UNIDAD IV: DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES CONTINUAS
Distribuciones continuas de probabilidad.
En contraste con las variables discretas que pueden tomar solo algunos valores en un
rango específico, las variables continuas pueden tomar cualquier valor en un rango dado;
el número de valores incluido en cualquier rango de números reales es infinito, es decir,
que una variable aleatoria continua puede tomar infinitos valores en un rango específico.
Debido a esto, no es posible dar una lista de los valores posibles de una variable continua
y asociar a cada uno de ellos un valor de probabilidad, como ocurre con las variables
discretas, sino que se asigna un valor de probabilidad a todo el intervalo numérico de
valores posibles de la variable continua.
En otras palabras, las distribuciones discretas emplean una función de distribución de
probabilidad p(x) para asociar probabilidades a valores individuales x de la variable
aleatoria; en contraste, las distribuciones continuas utilizan la función de densidad de
probabilidad f(x) para asociar probabilidades a intervalos de valores [x1, x2] de la variable
(no a valores individuales). Por lo anterior, podemos decir que la función de distribución
de probabilidad y la función de densidad de probabilidad son conceptos muy diferentes y
no debemos confundirlos, sin embargo, se emplean con el mismo fin, calcular
probabilidades, la primera en caso de tener una variable discreta y la segunda, en caso de
tener una variable continua.
Distribución Normal.
La distribución normal (o distribución gaussiana) es la más importante y de mayor uso en
Estadística, debido a que muchos proceso aleatorios conducen al establecimiento de
variables con esta distribución de probabilidad, además de que representa el soporte para
la Inferencia Estadística (ó Estadística Inferencial). Una distribución normal supone
conocidas la media (μ) y la desviación estándar (σ) de la variable aleatoria que
representa. La función de densidad de probabilidad y la gráfica correspondiente son:
Aunque la expresión algebraica de la función de densidad de probabilidad es compleja,
generalmente no se utiliza en la solución de problemas, en tal situación es más útil la
gráfica de la distribución porque el cálculo de una probabilidad equivale a encontrar el
1
área bajo la curva. Por este motivo es conveniente hacer algunas observaciones respecto
a la gráfica de la distribución normal:
1) La gráfica se asemeja a una campana; a veces se emplea el término “Campana de
Gauss” para referirse a ella.
2) La curva se extiende desde - ∞ hasta + ∞ abarcando un área igual a 1 (ó 100%). Los
extremos de la curva se extienden indefinidamente aproximándose al eje horizontal, pero
sin llegar a tocarlo, es decir, el eje de las abscisas es una asíntota horizontal de la gráfica
de la función de densidad de probabilidad.
3) La curva es simétrica respecto a la media de la variable aleatoria. Una perpendicular
trazada a partir de la media divide la gráfica en dos partes iguales, cada una con un área
equivalente a 0.5 (ó 50 %).
4) Los dos puntos de inflexión de la curva se ubican a una desviación estándar (σ) antes
y después de la media respectivamente. El área bajo la curva entre los puntos de inflexión
es aproximadamente 0.68 (ó 68%)
5) La media, la mediana y la moda de la variable aleatoria son iguales y se ubican a la
mitad de la curva.
6) La altura máxima que alcanza la curva se calcula a partir de la desviación estándar
como
7) La media determina la posición horizontal de la curva. Valores más pequeños de media
ubicarán la curva más cerca del origen, valores más grandes de media ubicarán la curva
más alejada del origen. Un distribución con media 0 se ubicará centrada en el origen
8) La desviación estándar determina la altura y el ancho de la curva. Valores más
pequeños de desviación estándar determinarán una curva más apuntada y menos ancha.
Valores más grandes de desviación estándar determinan una curva menos apuntada
(más aplanada) y más ancha.
(Agregar imagen 1 elaborada a mano de la grafica de distribución normal)
Distribución Normal Estandarizada.
En la práctica, se presentan infinidad de variables con distribución normal, con diferentes
medias y desviaciones estándar, que resulta imposible tener una tabla de valores
calculados de probabilidad para cada una de ellas. Ante esta situación, se decidió
elaborar una tabla única para una distribución normal especial, la cual se denominó
“Distribución Normal Estándar”. Cuando se requiere calcular probabilidades para una
distribución normal que no es la estándar, los valores de la variable se asocian con
valores equivalentes en la distribución estándar. Una variable con distribución normal
2
estándar se representa con la letra “Z” y sus valores posibles con la letra “z”, cuando una
variable tiene una distribución normal que no es estándar se representa con la letra “X” y
sus valores posibles con la letra “x”.
Distribución Normal Estándar. La Distribución normal especial con media cero (μ = 0) y
desviación estándar uno (σ = 1). Para esta distribución la variable aleatoria se representa
por “Z” y los valores que puede tomar por “z”. Es utilizada para determinar
probabilidades, debido a que es la única distribución normal que cuenta con una tabla
de probabilidades calculadas para diferentes valores de la variable. (ver tabla 1)
La función de densidad de probabilidad y la gráfica de la distribución normal estándar son:
En cuanto a la función de distribución acumulativa estándar F(z) puede decirse que:
1) F(- ∞) = 0 Significa que - ∞ es el origen de acumulación de probabilidad.
2) F(0) = 0.5 Significa que la probabilidad acumulada desde – ∞ hasta 0 es 0.5, en otras
palabras, el área acumulada hasta la media es 0.5.
3) F(+ ∞) = 1 Significa que la probabilidad acumulada desde – ∞ hasta +∞ es 1, el área
total bajo la curva es 1.
La función de distribución acumulativa estándar F(z) se emplea para calcular
probabilidades a través de las siguientes relaciones:
1) P(Z ≤ a) = F(a) Probabilidad asociada al intervalo (- ∞, a] ( área a la izquierda de a).
2) P(Z ≥ a) = 1 – F(a) Probabilidad asociada a [a, + ∞] (área a la derecha de a).
3) P(a ≤ Z ≤ b) = F(b) – F(a) Probabilidad asociada a [a, b] (área entre a y b).
Para encontrar los equivalentes estándar de una variable con distribución normal no
estándar se usa una expresión conocida como fórmula de estandarización, la cual suele
expresarse en dos formas que son equivalentes debido a que una de ellas se puede
obtener a partir de la otra por medio un despeje algebraico.
3
La siguiente figura muestra el uso de la fórmula de estandarización. Para elaborarla se
supone la existencia de una distribución normal no estándar X con media µ = 50 y
desviación estándar σ = 25. Es buena práctica dibujar un eje horizontal paralelo al eje X
que represente los equivalentes estándar Z. Por ejemplo, el equivalente estándar de x =
50 es z=0; el de x = 75 es z = +1; el de x = 25 es z = –1.
La fórmula de estandarización es importante porque nos permite calcular una probabilidad
de una variable con distribución normal no estándar, a partir de un cálculo equivalente de
probabilidad con la distribución normal estándar:
1) P(X ≤ x1) = P(Z ≤ z1) = F(z1) La probabilidad P(X ≤ x1) es equivalente a P(Z ≤ z1)
siempre que z1 sea el equivalente estándar de x1.
2) P(X ≥ x1) = P(Z ≥ z1) = 1 – F(z1) La probabilidad P(X ≥ x1) es equivalente a P(Z ≥ z1)
siempre que z1 sea el equivalente estándar de x1.
3) P(x1 ≤ X ≤ x2) = P(z1 ≤ Z ≤ z2) = F(z2) – F(z1) La probabilidad P(x1 ≤ X ≤ x2) es
equivalente a P(z1 ≤ Z ≤ z2) siempre que z1 y z2 sean los equivalentes estándar de x1 y x2,
respectivamente.
Como ejemplo consideremos la figura anterior, en ésta podemos observar que:
∙ P(X ≤ 25) = P(Z ≤ -1) porque -1 es el equivalente estándar de 25.
∙ P(X ≥ 100)=P(Z ≥ +2) porque +2 es el equivalente estándar de 100.
4
∙ P(25 ≤ X ≤ 100) = P(-1 ≤ Z ≤ +2) porque -1 y +2 son los equivalentes estándar de 25 y
100, respectivamente.
Uso de la tabla de distribución normal.
La fórmula de estandarización permite utilizar sólo una tabla de probabilidades de la
distribución normal estándar para calcular valores de probabilidad correspondientes a
variables con distribución normal en general. Existen dos tablas de uso común asociadas
con la distribución normal estándar:
∙ Tabla de la distribución normal estándar (algunos le llaman tabla z) (Tabla 1)
∙ Tabla de la distribución normal estándar acumulada (algunos le llaman tabla F(z))
(Tabla 2)
Uso de la tabla de la distribución normal estándar (tabla z) (Tabla 1) (se anexa tabla 1)
La tabla de la Distribución Normal Estándar o tabla z se presenta como la Tabla 1.
Dicha tabla acepta valores de z desde 0.00 hasta 2.99 con una precisión de centésimas
de unidad. Las unidades y las décimas se localizan en los renglones y las centésimas se
localizan en las columnas.
La probabilidad para un valor específico de z se encontrará en la intersección del renglón
que coincida con las unidades y las décimas, y la columna que corresponda con las
centésimas. Por ejemplo, para un valor de z = 1.62, se busca la intersección del renglón y
columna correspondientes a 1.6 y 0.02, respectivamente (valor encontrado 0.4474).
La tabla proporciona el área bajo la curva entre la media y el z buscado. Para el ejemplo
anterior, 0.4474 representa el área bajo la curva entre z = 0 y z = 1.62, es decir, la
probabilidad de que la variable aleatoria tome un valor desde 0 y hasta 1.62 es 0.4474.
En forma simbólica lo anterior puede expresarse como P(0 ≤ Z ≤ 1.62) = 0.4474. Debido
a la naturaleza continua de la variable aleatoria puede decirse que: P(0 ≤ Z ≤ 1.62) = P(0
< Z < 1.62) = P(0 ≤ Z < 1.62) = P(0 < Z ≤ 1.62) = 0.4474
Lo expuesto anteriormente se ilustra en la siguiente figura:
5
La tabla no lista números negativos, en caso de que se requiera calcular áreas para
valores de z negativos debe usarse la simetría de la curva y encontrar el área simétrica
equivalente para el número positivo. Un ejemplo de este proceso se muestra en la figura
siguiente:
Por ejemplo para z = - 1.62 se busca 1.62
P(-1.62 ≤ Z ≤ 0) = P(0 ≤ Z ≤ 1.62) = 0.4474 El área bajo la curva entre -1.62 y la media
es igual al área entre la media y +1.62, y ambas equivalen a 0.4474.
Al proceso que consiste en buscar la probabilidad asociada con un valor z conocido lo
llamaremos “uso directo de la tabla” y lo representaremos como P(0 ≤ Z ≤ z). La tabla
también permite buscar un valor de z al que le corresponda una probabilidad conocida, a
este proceso lo llamaremos “uso inverso de la tabla” y lo representaremos como zp, en
este caso p es el área conocida entre la media y el valor de z que buscamos. Por ejemplo,
la expresión z 0.4474 nos solicita buscar en la tabla el z que determine un área entre la
media y él de 0.4474, el z buscado es 1.62 y el resultado se expresa z 0.4474 = 1.62. En
la mayoría de situaciones, la probabilidad no se encuentra directamente en la tabla, como
en el caso de z 0.4557, entonces debemos buscar el valor más próximo, de tal forma que
z 0.4557 = 1.70. Cuando la probabilidad buscada sea igualmente próxima a dos valores
contiguos, debemos promediar los dos valores de z correspondientes, como en el caso de
z 0.4351 la probabilidad 0.4351 dista 0.0006 de los números 0.4345 y 0.4357 cuyas z
correspondientes son 1.51 y 1.52, entonces debemos promediar 1.51 y 1.52 para dar el
resultado, de tal forma que z 0.4351 = 1.515. Los usos directo e inverso de la tabla se
ilustran en la siguiente figura:
6
La tabla ayuda a calcular valores de probabilidad acumulativa desde - ∞ y hasta z. El
número encontrado en la tabla: se suma a 0.5 cuando z es positivo y se resta de 0.5
cuando z es negativo. El proceso se ilustra en la siguiente figura.
Los valores de probabilidad acumulativa nos permiten realizar cálculos de probabilidades,
empleando las siguientes relaciones:
1) P(Z ≤ a) = F(a) Probabilidad asociada al intervalo (- ∞,a] ( área a la izquierda de a).
2) P(Z ≥ a) = 1 – F(a) Probabilidad asociada a [a, + ∞] (área a la derecha de a).
3) P(a ≤ Z ≤ b) = F(b) – F(a) Probabilidad asociada a [a, b] (área entre a y b).
EJEMPLO 1
Calcular con el apoyo de la tabla de distribución normal estándar (Tabla 1) los valores de
probabilidad:
(Para resolver los siguientes ejemplos, se utilizan los siguientes criterios para la Tabla 1)
7
Criterios para uso de la Tabla 1:
1) F(+z) = 0.5 + Valor de z en tabla 1; F(-z) = 0.5 – Valor de z en tabla 1;
2) F(- ∞) = 0; F(+ ∞) = 1; F(0) = 0.5;
3) P(Z ≤ a) = F(a) Probabilidad asociada al intervalo (-∞,a] ( área a la izquierda de
a).
4) P(Z ≥ a) = 1 – F(a) Probabilidad asociada a [a, + ∞] (área a la derecha de a).
5) P(a ≤ Z ≤ b) = F(b) – F(a) Probabilidad asociada a [a, b] (área entre a y b).
a) P(Z ≤ –0.52); Respuesta. P(Z ≤ –0.52) = F(–0.52) = 0.5 – 0.1985 = 0.3015
b) P(Z ≤ 0.84); Respuesta. P(Z ≤ 0.84) = F(0.84) = 0.5 + 0.2995 = 0.7995
c) P(Z ≥ –1.33); Respuesta. P(Z ≥ –1.33) = 1 – F(–1.33) = 1 – (0.5 – 0.4082) = 0.9082
d) P(Z ≥ 0.25); Respuesta. P(Z ≥ 0.25) = 1 – F(0.25) = 1 – (0.5 + 0.0987) = 0.4013
e) P(Z > 0.45); Respuesta. P(Z > 0.45) = 1 – F(0.45) = 1 – (0.5 + 0.1736) = 0.3264
f) P(0 ≤ Z ≤ 1.2);
Respuesta. P(0 ≤ Z ≤ 1.2) = F(1.2) – F(0) = (0.5 + 0.3849) – 0.5 = 0.3849
g) P(–0.68 ≤ Z ≤ 0);
Respuesta. P(–0.68 ≤ Z ≤ 0) = F(0) – F(–0.68) = 0.5 – (0.5 – 0.2518) = 0.2518
h) P(0.81 ≤ Z ≤ 1.94);
Respuesta. P(0.81 ≤ Z ≤ 1.94) = F(1.94) – F(0.81) = (0.5 + 0.4738) – (0.5 + 0.2910)
= 0.1828
i)P(–1.2 ≤ Z ≤ –0.5);
Respuesta. P(–1.2 ≤ Z ≤ –0.5) = F(–0.5) – F(–1.2) = (0.5 – 0.1915) – (0.5 – 0.3849)
= 0.1934
j) P(–0.74 ≤ Z ≤ 0.83);
Respuesta. P(–0.74 ≤ Z ≤ 0.83) = F(0.83) – F(–0.74) = (0.5 + 0.2967) – (0.5 – 0.2704)
= 0.5671
k) P(–0.57 ≤ Z ≤ 0.57);
Respuesta. P(–0.57 ≤ Z ≤ 0.57) = F(0.57) – F(–0.57) = (0.5 + 0.2157) – (0.5 – 0. 2157)
= 0.4314
8
l) P(–0.86 < Z ≤ 0.74);
Respuesta. P(–0.86 < Z ≤ 0.74) = F(0.74) – F(–0.86) = (0.5 + 0.2704) – (0.5 – 0.3051)
= 0.5755
m) P(0.48 < Z < 1.28);
Respuesta. P(0.48 < Z < 1.28) = F(1.28) – F(0.48)
= (0.5 + 0.3997) – (0.5 + 0.1844) = 0.2153
EJEMPLO 2
Encontrar el valor de z con el apoyo de la tabla de distribución normal estándar
conociendo el valor de la probabilidad (Tabla 1).
(Para resolver los siguientes ejemplos, se utilizan los siguientes criterios para la Tabla 1)
Criterios para uso de la Tabla 1:
6) F(+z) = 0.5 + Valor de z en tabla 1; F(-z) = 0.5 – Valor de z en tabla 1;
7) F(- ∞) = 0; F(+ ∞) = 1; F(0) = 0.5;
8) P(Z ≤ a) = F(a) Probabilidad asociada al intervalo (-∞,a] ( área a la izquierda de
a).
9) P(Z ≥ a) = 1 – F(a) Probabilidad asociada a [a, + ∞] (área a la derecha de a).
10) P(a ≤ Z ≤ b) = F(b) – F(a) Probabilidad asociada a [a, b] (área entre a y b).
a) P(0 ≤ Z ≤ z) = 0.3770; Respuesta. z = z 0.3770 = 1.16
b) P(z ≤ Z ≤ 0) = 0.4357; Respuesta. z = – z 0.4357 = –1.52
c) P(Z ≤ z) = 0.8621;
Respuesta. P(0 ≤ Z ≤ z) = 0.8621 – 0.5 = 0.3621, entonces, z = z 0.3621 = 1.09
d) P(Z ≤ z) = 0.0526;
Respuesta. P(z ≤ Z ≤ 0) = 0.5 – 0.0526 = 0.4474, entonces, z = – z 0.4474 = –1.62
e) P(Z ≥ z) = 0.5987;
Respuesta. P(z ≤ Z ≤ 0) = 0.5987 – 0.5 = 0.0987, entonces, z = – z 0.0987 = –0.25
f) P(Z ≥ z) = 0.0228;
Respuesta. P(0 ≤ Z ≤ z) = 0.5 – 0.0228 = 0.4772, entonces, z = z 0.4772 = 2.00
9
g) P(–1.5 ≤ Z ≤ z) = 0.0217;
Respuesta. P(–1.5 ≤ Z ≤ 0) = 0.4332 y P(z ≤ Z ≤ 0) = 0.4332 – 0.0217 = 0.4115,
entonces, z = –z 0.4115 = –1.35
h) P(z ≤ Z ≤ -1.5) = 0.0440;
Respuesta. P(–1.5 ≤ Z ≤ 0) = 0.4332 y P(z ≤ Z ≤ 0) = 0.4332 + 0.0440 = 0.4772,
entonces, z = –z 0.4772 = –2.00
EJEMPLO 3
Calcular los valores de probabilidad, considerando que la variable X tiene una distribución
normal con μ = 50 y σ = 25.
(En los ejemplos siguientes se emplea la formula ( ) para hallar los
equivalentes estándar de los valores de x, y plantear la probabilidad con z)
a) P(X ≤ 45);
Respuesta. P(X ≤ 45) = P(Z ≤ (45–50)/25) = P(Z ≤ –0.2) = F(–0.2) = 0.5 – 0.0793 =
0.4207
b) P(X ≤ 73);
Respuesta. P(X ≤ 73) = P(Z ≤ (73–50)/25) = P(Z ≤ 0.92) = F(0.92) = 0.5 + 0.3212 =
0.8212
c) P(X ≥ 37);
Respuesta. P(X ≥ 37) = P(Z ≥ (37–50)/25) = P(Z ≥ –0.52) = 1 – F(–0.52)
= 1 – (0.5 – 0.1985) = 0.6985
d) P(X ≥ 73);
Respuesta. P(X ≥ 73) = P(Z ≥ (73–50)/25) = P(Z ≥ 0.92) = 1 – F(0.92)
= 1 – (0.5 + 0.3212) = 0.1788
e) P(50 ≤ X ≤ 80);
Respuesta. P(50 ≤ X ≤ 80) = P((50–50)/25 ≤ Z ≤ (80–50)/25) = P(0 ≤ Z ≤ 1.2)
= F(1.2) – F(0) = = (0.5 + 0.3849) – 0.5 = 0.3849
f) P(33 ≤ X ≤ 50);
10
Respuesta. P(33 ≤ X ≤ 50) = P((33–50)/25 ≤ X ≤ (50–50)/25) = P(–0.68 ≤ Z ≤ 0)
= F(0) – F(–0.68) = 0.5 – (0.5 – 0.2518) = 0.2518
g) P(70 ≤ X ≤ 90);
Respuesta. P(70 ≤ X ≤ 90) = P((70–50)/25 ≤ Z ≤ (90–50)/25) = P(0.8 ≤ Z ≤ 1.6)
= F(1.6) – F(0.8) = (0.5 + 0.4452) – (0.5 + 0.2881) = 0.1571
h) P(20 ≤ X ≤ 40);
Respuesta. P(20 ≤ X ≤ 40) = P((20–50)/25 ≤ Z ≤ (40–50)/25) = P(–1.2 ≤ Z ≤ –0.4)
= F(– 0.4) – F(–1.2) = (0.5 – 0.1554) – (0.5 – 0.3849) = 0.2295
i) P(35 ≤ X ≤ 70);
Respuesta. P(35 ≤ X ≤ 70) = P((35–50)/25 ≤ Z ≤ (70–50)/25) = P(-0.6 ≤ Z ≤ 0.8)
= F(0.8) – F(–0.6) = (0.5 + 0.2881) – (0.5 – 0.2257) = 0.5138
j) P(20 ≤ X ≤ 80);
Respuesta. P(20 ≤ X ≤ 80) = P((20–50)/25 ≤ Z ≤ (80–50)/25) = P(–1.2 ≤ Z ≤ 1.2)
= F(1.2) – F(–1.2) = (0.5 + 0.3849) – (0.5 – 0. 3849) = 0.7698
EJEMPLO 4
Encontrar el valor de x, considerando que la variable X tiene una distribución normal con
μ = 50 y σ = 25. (En los ejemplos siguientes se emplea la relación x = μ + zσ para hallar
los valores x de los equivalentes estándar y plantear la probabilidad con z)
a) P(X ≤ x) = 0.8849;
Respuesta. P(X ≤ x) = P(Z ≤ z) = 0.8849 y P(0 ≤ Z ≤ z) = 0.8849 – 0.5 = 0.3849,
entonces, x = μ + z0.3849 σ = 50 + 1.09(25) = 80
b) P(X ≤ x) = 0.0548;
Respuesta. P(X ≤ x) = P(Z ≤ z) = 0.0548 y P(z ≤ Z ≤ 0) = 0.5 – 0.0548 = 0.4452,
entonces, x = μ – z0.4452 σ = 50 – 1.60(25) = 10
c) P(X ≥ x) = 0.6255;
Respuesta. P(X ≥ x) = P(Z ≥ z) = 0.6255 y P(z ≤ Z ≤ 0) = 0.6255 – 0.5 = 0.1255,
entonces, x = μ – z0.1255 σ = 50 – 0.32(25) = 42
11
d) P(X ≥ x) = 0.0228;
Respuesta. P(X ≥ x) = P(Z ≥ z) = 0.0228 y P(0 ≤ Z ≤ z) = 0.5 – 0.0228 = 0.4772,
entonces, x = μ + z0.4772 σ = 50 + 2.00(25) = 100
e) P(50 ≤ X ≤ x) = 0.3849;
Respuesta. P(50 ≤ X ≤ x) = P((50–50)/25 ≤ Z ≤ z) = P(0 ≤ Z ≤ z) = 0.3849,
entonces, x = μ + z0.3849 σ = 50 + 1.20(25) = 80
f) P(x ≤ X ≤ 50) = 0.4192;
Respuesta. P(x ≤ X ≤ 50) = P(z ≤ Z ≤ (50–50)/25) = P(z ≤ Z ≤ 0) = 0.4192,
entonces, x = μ – z0.4192 σ = 50 – 1.40(25) = 15
g) P(12 ≤ X ≤ x) = 0.0226;
Respuesta. P(12 ≤ X ≤ x) = P((12–50)/25 ≤ Z ≤ z) = P(–1.52 ≤ Z ≤ z)
= 0.0226, P(–1.52 ≤ Z ≤ 0) = 0.4357 y P(z ≤ Z ≤ 0) = 0.4357 – 0.0226 = 0.4131,
entonces, x = μ – z0.4131 σ = 50 – 1.36(25) = 16
h) P(x ≤ X ≤ 15) = 0.0580
Respuesta. P(x ≤ X ≤ 15) = P(x ≤ X ≤ (15–50)/25) = P(z ≤ Z ≤ –1.40) = 0.0580,
P(–1.40 ≤ Z ≤ 0) = 0.4192 y P(z ≤ Z ≤ 0) = 0.4192 + 0.0580 = 0.4772,
entonces, x = μ – z0.4772 σ = 50 – 2.00(25) = 0
EJEMPLO 5
En un programa de capacitación autoadministrado los participantes requieren de
diferentes horas para completarlo. De la información que se tiene de cursos anteriores se
ha estimado que el tiempo medio para completar el programa es de 50 horas, con una
desviación estándar de 10 horas. Suponiendo que el tiempo requerido se distribuye
normalmente, cuál es la probabilidad de que un participante elegido al azar requiera para
completar el programa:
a) Entre 50 y 65 horas.
12
Respuesta. μ = 50 horas y σ = 10 horas. P(50 < X < 65) = P((50–50)/10 < Z < (65–50)/10)
= P(0 < Z < 1.5) = F(1.5) – F(0) = 0.9332 – 0.5 = 0.4332
b) Entre 55 y 65 horas.
Respuesta. P(55 < X < 65) = P((55–50)/10 < Z < (65–50)/10) = P(0.5 < Z < 1.5)
= F(1.5) – F(0.5) = 0.9332 – 0.6915 = 0.2417
c) Entre 35 y 45 horas.
Respuesta. P(35 < X < 45) = P((35–50)/10 < Z < (45–50)/10) = P(–1.5 < Z < –0.5)
= F(–0.5) – F(–1.5) = 0.3085 – 0.0668 = 0.2417
d) Entre 40 y 55 horas.
Respuesta. P(40 < X < 55) = P((40–50)/10 < Z < (55–50)/10) = P(–1 < Z < 0.5)
= F(0.5) – F(–1) = 0.6915 – 0.1587= 0.5328
e) Más de 50 horas.
Respuesta. P(X > 50) = P(Z > (50–50)/10) = P(Z > 0) = 1 – F(0) = 1 – 0.5 = 0.5
f) Más de 40 horas.
Respuesta. P(X > 40) = P(Z > (40–50)/10) = P(Z > –1) = 1 – F(–1) = 1 – 0.1587 = 0.8413
g) Al menos 65 horas.
Respuesta. P(X ≥ 65) = P(Z ≥ (65–50)/10) = P(Z ≥ 1.5) = 1 – F(1.5) = 1 – 0.9332 =
0.0668
h) Cuando mucho de 65 horas.
Respuesta. P(X ≤ 65) = P(Z ≤ (65–50)/10) = P(Z ≤ 1.5) = F(1.5) = 0.9332
i) Menos de 45 horas.
Respuesta. P(X < 45) = P(Z < (45–50)/10) = P(Z < –0.5) = F(–0.5) = 0.3085
j) Al menos 50 horas.
Respuesta. P(X ≥ 50) = P(Z ≥ (50–50)/10) = P(Z ≥ 0) = 1 – F(0) = 1 – 0.5 = 0.5
k) Menos de 70 horas.
Respuesta. P(X < 70) = P(Z < (70–50)/10) = P(Z < 2) = F(2) = 0.9772
13
l) ¿Debajo de cuántas horas el 75% del total de participantes habrán completado su
capacitación?
Respuesta. P(X ≤ x) = P(Z ≤ z) = 0.75, entonces, x = μ + z0.75 σ = 50 + 0.67(10) = 56.7
horas
EJEMPLO 6
Una Agencia de viajes que proporciona ventas a crédito a sus clientes estima que las
3,000 cuentas por cobrar que tiene vigentes tienen un adeudo promedio de $2,500.00 con
una desviación estándar de $350.00. Suponiendo que el adeudo de las cuentas se
distribuye normalmente, calcule la probabilidad de que una cuenta seleccionada al azar
tenga un adeudo de:
a) Al menos $3,000.00.
Respuesta. μ = 2500 pesos y σ = 350 pesos. P(X ≥ 3000) = P(Z ≥ (3000–2500)/350)
= P(Z ≥ 1.43) = 1 – F(1.43) = 1 – 0.9236 = 0.0764
b) Menos de $2,200.00.
Respuesta. P(X < 2200) = P(Z < (2200–2500)/350) = P(Z < –0.86) = F(–0.86) = 0.1949
c) Entre $2,000.00 y $3,500.00.
Respuesta. P(2000 < X < 3500) = P((2000–2500)/350 < Z < (3500–2500)/350)
= P(–1.43 < Z < 2.86) = = F(2.86) – F(–1.43) = 0.9979 – 0.0764 = 0.9215
d) Estime el porcentaje de cuentas que tienen un adeudo de entre $3,000.00 y $4,500.00.
Respuesta. P(3000 < X < 4500) = P((3000-2500)/350 < Z < (4500–2500)/350)
= P(1.43 < Z < 5.71) = = F(5.71) – F(1.43) = 1 – 0.9236 = 0.0764 (7.64%)
e) ¿Cuántas cuentas tendrán un adeudo mayor de $2,800.00?
Respuesta. P(X > 2800) = P(X > (2800–2500)/350) = P(Z > 0.86) = 1 – F(0.86)
= 1 – 0.8051 = 0.1949 Número de cuentas con un adeudo mayor de 2,800 pesos
= (0.1949)(3000) = 584.7 (Aprox. 585 cuentas)
EJEMPLO 7
El gerente de una cadena de hoteles estima que la demanda promedio por semana es de
80 habitaciones. De la información proporcionada respecto a los últimos meses concluye
que el 85% de las veces la demanda por semana no rebasa las 100 habitaciones.
14
a) Suponiendo que la demanda semanal tiene una distribución normal, calcule la
desviación estándar.
Respuesta. Suponemos que la variable que representa la demanda semanal de
habitaciones tiene una distribución normal con μ = 80 habitaciones y se sabe de datos
históricos que:
P(X ≤ 100) = 0.85. P(X ≤ 100) = P(Z ≤ z) = 0.85, entonces despejando la desviación
estándar de la relación z = (x - μ)/σ se tiene que σ = (x- μ)/z0.85 = (100-80)/1.04 = 19.23
b) Calcule el porcentaje de las semanas en que la demanda será inferior a 40
habitaciones.
Respuesta. P(X < 40) = P(Z < (40–80)/19.23) = P(Z < –2.08) = F(–2.08) = 0.0188 (1.88%)
c) Calcule el número de habitaciones disponible para satisfacer una demanda semanal y
reducir el riesgo de quedarse sin habitaciones disponibles al 10%.
Respuesta. P(X > x) = P(Z > z) = 0.10 y P(Z ≤ z) = 1 – 0.10 = 0.90, entonces,
x = μ + z0.90 σ = 80 + 1.28(19.23) = 104.6144 (Aprox. 105 habitaciones)
Uso de la tabla de la Distribución Normal Estándar Acumulada (tabla F(z))(Tabla 2)
(se anexo Tabla 2)
La tabla de la Distribución Normal Estándar Acumulada o tabla F(z) se presenta como
Tabla 2.
Dicha tabla acepta valores de z desde –2.99 hasta 2.99 con una precisión de centésimas
de unidad. Las unidades y las décimas se localizan en los renglones y las centésimas se
localizan en las columnas. Se presenta en dos partes, la parte izquierda corresponde a
valores de z negativos y la derecha a valores positivos.
La probabilidad para un valor específico de z se encontrará en la intersección del renglón
que coincida con las unidades y las décimas, y la columna que corresponda con las
centésimas. Por ejemplo, para un valor de z = 1.62, se busca la intersección del renglón y
columna correspondientes a 1.6 y 0.02, respectivamente (valor encontrado 0.9474).
La tabla proporciona el área bajo la curva acumulada a la izquierda de la z buscada. Para
el ejemplo anterior, 0.9474 representa el área bajo la curva a la izquierda de z = 1.62, es
decir, la probabilidad de que la variable aleatoria tome un valor máximo de 1.62 es
0.9474. En forma simbólica lo anterior puede expresarse como P(Z ≤ 1.62) = 0.9474.
Debido a la naturaleza continua de la variable aleatoria puede decirse que:
P(Z ≤ 1.62) = P(Z < 1.62) = 0.9474
15
Lo expuesto anteriormente se ilustra en la siguiente figura:
Al proceso que consiste en buscar la probabilidad asociada con un valor z conocido lo
llamaremos “uso directo de la tabla” y lo representaremos como F(z).
La tabla también permite buscar un valor de z al que le corresponda una probabilidad
conocida, a este proceso lo llamaremos “uso inverso de la tabla” y lo representaremos
como zp, en este caso p es el área conocida a la izquierda del valor de z que buscamos.
Por ejemplo, la expresión z0.9474 nos solicita buscar en la tabla el z con un área acumulada
a la izquierda de 0.9474, el z buscado es 1.62 y el resultado se expresa z0.9474 = 1.62.
En la mayoría de situaciones, la probabilidad no se encuentra directamente en la tabla,
como en el caso de z0.9557, entonces debemos buscar el valor más próximo, de tal forma
que z0.9557 = 1.70. Cuando la probabilidad buscada sea igualmente próxima a dos valores
contiguos, debemos promediar los dos valores de z correspondientes, como en el caso de
z0.9351 la probabilidad 0.9351 dista 0.0006 de los números 0.9345 y 0.9357 cuyas z
correspondientes son 1.51 y 1.52, entonces debemos promediar 1.51 y 1.52 para dar el
resultado, de tal forma que z0.9351 = 1.515.
Los usos directo e inverso de la tabla se ilustran en la siguiente figura:
Los valores de probabilidad acumulativa nos permiten realizar cálculos de probabilidades,
empleando las siguientes relaciones:
16
1) P(Z ≤ a) = F(a) Probabilidad asociada al intervalo (- ∞,a] ( área a la izquierda de a).
2) P(Z ≥ a) = 1 – F(a) Probabilidad asociada a [a, + ∞] (área a la derecha de a).
3) P(a ≤ Z ≤ b) = F(b) – F(a) Probabilidad asociada a [a, b] (área entre a y b).
(Mismas formulas o criterios localizados en la parte superior izquierda de la tabla 2)
Para el uso de la tabla 2 es necesario revisar el planteamiento de la probabilidad y
compararlo con el criterio o relaciones dadas y aplicar directamente los valores de z en la
tabla para encontrar su probabilidad correspondiente.
EJEMPLO 1
Calcular con el apoyo de la tabla 2 de distribución normal estándar acumulada los valores
de probabilidad:
a) P(Z ≤ –0.52)
Respuesta. P(Z ≤ –0.52) = F(–0.52) = 0.3015
b) P(Z ≤ 0.84)
Respuesta. P(Z ≤ 0.84) = F(0.84) = 0.7995
c) P(Z ≥ –1.33)
Respuesta. P(Z ≥ –1.33) = 1 – F(–1.33) = 1 – 0.0018 = 0.9082
d) P(Z ≥ 0.25)
Respuesta. P(Z ≥ 0.25) = 1 – F(0.25) = 1 – 0.5987 = 0.4013
e) P(Z > 0.45)
Respuesta. P(Z > 0.45) = 1 – F(0.45) = 1 – 0.6736 = 0.3264
f) P(0 ≤ Z ≤ 1.2)
Respuesta. P(0 ≤ Z ≤ 1.2) = F(1.2) – F(0) = 0.8849 – 0.5 = 0.3849
g) P(–0.68 ≤ Z ≤ 0)
Respuesta. P(–0.68 ≤ Z ≤ 0) = F(0) – F(–0.68) = 0.5 – 0.2482 = 0.2518
h) P(0.81 ≤ Z ≤ 1.94)
Respuesta. P(0.81 ≤ Z ≤ 1.94) = F(1.94) – F(0.81) = 0.9738 – 0.7910 = 0.1828
17
i) P(–1.2 ≤ Z ≤ –0.5)
Respuesta. P(–1.2 ≤ Z ≤ –0.5) = F(–0.5) – F(–1.2) = 0.3085 – 0.1151 = 0.1934
j) P(–0.74 ≤ Z ≤ 0.83)
Respuesta. P(–0.74 ≤ Z ≤ 0.83) = F(0.83) – F(–0.74) = 0.7967 – 0.2296 = 0.5671
k) P(–0.57 ≤ Z ≤ 0.57)
Respuesta. P(–0.57 ≤ Z ≤ 0.57) = F(0.57) – F(–0.57) = 0.7157 – 0.2843 = 0.4314
l) P(–0.86 < Z ≤ 0.74)
Respuesta. P(–0.86 < Z ≤ 0.74) = F(0.74) – F(–0.86) = 0.7704 – 0.1949 = 0.5755
m) P(0.48 < Z < 1.28)
Respuesta. P(0.48 < Z < 1.28) = F(1.28) – F(0.48) = 0.8997 – 0.6844 = 0.2153
EJEMPLO 2
Encontrar el valor de z con el apoyo de la tabla de distribución normal estándar.
a) P(Z ≤ z) = 0.8621
Respuesta. z = z0.8621 = 1.09
b) P(Z ≤ z) = 0.0526
Respuesta. z = z0.0526 = –1.62
c) P(Z ≥ z) = 0.5987
Respuesta. P(Z ≤ z) = 1 – 0.5987 = 0.4013, entonces, z = z0.4013 = –0.25
d) P(Z ≥ z) = 0.0228
Respuesta. P(z ≤ Z) = 1 – 0.0228 = 0.9772, entonces, z = z0.9772 = 2.00
e) P(0 ≤ Z ≤ z) = 0.3770
Respuesta. P(Z ≤ z) = 0.5 + 0.3770 = 0.8770, entonces, z = z0.8770 = 1.16
f) P(z ≤ Z ≤ 0) = 0.4357
Respuesta. P(Z ≤ z) = 0.5 – 0.4357 = 0.0643, entonces, z = z0.0643 = –1.52
18
g) P(–1.5 ≤ Z ≤ z) = 0.0217
Respuesta. P(Z ≤ –1.5) = 0.0668 y P(Z ≤ z) = 0.0668 + 0.0217 = 0.0885,
entonces, z = z0.0885 = –1.35
h) P(z ≤ Z ≤ -1.5) = 0.0440
Respuesta. P(Z ≤ –1.5) = 0.0668 y P(Z ≤ z) = 0.0668 – 0.0440 = 0.0228,
entonces, z = z0.0228 = –2.00
EJEMPLO 3
Calcular los valores de probabilidad, considerando que la variable X tiene una distribución
normal con μ = 50 y σ = 25.
(En los ejemplos siguientes se emplea la relación para hallar los
equivalentes estándar de los valores de x)
a) P(X ≤ 45)
Respuesta. P(X ≤ 45) = P(Z ≤ (45–50)/25) = P(Z ≤ –0.2) = F(–0.2) = 0.4207
b) P(X ≤ 73)
Respuesta. P(X ≤ 73) = P(Z ≤ (73–50)/25) = P(Z ≤ 0.92) = F(0.92) = 0.8212
c) P(X ≥ 37)
Respuesta. P(X ≥ 37) = P(Z ≥ (37–50)/25) = P(Z ≥ –0.52) = 1 – F(–0.52)
= 1 – 0.3015 = 0.6985
d) P(X ≥ 73)
Respuesta. P(X ≥ 73) = P(Z ≥ (73–50)/25) = P(Z ≥ 0.92) = 1 – F(0.92)
= 1 – 0.8212) = 0.1788
e) P(50 ≤ X ≤ 80)
Respuesta. P(50 ≤ X ≤ 80) = P((50–50)/25 ≤ Z ≤ (80–50)/25) = P(0 ≤ Z ≤ 1.2)
= F(1.2) – F(0) = 0.8849 – 0.5 = 0.3849
19
f) P(33 ≤ X ≤ 50)
Respuesta. P(33 ≤ X ≤ 50) = P((33–50)/25 ≤ X ≤ (50–50)/25) = P(–0.68 ≤ Z ≤ 0)
= F(0) – F(–0.68) = 0.5 – 0.2482 = 0.2518
g) P(70 ≤ X ≤ 90)
Respuesta. P(70 ≤ X ≤ 90) = P((70–50)/25 ≤ Z ≤ (90–50)/25) = P(0.8 ≤ Z ≤ 1.6)
= F(1.6) – F(0.8) = 0.9452 – 0.7881 = 0.1571
h) P(20 ≤ X ≤ 40)
Respuesta. P(20 ≤ X ≤ 40) = P((20–50)/25 ≤ Z ≤ (40–50)/25) = P(–1.2 ≤ Z ≤ –0.4)
= F(– 0.4) – F(–1.2) = 0.3446 – 0.1151 = 0.2295
i) P(35 ≤ X ≤ 70)
Respuesta. P(35 ≤ X ≤ 70) = P((35–50)/25 ≤ Z ≤ (70–50)/25) = P(-0.6 ≤ Z ≤ 0.8)
= F(0.8) – F(–0.6) = 0.7881 – 0.2743 = 0.5138
j) P(20 ≤ X ≤ 80)
Respuesta. P(20 ≤ X ≤ 80) = P((20–50)/25 ≤ Z ≤ (80–50)/25) = P(–1.2 ≤ Z ≤ 1.2)
= F(1.2) – F(–1.2) = 0.8849 – 0.1151 = 0.7698
EJEMPLO 4
Encontrar el valor de x, considerando que la variable X tiene una distribución normal con μ
= 50 y σ = 25. (En los ejemplos siguientes se emplea la relación x = μ + zσ para hallar los
valores x de los equivalentes estándar)
a) P(X ≤ x) = 0.8849
Respuesta. P(X ≤ x) = P(Z ≤ z) = 0.8849, entonces, x = μ + z0.8849 σ = 50 + (1.09)(25) = 80
b) P(X ≤ x) = 0.0548
Respuesta. P(X ≤ x) = P(Z ≤ z) = 0.0548, entonces, x = μ + z0.0548 σ = 50 +(–1.60)(25) = 10
C) P(X ≥ x) = 0.6255
Respuesta. P(X ≥ x) = P(Z ≥ z) = 0.6255 y P(z ≤ Z) = 1 – 0.6255 = 0.3745,
entonces, x = μ + z0.3745 σ = 50 + (–0.32)(25) = 42
20
d) P(X ≥ x) = 0.0228
Respuesta. P(X ≥ x) = P(Z ≥ z) = 0.0228 y P(Z ≤ z) = 1 – 0.0228 = 0.9772,
entonces, x = μ + z0.9772 σ = 50 + (2.00)(25) = 100
e) P(50 ≤ X ≤ x) = 0.3849
Respuesta. P(50 ≤ X ≤ x) = P((50–50)/25 ≤ Z ≤ z) = P(0 ≤ Z ≤ z) = 0.3849 y P(Z ≤ z)
= 0.5 + 0.3849 = 0.8849, entonces, x = μ + z0.8849 σ = 50 + (1.20)(25) = 80
f) P(x ≤ X ≤ 50) = 0.4192
Respuesta. P(x ≤ X ≤ 50) = P(z ≤ Z ≤ (50–50)/25) = P(z ≤ Z ≤ 0) = 0.4192 y P(Z ≤ z)
= 0.5 – 0.4192 = 0.0808, entonces, x = μ + z0.0808σ = 50 +(–1.40)(25) = 15
g) P(12 ≤ X ≤ x) = 0.0226
Respuesta. P(12 ≤ X ≤ x) = P((12–50)/25 ≤ Z ≤ z) = P(–1.52 ≤ Z ≤ z) = 0.0226, P(Z ≤ –1.52)
= 0.0643 y P(Z ≤ z) = 0.0643 + 0.0226 = 0.0869, entonces, x = μ + z0.0869σ = 50 +(–1.36)(25) =
16
h) P(x ≤ X ≤ 15) = 0.0580
Respuesta. P(x ≤ X ≤ 15) = P(x ≤ X ≤ (15–50)/25) = P(z ≤ Z ≤ –1.40) = 0.0580, P(Z ≤ –1.40)
= 0.0808 y P(Z ≤ z) = 0.0808 – 0.0580 = 0.0228, entonces, x = μ + z0.0228σ = 50 +(–2.00)(25) = 0
EJEMPLO 5
En un programa de capacitación autoadministrado los participantes requieren de
diferentes horas para completarlo. De la información que se tiene de cursos anteriores se
ha estimado que el tiempo medio para completar el programa es de 50 horas, con una
desviación estándar de 10 horas. Suponiendo que el tiempo requerido se distribuye
normalmente, cuál es la probabilidad de que un participante elegido al azar requiera para
completar el programa:
a) Entre 50 y 65 horas.
Respuesta. μ = 50 horas y σ = 10 horas. P(50 < X < 65) = P((50–50)/10 < Z < (65–50)/10)
= P(0 < Z < 1.5) = F(1.5) – F(0) = 0.9332 – 0.5 = 0.4332
b) Entre 55 y 65 horas.
Respuesta. P(55 < X < 65) = P((55–50)/10 < Z < (65–50)/10) = P(0.5 < Z < 1.5)
21
= F(1.5) – F(0.5) = 0.9332 – 0.6915 = 0.2417
c) Entre 35 y 45 horas.
Respuesta. P(35 < X < 45) = P((35–50)/10 < Z < (45–50)/10) = P(–1.5 < Z < –0.5)
= F(–0.5) – F(–1.5) = 0.3085 – 0.0668 = 0.2417
d) Entre 40 y 55 horas.
Respuesta. P(40 < X < 55) = P((40–50)/10 < Z < (55–50)/10) = P(–1 < Z < 0.5)
= F(0.5) – F(–1) = 0.6915 – 0.1587 = 0.5328
e) Más de 50 horas.
Respuesta. P(X > 50) = P(Z > (50–50)/10) = P(Z > 0) = 1 – F(0) = 1 – 0.5 = 0.5
f) Más de 40 horas.
Respuesta. P(X > 40) = P(Z > (40–50)/10) = P(Z > –1) = 1 – F(–1) = 1 – 0.1587 = 0.8413
g) Al menos 65 horas.
Respuesta. P(X ≥ 65) = P(Z ≥ (65–50)/10) = P(Z ≥ 1.5) = 1 – F(1.5) = 1 – 0.9332 =
0.0668
h) Cuando mucho de 65 horas.
Respuesta. P(X ≤ 65) = P(Z ≤ (65–50)/10) = P(Z ≤ 1.5) = F(1.5) = 0.9332
i) Menos de 45 horas.
Respuesta. P(X < 45) = P(Z < (45–50)/10) = P(Z < –0.5) = F(–0.5) = 0.3085
j) Al menos 50 horas.
Respuesta. P(X ≥ 50) = P(Z ≥ (50–50)/10) = P(Z ≥ 0) = 1 – F(0) = 1 – 0.5 = 0.5
k) Menos de 70 horas.
Respuesta. P(X < 70) = P(Z < (70–50)/10) = P(Z < 2) = F(2) = 0.9772
l) ¿Debajo de cuántas horas el 75% del total de participantes habrán completado su
capacitación?
Respuesta. P(X ≤ x) = P(Z ≤ z) = 0.75, entonces, x = μ + z0.75σ = 50 + 0.67(10)
= 56.7 horas
22
EJEMPLO 6
Una Agencia de viajes que proporciona ventas a crédito a sus clientes estima que las
3,000 cuentas por cobrar que tiene vigentes tienen un adeudo promedio de $2,500.00 con
una desviación estándar de $350.00. Suponiendo que el adeudo de las cuentas se
distribuye normalmente, calcule la probabilidad de que una cuenta seleccionada al azar
tenga un adeudo de:
a) Al menos $3,000.00.
Respuesta. μ = 2500 pesos y σ = 350 pesos. P(X ≥ 3000) = P(Z ≥ (3000–2500)/350)
= P(Z ≥ 1.43) = 1 – F(1.43) = 1 – 0.9236 = 0.0764
b) Menos de $2,200.00.
Respuesta. P(X < 2200) = P(Z < (2200–2500)/350) = P(Z < –0.86) = F(–0.86) = 0.1949
c) Entre $2,000.00 y $3,500.00.
Respuesta. P(2000 < X < 3500) = P((2000–2500)/350 < Z < (3500–2500)/350)
= P(–1.43 < Z < 2.86) = = F(2.86) – F(–1.43) = 0.9979 – 0.0764 = 0.9215
d) Estime el porcentaje de cuentas que tienen un adeudo de entre $3,000.00 y $4,500.00.
Respuesta. P(3000 < X < 4500) = P((3000-2500)/350 < Z < (4500–2500)/350)
= P(1.43 < Z < 5.71) = = F(5.71) – F(1.43) = 1 – 0.9236 = 0.0764 (7.64%)
e) ¿Cuántas cuentas tendrán un adeudo mayor de $2,800.00?
Respuesta. P(X > 2800) = P(X > (2800–2500)/350) = P(Z > 0.86) = 1 – F(0.86)
= 1 – 0.8051 = 0.1949 Número de cuentas con un adeudo mayor de 2,800 pesos
= (0.1949)(3000) = 584.7 (Aprox. 585 cuentas)
EJEMPLO 7
El gerente de una cadena de hoteles estima que la demanda promedio por semana es de
80 habitaciones. De la información proporcionada respecto a los últimos meses concluye
que el 85% de las veces la demanda por semana no rebasa las 100 habitaciones.
23
a) Suponiendo que la demanda semanal tiene una distribución normal, calcule la
desviación estándar.
Respuesta. Suponemos que la variable que representa la demanda semanal de
habitaciones tiene una distribución normal con μ = 80 habitaciones y se sabe de datos
históricos que P(X ≤ 100) = 0.85. P(X ≤ 100) = P(Z ≤ z) = 0.85, entonces despejando la
desviación estándar de la relación z = (x - μ)/σ se tiene que σ = (x- μ)/z0.85
= (100-80)/1.04 = 19.23
b) Calcule el porcentaje de las semanas en que la demanda será inferior a 40
habitaciones.
Respuesta. P(X < 40) = P(Z < (40–80)/19.23) = P(Z < –2.08) = F(–2.08) = 0.0188 (1.88%)
c) Calcule el número de habitaciones disponible para satisfacer una demanda semanal y
reducir el riesgo de quedarse sin habitaciones disponibles al 10%.
Respuesta. P(X > x) = P(Z > z) = 0.10 y P(Z ≤ z) = 1 – 0.10 = 0.90, entonces,
x = μ + z0.90 σ = 80 + 1.28(19.23) = 104.6144 (Aprox. 105 habitaciones)
24
