Ey Pclase 08

ESTADISTICA
Y
PROBABILIDADES
Sesión 08
Ing. William Jaime León Velásquez

wjleonv@yahoo.com
DISTRIBUCIONES
CONTINUAS
CONTENIDO TEMATICO
 Variable aleatoria continua
 Distribución uniforme
 Distribución exponencial
 Distribución de probabilidad normal
 Aproximación de la
Distribución binomial por la normal
9/21/2015 Ing. William León Velasquez 3

VARIABLES ALEATORIAS CONTINUAS
VARIABLE ALEATORIA CONTINUA
• Una variable aleatoria es continua si puede tomar valores en un
conjunto infinito no numerable.
• Una variable aleatoria continua podrán tomar cualquier valor de un
intervalo real de la forma:
• (a, b), (a, +∞), (-∞, b), (-∞, +∞) o uniones de ellos.
Ing William León Velásquez 5

DISTRIBUCIÓN DE PROBABILIDAD CONTINUA
 Una distribución de probabilidad es cualquier mecanismo que
nos ayuda a obtener las probabilidades de intervalos de la
variable.
 Si la variable aleatoria es
continua cada uno de los infinitos
valores posibles tendrá
probabilidad cero y sólo
podremos hablar de probabilidad
dentro de intervalos.

DISTRIBUCIÓN DE PROBABILIDAD CONTINUA
• Una variable aleatoria se llama continua cuando el rango de X es
un intervalo o una colección de intervalos de la recta real.
Ejemplos :
• X: Tiempo de vida de una computadora.
RX  0 ,  
• X: Duración (en horas) de un tubo de monitor.
RX  0 ,  
FUNCIÓN DE DISTRIBUCIÓN Y FUNCIÓN DE
DENSIDAD
• Si la variable aleatoria es continua hay infinitos valores posibles de
la variable y entre cada dos de ellos se podrían definir infinitos
valores más.
• En estas condiciones, no es posible deducir la probabilidad de un
valor puntual de la variable, como se puede hacer en el caso de
variables aleatorias discretas.

FUNCIÓN DE DISTRIBUCIÓN Y FUNCIÓN DE DENSIDAD
 Pero sí es posible calcular la probabilidad acumulada hasta un cierto valor
(función de distribución),
 Más adelante podremos analizar como cambia la probabilidad acumulada
en cada punto.
(estos cambios no son probabilidades sino otro concepto que denominamos
densidad de probabilidad).

DENSIDAD
• Si se quiere definir los conceptos de función de densidad
y de distribución para variables aleatorias continuas,
• Se va a partir de la idea intuitiva de que tales funciones
son "MODELOS" de las distribuciones de frecuencias de
la variable aleatoria considerada.

DENSIDAD
Se puede construir un histograma de frecuencias
relativas y un histograma de frecuencias relativas
acumuladas.
En el primer gráfico: la fr(X ≤ x) será la suma de las
frecuencias de todas las clases anteriores a x; lo que,
geométricamente, es el área bajo la curva de
frecuencias entre el inicio de la gráfica y el valor x.
En el segundo gráfico: La obtención de fr(X ≤ x) es más
rápido. El valor de fr(X ≤x) es la frecuencia acumulada
del valor x y se lee directamente de la gráfica.
11
Ing William León Velásquez
DENSIDAD
 A partir de una situación real con densidades de frecuencias se crea un
modelo teórico con asignación de probabilidades.
 Sea X una variable aleatoria continua que toma

valores en un intervalo [a, b]. Si procedemos a
dividir el intervalo cada vez en más partes el
polígono de frecuencias relativas (densidades de
frecuencias) se va aproximando a una curva con
un determinado aspecto.

DENSIDAD
 Después de dividir sucesivamente el intervalo, las densidades de
frecuencias pasan a ser, en el límite, densidades de probabilidad.
 La probabilidad que la variable X tome los

valores entre x0 y x0+h es P(x0 ≤X ≤x0+h) y
corresponde al área bajo la curva en el
intervalo [x0, x0+h].
 La función correspondiente a esta curva,
y=f(x), la denominamos Función de densidad.

FUNCIÓN DE DENSIDAD
• Una función y=f(x) es una función de densidad de una variable

aleatoria continua si cumple las siguientes condiciones:

FUNCIÓN DE DISTRIBUCIÓN
• En general, la función de distribución de una variable aleatoria
continua X es el modelo teórico de la curva de frecuencias
acumuladas que se espera obtener para X, y debe cumplir,
evidentemente, estas propiedades:
• Las propiedades que se deben cumplir son:
– Ser creciente
– Tomar valores de 0 a 1

• Si X es una variable aleatoria continua con valores en un intervalo [a, b],
entonces
F(x) será la
probabilidad de
que la variable X
tome valores
entre a y x.
F(x)=P(a ≤X ≤x).


• La función de distribución F(x) es una primitiva de la función de densidad

f(x), o dicho de otra forma,
La función de densidad es la derivada de la función de distribución.
• Indica la probabilidad de que la variable aleatoria continua X sea menor o
igual que un valor dado,
• Proporciona la probabilidad acumulada hasta un determinado valor de la
variable.

PARÁMETROS DE UNA VARIABLE ALEATORIA CONTINUA
• Por analogía con las definiciones de estos conceptos para variables aleatorias
discretas, se definen la esperanza matemática o media µ, la varianza σ2 y la
desviación típica σ de una variable aleatoria continua de la siguiente forma :

OBSERVACIONES
b
1. P ( a  x  b)   f ( x)dx
a x
2. F ( x )  P ( X  x )   f (t ) dt

3. F (-) = 0 ; F () = 1 b
f(x) A   f ( x)dx
4. Fx es no decreciente a
5. EX    xf ( x)dx a b x
|R
   ( x  EX )
6. V X  2
f ( x ) dx
R Ing William León Velásquez 20
Ejemplos de variable aleatorias continuas
1.- En una empresa comercializadora un virus informático aparece

regularmente cada 24 horas.
El tiempo que un investigador debe esperar desde que acude al
lugar de la investigación hasta que el virus aparece es una
variable aleatoria con función de densidad:
 1
 para 0  x  24
f ( x )   24

0 en otro lugar

a) Hallar la probabilidad de que el investigador tenga que esperar más de ocho
horas.
24
24 24 1  1 
P ( x 8)  8
f ( x ) dx   8 24
dx   x 
 24  8
24 8
P ( x 8)    0,667
24 24
La probabilidad de que el investigador tenga que esperar mas de ocho horas
es de 37.5 %
b) Calcular el valor esperado..
24 24 1
E( x ) 
 0
x f ( x ) dr 

0
x
24
dr
24
 1 x2   1 242 
  .    .   0  12
 24
 2 
0  24
 2 
El promedio del tiempo que tiene que esperar el investigador es de 12 horas

c) Hallar la varianza.
24
E( x )  
2 2
V( x )  E( x )   x 2 . f ( x ) dx  122
0
24
24 1  1 x  3
 dx 12    
2 2 2
x . .  12
0 24  24 3 0
 1 243 
 .   0  12  48
2
 24 3 
La varianza del tiempo que tiene que esperar es de 48 horas2
2.- Una empresa comercializadora afirma que el
número de unidades vendidas mensualmente de un
determinado tipo de artículo, sigue la ley de
probabilidad definida por la función de densidad:
 x
 25 para 0  x  5



 1
f ( x)   ( 10  x ) para 5  x  10
 25


0 para cualquier otro valor de x


donde X viene expresada en miles de unidades

• Determinar la probabilidad de que el número de unidades vendidas
en un mes:
a) Sea superior a 5000 unidades, pero no superado por 7500
unidades.
7,5
7,5 1 1  x2 
P ( 5  X  7,5 ) 

5 25
( 10  x ) dx 
25
 10 x 

 2 

5
1  7,52 25 
  10  7,5   50    0,375
25 
 2 2 

La probabilidad de que el numero de unidades se encuentre en ese intervalo

es de 37.5 % Ing William León Velásquez 26
b) Determinar el valor probable.
5 x 10 1
E (X) 
0
x
25
dx 

5
x
25
(10  x ) dx
1 5 1 10
 
2
 x dx  (10 x  x 2 ) dx
25 0 25 5
5 10
1  x3  1  x2 x3  5 1  250 
     10       5
25 
 3 0 25 
 2 3 5 3 25  3 
El valor probable de unidades vendidas es de 5 unidades

c) Calcular la varianza.
5 x 10 1
V (X)   dx   ( 10  x ) dx  52
2
x x2
0 25 5 25
1 5 1 10
  x dx   ( 10 x 2  x 3 ) dx  25
3
25 0 25 5
5 10
1  x  1 4
 x 3
x  4
     10 3  4   25
25  4  0 25  5

25

1
 572.9  25  4,17
4 25
La varianza del numero de unidades es de 4.17

3.-Una empresa avícola desea realizar un estudio sobre el nivel de colesterol en
cierto tipo de pollos.
La función de densidad de la v.a. asociada es
a) Obtener la Función de Distribución, F(x)
b) Obtener: P( X ≤ 1.2) ; P ( X ≥ 0.8) ; P ( 1 < X < 1.5 )

a) La Función de Distribución estará dada por

Finalmente:
b) La probabilidades serán:

4.- Se realizado un estudio en un parque y se llego a la conclusión que las alturas se
comportan como una variable aleatoria continua.
Con función de densidad:
f(x) = x / 12, con 1 < x < 5.

Calcular el promedio de la alturas
de los arboles

Solución:
Para ello se calculará el valor esperado de dicha variable

DISTRIBUCIONES
CONTINUAS
DISTRIBUCIÓN UNIFORME
• Suponer que una variable X puede tomar valores al azar en un rango
(a, b). En este caso, se dice que X tiene una distribución uniforme
entre a y b y se escribe
• X ~ U(a, b).
• la probabilidad de que X caiga en cualquier zona es la misma, y
entonces la función de densidad es constante.
La función de distribución
• Si X ~ U(a, b), luego, si a<x= b,
La media y desviación típica
• Teorema 17 Sea X ~ U(a, b). Luego,
Ejemplo 1
• Juego con una rueda de fortuna como en la ilustración.
• ¿Cuál es la probabilidad de que gane?
• Sea X el ángulo a la vertical de la ﬂecha.

• Luego
• X ~ U(0, 360o).
• La probabilidad de que gane es 0.25

La distribución exponencial
• Anteriormente estudiamos la distribución Poisson X ~ P(λ) como

modelo para el número de sucesos raros, X, en una unidad del
tiempo.
• Ahora, supongamos que queremos estudiar la distribución del
tiempo Y entre un suceso y el siguiente.
• En este caso, la distribución de Y es una distribución exponencial
con parámetro λ.
• Deﬁnición :
• Y tiene una distribución exponencial con parámetro λ si
• para 0 <y<=∞.
• En este caso se escribe Y ~Ex(λ).
• La función de distribución de Y es
para 0 <y<∞.
La media y varianza
• Teorema Si Y ~ Ex(λ), entonces
La distribución exponencial. Ejemplo 1
• El tiempo T entre llegadas sucesivas de autos a un punto en
la carretera se distribuye como una exponencial con
parámetro λ =0,01 segundos.
1) Hallar la media y varianza de T.
2) Un viejito empieza a cruzar la calle inmediatamente
después de que un auto pasa por allí. Si tarda 50
segundos en cruzar la calle, ¿cuál es la probabilidad de
que le atropella el siguiente auto que pasa (suponiendo
que no para, igual que la mayoría de conductores)?
3) ¿Cuál es la probabilidad de que en un minuto no llegue
ningún auto?
1) E[T]=1/0,01 = 100 y
V [T]=1/0,012 =10000.
3) Sea X el número de autos que lleguen en un minuto.
La distribución de X es Poisson:
X ~ P(60 × 0,01) = P(0,6).
• El tiempo de funcionamiento de una bombilla se distribuye
como exponencial con una media de 10 días.
a) ?Cuál es la probabilidad de que una bombilla funciona más
de 10 días?
b) Suponiendo que cada vez que falla una bombilla se la
cambia por una nueva, hallar la probabilidad de que haya
más de 1 fallo en un mes (30 días).
c) Hallar el número medio de fallos en un mes.
• a) Sea T ~ Ex(λ) el tiempo de funcionamiento.
• Hallamos el valor de λ.
• Sabemos que E[T]= 10 = 1/λ
• y luego λ =0,1.
• Ahora:
b) El número de fallos X en 30 días tiene una distribución
Poisson
X ~ P(30 × 0,1) = P(3).
c) El número medio de fallos por mes son 3.

DISTRIBUCIÓN NORMAL
• La distribución normal es, la más

importante de todas las distribuciones de
probabilidad .
• Es una distribución de variable continua , con
campo de variación ]-∞ , ∞[ .
• Fue descubierta por Gauss al estudiar la
distribución de los errores en las
observaciones astronómicas.
ING. WILLIAM LEON V. 49

Importancia:
• Un gran número de fenómenos reales se pueden modelizar con esta distribución
(características cuantitativas de casi todas las grandes poblaciones).
• Muchas de las distribuciones de uso frecuente tienden a aproximarse a la distribución
normal bajo ciertas condiciones
• En virtud del Teorema Central del Límite, todas

aquellas variables que puedan considerarse
causadas por un gran número de pequeños efectos
(errores de observación) tienden a distribuirse con
una distribución normal.

Ejemplos de variables asociadas a fenómenos naturales que siguen el modelo de la
normal
 Caracteres morfológicos de individuos

(personas, animales, plantas,...)
 Ejemplo: tallas, pesos, diámetros,
perímetros,...
 Caracteres fisiológicos,
 Ejemplo: efecto de una misma dosis de un
fármaco, o de una misma cantidad de abono.
 Caracteres sociológicos,
 Ejemplo: consumo de cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
FUNCIÓN DE DENSIDAD
 La distribución normal queda definida por dos parámetros,
su media y su desviación típica y se representa así
N (µ,σ)
 Para cada valor de µ y σ tendremos una
función de densidad distinta, por tanto la
expresión N (µ,σ) representa una familia de
distribuciones normales

• Puede tomar cualquier valor (- ∞, + ∞)
• Son más probables los valores cercanos a uno central
que llamamos media μ
• Conforme se aleja del valor μ, la probabilidad va
decreciendo en igual forma a derecha e izquierda (es
simétrica).
• Conforme se aleja del valor μ, la probabilidad va
decreciendo de forma más o menos rápida dependiendo
de un parámetro σ, que es la desviación típica.

F(x) es el área sombreada de esta gráfica

𝑥
1 (𝑥−𝜇)2
−
𝐹 𝑋 = 𝑒 2𝜎2 𝑑𝑥
−∞ 𝜎 2𝜋
Donde:
−∞ < 𝑥 < +∞
F(x)=P(X≤ x)

LA DISTRIBUCIÓN NORMAL ESTÁNDAR
• Z se la denomina variable tipificada de X, y a la

curva de su función de densidad se le conoce
como la curva normal estándar.
• Es una distribución normal con promedio 0 y una
desviación estándar de 1.
• Todas las variables normalmente distribuidas se
pueden transformar a la distribución normal
estándar utilizando la fórmula para calcular el
valor Z correspondiente.

TIPIFICACIÓN
• Si la variable X es N(µ,σ) entonces la variable tipificada
de X se presenta así:
𝑋−𝜇
𝑍=
𝜎
Sigue una distribución normal
con µ=0 y σ=1,
• Es decir: N(0,1)

TIPIFICACIÓN
La función de densidad es
1 𝑧2
−
𝜑 𝑧 = 𝑒 2
2𝜋
La función de distribución es
𝑧 𝑧2
1
𝐹 𝑧 =𝑃 𝑍≤𝑧 = 𝜑 𝑧 = 𝑒 − 2 𝑑𝑧
2𝜋 −∞
−∞ < 𝑧 < +∞
TIPIFICACIÓN
la representación gráfica de esta función
La variable Z se la denomina variable tipificada de X,

y la curva de su función de densidad curva normal tipificada.
CARACTERÍSTICA DE LA DISTRIBUCIÓN NORMAL
TIPIFICADA
• No depende de ningún parámetro
• Su media es 0, su varianza es 1 y su desviación típica es 1.
• La curva f(x) es simétrica respecto del eje OY
• Tiene un máximo en este eje
• Tiene dos puntos de inflexión en z =1 y z = -1

DISTRIBUCIÓN
DE PROBABILIDAD NORMAL
• El modelo de probabilidad normal de parámetros  y  , N(μ, σ2), siendo
 y  constantes, con  > 0, cumple un papel fundamental en
estadística, ya que todas las técnicas o procedimientos inferenciales
dependen directa o indirectamente de esta variable aleatoria

DISTRIBUCIÓN
Notación:
2
X  N ( ,  )

DISTRIBUCIÓN
Su función de densidad es:
2
1 X  μ 
  
1 2  σ 
f ( X )  f ( X, μ , σ )  e
σ 2π
Donde:
−∞ < 𝑋 < +∞ 𝜎>0

−∞ < 𝜇 < +∞ ℮ = 2.7182
𝜋 = 3.1416
𝜇: 𝑀𝑒𝑑𝑖𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙
𝜎: 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟

DISTRIBUCIÓN
• Efectos de  y 2 en la función de densidad de una variable
aleatoria normal.
• Funciones de densidad de dos

distribuciones normales con medias 5
y 6; ambas distribuciones tienen
varianza 1.

DISTRIBUCIÓN
• Efectos de  y 2 en la función de densidad de una variable
aleatoria normal.
• Funciones de densidad de dos

distribuciones normales con
varianzas 1/4 y 1; ambas
distribuciones tienen media 10.

DISTRIBUCIÓN
Como función de probabilidad se asume

que el área encerrada por la curva y el eje
X es igual a 1.
P( a  X  b ) = área entre a y b

FUNCIÓN DE
DISTRIBUCIÓN ACUMULADA
 Si X es una variable aleatoria normal con media  y varianza 2.
 Es decir, X  . Entonces su distribución de probabilidad
acumulada es: N (  , 2 )
F ( x0 )  P ( X  x0 )
𝑥𝑜 1 𝑥𝑜−𝜇 2
1
𝐹 𝑥0 = ℮−2( 𝜎 ) 𝑑𝑥𝑜 x0
−∞ 𝜎 2𝜋
• Para una variable aleatoria continua X, la probabilidad de que X tome un valor

menor o igual que x0 está determinada por el área comprendida entre la curva y el
eje de abscisas desde - hasta x0.
DISTRIBUCIÓN
NORMAL ESTANDARIZADA
• La distribución Normal puede simplificarse, haciendo un cambio de
variable; es decir transformando la variable original X en una nueva
variable aleatoria Z mediante la relación:
𝑋 − 𝜇
Z=
Es decir:
𝜎
X  N ( X ,  , 2 ) ZN(Z,0,1)
0  =0
2 > 0 2 = 1
DISTRIBUCIÓN
Esta transformación constituye la estandarización de la curva

normal, cuya función de probabilidad es:
2
z

1 2
f(z)  e
2π

DISTRIBUCIÓN
La gráfica de la función densidad, conocida como campana de
Gauss, para la variable normal tipificada o estándar, definida
para y es:

TABLAS DE DISTRIBUCION Z
TABLA ACUMULADA DE -∞ hasta X

TABLAS DE DISTRIBUCION Z
TABLA ACUMULADA DE -∞ hasta X a partir de 0

TABLAS DE DISTRIBUCION
TABLA ACUMULADA DE 0 hasta X

USO LA TABLA N ( 0,1)
• Uso de la tabla de la distribución normal para averiguar p=FZ(z),
dado z>0

Suponga que z=1.66.
1. Calcular la probabilidad de que Z<1.66
Se descompone el número en
1.6+0.06,
y se busca en la intersección:

1.66 0.06
1.6
el resultado es 0.9515.
2. Si z<0 TABLA ACUMULADA DE -∞ hasta Z a partir de 0
• En ese caso,
P(Z<z) = P(Z>-z) = 1-P(Z<-z) = 1- FZ(-z);
• Por ejemplo:
• Calcular la probabilidad de que Z sea menor que –1.38
• Según la tabla, a 1.38 le corresponde 0.9162,
• luego el valor que buscamos es 1- 0.9162 = 0.0838.
0.9162 0.0838 0.0838

TABLA ACUMULADA DE -∞ hasta Z a partir de 0

3. Si p>0.5, hallar el valor z tal que P(Z<z)=p
• Por ejemplo:
• Si p=0.71. Hallar el valor de z
• Se busca en la tabla la o las celdas que más se aproximen a este valor.

• Se sabe que el valor z está entre 0.55 y 0.56, mirando la fila y columnas
implicadas.
• Por regla de 3 simple se puede aproximar bastante:
(0.56-0.55) (z-0.5)
0.7123-0.7088) (0.71-0.7088)
z = 0.55+(0.56-0.55)(0.71-0.7088)/(0.7123-0.7088)
= 0.5534

TABLA ACUMULADA DE -∞ hasta X a partir de 0
4. Si p<0.5, hallar el valor z tal que P(Z<z)=p

• Se trata de aplicar otra vez la inversión de antes: tomamos 1-p (que ya será
mayor que 0.5)
y buscamos en la tabla;
luego cambiamos el signo al valor hallado.
Ejemplo:
Si p=0.09.
Tomamos 1-0.09=0.91
Buscar el correspondiente a 0.91, el cual
será un valor muy próximo a 1.34.
Luego, el valor z será aproximadamente
–1.34. 79
ING. WILLIAM LEON V.

EJERCICIO Nº 1
1.- En un proceso industrial el diámetro de un balero es una importante parte

del componente.
El comprador establece en sus especificaciones que el diámetro debe ser
3.0  0.01 cm.
La exigencia es que no se acepta ningún balero que se salga de esta
especificación.
Se sabe que en el proceso, el diámetro de un
balero tiene una distribución normal con una
media de 3,0 y una desviación estándar de
0,005.
En promedio, ¿qué porcentaje de baleros
fabricados se descartarán?
80
ING. WILLIAM LEON V.
EJERCICIO Nº 1
N(µ;σ)=N(3.0 ; 0.005)
diámetro : x 3,0  0,01
P(2.99<=X<=3.01)
𝑋−𝜇
𝑍=
𝜎 3.01−3 2.99−3
𝑍= = 2 𝑍= = -2
0.005 0.005
P(-2<=Z<=-2)
 P z  2  P  z  2 
-2 0 2
EJERCICIO Nº 1
 P z  2  P  z  2 
 0, 97725  0, 02275  0, 9545
 1  0, 9545  0, 0455
 4, 6 %
En promedio se descartaran un 4.6 % de los baleros

EJERCICIO Nº 2
2.- Un análisis estadístico de 1500 llamadas telefónicas de larga

distancia realizadas desde una gran oficina, indica que la
duración de esas llamadas tiene una distribución normal con
media 129.5 segundos y desviación estándar 30 segundos.
Se desea saber lo siguiente:

EJERCICIO Nº 2
a) ¿Cuál
es la probabilidad de que una llamada particular haya durado entre 89,5
y 169,5 seg?
  129.5'   30' ' N  1500
P(89.5<= X <=169.5)
169.5−129.5 89.5−129.5
𝑍= = 1.33 𝑍= = -1.33
0.005 0.005 89.5 129.5 169.5
P(-1.33<= Z <=1.33)
P(X<=1.33) - P(X<=-133) -1.33 0 1.33

EJERCICIO Nº 2
= P(X<=1.33) - P(X<=-133)
= 0.9082 - 0.0918) = 0.81648
P(89.5<= X <=169.5)=0.81648 89.5 169.5

La probabilidad de que las llamadas hayan durado entre 89.5 y 169.5 es del 81.65%

EJERCICIO Nº 2
b)¿Cuántas llamadas duraron menos de 60 seg. o más de 150 seg.?
-2.32 0.68
N   P ( X  60 )  P ( X  150 )   N   P ( Z   2,32 )  P ( Z  0,68 ) 

 1500   P ( Z   2,32 )  ( 1  P ( Z  0,68 ) 
 1500   0,01017  ( 1  0,75175 )   388

EJERCICIO Nº 2
c) ¿Qué porcentaje de llamadas duró entre 100 y 120 seg?
P (100  X  120 )  P (  0,98  Z   0,32 )

 P ( Z   0,32 )  P ( Z   0,98 )
 0,37448  0,16354  0,21094
 0,21094  100  21,09 %

EJERCICIO Nº 2
d) ¿Cuál
debe ser la duración de una llamada particular si sólo 1% de
todas las llamadas son más cortas?
x  129,5
P ( X  x )  0,01   2,32
30
 x  129,5 
P Z    0,01 x  59,9
 30 
 2,32  F ( z )  0,00990

APROXIMACIÓN DE LA
DISTRIBUCIÓN BINOMIAL POR LA NORMAL
En la práctica:
• Cuando n es bastante grande y la probabilidad de la experiencia de
Bernouilli no es muy próxima ni a 0 ó 1, la aproximación entre
ambas distribuciones es bastante aceptable.
• También es aceptable la aproximación, aunque n no sea muy
grande, si la probabilidad p está cerca de 0,5.
• Abraham de Moivre demostró que una variable aleatoria

binomial, B(n; p), tiende a una variable normal con media
μ=np y desviación típica 𝜎 = 𝑛𝑝(1 − 𝑝) , si el número de
si repeticiones n tiende a infinito.
APROXIMACIÓN DE LA
DISTRIBUCIÓN BINOMIAL POR LA NORMAL
• Este criterio hace que se acepte la aproximación de una binomial por una normal cuando
n>10 si la probabilidad p está cerca de 0,5.
• También se aceptará cuando la probabilidad es pequeña (o muy grande) si el número de
repeticiones es grande.
• Cuando el producto no es mayor que 37 la aproximación es buena hasta el segundo decimal.
• Según el autor que se consulte existe un criterio práctico más o menos

exigente para aceptar la aproximación de una distribución binomial B(n;p) por
una normal N(np; 𝜎 = 𝑛𝑝(1 − 𝑝) ).
• Uno de los más extendidos, que va a ser el que se utilizará, consiste en exigir
que: np≥5, n(1-p)≥5.

CORRECCIÓN DE CONTINUIDAD
• Cuando se sustituye una distribución binomial por su aproximación normal estamos

cambiando una variable aleatoria discreta (a la que a partir de ahora designaremos X) por
una continua (a la que denominaremos Y).
• En las variables discretas tiene sentido preguntarnos por el valor de P(X=k) pero no en las
continuas en las que P(Y=k)=0. También es distinto calcular P(X>k) que P(X≥k) en una
distribución discreta pero es lo mismo en una continua.
• Para resolver este problema se debe hacer lo que se denomina una corrección de
continuidad para asegurarnos de incluir o excluir los valores que se están estudiando.

CORRECCIÓN DE CONTINUIDAD
• En la siguiente tabla se observa la forma que se debe replantear las

preguntas al pasar de la variable X a la variable Y que la aproxima:
Variable binomial Variable normal
P(X=k) P(k-0,5<Y<k+0,5)
P(X<k) P(Y<k-0,5)
P(X≤k) P(Y<k+0,5)
P(X>k) P(Y>k+0,5)
P(X≥k) P(Y>k-0,5)
P(k'<X≤k) P(k'+0,5<Y<k+0,5)

EJERCICIO RESUELTO
• Considerar la variable aleatoria X que se distribuye de acuerdo con la distribución
binomial B(40; 0,48)
Se desea saber si se puede aproximar por una normal.
Se verifica si cumple los requisitos:
– np = 40*0.48 = 19.2 ≥ 5 y
– n(1-p) = 40*(1-0.48) = 40*0.52 = 20.8 ≥5
Luego
• Cumple los requisitos para poder ser aproximada mediante una normal.
EJERCICIO RESUELTO
• Por lo tanto se puede calcular las siguientes cálculos:
• Media:
• µ = np = 40 * 0.48 = 19.2
• Desviación estándar:
• 𝜎= 𝑛𝑝 1 − 𝑛𝑝 = 40 ∗ 0.48 ∗ 0.52 ≅ 3.16
EJERCICIO RESUELTO
• Luego B(40; 0,48) se puede aproximar mediante la distribución normal
N(19,6; 3,16).
• Se va hacer la corrección de continuidad precisa para contestar a las

siguientes cuestiones:
a) P(X=12)
b) P(X<15)
c) P(12≤X<30)
d) P(X≥32)
EJERCICIO RESUELTO
• Lo primero que se tiene que hacer es trasformar la variable aleatoria
binomial X por la variable aleatoria normal Y:
a) P(X=12) = P(12-0,5≤Y≤12+0,5) = P(11,5≤Y≤12,5)
b) P(X<15) = P(Y<15-0,5) = P(Y<14,5)
c) P(12≤X<30) = P(12-0,5<Y<30-0,5) = P(11,5<Y<29,5)
d) P(X≥32) = P(Y>32-0,5) = P(Y>31,5)
EJERCICIO RESUELTO
• Luego para utilizar la tabla z, se tiene que tipificar

a) P(X=12) = P(12-0,5≤Y≤12+0,5) 𝑋 − 𝜇
= P(11,5≤Y≤12,5) Z=
𝜎
N(19,6; 3,16).
12.5 −19.6
Z= = -2.25
11.5 −19.6 3.16
Z= = -2.56
3.16
EJERCICIO RESUELTO
• Luego se debe utilizar la tabla z, para responder con la probabilidad de la variable
aleatoria normal Y:
N(19,6; 3,16).
11.5 −19.6
Z= = -2.56
3.16
12.5 −19.6
Z= = -2.25
3.16
P(Y)=0.0122-0.0052= 0.007
EJEMPLO 1
Se tiene un grupo de datos que siguen una distribución binomial con B(150, 0.45), calcular P (x ≥ 60).
Se verifica si se puede ajustar a la normal con n.p y n.q
n.p = 150*0.45 = 67.5 > 5
n.q = 150*0.55 = 82.5 > 5
Calculo de la media y la desviación típica:
N(n.p , √(n.p.q) )
μ=n.p = 150*0.45 = 67.50
σ=√(n.p.q) = √(150*0.45*0.55) = √ 37.125 = 6,0930
B(150, 0.45)  N(67.5, 6.093)  N(0,1)
P(x ≥ 60) = P(y≥ 59.5) = P [ z ≥ (59.5 – 67.5) / 6.0930)] =
= P ( z ≥ - 1.31) =1- P ( z ≤ -1.31) = 0.9049 .
La probabilidad es 90.49%
EJEMPLO 2
El 1% de los autos fabricados por una empresa son defectuosos. En un lote de 5000 autos, ¿cuál es
la probabilidad de que haya más de 60 autos
Es una binomial B(5000, 0.01)
Se verifica si se puede ajustarla a una normal:
n.p = 5000*0.01 = 50 > 5
n.q = 5000*0.99 = 4950 > 5
Calculo de la media y la desviación típica:

μ=n*p = 5000*0.01 = 50
σ=√(n.p.q) = √(5000*0.01*0.99) = √ 49.5 = 7.03
B(5000, 0.01)  N(50, 7.03)  N(0,1)
P(x > 60) = P(x’ > 60.5) = P [ z >(60.5 – 50) / 7.03] =

= P ( z > 1.49) = 1 - P ( z ≤ 1.49) = 1 –0.9319 = 0.0681
La probabilidad de que Hayan mas de 60 autos defectuosas

ING. WILLIAM LEON V. es de 6.81% 100
EJEMPLO 3
En una urna hay 3 bolas rojas, 2 blancas y 5 verdes. Sacamos una bola, anotamos
su color y la devolvemos a la urna. Si repetimos la experiencias 50 veces, ¿cuál es
la probabilidad de sacar roja en más de 20 ocasiones?.
Probabilidad de sacar roja: P ( R ) = 3 / (3+2+5) = 0,30

Éxito: p = 0,30 , donde n = 50 veces que repetimos el experimento.
Es una binomial B(50, 0.3)

Se puede calcular P(X>20) por la fórmula,
pero sería muy laborioso al tenerla que repetir 20 ó 30 veces, ya que no hay Tablas
para n=50.

EJEMPLO 3
Se verifica si se puede ajustarla a una normal:
Efectuar los productos n.p y n.q
n.p = 50*0.30 = 15 > 5
n.q = 50*0.70 = 35 > 5
Al ser ambos mayores que 5 se puede realizar tal ajuste.
Se calcula la media y la desviación típica:

μ=n*p = 50*0.3 = 15
σ=√(n.p.q) = √(50*0.30*0.70) = √ 10.50 = 3.24
B(50, 0.30)  N(15 , 3.24)  N(0,1)
P(x > 20) = P(x’ ≥ 20.5) = P [ z ≥ (20.5 – 15) / 3.24] = P ( z ≥ 1.6975)

= P ( z ≥ 1.70) = 1 - P ( z ≤ 1.70) = 1 – 0.9554 = 0.0446
La probabilidad de sacar roja en más de 20ING.

ocasiones es de 4.46%
WILLIAM LEON V. 102
FIN
wjleonv@yahoo.com

Ey Pclase 08

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ey Pclase 08

Uploaded by

Copyright:

Available Formats

ESTADISTICA

Ing. William Jaime León Velásquez

9/21/2015 Ing. William León Velasquez 3

Ing William León Velásquez 5

Ing William León Velásquez 6

Ing William León Velásquez 8

Ing William León Velásquez 9

Ing William León Velásquez 10

 Sea X una variable aleatoria continua que toma

Ing William León Velásquez 12

 La probabilidad que la variable X tome los

Ing William León Velásquez 13

• Una función y=f(x) es una función de densidad de una variable

Ing William León Velásquez 14

Ing William León Velásquez 15

Ing William León Velásquez 16

Ing William León Velásquez 17

• La función de distribución F(x) es una primitiva de la función de densidad

Ing William León Velásquez 18

Ing William León Velásquez 19

1.- En una empresa comercializadora un virus informático aparece

Ing William León Velásquez 21

El promedio del tiempo que tiene que esperar el investigador es de 12 horas

donde X viene expresada en miles de unidades

La probabilidad de que el numero de unidades se encuentre en ese intervalo

El valor probable de unidades vendidas es de 5 unidades

La varianza del numero de unidades es de 4.17

a) Obtener la Función de Distribución, F(x)

b) Obtener: P( X ≤ 1.2) ; P ( X ≥ 0.8) ; P ( 1 < X < 1.5 )

Ing William León Velásquez 29

Ing William León Velásquez 30

Ing William León Velásquez 31

f(x) = x / 12, con 1 < x < 5.

Ing William León Velásquez 32

Ing William León Velásquez 33

• Sea X el ángulo a la vertical de la ﬂecha.

• La probabilidad de que gane es 0.25

• Anteriormente estudiamos la distribución Poisson X ~ P(λ) como

c) El número medio de fallos por mes son 3.

• La distribución normal es, la más

ING. WILLIAM LEON V. 49

• En virtud del Teorema Central del Límite, todas

ING. WILLIAM LEON V. 50

 Caracteres morfológicos de individuos

ING. WILLIAM LEON V. 52

ING. WILLIAM LEON V. 53

F(x) es el área sombreada de esta gráfica

ING. WILLIAM LEON V. 54

• Z se la denomina variable tipificada de X, y a la

ING. WILLIAM LEON V. 55

ING. WILLIAM LEON V. 56

La variable Z se la denomina variable tipificada de X,

ING. WILLIAM LEON V. 59

ING. WILLIAM LEON V. 60

ING. WILLIAM LEON V. 61

−∞ < 𝑋 < +∞ 𝜎>0

ING. WILLIAM LEON V. 62

• Funciones de densidad de dos

ING. WILLIAM LEON V. 63

• Funciones de densidad de dos

ING. WILLIAM LEON V. 64

Como función de probabilidad se asume

ING. WILLIAM LEON V. 65

σ=√(n.p.q) = √(1500.450.55) = √ 37.125 = 6,0930