Clase 12 12.1 12.2

ESTADÍSTICA DESCRIPTIVA
Segundo Parcial
Profesora: Eva María Mera Intriago
Escuela Superior Politécnica del Litoral

Facultad de Ciencia Naturales y Matemáticas
Guayaquil, noviembre de 2021
Modelos estocásticos: Variables
aleatorias continuas
• Modelos aleatorios continuos

• Modelos de variables aleatorias continuas: Distribución
Uniforme continua, Distribución Normal, Distribución
Gamma y casos particulares; y, Distribución Beta
• Valores esperados de una variable aleatoria continua
• Cuantiles de una variable aleatoria continua
• Teorema de Chebyshev
• Aproximación de la Binomial y la Poisson a través de la
Normal
• Siguiente Capítulo: Vectores aleatorios
Estadística I 13/07/2022 2
Objetivos de aprendizaje
• Variables aleatorias continuas

• 4.1. Determinar probabilidades de eventos en un espacio
muestral continuo.
• 4.2. Determinar valores esperados de una variable
aleatoria continua cuando existan.
• 4.3. Reconocer los modelos estocásticos continuos más
usuales.
ESTADÍSTICA DESCRIPTIVA
CAPÍTULO 4: MODELOS ESTOCÁSTICOS

VARIABLES ALEATORIAS CONTINUAS
Profesora: Eva María Mera Intriago
Escuela Superior Politécnica del Litoral

Facultad de Ciencia Naturales y Matemáticas
Guayaquil, noviembre de 2020
Modelos aleatorios continuos
generalidades
• Cuando definimos variable aleatoria previamente para

variables aleatorias discretas teníamos:
• Un experimento estadístico
• Un espacio muestral asociado a este experimento (W,S)
• X es una variable aleatoria cuando y solo cuando a cada
elemento w de W , X le asigna un número real, esto es ,
• X: W → R
• Nótese que la definición de V.A no está ligada a la de

probabilidad, pero sí consigue interrelacionar los dos
conceptos.
• De la misma forma previamente definimos la función
acumulada de F de una variable aleatoria discreta(VAD)
F(x) = P(X  x); para todo x real
Esta definición
Estadística I también es válida para variables aleatorias que denominaremos continuas
13/07/2022 5
…viene Modelos aleatorios continuos
generalidades
• Si un experimento consiste en tomar una muestra de hombres y

mujeres y medirles su cintura en cm.
• Definimos la variable aleatoria X:
• A cada persona medida se le asigne la medida de su cintura
• Es evidente que W y X son un conjunto de números representables por
intervalos de número reales.
• X: W → R
• ¿Quién es W?
• Un intervalo entre 15 cm de un bebé hasta 300 cm de una persona con
sobrepeso u obesidad.
• ¿Qué valores representa X?
• Un intervalo con el valor mínimo encontrado que puede ser 15 o 16 cm,
según lo encontrado en la muestra hasta por ejemplo 100 cm o 200 cm.
• X es la medida de la cintura en cm, en lenguaje que todo el mundo
comprende.
Eventos en Espacios muéstrales
continuos
• ¿Cómo se justifica matemáticamente a los elementos de S,

esto es, a los eventos cuando el espacio muestral (W,S) es
continuo?.
• Los espacios muéstrales discretos son finitos o infinitos, pero
contables.
• Cuando W es una región de Rk, k entero positivo, el Espacio
Muestral es Continuo.
• Particularicemos ahora a k=1, es notorio que ahora hablamos
de una región en R, los subconjuntos de R son puntos e
intervalos, abiertos, cerrados o semiabiertos, que pueden ser
obtenidos utilizando un número finito o infinito contable de
operaciones sobre conjuntos, esto es, uniones, intersecciones,
diferencias, complementos, etc..
Conjunto constituido por un punto a en R
• Lo denotaremos por a, se lo obtiene como:
(

a −1 

• {a} = n =1 n , a  , siendo nZ+
• De igual manera los intervalos,

• (a, b) = (a, b] – {b}
• [a, b] = (a, b]  {a}
• [a, b) = {a}  {(a, b] – {b}}
• Mientras que:
• (a,) = (– , a]C
• Si se toma k = 2, pasaremos de puntos pertenecientes a la recta real, a puntos

en R2 y por tanto localizables a través de coordenadas bidimensionales, y
pasamos también de intervalos a “rectángulos”
Variable Aleatoria Continua
• Una Variable Aleatoria X, definida sobre un Espacio

Muestral (W, S) es continua cuando y solo cuando para
todo x real su Distribución Acumulada F es una función
continua en R.
F(x) = P(X  x); para todo x real
Densidad de una Variable Aleatoria
Continua f
• Si X es continua, entonces existe una función continua y

no negativa f tal que, para todo x real,
Función de densidad de la
Distribución acumulada de la
variable aleatoria X
variable aleatoria X
Soporte de una Variable Aleatoria
Continua
• El Soporte S de una Variable Aleatoria Continua X con

Densidad f es un subconjunto S en R tal que:
• S = {xR  f(x) > 0}
11
ASIGNACIÓN DE PROBABILIDADES A TRAVÉS
DE VARIABLES ALEATORIAS CONTINUAS
• Puesto que la Función Densidad f de una Variable

Aleatoria Continua es tal que f(x)  0 y se cumple
que, Puest1
• F´(x) = f(x), xR
P(X = a) = 0
La probabilidad de que un valor particular a de X ocurra,

nos referimos a P(X = a), siendo X continua y con
densidad f,
Visto de otra manera,
Nota tomada de la página 194 del libro
Probabilidad y Estadística, Fundamentos y Aplicaciones
(Segunda Edición)
En caso de que el lector continuare pensando que éste es un

resultado teórico que se opone a lo que su intuición indica y por tanto
a lo que realmente ocurre, le pedimos detenerse en la siguiente
argumentación: A una persona que por tradición siempre dice la
verdad, le preguntamos primero, cuantos hermanos vivos tiene y nos
contesta que tres, nosotros no tenemos razón para dudar de dicha
afirmación. A menos que su memoria falle, la persona tiene tres
hermanos vivos. El número X de hermanos vivos que tiene cualquier
persona es una Variable Aleatoria Discreta, nadie tiene dos hermanos
y medio, aunque una distribución de probabilidades discreta sí puede
tener media  igual a 2.5; pero si le preguntamos a esta persona que
siempre dice la verdad cuál es su estatura y nos dice que 1.72 mts.
(Segunda Edición)
¿Estamos obligados a creerle? ¿Tendrá esta persona el instrumental

que mida longitudes de manera “exacta”? ¿Cómo sería ese
instrumento de medida? No será que su estatura es 1.72 m. pero
con dos decimales de precisión. De ser así, bien puede ocurrir que
a tres decimales la estatura sea 1.723. ¿Cuánto será a cuatro
decimales de precisión? ¿A mil decimales? ¿Existe en este momento
un aparato que puede medir el valor de una Variable Continua, de
manera exacta? La respuesta es no. Lo que puede hacerse es
medirla con una determinada precisión, esto es, aproximada a lo
que sería su “verdadero valor”.
(Segunda Edición)
Aún los llamados “relojes atómicos” son simplemente instrumentos

de medida altamente precisos con respecto al verdadero tiempo
transcurrido, pero no son exactos. Si usted aún no está convencido
que
P(X = a) = 0, para X continua, aS,
no se opone a la realidad, le sugerimos leer nuevamente la

argumentación dada en este párrafo. La persona informante sigue
diciendo la verdad siempre, su verdad, lo que sí es cierto es que ella
tal vez no conoce que los números reales pueden redondearse para
efectos prácticos. Su realidad no pasa de dos decimales al reportar
estaturas y la verdad es que para la mayor cantidad de fines
prácticos esta precisión es más que suficiente, pero no exacta.
ATENCIÓN
• En definitiva, la probabilidad de que una Variable

Aleatoria X que es continua, tome un valor puntual a, es
cero. En el caso discreto, P(X = a) = f(a) y este valor
puede ser o no ser cero; concretamente si aS,
necesariamente P(X = a)  0.
• Si X es una Variable Aleatoria Continua, f(a) no
representa un valor de probabilidad, simplemente es el
valor de la densidad de X cuando X = a.
Probabilidad de una Variable Aleatoria
Continua
• Como consecuencia de lo previo, cuando X es continua,
P(a  X  b) = P({a}{a < X  b})

= P({a}) + P({a < X  b}) – P({a}{a < X  b})
= P({a < X  b})
= P({b}  {a < X < b})
= P({b}) + P({a < X < b}) – P({b}{a < X < b})
= P(a < X < b)
Probabilidad de una Variable Aleatoria
Continua
• Conclusión: Cuando X es continua, al determinar la

probabilidad de que X tome valores en un intervalo, es
irrelevante si se incluyen los dos extremos del intervalo,
si solo se incluye uno o no se incluyen los dos; esto es,
para constantes reales a y b tales que a < b,
P(a  X  b) = P(a < X  b)
= P(a  X < b)
= P(a < X < b)
= F(b) – F(a)
Valores Esperados de una v.a continua
Obtener la densidad y valores
Esperados para cualquier v.a continua
Distribución Acumulada de cualquier
v.a X
Ejemplo 4.1
Se conoce que el tiempo de vida útil, en años, de una máquina

troqueladora previo a que se produzca la primera falla que
conduzca a un mantenimiento emergente, ha sido modelado
como una Variable Aleatoria X tal que,
0 ; x0
F(x) =  −
x
1 − e 2
; x0
Determinar la Densidad, el Soporte de X y graficar f y F.

X es el Tiempo de Vida Útil de una máquina troqueladora, en años
0 ; x0
F(x) =  −
x …viene Ejemplo 4.1
1 − e 2
; x0
1 − 2x
 1 − 2x  1 − 2x f(x) = e para x > 0 y cero para el resto de x
F' (x) = 0 −  − e  = e 2
 2  2
Lo cual significa que el Soporte de X es S = {xR  x > 0}.
Ejemplo 4.2
Se conoce que el tiempo de vida útil, en años, de una máquina

troqueladora previo a que se produzca la primera falla que
conduzca a un mantenimiento emergente, ha sido modelado
como una Variable Aleatoria X tal que,
0 ; x0
F(x) =  −
x
1 − e 2
; x0
X es el Tiempo de Vida Útil de una máquina troqueladora, en años
Determinar la probabilidad de que una de estas máquinas
troqueladoras vaya a mantenimiento emergente, antes del
primer año de vida. 1 − 2x
f(x) = e para x > 0 y cero para el resto de x
2
…viene Ejemplo 4.2
Desarrollo. Con la información que se tiene concluimos que, la

probabilidad de que una de estas máquinas troqueladoras vaya
a mantenimiento emergente, antes del primer año de vida es:
P(X < 1) = P(X  1) = F(1) = 1 – e - (1/2) = 1 – 0.6065 = 0.3935
0 ; x0
F(x) =  −
x
1 − e 2
; x0
X es el Tiempo de Vida Útil de una
máquina troqueladora en años
…Desarrollo. Con la información que se tiene concluimos que, la
probabilidad de que una de estas máquinas troqueladoras vaya a
mantenimiento emergente, antes del primer año de vida es:
De otra manera, si no conociéramos F y conocemos f, esto es la

densidad: f(x) = 1 e− 2x para x > 0 y cero para el resto de x
2
Área Sombreada
1
1 −x
0.3935
0.3935
0
2
e 2 dx
X es el Tiempo de Vida
Útil de una máquina
troqueladora en años
1 1 – e-1/2 =
2
Si nos preguntaran cuál es la probabilidad de que una de estas
máquinas entre a mantenimiento emergente después del
segundo año de estar siendo utilizadas, debemos calcular:
X es el Tiempo de Vida Útil de una máquina troqueladora en años
P(X > 2) = 1 - F(2) = 1 – (1 – e -2(1/2)) = e-1 = 0.3679
 2
1 −x

1 −x
2
2
e 2 dx =1− 
0
2
e 2 dx
Si lo que se desea saber es la probabilidad que una de las
máquinas entre a mantenimiento luego de año y medio de
funcionamiento, pero no después de tres años tendríamos que
encontrar:
P(1.5 < X  3) = F(3) –F(1.5) = (1 - e-(1/2)3) - (1 - e-(1/2)1.5)

= - e-1.50 + e-0.75 = 0.2492
F(3) – F(1.5) = 0.2492

3
1 −x

1.5
2
e 2 dx
F(3)
F(1.5)
Con el propósito de determinar la probabilidad de que una de

estas máquinas entre a mantenimiento, en no más de medio
año de vida útil, debemos determinar:
P(X  0.5) = F(0.5) = 1 – e-(1/2)(0.5) = 0.2212
Si lo que se desea es determinar el valor esperado
de la Variable Aleatoria X tendríamos que:
 X es el Tiempo de Vida Útil de una máquina troqueladora en años
E(g(x)) =  g(x) f(x) dx −
x
−
 x u=x dv = e 2
dx
−
E(x) =  x e
1
du = dx
2 x
dx −
0
2 v = ( −2)e 2
=
1  -2xe −
x 
2

−  (−2) e
−
x
2 
 
2
dx
0 0
 0 + 2  e dx 
 x
1 −
2
=

2
 0
=  2  e dx  =  e
 x  x x 
1 − − −
2 2
dx = −2e 2 = [0 − (−2)(1)] = 2
2
 0 0 0
2 años es el tiempo promedio que dura una máquina troqueladora o

2 años es el tiempo de vida útil promedio de una maquina troqueladora
Ejemplo 4.3: Se conoce que el tiempo de vida útil, en años, de una
máquina troqueladora previo a que se produzca la primera falla que
conduzca a un mantenimiento emergente, ha sido modelado como
una Variable Aleatoria X tal que,
X es el Tiempo de Vida Útil de una máquina troqueladora

0 ; x0
F(x) =  −
x
1 − e 2
; x0
Continuamos con las máquinas troqueladoras; si a la

administración de una industria donde están instaladas diez de
estas máquinas, le interesa saber cuál es la probabilidad de que
cinco de ellas entren a mantenimiento antes de medio año de
uso, ¿cómo responder a esta pregunta?
Desarrollo. Bajo las condiciones dadas, necesitamos conocer la

distribución de la variable número de máquinas que entrarán a
mantenimiento antes de medio año de entre las diez que tiene
la industria.
Llamemos Y a esta variable; Y es una Variable Aleatoria Discreta;

podría ser que ninguna máquina vaya a mantenimiento o que
todas vayan; cualquier otro número entero entre cero y diez es
también un valor que puede tomar Y; además toda máquina va
o no va a mantenimiento antes de medio año de vida.
Supongamos que el funcionamiento de cada máquina es

independiente de las demás, en el sentido de ir o no ir a
mantenimiento.
Y: número de sucesos que ocurren en el experimento Binomial, esto es,
número de máquinas troqueladoras que van a mantenimiento antes de medio año de uso
Suceso: que una máquina troqueladora vaya a mantenimiento antes de medio año de uso
Hemos configurado, para Y, una Distribución Binomial con

parámetros n = 10 y p = 0.2212. (Véase Ejemplo 4.2); por tanto,
Y ~ b (y; 10, 0.2212)
¿Cuál es la probabilidad de que cinco de ellas entren a mantenimiento antes de medio año de uso?
Nos han preguntado entonces P(Y = 5), calculando:
Estandarización de Variables Aleatorias
• Si X es una Variable Aleatoria Discreta o continua con

Media  y Desviación Típica (ó estándar) s, es posible
definir una nueva Variable Aleatoria Z de la siguiente
manera:
(X − μ)
Z=
σ
• entonces diremos que Z es una estandarización de X o
que Z es una Variable Aleatoria Estandarizada.
…viene de Estandarización de Variables
Aleatorias
 (X − μ) 
E(Z) = μ z = E
 σ 
(E(X) − Eμ)
=
σ
(μ − μ)
=
σ
0
=
σ
=0
de Estandarización de Variables
…viene
(X − μ)
Aleatorias Z=
σ
= E(Z ) −  E(Z) 
2 2 2
Var(Z) = s z
 2
E(Z2 ) = E  X −     E(Z) =0
2 2
 s  
2
Var(Z) = s z = = 1 2
2
E(X − ) −0 2
s
2
s
= 2
s
=1
…viene de Estandarización de Variables
Aleatorias
• “Por tanto si Z es una Variable Aleatoria Estandarizada,

su Media es cero y su Varianza es unitaria.
Distribución Normal o Gaussiana
Decimos que X es una Variable Aleatoria Normal cuando y

solo cuando su densidad es:
En síntesis:
X es Normal con parámetros  , s2  X ~ N( , s2)

-<<  y s2 >0 y s >0
Media Varianza
Estadística I Video: Aproximadamente minuto 16:45 13/07/2022 39

Distribución Normal
• Si X es una variable aleatoria Normal tiene el E(x) =  y

el E(x – )2 = s2 ,esto es, media  y varianza s2 y se
dice que X  N( , s2).
• Además podemos indistintamente escribir f(x) ó f(x).
Derive f(x) con

Se cumple que: respecto x
y evalúe en 

f()=Max f(x=) entonces:
 f(x)dx = 1
-
f’()=0
Obtenga la
f’’(x) con
respectos x y
la evalúa en 
entonces:
f’’()≤0
Indicando un máximo
Un máximo, ¿En qué valor de X?
¿Dónde se concentran las mayores probabilidades? Alrededor de la media,  Siempre en la media, 
• Nótese que la densidad de X es simétrica con respecto a , su gráfico se

semeja a una “campana”
Estadística I
…viene Distribución Normal
• Un problema que debemos enfrentar más adelante es

determinar probabilidades cuando X  N(, s2).
• Entonces una Tabla(Tabulada con probabilidades) que

nos permite realizar estos cálculos y para ello
utilizaremos la Distribución Normal Estándar
• Más adelante utilizaremos Software para hacerlo
Distribución Normal Estándar
Si X  N(, s2),  = 0 y s2 = 1, decimos que X es una

Variable Aleatoria Normal Estándar cuando y solo
cuando su densidad es:
La Distribución Normal Estándar tiene su propia notación,

no se representa por X sino por Z X −
Z=
s
f(z) =
Función de Distribución Acumulada
Estándar Tabulada
z
1 2

- t2
F(z) = e dt , z  0
2π -
F(z)=F(z)=P(Zz)
Valor de z
La Tabulación de la
Estándar para z  0, calcula
la probabilidad de que Z
sea menor o igual a z,
P(Z  z)
Estadística I = F(z) = F(z)
Probabilidades
13/07/2022 45
Distribución
Normal Estándar Probabilidades
Tabulada
z
1 2
e
- t2
F(z) = dt , z  0
2π -
F(z)=F(z)=P(Zz)
Valor de Z
Estándar para z  0, calcula
P(Z  z) = F(z) = F(z)
Variable Aleatoria Normal Estándar
• F(z)=F(z)=P(Z  z)
F(z)
Recordemos que F es la notación particular para la Distribución

Estadística I 13/07/2022
Acumulada de Z.
47
F(-z)=F(-z)=P(Z - z)
F(-z)
P(Zz)
P(Z>=z)
• F(z)=F(z)=P(Z  z) • F(-z)=F(-z)=P(Z - z)
F(z) F(-z)
Por la simetría con respecto a  = 0 se llega a que

F(-z)= F(-z) = 1 - F(z)=P(Zz).
P(Z>=z)
P(X>)=? P(X<)=?
Si X ~ N( , s2)
• P(X>)=P(X>E(x))=0.5
• P(X<)=P(X<E(x))=0.5
Si X ~ N(=0 , s2=1)
Entonces X ~ N(0,1)
• P(X>)=P(X>0)=0.5
• P(X<)=P(X<0)=0.5
Densidad y Distribución Acumulada X ~ N( , s2)
Densidad de X Distribución acumulada de X

F(x)=F(x)

0.50 F(+x)=F(a)
(1 – )
(1 – )
0.50
F(−x)=F(-a)

X
-x  +x
-a a
Ejercicio
Se tiene una Variable Aleatoria Z que es N(0,1), Normal

Estándar. Determinar la probabilidad de que
a) Z sea mayor que 1.35;
b) Z sea menor que 1.35;
c) Z sea menor que – 1.50; y,
d) Z sea mayor que –2.15.
No olvide graficar. Resuelva cada literal primero

utilizando la Tabla de la Distribución Normal Estándar
para valores de z positivos y luego vuelva a hacer los
ejercicios utilizando la Tabla de la Distribución Normal
Estándar para valores de z negativos.
Distribución
Normal Estándar
Tabulada
Valor de z
z
1 2

- t2
F(z) = e dt , z  0
2π -
F(z)=F(z)=P(Zz)
Estándar para z  0, calcula
P(Z  z) = F(z) = F(z)
Estadística I
Probabilidades
13/07/2022 55
Distribución
Tabulada
Valor de Z
z
1 2
e
- t2
F(z) = dt , z  0
2π -
F(z)=F(z)=P(Zz)
Estándar para z  0, calcula
P(Z  z) = F(z) = F(z)
P(Z>1.35)=?
Solución utilizando la
Tabulación de la Distribución
Normal Estándar para Z  0
Se tiene una Variable Aleatoria Z que es N(0,1), Normal Estándar.
Determinar la probabilidad de que Z sea mayor que 1.35
Para resolver este problema recordemos que:

P(Z  z) = F(z) y que por simetría F(-z) = 1 - F(z)
Desarrollo. Luego de lo cual,
Solución utilizando la Tabulación de la
Distribución Normal Estándar para Z 0
Z sea P(Z
mayor que 1.35
>1.35)
F(Z)
0 z =1.35
a) P(Z > 1.35) = 1 – P(Z  1.35)

z
= 1 – F(1.35)
= 1 – F(1.35)
Distribución
Normal Estándar
Tabulada
F(1.35) = P(Z  1.35)
Valor de z = 1.35
z
1 2

- t2
F(z) = e dt , z  0
2π - 
F(z) = F(z) = P(Z  z)
1.35
Estadística I
Probabilidades
13/07/2022 59
Para resolver este problema recordemos que:

P(Z  z) = F(z) y que por simetría F(-z) = 1 - F(z)
Luego de lo cual,
Z sea mayor que 1.35
a) P(Z > 1.35) = 1 – P(Z  1.35)
= 1 – F(1.35)
= 1 – F(1.35)
= 1 – 0.9115
= 0.0885
P(Z>1.35)=?
Normal Estándar para Z  0
Desarrollo. Para resolver este problema recordemos que:

P(Z  z) = F(z)=F(z) y que por simetría F(-z) = 1 - F(z)
Luego de lo cual,
Z seaP(Z>1.35)=?
mayor que 1.35 Distribución Normal Estándar para Z 0
a) P(Z > 1.35) = P(Z  – 1.35)

= F(– 1.35)
= F(– 1.35)
Distribución
Tabulada
F(– 1.35) = P(Z  – 1.35)
Valor de z = -1.35
z
1 2
e
- t2
F(z) = dt , z  0
2π -
F(z) = F(z) = P(Z  z)
-1.35
Z sea mayor que 1.35 Solución utilizando la Tabulación de la

Distribución Normal Estándar para Z 0
P(Z>1.35)=?
a) P(Z > 1.35) = P(Z  – 1.35)

= F(– 1.35)
= F(– 1.35)
= 0.0885
P(Z < 1.35)=?
Determinar la probabilidad de que Z sea menor que 1.35
Z sea menor que 1.35 Solución utilizando la Tabulación de la

P(Z < 1.35)
b) P(Z < 1.35) = P(Z  1.35)

= F(1.35)
= F(1.35)
Distribución
Normal Estándar
Tabulada
F(1.35) = P(Z  1.35)
Valor de z = 1.35
z
1 2

- t2
F(z) = e dt , z  0
2π - 
F(z) = F(z) = P(Z  z)
1.35
Estadística I
Probabilidades
13/07/2022 67

Z sea menor que 1.35
b) P(Z < 1.35) = P(Z  1.35)

= F(1.35)
= F(1.35)
= 0.9115
P(Z < 1.35)=?

P(Z < 1.35)
b) P(Z < 1.35) = P(Z  – 1.35)
= 1 – P(Z  – 1.35)
= 1 – F(– 1.35)
= 1 – F(– 1.35)
Distribución
Tabulada
F(– 1.35) = P(Z  – 1.35)
Valor de z = -1.35
z
1 2
e
- t2
F(z) = dt , z  0
2π -
F(z) = F(z) = P(Z  z)
-1.35

P(Z < 1.35)
b) P(Z < 1.35) = (Z  – 1.35)
= 1 – P(Z  – 1.35)
= 1 – F(– 1.35)
= 1 – F(– 1.35)
= 1 – 0.0885
= 0.9115
P(Z < -1.50)=?
Determinar la probabilidad de que Z sea menor que -1.50

Z sea menor que –1.50
P(Z < -1.50) Distribución Normal Estándar para Z 0
c) P(Z < –1.50) = 1 – P(Z  1.50)

= 1 – F(1.50)
= 1 – F(1.50)
Distribución
Normal Estándar
Tabulada
F(1.50) = P(Z  1.50)
Valor de z = 1.50
z
1 2

- t2
F(z) = e dt , z  0
2π - 
F(z) = F(z) = P(Z  z)
1.50
Estadística I
Probabilidades
13/07/2022 75

P(Z < -1.50)
c) P(Z < –1.50) = 1 – P(Z  1.50)
= 1 – F(1.50)
= 1 – F(1.50)
= 1 – 0.9332
= 0.0668
P(Z < -1.50)=?

P(Z < -1.50)
c) P(Z < –1.50) = F(– 1.50)
Distribución
Tabulada
F(– 1.50) = P(Z  – 1.50)
Valor de z = -1.50
z
1 2
e
- t2
F(z) = dt , z  0
2π -
F(z) = F(z) = P(Z  z)
-1.50

P(Z < -1.50)
c) P(Z < –1.50) = F(– 1.50)

= 0.0668
P(Z > -2.15)=?
Determinar la probabilidad de que Z sea mayor que -2.15

Z sea mayor que –2.15
P(Z > -2.15)
d) P(Z > –2.15) = 1 – P(Z  – 2.15)

= 1 – (1 – F(2.15))
= F(2.15)
Distribución
Normal Estándar
Tabulada
F(2.15) = P(Z  2.15)
Valor de z = 2.15
z
1 2

- t2
F(z) = e dt , z  0
2π - 
F(z) = F(z) = P(Z  z)
2.15
Estadística I
Probabilidades
13/07/2022 83

P(Z > -2.15)
d) P(Z > –2.15) = 1 – P(Z  – 2.15)
= 1 – (1 – F(2.15))
= F(2.15)
= 0.9842
P(Z > -2.15)=?

P(Z > -2.15)
d) P(Z > –2.15) = 1 – P(Z  – 2.15)

= 1 – F(– 2.15)
Distribución
Tabulada
F(– 2.15) = P(Z  – 2.15)
Valor de z = -2.15
z
1 2
e
- t2
F(z) = dt , z  0
2π -
F(z) = F(z) = P(Z  z)
-2.15

P(Z > -2.15)
d) P(Z > –2.15) = 1 – P(Z  – 2.15)
= 1 – F(– 2.15)
= 1 – 0.0158
= 0.9842
Utilizando la Tabla de los valores de Z
positivos
• Determinar la probabilidad de que

a) Z sea mayor que -1 y menor que 2
b) Z sea mayor que 0;
c) Z sea menor 0;
d) Z sea menor a 1.
e) Z sea menor a 2.
f) Z sea menor a 3.
g) Z sea menor a 4.
h) Z sea menor a 5.
Determinar la probabilidad de que Z sea mayor
que -1 y menor que 2

Z sea mayor que –1 y menor que 2
e) P(-1  Z  2) = F(2) – F(– 1)

= P(Z  2) – P(Z  – 1)
= P(Z  2) – [1 – P(Z  1)]
Distribución
Normal Estándar
Tabulada
F(2) = P(Z  2)
Valor de z = 2
z
1 2

- t2
F(z) = e dt , z  0
2π - 
F(z) = F(z) = P(Z  z)
Estadística I
Probabilidades
13/07/2022 91

e) P(-1  Z  2) = F(2) – F(– 1)

= P(Z  2) – P(Z  – 1)
= P(Z  2) – [1 – P(Z  1)]
= 0.9772 – [1 – P(Z  1)]
Distribución
Normal Estándar
Tabulada
F(1) = P(Z  1)
Valor de z = 1
z
1 2

- t2
F(z) = e dt , z  0
2π - 
F(z) = F(z) = P(Z  z)
Estadística I
Probabilidades
13/07/2022 93

e) P(-1  Z  2) = F(2) – F(– 1)
= P(Z  2) – P(Z  – 1)
= P(Z  2) – [1 – P(Z  1)]
= 0.9772 – [1 – 0.8413]
= 0.9772 – 0.1587
= 0.8185
Determinar la probabilidad de que Z sea mayor que 0

Z sea mayor que 0
f) P(Z > 0) = P(Z  0)

= F(0)
= 0.5
Determinar la probabilidad de que Z sea menor que 0

Z sea menor que 0
g) P(Z < 0) = F(0)

= 0.5
Determinar la probabilidad de que Z sea menor que 1, sea menor
que 2, sea menor que 3, sea menor que 4 y sea menor que 5
Z sea menor que 1 Z sea menor que 2
h) P(Z < 1) = F(1) i) P(Z < 2) = F(2)

= 0.8413 = 0.9772
Z sea menor que 3 Z sea menor que 4 Z sea menor que 5
j) P(Z < 3) = F(3)

Estadística I
k) P(Z < 4) = F(4) 5) = F(5)
l) P(Z <13/07/2022
97
= 0.9987 = 0.99996 ≈ 1.0
Tarea 3 .Cálculo de Probabilidades usando Tabla de
la v. a Normal Estándar, esto es Z ~ N(0,1)
– Sea Z una variable aleatoria Z ~ N(0,1). Graficar y

Determinar:
1. P(Z > 1.5)=0.0668
2. P(Z>1.15)=0.125
3. P(-1.2 < Z < 1.2)=0.770
4. P(0 < Z <2.30)=0.489
Recuerde hacer el gráfico para la probabilidad requerida y si
se necesita graficar para la probabilidad intermedia
realizarlo, muestre sus desarrollos.
Para cada literal utilice las tablas F(Z) y de F(-Z) par los
valores en Z positivos y negativos respectivamente y la
Tabla normal estándar para la P(0 Z<z) y la P(Z>z)
Otras tablas para calcular
probabilidades con la v.a
Normal
P(0<Z<z) o P(-z<Z<0) o P(Z>z)

Usando la Tabla
entre 0 y un valor
de Z positivo
• Para calcular probabilidades

con esta Tabla ¿Qué
sabemos?
Z sea menor que 0
F(0.5)= P(Z<0)=0.5
Z sea mayor que 0

P(Z>0)=0.5

• La misma
tabla
anterior
solo que
sin gráfico


Distribución Normal Estándar para 0<Z< a
Desarrollo. a>0
Z sea mayor que 1.35
a) P(Z > 1.35) = P(Z>0)-P(0<Z<1.35)

= 0.5 – P(0<Z<1.35)

• P(0<Z<1.35)

Z sea mayor que 1.35 Solución utilizando la Tabulación de la

Distribución Normal Estándar para 0<Z<z
P(Z>1.35)
a) P(Z > 1.35) = F(0)-P(0<Z<1.35)
= 0.5 – P(0<Z<1.35)
= 0.5– 0.4115
= 0.0885


P(Z<1.35)
b) P(Z < 1.35) = P(Z  1.35)

= P(Z<0)+ P(0<Z<1.35)
=F(0)+ P(0<Z<1.35)

• P(0<Z<1.35)


Z sea menor que 1.35 Distribución Normal Estándar para 0<Z<z
P(Z<1.35)
b) P(Z < 1.35) = P(Z  1.35)

= F(0) + P(0<Z<1.35)
= 0.5 +0.4115
= 0.9115


P(Z<-1.50)
c) P(Z < –1.50) = P(Z>0) – P(0<Z  1.50)

• P(0<Z<1.50)


P(Z<-1.50)
c) P(Z < –1.50) = P(Z>0) – P(0<Z  1.50)

= 0.5 – 0.4332
= 0.0668

REFERENCIAS BIBLIOGRÁFICAS
• ZURITA, G. (2010), “Probabilidad y Estadística, Fundamentos

y Aplicaciones”, Segunda Edición, Ediciones del Instituto de
Ciencias Matemáticas ESPOL, Guayaquil, Ecuador.

Clase 12 12.1 12.2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 12 12.1 12.2

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA DESCRIPTIVA

Profesora: Eva María Mera Intriago

Escuela Superior Politécnica del Litoral

• Modelos aleatorios continuos

• Variables aleatorias continuas

CAPÍTULO 4: MODELOS ESTOCÁSTICOS

Escuela Superior Politécnica del Litoral

• Cuando definimos variable aleatoria previamente para

• Nótese que la definición de V.A no está ligada a la de

• Si un experimento consiste en tomar una muestra de hombres y

• ¿Cómo se justifica matemáticamente a los elementos de S,

• Lo denotaremos por a, se lo obtiene como:

• De igual manera los intervalos,

• [a, b] = (a, b]  {a}

• [a, b) = {a}  {(a, b] – {b}}

• (a,) = (– , a]C

• Si se toma k = 2, pasaremos de puntos pertenecientes a la recta real, a puntos

• Una Variable Aleatoria X, definida sobre un Espacio

F(x) = P(X  x); para todo x real

• Si X es continua, entonces existe una función continua y

• El Soporte S de una Variable Aleatoria Continua X con

• S = {xR  f(x) > 0}

• Puesto que la Función Densidad f de una Variable

• F´(x) = f(x), xR

La probabilidad de que un valor particular a de X ocurra,

Visto de otra manera,

En caso de que el lector continuare pensando que éste es un

¿Estamos obligados a creerle? ¿Tendrá esta persona el instrumental

Aún los llamados “relojes atómicos” son simplemente instrumentos

P(X = a) = 0, para X continua, aS,

no se opone a la realidad, le sugerimos leer nuevamente la

• En definitiva, la probabilidad de que una Variable

• Como consecuencia de lo previo, cuando X es continua,

P(a  X  b) = P({a}{a < X  b})

• Conclusión: Cuando X es continua, al determinar la

Se conoce que el tiempo de vida útil, en años, de una máquina

Determinar la Densidad, el Soporte de X y graficar f y F.

Se conoce que el tiempo de vida útil, en años, de una máquina

Desarrollo. Con la información que se tiene concluimos que, la

De otra manera, si no conociéramos F y conocemos f, esto es la

X es el Tiempo de Vida Útil de una máquina troqueladora en años

P(X > 2) = 1 - F(2) = 1 – (1 – e -2(1/2)) = e-1 = 0.3679

P(1.5 < X  3) = F(3) –F(1.5) = (1 - e-(1/2)3) - (1 - e-(1/2)1.5)

F(3) – F(1.5) = 0.2492

Con el propósito de determinar la probabilidad de que una de

P(X  0.5) = F(0.5) = 1 – e-(1/2)(0.5) = 0.2212

2 años es el tiempo promedio que dura una máquina troqueladora o

X es el Tiempo de Vida Útil de una máquina troqueladora

Continuamos con las máquinas troqueladoras; si a la

Desarrollo. Bajo las condiciones dadas, necesitamos conocer la

Llamemos Y a esta variable; Y es una Variable Aleatoria Discreta;

Supongamos que el funcionamiento de cada máquina es

Hemos configurado, para Y, una Distribución Binomial con

• Si X es una Variable Aleatoria Discreta o continua con

• “Por tanto si Z es una Variable Aleatoria Estandarizada,

Decimos que X es una Variable Aleatoria Normal cuando y

X es Normal con parámetros  , s2  X ~ N( , s2)

Estadística I Video: Aproximadamente minuto 16:45 13/07/2022 39

• Si X es una variable aleatoria Normal tiene el E(x) =  y

• Además podemos indistintamente escribir f(x) ó f(x).

Derive f(x) con

¿Dónde se concentran las mayores probabilidades? Alrededor de la media,  Siempre en la media, 

• Nótese que la densidad de X es simétrica con respecto a , su gráfico se