Está en la página 1de 31

N O TA S D E P R O B A B I L I D A D Y E S TA D S T I C A

TRIMESTRE 15-O

roman anselmo mora gutirrez


antonin ponsich
eric alfredo rincn garca

Septiembre - Diciembre

Departamento de Sistemas

Universidad Autnoma Metropolitana

Unidad Azcapotzalco
NDICE GENERAL

1 semana 9 1
1.1 Variable aleatoria continua. 1
1.2 Esperanza y varianza de una variable aleatoria 3
1.3 Distribucin uniforme 4
2 semana 10 7
2.1 Distribucin normal 7
2.2 Distribucin exponencial 13
2.2.1 Prdida de memoria 15
3 semana 11 17
3.1 Teorema del lmite central 17
3.2 Intervalos de confianza 18
a tabla de ecuaciones 23
a.1 Distribucin normal estndar acumulada 24
b bibliografa recomendada 27

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. iii
SEMANA 9
1
1.1 variable aleatoria continua.

Hasta ahora se ha trabajado con variables aleatorias discretas, pero existen una gran
variedad de experimentos que no pueden representarse adecuadamente con un nmero
numerable de datos, por lo que es necesario introducir el concepto de variable aleatoria
continua.
Denicin 1.1.1 Una variable aleatoria continua es aquella que puede tomar cualquier
valor en todo un intervalo de nmeros reales.
Del mismo modo que para las variables aleatorias discretas, es importante poder
determinar la distribucin de probabilidad, la funcin de distribucin de probabilidad,
la media y varianza de las variables aleatorias continuas que se estudian.
Denicin 1.1.2 Sea X una variable aleatoria continua, entonces una distribucin de
probabilidad o funcin de densidad de probabilidad de X es una funcin, fX (x), tal
que para cualesquiera dos nmeros a y b con a 6 b se tiene:
Zb
P(a 6 X 6 b) = fX (x)dx (1)
a

Por lo tanto la probabilidad de que X tome un valor en el intervalo [a, b] se puede


interpretar como el rea bajo la curva de la distribucin de probabilidad.
Observacin 1 Sea X una variable aleatoria continua, si fX (x) es una distribucin de
probabilidad de X, entonces:
a) fRX (x) > 0 para toda x

b) fX (x)dx = 1
Rb
c) P(a 6 X 6 b) = P(a < X 6 b) = P(6 X < b) = P(a < X < b) = a fX (x)dx
Por lo tanto, para poder determinar la probabilidad de variables aleatorias continuas
es necesario resolver una integral. Ms adelante se ver que para ciertos tipos de distri-
bucin se cuenta con mtodos ms sencillos.
 Ejemplo 1.1 Sea X el tiempo de atencin en una esttica, supongan que el tiempo
mximo es de 2 horas. Si X tiene distribucin de probabilidad dada por:

0.5, 0 6 x 6 2
fX (x) =
0, en otro caso
Una forma ms sencilla de representar la misma distribucin de probabilidad es:

fX (x) = 0.5x, 0 6 x 6 2

Calcule las siguientes probabilidades.


a) Determine la probabilidad de que el tiempo de atencin sea menor a una hora.
R1
P(X < 1) = fX (X < 1) = 0 0.5xdx = 14 x2 |10 = 0.25

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 1
semana 9

b) Determine la probabilidad de que el tiempo de atencin sea entre media hora y


hora y media.
R1.5
P(0.5 < X < 1.5) = fX (0.5 < X < 1.5) = 0.5 0.5xdx = 14 x2 |0.5
1.5 = 0.5

c) Determine la probabilidad de que el tiempo de atencin sea mayor a una hora y


media. R2
P(1.5 < X) = fX (1.5 < X) = 1.5 0.5xdx = 14 x2 |21.5 = 0.4375


 Ejemplo 1.2 Suponga que la variable aleatoria X es el nmero de horas que funciona
un aparato hasta su primera falla. En este caso slo se considerarn valores mayores
o iguales a cero ya que los valores negativos carecen de sentido. Despus de un pe-
riodo de observacin se encontr que la distribucin de probabilidad para la variable
aleatoria X corresponde a una funcin lineal definida entre 0 y 9, dada por:
2
fX (x) = 81 x si 0 6 x 6 9
De esta forma se puede calcular la probabilidad de que el aparato tenga una falla en
las primeras n horas.
Observa que en este caso no se especifica el valor de f para variables fuera del intervalo
[0,9], por lo que se le considerar como cero.
a) Determina la probabilidad de que tenga una falla en las primeras 2 horas.
La probabilidad que nos piden est dada por P(0 6 X 6 2), por lo tanto tenemos:
R2 R2 2
P(0 6 X 6 2) = 0 fX (x)dx = 0 81 xdx = 81 x |0 = 81
1 22 1 2
2 = 814
= 0.0494
Esto significa que se tiene una probabilidad baja de falla, 4.94 %, en ese lapso de
tiempo.
b) Determina la probabilidad de que ocurra una falla entre la cuarta y quinta hora de
operacin.
En este caso se calcula de la siguiente forma:
R5 R5 2
P(4 6 X 6 5) = 4 fX (x)dx = 4 81 xdx = 81 x |4 = 81
1 25 1 9
(52 42 ) = 81 = 0.1111
Observa que:
R9
0 f(x)dx = 1

Lo cual indica que, con probabilidad 1, el aparato tendr una falla antes de cum-
plir 9 horas de trabajo.
c) Determina la probabilidad de que ocurra una falla entre la sexta y la dcima hora.
En este caso se calcula de la siguiente forma:
R10 R9 2 R10
P(6 6 X 6 10) = 6 fX (x)dx = 6 81 xdx + 9 0dx = 81 x |6 = 81
1 29 1
(92 62 ) =
45
81 = 0.5555
Observa que para valores mayores a 9, o menores que 0, la funcin es considerada
como la constante cero.


 Ejemplo 1.3 Sea X el tiempo de atencin servicio en un lavado de autos, si el tiempo


mnimo y mximo es de 20 y 30 minutos respectivamente, y X tiene distribucin de
probabilidad dada por:
fX (x) = 0.1 si 20 6 x 6 30
Nuevamente, para cualquier valor de x fuera del intervalo [20,30] se considerar
fX (x) = 0.
a) Determina la probabilidad de que el tiempo de atencin sea menor a 27 minutos.
R27
P(X < 27) = fX (X < 27) = 20 0.1dx = 0.1x|27
20 = 0.7

2 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.2 esperanza y varianza de una variable aleatoria

b) Determina la probabilidad de que el tiempo de atencin sea entre 15 y 28 minutos.


R20 R28 R28
P(15 < X < 28) = fX (15 < X < 28) = 15 0dx + 20 0.1dx = 0 + 20 0.1dx
= 0.1x|28
20 = 0.8
c) Determina la probabilidad de que el tiempo de atencin sea mayor a 23 minutos.
R30
P(23 < X) = fX (23 < X) = 23 0.1dx = 0.1x|3023 = 0.7


Denicin 1.1.3 Sea X una variable aleatoria continua, entonces la funcin de distri-
bucin acumulada de X, denotada por FX (x), est dada por:
Rx
FX (x) = P(X 6 x) = fX (u)du para < x <

 Ejemplo 1.4 Considera el enunciado del ejemplo anterior. Determina la probabilidad

de que la primera falla ocurra antes de 5 horas.


En este casoRse tendr: R R5 2
5 5
P(X 6 5) = f(x)dx = 0 f(x)dx = 0 81 xdx = 81 x |0 = 81
1 25 1 2
5 = 0.3086
Observa que en la primera integral el lmite inferior es , mientras que en la segunda
se tiene al cero como lmite inferior. Esto ocurre porque fX (x) = 0 en el intervalo
(, 0]. 

 Ejemplo 1.5 Considera que la funcin de distribucin acumulada de la variable alea-


toria X es:

si x 6 2
0,
F(x) = 0.25x + 0.5, si 2 < x 6 2


1, si 2 6 x
Determina las siguientes probabilidades.
a) P(X < 1.8) = P(X 6 1.8) = F(1.8) = 0.25(1.8) + 0.5 = 0.95
b) P(X > 1.5) = 1 P(X 6 1.5) = 1 0.125 = 0.875
c) P(X < 2) = F(2) = 0
d) P(1 < X < 1) = F(1) F(1) = 0.25(1) + 0.5 [0.25(1) + 0.5] = 0.5


1.2 esperanza y varianza de una variable aleatoria

Cuando una variable aleatoria X es continua, su media X est dada por:

Z
X = E(X) = xfX (x)dx (2)

La varianza de la variable aleatoria X se define como:

Z
2X = Var(X) = (x )2 fX (x)dx (3)

La media o valor esperado, tambin llamada esperanza, esperanza matemtica o


media poblacional, cumple con las siguientes propiedades:
1. E(X + b) = E(X) + b
2. E(X + Y) = E(X) + E(Y)
3. E(aX) = aE(X)

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 3
semana 9

Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:
1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3. indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
 Ejemplo 1.6 Considera que fX (x) = 0.25 para 0 < x < 4.
Determina la media y la varianza de X.
R R R4 2
X = E(X) = xfX (x)dx = x(0.25)dx = 0 x(0.25)dx = 0.25 x2 |40
0.25 2 0.25 2
= 2 (4 ) 2 (0 ) = 2
R R4 3
2 = Var(X) = (x )2 f(x)dx = 0 (x 2)
2 (0.25)dx = 0.25 (x2)
3 |40

= 32 + 23 = 43
 Ejemplo 1.7 La distribucin de probabilidad del peso neto de un producto, en kilo-
gramos, est dada por fX (x) = 2 para 49.75 < x < 50.25.
a) Determina la probabilidad de que un paquete pese ms de 50 kg.
R50.25
P(X > 50) = 50 2dx = 2x|50.2550 = 0.5
b) Determina el peso esperado de un producto seleccionado al azar.
R R50.25
X = E(X) = x(2)dx = 49.75 2xdx = x2 |50.25
49.75 = 50


1.3 distribucin uniforme

Denicin 1.3.1 Una variable aleatoria continua X con distribucin de probabilidad


dada por

1
fX (x) = con a 6 x 6 b (4)
ba
es una variable aleatoria continua uniforme.
Bajo estas condiciones, la media y la varianza de X estn dadas por

a+b
X = E(X) = (5)
2
y

(b a)2
2X = Var(X) = (6)
12

4 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.3 distribucin uniforme

 Ejemplo 1.8 Sea X una variable aleatoria continua con distribucin uniforme que

denota la corriente medida en miliamperios en un alambre de cobre fino. Considera


que el rango de X es [0, 20 mA].
a) Determina la distribucin de probabilidad de X.
Por definicin se tiene
1 1
fX (x) = ba = 200 = 0.05 para 0 6 x 6 20
b) Determina la probabilidad de que una medicin de la corriente se encuentre entre 5
y 10 miliaperes.
La probabilidad buscada es
R10
P(5 < X < 10) = 5 0.05dx = 5(0.05) = 0.25
c) Determina el valor esperado al realizar una medicin.
X = E(X) = 0+20
2 = 10mA 

 Ejemplo 1.9 Considera que la variable aleatoria continua X tiene una distribucin
uniforme en el intervalo [-1,1].
a) Determina la media, la varianza y la desviacin estndar de X.
X = E(X) = 1+1
2 =0
2
2X = Var(X) = (1(1))
12 = 1
3
q
X = 13 = 0.577

b) Determina el valor de x tal que P(x < X < x) = 0.9. Como se trata de una distribu-
cin uniforme entoncesRfX (x) = 0.5, por lo tanto
x
0.9 = P(x < X < x) = x 0.5dt = 0.5t|xx = 0.5(2x) = x
Finalmente, el valor buscado es x = 0.9. 

 Ejemplo 1.10 El grosor de un componente tiene una distribucin uniforme entre 0.95

y 1.05 milmetros.
a) Determina la funcin de distribucin acumulada del grosor de los componentes.
1
fX (x) = 1,050,95 = 10 para 0.95 6 x 6 1.05
Para determinar la funcin de distribucin acumulada se calcula la siguiente integral
R1.05 x
0.95 10dx = 10t|0.95 = 10x 9.5
Por lo tanto, la funcin de distribucin acumulada es



0, x < 0.95
FX (x) = 10x 9.5, 0.95 6 x < 1.05


1, x > 1.05
b)Determina la proporcin de componentes que exceden 1.02 milmetros
P(X > 1.02) = 1 P(X 6 1.02) = 1 FX (1.02) = 1 0.7 = 0.3
c) Si elegimos un componente al azar, de qu tamao se espera que sea?
X = E(X) = 0.95+1.05
2 =1 

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 5
SEMANA 10
2
2.1 distribucin normal

Denicin 2.1.1 Se dice que una variable aleatoria X tiene una distribucin normal
con parmetros X y X si su funcin de densidad de probabilidad est dada por:

 2
xX
1 1
fX (x) = e 2 X
< x < (7)
X 2
Donde X es su media y X es su desviacin estndar.

Al graficar la funcin fX (x) se obtiene una grfica con forma de campana y simtrica
con centro en X . El valor de X es la distancia desde X hasta los puntos de inflexin
de la curva.

Figura 1: Distribucin normal con media y desviacin estndar .

Si X es una variable aleatoria con una distribucin normal con media X y varianza
2X ,N(X , 2X ), entonces se cumple que:

1. P(X 2X < X < X + 2X ) = 0.6827


2. P(X 22X < X < X + 22X ) = 0.9545
3. P(X 32X < X < X + 32X ) = 0.9973
Las propiedades 1-3 indican la probabilidad de que un evento se encuentre a una,
dos o tres desviaciones estndar de la media respectivamente. Por ejemplo, el 68.27 %
de los resultados de un experimento que tenga una distribucin normal se ubicarn en
el intervalo (X 2X , X + 2X ).
Cuando la distribucin normal tiene valores de parmetros X = 0 y 2X = 1 se llama
distribucin normal estndar. Una variable aleatoria que tiene una distribucin normal
estndar se llama variable aleatoria normal estndar y se denota mediante Z.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 7
semana 10

Figura 2: Probabilidad asociada a una y dos desviaciones estndar.

Figura 3: Distribucin normal estndar.

En este caso la funcin de densidad de probabilidad est dada por:

1 z2
fZ (z) = e 2 < z < (8)
2
y la funcin de densidad de probabilidad acumulada de Z es:
Zz
P(Z 6 z) = fZ (y)dy (9)

Para encontrar el valor de P(Z 6 z) se puede recurrir a una tabla para la distribucin
normal estndar (ver anexo A). El uso de esta tabla se ilustra con el siguiente ejemplo.
Suponga que Z es una variable aleatoria normal estndar. La tabla del anexo A con-
tiene probabilidades de la forma P(Z 6 z). Para encontrar P(Z 6 1.43), se lee hacia
abajo la columna z hasta el rengln -1.4. Por ltimo se desplaza sobre este rengln
hasta la columna con el encabezado 0.03. El valor de esta celda indica la probabilidad
buscada. Por lo tanto, P(Z 6 1.43) = 0.07636, en la siguiente figura se ilustra este pro-

8 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.1 distribucin normal

ceso. Observa que los encabezados de las columnas indican el dgito de las centsimas
del valor de z.

Figura 4: Funcin de densidad de probabilidad estndar.

En este punto es importante destacar que la forma en que son presentadas las tablas
de distribucin normal acumulada puede variar de un texto a otro, y es necesario re-
conocer la forma en que deben utilizarse. La mayora de las tablas utilizan los valores
asociados a P(Z 6 z), P(z 6 Z), o P(0 6 Z 6 z). Para determinar el tipo de datos inclui-
dos en cada tabla, es recomendable revisar los valores asociados a puntos positivos y
al valor 0.00.
Si la probabilidad asociada a 0.00 es cero se trata de una tabla que indica los valores
de P(0 6 Z 6 z), (a).
Si la probabilidad es 0.5 en el punto 0.00 y es menor que 0.5 z > 0, entonces se trata
de una tabla que indica los valores de P(z 6 Z), (b).
Si la probabilidad es 0.5 en el punto 0.00 y es mayor que 0.5 z > 0, entonces se trata
de una tabla que indica los valores de P(Z 6 z), (c).

Figura 5: Diferentes formas de medir la probabilidad en una distribucin normal estndar.

 Ejemplo 2.1 Usa la tabla de distribucin normal estndar para determinar las siguien-
tes probabilidades.
a) P(Z < 1.32) = 0.90658
b) P(Z > 1.45) = 1 P(Z < 1.45) = 1 0.92647 = 0.07353
c) P(1 < Z < 1) = P(Z < 1) P(Z < 1) = 0.84134 0.15866 = 0.68268
d) P(0 < Z < 1) = P(Z < 1) P(Z < 0) = 0.84134 0.5 = 0.34134


 Ejemplo 2.2 Usa la tabla de distribucin normal estndar para determinar el valor de
z que garantiza las siguientes probabilidades.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 9
semana 10

a) P(Z < z) = 0.89973


Buscando en tablas tenemos que z = 1.28 satisface la probabilidad buscada.
b) P(Z > z) = 0.017
Entonces necesitamos P(Z < z) = 1 0.017 = 0.983, buscando en tablas tenemos
que z = 2.12 satisface la probabilidad buscada.
c) P(1.24 < Z < z) = 0.8
Entonces,
0.8 = P(1.24 < Z < z) = P(Z < z) P(Z < 1.24).
Por lo tanto estamos buscando
P(Z < z) = 0.8 + P(Z < 1.24) = 0.8 + 0.10749 = 0.90749
en tablas tenemos que la probabilidad ms cercanas es 0.90824, por lo tanto utili-
zaremos z = 1.33


Sin embargo, es poco comn que de un experimento surja una variable aleatoria
normal estndar. Cuando una variable aleatoria X sigue una distribucin normal pero
X 6= 0 o X 6= 1, sus probabilidades pueden calcularse mediante una estandarizacin.
En este caso, la variable estandarizada es
X X
Z= (10)
X
que tiene una distribucin normal estndar. Por lo tanto,

a X b X
P(a 6 X 6 b) = P( 6Z6 ) (11)
X X
Para demostrar que Z en efecto tiene media X = 0, se puede utilizar el operador
esperanza, de esta forma se tiene:
E(XX ) E(X)E(X )
E(Z) = E( XX
X ) = X = X = X X
X =0

De manera anloga se puede demostrar que la varianza de Z es 1.

Var(XX ) Var(X) 2X
Var(Z) = Var( X X
X ) = 2X
= 2X
= 2X
=1

De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal estn-
dar y por lo tanto se pueden utilizar las tablas de la distribucin z.
De hecho, el proceso de estandarizacin puede verse como un desplazamiento del
eje x para lograr que la media de la distribucin estudiada sea cero.
De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal estn-
dar y por lo tanto se pueden utilizar las tablas de la distribucin z. De hecho, el proceso
de estandarizacin puede verse como un desplazamiento"del eje x para lograr que la
media de la distribucin estudiada sea cero.
 Ejemplo 2.3 Sea X una variable aleatoria continua con una distribucin normal con
media 10 y desviacin estndar 2. Determina las siguientes probabilidades.
a) P(X < 13)
P(X < 13) = P(Z < 1310
2 ) = P(Z < 1.5) = 0.93319

10 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.1 distribucin normal

Figura 6: Estandarizacin de una distribucin normal.

b) P(X > 9)
910
P(X > 9) = 1 P(X < 9) = 1 P(Z < 2 ) = 1 P(Z < 0.5) = 1 0.30854
= 0.69146
c) P(6 < X < 14)
P(6 < X < 14) = P( 610
2 <Z< 410
2 ) = P(2 < Z < 2) = P(Z < 2) P(Z < 2)
= 0.97725 0.02275 = 0.9545
d) P(4 < X < 8)
P(4 < X < 8) = P( 410
2 <Z< 810
2 ) = P(3 < Z < 1) = P(Z < 1) P(Z < 3)
= 0.15866 0.00135 = 0.15731


 Ejemplo 2.4 Sea X una variable aleatoria continua con una distribucin normal con
media 10 y desviacin estndar 2. Determina el valor de x que garantiza las siguientes
probabilidades.
a) P(X < x) = 0.5
Primero se utiliza la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z < z) = 0.5, implica z = 0.0.
Ahora se emplea la ecuacin de estandarizacin para encontrar el valor de x bus-
cado
z = x
x ,
X

Por lo tanto,
0 = x10
2
Entonces, x = 10.
b) P(X > x) = 0.95
Primero se emplea la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z > z) = 0.95, implica P(Z < z) = 1 0.95 = 0.05.
Como no aparece el valor exacto, se utilizar el ms cercano, z = 1.64.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 11
semana 10

Finalmente se emplea la ecuacin de estandarizacin para encontrar el valor de x


buscado
z = x
X ,
X

Por lo tanto,
1.64 = x10
2
Entonces, x = 6.72053.
c) P(x < X < 10) = 0.2
Primero se realiza un despeje para determinar el valor buscado.
0.2 = P(x < X < 10) = P(X < 10) P(X < x)
Entonces se busca x tal que
P(X < x) = P(X < 10) 0.2 = P(Z < 1010
2 ) 0.2 = P(Z < 0.5) 0.2 = 0.5 0.2 =
0.3
Ahora se emplea la tabla para encontrar el valor de z que acumula esa probabili-
dad
P(Z < z) = 0.3.
Como no aparece el valor exacto, se utilizar el ms cercano, z = 0.52.
Ahora se emplea la ecuacin de estandarizacin para encontrar el valor de x bus-
cado
z = x
X ,
X

Por lo tanto,
0.52 = x10
2
Entonces, x = 8.96.


 Ejemplo 2.5 La cantidad de agua vertida en cada botella por cierta mquina tiene una
distribucin normal con un valor medio de 750 ml y una desviacin estndar de 1.5 ml.
Si las botellas estn diseadas para contener, a lo sumo, 752 ml.
a) Cul es la probabilidad de que ocurra un derrame?
En este caso X es la cantidad de agua depositada en cada botella y se pide P(X >
752), que se calcula de la siguiente manera:
P(X > 752) = P( X750
1.5 > 752750
1.5 ) = P(Z > 1.33) = 1 P(Z 6 1.33)
= 1 0.9088 = 0.0912
Por lo tanto, el 9.12 % de las botellas sufrirn un derrame, por lo que puede
resultar conveniente aumentar ligeramente el tamao de las botellas, o buscar
disminuir la varianza del proceso, para as disminuir el porcentaje de derrames.
b) Considera que el rea de control de calidad indica que las botellas deben contener
al menos 746 ml de agua. Determine el porcentaje de piezas que cumple con esta
especificacin.
P(X > 746) = P( X750
1.5 > 746750
1.5 ) = P(Z > 2.667) = 1 P(Z 6 2.667)
= 1 0.0038 = 0.9962
De esta forma, se espera que el 99.62 % de las botellas cumplan con el contenido
mnimo de agua.
c) Ahora se buscar negociar con el rea de control de calidad el contenido mnimo
aceptable de las botellas, para garantizar que el 99.9 % de la produccin sea acep-
tada, qu cantidad de agua debera contener una botella para ser aceptada y
garantizar un porcentaje tan alto de aceptacin?.
En este caso se conoce el valor de la probabilidad, pero se ignora el valor de x.
P(X > x) = 0.999
Por lo tanto, se necesita

12 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.2 distribucin exponencial

P(Z > z) = 0.999, o bien P(Z < z) = 1 0.999 = 0.001


Al buscar en la tabla para la distribucin normal estndar se encuentra z = 3.09.
Por lo tanto,
3.09 = x750
1.5
De esta forma, si x = 745.71403 ml es la cantidad mnima de lquido que debe
contener una botella para ser aceptada, se puede garantizar una aceptacin del
99.9 % de la produccin.
d) Si se desechan las botellas con menos de 748 ml y ms de 751, qu proporcin de
las botellas son desechadas?
El porcentaje pedido es
P(X < 748) + P(751 < X) = P(X < 748) + [1 P(x < 751)]
748750 751750
= P(Z < 1.5 ) + [1 P(Z < 1.5 ]
= P(Z < 1.33) + [1 P(Z < 0.67)]
= 0.09176 + [1 0.74857] = 0.0976 + 0.25143
= 0.34903
Por lo tanto, se desechar el 34.903 % de las botellas.


2.2 distribucin exponencial

Como se vio en la seccin ?? una variable aleatoria que sigue una distribucin de
Poisson cuenta el nmero de fallas ocurridas durante un intervalo. Sin embargo, la
distancia entre dos fallas consecutivas tambin define una variable aleatoria de mucho
inters, principalmente en el estudio de lneas de espera.
Una variable aleatoria X que mide la distancia entre dos observaciones consecutivas de
un proceso de Poisson con media > 0 es llamada variable aleatoria exponencial con
parmetro .
Para analizar algunas caractersticas de esta distribucin, se considerar que Y es una
variable aleatoria que denota el nmero de observaciones en un intervalo de longitud
x en un proceso de Poisson con parmetro . Entonces, para cualquier longitud x, Y
tendr una media Y = X .
Por lo tanto, la probabilidad de que no ocurra una observacin en el prximo intervalo
de longitud x est dada por:
ex (x)0
P(Y = 0) = 0! = ex

Si X denota la distancia hasta la siguiente observacin, entonces la probabilidad de


que no ocurra una observacin en el prximo intervalo de longitud x ser:
ex (x)0
P(X > x) = P(Y = 0) = 0! = ex

De esta forma, para cualquier valor positivo x, la funcin de distribucin acumulada


de X estar dada por:

FX (x) = P(X < x) = 1 ex , 0 6 x (12)

Al derivar FX (x), se obtiene la funcin de probabilidad de una variable aleatoria X con


distribucin exponencial:

fX (x) = ex , 0 6 x (13)

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 13
semana 10

Bajo estas condiciones, la media y la desviacin estndar de X estn dadas por:


1
X = E(X) = (14)

y
1
2X = Var(X) = (15)
2
 Ejemplo 2.6 Si el nmero de defectos producidos por un telar sigue una distribucin
de Poisson con una media de 0.75 errores por metro.

a) Determina la probabilidad de que el telar produzca 6 metros de tela sin errores.


Sea X la distancia en metros desde un punto de inspeccin hasta el primer error.
Entonces X sigue un distribucin exponencial con = 0.75 errores por metro. Se
quiere encontrar la probabilidad de que X sea mayor que 6 metros, por lo tanto
se tiene: R R
P(X > 6) = 6 ex dx = 6 0.75e0.75x dx = e0.75x | 6 =e
(0.75)(6) = 0.0111

Observa que el enunciado habla de una distribucin de Poisson, pero el ejerci-


cio se resuelve mediante la distribucin exponencial. De hecho, este es un detalle
muy importante para determinar el valor del parmetro . En este caso la media
es 0.75, y por ser un proceso de Poisson se tiene lo siguiente:
X = X = 0.75,
Pero esto ser diferente en el inciso (a) del ejercicio 2.7.
b) Ahora se desea determinar la probabilidad de que el prximo error ocurra entre el
segundo y cuarto metro de tela siguiente.
Entonces se tendra la siguiente probabilidad:
R4
P(2 < X < 4) = 2 0.75e0.75x dx = e0.75x |42 = e(0.75)(2) e(0,75)(4)
= 0.2231 0.0497 = 0.1734
c) Ahora se desea determinar la probabilidad de que el siguiente error ocurra en los
prximos 50 centmetros de tela.
Como estamos utilizando metros como unidad base debemos convertir los 50
centmetros a 0.5 metros.
R0.5
P(X < 0.5) = 0 0.75e0.75x dx = e0.75x |0.5
0 =e
(0,75)(0) e(0,75)(0,5)

= 1 0.6872 = 0.3128
d) Determina el valor de x tal que la probabilidad de que el siguiente error ocurra
despus de x metros Rde tela sea 0.10.
P(X > x) = 0.10 = x 0.75e0.75t dt = e0.75t | x =e
0.75x

Por lo tanto, se tiene


0.10 = e0.75x
Utilizando logaritmo natural para despejar a x, se obtiene que con una probabili-
dad de 0.10 el siguiente error ocurrir despus de x = 3.07 metros de tela.
e) Determina el valor de x tal que la probabilidad de que el siguiente error ocurra
antes de x metros deRx tela sea 0.95.
P(X < x) = 0.95 = 0 0.75e0.75t dt = e0.75t |x0 = 1 e0.75x
Por lo tanto, se tiene
1 0.95 = 0.05 = e0.75x
Nuevamente se utiliza logaritmo natural para despejar a x, y se obtiene que con
una probabilidad de 0.95 el siguiente error ocurrir antes de x = 3.99 metros de

14 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.2 distribucin exponencial

tela.

2.2.1 Prdida de memoria

Una propiedad muy interesante de la distribucin exponencial es conocida como


prdida de memoria y est relacionada con la probabilidad condicional. Esta propiedad
se resume en la siguiente igualdad:

P(X < t1 + t2 |X > t1 ) = P(X < t2 ) (16)

El siguiente ejemplo ilustra esta propiedad.


 Ejemplo 2.7 Sea X el tiempo entre detecciones de cambios de voltaje en la instalacin
elctrica de una industria. Suponga que X sigue una distribucin exponencial con una
media de 0.4 minutos entre cada cambio.
a) Determina el valor del parmetro para la distribucin exponencial.
Observe que ahora el enunciado habla de una distribucin exponencial, con me-
dia 0.4, por lo tanto:
X = 1 = 0.4, y = 2.5
b) Si acaba de detectarse un cambio de voltaje, determina la probabilidad de detectar
el siguiente cambio en los prximos 90 segundos.
R1.5
P(X < 1.5minutos) = 0 2.6e2.6x dx = e2.6x |1.50 = 1e
(2.6)(1.5)

= 0.9798
c) Ahora considera que han pasado 2 minutos y an no se ha detectado ningn cam-
bio de voltaje. Determina la probabilidad de detectar el siguiente cambio en los
prximos 90.
En este caso la probabilidad buscada est dada por:
R3.5
P(2<X<3.5) 2.6e2.6x dx e2.6x |3.5 0.0054049
P(X < 3.5minutos|X > 2) = = R2 = 2
=
P(2<X) 2 2.6e 2.6x dx e2.6x |
2
0.0055166

= 0.9798


Por lo tanto, el hecho de que hayan transcurrido 2 minutos sin cambios de voltaje no
cambia la probabilidad de una deteccin en los prximos 90 segundos.

Esta propiedad resulta muy interesante cuando se aplica a ejemplos cotidianos, sobre
todo porque va en contra del sentido comn como se ve en el siguiente caso.
Considera que el tiempo entre los camiones que lo llevan a la escuela o al trabajo sigue
una distribucin exponencial con = 0.1 camiones por minuto. Esto significa que en
promedio pasan 0.1 camiones cada minuto, o bien, 1 camin cada 10 minutos. Al llegar
a la parada se puede determinar que la probabilidad de que el camin pase en los
prximos 10 minutos es 0.6321. Si se espera algn tiempo, por ejemplo 7 minutos, por
lo general se considera que la probabilidad de que el camin pase ha aumentado. Sin
embargo, la propiedad de prdida de memoria indica que la probabilidad sigue siendo
la misma que al comienzo de la espera. Esto ocurre porque una media de 0.1 significa
que en cada intervalo de 10 minutos se espera que pase un camin: tanto a partir del
punto de espera inicial, como en el intervalo que inicia despus de los 7 minutos de
espera.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 15
SEMANA 11
3
3.1 teorema del lmite central

Si X1 , ..., Xn es una muestra aleatoria de tamao n tomada de una poblacin (sea fini-
ta o no) con media y varianza 2 , y si X es la media muestral entonces la distribucin
lmite de:

X
Z= (17)

n

cuando n es la distribucin normal estndar.

Una regla emprica utilizada con frecuencia es considerar que n > 30 es suficiente
para poder emplear el teorema del lmite central. Sin embargo, cuando se sabe que
la poblacin sigue una distribucin muy cercana a la normal, se pueden considerar
valores ms pequeos.
Observa que la suposicin de normalidad se hace sobre el promedio de la muestra, X,
y no sobre la poblacin.
 Ejemplo 3.1 Una compaa construye resistores con una resistencia media de 100
ohms y una desviacin estndar de 10 ohms. Si la distribucin de la resistencia es
normal encuentre la probabilidad de que una muestra aleatoria de 25 resistores tenga
una resistencia promedio menor de 95 ohms.
La probabilidad buscada es P(X < 95). Como la distribucin de la muestra es normal,
no es necesaria una muestra con ms de 30 elementos, y podemos aplicar el teorema
del lmite central.
Entonces tendremos:
Z = 95100
10
= 2.5
25
Por lo tanto:
P(X < 95) = P(Z < 2.5) = 0.0062.


 Ejemplo 3.2 La cantidad de chispas de chocolate en un producto es una variable alea-


toria con valor medio de 4.0 g y una desviacin estndar de 1.5 g. Si 50 productos se
preparan de forma independiente, cul es la probabilidad de que la cantidad prome-
dio de chispas de chocolate en la muestra, X, este entre 3.5 y 3.8 g?
En este caso no sabemos que la poblacin tenga una distribucin normal, pero el tama-
o de la muestra es mayor de 30. Se trata de determinar la probabilidad P(3.5 < X <
3.8). Aplicando el teorema del lmite central tenemos:
P(3.5 < X < 3.8) = P( 3.54.0
1.5 < Z < 3.84.0
1.5 ) = P(2.36 < Z < 0.94) = 0.1645
50 50


 Ejemplo 3.3 La presin de los tanques de gas producidos por una empresa sigue
una distribucin normal con una media de 75.5 psi y una desviacin estndar de 3.5
psi. Determina la probabilidad de que una muestra aleatoria de 6 tanques tenga una

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 17
semana 11

presin media muestral que exceda los 75.75 psi.


Se busca conocer la probabilidad dada por P(X > 75.75). Como la distribucin de la
muestra es normal, no es necesaria una muestra con ms de 30 elementos, y se puede
aplicar el teorema del lmite central.
Entonces se tendr:
Z = 75.7575.50
3.5

= 0.17
6
Por lo tanto:
P(X > 75.75) = 1 P(X < 75.75) = 1 P(Z < 0.17) = 0.56749.


 Ejemplo 3.4 Suponga que se selecciona al azar una muestra de tamao 25 de una
poblacin normal con media 100 y desviacin estndar 10, cul es la probabilidad de
que la media muestral est en el intervalo de (X 1.8X , X + 1.8X )?
La probabilidad buscada es
P(100 1.8(10) < X < 100 + 1.0(10)) = P(96.4 < X < 102)
Utilizando el teorema del lmite central se obtiene
P(96.4 < X < 102) = P(1.8 < Z < 1) = P(Z < 1) P(Z < 1.8) = 0.84134 0.03593 =
0.80541 

3.2 intervalos de confianza

A parte de la estimacin puntual del parmetro, se requiere de informacin adicio-


nal sobre qu tan buena es la estimacin (por ejemplo, qu tan cerca queda la media
muestral de la media poblacional). Esta informacin puede ser obtenida mediante el
intervalo de confianza.

Denicin 3.2.1 A partir de la distribucin de muestreo de la media del estadstico X


podrn determinarse L y U tales que:

P(L 6 6 U) = 1 donde 0 < < 1 (18)

Al intervalo resultante L 6 X 6 U se le llama intervalo de confianza del 100(1)


por ciento para el parmetro X .

Nuevamente es importante saber si la poblacin del proceso analizado sigue o no


una distribucin normal. De ser as, se tiene la siguiente definicin.

Denicin 3.2.2 Un intervalo de confianza de 100(1 ) % para la media X de una


poblacin normal cuando se conoce el valor de X est dado por

X X
(x z 2 , x + z 2 ) (19)
n n

Donde z 2 es tal que



P(Z < z 2 ) = P(z 2 < Z) = 2

 Ejemplo 3.5 Considere que se tiene un proceso que sigue una distribucin poblacional
normal, y del cual se conoce la desviacin estndar poblacional, X .

18 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.2 intervalos de confianza

X
a) Cul es el nivel de confianza para el intervalo x 2.81 n
?

El nivel de confianza de un intervalo de confianza est dado por 1 , por lo


tanto debemos encontrar el valor de .
Al observar el intervalo dado, se nota que z 2 = 2.81, por lo tanto tenemos:

2 = P(Z < 2.81) = P(Z > 2.81) = 0.0025
Entonces, = 0.005. Con lo cual concluimos que el nivel de confianza es del
99.5 %.

X
b) Cul es el nivel de confianza para el intervalo x 1.44 n
?
Nuevamente, el nivel de confianza de un intervalo de confianza est dado por
1 , por lo tanto se debe encontrar el valor de .
Al observar el intervalo dado, se tiene que z 2 = 1.44, por lo tanto:

2 = P(Z < 1.44) = P(Z > 1.44) = 0.0749
Entonces, = 0.1498. Con lo cual se concluye que el nivel de confianza es del
85.02 %.

c) Cul es el valor de z 2 en la frmula de intervalo de confianza que resulta en un


nivel de confianza de 99.7 %?
Para tener un nivel de confianza del 99.7 %, se necesita = 1 0.997 = 0.003.
Esto implica que, 2 = 0.0015.
Ahora, se debe buscar en las tablas de distribucin normal estndar el valor de
z 2 tal que:
P(Z < z 2 ) = P(Z > z 2 ) =
2 = 0.0015.
Se encuentra que:
P(Z < 2.96) = 0.0015.
Por lo tanto, la respuesta buscada es z 2 = 2.96.
d) Cul es el valor de z 2 en la frmula de intervalo de confianza que resulta en un
nivel de confianza de 75 %?
Para tener un nivel de confianza del 75 %, se necesita = 1 0.75 = 0.25.
Esto implica que, 2 = 0.125.
Ahora, se debe buscar en las tablas de distribucin normal estndar el valor de
z 2 tal que:
P(Z < z 2 ) = P(Z > z 2 ) = 2 = 0.125.

El valor ms cercano es:


P(Z < 1.15) = 0.1251.

Por lo tanto, la respuesta buscada es z 2 = 1.15.




 Ejemplo 3.6 Una compaa se dedica a la produccin de tornillos de alta precisin


cuyo dimetro en la parte ms ancha sigue una distribucin normal con una desviacin
estndar de 0.10 mm. Se toma una muestra de 40 tornillos y se encuentra un dimetro
medio muestral de 5.426 mm. Calcula un intervalo de confianza de 900 % para el di-
metro real.
Para este caso 100(1 ) % = 90 %, entonces = 0.10. Por lo tanto, z 2 = z0.05 = 1.645,
ya que:
P(Z < 1.645) = 0.05

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 19
semana 11

Finalmente, el intervalo buscado es:


(x z 2 n , x + z 2 n ) = (5.426 1.645
0.10
40
0.10
, 5.426 + 1.645 40
) = (5.4, 5.42)

De la ecuacin utilizada para calcular un intervalo de confianza se puede observar


que el tamao de la muestra afecta al tamao del intervalo, mientras ms grande sea
la muestra menor ser la longitud del intervalo. En general, el tamao de la muestra n
necesario para asegurar una longitud w del intervalo se obtiene como:

2
n = (2z 2 ) (20)
w
 Ejemplo 3.7 Una compaa se dedica a la produccin de vigas de madera cuya lon-
gitud sigue una distribucin normal con una desviacin estndar de 25 mm. De qu
tamao debe ser la muestra necesaria para garantizar que el intervalo de confianza de
95 % tenga una longitud de 10?.

Para este caso 100(1 ) % = 95 %, entonces = 0.05. Por lo tanto, z 2 = z0.025 =


1.96, ya que:
P(Z < 1.96) = 0.025
Finalmente, el tamao de la muestra es:
n = (2(1.96) 25 2
10 ) = 96.04
Como no es posible tomar muestras fraccionarias se concluye que una muestra de ta-
mao 97 es lo adecuado. Nuevamente resulta conveniente tener algn resultado que
nos permita utilizar intervalos de confianza en poblaciones con distribucin de proba-
bilidad desconocida o diferente a la normal. En estos casos es necesario pedir muestras
grandes. 

 Ejemplo 3.8 Supongan que se obtiene una muestra aleatoria de 25 piezas de una

poblacin con distribucin normal con desviacin estndar poblacional igual a 3. Si el


peso promedio de la muestra es de 58.3 kg. Determina un intervalo de confianza del
95 % para la media poblacional, .
En este caso se pide un nivel de confianza del 95 %, por lo tanto:
= 1 0.95 = 0.05, y 2 = 0.025.
Buscando en las tablas de distribucin normal se tiene que:
P(Z < 1.96) = 0.025
Por lo tanto, z 2 = 1.96.
De esta forma, el intervalo buscado es:
(58.3 1.96 325 , 58.3 + 1.96 325 ) = (57.1, 59.5). 

Proposition 3.2.1 Si n es suficientemente grande, la variable aleatoria


XX
Z= s
n

tiene una distribucin aproximadamente normal. Por lo tanto, un intervalo de confian-


za de 100(1 ) % para la media X estar dado por:
s s
(x z 2 , x + z 2 ) (21)
n n
Donde z 2 es tal que

20 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.2 intervalos de confianza


P(Z < z 2 ) = P(z 2 < Z) = 2.

 Ejemplo 3.9 En una tormenta elctrica se tom una muestra de 48 relmpagos, dando
como resultado una duracin de 54.7 milisegundos de duracin con una desviacin
estndar de 5.23 milisegundos. Determina un intervalo de confianza del 95 % para la
duracin media real.
En este caso no se sabe el tipo de distribucin que sigue el caso estudiado, pero se tiene
varias muestras, por lo cual se puede utilizar la ltima definicin. Se sabe que X = 54.7
y en este caso la desviacin dada es muestral, por lo tanto tenemos s =5.23. Por ltimo,
tenemos un nivel de confianza del 95 %, por lo tanto = 0.05. De esta forma tenemos,
z 2 = 1.96, ya que
P(Z < 1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
5.23 5.23
(5.47 1.96 48
, 5.47 + 1.96 48
) = (53.2, 56.2).


 Ejemplo 3.10 Para un proceso dado se tom una muestra de tamao 169, el promedio

muestral fue de 89.10 y la desviacin estndar muestral es 3.73.

a) Calcula el intervalo de confianza para la media real con un nivel de confianza del
95 %.
Se sabe que n = 169, X = 89.10 y s = 3.73. Por ltimo, se tiene un nivel de con-
fianza del 95 %, por lo tanto = 0.05. De esta forma se tiene, z 2 = 1.96, ya que
P(Z < 1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
(89.10 1.96 3.73
169
, 89.10 + 1.96 3.73
169
) = (88.54, 89.66).

b) Se cre que la desviacin estndar poblacional es 4, con esta hiptesis, de qu


tamao se hubiera requerido la muestra para estimar la media poblacional en un
intervalo de longitud 1 con un nivel de confianza del 95 %?
n = (2(1.96)( 14 ))2 = 246
Se concluye que una muestra de tamao 246 es lo adecuado.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 21
TA B L A D E E C U A C I O N E S
A
Captulo 1.1

1
fX (x) = ba con a 6 x 6 b
Distribucin uniforme
a+b
X = E(X) = 2
2
2X = Var(X) = (ba)
12

 2
1 xX

Distribucin normal fX (x) = 1

X 2
e 2 X
< x <
XX
Z= X

fX (x) = ex , 0 6 x
Distribucin exponencial
1
X = E(X) =
1
2X = Var(X) = 2

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 23
tabla de ecuaciones

a.1 distribucin normal estndar acumulada

24 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
A.1 distribucin normal estndar acumulada

Distribucin normal estndar acumulada


Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.5 0.00023 0.00022 0.00022 0.00021 0.0002 0.00019 0.00019 0.00018 0.00017 0.00017
-3.4 0.00034 0.00032 0.00031 0.0003 0.00029 0.00028 0.00027 0.00026 0.00025 0.00024
-3.3 0.00048 0.00047 0.00045 0.00043 0.00042 0.0004 0.00039 0.00038 0.00036 0.00035
-3.2 0.00069 0.00066 0.00064 0.00062 0.0006 0.00058 0.00056 0.00054 0.00052 0.0005
-3.1 0.00097 0.00094 0.0009 0.00087 0.00084 0.00082 0.00079 0.00076 0.00074 0.00071
-3 0.00135 0.00131 0.00126 0.00122 0.00118 0.00114 0.00111 0.00107 0.00104 0.001
-2.9 0.00187 0.00181 0.00175 0.00169 0.00164 0.00159 0.00154 0.00149 0.00144 0.00139
-2.8 0.00256 0.00248 0.0024 0.00233 0.00226 0.00219 0.00212 0.00205 0.00199 0.00193
-2.7 0.00347 0.00336 0.00326 0.00317 0.00307 0.00298 0.00289 0.0028 0.00272 0.00264
-2.6 0.00466 0.00453 0.0044 0.00427 0.00415 0.00402 0.00391 0.00379 0.00368 0.00357
-2.5 0.00621 0.00604 0.00587 0.0057 0.00554 0.00539 0.00523 0.00508 0.00494 0.0048
-2.4 0.0082 0.00798 0.00776 0.00755 0.00734 0.00714 0.00695 0.00676 0.00657 0.00639
-2.3 0.01072 0.01044 0.01017 0.0099 0.00964 0.00939 0.00914 0.00889 0.00866 0.00842
-2.2 0.0139 0.01355 0.01321 0.01287 0.01255 0.01222 0.01191 0.0116 0.0113 0.01101
-2.1 0.01786 0.01743 0.017 0.01659 0.01618 0.01578 0.01539 0.015 0.01463 0.01426
-2 0.02275 0.02222 0.02169 0.02118 0.02068 0.02018 0.0197 0.01923 0.01876 0.01831
-1.9 0.02872 0.02807 0.02743 0.0268 0.02619 0.02559 0.025 0.02442 0.02385 0.0233
-1.8 0.03593 0.03515 0.03438 0.03362 0.03288 0.03216 0.03144 0.03074 0.03005 0.02938
-1.7 0.04457 0.04363 0.04272 0.04182 0.04093 0.04006 0.0392 0.03836 0.03754 0.03673
-1.6 0.0548 0.0537 0.05262 0.05155 0.0505 0.04947 0.04846 0.04746 0.04648 0.04551
-1.5 0.06681 0.06552 0.06426 0.06301 0.06178 0.06057 0.05938 0.05821 0.05705 0.05592
-1.4 0.08076 0.07927 0.0778 0.07636 0.07493 0.07353 0.07215 0.07078 0.06944 0.06811
-1.3 0.0968 0.0951 0.09342 0.09176 0.09012 0.08851 0.08691 0.08534 0.08379 0.08226
-1.2 0.11507 0.11314 0.11123 0.10935 0.10749 0.10565 0.10383 0.10204 0.10027 0.09853
-1.1 0.13567 0.1335 0.13136 0.12924 0.12714 0.12507 0.12302 0.121 0.119 0.11702
-1 0.15866 0.15625 0.15386 0.15151 0.14917 0.14686 0.14457 0.14231 0.14007 0.13786
-0.9 0.18406 0.18141 0.17879 0.17619 0.17361 0.17106 0.16853 0.16602 0.16354 0.16109
-0.8 0.21186 0.20897 0.20611 0.20327 0.20045 0.19766 0.19489 0.19215 0.18943 0.18673
-0.7 0.24196 0.23885 0.23576 0.2327 0.22965 0.22663 0.22363 0.22065 0.2177 0.21476
-0.6 0.27425 0.27093 0.26763 0.26435 0.26109 0.25785 0.25463 0.25143 0.24825 0.2451
-0.5 0.30854 0.30503 0.30153 0.29806 0.2946 0.29116 0.28774 0.28434 0.28096 0.2776
-0.4 0.34458 0.3409 0.33724 0.3336 0.32997 0.32636 0.32276 0.31918 0.31561 0.31207
-0.3 0.38209 0.37828 0.37448 0.3707 0.36693 0.36317 0.35942 0.35569 0.35197 0.34827
-0.2 0.42074 0.41683 0.41294 0.40905 0.40517 0.40129 0.39743 0.39358 0.38974 0.38591
-0.1 0.46017 0.4562 0.45224 0.44828 0.44433 0.44038 0.43644 0.43251 0.42858 0.42465
0 0.5 0.49601 0.49202 0.48803 0.48405 0.48006 0.47608 0.4721 0.46812 0.46414

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 25
tabla de ecuaciones

Distribucin normal estndar acumulada


Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.5 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.5279 0.53188 0.53586
0.1 0.53983 0.5438 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.6293 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.6591 0.66276 0.6664 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.7054 0.70884 0.71226 0.71566 0.71904 0.7224
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.7549
0.7 0.75804 0.76115 0.76424 0.7673 0.77035 0.77337 0.77637 0.77935 0.7823 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.8665 0.86864 0.87076 0.87286 0.87493 0.87698 0.879 0.881 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.9032 0.9049 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.9222 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.9452 0.9463 0.94738 0.94845 0.9495 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.9608 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.9732 0.97381 0.97441 0.975 0.97558 0.97615 0.9767
2 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.9803 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.983 0.98341 0.98382 0.98422 0.98461 0.985 0.98537 0.98574
2.2 0.9861 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.9884 0.9887 0.98899
2.3 0.98928 0.98956 0.98983 0.9901 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.9918 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 0.9943 0.99446 0.99461 0.99477 0.99492 0.99506 0.9952
2.6 0.99534 0.99547 0.9956 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 0.9972 0.99728 0.99736
2.8 0.99744 0.99752 0.9976 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.999
3.1 0.99903 0.99906 0.9991 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.9994 0.99942 0.99944 0.99946 0.99948 0.9995
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.9996 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.9997 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.9998 0.99981 0.99981 0.99982 0.99983 0.99983

26 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
BIBLIOGRAFA RECOMENDADA
B
1. Grabinsky J., Gua SAI de probabilidad y estadstica. Tronco general. Universi-
dad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217523/217523.html.

2. Rivera B. J., Probabilidad condicional. Universidad Autnoma Metropolitana.


Disponible en:
http://espartaco.azc.uam.mx/UAM/217423/217423.html.

3. Grabinsky J., Ramrez R. J., Rivera B. J., Alonso J., Lpez B. R., Problemas de pro-
babilidad y estadstica. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.

4. Ramrez R. J., Rivera B. J., Taller de probabilidad y estadstica. Espacio muestra


y eventos. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217404/217404.html.

5. Lpez B. R., Taller de probabilidad y estadstica. Tcnicas de conteo y probabili-


dad. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/223512/223512.html.

6. Gutirrez A. M. A., Variables aleatorias. Universidad Autnoma Metropolitana.


Disponible en:
http://espartaco.azc.uam.mx/UAM/223498/223498.html.

7. Meyer, Paul L., Introductory Probability and Statistical Applications", Ed.Addison


Wesley, 1965.

8. Walpole R. E. y Myers R. H., Probabilidad y Estadstica", Ed. Mc Graw Hill,1992.

9. Devore J.L., Probabilidad y Estadstica para Ingeniera y Ciencias", Ed. Int.Thompson


Editores, Mxico, 1998.

10. Montgomery D. C. y Runger G. C., Probabilidad y Estadstica Aplicada a laInge-


niera", Mc Graw Hill, 1996.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 27