.35) + 2
= 4.05 + 2 = 6.05
Ejemplo 23:
En una distribución normal, el 31 % de los artículos están por debajo de 45 y
El 8 % tiene más de 64 años. Encuentra la media y la varianza de la distribución.
Solution:
Deja que x denote los artículos que se dan y sigue la normal
distribución con media ymdesviación estándar s
The points x = 45 and x = 64 are located as shown in the figure.
i) Dado que el 31 % de los artículos están bajo x = 45, la posición de x en
la izquierda de la ordenada x =m
ii) Since 8 % of items are above x = 64 , position of this x
está a la derecha de la ordenada x =m

97
 -¥ z = -z1z=0 z = z2 +¥
x = 45 x = m x = 64

x - m 45 - m
Cuando x = 45, z = = = - z1 (decir)
s s
Dado que x está a la izquierda dem x = , z1se toma como negativo
64 - m
Cuando x = 64, z = = z2(decir)
s
Del diagrama P(x < 45) = 0.31
P(z < - z1) = 0.31
P(- z 1< z < 0) = P(- <¥z < 0) – P(- < z <¥ z ) 1
s = 0.5 - 0.31 = 0.19
P(0 < z < z1) = 0.19 (por simetría)
z1= 0.50 (de la tabla)
También del diagrama p(x > 64) = 0.08
P(0 < z < z 2) = P(0 < z < ) ¥– P(z < z2 < ) ¥
= 0.5 - 0.08 = 0.42
z2= 1.40 (de la tabla)
Sustituyendo los valores de z1y z2obtenemos
45 - m 64 - m
= - 0.50 y = 1.40
s s
Resolviendo m - 0.50 s = 45 ----- (1)
m + 1.40 =s 64 ----- (2)
(2) - (1) Þ 1.90 s = 19 Þ s = 10
Sustituyendo s = 10 en m(1) = 45 + 0.50 (10)
= 45 + 5.0 = 50.0
2
Por lo tanto, la media = 50 y la varianza = = 100 s

98
 Ejercicio - 3
I. Elige la mejor respuesta:
La distribución binomial se aplica a
(a) eventos raros (b) alternativas repetidas
(c) tres eventos (d) eventos imposibles
2. Para la distribución de Bernoulli con probabilidad p de un éxito
y q de un fallo, la relación entre la media y la varianza
que sostiene es
(a) media < varianza (b) media > varianza
(c) media = varianza (d) media < varianza
3. La varianza de una distribución binomial es
(a) npq (b) np (c) npq (d) 0
x 15 - x
æ2 ö æ1 ö
4. La media de la distribución binomial 15Cx
ç ÷ ç ÷
è 3 ø è3 ø
2
en el que p = es
3
5 (b) 10 (c) 15 (d) 3
5. La media y la varianza de una distribución binomial son 8 y
4 respectivamente. Entonces P(x = 1) es igual a
1 1 1 1
(a) 12
(b) 4 (c) 6 (d) 8
2 2 2 2
6. Si para una distribución binomial, n = 4 y también
P(x = 2) = 3P(x=3) entonces el valor de p es
9 1
(a) (b) 1 (c) (d) Ninguno de lo anterior
11 3
7. La media de una distribución binomial es 10 y el número de
si el número de pruebas es 30, entonces la probabilidad de fracaso de un evento es

0.25 0.333 0.666 (d) 0.9

99
8. La varianza de una distribución binomial es 2. Su estándar
la desviación es
(a) 2 (b) 4 (c) 1/2 (d) 2
9. En una distribución binomial si los números de independientes
si las pruebas son n, entonces la probabilidad de n éxitos es
(a) nCxpxqn-x (b) 1 (c) pn (d)qn
10. La distribución binomial está completamente determinada si es
conocido
(a) p solamente (b) q solo (c) p y q (d) p y n
11. Los ensayos en una distribución binomial son
a) mutuamente excluyentes (b) no mutuamente excluyentes
(c) independiente no independiente
12. Si dos variables independientes x e y siguen una binomial
distribución con parámetros,(n 1, p) y (n2, p) respectivamente,
su suma(x+y) sigue una distribución binomial con
parámetros
(a) (n1+ n2, 2p) (b) (n, p)
(c) (n1+ n2, p) (d) (n1+ n2, p + q)
13. Para una distribución de Poisson
(a) media > varianza (b) media = varianza
(c) media < varianza (d) media < varianza
14. La distribución de Poisson corresponde a
eventos raros (b) cierto evento
(c) evento imposible (d) evento casi seguro
15. Si las variables de Poisson X e Y tienen parámetros m1 y m2
entonces X+Y es una variable de Poisson con parámetro.
(a) m1m2 (b) m1+m2 (c) m 1m
- 2 (d)m1/m2
16. La distribución de Poisson es una
(a) Distribución continua
(b) distribución discreta
(c) ya sea continuo o discreto
(d) ni continua ni discreta

100
17. La distribución de Poisson es un caso límite de la binomial
distribución cuando
(a) nà ¥ ; pà0 y np = m
(b) nà0 ; pà ¥ y p=1/m
(c) nà ¥ ; pà ¥ y np=m
(d) nà ¥ ; pà0 ,np=m
18. Si la expectativa de una variable de Poisson (media) es 1 entonces
P(x < 1) es
(a) e-1 (b) 1-2e-1
(c) 1- 5/2e-1 d) ninguno de estos
19. La distribución normal es una forma límite de la binomial.
distribución si
(a) nà ¥ pà0 (b) nà0 , pàq (c) nà, pàn
¥
(d) nà ¥ y ni p ni q son pequeños.
20. En la distribución normal, la asimetría es
uno (b) cero
(c) mayor que uno (d) menos de uno
21. El modo de la distribución normal es
1
(a) s (b) (c) m (d) 0
2p
22. La distribución normal estándar está representada por
(a) N(0,0) (b) N(1,1) (c) N(1,0) (d) N(0,1)
23. El área total bajo la curva de probabilidad normal es
menos de uno (b) unity (c) greater than one (d) zero
24. La probabilidad de que una variable aleatoria x se encuentre en el intervalo
(m - s2 ,m + s 2 ) es
0.9544 (b) 0.6826 (c) 0.9973 (d) 0.0027
25. El área P(- < ¥z < 0) es igual a
(a) 1 (b) 0.1 (c) 0.5 (d) 0
26. La distribución normal estándar tiene
(a) m =1, s = 0 (b) m = 0,s = 1 (c) m = 0s , = 0
(d) m=1, s = 1
101
 27. La variable aleatoria x sigue la distribución normal
2
-
1 (x 100)
-
f(x) = C. e 2 25
entonces el valor de C es
1 1
(a) 5 2 p (b) (c) (d) 5
5 2p 2p
28. La distribución normal tiene
(a) ningún modo (b) solo un modo
(c) dos modos (d) muchos modos
29. Para la distribución normal
(a) media = mediana = moda (b) media < mediana < moda
(c) media > mediana > moda (d) media > mediana < moda
30. Probabilidad función de densidad de variable normal
2
1(x-30)
1 -
2 25
P(X = x) = e ; -a< x < entonces
a significa y
5 2p
las varianzas son
(a) mean = 30 variance = 5 (b) mean = 0, variance = 25
(c) mean = 30 variance = 25 (d) mean = 30, variance = 10
31. La media de una distribución Normal es 60, su moda será
(a) 60 (b) 40 (c) 50 (d) 30
32. Si x es una variable normal con =100
m y s2 = 25 entonces
P(90 < x < 120) es lo mismo que
(a) P(-1 < z < 1) (b) P(-2 < z < 4)
(c) P(4 < z < 4.1) P(-2 < z < 3)
33. Si x es N(6, 1.2) y P(0 z £1) =£ 0.3413 entonces
P(4.8 £ x £ 7.2) es
0.3413 (b) 0.6587 (c) 0.6826 0.3174

II. Complete los espacios en blanco:

34. La probabilidad de obtener una cara en lanzamientos sucesivos de un
la moneda es _________
35. Si la media de una distribución binomial es 4 y la varianza
si 2 entonces el parámetro es __________
102