UAGRM

Facultad Integral del Norte

1
Estadística Matemática
Ing. René Alfredo Ovando P

DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES

CONTINUAS
1.7. DISTRIBUCION NORMAL

Una distribución de probabilidad continua que es muy importante es la distribución normal. Varios
matemáticos han contribuido a su desarrollo, entre lo que podemos contar al astrónomo-matemático del
siglo XIX Kart Gauss. En honor a su trabajo, la distribución de probabilidad normal a menudo también
se la llama distribución gaussiana.

La distribución normal se representa gráficamente con una curva que tiene las siguientes características:
(1) La curva tiene un solo pico; por tanto, es unimodal. Tiene la forma de campana.
(2) La media de una población distribuida normalmente cae en el centro de su curva normal.
(3) Debido a la simetría de la distribución normal, la mediana y al moda se encuentran también en
el centro; en consecuencia, para una curva normal, la media, la mediana y la moda tienen el
mismo valor.
 UAGRM
Facultad Integral del Norte
2
Estadística Matemática
Ing. René Alfredo Ovando P

(4) Los dos extremos de la distribución normal se extienden indefinidamente y nunca tocan el eje
horizontal.

La mayor parte de las poblaciones reales no se extienden de manera indefinida en ambas direcciones;
pero para estas poblaciones, la distribución normal es una aproximación conveniente.

Una variable aleatoria continua sigue una distribución normal si su función de densidad es:

donde  X y  X coinciden respectivamente con la media y la desviación típica de la variable aleatoria.

La gráfica de esta función tiene forma de campana y se conoce con el nombre de campana de Gauss.

Existen dos razones básicas por las cuales la distribución normal ocupa un lugar tan prominente en la
estadística:
o Tiene algunas propiedades que la hacen aplicable a un gran número de situaciones en la que es
necesario hacer inferencias mediante la toma de muestras.
o La distribución normal casi se ajusta a las distribuciones de frecuencias reales observadas en
muchos fenómenos, incluyendo características humanas, resultados de procesos físicos y muchas
otras medidas de interés para los administradores, tanto en el sector público como en el privado.

Propiedad: No importa cuáles sean los valores de µ y σ para una distribución de probabilidad normal, el
área total bajo la curva siempre es 1, de manera que podemos pensar en áreas bajo la curva como si
fueran probabilidades. Matemáticamente es verdad que:
1. Aproximadamente el 68% de todos los valores de una población normalmente distribuida se
encuentra dentro de ± 1 desviación estándar de la media.
2. Aproximadamente el 95.5% de todos los valores de una población normalmente distribuida se
encuentra dentro de ± 2 desviaciones estándar de la media.
3. Aproximadamente el 99.7% de todos los valores de una población normalmente distribuida se
encuentra dentro de ± 3 desviaciones estándar de la media.
 UAGRM
Facultad Integral del Norte
3
Estadística Matemática
Ing. René Alfredo Ovando P

Relación entre el área bajo la curva de distribución normal de probabilidad y la distancia a la media
medida en desviaciones estándar.

Estas gráficas muestran tres formas diferentes de medir el área bajo la curva normal. Sin embargo, muy
pocas de las aplicaciones de la distribución normal de probabilidad implican intervalos de exactamente
(más o menos) 1, 2 ó 3 desviaciones estándar a partir de la media. Para estos casos existen tablas
estadísticas que indican porciones del área bajo la curva normal que están contenidas dentro de cualquier
número de desviaciones estándar (más o menos) a partir de la media.

Afortunadamente también se puede utilizar una distribución de probabilidad normal estándar para
encontrar áreas bajo cualquier curva normal. Con esta tabla se determina el área o la probabilidad de que
la variable aleatoria distribuida normalmente esté dentro de ciertas distancias a partir de la media. Estas
distancias están definidas en términos de desviaciones estándar.

Para cualquier distribución normal de probabilidad, todos los intervalos que contienen el mismo número
de desviaciones estándar a partir de la media contendrán la misma fracción del área total bajo la curva
para cualquier distribución de probabilidad normal. Esto hace que sea posible usar solamente una tabla
de la distribución de probabilidad normal estándar.
 UAGRM
Facultad Integral del Norte
4
Estadística Matemática
Ing. René Alfredo Ovando P

El valor de z está derivado de la fórmula:

En la que:
 x = valor de la variable aleatoria de interés.
x  µ = media de la distribución de la variable aleatoria.
 σ = desviación estándar de la distribución.
z=
  z = número de desviaciones estándar que hay desde x a la media de la
distribución. (El uso de z es solamente un cambio de escala de
medición del eje horizontal)

Ejemplo: El gerente del taller “Condorito”, de lubricación de automóviles, está tratando de revisar su
política de pedido de aceite especial Premium. Actualmente, ordena 110 litros por semana, pero se queda
sin ellos una de cada cuatro semanas. Sabe que, en promedio, el taller utiliza 95 litros por semana.
También está dispuesto a suponer que la demanda de aceite está normalmente distribuida.
(a) ¿Cuál es la desviación estándar de esta distribución?
(b) Si el gerente desea pedir el número suficiente de litros de aceite para que la probabilidad de que se
quede sin ellos en una semana cualquiera no sea mayor a 0.2, ¿cuántos litros de aceite deberá pedir a la
semana?

Resolución
µ = 95 litros/semana
σ=?
(a) 𝑋− 𝜇
𝑧=
𝜎
De tabla normal para p = 0,75
se tiene z = 0,68 reemplazando

110 − 95
0,68 =
𝜎

Y despejando
110 − 95
𝜎= = 22,06
0,68

(b) 𝑋− 𝜇
𝑧=
𝜎
De tabla normal para p = 0,80
se tiene z = 0,84 reemplazando:

𝑋 − 95
0,84 =
22,06
 UAGRM
Facultad Integral del Norte
5
Estadística Matemática
Ing. René Alfredo Ovando P

Y despejando
𝑋 = 95 + (0,84)(22,06)
= 113,53 𝑙𝑖𝑡𝑟𝑜𝑠

Ejemplo: Suponga que el diámetro promedio de un determinado repuesto producidas por una fábrica es
de 0,25 pulgadas, y una desviación estándar de 0,02 pulgadas. También suponga que los diámetros de
los repuestos tienen distribución normal. Un repuesto es considerado defectuoso si su diámetro es mayor
que 0,28 pulgadas o menos que 0,20 pulgadas.
(a) Encuentre el porcentaje de repuestos defectuosos.
(b) ¿Cuál debe ser la medida mínima para que tengamos a lo más 12% de repuestos defectuosos?

Resolución
(a) 𝑋1 − 𝜇 0,20 − 0,25
𝑍1 = = = −2,5
𝜎 0,02

De tabla normal para z = 2,5

se tiene p = 0,9938
P(X<0,20) = 1-0,9938 = 0,0062

𝑋2 − 𝜇 0,28 − 0,25
𝑍2 = = = 1,5
P(defectuoso) = P(X<0,20) + P(X>0,28) 𝜎 0,02

P(defectuoso) = 0,0062 + 0,0668 = De tabla normal para z = 1,5

0,073 se tiene p = 0,9332
Resp: La probabilidad que sea P(X>0,28) = 1-0,9332 = 0,0668
defectuoso es de 7.3%
aproximadamente.
(b) 𝑋1 − 𝜇
𝑧=
𝜎
De tabla normal para p = 1-0,06 = 0,94
se tiene z = 1,55 reemplazando:

𝑋1 − 0,25
−1,55 =
0,02
Y despejando
De los 12% de defectuoso, se asigna 6% 𝑋1 = 0,25 − (1,55)(0,02)
menores y 6% mayores. = 0,219 𝑝𝑢𝑙𝑔𝑎𝑑𝑎𝑠

Resp: Para tener a lo más un 12% Para encontrar X2, el valor de z es el mismo
defectuoso, las medidas mínimas deben pero en este caso positivo
ser 0,219 a 0, 281 pulgadas. 𝑋2 = 0,25 + (1,55)(0,02)
= 0,281 𝑝𝑢𝑙𝑔𝑎𝑑𝑎𝑠
 UAGRM
Facultad Integral del Norte
6
Estadística Matemática
Ing. René Alfredo Ovando P

Ejemplo: Un brazo mecánico consta de 3 partes. Suponga que X1, X2 y X3 son producidos por diferentes
fábricas y cuya distribución de la longitud de cada una está dado por:
X1  N(24;0,03) = N(media; varianza)
X2  N(18;0,04) = N(media; varianza)
X3  N(12;0,02) = N(media; varianza)

donde la media está dado en centímetros y la varianza en centímetros cuadrados. Calcular la probabilidad
que la longitud del brazo esté comprendido entre 53,8 y 54,2 centímetros.

Resolución

Parte 2
Parte 1
Parte 3

Parte 1: Media1 = 24 cm
Para X1:
Var1 = 0,03 cm
Parte 2: Media2 = 18 cm 𝑋1 − 𝜇 53,8 − 54
Var2 = 0,04 cm 𝑍1 = = = −0,6667
𝜎 0,3
Parte 3: Media3 = 12 cm
Var3 = 0,02 cm De tabla normal para z = 0,6667
se tiene p = 0,7475 – 0,5 = 0,2475
Para el brazo mecánico tenemos:
Para X2:
𝜇 = 𝜇1 + 𝜇2 + 𝜇3 = 54 𝑐𝑚
𝑋2 − 𝜇 54,2 − 54
𝜎 = √𝜎12 + 𝜎22 + 𝜎32 = 0,30 𝑐𝑚 𝑍2 = = = 0,6667
𝜎 0,3

P(53,8 ≤ X ≤ 54,2) = 0.2475 + 0,2475 = 0,495 De tabla normal para z = 0,6667

se tiene p = 0, 7475 – 0,5 = 0,2475
Resp: La probabilidad que la longitud del brazo
mecánico se encuentre entre 53,8 a 54,2 cm es de
49,5% aproximadamente.

1.8. APROXIMACIÓN DE LA DIST. BINOMIAL A LA DIST. NORMAL

Una variable que tiene comportamiento binomial, y cuando el tamaño muestral es mayor a 50 unidades,
debe realizarse la aproximación a la distribución normal.

Para esto se considera que la media está dada por el producto de la probabilidad de éxito y el tamaño
muestral. Su dispersión está dada por la raíz cuadrada del producto de la probabilidad de éxito, la
probabilidad de fracaso y el tamaño muestral.
 UAGRM
Facultad Integral del Norte
7
Estadística Matemática
Ing. René Alfredo Ovando P

Ejemplo: La probabilidad que un disparo acierte en el blanco es de 9/19. Calcular la probabilidad que
en 100 disparos se acierte por lo menos 45.

Resolución:
Probabilidad de éxito  p = 9/19
Probabilidad de fracaso  q = 1- p = 10/19
n = 100

(𝑋 − 0,5) − 𝜇
𝑧=
𝜎
(45 − 0,5) − 47,37
𝑧= = −0,57
4,99

De tabla normal para z = 0,57

se tiene p = 0,7157

µ = n*p = (100)*(9/19) = 47,3684
9 10
σ = √n ∗ p ∗ q = √(100) (19) (19 ) = 4,99
P(X>45) = 0,7157
Resp: La probabilidad de que hayan por
lo menos 45 aciertos es de
aproximadamente el 71,57%

1.9. DISTRIBUCION t de STUDENT

La distribución-t o distribución t de Student es una distribución de probabilidad que surge del

problema de estimar la media de una población normalmente distribuida cuando el tamaño de la muestra
es pequeño. Ésta es la base del popular test de la t de Student para la determinación de las diferencias
entre dos medias muestrales y para la construcción del intervalo de confianza para la diferencia entre las
medias de dos poblaciones.

La distribución t surge, en la mayoría de los estudios estadísticos prácticos, cuando la desviación típica
de una población se desconoce y debe ser estimada a partir de los datos de una muestra.

Ejemplo: En la siguiente tabla se muestran las mediciones de la temperatura en un horno:

 UAGRM
Facultad Integral del Norte
8
Estadística Matemática
Ing. René Alfredo Ovando P

Medición 1 2 3 4 5 6 7 8 9
Grados 120,5 165,8 147,5 132,0 148,6 174,5 198,4 196,4 168,4

Medición 10 11 12 13 14 15 16 17 18
Grados 150,7 164,8 179,4 165,4 194,5 167,1 184,2 170,4 164,8
(a) ¿Cuál es la probabilidad que el horno esté a una temperatura superior a 180 grados?
(b) ¿Cuál es la probabilidad que el horno esté a una temperatura inferior a 160 grados?
(c) ¿Cuál es la probabilidad que el horno tenga una temperatura entre 155 a 175 grados?

Resolución:
(a) 𝑋− 𝑋 180 − 166,3
𝑡= = = 2,8464
𝑆 20,42
√𝑛 √18
Para t = 2,8464 y gl = n-1 = 17, de tabla
se tiene que p = 0,0056
Resp: La probabilidad de que el horno
esté a una temperatura superior a 180
grados es de aproximadamente el 0,56%
(b) 𝑋− 𝑋 160 − 166,3
𝑡= = = 1,3089
𝑆 20,42
√𝑛 √18
Para t = 1,3089 y gl = n-1 = 17, de tabla
se tiene que p = 0,1040
Resp: La probabilidad de que el horno
esté a una temperatura inferior a 160
grados es de aproximadamente el 10,4%
(c) 𝑋2 − 𝑋 175 − 166,3
𝑡2 = = = 1,8076
𝑆 20,42
√𝑛 √18
Para t = 1,8076 y gl = n-1 = 17, de tabla
se tiene que p = 0,0442

P(155 ≤ X ≤ 175) = 1- (0.0156 + 0,0442)

= 0,9402
Resp: La probabilidad de que el horno
𝑋1 − 𝑋 155 − 166,3 tenga una temperatura entre 155 a 175
𝑡1 = = = −2,3478
𝑆 20,42 grados es de aproximadamente el 94,02%
√𝑛 √18
Para t = 2,3478 y gl = n-1 = 17, de tabla se
tiene que p = 0,0156
 UAGRM
Facultad Integral del Norte
9
Estadística Matemática
Ing. René Alfredo Ovando P

1.10. DISTRIBUCION EXPONENCIAL

Si la probabilidad de que ocurra un suceso es independiente del tiempo que ha transcurrido desde el
último suceso, entonces la variable "tiempo entre sucesos" tiene distribución exponencial.

 La esperanza es 1/λ (lambda) y la varianza es 1/ λ 2

Ejemplos de este tipo de distribución:

 El tiempo que tarda una partícula en desintegrarse. El conocimiento de la ley que sigue este
evento se utiliza en Ciencia para, por ejemplo, la dotación de fósiles o cualquier materia orgánica
mediante la técnica del Carbono 14.
 El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente.
 En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo
iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un
modelo probabilístico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos
veces una herida importante.

Esta distribución se puede usar en diversos casos tales como: el tiempo que tardara una máquina de
cajero automático en entregar efectivo. Esta función puede usarse para determinar la probabilidad de que
el proceso tarde como máximo un minuto. La llegada de vehículos a una caseta de peaje, el arribo de
vehículos a una estación de servicios, la llegada de clientes a una ventanilla en un banco, en una tienda
comercial, supermercado, etc. Es decir, todo fenómeno que genere la formación de una “cola”, puede ser
estudiado como un modelo exponencial en donde la variable se define como la longitud de cola, el tiempo
de arribo, tiempos de servicio, etc.

La ecuación de la distribución
exponencial es:

f(x, )=  e   x

La distribución acumulada
está dada por:

F(x, )= 1- e   x

Siendo λ el valor del parámetro (promedio) y x el valor de la variable aleatoria.

 UAGRM
Facultad Integral del Norte
10
Estadística Matemática
Ing. René Alfredo Ovando P

Ejemplo: El número promedio de recepción en un sistema de atención al cliente es de 3 por día.

¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud antes de 2 días?
𝐹 (𝑥, λ) = 1 − 𝑒 −λ𝑡 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑡𝑖𝑣𝑎
𝑃 (𝑥 ≤ 2) = 1 − 𝑒 −λ𝑡 𝑑𝑜𝑛𝑑𝑒 λ = 3 clientes/día
𝑃 (𝑥 ≤ 2) = 1 − 𝑒 −λ𝑡 = 1 − 𝑒 −3∗2 = 0,9975
La probabilidad de que el tiempo sea menor a 2 días es aproximadamente 99,75%

¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud exceda cinco días?
𝐹 (𝑥, λ) = 1 − 𝑒 −λ𝑡 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑡𝑖𝑣𝑎
𝑃 (𝑥 ≤ 5) = 1 − 𝑒 −λ𝑡
𝑃 (𝑥 > 5) = 1 − 𝑃 (𝑥 ≤ 5) = 1 − (1 − 𝑒 −λ𝑡 ) 𝑑𝑜𝑛𝑑𝑒 λ = 3 clientes/día
𝑃 (𝑥 > 5) = 𝑒 −λ𝑡 = 𝑒 −3∗5 = 3,0590 ∗ 10−7
La probabilidad de que el tiempo exceda 5 días es aproximadamente 3,0590x10 -5%

¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud sea menor de 10 días si ya han
pasado 5 días y no han llegado solicitudes?
𝐹 (𝑥, λ) = 1 − 𝑒 −λ𝑡 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑡𝑖𝑣𝑎
𝑃 (5 < 𝑥 < 10)
𝑃 (𝑥 < 10|𝑥 > 5) = 𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑒 𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑎𝑙
𝑃 (𝑥 > 5)
𝑃(𝑥 < 10) − 𝑃(𝑥 < 5) (1 − 𝑒 −3∗10 ) − (1 − 𝑒 −3∗5 )
𝑃(𝑥 < 10|𝑥 > 5) = = = 0,99999
1 − 𝑃(𝑥 > 5) 1 − (1 − 𝑒 −3∗5 )
La probabilidad de recibir una solicitud en menos de 10 días, pasado ya 5 días es
aproximadamente 99,999%

1.11. APLICACION EN EXCEL DE LA DISTRIBUCION NORMAL

Sea la variable aleatoria el gasto semanal de un estudiante universitario. Se conoce que el promedio de
gastos es de $86 y la desviación estándar de $12,50.
(a) Calcular la probabilidad que un estudiante seleccionado al azar gaste menos de $100 a la semana.
 UAGRM
Facultad Integral del Norte
11
Estadística Matemática
Ing. René Alfredo Ovando P

Datos:
µ = $86
σ = $12.5

Calcular: P(X ≤ 100) = ?

X=100

Ingresar a EXCEL, colocar los datos y luego insertar una función en la categoría de “Estadísticas”, luego
seleccionar “DISTR.NORM”

Al “Aceptar” la función en la ventana ingresar primero el valor de la variable aleatoria, luego la media
aritmética, la desviación estándar y el valor de “1” para obtener la probabilidad acumulada desde menos
infinito hasta la variable igual a 100.
 UAGRM
Facultad Integral del Norte
12
Estadística Matemática
Ing. René Alfredo Ovando P

Al “Aceptar”, obtenemos el resultado donde indica que la probabilidad de que un estudiante gaste menos
de $100 durante una semana es de aproximadamente el 86,86%

(b) Calcular la probabilidad que un estudiante seleccionado al azar gaste más de $110 a la semana.
Datos:
µ = $86
σ = $12.5

Calcular: P(X ≥ 110) = ?

X=110

Observe que la probabilidad dado por EXCEL corresponde al área grande, por lo que para calcular el
área pequeño se debe utilizar el complemento, de esta forma se obtiene la respuesta: La probabilidad de
que un estudiante gaste más de $110 durante una semana cualquiera, es de aproximadamente el 2,74%.