DISTRIBUCIONES CONTINUAS

COMPILACIÓN REALIZADA POR:

ALEJANDRINA DE BOUTAUD
DISTRIBUCION DE PROBABILIDADES
CONTINUAS

Cuando la variable aleatoria puede tomar cualquier

valor dentro de un rango o intervalo de valores
dado, le llamamos variable continua. Así para
eventos continuos no es apropiado hablar de la
probabilidad de que ocurra uno de ellos en
particular, porque la probabilidad es infinitamente
pequeña. Más bien se habla de la probabilidad e
de que ocurra un evento comprendido entre dos
puntos- Por ejemplo las utilidades de una
compañía están entre 1,000.00 y 2000.00 dólares.
 DISTRIBUCIÓN NORMAL
DISTRIBUCIÓN NORMAL

 Es la distribución de probabilidades más

importante e en todo el campo de la
estadística.
 Su gráfica, llamada curva normal; es la curva
en forma de campana que describe la
distribución de los conjuntos de datos que
ocurren en la naturaleza, industria y la
investigación.
DISTRIBUCIÓN NORMAL

 La distribución normal fue reconocida por primera

vez por el francés Abraham de Moivre (1667-
1754). Posteriormente, Carl Friedrich Gauss
(1777-1855) elaboró desarrollos más profundos y
formuló la ecuación de la curva; de ahí que
también se la conozca, más comúnmente, como la
"campana de Gauss". La distribución de una
variable normal está completamente determinada
por dos parámetros, su media y su desviación
estándar.
IMPORTANCIA Y APLICACIONES DE LA
DISTRIBUCIÓN NORMAL
En resumen, la importancia de la distribución
normal se debe principalmente a que hay muchas
variables asociadas a fenómenos naturales que
siguen el modelo de la normal.
 Caracteres morfológicos de individuos (personas,
animales, plantas,...) de una especie, por ejemplo
tallas, pesos, envergaduras, diámetros,
perímetros,...
 Caracteres fisiológicos, por ejemplo: efecto de una
misma dosis de un fármaco, o de una misma
cantidad de abono.
 Caracteres sociológicos, por ejemplo: consumo de
cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
IMPORTANCIA Y APLICACIONES DE LA
DISTRIBUCIÓN NORMAL …

 Caracteres psicológicos, por ejemplo: cociente

intelectual, grado de adaptación a un medio,...
 Errores cometidos al medir ciertas magnitudes.
 Valores estadísticos muestrales, por ejemplo: la
media.
 Otras distribuciones como la binomial o la de
Poisson son aproximaciones normales, ...
 Y en general cualquier característica que se
obtenga como suma de muchos factores.
 FUNCION DE DENSIDAD
Definición: Es una función no negativa de integral 1.
0.25

Se puede pensar como la

0.20
generalización del
histograma con frecuencias
relativas para variables 0.15
continuas.

p ( a  x  b)  0.10

0.05
b

a f ( x).dx 0.00

10

11

12

13

14

15
1

9
a b
FUNCION DE DENSIDAD

La curva normal adopta un número infinito de formas,

determinadas por sus parámetros y expresada por la
función de densidad: f(x) =

x 
 2
1 x
-  
1 2  
e
e

 2 constante para
un  dado
donde:
 (media) y  (desviación típica) son parámetros de
la distribución
e = 2.718 (base de Ln)
x = valores observados de la variable en estudio
PARÁMETROS

 La distribución normal queda definida por dos

parámetros, su media y su desviación típica
y la representamos así:

CARACTERÍSTICAS DE LA DISTRIBUCIÓN NORMAL
• Tiene forma de campana, es asintótica al eje de las abscisas
(para x =  )
• Simétrica con respecto a la media () donde coinciden la mediana
(Mn) y la moda (Mo )
• Los puntos de inflexión tienen como abscisas los valores   

   +
 -  , Mo, Mn  + 
Características de la distribución de
probabilidad normal
 La curva normal tiene forma de campana. La media, la
moda y la mediana de la distribución son iguales y se
localizan en el centro de la distribución.
 La distribución de probabilidad normal es simétrica
alrededor de su media. Por o tanto, la mitad del área
bajo la curva está antes del punto central y la otra mitad
después. El área total bajo la curva es igual a 1.
 La curva normal se aproxima de manera asintótica al
eje horizontal conforme se aleja de la media en
cualquier dirección. Esto significa que la curva se acerca
al eje horizontal conforme se aleja de la media, pero
nunca lo llega a tocar.
La familia de la distribución de
probabilidad normal
 Cuando se habla de la distribución normal,
realmente se está hablando de una familia de
curvas. Como se puede apreciar en la función de la
curva normal, la curva depende de dos variables
además de la variable independiente x, tales
como la media (µ), y la desviación estándar (σ).
Por lo tanto se tendrán curvas diferentes para
funciones con desviación estándar diferente aún
cuando sus medias fuesen iguales, como se
muestra enseguida.
La familia de la distribución de
probabilidad normal

Curvas normales con media igual y desviación estándar diferente.

Si por el contrario, las curvas tienen desviación estándar igual y la media es
diferente, las curvas serán idénticas pero centradas en diferente posición en el
eje horizontal.
La familia de la distribución de
probabilidad normal
 Si por el contrario, las curvas tienen desviación estándar
igual y la media es diferente, las curvas serán idénticas
pero centradas en diferente posición en el eje horizontal.

 Curvas normales con desviación estándar igual y

media diferente
 Si las curvas tienen la media diferente y también la
desviación estándar diferente, aparte de estar centradas
en diferentes lugares del eje x, tendrá formas diferentes.
La distribución normal estándar
 El área bajo la curva normal y sobre el eje x es igual a la
probabilidad de que la variable aleatoria x tome un valor dentro de
cierto intervalo. Para medir esta área es necesario calcular la
integral de la función de la curva normal para un intervalo de
valores. Para evitar la dificultad de resolver integrales es necesario
tabular las áreas que corresponden a cada valor de x. Como el
número de distribuciones normales es ilimitado sería una tarea sin
fin intentar establecer tablas para cada combinación de µ y σ.
Afortunadamente, un miembro de la familia de las distribuciones
normales puede ser usado en todos los problemas donde la
distribución normal es aplicable, esta es la distribución normal con
media cero y desviación estándar 1, la cual es llamada distribución
normal estándar.
 Cada distribución normal deberá estandarizarse, es decir,
transformarse a una distribución normal estándar, utilizando un
valor z, o variable aleatoria estándar.
 ¿Cómo calcular probabilidades asociadas a una
curva normal específica?
Dado que tanto  como  pueden asumir infinitos valores lo
?? para todas las
que hace impracticable tabular las probabilidades
posibles distribuciones normales, se utiliza la distribución
normal reducida o tipificada

Se define una variable z= x -



Es una traslación , y un cambio de escala de

la variable original
 La nueva variable z se distribuye como una
NORMAL con media  = 0 y desviación típica  = 1
Una regla empírica indica que en cualquier distribución normal
las probabilidades delimitadas entre :  1  68 %
 2  95 %
 3  99 %

95%
68%
99%
68%

95%
99% z
-3 -2 -1 0 1 2 3
Pero para valores intermedios esta regla es insuficiente.
Las probabilidades de la variable tipificada (z) están
tabuladas para los diferentes valores de la variable.
Entonces una vez transformada la variable a valores de z
se busca en la tabla el área correspondiente
Hay varios tipos de tablas de la distribución normal
La que se explica aquí representa las áreas para los
diferentes valores de z desde 0 hasta +

Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica

+
0
la tabla consta de: *Margen izquierdo : Los enteros de z y
su primer decimal
* Margen superior: segundo decimal
* Cuerpo de la tabla: áreas correspondientes,
acumuladas, desde 0
hasta 3.99

0 1 2 3 4 5 6 7 8 9

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....

0.5 .1915 ....

 EJEMPLOS:
1.-¿Cuál es la probabilidad de que un
valor de z esté entre 0 y 2.03?

2.-¿Cuál es la probabilidad de que un

valor de z esté entre -2.03 y +2.03?

3. Hallar P( z >1.25 ) 4. Hallar P ( -0.34 < z < )

5. Hallar P ( 0.34 < z < 2.30 )

EJEMPLO Nº 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y 2.03?
Se busca en la tabla el área correspondiente a z = 2.03

0 1 2 3 4
1.8
1.9
2.0 0.47882
2.1

47. 88%

z
-3 -2 -1 0 1 2 3
 EJEMPLO Nº 2
¿Cuál es la probabilidad de que un valor de z esté entre 0 y 2.03?
Cómo la curva es simétrica
P (-2.03 < z < 0) = P (0 < z < 2.03)
Es decir que:
la probabilidad (0 a -2.03)=
probabilidad (0 a +2.03)

?
-3 -2 -1 0 1 2 3 z
 EJEMPLO Nº 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?

En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y

2.03= 0.4788
La misma área hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.9576

?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
 EJEMPLO Nº 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
1.- La probabilidad de 0 < z < + = 0.500 (es decir la probabilidad entre 0 y +∞= 0.5
2.- La probabilidad de 0 < z < 1.25 = 0.39435 (probabilidad entre 0 y 1.25=0.3944
3.- La probabilidad de z > 1.25 =0.500 - 0.3944= 0.1056

50%

39.44%

10.56%
?
-3 -2 -1 0 1 z 2 3
 EJEMPLO Nº 4
Hallar P( -0.34 < z <  )
P(-0.34 < z < 0) = 0.13307 = P(0 < z <0.34)
P (0 < z <  ) = 0.50000 63.31%
P( -0.34 < z < ) =
0.13307 + 0.50000 = 0.63307

13.31% 50%

-3 -2 -1 0 1 2 3
EJEMPLO Nº 5
Hallar P( 0.34 < z < 2.30) P(0< z <0.34) = 0.13307 ( p(0 a 0.34)=.1331)
P( 0 < z < 2.30) = 0.48938 (p(0 a 2.30)=0.4894)
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623

35.62%

z
-3 -2 -1 0 1 2 3
EJEMPLO Nº 6

Sea una variable distribuida normalmente con media

 = 4 y desviación típica  = 1.5.
¿Cuál es la probabilidad de encontrar un valor x  6
(P(x  6 ))?
 =4  = 1.5 Hallar P ( x > 6 )
xμ
1.- transformar x en un valor de z z
z = (6 - 4)/1.5 = 1.33 σ
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 = 0.5

0.40824

0.09176
? x
-0.5 1 2.5 4 5.5 6 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
 EJEMPLO Nº 7
Hasta ahora vimos como dado un valor x de la variable,
hallar probabilidades transformando (estandarización) la
x-
variable en valores de z=

¿Cómo hallar un valor de x, dada la probabilidad?
Ejemplo: Sea una variable distribuida normalmente con  =4 y  =2 .
Hallar el valor de x que deja por encima de él un 38.20% (0.3820)
Se debe desestandarizar :
x=z+

0.5000 - 0.382 = 0.118  Se busca en la

tabla el valor más aproximado :0.1179 38.20%
corresponde a z =+ 0.30

Sustituyendo en la fórmula x=?

4.60
0.30x2+4 =4.60
 CASOS MÁS FRECUENTES.
La distribución de la variable Z se encuentra tabulada

p(z≤a)= 0.5 + p(a)

 CASOS MÁS FRECUENTES.

p(z>a)= 0.5 - p(a)

CASOS MÁS FRECUENTES.

p(-a≤Z≤ a)= p(-a) + p(b)

CASOS MÁS FRECUENTES.

p(-a≤Z≤ a)= p(b) - p(a)

Práctica

 Los coeficientes intelectuales de 600 aspirantes de

cierta universidad se distribuyen aproximadamente
de forma normal con una media de 115 y una
desviación estándar de 12. Si se selecciona un
aspirante al azar, encuentre la probabilidad de que:
a) Tenga un coeficiente mayor de 120.
b) Tenga un coeficiente menor de 100.
c) Tenga un coeficiente menor de 122.
d) Tenga un coeficiente entre 115 y 125.
e) Tenga un coeficiente entre 90 y 105.
 La tabla que e usa para este ejemplo es

ESTE EJEMPLO LO
RESOLVEREMOS CON UNA
TABLA DIFERENTE A LA QUE
TENEMOS EN CLASE (LA CUAL
SEÑALA LOS VALORES DE O A
Z). La tabla que se presenta
señala los valores de z a ∞
LOS RESULTADOS DEBEN SER
IGUALES AL FINAL
Solución
a. Se dibuja la curva Normal con
los datos µ=115 y σ=12; x>120
Se calcula Z

xμ
z = 120-115 = 5= 0.42 Z 2

σ 12 12 0.4 .3372

Respuesta: La probabilidad de que

sea mayor es del 33.72%
Solución
 b) Para encontrar la probabilidad de que un aspirante tenga un
coeficiente intelectual menor de 100, primero se traza la curva de
la distribución normal original, para luego transformarse en la
distribución normal estándar.
 El valor z se calcula con la fórmula:
 Z =X - µ=100 - 115= -1.25
 12
En la tabla de áreas bajo la curva
normal no se tabularon valores z
negativos, pero como la curva
normal es simétrica, el área a la
izquierda del valor z = -1.25 es
del mismo tamaño que el área a
la derecha del valor z = 1.25, por
lo que solo se necesita buscar en
la tabla el área correspondiente al
valor positivo. Respuesta: La probabilidad que
Z 5 tenga un coeficiente intelectual
1.25 .1056 menor de 100 es del 10.56%
 Solución c-Tenga un coeficiente menor de 122.
 Para encontrar la probabilidad de que la variable aleatoria
sea menor de 122, hay que estandarizar la distribución
obteniendo el valor z correspondiente al valor de x = 122.

x-µ 122 – 115 Z 8

z= = = 0.58
σ 12 0.58 .28096

El área de .28096 corresponde a la

que se encuentra a la derecha del
valor z, pero no es la que nos
interesa en esta vez, el área que
queremos encontrar es la que se
encuentra a la izquierda del valor z,
que podemos calcular restando el
área de .28096 al área total bajo la
curva que es 1.
P( x < 122 ) = 1 - .28096 = .71904
 Solución  d) Para encontrar el área que se encuentra
entre x = 115 y x = 125 hay que encontrar
el área a la derecha de cada uno de esos
valores. A la derecha de 115 ( la media ) el
área es .5, para encontrar el área a la
derecha de 125 hay que encontrar en la
tabla el valor z correspondiente.
x- µ 125 – 115 Z 3
z= = = 0.83
σ 12 0.83 .20327

El área a la derecha de x = 125 es

parte del área a la derecha de x =
115, si la restamos obtendremos el
área que se encuentra entre los dos
valores.
P( 115 < x < 125 ) = .5 - .20327 =
.29673
Respuesta: Para 115<X<125 la probabilidad es
de 29.67%
Solución
 e) Para encontrar el área que se encuentra
entre x = 90 y x = 105, hay que encontrar en
la tabla el área a la izquierda de cada uno de
esos valores. Al estar en el lado izquierdo de
la curva, por simetría, el área es la misma que
la correspondiente a los valores z positivos.

x- µ 90 – 115 Z 8
z= = = - 2.08
σ 12 2.08 .01876

x-µ 105 – 115 Z 3

z= = = -0.83
σ 12 0.83 .20327

Restamos=P( 90 < x < 105 ) = .20327 - .01876 = .18451

Respuesta: La probabilidad 90 < x < 105 es de 18.45%

 APROXIMACION A LA NORMAL DE LA
DISTRIBUCIÓN BINOMIAL

 Utilizar una distribución normal (distribución continua)

como un sustituto para una distribución binomial
(distribución discreta) para valores considerable de n,
una distribución binomial se acerca más a una
distribución normal.
 APROXIMACION A LA NORMAL DE LA
DISTRIBUCIÓN BINOMIAL
La distribución Binomial converge a la normal cuando n
tiende a  (teorema de de Moivre, caso particular del teorema
central del límite)

b  0.5
n x n x
q de 
lim  C x p Abraham Moivre f ( x )  dx
n a ,b a  0.5de las probabilidades”
En su obra “ La doctrina
es N (np, npq)
se encuentra la primera enunciación de la regla
de la multiplicación, y en sus dos últimas
ediciones aparecen las primeras indicaciones de
la distribución normal (1733) a partir del
teorema de Bernouilli
p(x)

a b
a -0.5 b + 0.5
CORRECCIÓN POR CONTINUIDAD

 Hay que tener en cuenta que para realizar

correctamente esta transformación de una
variable discreta (binomial) en una variable
continua (normal) es necesario hacer una
corrección de continuidad.
En la práctica la aproximación es buena cuando:

1.- np y nq  5

Factor de corrección por continuidad

El valor se 0.5 resta o suma, dependiendo de la

pregunta, a un valor seleccionado cuando una
distribución de probabilidades discreta se calcula por
medio de una distribución de probabilidad continua.
p(a≤x≤b)= p(a-0.5≤x’≤b+0.5); donde x’ es la variable
normal transformada
CORRECCIÓN POR CONTINUIDAD
CORRECCIÓN POR CONTINUIDAD
 EJEMPLO 1 - npq >5

Sea una variable Binomial con n = 40 y p = 0.4. Calcular mediante la

aproximación normal la probabilidad de obtener 8 éxitos

 = np = 16  = npq = 3.1

Se calcula la P( 7.5 < X < 8.5 )

Se realiza la prueba de las medias

SI np = 16 y nq = 24
z1 = 7.5-16/3.1 = -2.74 ; P = 0.4969
z2 = 8.5 - 16/3.1 = - 2.42 ; P = 0.4922

P(7.5<X<8.5) =
6.7 9.8 12.9 16
0.4969 - 0.4922 = 0.0047
7.5 8.5
EJEMPLO 2
 Evalúe p(1≤x≤4) para una variable binomial con n=15 y
p=0.2
 Prueba medias n*p=15*0.20=3; n*q=15*0.8=12
 A- distribución binomial
 p(1≤x≤4)=p(1)+p(2)+p(3)+p(4)=
 0.1319+0.2309+0.2502+0.1876=0.8006
 B- Aproximación a normal
 p(1≤x≤4) aplicando el factor de continuidad p(0.5≤x≤4.5)
 Z1=(0.5-3)/√15*0.2*0.8=-1.61---p(z1=1.61)=0.0537
 Z2=(4.5-3)/√15*0.2*0.8= 0.97---p(z1=0.97)=0.8340
 p(1≤x≤4)=0.8340-0.0537=0.7803
EJEMPLO 3
 Un fabricante sabe que en promedio el 2% de las
máquina de lavar que fabrica necesitan reparación
dentro de los 60 días después de su venta. ¿Cuál es la
probabilidad de entre 800 máquina de lavar
despachadas por el fabricante por lo menos 20
necesiten reparación dentro de los 60 días después de
vendidas.
 Prueba medias n*p=800*0.02=16; n*q=800*0.98=784
 Corrección por continuidad=20-0.5=19.5
 Z1=(19.5-16)/√800*0.02*0.98=0.88—p(z=.88)=0.8106
 P(x≥20)=1-0.8106=0.1894=18.94%
DISTRIBUCIONES
MUESTRALES

Distribución normal estándar Z Distribución normal de x

DISTRIBUCION DE PROBABILIDADES
MUESTRALES:
 La distribución de probabilidades de un
estadístico recibe el nombre de distribución
muestral. Así la distribución de probabilidades
de X se llama distribución muestral de la media.
La distribución muestral de un estadístico
depende del tamaño de la población, el tamaño
de la muestra y del método de selección.
DISTRIBUCIÓN MUESTRAL DE LA
MEDIA
 Independientemente de la forma de la
distribución de una población, la distribución
de los valores medios de las muestras de
tamaño “n” tomadas de esa población tendrá
una distribución normal cuando n tiende al
infinito
TEOREMA DEL LÍMITE
CENTRAL
 TEOREMA CENTRAL DEL LÍMITE

En condiciones muy generales la suma de n variables

aleatorias , independientes y con la misma distribución
tiende a la distribución normal a medida que n tiende a
infinito

lim f ( S n )  N (  ,  )
n 
S n  X 1  X 2  ... X n
TEOREMA DEL LÍMITE CENTRAL
Sea x1, x2, ..., xn una muestra aleatoria de
observaciones tomadas de la misma distribución y
sea E(Xi) =  y Var(Xi) = 2.
Entonces la distribución muestral de la variable
aleatoria:
(x  )
Zn 
/ n
converge a la normal standard N(0, 1) cuando n
tiende a infinito.
TEOREMA CENTRAL DEL LÍMITE
 Teorema del Límite Central. El TCL se cumple aún
cuando la distribución desde la que se toman las
observaciones no sea normal. Esto significa que si
nosotros nos aseguramos que el tamaño de la
muestra es grande, entonces podemos usar la
variable Zn para responder preguntas acerca de la
población de la cual provienen las observaciones.

 Así, para una población con una media µ y una

varianza σ², la distribución de las medias de todas
las muestras posibles de tamaño n generadas de la
población estarán distribuidas de forma
aproximadamente normal asumiendo que el tamaño
de la muestra es suficientemente grande.
TEOREMA CENTRAL DEL LÍMITE
TEOREMA CENTRAL DEL LÍMITE
 Con relación al teorema del límite central debemos
enfatizar en:
 Si el tamaño de la muestra n es suficientemente grande
(n > 30) la distribución normal de las medias será
aproximadamente normal. No importa si la población es
normal, sesgada u uniforme, si la muestra es grande el
teorema se aplicará.
 La media de la población y la media de todas las
posibles muestras son iguales. Si la población es grande
y un gran número de muestras son seleccionadas de
esa población entonces la media de las medias
muestrales se aproximará a la media poblacional.
DISTRIBUCION DE PROBABILIDADES
MUESTRALES:
 En la vida real es imposible calcular parámetros
poblacionales porque las poblaciones son muy grandes.
 En lugar de analizar toda una población, se toma una
muestra, luego se calcula un estadístico relacionado
con el parámetro que interesa, y se hace una inferencia.
 La distribución muestral de un estadístico es la
herramienta que nos dice cuán cerca está el estadístico
del parámetro.
 La distribución de probabilidades de un estadístico
recibe el nombre de distribución muestral. Así la
distribución de probabilidades de X se llama distribución
muestral de la media. La distribución muestral de un
estadístico depende del tamaño de la población, el
tamaño de la muestra y del método de selección.
DISTRIBUCIÓN DE LA MEDIA MUESTRAL CUANDO
LA POBLACIÓN ES NORMAL
 Se extraen muestras aleatorias de tamaño n de una población infinita con
media poblacional µ y varianza σ2:
 La media de las medias muestrales es igual a la media poblacional. Es
decir, La varianza de las medias muestrales es igual a la varianza
poblacional dividida por 
. 
x

 En consecuencia la desviación n estándar de las medias muestrales

(llamada también el error estándar de la media muestral), es igual a la
desviación estándar poblacional dividida por la raíz cuadrada de .Es
decir .  n
x 
n
Si la población fuera finita de tamaño N, se aplica el factor de corrección:
al error estándar de la media muestral
N n
N 1
DISTRIBUCÍONES MUESTRALES

 Zn= La variable normal de la media muestral

(x  )
Zn 
/ n
1/√n= factor de corrección de la desviación

= x Desviación estándar para los valores individuales

X= media aritmética de los valores individuales.

x= Media aritmética de la población objeto de la investigación.

EJEMPLO 1:

 Supóngase que el ingreso familiar anual de

cierta región tiene una media de $10,000 y
desviación estándar de $3,000. Se sabe que
el ingreso anual por familia no se distribuye
normalmente. Se selecciona aleatoriamente
una muestra de 100 familias y se calcula el
ingreso promedio ¿Cuál es la probabilidad de
que el ingreso promedio de la muestra
 a. sea mayor o igual que $11,200?
 b. sea mayor o igual que $10,450?
Solución

a-
 X=ingreso promedio de las 100 familias
 x=3000; n=100; x=B/.10,000.00
 Z=x =11,200-10,000 =4---p (z=4)=0
x/√n 300
b-
 Z=x =10,400-10,000 =1.5---p (z=1.5)=0.0668
x/√n 300
EJEMPLO 2

 Según Informe del MITRADEL: El salario básico

inicial promedio de los obreros no calificados
(sin antigüedad), es de $600 mensuales.
 Suponga que la distribución de los salarios tiene
un desvío estándar de $100. Cuál es la
probabilidad de que 25 obreros elegidos al azar
tengan un salario promedio mensual de menos de
$550?
Solución

x 550  600

P( x  550)  P(  )
x 100 25
 P( z  2,5)  0,0062
DISTRIBUCIÓN DE LA PROPORCIÓN
MUESTRAL

Si de una población distribuida Binomialmente con

probabilidad de éxito p, se extrae una muestra aleatoria de
tamaño n, entonces se puede mostrar que la media de X:
número de éxitos en la muestra, es   np y que su varianza
es  2
 npq . En consecuencia la proporción muestral
tiene media p, X y varianza pq. Entonces:
por el pˆ 
n n
Teorema del Limite Central, cuando n es grande se tiene:
X  np pˆ  p
z 
npq pq
n
EJEMPLO 3

Según reportes del centro nacional para estadísticas de

salud, alrededor del 20 % de la población masculina adulta
de los Estados Unidos es obesa. Se elige al azar una
muestra de 150 hombres adultos en los Estados Unidos.
¿Cuál es la probabilidad de que:

a) Haya a lo más 25 personas obesas?

b) Haya más de 22 pero menos de 35 obesos?
c) Haya por lo menos un 25% de obesos en la muestra?
Solución:
Sea X el número de personas obesas en la muestra.
Usando aproximación normal a la Binomial se tiene que:
a)
 25.5  30 
P X  25  P X  25.5  P Z    PZ  0.91  0.1814
 24 
b)  22.5  30 34.5  30 
P22  X  35  P22.5  x  34.5  P Z 
 24 24 

P 1.53  Z  0.91  0.8186  0.0063  0.8123

X  (.25 *150)  37.5

c. 37.5  30
pˆ  .25)  P( X  37.5)  P( Z  )
24
P(Z> 1.53) = 1-P(Z<1.53) = 1-.9730 = .0630.
 ¿QUE HEMOS VISTO ?

FUNCION DE DENSIDAD EN GENERAL

DISTRIBUCIÓN NORMAL
Función de densidad
Características de la D N
Parámetros :  y 
Tipificación : z N(0,1)
Tabla de z y su uso

APROXIMACION DE LA BINOMIAL A LA NORMAL

TEOREMA CENTRAL DEL LIMITE
DISTRIBUCIÓN DE PROBABILIDADES MUESTRALES