Facultad de Ingeniería

Asignatura: Estadística inferencial

Docente: Juan Carlos Acosta Jiménez

Distribución Normal y aplicaciones

La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre (1667-
1754). Posteriormente, Carl Friedrich Gauss (1777-1855) realizó estudios más a fondo, donde formuló
la ecuación de la curva conocida comúnmente como la “Campana de Gauss" y tiene la siguiente forma:

¿Cómo simbolizamos que una variable 𝑿 sigue una distribución normal?

Para la distribución Normal, escribimos 𝑋~𝑁( 𝜇, 𝜎 ! )

1
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Si variable aleatoria 𝑋 tiene Distribución Normal con los parámetros 𝜇 ∈ 𝑅 y 𝜎 > 0 se tiene que:

Valor esperado
Función de densidad Función de distribución
(Esperanza Varianza
de probabilidad (acumulada)
matemática)

𝟏 𝒙$𝝁 𝟐
𝒆 #𝟐$
%
𝝈
𝒇(𝒙) = &
𝝈√𝟐𝝅 𝐹(𝑡) = 𝑃(𝑋 ≤ 𝑡) = < 𝑓(𝑥)𝑑𝑥 𝐸(𝑋) = 𝜇 𝑉(𝑋) = 𝜎 !
#'
para todo 𝒙 ∈ 𝑹

Análogamente, para a distribución Binomial, escribimos 𝑋~𝐵(𝑛, 𝑝)

Valor
Función de masa Función de distribución esperado
Varianza
de probabilidad (acumulada) (Esperanza
matemática)
*
𝒏
𝒇(𝒌) = 𝑷(𝑿 = 𝒌) = ( * 𝒑𝒌 (𝟏 − 𝒑)𝒏)𝒌 𝐹(𝑡) = 𝑃(𝑋 ≤ 𝑡) = 3 𝑃(𝑋 = 𝑖) 𝐸(𝑋) = 𝑛𝑝 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝)
𝒌
+,-

Para a distribución Poisson, escribimos 𝑋~𝑃𝑜𝑖𝑠(𝜆)

Valor
Función de masa Función de distribución esperado
Varianza
de probabilidad (acumulada) (Esperanza
matemática)
/
𝒆)𝝀 𝝀𝒌
𝒇(𝒌) = 𝑷(𝑿 = 𝒌) = 𝐹(𝑘) = 𝑃(𝑋 ≤ 𝑘) = 3 𝑃(𝑋 = 𝑖) 𝐸(𝑋) = 𝜆 𝑉(𝑋) = 𝜆
𝒌! +,-

Simulaciones en R,

##############################################################################
# Gráficas de la funcion de densidad variando la desviación estándar
##############################################################################
w=seq(0,10,0.1);w

plot(w,rep(0,length(w)),type="n",xlab="Datos Normales",ylab="Probabilidad",main="Distribución
Normal",ylim=c(0,1.1))

x=rnorm(100,5,0.5)
curve(dnorm(x,5,0.5,log = FALSE),col="red",lwd=2,add=T)

2
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

x=rnorm(100,5,1)
curve(dnorm(x,5,1,log = FALSE),col="green",lwd=2,add=T)

x=rnorm(100,5,2)
curve(dnorm(x,5,2,log = FALSE),col="blue",lwd=2,add=T)
legend(6.5,1,c("mu=5, sd=0.5","mu=5, sd=1","mu=5, sd=2"),lty=1,lwd=2,col=c("red","green","blue"))

################################################################################
# Gráficas de la función de densidad variando la media
################################################################################
w=seq(0,10,0.1);w

plot(w,rep(0,length(w)),type="n",xlab="Datos Normales",ylab="Probabilidad",main="Distribución
Normal",ylim=c(0,1.1))

x=rnorm(100,3,1)
curve(dnorm(x,3,1,log = FALSE),col="red",lwd=2,add=T) #add=T sirve para que salga el gráfico anterior#

x=rnorm(100,5,1)
curve(dnorm(x,5,1,log = FALSE),col="green",lwd=2,add=T)

x=rnorm(100,7,1)
curve(dnorm(x,7,1,log = FALSE),col="blue",lwd=2,add=T)
legend(6.5,1,c("mu=3, sd=1","mu=5, sd=1","mu=7, sd=1"),lty=1,lwd=2,col=c("red","green","blue"))

Distribución del área bajo la campana de Gauss

3
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Distribución Normal Estándar

𝑿#𝝁
Debido a la dificultad de evaluar las integrales propuestas, siempre realizamos la sustitución 𝒁 =
𝝈
obteniendo la distribución normal estándar (Tipificada).
Una variable aleatoria está estandarizada si y solo si tiene una Distribución Normal con media 0 y
varianza 1; es donde se cumplen las siguientes propiedades
+#, .#, .#,
1) 𝑃(𝑋 ≤ 𝑎) = 𝑃 J ≤ K = 𝑃(𝑍 ≤ )
- - -
2) 𝑃(𝑋 ≥ 𝑎) = 1 − 𝑃(𝑋 < 𝑎)
.#, /#, /#, .#,
3) 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃 J ≤𝑍≤ K = 𝑃 J𝑍 ≤ K − 𝑃 J𝑍 ≤ K
- - - -
4) Si tenemos una distribución Binomial con 𝑛 ≥ 30 podemos aproximarla a una distribución Normal
con 𝜇 = 𝑛𝑝 y 𝜎 ! = 𝑛𝑝(1 − 𝑝)

Ejemplos resueltos
1. Dada una distribución normal con media 30 y varianza 4, encuentre:
a) el área de la curva normal a la izquierda de x = 32
𝑋 − 𝜇 32 − 𝜇 32 − 𝜇 32 − 30
𝑃(𝑋 < 32) = T < U = 𝑃 T𝑍 < U = 𝑃 T𝑍 < U = 𝑃(𝑍 < 1) = 0.8413
𝜎 𝜎 𝜎 2

# En Geogebra,

4
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

# En excel,

=DISTR.NORM.N(32;30;2;1)

# En R,
pnorm(32,30,2) # Area a la izquierda con miu=30 y sigma=2
pnorm(1) # Area a la izquierda con miu=0 y sigma=1

b) el área de la curva normal a la derecha de x = 36

𝑃(𝑋 > 36) = 0.0013
# En Geogebra,

# En R,
pnorm(36,30,2,lower.tail=F) # Area a la derecha con miu=30 y sigma=2

c) el área de la curva normal entre x = 32 y x = 36

𝑃(32 ≤ 𝑋 ≤ 36) = 0.1574

# En Geogebra,

5
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

# En R,
pnorm(36,30,2) - pnorm(32,30,2)

d) el valor de x que tiene 67% del área de la curva normal a la izquierda

0#,
Se debe cumplir que 𝑃(𝑋 < 𝑥) = 0.67 de la tabla normal estándar se tiene que = 0.44.
-
0#12
Reemplazando valores tenemos que = 0.44 es decir, 𝑥 = 30.88
!

# En Geogebra,

# En R,
qnorm(0.67,30,2) # punto crítico con 67% de área a la izquierda

e) los dos valores que contienen un 75% central del área de la curva normal
Se debe cumplir que 𝑃(−𝑘 ≤ 𝑍 ≤ 𝑘) = 0.75 es decir; 2𝑃(𝑍 < 𝑘) − 1 = 0.75. De donde
/#, .#,
tenemos que 𝑘 =≈ 1.15 luego, -
= 1.15 y -
= −1.15 despejando tenemos los dos
valores: 𝑎 = 27.7 y 𝑏 = 32.3.

Esto es, 𝑃(27.7 ≤ 𝑋 ≤ 32.3) = 0.75

6
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

# En R,
qnorm(0.125,30,2) # punto crítico con 12.5% de área a la izquierda
qnorm(0.125,30,2, lower.tail=F) # punto crítico con 12.5% de área a la derecha

2. Supongase que el diametro externo de cierto tipo de cojinetes se encuentra distribuido normalmente
con media igual a 3,5 cm y desviación estandar igual a 0,02 cm. Si el diametro de estos cojinetes no
debe ser menor de 3,45 cm ni mayor de 3,55 cm, ¿Cuál es el porcentaje de cojinetes durante el
proceso de manufactura que debe desecharse?

Solución:
Sea 𝑋 el diámetro del cojinete, en donde 𝑋~𝑁(𝜇, 𝜎)
𝜇 = 3,5 Centímetros
𝜎 = 0,02 Centímetros

Luego,
3,45 − 3,5 𝑋 − 𝑢 3,45 − 3,5
𝑃(3,45 ≤ 𝑋 ≤ 3,55) = 𝑃 T ≤ ≤ U = 𝑃(−2,5 ≤ 𝑍 ≤ 2,5)
0,02 𝜎 0,02
= 𝑃(𝑍 ≤ 2,5) − 𝑃(𝑍 ≤ −2,5)

= 0,9938 − 0,0062

= 0,9876

≈ 98,76%

Puesto que el 98,76% de los cojinetes cumplen con las especificaciones determinadas, se deduce
que el 1,24% de la producción debe desecharse.
# En R,
pnorm(3.55,3.5,0.02) - pnorm(3.45,3.5,0.02)

7
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

3. Las calificaciones de un examen de aptitudes matemáticas, a nivel nacional se distribuyen en

forma normal con 𝜇 = 80 y 𝜎 = 12. ¿Qué porcentaje de estas calificaciones está por encima de 66
puntos?

Solución:
Sea 𝑋 la calificación de aptitud matemática, donde 𝑋~𝑁(𝜇, 𝜎)
𝜇 = 80
𝜎 = 12
Luego,
𝑋 − 𝑢 66 − 80
𝑃(𝑋 > 66) = 𝑃 T > U = 𝑃(𝑍 > −1.17) = 1 − 𝑃(𝑍 ≤ −1.17) = 1 − 0.1210 = 0.879
𝜎 12
≈ 87.9%
Por tanto, el 87.9% de las calificaciones está por encima de 66 puntos.
# En R,
pnorm(66,80,12, lower.tail=F)

4. Los coeficientes de inteligencia de 600 aspirantes a cierta beca en una universidad extranjera se
distribuyen según la distribución normal con media de 115 y desviación estándar de 12. Si la
universidad requiere un coeficiente de inteligencia de al menos 95, ¿Cuántos de estos aspirantes
serán rechazados sobre esta base sin importar otras calificaciones?

Solución:
Sea 𝑋 el valor del coeficiente intelectual, en donde 𝑋~𝑁(𝜇, 𝜎)
𝜇 = 115
𝜎 = 12
+#3 45#665
Luego, 𝑃(𝑋 < 95) = 𝑃 J -
< 6!
K = 𝑃(𝑍 < −1.67) = 0.0475 ≈ 4.75%
Así que 4.75% de los aspirantes a la beca en esta universidad no pasan, es decir, aproximadamente
28 aspirantes (4.75% de 600).

5. Una persona con una buena historia crediticia tiene una deuda promedio de US$15015. Suponga
que la desviación estándar es de US$3540 y que los montos de las deudas están distribuidos
normalmente. ¿Cuál es la probabilidad de que la deuda de una persona con buena historia
crediticia esté entre US$12000 y US$18000?

Solución:

Sea 𝑋 la deuda de una persona con una buena historia crediticia, en donde 𝑋~𝑁(𝜇, 𝜎)

𝜇 = 15015 dólares

𝜎 = 3540 dólares

Luego,

8
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

12000 − 15015 𝑋 − 𝑢 18000 − 15015

𝑃(12000 ≤ 𝑋 ≤ 18000) = 𝑃 T ≤ ≤ U = 𝑃(−0.85 ≤ 𝑍 ≤ 0.84)
3540 𝜎 3540

= 𝑃(𝑍 ≤ 0.84) − 𝑃(𝑍 ≤ −0.85)

= 0.7995 − 0.1977

= 0.6019

6. Se define un intervalo de especificación como el conjunto de valores de de la variable aleatoria 𝑋

que se consideran admisibles o aceptables y suele ser definido por el cliente o en ocasiones por el
diseñador del producto.
Supongamos que producimos piezas metalicas y una variable de calidad es el diametro de las
piezas. Cuando el proceso está bajo control el diametro de las piezas se distribuye 𝑋~𝑁(4.9, 0.1).
El cliente establece un intervalo de tolerancia entre 4,7 y 5,2. ¿Qué proporción de piezas
defectuosas se producen cuando el proceso esta bajo control?

Solución: Tenemos que la media del proceso es 𝜇 = 4,9 con desviación estándar de 𝜎 = 0,1,
consideremos a 𝑋 como la variable aleatoria que modela el diametro de la pieza producida,
entonces:
𝑃(𝑝𝑖𝑒𝑧𝑎 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎) = 1 − 𝑃(𝑝𝑖𝑒𝑧𝑎 𝑛𝑜 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎)
= 1 − 𝑃(4.7 ≤ 𝑋 ≤ 5.2)
7,9#, +#, 5,!#,
= 1 − 𝑃( -
≤ -
≤ -
)
= 1 − 𝑃(−2 ≤ 𝑍 ≤ 3)
= 1 − (𝑃(𝑍 ≤ 3) − 𝑃(𝑍 ≤ −2))
= 1 − (0.999 − 0.023)
= 1 − 0.976
= 0.024
≅ 2.4%

9
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Donde concluimos que el 2.4% de las piezas de la producción están defectuosas para los límites
de especificación (4.7 , 5.2)

7. Un vendedor contacta telefónicamente con clientes potenciales para estudiar si merece la pena
una visita a domicilio. Su experiencia le indica que el 40% de sus contactos por teléfono vienen
seguidos de una visita a domicilio. Si contacta con 100 personas por teléfono, ¿Cuál es la
probabilidad aproximada de que se realicen entre 45 y 50 visitas (inclusive) como resultado?

𝑛 = 100
𝑝 = 40% = 0.4

8. Un investigador científico reporta que unos cocodrilos vivirán un promedio de 40 meses cuando
sus dietas se restringen drásticamente y después se enriquecen con vitaminas y proteínas.
Suponga que la vida de tales cocodrilos se distribuyen normalmente con una desviación estándar
de 6,3 meses, encuentre la probabilidad de que un cocodrilo dado viva:
(a) más de 37 meses
(b) menos de 49 meses
(c) entre 37 y 49 meses

Solución:
Sea 𝑋 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑣𝑖𝑑𝑎 𝑑𝑒 𝑢𝑛 𝑐𝑜𝑐𝑜𝑑𝑟𝑖𝑙𝑜 (𝑚𝑒𝑠𝑒𝑠)
𝑋~𝑁(𝜇, 𝜎)
𝜇 = 40 𝑚𝑒𝑠𝑒𝑠
𝜎 = 6.3 𝑚𝑒𝑠𝑒𝑠

a) 𝑃(𝑋 > 37) = 0.683

10
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

𝑋 − 𝜇 37 − 𝜇 37 − 40
𝑃(𝑋 > 37) = 𝑃 T > U = 𝑃 T𝑍 > U = 𝑃(𝑍 > −0.48) = 0.683
𝜎 𝜎 6.3

b) 𝑃(𝑋 < 49) = 0.9234

19#, +#, 72#, 19#72 74#72

c) 𝑃(37 ≤ 𝑋 ≤ 49) = 𝑃 J -
≤ -
≤ -
K = 𝑃J :.1
≤𝑍≤ :.1
K

= 𝑃(−0.48 ≤ 𝑍 ≤ 1.43)
= 𝑃(𝑍 ≤ 1.43) − 𝑃(𝑍 ≤ −0.48)

11
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

= 0.9234 − 0.3170
= 0.6065

En geogebra,

9. Un ejecutivo de una cadena de televisión está estudiando propuestas para nuevas series. A su
juicio, la probabilidad de que una serie tenga una audiencia mayor que 17,8 es 0,25. Además, la
probabilidad de que la serie tenga una audiencia mayor que 19,2 es 0,15. Si la incertidumbre de
este ejecutivo puede representarse mediante una variable aleatoria normal, ¿Cuál es la media y
la desviación típica de esta distribución?
Solución:
Sea 𝑋 = 𝐴𝑢𝑑𝑖𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑢𝑛𝑎 𝑠𝑒𝑟𝑖𝑒
𝑋~𝑁( 𝜇, 𝜎)
𝜇 =?
𝜎 =?

Donde,
i) 𝑃(𝑋 > 17.8) = 0.25
ii) 𝑃(𝑋 > 19.2) = 0.15
De i) tenemos que,
𝑃(𝑋 > 17.8) = 0.25

12
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

𝑋 − 𝜇 17.8 − 𝜇
𝑃T > U = 0.25
𝜎 𝜎
17.8 − 𝜇
𝑃 T𝑍 > U = 0.25
𝜎
69.<#,
Luego, se debe cumplir que -
= 0.6745

Entonces, 17.8 − 𝜇 = 0.6745𝜎, esto es, 𝜇 + 0.6745𝜎 = 17.8

Análogamente, de ii) tenemos que,

𝑃(𝑋 > 19.2) = 0.15
𝑋 − 𝜇 19.2 − 𝜇
𝑃T > U = 0.15
𝜎 𝜎
19.2 − 𝜇
𝑃 T𝑍 > U = 0.25
𝜎
64.!#,
Luego, se debe cumplir que -
= 1.0364

Entonces, 19.2 − 𝜇 = 1.0364𝜎, esto es, 𝜇 + 1.0364𝜎 = +19.2

𝜇 + 0.6745𝜎 = 17.8 (𝐼)
Por tanto, se debe resolver el sistema de ecuaciones lineales m lo cual se
𝜇 + 1.0364𝜎 = 19.2 (𝐼𝐼)
puede resolver por cualquier método (sustitución, igualación, regla de Cramer, eliminación).
Usando el método de sustitución para 𝜇 𝑒𝑛 (𝐼𝐼) se obtiene,
𝜇 + 1.0364𝜎 = 19.2
𝜇 = 19.2 − 1.0364𝜎
Reemplazando en (𝐼),
𝜇 + 0.6745𝜎 = 17.8
(19.2 − 1.0364𝜎) + 0.6745𝜎 = 17.8
19.2 − 1.0364𝜎 + 0.6745𝜎 = 17.8
−1.0364𝜎 + 0.6745𝜎 = 17.8 − 19.2
−0.3619𝜎 = −1.4
−1.4
𝜎=
−0.3619
𝜎 = 3.8685

Además,
𝜇 = 19.2 − 1.0364𝜎 = 19.2 − 1.0364(3.8685) = 15.1907

13
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

10. Un grupo grande de alumnos hace un examen de estadística. Las notas se distribuyen según una
normal de media 3,5. Además, la probabilidad de que un alumno elegido al azar obtenga una nota
menor que 4,2 es 0,7580. Se eligen dos estudiantes al azar, ¿cuál es la probabilidad de que al
menos uno de ellos obtenga más de 4,0 en el examen?
Solución:
Sea 𝑋 = 𝑛𝑜𝑡𝑎 𝑑𝑒 𝑢𝑛 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒
𝑋~𝑁(𝜇, 𝜎)
𝜇 = 3.5
𝜎 =?
Donde, 𝑃(𝑋 < 4.2) = 0.7580
Luego,
𝑃(𝑋 < 4.2) = 0.7580
𝑋−𝜇 4.2 − 𝜇
𝑃T < U = 0.7580
𝜎 𝜎
4.2 − 3.5
𝑃 T𝑍 < U = 0.7580
𝜎

Por tanto,
4.2 − 3.5
= 0.6999
𝜎
0.7
=𝜎
0.6999
𝜎≈1

Además, 𝑌 = 𝑛ù𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑠𝑡𝑢𝑑𝑖𝑎𝑛𝑡𝑒 𝑞𝑢𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒𝑛 𝑚á𝑠 𝑑𝑒 4,0 𝑒𝑛 𝑒𝑙 𝑒𝑥𝑎𝑚𝑒𝑛

𝑋~𝐵(𝑛, 𝑝)
𝑛=2
𝑝 = 𝑃(𝑋 > 4) =?
Debemos buscar 𝑃(𝑌 ≥ 1)

En efecto,
𝑝 = 𝑃(𝑋 > 4) = 0.3085
Luego,
𝑃(𝑌 ≥ 1) = 0.5218

14
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

¿Cómo graficamos la Campana de Gauss con Excel?

Se realizará una simulación del bosquejo de la campana de Gauss en microsoft Excel para una variable
aleatoria 𝑋 con distribución normal con media 𝜇 = 14 y desviación 𝜎 = 3. En efecto:

Paso 1. Abra un libro de Excel, y copie la siguiente información empezando en la celda B2

Paso 2. En la columna de la variable X, colocamos los valores -20, -19, -18,…, 0, 1, 2,…, 40

15
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Paso 3. Los valores de la columna Y, los debemos encontrar usando la fórmula de la función de
probabilidad

1 "
("#$)&
𝑓(𝑥) = 𝑒 &'&
√2𝜋𝜎 !
Para esto, nos colocaremos en la cedla C6 y copiamos lo siguiente:

=(1/RAIZ(2*PI()*$C$3^2))*EXP(-((B6-$C$2)^2)/(2*$C$3^2))

Paso 4. Nos colocamos en la parte inferior derecha de la celda C6 hasta que nos salga el signo + y
arrastramos hasta la celda C66

16
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Paso 5. Seleccionamos las dos columnas de datos y damos click en el menu insertar

Paso 6. Seleccionamos un gráfico de dispersión, en donde obtenemos la Campana de Gauss

17
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Paso 7. En las opciones de diseño podemos mejorar la presentaciòn de la gráfica.

Distribución Normal con media 14 y desviación 3

0,14

0,12

0,1

0,08

0,06

0,04

0,02

0
-30 -20 -10 0 10 20 30 40 50

18
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Paso 8. Podemos variar los valores de la media y desviación para ver otras simulaciones, por ejemplo,
la distribución normal estándar tiene media 0 y desviación 1.

19
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Probabilidad de variables aleatorias con distribución Normal

Para buscar valores de probabilidad, Excel utiliza la función =DISTR.NORM() en donde se solicitan los
siguientes valores:

x ( representa el valor a buscar

media (es el promedio de la distribución)

desv_estándar (es la desviación estándar de la distribución)

acum (se coloca 1 o verdadero si el valor buscado es acumulado, si se busca un valor exacto

se coloca 0 o falso)

Los valores resultantes en Excel siempre son áreas a la izquierda, si nos preguntan un área a la
dercha, usamos el complemento.

Ejemplo: Dada una distribución normal con media 30 y varianza 4, encuentre:

a) El área de la curva normal a la izquierda de x = 32

𝑃(𝑋 < 32) = 0.0013

20
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

b) El área de la curva normal a la derecha de x = 36

𝑃(𝑋 > 36) = 1 − 𝑃(𝑋 ≤ 36) = 0.0013

c) El área de la curva normal entre x = 32 y x = 36

𝑃(32 ≤ 𝑋 ≤ 36) = 𝑃(𝑋 ≤ 36) − 𝑃(𝑋 ≤ 32) = 0.1573

Si la distribución es normal estándar podemos usar la función =DISTR.NORM.ESTAND.N()

En donde, se nos solicita el valor de z y el acumulado.

21
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Otros Ejemplos:

a) 𝑃(𝑍 < 2.28) = 0.9887

b) 𝑃(𝑍 ≥ −1.16) = 1 − 𝑃(𝑍 < −1.16) = 0.8770

c) 𝑃(−3.2 ≤ 𝑍 ≤ 2.79) = 𝑃(𝑍 ≤ 2.79) − 𝑃(𝑍 ≤ −3.2) = 0.9967

22
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Ejercicios de práctica

1) En un estudio de conducta facial, se toma el tiempo de contacto visual entre los participantes en un
grupo de control, durante un periodo de 5 minutos. Los tiempos se distribuyen normalmente, con una
media de 184 segundos y una desviación estándar de 55 segundos Para una persona elegida al
azar del grupo de control, calcule la probabilidad de que el tiempo de contacto visual sea mayor que
230 segundos, que es la media de los esquizofrénicos paranoides. Rta/ 0.2005

2) Los ingresos semanales de los supervisores de turno de la industria del vidrio se rigen por una
distribución de probabilidad normal con una media de $1000 y una desviación estándar de $100.
a) ¿Cuál es el valor z para el ingreso X de un supervisor que percibe $1100 semanales Rta/ z=1
b) ¿Y para un supervisor que gana $900 semanales? Rta/ z=-1

3) La General Electric ha publicado cifras acerca de la cantidad anual de kilowatts-hora consumida por
los electrodomésticos en el hogar, del cual afirman que estos aparatos consumen un promedio de
60 kilovatios-hora al año con una varianza de 4,84. La cantidad anual de kilowatts- hora consumida
por los electrodomésticos en el hogar se aproxima a una normal. Si seleccionamos aleatoriamente
un hogar, cual es la probabilidad de que la cantidad anual de kilowatts-hora consumida por sus
electrodomésticos:
a) Esté entre 56,7 y 64 kilovatios-hora al año? Rta/ 0.8988
b) Sea menor que 56,75 kilovatios-hora al año? Rta/ 0.0694
c) Sea mayor que 63 kilovatios-hora al año? Rta/ 0.0869
d) Si la cantidad anual de kilowatts-hora consumida por sus electrodomésticos es mayor de 63
kilovatios-hora al año, cual es la probabilidad de encontrar un hogar con un consumo menor de
64,2 kilovatios-hora al año? Rta/ 0.6766
e) Si la cantidad anual de kilowatts-hora consumida por sus electrodomésticos es menor de 64
kilovatios-hora al año, cual es la probabilidad de encontrar un hogar con un consumo menor de
56,7 kilovatios-hora al año? Rta/ 0.0691

4) Como parte de su programa de control de calidad, la compañía Autolite Battery realiza pruebas
acerca de la vida útil de las baterías. La vida media de una batería de celda alcalina D es de 19

23
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

horas. La vida útil de la batería se rige por una distribución normal con una desviación estándar de
1.2 horas. Responda las siguientes preguntas:
a) ¿Entre qué par de valores se localiza 68% de las baterías? Rta/ 17.8 y 20.2
b) ¿Entre qué par de valores se localiza 95% de las baterías? Rta/ 16.6 y 21.4
c) ¿Entre qué par de valores se localiza prácticamente la totalidad de las baterías (99.73% de las
baterías)?
Rta/ 15.4 y 22.6
5) La duración de los embarazos se distribuye normalmente, con una media de 268 días y una
desviación estándar de 15 días.
a) Calcule la probabilidad de que un embarazo dure 308 días o más. Rta/ 0.0038
b) Si estipulamos que un bebé es prematuro cuando la duración del embarazo se encuentra en el
4% inferior, calcule la duración que separa a los bebés prematuros de aquellos que no lo son.
Los bebés prematuros suelen requerir cuidados especiales y este resultado podría ser útil para
que los administradores de hospitales planeen esos cuidados. Rta/ 242 días

6) En Estados Unidos, los pesos de los bebes al nacer se distribuyen normalmente, con una media de
3420 gramos y una desviación estándar de 495 gramos. Si un hospital planea establecer condiciones
especiales de observación para el 2% de los bebés menos pesados, ¿qué peso se utilizaría para
establecer un punto de corte que separe al 2% de los bebés menos pesados de los demás?
Rta/ 2405 gramos

24
Facultad de Ingeniería
Asignatura: Estadística inferencial
Docente: Juan Carlos Acosta Jiménez

Referencias y bibliografía consultada

DEVORE, J “Probabilidad y Estadística Para Ingeniería y Ciencias” 6ª edición. Thomson 2005.

LEVIN, RUBIN "Estadística para Administración y Economía" 7ª edición. Pearson 2004.

LLINAS Humberto. Estadística descriptiva y distribuciones de probabilidad. Uninorte, 2005

MARTINEZ, C “Estadística y Muestreo” 12ª Edic. Ecoe Ediciones 2005.

MONTGOMERY, Probabilidad y estadística aplicadas a la ingeniería. Limusa, 2002

WALPOLE, R “Probabilidad y Estadística Para Ingeniería y Ciencias” 9ª edición. Prentice Hall 2012.

25