Probabilidades

M. Sc. Carlos Daniel Gonzales Hidalgo

cgonzales@[Link]
Estadística descriptiva y probabilidades

[Link]
[Link]
 Objetivo general: Presentar distribuciones de
probabilidad de variable aleatoria discreta

Objetivos específicos:

1. Presenta reglas básicas de probabilidad.

2. Presenta distribución de probabilidad
de variable aleatoria discreta y
continua.

2 [Link]
1. INTRODUCCIÓN

La estadística representa un método para la toma de decisiones frente a la

incertidumbre y como tal, se basa en la teoría de probabilidades, pues la probabilidad es
la medida de la incertidumbre y de los riesgos asociados con ella. Por ello, el estudiante,
antes que aprender procedimientos estadísticos para tomar decisiones, debe tener un
concepto claro de la teoría de probabilidad.

Un tratamiento preciso de la teoría de probabilidad requiere de dos enfoques, uno

inicial, basado en la teoría de conjuntos, y un segundo basado en las distribuciones de
probabilidad.

El primer enfoque nos permite comprender con claridad el concepto de probabilidad, así
como obtener un listado de axiomas y propiedades fundamentales de la teoría de
probabilidad. Con el segundo enfoque, llegamos a representaciones matemáticas que
facilitan el cálculo de probabilidades, mediante fórmulas que se ajustan regularmente a
ciertos fenómenos o experimentos.

[Link]
1.1. EXPERIMENTO
En estadística se considera experimento al proceso mediante el cuál se obtienen
los datos, ya sea de naturaleza cualitativa o cuantitativa.

1.1.1. EXPERIMENTO DETERMINÍSTICO

Se llama así al fenómeno o experimento que siempre tiene que ocurrir. Es decir se
presenta de una única manera y existen fórmulas matemáticas que describen el
fenómeno y con las que se pueden determinar el resultado del experimento.

Ejemplos:

El experimento consiste en dejar en el aire un plumón, éste siempre tiene que caer,
pues la ley de la gravedad hará que sea atraída al suelo.
Elevamos el precio de un bien, inmediatamente se reducirá la cantidad demandada.

[Link]
1.1.2. EXPERIMENTO NO DETERMINISTICO O ALEATORIO

Se llama así al fenómeno o experimento en el que no se puede determinar con certeza su resultado,
debido a que las causas que lo originan son no predecibles por ser aleatorias.
¿Por qué se dice que el experimento es no determinístico o aleatorio?

Por que:

• Sus resultados son producto del azar. Se puede repetir, cada experimento muchas veces sin
cambiar las condiciones.

• Sus resultados posibles se pueden enlistar en un conjunto.

Ejemplos:

– Lanzar una moneda sobre una mesa es un experimento aleatorio; unas veces resulta cara otras veces sello. Si en este
experimento “cargásemos” la moneda (revistiendo la cara con un metal pesado) de tal manera que al lanzarla a una mesa
siempre resulte cara, el experimento deja de ser aleatorio y pasaría a ser determinístico.
– Consideremos un partido entre dos equipos de Fútbol; desde el punto de vista de los resultados (goles). Siempre queda un
margen de azar en la determinación del número de goles a favor o en contra.
– Los juegos de lanzar dados, barajas, loterías, ruletas, carrera de caballos, etc. son típicamente aleatorios.
– Observar la vida útil de un artículo.

[Link]
1.2. ESPACIO MUESTRAL ()
Se denomina espacio muestral, al conjunto formado por todos los resultados posibles de un experimento aleatorio.

En notación matemática el espacio muestral se define como sigue:

 = {x / x es resultado de un experimento aleatorio}

Ejemplos:

Describir el espacio muestral asociado a cada uno de los experimentos aleatorios:

Lanzar una moneda al piso y observar el resultado que ocurre en la cara superior de la moneda.
 = {c, s}  n () = 2

Elegir el Presidente de una asociación, de un grupo de 5 candidatos (A, B, C, D, E).

 = {A, B, C, D, E}  n () = 5

Lanzar una moneda hasta obtener cara y contar el número de lanzamientos.

 = {1, 2, 3,…}

Determinar la vida útil de un artículo.

 = {w  / w  0}

[Link]
1.3. EVENTO O SUCESO
Se llama evento o suceso a todo subconjunto del espacio muestral. A los eventos se les denota con las primeras letras mayúsculas del
alfabeto, así decimos:
A = Es un evento  A  
A  se le considera evento seguro y a  evento imposible.
Ejemplo:

Suponga que se lanza dos monedas consecutivas al piso y se observa el resultado que ocurre en la cara superior de las monedas. Enliste
los siguientes eventos:
a). Se obtuvo exactamente una cara.
b). Se obtuvo exactamente dos sellos.
c). Se obtuvo por lo menos una cara.
d). Se obtuvo mas de una cara.
e). Se obtuvo a lo más dos caras.
f). Se obtuvo menos de dos caras.

Solución.
 = {(c, c), (c, s), (s, c), (s, s)}  n () = 4

a). A = {(c, s), (s, c)}  n (A) = 2

b). B = {(s, s)}  n (B) = 1
c). C = {(c, c), (c, s), (s, c)}  n (C) =3
d). D = {(c, c)}  n (D) = 1
e). E = {(c, c), (c, s), (s, c), (s, s)}  n (E) = 4
f). F = {(c, s), (s, c), (s, s)}  n (F) = 3

[Link]
1.4. TÉCNICAS DE CONTEO

1.4.1. PERMUTACIONES

Permutación es un arreglo lineal de todos los elementos de un conjunto o parte de los elementos del
conjunto (subconjunto) tomados en un orden definido. El número total de permutaciones está en función al
número de elementos tomados a la vez para cada permutación. Según esto podemos distinguir tres casos:

Permutaciones simples.

a.1. nPn = n
a.2. nPr = n / (n-r) 

Permutaciones con objetos repetidos.

nPn1, n2, n3,...nk = n / (n1 * n2 * … *nk)

Permutaciones circulares.

PCn = (n-1) 

[Link]
Ejemplos:

1. Se invita a 5 gerentes de grandes Empresas de Chiclayo, para dar a los alumnos de Marketing y Negocios
Internacionales de la UCV, una conferencia sobre exportación. ¿De cuántas maneras distintas se pueden
sentar los gerentes en una fila?

5P5 = 5 = 5*4*3*2*1 =120

2. De un grupo de 4 personas, se tiene que elegir a 3 personas que deben ocupar el cargo de presidente,
secretario, y vocal. ¿De cuántas maneras se pueden hacer los arreglos?

4P3 = 4 / (4-3) = 24

3. El número de formas diferentes de permutar 12 objetos iguales en todo, salvo el color, de los cuales 3 son
negros, 4 son blancos y 5 son rojos es,

12P3, 4, 5 = 12 / (3 * 4 *5) =27720

4. ¿De cuántas maneras diferentes pueden sentarse 9 personas alrededor de una mesa elipsoidal?

PC9 = (9-1)  =8

[Link]
1.4.2. COMBINACIONES
Cuando hablamos de combinaciones, no debemos tener en cuenta el orden de los elementos; sólo
nos interesa que se combine un elemento con otro.
nCr = n / r(n-r)

Ejemplos:
1. ¿Cuántos cables de conexión se necesitan para que dos aulas cualesquiera, de doce aulas
existentes en total en una Universidad, puedan comunicarse directamente?
12C2 = 12 / 2 (12-2) = 66
2. Una caja contiene 20 tornillos similares, de los cuales 10 son buenos, 8 tienen defectos del tipo A, 5
tienen defectos del tipo B, y 3 los dos tipos de defectos. ¿Cuántos elementos tiene el espacio muestral
que resulta de escoger al azar 11 tornillos de manera que 2 tengan defectos Ay B, 3 defectos sólo A, 2
con defectos sólo B y 4 sin defectos?
10C4 * 5C3 * 3C2 * 2C2 = 6300
3. Dados los eventos A de 4 elementos, y B de 8 elementos. ¿Cuántos eventos de 6 elementos
pueden formarse si cada uno debe contener:
– Un solo elemento de A?
– Por lo menos un elemento de A?
Solución:
4C1 * 8C5 = 224 formas.
4C1 * 8C5+ 4C2 * 8C4+ 4C3 * 8C3+ 4C4 * 8C2 = 896 formas.

[Link]
1.5. PROBABILIDAD DE OCURRENCIA DE OCURRENCIA DE UN EVENTO
1.5.1. DEFINICIÓN DE PROBABILIDAD CLÁSICA
Si A es un evento de , la probabilidad de que ocurra el evento A está dada por:
P(A)= n(A) / n ()

Ejemplo: Suponga que el experimento aleatorio consiste en lanzar un dado y observar el resultado que ocurre en la cara superior del dado. Calcular la probabilidad de que ocurra:

a) El número 6.
b) Por lo menos el número 4.

Solución:

 = {1, 2, 3, 4, 5, 6}  n () = 6

a) A= {6}  n (A) = 1

P(A)= n(A) / n () = 1/6

b) B= {4, 5, 6} n (B) = 3.

P(B)= n(B) / n () = 3/6

[Link]
1.5.2. DEFINICIÓN DE FRECUENCIA RELATIVA

La probabilidad de un evento (que suceda o que resulte) es la proporción de veces que el evento sucedería en
una serie prolongada de eventos repetidos.

Ejemplo:

La tabla siguiente, muestra el estado civil de 30 Trabajadores de una Empresa. Año 2005.
Si se selecciona un trabajador al azar, ¿cuál es la probabilidad de que sea soltero?

Solución:

P(Soltero)= 20 / 30

[Link]
1.6. AXIOMAS DE PROBABILIDAD

A.1. 0 P(A)  1
A.2. P() =1
A.3. Si A y B son dos eventos en , tales que A y B son mutuamente excluyentes
(AB = )
 P(AB) = P(A)+P(B)
Este axioma se puede extender para k eventos mutuamente excluyentes A1, A2,…, AK, es decir
P( A1A2 …AK) = P(A1)+P(A2)+…+P(AK)

1.7. TEOREMAS DE PROBABILIDAD

T.1. P( ) = 0
T.2. P(A´) = 1- P(A)
T.3. Si AB  P(A)  P(B)
T.4. Si A y B no son mutuamente excluyentes ( AB  )
 P(AB) = P(A)+P(B) -P (AB)
T.5. Si A, B y C no son mutuamente excluyentes
 P(ABC) = P(A)+P(B)+P(C) -P (AB) - P (AC)- P (BC)+ P (ABC)

[Link]
Ejemplos:
La probabilidad de que la señora hablantina reciba por lo menos 8 llamadas telefónicas en un día es 0.2 y la
probabilidad de que reciba a lo más 5 llamadas telefónicas en un día es 0.3. Hallar la probabilidad de que la señora
hablantina reciba 6 ó 7 llamadas en un día.
Solución:
 = {0,1 ,2 ,3 ,4 ,5, 6, 7, 8, 9,...}
A= {8, 9,…}  P(A) = 0.2
B= {0, 1, 2, 3, 4, 5} P(B)=0.3
C = {6, 7}  P(C) = ?
ABC = 
P (ABC) = P()
P(A) + P(B) + P(C) = 1
0.2 + 0.3 + P( C) = 1  P( C) = 0.5
Un escolar entra a una tienda de golosinas. La probabilidad de que compre caramelos es 0.7, la probabilidad de que
compre galletas es 0.5 y la probabilidad de que compre ambos (caramelos y galletas) es 0.3. Hallar la probabilidad de
compre caramelos, o galletas o ambos.
Solución:
Sean los eventos:
A = El niño compra caramelos
B = El niño compra galletas
AB = El niño compra caramelos y galletas
P(AB) = P(A)+P(B) -P (AB)
= 0.7 + 0.5 – 0.3 = 0.9

[Link]
1.7. PROBABILIDAD CONDICIONAL
A menudo se quiere determinar la probabilidad de que ocurra un evento sabiendo que
otro evento ha ocurrido. La probabilidad condicional (o condicionada) de que un evento B
ocurra dado que otro evento a ha ocurrido se denota por P(B/A). Esta notación se lee “.
La probabilidad de que B ocurra dado que A ha ocurrido” o simplemente la probabilidad
de B dado A”
P(B/A) = P (AB) / P(A) , Si P(A) 0
Ejemplo:
Un club consiste de ciento cincuenta miembros. Del total, 3/5 son hombres y 2/3 son
profesionales. Además, 1/3 de las mujeres son no profesionales. Se elige al azar un
socio del club:
a.1) Calcular la probabilidad de que sea hombre y profesional.
a.2) Calcular la probabilidad de que sea hombre, dado que es profesional.

Se eligen tres socios al azar:

b.1) Si las tres son mujeres, ¿cuál es la probabilidad de que sólo l de ellas sea
profesional?
b.2) Si resultan ser del mismo sexo, ¿cuál es la probabilidad de que sean mujeres?.

[Link]
 PROFESIONAL NO PROFESIONAL TOTAL

HOMBRE (H) 60 30 90

MUJER (M) 40 20 60

TOTAL 100 50 150

Solución:
a)

a.1) P(H  P) = 60/150 = 0.4

a.2) P(H/P) = P (HP) / P(P) = (60/150) / (100/150) = 0.6

b)

b.1) A = Las tres son mujeres

B = Sólo una es profesional P(B/A) = ( 40C1 * 20C2)/ 60C3
b.2) A = Los tres son del mismo sexo
B = Las tres son mujeres P(B/A) = ( 60C3 )/ (90C3 + 60C3) = 0.23

[Link]
1.8. EVENTOS INDEPENDIENTES
Se dice que el evento B es independiente del evento A, si,
P(B/A) = P(B)
Se verifica que, si P(B/A) = P(B), entonces, P(A/B) = P(A) y recíprocamente
En consecuencia, podemos afirmar que:
Los eventos A y B son independientes si, y sólo si,
P(B/A) = P(B) y P(A/B) = P(A).
Esto equivale a decir que A y B son independientes si sólo si
P(AB) = P (A) P(B)
Ejemplo:
Suponga que en un proceso de producción se utilizan las máquinas. 1 y 2, que trabajan en forma independiente para producir cierto bien.
Si la probabilidad de que ambas máquinas fallen es 1/5 y de que falle sólo la 2 es 2/15. Calcular la probabilidad de que
Falle sólo la máquina 1.
La producción continúe.
Solución:
P(AB) =1/5 = 3/15, P(A´B) = 2/15, entonces, P(B)= 5/15
Además de P(AB) = P (A) P(B), resulta, P(A) = 9/15
a)
P(AB´) = P (A) P(B´) = 9/15 * 10/15 = 6/15
b)
P(A´B  AB´  A´B´ ) = P(A´B) + P(AB´) + P( A´B´ )
= P(A´) P(B) + P(A) P(B´) + P( A´) P(B´)
= 6/15 * 5/15 + 9/15*10/15 + 6/15 * 10/15 = 12/15

[Link]
[Link]
Ejemplo:

Las probabilidades de que los socios S1 y S2 sean elegidos presidente de un club son respectivamente
0.4 y 0.6. Las probabilidades de que se aumenten las cuotas mensuales de los socios son de 0.9 si sale
elegido S1 y de 0.2 si sale elegido S2.
¿Cuál es la probabilidad de que haya un aumento en las cuotas mensuales de los socios?.
Si se aumenta la cuota mensual, ¿ cómo se modifican las probabilidades de que salgan elegidos los
socios S1 y S2 ?.

[Link]
[Link]
2. DISTRIBUCIONES DE PROBABILIDAD

2.1. INTRPODUCCIÓN
En la primera unidad desarrollamos algunos modelos probabilísticas a través de espacios
maestrales. Esto facilitó la comprensión del concepto de probabilidad y la obtención de algunas
propiedades fundamentales de la teoría de probabilidad, sin embargo, para estudiar situaciones
prácticas más generales, necesitamos ampliar estos conceptos para que tengamos distribuciones(o
modelos) de probabilidad que representen todos los tipos de variables definidas e en la asignatura de
Estadística Descriptiva. Así todo lo estudiado en tal asignatura para hacer un tratamiento descriptivo
de las variables cuantitativas tendrá su correspondiente distribución( o modelo teórico). Estas
variables numéricas a las cuales asociamos distribuciones de probabilidad, serán llamadas variables
aleatorias.

2.2. VARIABLE ALEATORIA

Una variable estadística es una característica (cualitativa o cuantitativa) que se mide u
observa en una población. Si la población es aleatoria y la característica es cuantitativa la variable
estadística es denominada variable aleatoria. Las variables aleatorias se clasifican en discretas y
continuas.

[Link]
Definición. Se denomina variable aleatoria, a una variable estadística cuantitativa definida en un espacio muestral .

El dominio de la variable aleatoria X es el espacio muestral  y el rango es un subconjunto de los números reales
que denotaremos por RX, siendo,

RX = {x  / x = X (w), w  }

Ejemplo:

Sea  el espacio muestral que se obtiene al lanzar al aire una moneda tres veces consecutivas, esto, es,

 = {SSS, SSC, SCS, CSS, SCC, CSC, CCS, CCC}.

Si X es el número de caras obtenidas, entonces X es una variable aleatoria cuyo rango es: R X = {0, 1, 2, 3}.

[Link]
2.3. Distribuciones de probabilidad discreta

2.3.1. Distribución Binomial

1.1. Definición

La distribución de probabilidad binomial es uno de los modelos matemáticos, que

se utiliza cuando la variable aleatoria es un número fijo n, de repeticiones de un
experimento de Bernoullí.

Ejemplo:

1. Número de caras al lanzar 5 monedas.

2. Número estudiantes desaprobados en un aula de 20 estudiantes.
3. Número de colaboradores satisfechos con su trabajo, en grupo de 12
colaboradores.

[Link]
1.2. Función de probabilidad

1.3. Parámetros

[Link]
1.4. Ejemplos:
1. Si X-B(n,p) tal que E(X)=3 y V(X)=2.4 ,calcular: P[X=3].

2. Un estudiante contesta al azar (o sea sin saber nada) a 9 preguntas, siendo

cada una de 4 respuestas de las cuales sólo una es la correcta.
a) Determinar la distribución de probabilidades del número de preguntas
contestadas correctamente.
b) Si para aprobar tal examen debe contestar correctamente al menos 6
preguntas, ¿cuál es la probabilidad de aprobar el examen?

3. En una producción, la probabilidad de que un objeto sea defectuoso es 0.2.

Si en una muestra de n de tales objetos escogidos al azar uno por uno, se
espera que haya un defectuoso,
a) calcular la probabilidad de que haya un objeto defectuoso.
b) ¿cuántos objetos defectuosos es más probable que ocurra?

[Link]
2.3.2. Distribución de Poisson

1. Definición
La distribución de Poisson describe la probabilidad como un acontecimiento
fortuito ocurrido en un tiempo o intervalo de espacio bajo las condiciones
que la probabilidad de un acontecimiento ocurre es muy pequeña, pero el
número de intentos es muy grande, entonces el evento actual ocurre
algunas veces.

Ejemplo:
1. Número de accidentes en la Panamericana norte por año.
2. Número de errores que se cometen por cada 10 pies cuadrados de tela.
3. Número de bacterias por cm3 de agua.

[Link]
2. Función de probabilidad

3. Parámetros

[Link]
4. Ejemplos:
1. El número medio de automóviles que llegan a una garita de peaje es de 120 por hora.
a) Calcular la probabilidad de que en un minuto cualquiera no llegue automóvil alguno.
b) Calcular la probabilidad de que en el período de 3 minutos lleguen más de 5 automóviles.
c) Si tal garita puede atender a un máximo de 3 automóviles en 30 segundos, calcular la probabilidad
de que en un medio minuto dado lleguen más automóviles de lo que puede atender.

2. Un líquido contiene cierta bacteria con un promedio de 3 bacterias por cm.3, calcular la
probabilidad de que una muestra,
a) de 1/3 de cm3 no contenga bacteria alguna.
b) de 2 cm,3 . Contenga por lo menos una bacteria.

3. Suponga que el número de accidentes de trabajo que se producen por semana en una fábrica
sigue la ley de Poisson de manera que la probabilidad de que ocurran 2 accidentes es igual a 3/2 de
la probabilidad de que ocurra un accidente, Calcular la probabilidad de que no ocurran accidentes en
2 semanas consecutivas.

[Link]
2.4. Distribuciones de probabilidad continua

2.4.1. Distribución Normal

1. Definición
La distribución de probabilidad conocida como distribución normal es, por la cantidad de
fenómenos que explica, la más importante de las distribuciones estadísticas.
A la distribución normal también se la denomina con el nombre de campana de Gauss, pues al
representar su función de probabilidad, ésta tiene forma de campana.

Ejemplos:

• Estatura, peso y otras características físicas.

• Errores de medición en experimentos científicos
• Tiempos de reacción en experimentos psicológicos
• Mediciones de inteligencia y aptitud.
• Calificaciones en diversas pruebas.
• Muchas medidas e indicadores económicos.

[Link]
2. Función de densidad

3. Parámetros

[Link]
2.4.2. Distribución Normal Estándar

Definición
Se observó que no existe una sola distribución de probabilidad normal, sino una
“familia” de ellas. Como sabemos, cada una de las distribuciones puede tener una
media (µ) o una desviación estándar distinta (σ). Por tanto, el número de distribuciones
normales es ilimitado y sería imposible proporcionar una tabla de probabilidades para
cada combinación de µ y σ.
Para resolver este problema, se utiliza un solo “miembro” de la familia de distribuciones
normales, aquella cuya media es 0 y desviación estándar 1 que es la que se conoce
como distribución estándar normal, de forma que todas las distribuciones normales
pueden convertirse a la estándar, restando la media de cada observación y dividiendo
por la desviación estándar.
Primero, convertiremos la distribución real en una distribución normal estándar
utilizando un valor llamado Z, o estadístico Z que será la distancia entre un valor
seleccionado, designado X, y la media µ, dividida por la desviación estándar σ.

[Link]
2. Función de densidad

1.3. Parámetros
1. E(X)= µ
2. Var. (X) = σ2

[Link]
Y 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861

[Link]
1) Halla las siguientes probabilidades en una distribución N ( 0, 1 )
P (Z ≤ 1,28)
a)Ejemplos: b) P (Z ≥ 0,65)
c) P (Z ≤ -1,17) d) P (Z ≥ -1,76)

2) Sea Z una variable aleatoria que sigue una distribución N ( 0, 1 ). Hallar el

valor de K en cada una de las siguientes igualdades :
a) P ( Z ≤ K ) = 0,8485 b) P ( Z ≥ K ) = 0,9972
c) P ( 1 ≤ Z ≤ K ) = 0,15 d) P ( Z ≤ 2 + k ) = 0,9896

3) En una distribución N ( 23 ; 3 ), halla las siguientes probabilidades :

a) P ( x ≤ 30 ) b) P ( x ≥ 15 )
c) P ( 19 ≤ x ≤ 21 ) d) P ( 25 ≤ x ≤ 29 )

4) En una distribución N ( 9 ; 0,5 ), calcula el valor de K para que se

cumplan las siguientes igualdades :
a) P ( x ≤ K ) = 0,9608 b) P ( x ≥ K ) = 0,5199
c) P ( x ≤ K ) = 0,8212 d) P ( x ≥ K ) = 0,8830

[Link]
Ejemplos:
5. En una ciudad se estima que la temperatura máxima en el mes de junio sigue
una distribución normal, con media 23° y desviación típica 5°. Calcular el número
de días del mes en los que se espera alcanzar máximas entre 21° y 27°.

6. Para El tiempo empleado, en horas, en hacer un determinado producto sigue

una distribución N(10, 2) . Se pide la probabilidad de que ese producto se tarde en
hacer:
a) Menos de 7 horas
b) Entre 8 y 13 horas

7. En cierta comunidad, el porcentaje del ingreso ahorrado por las familias tuvo
una media del 10% y una desviación están dar de 1.2%. Suponga que la
distribución es normal.
a) Si el 2.28% de los ahorros son mayores que 12.4%, determine la desviación
estándar.
b) ¿Qué porcentaje de familias ahorró entre 9 y 12% de su ingreso?
c) Determine el ahorro máximo para el 0.8% de las familias con bajos ahorros.

[Link]