ELABOR EL DR.

EDUARDO GUTIRREZ GONZLEZ

Despejando la exponencial, resulta: e

Por medio del logaritmo natural:

T
10

= 0.80 .

T
= ln(0.80) .
10

Finalmente: T = 10 ln(0.80) = 2.23 aos.

EJERCICIOS 1
1).-

Se ha hecho un estudio sobre el tiempo de espera de los usuarios a cierto banco del D.F.,
obtenindose que el tiempo promedio que tardan en atender a un usuario entre las 9 y las 12 horas
de un da normal es de 10 minutos, y que el tiempo de espera en ser atendido se distribuye
exponencialmente. Calcula la probabilidad de que si vas a dicho banco en un da normal a las 10:20
horas seas atendido
a).- En menos de 5 minutos.
b).- En ms de 10 minutos.

2).-

El periodo de vida en aos de un interruptor elctrico tiene una distribucin exponencial con
un promedio de falla de = 2 aos. Cul es la probabilidad de que un interruptor falle despus
del 2do. ao?

3).-

Un motor elctrico tiene una vida media de 6 aos. Si la vida til de ese tipo de motor puede
considerarse como una variable aleatoria distribuida en forma exponencial. Cul debe ser el
tiempo de garanta que debe tener el motor si se desea que a lo ms el 15 % de los motores fallen
antes de que expire su garanta?.

4).-

Por medio de una repeticin de experimentos se obtuvo que la variable aleatoria continua X se
describe en forma muy propicia por un modelo de tipo exponencial, y para determinar su parmetro
correspondiente se ha empleado su funcin de distribucin acumulada, resultando que la
probabilidad P ( X < 35) = 0.26 . Encuentre en tales circunstancias al parmetro .

5.4 MODELO NORMAL

La distribucin normal fue encontrada por Carl Friedrich Gauss5, en algunos trabajos se le conoce
como: Ley de probabilidad de Gauss, segn sta una magnitud sufre la influencia de numerosas
causas de variacin, todas ellas muy pequeas e independientes entre s, los resultados se acumulan
alrededor de la media, distribuyndola simtricamente a su alrededor con una frecuencia que disminuye
rpidamente al alejarse del centro.
Definicin 5.7
Sea X una variable aleatoria continua,se dice que X tiene una distribucin normal o de Gauss, con
parmetros y (positivo) en todos los reales cuando su funcin de densidad de probabilidad es :
f ( x) =

( x )2
2 2

en x (, ) .

Carl Friedrich Gauss matemtico, astrnomo y fsico alemn. Naci en Brunswick en 1777 y muri en Gotinga en 1855.
65

GUA PARA EL EXAMEN DE PROBABILIDAD

Como se mencion arriba los modelos con distribucin normal se caracterizan por la forma de
la grfica de su funcin de densidad. La grfica de la distribucin Normal tiene forma de campana,
como la mostrada en la siguiente figura:
Segmento de
longitud

1.1

E( X ) =

Segmento de
longitud

0.9
0.7
0.5

V (X ) = 2

0.3
0.1
-1

-0.1

0.5

1.5

2.5

3.5

Fig. 5.2 Grfica de la fdp, de una variable aleatoria continua X,

con distribucin normal, media y variancia 2 .
En la grfica anterior, se puede apreciar que la recta x = es el eje de simetra de la funcin;
mientras que en los valores x = y x = + se tienen los puntos de inflexin de la grfica de la
funcin compruebe esto ltimo por medio del Clculo!
El modelo normal tiene gran aplicacin en diferentes reas y es una de las distribuciones con
mayor auge en el estudio de las probabilidades y la estadstica, la dimensin de su importancia radica
en un Teorema titulado: Teorema del Lmite Central.
Teorema 5.2
Si X es una variable aleatoria continua distribuida normalmente en ( , ) y f (x) su funcin de
densidad de probabilidad, entonces
a) E ( X ) = .
b)

V (X ) = 2 .

5.4.1 CLCULO DE PROBABILIDADES

Como se mencion anteriormente la distribucin de Gauss tiene una gran importancia en el estudio de
las probabilidades y la estadstica, por consiguiente es de gran importancia tener un anlisis detallado
sobre su comportamiento para el clculo de probabilidades. Pero de los cursos de Clculo, se sabe que
la integral de la funcin:

1
f ( x) =
e
2

( x )2
2 2

no se puede resolver en base a funciones elementales. Por lo tanto, cuando la integral es definida slo
podemos aproximar sus valores por medio de alguno de los mtodos numricos, entre algunos otros
tenemos: Mtodo del trapecio, Simpson 1 3 y Cuadratura de Gauss.
De lo anterior, podemos notar que el clculo de probabilidades resultara bastante engorroso para
este tipo de distribuciones, pero debido a su importancia se tienen tablas y programas para calcular
las probabilidades. Desde luego, como es de suponerse se requiere de algn mtodo, con el que no se
tenga que resolver integrales para diferentes valores de y .
66

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

El problema anterior se resuelve con el cambio de variable aleatoria:

Z=

al cual se le llama: La estandarizacin de la variable X a unidades en Z.

La frmula en Z es una regla de transformacin puesto que en la estandarizacin X ,
representa un desplazamiento del eje de las ordenadas ver Figura 5.3; mientras que la divisin entre la
desviacin estndar influye en la amplitud de la funcin, ver figura 5.4.

= 1; = 1
0.45

= 2; = 1

0.35
0.25
0.15
0.05

X
-2.0 -1.5 -1.0 -0.05 0.0 0.5 1.0 1.5 2.0 2.5 3.0

3.5 4.0 4.5 5.0

Fig. 5.3 Muestra la grficas de la distribucin normal con la misma

desviacin estndar, pero diferente valor esperado.
Se puede apreciar que las dos grficas son iguales, slo cambia la posicin del eje de las
ordenadas. En las grficas de abajo cambiar su amplitud, a mayor variancia menor amplitud.

= 1; = 0.75 o bien N (1,0.75)

0.55
0.45
0.35
0.25

= 1; = 1.5 o bien N (1,1.5)

0.15
0.05
-3.0 -2.5 -2.0 -1.5 -1.0 -0.05 0.0 0.5 1.0 1.5

X
2.0 2.5 3.0 3.5

4.0 4.5 5.0

Fig. 5.4 Muestra la grficas de la distribucin normal con el mismo

valor esperado, pero diferente desviacin estndar.
Cuando se realiza la estandarizacin resulta que E ( Z ) = 0 y V ( Z ) = 1 .
y su grfica se representa en la Figura 5.5.
67

GUA PARA EL EXAMEN DE PROBABILIDAD

0.45
0.35
0.25
0.15
0.05

-3.0 -2.5 -2.0 -1.5 -1.0 -0.05 0.0 0.5 1.0 1.5

2.0 2.5 3.0

Fig. 7.5 Grfica de la distribucin normal estndar.

La integral para la funcin acumulada de la variable aleatoria Z, es decir la distribucin normal
en su forma estndar se calcula y representar por:

F (z0 ) =

1
2

z0

dz = ( z 0 )

Para el clculo de probabilidades se emplean las propiedades siguientes de la distribucin y la

tabla de la normal estndar.
5.4.2 PROPIEDADES DE LA DISTRIBUCIN NORMAL ESTNDAR
a) Propiedad de simetra. La funcin f (z ) es simtrica con respecto al eje de las ordenadas. Es
decir, P( Z < Z 0 ) = P( Z > Z 0 ) .
b) Propiedad del complemento. En los casos de P( Z > Z 0 ) se puede emplear la simetra, inciso a, o
el complemento. Es decir, P( Z > Z 0 ) = 1 P( Z Z 0 ) .
c) P (1 < Z < 1) = 0.6827 y P (2 < Z < 2) = 0.9545 .
d) La suma de probabilidades fuera del intervalo (4, 4) , no puede ser mayor a 0.0001, es decir, casi
vale cero.
5.4.3 USO DE TABLAS DE LA FUNCIN ACUMULADA
Como se ha mencionado el uso de tablas o de algn programa para el clculo de probabilidades es
fundamental en la solucin de los ejercicios. Por lo tanto, para homogeneizar el uso de tablas que
emplearemos en los clculos.
Funcin acumulada de la Distribucin Normal Estndar
(z) =

2 dx

D(z) =

-Z

1
2

dx

z ( z ) (z ) D(z ) z ( z ) (z ) D(z ) z ( z ) (z ) D(z ) z ( z ) (z ) D(z )

0.04 0.4840 0.5160 0.0319 0.44 0.3300 0.6700 0.3401 0.84 0.2005 0.7995 0.5991 1.24 0.1075 0.8925 0.7850
0.05 0.4801 0.5199 0.0399 0.45 0.3264 0.6736 0.3473 0.85 0.1977 0.8023 0.6047 1.25 0.1056 0.8944 0.7887
0.06 0.4761 0.5239 0.0478 0.46 0.3228 0.6772 0.3545 0.86 0.1949 0.8051 0.6102 1.26 0.1038 0.8962 0.7923

68

ELABOR EL DR. EDUARDO GUTIRREZ GONZLEZ

Como se puede observar en estas tablas la funcin acumulada se representa por medio de la
funcin (z ) . Para el clculo de probabilidades en intervalos simtricos se tiene otra funcin:
1
D( z 0 ) =
2

z0

z0

dz = ( z 0 ) ( z 0 )

Por lo tanto el clculo de probabilidades en base a estas funciones y las propiedades anteriores, se
podr efectuar de la siguiente forma:
1).-

P( Z < Z 0 ) = ( Z 0 ) .

2).-

P( Z > Z 0 ) = P( Z < Z 0 ) = ( Z 0 ) .

3).-

P ( Z 0 < Z < Z 0 ) = D( Z 0 ) .

4).-

P(a < Z < b) = (b) (a) .

En los siguientes ejemplos emplearemos ambas funciones (z ) y D(z ) .

EJEMPLOS 5.4
Sea Z una variable aleatoria continua con distribucin normal estndar, calcula las probabilidades
indicadas:
1).- P ( Z < 1.25) = (1.25) = 0.8944 .

2).- P ( Z < 0.86) = (0.86) = 0.1949

0.1949

0.8944
Z
1.25
3).-

0.86

4).-

P ( Z > 1.03) = 1 P ( Z 1.03) =

= 1 (1.03) =

P(2.97 < Z < 2.97) = D(2.97) =

= 0.9970

= 1 0.1515 = 0.8485, o
P ( Z > 1.03) = P ( Z < 1.03) = (1.03) =
= 0.8485

0.9970
0.8485

1.03

2.97

Z
2.97

69

GUA PARA EL EXAMEN DE PROBABILIDAD

5).- P (0.57 < Z < 0.57) = D(0.57) = 0.4313 .

6).- P (0.67 < Z < 1.24) = (1.24) (0.67) = 0.8925 0.2514 = 0.6411 .
0.6411

0.67

Z
1.24

7).- P (0.06 < Z < 3.04) = (3.04) (0.06) = 0.9988 0.5239 = 0.4749 .
8).- P ( Z < 4.5) = (4.5) 0 .
9).- P ( Z < 5) = (5) 1 .
10).- P (0.06 < Z < 5.1) = (5.1) (0.06) 1 0.5239 = 0.4761
Sea X una variable aleatoria continua con distribucin normal, calcula las probabilidades
indicadas:
11).-

Si E ( X ) = 4 y V ( X ) = 9 ; calcule la probabilidad P ( X 7) .
Para esto, primero realizamos la estandarizacin de la variable X, y despus empleamos las tablas
de la distribucin normal estndar.
X 4 7 4

P ( X 7) = P
=
3
9
= P(Z 1) = P (Z 1) =
= (1) =
= 0.1587

12).-

0.1587

Si E ( X ) = 3 y = 2.5 ; calcule P (1 < X < 5) .

Para esto, primero realizamos la estandarizacin, y despus empleamos las tablas de la distribucin
normal estndar.
1 3 X 3 5 3
P (1 < X < 5) = P
<
<
= P( 1.6 < Z < 0.8) = (0.8) (1.6)
2.5
2.5
2.5
= 0.7881 0.0548 = 0.7333

13).- El peso de los estudiantes hombres de la UPIICSA se distribuye normalmente con un valor
promedio de 70.5 kg y una variancia de 5.3. Si los estudiantes que pesen ms de 85 kg. sern
convocados para formar parte del equipo de Fut-bol americano que representar a la escuela,
determine el porcentaje de alumnos que podrn ser convocados.
Sea la variable aleatoria X: peso de los estudiantes hombres de la UPIICSA.
X 70.5 85 70.5
P( X > 85) = P
>
= P(Z > 2.74 ) = (2.74) = 0.0031 = 0.31% .
5 .3
5 .3

70