N O TA S D E P R O B A B I L I D A D Y E S TA D Í S T I C A

MODALIDAD NO PRESENCIAL

roman anselmo mora gutiérrez

antonin ponsich
eric alfredo rincón garcía

Trimestre 14-P

Departamento de Sistemas

Universidad Autónoma Metropolitana

Unidad Azcapotzalco
ÍNDICE GENERAL

9 semana 9 65
9.1 Variable aleatoria continua. 65
9.2 Esperanza y varianza de una variable aleatoria 67
9.3 Distribución uniforme 68
10 semana 10 71
10.1 Distribución normal 71
10.2 Distribución exponencial 77
10.2.1 Pérdida de memoria 79
11 semana 11 81
11.1 Teorema del límite central 81
11.2 Intervalos de confianza 82
a tabla de ecuaciones 87
a.1 Distribución normal estándar acumulada 88

bibliografía 91

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. iii
SEMANA 9
9
9.1 variable aleatoria continua.

Hasta ahora se ha trabajado con variables aleatorias discretas, pero existen una gran
variedad de experimentos que no pueden representarse adecuadamente con un número
numerable de datos, por lo que es necesario introducir el concepto de variable aleatoria
continua.
Denición 9.1.1 Una variable aleatoria continua es aquella que puede tomar cualquier
valor en todo un intervalo de números reales.
Del mismo modo que para las variables aleatorias discretas, es importante poder
determinar la distribución de probabilidad, la función de distribución de probabilidad,
la media y varianza de las variables aleatorias continuas que se estudian.
Denición 9.1.2 Sea X una variable aleatoria continua, entonces una distribución de
probabilidad o función de densidad de probabilidad de X es una función, fX (x), tal
que para cualesquiera dos números a y b con a 6 b se tiene:
Zb
P(a 6 X 6 b) = fX (x)dx (1)
a

Por lo tanto la probabilidad de que X tome un valor en el intervalo [a, b] se puede

interpretar como el área bajo la curva de la distribución de probabilidad.
Observación 1 Sea X una variable aleatoria continua, si fX (x) es una distribución de
probabilidad de X, entonces:
a) fRX (x) > 0 para toda x
∞
b) −∞ fX (x)dx = 1
Rb
c) P(a 6 X 6 b) = P(a < X 6 b) = P(6 X < b) = P(a < X < b) = a fX (x)dx
Por lo tanto, para poder determinar la probabilidad de variables aleatorias continuas
es necesario resolver una integral. Más adelante se verá que para ciertos tipos de distri-
bución se cuenta con métodos más sencillos.
 Ejemplo 9.1 Sea X el tiempo de atención en una estética, supongan que el tiempo
máximo es de 2 horas. Si X tiene distribución de probabilidad dada por:

0.5, 0 6 x 6 2
fX (x) =
0, en otro caso
Una forma más sencilla de representar la misma distribución de probabilidad es:

fX (x) = 0.5x, 0 6 x 6 2

Calcule las siguientes probabilidades.

a) Determine la probabilidad de que el tiempo de atención sea menor a una hora.
R1
P(X < 1) = fX (X < 1) = 0 0.5xdx = 14 x2 |10 = 0.25

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 65
semana 9

b) Determine la probabilidad de que el tiempo de atención sea entre media hora y

hora y media.
R1.5
P(0.5 < X < 1.5) = fX (0.5 < X < 1.5) = 0.5 0.5xdx = 14 x2 |0.5
1.5 = 0.5

c) Determine la probabilidad de que el tiempo de atención sea mayor a una hora y

media. R2
P(1.5 < X) = fX (1.5 < X) = 1.5 0.5xdx = 14 x2 |21.5 = 0.4375


 Ejemplo 9.2 Suponga que la variable aleatoria X es el número de horas que funciona
un aparato hasta su primera falla. En este caso sólo se considerarán valores mayores
o iguales a cero ya que los valores negativos carecen de sentido. Después de un pe-
riodo de observación se encontró que la distribución de probabilidad para la variable
aleatoria X corresponde a una función lineal definida entre 0 y 9, dada por:
2
fX (x) = 81 x si 0 6 x 6 9
De esta forma se puede calcular la probabilidad de que el aparato tenga una falla en
las primeras n horas.
Observa que en este caso no se especifica el valor de f para variables fuera del intervalo
[0,9], por lo que se le considerará como cero.
a) Determina la probabilidad de que tenga una falla en las primeras 2 horas.
La probabilidad que nos piden está dada por P(0 6 X 6 2), por lo tanto tenemos:
R2 R2 2
P(0 6 X 6 2) = 0 fX (x)dx = 0 81 xdx = 81 x |0 = 81
1 22 1 2
2 = 814
= 0.0494
Esto significa que se tiene una probabilidad baja de falla, 4.94 %, en ese lapso de
tiempo.
b) Determina la probabilidad de que ocurra una falla entre la cuarta y quinta hora de
operación.
En este caso se calcula de la siguiente forma:
R5 R5 2
P(4 6 X 6 5) = 4 fX (x)dx = 4 81 xdx = 81 x |4 = 81
1 25 1 9
(52 − 42 ) = 81 = 0.1111
Observa que:
R9
0 f(x)dx = 1

Lo cual indica que, con probabilidad 1, el aparato tendrá una falla antes de cum-
plir 9 horas de trabajo.
c) Determina la probabilidad de que ocurra una falla entre la sexta y la décima hora.
En este caso se calcula de la siguiente forma:
R10 R9 2 R10
P(6 6 X 6 10) = 6 fX (x)dx = 6 81 xdx + 9 0dx = 81 x |6 = 81
1 29 1
(92 − 62 ) =
45
81 = 0.5555
Observa que para valores mayores a 9, o menores que 0, la función es considerada
como la constante cero.


 Ejemplo 9.3 Sea X el tiempo de atención servicio en un lavado de autos, si el tiempo

mínimo y máximo es de 20 y 30 minutos respectivamente, y X tiene distribución de
probabilidad dada por:
fX (x) = 0.1 si 20 6 x 6 30
Nuevamente, para cualquier valor de x fuera del intervalo [20,30] se considerará
fX (x) = 0.
a) Determina la probabilidad de que el tiempo de atención sea menor a 27 minutos.
R27
P(X < 27) = fX (X < 27) = 20 0.1dx = 0.1x|27
20 = 0.7

66 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 9.2 esperanza y varianza de una variable aleatoria

b) Determina la probabilidad de que el tiempo de atención sea entre 15 y 28 minutos.

R20 R28 R28
P(15 < X < 28) = fX (15 < X < 28) = 15 0dx + 20 0.1dx = 0 + 20 0.1dx
= 0.1x|28
20 = 0.8
c) Determina la probabilidad de que el tiempo de atención sea mayor a 23 minutos.
R30
P(23 < X) = fX (23 < X) = 23 0.1dx = 0.1x|3023 = 0.7


Denición 9.1.3 Sea X una variable aleatoria continua, entonces la función de distri-
bución acumulada de X, denotada por FX (x), está dada por:
Rx
FX (x) = P(X 6 x) = −∞ fX (u)du para −∞ < x < ∞

 Ejemplo 9.4 Considera el enunciado del ejemplo anterior. Determina la probabilidad

de que la primera falla ocurra antes de 5 horas.

En este casoRse tendrá: R R5 2
5 5
P(X 6 5) = −∞ f(x)dx = 0 f(x)dx = 0 81 xdx = 81 x |0 = 81
1 25 1 2
5 = 0.3086
Observa que en la primera integral el límite inferior es −∞, mientras que en la segunda
se tiene al cero como límite inferior. Esto ocurre porque fX (x) = 0 en el intervalo
(−∞, 0]. 

 Ejemplo 9.5 Considera que la función de distribución acumulada de la variable alea-

toria X es: 

 si x 6 −2
 0,
F(x) = 0.25x + 0.5, si −2 < x 6 2


 1, si 2 6 x
Determina las siguientes probabilidades.
a) P(X < 1.8) = P(X 6 1.8) = F(1.8) = 0.25(1.8) + 0.5 = 0.95
b) P(X > −1.5) = 1 − P(X 6 −1.5) = 1 − 0.125 = 0.875
c) P(X < −2) = F(−2) = 0
d) P(−1 < X < 1) = F(1) − F(−1) = 0.25(1) + 0.5 − [0.25(−1) + 0.5] = 0.5


9.2 esperanza y varianza de una variable aleatoria

Cuando una variable aleatoria X es continua, su media µX está dada por:

Z∞
µX = E(X) = xfX (x)dx (2)
−∞

La varianza de la variable aleatoria X se define como:

Z∞
σ2X = Var(X) = (x − µ)2 fX (x)dx (3)
−∞

La media o valor esperado, también llamada esperanza, esperanza matemática o

media poblacional, cumple con las siguientes propiedades:
1. E(X + b) = E(X) + b
2. E(X + Y) = E(X) + E(Y)
3. E(aX) = aE(X)

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 67
semana 9

Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:
1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3. indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
 Ejemplo 9.6 Considera que fX (x) = 0.25 para 0 < x < 4.
Determina la media y la varianza de X.
R∞ R∞ R4 2
µX = E(X) = −∞ xfX (x)dx = −∞ x(0.25)dx = 0 x(0.25)dx = 0.25 x2 |40
0.25 2 0.25 2
= 2 (4 ) − 2 (0 ) = 2
R∞ R4 3
σ2 = Var(X) = −∞ (x − µ)2 f(x)dx = 0 (x − 2)
2 (0.25)dx = 0.25 (x−2)
3 |40

= 32 + 23 = 43
 Ejemplo 9.7 La distribución de probabilidad del peso neto de un producto, en kilo-
gramos, está dada por fX (x) = 2 para 49.75 < x < 50.25.
a) Determina la probabilidad de que un paquete pese más de 50 kg.
R50.25
P(X > 50) = 50 2dx = 2x|50.2550 = 0.5
b) Determina el peso esperado de un producto seleccionado al azar.
R∞ R50.25
µX = E(X) = −∞ x(2)dx = 49.75 2xdx = x2 |50.25
49.75 = 50


9.3 distribución uniforme

Denición 9.3.1 Una variable aleatoria continua X con distribución de probabilidad

dada por

1
fX (x) = con a 6 x 6 b (4)
b−a
es una variable aleatoria continua uniforme.
Bajo estas condiciones, la media y la varianza de X están dadas por

a+b
µX = E(X) = (5)
2
y

(b − a)2
σ2X = Var(X) = (6)
12

68 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 9.3 distribución uniforme

 Ejemplo 9.8 Sea X una variable aleatoria continua con distribución uniforme que

denota la corriente medida en miliamperios en un alambre de cobre fino. Considera

que el rango de X es [0, 20 mA].
a) Determina la distribución de probabilidad de X.
Por definición se tiene
1 1
fX (x) = b−a = 20−0 = 0.05 para 0 6 x 6 20
b) Determina la probabilidad de que una medición de la corriente se encuentre entre 5
y 10 miliaperes.
La probabilidad buscada es
R10
P(5 < X < 10) = 5 0.05dx = 5(0.05) = 0.25
c) Determina el valor esperado al realizar una medición.
µX = E(X) = 0+20
2 = 10mA 

 Ejemplo 9.9 Considera que la variable aleatoria continua X tiene una distribución
uniforme en el intervalo [-1,1].
a) Determina la media, la varianza y la desviación estándar de X.
µX = E(X) = −1+1
2 =0
2
σ2X = Var(X) = (1−(−1))
12 = 1
3
q
σX = 13 = 0.577

b) Determina el valor de x tal que P(−x < X < x) = 0.9. Como se trata de una distribu-
ción uniforme entoncesRfX (x) = 0.5, por lo tanto
x
0.9 = P(−x < X < x) = −x 0.5dt = 0.5t|x−x = 0.5(2x) = x
Finalmente, el valor buscado es x = 0.9. 

 Ejemplo 9.10 El grosor de un componente tiene una distribución uniforme entre 0.95

y 1.05 milímetros.
a) Determina la función de distribución acumulada del grosor de los componentes.
1
fX (x) = 1,05−0,95 = 10 para 0.95 6 x 6 1.05
Para determinar la función de distribución acumulada se calcula la siguiente integral
R1.05 x
0.95 10dx = 10t|0.95 = 10x − 9.5
Por lo tanto, la función de distribución acumulada es



 0, x < 0.95
FX (x) = 10x − 9.5, 0.95 6 x < 1.05


 1, x > 1.05
b)Determina la proporción de componentes que exceden 1.02 milímetros
P(X > 1.02) = 1 − P(X 6 1.02) = 1 − FX (1.02) = 1 − 0.7 = 0.3
c) Si elegimos un componente al azar, ¿de qué tamaño se espera que sea?
µX = E(X) = 0.95+1.05
2 =1 

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 69
SEMANA 10
10
10.1 distribución normal

Denición 10.1.1 Se dice que una variable aleatoria X tiene una distribución normal
con parámetros µX y σX si su función de densidad de probabilidad está dada por:

 2
x−µX
1 −1
fX (x) = √ e 2 σX
−∞ < x < ∞ (7)
σX 2π
Donde µX es su media y σX es su desviación estándar.

Al graficar la función fX (x) se obtiene una gráfica con forma de campana y simétrica
con centro en µX . El valor de σX es la distancia desde µX hasta los puntos de inflexión
de la curva.

Figura 1: Distribución normal con media µ y desviación estándar σ.

Si X es una variable aleatoria con una distribución normal con media µX y varianza
σ2X ,N(µX , σ2X ), entonces se cumple que:

1. P(µX − σ2X < X < µX + σ2X ) = 0.6827

2. P(µX − 2σ2X < X < µX + 2σ2X ) = 0.9545
3. P(µX − 3σ2X < X < µX + 3σ2X ) = 0.9973
Las propiedades 1-3 indican la probabilidad de que un evento se encuentre a una,
dos o tres desviaciones estándar de la media respectivamente. Por ejemplo, el 68.27 %
de los resultados de un experimento que tenga una distribución normal se ubicarán en
el intervalo (µX − σ2X , µX + σ2X ).
Cuando la distribución normal tiene valores de parámetros µX = 0 y σ2X = 1 se llama
distribución normal estándar. Una variable aleatoria que tiene una distribución normal
estándar se llama variable aleatoria normal estándar y se denota mediante Z.

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 71
semana 10

Figura 2: Probabilidad asociada a una y dos desviaciones estándar.

Figura 3: Distribución normal estándar.

En este caso la función de densidad de probabilidad está dada por:

1 −z2
fZ (z) = √ e 2 − ∞ < z < ∞ (8)
2π
y la función de densidad de probabilidad acumulada de Z es:
Zz
P(Z 6 z) = fZ (y)dy (9)
−∞

Para encontrar el valor de P(Z 6 z) se puede recurrir a una tabla para la distribución
normal estándar (ver anexo A). El uso de esta tabla se ilustra con el siguiente ejemplo.
Suponga que Z es una variable aleatoria normal estándar. La tabla del anexo A con-
tiene probabilidades de la forma P(Z 6 z). Para encontrar P(Z 6 −1.43), se lee hacia
abajo la columna z hasta el renglón -1.4. Por último se desplaza sobre este renglón
hasta la columna con el encabezado 0.03. El valor de esta celda indica la probabilidad
buscada. Por lo tanto, P(Z 6 −1.43) = 0.07636, en la siguiente figura se ilustra este pro-

72 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 10.1 distribución normal

ceso. Observa que los encabezados de las columnas indican el dígito de las centésimas
del valor de z.

Figura 4: Función de densidad de probabilidad estándar.

En este punto es importante destacar que la forma en que son presentadas las tablas
de distribución normal acumulada puede variar de un texto a otro, y es necesario re-
conocer la forma en que deben utilizarse. La mayoría de las tablas utilizan los valores
asociados a P(Z 6 z), P(z 6 Z), o P(0 6 Z 6 z). Para determinar el tipo de datos inclui-
dos en cada tabla, es recomendable revisar los valores asociados a puntos positivos y
al valor 0.00.
• Si la probabilidad asociada a 0.00 es cero se trata de una tabla que indica los valores
de P(0 6 Z 6 z), (a).
• Si la probabilidad es 0.5 en el punto 0.00 y es menor que 0.5 ∀z > 0, entonces se trata
de una tabla que indica los valores de P(z 6 Z), (b).
• Si la probabilidad es 0.5 en el punto 0.00 y es mayor que 0.5 ∀z > 0, entonces se trata
de una tabla que indica los valores de P(Z 6 z), (c).

Figura 5: Diferentes formas de medir la probabilidad en una distribución normal estándar.

 Ejemplo 10.1 Usa la tabla de distribución normal estándar para determinar las si-
guientes probabilidades.
a) P(Z < 1.32) = 0.90658
b) P(Z > 1.45) = 1 − P(Z < 1.45) = 1 − 0.92647 = 0.07353
c) P(−1 < Z < 1) = P(Z < 1) − P(Z < −1) = 0.84134 − 0.15866 = 0.68268
d) P(0 < Z < 1) = P(Z < 1) − P(Z < 0) = 0.84134 − 0.5 = 0.34134


 Ejemplo 10.2 Usa la tabla de distribución normal estándar para determinar el valor
de z que garantiza las siguientes probabilidades.

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 73
semana 10

a) P(Z < z) = 0.89973

Buscando en tablas tenemos que z = 1.28 satisface la probabilidad buscada.
b) P(Z > z) = 0.017
Entonces necesitamos P(Z < z) = 1 − 0.017 = 0.983, buscando en tablas tenemos
que z = 2.12 satisface la probabilidad buscada.
c) P(−1.24 < Z < z) = 0.8
Entonces,
0.8 = P(−1.24 < Z < z) = P(Z < z) − P(Z < −1.24).
Por lo tanto estamos buscando
P(Z < z) = 0.8 + P(Z < −1.24) = 0.8 + 0.10749 = 0.90749
en tablas tenemos que la probabilidad más cercanas es 0.90824, por lo tanto utili-
zaremos z = 1.33


Sin embargo, es poco común que de un experimento surja una variable aleatoria
normal estándar. Cuando una variable aleatoria X sigue una distribución normal pero
µX 6= 0 o σX 6= 1, sus probabilidades pueden calcularse mediante una estandarización.
En este caso, la variable estandarizada es
X − µX
Z= (10)
σX
que tiene una distribución normal estándar. Por lo tanto,

a − µX b − µX
P(a 6 X 6 b) = P( 6Z6 ) (11)
σX σX
Para demostrar que Z en efecto tiene media µX = 0, se puede utilizar el operador
esperanza, de esta forma se tiene:
E(X−µX ) E(X)−E(µX )
E(Z) = E( X−µX
σX ) = σX = σX = µX −µX
σX =0

De manera análoga se puede demostrar que la varianza de Z es 1.

Var(X−µX ) Var(X) σ2X

Var(Z) = Var( X−µ X
σX ) = σ2X
= σ2X
= σ2X
=1

De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal están-
dar y por lo tanto se pueden utilizar las tablas de la distribución z.
De hecho, el proceso de estandarización puede verse como un “desplazamiento” del
eje x para lograr que la media de la distribución estudiada sea cero.
De esta forma, cualquier probabilidad en la que interviene una variable aleatoria nor-
mal se puede expresar como una probabilidad de una variable aleatoria normal están-
dar y por lo tanto se pueden utilizar las tablas de la distribución z. De hecho, el proceso
de estandarización puede verse como un “desplazamiento"del eje x para lograr que la
media de la distribución estudiada sea cero.
 Ejemplo 10.3 Sea X una variable aleatoria continua con una distribución normal con
media 10 y desviación estándar 2. Determina las siguientes probabilidades.
a) P(X < 13)
P(X < 13) = P(Z < 13−10
2 ) = P(Z < 1.5) = 0.93319

74 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 10.1 distribución normal

Figura 6: Estandarización de una distribución normal.

b) P(X > 9)
9−10
P(X > 9) = 1 − P(X < 9) = 1 − P(Z < 2 ) = 1 − P(Z < −0.5) = 1 − 0.30854
= 0.69146
c) P(6 < X < 14)
P(6 < X < 14) = P( 6−10
2 <Z< 4−10
2 ) = P(−2 < Z < 2) = P(Z < 2) − P(Z < −2)
= 0.97725 − 0.02275 = 0.9545
d) P(4 < X < 8)
P(4 < X < 8) = P( 4−10
2 <Z< 8−10
2 ) = P(−3 < Z < −1) = P(Z < −1) − P(Z < −3)
= 0.15866 − 0.00135 = 0.15731


 Ejemplo 10.4 Sea X una variable aleatoria continua con una distribución normal con
media 10 y desviación estándar 2. Determina el valor de x que garantiza las siguientes
probabilidades.
a) P(X < x) = 0.5
Primero se utiliza la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z < z) = 0.5, implica z = 0.0.
Ahora se emplea la ecuación de estandarización para encontrar el valor de x bus-
cado
z = x−µ
σx ,
X

Por lo tanto,
0 = x−10
2
Entonces, x = 10.
b) P(X > x) = 0.95
Primero se emplea la tabla para encontrar el valor de z que acumula esa probabi-
lidad
P(Z > z) = 0.95, implica P(Z < z) = 1 − 0.95 = 0.05.
Como no aparece el valor exacto, se utilizará el más cercano, z = −1.64.

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 75
semana 10

Finalmente se emplea la ecuación de estandarización para encontrar el valor de x

buscado
z = x−µ
σX ,
X

Por lo tanto,
−1.64 = x−10
2
Entonces, x = 6.72053.
c) P(x < X < 10) = 0.2
Primero se realiza un “despeje” para determinar el valor buscado.
0.2 = P(x < X < 10) = P(X < 10) − P(X < x)
Entonces se busca x tal que
P(X < x) = P(X < 10) − 0.2 = P(Z < 10−10
2 ) − 0.2 = P(Z < 0.5) − 0.2 = 0.5 − 0.2 =
0.3
Ahora se emplea la tabla para encontrar el valor de z que acumula esa probabili-
dad
P(Z < z) = 0.3.
Como no aparece el valor exacto, se utilizará el más cercano, z = −0.52.
Ahora se emplea la ecuación de estandarización para encontrar el valor de x bus-
cado
z = x−µ
σX ,
X

Por lo tanto,
−0.52 = x−10
2
Entonces, x = 8.96.


 Ejemplo 10.5 La cantidad de agua vertida en cada botella por cierta máquina tiene

una distribución normal con un valor medio de 750 ml y una desviación estándar de
1.5 ml. Si las botellas están diseñadas para contener, a lo sumo, 752 ml.
a) ¿Cuál es la probabilidad de que ocurra un derrame?
En este caso X es la cantidad de agua depositada en cada botella y se pide P(X >
752), que se calcula de la siguiente manera:
P(X > 752) = P( X−750
1.5 > 752−750
1.5 ) = P(Z > 1.33) = 1 − P(Z 6 1.33)
= 1 − 0.9088 = 0.0912
Por lo tanto, el 9.12 % de las botellas sufrirán un derrame, por lo que puede
resultar conveniente aumentar ligeramente el tamaño de las botellas, o buscar
disminuir la varianza del proceso, para así disminuir el porcentaje de derrames.
b) Considera que el área de control de calidad indica que las botellas deben contener
al menos 746 ml de agua. Determine el porcentaje de piezas que cumple con esta
especificación.
P(X > 746) = P( X−750
1.5 > 746−750
1.5 ) = P(Z > −2.667) = 1 − P(Z 6 −2.667)
= 1 − 0.0038 = 0.9962
De esta forma, se espera que el 99.62 % de las botellas cumplan con el contenido
mínimo de agua.
c) Ahora se buscará negociar con el área de control de calidad el contenido mínimo
aceptable de las botellas, para garantizar que el 99.9 % de la producción sea acep-
tada, ¿qué cantidad de agua debería contener una botella para ser aceptada y
garantizar un porcentaje tan alto de aceptación?.
En este caso se conoce el valor de la probabilidad, pero se ignora el valor de x.
P(X > x) = 0.999
Por lo tanto, se necesita

76 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 10.2 distribución exponencial

P(Z > z) = 0.999, o bien P(Z < z) = 1 − 0.999 = 0.001

Al buscar en la tabla para la distribución normal estándar se encuentra z = −3.09.
Por lo tanto,
−3.09 = x−750
1.5
De esta forma, si x = 745.71403 ml es la cantidad mínima de líquido que debe
contener una botella para ser aceptada, se puede garantizar una aceptación del
99.9 % de la producción.
d) Si se desechan las botellas con menos de 748 ml y más de 751, ¿qué proporción de
las botellas son desechadas?
El porcentaje pedido es
P(X < 748) + P(751 < X) = P(X < 748) + [1 − P(x < 751)]
748−750 751−750
= P(Z < 1.5 ) + [1 − P(Z < 1.5 ]
= P(Z < −1.33) + [1 − P(Z < 0.67)]
= 0.09176 + [1 − 0.74857] = 0.0976 + 0.25143
= 0.34903
Por lo tanto, se desechará el 34.903 % de las botellas.


10.2 distribución exponencial

Como se vio en la sección ?? una variable aleatoria que sigue una distribución de
Poisson cuenta el número de fallas ocurridas durante un intervalo. Sin embargo, la
distancia entre dos fallas consecutivas también define una variable aleatoria de mucho
interés, principalmente en el estudio de líneas de espera.
Una variable aleatoria X que mide la distancia entre dos observaciones consecutivas de
un proceso de Poisson con media λ > 0 es llamada variable aleatoria exponencial con
parámetro λ.
Para analizar algunas características de esta distribución, se considerará que Y es una
variable aleatoria que denota el número de observaciones en un intervalo de longitud
x en un proceso de Poisson con parámetro λ. Entonces, para cualquier longitud x, Y
tendrá una media µY = λX .
Por lo tanto, la probabilidad de que no ocurra una observación en el próximo intervalo
de longitud x está dada por:
e−λx (λx)0
P(Y = 0) = 0! = e−λx

Si X denota la distancia hasta la siguiente observación, entonces la probabilidad de

que no ocurra una observación en el próximo intervalo de longitud x será:
e−λx (λx)0
P(X > x) = P(Y = 0) = 0! = e−λx

De esta forma, para cualquier valor positivo x, la función de distribución acumulada

de X estará dada por:

FX (x) = P(X < x) = 1 − e−λx , 0 6 x (12)

Al derivar FX (x), se obtiene la función de probabilidad de una variable aleatoria X con

distribución exponencial:

fX (x) = λe−λx , 0 6 x (13)

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 77
semana 10

Bajo estas condiciones, la media y la desviación estándar de X están dadas por:

1
µX = E(X) = (14)
λ
y
1
σ2X = Var(X) = (15)
λ2
 Ejemplo 10.6 Si el número de defectos producidos por un telar sigue una distribución
de Poisson con una media de 0.75 errores por metro.

a) Determina la probabilidad de que el telar produzca 6 metros de tela sin errores.

Sea X la distancia en metros desde un punto de inspección hasta el primer error.
Entonces X sigue un distribución exponencial con λ = 0.75 errores por metro. Se
quiere encontrar la probabilidad de que X sea mayor que 6 metros, por lo tanto
se tiene: R∞ R∞
P(X > 6) = 6 λe−λx dx = 6 0.75e−0.75x dx = −e−0.75x |∞ 6 =e
(−0.75)(6) = 0.0111

Observa que el enunciado habla de una distribución de Poisson, pero el ejerci-

cio se resuelve mediante la distribución exponencial. De hecho, este es un detalle
muy importante para determinar el valor del parámetro λ. En este caso la media
es 0.75, y por ser un proceso de Poisson se tiene lo siguiente:
µX = σX = 0.75,
Pero esto será diferente en el inciso (a) del ejercicio 10.7.
b) Ahora se desea determinar la probabilidad de que el próximo error ocurra entre el
segundo y cuarto metro de tela siguiente.
Entonces se tendría la siguiente probabilidad:
R4
P(2 < X < 4) = 2 0.75e−0.75x dx = −e−0.75x |42 = e(−0.75)(2) − e(−0,75)(4)
= 0.2231 − 0.0497 = 0.1734
c) Ahora se desea determinar la probabilidad de que el siguiente error ocurra en los
próximos 50 centímetros de tela.
Como estamos utilizando metros como unidad base debemos convertir los 50
centímetros a 0.5 metros.
R0.5
P(X < 0.5) = 0 0.75e−0.75x dx = −e−0.75x |0.5
0 =e
(−0,75)(0) − e(−0,75)(0,5)

= 1 − 0.6872 = 0.3128
d) Determina el valor de x tal que la probabilidad de que el siguiente error ocurra
después de x metros R∞de tela sea 0.10.
P(X > x) = 0.10 = x 0.75e−0.75t dt = −e−0.75t |∞ x =e
−0.75x

Por lo tanto, se tiene

0.10 = e−0.75x
Utilizando logaritmo natural para despejar a x, se obtiene que con una probabili-
dad de 0.10 el siguiente error ocurrirá después de x = 3.07 metros de tela.
e) Determina el valor de x tal que la probabilidad de que el siguiente error ocurra
antes de x metros deRx tela sea 0.95.
P(X < x) = 0.95 = 0 0.75e−0.75t dt = −e−0.75t |x0 = 1 − e−0.75x
Por lo tanto, se tiene
1 − 0.95 = 0.05 = e−0.75x
Nuevamente se utiliza logaritmo natural para despejar a x, y se obtiene que con
una probabilidad de 0.95 el siguiente error ocurrirá antes de x = 3.99 metros de

78 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 10.2 distribución exponencial

tela.

10.2.1 Pérdida de memoria

Una propiedad muy interesante de la distribución exponencial es conocida como

pérdida de memoria y está relacionada con la probabilidad condicional. Esta propiedad
se resume en la siguiente igualdad:

P(X < t1 + t2 |X > t1 ) = P(X < t2 ) (16)

El siguiente ejemplo ilustra esta propiedad.

 Ejemplo 10.7 Sea X el tiempo entre detecciones de cambios de voltaje en la instalación
eléctrica de una industria. Suponga que X sigue una distribución exponencial con una
media de 0.4 minutos entre cada cambio.
a) Determina el valor del parámetro λ para la distribución exponencial.
Observe que ahora el enunciado habla de una distribución exponencial, con me-
dia 0.4, por lo tanto:
µX = λ1 = 0.4, y λ = 2.5
b) Si acaba de detectarse un cambio de voltaje, determina la probabilidad de detectar
el siguiente cambio en los próximos 90 segundos.
R1.5
P(X < 1.5minutos) = 0 2.6e−2.6x dx = −e−2.6x |1.50 = 1−e
(−2.6)(1.5)

= 0.9798
c) Ahora considera que han pasado 2 minutos y aún no se ha detectado ningún cam-
bio de voltaje. Determina la probabilidad de detectar el siguiente cambio en los
próximos 90.
En este caso la probabilidad buscada está dada por:
R3.5
P(2<X<3.5) 2.6e−2.6x dx −e−2.6x |3.5 0.0054049
P(X < 3.5minutos|X > 2) = = R2∞ = 2
=
P(2<X) 2 2.6e −2.6x dx −e−2.6x |∞
2
0.0055166

= 0.9798


Por lo tanto, el hecho de que hayan transcurrido 2 minutos sin cambios de voltaje no
cambia la probabilidad de una detección en los próximos 90 segundos.

Esta propiedad resulta muy interesante cuando se aplica a ejemplos cotidianos, sobre
todo porque va en contra del sentido común como se ve en el siguiente caso.
Considera que el tiempo entre los camiones que lo llevan a la escuela o al trabajo sigue
una distribución exponencial con λ = 0.1 camiones por minuto. Esto significa que en
promedio pasan 0.1 camiones cada minuto, o bien, 1 camión cada 10 minutos. Al llegar
a la parada se puede determinar que la probabilidad de que el camión pase en los
próximos 10 minutos es 0.6321. Si se espera algún tiempo, por ejemplo 7 minutos, por
lo general se considera que la probabilidad de que el camión pase ha aumentado. Sin
embargo, la propiedad de pérdida de memoria indica que la probabilidad sigue siendo
la misma que al comienzo de la espera. Esto ocurre porque una media λ de 0.1 significa
que en cada intervalo de 10 minutos se espera que pase un camión: tanto a partir del
punto de espera inicial, como en el intervalo que inicia después de los 7 minutos de
espera.

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 79
SEMANA 11
11
11.1 teorema del límite central

Si X1 , ..., Xn es una muestra aleatoria de tamaño n tomada de una población (sea fini-
ta o no) con media µ y varianza σ2 , y si X̄ es la media muestral entonces la distribución
límite de:

X̄ − µ
Z= (17)
√σ
n

cuando n → ∞ es la distribución normal estándar.

Una regla empírica utilizada con frecuencia es considerar que n > 30 es suficiente
para poder emplear el teorema del límite central. Sin embargo, cuando se sabe que
la población sigue una distribución muy cercana a la normal, se pueden considerar
valores más pequeños.
Observa que la suposición de normalidad se hace sobre el promedio de la muestra, X̄,
y no sobre la población.
 Ejemplo 11.1 Una compañía construye resistores con una resistencia media de 100
ohms y una desviación estándar de 10 ohms. Si la distribución de la resistencia es
normal encuentre la probabilidad de que una muestra aleatoria de 25 resistores tenga
una resistencia promedio menor de 95 ohms.
La probabilidad buscada es P(X̄ < 95). Como la distribución de la muestra es normal,
no es necesaria una muestra con más de 30 elementos, y podemos aplicar el teorema
del límite central.
Entonces tendremos:
Z = 95−100
√10
= −2.5
25
Por lo tanto:
P(X̄ < 95) = P(Z < −2.5) = 0.0062.


 Ejemplo 11.2 La cantidad de chispas de chocolate en un producto es una variable

aleatoria con valor medio de 4.0 g y una desviación estándar de 1.5 g. Si 50 productos
se preparan de forma independiente, ¿cuál es la probabilidad de que la cantidad pro-
medio de chispas de chocolate en la muestra, X̄, este entre 3.5 y 3.8 g?
En este caso no sabemos que la población tenga una distribución normal, pero el tama-
ño de la muestra es mayor de 30. Se trata de determinar la probabilidad P(3.5 < X̄ <
3.8). Aplicando el teorema del límite central tenemos:
P(3.5 < X̄ < 3.8) = P( 3.5−4.0
√1.5 < Z < 3.8−4.0
√1.5 ) = P(−2.36 < Z < −0.94) = 0.1645
50 50


 Ejemplo 11.3 La presión de los tanques de gas producidos por una empresa sigue

una distribución normal con una media de 75.5 psi y una desviación estándar de 3.5
psi. Determina la probabilidad de que una muestra aleatoria de 6 tanques tenga una

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 81
semana 11

presión media muestral que exceda los 75.75 psi.

Se busca conocer la probabilidad dada por P(X̄ > 75.75). Como la distribución de la
muestra es normal, no es necesaria una muestra con más de 30 elementos, y se puede
aplicar el teorema del límite central.
Entonces se tendrá:
Z = 75.75−75.50
3.5
√
= 0.17
6
Por lo tanto:
P(X̄ > 75.75) = 1 − P(X̄ < 75.75) = 1 − P(Z < −0.17) = 0.56749.


 Ejemplo 11.4 Suponga que se selecciona al azar una muestra de tamaño 25 de una
población normal con media 100 y desviación estándar 10, ¿cuál es la probabilidad de
que la media muestral esté en el intervalo de (µX − 1.8σX , µX + 1.8σX )?
La probabilidad buscada es
P(100 − 1.8(10) < X̄ < 100 + 1.0(10)) = P(96.4 < X̄ < 102)
Utilizando el teorema del límite central se obtiene
P(96.4 < X̄ < 102) = P(−1.8 < Z < 1) = P(Z < 1) − P(Z < −1.8) = 0.84134 − 0.03593 =
0.80541 

11.2 intervalos de confianza

A parte de la estimación puntual del parámetro, se requiere de información adicio-

nal sobre qué tan buena es la estimación (por ejemplo, qué tan cerca queda la media
muestral de la media poblacional). Esta información puede ser obtenida mediante el
intervalo de confianza.

Denición 11.2.1 A partir de la distribución de muestreo de la media del estadístico

X̄ podrán determinarse L y U tales que:

P(L 6 µ 6 U) = 1–α donde 0 < α < 1 (18)

Al intervalo resultante L 6 µX 6 U se le llama intervalo de confianza del 100(1–α)

por ciento para el parámetro µX .

Nuevamente es importante saber si la población del proceso analizado sigue o no

una distribución normal. De ser así, se tiene la siguiente definición.

Denición 11.2.2 Un intervalo de confianza de 100(1 − α) % para la media µX de una

población normal cuando se conoce el valor de σX está dado por

σX σX
(x̄ − z α2 √ , x̄ + z α2 √ ) (19)
n n

Donde z α2 es tal que

α
P(Z < −z α2 ) = P(z α2 < Z) = 2

Ejemplo 11.5 Considere que se tiene un proceso que sigue una distribución poblacio-
nal normal, y del cual se conoce la desviación estándar poblacional, σX .

82 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 11.2 intervalos de confianza

σX
a) ¿Cuál es el nivel de confianza para el intervalo x̄ ± 2.81 √n
?

El nivel de confianza de un intervalo de confianza está dado por 1 − α, por lo

tanto debemos encontrar el valor de α.
Al observar el intervalo dado, se nota que z α2 = 2.81, por lo tanto tenemos:
α
2 = P(Z < −2.81) = P(Z > 2.81) = 0.0025
Entonces, α = 0.005. Con lo cual concluimos que el nivel de confianza es del
99.5 %.

σX
b) ¿Cuál es el nivel de confianza para el intervalo x̄ ± 1.44 √n
?
Nuevamente, el nivel de confianza de un intervalo de confianza está dado por
1 − α, por lo tanto se debe encontrar el valor de α.
Al observar el intervalo dado, se tiene que z α2 = 1.44, por lo tanto:
α
2 = P(Z < −1.44) = P(Z > 1.44) = 0.0749
Entonces, α = 0.1498. Con lo cual se concluye que el nivel de confianza es del
85.02 %.

c) ¿Cuál es el valor de z α2 en la fórmula de intervalo de confianza que resulta en un

nivel de confianza de 99.7 %?
Para tener un nivel de confianza del 99.7 %, se necesita α = 1 − 0.997 = 0.003.
Esto implica que, α 2 = 0.0015.
Ahora, se debe buscar en las tablas de distribución normal estándar el valor de
z α2 tal que:
P(Z < z α2 ) = P(Z > z α2 ) = α
2 = 0.0015.
Se encuentra que:
P(Z < −2.96) = 0.0015.
Por lo tanto, la respuesta buscada es z α2 = 2.96.
d) ¿Cuál es el valor de z α2 en la fórmula de intervalo de confianza que resulta en un
nivel de confianza de 75 %?
Para tener un nivel de confianza del 75 %, se necesita α = 1 − 0.75 = 0.25.
Esto implica que, α 2 = 0.125.
Ahora, se debe buscar en las tablas de distribución normal estándar el valor de
z α2 tal que:
P(Z < −z α2 ) = P(Z > z α2 ) = α2 = 0.125.

El valor más cercano es:

P(Z < −1.15) = 0.1251.

Por lo tanto, la respuesta buscada es z α2 = 1.15.



 Ejemplo 11.6 Una compañía se dedica a la producción de tornillos de alta precisión

cuyo diámetro en la parte más ancha sigue una distribución normal con una desviación
estándar de 0.10 mm. Se toma una muestra de 40 tornillos y se encuentra un diámetro
medio muestral de 5.426 mm. Calcula un intervalo de confianza de 900 % para el diá-
metro real.
Para este caso 100(1 − α) % = 90 %, entonces α = 0.10. Por lo tanto, z α2 = z0.05 = 1.645,
ya que:
P(Z < −1.645) = 0.05

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 83
semana 11

Finalmente, el intervalo buscado es:

(x̄ − z α2 √σn , x̄ + z α2 √σn ) = (5.426 − 1.645 √
0.10
40
0.10
, 5.426 + 1.645 √ 40
) = (5.4, 5.42)

De la ecuación utilizada para calcular un intervalo de confianza se puede observar

que el tamaño de la muestra afecta al tamaño del intervalo, mientras más grande sea
la muestra menor será la longitud del intervalo. En general, el tamaño de la muestra n
necesario para asegurar una longitud w del intervalo se obtiene como:

σ 2
n = (2z α2 ) (20)
w
 Ejemplo 11.7 Una compañía se dedica a la producción de vigas de madera cuya lon-
gitud sigue una distribución normal con una desviación estándar de 25 mm. ¿De qué
tamaño debe ser la muestra necesaria para garantizar que el intervalo de confianza de
95 % tenga una longitud de 10?.

Para este caso 100(1 − α) % = 95 %, entonces α = 0.05. Por lo tanto, z α2 = z0.025 =

1.96, ya que:
P(Z < −1.96) = 0.025
Finalmente, el tamaño de la muestra es:
n = (2(1.96) 25 2
10 ) = 96.04
Como no es posible tomar muestras fraccionarias se concluye que una muestra de ta-
maño 97 es lo adecuado. Nuevamente resulta conveniente tener algún resultado que
nos permita utilizar intervalos de confianza en poblaciones con distribución de proba-
bilidad desconocida o diferente a la normal. En estos casos es necesario pedir muestras
grandes. 

 Ejemplo 11.8 Supongan que se obtiene una muestra aleatoria de 25 piezas de una

población con distribución normal con desviación estándar poblacional igual a 3. Si el

peso promedio de la muestra es de 58.3 kg. Determina un intervalo de confianza del
95 % para la media poblacional, µ.
En este caso se pide un nivel de confianza del 95 %, por lo tanto:
α = 1 − 0.95 = 0.05, y α 2 = 0.025.
Buscando en las tablas de distribución normal se tiene que:
P(Z < −1.96) = 0.025
Por lo tanto, z α2 = 1.96.
De esta forma, el intervalo buscado es:
(58.3 − 1.96 √325 , 58.3 + 1.96 √325 ) = (57.1, 59.5). 

Proposition 11.2.1 Si n es suficientemente grande, la variable aleatoria

X̄−µX
Z= √s
n

tiene una distribución aproximadamente normal. Por lo tanto, un intervalo de confian-

za de 100(1 − α) % para la media µX estará dado por:
s s
(x̄ − z α2 √ , x̄ + z α2 √ ) (21)
n n
Donde z α2 es tal que

84 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 11.2 intervalos de confianza

α
P(Z < −z α2 ) = P(z α2 < Z) = 2.

 Ejemplo 11.9 En una tormenta eléctrica se tomó una muestra de 48 relámpagos, dando
como resultado una duración de 54.7 milisegundos de duración con una desviación
estándar de 5.23 milisegundos. Determina un intervalo de confianza del 95 % para la
duración media real.
En este caso no se sabe el tipo de distribución que sigue el caso estudiado, pero se tiene
varias muestras, por lo cual se puede utilizar la última definición. Se sabe que X̄ = 54.7
y en este caso la desviación dada es muestral, por lo tanto tenemos s =5.23. Por último,
tenemos un nivel de confianza del 95 %, por lo tanto α = 0.05. De esta forma tenemos,
z α2 = 1.96, ya que
P(Z < −1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
5.23 5.23
(5.47 − 1.96 √ 48
, 5.47 + 1.96 √ 48
) = (53.2, 56.2).


 Ejemplo 11.10 Para un proceso dado se tomó una muestra de tamaño 169, el prome-
dio muestral fue de 89.10 y la desviación estándar muestral es 3.73.

a) Calcula el intervalo de confianza para la media real con un nivel de confianza del
95 %.
Se sabe que n = 169, X̄ = 89.10 y s = 3.73. Por último, se tiene un nivel de con-
fianza del 95 %, por lo tanto α = 0.05. De esta forma se tiene, z α2 = 1.96, ya que
P(Z < −1.96) = P(1.96 < Z) = 0.05 2 = 0.025
Finalmente, el intervalo buscado es:
(89.10 − 1.96 √3.73
169
, 89.10 + 1.96 √3.73
169
) = (88.54, 89.66).

b) Se creé que la desviación estándar poblacional es 4, con esta hipótesis, ¿de qué
tamaño se hubiera requerido la muestra para estimar la media poblacional en un
intervalo de longitud 1 con un nivel de confianza del 95 %?
n = (2(1.96)( 14 ))2 = 246
Se concluye que una muestra de tamaño 246 es lo adecuado.

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 85
TA B L A D E E C U A C I O N E S
A
Capítulo 9.1

1
fX (x) = b−a con a 6 x 6 b
Distribución uniforme
a+b
µX = E(X) = 2
2
σ2X = Var(X) = (b−a)
12

 2
1 x−µX
−
Distribución normal fX (x) = 1
√
σX 2π
e 2 σX
−∞ < x < ∞
X−µX
Z= σX

fX (x) = λe−λx , 0 6 x
Distribución exponencial
1
µX = E(X) = λ
1
σ2X = Var(X) = λ2

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 87
tabla de ecuaciones

a.1 distribución normal estándar acumulada

88 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
 A.1 distribución normal estándar acumulada

Distribución normal estándar acumulada

Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
-3.5 0.00023 0.00022 0.00022 0.00021 0.0002 0.00019 0.00019 0.00018 0.00017 0.00017
-3.4 0.00034 0.00032 0.00031 0.0003 0.00029 0.00028 0.00027 0.00026 0.00025 0.00024
-3.3 0.00048 0.00047 0.00045 0.00043 0.00042 0.0004 0.00039 0.00038 0.00036 0.00035
-3.2 0.00069 0.00066 0.00064 0.00062 0.0006 0.00058 0.00056 0.00054 0.00052 0.0005
-3.1 0.00097 0.00094 0.0009 0.00087 0.00084 0.00082 0.00079 0.00076 0.00074 0.00071
-3 0.00135 0.00131 0.00126 0.00122 0.00118 0.00114 0.00111 0.00107 0.00104 0.001
-2.9 0.00187 0.00181 0.00175 0.00169 0.00164 0.00159 0.00154 0.00149 0.00144 0.00139
-2.8 0.00256 0.00248 0.0024 0.00233 0.00226 0.00219 0.00212 0.00205 0.00199 0.00193
-2.7 0.00347 0.00336 0.00326 0.00317 0.00307 0.00298 0.00289 0.0028 0.00272 0.00264
-2.6 0.00466 0.00453 0.0044 0.00427 0.00415 0.00402 0.00391 0.00379 0.00368 0.00357
-2.5 0.00621 0.00604 0.00587 0.0057 0.00554 0.00539 0.00523 0.00508 0.00494 0.0048
-2.4 0.0082 0.00798 0.00776 0.00755 0.00734 0.00714 0.00695 0.00676 0.00657 0.00639
-2.3 0.01072 0.01044 0.01017 0.0099 0.00964 0.00939 0.00914 0.00889 0.00866 0.00842
-2.2 0.0139 0.01355 0.01321 0.01287 0.01255 0.01222 0.01191 0.0116 0.0113 0.01101
-2.1 0.01786 0.01743 0.017 0.01659 0.01618 0.01578 0.01539 0.015 0.01463 0.01426
-2 0.02275 0.02222 0.02169 0.02118 0.02068 0.02018 0.0197 0.01923 0.01876 0.01831
-1.9 0.02872 0.02807 0.02743 0.0268 0.02619 0.02559 0.025 0.02442 0.02385 0.0233
-1.8 0.03593 0.03515 0.03438 0.03362 0.03288 0.03216 0.03144 0.03074 0.03005 0.02938
-1.7 0.04457 0.04363 0.04272 0.04182 0.04093 0.04006 0.0392 0.03836 0.03754 0.03673
-1.6 0.0548 0.0537 0.05262 0.05155 0.0505 0.04947 0.04846 0.04746 0.04648 0.04551
-1.5 0.06681 0.06552 0.06426 0.06301 0.06178 0.06057 0.05938 0.05821 0.05705 0.05592
-1.4 0.08076 0.07927 0.0778 0.07636 0.07493 0.07353 0.07215 0.07078 0.06944 0.06811
-1.3 0.0968 0.0951 0.09342 0.09176 0.09012 0.08851 0.08691 0.08534 0.08379 0.08226
-1.2 0.11507 0.11314 0.11123 0.10935 0.10749 0.10565 0.10383 0.10204 0.10027 0.09853
-1.1 0.13567 0.1335 0.13136 0.12924 0.12714 0.12507 0.12302 0.121 0.119 0.11702
-1 0.15866 0.15625 0.15386 0.15151 0.14917 0.14686 0.14457 0.14231 0.14007 0.13786
-0.9 0.18406 0.18141 0.17879 0.17619 0.17361 0.17106 0.16853 0.16602 0.16354 0.16109
-0.8 0.21186 0.20897 0.20611 0.20327 0.20045 0.19766 0.19489 0.19215 0.18943 0.18673
-0.7 0.24196 0.23885 0.23576 0.2327 0.22965 0.22663 0.22363 0.22065 0.2177 0.21476
-0.6 0.27425 0.27093 0.26763 0.26435 0.26109 0.25785 0.25463 0.25143 0.24825 0.2451
-0.5 0.30854 0.30503 0.30153 0.29806 0.2946 0.29116 0.28774 0.28434 0.28096 0.2776
-0.4 0.34458 0.3409 0.33724 0.3336 0.32997 0.32636 0.32276 0.31918 0.31561 0.31207
-0.3 0.38209 0.37828 0.37448 0.3707 0.36693 0.36317 0.35942 0.35569 0.35197 0.34827
-0.2 0.42074 0.41683 0.41294 0.40905 0.40517 0.40129 0.39743 0.39358 0.38974 0.38591
-0.1 0.46017 0.4562 0.45224 0.44828 0.44433 0.44038 0.43644 0.43251 0.42858 0.42465
0 0.5 0.49601 0.49202 0.48803 0.48405 0.48006 0.47608 0.4721 0.46812 0.46414

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 89
tabla de ecuaciones

Distribución normal estándar acumulada

Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.5 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.5279 0.53188 0.53586
0.1 0.53983 0.5438 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.6293 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.6591 0.66276 0.6664 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.7054 0.70884 0.71226 0.71566 0.71904 0.7224
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.7549
0.7 0.75804 0.76115 0.76424 0.7673 0.77035 0.77337 0.77637 0.77935 0.7823 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.8665 0.86864 0.87076 0.87286 0.87493 0.87698 0.879 0.881 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.9032 0.9049 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.9222 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.9452 0.9463 0.94738 0.94845 0.9495 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.9608 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.9732 0.97381 0.97441 0.975 0.97558 0.97615 0.9767
2 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.9803 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.983 0.98341 0.98382 0.98422 0.98461 0.985 0.98537 0.98574
2.2 0.9861 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.9884 0.9887 0.98899
2.3 0.98928 0.98956 0.98983 0.9901 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.9918 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.9943 0.99446 0.99461 0.99477 0.99492 0.99506 0.9952
2.6 0.99534 0.99547 0.9956 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.9972 0.99728 0.99736
2.8 0.99744 0.99752 0.9976 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.999
3.1 0.99903 0.99906 0.9991 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.9994 0.99942 0.99944 0.99946 0.99948 0.9995
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.9996 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.9997 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.9998 0.99981 0.99981 0.99982 0.99983 0.99983

90 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
BIBLIOGRAFÍA

[1] Grabinsky J., “Guía SAI de probabilidad y estadística. Tron-

co general”. Universidad Autónoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217523/217523.html.

[2] Rivera B. J., “Probabilidad condicional”. Universidad Autónoma Metropolitana.

Disponible en: http://espartaco.azc.uam.mx/UAM/217423/217423.html.

[3] Grabinsky J., Ramírez R. J., Rivera B. J., Alonso J., López B. R., “Problemas de
probabilidad y estadística”. Universidad Autónoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.

[4] Ramírez R. J., Rivera B. J., “Taller de probabilidad y estadística. Espacio

muestra y eventos”. Universidad Autónoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217404/217404.html.

[5] López B. R., “Taller de probabilidad y estadística. Técnicas de con-

teo y probabilidad”. Universidad Autónoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/223512/223512.html.

[6] Gutiérrez A. M. A., “Variables aleatorias”. Universidad Autónoma Metropolitana.

Disponible en: http://espartaco.azc.uam.mx/UAM/223498/223498.html.

[7] Meyer, Paul L., “Introductory Probability and Statistical Applications",

Ed.Addison Wesley, 1965.

[8] Walpole R. E. y Myers R. H., “Probabilidad y Estadística", Ed. Mc Graw Hill,1992.

[9] Devore J.L., “Probabilidad y Estadística para Ingeniería y Ciencias", Ed.

Int.Thompson Editores, México, 1998.

[10] Montgomery D. C. y Runger G. C., “Probabilidad y Estadística Aplicada a laInge-

niería", Mc Graw Hill, 1996.

Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 91