UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL

Dra. María Teresita Rojas García

SEMANA 4

FUNCIONES DE PROBABILIDAD CONTINUA

Capacidades:

• Aplicar adecuadamente la distribución normal estándar en la solución

de problemas y en caso relacionados a su realidad.
• Manejar correctamente la tabla de probabilidades de la distribución
normal estándar.

1. Distribución Normal o de Gauss

Fue propuesta por Moivre en el s. XVIII (el mismo de la fórmula

de complejos), pero a la historia ha pasado con el sobrenombre
de distribución gaussina por el uso sistemático en los errores
de medida de datos astronómicos realizados por Gauss. ver
libro de Montgomery

Una variable aleatoria, X, que sigue una distribución normal de

media μ y desviación típica σ se designa por N(μ,σ) si se cumlen
las siguientes condiciones.

1.1. Función de densidad de probabilidad

Dada por la expresión:

𝟏 𝒙− 𝝁 𝟐
𝟏 − ( )
f (x)= 𝒆 𝟐 𝝈
𝝈√𝟐𝝅
donde:
-∞ < x < ∞ ; e = 2.71828 ; π = 3.14159

Parámetros: μ , σ ; con: -∞ < μ < ∞ ; σ>0

Se representa por : X N( μ , σ)

Curva de la distribución Normal

UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

1. Es una distribución simétrica con respecto a la media μ.

2. En el eje de las abscisas es asintótica en los extremos
3. Es Unimodal
4. El área del recinto determinado por la función y el eje de las abscisas (bajo
la curva) es igual a la unidad (1).
5. Tiene un máximo en la media μ
6. Crece hasta la media μ y decrece a partir de ella
7. Presenta dos puntos de inflexión μ - σ y μ + σ
8. La probabilidad o área encerrada bajo la curva se puede dividir en sub áreas
de la forma siguiente:

• (μ - σ < X < μ + σ), dentro del cual se encuentra el 68.3 % de datos

• (μ - 2σ < X < μ + 2σ), dentro del cual se encuentra el 95.45 % de datos

• (μ - 3σ < X < μ + 3σ), dentro del cual se encuentra el 99.73 % de datos

1.2. Estandarización de la variable X

Para poder hallar las probabilidades se tiene que estandarizar la

v.a. x, mediante la relación:

𝑿−𝝁
𝒛=
𝝈
UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

Donde;
Z : valor estandarizado (aproximadamente a 2 decimales), varia
desde -4 a +4

μ : Media

𝝈: 𝑫𝒆𝒔𝒗𝒊𝒂𝒄𝒊ó𝒏 𝒆𝒔𝒕á𝒏𝒅𝒂𝒓

2. Distribución Normal Estándar o Tipificada

La distribución normal estándar o tipificada o reducida n(0, 1), es

la que tiene por media μ = 0 y desviación estándar 𝝈 = 𝟏 .

Función de densidad de probabilidad

𝟏
𝟏 − (𝒁 )𝟐
f (x)= 𝒆 𝟐
√𝟐𝝅

Función de Distribución

𝟐
𝒛 𝟏 −𝟏𝟐(𝒁)
F (Z)= P( Z ≤ z ) =∫−∞
√𝟐𝝅
𝒆

z = -4 z=4
UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

Ejemplo 1.

Sea X: Tiempo de procesamiento de cierto producto (minutos)

X: 75 66 85 68 74 76 80 82
Estandarice los valores de la variable de esta población.
Solución
- Primero hallamos la media y la desviación estándar y luego
estandarizamos os valores de X, mediante la fórmula de Z.

2.1. Manejo de la Tabla Normal Estándar

La Tabla nos da las probabilidades de P (Z ≤ z), siendo Z la variable

estandarizada.

Ejemplo 2
Considerando el ejemplo anterior halle la probabilidad de que el tiempo
de un proceso elegidos al azar sea:
a) Menos de 85 minutos.
b) Más de 66 minutos, pero menos de 76 minutos.
c) ¿Desde qué valor empieza el mayore tiempo de proceso del producto
o el límite inferior para una probabilidad de 0.05?
Usemos la distribución de Probabilidad Normal en EXCEL.
 UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

Ejemplo 3
Se supone que los resultados de un examen siguen una distribución
normal con media 78 y desviación típica 36. Se pide:
a) ¿Cuál es la probabilidad de que un estudiante que se presenta el
examen obtenga una calificación superior a 72 y qué porcentaje de
alumnos tuvieron superior a 72?
b) Si se sabe que la calificación de un estudiante es mayor que 72 ¿cuál es
la prioridad de que su calificación sea, de hecho, superior a 84?
c) Desde que nota comienza o halle el límite inferior del mejor 25% de
puntajes.

Solución:
v.a. X : Puntaje de un examen de un estudiante
X : (𝝁 = 𝟕𝟖 ; 𝝈 = 𝟑𝟔)

a) 𝑷( 𝒙 > 𝟕𝟐 )
𝟕𝟐−𝟕𝟖
= 𝟏 − 𝑷 (𝒛 < )
𝟑𝟔

= 𝟏 − 𝑷 ( 𝒛 = −𝟎. 𝟏𝟕)
-0.17 = 𝟏 − 𝟎. 𝟒𝟑𝟐𝟓𝟏
= 𝟎. 𝟓𝟔𝟕𝟒𝟗

El porcentaje de alumnos que tuvieron una calificación mayor a 72

puntos es: 0.56749 *100 = 56.75%

b) 𝑷(𝑿 > 𝟖𝟒 / 𝑿 > 𝟕𝟐 )

𝑷[ 𝒙 > 𝟖𝟒 ∩ 𝒙 > 𝟕𝟐 ) 𝑷( 𝒙 > 𝟖𝟒) 𝟎.𝟒𝟑𝟔𝟒
= = = = 𝟎. 𝟕𝟕𝟒
𝑷((𝒙 > 𝟕𝟐) 𝑷(𝒙 > 𝟕𝟐) 𝟎.𝟓𝟔𝟑𝟔

d) Desde que nota comienza o halle el límite inferior del mejor 25% de
puntajes.

x =zσ + μ
UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

Valor de z para una probabilidad de 0.75

Es 0.67
0.25
Z 0

X x?

Luego el valor de x es:

X = 0.67 *36 + 78 = 102.3
El límite inferior de los mejores 25% de puntajes empieza en 102.3 puntos

Ejemplo 4
Si X es una variable aleatoria de una distribución N(µ, σ), hallar:
P(µ−3σ ≤ X ≤ µ+3σ)

0.99865 - 0.00135 = 0.9973

Es decir, que aproximadamente el 99.73% de los valores de X están a

menos de tres desviaciones típicas de la media.

Ejemplo 5

Una fábrica que produce neumáticos, con una vida media de útil de 85 mil
kilómetros y una desviación estándar de 8,3 mil kilómetros. si siguen una
distribución normal. Halle la probabilidad de:
a) Que un neumático dure más de 98 mil kilómetros.
b) Que un neumático dure entre 73 y 88 mil kilómetros.
c) Si el 50,798%de los neumáticos duran entre X1 y X2 mil kilómetros.
Halle los valores de X1 y X2, si son simétricos con respecto a la
media.
UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

d) Desde que tiempo de vida empieza el mejor 15% de neumáticos.

Ejemplo 6

Una máquina que regula la cantidad de hormona a dispensar para preparar

una droga puede ser ajustada para dispensar una media de µ mililitros. Se
sabe que la cantidad de hormona dispensada sigue una distribución
normal con desviación estándar de 0.4 mililitros, si la maquina descarga
más de 6 mililitros, la droga obtenida es rechazada, determine el valor de µ
necesario para que solo el 1% de la droga procesada sea rechazada.

3.2. Aproximación de la Binomial por la Normal

Teorema de MOIVRE

Vamos a representar en un sistema de referencia distribuciones

binomiales para distintos valores de n y p=0,3.
UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

Queremos aproximar estas distribuciones a una distribución normal

estándar:

Se puede apreciar
en los gráficos
anteriores, como a
medida que aumenta
n mejora el parecido
de las gráficas
de barras de las

distribuciones binomiales (discretas) a la gráfica de la distribución normal

estándar (continua), pero con el inconveniente de que se produce un
desplazamiento hacia la derecha de la distribución binomial a medida que
aumenta n
UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

Distribución binomial
UNT - ESTADISTICA II - IV CICLO - INGENIERIA INDUSTRIAL
Dra. María Teresita Rojas García

Ejemplos