Probabilidad (C)

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 43

Distribución de

probabilidad de variables
aleatorias continuas
El estudiante

• Resolverá problemas de
probabilidad con variables
aleatorias continuas, a partir
de la distribución de proba-
bilidad, identificando el tipo
de variable y su distribución;
empleando el modelo de dis-
tribución normal, así mismo,
realizará análisis de fenó-
menos de la vida cotidiana
utilizando la distribución es-
tándar y los puntajes z para
determinar las poblaciones
asociadas con la distribución
normal.

INTRODUCCIÓN

Al iniciar el análisis estadístico de una serie de datos, y después de la etapa


de detección y corrección de errores, un primer paso consiste en describir la
distribución de las variables estudiadas y, en particular, de los datos numéricos.
Además de las medidas descriptivas correspondientes, el comportamiento de
estas variables puede explorarse gráficamente de un modo muy simple, como lo
recordarás del curso pasado de probabilidad y estadística.

Una de las distribuciones teóricas mejor estudiadas y más utilizadas en la


práctica es la distribución normal, también llamada distribución Gaussiana.
Su importancia se debe fundamentalmente a la frecuencia con la que distintas
variables asociadas a fenómenos naturales y cotidianos siguen, de manera
aproximada, esta distribución. Caracteres morfológicos (como la talla o el peso)
o psicológicos (como el cociente intelectual) son ejemplos de variables de las que
frecuentemente se asume que siguen una distribución normal.

El uso extendido de la distribución normal en las aplicaciones estadísticas se explica,


además, por otras razones. Muchos de los procedimientos estadísticos habitualmente
utilizados asumen la normalidad de los datos observados. Aunque muchas de estas
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 105

técnicas no son demasiado sensibles a desviaciones de la normal y, en general, esta hipótesis puede
obviarse cuando se dispone de un número significativo de datos, resulta recomendable contrastar
si es posible asumir o no una distribución normal. La simple exploración visual de los datos puede
sugerir la forma de su distribución. No obstante, existen otras formas –gráficos de normalidad
y contrastes de hipótesis– que nos ayudan a decidir, de un modo más riguroso y científico, si la
muestra de la que se dispone procede o no de una distribución normal. Cuando los datos no sean
normales, podremos transformarlos o emplear otros métodos estadísticos que no exijan este tipo
de restricciones, los llamados métodos no paramétricos que no se contemplan en este libro.

A continuación se describirá el concepto de variable aleatoria continua, sus propiedades y su


representación, para posteriormente presentar la distribución normal, su ecuación matemática
y sus propiedades más relevantes, proporcionando algún ejemplo sobre sus aplicaciones a la
inferencia estadística y, por último, analizaremos la parte central de esta unidad: la normal
estándar o tipificada como es dada a conocer por algunos autores.

Proyecto de la unidad

Utiliza la población estudiantil de tu escuela e investiga cuál es el peso en kg de cada compañero,


registra la información en una tabla, además investiga las diferentes clasificaciones de sobrepeso
y obesidad que existen. Suponiendo que el peso se distribuye normalmente, con la media y la
desviación estándar que encuentres con la información que recabes, calcula lo siguiente:

a) El porcentaje de cada una de las clasificaciones.


b) Elabora una gráfica.
c) ¿Puedes decirle al médico escolar que no se preocupe porque tu peso no está entre el
10% de los más gruesos.
d) ¿Qué le dirías a un compañero cuyo peso es de 75 kg, ¿lo mandarías al nutriólogo?
e) Publica en tu escuela el análisis de tus resultados por el medio que creas más
conveniente.

1. ¿Qué entiendes por espacio muestral o espacio de resultados?


______________________________________________________________________
______________________________________________________________________

2. ¿Qué es la frecuencia acumulada? da un ejemplo.


______________________________________________________________________
______________________________________________________________________

3. El primer estudio sistemático de valor esperado planeado en un libro en 1657 se debe a:


______________________________________________________________________
______________________________________________________________________
106 UNIDAD III

4. Mide n la variabilidad o dispersión de la variable aleatoria respecto a su valor esperado.


______________________________________________________________________
______________________________________________________________________

5. Matemático suizo al que se le debe el desarrollo y la utilización de la distribución binomial.


______________________________________________________________________
______________________________________________________________________

3.1 DISTRIBUCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA


CONTINUA

3.1.1 Variable aleatoria continua

En la unidad anterior introdujimos el concepto de variable aleatoria como una función de


valor real definida sobre los puntos de un espacio muestral con una medida de probabilidad.
Las variables aleatorias pueden tomar valores en una escala continua, dicho de otra manera la
variable toma cualquier valor que esté en un intervalo de la escala real (R) de valores dado.

Figura 3.1
Distribución discreta.

Los resultados de experimentos se representan por medio de los puntos situados en segmentos
de líneas o líneas completas para distribuciones discretas (ver figura anterior), y los valores de
variables aleatorias son números apropiadamente asignados a los puntos mediante reglas o
ecuaciones, lo cual puede verificar en la figura de abajo, donde se observa que la línea no tiene
ningún salto.

Figura 3.2
Ejemplo de variable
aleatoria.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 107

Cuando el valor de una variable aleatoria está dado de manera directa por una medición u
observación, por lo general no nos preocupamos por distinguir entre el valor de la variable
aleatoria (la medición que se obtiene) y el resultado del experimento (el punto correspondiente
situado sobre el eje real). Por lo tanto, si un experimento consiste en determinar el contenido
neto de una soda de 600 ml, el resultado mismo de 600.01 ml es el valor de la variable aleatoria Una función le asocia a
cada elemento del dominio
que consiste en el espacio muestral que le brinda cierto intervalo del punto continuo en el eje uno y solamente uno en el
real positivo. contradominio.

Definir probabilidades relacionadas con espacios


muestrales continuos y variables aleatorias implica
algunas complicaciones, puesto que el número de
elementos que lo integran son infinitos (∞).

En realidad, la definición de probabilidad en el


caso continuo supone, para cada variable aleatoria,
la existencia de una función llamada densidad de
probabilidad, de tal manera que las áreas situadas Figura 3.3
debajo de la curva de las probabilidades relacionadas con los intervalos correspondientes relación dominio-
situados en el eje horizontal. En otras palabras, una función de densidad de probabilidad, codominio.
integrada de a a b (con a ≤ b), da la probabilidad de que la variable aleatoria correspondiente
tomará un valor de intervalo de a a b.

Una función con valores f(x), definida con respecto al conjunto de todos los números reales, se
denomina función de densidad de probabilidad de la variable aleatoria continua x si y sólo si

b
P(a ≤ x ≤ b) = .
∫ f(x)dx
a

Para cualquier constante real a y b, con a ≤ b.

La función de densidad de probabilidad recibe también el nombre de densidades de probabilidad,


funciones de densidad, densidades y funciones de densidad de probabilidad.

3.1.2 Propiedades de las distribuciones de probabilidad continuas

Recordarás que las distribuciones discretas de probabilidades se pueden expresar como


histogramas, donde las probabilidades para varios valores de x se expresan mediante la altura
de una serie de barras verticales o por sus áreas. En contraste, las distribuciones continuas de
probabilidades son curvas suaves, donde las probabilidades se expresan como área bajo la curva
y donde la curva es una función de x, y f(x).

Considerando la definición de función de densidad de probabilidad podemos hacer notar que


f(c), el valor de la función de densidad de probabilidad de X en c no produce P(X = c) como en
108 UNIDAD III

el caso discreto (ver la figura). En relación con variables aleatorias continuas las probabilidades
siempre están dadas por integrales que se evalúan respecto a intervalos, por lo que P(X = 0) = 0
para cualquier contante real c.

Figura 3.4
Función de densidad
de probabilidad.

b
∫ f(x)dx
P(a ≤ X ≤ b) = .
a

c
∫ f(x)dx f(c) – f(c) = 0
P(X = c) = =
c

Entonces decimos que una variable aleatoria continua tiene una probabilidad cero de tomar
exactamente cualquiera de sus valores (un punto de la gráfica muy pequeño). En consecuencia,
su distribución de probabilidad no se dará de forma tabular. En un principio esto te puede
resultar sorprendente, sin embargo, se hace más tangible cuando analizamos un ejemplo
particular.

Consideremos una variable aleatoria cuyos valores son las alturas de toda la gente mayor de
21 años de edad. Entre dos valores cualquiera, digamos 163.5 y 164.5 cm o incluso 163.999
y 164.01 cm, observa que hay un número infinito de alturas, una de las cuales es 164 cm. La
probabilidad de seleccionar una persona al azar que mida exactamente tal estatura y no sea una
del conjunto infinitamente grande de estaturas tan cercanas a 164 cm que humanamente no
se pueda medir la diferencia, es remota, por ello asignamos una probabilidad cero a tal evento.
Éste no es el caso, sin embargo, si nos referimos a la probabilidad de seleccionar una persona
que al menos mida 163 cm pero no más de 165 cm de estatura. Trataremos ahora con un
intervalo en lugar de un valor puntual de nuestra variable aleatoria.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 109

Debido a esta propiedad, el valor de una función de densidad de probabilidad se puede modificar
para algunos de los valores de variable aleatoria sin cambiar ninguna de las probabilidades y
ésta es la razón por la cual se dijo en la definición que f(x) es el valor de una densidad de
probabilidad de la variable aleatoria X en x. Asimismo, en virtud de esta probabilidad, no
importa si incluimos los extremos del intervalo a y b, de manera simbólica.

Teorema

Si X es una variable aleatoria continua, y a y b son dos constantes reales con a ≤ b, entonces:

P(a ≤ X ≤ b) = P(a ≤ X < b)


P(a ≤ X ≤ b) = P(a < X ≤ b)
P(a ≤ X ≤ b) = P(a < X < b)
Esto no es cierto cuando
Es decir, no importa si incluimos o no un extremo del intervalo. la variable aleatoria es
discreta.

En forma análoga, ahora enunciaremos las propiedades de la función de densidad, lo cual se


limita a deducir directamente los postulados de probabilidad.

Teorema

Funge como una función de densidad de probabilidad de una variable aleatoria continua X si
sus valores f(x) satisfacen las condiciones:

a) f(x) ≥ 0 para – ∞ < x < ∞



∫ f(x)dx 1
b) =
−∞

Si una variable es aleatoria continua, entonces la función está dada por


x
∫ f(t)dt
F(X) = P(X ≤ x) = para
−∞
–∞≤x≤∞

Donde f(t) es el valor de la función de distribución, o distribución acumulativa, de X.

La probabilidades de las funciones de distribución que se dan en el teorema anterior se sostienen


también en el caso continuo, es decir:

F(– ∞) = 0, F(∞) = 1, F(a) ≤ F(b)


cuando a < b.

Además se deduce que:


110 UNIDAD III

Teorema

Si f(x) y F(X) son valores de la distribución de probabilidad y la función de distribución de X


en x, respectivamente, entonces:
P(a ≤ X ≤ b) = F(a) – F(b),

Para dos constantes reales cualquiera a y b con a ≤ b; y


dF(x)
f(x)=
dx
donde exista la derivada.

Si X es una variable aleatoria con función de densidad de probabilidad dada por:

Kx(2 – x) si 0 ≤ x ≤ 2
f(x) =
0 en otro caso.
Determinar:
a) El valor de K.

b) La función de distribución de la variable aleatoria X.


1
c) P(–1 ≤ x ≤ )
2

a) Puesto que ∞ ∞
∫−∞ f(x)dx ∫0 f(x)dx
1 = =
∞ 2
∫0
f(x)dx = ∫ Kx(2 − x)dx
0

2 2
∫ 0
Kx(2 − x)dx = K ∫ x(2 − x)dx
0

2 2
K ∫ x(2 − x)dx = K ∫ (2x − x 2 )dx
0 0

2 2 2
K ∫ (2x − x 2 )dx = K ∫ 2xdx − K ∫ x 2 dx
0 0 0

2 2 2 2
K ∫ 2xdx − K ∫ x 2 dx = 2K ∫ xdx − K ∫ x 2 dx
0 0 0 0

2 2 1 2 2 1 3 2
2K ∫ xdx − K ∫ x 2 dx = 2K x 0 − K x 0
0 0 2 3
1 2 2 1 3 2 1 2 1 2 1 1
2K x 0 − K x 0 = 2K( 2 − 0 ) − K( 2 3 − 0 3 )
2 3 2 2 3 3
1 2 1 2 1 3 1 3 1 1
2K( 2 − 0 ) − K( 2 − 0 ) = 2K( 4 ) − K( 8 )
2 2 3 3 2 3
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 111

1 1 8
2K( 4 ) − K( 8 ) = 2K(2 ) − K( )
2 3 3
8 8
2K(2 ) − K( ) = 4K − K( )
3 3
8 4
4K − K( ) = K
3 3
4
1= K
3
3
K=
4
b) Sabemos que:
x
∫ f(t)dt
F(x) = .
−∞

0 si x < 0
x
F(x) = ∫ 0
Kt ( 2 − t )dt
0≤ x≤2

1 si x > 2

0 si x < 0
3 x
4 ∫0
F(x) = ( 2t − t 2 )dt
0≤ x≤2

1 si x > 2

0 si x < 0
1 2
F(x) = (3 − x)
x 0≤ x≤2
4
1 si x > 2

c) Para este inciso tenemos:

1
1 = P(–1 ≤ x ≤ 0) + P(0 ≤ x ≤ )
P(–1 ≤ x ≤ )
2 2
P(–1 ≤ x ≤ 0) = 0
1 1
P(0 ≤ x ≤ ) = F( ) – F(0)
Pero como: 2 2

1 1
F( ) =
2 4( 1 )2 ( 3 − 1 )
2 2
112 UNIDAD III

1 1
=
1 1 1 1
4( )2 ( 3 − ) 4( )( 3 − )
2 2 4 2
1 1 5
= =
1 1 5
4( )( 3 − ) 16( ) 32
4 2 2
1
F(0) = (0)2[3 – (0)]
4
F(0) = 0
1 5 5
P(0 ≤ x ≤ )= –0=
2 32 32
1 5 5
P(-1 ≤ x ≤ ) = 0 + =
2 32 32

3.1.3 Representación de las distribuciones de probabilidad

Para representar las distribuciones de probabilidad continua recurriremos al hecho de que son
idealizaciones de los polígonos de frecuencia. En este caso consideraremos el histograma de
frecuencias relativas, y se comprueba que al aumentar el número de datos y el número de clases
el histograma tiende a estandarizarse llegando a convertirse en la gráfica de una función cuando el
número de clase es muy grande. Para clarificar cómo se realiza esta aproximación del modelo teórico
consideremos el siguiente caso:

Se han registrado los tiempos, en días, que les tomó preparar un examen de Probabilidad y
Estadística ii a los estudiantes de una escuela de bachilleres; dicha escuela cuenta con 190
estudiantes en el vi semestre del área Económico Administrativa. Los datos se han agrupado en
una distribución de frecuencias considerando intervalos de cinco días como sigue:

Tiempo en preparar el examen


No. de estudiantes
(días)

(0,5) 115

(5,10) 31

Tabla 3.1 (10,15) 17


Distribución de
frecuencias. (15,20) 12

(20,25) 10

(25,30) 5
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 113

Apoyándonos en la gráfica de un histograma tendríamos:

Figura 3.5
Número de días
que los estudiantes
tardan en preparar el
examen.

Supongamos que un padre de familia, conociendo esta información, quisiera saber qué
probabilidad tiene su hijo de preparar en dos días el examen. El problema es que al manejar
intervalos de cinco días estamos suponiendo que dentro de cada intervalo los datos se distribuyen
uniformemente, cosa que no es real.

Podríamos aumentar la muestra y seguir recogiendo información para hacer una distribución de
frecuencias similar a la anterior, pero se tendría el mismo problema: uniformidad de la distribución
de los datos. Ahora, si aumentamos el número de intervalos disminuyendo su longitud, tendremos:

Tiempo en preparar el examen No. de


(días) estudiantes
(0,3) 93
(3,6) 30
(6,9) 18
(9,12) 13
(12,15) 9
(15,18) 8
(18,21) 6
(21,24) 6
Tabla 3.2
(24,27) 4 Distribución de
(27,30) 3 frecuencias de 3 días.

Y de igual manera que en el caso anterior su correspondiente gráfica sería:


114 UNIDAD III

Figura 3.6
Número de días con
intervalos de 3 días en
preparar examen.

Nota que la curva comienza a suavizarse.

Al seguir reduciendo la amplitud a dos días, se obtiene la distribución:

Tiempo en preparar el examen Número de


(días) estudiantes

(0,2) 76

(2,4) 29

(4,6) 18

(6,8) 13

(8,10) 10

(10,12) 8

(12,14) 6

(14,16) 6

(16,18) 5

(18,20) 4

(20,22) 4

(22,24) 4

(24,26) 3
Tabla 3.3
(26,28) 2
Tiempo en preparar
un examen con (28,30) 2
intervalo de 2 días.

El histograma correspondiente será:


DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 115

Figura 3.7
Representación con
intervali de 2 días.

Si seguimos reduciendo la amplitud a un día, se obtiene la distribución:

Tiempo en preparar Número de Tiempo en preparar Número de


 
el examen (días) estudiantes el examen (días) estudiantes
(0,1) 51 (15,16) 3
(1,2) 25 (16,17) 3
(2,3) 17 (17,18) 2
(3,4) 12 (18,19) 2
(4,5) 10 (19,20) 2
(5,6) 8 (20,21) 2
(6,7) 7 (21,22) 2
(7,8) 6 (22,23) 2
(8,9) 5 (23,24) 2
(9,10) 5 (24,25) 2
(10,11) 4 (25,26) 1
(11,12) 4 (26,27) 1
Tabla 3.4
(12,13) 3 (27,28) 1 Distribución de
(13,14) 3 (28,29) 1 frecuencia con
(14,15) 3 (29,30) 1 intervalo de uno.

Gráficamente

Figura 3.8
Representación con
un dia de intervalo.
116 UNIDAD III

Por lo tanto, cuando el número de intervalos es muy grande (tiende a infinito) podemos decir
que el histograma coincide con la función.

Considerando las propiedades de las distribuciones de probabilidad continuas y su representación


gráfica, podemos decir que lo que de alguna manera representa la función de distribución en un
intervalo (a, b), con a < b, es el área bajo la curva.

Figura 3.9
Representación
gráfica función de
distribución con
intervalo a, b.

1. En equipo analiza la gráfica anterior y menciona cómo calcularías el área que se encuentra bajo la
curva.
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

2. En equipo analiza la siguiente gráfica, considerando que el área total de 0 al punto c es igual a 1,
¿cuánto vale el área bajo la curva en el intervalo de (0, a) si el área del intervalo de (a, c) es igual a
0.75?, ¿cómo calcularías el área del intervalo (b, c)?, ¿con la información que tienes sería posible?

Figura 3.10
Función de
distribución 0 a c = 1
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 117

______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________

Figura 3.11
Función de
distribución.

______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________

En casa calcula las áreas bajo la curva que a continuación se te indica si el área debajo de ésta
dentro del intervalo (0, d) es igual a 5u2 y de (b, c) equivale a 1.5 u2.

a) El área bajo la curva mayor que 0 y menor que b más el área comprendida entre (c, d).
b) Si el área bajo la curva de (0, b) es igual 3 u2, ¿cuánto vale el área de (c, d)?
c) Con la información del inciso b), ¿cuál es el área bajo la curva de los puntos mayores a c?
d) El área de (c, d) es equivalente a la que se encuentra bajo la curva de los puntos mayores a c?

Figura 3.12
Función de
distribución.
118 UNIDAD III

3.2 DISTRIBUCIÓN DE PROBABILIDAD NORMAL

Una distribución de probabilidad continua que es muy importante en el campo de la probabilidad


y estadística es la distribución normal. Varios matemáticos han contribuido a su desarrollo. En
1733, el matemático francés Abraham DeMoivre desarrolló la ecuación matemática de la curva
normal, sin embargo, su trabajo no fue publicado y permaneció en la oscuridad durante casi
200 años, hasta que en 1924 el investigador estadístico Kart Pearson lo descubrió y lo hizo
público. En 1783, y obviamente sin conocer el trabajo de DeMoivre, el célebre matemático
francés Pierre-Simon Laplace desarrolló por su cuenta la teoría de la distribución normal y le
dio ese nombre. Laplace proporcionó una base sobre la cual se fundamenta gran parte de la
teoría de la estadística inductiva. A la distribución normal, frecuentemente, se le llama también
distribución Gaussiana, en honor al ilustre matemático Karl Friedrich Gauss (1777-1855), quien
también derivó su ecuación en 1809 a raíz de su estudio de errores de mediciones repetidas de
la misma cantidad cuando era director del Observatorio Astronómico de Götingen, su ciudad
natal. Aparentemente, Gauss no estaba enterado de las investigaciones del científico Laplace.
En algunos países se conoce a la distribución normal como distribución de Laplace.

Existen dos razones fundamentales por las cuales la distribución normal ocupa un lugar
prominente en la estadística y la probabilidad. Primero, tiene algunas propiedades que la hacen
aplicables a un gran número de situaciones en las que es necesario hacer inferencias mediante
la toma de muestras. Segundo, la distribución normal casi se ajusta a las distribuciones de
frecuencias reales observadas en muchos fenómenos, incluyendo características humanas, tales
como peso, estatura, coeficiente intelectual, etc., resultado de procesos físicos, dimensiones,
rendimiento, y muchas otras.

3.2.1 Características de la curva normal

Observa durante un momento la siguiente figura:

Figura 3.13
Unimodal.

En el curso de Probabilidad y estadística i se menciona que cuando una muestra sólo tiene una
moda, se llama unimodal; este concepto se puede aplicar a las poblaciones.

a) La curva tiene un solo pico, por lo tanto, es unimodal (máxima frecuencia relativa del
fenómeno representado) que es el punto sobre el eje horizontal donde la curva tiene su
máximo, esto ocurre precisamente en la abscisa x = µ. Tiene una forma muy peculiar de
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 119

campana (crece, llega a su punto máximo y


decrece).

b) La media (µ) de una población distribuida Figura 3.14


a, b, c
normalmente cae en el centro de su curva Didáctica de la
normal. media, mediana,
moda.
c) Debido a la simetría de la distribución normal de probabilidad, la mediana y la moda de la
distribución se encuentra también en el centro.
En consecuencia, para una curva normal, la
media, mediana y la moda tienen el mismo valor.
Según esto, para este tipo de variables existe
una probabilidad de 50% de observar un dato
mayor que la media y 50% un dato menor.

d) La curva tiene dos puntos de inflexión que


ocurren en µ = ± σ, es cóncava hacia abajo si µ – σ < X < µ + σ, y es cóncava hacia arriba
en cualquier otro punto.

e) La distancia entre la línea trazada en la media y


el punto de inflexión de la curva es igual a una
desviación típica σ. Cuanto mayor sea σ, más
aplanada será la curva de densidad.

f) Las dos colas de la distribución normal de probabilidad se extienden indefinidamente y nunca


tocan el eje horizontal, es decir, el eje horizontal es asintótico a las colas de la distribución
normal de probabilidad. Resulta imposible mostrar lo anterior gráficamente, sin embargo, por
ello, cualquier valor entre –∞ y + ∞ es teóricamente posible. El área bajo la curva es, por tanto,
igual a 1, para el caso muy particular de la distribución normal estándar, el cual veremos en el
siguiente apartado.

g) El área bajo la curva comprendido entre los valores situados aproximadamente a dos
desviaciones estándar de la media es igual a 0.95. En concreto, existe 95% de posibilidades de
observar un valor comprendido en el intervalo (µ – 1.96σ, µ + 1.96σ).

h) La forma de la campana de Gauss depende de los parámetros (µ,σ). La media indica la


posición de la campana, de modo que para diferentes valores de µ la gráfica es desplazada
a lo largo del eje horizontal. Por otra parte, la desviación estándar determina el grado de
apuntamiento de la curva. Cuanto mayor sea el valor de la σ, más se dispersarán los datos en
torno a la media y la curva será más plana. Un valor pequeño de este parámetro indica, por lo
tanto, una gran probabilidad de obtener datos cercanos al valor medio de la distribución.

La mayor parte de las poblaciones en la realidad no se extienden de manera indefinida en


ambas direcciones hacia menos infinito (–∞), o más infinito (∞), pero para estas poblaciones,
120 UNIDAD III

la distribución normal es una aproximación muy conveniente. No hay una sola curva normal
sino una familia de curvas normales.

Para definir una distribución normal de probabilidad necesitamos precisar sólo dos parámetros,
la media (µ) y la desviación estándar (σ).

Para que vayas analizando y comprendiendo la distribución normal de probabilidad, observa la


siguiente figura donde se muestran cuatro distribuciones normales de probabilidad, cada una de
las cuales tiene la misma media pero diferente desviación estándar. Aunque estas curvas difieren
en apariencia, las cuatro son curvas normales.

Figura 3.15
desviación estandar.

En la siguiente figura se observa una familia de curvas normales, todas con la misma desviación
estándar pero con diferente media.

Figura 3.16
Desviación estandar
igual, diferente media.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 121

3.3 DISTRIBUCIÓN DE PROBABILIDAD NORMAL ESTANDARIZADA

3.3.1 Propiedades de la distribución normal estandarizada

A continuación se enuncian las características de la distribución normal estándar.

a) El área bajo la curva de dicha distribución es igual a 1. Dicho de otra manera, el área bajo
la curva normal de –∞ a ∞ es igual a 1.

Figura 3.17
Área bajo la curva
igual a 1.

b) El punto de inflexión de la campana de Gauss se encuentra a una distancia de µ + σ y µ – σ


en el eje horizontal.

Figura 3.18 
N(0, 1).

c) La distribución normal estándar viene definida por tener una media (µ) igual a cero y una
desviación estándar (σ) igual a uno, se simboliza por N(0, 1).

d) La P(µ – σ ≤ x ≤ µ + σ) = 0.6826
La P(µ – 2σ ≤ x ≤ µ + 2σ) = 0.9544
La P(µ – 3σ ≤ x ≤ µ + 3σ) = 0.9972
122 UNIDAD III

Lo anterior permite afirmar que, aproximadamente, entre (µ – 3σ) y (µ + 3σ) se encuentra


99.72% de los individuos de esta distribución, dejando fuera de este intervalo tan sólo a
0.24% de los individuos. En consecuencia, es poco probable que una variable tome valores
fuera de este intervalo. Referente a la variable z normal estándar, estos intervalos son (–1,
1), (–2, 2) y (–3, 3) al ser media 0 y desviación estándar 1.

Figura 3.19
Función de
distribución F(x).

Como se ha comentado, para calcular las áreas se recurre a la función de distribución F(x) y, en
particular, al existir tantas distribuciones como combinaciones de valores de media y desviación
estándar, se utiliza la normal estándar.

e) La función de distribución F(z) permite saber la probabilidad de que la variable Z tome un


valor entre –∞ y z, P(Z ≤ z), es decir, la probabilidad acumulada hasta el valor de z.

Figura 3.20
Función de
distribución F(z).

f) Cuando la media de la distribución es 0 y la desviación estándar es 1, su ventaja reside en que


hay tablas, o rutinas de cálculo que permiten obtener esos mismos valores, donde se recoge
la probabilidad acumulada para cada punto de la curva de esta distribución.

g) Toda distribución normal se puede transformar en una normal estándar.


DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 123

Figura 3.21
Distribución normal
y estandar.

3.3.2 Cálculo del área bajo la curva normal estándar

Las probabilidades para cada valor de la curva normal estándar se encuentran recogidas en la
siguiente tabla:

X 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 La tabla nos da la probabi-
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549 lidad acumulada, es decir, la
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7813 0.7852 que va desde el inicio de la
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133 curva por la izquierda hasta
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389 dicho valor (–∞, z). No nos
1.0 0.8416 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621 da la probabilidad concre-
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830 ta en ese punto. En una dis-
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 tribución continua en la que
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319 la variable puede tomar in-
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441 finitos valores, la probabi-
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545 lidad en un punto concreto
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633 es cero.
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 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520 Tabla 3.5
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736 Valor de la curva
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807 normal estándar.
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861

¿Cómo se lee la 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.
124 UNIDAD III

Queremos conocer la probabilidad acumulada en el valor 1.17. Entonces, buscamos en la


columna de la izquierda el valor 1.1 y en la primera fila el valor 0.07. La casilla donde se
interceptan es probabilidad acumulada, para este caso 0.8790, dicho de otra forma 87.9% .

X 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5279
0.1 0.5675
0.2 0.6064
0.3 0.6443
0.4 0.6808
0.5 0.7157
0.6 0.7486
0.7 0.7794
0.8 0.8078
0.9 0.8340
Tabla 3.6
1.0 0.8577
Probabilidad
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790
acumulada 0.07.
1.2

a) Probabilidad acumulada en el valor 0.67


b) Probabilidad acumulada en el valor 1.35
c) Probabilidad acumulada en el valor 2.19

a) 0.7486 equivale a 74.86%


b) 0.9115 equivale a 91.15%
c) 0.98574 equivale a 98.574%

X 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5359
0.1 0.5723
0.2 0.6141
0.3 0.6517
0.4 0.6879
0.5 0.7224
0.6 0.7549
0.7 0.7852
0.8 0.8133
0.9 0.8389
1.0 0.8621
1.1 0.8830
1.2 0.9015
1.3 0.9177
1.4 0.9319
1.5 0.9441
1.6 0.9545
1.7 0.9633
Tabla 3.7 1.8 0.9706
1.9 0.9767
Probabilidad
2.0 0.98169
acumulada 0.09. 2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 125

I. Encuentra el área bajo la curva normal estándar (–∞, z) de los siguientes valores:

a) Probabilidad acumulada en el valor 0.83


b) Probabilidad acumulada en el valor 1.68
c) Probabilidad acumulada en el valor 1.89
d) Probabilidad acumulada en el valor 2.00
e) Probabilidad acumulada en el valor 2.45
f) Probabilidad acumulada en el valor 2.78

I. Encuentra el área bajo la curva normal estándar (–∞, z) de los siguientes valores:

a) Probabilidad acumulada en el valor 0.42


b) Probabilidad acumulada en el valor 1.35
c) Probabilidad acumulada en el valor 1.53
d) Probabilidad acumulada en el valor 2.47
e) Probabilidad acumulada en el valor 2.77
f) Probabilidad acumulada en el valor 2.98

Dado que cualquier distribución normal se puede estandarizar, el proceso para llevar a cabo el
cálculo es el siguiente: si a cualquier variable X, de media µ y desviación estándar σ, le aplicamos
la transformación mediante la expresión:

Entonces, dada una distribución normal con una media; una desviación típica cualquiera,
podemos obtener siempre una distribución normal estándar con media 0 y desviación estándar,
realizando la transformación z.
x -7
z=
2

I. Una variable aleatoria sigue el modelo de una distribución normal con media 7 y varianza 4.
Transfórmala en una normal estándar.

X : N (7, 3)

Sustituyendo esta información en:

tenemos:
x -7
z=
2
126 UNIDAD III

Esta nueva variable se distribuye como una normal estándar, permitiéndonos, por lo tanto,
conocer la probabilidad acumulada en cada valor x de:
σ = Var(x)
Z : N (1, 0)

El salario medio de los empleados de una empresa se distribuye según una distribución normal
con media $5,000.00 y desviación estándar de $1,000.00. Calcula el porcentaje de empleados con
un sueldo inferior a $7,000.00.

Lo primero que haremos es transformar esa distribución en una normal estándar. Para ello,
sustituiremos los siguientes valores en la fórmula:

µ = 5,000.00

σ = 1,000.00

x = 7,000.00

7000 - 5000
z =
1000
z=2

Consultando en la tabla la probabilidad acumulada para el valor 2, equivalente a la probabilidad


de sueldos inferiores a $7,000.00 es 0.97725; por lo tanto, el porcentaje de empleados con
salarios inferiores a $7,000.00 es de 97.725%.

Figura 3.22
Representación
gráfica de la
distribución normal.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 127

Figura 3.23
Representación
gráfica de la
distribución normal
estandarizada.

La colegiatura media de los estudiantes de las escuelas de bachilleres de la ciudad y puerto de


Veracruz es de $4,000.00 mensuales con una varianza de 1.5; se supone que se cuente con una
distribución normal. Calcular:

a) Porcentaje de la población con una colegiatura inferior a $3,000.00.


b) Colegiatura a partir de la cual se sitúa 10% de la población que paga mayor colegiatura.
c) Ingreso mínimo y máximo que engloba a 60% de la población con colegiatura media.

Para el inciso a):

Información con la que se cuenta:


μ=4

σ = =
1.5 1.22

x=3
3-4
z=
1.22
-1
z=
1.22
z = –0.81

Por lo tanto, el valor de $3,000.00 en la distribución normal estandarizada es de –0.81. Por lo que:

P(X < 3) = P(Z < – 0.81)


128 UNIDAD III

Figura 3.24

Ahora tenemos que ver cuál es la probabilidad acumulada hasta ese valor, pero tenemos un
problema, la tabla de probabilidades que te presentamos anteriormente sólo abarca valores
positivos; no obstante, este problema tiene solución, ya que una de las características de la
distribución normal es que es simétrica respecto al valor medio. Por lo tanto:

P(Z < – 0.81) = P(Z > 0.81)

Figura 3.25

De la misma manera, podemos utilizar el complemento, es decir, sabemos que la probabilidad


que hay a partir de un valor es igual a 1, el 100% del área bajo la curva normal menos la
probabilidad acumulada hasta dicho valor, por lo que:

P(Z > 0.81) = 1 – P(Z < 0.81)

Auxiliándonos de la tabla encontramos que:

P(Z > 0.81) = 1 – 0.7910

P(Z > 0.81) = 0.219


DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 129

Entonces, 21.9% de la población estudiantil tiene una colegiatura inferior a $3,000.00


mensuales.

Para el inciso b):

Apoyémonos en la tabla: el valor de la variable estándar cuya probabilidad acumulada es el 0.9,


90%, lo que quiere decir que por encima de este punto se sitúa el 10% superior.

X 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
Tabla 3.8
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
Valor de la variable
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177 estándar

Ese valor corresponde a Z = 1.28. Ahora calculemos el valor de x equivalente a ese valor de la
normal estándar.

μ=4

σ= 1.5 = 1.22

z = 1.28
x-4
1.28 =
1.22

x = (1.28)(1.22) + 4

x = 1.5616 + 4

x = 5.5616

Por lo tanto, aquellos estudiantes que pagan más de $5,561.60 constituyen 10% de la población.
130 UNIDAD III

Figura 3.26
Valor de la variable z.

Para el inciso c):

Auxiliándonos de la tabla, el valor de la variable Z tiene una probabilidad acumulada de 0.80


(80%). Además sabemos que hasta la media la probabilidad acumulada es de 50%, podemos
deducir que entre la media y este valor de Z hay 30% de probabilidad.

Figura 3.27
Distribución
normal simétrica
probabilidad
acumulada de 50%.

Por otra parte, al ser la distribución normal simétrica, entre –Z y la media hay otro 30% de
probabilidad. Concluyendo el intervalo (–Z, Z) engloba 60% de la población de estudiantes
con pago de colegiatura media.

Figura 3.28
Distribución normal
simétrica
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 131

El valor de Z que acumula 80% de la probabilidad según la tabla es de 0.84. ¿Cómo lo encontré en la
tabla? Buscando el valor que más se aproxima a 0.8 que equivale a 80%. Por lo que en la distribución
normal estándar el intervalo donde se encuentra 60% de la población es (–0.84, 0.84).

Figura 3.29
Distribución normal
estándar.

Ahora calculemos los valores de la variable X para esos valores de Z:


x-4
0.84 =
1.22
X = (0.84)(1.22) + 4

X = 1.0248 + 4 = 5.0248
x-4
-0.84 =
1.22
X = (– 0.84)(1.22) + 4
X = – 1.0248 + 4 = 2.9752

Por lo tanto, los estudiantes que pagan colegiaturas superiores a $2,975.20 e inferiores a
$5,024.80 constituyen 60% de la población con un nivel medio de pago de colegiatura.

1. La vida media de los habitantes de una determinada ciudad es de 68 años, con una varianza
de 25. Se hace un estudio en una de las colonias de 10,000 habitantes.

a) ¿Cuántas personas de esta colonia superarán previsiblemente los 75 años?


b) ¿Cuántos vivirán menos de 60 años?

a) Calculemos el valor correspondiente a la normal estándar de 75 años.


132 UNIDAD III

75 - 68
z =
5

z = 1.4
Por lo tanto:
P(X > 75) = (Z > 1.4)

P(Z > 1.4) = 1 – P(Z < 1.4)

Figura 3.30
Distribución normal
estándar.

Buscando en tablas:
1 – P(Z < 1.4) = 1 – 0.9192 = 0.0808

Luego entonces, 8.08% vivirá más de 75 años y si multiplicamos este porcentaje por el número de
habitantes que integran la colonia encontraremos que 808 habitantes vivirán más de 75 años.

b) Calculemos el valor de la normal estándar equivalente a 60 años.

60 - 68
z =
Z = – 51.6

Por lo tanto:

P(X < 60) = (Z < –1.6)

(Z < –1.6) = P(Z > 1.6)

P(Z > 1.6) = 1 – P(Z < 1.6) = 1 – 0.9452 = 0.0548

Podemos concluir que 5.48% de la población probablemente no llegará a esa edad. De manera
equivalente podemos decir que 548 muy probablemente no alcanzarán dicha edad.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 133

2. El consumo medio anual de una bebida de cola muy popular en México es de 59 litros, con
una varianza de 36. Se sabe que se distribuye de manera normal.

a) ¿Cuántos litros de dicha bebida tendrás que consumir al año para pertenecer al 5% de la
población que más bebe dicho producto?
b) Si bebes 45 litros al año y tus amigos afirman que ésta es una gran cantidad y que te
puede acarrear problemas de sobrepeso, ¿qué podrías argumentar en tu defensa?

a) Auxiliándonos de la tabla, el valor de la variable en la distribución normal estándar es 0.95


(95%), por lo que por arriba de este valor estaría el 5% restante.

Figura 3.31
El valor de la variable
Ese valor corresponde a Z = 1.64. Ahora calculemos el valor de la variable normal X equivalente es de 95%.
a ese valor en la distribución normal estándar.
X - 58
1.64 =
6
X = (1.64)(6) + 58 = 67.84

Derivado de lo anterior tendrías que beber más de 67.84 litros al año para pertenecer a ese
“florido” grupo de grandes bebedores de refresco de cola.

b) Vamos a ver en qué nivel de la población se sitúa en función de los litros de refresco de cola
consumidos.

Calculemos el valor de la normal estándar correspondiente a 45 litros

45 - 58
z =
6
Z = – 2.2

Figura 3.32
El valor de la variable
es de 2.2.
134 UNIDAD III

Por lo tanto:
P(X < 45) = (Z < – 2.2)

(Z < – 2.2) = P(Z > 2.2)

P(Z > 2.2) = 1 – P(Z < 2.2)

1 – P(Z < 2.2) = 1 – 0.9861 = 0.0139

De 15,096 aspirantes a
ingresar al sistema de
Luego, tan sólo 1.39% de la población bebe menos que tú. Por lo que parece un argumento de
Bachillerato estatal en peso para que dejen de catalogarlo como “enamorado del refresco de cola”.
2009 se encuentran ins-
critos el 82.47% según
la oficina de coordina- 3. A un examen de admisión a una escuela de bachilleres se han presentado 2000 aspirantes. El
ción y análisis de pro- resultado medio ha sido de 5.5 con una varianza de 1.1, si consideramos que se distribuye
cesos educativos de la
Dirección General de
de manera normal.
Bachillerato.
a) La escuela tiene capacidad de albergar sólo a 100 estudiantes de nuevo ingreso. Un
estudiante que obtuvo 7.7, ¿en qué nivel porcentual se ha situado?, ¿sería oportuno ir
organizando una fiesta para celebrar su éxito?
b) La escuela va a dar una segunda oportunidad para el 20% de resultados más altos que
no se hallan clasificado, ¿a partir de qué resultado se podría participar en esta segunda
oportunidad?

a) Vamos a ver con el resultado de 7.7 en qué nivel porcentual se ha situado dicho estudiante,
para ello iniciaremos calculando el valor de la normal estándar equivalente.
7.7 - 5.5
z =
1.048
z = 2.099 ≅ 2.01

La aproximación la realizamos para utilizar la tabla.

A este valor le corresponde una probabilidad acumulada de 0.98214, lo que significa que por
encima de este aspirante tan sólo se encuentra 1 – 0.98214 = 0.01786, es decir, sólo 1.786%.

Si fueron 2000 aspirantes, ese 1.786% equivale a 36 aspirantes. Por lo que si hay 100 lugares
disponibles, tiene suficiente probabilidad de organizar una fiesta para festejar su ingreso.

b) Consultando en la tabla, el valor de la normal estándar acumula 80% de la probabilidad, ya


que por arriba sólo quedaría el 20% restante.

Recuerda que 1.786% tiene derecho a ingresar 20% más, por lo que en la tabla debemos buscar
el valor de 0.71.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 135

Figura 3.33
Valor de la

Este valor de Z corresponde a 0.7813. Ahora calculemos el valor de X equivalente:


X - 5.5
0.7813 =
1.048
X = (0.7813)(1.048) + 5.5 = 6.31

Por lo tanto, todos aquellos que hayan tenido un puntaje igual o superior a 6.31, tendrán derecho
a la segunda oportunidad.

Además de la tabla que te hemos mostrado anteriormente para encontrar el área bajo la curva
normal estándar, existe otra herramienta más exacta, el programa Excel de Microsoft Office.

¿Cuál será el área bajo la curva normal estándar de z =1.32?

Si recurrimos a la tabla encontramos que a dicho valor le corresponde 0.9066.

Utilizando el programa Excel y siguiendo algunos pasos, hallarás el valor correspondiente.


Primero abre dicho programa:

Figura 3.34
136 UNIDAD III

Posteriormente da un click en fx.

Figura 3.35

Al realizar esta operación se abre una ventana donde debes seleccionar la categoría de estadística,
da un click en DISTR.NORM.ESTAND y aceptar.

Figura 3.36
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 137

Figura 3.37

En la ventana que se abre colocamos el valor de z y la máquina escribe el resultado en el renglón


inferior. Para nuestro ejemplo 1.32 encontramos que es igual a 0.906582491, el cual es un valor
más exacto que el proporcionado en las tablas.

Utilizando la computadora y el programa Excel encuentra los valores que se te solicitan.

a) 0.46 _________________
b) 0.89 _________________
c) 1.09 _________________
d) 1.36 _________________
e) 1.78 _________________
f) 2.19 _________________
g) 2.56 _________________
h) 2.78 _________________

De igual manera el programa Excel cuenta con la función DISTR.NORM y siguiendo los mismos pasos
que se utilizaron para DISTR.NORM.ESTAND encontramos:
138 UNIDAD III

Figura 3.38

Al dar un click en DISTR.NORM y aceptar tenemos:

Figura 3.39

Solamente se tienen que anotar los valores correspondientes y en el campo Acum escribir la
palabra “verdadero”.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 139

I. Comprueba con esta herramienta los ejemplos de esta sección.

II. De manera individual, y posteriormente en equipo, analiza los siguientes cuestionamientos.

1. Los parámetros de la distribución de probabilidad de la variable aleatoria normal son su media y la


desviación estándar su varianza.

Análisis individual
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

Análisis en equipo
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

2. Para algunos valores particulares de los parámetros de la distribución normal, la curva de la función
de densidad de probabilidad puede presentar más de una moda.

Análisis individual
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

Análisis en equipo
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

3. La curva de la distribución normal tiene sus puntos de inflexión en correspondencia con los valores de
las variables ubicados alrededor de la media, a una distancia de más menos una desviación estándar.

Análisis individual
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

Análisis en equipo
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
140 UNIDAD III

4. La probabilidad de que cualquier variable aleatoria distribuida normalmente con media μ y σ2 tome
valores entre μ ± 2σ, es igual a 0.9545.

Análisis individual
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

Análisis en equipo
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

5. La función de distribución acumulada F(x), de cualquier variable aleatoria X distribuida normalmente,


es igual a 0.5 para el valor de x igual a la media.

Análisis individual
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

Análisis en equipo
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

Responde a los siguientes cuestionamientos en casa, después compártelo con los compañeros en clase.

1. La probabilidad de que cualquier variable aleatoria distribuida normalmente con media μ y σ2 tome
valores entre μ ± 3σ es igual a 0.9973.
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

2. Una variable aleatoria X distribuida normalmente está definida sólo para valores positivos de la
misma.
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

3. La función de densidad de una variable aleatoria normal es más chata y se extiende más sobre el eje
de la variable (eje horizontal), mientras mayor sea su rango.
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 141

_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

4. No siempre es posible realizar la transformación de una variable aleatoria X con (x; μ, σ), en otra
variable aleatoria Z ~ n(z; 0, 1)
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

I. Contesta lo que se te indica. Comparte tus resultados.

1. La media de los pesos de 500 estudiantes de un colegio de bachilleres es de 70 kg y la desviación estándar


3 kg. Suponiendo que los pesos se distribuyen de manera normal, hallar cuántos estudiantes pesan:

a) Entre 60 y 65 kg.
b) Más de 90 kg.
c) Menos de 64 kg.
d) 64 kg.
e) 64 kg o menos.

2. Se supone que los resultados de un examen de Probabilidad y Estadística ii siguen una distribución
normal con media 78 y varianza 36. Se pide:

a) ¿Cuál es la probabilidad de que un estudiante que presenta el examen obtenga una calificación
superior a 72?
b) Calcular la proporción de estudiantes que tienen puntuaciones que exceden por lo menos en
cinco puntos de la puntuación que marca la frontera entre el apto y el no apto (son declarados
no aptos 25% de los estudiantes que obtuvieron las puntuaciones bajas).
c) Si sabes que la calificación de un estudiante es mayor que 72, ¿cuál es la probabilidad de que
una calificación sea, de hecho, superior a 84?

3. Tras un test de cultura general se observa que las puntuaciones obtenidas siguen una distribución
N(65, 18). Se desea clasificar a los examinados en tres grupos (de baja cultura general aceptable, de
excelente cultura) de modo que hay en el primero 20% de la población, 65% en el segundo y 15% en
el tercero. ¿Cuáles han de ser las puntuaciones que marcan el peso de un grupo al otro?

4. Varios test de inteligencia dieron una puntuación que sigue una distribución normal con media 100
y desviación estándar 15.

a) Determinar el porcentaje de población que obtendría un coeficiente entre 95 y 110.


b) ¿Qué intervalo centrado en un coeficiente de 100 contiene a 50% de la población?
c) En una población de 2,500 individuos, ¿cuántos se espera que tengan un coeficiente superior a 125?
142 UNIDAD III

Contesta lo que se te pide.

1. La Dirección General de Tránsito estima que el número de horas de práctica necesarias para la
obtención del permiso de conducir sigue una distribución normal con media 24 y varianza 9.

a) ¿Qué variable aleatoria escogerías para resolver el problema?

b) ¿Qué tipo de variable aleatoria sería?

c) ¿Qué probabilidad hay de obtener el permiso de conducir con 20 horas de práctica o menos?

d) ¿Cuántas horas de práctica necesita un conductor para obtener el permiso, si 68% de los
conductores ha requerido más horas de práctica que él?

Solución a los problemas planteados en la autoevaluación

Para este problema escogemos como variable aleatoria (que como ya se explicó es una posible
respuesta) X = número de horas de práctica necesarias para obtener el permiso de conducir que
nos asegura que sigue una distribución normal de media μ = 24 y desviación estándar σ = 3, esto
es N(24, 3).

Por lo tanto, X es una variable continua.

Nos piden que calculemos P(X < 20), que es el valor de la función de distribución de una
normal en el punto 20.

Figura 3.40

Como X no sigue una distribución normal estándar, este valor no puede buscarse directamente
en la tabla. Hemos de estandarizar la variable, esto es, cambiamos a la variable:
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 143

X - 24
z =
3
20 - 24
z =
3
z = – 1.33

Entonces:

P(X ≤ 20) = P(Z ≤ 1.33)

Utilizando el carácter simétrico de la normal tenemos que:

P(Z ≤ 1.33) = P(Z ≥ 1.33)

Y aplicando la probabilidad del suceso complementario encontramos que:

P(Z ≥ 1.33) = 1 – P(Z ≤ 1.33)


Por lo que llegamos:

P(X ≤ 20) = 1 – P(Z ≤ 1.33)

Buscando en tablas encontramos:

X 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 Tabla 3.9
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
144 UNIDAD III

Y si utilizamos Excel tenemos:

Figura 3.41

P(Z ≤ 1.33) = 0.90824086

De donde:

P(X ≤ 20) = 1 – P(Z ≤ 1.33)

P(X ≤ 20) = 1 – 0.90824086 = 0.09175914

Sea a el número de horas de práctica que buscamos. Nos piden el valor de a de forma que:

P(X ≥ a) = 0.68

Utilizando la variable aleatoria normal estándar Z tenemos que:

a - 24
z =
3
a - 24
P(Z ≥ a) = = 0.68
3
Entonces:
a - 24
Za =
3
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS 145

Utilizando la simetría de la normal tenemos que:

P(Z ≤ – a) = 0.68

Buscando en la tabla y/o en el programa de Excel obtenemos que la:

P(Z ≤ 0.46) = 0.6772

P(Z ≤ 0.47) = 0.6808

Por lo tanto, el valor de – a es un valor comprendido entre 0.46 y 0.47, pero más cercano el
segundo. Tomamos – a ≅ 0.47 de donde a ≅ 0.47

Despejando a:
a - 24
Za =
3
a = 3Za + 24

a = 3(– 0.47) + 24 = – 1.41 + 24 = 22.59

También podría gustarte