You are on page 1of 89

primera

0011 0010 1010 1101 0001 0100 1011
UNIDAD
¿Cuál es la importancia de las

1
2
distribuciones
0011 0010 1010 1101 0001 0100 1011
de probabilidad?

4
f( x)

50% 50%

µ X

Distribución uniforme Distribución poisson

0011 0010 1010 1101 0001 0100 1011

1.2 4.6 minutos minutos
Tiempos de respuesta

Distribución normal

1
2
45,750

valoración

4

Sumario
0011 0010 1010 1101 0001 0100 1011
1. ¿Cuál es la importancia del estudio de las distribuciones de
probabilidad?
2. ¿Cuál es la diferencia entre una distribución discreta de
probabilidad y una continua?

1
2
3. ¿Cuáles son las características de la distribución Binomial?
4. Cuáles son las características de la distribución
Hipergeométrica?

4
5. Cuáles son las características de la distribución Poisson?
6. Cuáles son las características de la distribución Exponencial?
7. Cuáles son las características de la distribución Uniforme?
8. Cuáles son las características de la distribución Normal?

ORIENTACIONES Y PROPÓSITOS
0011 0010 1010 1101 0001 0100 1011

La presente unidad tiene como propósito
comprender los conceptos sobre el

1
2
comportamiento de una variable aleatoria
quede descrito por su distribución de
probabilidad, mediante un gráfico, en

4
forma tabular o por medio de una fórmula.

Concepto 0011 0010 1010 1101 0001 0100 1011 Dado un experimento y su espacio muestral SS asociado al experimento. 4 SS X Rx s. es Rx. X(s) . es el conjunto de resultados posibles que toma la variable aleatoria. 1 2 El rango o recorrido de una variable aleatoria X. Lección 1 VARIABLE ALEATORIA 1. además X es una función el cual asigna un número real X(s) a cada resultado del espacio muestral. entonces X(s) es llamada una variable aleatoria.

RX={0. o 3 caras. y los posibles resultados son 0. 0001 0100 1011 • Se define como la variable aleatoria X al “número de caras que se obtienen”. Ejemplo • Sea SS el espacio muestral asociado al experimento de lanzar una moneda tres veces y se anotan el número de caras 0011 0010 que1101 1010 se obtienen. Por ejemplo X(SSS)=0 1 2 SS X SSS Rx SCC 4 0 CSC CCS 2 SCS 1 SSC CSS 3 CCC . 1 . es decir.2.1. 2 .3}.

El número de personas. etc. 2. con frecuencia números enteros.…. que hacen una “cola” de espera. 4 . entonces X es llamado una variable aleatoria discreta. camiones. Una variable aleatoria discreta puede asumir solo ciertos valores. En este caso Rx ={ 0011 0010 1010 1101 0001 0100 1011 x1. …. 1 2 Ejemplos El número de caras en el experimento del lanzamiento de la moneda.}. x2. y resulta principalmente del conteo.xk. Variable aleatoria discreta Si el rango Rx de la variable aleatoria X es finito o infinito numerable.

i =1.. discreta X tome algún valor especifico.2. se escribe como P(xi) = P(X = xi) y se llama función de probabilidad (o función de probabilidad puntual o ley de probabilidad).] es llamada distribución de probabilidad. 1 2 La probabilidad de que la v.. xi .a. Distribución de probabilidad de una variable aleatoria discreta Definición La0010 0011 distribución 1010 1101 de probabilidad 0001 0100 1011 de una v. .a. Propiedades: (1) 0 ≤ P(X = xi) ≤ 1 y (2)  P(X = xi) = 1. discreta junto con sus respectivas probabilidades. además a la 4 colección de pares [(xi . fórmula o cualquier otro medio que se utilice para especificar todos los valores posibles de una v..a. P(xi) ). 3.. discreta es una tabla. gráfica.

) Ejemplo 0011 0010 1010 1101 0001 0100 1011 La distribución de probabilidad del experimento de lanzar una moneda tres veces. 3. Distribución de probabilidad de una variable aleatoria discreta (cont. .3 P(X=0) = P( {SSS} )=(1/2) (1/2) (1/2) = 1/8 1 2 P(X=1) = P( {SSC o SCS o CSS} )= 1/8 + 1/8 + 1/8 = 3/8 P(X=2) = P( {SCC o CSC o CCS} )= 1/8 + 1/8 + 1/8 = 3/8 4 P(X=3) = P( {CCC} )= 1/8 Interpretación La probabilidad de que los tres lanzamientos de una moneda resulten en dos caras es: P(X =2) = 3/8. se calcula de la siguiente manera y presenta en la figura 1.

4. es un número real que se denota por µ . tal y como se muestra en la siguiente fórmula:   EX    xi P xi 4     Media o valor esperado de una distribución de probabilidad discreta donde xi son los resultados individuales de una variable aleatoria discreta X. Media de una distribución de probabilidad discreta Definición La media de una variable aleatoria discreta X o media de la distribución 0011 0010 1010 1101 0001 0100 1011 de probabilidad de X. y se halla multiplicando cada resultado 1 posible por su probabilidad y sumando los resultados. . se llama también esperanza matemática o valor esperado de X. La media aritmética o valor promedio de una distribución de probabilidad 2 se llama el valor esperado E(X).

pero la desviación estándar se expresa en las mismas unidades que la variable aleatoria y por ende con frecuencia tiene una interpretación más racional. Varianza de una distribución de probabilidad discreta Definición Mide 0011 la 1010 0010 dispersión de los 1101 0001 resultados 0100 1011 alrededor de su media. 5.   1 2 Varianza de una distribución de    xi    Pxi  2 2 probabilidad discreta Fórmula alternativa:  2   xi2 Pxi    2 4 . La varianza se expresa en unidades al cuadrado.

N° de caras P(xi) (xi) P(xi) (xi .5 2 = 0.75 y la desviación estándar es:    2  0. Varianza de una distribución de probabilidad discreta (cont.5)2 * 1/8 = 1 3/8 3/8 (1 -1.75 La varianza es 2 = 0.µ)2 P(xi) 1 2 xi 0 1/8 0 (0 -1.5)2 * 3/8 = 4 2 3/8 6/8 (2 -1.5.8660 .5)2 * 3/8 = 3 1/8 3/8 (3 -1.2 Tabla para el cálculo de la media y la varianza.) Ejemplo Utilizando la tabla de distribución de probabilidades del experimento de lanzar 0011 0010una moneda 1010 tres veces. 1101 0001 se calcula la media y la varianza: 0100 1011 Tabla 1.5)2 * 1/8 = 1 µ =E(X) = 12/8 =1.

Variable aleatoria continua Definición Si el rango R de la variable aleatoria X es un intervalo o una colección de 0011 0010 1010 x1101 0001 0100 1011 intervalos. . Ejemplos 1 4 Los pesos de los estudiantes. continua resulta principalmente de la medición y puede tomar cualquier valor. Tiene como rango un 2 intervalo de números reales. 6.. La estatura de los clientes. Una v. El tiempo entre llegadas a la “cola” de espera. entonces X es llamado una variable aleatoria continua. Los ingresos de los empleados. al menos dentro de un rango dado.a.

donde la función f(x) es llamada función de densidad de probabilidad. que satisface las siguientes condiciones: 0011 0010 1010 1101 0001 0100 1011 1) f x   0 para todo x  R x 2) P ( a  X  b )   f x dx 1 Rx 1 2 a 3) P (a  X  b)   f x dx  área bajo f(x) de a y b cualesquiera b 4 f(x) P(a≤X≤b) x=a x=b Figura 1. continua X. 7.4 Función de densidad de probabilidad hipotética .a. Función de densidad de probabilidad Definición Para una v.

8. 1 2 Nota: El punto importante es que f(x) se usa para calcular un área que representa la probabilidad de que la variable aleatoria continua X . b]. Distribución de probabilidad de una variable aleatoria continua 0011 0010 1010 1101 0001 0100 1011 Definición La función de densidad de probabilidad f(x) permite describir la distribución de probabilidad de una variable aleatoria continua X. 4 asuma un valor en [a. .

9. Ejemplos de la lección 0011 0010 1010 1101 0001 0100 1011 1 2 4 .

Lección 2 0011 0010 1010 1101 0001 0100 1011 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD 1 2 4 .

Introducción 0011 0010 1010 1101 0001 0100 1011 El experimento de lanzar la moneda discutido anteriormente tiene solo dos posibles resultados 1) cara (2) sello. y además el experimento 1 2 puede repetirse muchas veces. 4 . LA DISTRIBUCIÓN BINOMIAL 1. Los experimentos de este tipo siguen una distribución binomial con las características de un proceso de Bernoulli. La probabilidad de cada uno es conocida y constante de un intento al siguiente.

4 .π. Proceso de Bernoulli El proceso de Bernoulli debe tener las siguientes propiedades: 1. Los ensayos o intentos repetidos son independientes. 1 2 4. 3. sigue siendo constante de un ensayo al siguiente. El experimento puede repetirse n veces. 1. la probabilidad de fracaso. 2. También. La probabilidad de un éxito representada por π. Sólo debe saber dos posibles resultados. 0011 0010 1010 1101 0001 0100 1011 2.

La distribución de probabilidad de esta v.a. Distribución binomial El número X de éxitos en un proceso Bernoulli. binomial.a.. P(x) = P  “x éxitos en n 1 2 ensayos”. π=probabilidad del éxito 1-π=probabilidad del fracaso. se llama v. n=número de ensayos.. discreta se llama distribución 0011binomial. es decir. . 3. entonces es posible determinar la probabilidad de cuántos éxitos habrá.1.n.2.0100 1011 0001 Si se conoce la probabilidad de que un ensayo determinado producirá un éxito. en un número dado de ensayos. 0010 1010dada por 1101 P(x). x = 0.. Fórmula P( x)  n!   1  x! n  x !  xn x n Cx  1    4 Binomial x n x  n Donde: P( x)  P( X  x)     x 1   n  x   x 1   n  x n!    x x!n  x ! X: Es el número de éxitos.

. .. Los banqueros pueden hacen encuestas a los expertos en economía sobre si las tazas de interés:(1) aumentaran o (2) no aumentarán.XN=No n=tamaño de muestra N=Tamaño población . Población 4 X1=Si Muestra Aleatoria X2=No X3=Si ESQUEMA . 4.. P(X=x)=? . ... El personal de mercadeo desea saber si una persona: (1) prefiere o (2) 1 2 no prefiere cierto producto. Aplicaciones Los sindicatos laborales con frecuencia desean saber cuantos trabajadores (1) están interesados en unirse al sindicato y (2) quienes no 0011 0010 1010 1101 0001 0100 1011 están interesados.

XN = Si paga n=20 cuentas N=Tamaño de la población . lo cual se lee como “la probabilidad de 1 2 5 éxitos dado que hay 20 ensayos y la probabilidad de un éxito de cualquier ensayo es del 10%”. El desea 0001 0100 1011determinar la probabilidad que de n=20 cuentas seleccionadas de manera aleatoria. π=0. . x=5 de las cuentas no sean pagadas. P(X=5) = ???? . Esto puede expresarse como: P(X=5) = P(X=5 | n=20 .10). Población con tarjeta 4 X1 = Si paga Muestra Aleatoria X2 = No paga .. Ejemplo de distribución binomial Un gerente de crédito de una tarjeta de crédito ha descubierto que π=10% de los usuarios de tarjeta no paga el monto completo de la deuda 0011durante un mes 0010 1010 1101dado.

4 Población con tarjeta X1 = Si paga Muestra Aleatoria X2 = No paga .XN = Si paga n=20 cuentas N=Tamaño de la población .. .10)    0.105 1  0.105 1  0.105 1  0.10) 20 C5 0. P(X=5) = 0.0319 .0319 5!20  5! 1 2 Figura 1.5 Esquema del uso de la distribución binomial en la tarjeta de crédito.) La solución es: P( X  5)  P( X  5 | n  20.10205  0.   0.   0.1020 5  0. Ejemplo de distribución binomial (cont.0319 0011 0010 1010 1101 0001 0100 1011  20  P( X  5)  P( X  5 | n  20.10205  0.0319   5 P( X  5)  20! 0.

Ejemplo de distribución binomial (cont.)
Interpretación:
0011“Existe un 3.19%
0010 1010 de oportunidad
1101 0001 0100 1011 de que exactamente 5 de 20 cuentas
seleccionadas de manera aleatoria tengan un saldo de favor, dado que la
probabilidad de que no se pague una cuenta cualquiera en su totalidad es
π=0.10”.

1
2
4

5. Uso de la tabla binomial
Nos piden calcular: P(X=5) = P(X=5 | n=20 ; π=0.10)=?
Esta información se obtiene más fácilmente utilizando la tabla binomial.
0011 0010 1010 1101 0001 0100 1011

En la tabla binomial, las dos primeras columnas muestran los posibles
valores para n y x.
1° Ubique el valor de 20 para n debido a que hay 20 ensayos (cuentas)

1
2
2° Localice la fila que contenga los valores de probabilidad para x=5. ( Se
busca la probabilidad de que x=5 éxitos (cuentas no pagadas),

4
3° Proceda a lo largo de la fila hasta encontrar la columna encabezada
con π=0.10. Allí se encontrara el valor 0.0319.
Entonces: P(X=5) = P(X=5 | n=20 ; π=0.10)= 0.0319

5. Uso de la tabla binomial (cont.)
Ejemplo
Se tiene que el personal de ventas de una compañía, hace una venta al
001115%
0010de los 1101
1010 clientes
0001a 0100
los que
1011visitan. Si un miembro del personal de

ventas llama a 15 clientes hoy ¿Cuál es la probabilidad de que venda
exactamente dos aparatos? Nos piden P(X=2)=?
Solución

1
2
En la tabla binomial, dado n=15 , x=2 y π=0.15, ubique el valor para
n=15, luego la fila que pertenezca a x=2. En la fila encabezada por la
columna π=0.15, encontrará P(X=2) = P(X=2|n=15 ; π=0.15)=0.2856.
Interpretación

4
Población de clientes

“Existe 28.56% de oportunidad X1 = Si vende Muestra Aleatoria
de que se hagan exactamente X2 = No vende

dos ventas de las 15 llamadas”. ..

.
P(X=2) = 0.2856
.XN = Si vende

n=15 clientes
N=Tamaño población

5. Uso de la tabla binomial (cont.)
Ejemplo
De acuerdo con el periódico de educación superior, el 40% de todos los
0011bachilleres trabajan
0010 1010 1101 0001durante el verano. Si 7 bachilleres se seleccionan
0100 1011

de manera aleatoria ¿Cuál es la probabilidad de que (a) 5 tengan trabajo
en el verano, (b) ninguno trabaje, (c) todos trabajen?
Esquema:

1
2
Población de bachilleres

Muestra Aleatoria

4
X1 = trabaja

X2 = No trabaja a) P(X=5) = ?
.

.XN = Si vende b) P(X=0) = ?

c) P(X=7) = ?

n=7 bachilleres
N=Tamaño población

sin algún ajuste.5.5 ? 0011 0010 1010 1101 0001 0100 1011 Ejemplo Supongamos que el 70% de todos los residentes de una ciudad tiene sus computadores enlazados con internet.) Nota: La tabla binomial incluye los valores de π solo hasta 0.. Ya que π>0. 5. no se puede utilizar la tabla binomial. 6 estén “conectados”.. ¿Qué debe hacerse si la probabilidad de un éxito es mayor a 0. Uso de la tabla binomial (cont. ¿Cuál es la probabilidad de que 1 2 de los 10 residentes seleccionados aleatoriamente. P(X=6) =?? . Esquema: 4 Población de residentes X1 = conectado Muestra Aleatoria X2 = No conectado .5.. XN = No conectado n=10 residentes N=Tamaño población .

706 1  0.30. 0 1 2 3 4 5 6 7 8 9 10 (π=0. Uso de la tabla binomial (cont.30) P(X=6| n=10 .70 0011 0010 1010 1101 0001 0100 1011 106  6 P( X  6)  10! 0.   0.70 1  0.70 es lo mismo que 4 fracasos a π=0.70) = P(X=4| n=10 .704  0.70)10 C6 0.2001 6!10  6! 2da. Usando la fórmula binomial: P( X  6)  P( X  6 | n  10. 6 éxitos a π=0.2001 (Ver tabla binomial) .70) 10 9 8 7 6 5 4 3 2 1 0 (π=0.30) = 0. 4 Es decir.) Solución 1ra. π=0. 5. Usando un artificio: construir dos arreglos: 1 2 Si 6 de los 10 residentes son usuarios de internet. π=0. entonces 4 no lo son.

6. se esperaría que 7 estuvieran enlazadas al internet.45. E(X)=(10)(0. . Parámetros de una distribución binomial E  X     n Media de una 0011 0010 1010 1101 0001 0100 1011 distribución binomial y Varianza de una  n 1    1 2 distribución binomial  2 4 Ejemplo Para los residentes de la cuidad con sus computadoras enlazadas al internet.70)(0.30)=2.70)=7. si n=10. De las 10 personas seleccionadas aleatoriamente.1 y la desviación estándar es σ=1. La varianza es σ²=(10)(0.

.40) 2 Población de bachilleres X1 = trabaja X2 = No trabaja . La probabilidad del evento A (0 a 3 trabajen) es P(A) = P(X ≤3)=??. Los datos son: n=7 . π=0.XN = Si vende N= Población P(X ≤ 3) = ? n=7 bachilleres 4 Muestra Aleatoria . Distribución binomial acumulada Ejemplo Dados los datos del ejemplo de los bachilleres que trabajan de verano. 0011determinar 0010 1010la1101 probabilidad 0001 0100de que 3 o menos bachilleres trabajen. Usar el siguiente arreglo ordenado.40 0 1 A 2 3 4 5 6 7 1 (π=0. Este 1011 problema implica una distribución binomial acumulada debido a que se esta interesado en un rango de valores (0 a 3). 7.

) Ejemplo (cont. 7. π=0.40 1  0.02% de probabilidad de que tres o menos bachilleres.0280 0 7 0 7! 0 0!7! 7 P( X  1)    0.402 0.1306 1 71 7! 1 2 1 1!6! 7 P( X  2)    0.40 1  0.40 1  0.40) = P(X=0) + P(X=1) P(X=2) + P(X=3) = ? 0011 0010 1010 1101 0001 0100 1011 7 P( X  0)    0.604  0.2903 = 0.7102 Interpretación Existe un 71.400 0.605  0. Distribución binomial acumulada (cont.2613 2 7 2 7! 2!5! 4 2 7 P( X  3)    0.2613 + 0.606  0.) Solución: (Usando la distribución binomial puntual) P(X ≤3) = P(X≤3| n=7 .40  0.0280 + 0.40  0.2903 3 73 7! 3 3!4! P(X ≤3) = 0.1306 + 0.401 0.607  0.40 1  0. de 7.40  0.403 0.40  0. .

40) = 0. . La solución es: P(X≤3 | n=7 .7102 NOTA: 1 2 La tabla de distribución binomial acumulada proporciona la probabilidad 4 de que el número de éxitos sea igual o menor que cierta cantidad. 8. estas sumas se compilan en la tabla de distribución binomial acumulada. de manera directa. la cual muestra la probabilidad del número de éxitos 0011 0010 1010 1101 0001 0100 1011 que es igual a o menor que cierta cantidad. π=0. Ejemplo (usando la tabla de distribución binomial acumulada) En el caso de los 3 o menos bachilleres trabajen. [ P(X ≤ c) ] . Uso de la tabla binomial acumulada Por conveniencia.

63%.40) Evento Ac 1 2 Si el evento A es P(X≥5). entonces el evento contrario Ac es 4 o menos. P(X≥5 | n=7 .40) = 1 .9037 = 0. Interpretación: La probabilidad de que por lo menos 5 bachilleres trabajen es 9. Uso de la tabla binomial acumulada (cont. π=0. 4 lo cual puede hallarse en la tabla binomial acumulada.) Ejemplo Con los datos del ejemplo de los bachilleres que trabajan. Se sabe que P(A)=1. se desea conocer P(A)=P(X≥5)=?. 8.0963. .P(Ac). La tabla binomial acumulada no da 0011 0010 1010 1101 0001 0100 1011 directamente esta probabilidad.0.40) = 1 . π=0. Hay que construir un arreglo ordenado: Evento A 0 1 2 3 4 5 6 7 (π=0.P(X≤4 | n=7 .

4199 = 0.9812 ..40) P(X≤2)=0.…….5613 Interpretación Existe .0.9812 P(3≤ X≤5) = P(X ≤5) . Se 0011 0010 1010 1101 0001 0100 1011 construye un arreglo de prueba. . Nos piden ahora P(3≤ X≤5) =?? Evento A 0 1 2 3 4 5 6 7 (π=0. se desea conocer la probabilidad de que entre 3 y 5 bachilleres inclusive trabajen.) Ejemplo Con los datos de los bachilleres que trabajan. 8.P(X ≤2) = 0.4199 1 2 4 P(X≤5)=0. Uso de la tabla binomial acumulada (cont.% de probabilidad de que entre 3 y 5 inclusive bachilleres trabajen.

) NOTA La tabla binomial acumulada incluye valores de π solo hasta 0.80) 7 6 5 4 3 2 1 0 (π=0. π=0. 1 2 Nos piden :P(A)= P(X≤3 | n=7 . 4 Evento A 0 1 2 3 4 5 6 7 (π=0.20) Evento A Evento Ac . Se necesitan construirse dos arreglos ordenados. 8.80 y otro para π=0.20.50 ? 0011 0010 1010 1101 0001 0100 1011 Ejemplo Determinar la probabilidad de que 3 o menos bachilleres trabajen.5.80) =??. ¿qué debe hacerse si la probabilidad de un éxito es π>0. dado que ahora el 80% de los graduados trabajaron. Uso de la tabla binomial acumulada (cont. uno para π=0.

8.20 0011 0010 1010 1101 0001 0100 1011 P(A) = P(X≤3 | n=7 .) Se observa que la probabilidad 3 o menos trabajen con π=0.80) = P(X≥4 | n=7 .) Ejemplo (cont. .0333 Se puede usar la tabla binomial acumulada o la fórmula binomial para encontrar probabilidades puntuales.9667 = 0.20) = = 1 – P(X≤3 | n=7 . π=0.20)= 1 2 Usando la tabal binomial acumulada 4 = 1 – 0. π=0.80 es la misma que la probabilidad de que 4 o más no trabajen a π=0. Uso de la tabla binomial acumulada (cont. π=0.

0. Usted ha contratado 8 recepcionistas telefónicas para que tomen los pedidos telefónica para que tomen los pedidos telefónicos para una línea de productos deportivos que su empresa esta comercializando . ¿Entre 4 y 7 empleados inclusive con identificación? R.9936 c.1208 3.2852 1 2 2. 0. 2 b. 0. 0. ¿Cuál es la probabilidad de que el número de discos defectuosos sea igual al número esperado que usted determinó en su respuesta a la parte a? Rpta. Usted no desea que la probabilidad de que una llamada del cliente se reciba con una señal de ocupado exceda del 50%. 9. ¿A lo sumo 5 empleados con identificación? R. Solo 20% de los empleados de la población civil que esta en una base militar restringida para su identificación persona. ¿Debería usted contratar más recepcionistas si 3 clientes llaman? .una recepcionista esta ocupada el 30%del tiempo catalogando un pedido . Ejercicios de la lección 1.1209 4 b. El 10% de los discos de computador producidos por un nuevo proceso salen defectuosos. Si llegan 10 empleados . Si hay 20 discos en una caja: 0011 0010 1010 1101 0001 0100 1011 a. ¿Por lo menos cuatro empleados con identificación? R.cual es la probabilidad de que el guardia de seguridad encuentre: a. ¿Cuántos esperaría usted que salieran defectuosos? Rpta.

Lección 3 0011 0010 1010 1101 0001 0100 1011 LA DISTRIBUCIÓN HIPERGEOMETRICA 1 2 4 .

Además. LA DISTRIBUCIÓN HIPERGEOMETRICA 1. El interés se centra en el cálculo de probabilidades para el número de observaciones que caen en una 1 2 categoría particular. . Introducción 0011 0010 1010 1101 0001 0100 1011 Los tipos de aplicaciones de la distribución hipergeométrica son similares a aquellos de la binomial. la probabilidad de un éxito no es constante. Esto ocurre si el muestreo se realiza con remplazo o de una población finita (o muy grande). si la población es pequeña y ocurre el muestreo sin remplazo. la probabilidad de un éxito variará. La distribución binomial es apropiada solo si la probabilidad de un éxito 4 permanece constante para cada intento. La distribución hipergeométrica es de utilidad.

Figura 1. Experimento hipergeométrico Propiedades a) 0010 0011 Una1010 muestra 1101 aleatoria 0001 0100 de1011 tamaño n se selecciona sin reemplazo de un total de N resultados posibles o artículos totales. 1 2 4 Población r = éxitos Muestra aleatoria N-r P(X=x) =? n= tamaño de muestra N=Población . b) r resultados o artículos del total N pueden clasificarse como éxitos y N-r como fracasos.7 Esquema del experimento hipergeométrico. 2.

de acuerdo con esto. dado por P(x). 1 2 Cx Cn  x Distribución P x   r N r hipergeométrica Cn N En donde: N r n x es el tamaño de la población. es el número de éxitos en la muestra. 3. la 0100 1011 distribución de probabilidad de la variable hipergeométrica se llama distribución hipergeométrica. Distribución hipergeométrica El número de X éxitos en un experimento hipergeométrico recibe el nombre 0011 de variable 0010 1010 aleatoria 1101 0001 hipergeométrica. es el tamaño de la muestra. 4 . es el número de éxitos en la población.

dos de los cuales están enfermos.8 Esquema distribución hipergeométrica del ejemplo de los caballos enfermos Población 1 2 Muestra aleatoria r = 4 enfermos P(X=2 enfer.) Ejemplo En un establo de caballos de carrera hay N=10 caballos. 3.30 10 C3 120 Interpretación Existe un 30% de probabilidad de seleccionar tres caballos de carrera.) =? N-r = 6 sanos 4 N = 10 caballos n = 3 caballos C  C 66 P(2 caballos enfermos) = P X  2  2 10 4 3 2  4  0. y r=4 de ellos 0011 tienen una1101 0010 1010 enfermedad 0001 0100 contagiosa 1011 ¿Cuál es la probabilidad de seleccionar una muestra n=3 en la cual x=2 caballos enfermos? Figura 1. Distribución hipergeométrica (cont. .

3. Distribución hipergeométrica (cont. Para la industria es 0011 demasiado costoso 0010 1010 1101 0001 llevar a cabo una inspección del 100% de su 0100 1011 producción para determinar los ítems defectuosos. N-r =16 sanos N = 120 lotes Muestra aleatoria P(X> 1) =? n = 5 lotes 4 .9 Esquema distribución hipergeométrica del ejemplo de los ítems defectuosos Población r = 4 ítems defect. Para minimizar el número de embarques defectuosos hacia los clientes. ¿cuál la probabilidad de que sea rechazada? 1 Figura 1. Si el lote contiene 4 defectuosos. se toma una muestra aleatoria de 5 ítems de cada lote y se rechaza el lote si se 2 encuentra más de un defectuoso.) Ejemplo Un producto es embarcado en lotes de 20 unidades.

.2487 Interpretación Existe un 24.) P(rechazar el lote) = P(X>1) = P(X≥2) = 0011 0010 1010 1101 0001 0100 1011 = 1 – P(X<2) = = 1 – [ P(X=0) + P(X=1) ]   4  16   4  16   1 2   0  5   1  4      1   20  20               4   5  5  = 1 – [0.4696] = 0. 3.2817 + 0. Distribución hipergeométrica (cont.87% de probabilidad de que el lote sea rechazada.) Ejemplo (cont.

usted debe. De los 15 altos ejecutivos de un negocio de exportaciones y de importaciones. 7 tenían esposas que también trabajaban.. las 0011 0010 otras1010 1101 0001 tres mujeres 0100demandaron. tres mujeres entablaron una demanda contra una empresa de servicios locales.1230 4. cuatro eran mujeres. Como subgerente de su empresa de materias primas. completar 1 2 3. Una encuesta sirve como fuente para este problema. De los 10 empleados hombres. 0.1833 . En un caso reciente en el distrito de Lima. De las nueve personas que eran elegibles para un ascenso. ¿Cuál es la probabilidad de que 5 de los enviados tengan algo de conocimiento sobre el proceso antes de partir para el lejano oriente? Rpta.p. Ejercicios de la lección 1. elegibles 1011 Si el género no era un factor. por discriminación de sexos.114) Rpta: 0. que su supervisor le solicita que resuelva. ¿Cuál es la probabilidad de que no más que uno de los tres ascensos fuera asignada una mujer? (Webster. se seleccionan 12 para ser enviados a Japón a estudiar un nuevo proceso de producción. Ocho de los ejecutivos ya tienen algo de entretenimiento en el 4 proceso. 4.5952 2. ¿Cuál es la probabilidad de que a lo sumo un esposo tenga una esposa que esté empleada fuera de casa si se seleccionan tres trabajadores al azar? Rpta: 0.

Lección 4 0011 0010 1010 1101 0001 0100 1011 2 LA DISTRIBUCIÓN DE POISSON 1 4 .

LA DISTRIBUCIÓN DE POISSON 1. se llama experimentos de Poisson.(Teoría de colas) •El número de accidentes industriales cada mes. Los experimentos que resultan en valores numéricos de una variable aleatoria X. •El número de errores de mecanografía por página. Introducción 0011 0010 1010 1101 0001 0100 1011 Una variable 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. Con frecuencia se utiliza para describir: 1 2 •El número de llegadas de cliente por hora. . •El número de conexiones eléctricas defectuosas por milla de 4 cableado. que representa el número resultados o eventos en un intervalo de tiempo o espacio.

La probabilidad de ocurrencia del evento es constante para dos 2 intervalos cualesquiera de tiempo o espacio y proporcional al intervalo. . Proceso de Poisson Un experimento de Poisson surge del proceso de Poisson y tiene las 0011 siguientes 0010 1010 propiedades: 1101 0001 0100 1011 Propiedades: a. 1 b. 2. La ocurrencia del evento en un intervalo de tiempo o espacio es 4 independiente de la ocurrencia de otro intervalo de tiempo o espacio cualesquiera.

. 0011 0010 1010 1101 0001 0100 1011 El número X de resultados que ocurren en un experimento de Poisson se llama variable aleatoria de Poisson. o tasa de llegada promedio o tasa de “arribo”.  = número promedio de ocurrencias por unidad de tiempo o de espacio. 3. y está dada por P(x). 1 2   ex P x   Función de probabilidad de Poisson 4 x! En donde: x = número de veces que ocurre el evento. e = 2.71828 base del logaritmo natural. y su distribución de probabilidad recibe el nombre de distribución de Poisson. Distribución de Poisson La distribución de Poisson mide la probabilidad de un evento aleatorio sobre algún intervalo de tiempo o espacio.

Solución 2 µ= 800 clientes/ 80 horas = 10 clientes por 1 hora. 3.) Ejemplo Hallar la probabilidad de que exactamente 5 clientes lleguen durante la 0011 siguiente 0010 1010hora 1101 (o en 0100 0001 cualquier 1011 hora dada) laboral.7182810 5! 4 0. Distribución de Poisson (cont. La observación simple de las últimas 80 horas ha demostrado que 800 clientes han ingresado al negocio.0378 Existe 3.78% de oportunidad de que exactamente 5 clientes ingresen a la tienda durante la siguiente hora o en cualquier hora. Nos piden: 1 P(5) = P(X=5 clientes por 1 hora | µ=10 clientes por 1 hora) =? P5  P X  5 |   10  Interpretación 105  2. .

1804 . 4  0. ¿cuál es la probabilidad de que se presenten 1 2 tres defectos en cualquier kilómetro de vía después de un año de tráfico? Nos piden : P(3) = ? Solución: P(3) = P(X=3 defectos por 1 km.7182810 3! exactamente 3 defectos aparezcan en el siguiente o cualquier kilómetro de pavimentación. después de un año de uso. | µ= 2 defectos por 1 km. 0011Ejemplo 0010 1010 1101 0001 0100 1011 Una compañía de pavimentación hace mantenimiento a las vías de un centro urbano. Allí usted encontrará 0.0378. Baje por esa columna hasta la fila donde esta x=5. Las vías recientemente pavimentadas por esta compañía demostraron un promedio de dos defectos por kilómetro.04% de oportunidad de que 23  2. Si el distrito sigue con esta compañía. 4.) =? P3  P X  3 |   2  Interpretación Existe 18. Uso de la tabla Poisson Diríjase al extremo superior de la tabla hasta encontrar µ=10.

en 0.)1010 es necesario 1101 0001ajustar 0100µ 1011 de acuerdo con la estipulación en el problema de 0. Debido a que se da la media de ocurrencias por un kilómetro (2 defectos por 0011 10010 km.5 kilómetros.13 % de probabilidad de que exactamente 3 defectos aparezcan en el siguiente o el próximo medio kilómetro de pavimentación. 4. . P3  P X  3 def.   P3  P X  3 |   1   Interpretación 1  2. |  =2 defectos en 1 km.) Ejemplo Se desea conocer ahora la probabilidad de 3 defectos en 0.)=? Solución: Se debe hacer una transformación: promedio () unidad de espacio 1 2 2 defectos 1 Km  0. |   1 def.5 km. en 0.5 km.5 Km El nuevo  será:  =(2*0.5 km. Uso de la tabla Poisson (cont.5 kilómetros.5 km.71828 3 3! 1  0.5) / 1 = 1 defecto por 0.0613 4 Existe un 6. Nos piden: P(3) = P(X=3 defectos en 0.

El profesor Montero anima a sus estudiantes de estadística a “actuar de forma prudente” consultando al tutor si tienen alguna pregunta mientras se preparan para el examen final. Si la probabilidad excede el 20%. El tutor debe determinar la probabilidad de que cuatro estudiantes lleguen durante cualquier intervalo de 20 minutos. permitiendo a los estudiantes extender el horario en las que vienen a ver al 4 autor. El profesor Montero está preocupado porque si muchos estudiantes necesitan los servicios del tutor. Parece que la llegada de los estudiantes a la oficina del tutor se ajusta a una distribución de Poisson.2 estudiante cada 20 0011 0010 1010 1101 0001 0100 1011 minutos. a. puede resultar un problema de congestión.5938 c. Rpta. Rpta. Rpta. con un promedio de 5. se contratará un segundo tutor. Si es mayor que el 50%. Ejercicios de la lección 1. el mismo profesor Montero ofrecerá tutoría adicional. Si la probabilidad de que más de siete estudiantes lleguen durante un periodo cualquiera de 30 minutos excede 50%.0. El tutor debe calcular la probabilidad de que más de cuatro estudiantes lleguen durante algún periodo de 20 minutos. las horas de oficina del tutor se aumentarán.5188 . 5.0.0.1681 1 b. lo cual podría causarle problema de congestión que teme el profesor 2 Montero.

9896 . 1 2 Un proceso de fabricación utilizada para ser artefactos plásticos Incas presenta una tasa de defectos de 5 por cada 100 unidades.) 2. Si la probabilidad de que más de 3 salgan 4 defectuosos supera el 30%. Las unidades se envían a los distribuidores en lotes de 200. usted planea vender en su lugar. camisetas. ¿Por lo menos una? R=0. A un computador de la oficina principal de la compañía llegan llamadas a un promedio de dos por minuto y se sabe que tienen distribución de Poisson.8647 b. 5. cuál es la probabilidad de que el número de 0011 0010 1010 1101 0001 0100 1011 llamadas no respondidas sea: a. Si el operador esta distraído por un minuto. ¿Entre 3 y 5. Ejercicios de la lección (cont. 0. inclusive? R=03067 3. ¿Cuál artículo agregará usted al inventario? Rpta.

Lección 5 0011 0010 1010 1101 0001 0100 1011 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD 1 2 4 .

. después de cualquier punto en el tiempo elegido al azar. •Tiempo entre dos eventos sucesivos. Si el número de ocurrencias tiene distribución de Poisson. •Tiempo o espacio hasta la ocurrencia del primer evento. LA DISTRIBUCIÓN EXPONENCIAL 1. Mide el paso del tiempo entre ocurrencias. •El tiempo de falla de los componentes y sistemas eléctricos (problemas de confiabilidad). Introducción La distribución 0011 exponencial 0010 1010 1101 0001 0100 es una 1011 distribución continua. Estima el lapso entre arribos. el lapso entre las ocurrencias estará distribuido exponencialmente Con frecuencia se utiliza para describir: 1 •El tiempo entre llegadas en las instalaciones de servicio (teoría 2 4 de colas).

10 Distribución exponencial. Distribución exponencial La probabilidad de que el lapso de tiempo sea menor que o igual a cierta cantidad x: P X  x   1  e  t 0011 0010 1010 1101 0001 0100 1011 Distribución exponencial En donde: t es el lapso de tiempo.71828 base del logaritmo natural. 4 Figura 1. 1 2  tasa promedio de ocurrencia. e = 2. 2. .

5 2  3  1 e  P X  2  1  0. 2.5 clientes por 1 hora )=? 1 2 Solución P X  2   1  e  1.) Ejemplo La tasa promedio de llegada de ciertos clientes es µ=1. Nos piden: P(X ≤ 2 horas |  =1.0498  0.5 por hora y se 0011 0010 1010 1101 0001 0100 1011 desea saber la probabilidad que no más de dos horas transcurran entre llegadas. .02% de probabilidad de que el segundo cliente ingrese a las dos horas o menos del primero si la tasa promedio de llegadas es de µ =1. Usando la formula exponencial.5 clientes por hora. Distribución exponencial (cont. el valor t=2.9592 Interpretación 4 Existe 95.

y el problema se plantea en minutos (30 de ellos). Distribución exponencial (cont. Nos piden: P(X ≤ 30 minutos |  =2 camiones por 1 hora )=? Solución 1 2 Se debe hacer una transformación: tiempo t 60 minutos 1 30 minutos t 4 El nuevo t será: t =(30/60) / 1 = 1/12 1   2   P X  30  1  e  12  1  1  e  1  0.21% de probabilidad que el próximo camión ingrese al puerto en 30 minutos como máximo.) Ejemplo Los camiones llegan al puerto de carga a una tasa de µ=2 por hora.6321 Interpretación Existe 63.3679  0. si la tasa promedio de llegadas es de µ =2 camiones por hora. 2. 1011o 60 minutos. . ¿Cuál es la probabilidad de que no más de 30 minutos transcurran entre llegadas? La 0011tasa 0010promedio está0001 1010 1101 dada0100 por hora.

Una compañía de taxis programa para que sus unidades lleguen al aeropuerto local en una distribución de Poisson con una tasa promedio de llegada de 12 por hora. Rpta. 0011 0010 Usted 1010 acaba 1101 0001de aterrizar 0100 1011 en el aeropuerto y debe llegar al centro acerrar un buen negocio. Tomará una hora para reparar una rampa para desembarcar pasajeros. ¿Cuál es la probabilidad de que el computador esté fuera de línea toda la semana? Rpta. El computador principal de la universidad queda fuera de líneas tres veces por semana. usted alquilará un carro para el viaje a la oficina. a una proporción de dos por hora.8647 3. El profesor Díaz debe completar un proyecto esta semana y requiere del computador.9975 .6321 1 2 2. de manera que si la probabilidad de que pase otro taxi dentro de 5 minutos es menor al 50%.0. 0.0. Los aviones llegan al pequeño aeropuerto al puerto. Ejercicios de la lección 1. ¿Cuál es la probabilidad de que un avión llegue mientras que la rampa 4 está en reparación? Rpta. 3. ¿Cuál es la probabilidad de que usted tenga que esperar máximo 5 minutos para conseguir un taxi? Su jefe un tirano que no tolerará la falla. de Pisco.

Lección 6 0011 0010 1010 1101 0001 0100 1011 LA DISTRIBUCIÓN UNIFORME 1 2 4 .

La figura 1.11 Distribución uniforme 1/b-a a b . desde el 4 mínimo de a hasta el máximo de b. 0011 0010 1010 1101 0001 0100 1011 Ejemplo El experimento de lanzar un dado ilustrado en la tabla 1. 1. Figura 1. Distribución de probabilidad uniforme En una distribución uniforme las probabilidades son las mismas para todos los posibles resultados. Todos los seis resultados tenían 1/6 de 2 probabilidad de ocurrencia.3 es uno de los ejemplos.11 muestra una distribución 1 uniforme en la cual todos los resultados sobre el rango total de posibilidades de distribución son igualmente posibles.

como en todas las distribuciones de probabilidad. Media de una ab E x     distribución uniforme 2 2 En donde a y b son los valores mas bajo y mas alto respectivamente.1 La media La media o valor esperado de una distribución uniforme está en la mitad 0011 0010 de camino 1010 entre 1101 0001 sus1011 0100 dos puntos extremos. debe ser igual a 1 o 100%. La media y la varianza de la distribución uniforme 2. 2.2 La varianza Varianza de una 1 a  b 2 4 2  distribución uniforme 12 Nota: El área total bajo la curva. Se sabe que el área es la altura por el ancho. 2. . la altura es: Area Altura  Ancho En donde b-a es el ancho o rango de la distribución.

Esto se muestra en la figura 1.5 .5 . Ejemplo de distribución uniforme Suponga que los contenidos de las latas de 16 onzas de ensalada de fruta producida por Del Monte oscila entre 14.5  17.5 y 17. 14.5 3 4 Figura 1.5 La media es:   16 onzas 2 1 2 1 Y la altura es: Altura  1 17.14.5 onzas y 0011 0010 1010 1101 0001 0100 1011 se ajusta a una distribución uniforme.40 14.12 Distribución uniforme de los productos enlatados 1/3 0.2 17.12.5 µ=16 17.

5 4  0.40 .21011 onzas. se tiene: P16  X  17. 3.5  14. La probabilidad de que una observación única este comprendida dentro de los valores X1 y X2 es: 1 2 Probabilidad de que una X1  X 2 observación caiga entre P X 1  X  X 2   dos valores rango Para la lata de Del Monte. Probabilidad de una observación Ejemplo El señor Del Monte desea saber la probabilidad de que una sola lata 1010 0011 0010 pese1101 entre0001 16 y0100 17. Este valor esta dado por el área dentro de ese rango tal y como se muestra en la figura 1.12.2  16 17.2  17.

61.0. El agua utilizada por un grifo para lavar los carros es de 30 galones por carro.2 y 1. ¿que tan probable es que usted termine a tiempo para reunirse con sus 0011 0010 1010 1101 0001 0100 1011 amigos dentro de 1. El tiempo requerido para conseguir una pista en una bolera local oscila entre 23.2 onzas. Lo menos que se utiliza son 27 galones.33 4.5 y 40. Asumiendo una distribución uniforme. Una encuesta muestra que los carros no quedan limpios a 4 menos que se utilicen 32 galones de agua en la lavada. y su uso está distribuido uniformemente. Ejercicios de la lección 1.40 2.0.5 minutos.5 onzas? Rpta. la bolsa de golf o la de bolos? Rpta.7%. con un rango de 4. usted piensa jugar golf. 4. ¿Si usted selecciona una lata al azar. Las latas de alimento para perros tienen un promedio de 16 onzas.7 horas aproximadamente hacer su tarea de estadística.0. si la probabilidad de que usted tenga que esperar más de 30 minutos excede del 60%.8 y 16.167 1 2 3. Los tiempos están distribuidos de manera uniforme. cuál es la probabilidad de que pese entre 15. . ¿Cuál bolsa debería colocar en la maletera de su carro. Generalmente le toma entre 1. ¿Qué porcentaje de carros que salen del grifo quedan limpios? Rpta.4 horas? Rpta.

Lección 7 0011 0010 1010 1101 0001 0100 1011 LA DISTRIBUCIÓN NORMAL 1 2 4 .

En este momento debe recordarse que la distribución normal es una 1 2 distribución continua (no discreta). se hizo una introducción a la naturaleza básica de la distribución normal. Se utiliza para reflejar la distribución de variables tales como estaturas. . Tales variables 4 continuas generalmente son el resultado de la medida. pesos. 1. la distribución normal es la más importante. distancias y otras medidas que son divisibles infinitamente. su característica simétrica en forma de campana y la forma como se relacionaba con la regla empírica. Introducción De todas las distribuciones de probabilidad que se analizarán. En el curso de 0011 0010 1010 1101 0001 0100 1011 Estadística I.

. La ecuación matemática 0011 0010 1010 1101para 0001la0100 distribución 1011 de probabilidades de la variable normal depende de dos parámetros: su media (µ) y su desviación estándar (σ).13 Distribución normal f(x) µ σ x 4 Notación abreviada: X  N(µ. indica que la variable aleatoria X se distribuye normalmente con media µ y varianza σ2 . 2. Distribución normal Una variable aleatoria continua X que tiene la distribución en forma de campana se llama variable aleatoria normal. Se dice que una variable aleatoria X tiene una distribución normal con media µ (-µ+) y varianza σ20 si tiene la función de densidad f(x): f x   1 2   e 2 1  x  2    1 2 (-x+) Figura 1.σ2).

Esta dispersión por encima y por debajo de la media podría medirse mediante la desviación estándar. que mientras que la estatura promedio es de 67 pulgadas. 2 5. alejándose de la media. encontrarían que las estaturas están distribuidas normalmente alrededor de una media de 67 pulgadas. 2. ocurre en x=µ. algunas personas son más altas y algunas más bajas. 0100 1011 3. 3. Ejemplo 1 Un gran fabricante de ropas en Gamarra. La curva tiene puntos de inflexión en x=µ±σ. 1010 0011 0010 La curva 1101es simétrica 0001 alrededor de µ. El fabricante reconoció que el público estaba en constante cambio en su tamaño físico y en sus proporciones. 4. la gerencia sintió que se necesitaba un análisis completo de las tendencias actuales en los tamaños de moda. Se asume que la desviación estándar en las estaturas de los clientes es de 2 pulgadas. La curva normal se acerca al eje horizontal en forma asintótica en cualquiera de las dos direcciones. Se supone que si el fabricante fuera a medir las estaturas de todos sus clientes potenciales. que es punto sobre el eje horizontal donde la curva tiene su máximo. El área total bajo la curva y arriba del eje horizontal es igual a 1. En un esfuerzo por producir la ropa de mejor ajuste. Es decir. Propiedades de la distribución normal 1. La moda. . desea estudiar la distribución en la estatura de las 4 personas.

14 Distribución normal para las estaturas del fabricante de ropa.5 muestra esta gráfica.13. La figura 5. Si los valores están distribuidos normalmente. Vale la pena recordar que más del 50% de las observaciones (estaturas) están por encima de la media y el 50% de éstas 1 2 están debajo de la media. colocando las observaciones individuales en el eje horizontal. Ejemplo(cont. σ =2 f(x) 50% 50% µ =67 X (pulgadas) .) Una gráfica de estas estaturas produciría la habitual forma de campana. Similarmente el 50% de toda el área bajo la curva normal está a la derecha de la media y el 50% de esta área está a la izquierda de la media. 4 Figura 1. entonces aparecerá la curva en forma de campana de la figura 1. y la frecuencia con la cual cada una de estas observaciones ocurrió en 0011 0010 1010 1101 0001 0100 1011 el eje vertical.

4.15 muestra tres distribuciones normales diferentes de las tallas que el fabricante puede encontrar en su estudio sobre las tendencias de la moda. 2 La primera (I) corresponde a las distribuciones descritas 1 anteriormente. Comparación entre distribuciones normales La forma y posición de una distribución normal están determinadas por dos parámetros: su media µ y su desviación estándar σ. las cuales tienen una media de µ=67 y una desviación estándar de σ =2. . La 0011 0010 1010 1101 0001 0100 1011 figura 1. Está centrada en 67 con la mitad de 4 las observaciones por encima de 67 y la mitad por debajo. La desviación estándar de 2 indica el grado en el cual las observaciones están dispersas por encima y por debajo de 67.

3% 95.) Figura 1.7% 4 III σ=4 55 59 63 67 71 75 79 68.3% 95.7% 99.3% 68.5% 99.5% 99. Comparación entre distribuciones normales (cont. 4.5% 95.15 La regla empírica 0011 0010 1010 1101 0001 0100 1011 σ=2 II σ=2 I 1 2 61 63 65 67 69 71 73 75 77 79 81 83 85 68.7% .

Sin embargo.7% de todas las observaciones está a ±3 σ de la media.) La segunda distribución (II) tiene una media más alta. está centrada más 1010 0011 0010 hacia1101 la derecha. pero la misma desviación estándar de σ = 2. El 95. Por tanto.3% de todas las observaciones está a ±1 σ de la media. toma la misma forma que la primera distribución. sin considerar el valor de la media o la desviación estándar: El 68. de µ=79. 4. directamente 0001 0100 1011 encima de 79. 4 La regla empírica específica que. su medida de dispersión es más grande (σ=4). Es más plana y más dispersa por encima y por debajo de la media de 67.5% de todas las observaciones está a ±2 σ de la media. Pero como tiene el mismo grado de dispersión (σ=2). . Comparación entre distribuciones normales (cont. El 99. Una tercera distribución (III) tiene la misma media que la primera 1 2 (µ=67).

cada una con su propia media y su desviación estándar. Z N(0. es necesario convertir todas estas distribuciones normales a una forma estándar. 5. que se define como "el número de desviaciones estándar a las que una observación está de la media". La desviación normal Puede existir un número infinito de distribuciones normales posibles. después de que se ha aplicado la fórmula de conversión la media es 0 y la desviación estándar es 1. Ya que obviamente no se puede analizar un número tan grande de 0011 0010 1010 1101 0001 0100 1011 posibilidades.1) . Esta conversión a la distribución normal estándar se efectúa con la fórmula de conversión (o fórmula-Z). La desviación normal o fórmula-Z Z  X    1 2 4 En donde Z es desviación normal. se miden en las unidades originales en la distribución. Sin considerar lo que valen la media y la desviación estándar. y X es algún valor específico de la variable aleatoria.

El eje inferior refleja estas estaturas en términos de sus valores de Z. y la desviación estándar es σ=2 pulgadas. La media es µ=67 pulgadas. Figura 1. 5.5 Valor Z . El eje superior 0011 0010 1010mide 1101 las 0001observaciones 0100 1011 de estatura X en pulgadas.16 ilustra el uso de los datos del fabricante.5 0 1.) Ejemplo La figura 1. La desviación normal (cont.15 Conversión de estaturas de los clientes 1 2 4 63 ? 67 X pulgadas 70 Paula Fred Tom Steve -2 -1.

la estatura promedio de todos los consumidores en el mercado de ropas.16 revela que convertir 70 pulgadas  1. La figura 1. 5. es Z=0. Utilizando la conversión.) Ejemplo (cont.) Z  X   Cálculos 0011 0010  1010 1101 0001 0100 1011 Tom mide 67 pulgadas. Su valor de Z es -2 Z   2 2 a un valor de Z resulta: Z  70  67  2 4 Steve mide 70 pulgadas.5 . 67  67  1 2 Z  0 2 63  67  Paula mide 63 pulgadas. La desviación normal (cont.

Se va hacia la derecha a la siguiente columna que comienza con 0. En la tabla normal. 6. . Cálculo de probabilidades con la desviación normal Estandarizar una distribución normal permite determinar más fácilmente la probabilidad de que ocurra cierto evento.0.00 para obtener Z = 1. Ésta es justamente el área que se quiere. Esta tabla proporciona el área bajo la curva desde la media 4 hasta algún valor por encima o por debajo de ésta. 0011 0010 1010 1101 0001 0100 1011 7. se halla el valor de Z para 1. Uso de la tabla normal 1 2 El área relacionada con un valor de Z dado puede hallarse en la tabla normal.00.

el valor de Z=1 69  67   1 1 0. figura 1.3413. se encontrará el valor de 0. P(67≤ X ≤69).3413 Interpretación Existe 34. Uso de la tabla normal (cont. Buscando en la tabla normal.) Ejemplo Hallar la probabilidad de que un solo cliente tenga entre 67 y 69 pulgadas de estatura. Se halla el área que está bajo la 0011 0010 1010 1101 0001 0100 1011 curva normal entre 67 y 69. si se conoce el área se conocerá la probabilidad. Es decir. 7.17 σ =2 f(x) Figura 1. .17 Para X=69.3413 2 4 µ =67 69 Z X (pulgadas) 2 µ =0 1 Z Entonces: P(67≤ X ≤69) = P(0≤ Z ≤1) = 0.13% de probabilidad que un cliente escogido al azar mida entre 67 y 69 pulgadas.

5000 -0. 7.5000 .18.1587 69 1 4 X (pulgadas) Z Existe 15.13% 0011 0010 1010 1101 0001 0100 1011 de todos los clientes miden entre 67 y 69 pulgadas.3413 =0.1587 Interpretación µ =67 µ =0 Entonces: P(X>69) = P(Z>1) = 0.18 0. Además. . Uso de la tabla normal (cont.1587 en el área de la cola que va más allá de Z=1.3413 =0. 1.00.3413 0. se sabe que el 50% de todos los clientes está por encima de la media de 67.87% de probabilidad que un cliente escogido al azar mida más de 69 pulgadas. Esto deja 0.0. 1 2 σ =2 f(x) Figura 1. La fig. estable que el 34.) Ejemplo Hallar la probabilidad de que un solo cliente tenga más de 69 pulgadas de estatura. P(X>69).

5 y 70.) Ejemplo En la figura 1.4505 = 0.3944 + 0.5≤X≤70.19 64.3944 0.3 y luego adicionarlas. f(x) Figura 1.3  67  4 Z  1.25 2 0.8449 . Uso de la tabla normal (cont. ahora se busca el área comprendida entre 64.25) + P(0 ≤Z≤1.5 y 67 y (2°) entre 67 y 70.65)= = 0.3.3) = P(-1. 7.25≤Z≤1.19 .4505 70.3 X (pulgadas) -1.5  67  1 2 Z  1. Como la tabla da solamente el área de la media hasta algún 0011 0010 1010 1101 0001 0100 1011 valor por encima o por debajo de ella.65 2 64. deben determinarse las áreas (1°) entre 64.25 µ =0 1.5 µ =67 70.65 Z Entonces: P(64.65) = P(0≤Z≤1.

21. ¿Existe algún nivel de ingreso que aparezca como "?" que separe el 15% más pobre del 85% restante? Se asume que los ingresos están distribuidos normalmente. el ingreso promedio por persona. . medido en dólares. Entonces surge la pregunta sobre qué nivel de ingresos separa el 15% más pobre del 4 resto de la gente. y debe 0011 0010 1010 1101 0001 0100 1011 determinarse qué valor de X dará dicha probabilidad. En 1996. Se asume una desviación estándar de US$3. 8. en el año de 1982 era de US$13.21. Ejemplo Los asesores económicos del presidente proponen un programa de 2 bienestar social para ayudar a los desfavorecidos.550. con un pago 1 monetario al 15% a los más pobres de la nación. Ver figura 1.812. Cálculo de un valor X a partir de una probabilidad desconocida Algunas veces se puede saber cuál probabilidad se requiere. Esto se muestra en la figura 1.

04  X  13. Cálculo de un valor X a partir de una probabilidad desconocida (cont. 3.120 o menos.15).812 Despejando X.120 Interpretación Recibirán el subsidio del gobierno.550 Es X=US$ 10.3508.15.) Ejemplo (cont. ? µ =13812 X ($$ que corresponde a Z=1. se tiene:  1.1500 0. 1 2 Lo más próximo es 0. -1.5 -0.) Figura 1.21 Nos interesa el valor de 0.3500 0. .5000 área de 0. 8.04 µ =0 Z X  4 Como:    Reemplazando. quienes sus ingresos son US$ 10.3500 (0. 0011 0010 1010 1101 0001 0100 1011 Se busca en la estructura interna de la tabla normal el 0.04.

Si se seleccionan 15 miembros de manera aleatoria ¿cuál es la probabilidad de que 10 apoyen un paro? Con la tabla binomial o la fórmula binomial.40) = 6 y   15(0. 9.40) = 0.) Ejemplo En un sindicato laboral. se halla: 2 P(X = 10 | n = 15 . 4 Primero se debe hallar la media µ y la desviación estándar σ de la distribución normal así: µ = nπ y   n( )(1 . podría aproximarse a la respuesta utilizando la distribución normal. Aproximación normal a la distribución binomial (cont.60)  1. ) Así: µ= (15)(0.0245 1 Si no se pudiera utilizar la tabla. π = 0.897 .40)(0. el 40% de los miembros está a favor de una 0011 0010 1010 1101 0001 0100 1011 huelga.

9. Esto se ilustra en la figura 1. Cuando se utiliza una distribución continua para estimar una variable 1 2 aleatoria discreta. requiere que se trate la 4 probabilidad de exactamente 10 miembros como el intervalo entre 9.) Debido a que existe un número infinito de valores posibles en una 0011 0010 1010 1101 0001 0100 1011 distribución normal (o en cualquier distribución continua). es cero. es necesario un leve ajuste. Aproximación normal a la distribución binomial (cont.5 miembros. la probabilidad de que la variable aleatoria sea exactamente igual a algún valor específico como 10. Este ajuste. la cual muestra las probabilidades para cada valor de la variable aleatoria (número de miembros) tomada de la tabla binomial.) Ejemplo (cont.5 miembros y 10. . llamado factor de corrección de continuidad.22.

897 . 0. Aproximación normal a la distribución binomial (cont.37) .) Figura 1.P(0 ≤ Z≤1.) Ejemplo (cont.5 ≤ X ≤ 10.4678. .0245 que se encontró en la tabla binomial.40)  P(9.85) = 0. 9.5) = = P(0 ≤ Z≤2.5  61010 1101 0001 0100. Número de miembros 4 9.85 1.5  6 1 2   2.15 Z=1.4678 = 0.10 . π = 0.0233 El cual es una aproximación muy cercana al 0. y .4911 .201011 0011 0010   1.4911 0 1 2 3 4 5 6 7 8 9 10 11 12 ….5 P(X = 10 | n = 15 .85 da una área de 0.22 Aproximación normal a la binomial Probabilidad 9.02 10.01 1.37 da una área de 0.5 10.37 .897 Z=2.

98. Se piensa que los pesos están 0011 0010 1010 1101 0001 0100 1011 distribuidos normalmente.000 millas con una desviación estándar de 1.500 millas? Rpta. ¿Entre 39.0292 1 2. Ejercicios de la lección 1.114 millas. 0.38.7503 b. Cuál es la probabilidad de que los frenos del auto que usted acaba de comprar le duren: a. 10. cuál es la probabilidad de que la caja pese: a.5 onzas y 41. Si se selecciona una caja aleatoriamente. ¿Menos de 37. Se publica que los frenos de los nuevos autos de cierta marca 2 4 duran un promedio de 35.3 onzas y 38. 0.9 onzas? Rpta.200 y 36.1 onzas? Rpta.900 millas? Rpta. ¿Entre 34. Los paquetes de un cereal en cajas de 36 onzas que tienen una desviación estándar de 1.9 onzas.50% . ¿Entre 35.75% b.

0.27.87 por hora.80 1 4. con una desviación estándar de 0011 0010 1010 1101 0001 0100 1011 US$5. El promedio de los salarios en los bancos comerciales en Illinois es de US$22.19. Ejercicios de la lección (cont. 10 .87. 115 contengan partes japonesas? Rpta.27. Cuál debe ser su salario por hora si desea ganar: a.82 c. ¿Más que el 30% de todos los empleados? Rpta.80 b.0002 . ¿Más que el 80% de todos los empleados? Rpta. ¿Menos que el 20% de todos los empleados? Rpta. ¿Cuál es la probabilidad de que los próximos 200 carros.) 3. Los registros muestran que 45% de todos los automóviles 2 4 producidos por FMC contiene partes importadas de Japón.