LOGO

DISTRIBUCION DE PROBABILIDAD CAPITULO 5

5.1 INTRODUCCION
En este capítulo definiremos las varianzas aleatorias y utilizaremos las leyes de probabilidad. Una variable aleatoria es una variable cuyo valor es el resultado de un evento aleatorio. Se supone que se lanza una moneda tres veces y se anota el número de caras que se obtienen. Los posibles resultados son 0 caras, 1 cara, 2 caras, o 3 caras. Las variables aleatorias pueden ser discretas o continuas:  Una variable aleatoria discreta, puede asumir solo ciertos valores, con frecuencia números enteros y resulta principalmente del conteo.  Una variable aleatoria continua, resulta principalmente de la medición y puede tomar cualquier valor, al menos dentro de un rango dado. Los pesos de agua mineral es un ejemplo, a que los contenedores pueden tomar cualquier valor entre 10 y 25 libras. Una distribución de probabilidad es un despliegue de todos los posibles resultados de un experimento junto con las probabilidades de cada resultado. Se puede determinar la probabilidad de lanzar una moneda tres veces y obtener:
1. 2. 3. 4. ninguna cara es 1/8 1 cara es 3/8 2 caras es 3/8 3 caras es 1/8

Esta distribución de probabilidad se presenta en la tabla 5.1 la cual muestra todos los resultados posibles y sus probabilidades. Vale la pena destacar que las probabilidades suman 1.

Tabla 5.1 Distribución directa de probabilidad para el número de caras

Resultado ( caras)

Probabilidad

0

1/8

1

3/8

2 3

3/8 1/8

1

5.2 MEDIA Y VARIANZA DE LAS DISRTIBUCIONES DISCRETAS
La media aritmética de una distribución de probabilidad se llama valor esperado E(X) y se halla multiplicando cada resultado posible por su probabilidad y sumando los resultados.

SU FORMULA ES: Media o valor esperado : E(X)=Ʃ[(xi)P(xi)] donde (xi) son los resultados individuales .

.VALOR ESPERADO El valor esperado de una variable aleatoria discreta es la media ponderada de todos los resultados posibles en los cuales los pesos son las probabilidades respectivas de tales resultados .

) . Su formula se representa asi : σ²= Ʃ[(xi .u)² P(xi)] (la varianza mide la dispersion de los resultados alrededor de su media.VARIANZA DE UNA DISTRIBUCIÓN DE PROBABILIDAD Es el promedio de las desviaciones al cuadrado con respecto a la media.

0434) 1.1739 (1-2.1739 1.1739) E(X) = 2.825)²(0.825)²(0.825 3.825)²(0.0434 (6-2.1) El número de quejas de los empleados en FB company oscila entre 0 a 6 como se muestra en la siguiente tabla (xi) QUEJAS 0 1 2 3 4 5 6 # DE DIAS 3 4 3 6 2 1 4 23 P(xi) 3/23 =0.825)²(0. El numero de quejas de los empleados están dispersos en 1.2608) 0.0434 4/23=0.7946=σ² 1.93=σ Debido a que no se puede interpretar unidades al cuadrado es necesario convertirle a la varianza en desviación estándar.0869) 0.82 .1304 6/23=0.825)²(0.2170 (5-2.1304 4/23=0.1739) 0.1304) 0.7824 (3-2.825)²(0.93 con respecto a su media que es 2.825)²(0.2608 (2-2.3476 (4-2.1739 3/23=0.0869 1/23=0.2608 2/23=0.1304) 0.00 (xi)P(xi) (xi-u)² P(xi) 0 (0-2.

125) 1.125) 2. el ha decidido vender el negocio . Ponder espera que el promedio de sus ventas incrementen por encima de 7.912)²(0.670 (10-10.912) ²(0.292) 1.912)²(0.7.336 (8-10.660 (20-10.208) 2.625 (5-10. .912 18.236=σ El Sr.912)²(0. De lo contrario.083) E(X)=10.2) El número de casas que Ponder Real vendió mensualmente varió de 5 a 20 junto con la frecuencia de cada nivel de ventas que aparece en las dos primeras columnas de la siguiente tabla : Calcule : el valor esperado y su varianza.167) 2.718= σ² 4.496 (12-10. Casas(xi) 5 8 10 12 17 20 # de meses 3 7 4 5 3 2 24 P(xi) 3/24 7/24 4/24 5/24 3/24 2/24 1.00 (xi) P(xi) (xi-u)² P(xi) 0.912)²(0.125 (17-10912)²(0.3 que vendió hace meses anteriores y una variabilidad de las ventas mensuales que había sido de σ=5.

INTERPRETACION: Como conclusión podría decirse que el Sr. .Ponder debe tranquilizarse porque ha incrementado su promedio mensual de ventas y ha disminuido su variabilidad.

5.π. 1. π.3 LA DISTRIBUCIÓN BINOMIAL – UNA DISTRIBUCIÓN DISCRETA DE PROBABILIDAD Los experimentos que tienen solo dos posibles resultados.  El experimento puede repetirse muchas veces.  La probabilidad de un éxito. Una distribución normal presenta 4 propiedades:  Solo debe haber 2 posibles resultados. sigue siendo constante de un ensayo al siguiente. . siguen una distribución binomial. al igual que la probabilidad de fracaso.  La probabilidad de un éxito en un ensayo es totalmente independiente de cualquier otro ensayo. Uno se identifica como éxito y el otro como fracaso.

Ejemplos relacionados con los negocios Los sindicatos laborales con frecuencia desean saber cuantos trabajadores:  Están interesados en unirse al sindicato  Quienes no están interesados. El personal de mercadeo desea saber si una persona:  Prefiere o  No prefiere cierto producto La aplicación de la distribución binomial al campo de los negocios es casi ilimitada. .

es posible estimar cuantos éxitos habrá en un número dado de ensayos.UNA DISTRIBUCIÓN BINOMIAL..Cada ensayo en una distribución binomial termina en sólo uno de 2 resultados mutuamente excluyentes. La probabilidad de cada resultado permanece constante de un ensayo al siguiente. Si se conoce la probabilidad de que un ensayo determinado producirá un éxito. como un éxito y como un fracaso. .

FÓRMULA DE LA DISTRIBUCION BINOMIAL .

x=5 de las cuentas no sean pagadas.Ejemplo: Un gerente de crédito de American expresa ha descubierto que π= 10% de los usuarios de tarjeta no paga el monto completo de la deuda durante un mes dado. Desea determinar la probabilidad que de n= 20 cuentas seleccionadas de manera aleatoria. La probabilidad de que 5 cuentas de las 20 sigan sin ser canceladas se puede calcular utilizando: . Esto lo expresamos así: Lo cual se lee como: “ La probabilidad de 5 éxitos dado que hay 20 ensayos y la probabilidad de un éxito de cualquier ensayo es del 10%.

Si 7 bachilleres se seleccionan de manera aleatoria. el 40% de todos los bachilleres trabajan durante el verano para ganar dinero para la educación universitaria correspondiente al siguiente período de otoño. (c) todos trabajen? . (b) ninguno trabaje. ¿Cuál es la probabilidad de que (a) 5 tengan trabajos de verano. Ejemplo: De acuerdo con el Periódico de Educación Superior.Esta información se obtiene mas fácilmente utilizando la tabla B.

Existe un 7. . la probabilidad de que ninguno trabaje se muestra en la tabla como: La probabilidad de que todos los estudiantes trabajen parece ser: b.74% de probabilidad de que 5 de 7 bachilleres hayan tomado trabajos de verano para ganar el dinero para su educación. Interpretación Es poco probable que ninguno de los estudiantes trabaje.Solución a.0774.40. c. Dado n=7 y π=0.40. La fila correspondiente a x=5 da un valor de 0. Ubique el valor de n=7 y π=0.

Media de una distribución binomial: • Varianza de una distribución binomial: . La media y la varianza de una distribución binomial.A.

si n=10: De las 10 personas seleccionadas aleatoriamente. La varianza es: y la desviación estándar es: .Por ejemplo para los residentes de Fatbush. se esperaría que 7 estuvieran inscritas en internet.

7102 Estas sumas se compilan en la tabla C. Según nuestro ejemplo: P(X ≤ 3 │n = 7. se halla sumando P(X = 0)+P(X = 1)+P(X = 2)+P(X = 3)= 0. DISTRIBUCIONES BINOMIALES ACUMULADAS Tomando en cuenta el ejemplo anterior.7102 .40) = 0. que muestra la probabilidad del numero de éxitos que es igual o menor que cierta cantidad. Este problema implica una distribución binomial acumulada debido a que se esta interesado en un rango de valores (0 a 3). se supone que se desea determinar la probabilidad de que 3 o menos estudiantes trabajaron. π = 0. Esto lo podemos ilustrar de la siguiente manera: Evento A 0 1 ( =0.B.40) 2 3 4 5 6 7 En la tabla B.

40) = 1 . entonces Ā es 4 o menos. Se supone que se desea conocer P(A) = P(X ≥ 5). π = 0. La probabilidad de que por lo menos 5 de 7 estudiantes tengan trabajo en verano es del 9.9037 = 0.La tabla C proporciona la probabilidad de que el número de éxitos sea igual a o menor que cierta cantidad. Se sabe que: P(A) = 1 – P(Ā) entonces.63%.40) 2 Evento Ā 3 4 5 6 7 Si el evento A es P(X ≥ 5). π = 0. La tabla C no dará directamente la probabilidad de que un número de éxitos sea igual a o mayor que alguna cantidad.0963. . P(X ≥ 5 │n = 7. Evento A 0 1 ( =0.40) De la tabla C. se observa que este es 1 – 0.P(X ≤ 4 │n = 7.

P(0 ≤ X ≤ 2) = 0. π = 0.P(X ≤ 2) = 0.4199 P(X ≤ 5) = 0.4199 = 0.40) debe determinarse en dos pasos: 1.9812 P(3 ≤ X ≤ 5) = P(X ≤ 5) . Se determina la probabilidad de que el número de estudiantes con trabajos sea de 0 a 5 2.5613 P(3 ≤ X ≤ 5 │n = 7.Se necesita determinar la probabilidad de que entre 3 y 5 estudiantes inclusive. Evento A 0 1 ( =0.4199 =0. Se resta la probabilidad de que el número de estudiantes emprendedores sea 2 o menos Luego P(3 ≤ X ≤ 5) = P(0 ≤ X ≤ 5) .40) 2 3 4 5 6 7 P(X ≤ 2) = 0.5613 .9812-0.9812 – 0.

P(X ≤ 3│n = 7.80) 7 6 5 ( =0.0333 . es decir 3 o menos y se resta de 1 .80 es la misma que la probabilidad de que 4 o mas no trabajen. π = 0. π = 0. se debe hallar P(A) = P(X ≤ 3 │n = 7. π = 0.20) = 1–0. Se asume que el 80% de los graduados tomaron trabajos. La solución es que se halle la probabilidad de A. π = 0.P(X ≤ 3│n = 7.20). Debe construirse un arreglo para π = 0.Si π > 0.20 Evento A 0 1 2 ( =0.80) = 1 . Así P(A) también es igual a P(X ≥ 4│n = 7.80) Se observa que la probabilidad 3 o menos trabajen con π = 0.80 y uno para π = 0.50 se necesitan 2 arreglos ordenados.9667 = 0. La tabla C no dará directamente la probabilidad de que X sea igual a o mayor que algún valor .20) Evento A 3 4 5 6 7 4 3 2 1 0 Evento Ā Si se desea la probabilidad de que 3 o menos estudiantes trabajen.

Ejercicio 11  Usted ha contratado 8 recepcionistas telefónicas para que tomen los pedidos para una línea de productos deportivos que su empresa esta comercializando.41% . Usted no desea que la probabilidad de que una llamada del cliente se reciba con una señal de ocupado exceda del 50% ¿Debería usted contratar mas recepcionistas si 3 clientes llaman? INTERPRETACIÓN La probabilidad de contratar mas recepcionistas si llaman 3 clientes es de un 25. Una recepcionista esta ocupada el 30% del tiempo catalogando un pedido.

¿Cuál es la probabilidad de que el estudiante pase? INTERPRETACIÓN La probabilidad de que el estudiante pase el año bajo estas condiciones es de un 24.03% .Ejercicio 12  Una estudiante debe obtener por lo menos el 60% en un examen de verdadero y falso con 18 preguntas por responder. Si el estudiante lanza una moneda para determinar la respuesta a cada pregunta.

 Esto ocurre si el muestreo se realiza con reemplazo o de una población finita.4 LA DISTRIBUCIÓN HIPERGEOMETRICA La distribución binomial es apropiada solo si la probabilidad de un éxito permanece constante para cada intento. .5.

Si la probabilidad de un éxito no es constante. la distribución hipergeometrica es de especial utilidad.Si la POBLACION ES PEQUEÑA y ocurre el MUESTREO SIN REEMPLAZO. . la probabilidad de un éxito variara.

FORMULA N: es el tamaño de la poblacion r: es le numero de exitos en la poblacion n: es el tamaño de la muestra x: es el numero de exitos en la muestra .

Ocho de los ejecutivos ya tienen algo de entrenamiento en el proceso antes de partir para el lejano oriente. .Ejemplos 1) De los 15 altos ejecutivos de un negocio de importaciones y exportaciones se seleccionan 12 para se enviados al Japón a estudiar un nuevo proceso de producción.

Desarrollo .

. Cinco tengan el conocimiento sobre el proceso de importaciones y exportaciones antes de partir para el lejano oriente.Interpretación Existe un 12% de probabilidad de que de los Ocho ejecutivos seleccionados.

De los 10 empleados hombres 7 tenían esposas que también trabajaban. ¿Cuál es la probabilidad de que a lo sumo un esposo tenga una esposa que este empleada fuera de casa si se seleccionan 3 trabajadores al azar? . que su supervisor le solicita que resuelva.2) Una encuesta de la revista Fortune (marzo 17 de 1997) sirve como fuente para este problema.

Desarrollo .

.Interpretación Existe un 17% de que de 3 empleados escogidos al azar un esposo tenga unas esposa y que esta sea empleada y trabaje fuera de casa.

1840) la distribución de Poisson mide la probabilidad de un evento aleatorio sobre algún intervalo de tiempo o espacio . .5.5 LA DISTRIBUCIÓN DE POISSON Distribución de Poisson ideada por el matemático francés Simeon Poisson (1781.

el numero de accidentes industriales cada mes. o el numero de maquinas que se dañan y esperan ser reparadas. Con frecuencia se utiliza para describir el numero de llegadas de clientes por hora. . el numero de conexiones eléctricas defectuosas por milla de cableado en un sistema eléctrico de una ciudad.Una variable aleatoria discreta de gran utilidad en la medición de la frecuencia relativa de un evento sobre alguna unidad de tiempo o espacio es la distribución de Poisson.

e = 2. U es el numero promedio de ocurrencias por tiempo/espacio.  La probabilidad de ocurrencia del evento es constante para 2 intervalos cualesquiera de tiempo o espacio. unidad de .PARA LA APLICACIÓN DE LA DISTRIBUCIÓN DE POISSON. Función de probabilidad de Piosson. En donde X es el numero de veces que ocurre le cuento.  La ocurrencia del evento en un intervalo es independiente de la ocurrencia de otro intervalo cualquiera. la base del logaritmo natural.71828.

Por tanto. Existe 3.78 de oportunidad de que exactamente 5 clientes ingresen a la tienda durante la siguiente hora. .  Supongamos que se esta interesado en la probabilidad de que exactamente 5 clientes lleguen durante la siguiente hora (o en cualquier hora dada) laboral la observación simple de las ultimas 80 horas ha demostrado que 800 clientes han entrado al negocio.Ejemplo. u = 10 por hora .

. Si el condado sigue con esta compañía de pavimentación. Las vías recientemente pavimentadas por esta compañía demostraron un promedio de dos defectos por milla.1804. después de haber sido utilizadas durante un año. ¿Cuál es la probabilidad de que se presenten tres defectos en cualquier milla de vía después de haber tenido trafico durante un año? o 18.Ejemplo:  Una compañía de pavimentación local obtuvo un contrato con el ayuntamiento para hacer mantenimiento a las vías de un gran centro urbano.04%. Para utilizar la tabla D halle la columna en donde µ=2 y la fila en donde x=3. Allí encontrará el valor de 0.

Se debe determinar qué porcentaje es 0.5. va ha ser 1 por media milla . Se supone por el momento que se desea conocer la probabilidad de tres defectos en 0. Debido a que se da la media en ocurrencias por una milla (2por milla) es necesario ajustar µ de acuerdo con la estipulación en el problema de 0. .5 millas. Si el promedio es de dos por milla. Por tanto P(x=3lµ=1)=0.5/1 =0.0613.5 millas.5 millas de una milla = 0.5)(2 ocurrencias)=1. Entonces la media en ocurrencias para este problema es µ=(0.

Si la probabilidad de que mas de 7 estudiantes lleguen durante un periodo cualquiera de 30 minutos excede 50%.. Parece que la llegada de los estudiantes a la oficina del tutor se ajusta a una distribución de poisson.  A.4 Una distribución de poisson para estudiantes prudentes. puede resultar un problema de congestión.El tutor debe calcular la probabilidad de que mas de 4 estudiantes lleguen durante algún periodo de 20 minutos.el tutor debe determinar la probabilidad de que 4 estudiantes lleguen durante cualquier intervalo de 20 minutos .Ejemplo 5. Si la probabilidad excede el 20%. El profesor Bradley esta preocupado porque si muchos estudiantes necesitan los servicios del tutor.  B. lo cual podría causar el problema de congestión que teme el profesor Bradley. permitiendo a los estudiantes extender el horario en las que vienen a ver al tutor.. . con un promedio de 5. el mismo profesor Bradley ofrecerá tutoría adicional.  El profesor Bradley anima a sus estudiantes de estadística a “actuar de forma prudente” consultando al tutor si tienen alguna pregunto mientras se preparan para el examen final.2 estudiantes cada veinte minutos..  C. Si es mayor que el 50% las horas de oficina del tutor se aumentaran. se contratara un segundo tutor.

Solución: .

P(x>4)=0. C. Y P(x>7)=0. las horas de oficina del tutor se extenderán. Entonces µ para cada 30 minutos es 5.5938>50%.5.5)= 7. un segundo tutor es innecesario. Se debe determinar que porcentaje es 30 de 20:30/20=1.2 por cada 20 minutos.1681<20%.2 (1.8.. La estipulación del profesor cubre un periodo de 30 minutos.Se tiene que µ=5. .5188>50%el profesor Bradley ayudara en la tarea de tutoría. así pues: Interpretación: Debido a que P(x=4)=0.

Ejercicio de aplicación. ¿ Usted le compraría a dicho proveedor?  Interpretación: No se compraría porque la probabilidad de 0. .  Usted compra partes para bicicleta de un proveedor en Toledo que tiene tres defectos por cada 100 partes. Usted esta en el mercado para comprar 150 partes pero no aceptara una probabilidad de mas del 50% de que mas de 2 partes sean defectuosas.8264 >0.50 de partes defectuosas.

personas. llamadas telefónicas.5. el lapso entre las ocurrencias estará distribuido exponencialmente. . es decir estima el lapso entre tales arribos.6 LA DISTRIBUCIÓN EXPONENCIAL La distribución exponencial es una distribución continua que mide el paso del tiempo entre tales ocurrencias. Por ejemplo la llegada de camiones. Si el número de ocurrencias tiene distribución de Poisson.

71828  es la tasa promedio de ocurrencia .Siendo la probabilidad de que el lapso sea menor que o igual a cierta cantidad “x” es: En donde:  t es el lapso de tiempo  e es la base del logaritmo natural 2.

y la probabilidad disminuye. donde la curva en continuo descenso muestra que con el paso del tiempo “x” aumenta. .La distribución aleatoria de una distribución exponencial se demuestra en el siguiente gráfico.

La probabilidad de que pasen 30 min Entre ocurrencias excede la probabilidad de que pasen 40min Esto se debe a que siempre deben pasar 30min antes de que pasen 40min .

Ejercicio 1 Los aviones llegan al pequeño aeropuerto en Puerto Vallarta. a una proporción de dos por hora. Tomará una hora reparar una rampa utilizada para desembarcar pasajeros. México. ¿Cuál es la probabilidad de que un avión llegue mientras que la rampa esta en reparación? .

8646 = 86.46% .Solución Tenemos que: • = 2x60 min • t= 1 hora P(x 1 hora) = 1 – e -(2)(1) Donde: P(x 1 hora) = 1.1 e -2 = 0.

46% es decir dentro de la hora llegara el avión.Interpretación Entonces según los cálculos podemos decir que: La probabilidad de que un avión llegue mientras la rampa esta en reparación es de 86. .

Ejercicio 2
El computador principal de la universidad queda fuera de línea tres veces por semana. El profesor Mundane debe completar un proyecto esta semana que requiere el computador. ¿Cuál es la probabilidad de que el computador esté fuera de línea toda la semana?

Solución
Tenemos que:  = 3 x 7 días  t = 7 días -(3)(7) P(x 7días)= 1 – e Donde: P(x 7días)= 1 – 1
e 21

= 0,999 = 99,99%

Interpretación
La probabilidad de que el computador este fuera de línea toda la semana es del 99,99% lo que indica que el profesor deberá conseguir otra computado para realizar su trabajo.

5.7 LA DISTRIBUCIÓN UNIFORME
 DISTRIBUCIÓN UNIFORME: Es una distribución uniforme las probabilidades son las mismas para todos los posibles resultados.

0,30

a Lim. Inf.

------------------------------------b Lim. sup.

La media o valor esperado de una distribución uniforme está a mitad de camino entre sus dos puntos extremos así: .

Debido a que el área es la altura por el ancho. respectivamente. como es el de todas las distribuciones de probabilidad. La varianza es: Varianza de una distribución uniforme de probabilidad 𝟐 𝟐 = (𝒃−𝒂) 𝝈 𝟏𝟐 El área total bajo la curva. la altura es: 𝐴𝑙𝑡𝑢𝑟𝑎= Área Ancho .En donde a y b son los valores más bajo y más alto. debe ser igual a 1 o 100%.

Y por lo tanto 𝑨𝒍𝒕𝒖𝒓𝒂 = 𝟏 b−a En donde b – a es el ancho o rango de la distribución Probabilidad de que una observación Caiga entre dos valores P(X1 ≤ X ≤ X2) = X2 – X1 rango .

4 horas? . Los tiempos están distribuidos de manera uniforme.2 y 1.7 horas aproximadamente hacer su tarea de estadística. ¿Qué tan probable es que usted termine para reunirse con sus amigos dentro de 1.EJERCICIOS 1° Generalmente le toma entre 1.

4 1.7−1.7-1. .7 b Se tiene un 40% de probabilidad de terminar la tarea en un 1.7 2 u= 𝑎+𝑏 2 u= u= 1.4 horas para reunirse con los amigos.2 = 2 1.2+1.altura: 1Rango = 11.45 u 1.2 a 1.45 horas Altura: 1 𝑅𝑎𝑛𝑔𝑜 = 1 1.2 = 2 2 40% 1.

¿Qué porcentaje de carros que salen de Auto – Brite quedan limpios? u= 30 galones a= 27 galones b= 33 galones Pr(32 ≤ x ≤ 33) = 33−32 6 Pr(32 ≤ x ≤ 33) = 0. y su uso está distribuido uniformemente. Una encuesta muestra que los carros no quedan limpios a menos que se utilicen 32 galones de agua en la lavada. Lo menos que se utiliza son 27 galones.2° El agua utilizada por Auto – Brite para lavar los carros es de 30 galones por carro.17 .

17 20% 27 a 30 b 32 33 .Altura: 1 𝑅𝑎𝑛𝑔𝑜 = 1 6 = 0.

pesos. .5. la distribución normal es la más importante.  La distribución normal es una distribución continua (no discreta).8 LA DISTRIBUCIÓN NORMAL  De todas las distribuciones que se analizarán. distancias y otras medidas que son divisibles infinitamente.  Se utiliza para reflejar la distribución de variables tales como estaturas.

.

La forma y posición de una distribución normal están determinadas por dos parámetros: su media (μ) y su desviación estándar (σ).A. A continuación veremos tres distribuciones normales diferentes: . COMPARACIÓN ENTRE DISTRIBUCIONES NORMALES.

la desviación estándar de 2 indica el grado en el cual las observaciones están dispersas por encima y por debajo de 67 .La primera (I) corresponde a una distribución que tiene como media μ=67 y una desviación estándar de σ=2.

La segunda (II) tiene una media más alta. de μ=79. esto quiere decir que tiene el mismo grado de dispersión . pero la misma desviación estándar de 2.

La tercera (III). Sin embargo su medida de dispersión es más grande. . tal y como lo indicó la desviación estándar de σ=4. tiene la misma media que la primera..

las tres son distribuciones normales. sin considerar el valor de la media o desviación estándar. El 99. Son simétricas y en forma de campana.A pesar de sus diferencias. El 68.7% de todas las observaciones está a tres desviación estándar de la media.3% de todas las observaciones está a una desviación estándar de la media. La regla empírica especifica que.5% de todas las observaciones está a dos desviación estándar de la media. El 95. .

Ya que obviamente no se puede analizar un número tan grande es necesario convertir a todas estas distribuciones normales a una estándar. . Puede existir un número infinito de distribuciones normales posibles cada una con su propia media y desviación.B. LA DESVIACIÓN NORMAL.

. En donde Z es la desviación normal y X es algún valor específico de la variable aleatoria.LA DESVIACIÓN NORMAL O FÓRMULA Z.

el eje superior mide las observaciones de estatura X en pulgadas. El eje inferior refleja estas estaturas en términos de sus valores Z. y la desviación estándar es σ= 2 pulgadas.La siguiente figura ilustra el uso de datos. La media es μ= 67 pulgadas. .

Después de aplicar la fórmula de conversión. se encuentra que la estatura promedio de 67 pulgadas tiene un valor Z de 0. Si se quisiera convertir la estatura de toda la población se encontraría que todos los valores de Z tendrían una media cero y una desviación estándar de 1. .

1587 0. 0.8449 P(69.4599 67 69.25 0 1.5 X 0 1.3413 0.085 0.75 Z P(64.AREAS DEBAJO DE LA CURVA NORMAL A).15 1.3) P(-1.75) 0.65) 0. 0.0850 .5 67 70.3749 64.5) P(1. B).5<X<70. P(X<69) P(Z<1) 0.25<Z<1.3 70.3<X<70.3413 C).3413 67 0 69 1 X Z 67 0 69 1 X Z P(67<X<69 ) P(0<Z<2) 0.1587 D).5<Z<1.65 X Z 0.3 -1.

si se conoce el área se conocerá la probabilidad .CALCULO DE PROBABILIDADES CON LA DESVIACION NORMAL Estandarizar una distribución normal permite determinar mas fácilmente la probabilidad de que ocurra cierto evento es decir.

y se debía hallar el comprendida entre dicho valor y la media. que se proporcionaba el valor x para la variable aleatoria.CALCULO DE UN VALOR X A PARTIR DE UNA PROBABILIDAD CONOCIDA En la sección anterior se pidió calcular una probabilidad dado un valor de x. . es decir.

.APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL La distribución binomial involucra una serie de n ensayos que pueden producir (1) un éxito o (2) un fracaso. La probabilidad de un éxito se indica como π.

50. Ejemplo: se considera un sindicato laboral en el cual el 40% de los miembros esta a favor de una huelga.Cuando n es grande se utiliza la distribución normal para aproximar la distribución binomial. ¿Cuál es la probabilidad de que 10 apoyen un paro? P(X=10│n=15. La aproximación se considera lo suficientemente precisa si nπ > 5 Y n(1-π)>5 y si π esta próximo a 0.0245 • Los datos los encontramos en la tabla E. π=0. .40) = 0. Si se seleccionan 15 miembros de manera aleatoria.

5.APROXIMACION NORMAL A LA BINOMIAL Cuando se utiliza una distribución continua para estimar una variable aleatoria discreta. 0 1 2 3 4 5 6 7 8 9 10 11 12 13 1415 9. llamado FACTOR DE CORRECCION DE CONTINUIDAD.5 10. este requiere que se trata la probabilidad de 10 miembros como un intervalo entre 9. es necesario un leve ajuste.5 y 10.5 .

¿cual es la probabilidad de que los próximos 200 carros.0.0002 .5000 .55 para un área de 0.4998 = 0. 115 contengan partes japonesas? 𝑧 = 115−90 =3.Ejemplo: Los registros muestran que 45% de todos los automóviles producidos por FORD MOTOR COMPANY contienen partes importadas de Japón.4998 3.50 𝑥 − 𝜇 𝑧 = 𝜎 0.