Distribución Gaussiana

Teorema Central del Límite

La DISTRIBUCIÓN NORMAL
Introducción:
La distribución normal es , con mucho , 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. Debe su importancia a tres razones fundamentales: Por un lado, un gran
número de fenómenos reales se pueden modelar con esta distribución (tales el caso de las
características cuantitativas de casi todas las grandes poblaciones). Por otro lado, muchas
de las distribuciones de uso frecuente tienden a aproximarse a la distribución normal bajo
ciertas condiciones ; y , por último, en virtud del Teorema Central del Límite, todas aquellas
variables que puedan considerarse causadas por un gran número de pequeños efectos
(como pueden ser los errores de observación) tienden a distribuirse con una distribución
normal.
Carl Friedrich Gauss introdujo la distribución normal (también conocida como la
campana de Gauss) en el año 1809, en su obra:
"Theoria motus corporum coelestium in sectionibus conicis solem ambientium"
(Teoría del movimiento de los cuerpos celestes que giran alrededor del Sol en
secciones cónicas)

Gauss estaba trabajando en astronomía, específicamente en el ajuste de

observaciones de cuerpos celestes (como planetas y cometas). Su objetivo era:
Encontrar el valor más probable de una magnitud física a partir de varias
observaciones que incluían errores.
Para ello, necesitaba una manera matemática de modelar los errores de medición
que se cometían al observar los cuerpos celestes. Su razonamiento fue:
•Los errores pequeños son más probables que los grandes.
•Los errores positivos y negativos se compensan, en promedio.
•Los errores extremos son muy poco frecuentes.
De ahí dedujo que los errores se distribuían según una curva simétrica en forma de
campana, centrada en el valor verdadero: la función normal.
LA MAQUINA DE GALTON
(Planche de Galton)
La distribución normal es una distribución de variable continua que queda especificada
por dos parámetros de los que depende su función de densidad y que resultan ser la
media y la desviación típica de la distribución . Su estudio teórico suele introducirse
directamente a partir de su función de densidad.

Estudiemos, las características de la distribución normal.

 µ = media = Me = Mo
Distribución simétrica
centrada en la media

68,27%

99,74%

95,45%
µ-3σ µ-2σ µ-σ µ µ+σ µ+2σ µ+3σ
Distribución Normal ; Simétrica

X →N (µ; σ)

Mo = Me = Media = µ

Variable Normal Estándar (Z)

Z → N(0; 1)

Estandarización de la variable aleatoria X X →N (µ; σ)

𝑥 −𝜇 𝑥 −𝜇 𝑥 −𝜇
Z= ; P(X < x) = P(Z < ); = 𝑃𝑢𝑛𝑡𝑎𝑗𝑒 𝑧 𝑑𝑒 𝑥
𝜎 𝜎 𝜎
Puntaje Z:

X →N (10; 2)

7−10
P(X < 7) = 𝑃 𝑍 < = 𝑃(𝑍 < −𝟏, 𝟓) = 0,0668
2

P(X < 7) = 0,0668

𝑥 −𝜇
P(X > x) = 1 – P(X < x) = 1 - P(Z < )
𝜎

𝑏 −𝜇 𝑎 −𝜇
P(a < X < b) = P(X < b) – P(X < a) = P(Z < ) - P(Z < )
𝜎 𝜎

-1,5 = -1,50
-1,5 = -1,5000
Tabla de valores de probabilidad de Z

P(Z < a)

µ =0 Z=a

P(Z > a) = 1 - P(Z < a)

P(a < Z < b) = P(Z < b) – P(Z < a)

a) P(0 < Z < 1,2) = P(Z < 1,2) – P(Z < 0) = P(Z < 1,2) – 0,5 = 0,8849 – 0,5 =
0,3899
b) P(-0,68 < Z < 0) = P(Z < 0) – P(Z < -0,68) = 0,5 – 0,2483 = 0,2517
c) P(-0,46 < Z < 2,21) = P(Z < 2,21) – P(Z < -0,46) = 0,9864 – 0,3228 = 0,6636
d) P(0,81 < Z < 1,94) = P(Z < 1,94) – P(Z < 0,81) = 0,9738 – 0,7910 = 0,1828
e) P(Z > -1,28) = 1- P(Z < -1,28) = 1 – 0,1003 = 0,8997
Tras un test de cultura general se observa que las puntuaciones obtenidas
siguen una distribución N(65; 18). Se desea clasificar a los examinados en tres
grupos (de baja cultura general, de cultura general aceptable, de excelente
cultura general) de modo que haya en el primero un 20% la población, un 65%
el segundo y un 15% en el tercero.
¿Cuáles han de ser las puntuaciones que marcan el paso de un grupo al otro?

X = Puntuaciones del test de Cultura General

X → N(65; 18) Media: = µ = 65 Desviación Típica: = σ = 18

20% 15%
65%
X

µ = 65
49,88 X1 X2 83,72
Baja cultura Aceptable Cultura Excelente Cultura
X = Puntuaciones del test de Cultura General

X → N(65; 18)

Baja cultura general:

P(X < X1) = 0,2

𝑋1−65
P Z< = 0,2 → P(Z < -0,84) ≅ 0,2
18

𝑋1−65
−0,84 = 18 → 𝑋1 = 65 − 18 ∗ 0,84 = 49,88
P(X < 49,88) ≅ 0,2

Excelente cultura general:

P(X > X2) = 0,15 → 𝑃 𝑋 < 𝑋2 = 0,85

𝑋2−65
𝑃 𝑍< = 0,85 P(Z < 1,04) ≅ 0,85
18

𝑋2−65
1,04 = → 𝑋2 = 65 + 1,04 ∗ 18 = 83,72
18

P(X < 83,72) ≅ 0,85 → P(X > 83,72) ≅ 0,15

Varios test de inteligencia dieron una puntuación que sigue una distribución normal
con media 100 y desviación típica 15.
a) Determinar el porcentaje de población que obtendría un coeficiente entre 95 y 110.
Rta: 37.79%
b) ¿Qué intervalo centrado en 100 contiene al 50% de la población? Rta: (90,110)
c) En una población de 2500 individuos ¿cuántos individuos se espera, que tengan un
coeficiente superior a 125?
X = puntuación de un test de inteligencia
X → N(100; 15)

a) P(95 < X < 110) = P(X < 110) – P(X < 95) = 0,7486 - 0,3707 = 0,3779*100 = 37,79%

110−100
P(X < 110) = P(Z < ) = P(Z < 0,67) = 0,7486
15

95−100
P(X < 95) = P(Z < ) = P(Z < -0,33) = 0,3707
15

95 100 110
 𝑋1 −100
X → N(100; 15) P(X < X1) = 0,25 = P(Z < )
15
𝑋2 −100
P(X < X2) = 0,75 = P(Z < 15 )
P(Z<-0,67) ≅ 0,25
25% P(Z<0,67) ≅ 0,75
25%
𝑋1 −100
-0,67 = [ ]
15

𝑋2 −100
0,67 = [ ]
X 15

100 X1 = (-0,67*15) + 100

89,95 X X 110,05 X2 = (0,67*15) + 100
1 2
X1 = 100 – 10,05 = 89,95
X2 = 100 + 10,05 = 110,05

En una población de 2500 individuos ¿cuántos individuos se espera que tengan un

coeficiente superior a 125?

125 −100
P(X > 125) = 1 – P(X < 125) = 1 – P(Z < ) = 1 – P(Z < 1,67) = 1 – 0,9525 = 0,0475
15

2500 * 0,0475 = 118,75 aproximadamente 119 personas

Se sabe que las estaturas de los atletas que pertenecen a cierto club deportivo, es
una variable Normal, medida en centímetros.
También se sabe que el 23% de los atletas mide más de 187 cm y que el 12% mide
menos de 172 cm.

¿Cuál es la cantidad de atletas que miden entre 170 y 185 cm, cuando el grupo total
consta de 150 atletas?

X = estatura en centímetros de un grupo de atletas

X → N(µ; σ)
𝟏𝟕𝟐−𝝁
P(X < 172) = 0,12 𝑷 𝒁< = 𝟎, 𝟏𝟐
𝝈
P(X > 187) = 0,23 → P(X < 187) = 0,77
𝟏𝟖𝟕−𝝁
𝑷 𝒁< = 𝟎,77
𝝈
P(Z < 0,74) ≅ 0,77
P(Z < -1,175) ≅ 0,12
187−𝜇 172−𝜇
= −1,175 → 𝜇 = 181,2
0,74
187 − 𝜇 187 − 𝜇
0,74 = → 𝜎=
𝜎 0,74
172 − 𝜇 172 − 𝜇 X → N(181,2; 7,84)
−1,175 = → 𝜎= = 7,84
𝜎 −1,175
X = estatura en centímetros de un grupo de atletas
X → N(µ; σ)

X → N(181; 8)
¿Cuál es la cantidad de atletas que miden entre 170 y 185 cm, cuando el grupo total consta de 150
atletas?

P(170 < X < 185) = P(X < 185) – P(X < 170) =

185−181 170 −181

=𝑃 𝑍 < −𝑃 𝑍 < = 𝑃 𝑍 < 0,5 − 𝑃 𝑍 < −1,38 = 0,6915 − 0,0838 = 0,6077
8 8

150 * 0,6077 = 91,155 ≈ 92 atletas

En un examen tipo test de 200 preguntas de selección simple, cada pregunta tiene una
respuesta correcta y una incorrecta. Se aprueba si se contestan más de 110 respuestas
correctas. Suponiendo que se contesta al azar, calcular la probabilidad de aprobar el
examen.

X = cantidad de respuestas correctas . X → B(n; p); B(200; 0,5)

en un examen de 200 preguntas P(X ⋝ 110) = 1 – P(X < 110)
µ = E(x) = np = 200*0,5 = 100
σ = [np(1−p)] = [100(0,5)] = 50 = 7,07
Aproximación de la binomial a la normal.

X → N(µ; σ); X ≈ N(100; 7,07)

110−100
1 – P(X < 110) = 1 – P(Z < ) = 1 – P(Z < 1,41) = 1 – 0,9207 = 0,0793 = 7,93%
7,07
Un estudio ha mostrado que, en un cierto barrio, el 60% de los hogares tienen al menos
dos televisores Se elige al azar una muestra de 50 hogares en el citado barrio.
Se pide:
a) ¿Cuál es la probabilidad de que al menos 20 de los citados hogares tengan cuando
menos dos televisores? Rta: 99.81%
b) ¿Cuál es la probabilidad de que entre 35 y 40 hogares tengan cuando menos dos
televisores? Rta: 7.3%

X = cantidad de hogares con al menos dos televisores X → B(50; 0,6)

en una muestra de 50 hogares.
Se supone que los resultados de un examen siguen una distribución normal con media 78 y
varianza 36. Se pide:
a) ¿Cuál es la probabilidad de que una persona que se presenta el examen obtenga una
calificación superior a 72?
b) Si se sabe la calificación de un estudiante es mayor a 72 ¿cuál es la probabilidad de
que su calificación sea, de hecho, superior a 84? (Aplicar Bayes)

X = Calificaciones de un examen
X ~ N(78; 6)
72−78
a) P(X > 72) = 1 – P(X < 72) = 1 – P(Z < ) = 1 – P(Z < -1) = 1 - 0,1587 = 0,8413
6

b) Si se sabe la probabilidad que la calificación de un estudiante sea mayor a 72 ¿cuál es la

probabilidad de que su calificación sea, de hecho, superior a 84?

𝑃 𝐴∩𝐵
P(A)/B = 𝑃 𝐵

/
P(X > 84) (X > 72) =
𝑃 𝑋 > 84
𝑃 𝑋 > 72
=
0,1587
0,8413
= 0,1886

84−78
P(X > 84) = 1 – P(X < 84) = 1 – P(Z < ) = 1 – P(Z < 1) = 1 – 0,8413 = 0,1587
6
Si X es una variable aleatoria de una distribución N(µ, σ),
hallar: P(µ−3σ ≤ X ≤ µ+3σ)

𝜇−3𝜎−𝜇 𝜇+3𝜎−𝜇
𝑃 <𝑍< → 𝑃 −3 < 𝑍 < 3
𝜎 𝜎

Z → N(0; 1)

P (-3 < Z < 3) = P(Z < 3) – P(Z < -3) = 0,9987 – 0,0013 = 0,9974
PROPIEDADES DE LA ESPERANZA, Y LA VARIANZA DE
VARIABLES ALEATORIAS INDEPENDIENTES:
Sean X y Y, dos variables aleatorias cualesquiera, y sea 𝑘 ∈ 𝑅
E(X) ; V(X)
E(Y) ; V(Y)
Sea W = X ± 𝑌
E(W) = E X ± 𝑌 = 𝐸 𝑋 ± 𝐸(𝑌)
V(W) = 𝑉 X ± 𝑌 = 𝑽 𝑿 + 𝑽(𝒀)
𝐸 𝑘 =𝑘
V k =0
Q= k±𝑋
E Q =E k±𝑋 =𝐸 𝑋 ±𝑘
V Q =𝑉 k±𝑋 =𝑉 𝑋
P = k𝑋
E P = E k𝑋 = 𝑘𝐸 𝑋
V P = 𝑉 k𝑋 = 𝑘 2 𝑉 𝑋
 X = espesor de la 1era hoja en mm
X → N(1,5 ; 0,1)

Y = espesor de la 2da hoja en mm

Y → N(1,5 ; 0,1)

W = espesor total de la envoltura DM en mm

W = (X + Y) → W →N(E(W) ; σW) → W →N(3; 0,1414)

E(W) = E X + 𝑌 = 𝐸 𝑋 + 𝐸 𝑌 = 1,5 + 1,5 = 3𝑚𝑚

V(W) = 𝑉 X + 𝑌 = 𝑽 𝑿 + 𝑽 𝒀 = 𝟐 𝟎, 𝟏 𝒎𝒎 𝟐
= 𝟎, 𝟎𝟐 𝒎𝒎𝟐
σ(W) = 0,1414 mm

𝟑,𝟑−𝟑
P(W > 3,3) = 1 – P(W < 3,3) = 𝟏 − 𝑷 𝒁 < = 𝟏 − 𝑷 𝒁 < 𝟐, 𝟏𝟐 = 𝟏 − 𝟎, 𝟗𝟖𝟑 = 𝟎, 𝟎𝟏𝟕
𝟎,𝟏𝟒𝟏𝟒
 X = ancho del Marco en pulgadas
X → N(24; 0,125)

Y = ancho de la Puerta en pulgadas

Y Y → N(23,875; 0,0625)
X
W = Diferencia entre el ancho del marco y la puerta
(pulg)
W=X–Y
W →N(E(W) ; σW)
E(W) = E(X – Y) = E(X) – E(Y) = 24 – 23,875 = 0,125 pulg
V(W) = V(X – Y) = V(X) + V(Y) = 0,1252 + 0,06252 =
= 0,01953 𝑝𝑢𝑙𝑔2
𝜎 𝑊 = 0,14 𝑝𝑢𝑙𝑔
W = Diferencia entre el ancho del marco y la puerta (pulg)

W → N(0,125 ; 0,14)

0,25−0,125
b) P(W > 0,25) = 1 − P W < 0,25 = 1 − 𝑃 𝑍 < = 1 − 𝑃 𝑍 < 0,89 = 0,1867
0,14

0−0,125
c) P(W < 0) = 𝑃 𝑍 < 0,14
= 𝑃 𝑍 < −0,89 = 0,1867
𝑋1 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑚𝑒𝑛𝑠𝑎𝑗𝑒 1 ; 𝑋1 → 𝑁(15; 4)
𝑋2 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑚𝑒𝑛𝑠𝑎𝑗𝑒 2 ; 𝑋2 → 𝑁(5; 1)
𝑋3 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑚𝑒𝑛𝑠𝑎𝑗𝑒 3 ; 𝑋3 → 𝑁(8; 2)
𝑋4 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑖𝑑𝑎 𝑦 𝑣𝑢𝑒𝑙𝑡𝑎 ; 𝑋4 → 𝑁(12; 3)
𝑋 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑇𝑜𝑡𝑎𝑙 𝑒𝑛 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 ; 𝑋 → 𝑁(𝐸(𝑥); 𝜎𝑥 )
𝑋 = 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 → 𝐸 𝑋 = 𝐸 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4
𝐸 𝑋 = 𝐸 𝑋1 + 𝐸 𝑋2 + 𝐸 𝑋3 + 𝐸 𝑋4 = 15 + 5 + 8 + 12 = 40
𝑉 𝑋 = 𝑉 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 = 𝑉 𝑋1 + 𝑉 𝑋2 + 𝑉 𝑋3 + 𝑉 𝑋4 =
𝑉 𝑋 = 42 + 12 + 22 + 32 = 30 𝑚𝑖𝑛2

𝜎(𝑥) = 30 𝑚𝑖𝑛2 = 5,48 𝑚𝑖𝑛

X → N(40; 5,48)

P(X < Xo) = 0,99

𝑋0 − 40
→ 𝑃 𝑍< = 0,99 = 𝑃 𝑍 < 2,33
5,48

𝑋0 − 40
→ 2,33 = → 𝑋0 ≅ 52,77 𝑚𝑖𝑛
5,48

El cartel debe decir: “Regreso a las 10:53 am”

Introducción a la Inferencia Estadística
Distribución de la media muestral:

X = variable aleatoria
Población = N = 5

X = {2; 3; 3,5; 3,7; 4}

σ𝑋 2 +3+3,5+3,7+4 16,2
Media Poblacional = µ = = = = 3,24
𝑁 5 5
Muestras (n = 2)
(2; 3) → 𝑥ഥ = 2,5 (3; 3,7) → 𝑥ഥ = 3,35
(2; 3,5) → 𝑥ഥ = 2,75 (3; 4) → 𝑥ഥ = 3,5
(2; 3,7) → 𝑥ഥ = 2,85 (3,5; 3,7) → 𝑥ഥ = 3,6
(2; 4) → 𝑥ഥ = 3 (3,5; 4) → 𝑥ഥ = 3,75
(3; 3,5) → 𝑥ഥ = 3,25 (3,7; 4) → 𝑥ഥ = 3,85
32,4
Media de las medias muestrales = 𝐸 𝑥ഥ = = 3,24
10
TEOREMA CENTRAL DEL LÍMITE:

Siempre que se puedan tomar muestras suficientemente

grandes o un número suficientemente grande de muestras, la
información obtenida de las mismas, es decir, los estadísticos
muestrales tienen, como variable, un comportamiento
probabilístico que se puede asumir Normal.
El teorema considera que una muestra grande es aquella que
es mayor a 30 elementos; (n > 30)

𝜎
𝑥ഥ ≈ 𝑁 𝜇;
𝑛

Distribución de la media
muestral:
𝑋 ~ 𝑁 𝜇; 𝜎
muestra = n
σ𝑥 σ𝑥 1
𝑥ഥ = → 𝐸 𝑥ഥ = 𝐸 =𝐸 ෍𝑥
𝑛 𝑛 𝑛

1 1 1
𝐸 ෍ 𝑥 = 𝐸 ෍ 𝑥 = ෍ 𝐸(𝑥) =
𝑛 𝑛 𝑛

1 1
෍ 𝜇 = 𝑛𝜇 = 𝝁 = 𝑬(𝒙ഥ )
𝑛 𝑛
𝑋 ~ 𝑁 𝜇; 𝜎
muestra = n
σ𝑥 σ𝑥 1
𝑥ഥ = → 𝑉 𝑥ഥ = 𝑉 =𝑉 ෍𝑥
𝑛 𝑛 𝑛

1 1 1
𝑉 ෍ 𝑥 = 2 𝑉 ෍ 𝑥 = 2 ෍ 𝑉(𝑥) =
𝑛 𝑛 𝑛

2
1 2
1 2
𝜎
2
෍ 𝜎 = 2
𝑛𝜎 = = 𝑽(𝒙ഥ )
𝑛 𝑛 𝑛
X = variable aleatoria
n > 30 = muestra grande
X = (2,3,5,2,8,6,9,1,5,4,6,5,8,8,8,9,2,2,3,5)

X = (1,2,2,2,2,3,3,4,5,5,5,5,6,6,8,8,8,8,9,9)
Media = µ(x) = 5,05
Desvío = σ(x) = 2,56
𝜎
N = 20 𝑋ത → 𝑁 𝜇; 𝑛
n=4
n1 = (1,2,3,4) → 𝑋1ത = 2,5 2,56
ത =2 ത
𝑋 → 𝑁(5,05; )
n2 = (2,2,2,2) → 𝑋2 4
n3 = (3,3,5,6) → 𝑋3ത = 4,25
ത = 6,75 6,2−5,05
n4 = (8,3,8,8) → 𝑋4 𝑃 𝑋ത > 6,2 = 1 − 𝑃 𝑋ത < 6,2 = 1 − 𝑃 𝑍 < 2,56
n5 = (9,9,8,8) → 𝑋5ത = 8,5 4

n6 = (1,3,9,9) → 𝑋6ത = 5,5 = 1 − 𝑃 𝑍 < 0,898 = 1 − 0,8133 = 0,1867

n7 = (2,5,6,9) → 𝑋7ത = 5,5
n8 = (5,5,5,5) → 𝑋8ത =5 𝑃 𝑋ത > 6,2 = 0,1867
n9 = (9,2,6,8) → 𝑋9ത = 6,25
ത = 4,25
n10 = (2,5,6,4) → 𝑋10

σ10 ത
𝑖=1 𝑋𝑖 = 50,5 → 𝑋ത𝑥ҧ = 5,05 = 𝜇(𝑥)
Introducción a la Inferencia Estadística
Estimación
Mediante el muestreo estimaremos, los parámetros poblacionales: (constantes)
Media = µ
Varianza = σ2
Proporción = Π (P)

Calculando los estadísticos muestrales: (variables)

Media = 𝑋ത
Varianza = S2
Proporción = 𝑝Ƹ

Estimaciones Puntuales
Estimaciones por intervalos de confianza

σ 𝑥𝑖
𝑋ത = 𝑛 = media

σ 𝑥𝑖−𝑥ҧ 2
𝑆2 = = varianza Estimadores
𝑛−1
puntuales
𝑥𝑖
𝑝Ƹ = = proporción
𝑛
• La Probabilidad que el tiempo medio transcurrido sea como máximo de 7 meses.

• Si se sabe que el tiempo medio transcurrido supera los 6,5 meses; ¿Cuál es la

probabilidad de que no supere 7,5 meses?

• La probabilidad que el tiempo medio transcurrido supere los 5,5 meses

• La probabilidad Que el tiempo medio transcurrido no supere 7,8 meses ni sea

menor de 4,8 meses

X = tiempo transcurrido entre la polinización y la fertilización en meses
X → N(6; 2)

¿Cuál es la probabilidad de que una planta cualquiera tenga un tiempo transcurrido

entre ambas situaciones mayor a 8 meses?

8−6
P(X > 8) = 1 – P(X < 8) = 1 − 𝑃 𝑍 < = 1 − 𝑃 𝑍 < 1 = 1 − 0,8413 = 0,1587
2

Se tomó una muestra de tamaño 25

¿Cuál es la probabilidad de que el tiempo medio transcurrido entre ambas situaciones
mayor a 8 meses?
n = 25
𝜎 Y = N° de plantas cuyo tiempo entre polinización y
ത
𝑋 → 𝑁 𝜇;
𝑛 fertilización es mayor a 8 meses en un grupo de 25
plantas
2 2
𝑋ത → 𝑁(6; 25) = N(6; 5) Y → B(25; 0,16)
P(Y ⋝ 13) = 0,00003

8−6
𝑃 𝑋ത > 8 = 1 − 𝑃 𝑋ത < 8 = 1 − 𝑃 𝑍 < =1−𝑃 𝑍 <5
2
5
𝑃 𝑋ത > 8 ≈ 0
La Probabilidad que el tiempo medio transcurrido sea como máximo de 7

meses.

7−6
𝑃 𝑋ത < 7 = 𝑃 𝑍 < = 𝑃 𝑍 < 2,5 = 0,9938
0,4

Si se sabe que el tiempo medio transcurrido supera los 6,5 meses; ¿Cuál es

la probabilidad de que no supere 7,5 meses?

ത
𝑃(6,5<𝑋<7,5) 𝑃 ത
𝑋<7,5 ത
−𝑃(𝑋<6,5)
P(𝑋ത < 7,5/ 𝑋ത > 6,5) = ത
= ത
= 0,99915
𝑃(𝑋>6,5) 1−𝑃(𝑋<6,5)