UNIVERSIDAD NACIONAL AUTONOMA DE HONDURAS

ESCUELA DE MATEMATICA
DEPARTAMENTO DE ESTADISTICA
ELABORADO POR Prof Mario Antúnez Murillo
Unidad II Estadística
Variables Aleatorias
Teoría y ejemplos
Variable aleatoria
Una variable aleatoria X es una función que asocia a cada elemento del espacio
muestral S de un experimento aleatorio un número real.
X:S  R
Se utilizan letras mayúsculas X para designar variables aleatorias, y las
respectivas minúsculas x para designar valores concretos de las mismas.
Se clasifica en variables aleatorias discretas y continuas

Variable aleatoria discreta

Es aquella variable aleatoria que toma un número finito o infinito, pero
numerable, de valores.

Ejemplos:
El número de hijos de una familia,
La puntuación obtenida al lanzar un dado.
Variable aleatoria continua
Es aquella variable aleatoria que puede tomar un número infinito de valores no
numerables en un intervalo en particular.

Ejemplos:
Los tiempos de los vuelos comerciales entre Tegucigalpa y Roatán
La presión en libras por pulgada cuadrada (psi), en un nuevo neumático
Función de probabilidad
Es toda una función p(x) que asigna a cada valor x de la variable aleatoria X
la probabilidad asociada, se suele tabular.
p(x): R   0,1
x  P(X  x)
Propiedades
 La probabilidad de un resultado en particular se encuentra entre 0 y 1,
inclusive.
 Los resultados son eventos mutuamente excluyentes.
 La lista es exhaustiva. Así, la suma de las probabilidades de los diversos
eventos es igual a 1
 X p
1. 0  p(xi )  1
n
x1 p1
0 p 1
2.  p(xi )  1 x2 p2
Deben sumar 1
i1
x3 p3
1

no son funciones de probabilidad

X p X p

1 0.36 1 0.25

2 0.41 2 0.27

3 - 0.19 3 0.32
4 0.42 4 0.21
1 1.05
La probabilidad no puede ser negativa Las probabilidades no suman 1
Espacio muestral del lanzamiento de dos monedas:
S = {CC, CE, EC, EE}
X: número de caras que salen
S = {CC, CE, EC, EE}

X=2 X=1 X=0

La función de probabilidad es
X p(x) p(x)
0 0.25
1 0.5
2 0.25
1
Función de distribución F(x)
Es toda función de probabilidad acumulativa, definida para cada número real x
como la probabilidad de que la variable aleatoria X tome un valor menor o
igual que x, se representa por F(x): R   0,1
x  F(x)

X p(x)
p(x) 0 0.25
1 0.5
2 0.25

 0 x0
0.25 0  x 1

F(x)  
0.75 1x 2
 1 x 2

F(-)  0 F()  1

NO decreciente, 𝑥1 ≤ 𝑥2 , F(𝑥1 ) ≤ 𝐹(𝑥2 )

Esperanza matemática o media
Es lo que se espera obtener al realizar el experimento, se asemeja a la media en
una distribución de frecuencia se presenta por m
n
m  E(X)   xip(xi )
i1
Varianza
Es una medida de dispersión que se emplea para indicar que tan cercanos de la
media se encuentran los elementos de la colección y se representa por
n
  V(X)  E (X - m)    (xi - m)2 p(x i )  E(X2 ) - m2
2 2

i1
A la raíz cuadrada de la varianza  se le llama desviación estándar o típica

X p(x) m   xp  0*0.25  1*0.50  2*0.25  1

0 0.25 Se espera obtener una cara
1 0.5 E(X2 )  02 *0.25  12 *0.50  22 *0.25  1.5
2 0.25 2  V(X)  E(X2 ) - m2  1.5 - 12  0.5
 Propiedades del Valor Esperado

Sean X, Y variables aleatorias de un mismo experimento, si a, b

son constantes entonces
𝐸(a) = 𝑎
𝐸(𝑎𝑋) = 𝑎𝐸(𝑋)
E( a X + b) = aE( X) + b
𝐸(X ± Y) = 𝐸(𝑋) ± 𝐸(𝑌)

Propiedades de la Varianza

𝑉(a) = 0
V( 𝑎𝑋) = 𝑎2 𝑉(𝑋)
V( a X + b) = a2 V( X)
S𝑖 𝑋, 𝑌 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠,
𝑉(X ± Y) = 𝑉 𝑋 + 𝑉 𝑌 ,
La siguiente tabla muestra la función de probabilidad para la variable
X: número de personas por día que solicitan permiso en el trabajo para un
tratamiento innecesario en el servicio de urgencias de un pequeño
hospital.
x 0 1 2 3 4 5

p 0.01 0.10 0.30 0.40 0.10 a

a. Encontrar P(X=5) 0.01  0.10  0.30  0.40  0.10  a  1 a  0.09

b. Encontrar P(X<2) P(X  2)  p(0)  p(1)  0.01  0.10  0.11
c. Encontrar P(X  3)  p(3)  p(4)  p(5)  0.40  0.10  0.09  0.59
d. Encontrar la media y varianza
m   xp  0*0.01  1*0.10  2*0.30  3*0.40  4 *0.10  5* .09  2.75

2   x2p - m2  8.75 - 2.752  1.1875

 Distribución continua.
Determinados experimentos PUEDEN llegar a tomar todos los valores de
un determinado intervalo, llegando así al concepto de distribución
continua.
En una variable aleatoria continua, no existe el concepto de función de
probabilidad, sino que se utiliza el de función de densidad.

Para que una función sea de densidad, tiene que ser positiva, es decir,
estar siempre por encima del eje de las X, y que el área total bajo ella sea 1

La probabilidad de que la variable aleatoria continua tome valores dentro

de un intervalo es igual al área que encierra dicha curva en el intervalo
citado, la probabilidad en un punto es cero P(X=x)=0
Caso continuo
Se define una función de densidad f(x), o distribución de probabilidad,
de la variable aleatoria continua X de forma que, para todo x, cumpla
a. f(x)  0

b.  f(x)dx  1
-
b
c. P(a  X  b)   f(x)dx
a
Como P(X=x)=0 tenemos que b
P(a  X  b)  P(a  X  b)  P(a  X  b)  P(a  X  b)   f(x)dx
a
Al igual que para el caso discreto, se puede definir la función de
distribución F(x) en cada punto x de una variable aleatoria continua como la
probabilidad de que la variable X tome un valor inferior a x
x
F(x)   f(t)dt
-
dF(x)
Del cálculo diferencial tenemos f(x) 
dx
Ejemplo
Sea X la cantidad de tiempo durante el cual un estudiante seleccionado al
azar saca en préstamo un libro de la reserva de dos horas en la biblioteca
universitaria, suponga que X tiene una función de densidad
kx(2 - x) 0x 2
f(x)  
Encontrar  0 caso contrario
a. El valor numérico de k
b. P(0.5<X<1.5)
0 kx(2-x) 0
c. F(x)
-∞ 0 2 +∞
  0 2 
Sabemos  f(x)dx  1  f(x)dx   f(x)dx   f(x)dx   f(x)dx  1
- - - 0 -

0 2 
  0dx   kx(2 - x)dx   0dx
- 0 -
4
0 k0
3
3
k
4
  43 x(2 - x) 0x 2 1.5
3 x(2 - x)dx  11
f(x)   P(0.5  X  1.5)   4
16
 0.6875
 0 caso contrario 0.5

x
0 kt(2-t) 0
Tenemos que F(x) 
 f(t)dt
-∞ 0 2 +∞
-
x x
0 kt(2-t) 0
si x<0 F(x)   f(t)dt   0dt  0
-∞ x 0 2 +∞
- -
x 0 x
si 0<x<1 F(x)   f(t)dt   f(t)dt   f(t)dt 0 kt(2-t) 0
- - 0
0 x -∞ 0 x 2 +∞
  0dt   43 t(2 - t)dt
- 0

si x>1  14 x2 (3 - x) 0 kt(2-t) 0
x 0 2 
-∞ 0 2 x +∞
F(x)   f(t)dt   f(t)dt   f(t)dt   f(t)dt
- - 0 2
0 2 
  0dt   43 t(2 - t)dt   0dt  1
- 0 2
  0 0x  0 0x
 
f(x)   43 x(2 - x) 0  x  2 F(x)   14 x2 (3 - x) 0  x  2
 0 x 2 
 1 x 2

Un vendedor de kerosene tiene un tanque de 150 galones que se llena al principio
de cada semana. Su demanda semanal tiene una frecuencia relativa que crece
constantemente desde 0 hasta 100 galones y permanece entre 100 y 150 galones. Si
Y denota la demanda semanal en cientos de galones, la frecuencia relativa de la
demanda se puede representar por:
y 0  y 1  0 y0
  2
f(y)  1 1  y  1.5  y y2
0  y 1
0 en cualquier otro valor  2 2
 F(y)  
y - 1 1  y  1.5 1
Obtener F(y)  2 2
P(0.5<Y<1.2)  1 y  1.5

1.2 1.2 0.5
P(0.5  Y  1.2)   f(y)dy   f(y)dy -  f(y)dy  F(1.2) - F(0.5)  0.7 - 0.125  0.575
0.5 - -

b
P(a  X  b)   f(x)dx  F(b) - F(a)
-∞ 0.5 1.2 a
Valor Esperado
Si X es una variable aleatoria continua la media o valor esperado de X es

m  E(X)   xf(x)dx
-

Varianza
Sea una variable aleatoria X con función de densidad f(x) y media m la
varianza está dada por 
2  V(X)  E(X - m)2   (x - m)2 f(x)dx  E(X 2 ) - m2
-
En una tarea de laboratorio, si el equipo está funcionando, la función de
densidad del resultado observado X es
2(1 - x) 0  x 1
f(x)  
 0 otro valor
Encuentre la varianza y la desviación estándar de X
 1
1
m  E(X)   xf(x)dx   x  2(1 - x)dx 
3 1 1 1
2
-

0
1   E(X ) - m  -   
2 2 2
1 6  3  18
E(X2 )   x 2f(x)dx   x2  2(1 - x)dx 
6
- 0
 Distribuciones discretas con nombre propio

Entre las distribuciones de variable discretas más importantes tenemos las

siguientes:
Distribución de Bernoulli
Distribución Binomial
Distribucion geometrica
Distribución Binomial negativa
Distribución Hipergeométrica
Distribución de Poisson
Distribución uniforme discreta
 Experimento de Bernoulli
Supongamos un experimento aleatorio con únicamente dos posibles
resultados mutuamente excluyentes, que denominaremos éxito o fracaso.
Si la probabilidad de éxito es p y la de fracaso es q, sea X la cantidad de
éxitos que ocurren la función de probabilidad está dada por
p(x)  px q1-x x=0,1 X p(x)
E(X)  p V(X)  pq 0 q
1 p
1

No son excluyentes Mutuamente excluyentes: éxito - fracaso

El color de los ojos: negros, café, azules
El resultado de un examen de un estudiante,
Tipo de sangre: A+, A-, O+, O-…
aprobar o reprobar.
Carrera de estudio: ingeniería
Solicitud de crédito ante un banco.
matemática
Aprobada denegada
física, medicina
Calidad de un producto defectuoso o no
Nacionalidad: hondureña
defectuoso.
española
Caso sospechoso, es negativo positivo.
salvadoreña …
Experimento binomial
Supongamos un experimento aleatorio consistente en realizar un número
de n ensayos o pruebas repetidas, diremos que el experimento es binomial
si:

a. El resultado de cada prueba de un experimento se clasifica en una de

dos categorías mutuamente excluyentes: éxito o fracaso.
b. Las probabilidades de éxito p y fracaso q es la misma para cada
prueba. p  q  1  q  1 - p
c. Las pruebas son independientes, lo cual significa que el resultado de
una prueba no influye en el resultado de otra prueba.

Sea X la cantidad de éxitos que ocurren la función de probabilidad está

dada por

 n  x n- x
B(n,p) p(x)    p q x=0,1,2,...,n m  np 2  npq
x
Se sabe que el 30% de los habitantes de una ciudad presentan
sobrepeso. Determinar la probabilidad de que una muestra
aleatoria de 4 personas:
a. Ninguna tenga sobrepeso.
b. Más de dos tengan sobrepeso.
SOLUCIÓN
Hay que definir la variable aleatoria y el éxito
Sea X el número de personas tengan sobrepeso en una muestra
Éxito: la persona tiene sobrepeso
Identificar n (tamaño de la muestra) y p probabilidad de éxito
En este caso n = 4 y p = 0.30 (proporción no porcentaje)
4
B(4,0.3) p(x)    (0.3)x (0.7)4 -x x=0,1,2,3,4
x
4
Ninguna tenga sobrepeso. p(0)    (0.3)0 (0.7)4  0.2401  24.01%
0
A los más dos tengan sobrepeso.
P(X  2)  p(0)  p(1)  p(2)  0.2401  0.4116  0.2646  0.9163  91.63%
En algunas ocasiones se suelen utilizar tablas lo que aparece es
probabilidad acumulada, F(x)  P(X  x) en nuestro caso n=4, p=0.30, x=2
P(X  2)  F(2)  0.9163

P(X  2)  p(0)  p(1)  p(2)  0.2401  0.4116  0.2646  0.9163  91.63%

P(X  a)  F(a) - F(a- 1) P(X  3)  F(3) - F(2)  0.9844 - 0.8965  0.0879
P(X  a)  F(a) P(X  1)  F(1)  0.6328
Consideremos
P(X  a)  F(a - 1) n=5 P(X  3)  F(2)  0.8965
P(X  a)  1 - F(a)
p=0.25 P(X  2)  1 - F(2)  1 - 0.8965  0.1035

P(X  a)  1 - F(a - 1) P(X  1)  1 - F(0)  1 - 0.2373  0.7627

P(X  2)  p(0)  p(1)  p(2)  0.2401  0.4116  0.2646  0.9163  91.63%

La probabilidad de que un paciente se recupere de una enfermedad
estomacal es 0.8. Suponga que se sabe que 10 personas han contraído la
enfermedad. ¿Cuál es la probabilidad de que
a. exactamente 5 se recuperen?,
b. al menos 8 se recuperen?
c. Entre 4 y 7 inclusive se recuperen?,
d. Encuentre número que se recuperen

P(X  5)  F(5) - F(4)  0.0328 - 0.0064  0.0262

P(X  8)  1 - F(7)  1 - 0.3222  0.6778
P(4  X  7)  F(7) - F(3)  0.3222 - 0.0009  0.3213
m  np  10 * 0.8  8 Se espera se recuperen np = 10*0.8 = 8
 Fórmulas adicionales

P(a  X  b)  F(b) - F(a) P(a  X  b)  F(b- 1) - F(a- 1)

P(a  X  b)  F(b) - F(a- 1) P(a  X  b)  F(b- 1) - F(a)

Consideremos
n=12
p=0.2

P(4  X  7)  F(7) - F(4)  0.9994 - 0.9274  0.0720

Experimento de probabilidad de Poisson
La distribución de probabilidad de Poisson describe el número de veces que se
presenta un evento durante un intervalo específico. El intervalo puede ser de
tiempo, distancia, área o volumen.
1. La probabilidad de que ocurra el evento es proporcional al tamaño del
intervalo.
2. Los intervalos no se superponen y son independientes.
3. La variable aleatoria es el número de veces que ocurre un evento durante un
intervalo definido
 x e-
P() p(x)  x=0,1,2,3...
x!
donde:
λ es la media de la cantidad de veces (éxitos) que se presenta un evento en un
intervalo particular.
e es la constante 2.71828 (base del sistema de logaritmos neperianos).
x es el número de veces que se presenta un evento.
p(x) es la probabilidad para un valor específico de x

m  E(X)   2  V(X)  
 ejemplo 1
Llegan clientes a un mostrador de salida en una tienda de departamentos de
acuerdo con una distribución de Poisson, a un promedio de siete por hora.
Durante una hora determinada, ¿cuáles son las probabilidades de que
a. lleguen exactamente cinco clientes?
b. lleguen al menos ocho clientes?,
c. lleguen entre 4 y 8 clientes inclusive?,
Sea X el número de personas que llegan al mostrador en una hora
λ promedio de personas que llegan al mostrador en una hora
7x e-7
P(X  x)  x=0,1,2,3... m= 2  
x!
a. P(X=5)=0.12772
b. P(X≥8)=0.40129
c. P(4≤X≤8)=P(X≤8) - P(X≤3)=0.72909-0.08177=0.3278
¿Cuál es la probabilidad de que exactamente diez clientes lleguen entre las 2:00
p.m. y las 4:00 p.m.?
Sea Y el número de personas que llegan al mostrador en dos horas
λ promedio de personas que llegan al mostrador en una horas λ =14
14 y e-14 14 y e-14
P(Y  y)  P(Y  10)   0.06628
y! y!
Ejemplo 2
En la producción diaria Y de cierta clase de cuerda, el número de
defectos por pie tiene una distribución de Poisson con media 2. La
utilidad por pie cuando se venda la cuerda está dada por X, donde
X  50 - 2Y - Y2
Encuentre la utilidad esperada por pie
Nos piden la utilidad esperada E(X)
E(X)  E(50 - 2Y - Y2 )  E(50) - 2E(Y) - E(Y2 )

Tenemos que m=E(Y)=2, 22

2  E(Y2 ) - m2
E(Y2 )  6
2  E(Y2 ) - 22
E(X)  E(50) - 2E(Y) - E(Y2 )
 50 - 2(2) - 6
 40
Distribución geométrica
Si pruebas independientes repetidas pueden tener como resultado un
éxito con probabilidad p y un fracaso con probabilidad q=1−p, entonces la
distribución de probabilidad de la variable aleatoria X, el número de la
prueba en el que ocurre el primer éxito, es
Geo(p) ∼ 𝑝(𝑥) = 𝑝𝑞 𝑥−1 𝑥 = 1,2,3, . . .

1 𝑞
𝐸(𝑋) = 𝑉(𝑋) =
𝑝 𝑝2

Ejemplo 1
La probabilidad de que un estudiante para piloto apruebe el examen escrito para
obtener una licencia de piloto privado es 0.7. Encuentre la probabilidad de que el
estudiante aprobará el examen
a. en el tercer intento;
b. antes del tercer intento
Sea X, el número del intento en que aprueba el examen p=0.7
p(x)  (0.7)(0.3)x -1 x  1,2,3,...
a. P(X  3)  (0.7)(0.3)3-1  0.063
b. P(X  3)  0.91
Ejercicio 2
El cocinero prepara una ensalada revuelta que contiene, en promedio,
6 vegetales. Encuentre la probabilidad de que la ensalada contenga
más de 6 vegetales.
a. En un día dado
b. En cuatro de los siguientes 6 días
c. Por primera vez en agosto el día 6
a. En un día dado
Poisson, con 6 X:cantidad de vegetales que tiene la ensalada
P(X>6)=0.3937

b. En cuatro de los siguientes 6 días

Binomial, Y:cantidad de días en que la ensalada tiene más de 6 vegetales
n = 6, p = 0.39370 P(Y=4)=0.13247

c. Por primera vez en agosto el día 6

Geométrica Z: primer día en que la ensalada tiene más de 6 vegetales
p = 0.39370 P(Z=6)=0.03226
Distribución de probabilidad hipergeométrica
Se realizan n pruebas repetidas con las propiedades
Los resultados de cada prueba de un experimento se clasifican en dos
categorías exclusivas: éxito o fracaso.
Las pruebas no son independientes.
Sea X la variable aleatoria es el número de éxitos de un número fijo de pruebas
La aplicación más común es la toma de muestras aleatorias sin reemplazo
Sea N el tamaño de la población, n es el tamaño de la muestra extraída o el número
de pruebas, M es el número de elementos de la población que pertenecen a la
categoría deseada (éxitos en la población) y x es el número de éxitos en la muestra
Sea X la variable aleatoria es el número de éxitos de un número fijo de pruebas

N  M  N - M 
  
x n - x
N-M p(x)     x  0,1,...,n
N
M  
n

M M  N - M  N - n 
E(X)  n V(X)  n   
n-x N N  N  N - 1 
x
n
Ejemplo
Una compañía tiene 50 empleados en el departamento de ensamble.
Cuarenta empleados pertenecen a un sindicato, y diez no. Se eligen al azar
ocho empleados para formar un comité que hablará con la empresa sobre
los horarios de inicio de los turnos. ¿Cuál es la probabilidad de que:
a. cuatro de los empleados elegidos para formar parte del comité
pertenezcan a un sindicato?
b. La mayoría sea sindicalizada?
Sea X la cantidad de sindicalizados seleccionados
 40  10 
50   
 x  8 - x 
p(x)  x  0,1,...,8
10  50 
40  
8
a. P(X=4)=p(4)=0.03575

b. P(X>4)=P(X≥5)=0.9593
8-x
x La cantidad esperada
8 M 40
de sindicalizados E(X)  n  8   6.4
N 50
seleccionados es
 Variables aleatorias continuas
Entre las distribuciones de variable continua más importantes son las
siguientes:
Distribución beta
Distribución de Cauchy
Distribución de Erlang
Distribución de Gumbel
Distribución de Pareto
Distribución de Rayleigh
Distribución exponencial
Distribución F
Distribución gamma
Distribución log-normal
Distribución t de Student
Distribución χ²
Distribución de Fréchet
Distribución de Laplace
Distribución logística
Distribución normal multivariante
Distribución normal
Distribución uniforme continua
Distribución de Weibull
 Distribución uniforme:
Se dice que una variable aleatoria X sigue una distribución continua
uniforme cuando su función de densidad f(x) es constante en el intervalo
[a, b].
k a  x  b
f(x)  
0 otro valor

Determine el valor de k 1 ab (b - a)2

k m=E(X)=  =V(X)=
2
Encuentre E(X) y V(X) b-a 2 12

Se sabe que en una empresa, los años de experiencia de los

trabajadores de planta tienen una distribución uniforme con un mínimo
de 0 y un máximo de 12.5 años. Se elige un empleado al azar.
Determine la probabilidad de que esta persona tenga entre 2.5 y
7.5años de experiencia en la compañía.
Sea X: años de experiencia de un trabajador. Rta. 0.4
Distribución normal
Se dice que una variable aleatoria continua X sigue una distribución normal de
media μ y desviación estándar  si su función de densidad es
1  x -m 2
1 -  
2  
f(x)  e - x 
2
En el lenguaje cotidiano utilizamos la palabra “normal” cuando nos referimos a
algo que es usual, común o de práctica generalizada, aceptado por la mayoría,
cuando es algo que ocurre con frecuencia La importancia de esta distribución
radica en que permite modelar numerosos fenómenos naturales, sociales
económicos, morfológicos, psicológicos, los cuales tienen comportamiento
normal. En particular, las medidas de magnitudes físicas, alturas de un grupo
de población, las medidas de calidad de procesos industriales, o la distribución
de temperaturas de una población, se pueden aproximar por distribuciones
normales. Además, los errores en las medidas también se aproximan con
mucha exactitud a la distribución normal. Por otra parte, bajo ciertas
condiciones, la distribución normal constituye una buena aproximación a otras
distribuciones de probabilidad, como la binomial y la de Poisson.
Frecuentemente, a la distribución normal se la denomina también distribución
gaussiana.
 Distribución normal
La distribución de probabilidad normal posee las siguientes características principales.

Tiene forma de campana y posee una sola cima en el centro de la distribución.

La media aritmética, la mediana y la moda son iguales, y se localizan en el centro de la
distribución.

El área total bajo la curva es de 1.00. La mitad del área bajo la curva normal se localiza a
la derecha de este punto central, y la otra mitad, a la izquierda.

Es simétrica respecto de la media.

La distribución es asintótica. La curva se aproxima más y más al eje X, sin tocarlo en

realidad. las colas de la curva se extienden indefinidamente en ambas direcciones.
La localización de una distribución normal se determina a través de la media, μ.
La dispersión o propagación de la distribución se determina por medio de la
desviación estándar, σ.

Distribución de probabilidad normal estándar

Es aquella distribución con media de 0 y una desviación estándar de 1, es única
Cualquier distribución de probabilidad normal puede convertirse en una
distribución de probabilidad normal estándar, su área esta tabulada

normal estándar
 Para convertir cualquier distribución normal a una distribución de probabilidad
normal estándar se resta la media a cada observación y se divide esta diferencia
entre la desviación estándar. Los resultados reciben el nombre de valores Z o
valores tipificados. z2
X -m 1 -
Z f(z)  e 2
 2
X es el valor de cualquier observación y medición.
μ es la media de la distribución.
σ es la desviación estándar de la distribución

Una población normal tiene una media de 20 y una desviación estándar de 4

X  25
Calcule el valor Z asociado con 25
m  20
X - m 25 - 20
4 Z   1.25
 4
Una población normal tiene una media de 12.2 y una desviación estándar de 2.5.
Calcule el valor z asociado con 10.1
X  10.1 X - m 10.1 - 12.2
Z   -0.84
m  12.2  2.5
  2.5 Z puede negativo, cero o positivo
La regla empírica
La regla empírica nos dice que si una distribución es normal, entonces
aproximadamente:
68% de los datos caerán dentro de una desviación estándar de la media;
95% de los datos caerán dentro de dos desviaciones estándar de la media; y
99.7 % de los datos caerán dentro de tres desviaciones estándar de la media.

Escala X

Escala Z
 Área acumulada bajo la curva normal
2
z0
1 -z
P(Z  z0 )   2
e 2 dz  F(z0 )
-
Entero y
primer segundo decimal Consideremos z=0.48
decimal P(Z  0.84)  F(0.84)  0.7995

Z  0.84
 Cálculo de área en una normal estándar o tipificada
Caso 1

a
Caso 2

Caso 3
P(Z  a)  F(a) P(Z  1.13)  F(1.13)  0.8708
P(Z  a)  1 - F(a) P(Z  0.67)  1 - F(0.67)  1 - 0.7486  0.2514

P(a  Z  b)  F(b) - F(a) P(0.48  Z  1.62)  F(1.62) - F(0.48)

a b  0.9474 - 0.6844  0.263
 La media de los pesos de los estudiantes de un colegio es de 70 kg y la desviación
típica 3 kg. Suponiendo que los pesos se distribuyen normalmente, encuentre la
probabilidad de que un estudiante pese:
a. Menos de 73 kg
b. Más de 74 kg.
c. Entre 66 y 75 kg
d. 68 kg
Sea X: peso de un estudiante
m  70 X - m X - 70 Para el uso de la tabla hay que
Z  redondear Z a dos decimales
3  3
73 - 70
Menos de 73 kg X  73 Z 1 P(X  73)  P(Z  1)  F(1)  0.8413
3
74 - 70
Más de 74 kg. X  74 Z  1.33 P(Z  1.33)  1 - F(1.33)  1 - 0.9082  0.0918
3

66 - 70
Z  -1.33 P(-1.33  Z  1.67)  F(1.67) - F(-1.33)
3
Entre 66 y 75 kg  0.9525 - 0.0918
75 - 70
X  75
Z  1.67  0.8607
3
68 kg X  68 P(X  68)  0 La probabilidad en un punto es cero
Se supone que el puntaje obtenido en el examen final de un curso introductorio
de una clase es una variable aleatoria con distribución normal con media 73
puntos y desviación estándar 8 puntos.
a. ¿Cuál es la probabilidad de obtener en este examen un puntaje mayor de 80?
b. ¿Qué porcentaje de estudiantes obtuvo un puntaje entre 65 y 89?
c. ¿Cuál fue el puntaje superado sólo por el 5% de los estudiantes que hicieron
el examen?
d. Si se eligen 6 estudiantes en forma independiente ¿Cuál es la probabilidad de
que por lo menos 4 tengan una nota mayor de 80?
m  73
Sea X: peso de un estudiante X - m X - 73
8 Z 
 8
a. P(X  80)  P(Z  0.875)  0.80921 d. En este caso es binomial con
b. P(65  X  89)  P(-1  Z  2)  0.81859 n=6 y p  0.80921
Sea Y: cantidad de estudiantes
c. P(X  a)  P(Z  z0 )  0.05
con nota mayor a 80
De la tabla normal z0=1.645
P(Y  4)  0.91211
X - 73 X  86.16
1.645 
8
La función gamma 
La función gamma se define (a)   x a-1e- x dx para a0 y propiedad fundamental
si n es natural (n)  (n - 1)! 0

Distribución Gamma
La variable aleatoria continua X tiene una distribución gamma, con parámetros a y b,
si su función de densidad está dada por
1
f(x)  x a-1e- x/b x>0 con m=ab 2 =ab2
ba (a)

La distribución gamma se suele utilizar para modelar variables aleatorias que describen
el tiempo hasta que se produce a veces determinado suceso.
Distribución exponencial
La distribución gamma especial para la que a1 se llama distribución exponencial.
1
Haciendo b 
 1
f(x)  e- x/b  e-x x  0 m 
1 2 1
  2
b  
Existe una relación entre las distribuciones de Poisson y la exponencial. En la
Poisson tenemos cantidad de sucesos por unidad de tiempo, y en la exponencial
es el tiempo de espera entre sucesos de un proceso de Poisson
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de
operación antes del fallo, en años, está dado por X. La variable aleatoria X se
modela bien mediante la distribución exponencial con tiempo medio de operación
antes del fallo β = 5.
a. ¿cuál es la probabilidad de que un componente funcionen más de 8 años?
b. Si se instalan 5 de estos componentes en diferentes sistemas, ¿cuál es la
probabilidad de que al menos dos aún funcionen al final de 8 años?

1 1
En este caso =1/5=0.2 f(x)  0.2e-0.2x x  0 m  =5 2  2  25
0.2 0.2

a. P(X  8)   0.2e-0.2x dx  0.2019
8

En el inciso b el experimento es binomial con n5 y p=0.2019

Sea Y: cantidad de componentes que funcionan más de 8 años

b. P(Y  2)  0.2666
Distribución chi cuadrada
Otro caso especial muy importante de la distribución gamma se obtiene cuando
b2 y hacer a/2, donde es un  entero positivo. Este resultado se llama
distribución chi cuadrada (2). La distribución tiene un solo parámetro, ,
llamado grados de libertad.
La variable aleatoria continua X tiene una distribución chi cuadrada, con 
grados de libertad, si su función de densidad está dada por
1
f(x)   /2 x  /2-1e- x/2 x>0 m= 2  2
2 ( / 2)
Suponga que una variable aleatoria X tiene una función de densidad de probabilidad
dada por
f(x)  kx 3e-x/2 x>0
a. Encuentre el valor de k que haga de f(y) una función de densidad
 
3 - x/2 1
Tendría que cumplirse  kx e dx=  kx 3e -x/2dx =1 k
- 0
96
b. ¿Tiene Y una distribución χ2? Si es así, ¿de cuantos grados de libertad?

Si ya que b  2 - 1  3 de donde   8
2
c. ¿Cuales son la media y la desviacion estandar de Y?
m=  8     4
Se sabe que el tiempo de duración, en semanas, de cierto tipo de transistor sigue
una distribución gamma con media de 10 semanas y desviación estándar de 50
semanas.
a. ¿Cuál es la probabilidad de que el transistor dure a lo más 50 semanas?
b. ¿Cuál es la probabilidad de que el transistor no sobreviva las primeras 10
semanas?
Tenemos que m  ab  10 2  ab2  50
a 2 b5
X: tiempo de duración en semanas de cierto tipo de transistor

a. P(X<50)0.9995
b. P(X<10)=0.5940