601 PROBABILIDAD Y ESTADISTICA 2024-1

Tema: Tema uno unidad seis

Distribuciones de Probabilidad Continua

Profesor: Miguel Ángel Luna Cota

Alumno: Garcia Hernández Gabriela

N° de control: 19691322

03 de marzo del 2024

Distribuciones de Probabilidad Continuas.

Una distribución de probabilidad continua es una distribución cuya función de

distribución es continua. Por lo tanto, una distribución de probabilidad continua
define las probabilidades de una variable aleatoria continua.

Por ejemplo, la distribución normal y la distribución t de Student son distribuciones

de probabilidad continuas.

Una de las características de las distribuciones de probabilidad continuas es que

pueden tomar cualquier valor dentro de un intervalo. De modo que, a diferencia de
las distribuciones de probabilidad discretas, las distribuciones de probabilidad
continuas pueden tomar valores decimales.

En las distribuciones continuas, para calcular una probabilidad acumulada se debe

hallar el área bajo la curva de la distribución, por lo que en este tipo de distribuciones
de probabilidad la función de probabilidad acumulada es equivalente a la integral de
la función de densidad.
Ejercicios:

EJERCICIO 1 : La siguiente gráfica corresponde a la función de probabilidad de una variable

continua, x :

1 3
Calcula la probabilidad de que x: a) Sea menor que 1. b) Esté entre y .
2 2
2 1
Solución: El área total bajo la curva es: Área = = 1u2
2

1
a) Entre 0 y 1 tenemos un trapecio cuyas bases miden 1 y , y su altura es 1. Su área será:
 1 2
1+ 1 3
 
Área =  2 3
= 2 = u2
2 2 4
3
Por tanto: px  1=
4 = 3
1 4
1 3 3 1
b) Entre y tenemos un trapecio de bases y , y de altura 1. Su área será:
2 2 4 4
 3 1
 + 1
 4 4 1
Área = = u2
2 2
1 3  21 1
Por tanto: p x  = =
EJERCICIO 2 : La demanda diaria de un cierto producto es una variable continua x (medida en
toneladas) cuya función de probabilidad es la siguiente:

Calcula la probabilidad de que la demanda diaria de este producto sea:

a) Superior a 2 toneladas. b) Esté entre 1,5 y 2,5 toneladas.
1 1
1 1
2 1 1 1 1
Solución: El área total bajo la curva es: + 1 + 2 = + + = 1u2
2 2 2 4 2 4
1
1
1 2 = 1 u2
• Para x  2, tenemos un triángulo de base 1 y altura . Su área es: Área =
2 2 4
1
4 1
Por tanto: p[x > 2] = =
1 4

EJERCICIO 3 : La estatura, en centímetros, de un grupo de 100 personas viene representada en la

siguiente gráfica:

Calcula la probabilidad de que una persona elegida al azar entre esas cien:
a) Mida más de 180 cm. b) Mida entre 170 y 185 cm.

Solución: El área total bajo la curva la hallamos sumando el área de cada rectángulo:
15 · 0,4 + 5 · 2 + 5 · 4 + 5 · 8 + 10 · 1,6 + 20 · 0,4 = 6 + 10 + 20 + 40 + 16 + 8 = 100
a) El área de los dos últimos rectángulos es: 16 + 8 = 24
24
Por tanto: p[x > 180] = = 0,24
100
b) Entre 170 y 185, el área es: 5 · 4 + 5 · 8 + 5 · 1,6 = 20 + 40 + 8 = 68
Por tanto: P [170 < x < 185]=
 EJERCICIO 4 : El número de empleados de 120 empresas de una región viene representado en la
siguiente gráfica:

Calcula la probabilidad de que, al elegir una empresa al azar entre esas 120, tenga:
a) Más de 130 trabajadores. b) Entre 100 y 140 trabajadores.

Solución: El área total bajo la curva la hallamos sumando el área de cada rectángulo:
30 · 12 + 30 · 30 + 30 · 33 + 30 · 15 + 30 · 30 == 360 + 900 + 990 + 450 + 900 = 3600
a) El área de los dos últimos rectángulos es: 450 + 900 = 1350
1350
Por tanto: p[x > 130] = = 0,375
3600
b) Entre 100 y 140 el área es: 30 · 33 + 10 · 15 = 990 + 150 = 1140
1140
Por tanto: p[100 < x < 140]= = 0,317

EJERCICIO 5 : La siguiente gráfica nos da una distribución de probabilidad de una variable continua,
x:

Calcula la probabilidad de que x: a) Sea mayor que 3. b) Esté entre 2 y 4.

Solución:Hallamos el área total bajo la curva:

• Entre 1 y 3, tenemos un trapecio de bases 40 y 20 y altura 2: Área =
(40 + 20) 2
= 60 u2
2
2  40
• Entre 3 y 5, tenemos un triángulo de base 2 y altura 40: Área = = 40 u 2
2
• El área total será: 60 + 40 = 100 u2
a) px  3=
40
100 = 0, 4
(40 + 30) 1
b) Entre 2 y 3, tenemos un trapecio de bases 40 y 30, y altura 1: Área = 2
= 35 u2

=
(40 + 20) 1
= 30 u2
Entre 3 y 4, tenemos un trapecio de bases 40 y 20 y altura 1: Área 2
35 + 30
Por tanto: p[2 < x < 4]= =
100
Distribución Uniforme (continua)

Una variable aleatoria tiene una distribución uniforme continua si la probabilidad de

que tome un valor, dentro de un intervalo finito [a,b], es la misma para cualquier
subintervalo de igual longitud.

esta distribución es análoga a la distribución uniforme discreta, que asignaba a cada

resultado del experimento aleatorio la misma probabilidad, pero en este caso la
variable a considerar es continua. Por ejemplo, el experimento que consiste en
seleccionar un número real al azar, entre los valores a y b, sigue la distribución
uniforme.

En notación matemática, la distribución uniforme continua tiene una función de

densidad definida como una función a trozos o por tramos, que se puede escribir
como:

Ejercicios:

Ejemplo 1

Una compañía que brinda servicio eléctrico provee niveles de voltajes

uniformemente distribuidos, entre 123.0 V y 125.0 V. Esto significa que en la toma
doméstica es posible obtener cualquier valor de voltaje que pertenezca a dicho
intervalo.

Entonces, según lo visto anteriormente, la gráfica de la función de densidad es el

rectángulo en rojo:
Figura 3. Función de densidad para el voltaje entregado por una compañía de
electricidad. Fuente: F. Zapata.

Calcular la probabilidad de tener un voltaje dentro del intervalo dado es muy fácil,
por ejemplo ¿cuál es la probabilidad de que la compañía envíe un voltaje menor a
123.5 V?

Esta probabilidad equivale al área del rectángulo sombreado en azul:

P(X<123.5) = (123.5 −123.0)x 0.5 = 0.25

Y ¿cuál es la probabilidad de que el voltaje entregado sea mayor que 124.0 V?

Como el área total es igual a 1, la probabilidad buscada es:

P (X>124.0 V) = 1 – (1×0.5) = 0.5

Tiene sentido, ya que 124.0 es precisamente el valor en el centro del intervalo.

Ejemplo 2

Cierta variable aleatoria X tiene una distribución uniforme en el intervalo [0,100].

Determinar:

a) La probabilidad de que el valor de X sea menor que 22.

b) La probabilidad de que X tome valores entre 20 y 35.

c) El valor esperado, la varianza y la desviación estándar de esta distribución.

Respuesta a

Se determina de modo semejante al ejemplo anterior, pero antes hay que determinar
la altura del rectángulo, recordando que el área total debe ser igual a 1:

Área = 100 × altura = 1

Por lo tanto el rectángulo tiene una altura igual a 1/100 = 0.01

P(X<22) = 22×0.01 = 0.22

Respuesta b

La probabilidad pedida equivale al área del rectángulo cuyo ancho es (35 – 20) y
cuya altura es 0.01:

P (22<X<35) = (35 – 20)×0.01 = 0.15

Si se prefiere acudir directamente a la función de distribución dada anteriormente,

entonces solo hay que sustituir los valores en:

P(20≤X≤35) =F(35)-F(20)

Con F(x) dada por:

F (x) = (x-a) / (b-a)

Los valores a introducir son:

a=0

b= 100
F (35) = (35-0) / (100-0)=0.35

F (20) = (20-0) / (100-0)=0.20

P(20≤X≤35) =0.35-0.20 = 0.15

Respuesta c

El valor esperado es:

E(X)= (a+b)/2 = (100+0)/2 = 50

La varianza es:

V(X)=(b-a)2/12= (100-0)2/12 = 833.33

Y la desviación estándar es:

D(X) = √833.33 = 28.87

Ejemplo 3

Sea la variable aleatoria continua x la corriente medida, en miliamperes,en un

alambre delgado de cobre. supongase que el rango de x es \bg_black \left [ 0,20
\right ] mA y que la función de densidad de probabilidad de x es f(x)=0.05, 0\leq
x\leq 20 .

a)¿Cual es la probabilidad de que una medición de corriente este entre 5 y 10

miliamperes?

b) Obtenga la media y la varianza de x

La probabilidad se calcula por:

Solución inciso b

Ejemplo 4:

Suponga un experimento en el que de alguna manera se hace medición al azar y

esta tiene una distribución uniforme en el intervalo \left [ 0,3 \right ]. Calcule la
probabilidad de que la medición

este entre 1.5 y 2.

a) Por medio de su función de densidad.

b)Por medio de su función acumulada.

Solución Inciso a)

a) Sea x la variable aleatoria continua definida en el experimento, se ha

mencionado en las condiciones del problema que x tiene una distribución en
\left [ 0,3 \right ]. Por lo tanto, su función de densidad estará dada por:
De forma similar al inciso (a), tenemos que su función acumulada de x estará dada
por :

Por lo tanto, la probabilidad \bg_black P(1.5< x< 2), se puede calcular de la siguiente
manera:

Ejemplo 5

Suponga un experimento en el que de alguna manera se hace una medición al azar

y esta puede estar distribuida uniformemente en el intervalo \left [ 0,3 \right ] , Se
realizan cinco mediciones independientes.

¿cuál es la probabilidad de que exactamente dos de ellas estén entre 1 y 2?

Solución Inciso a)

Primero definimos a la variable aleatoria continua x de forma similar que en el

ejemplo anterior, para una sola medicion, en donde ella tiene una distribución
uniforme en \left [ 0,3 \right ] , y calculamos la probabilidad de que dicha medida se
encuentre entre 1 y 2.

Posteriormente definimos a la variable discreta, Y: " Cantidad de mediciones que

resultan entre 1 y 2"

Ahora note que en este caso se tienen 5 ensayos independientes con probabilidad
de éxito igual a:
Por lo tanto, se trata de un modelo binomial con parámetros:

Distribución Exponencial.

La distribución exponencial es una distribución de probabilidad continua que sirve

para modelizar el tiempo de espera para la ocurrencia de un fenómeno aleatorio.

En concreto, la distribución exponencial permite describir el tiempo de espera entre

dos fenómenos que siguen una distribución de Poisson. Por lo tanto, la distribución
exponencial está estrechamente relacionada con la distribución de Poisson.

Ejercicio 1

Let X = cantidad de tiempo (en minutos) que un empleado postal pasa con su cliente.
Se sabe que el tiempo tiene una distribución exponencial con la cantidad promedio
de tiempo igual a cuatro minutos.

X=es una variable aleatoria continua ya que se mide el tiempo. Se da esa μ=4

minuta. Para hacer cualquier cálculo, debes conocer m , el parámetro de

decaimiento.

m=1μ . Por lo tanto, m=14=0.25

.
La desviación estándar, σ , es la misma que la media. μ=σ

La notación de distribución es X∼Exp(m) . Por lo tanto, X∼Exp(0.25)

La función de densidad de probabilidad es f(x)=me−mx . El número

e=2.71828182846... Se trata de un número que se utiliza a menudo en matemáticas.
Las calculadoras científicas tienen la clave "” ex . Si ingresa uno para x, la
calculadora mostrará el valor e

La curva es: f(x)=0.25e−0.25x donde x es al menos cero y m=0.25

Por ejemplo, f(5)=0.25e−(0.25)(5)=0.072. El valor 0.072 es la altura de la curva

cuando x = 5. En Ejemplo 5.4.2 a continuación, aprenderá a encontrar
probabilidades usando el parámetro decaimiento.

Cuando x=0,f(x)=0.25e(−0.25)(0)=(0.25)(1)=0.25=m. El valor máximo en el eje y es

m.

Ejemplo 2

Supongamos que X = la cantidad de tiempo (en minutos) que un empleado de

correos pasa con un cliente. A partir de los datos históricos, se sabe que el tiempo
promedio es de cuatro minutos.

Dado que μ = 4 minutos, es decir, el tiempo promedio que el dependiente pasa con
un cliente es de 4 minutos. Recuerde que seguimos calculando probabilidad y por
tanto nos tienen que decir los parámetros poblacionales como la media. Para hacer
cualquier cálculo, necesitamos conocer la media de la distribución: el tiempo
histórico de prestación de un servicio, por ejemplo. Conocer la media histórica
permite calcular el parámetro de decaimiento, m.

m=1μ. Por lo tanto, m=14=0,25

Cuando la notación utiliza el parámetro de decaimiento, m, la función de densidad
de probabilidad se presenta como e(x) = me–mx, que es simplemente la fórmula
original con m sustituido por 1μ , o e(x)=1μe–1μx

Para calcular las probabilidades de una función de densidad de probabilidad

exponencial, tenemos que utilizar la función de densidad acumulada. Como se
muestra a continuación, la curva de la función de densidad acumulada es:

f(x) = 0,25e–0,25x donde x es al menos cero y m = 0,25.

Por ejemplo, f(5) = 0,25e(–0,25)(5) = 0,072. Es decir, la función tiene un valor de

0,072 cuando x = 5.

El gráfico es el siguiente:

Observe que el gráfico es una curva descendente. Cuando x = 0,

f(x) = 0,25e(−0,25)(0) = (0,25)(1) = 0,25 = m. El valor máximo en el eje y es siempre

m, uno dividido entre la media.
Ejemplo 3

El tiempo que los cónyuges dedican a la compra de tarjetas de aniversario se puede

modelar mediante una distribución exponencial con un promedio de tiempo igual a
ocho minutos. Escriba la distribución, indique la función de densidad de probabilidad
y haga un gráfico de la distribución.

halle la probabilidad de que un empleado pase de cuatro a cinco minutos con un

cliente seleccionado al azar.

Solución

a. Calcule P(4 < x < 5).

La función de distribución acumulativa (cumulative distribución
función, cdf) da el área a la izquierda.
P(x < x) = 1 – e–mx
P(x < 5) = 1 – e(–0,25)(5) = 0,7135 and P(x < 4) = 1 – e(–0,25)(4) = 0,6321
P(4 < x < 5)= 0,7135 – 0,6321 = 0,0814
En promedio, una determinada pieza de computadora dura diez años. El tiempo que
dura la parte de la computadora se distribuye exponencialmente.

a. ¿Cuál es la probabilidad de que una pieza de computadora dure más de 7

años?
a. Supongamos que x = la cantidad de tiempo (en años) que dura una pieza
de computadora.
μ = 10 por lo que m=1μ=110=0,1

Calcule P(x > 7). Dibuje el gráfico.

P(x > 7) = 1 – P(x < 7).
Como P(X < x) = 1 – e–mx entonces P(X > x) = 1 – (1 –e–mx) = e–mx
P(x > 7) = e(–0,1)(7) = 0,4966. La probabilidad de que una pieza de
computadora dure más de siete años es de 0,4966.

b. En promedio, ¿cuánto tiempo durarían cinco piezas de computadora si se

utilizan una tras otra?
c. En promedio, una pieza de computadora dura diez años. Por lo tanto, cinco
piezas de computadora, si se utilizan una tras otra, durarían, en promedio,
(5)(10) = 50 años.
 d. ¿Cuál es la probabilidad de que una pieza de computadora dure entre nueve
y 11 años?
Calcule P(9 < x < 11). Dibuje el gráfico.

P(9 < x < 11) = P(x < 11) – P(x < 9) = (1 – e(–0,1)(11)) – (1 – e(–0,1)(9)) =
0,6671 – 0,5934 = 0,0737. La probabilidad de que una pieza de computadora
dure entre nueve y 11 años es de 0,0737.

Ejemplo 4

Supongamos que la duración de una llamada telefónica, en minutos, es una variable

aleatoria exponencial con parámetro de decaimiento 112 . El decaimiento
p[parámetro] es otra forma de ver 1/λ. Si otra persona llega a un teléfono público
justo antes que usted, calcule la probabilidad de que tenga que esperar más de
cinco minutos. Supongamos que X = la duración de una llamada telefónica en
minutos.

¿Qué son m, μ y σ? La probabilidad de que deba esperar más de cinco minutos es

• m = 112112

• μ = 12

• σ = 12 P(x > 5) = 0,6592

ejemplo 5

El tiempo de espera entre eventos se suele modelar mediante la distribución

exponencial. Por ejemplo, supongamos que a una tienda llegan un promedio de 30
clientes por hora y que el tiempo entre las llegadas se distribuye exponencialmente.

¿Cuántos minutos transcurren en promedio entre dos llegadas sucesivas?

Cuando la tienda abre por primera vez, ¿cuánto tiempo en promedio tardan en llegar
tres clientes?

Después de la llegada de un cliente, calcule la probabilidad de que el siguiente

cliente tarde menos de un minuto en llegar.

Después de la llegada de un cliente, calcule la probabilidad de que el siguiente

cliente tarde más de cinco minutos en llegar.

¿Es razonable una distribución exponencial para esta situación?

a. Dado que esperamos que lleguen 30 clientes por hora (60 minutos),
esperamos que llegue un cliente cada dos minutos en promedio.

b. Dado que un cliente llega cada dos minutos, en promedio, tardarán seis
minutos en promedio en llegar tres clientes.

c. Supongamos que X = el tiempo entre llegadas en minutos. Por la parte a, μ =

2, por lo que m = 1212 = 0,5.
La función de distribución acumulativa es P(X < x) = 1 - e(-0,5)(x)
Por tanto, P(X < 1) = 1 – e(–0,5)(1) = 0,3935.
P(X > 5) = 1 – P(X < 5) = 1 – (1 – e(-0,5)(5)) = e–2,5 ≈ 0,0821.

e. Este modelo asume que un solo cliente llega a la vez, lo que puede ser
irrazonable, ya que la gente puede comprar en grupos, lo que hace que varios
clientes lleguen al mismo tiempo. También supone que el flujo de clientes no
cambia a lo largo del día, lo que no es válido si algunas horas del día están
más ocupadas que otras.

Distribución Gamma.

En este post se explica qué es la distribución gamma y para qué sirve. Así pues,
encontrarás la definición de la distribución gamma, sus propiedades y cómo es
su representación gráfica.

La distribución gamma es una distribución de probabilidad continúa definida por

dos parámetros característicos, α y λ. Es decir, la distribución gamma depende
del valor de sus dos parámetros: α es el parámetro de forma y λ es el parámetro
de escala.

El símbolo de la distribución gamma es la letra griega mayúscula Γ. Por lo tanto,

si una variable aleatoria sigue una distribución gamma se escribe de la siguiente
manera:
La distribución gamma también se puede parametrizar usando el parámetro de
forma k=α y el parámetro inverso de escala θ=1/λ. En cualquier caso, los dos
parámetros que definen la distribución gamma son números reales positivos.

En general, la distribución gamma se utiliza para modelar conjuntos de datos

que son asimétricos a la derecha, de manera que existe una mayor
concentración de datos en la parte izquierda de la gráfica. Por ejemplo, la
distribución gamma se usa para modelar la fiabilidad de componentes eléctricos.

Ejercicio 1:

Para un determinado sistema electrónico la vida útil se considera como una

variable aleatoria con distribución GAMMA con Beta igual a 400 y Alpha igual a
2.

¿Cuál es la probabilidad de que la variable sea mayor que 800?

#EJERCICIO 1

#parametros de la distribución Gamma

alpha<-2

beta<-400

#Valor para el cual queremos la probabilidad

x<-800

proba=1-pgamma(x,shape=alpha,rate=1/beta)

#imprimiendo la probabilidad.

print(paste("La probabilidad de que x sea mayor que 800 es:",proba))

"La probabilidad de que x sea mayor que 800 es: 0.406005849709838"

#IMPORTANDO LA LIBRERIA scipy

import scipy.stats as stats

 #Poniendo los parametros

alpha=2

beta=400

#Calculando la probabilidad.

x=800

#imprimiendo la probabilidad.

proba=1-stats.gamma.cdf(x,a=alpha,scale=beta)

print(proba)

0.40600584970983844

Ejercicio 2

En una ciudad el consumo de energía en millones de Kilowatts hora es una variabla

aleatoria que tiene una distribución 6 y varianza 12. Encuentre el valor de los
parámetros alfa y beta de la distribución.

Recordar que:

#EJERCICIO 2: Desarrollandolo en R.

#parametros de la distribución Gamma

alpha<-3

beta<-2

#Valor para el cual queremos la probabilidad

x<-12

proba=1-pgamma(x,shape=alpha,rate=1/beta)
print(paste("La probabilidad de que x sea mayor que 12 es:",proba))

[1] "La probabilidad de que x sea mayor que 12 es: 0.061968804416659"

#IMPORTANDO LA LIBRERIA scipy

import scipy.stats as stats

#parametros.

alpha=3

beta=2

#valor para el cual queremos la probabilidad.

x=12

proba=1-stats.gamma.cdf(x,a=alpha,scale=beta)

print(proba)

0.061968804416658974
Distribución Normal.

La distribución normal es una distribución de probabilidad continua cuya gráfica

tiene forma de campana y es simétrica respecto a su media. En estadística, la
distribución normal sirve para modelizar fenómenos de características muy
diferentes, por eso es tan importante esta distribución.

De hecho, en estadística la distribución normal se considera, por mucho, la

distribución más importante de todas las distribuciones de probabilidad, ya que no
solo permite modelizar un gran número de fenómenos reales, sino que además la
distribución normal se puede usar para aproximar otros tipos de distribuciones bajo
ciertas condiciones.

Ejemplo 1

1) Los salarios mensuales de los recién graduados que acceden a su primer empleo se distribuyen
según una ley normal de media 1300 € y desviación típica 600 €. Calcular el porcentaje de graduados
que cobran:

a) Menos de 600 € al mes

b) Entre 1000 y 1500 € al mes

c) Más de 2200 € al mes Solución: - x: variable aleatoria “salarios mensuales, en euros, de los recién
graduados en su primer empleo”.

- La distribución de la variable x es N(1300, 600); μ = 1300; σ = 600 - Hay que tipificar la variable
para obtener las probabilidades a partir de la tabla N(0, 1). a) P(x < 600−1300 600 )= P(z < x⩽1500)=
P( 1000−1300 600 < z< 1500−1300 600 ) = P(−0,5< 0,33)−[1−P(z< 0,5)] = 0,6293−(1−0,6915)= 0,3208
Por tanto, el 32,08% de los recién graduados cobra entre 1000 y 1500 € al mes en su primer trabajo.
c) P(x >2200)= P(z> 2200−1300 600 )= P(z>1,5)=1−P(z⩽1,5)= 1−0,9332 = 0,0668 Por tanto, el 6,68%
de los recién graduados cobra más de 2200 € al mes en su primer trabajo.

Ejemplo 2

2) Se estima que el tiempo en horas que se necesita para memorizar un tema de

Historia de la Filosofía es una variable aleatoria normal, cuya media y varianza se
desconocen. Calcular la media y la desviación típica de esta distribución si se sabe
que las tres cuartas partes de las estudiantes necesitan más de 3 horas y que el 5%
necesita más de 6 horas para memorizarlo.

Solución: - x: variable aleatoria “tiempo, en horas, necesario para memorizar un

tema de Historia de la Filosofía”.

- La distribución de la variable x es N(μ, σ), siendo ambos parámetros desconocidos.

- Las tres cuartas partes de las estudiantes necesitan más de 3 horas → P(x > 3) =
0,75

- El 5% necesita más de 6 horas → P(x > 6) = 0,05 - Tipificando ambas expresiones:

• P(x > 3) = 0,75 → P(z> 3−μ σ )= 0,75 ⇒ P(z⩽ 3−μ σ ) =1−0,75= 0,25 • P(x > 6) =
0,05→ P(z> 6−μ σ )= 0,05 ⇒ P(z⩽ 6−μ σ )= 1−0,05 = 0,95

- Buscamos en la tabla N(0, 1) los valores hallados: • 0,25 no está en la tabla

equivale a 0,75 → 0,75 está entre 0,7486 y 0,7517 → le corresponde -0,675 (hay
que cambiar el signo)

• 0,95 está entre 0,9495 y 0,905 → le corresponde 1,645

- Resolviendo el sistema: P(z⩽ 3−μ σ )= 0,25 ⇒ 3−μ σ =−0,675 P(z⩽ 3−μ σ )= 0,95 ⇒ 6−μ σ = 1,645
→ μ −0,675σ =3 μ +1,645σ = 6 → μ = 3,8728 y σ =1,2931

Ejemplo 3

3) El tiempo de espera para ser atendida en un cierto establecimiento se puede aproximar por una
variable aleatoria con distribución normal de media μ desconocida y desviación típica igual a 3
minutos. Se toma una muestra aleatoria simple de tamaño 121. Determinar un intervalo de
confianza con un nivel del 95% para μ, sabiendo que la media de la muestra es igual a 7 minutos.
Solución:

- x: variable aleatoria “tiempo de espera en minutos”

- La distribución de la variable x es N(μ, 3)

• La muestra es N( μ, σ √n ) = N(7, 3 √121 )

• 1 – α=0,95 ⇒ α 2 = 0,025 ⇒ z 0,025= 1,96

• Intervalo de confianza para la media: (¯x−zα/2⋅ σ √n ; ¯x+ zα/2⋅ σ √n )=(7−1,96⋅ 3 √121 ; 7+1,96⋅ 3
√121 )=(6,5; 7,5) Intervalo de confianza para la media: (6,5; 7,5)

Ejemplo 4

4) El tiempo diario que las adultas de una determinada ciudad dedican a actividades deportivas,
expresado en minutos, se puede aproximar por una variable aleatoria con distribución normal de
media μ desconocida y desviación típica σ = 20 minutos.

a) Para una muestra aleatoria simple de 250 habitantes de esa ciudad se ha obtenido un tiempo
medio de dedicación a actividades deportivas de 90 minutos diarios. Calcular un intervalo de
confianza al 90% para μ.

b) ¿Qué tamaño mínimo debe tener una muestra aleatoria simple para que el error máximo
cometido en la estimación de μ por la media muestral sea menor que un minuto con el mismo nivel
de confianza del 90%? Solución:

a) Se deducen datos sobre la distribución de las medias de las muestras.

• La población es N (μ, 20)

• n=250 >30 ⇒ La muestra es N( 90, 20 √250 ) Nivel de confianza del 90% → 1−α=0,90 ⇒ α=0,1⇒ α
2 =0,05 ⇒ 1− α 2 =0,95 Buscamos en la tabla el valor de z que deja a la izquierda una probabilidad
de 0,90 → zα/2=1'645

Intervalo de confianza para la media: (¯x−zα/2⋅ σ √n ; ¯x+ zα/2⋅ σ √n )=(90−1,645⋅ 20 √250 ; 90+
1,645⋅ 20 √250 ) =(87,92; 92,08)

2 MPU Intervalo de confianza para la media: (87,92; 92,08) b) Error máximo admisible: E=zα/2⋅ σ √n
; Datos: zα/2=1'645 ; σ = 20

Se pide n para que el error máximo cometido sea < 1 → E=1,645⋅ 20 √n < √n ⇒ n >1082,41

El tamaño mínimo de la muestra debe ser de 1083

Ejemplo 5

5) Sabiendo que el peso de los estudiantes varones de 2º de Bachillerato se puede aproximar por
una variable aleatoria con distribución normal, de media 74 kg y desviación típica 6 kg, se pide: a)
Determinar el porcentaje de estudiantes varones cuyo peso está comprendido entre los 68 y 80 kg.
b) Estimar cuántos de los 1500 estudiantes varones que se han presentado a la EvAU en una cierta
universidad, pesan más de 80 kg. c) Si se sabe que uno de estos estudiantes pesa más de 76 kg, ¿cuál
es la probabilidad de que pese más de 86 kg? Solución:

- x: variable aleatoria “peso de los estudiantes”

- La distribución de la variable x es N(74, 6); μ = 74; σ = 6

Hay que tipificar la variable para obtener las probabilidades a partir de la tabla N(0,

1). P(68< x⩽80) = P( 68−74 6 < z< 80−74 6 )= P(−1< z⩽1)= 2P(z< 1)−1 = 2·0,8413−1= 0,6826

Por tanto el 68, 26% de los estudiantes varones tendrán un peso entre 68 y 80 kg.

b) P(x >80)= 1−P(x⩽80)= 1−P(z⩽1)= 1−0,8413≈ 0,1587 Por tanto el 15,87% de los estudiantes
varones pesarán más de 80 kg 15,87% de 1500 = 238,05
Por tanto unos 238 estudiantes varones pesarán más de 80 kg.
c) Hay que calcular la probabilidad condicionada
P(x >86 / x> 76)= P(x> 86 )∩P(x> 76 ) P(x > 76 ) = P(x >86 ) P(x >76 ) = P(z> 2 ) P( z>1/3 ) =
1−P(z≤2) 1−P(z≤1/3) ≈ 0,0228 0,3707 ≈ 0,0615
Aproximación de la Binomial a la Normal.
La distribución binomial, es una distribución discreta en la que n ensayos pueden
producir un éxito o un fracaso. La probabilidad de éxito la denominamos p y la
posibilidad de fracaso será q = (1 - p). Como se ha visto en otros apartados el cálculo
de la distribución binomial puede exceder el límite de cualquier tabla y volverse muy
engorrosa en su cálculo si el valor de n es muy grande.

Un método alternativo para el cálculo de la distribución binomial es por medio del

uso de la distribución normal para aproximar la distribución binomial. Para ello es
fundamental que se satisfagan las siguientes condiciones, np ≥ 5 y n(1 - p) ≥ 5 y
además p está próximo a 0,5.

Si no se pudieran utilizar las tablas binomiales, se puede aproximar la respuesta

utilizando la distribución normal. Para ello podemos obtener la media y la desviación
estándar de la distribución normal con las siguientes fórmulas:

μ=npσ=√npq

Debido a que la distribución normal es continua, y en consecuencia entre dos valores

existirá una serie infinita de valores posibles, para estimar una variable aleatoria
discreta se requiere de un leve ajuste, denominado factor de corrección de
continuidad, sumando o restando 1/2 al valor de x. De esta forma el valor de z se
obtiene mediante la fórmula:

z=(x+1/2)−μσ
 Ejemplos:
1. El 45% de todos los empleados de una dependencia pública poseen título que los acredita
para el puesto. ¿Cuál es la probabilidad de que de los 160 empleados elegidos al azar 75
posean título para el puesto?
Solución:
Datos: n = 160, x = 75, p = 0,45, q = 0,55

μ=npμ=160⋅0,45=72σ=√npqσ=√160⋅0,45⋅0,55=6,29
z1=(x+1/2)−μσ=75,5−726,29=0,56→Area=0,21226z2=(x+1/2)−μσ=74,5−726,29=0,40→Area
=0,15542
Luego,P(74,5⩽x⩽75,5)=0,21226−0,15542=0,05684≈5,68%

La probabilidad de que 75 empleados elegidos aleatoriamente posean título para el cargo

es del 5,68%.

Ejemplo 2

: Un examen de 100 preguntas admite como respuesta en cada una de ellas dos posibilidades,
verdadero o falso. Si un alumno contesta al azar, calcula la probabilidad de que acierte más de 60
respuestas.

Solución:
1
Si llamamos x = " número de respuestas acertadas" , entonces x es una binomial con n = 100, p = , en la
2
que tenemos que calcular: px  60 (La media de x es np = 50 . Su desviación típica es npq = 5).
La calculamos aproximando con una normal: 
x es B 100, 1  x' es N ( 50, 5) → • es N(0, 1)
  →
 60,5 − 50   2
px  60= px'  60,5=  = pz  2,1=
p z 
 5
= 1− p z  2,1 = 1− 0,9821 = 0,0179 → p x  60 = 0,0179
Ejemplo 3

: El 60% de una población de 20 000 habitantes tiene los ojos oscuros. Si elegimos al azar 50
personas de esa población, ¿cuál es la probabilidad de que haya menos de 30 personas con los
ojos oscuros?

Solución:
Si llamamos x = “número de personas con los ojos oscuros”, entonces x es una binomial con
n = 50, p = 0,6, en la que tenemos que calcular px  30.
La calculamos aproximando con una normal:
La media de x es np = 50 0,6 = 30, su desviación típica es npq = 3, 46.
x es B(50; 0, 6)→ x' es N(30; 3, 46)→ z es N(0, 1)
30 
px  30= px'  29, 5=  = pz  −0,08= pz  0,08= 1 − pz  0, 08=

29,5
3, 46 
pz

= 1 − 0,5319 = 0, 4681 → p x  30 = 0, 4681

Ejemplo 4

: La temperatura en grados Fahrenheit de una cierta localidad sigue una distribución

N(68, 4). Calcula la probabilidad de que la temperatura en esa localidad:
a) Supere los 75° F. b) Esté entre 65° F y 70° F.

Solución:
 x − 68 75 − 68 
a) px  75= p  = pz  1,75= 1 − pz  1,75= 1 − 0,9599 = 0,0401
 4 4 
 65 − 68 x − 68 
b) p65  x  70= p  = p− 0,75  z  0,5=
 4 4 
= pz  0, 5− pz  −0, 75= pz  0, 5− pz  0, 75= pz  0, 5− (1 − pz  0, 75)=
= 0, 6915 − (1− 0,7734)= 0, 4649

EJERCICIO 5 : El 4% de una población padece una cierta enfermedad. Si elegimos al azar un grupo
de 200 personas de esa población, calcula la probabilidad de que padezcan la enfermedad más de 15
de ellas.

Solución: Si llamamos x = “nº de personas que padecen la enfermedad”, entonces x es una binomial con
n = 200 y p = 0,04, en la que tenemos que calcular p x  15 .
La calculamos aproximando con una normal.
La media de x es np = 200 0,04 = 8; su desviación típica es npq = 7,68 = 2,77.
x es B(200; 0,04)→ x' es N(8; 2, 77)→ z es N(0, 1)
Ejemplo 5

: La duración media de un determinado aparato eléctrico es de 10 años, con una desviación típica
de 1 año. Si suponemos que la duración de este aparato sigue una distribución normal, calcula la
probabilidad de que:
a) Dure más de 15 años. b) Dure entre 8 y 12 años.

Solución: x es N (10, 1) → z es N(0, 1)

 15 − 10 
a) p x  15=  = p z  5= 1 − p z  5= 0
p z
 1 
 8 − 10 12 − 10 
b) p 8  x  12= p z = p − 2  z  2=
 1 1 
p z  2− p z  −2= p  z  2− (1 − pz  2)=
= p  z  2+ p  z  2− 1 = 0,9772 + 0, 9772 − 1 = 0, 9544