Unidad IV

Variables Aleatorias Continuas.

Oscar R. Diaz
Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

UNIDAD 4
4.1 VARIABLES ALEATORIAS CONTINUAS.
Por Oscar Daz.

En esta unidad introducimos el concepto de variable aleatoria continua y su caracterizacin en tr-

minos de la funcin de densidad de probabilidad. Si una variable aleatoria es continua, entre dos
valores posibles de la variable existe un nmero infinito de posibles valores, aunque en la prctica
no se puedan distinguir unos de otros. Por lo tanto, no es posible contar el nmero de posibles
valores de una variable aleatoria continua. En estos casos, el clculo integral nos proporcionar las
herramientas para el clculo de probabilidades.

Considere, por ejemplo, el peso de un recin nacido en libras. Suponga que al momento de nacer el
peso se reporta hasta la libra ms cercana, de manera que un peso de 7 libras representa a cualquier
peso comprendido entre 6.5 y 7.4. Si se observa el peso de un gran nmero de recin nacidos se
puede construir un histograma como el de la figura (a), donde el rea de cada rectngulo es la pro-
babilidad aproximada de observar el peso respectivo y la suma de todas las reas de los rectngulos
es 1.

Suponga ahora que los pesos se miden hasta la dcima ms cercana. Ahora existen una mayor can-
tidad de datos que pueden ser reportados, como 6.4, 7.5, 7.8 y 9.0 libras. Un histograma de una
gran cantidad de estas lecturas sera como en (b) donde los rectngulos son ahora ms estrechos y
el histograma ms suavizado. Como antes, el rea de cada rectngulo es una probabilidad apro-
ximada y la suma de las reas de todos los rectngulos es 1.

En la figura (c) se muestra lo que sucede si los pesos son medidos con una precisin infinita. El
histograma resultante se aproxima a una curva suave a la cual representaremos por f ( x) y llama-
remos funcin de densidad de probabilidad de la variable aleatoria continua X . Esta funcin debe
cumplir algunos requerimientos bsicos y ser el objeto de estudio de esta unidad. Si bien no traba-
jaremos con los histogramas, no pierda de vista que sta funcin de densidad proviene siempre de
uno de ellos.

Unidad de Ciencias Bsicas 1

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

Funcin de Densidad de Probabilidad.

Relaciones Bsicas
La probabilidad que una variable aleatoria continua est entre dos valores y est dada por la
integral
b
P(a X b) f ( x)dx
a

La funcin f ( x) en la ecuacin anterior se conoce como funcin de densidad de probabilidad. La

probabilidad de que la variable aleatoria continua est entre dos valores y corresponde al rea
bajo la curva entre este par de valores, como se muestra en la figura (a)

(a) (b)

Pero Qu es una funcin de densidad de probabilidad? Para explicarlo, considere la figura (b). Si
0 y muy pequeo, entonces, la probabilidad que la variable est entre y + est dada por
el rea bajo la curva entre este par de valores:
P(a X a ) f (a)

Esta ecuacin puede ser reescrita de la siguiente manera

P(a X a )
f (a)

Y es esta forma la que nos proporciona la interpretacin de una funcin de densidad de probabili-
dad:
Funcin de Densidad de Probabilidad: Una funcin de densidad de probabilidad puede ser in-
terpretada como una probabilidad por unidad de longitud. Por tanto, las funciones de densidad
de probabilidad no son una probabilidad, son densidades y sus unidades son probabilidad por
unidad de longitud.

Propiedades de f(x)
Toda funcin de densidad de probabilidad debe satisfacer dos propiedades bsicas:

1. (x) 0 (no negatividad)

+
2. () = 1 (normalizacin)

Unidad de Ciencias Bsicas 2

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

Estas dos condiciones son todo lo que necesitamos para tener una funcin de densidad de probabi-
lidad legtima. Podemos dar ahora una definicin formal de lo que es una variable aleatoria continua

Definicin:

Una variable aleatoria continua es una variable aleatoria cuyas probabilidades pueden ser
descritas por una funcin de densidad de probabilidad.

El clculo de probabilidades para variables aleatorias continuas, involucran los siguientes tres tipos
de eventos:

1. P (a X b) , el evento donde la variable aleatoria asume los valores comprendidos entre

a y b como se ve en la siguiente figura.

b
P (a X b) f ( x )dx
a

Note que P(a X b) P (a X b) P (a X b) P (a X b) .

2. P ( X a ) , el evento donde la variable aleatoria es menor o igual que a (a lo sumo a, cuando

mucho a). Esta probabilidad equivale a P ( X a )
P( X a) a
P( X a)

f ( x)dx

3. P ( X b ) , el evento donde la variable aleatoria es mayor o igual que b (al menos b, por lo
menos b). Esta probabilidad equivale a P ( X b)

P ( X b)
P ( X b)
b
f ( x)dx

Nota: para el caso de variables aleatorias continuas P ( X a ) 0 . Una manera de explicarlo es a

partir de P(a X a ) f (a) Si hacemos que 0 entonces P(a X a ) P ( X a ) 0
.

Unidad de Ciencias Bsicas 3

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

Ejemplo 1: Una distribucin Uniforme. Sea que X represente una variable aleatoria continua de-
finida como la cantidad de tiempo (en minutos) requerido para procesar una aplicacin de crdito.
Suponga que X tiene una distribucin de probabilidad con funcin de densidad

0.5 4 x 6
f ( x)
0 en otro caso

a) Calcule P (4.5 X 5.5) y P ( X 5.5) b) Qu proporcin de aplicaciones de crditos tendrn

tiempos de procesamiento superiores a 5.5 minutos?

Solucin:

El grfico de f ( x) se muestra en (a). La primera probabilidad pedida corresponde al rea compren-

dida entre 4.5 y 5.5 como se ilustra en (b), y la segunda probabilidad se ilustra en (c)

f ( x) f ( x) f ( x)

Entonces:
5.5
a) P(4.5 X 5.5) 0.5dx (0.5) x
5.5
(0.5)(5.5 4.5) (0.5)(1) 0.5
4.5
4.5

6.0

0.5dx (0.5) x
6.0
P( X 5.5) (0.5)(6.0 5.5) (0.5)(0.5) 0.25
5.5
5.5

b) De acuerdo a este modelo, a la larga, el 25% de las aplicaciones de crditos tendrn tiempos de
procesamiento que excedan los 5.5 minutos.

Nota: intuitivamente una variable aleatoria uniforme describe la siguiente situacin: Sabemos que
los valores numricos de la variable aleatoria estn comprendidos entre un par de nmeros a y b
pero no sabemos nada ms. No existe ninguna razn que nos lleve a pensar que algunas regiones
son ms probables que otras. En este sentido, la distribucin uniforme modela una situacin de
completa ignorancia. La funcin de densidad puede ser escrita en este caso como

1
a xb
f ( x) b a
0 en otro caso

a b Unidad de Ciencias Bsicas 4

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

Ejemplo 2: Una distribucin lineal. Doscientos paquetes de menos de 2 libras, enviados usando el
servicio de correo express, fueron pesados resultando en una muestra de tamao 200 de la variable
aleatoria X = peso del paquete [en libras] de la poblacin de todos los paquetes de menos de 2
libras enviados usando este servicio. En la figura (a) se muestra el histograma de frecuencias relati-
vas que se obtuvo para la muestra. La forma del histograma sugiere que un modelo razonable para
la distribucin de X podra ser la distribucin triangular de la figura (b)

f ( x) f ( x)

Peso Peso

La ecuacin de esta recta est dada por

1
x 0 x2
f ( x) 2

0 en otro caso

Puede verificarse fcilmente que esta funcin cumple los requerimientos para ser una funcin de
densidad de probabilidad legtima.

Podemos usar esta funcin para encontrar, por ejemplo, la proporcin de paquetes de ms de 1.5
libras:
2.0
1 1 1 2 7
2 xdx 4 x
2 2.0
P( X 1.5) (2 1.52 )
1.5
1.5 4 16

En algunas situaciones podemos hacer uso de la simetra o de la forma en particular de la distribu-

cin para calcular las probabilidades. Por ejemplo, podemos aprovechar que la forma de la distribu-
cin es triangular para calcular

1 1 9
P( X 1.5) (base)(altura) (1.5)(0.75) entonces, por propiedad del complemento
2 2 16

9 7
P( X 1.5) 1 P( X 1.5) 1
16 16

Compruebe que puede usar este enfoque para calcular las dos probabilidades del ejemplo 1

Unidad de Ciencias Bsicas 5

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

4.2 Media y Desviacin Estndar de una Variable Aleatoria Continua.

Para el caso de una variable aleatoria continua la media y la varianza estn dadas por las expresiones
siguientes:

X E X x f ( x)dx

X2 E X 2 2 x
2
f ( x)dx X2

El valor esperado representa el promedio de valores que esperamos ver en un gran nmero de re-
peticiones independientes del experimento.

Ejemplo 3: Voltaje de un dispositivo electrnico. El voltaje a la salida de un dispositivo electrnico

est dado por la funcin de densidad de probabilidad siguiente

1
0 x 2
v( x) 2

0 en otro caso

a) Cul es el voltaje promedio? Interprete este valor

b) Cul es la desviacin estndar del voltaje?

Solucin:
2
a) V E X 1 1 x 2 2 1

x v( x)dx
0
x
2
dx
2 2
|0
4
4 2 V

a la larga, si midiramos el voltaje del dispositivo una y otra vez, el valor esperado sera 3.14 V.
2
1 1 x 3 2 1 4 2
b) V2 x v( x)dx V2 x dx |o 2 8 3 2 2 2
2 2 2

0
2 2 3 6 3 3

V
V V2
3

Algunas propiedades de la Media y Varianza

1. Si X 0 entonces EX 0 4. E aX b aE X b
2. Si a X b entonces a EX b 5. Var aX b a 2Var X

3. E g x g x f x dx

Unidad de Ciencias Bsicas 6

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

Ejemplo 4: Una relacin lineal. La temperatura TC a la cual cierta reaccin qumica se lleva a cabo
es una variable aleatoria con un valor esperado de 120C y una desviacin estndar de 2C. Cul es
el valor esperado y la desviacin estndar de la temperatura medida en F?

Solucin: la relacin entre ambas escalas de temperatura est dada por F 1.8C 32 . Sabemos
y Var TC 4 C . Entonces, por las propiedades 4 y 5:
2
que E TC 120C

TF 1.8TC 32

E TF E 1.8TC 32 1.8E TC 32 1.8(120) 32 248 F

Var TF Var 1.8TC 32 1.82 Var TC 1.82 (4) 12.96

TF 12.96 3.6F

4.3 Distribucin Acumulada para una Variable Aleatoria Continua.

La distribucin acumulada para una variable aleatoria continua est dada por la siguiente integral
x
F x P X x f t dt

Ejemplo 5: Concentracin de reactante. La concentracin de reactante es una variable aleatoria

con densidad de probabilidad

1.2( x x 2 ) 0 x 1
C ( x)
0 en otro caso

Calcule la funcin de distribucin acumulada y calcule a partir de ella

a) La probabilidad que la concentracin sea menor que 0.8.

b) La probabilidad que la concentracin sea mayor que 0.5.
c) La probabilidad que la concentracin est dentro de 0.1 de la media.

Solucin: para cualquier x entre 0 y 1, la funcin de distribucin acumulada se calcula a partir de

x
F x P X x f t dt

x
x
t2 t3 x 2 x3
C x P X x 1.2(t t )dt 1.2 1.2
2

0 2 3 0 2 3

Ahora resumimos de la siguiente manera:

0 x 0

x x3
2
C x 1.2 0 x 1
2 3
1 x 1

Esta funcin la podemos graficar resultando la siguiente figura:

Unidad de Ciencias Bsicas 7

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

Entonces:

0.82 0.83
a) P(C 0.8) C (0.8) 1.2 0.5888
2 3

0.52 0.53
b) P(C 0.5) 1 P(C 0.5) 1 C (0.5) 1 1.2 1 0.2 0.8
2 3
1
c) Con E X 1.2 x( x x 2 )dx 0.7
0

0.1 de la media = 0.7 0.1 0.6, 0.8

0.82 0.83 0.62 0.63

P(0.6 C 0.8) C (0.8) C (0.6) 1.2 1.2
2 3 2 3

P (0.6 C 0.8) 0.5888 0.3024 0.2864

En general podemos escribir las siguientes relaciones cuando usamos la funcin acumulada:

P X a F a
P X a 1 P X a 1 F (a )
P a X b F b F (a )

Unidad de Ciencias Bsicas 8

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

4.4 Distribucin Normal.

Muchas variables continuas como el peso y la altura de una persona adulta,
sus niveles de colesterol y triglicridos, se distribuyen de una manera muy QU ES NORMAL?
peculiar: su distribucin tiene una forma que se aproxima a una campana.
Por ejemplo, si tomramos una muestra aleatoria de 100 mujeres adultas,
Los investigadores mdicos han
medimos sus alturas y construimos un histograma con estos datos, ste po-
determinado lo que conocemos
siblemente sea similar al de la figura (a). Si el investigador incrementa el ta- como intervalos normales para
la presin sangunea, el coleste-
rol, niveles de azcar y triglicri-
dos por mencionar algunos. Por
ejemplo, el rango normal de la
presin sistlica es de 110 a 140.
El intervalo normal para los nive-
les de triglicridos para una per-
(a) (b) sona es de 30 a 200 mg/dl. Mi-
diendo stas variables, un m-
dico puede determinar si un pa-
ciente necesita o no tratamiento
para corregir determinada con-
dicin.

(c) (d) Cmo se determinan estos in-

tervalos? En este captulo anali-
mao de muestra y reduce el ancho de las clases, entonces el histograma zaremos como se hace.
lucira como en (b) y (c). Finalmente, si fuera posible medir todos los pesos
de todas las mujeres de El Salvador y graficar su histograma, ste lucira
como en (d), aproximndose a lo que conocemos como una distribucin nor-
mal.

Ninguna variable es perfectamente normal, ya que la distribucin normal es

una distribucin terica. Sin embargo, la distribucin normal se usa ampliamente por dos razones:
primero, aproxima el comportamiento de muchas variables en la naturaleza, y segundo, juega un
papel muy importante en muchos de los procedimientos inferenciales que sern tratados en las
unidades siguientes.

Como antes, no trabajaremos con los histogramas, sino con la distribucin normal que lo aproxima
que en general tendr la siguiente forma (note su simetra y su forma caracterstica de campana)

Hay muchas distribuciones normales diferentes. Se distin-

guen unas de otras por un par de nmeros a los que llama-
remos parmetros y que son justamente la media (que
es un parmetro de escala) y la desviacin estndar (pa-
rmetro de forma). Para indicar que una variable se com-
porta aproximadamente de manera normal, usaremos la

siguiente notacin: X N , 2 que se lee tiene aproximadamente una distribucin normal
o se distribuye aproximadamente normal o sigue una distribucin aproximadamente nor-
mal

Unidad de Ciencias Bsicas 9

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

La media de una distribucin normal describe dnde se centra la distribucin, y la desviacin es-
tndar describe la variabilidad de la distribucin con respecto al centro y por tanto define su
forma. En la siguiente figura se muestran varias distribuciones normales para valores diferentes de
ambos parmetros.

De la figura podemos concluir lo si-

guiente:

Para usar una determinada distribucin normal para

describir el comportamiento de una variable aleatoria
debemos especificar la media y la desviacin estndar.
Por ejemplo, podramos usar una distribucin normal con 7 libras y desviacin estndar 1
libra como el modelo para la distribucin de la variable aleatoria X = Peso al nacer de un recin
nacido. Si este modelo es una descripcin razonable de la distribucin de probabilidad, entonces
podemos usarlo para aproximar algunas probabilidades relacionadas con el peso al nacer. Por ejem-
plo, la probabilidad que el peso al nacer sea mayor que 8 libras, corresponde al rea sombreada en
(a). El rea de (b) corresponde a la probabilidad P 6.5 X 8 .

Desafortunadamente, el clculo de stas probabilidades no es sencillo. Sin embargo, podemos hacer

uso de hojas electrnicas, paquetes de estadstica o tablas de la distribucin normal estndar para
encontrar probabilidades.

Unidad de Ciencias Bsicas 10

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

La distribucin normal estndar.

La distribucin normal estndar es una distribucin normal con 0 1. Su funcin de densi-
dad se conoce como distribucin normal estndar y la representamos con Z . Su funcin de distri-
bucin acumulada se denota como z PZ z .

La funcin de densidad de la distribucin normal estndar se muestra en la siguiente figura.

Distribucin normal estndar Pocas variables, en la prctica, pueden ser modela-
das con la distribucin normal estndar, pero la po-
demos utilizar para calcular probabilidades de otras
distribuciones normales. Cuando se est interesado
en el clculo de probabilidades de cualquier otra
distribucin normal tenemos dos alternativas: el
uso de tecnologa o trasladamos el problema en un
problema equivalente que involucre el clculo de
reas bajo la distribucin normal estndar. Una tabla para la distribucin normal estndar es usada
luego para encontrar el rea deseada. En el apndice encontrar la tabla para la distribucin normal
estndar.

Uso de tablas para la distribucin normal estndar.

Toda variable que se distribuye normalmente puede ser transformada en una distribucin normal
estndar utilizando la siguiente relacin:
x
Z

Por ejemplo, en la figura siguiente se muestra la transformacin de la distribucin normal con media
10 y desviacin estndar 2 en una distribucin normal estndar con media cero y desviacin estn-
dar 1. Este proceso se conoce como
P( X x) z estandarizacin.

Una vez que los valores de han sido

0 transformados utilizando la expresin
anterior, se les conoce como valores
P( X x ) z. Los valores z representan el n-
mero de desviaciones estndar que
un valor particular de se aleja de la
media.

El resultado ms importante del proceso de estandarizacin es que el rea a la izquierda de , es

numricamente igual al rea a la izquierda de y que esta rea la encontraremos a partir de una
tabla.

Ejemplo 6: Asuma que es una variable aleatoria normal estndar. La tabla I del apndice propor-
ciona probabilidades de la forma z PZ z .

Unidad de Ciencias Bsicas 11

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

Para encontrar P Z 1.52 , como se observa en la siguiente figura, lea hacia abajo en la primera
columna de la tabla hasta encontrar el valor de 1.5. Luego, muvase horizontalmente hasta la co-
lumna 0.02 para formar el valor de z 1.52 Entonces, a partir de la tabla, habremos calculado
P Z 1.52 1.52 0.9357

P Z 1.52 1.52 0.9357

z 0.00 0.01 0.02 0.03
0.0 0.5000 0.5040 0.5080 0.5120
. . . . .
. . . . .
. . . . .
1.5 0.9332 0.9345 0.9357 0.9370
1.52

Las probabilidades que no son de la forma P Z z se calculan usando las reglas bsicas de pro-
babilidad y en ocasiones haciendo uso de la simetra de la distribucin normal.

Probabilidades de la forma P Z z o P Z z

P Z c P Z c 1 c

Probabilidades de la forma P a Z b

P a Z b b a

Ejemplo 7: Calcular las siguientes probabilidades

a) P 1.76 Z 0.58
Solucin: en este caso
P 1.76 Z 0.58 0.58 1.76 0.7190 0.0392 0.6798

Unidad de Ciencias Bsicas 12

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

b) P Z 1.96
Solucin: planteando complemento tenemos
P Z 1.96 1 1.96 1 0.9750 0.0250

0.0250

c) En ocasiones se est interesado en identificar los valores extremos (inusualmente grandes o

pequeos) en una distribucin. Cmo podra describir los valores ms extremos que forman el
5% de la distribucin normal estndar? (vea siguiente figura)
5% ms ex-
tremo

95% central

Solucin: Debido a la simetra de la distribucin normal, el 5% ms extremo est igualmente

dividido en ambas extremos o colas de la distribucin tal como se indica en la figura. Por lo
tanto, el rea a la izquierda de z* 0.95 0.025 0.9750
Si buscamos esta rea en la tabla de la distribucin normal estndar, vemos que corresponde a
un valor de z 1.96 . Por la simetra, los dos valores buscados son
z * 1.96 y z * 1.96

.
.
.

Ejemplo 8: Suponga que durante el cambio de luces del sistema de alumbrado pblico de San Sal-
vador se instalaron 2000 lmparas nuevas que tienen una vida til de 1000 horas con una desviacin
estndar de 200 horas. Suponga, adems, que la vida til de estas lmparas sigue una distribucin
aproximadamente normal.
a) Cul es la probabilidad de que una lmpara seleccionada al azar se queme en las primeras 700
horas de funcionamiento?

Unidad de Ciencias Bsicas 13

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

b) Cul es la probabilidad de que la vida til de la lmpara est entre 900 y 1300 horas?
c) Cuntas lmparas se espera que fallen entre 900 y 1300 horas?
d) Cul es la probabilidad que una lmpara dure exactamente 900 horas?
e) Despus de cuntas horas se espera que est el 10% de las lmparas con mayor duracin?

Solucin:
a) Sea X vida til de la lmpara que se instala. Sabemos que X N 1000, 200 2

200

1000
Entonces:

P X 700 P Z
700 1000
P Z 1.5 1.50 0.0668
200

0.0668

z = -1.50

900 1000 Z 1300 1000 P 0.5 Z 1.50

P 900 X 1300 P
b)
200 200
P 900 X 1300 P 0.5 Z 1.50 1.50 0.5

P 900 X 1300 0.9332 0.3085 0.6247

z = -0.50 z = 1.50
c) El nmero esperado de fallas est dado por el nmero total de lmparas multiplicado por la
probabilidad de falla en el intervalo. Entonces, el nmero esperado de lmparas que fallarn
entre 900 y 1300 horas = (2000)(0.6247)=1249.4 1250 lmparas.
d) Sabemos que en el caso de variables continuas P X 900 0
e) Esto corresponde al tiempo para el cual P X t 0.10 como se muestra en la siguiente
figura

Unidad de Ciencias Bsicas 14

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

0.10

Entonces, P X t 1 P X t 1 0.10 0.90 . De tablas encontramos que

1.28 0.8997
1.29 0.9015

Tomamos el valor de 0.8997 por estar ms cerca de 0.90 y z 1.28. Con este valor podemos en-
t
contrar el correspondiente valor de t en la expresin z

t z (1.28)200 1000 1256 horas. Cmo interpretamos el resultado? Podemos decir que des-
pus de 1256 horas de funcionamiento, esperaramos que slo el 10% de las lmparas (200 de ellas)
estn funcionando.

Ejemplo 9: Suponga que el tiempo necesario para inscribir asignaturas en la Facultad de Ingeniera
y Arquitectura es una variable aleatoria distribuida aproximadamente normal con media de 12 mi-
nutos y desviacin estndar de 2 minutos.

a) Cul es la probabilidad de que un estudiante tarde menos de 10 minutos para inscribir sus
asignaturas?
b) Cul es la probabilidad de que un estudiante tarde entre 9 y 12 minutos para inscribir?
c) Como algunos estudiantes no se desconectan adecuadamente, al administrador del sistema le
gustara desconectar del sistema automticamente a aquellos estudiantes que permanezcan
conectados demasiado tiempo (intencionalmente o por olvido). Entonces decide escoger este
tiempo de manera que slo el 1% de los estudiantes que se encuentren en el proceso de ins-
cripcin sean desconectados del sistema. Cul debera ser el valor de este tiempo?

Solucin: En este caso X N 12, 2 2

2

12

P X 10 P z
10 12
a) P z 1.00 1.00 0.1587
2

Unidad de Ciencias Bsicas 15

Universidad de El Salvador, Facultad de Ingeniera y Arquitectura

10
12

P 9 X 12 P
9 12 z 12 12 P 1.5 z 0.00
b)
2 2
P 9 X 12 (0.00) ( 1.50) 0.5000. 0.0668 0.4332

9 12
c) En este caso deseamos encontrar el valor de z tal que el rea a su derecha sea de 0.01
como se indica en la figura de abajo. El rea a la izquierda de este valor, por comple-
mento, es de 0.99. Si buscamos en la tabla el valor de z que deja detrs de s esta rea

0.01

12
resulta que es z 2.33. Esto corresponde a un valor de tiempo que est dado por
X z (2.33)(2) 12 16.66 17 min.
Si el sistema se programa para terminar conexiones despus de 17 min, slo cerca del
1% de estudiantes que an estn en el proceso de inscripcin sern desconectados an-
tes de terminar de inscribir asignaturas.

Unidad de Ciencias Bsicas 16