UNIVERSIDAD NACIONAL DE PIURA.

ESCUELA DE ESTADÍSTICA
Departamento Académico de Estadística

Curso : ESTADÍSTICA Y
1
PROBABILIDAD
. .

VARIABLE
ALEATORIA.
FUNCIÓN DE
PROBABILIDAD
. .

DISTRIBUCIONES DE
PROBABILIDAD
IMPORTANTES DE
TIPO DISCRETO
CONTENIDO:
1. CARACTERÍSTICAS
[Link] ALEATORIA Y FUNCIÓN DE
PROBABILIDAD.
3. FUNCIÓN DE DISTRIBUCIÓN
4. PARÁMETROS
5. ESPERANZA Y VARIANZA
6. GRÁFICAS : p(x) y F(x)
6. APLICACIONES ( MANEJO DE TABLA)
ESQUEMA DE UNA DISTRIBUCIÓN DE PROBABILIDAD

1) Características.
Hablar sobre el experimento aleatorio. Ver algunos ejemplos
2) Definir la variable aleatoria y la función de probabilidad
X : v.a. discreta :“ Total de éxitos en “ n” pruebas o ensayos del
experimento” con función de probabilidad :
p(x) =…… modelo o fórmula matemática
O simplemente X; ( parámetro (s) )
3) Función de distribución : F(x) =.P(X ≤ x) =. Sumatoria..
4) Parámetro (s) : Constantes desconocidas que forma en modelo
5) Esperanza y varianza :
E(x) =µ = definición o fórmula … ; V(x) =σ2 = definición o fórmula
6) Gráficas de p(x) y F(x)
P(x) : Bastones y F(x) : Función escalonada no decreciente (
escalera..)
7) Aplicaciones . Manejo de tabla estadística
BERNOULL
Y
 DISTRIBUCIÓN BERNOULLY
a) CARACTERÍSTICAS: El experimento se realiza una sola vez y los
resultados pueden ser éxito o fracaso (ocurre o no ocurre) un cierto
suceso. La probabilidad de éxito y fracaso se denotan como “p” y “q”,
respectivamente es decir , P(éxito) = p ; P(fracaso) = 1− p = q .Ejemplos :
Se lanza una moneda una sola vez. P(cara) = ½; P(no cara ) = ½
Se lanza una moneda 5 veces. Un lanzamiento cualquiera es experimento Bernoully
Se extrae una carta desde una baraja de 52 cartas. P(corazón) = ¼ ; P(no corazón ) = ¾

b) VARIABLE ALEATORIA Y FUNCIÓN DE PROBABILIDAD

X es v.a. discreta “total de éxitos” entonces la función de probabilidad es :

p(x) = P(X=x) = px q1-x para X = 0 (fracaso) ; 1 ( éxito) o también :X

F(x) =

d).:PARÁMETRO : P

c). EXPERANZA Y VARIANZA:

BINOMIAL
 DISTRIBUCIÓN BINOMIAL
a) CARACTERÍSTICAS:
El exp. pocas veces. n ≤ 20 ó n < 30. En cada repetición del exp. éxito
con P(éxito) = p ; fracaso con P(fracaso) = 1-p = q. Ejemplos:
b) VARIABLE ALEATORIA Y FUNCIÓN DE PROBABILIDAD
X es v.a. discreta “total de éxitos” entonces la función de probabilidad es :

También podemos expresar como: X b(x,n,p)

c). FUNCIÓN DE DISTRIBUCIÓN

d) PARÁMETROS : n ; p

e). EXPERANZA Y VARIANZA:

GRÁFICA:p(x)
Si p = 0.5, entonces p(x) es simétrica. Si p ≠ 0.5, p(x) es asimétrica ;
asimétrica positiva si p < 0.5 y asimétrica negativa, si p > 0.5.
Ejemplo
Se sabe que un alumno resuelve correctamente 6 de cada 10
problemas de un texto. Si elegimos al azar 10 de tales problemas
que contiene el texto. Sea “X” el número de problemas resueltos
correctamente. Aquí : X : b ( n=10 ; p = 0.6) :
 APLICACIONES :

.
Ejemplo . Debido a las elevadas tasas de interés, una empresa
reporta que el 30% de sus cuentas por cobrar de otras
empresas están vencidas. Si un contador toma una muestra
aleatoria de cinco de esas cuentas, determine la probabilidad de
cada uno de los siguientes eventos:
a) Ninguna de las cuentas está vencida,
b) Exactamente dos cuentas están vencidas,
c) A lo más hay tres cuentas vencidas
d) La mayor parte de las cuentas están vencidas
e) Exactamente el 20% de las cuentas están vencidas.
f) Hallar también la media y la desviación estándar
 SOLUCIÓN
Sea la variable aleatoria X: número de cuentas vencidas,
RX ={ 0, 1, 2, 3, 4, 5 } ; X b(5, 0.3)
Ejemplo. El Sr. Seminario está a cargo de la sección de
electrónica de un gran centro comercial. Se ha dado cuenta de que
la probabilidad de que un cliente que solamente se encuentra
curioseando compre algo es de 0.3. Suponga que 15 clientes
visitan la sección de electrónica cada hora.
a) ¿Cuál es la probabilidad de que ninguna de las personas que
curiosean compre algo durante una hora dada?
b) ¿Cuál es la probabilidad de que no más de cuatro personas que
curiosean compren algo durante una hora dada?
c) ¿Cuál es la probabilidad de que al menos cuatro personas que
curiosean compren algo en una hora dada?
d) ¿Cuál es el número esperado de personas que curiosean
compren algo en una hora dada?
•
 SOLUCIÓN :

Sea la v.a X: "el número de clientes que curiosean compren algo

durante una hora dada".
RX = {0, 1, 2, 3, 4... 15} X ~ B (15, 0.3)

.
Como n = 15 y p = 0.3, entonces el número esperado de
personas que compren algo en una hora dada es :
E(X) = n·p = 15x0.3= 4.5 personas.
y la desviación estándar será : ?
 Manejo de tabla binomial
.
a) Probabilidad en un punto o “exactamente un valor “

b) Probabilidad hasta un punto o “ como máximo”

c) Probabilidad desde un punto o “ como mínimo”

 Ejemplo : Se dice que el 40 % de los alumnos
desaprueban un curso de Estadística

Se eligen al azar 10 alumnos del curso de Estadística.

Hallar la probabilidad de que exactamente 4 de ellos están
desaprobados:
Sea X: v.a. “ N° de alumnos desaprobados “ b( n = 10 ; p = 0.4)
Probabilidades importantes

1 K-1 k n
0 2 3
X
Ejemplo : Sea “X” v.a. binomial con parámetros :
n = 8 y p = 0.3

Hallar :
a) Probabilidades importantes ; b) Esperanza y desviación estándar

Esperanza y desviación estándar :

 HIPER-
GEOMÉTRICA
 DISTRIBUCIÓN HIPERGEOMÉTRICA
a).CARACTERÍSTICAS. Se aplica al muestreo sin reemplazo de una
población finita cuyos elementos se clasifican en dos categorías
mutuamente excluyentes. Así :
N : Tamaño de la población ( pequeña)
K K : Total de éxitos en la población
N−K : total de fracasos
n n : tamaño de la muestra
N─K
b) VARIABLE ALEATORIA Y FUNCION DE PROBABILIDAD
Si X es v.a. , número de éxitos en “ n “ veces que se repite el experimento :

donde

h(x, N, k , n )
También podemos notar como : X
 .c). FUNCIÓN DE DISTRIBUCIÓN
d).PARÁMETROS : N ; n ; k.

e).ESPERANZA Y VARIANZA :

f). MANEJO DE TABLA:

Ejemplo : Suponga que el gerente de crédito de un establecimiento

recibe 10 solicitudes de crédito, de las cuales 4 tienen documentación
incompleta por lo cual deben ser devueltas a los clientes. Si elegimos al
azar 5 solicitudes . Hallar : a) μ ; σ ; CV, del número de solicitudes con
documentación incompleta; b) Probabilidad de que más de 3;
exactamente 3 ; como máximo 3, solicitudes deben ser devueltas.
Solución:
 Función de probabilidad de la variable :
X : Número de solicitudes devueltas

X : 0, 1 ,2, 3, 4,

a) Esperanza y varianza del número de solicitudes devueltas

b) Probabilidad de que más de 3; exactamente 3; como máximo

3; solicitudes deben ser devueltas.
P(X>3) = P(X ≥ 4) = 1− P(X ≤ 3) = 1− 0.97619 = 0.02238
P(X=3) =…= 0.230095 ; P(X ≤ 3 ) = 0.97619
Probabilidades importantes :
ó

0 2 3 K-1 k n
1
X
Ejemplo : Sea “X” v.a. hipergeométrica con
parámetros : N = 9 ; n = 5 ; K = 4

X : 0, 1 ,2, 3, 4,

Hallar :
a) Probabilidades importantes ; b) Esperanza y desviación estándar

Esperanza y desviación estándar :

 EJERCICIO
Distribución binomial e
hipergeométrica
Muestreo con y sin
remplazo
. Ejemplo . Desde una caja que contiene 10 fichas , digamos :
6 azules y 4 blancas. Se extraen al azar cinco fichas

6-azules /
5 fichas
4- blancas
1) Si el muestreo es con reemplazo. Si X: N° de fichas blancas
X : 0,1,2,3,4,5

Media y desviación estándar del número de artículos NO defectuosos

. Ejemplo . Desde una caja que contiene 10 fichas , digamos :
6 azules y 4 blancas. Se extraen al azar cinco fichas

6-azules /
5 fichas
4- blancas
1) Si el muestreo es sin reemplazo. Si X: N° de fichas blancas

X : 0,1,2,3,4

Media y desviación estándar del número de artículos NO defectuosos

Tarea :Distribución binomial e hipeergeométrica
En un proceso de control de calidad se inspeccionan lotes de 10
artículos de los cuales 4 son defectuosos. Si se eligen 5 artículos
de cada lote.
1) Hallar la probabilidad de encontrar en un lote cualquiera :
a) Exactamente 1 artículo defectuoso ; b) Como máximo 1
artículo defectuoso ; c) Más de 1 artículo defectuoso. Si la
extracción es : i) CON REEMPLAZO ; ii) SIN REEMPLAZO
2) Hallar la media y desviación estándar del número de
artículos no defectuosos. Si la extracción es: i) Con
reemplazo ; ii) Sin reemplazo
POISSON
 DISTRIBUCIÓN DE POISSON
CARACTERÍSTICAS. APLICACIONES
La distribución de Poisson debe su nombre a Simeón Denis Poisson (1781 -
. 1840), un francés que desarrolló la distribución a partir de los estudios que
realizó durante la última parte de su vida

a) CARACTERÍSTICAS. La distribución de Poisson se utiliza

para describir cierto tipo de procesos, entre los que se encuentran
las llamadas telefónicas; la demanda diaria ,digamos, de
pacientes o clientes ; las llegadas de camiones y automóviles a
una garita de peaje, en un momento dado, etc. Estos ejemplos
tienen en común un elemento: pueden ser descritos mediante una
variable aleatoria discreta que toma valores enteros : (0, 1, 2, 3,
4, 5, etc.).
Función de probabilidad de Poisson p( x, λ )

• b)Variable aleatoria. Función de probabilidad.

Si X es v.a. tipo Poisson , “ Número de éxitos / intervalo continuo “ ,
entonces :
X = 0, 1, 2, ... ,

donde λ1 es el promedio eventos para el tiempo o dimensión

especifico de interés.O también :X p( x , λ )

e = 2.7182.., λ >0 : parámetro, cambia proporcionalmente su valor

al cambiar la unidad especificada de la variable aleatoria. Así :
λ1 = 4 llamadas/minuto; λ2=8 llamadas/2minutos ; λ3=..
 c) FUNCIÓN DE DISTRIBUCIÓN :

d).PARÁMETRO :
e) ESPERANZA Y VARIANZA : a) E(X) = λ ; b) V(X) = λ
f).GRAFICA. p(x) es asimétrica positiva por ser p < < 0.5

g) MANEJO DE TABLA Con el valor del parámetro y dado un

valor
X = x0 , obtenemos :
Probabilidades importantes
para x : 0 , 1 ,2 ,3 , . .k ………..

1 K-1 k n
0 2 3
X
Ejemplo : Sea “X” v.a. tipo poisson con parámetro :
λ =5

x = 0, 1, 2, ...
Hallar :
a) Probabilidades importantes ; b) Esperanza y desviación estándar

Esperanza y desviación estándar :

 APLICACIONES:

• Ejemplo Suponga que llegan en forma aleatoria una serie de

llamadas a una central telefónica con un promedio de tres
llamadas cada minutos.
a) Calcular la probabilidad de que en el período de un minuto:
• a1) No ocurra llamada alguna,
• a2) Ocurra al menos 4 llamadas.
b) Si cada llamada cuesta S/. 0.50, ¿Cuánto es el costo esperado
por llamadas.?
 Solución :
a) Sea X el número de llamadas que ocurren en el período de un
minuto. X ~ p(λ), donde λ = 3 es el promedio del número de
llamadas por minuto.
a1) La probabilidad de que no ocurra llamada alguna en el
período de un minuto es:

a2) La probabilidad de que ocurran al menos 4 llamadas en el

período de un minuto es:

b) Sea C el costo por llamada, entonces, C = 0.5 X , y

 Ejercicio :
• Una empresa textil produce un tipo de tela en rollos de 100
metros. El número de defectos que se encuentra al desenrollar la
tela es una variable aleatoria de Poisson que tiene en promedio 4
defectos por cada 20 metros de tela.
a) ¿Qué probabilidad hay de que al desenrollar la tela se encuentre
más de tres defectos en los primeros 50 metros?
b) Hallar la probabilidad de que al desenrollar la tela no se
encuentre defectos en el primer segmento de 5 metros de tela
c) Hallar la media y desviación estándar del número de defectos
 DISTRIBUCIÓN DE POISSON.
Los neumáticos de cierta marca para automóviles se desinflan por
causas externas, en promedio, una vez cada 2500 Kms.. Asumiendo
que las ocurrencias sigue la ley de probabilidades de Poisson.
.Realice un estudio probabilístico correspondiente de la v.a. "x"
Número de "reventones/ distancia especificada:
1250 ; 2500 ; 3000 ; 4000 ; 5000 ; 10000, Km. de recorrido"
a) Realizar un estudio probabilístico significa mínimamente , hacer lo siguiente :
b) Obtener la función de probabilidad , la función de distribución. Grafique la
funciones : p(x) y F(x)
c) Calcular probabilidades importantes
d) Hallar medidas estadísticas (medidas de posición ; dispersión ; deformación ;
concentración,…etc) como la media, mediana , moda, percentiles( mediana, terciles,
cuartiles, quintiles, etc.) ,
e) Hallar la desviación estándar y el coeficiente de variación

Rpta : (parámetro): λ : 0.5 ; 1.0 ; 1.2 ; 1.6 ; 2.0 , 4.0 respectivamente para las
distancias indicadas.
 DISTRIBUCIÓN DE POISSON.

X : 0,1,2,3,4,………∞

Defectos en cierta clase de tejidos de algodón ocurren al

azar con un promedio de 1 por 100 pies cuadrados.
Demuestre la probabilidad de una pieza que mide 50
por 10 pies,
a) No tenga defectos es 0.00674 ;
b) .Tenga a lo sumo 1 defecto es 4.1 % ;
c) Tenga más de 1 defecto es 0.959 ;
. d) La desviación estándar del número de defectos en una
pieza de 50 por 20 pies es 3.16228 defectos
La distribución de Poisson como una aproximación
de la distribución binomial
• La distribución de Poisson puede ser una razonable
aproximación de la binomial, pero sólo bajo ciertas
condiciones, cuando n es grande y p es pequeña, esto es,
cuando el número de ensayos es grande y la probabilidad
binomial de tener éxito es pequeña.
La distribución de Poisson es una buena aproximación de la
distribución binomial cuando n ≥ 20 y p ≤ 0.05. Aquí,
podemos sustituir la media de la distribución binomial (np) en
lugar de la media de la distribución de Poisson (λ), de modo que
la formula queda:
 APLICACIONES :

• Ejemplo El U.S. Bureau of Printing and Engraving

(Departamento de Impresiones y grabados) de Estados Unidos
es el responsable de imprimir papel moneda en aquel país. El
departamento tiene una impresionantemente baja frecuencia de
errores de impresión; sólo 0.5% de los billetes presentan errores
graves que no permiten su circulación.
¿Cuál es la probabilidad de que de un fajo de 1000 billetes : Más
de 9 ; exactamente 5 ; al menos 5 ; como máximo 5 ; presenten
errores que no permitan su circulación?. Hallar también l
desviación estándar del número de billetes con errores.
•
Solución.
• Sea X el número de billetes que presentan errores que no
permitan su circulación en el fajo de 1000 billetes. Los
posibles valores de X son 0, 1, 2, 3,..., 1000 y se distribuyen
según el modelo binomial: B(1000, 0.005), esto es:

Sea X el número de billetes que presentan errores que no

permitan su circulación en el fajo de 1000 billetes. Los posibles
valores de X son 0, 1, 2, 3,..., 1000 y se distribuyen según el
modelo binomial: B(1000, 0.005), esto es:

x = 0, 1, 2,..., 1000
 Solución.
La probabilidad de que más de 9 billetes presenten errores es:
.

= 1- 0.969 = 0.031
Si utilizamos la distribución de Poisson como aproximación a
la distribución binomial, se tiene: λ = np = 1000(0.005) = 5

= 1- 0.969 = 0.031
 TAREA . DISTRIBUCIÓN DE POISSON
Los neumáticos de cierta marca para automóviles se desinflan por causas externas, en
promedio, una vez cada 2500 Kms.. Asumiendo que las ocurrencias sigue la ley de
probabilidades de Poisson. Realice un estudio probabilístico correspondiente de la v.a.
"x" Número de "reventones/ distancia especificada:
1250; 2500 ; 3000 ; 4000 ; 5000 ; 10000, Km. de recorrido" :lo siguiente
1. Los neumáticos de cierta marca para automóviles se desinflan por causas externas, en
promedio, una vez cada 2500 Kms.. Asumiendo que las ocurrencias sigue la ley de
probabilidades de Poisson.
Realizar un estudio probabilístico significa mínimamente , hacer lo siguiente :
a) Obtener la función de probabilidad , la función de distribución. Grafique la
funciones : p(x) y F(x)
b) Calcular probabilidades importantes
c) Hallar medidas estadísticas (medidas de posición ; dispersión ; deformación ;
concentración,…etc) como la media, mediana , moda, percentiles( mediana, terciles,
cuartiles, quintiles, etc.) ,
d) Hallar la desviación estándar y el coeficiente de variación
Rpta : (parámetro): :
0.5 ; 1.0 ; 1.2 ; 1.6 ; 2.0 , 4.0 respectivamente para las distancias indicadas.
 Solución: X P( X ; λ =1.2).
1. Los neumáticos de cierta marca para automóviles se desinflan por causas
externas, en promedio, una vez cada 2500 Kms.. Asumiendo que las
ocurrencias sigue la ley de probabilidades de Poisson.
Realice un estudio probabilístico correspondiente de la v.a. "x" Número de
"reventones/3000 Km de recorrido.
X P( X ; λ =1.2). Entonces, se tiene
: a) Según tabla se tiene

b) Verificar resultados según el modelo:

. .

DISTRIBUCIONES DE
PROBABILIDAD DE
VARIABLE
CONTINUA
 Ejemplo. Si “X” des v.a. continua con función de densidad :
Hallar : P(X=3) ; P(X<3) ; P(X≥3)

f(x)

0.75

0.50
área
0.25

X
0 2 3 4
NORMAL
Distribuciones de Probabilidad de tipo
continuo. Característica. Aplicaciones.

Distribución Normal.
Definición. Se dice que la variable aleatoria X tiene
distribución normal con media μ y varianza σ2, y se escribe
como X ~ n(μ,σ2), si su función de densidad es dada por:

donde , σ > 0, Su gráfica es la figura siguiente.

La distribución normal. Características

1. La curva tiene un pico, por tanto, es unimodal. Tiene la forma de

campana.
2. La curva es simétrica con respecto al eje vertical X = μ.
3. Debido a la simetría la distribución normal, la mediana y la moda de la
distribución se encuentran también en el centro; tanto como la moda
tienen el mismo valor.
4. Los dos extremos de la distribución normal de probabilidad se extienden
indefinidamente y nunca tocan el eje horizontal (formándose asíntotas).
5. El área bajo la curva normal es 1.
 Distribución normal estándar. Uso de la tabla

• Considerando la diversidad de variables cuya distribución es

aproximadamente normal, se hace necesario emplear una
función densidad normal que sea independiente de los
valores y unidades que puedan tomar dichas variables. Para
esto se define la variable estandarizada, Z, de la siguiente
forma:

Para está variable estandarizada, se define la función de

densidad estandarizada:

La variable estándar Z tiene media igual a cero y la varianza igual a 1.

La función de densidad de la normal estándar
La variable estándar Z tiene media igual a cero y la varianza igual a 1.

Además, función de distribución acumulada de la normal estándar es:

 APLICACIONES:

• Si la variable aleatoria X tiene distribución n(μ,σ2), entonces, la

variable aleatoria, Z = (X − μ)/σ tiene distribución n(0,1).
Luego :

Ejemplo Utilizando la tabla de probabilidad normal estándar, hallar:

a) P( Z ≤ 1.2) b) P(0.81 ≤ Z ≤ 1.94) c) P(Z ≤ −1.28)
d) P(− 0.46 ≤ Z ≤ 2.21) ; e) P(−2.04 ≤ Z ≤−1.98) f) P(Z ≥ −0.68)
Solución
Directamente de la tabla normal estándar se obtiene:
a) P( Z ≤ 1.2) = 0.5 + P( 0 ≤ Z ≤ 1.2) = 0.5 + 0.3849 = 0.8849

b) P(0.81 ≤ Z ≤ 1.94) = P(0 ≤ Z ≤ 1.94) − P( 0 ≤ Z ≤ 0.81) =

c) P(Z ≤ −1.28) =
MANEJO DE TABLA. Ejercicios
El área o porcentaje :
a) Comprendida entre 0 y 1 ;
b) A la derecha de 1.5 ;
c) Entre –1 y +1 ;
d) A la izquierda de +1 ;
e) A la izquierda de – 2.55;
 LA DISTRIBUCIÓN NORMAL
En un examen el promedio de notas fue de 13 con desviación estándar de 2.
a) Determine y describa la probabilidad de que un alumno obtenga notas :
superiores a 12 ; inferiores a 13 ; exactamente 14 ; entre 12 y 14 .
f(x)

µ X
 LADISTRIBUCIÓN NORMAL
En un examen el promedio de notas fue de 13 con desviación estándar de 2.
a) Determine y describa la probabilidad inferiores a 13

f(x)

µ=13 X

f(z)

Z
0
 LADISTRIBUCIÓN NORMAL ESTÁNDAR

f(z)

Z
0
( i ) El área o porcentaje : comprendida entre 0 y 1 ; a la derecha
de 1.5 ; entre –1 y +1 ; a la izquierda de +1 ; a la izquierda de –
2.55;
 Distribución normal general

µ X

Parámetros :µ , σ
Área bajo la curva igual a 1
Es simétrica respecto al centro
50 % de valores a cada lado de la media
Tiene dos asíntotas
 Distribución normal estándar

0 Z

Parámetros : 0 , 1
Área bajo la curva igual a 1
Es simétrica respecto al centro
50 % de valores a cada lado de la media
Tiene dos asíntotas
 Áreas bajo la curva normal estándar
Un dato de la tabla es la proporción
bajo la curva que está entre z=0 y un 0.3413
valor positivo de z. Las áreas para
valores negativos de z se obtienen por
simetría

0 1.0 Z
z .00 .01 .02 .03 .04 .05 .06 0.7 .08 .09
0.0 0.0000
0.1
0.2

0.9
1.0 0.3414 0.3438 0.3461 … … …. … … ….. 0.3621
1.1 0.3643 ……
1.2 0.3944

Ejemplos : a) P(0 ≤ Z ≤ 1.00) = 0.3413 b) .P(0 ≤ ≤ 1.25) = 0.3944

 Ejemplo :Los puntajes de 800 alumnos se distribuyen en
forma normal con promedio de 13 puntos y una
desviación estándar de 2
.
[Link] la probabilidad o porcentaje de estudiantes con puntajes
a) Igual a 12 puntos ; b) Máximo de 12 puntos ; c) Mínimo de 12 puntos ;
d) Entre 10 y 15 puntos

2. Hallar el puntaje de estudiantes : a) ( máximo y mínimo) del 20 % ( quintiles)

; b) (máximo y mínimo) del 33.3 % ( terciles) ; c) máximo y mínimo del 25 % (
cuartiles) ; d) máximo y mínimo del 50% ( mediana)

3. ¿ Cuántos estudiantes tienen puntajes , según (1) y según (2)

SOLUCIÓN
 SOLUCIÓN PRELIMINAR
N = 800 estudiantes tienen puntajes X n(µ=13 puntos ; σ = 2 puntos)

1. Hallar probabilidades :
a) P(X=12) ; b) P(X ≤ 12) ;c) P(X ≥ 12 ) ; d) P(10 < X < 15)
2. Hallar x0, talque : ( quintiles)
a) P(X ≤ x0) = 20 % o P( X ≥ x0) = 20 % ; (terciles)
b) P( X ≤ x0 ) = 33.3 % o P( X ≥ x0 ) = 33.3 % ; ( cuartiles)
c) P( X ≤ x0 ) = 25 % o P( X ≥ x0) = 25 % ;
( mediana)
d) P( X ≤ x0 ) = 50 % o P( X ≥ x0 ) = 50 %

3. Hallar total de estudiantes según (1)

a) N P(X=12) ; b) N P(X ≤ 12) ; c) N P(X ≥ 12 ) ; d) N P(10 < X < 15)

Hallar total de estudiantes según (2)

a) 20 % de N ; b) 33.3 % de N; c) 25 % de N ; d) 50% de N
 ESTANDARIZAR Y DEESTANDARIZAR
N = 800 estudiantes tienen puntajes X n( µ=13 puntos ; σ = 2 puntos )

¿ Cómo estandarizar una variable X en Z , ( pasar de X a Z ) ?

µ X
X0

Z
0 Z0

¿Cómo regresar de Z a X ?
 SOLUCIÓN DEFINITIVA :
1 . Hallar probabilidades :
a) P(X=12) = P ( Z = −0.5) = 0

b)

c)

d)
= 0.4332 + 0.3413 = 0.7745
2. Quintiles, terciles, cuartiles y mediana
Hallar x0, talque :
a) P(X ≤ x0)= 20 % = P(Z≤−0.84). Aquí x0 = 11.32

Puesto si
P( X ≥ x0) = 20 % = P( Z ≥ +0.84) Aquí x0 = 14.68
Puesto que si

b) P( X ≤ x0 )= 33.3 % = P( Z≤− 0.43) o P( X ≥ x0 ) = 33.3 % = P( ≥ + 0.43) Aquí

primer caso x0 = 12.14 ; segundo caso x0 = 13.86

c) P( X ≤ x0 )= 25 %= P(Z ≤ − 0.67) o P( X ≥ x0 ) = 25 % = P(Z ≥ +0.67)

Aquí primer caso x0 = 11.66 ; segundo caso x0 = 14.34

d) P( X ≤ x0 )= 50 % = P(Z ≤ 0) o P( X ≥ x0 ) = 50 %= P(Z ≥ 0 ) ) .Aquí x0

es 13, para ambos casos.
3. Total de estudiantes tienen puntajes :
Total de estudiantes según (1)
a) N P(X=12) = 800x0 = 0 estudiantes ;
b) N P(X ≤ 12) = 800x0.3085 =246.8 estudiantes ;
c) N P(X ≥ 12 ) = 800x0.6915 = 553.2 estudiantes ;
d) N P(10 < X < 15) = 800x0.7745 = 619.6 estudiantes

Total de estudiantes según (2)

a) 20 % de N = 160 estudiantes ;
b) 33.3 % de N = 266.6 estudiantes ;
c) 25 % de N = 200 estudiantes
d) 50 % de N = 400 estudiantes
 Ejemplo:

. Un abogado se traslada diariamente de su casa en los suburbios a su oficina en

el centro de la ciudad. En promedio el viaje le toma 24 minutos con una
desviación estándar de 3.8 minutos. Asuma que la distribución de los tiempos de
traslado está normalmente distribuida.
a) ¿Cuál es la probabilidad de que un traslado le tome al menos 1/2 hora?-

b) Si la oficina abre a las 9:00 a.m. y él sale de su casa a las 8:45 a.m.
diariamente, ¿qué porcentaje de las veces llega tarde a su trabajo?-

c) Si deja su casa a las 8:35 a.m. y en la oficina entre las 8:50 y las 9:00 a.m. se
toma café, ¿cuál es la probabilidad de que se pierda el café?-

d) Encuentre el período arriba del cual se encuentra el 10% de los traslados más
lentos.
Solución:
• Sea la v.a X: tiempo que dura el traslado de un abogado desde
su casa a la oficina. Se sabe además que X ~ n[24, (3.8)2]

c) P(X ≥ 25) =… = 0.3974

d) Se X0 el período de tiempo arriba del cual se encuentra el 10% de los

traslados más lentos. Aquí : P(X ≥ X0) = 10 %. = P(Z ≥ Z0):
Entonces Z0 = 1.28. Por tanto X0 = 28.9
 “t”
STUDENT
 . Distribución t de Student.
.
Definición. La variable aleatoria continua “t” se distribuye según t-student
con r grados de libertad y se representa por t ~ t (r), si su función de
densidad es,

donde r es un número positivo

La gráfica de la distribución t se representa en la figura siguiente
Propiedades de la distribución «t» de Student
La distribución t- Student tiene las siguientes propiedades:
Si la v.a t ~ t (r), entonces su media y su varianza son respectivamente:
 PROPIEDADES DE LA DISTRIBUCIÓN “t”
DE STUDENT
Si la v.a t ~ t (r), entonces su media y su varianza son
respectivamente:

Su gráfica tiene forma de campana de Gauss, simétrica en cero.

La varianza de la distribución t es mayor que de la distribución
n(0, 1).
Pero cuando , la varianza de la t tiende a 1.
La distribución t se aproxima a una distribución n(0, 1), cuando .
La aproximación es buena, si r ≥ 30.

Si la v.a t ~ t(r), en la tabla de probabilidades t-Student se puede

encontrar una probabilidad 1-α o un valor t(1-α, r) , mediante la
relación :
 Áreas o probabilidades de la distribución “t”.

Si la v.a t ~ t(r), en la tabla de probabilidades t-Student se puede

encontrar una probabilidad 1−α o un valor t(1-α, r) , mediante la
relación

0
Área de la distribución t
Ejemplos. Si t tiene distribución t-Student con 18 grados de libertad, hallar:

Ejemplo. Si X tiene distribución t con 10 grados de libertad, hallar el valor t0

tal que: entonces, t0 = 2.764
 Distribución normal
Diámetros interiores de tubos de acero producidos por cierta firma se
distribuyen como normales n ( µ = 10 ;σ = 0.1) medidos en pulgadas.
medidos en pulgadas. Tubos con diámetros superiores a 10.05. ± 0.12
pulgadas se consideran defectuosos. ( fuera de control)

a) Verifique que la probabilidad de una unidad defectuosa es 0.2866.

b) Si el proceso es ajustado de modo que los diámetros interiores sean

distribuidos también como n ( 10.1 ; 0.1 ), ¿ será la probabilidad de una
unidad defectuosa igual que antes? ;

c) Si el proceso es ajustado de modo que los diámetros interiores se

distribuyen como n (10.05; 0.06), entonces 95.44 % de los tubos producidos
cumplieran las especificaciones . ¿ Correcto?
SOLUCIÓN :
 Solución
Proceso bajo control
Diámetros dentro del intervalo: 10.05. ± 0.12 pulgadas ;
: 9.93pulgadas a 10.17 pulgadas

Proceso fuera de control

Diámetros fuera del intervalo: 10.05. ± 0.12 pulgadas ;
: X < 9.93pulgadas o X ≥ 10.17 pulgadas.
a) P (X < 9.93 o X ≥ 10.17 ) = P ( Z <−0.7 o Z ≥ 1.7 ) 0.2866

b) Se reajusta el proceso : X n( 10.1; 0.1). Entonces :

P (X < 9.93 o X ≥ 10.17 ) = P ( Z <−1.7 o Z ≥ 0.7 ) = 0.2866. Igual

c) Se reajusta el proceso : X n( 10.05; 0.06). Entonces :

P (X < 9.93 o X > 10.17 ) = P ( −2 < Z < 2 ) = 0.9544