Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Vilalta Alonso 1
Objetivo:
Bibliografía:
1. Walpole, R.; Myers, R.; Myers S. (2008). Probabilidad y Estadística para Ingenieros.
Parte I, capítulo 6, pp. 145-170. Sexta Edición, Editorial Félix Varela, La Habana,
Cuba.
Introducción.
En la clase anterior se estudiaron dos (aunque se mencionaron tres) de las variables alea-
torias discretas más utilizadas y de mucha importancia en varias áreas del conocimiento
de la Ingeniería Industrial, que son las variables aleatorias con distribuciones de probabi-
lidad Binomial y Poisson.
Recordemos que las variables aleatorias continuas son variables que toman valores en un
intervalo y que a sus leyes o distribuciones de probabilidad se le llaman funciones de den-
sidad probabilísticas.
Además, esta variable está muy relacionada con la variable Poisson, por lo que general-
mente se dene una variable Exponencial como:
X ∼ e(λ) o e(x; λ)
Siendo e=2.71828. . .
P (X ≥ x) = e−λx
P (X ≤ x) = 1 − e−λx
1
E(X) = λ
1
V (X) = λ2
Las variables que tienen un comportamiento Exponencial tienen una importante propie-
dad conocida como pérdida de la memoria. Esta propiedad se puede expresar de la
siguiente manera:
Es decir, si usted quiere calcular la probabilidad de que el tiempo que transcurre entre dos
éxitos consecutivos Poisson sea mayor que un determinado valor t, el resultado obtenido
será independiente del tiempo ya transcurrido desde que ocurrió el último éxito.
Ejemplo 1: A una estación de servicio llegan los clientes a razón de 0,5 clientes como
promedio por minutos, en el horario comprendido entre las 8 am y las 12 m, según una
ley Poisson.
a. Calcule la probabilidad de que transcurra más de 1 minuto sin que llegue un cliente.
c. ¾Cuál es el tiempo medio que transcurre entre la llegada de dos clientes consecutivos?
X ∼ P (λ = 0, 5)
Dr. C. Ing. José A. Vilalta Alonso 3
Y ∼ e(λ = 0, 5)
c. E(X) = 1/0, 5 = 2 Como promedio transcurren dos minutos entre dos llegadas
consecutivas de clientes.
La variable aleatoria Normal es, con casi absoluta certeza, el tipo de variable más uti-
lizada. Esto se debe a que muchas variables en la vida real tienen un comportamiento
probabilístico normal, a que bajo determinadas condiciones muchas variables pueden ser
tratadas como variables con distribución normal aunque originalmente no lo sean y, en
consecuencia, muchos de los métodos clásicos de la estadística tienen como requisito para
su aplicación que la variable objeto de estudio siga este tipo de distribución.
Esto hace que en muchas otras asignaturas de la carrera sea de amplio uso el estudio de
variables con distribuciones Normal.
1 (X−µ)2
f (x) = √ e− 2σ2 (2)
σ 2π
Denida en el intervalo −∞ ≤ X ≤ ∞
Los parámetros de una variable y su distribución Normal son la media o promedio (µ) y
2
la varianza (σ ) o su desviación típica o estándar (σ ).
X ∼ N (µ; σ 2 ), que se lee como que X es una variable que tiene distribución Normal con
2
media µ y varianza σ .
Como puede apreciarse mientras mayor es la desviación típica (σ ) de la variable más acha-
tada es la curva, representando la mayor dispersión de los valores de la variable respecto
Dr. C. Ing. José A. Vilalta Alonso 5
El área bajo la curva entre dos valores de X es la probabilidad de que la variable tome
valores en ese intervalo, como se muestra en la gura 4.
Como el área bajo la curva sobre el eje X representa la probabilidad de que la variable X
tome valores en determinado intervalo entonces, como es lógico pensar, el área total bajo
la curva es igual a uno.
Esto último implica, tanto desde el punto de vista teórico como práctico, que la utilización
del signo igual (=) es irrelevante en el caso de las variables continuas y particularmente
en el caso de la normal:
P (X ≥ a) = P (X > a)
P (X ≤ a) = P (X < a)
Dr. C. Ing. José A. Vilalta Alonso 6
Una explicación muy interesante relacionada con este asunto puede encontrarse en el libro
55 Respuestas a Dudas Típicas de Estadística de los profesores Roberto Behar y Pere
Grima. Para ello debe buscar la respuesta a la pregunta 15, en el capítulo Distribuciones
de probabilidad.
Esta característica es muy importante por su utilización en las decisiones que se toman
en determinados métodos estadísticos que se basan en la misma. Además, nos ayuda a
comprender el signicado de la desviación típica. La gura 5 representa esta situación.
Para cumplir con varios objetivos, entre ellos facilitar el cálculo de probabilidades asocia-
das a variables normales, se dene la variable Normal estándar o típica Z.
X −µ
Z= (3)
σ
Puede demostrarse que si X es una variable Normal con media µ y varianza σ2, entonces:
Z ∼ N (µ = 0; σ 2 = 1)
Dr. C. Ing. José A. Vilalta Alonso 7
Debe quedar claro que no es una cuestión de nombres o letras. La denominación X se re-
ere a cualquier variable con distribución Normal que tenga media y varianzas diferentes
de cero y uno respectivamente.
Ejemplo 2: Suponga que se tiene una variable X con distribución Normal con media 10
y varianza 4.
X ∼ N (µ = 10; σ 2 = 4)
a. X >11
X −µ 11 − 10
P (X > 11) = P ( > ) = P (Z > 0, 5) = 0, 3085 (4)
σ 2
b. X >11,5
X −µ 11, 5 − 10
P (X > 11, 5) = P ( > ) = P (Z > 0, 75) = 0, 2266 (5)
σ 2
Note que para encontrar el valor 0,75 debe buscar por la izquierda el valor 0,7 y completar
la segunda cifra decimal por la parte superior de la tabla. Esto lo puede observar en la
gura 7.
a. 168 g
b. Más de 170 g
c. Más de 171 g
d. Menos de 169 g
e. Más de 168 g
Respuestas.
X ∼ N (µ = 170; σ 2 = 16)
a. P(X = 168) = 0
b. P(X>170) = 0,5
Note que en estos casos no fue necesario tipicar, es decir convertir la variable X en una
variable Z porque las probabilidades no se calcularon, sino que se usó el conocimiento
que se tiene sobre las características de la función de densidad probabilística normal para
llegar a los resultados.
Dr. C. Ing. José A. Vilalta Alonso 9
c. P (X > 171)
X −µ 171 − 170
P (X > 171) = P ( > ) = P (Z > 0, 25) = 0, 4013 (6)
σ 4
d. P (X < 169)
X −µ 169 − 170
P (X < 169) = P ( < ) = P (Z < −0, 25) (7)
σ 4
Esta probabilidad no puede ser buscada directamente en la tabla. Se requiere una pequeña
transformación. Observe lo que se ha representado en la gura 9.
Por lo tanto:
X −µ 169 − 170
P (X < 169) = P ( < ) = P (Z < −0, 25) = P (Z > 0, 25) = 0, 4013 (8)
σ 4
e. P (X > 168)
X −µ 168 − 170
P (X > 168) = P ( > ) = P (Z > −0, 5) (9)
σ 4
Esta probabilidad tampoco puede obtenerse directamente de la tabla. Para ello se hará
una transformación, partiendo de la idea representada en la gura 10.
Por lo que:
Teniendo en cuenta todo lo analizado para los casos anteriores puede concluirse que:
P (168 < X < 172) = P (−0, 5 < Z < 0, 5) = 1 − 2P (Z > 0, 5) = 1 − 2(0, 3085) = 0, 3830
(12)
Las probabilidades calculadas en el ejemplo le van a permitir, a partir de su cuidadoso
estudio, ser capaz de calcular cualquier otra que se le pueda presentar. Debe tener muy
en cuenta tres aspectos. La probabilidad que tiene que calcular, las características de la
curva normal y las de la tabla de la que dispone.
Con el uso de Minitab se pueden calcular estas probabilidades, haciendo uso de la siguien-
te secuencia:
Solo que en ese caso Minitab devuelve la probabilidad acumulada hasta un cierto valor:
P (X < x)
Esto se trata de realizar el proceso inverso al que se realizó para el cálculo de las proba-
bilidades. Veamos un ejemplo.
a. ¾Cuál es, aproximadamente, el peso mínimo del 5 % de las bolsas más pesadas?
P (X > Xa ) = 0, 05
Pero la tabla de que se dispone es para la variable Normal estándar Z, por lo que es
necesario tipicar:
X −µ xa − 170 xa − 170
P( > ) = P (Z > ) = 0, 05 (13)
σ 4 4
Por lo que:
xa − 170
(14)
4
Será igual al valor de Z que acumule por encima de él una probabilidad de 0,05. Es decir,
Z0,05 .
xa − 170
Z0,05 = ≈ 1, 64 (15)
4
Dr. C. Ing. José A. Vilalta Alonso 13
Xa ≈ 176, 6g
b. ¾Cuál es, aproximadamente, el peso máximo del 10 % de las bolsas menos pesadas?
Al igual que en el caso anterior el área sombreada representa ahora el 10 % de las bolsas
menos pesadas. En término de probabilidades lo que está representado en la gura puede
escribirse como:
P (X < Xa ) = 0, 10
Tipicando:
Dr. C. Ing. José A. Vilalta Alonso 14
X −µ xa − 170 xa − 170
P( < ) = P (Z < ) = 0, 10 (16)
σ 4 4
xa −170
Pero observe que es negativo, por ser Xa < 170. Por lo tanto, para poder entrar
4
a la tabla habría que invertirlo, teniendo en cuenta la propiedad de simetría. Quedaría
como sigue:
xa − 170 170 − xa
P (Z < ) = P (Z > ) = 0, 10 (17)
4 4
170 − xa
Z0,10 = ≈ 1, 28 (18)
4
Xa ≈ 164, 9
Ejercicio 1: ¾Cuál sería, aproximadamente, el peso mínimo del 50 % de las bolsas más
pesadas? ¾Y el peso máximo del 50 % de las bolsas menos pesadas?
Suponga que se toma una muestra de tamaño n. Pudiera denirse, en ese caso, la variable
aleatoria:
X ∼ N (µ; σ 2 ), entonces:
2
X̄ ∼ N (µ; σn )
Es decir, media muestral tiene la misma media o promedio de la variable original (µ),
σ2 σ
pero tiene una menor varianza ( ) y por lo tanto una desviación típica que es √ .
n n
Por lo tanto, para convertir la variable X̄ en una variable Z, mediante la tipicación, sería
necesario la siguiente operación:
X̄ − µ
Z= (19)
√σ
n
Recordando:
µ = 170 σ = 4 n = 16
X̄ − µ 171 − 170
P (X̄ > 171) = P ( > ) = P (Z > 1) = 0, 1587 (20)
√σ 4
n 4
Dr. C. Ing. José A. Vilalta Alonso 16
Una utilización muy importante de la distribución Normal está condicionada por las si-
guientes dos características:
Ejemplo 6: Considere una caja en la que se envasan 4 productos del mismo tipo. El peso
de cada producto es una variable Normal con media 100 g y desviación típica de 3 g. El
peso de la caja vacía también es una variable Normal con media 10g y desviación típica de
1 g. Calcule la probabilidad de que al seleccionar una caja aleatoriamente este pese más
de 415 g. Suponga que el peso de cada producto y de la caja son variables independientes.
Xi : peso de producto i
W = X1 + X2 + X3 + X4 + Y
Xi ∼ N (100; 9)
Y ∼ N (10; 1)
σw2 = 9 + 9 + 9 + 9 + 1 = 37
W ∼ N (410; 37)
W − µW 415 − 410
P (W > 415) = P ( > √ ) = P (Z > 0, 82) = 0, 2061 (21)
σW 37
Ahora dedicaremos un breve espacio a comentar uno de los resultados más importantes
en los que se sustenta buena parte de la teoría estadística: el Teorema Central del Límite.
El Teorema Central del Límite postula que, en condiciones muy generales respeto a
las distribuciones de los sumandos, la suma de variables aleatorias independientes tiende
a distribuirse normalmente a medida que aumenta el número de sumandos. Esto justi-
ca, en alguna medida, el amplio uso de la distribución Normal en las aplicaciones de la
estadística.
En la práctica esto es muy útil porque implica que se puede modelar la variable aleatoria
media muestral (X̄ ) por medio de la distribución Normal, aun cuando la población origi-
nal de donde se extrae la muestra tenga otra distribución distinta a la Normal, exigiendo
para su aplicación un conjunto no muy fuerte de restricciones que, en la práctica se suelen
cumplir, entre ellos que el tamaño de la muestra sea relativamente grande.
Aunque el cálculo de probabilidades para variables con distribución Binomial es muy sen-
cillo a partir del uso de las tablas disponibles o con la utilización de un gran número de
softwares, hay una estrecha relación entre la variable Binomial y la Normal, que permite
que, bajo determinadas condiciones, pueda usarse la distribución Normal como aproxima-
ción de la Binomial. Esto es un resultado práctico del Teorema Central del Límite.
En el libro de texto, epígrafe 6.5 del capítulo 6, se aborda esta problemática que los in-
teresados pueden consultar.