240 E stadstica y probabilidad

Ejemplo 3 En un crucero, el nmero de accidentes se representa por una distribucin de Poisson con
promedio de tres por mes, se calcula la probabilidad de que el tiempo entre un accidente y
el siguiente sea mayor de medio mes.
Se emplea el teorema 8.3 con
accidentes
= 3
mes
nos interesa la probabilidad en un intervalo t = medio mes. De la relacin que existe
entre los parmetros y : 1/ = , y el modelo exponencial, se tiene

P (T > 0.5) = e 30.5 = e 1.5 = 0.2231

Ejercicio 2

1. Se ha hecho un estudio sobre el tiempo de espera de los usuarios en cierto banco del
D. F.; se obtuvo que el tiempo promedio de atencin a un usuario entre las 9 y las
12 horas de un da normal es de 10 min, 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 seas atendido

a) en menos de 5 min
b) en ms de 10 min

2. El periodo de vida en aos de un interruptor elctrico tiene una distribucin

exponencial con promedio de falla de = 2 aos, calcula la probabilidad de que un
interruptor falle despus del segundo ao.
3. Un motor elctrico tiene una vida media de seis aos. Si la vida til de ese tipo de
motor se considera como una variable aleatoria distribuida en forma exponencial,
cul es el tiempo de garanta que debe tener el motor si se desea que a lo ms 15%
de los motores falle antes de que expire su garanta.
4. Supn que la llegada de los automviles a una caseta de cobro de una autopista
tiene una distribucin de Poisson con razn de dos autos por minuto, calcula la
probabilidad de que el revisor permanezca por lo menos 20 segundos desocupado.
5. En un almacn particular los clientes llegan al mostrador de caja conforme una
distribucin de Poisson con promedio de siete por hora, calcula la probabilidad de
que entre un cliente y el siguiente pase al menos una hora.

8.3 Modelo normal

Cmo es la distribucin Finalmente, hemos llegado al estudio de uno de los modelos continuos con mayor
de la variable alrededor de su media
en un modelo normal?
aplicacin en la estadstica y la probabilidad, el modelo normal. Esta distribucin fue
descubierta por Carl Friedrich Gauss1 y en algunos trabajos se le conoce como Ley

1
Carl Friedrich Gauss, naci en Brunswick en 1777 y muri en Gotinga en 1855. Fue matemtico, astrnomo
y fsico; fue autor de una gran cantidad de trabajos de mecnica celeste, de geodesia y sobre magnetismo, elec-
tromagnetismo y ptica. Su concepcin moderna de la naturaleza abstracta de las matemticas le permiti
ampliar el campo de los nmeros. Descubri la geometra hiperblica no euclidiana.
 U nidad 8 M odelos continuos de probabilidad 241

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. Por tanto, la curva que
asemeja dicho comportamiento tiene forma de campana y es la representacin grfica de
una distribucin de esta clase (ver figuras 8.4, 8.5 y 8.6).

Definicin 8.3
Dada X una variable aleatoria continua, se dice que X tiene una distribucin normal o de Gauss
cuando su funcin de densidad de probabilidad es
( x )2
1
f ( x) = e 2 2 en x (, )
2
con parmetros y en todos los nmeros reales.

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 muestra la
figura 8.4.
Figura 8.4 f(x)
Grfica de la fdp, de una vac X con
1.1
distribucin normal, media y varianza . E(X)=

0.9

0.7

0.5 Segmento de longitud

0.3

0.1
V(X)= 2
x
1

0.5

1.5

2.5

3.5

0.1

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. Esto se puede comprobar por medio del clculo.
La demostracin de que la funcin anterior es efectivamente una funcin de densidad de
probabilidad no es tan sencilla como las anteriores, se requiere del clculo de variables complejas
por lo que se omitir.
El modelo normal tiene gran aplicacin en diferentes reas y es una de las distri-
buciones con mayor auge en el estudio de la estadstica y la probabilidad, la dimensin
de su importancia radica en un teorema que se analizar en la siguiente unidad y que se
llama teorema del lmite central.
Cuando la distribucin de la variable tiene una grfica muy semejante a la de la
figura 8.4 se emplea la distribucin normal, la cual comnmente se simboliza por

N(, )
242 E stadstica y probabilidad

Teorema 8.4
Dada X una variable aleatoria continua distribuida normalmente en ( , ) y f(x) su funcin de
densidad de probabilidad, entonces

a) E(X) =
2
b) V(X) =

8.3.1 Clculo de probabilidades

Como se mencion anteriormente, la distribucin de Gauss tiene una gran importancia

en el estudio de la estadstica y la probabilidad, por consiguiente tambin es importante
tener un anlisis detallado sobre su comportamiento para el clculo de probabilidades.
De los cursos de clculo, se sabe que la integral de la funcin
( x )2
1
f ( x) = e 2 2
2

no se puede resolver con base en funciones elementales. Por tanto, cuando la integral
es definida slo podemos aproximar sus valores por medio de alguno de los mtodos
numricos: del trapecio, de Simpson 1/3, de cuadratura de Gauss, etctera.
De lo anterior, es posible notar que el clculo de probabilidades resultara bastante
complicado para este tipo de distribucin, 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 tengan que resolver integrales para diferentes
valores de y .

El problema anterior se resuelve con el cambio de variable aleatoria

X
Z=

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

La frmula en Z es una regla de transformacin, ya que en la estandarizacin, X

representa un desplazamiento del eje de las ordenadas (ver figura 8.5); mientras que la
divisin entre la desviacin estndar influye en la amplitud de la funcin (ver figura 8.6).
Figura 8.5
Grficas de la distribucin normal
con igual desviacin estndar y diferente
valor esperado.

Se puede apreciar que las dos grficas son iguales, slo cambia la posicin del eje de las
ordenadas. En las grficas siguientes cambiar su amplitud: a mayor varianza mayor amplitud.
 U nidad 8 M odelos continuos de probabilidad 243

Figura 8.6
Grficas de la distribucin normal
con igual valor esperado y diferente
desviacin estndar.

Cuando se realiza la estandarizacin resulta

E(Z) = 0 y V(Z) = 1, o tambin N(0, 1)

y su grfica se muestra en la figura 8.7.

Figura 8.7
Grfica de la distribucin normal estndar.

La frmula anterior se emplea cuando se conocen los parmetros y de la

poblacin. Si se trabaja con una muestra en lugar de una poblacin y se desconoce ,
entonces la variable Z puede aproximarse mediante la distribucin
X
t=
s
n
donde es la media de la poblacin, s es la desviacin estndar de la muestra y n es su
tamao.
En el caso de que se conozcan y , y el tamao de la poblacin es grande, se
emplea la frmula
X
Z=

n
Ambas frmulas se analizarn detalladamente en la unidad 10.
La integral para la funcin acumulada de la variable aleatoria Z, es decir, la distribucin
normal en su forma estndar, se calcula por
z0 z2
1
F ( z0 ) =
2 e 2 dz

Para el clculo de probabilidades se emplean las propiedades siguientes de la
distribucin y la tabla de la normal estndar.
244 E stadstica y probabilidad

8.3.2 Propiedades de la distribucin normal estndar

Debido a que la distribucin normal estndar juega un papel muy importante en la
estadstica y la probabilidad, y como el clculo de sus probabilidades no es tan simple, se
requiere el uso de tablas (se vern ms adelante) y algunas propiedades de la distribucin
para poder efectuar los clculos.

1. Propiedad de simetra. La funcin f(z) es simtrica con respecto al eje de las

ordenadas; es decir, P(Z < Z0) = P(Z > Z0).
2. Propiedad del complemento. En los casos de P(Z > Z0) se puede emplear la
simetra, inciso a), o el complemento; es decir, P(Z > Z0) = 1 P(Z Z0).

8.3.3 Uso de tablas de la funcin acumulada

Como se mencion, el uso de tablas o de algn programa para calcular probabilidades
es fundamental en la solucin de ejercicios. Por tanto, para homogeneizar el uso de
tablas que se emplearn en esta unidad se muestra su uso con base en las tablas que se
encuentran al final del texto y tienen el siguiente aspecto
x2 x2
Z 2 Z 2
Funcin acumulada 1 1
de la distribucin normal estndar (Z ) =
2 e dx D(Z ) =
2 e dx
Z

Z Z Z

Como se puede observar, en estas tablas la funcin acumulada se representa

por medio de la funcin (z). Para facilitar el clculo de probabilidades en intervalos
simtricos, en las tablas existe otra funcin

z0 z2
1
D ( z0 ) =
2 e 2 dz = ( z0 ) ( z0 )
z0

En las tablas los bloques estn divididos en cuatro columnas. La primera corresponde
a valores de Z que varan de centsima en centsima desde 0 hasta 3.59. La segunda
corresponde a los valores de la funcin acumulada hasta valores negativos de Z, mientras
que en la tercera se tiene la funcin acumulada de valores positivos de Z. Finalmente, la
cuarta columna se refiere a la probabilidad en intervalos simtricos con extremos Z y Z.
Por tanto, el clculo de probabilidades, con base en estas funciones y las propie-
dades anteriores, se puede efectuar de la siguiente forma

1. P(Z < Z0) = (Z0)

2. P(Z > Z0) = P(Z < Z0) = (Z0)
 U nidad 8 M odelos continuos de probabilidad 245

3. P(Z0 < Z < Z0) = D(Z0)

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

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

Ejemplo 4 1. Dada Z una variable aleatoria continua con distribucin normal estndar, se calculan
las probabilidades indicadas

a) P(Z < 1.25) = (1.25) = 0.8944

0.8944

1.25

b) P(Z < 0.86 ) = ( 0.86 ) = 0.1949

c) P(Z > 1.03) = 1 P(Z 1.03) = 1 ( 1.03) = 1 0.1515 = 0.8485 o

P (Z > 1.03) = P (Z < 1.03) = (1.03) = 0.8485.

d) P( 2.97 < Z < 2.97) = D(2.97) = 0.9970

e) P( 0.57 < Z < 0.57) = D( 0.57) = 0.4314

f) P( 0.67 < Z < 1.24 ) = (1.24 ) ( 0.67) = 0.8925 0.2514 = 0.6411
246 E stadstica y probabilidad

g) P ( 0.06 < Z < 3.04 ) = ( 3.04 ) ( 0.06 ) = 0.9988 0.5239 = 0.4749

h) P (Z < 4.5) = ( 4.5) 0
i) P ( Z < 5) = ( 5) 1
j) P ( 0.06 < Z < 5.1) = ( 5.1) ( 0.06 ) 1 0.5239 = 0.4761

2. Dada X una variable aleatoria continua con distribucin normal, se calculan las
probabilidades indicadas

a) E(X) = 4 y V(X) = 9; se calcula la probabilidad P(X 7).

Para esto, primero se realiza la estandarizacin de la variable X y despus
empleamos las tablas de la distribucin normal estndar.

X 4 74
P ( X 7) = P =
9 3

= P (Z 1) = P (Z 1) =

= (1) =

= 0.1587
b) E(X) = 3 y = 2.5; se calcula la probabilidad P(1 < X < 5).
Para esto, primero se realiza la estandarizacin y despus se emplean 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

8.3.4 Uso de tablas porcentuales

Con frecuencia, al resolver problemas, se deben hacer conclusiones con respecto a la
variable aleatoria en estudio. Para tal efecto, es comn tener que encontrar los valores de
la variable con los cuales se obtienen las probabilidades establecidas (pueden estar dadas
en porcentajes). En lo que concierne a las variables aleatorias con distribucin normal,
se emplean otras tablas, llamadas tablas porcentuales de la distribucin normal y tienen el
siguiente aspecto.
Tabla porcentual x2 x2
de la distribucin normal estndar Z 2 Z 2
1 1
(Z ) =
2 e dx D(Z ) =
2 e dx
Z

Z Z Z
 U nidad 8 M odelos continuos de probabilidad 247

% (Z) D(Z) % (Z) D(Z) % (Z) D(Z) % (Z) D(Z) % (Z) D(Z) % (Z) D(Z)

0.6 2.512 0.008 5.6 1.589 0.070 10.6 1.248 0.133 15.6 1.011 0.197 20.6 0.820 0.261 25.6 0.656 0.327
0.7 2.457 0.009 5.7 1.580 0.071 10.7 1.243 0.135 15.7 1.007 0.198 20.7 0.817 0.262 25.7 0.653 0.328
0.8 2.409 0.010 5.8 1.572 0.073 10.8 1.232 0.136 15.8 1.003 0.199 20.8 0.813 0.264 25.8 0.650 0.329
0.9 2.366 0.011 5.9 1.563 0.074 10.9 1.232 0.137 15.9 0.999 0.201 20.9 0.810 0.265 25.9 0.646 0.331

En las tablas, los bloques estn divididos en tres columnas. La primer columna
corresponde a las probabilidades dadas en porcentajes que varan en dcimas de
porcentaje, desde 0.0 hasta 99.9. La segunda corresponde a los valores de Z, cuya funcin
acumulada proporciona el porcentaje de la primera. Mientras que la tercera corresponde
a los valores de Z con intervalos simtricos (extremos Z y Z), tales que la probabilidad en
este intervalo es igual al porcentaje de la primer columna (ver los siguientes ejemplos).

Ejemplo 5 1. Se calcula el valor de z0, tal que P(Z < z0) = 0.108.

0.108

Z
Z0

La probabilidad que se indica es igual a 10.8%; por tanto, al buscar 10.8% en

las tablas porcentuales se tiene

z0 = Z() = 1.237; esto es P(Z < 1.237) = 0.108

2. Se calcula el valor de z0, tal que P(Z z0) = 5%.

Como las tablas porcentuales muestran los valores para la funcin acumulada
de menos infinito hasta el valor indicado, se tiene que emplear la propiedad del com
plemento; es decir, P(Z z0) = 1 P(Z < z0) = 5%; donde necesitamos P(Z < z0) = 95%.

z0 = Z() = 1.645; esto es P(Z 1.645) = 0.05

Este ejercicio tambin se puede resolver empleando la propiedad de simetra

P(Z z0) = P(Z z0) = 5%, de donde z0 = 1.645. Es decir, z0 = 1.645.

0.05

0.95

Z0 = 1.645

3. Se calcula el valor de x0 P(X x0) = 75% si E(X) = 4 y V(X) = 9

Para esto, primero se realiza la estandarizacin y despus se emplean las tablas
porcentuales de la distribucin normal estndar.

75%

Z
Z0 = 0.674
248 E stadstica y probabilidad

X 4 x0 4
P(X x0 ) = P = P (Z z 0 ) = 75%
3 3

se tiene z0 = 0.674; por otro lado

x0 4
z0 =
3
Al despejar x0, se tiene: x0 = 4 + 3z0 = 4 + 3(0.674) = 6.022. Es decir, P(X 6.022) =
P(Z 0.674) = 75%.
4. La variable aleatoria X representa la vida promedio de cierto aparato electrnico;
tiene una distribucin aproximadamente normal, con media = 3.5 aos y desviacin
estndar = 1.5 aos. Si el fabricante de dichos aparatos desea reparar solamente
10% de estos, en el periodo de garanta, calcula cul tendra que ser el periodo de
garanta.
Como X representa a la vida promedio de los aparatos y 10% a la probabilidad
de que el aparato dure menos que el periodo establecido, x0; se tiene:

X 3.5 x 0 3.5
P(X x0 ) = P = P (Z z 0 ) = 0.10
1.5 1.5

donde
x 0 3.5
z0 =
1.5

Por tanto, al despejar x0, se tiene x0 = 3.5 + 1.5z0.

De las tablas porcentuales de la distribucin normal estndar, resulta z0 = 1.282.
Finalmente, el periodo de garanta es x0 = 3.5 + 1.5(1.282) = 1.577 aos.
5. Se supone que X representa la resistencia a la ruptura de una cuerda, con un promedio
de 100 y una desviacin estndar de 4. Cada alambre para cuerda produce una utilidad
de $25, si X > 95. En caso contrario, la cuerda se tiene que utilizar con otro propsito y se
obtiene una utilidad de $10 por alambre. Se calcula la utilidad esperada por alambre.
Primero se calculan las probabilidades
X 100 95 100
P ( X > 95) = P > = P (Z > 1.25) = 0.8944
4 4
P ( X 95) = 1 P ( X > 95) = 1 0.8944 = 0.1056

El valor esperado estar dado por

Ganancia esperada = P(X > 95) 25 + P(X 95) 10 = 0.8944 25 + 0.1056 10 = $23.416

Ejercicio 3

1. Si la calificacin promedio de un grupo es 6.43, con desviacin estndar de 1.91, y se

supone que la distribucin de las calificaciones es aproximadamente normal, calcula
la probabilidad de que en este examen un alumno apruebe (nota: la calificacin
mnima aprobatoria es 6).
2. El dimetro de los pernos de una fbrica tiene una distribucin normal con media
de 950 mm y una desviacin estndar de 10 mm.
 U nidad 8 M odelos continuos de probabilidad 249

a) calcula la probabilidad de que un perno escogido al azar tenga dimetro entre

947 y 958 mm
b) calcula el valor apropiado de c, tal que un perno escogido al azar tenga un di
metro menor que c con una probabilidad de 0.90

3. Se supone que los resultados de un examen tienen una distribucin normal con una
media de 78 y una varianza de 36.

a) calcula la probabilidad de que una persona que presenta un examen obtenga

una calificacin mayor a 72
b) calcula la mnima calificacin aprobatoria si el examinador pretende que
solamente 28% de los estudiantes apruebe

4. En un aserradero se cortan rboles en trozos de 4 m en promedio, con 0.23 m de

desviacin estndar, las longitudes se distribuyen en forma aproximadamente normal.

a) si se elige un lote de 500 trozos, calcula el nmero probable de stos que superen
4.12 m de longitud
b) si se eligen nueve trozos, calcula la probabilidad de que cuatro tengan una lon
gitud mayor de 4.05 m

5. Los pesos de varios perros pequeos estn distribuidos aproximadamente en forma

normal con una media de 8 kg y 0.9 kg de desviacin estndar, calcula la fraccin
de estos perros con peso

a) arriba de 9.5 kg
b) cuando mucho 8.6 kg
c) entre 7.3 y 9.1 kg, inclusive

6. Una fbrica produce pistones, cuyos dimetros se encuentran distribuidos en forma

normal con dimetro promedio de 5 cm y desviacin estndar de 0.001 cm. Para
que un pistn sea til, su dimetro debe encontrarse entre 4.998 y 5.002 cm. Si el
dimetro del pistn es menor de 4.998 se desecha, y si es mayor de 5.002 se puede
reprocesar. Si en la fbrica se producen mensualmente 20 mil pistones, calcula

a) cuntos pistones sern tiles

b) cuntos pistones sern desechados
c) cuntos pistones necesitan ser reprocesados

7. El tiempo necesario para armar cierta unidad es una variable aleatoria distribuida
normalmente con = 30 minutos, = 2 min, calcula el tiempo de armado de manera
tal que la probabilidad de exceder ste sea 0.02

8.4 Aproximacin de la normal a la binomial

La distribucin normal proporciona una buena aproximacin a la distribucin binomial
cuando n es grande y p es prxima a 0.5, de tal forma que np > 10. Aunque, en general,
cuando n es grande (n 30). En la siguiente unidad se ver el llamado teorema central del
lmite, con el cual se demuestra que, bajo ciertas condiciones, toda distribucin de probabilidad se
puede aproximar a la distribucin normal estndar.