You are on page 1of 19

DISTRIBUCIONES DE PROBABILIDAD

1. VARIABLE ALEATORIA

Ejemplo 1. El espacio muestral del experimento aleatorio que consiste en extraer tres
artculos defectuosos, sin reposicin, de un lote de 20 artculos donde 5 son defectuosos es:
{nnn, dnn, ndn, nnd, ddn, dnd, ndd, ddd}

Si estuviramos interesados en el nmero de artculos defectuosos y, X fuera el nmero de


artculos defectuosos, qu valores tomara X?

La respuesta depender del elemento del espacio muestral que consideremos. Podemos
establecer la siguiente correspondencia:
nnn 0

dnn 1
.
.
.
ddd 3

Ejemplo 2. El experimento consiste en lanzar una moneda hasta que salga cara. El espacio
muestral es: {c, sc, ssc, sssc, }

Si denotamos con Y, al nmero de lanzamientos realizados hasta que salga cara, podemos
establecer la correspondencia:

c 1

cc 2

ccc 3
.
.
.

Ejemplo 3. El experimento consiste en elegir al azar un estudiante de la UPAO. Denotemos con


Z a la estatura del estudiante. Se puede establecer la correspondencia:

Pedro Barijo 1.62 m

Braulio Chuna 1.75 m


.
.
.
Zenn Pia 1. 59 m

X, Y y Z son variables aleatorias.


Definicin. El resultado de un experimento aleatorio puede ser descrito en ocasiones como
una cantidad numrica. Por ello una variable aleatoria es una funcin que a cada elemento
del espacio muestral le hace corresponder un nmero real. Es decir: X: w S x R

Clases de variables aleatorias

Cules son los rangos de las variables X, Y y Z?

El conjunto de valores de X o rango de X es el conjunto { 0, 1, 2, 3}.

El conjunto de valores de Y o rango de Y es el conjunto {1,2,3,} y el conjunto de valores Z


puede ser {x/x R 1.50x1.95} si el estudiante ms bajo mide 1.50 m y el estudiante ms
alto mide 1.95 m.

Las variables aleatorias X y Y tienen un nmero finito de elementos y un nmero infinito


numerable de elementos, respectivamente. La variable Z tiene un nmero infinito no
numerable de elementos.

Las variables aleatorias X y Y son variables cuantitativas discretas y la variable Z es una


variable cuantitativa continua.

Distribuciones discretas de probabilidad

Para la variable aleatoria X podemos preguntarnos, cul es la probabilidad que la variable


aleatoria X tome el valor 1? Es decir: P( X = 1) =?. Esta probabilidad equivale a la probabilidad
de que salga un slo artculo defectuoso:

P ( X = 1) = P({ dnn, ndn, nnd }) = 5/20 x 15/19 x 14/18 + 15/20 x 5/19 x 14/ 18 /+ 15/20 x
14/19x 5/18 = 3 x 5/20 x 15/ 19 x 14/ 18 = 105/ 228 = 35/76 por qu?

P (X = 2) = P( { ddn, dnd, ndd }) = 3 x 5/20 x 4/19 x 15/18 = 5/38

P ( X = 3) = P( {ddd}) = 5/20 x 4/19 x 3/18 = 1/114

P(X=0)=?

Estos resultados se pueden disponer en una tabla:


x 0 1 2 3
P ( X = x) 91/228 35/76 5/38 1/114

Grafique la funcin.
Cunto es la suma de las probabilidades?
Se ha construido la funcin de probabilidad de X
Para la variable aleatoria del ejemplo 2, cul es la probabilidad de cada elemento del conjunto
de valores de la variable Y?
P( Y = 1) = P({c}) =
P( Y = 2) = P( {sc}) = x =
P ( Y = 3) = P( {ssc}) = x x = 1/8
Obtenga la suma de las probabilidades de los elementos de los valores de la variable Y.
La funcin de probabilidad de Y puede disponerse en la tabla
y 1 2 3 4 . . .
P(Y = y) 1/2 1/4 1/8 1/16 . . .
O expresarse con la funcin:

(1/2)x para x = 1, 2, 3, 4,
P(y) = {
0 para otros valores
Definicin.- Si X es una variable aleatoria discreta, p(x) es una funcin de probabilidad de X,
si p(x) es un nmero real, tal que:

1) p(x) 0
2) p ( x) = 1
x
3) P ( X = x) = p(x)
Cuando la variable aleatoria es cuantitativa continua, la distribucin de probabilidad no se
puede representar en forma tabular, se puede expresar mediante una frmula. Esta frmula
ser una funcin de los valores numricos de la variable aleatoria continua X, que se
representa mediante la notacin funcional f(x).

Distribuciones de probabilidad para variables continuas

Definicin.- Si X es una variable aleatoria continua definida en el conjunto de los nmeros


reales, la funcin f(x) es una funcin de densidad de probabilidad de X, si f(x) cumple:

1) f(x) 0, para todo x R



2)

f ( x)dx = 1
b
3) P ( a < X < b ) =
a
f ( x)dx
A la funcin f(x) se le llama simplemente funcin de densidad, cuando la variable aleatoria X
es continua.

Ejemplo. Sea la funcin

K (x + 2), 0<x<1
f(x) = {
0, en cualquier otro caso

a) Cul es el valor de k para que f(x) sea una funcin de densidad?


b) Calcular P (1/ 4 < x < 1/ 2)

Solucin:
a) Para que f ( x ), sea una funcin de densidad de probabilidad, debe verificarse:


f ( x)dx = 1
1
k ( x 2)dx = 1
0

1 2
k[ + 2] = 1 de donde k =
2 5

La funcin de densidad, es:


2
( x + 2) o<x<1
5
f( x ) = {
0 en cualquier otro caso
1/ 2 2
b) P( 1/4 < x < 1/2) = ( x 2)dx
1/ 4 5

1
2 x2 2
= 2 x
5 2 1
4

2
(9 / 8 17 / 32) = 2/5 x 19/32 = 0.2375
=
5
Distribuciones Acumuladas o Funciones de Distribucin

Definicin.- Sea X una variable aleatoria con funcin de probabilidad o funcin de densidad,
f(x), segn sea la variable discreta o continua, respectivamente; la Funcin de Distribucin
acumulada o Funcin de distribucin de X, se define como:
F(x) = P( X x) para todo x R ;y es:
p(t )
tx
- x si la variable es discreta

F(x) = {
x

f (t )dt x si la variable es continua

Ejemplo 1. Sea la funcin de probabilidad


x 0 1 2 3
P ( X = x) 91/228 35/76 5/38 1/114

La funcin de distribucin es:


0 x<0
91/228 0x<1
F(x) = { 196/288 1x<2
226/228 2x<3
1 x3
2
Su grfica es:

Ejemplo 2. Sea X una variable aleatoria con una funcin de densidad


1
(2 x), 0x2
2
f(x) = {
0 en cualquier otro punto
La funcin de distribucin es:
x 1
F(x) = P ( X x ) = (2 t )dt para todo x
2

0 x<0
2

(2 x x )
1
F(x) = { 0<x<2
2 2
1 x2
A partir de la funcin de distribucin se puede obtener desacumulando, la funcin de
probabilidad, para variable discreta y, derivando, la funcin de densidad, una para variable
continua.
Ejercicios

1.- Se extraen al azar dos fichas, una despus de otra, de una caja que contiene 5 fichas
blancas y tres fichas rojas. Enumere los elementos del espacio muestral, escriba los valores
de la variable X, nmero de fichas rojas seleccionadas y, construya la funcin de
probabilidad de la variable aleatoria X.

2.- Cinco pelotas numeradas, 1, 2, 3, 4 y 5 se encuentran en una caja. Se sacan dos pelotas al
azar de las cinco, y se anotan sus nmeros. Encuentre su distribucin de probabilidad
para:
a) el mayor de los nmeros seleccionados
b) la suma de los nmeros seleccionados

3.- Un operador registra el tiempo requerido para terminar un ensamble mecnico. Los
resultados que se obtienen son los siguientes:
Segundos 30 31 32 33 34 35 36 37 38 39
N de ensambles 3 5 6 9 12 25 32 15 9 6

Sea X, la variable aleatoria, tiempo necesario para terminar un ensamble


a) Determine la funcin de probabilidad de X
b) Calcule P( 33 < X 38)
c) Qu proporcin de los ensambles se terminan de armar en 35 segundos o menos?

4.- En el ejercicio anterior, suponga que se registran los tiempos necesarios para armar dos
piezas. Determine la funcin de probabilidad para cada una de las siguientes variables:
a) Tiempo total de armado de las dos piezas.
b) Tiempo promedio de armado de las dos piezas.
c) Diferencia en el tiempo de armado de las dos piezas.
d) Tiempo mayor de armado de las dos piezas.
5.- Construya la grfica para cada una de las siguientes distribuciones de probabilidad:
C x2 C 34 x
a) f(x) = para x = 0, 1, 2.
C 36
1 4
b) f(x) = C x5 ( ) x ( ) 5 x para x = 0, 1, 2, 3, 4, 5
5 5

6.- Encuentre la funcin de distribucin de la variable aleatoria que tiene la distribucin de


probabilidad
x
f(x) = para x = 1, 2, 3, 4, 5
15
7.- Si X tiene la funcin de distribucin
0 para x < 1
1
para 1 x < 4
3
1
F( x) = { para 4 x < 6
2
5
para 6 x < 10
6
1 para x 10
Encuentre:
a) P( 2 < X 6) y P ( X = 4)
b) La distribucin de probabilidad de X
c) Grafique la funcin de distribucin

8.- La funcin de densidad de la variable aleatoria X est dada por


1
( x 1) , para 2 < x < 4
8
f(x) = {
0 en cualquier otra parte
Encuentre:
a) P( X < 3.2) P( 2.9 < X < 3.2)
b) Grafique la funcin de densidad
c) Obtenga la funcin de distribucin y use para determinar las dos probabilidades
pedidas en a)

9.- Encuentre la funcin de distribucin de la variable aleatoria X cuya funcin de densidad


est dada por
x para 0 < x < 1

f(x) = { 2-x para 1 x < 2

0 en cualquier otra parte

a) Grafique la funcin de densidad y tambin la funcin de distribucin


b) Con la densidad y la funcin de distribucin encuentre P( 0.8 < X < 1.2)
CARACTERSTICAS DE LAS VARIABLES ALEATORIAS

Las distribuciones de probabilidad son modelos tericos de las distribuciones de frecuencias


empricas de poblaciones, en consecuencia, podemos obtener las medidas de resumen, que
caracterizan a las variables aleatorias.

Valor Esperado o media


Definicin.- Sea X una variable aleatoria con distribucin de probabilidad f(x), la media o valor
esperado de X, se denota, E(X) o , y se define:
xf ( x)
x
si X es discreta

= E( X ) = {



xf (x) si X es continua
Ejemplo. La media o valor esperado de la variable discreta X, cuya distribucin de probabilidad
se da en la tabla:
x 0 1 2 3 .
p(x) 1/8 1/4 3/8 1/4

es: E ( X ) = 0(1/8) + 1(1/4) + 2(3/8) + 3(1/4) = 0+ + + = 7/4 = 1.75


Ejm. La media o valor esperado de la variable continua X, cuya funcin de densidad f(x), est
dada por
x2
, para -1 < x < 2
3
f(x) = {
0, para otros valores
es:

= E( X ) =
xf ( x)dx
2
2 x2 x4
= 1 3
x dx = 12 = 5/ 4 = 1.25
1

Teorema.- Sea X una variable aleatoria con funcin de probabilidad o funcin de densidad f(x)
y sea g(x) una funcin de valores reales de X, entones el valor esperado de g(x) est dado por:

g ( x) f ( x)
x
si X es una variable discreta

E[ g(x) ] =


g ( x) f ( x)dx si X es una variable continua.

Recordando, la varianza es el promedio del cuadrado de las desviaciones con respecto a la


media. Es decir es el promedio de g(x) = (X- )2
Varianza
Definicin.- varianza de una variable aleatoria X se define como el valor esperado de (X- ) 2
Es decir,
( x ) 2 f ( x) para X discreta
x

V(x) = 2 = E[( X-)2 ]={




( x ) 2 f ( x)dx para X continua

La desviacin estndar de X es la raz cuadrada positiva de X. Se denota con .

Ejemplo. Recordemos que para la variable discreta que tiene la funcin de probabilidad
x 0 1 2 3 .
p(x) 1/8 1/4 3/8 1/4

= E( X) = 1.75, de manera que su varianza es:


V(X) = 2 = (0-1.75)2x 1/8 + (1-1.75)2 x 1/4 + (2-1.75)2 x 3/8 + (3-1.75)2 x 1/4
= 0.3828 + 0.1406 + 0.0234 + 0.3906 = 0.9374
= 0.9682

Ejemplo. La media de la variable continua X, con funcin de densidad


x2
, para -1 < x < 2
3
f(x) = {
0, para otros valores

es = 1.25, y su varianza
2 x2
V(X) = 2 = ( x 1.25) dx 2
1 3
2
1 x 5 2.50 x 4 1.5625 x 3
=
3 5 4 3 1
= 14.93 = 3.86

Otra expresin de la varianza

2 = E [(X-)2] = E[ X2 - 2X + 2] = E(X2) - 2E(X) + 2

2 = E(X2) 2

Teorema.- Si k es una constante, entonces E(k) = k. En efecto



E(k)=
kf ( x)dx = k

f ( x)dx = k puesto que

f ( x)dx = 1

Teorema.- Si g(X) es una funcin de X y k una constante, entonces:

E[kg(X)] = k E[g(X)]
Este teorema establece que el valor esperado del producto de una constante y una funcin de
la variable aleatoria es igual a la constante por el valor esperado de la funcin.

Teorema.- Si g1(X), g2(X), , gk(X) son funciones de la variable aleatoria X, entonces:

E[ g1(X) + g2(X) + + gk(X) = E[g1(X)] + E[g2(X)] + + E[gkX)]

El teorema establece que el valor esperado de la suma de funciones de variables aleatorias es


igual a la suma de los valores esperados de las funciones.

2. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

Presentaremos dos distribuciones discretas y dos distribuciones continuas utilizadas en la


estadstica aplicada y que tienen muchas aplicaciones en la solucin de problemas reales en
todas las disciplinas.

DISTRIBUCIN BINOMIAL

Se deriva de un ensayo de Bernoulli, conocido as en homenaje al matemtico suizo James


Bernoulli (1645-1705, quin realiz muchas contribuciones a la probabilidad.

Se produce un ensayo de Bernoulli, cuando slo pueden ocurrir dos resultados mutuamente
excluyentes. Son ejemplos de ensayos mutuamente excluyentes: enfermo o sano,
hospitalizado o no hospitalizado, defectuoso o bueno, hipertenso o no hipertenso. Visit al
mdico o no.

Proceso de Bernoulli. Una secuencia de ensayos de Bernoulli forma un proceso de Bernoulli,


si se cumplen las siguientes condiciones:

1. En cada ensayo ocurre uno de dos resultados posibles, mutuamente excluyentes. Uno
de los posibles resultados (el que nos interesa) se denota como xito y el otro, como
fracaso.
2. La probabilidad de xito, denota por p, permanece constante de un ensayo a otro, y la
probabilidad de fracaso se denota con , q = 1-p
3. Los ensayos son independientes, es decir, el resultado de algn ensayo en particular
no es afectado por el resultado de cualquier otro ensayo.

Distribucin Binomial. Una variable aleatoria discreta X, se dice que tiene una distribucin
binomial, si X es el nmero de xitos en una secuencia de n ensayos de Bernoulli. La funcin
de probabilidad de X est dada por:

p(x) = b(x; n, p) = donde x= 0, 1, 2, 3, , n

siendo p la probabilidad de xito.

Ejemplo. Supongamos que en cierta poblacin el 15% son ambidextros. Si se elige una
muestra aleatoria de 5 personas,

a) Escriba la funcin de probabilidad de X


Del enunciado tenemos los datos:
n = 5 y p = 0.15
por lo tanto:
p(x) = 5 (0.15) (0.85)5 para x = 0, 1, 2, 3, 4, 5
b) Cul es la probabilidad de que dos personas de las elegidas sean ambidextras?
p(x) = 25 (0.15)2 (0.85)3 = 10 x 0.0225 x 0.614125
=

c) Cul es la probabilidad de que cuatro de las personas elegidas sean ambidextras?


p(x) = 45 (0.15)4 (0.85)1 = 5 x 0.00050625x 0.85 =
d) Cul es la probabilidad de que a lo ms dos personas sean ambidextras?
P(X 2 ) = p(0) + p(1) + p(2) =
e) Cul es la probabilidad que por lo menos una sea ambidextra?
P( X 1 ) = 1 p(0) = 1 -

En la distribucin binomial, n y p, son los parmetros de la distribucin. Conocidos n y p


podemos obtener la funcin de probabilidad de X.

Caractersticas de la distribucin binomial.

Valor esperado de X:
E(X) = np

Varianza de X
V(X) = npq

Para nuestro ejemplo:


E(X) = 5 x (0.15) = 0.75
V( X ) = 5 x 0.15x 0.85 =

Ejercicios:

1. Segn informes de la oficina de estadstica el 27% de las personas adultas tienen


sobrepeso. Si se extrae una muestra aleatoria de 8 personas adultas, cul es la
probabilidad de que:
a. Exactamente tres tengan sobre peso?
b. Menos de tres tengan sobrepeso?
c. Ms de 6 personas tengan sobre peso
d. Entre 3 y 7 personas, inclusive

En la muestra de 8 personas ,cuntas personas con sobre peso se espera encontrar?

2. La probabilidad de que una persona que sufre de migraa tenga alivio con un frmaco
especfico es de 0.8. Se selecciona aleatoriamente cuatro personas con migraa, cul
es la probabilidad del nmero de personas de que consigan alivio con el frmaco sean:
a) Exactamente cero
b) Exactamente tres
c) Dos o menos
d) Ms de uno
3. Segn informes del INEI, el 30 por ciento de los adultos son fumadores. Se extrae una
muestra de 12 de adultos, cul es la probabilidad de que:
a) Cinco sean fumadores
b) Al menos 9 sean fumadores?
En la muestra de 12 adultos, cuntos adultos fumadores se espera encontrar.

DISTRIBUCIN DE POISSON

Esta distribucin lleva el nombre en honor al matemtico francs Simen Denis


Poisson(1781-1840), quien tiene el reconocimiento por la publicacin de su trabajo en
1837. Esta distribucin es ampliamente usada en medicina, biologa, etc., como
modelo de probabilidad.

La variable aleatoria X viene a ser el nmero de resultados que ocurren durante un


intervalo de tiempo dado o en una regin especfica. El intervalo dado puede ser
cualquier longitud como un minuto, un da, una semana o incluso un ao. La regin
especfica puede ser un segmento de recta, un rea, una pieza de material, un metro
cuadrado de cierta tela, etc.

Se deriva de un proceso de Poisson, que tiene las siguientes propiedades:

1. El nmero de resultados que ocurren en un intervalo o regin especfica es


independiente del nmero que ocurre en cualquier otro intervalo o regin.
2. La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o
en una regin pequea es proporcional a la longitud del intervalo.
3. La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que
caiga en tal regin pequea es insignificante.
La funcin de probabilidad de X tiene como distribucin de probabilidad a:


f(x) = x = 0, 1, 2, 3,
!

donde es el nmero promedio por unidad de tiempo o espacio.


Ejemplo. En promedio en cierta interseccin ocurren tres accidentes de trnsito
por mes. Cul es la probabilidad de que para cualquier mes dado en esta
interseccin
a) Ocurran exactamente cinco accidentes?
b) Ocurran menos de tres accidentes
c) Ocurran al menos dos accidentes
Solucin:
=3
la funcin de probabilidad es entonces:
3 3
f(x) = x = 0, 1, 2, 3,
!

3 35
a) f(5) = = =
5!
b) P( X < 3) = P( X 2 ) = P( X = 0) + P(X= 1) + P( X = 2)
c) P( X 2) = 1 P(X 1)

Ejemplo. Suponga que se sabe que en cierta rea de una gran ciudad el nmero
promedio de ratas por manzana es de cinco. Suponga que el nmero promedio
de ratas sigue una distribucin de Poisson, y calcule la probabilidad de que en
una manzana elegida aleatoriamente existan:

a) Exactamente cinco ratas


b) Ms de cinco ratas
c) Menos de cinco ratas
d) Entre cinco y siente ratas

Caractersticas de la distribucin de Poisson

E(x) = y V(X) =

Ejercicios

1. Si el nmero promedio de accidentes graves por ao en una fbrica grande


es de cinco, calcule la probabilidad de que en el ao en curso hay
a) Exactamente siete accidentes
b) Diez o ms accidentes
c) Cero accidentes
d) Menos de cinco accidentes
2. En cierta poblacin, cada ao se diagnostica un promedio de 13 nuevos
casos de cncer esofgico. Si la incidencia anual de este tipo de cncer sigue
una distribucin de Poisson, calcule la probabilidad de que en un ao
determinado el nmero de nuevos casos diagnosticados de cncer sea:
a) Exactamente 10
b) Al menos ocho
c) No ms de doce
d) Entre nueve y quince, inclusive.
DISTRIBUCIN NORMAL

Es la distribucin ms importante de la estadstica. A esta distribucin frecuentemente


se le llama distribucin de Gauss en homenaje a Karl Gauss (1777 - 1855), uno de los
matemticos que la estudi. Corresponde a una variable aleatoria cuantitativa continua. Tiene
como parmetro a la media y a su varianza 2. La grfica de la variable aleatoria X con
distribucin normal tiene forma de campana.

Las caractersticas ms importantes de la distribucin normal son las siguientes:

1.- Es simtrica con respecto a su media .

2.- La media, mediana y moda son iguales.

3.- El rea total bajo la curva sobre el eje X es igual a 1. Debido a la simetra ya mencionada,
0.50 de rea se encuentra a la derecha de y 0.5 a la izquierda de .

4.- Si se levantan perpendiculares a una distancia de una desviacin estndar a ambos lados
de la media, el rea delimitada por esas perpendiculares, el eje x y la curva es de 0.68. Si los
lmites laterales se extienden a dos desviaciones estndar a ambos lados de la media, el rea
incluida es de aproximadamente 0.95, y extendindolo a 3 desviaciones estndar, se tiene un
rea de 0.997 aproximadamente.

5.- Los parmetros y 2 determinan completamente la distribucin normal. En otras


palabras, para cada valor diferente de y 2 se especifica una distribucin diferente. Los
valores diferentes de trasladan la grfica de la distribucin a lo largo del eje x. Los valores de
2 determinan el grado de aplanamiento o levantamiento de la grfica de la distribucin.
Existen muchas variables aleatorias continuas que tienen distribucin normal y otras
que se aproximan a la distribucin normal.

Distribucin normal estndar.

La ltima caracterstica de la distribucin normal implica que la distribucin normal es


realmente una familia de distribuciones en la que un miembro de la familia se diferencia de
otro segn los valores de y 2. El miembro ms importante de esta familia es la distribucin
normal estndar o distribucin normal unitaria, llamada as porque tiene como media a cero
y como varianza a uno. A partir de cualquier variable X con distribucin normal de media y
varianza 2, se puede obtener la distribucin normal estndar mediante la transformacin:
X
Z=

Para calcular probabilidad de que Z tome un valor entre dos puntos del eje z, por
ejemplo entre z1 y z2, debe calcularse el rea limitada por las perpendiculares levantadas en
esos puntos, la curva y el eje horizontal. reas bajo la curva de una distribucin continua se
calculan integrando la funcin de densidad de Z entre los dos valores de la variable.
Por fortuna no es necesario efectuar esta operacin, pues existen tablas con
resultados de todas las integraciones. Como cualquier variable con distribucin normal puede
ser convertida a la distribucin normal estndar mediante la transformacin:
X
Z=

Podemos tambin determinar probabilidades o reas limitadas entre dos valores cualesquiera
de X.

Entre qu valores se encuentran las reas debajo de la distribucin estndar de acuerdo a la


caracterstica 4 de una distribucin normal general?

Uso de la tabla de la distribucin normal estndar


La tabla nos proporciona el rea a la izquierda de un valor de la variable Z. Por ejemplo para
hallar el rea a la izquierda de 1.28, consideramos 1.2 en la primera columna de la tabla y al
decimal 0.08 en la primera fila de la tabla, el rea se encuentra en la interseccin de la fila de
1.2 y la columna de 0.08, es decir es 0.8997. Se puede escribir:
P (Z < 1.28) = 0.8997

Para hallar el rea a la izquierda de -0.35 buscamos el nmero que se encuentra en la


interseccin de la fila de -0.3 y la columna de 0.05 y es 0.3632. Se escribe
P (Z < -0.35) = 0.3632

Para determinar rea a la derecha de un valor de la variable Z o el rea entre dos valores de Z
consideramos las propiedades de que el rea debajo de la curva es igual a 1 y la simetra de la
distribucin.
P (Z > 1.67) = 1 P (Z < 1.67) = 1 0.9525 = 0.0475
P (Z > -1.74) = 1- P (Z < -1.74) = 1 0.0409 = 0.9591
P (1.15 < Z < 2.63) = P (Z < 2.63) P (Z < 1.15) = 0.9957 0.8749 = 0.1208
P (-1.54 < Z < 2.38) = P (Z < 2.38) P (Z < -1.54) = 0.9913 0.0618 = 0.9295

Tambin se pueden hallar los puntos que delimitan reas. Ejemplos: Hallar z
P (Z < z) = 0.9881 z = 2.26
P (Z < z) = 0.3300 z = -0.44
P (Z > z) = 0.4721
P (Z < z) = 1 P (Z > z) = 1 0.4721
P (Z < z)= 0.5279 z = 0.07
P (Z > z) = 0.9744
P (Z < z) = 1 P (Z > z) = 1 0.9744
P (Z < z) = 0.0256 z = -1.95
P (-z < Z < z) = 0.9476
P (Z < z) = 0.9738 z = 1.94
P (-z < Z < z) = 0.9488
P (Z < z ) = 0.9744 z = 1.94
Ejemplo 1.- Dada una distribucin normal con = 30 y = 6, encuentre el rea de la curva
normal
a) a la derecha de x = 17;
b) a la izquierda de x = 22;
c) entre x = 32 y x = 41;
Solucin:
X 17 30
a) P (X > 17) = P ( > ) = P (Z > -2.17) = 1 P (Z < -2.17)= 1 0.0150 = 0.9850
6
X 22 30
b) P (X < 22) = P ( < ) = P (Z < -1.33) = 0.0918
6
32 30 X 30 41 30
c) P ( 32 < X < 41) = P ( < < ) = P ( 0.33 < Z < 1.83)
6 6 6
= P( Z < 1.83) P (Z < 0.33) = 0.9664 0.6293 = 0.3371

Ejemplo 2.- En el problema anterior hallar


a) el valor de x que tiene 80% del rea de la curva normal a la izquierda;
b) los dos valores de x equidistantes de la media que contienen 75% central del rea de la
curva normal.
Solucin:
a) P (X < x) = 0.8000
X 30 x 30
P( < ) = P (Z < z) = 0.8000 z = 0.85
6 6
x 30
= 0.85 x = 35.1
6
b) P (x1 < X < x2) = 0.7500
30 30
P (- z < Z < z) = 0.7500 donde z = x1 y z = x2
6 6
P (Z < z) = 0.8750 z = 1.15
x2 30 = 1.15 x2 = 36.9
6
x1 30 = -1.15 x1 = 23.1
6
los valores son 23.1 y 36.9
Ejercicios:

1.- Calcular
a) P (Z < 1.43) b) P (Z < -2.33) c) P (Z > 2,05)
d) P (Z > -0.54) e) P (-0.72 < Z < 1.69) f) P ( -2.44 < Z -1.82)
2.- Hallar el valor de z en
a) P (Z < z) = 0.2946 b) P (Z < z) = 0.9909
c) P (Z > z) = 0.0228 d) P (Z > z) = 0.9251
e) P (-z < Z < z ) = 0.9500 f) P (-z < Z < z) = 0.6476
3. Dada una poblacin con distribucin normal, con una media de 75 y una variancia de
625, calcular:
a) P (50 X 100).
b) P(X > 90).
c) P(X < 60).
d) P (X 90).
e) P (30 X 110).
4.- Un terapista fsico piensa que los puntajes en una prueba de destreza manual tienen
aproximadamente una distribucin normal con una media de 10 y una desviacin estndar
de 2.5. Si a un individuo, elegido aleatoriamente, se le aplica el examen, cul es la
probabilidad de que logre un puntaje de
a) 15 puntos o menos
b) 7.5 puntos o ms
c) entre 5 y 12.5 puntos
d) entre 7 y 15.5 puntos
5.- Si la capacidad de la cavidad craneana de una poblacin tiene una distribucin
aproximadamente normal, con una media de 1400 cc y una desviacin estndar 125 cc ,
calcular la probabilidad de que una persona , elegida aleatoriamente de esa poblacin ,
tenga una capacidad de cavidad craneana :
a) Mayor que 1450 cc.
b) Entre 1300 y 1500 cc.
c) Menor que 1350 cc.
6.- Suponga que el tiempo de permanencia hospitalaria por enfermedad crnica para un
tipo de paciente es de 60 das, con una desviacin estndar de 15. Si es razonable suponer
que se tiene una distribucin aproximadamente normal para el tiempo de hospitalizacin,
calcular la probabilidad de que un paciente, elegido aleatoriamente de ese grupo, tenga
una hospitalizacin:
a) Mayor que 50 das.
b) Menor que 30 das.
c) Entre 30 y 60 das.
d) Mas de 90 das.
7.- Si el nivel total de colesterol en cierta poblacin tiene una distribucin
aproximadamente normal de 200 mg/100 ml y una desviacin estndar de 20 mg/100 ml ,
calcular la probabilidad de que un individuo , elegido al azar de entre esa poblacin , tenga
un nivel de colesterol:
a) Entre 180 y 200 mg/100 ml.
b) Mayor que 225 mg/100 ml.
c) Menor que 150 mg/100 ml.
d) Entre 190 y 210 mg/100 ml.

8.- Los pesos de una poblacin de mujeres jvenes con mayora de edad tienen una
distribucin aproximadamente normal con una media de 132 libras y una desviacin
estndar 15. Calcular la probabilidad de que una joven, elegida aleatoriamente de esa
poblacin, pese:
a) Ms de 155 libras.
b) 100 libras o menos.
c) Entre 105 y 145 libras.
9.- Dada una variable aleatoria X distribuida normalmente, con = 15 y P ( X < 50) =
0.9904, calcular

10.- Dada una variable aleatoria X distribuida normalmente, con = 5 y P ( X < 10) =
0.0778, calcular .