UNIDAD

Modelos continuos
de probabilidad
Objetivos
Al finalizar la unidad, el alumno:

identificar cada uno de los modelos continuos

analizados
obtendr la esperanza, la varianza as como algunas
probabilidadesen ejemplosde los modelosanalizados
resolver problemas de aplicacin de variables aleatorias continuas e identificar el modelo de que se trate

Introduccin
D

e forma anloga a las variables aleatorias discretas, en la presente unidad se har

una clasificacin de los modelos continuos ms empleados en diferentes disciplinas. Este
estudio comienza con el modelo continuo mssencillo, el modelo uniforme. Este modelo se
caracteriza porque su distribucin es igual en todoslospuntos de un segmento, razn por
la que es muy empleado en simulacin, para el clculo de nmeros aleatorios que tengan
comportamiento uniforme.
Posteriormente se abordar el modelo exponencial, cuya distribucin es de una
funcin exponencial negativa, por lo que es muy empleado para los casos de lneas de
espera, asimismo guarda estrecha relacin con los modelos discretos de Poisson.
Para finalizar la unidad, se analizar el modelo normal, considerado el ms
importante, sin lugar a dudas, en el estudio de la estadstica y la probabilidad.
En cada modelo, se define en primer lugar, su funcin de densidad, pues es
fundamental (al igual que su funcin de distribucin acumulada) para diferenciar entre
s losmodelos continuos. Posteriormente, se formula y demuestra un teorema que incluye
la funcin de distribucin acumulada, su valor esperado y varianza de la variable continua
en estudio y, por ltimo, se resuelven algunos ejemplos del modelo.

8.1 Modelo uniforme continuo

En las distribuciones continuas se suele comenzar con un modelo sencillo, pero de gran
importancia en diferentes reas de estudio, donde las variables aleatorias se distribuyen
uniformemente en un intervalo finito. Un modelo probabilstico continuo es de tipo
uniforme cuando la variable aleatoria continua que en l se define est distribuida en el
intervalo finito [a, b], de tal forma que la probabilidad en un subintervalo cualesquiera
depende slo de su longitud, y, por consiguiente, su funcin de densidad depender de
los valores de las constantes a y b. Al formalizar el modelo, se tiene
Definicin 8.1
Dada X una variable aleatoria continua del experimento realizado, se dice que tiene una distribucin uniforme en el intervalo [a, b], cuando su funcin de densidad de probabilidad (fdp) es

f (x)

1
, a x b
b a
0,
en otro lugar

Fcilmente se comprueba que la funcin anterior es efectivamente de densidad de

probabilidad, puesto que no es negativa y la integral en todos los nmeros reales vale 1.
El clculo de dicha integral se reduce al rea del rectngulo con base igual a b a y altura
1/ (b a), como se muestra en la figura 8.1.

234

Teorema 8.1
Si X es una variable aleatoria continua con distribucin uniforme en
densidad de probabilidad, entonces
a)

E(X )

a b
2

b)

V (X )

(b a)2
12
0,

c)

F(x)

[a, b] y, f(x) es su funcin de

x a

x a
, a x b
b a
1,
x b

Empleando las frmulas para el valor esperado, la varianza y la funcin de distribucin

acumulada (fda) de una variable aleatoria continua X
b

x2
xf ( x)dx
xdx
b a
b a 2
a

E(X )

Observacin

x b

x a

1
(b2 a2 )
2(b a)

a b
2

El clculo de E(X) tiene fundamento geomtrico, puesto que dada la definicin de una
variable aleatoria continua con distribucin uniforme, su valor esperado representa el
punto medio del segmento [a, b], es decir
a b
2

Se demuesta la expresin para la varianza

b

V(X )

(a b) 2
x dx
b a
4
a

x f ( x)dx E ( X )
3

b a
3(b a)

2ab b
4

x3
3(b a)

ab a
3

2ab b
4

x b

a2

x a

2ab b2
4

(b a) 2
12

El clculo de F(x) se deduce de la definicin de una funcin de distribucin

acumulada (fda).
A continuacin se presentan las grficas de las funcionesdedensidad y acumulada de
una variable continua con distribucin uniforme.
f (x)

F(x)
1

[a, b]

b a
[
a

]
b

235

Notas

para resolver problemas sobre probabilidadesde variables aleatorias continuas se utiliza:

a) su funcin de densidad de probabilidad (fdp)
b) su funcin de distribucin acumulada (fda)

Ejemplo 1

los modelos de distribucin uniformes son los ms sencillos de resolver, debido a

que el clculo de sus probabilidades se puede realizar geomtricamente por una
simple divisin de longitud de segmentos, ya que la integral con dicha funcin de
densidad (rea bajo la curva), es equivalente al clculo del rea de un rectngulo
con altura 1/ (a b) y base igual a la longitud del intervalo, en el que se calcula la
probabilidad.

1. Supngase un experimento en el que de alguna manera se hace una medicin al azar

y sta tiene distribucin uniforme en el intervalo [0, 3]. Calcula la probabilidad de que
la medicin est entre 3/ 2 y 2
a) por medio de su funcin de densidad
b) por medio de su funcin acumulada
a) Dada X la variable aleatoria continua definida en el experimento. Como se
mencion en las condiciones del problema, X tiene una distribucin uniforme en
[0, 3] y, por tanto, su funcin de densidad estar dada por
1
, x
3 0
x
0,

f (x)

0, 3
0, 3

1
, x
3
0, x

0, 3
0, 3

La probabilidad se calcula por

2

P(1.5 X

2)

1
2 1.5
dx
3 1.5
3

1
6

b) De forma similar al inciso a), se tiene, por el teorema 8.1, que su funcin
acumulada de X estar dada por
0,
F( x)

por tanto, la probabilidad P(1.5 X

P(1.5 X

0,

x 0

x 0
, 0 x 3
3 0
1,
x 3

2) F(2) F(1.5)

x 0

x
, 0 x 3
3
1, x 3

2) se puede calcular de la siguiente manera

2 1.5
3 3

2 1.5
3

0.5
3

1
6

Adems de las dos formas anteriores, las cuales se pueden aplicar a cualquier
distribucin continua, en este tipo de modelosse puede recurrir a su interpretacin
geomtricarealizando unadivisin entresegmentos, como semuestraacontinuacin.
Se tiene el segmento [0, 3], donde se encuentra distribuida toda la variable
X. Del mismo modo, se representa el segmento [1.5, 2] en lamismarecta
la misma recta y se hace
un cociente con las longitudes de los dos segmentos para calcular la probabilidad
correspondiente.

236

1.5

P(1.5 X

2)

2 1.5
3 0

1
6

2. Un satlite que ha cumplido su ciclo en rbita alrededor de la Tierra est a punto

de caer en ella, los especialistas calcularon su cada en algn lugar entre los puntos
P y Q. Si su comportamiento es uniforme, se calcula la probabilidad de que la
distancia con respecto a P sea ms de cuatro veces la distancia con respecto a Q.
Se representa grficamente el problema, uniendo los puntos P y Q en lnea
recta y simbolizando a la longitud entre ellos por L. Se divide al segmento en dos
subsegmentos con longitudes x y L x
P

Lx

De las condiciones del ejercicio nos interesa conocer la probabilidad cuando

x 4(L x)

Agrupando las x del lado izquierdo, se tiene x + 4x 4L.

Y despus de despejar, resulta x 4/ 5L.
Por tanto, si calculamos la probabilidad requerida por una divisin entre
segmentos, se tiene
P X

4
L
5

4
L
5
L

1
L
5
L

1
5

Ejercicio 1
1. Supn que la variable aleatoria continua X tiene una distribucin de tipo uniforme
con su valor ms grande igual a seis y cuatro de valor esperado, calcula la varianza
de X.
2. Una compaa manufacturera tiene una mquina despachadora de refresco, la cual
suministra en forma aleatoria, con distribucin uniforme, entre 225 y 240 ml de
refresco, calcula la probabilidad de que la mquina despache ms de 235 ml.
3. Las ventas de combustible en una gasolinera tienen una media de 40 mil l diarios y
un mnimo de 30 mil l. Supn que una distribucin uniforme es apropiada.
a) calcula las ventas mximas diarias
b) calcula el porcentaje de das que las ventas excedern los 34 mil litros
4. Si se sabe que en un experimento discreto un dato se presenta en un intervalo de
20 min exactamente y que la forma de ocurrencia tiene una distribucin uniforme
en dicho intervalo, calcula la probabilidad de que el dato ocurra en los primeros
cuatro minutos del intervalo mencionado.
5. Supn un experimento en el que, de alguna manera, se hace una medicin al azar y
sta puede estar distribuida uniformemente en el intervalo [1, 3], calcula la probabilidad de que la medicin sea mayor a dos si se sabe que la medicin fue mayor a uno.

237

8.2 Modelo exponencial

En una gran parte de los modelos continuos relacionados con el tiempo podemos notar
que su distribucin es tal, que en los tiempos cercanos a cero tiene mayor acumulacin
y que conforme pasa el tiempo sta decrece rpidamente de forma similar a una funcin
exponencial negativa. Por ejemplo, en los modelos relacionados con las lneas de espera
es comn que en los primeros instantes el cliente tenga una mayor probabilidad de ser
atendido que despus de un tiempo transcurrido. Se dice que un modelo probabilstico
continuo que describe apropiadamente tales fenmenos es de tipo exponencial cuando
la variable aleatoria continua X est distribuida en el intervalo [0, , de tal forma que su
funcin de densidad de probabilidad es una funcin de tipo exponencial negativa; tal y
como se ver en la siguiente definicin.
Definicin 8.2
Dada X una variable aleatoria continua del experimento realizado, se dice que tiene distribucin
cuando su funcin de densidad de
exponencial con parmetro positivo en el intervalo [0,
probabilidad (fdp) es

1
f ( x)

, x 0
en otro lugar

0,

Fcilmente se comprueba que la funcin anterior es efectivamente de densidad de

probabilidad, puesto que no es negativa y la integral en todos los reales vale uno.
1

f ( x)dx
0

dx

0 1 1

x 0

Los modelosexponenciales tienen una gran aplicacin en las lneas de espera o en la

teora de colas, ya que las distribuciones de tiempos son propicias para:

espera y llegada de clientes a un centro de servicios

espera para reparar un aparato
espera para ser atendidos en un banco
espera de pacientes para ser atendidos en una clnica
casosen losque se estudian lasduraciones de vida de componentes electrnicos;
resulta que generalmente tienen una distribucin tipo exponencial, como las
que muestran las figuras 8.2 y 8.3
duracin de equipos industriales para poder establecer tiempos de garantas

Los modelos exponenciales se emplean cuando la probabilidad de que la variable

aleatoria en estudio que ocurre en una unidad de tiempo sea igual a que suceda en
cualquier otra. Lo anterior significa que las variables aleatorias exponenciales son
invariantes en el tiempo.

238

Teorema 8.2
Si X es una variable aleatoria continua distribuida exponencialmente en [0,
densidad de probabilidad, entonces
a)
b)

= E(X) =
= V(X) =

0,
c)

y, f(x) su funcin de

x 0

F ( x)

1 e

, x 0

Del teorema anterior se puede deducir un corolario para calcular probabilidades de

variables con distribucin exponencial sin necesidad de calcular la integral.
Corolario
Dada X una variable aleatoria continua, con distribucin exponencial y parmetro
con a 0
a
a)

P( X

a)

b)

P( X

a) 1 e

, entonces

e
a
a

c)

P( a

b)

, con

b a 0

A continuacin se muestran las grficas de la distribucin exponencial con

parmetro beta mayor y menor a uno.

239

Ejemplo

El tiempo de espera de los clientes en un restaurante para ser atendidos es una variable
aleatoria continua X con distribucin exponencial y media = 5 minutos.
a) se calcula la probabilidad de que la siguiente persona que entre al restaurante sea
atendida despus de seis minutos
b) si se sabe que una persona fue atendida despus de cuatro minutos, se calcula la
probabilidad de que haya sido atendida despus de seis minutos
c) se calcula la probabilidad de que la persona sea atendida despus de dos minutos y se
compara el resultado con el obtenido en el inciso b).
Como X est distribuida exponencialmente con parmetro = 5 se tiene
a) por el corolario del teorema 8.2
P( X

6)

6
5

b) por el corolario del teorema 8.2 y la probabilidad condicional, se tiene

P( X

6| X

4)

P (X

6)

(X

P( X

4)

4)

P( X
P( X

6)
4)

6
5

4
5

2
5

c) por el corolario del teorema 8.2

P( X

2)

2
5

Esta probabilidad coincide con la del inciso b).

Observacin

El resultado del inciso b) se puede generalizar y muestra (al igual que se hizo con el
modelo geomtrico) que la distribucin exponencial no tiene memoria. Es decir, para
cualesquier a y b, se cumple P(X a b| X a) P(X b). Esto ltimo quiere decir que
si comparamos las probabilidades de duracin de un componente usado, el cual tiene
una distribucin exponencial, la probabilidad de que opere por lo menos t unidades de
tiempo adicionales debe de ser igual a la probabilidad cuando un componente nuevo de
tal tipo opere al menos las mismas t unidades de tiempo que el viejo.

8.2.1 Relacin entre la distribucin exponencial y la de Poisson

Como se analiz en la unidad 6 y en la seccin anterior de esta unidad, esposible establecer
cierta relacin entre la distribucin exponencial y la de Poisson:
Teorema 8.3
Si los resultados de un experimento ocurren en el tiempo y siguen una distribucin de Poisson
con media = t, entonces el tiempo T entre dos resultados cualesquiera sigue una distribucin
exponencial con parmetro = 1/ .

240

Ejemplo 3

En un crucero, el nmero de accidentes se representa por una distribucin de Poisson con

promedio de tres por mes, se calcula la probabilidad de que el tiempo entre un accidente y
el siguiente sea mayor de medio mes.
Se emplea el teorema 8.3 con
3

accidentes
mes

nos interesa la probabilidad en un intervalo t = medio mes. De la relacin que existe

entre los parmetros y : 1/ = , y el modelo exponencial, se tiene
P(T

0.5) e 3

0.5

e 1.5

0.2231

Ejercicio 2
1. Se ha hecho un estudio sobre el tiempo de espera de losusuarios en cierto banco del
D. F.; se obtuvo que el tiempo promedio de atencin a un usuario entre las 9 y las
12 horas de un da normal es de 10 min, y que el tiempo de espera en ser atendido
se distribuye exponencialmente, calcula la probabilidad de que si vas a dicho banco
en un da normal a las 10:20 seas atendido
a) en menos de 5 min
b) en ms de 10 min
2. El periodo de vida en aos de un interruptor elctrico tiene una distribucin
exponencial con promedio de falla de = 2 aos, calcula la probabilidad de que un
interruptor falle despus del segundo ao.
3. Un motor elctrico tiene una vida media de seis aos. Si la vida til de ese tipo de
motor se considera como una variable aleatoria distribuida en forma exponencial,
cul es el tiempo de garanta que debe tener el motor si se desea que a lo ms 15%
de los motores falle antes de que expire su garanta.
4. Supn que la llegada de los automviles a una caseta de cobro de una autopista
tiene una distribucin de Poisson con razn de dos autos por minuto, calcula la
probabilidad de que el revisor permanezca por lo menos 20 segundos desocupado.
5. En un almacn particular los clientes llegan al mostrador de caja conforme una
distribucin de Poisson con promedio de siete por hora, calcula la probabilidad de
que entre un cliente y el siguiente pase al menos una hora.

8.3 Modelo normal

Finalmente, hemos llegado al estudio de uno de los modelos continuos con mayor
aplicacin en la estadstica y la probabilidad, el modelo normal. Esta distribucin fue
descubierta por Carl Friedrich Gauss1 y en algunos trabajos se le conoce como Ley
1

Carl Friedrich Gauss, naci en Brunswick en 1777 y muri en Gotinga en 1855. Fue matemtico, astrnomo
y fsico; fue autor de una gran cantidad de trabajos de mecnica celeste, de geodesia y sobre magnetismo, electromagnetismo y ptica. Su concepcin moderna de la naturaleza abstracta de las matemticas le permiti
ampliar el campo de los nmeros. Descubri la geometra hiperblica no euclidiana.

241

de probabilidad de Gauss. Segn sta, una magnitud sufre la influencia de numerosas

causas de variacin, todas ellas muy pequeas e independientes entre s, los resultados
se acumulan alrededor de la media, distribuyndola simtricamente a su alrededor con
una frecuencia que disminuye rpidamente al alejarse del centro. Por tanto, la curva que
asemeja dicho comportamiento tiene forma de campana y es la representacin grfica de
una distribucin de esta clase (ver figuras 8.4, 8.5 y 8.6).
Definicin 8.3
Dada X una variable aleatoria continua, se dice que X tiene una distribucin normal o de Gauss
cuando su funcin de densidad de probabilidad es

f (x)
con parmetros

1
e
2

(x
2

)2
2

en x

( , )

en todos los nmeros reales.

Los modelos con distribucin normal se caracterizan por la forma de la grfica de

su funcin de densidad.
La grfica de la distribucin normal tiene forma de campana, como muestra la
figura 8.4.
f (x)
1.1

E (X) =

0.9
0.7
0.5

Segmento de longitud

0.3

V(X) =

0.1

x
0.1

En la grfica anterior, se puede apreciar que la recta x = es el eje de simetra de la

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

242

Teorema 8.4

Dada X una variable aleatoria continua distribuida normalmente en (

densidad de probabilidad, entonces
a) E(X) =
b) V(X) =

)y

f(x) su funcin de

8.3.1 Clculo de probabilidades

Como se mencion anteriormente, la distribucin de Gauss tiene una gran importancia
en el estudio de la estadstica y la probabilidad, por consiguiente tambin es importante
tener un anlisis detallado sobre su comportamiento para el clculo de probabilidades.
De los cursos de clculo, se sabe que la integral de la funcin
1
e
2

f (x)

(x
2

)2
2

no se puede resolver con base en funciones elementales. Por tanto, cuando la integral
es definida slo podemos aproximar sus valores por medio de alguno de los mtodos
numricos: del trapecio, de Simpson 1/ 3, de cuadratura de Gauss, etctera.
De lo anterior, es posible notar que el clculo de probabilidades resultara bastante
complicado para este tipo de distribucin, pero debido a su importancia se tienen tablas
y programas para calcular las probabilidades. Desde luego, como es de suponerse, se
requiere de algn mtodo, con el que no se tengan que resolver integrales para diferentes
valores de y .

El problema anterior se resuelve con el cambio de variable aleatoria

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

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

representa un desplazamiento del eje de las ordenadas (ver figura 8.5); mientras que la
divisin entre la desviacin estndar influye en la amplitud de la funcin (ver figura 8.6).

Se puede apreciar que lasdosgrficasson iguales, slo cambia la posicin del eje de las
ordenadas. En las grficas siguientes cambiar su amplitud: a mayor varianza mayor amplitud.

243

Cuando se realiza la estandarizacin resulta

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

y su grfica se muestra en la figura 8.7.

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

poblacin. Si se trabaja con una muestra en lugar de una poblacin y se desconoce ,
entonces la variable Z puede aproximarse mediante la distribucin
X

s
n

donde es la media de la poblacin, s es la desviacin estndar de la muestra y n es su

tamao.
En el caso de que se conozcan y , y el tamao de la poblacin es grande, se
emplea la frmula
Z

Ambas frmulas se analizarn detalladamente en la unidad 10.

La integral para la funcin acumulada dela variablealeatoria Z, es decir, la distribucin
normal en su forma estndar, se calcula por
F ( z0 )

1
2

z0

z2
2 dz

Para el clculo de probabilidades se emplean las propiedades siguientes de la

distribucin y la tabla de la normal estndar.

244

8.3.2 Propiedades de la distribucin normal estndar

Debido a que la distribucin normal estndar juega un papel muy importante en la
estadstica y la probabilidad, y como el clculo de sus probabilidades no es tan simple, se
requiere el uso de tablas (se vern ms adelante) y algunas propiedades de la distribucin
para poder efectuar los clculos.
1. Propiedad de simetra. La funcin f(z) es simtrica con respecto al eje de las
ordenadas; es decir, P(Z Z0) = P(Z Z0).
2. Propiedad del complemento. En los casos de P(Z Z0) se puede emplear la
simetra, inciso a), o el complemento; es decir, P(Z Z0) = 1 P(Z Z0).

8.3.3 Uso de tablas de la funcin acumulada

Como se mencion, el uso de tablas o de algn programa para calcular probabilidades
es fundamental en la solucin de ejercicios. Por tanto, para homogeneizar el uso de
tablas que se emplearn en esta unidad se muestra su uso con base en las tablas que se
encuentran al final del texto y tienen el siguiente aspecto
(Z )

1
2

x2
2

e dx

D(Z)

1
2

x2
2

e dx
Z

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

por medio de la funcin (z). Para facilitar el clculo de probabilidades en intervalos
simtricos, en las tablas existe otra funcin
D ( z0 )

1
2

z0

z2
2 dz

( z0 )

( z0 )

z0

En lastablaslosbloquesestn divididosen cuatro columnas. La primera corresponde

a valores de Z que varan de centsima en centsima desde 0 hasta 3.59. La segunda
corresponde a los valores de la funcin acumulada hasta valores negativos de Z, mientras
que en la tercera se tiene la funcin acumulada de valores positivos de Z. Finalmente, la
cuarta columna se refiere a la probabilidad en intervalos simtricos con extremos Z y Z.
Por tanto, el clculo de probabilidades, con base en estas funciones y las propiedades anteriores, se puede efectuar de la siguiente forma
1. P(Z Z0) = (Z0)
2. P(Z Z0) = P(Z Z0) = (Z0)

245

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

4. P(a Z b) = (b) (a)
En los siguientes ejemplos se emplearn ambas funciones (z) y D(z).
Ejemplo 4

1. Dada Z una variable aleatoria continua con distribucin normal estndar, se calculan
las probabilidades indicadas
a) P(Z 1.25)

(1.25) 0.8944

0.8944

1.25

b) P(Z

0.86)

c) P(Z

1.03) 1 P(Z

P(Z

( 0.86) 0.1949

1.03) 1

1.03) P(Z 1.03)

( 1.03) 1 0.1515 0.8485 o

(1.03) 0.8485.

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

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

f) P( 0.67 Z 1.24)
(1.24)
( 0.67) 0.8925 0.2514 0.6411

246

g)
h)
i)
j)

P(0.06 Z 3.04)
(3.04)
(0.06) 0.9988 0.5239 0.4749
P(Z
4.5)
( 4.5) 0
P(Z 5)
(5) 1
P(0.06 Z 5.1)
(5.1)
(0.06) 1 0.5239 0.4761

2. Dada X una variable aleatoria continua con distribucin normal, se calculan las
probabilidades indicadas
a) E(X) = 4 y V(X) = 9; se calcula la probabilidad P(X 7).
Para esto, primero se realiza la estandarizacin de la variable X y despus
empleamos las tablas de la distribucin normal estndar.
P( X

7)

4
9

P Z 1

7 4
3
P Z

( 1)
0.1587

b) E(X) = 3 y = 2.5; se calcula la probabilidad P(1 X 5).

Para esto, primero se realiza la estandarizacin y despus se emplean las tablas
de la distribucin normal estndar.
P( 1 X

5)

1 3
2.5

X 3
2.5

5 3
2.5

1.6 Z

0.8

(0.8))

( 1.6)

0.7881 0.0548 0.7333

8.3.4 Uso de tablas porcentuales

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

1
2

x2
2

e dx

D(Z)

1
2

x2
2

e dx
Z

247

(Z)

D(Z)

(Z)

D(Z)

0.6
0.7

2.512

0.008

5.6

1.589

0.070

10.6

2.457

0.009

5.7

1.580

0.071

10.7

0.8

2.409

0.010

5.8

1.572

0.073

0.9

2.366

0.011

5.9

1.563

0.074

(Z)

D(Z)

1.248

0.133

15.6

1.243

0.135

15.7

10.8

1.232

0.136

10.9

1.232

0.137

(Z)

D(Z)

1.011

0.197

20.6

1.007

0.198

20.7

15.8

1.003

0.199

15.9

0.999

0.201

(Z)

D(Z)

(Z)

D(Z)

0.820

0.261

25.6

0.656

0.327

0.817

0.262

25.7

0.653

0.328

20.8

0.813

0.264

25.8

0.650

0.329

20.9

0.810

0.265

25.9

0.646

0.331

En las tablas, los bloques estn divididos en tres columnas. La primer columna
corresponde a las probabilidades dadas en porcentajes que varan en dcimas de
porcentaje, desde 0.0 hasta 99.9. La segunda corresponde a los valores de Z, cuya funcin
acumulada proporciona el porcentaje de la primera. Mientras que la tercera corresponde
a los valoresde Z con intervalos simtricos (extremos Z y Z), tales que la probabilidad en
este intervalo es igual al porcentaje de la primer columna (ver los siguientes ejemplos).
Ejemplo 5

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

0.108

Z
Z0

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

las tablas porcentuales se tiene
z0 = Z( ) = 1.237; esto es P(Z 1.237) = 0.108

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

Como las tablas porcentuales muestran los valores para la funcin acumulada
de menos infinito hasta el valor indicado, se tiene que emplear la propiedad del complemento; es decir, P(Z z0) = 1 P(Z z0) = 5%; donde necesitamos P(Z z0) = 95%.
z0 = Z( ) = 1.645; esto es P(Z 1.645) = 0.05
Este ejercicio tambin se puede resolver empleando la propiedad de simetra
P(Z z0) = P(Z z0) = 5%, de donde z0 = 1.645. Es decir, z0 = 1.645.
0.05

0.95
Z0 = 1.645

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

Para esto, primero se realiza la estandarizacin y despus se emplean las tablas
porcentuales de la distribucin normal estndar.
75%

Z
Z0 = 0.674

248

P(X

x0 ) P

x0

4
3

se tiene z0 = 0.674; por otro lado

x0

z0

P(Z z0 ) 75%

Al despejar x0, se tiene: x0 = 4 + 3z0 = 4 + 3(0.674) = 6.022. Es decir, P(X 6.022) =

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

x0 ) P

3.5
1.5

x0 3.5
1.5

z0

x0 3.5
1.5

P(Z z0 ) 0.10

donde

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

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

95) P
P(X

X 100
4

95 100
4

95) 1 P(X

P(Z

95) 1 0.8944

1.25) 0.8944
0.1056

El valor esperado estar dado por

Ganancia esperada = P(X

95)

25 + P(X

95)

10 = 0.8944

25 + 0.1056

10 = $23.416

Ejercicio 3
1. Si la calificacin promedio de un grupo es 6.43, con desviacin estndar de 1.91, y se
supone que la distribucin de lascalificaciones esaproximadamente normal, calcula
la probabilidad de que en este examen un alumno apruebe (nota: la calificacin
mnima aprobatoria es 6).
2. El dimetro de los pernos de una fbrica tiene una distribucin normal con media
de 950 mm y una desviacin estndar de 10 mm.

249

a)
b)

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

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

3. Se supone que los resultadosde un examen tienen una distribucin normal con una
media de 78 y una varianza de 36.
a)
b)

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

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

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

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

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

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

normal con una media de 8 kg y 0.9 kg de desviacin estndar, calcula la fraccin
de estos perros con peso
a) arriba de 9.5 kg
b) cuando mucho 8.6 kg
c) entre 7.3 y 9.1 kg, inclusive
6. Una fbrica produce pistones, cuyos dimetros se encuentran distribuidos en forma
normal con dimetro promedio de 5 cm y desviacin estndar de 0.001 cm. Para
que un pistn sea til, su dimetro debe encontrarse entre 4.998 y 5.002 cm. Si el
dimetro del pistn es menor de 4.998 se desecha, y si es mayor de 5.002 se puede
reprocesar. Si en la fbrica se producen mensualmente 20 mil pistones, calcula
a) cuntos pistones sern tiles
b) cuntos pistones sern desechados
c) cuntos pistones necesitan ser reprocesados
7. El tiempo necesario para armar cierta unidad es una variable aleatoria distribuida
normalmente con = 30 minutos, = 2 min, calcula el tiempo de armado de manera
tal que la probabilidad de exceder ste sea 0.02

8.4 Aproximacin de la normal a la binomial

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

250

Al aproximarse a la distribucin binomial de la variable aleatoria X por medio de

la normal, se debe considerar que la primera es una distribucin discreta, mientras que la
normal es continua. Por tanto, se debe hacer algunos ajustes al emplear la distribucin
normal; como se muestra en las dos figuras siguientes, la probabilidad en un punto k de la
distribucin binomial es igual al rea del rectngulo, con base uno y altura P(X = k); la cual
se aproxima al rea bajo la curva de la distribucin normal, desde k 0.5 hasta k + 0.5, con
k = 0, 1, 2,..., n y cuya media es E(X) = np y la varianza es V(X) = npq.
Definicin 8.4
Al valor 0.5 se le llama parmetro de correccin.

En las siguientes figuras se muestra la aproximacin a la binomial para n = 30

y p = 0.1 y n = 30 con p = 0.5, con sus correspondientes tablas de aproximaciones.

0.15

n = 30 p = 0.5

0.125
0.1
0.075
0.05
0.025

11

13

15

17

19

21

23

25

27

29

10

11

12

13

14

15

Normal

0.000

0.000

0.000

0.000

0.000

0.000

0.001

0.002

0.006

0.013

0.028

0.050

0.080

0.111

0.136

0.145

Binomial

0.000

0.000

0.000

0.000

0.000

0.000

0.001

0.002

0.006

0.013

0.028

0.051

0.081

0.112

0.135

0.144

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

Normal

0.136

0.111

0.080

0.050

0.028

0.013

0.006

0.002

0.001

0.000

0.000

0.000

0.000

0.000

0.000

Binomial

0.135

0.112

0.081

0.051

0.028

0.013

0.005

0.002

0.001

0.000

0.000

0.000

0.000

0.000

0.000

En los ejemplos anteriores se puede observar que la mejor aproximacin se obtiene

en las proximidades de la media, y con p = 0.5 es an mejor la aproximacin.

251

Ejemplo 6

Una fbrica de tapones para botellas de licor tiene 20% de produccin defectuosa
(rebabas, manchas, etc.). Los productores de licor deciden seguir comprando tapones
a la fbrica, si al inspeccionar aleatoriamente un lote de 200 tapones no se encuentran
ms de 25 defectuosos. Se calcula la probabilidad de que los productores no tengan que
cambiar de proveedor.
Dada la variable aleatoria X: cantidad de tapones defectuosos.
De la unidad 6 se sabe que X tiene una distribucin de tipo binomial, con n = 200 y
p = 0.20. Como la cantidad de ensayos es grande y np = 200 0.20 = 40, se emplear una
aproximacin a la normal con media E(X) = np = 40 y varianza V(X) = npq = 32.
P(X

25) P

0.5 np
npq

25 0.5 40
32

P(Z

2.56)

( 2.56) 0.0052

La probabilidad de que se encuentren 25 o menos tapones defectuosos es muy

pequea, significa que la probabilidad de tener ms de 25 defectuosos es demasiado
grande (1 0.0052 = 0.9948), por tanto, es muy probable que el productor de licor tenga
que cambiar de proveedor.
Observacin

En el ejemplo anterior se emple una aproximacin por medio de la normal; donde se

utilizaron valores de X negativos. Puesto que X 0 para la distribucin binomial, de
manera formal, solamente se debera calcular
P(0 X

25) P

0 0.5 40
32
( 2.56)

np
npq

25 0.5 40
32

P( 7.16 Z

2.56)

( 7.16) 0.0052 0.0000 0.0052

Generalmente en este tipo de problemas, los valores en las probabilidades de las

colas son tan despreciables que no se consideran.

Ejercicio 4
1. Una fbrica de tapones para botellas de licor tiene 15% de produccin de artculos
defectuosos (rebabas, manchas, etc.). Los productores de licor deciden seguir
comprando tapones a la fbrica, si al inspeccionar aleatoriamente diez lotes de 150
tapones, cada uno, no se encuentran ms de 25 defectuosos en cada lote; calcula la
probabilidad de que los productores del licor no tengan que cambiar de proveedor
de tapones.
2. Una compaa farmacutica sabe que aproximadamente 5% de sus tabletas para el
control natal tiene un ingrediente que est por debajo de la dosis mnima, lo que las
hace ineficaces, calcula la probabilidad de que ms de 30 tabletas en una muestra
de mil sean ineficaces.
3. Un cierto tipo de tornillo se fabrica con probabilidad de 0.05 de ser defectuoso,
calcula la probabilidad de que en los siguientes 400 tornillos existan menos de 25
defectuosos.
4. Supn que un sistema est constituido por 100 componentes, cada uno de los cuales
tiene 95% de confiabilidad. Si esos componentes funcionan independientemente
unos de otros y el sistema completo funciona correctamente cuando por lo menos 80
componentes funcionan, calcula la probabilidad de que el sistema completo funcione
correctamente.

252

Ejercicios propuestos
1. Una compaa manufacturera tiene una mquina despachadora de refresco, la cual
suministra de forma aleatoria, con distribucin uniforme, entre 225 y 240 ml de
refresco. Supn que cada vez que la mquina despacha refresco lo hace de manera
independiente, calcula la probabilidad de que la mquina despache, por lo menos en
dos de las siguientes diez veces, refrescos con ms de 235 ml.
2. Supn que X es una variable aleatoria con distribucin uniforme y E(X) = V(X) = 1,
calcula las funciones de densidad y la acumulada de X.
3. Supn que el peso de una persona seleccionada al azar de cierta poblacin tiene una
distribucin normal. Si se sabe que
P(X

160) = 1/ 2 y P(X

140) = 0.75

a) calcula la media y la varianza del peso

b) calcula P(X 200)
4. Los tornillos producidos por una mquina tienen un dimetro con distribucin
normal, cuya media es de 10 mm y desviacin 0.02 mm.
a)
b)

calcula el porcentaje de tornillos defectuosos que produce la mquina, considerando a los que su dimetro se desve de su media en ms de 0.03 mm
calcula cules deben ser los lmites de tolerancia para que la probabilidad de
tornillos defectuosos sea 0.8

5. Mediante una repeticin de experimentos se obtuvo que la variable aleatoria

continua X se escribe en forma muy propicia por un modelo de tipo exponencial
y para determinar su parmetro correspondiente se ha empleado su funcin de
distribucin acumulada, con probabilidad P(X 35) = 0.26; calcula la probabilidad
P(X
+ 25 X
) (sugerencia: encuentra primero la media).
6. La vida til de las pilas de una marca est distribuida normalmente. Si 6% de las
pilas duran ms de 56 horas y 30% duran menos de 52 horas, calcula el valor de la
media y de la desviacin estndar .
7. Si la llegada de coches a un estacionamiento sigue una distribucin de Poisson con
promedio de ocho por hora, calcula la probabilidad de que al abrir el estacionamiento tengan que pasar ms de 20 minutos para que llegue el primer auto.
8. Un ingeniero de seguridad industrial considera que 30% de todos los accidentes
que ocurren en su fbrica se debe a que los trabajadores no siguen las normas de
seguridad. Si esta observacin es correcta y en la fbrica se reportaron 84 accidentes,
calcula la probabilidad de que entre 20 y 30, inclusive, de estos accidentes sean
causados por este motivo.
9. Para seleccionar a sus empleados, un ejecutivo industrial usa una prueba que
tiene una puntuacin promedio y una desviacin estndar = 10. Supn que la
distribucin de las puntuaciones es normal y que una puntuacin mnima de 65 le
permita al solicitante seguir siendo considerado, calcula el valor de , si se quiere que
aproximadamente 2.5 % de los solicitantes sigan siendo considerados en esta prueba.
10. Si la cantidad de llamadas a un conmutador sigue una distribucin de Poisson, con
promedio de seis llamadas cada diez minutos, calcula la probabilidad de que pase
un minuto sin recibir llamadas.

253

11. Una compaa paga a sus empleados un salario promedio de $5.25 por hora con
desviacin estndar de 50 centavos. Si los salarios tienen aproximadamente una
distribucin normal
a)

calcula el porcentaje de los trabajadores que recibe salario entre 4.75 y 5.69
pesos por hora, inclusive
b) calcula la cantidad de los salarios que son mayores en 5% con respecto al ms
alto
12. Si un conjunto deobservacionesestn normalmente distribuidas, calcula el porcentaje
de stas que difiere de la media en
a) ms de 1.3
b) menos de 0.52

donde es la desviacin estndar de la poblacin

13. Una moneda legal se lanza 400 veces. Emplea la aproximacin por medio de la
distribucin normal para calcular la probabilidad de obtener
a) entre 185 y 210 caras sol
b) menos de 176 o ms de 227 caras sol
14. Si 40% de losresidentes en una ciudad prefieren el programa X de televisin sobre los
dems programas, calcula la probabilidad de que entre los siguientes 500 residentes
que se entrevisten
a) entre 200 y 300 prefieran el programa X
b) por lo menos 350 prefieran el programa X

Autoevaluacin
1. En un da normal, el tiempo de viaje de un autobs de Mxico a Acapulco por la
Autopista del Sol est distribuido uniformemente de 4.5 a 5 h. Calcula la probabilidad
de que en un da normal por lo menos dos de los siguientes seis autobuses no tarden
msde4 h, 40 min en hacer el recorrido. Supn quelosrecorridosdelosseisautobuses
son independientes.
a)
b)
c)
d)

0.3512
0.6488
0.4678
0.5322

2. La probabilidad de que un paciente se recupere de una delicada operacin de

corazn es 0.9. De los siguientes 60 pacientes que se sometieron a esta intervencin,
calcula la probabilidad de que sobrevivan ms de 50 pacientes.
a)
b)
c)
d)

0.3512
0.9345
0.6488
0.0655

254

3. Ciertos tipos de bateras para automvil tienen un tiempo de vida normalmente

distribuido con promedio de 1 200 das y desviacin estndar igual a 100 das,
calcula el tiempo (en das) que se deben garantizar las bateras si el fabricante quiere
reemplazar slo 10% de las bateras vendidas.
a)
b)
c)
d)

1 100
1 300
1 320
1 071.84

4. Una empresa metalrgica produce rodamientos con un dimetro que tiene desviacin normal, con media de 3.0005 pulg y desviacin estndar de 0.0010 pulg. Las
especificaciones requieren quelos dimetros estn en el intervalo 3.000 0.0020 pulg.
Si los cojinetes cuyos dimetros quedan fuera de ese intervalo se rechazan, calcula el
porcentaje de la produccin total que ser rechazada.
a)
b)
c)
d)

5.2
8.5
7.3
6.3

5. En un examen la calificacin promedio fue 82 y la desviacin estndar de 5. Todos los

estudiantes con calificaciones de 88 a 94 recibieron una B. Si las calificaciones estn
distribuidas aproximadamente en forma normal y 20 estudiantes recibieron una B,
calcula la cantidad de estudiantes que presentaron el examen.
a)
b)
c)
d)

187
62
94
178

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

exponencial con promedio de falla = 2 aos, calcula la probabilidad de que un
interruptor falle despus del tercer ao.
a)
b)
c)
d)

0.7769
0.7500
0.0223
0.2231

7. Se observ durante un largo periodo que la cantidad semanal gastada en el

mantenimiento y en las reparaciones de cierta fbrica tiene aproximadamente
distribucin normal con = $400 y = $20, calculael presupuesto parareparaciones
semanales y mantenimiento, para que la cantidad presupuestada solamente sea
rebasada con una probabilidad de 0.10.
a)
b)
c)
d)

$425.63
$420.00
$485.60
438.20

255

8. Un cierto tipo de tornillo se fabrica con 0.05 de probabilidad de ser defectuoso,

calcula la probabilidad de que en los siguientes 400 tornillos existan menos de 25
defectuosos.
a)
b)
c)
d)

0.1515
0.0001
0.8485
aproximadamente 1

9. Cierto proceso de manufactura produce pernos que deben tener un dimetro de 1.2
y 1.25 pulg. Se sabe que el dimetro se distribuye normalmente con media de 1.21 y
desviacin estndar de 0.02, calcula el porcentaje de lospernosque est fuera de stas
especificaciones.
a)
b)
c)
d)

46.24
66.87
33.13
53.76

10. El dimetro de un cable elctrico est distribuido normalmente con 0.8 de promedio
y 0.0004 de varianza. Un cable se considera defectuoso si el dimetro es diferente de
su promedio en ms de 0.025, calcula la probabilidad de obtener un cable bueno.
a)
b)
c)
d)

0.5411
0.7887
0.2113
0.4589

Respuestas de los ejercicios

Ejercicio 1
1.

4
3

2.

1
3

3.
a) 50 000
b) 80%
4. 0.2
5. 0.5

Ejercicio 2
1.
a) 0.3935
b) 0.3679

256

2. 0.3679
3. 0.975 aos
4. 0.5134
5. 0.0009

Ejercicio 3
1. 0.5910
2.
a) 0.4060
b) 962.82
3.
a) 0.8413
b) 81.498
4.
a) 151
b) 0.255
5.
a) 4.75%
b) 74.86%
c) 67.11%
6.
a) 19 090
b) 456
c) 456
7. 34.108

Ejercicio 4
1. 0.0601
2. 0.9977
3. 0.8485
4. aproximadamente 1

257

Respuestas de los ejercicios propuestos

1. 0.89595
1

2. f (x)

2 3
0,

, 1

x 1

0,

en otro lugar F( x)

x 1

3
x 1
, 1
2 3
1,

3.

x 1

3
3

x 1
3

a) 160 y 880.52
b) 0.0885
4.
a) 13.36%
b) menor a 0.0051
5. media 116.24, probabilidad 0.8065
6. media 53.004, desviacin estndar 1.9146
7. 0.0695
8. 0.8093
9. 45.4
10. 0.5488
11.
a) 65.13%
b) $6.0725
12.
a) 19.36%
b) 39.69%
13.
a) 0.7925
b) 0.0101
14.
a) 0.518
b) aproximadamente 0

258

Respuestas de la autoevaluacin
1. b)
2. b)
3. d)
4. c)
5. a)
6. d)
7. a)
8. c)
9. c)
10. b)