UNIFORME

DISTRIBUCION

Captulo 6

Algunas Distribuciones Continuas

Jose Tapia Caro
En esta secci
on se estudiar
an las principales caractersticas de algunas distribuciones continuas importantes tales como la Uniforme, Exponencial y Normal.

1.

Distribuci
on Uniforme

Definici
on 1.1. Se dice que una variablea aleatoria X tiene distribuci
on uniforme en el
intervalo [a; b] si su densidad est
a dada por
(
1
,a x b
f (x) = ba
(1)
0
, en otro caso
Observaciones 1.1. En relaci
on a la densidad uniforme se tienen las siguientes propiedades.
1. Si X tiene distribuci
on uniforme en el intervalo [a; b] se anota X U (a; b).
2. La esperanza es E(X) = (a + b)/2.
3. La varianza es V ar(X) = (b a)2 /12.
4. La funci
on de distribuci
on es

F (x) =

xa
ba

,x < a
,a x b
,x > b

(2)

5. La densidad uniforme establece que dentro del intervalo [a; b] no hay valores de X que
sean m
as probables que otros. Mas especficamente, la probabilidad de que X este en
un subintervalo de ancho dentro del intervalo [a; b] es siempre igual a /(b a) sin
importar donde se encuentre ese subintervalo. Esta caracterstica de la distribuci
on
uniforme la hace vital en la generacion de n
umeros aleatorias necesarios para simular
procesos aleatorios.
Ejemplo 1. (Tiempos de despacho)
Un constructor de casas necesita ordenar materiales cuyo tiempo de entrega tiene una
distribuci
on uniforme en el intervalo 1 a 4 das. Como la constructora puede arreglarselas
sin ellos durante 2 das, el costo de la demora en la entrega del material se fija en 100 dolares
hasta dos das, pero despues de ese tiempo se establece que cada da adicional tendra un
costo de 100 d
olares m
as 20 d
olares proporcionales. Por ejemplo, una demora de 3,5 cuesta
100+20(1,5) = 130 d
olares. Calcule el costo esperado asociado a la demora en la entrega de
los materiales.
Soluci
on
El tiempo de entrega X tiene distribucion uniforme en el intervalo [1; 4] cuya densidad
aparece en la Figura 1 y cuya distribucion de probabilidad acumulada F (x) aparece en la
Figura 2. El tiempo de entrega esperado es E(X) = (a + b)/2 = (1 + 4)/2 = 2, 5 das. Por
tanto el costo esperado es 100+20(0,5)= 110 dolares.

1

UNIFORME
DISTRIBUCION

Densidad Uniforme(1;4)

Distribucin Uniforme(1;4)

0.6

Distribucin

0.4

0.2

0.0

0.2

0.1
0.0

Densidad

0.8

0.3

1.0

P(X> 2.5 ) = 0.5

Figura 1: Densidad Uniforme(1;4)

Figura 2: Distribucion Uniforme(1;4)

Ejercicios Secci
on 1
1. El tiempo que tardan los operadores de un Call Center para llenar un formulario
electr
onico relacionado con el soporte tecnico solicitado por un cliente es una variable
aleatoria con densidad de probabilidad f (x) = 0, 025 para 80 < x < 120 segundos.
a) Cu
ales son la media y la desviacion estandar del tiempo que tardan los
operadores del Call Center para llenar un formulario electronico?
b) Se enviar
a a una capacitacion especial al 10 % mas lento de los operadores. A
partir de que tiempo de llenado del formulario un operador sera considerado lento?
R:
a) = 100 segundos, = 11, 5 segundos
b) 116 segundos
2. Se ha encontrado que el retraso en la salida de los buses desde un terminal puede ser
modelado aproximadamente por una distribucion Uniforme con media 2,2 minutos y
desviaci
on est
andar 0,9 minutos. Que porcentaje de los buses tiene un retraso en su
salida superior a 3 minutos?
R:
El 24, 34 % de los buses.
3. De una variable aleatoria con distribucion Uniforme se sabe que F (0, 5) = 0, 25 y
F (0, 5) = 0, 75.
a) Dibuje la funci
on de densidad f (x) y la funcion de distribucion F (x).
b) Encuentre P (X > + ).
R:
b) 0,2113
4. De una variable aleatoria con distribucion Uniforme se sabe que F (1) = 0, 25 y f (3) =
0, 25.
a) Dibuje la funci
on de densidad f (x) y la funcion de distribucion F (x).
b) Encuentre P (X > + 0, 5).
R:
b) 0,3557

5. Para una variable aleatoria X U (a; b) demuestre que P ( < X < +) = 1/ 3

 EXPONENCIAL
DISTRIBUCION

2.

Distribuci
on Exponencial

Se ha demostrado que la distribucion exponencial es un buen modelo de probabilidad

para variables aleatorias como duracion de componentes, tiempos de espera, tiempo entre
accidentes, etc.
Definici
on 2.1. Se dice que una variable aleatoria X tiene una distribuci
on exponencial
de par
ametro , anotado X Exponencial(), si su densidad est
a dada por
(
(1/)e(x/) ; x 0, > 0
f (x) =
(3)
0
, en otro caso
La esperanza, la varianza y la funcion de distribucion de probabilidad acumulada de
una variable aleatoria exponencial estan dados en el siguiente teorema
Teorema 2.1. Si X Exponencial(), entonces
1. E(X) =
2. V ar(X) = 2
3. F (x) = 1 e(x/) ; x 0, > 0
Demostraci
on
1. Usando integraci
on por partes se obtiene que
Z
Z
E(X) =
xf (x)dx =
x(1/)e(x/) dx

0


Z
(x/)
(x/)
= (1/) xe
|0 +
e
dx
0
2

= (1/)(0 + ) =
Rx
Rx
2. Para x < 0, F (x) = 0dt = 0. Para x 0, F (x) = 0 (1/)e(t/) dt = 1 e(x/)
Por tanto, la funci
on de distribucion asociada a la densidad exponencial es
(
1 e(x/) , x 0
F (x) =
0
,x < 0
3.

E(X ) =

x f (x)dx =

x2 (1/)e(x/) dx

Usando integraci
on por partes se tiene que
u = x2
dv = e(x/)
du = 2xdx v = e(x/)
2

x f (x)dx =
x2 (1/)e(x/)

0


Z
2
(x/)
(x/)
= (1/) x e
|0 +
2xe
dx
0


Z
= (1/) 0 + 2( 2 )
x(1/)e(x/) dx

E(X ) =

= (1/)(0 + 2 2 ) = 2 2
3

EXPONENCIAL
DISTRIBUCION

Densidad Exponencial(2,78)

Distribucin Exponencial(2,78)

0.8
0.0

0.4

Distribucin

0.2
0.1
0.0

Densidad

0.3

P(X> 2.78 ) = 0.3679

10

12

10

12

Figura 3: Densidad Exponencial(2,78)

Figura 4: Distribucion Exponencial(2,78)

Por tanto, la varianza de la duracion de las baterias es

V ar(X) = E(X 2 ) [E(X)]2 = 2 2 ()2 = 2
p
La desviaci
on est
andar de la variable exponencial es = V ar(X) = .

Ejemplo 2. (Tiempo de servicio) Una cadena de restaurantes de comida rapiada esta realizando un estudio de los tiempos de servicio en la ventanilla de espera para los automoviles.
El tiempo promedio entre colocar una orden y recibirla fue de 2,78 minutos. Los tiempos
de espera como estos suelen seguir una distribucion exponencial.
a) Cual es la probabilidad de que el tiempo para atender un cliente sea menos de 2 minutos?
b) Cual es la probabilidad de que el tiempo de servicio de un cliente se mayor que 5 minutos?
c) Cual es la probabilidad de que el tiempo para atender un cliente supere 2,78 minutos?
Soluci
on
Aqu la variable aleatoria X es el tiempo de espera en la ventanilla para automoviles y se
supone que tiene distribuci
on exponencial con media = 2, 78. Entonces, su densidad de
probabilidad es f (x) = (1/2, 78)ex/2,78 , x 0 y la funcion de distribucion de probabilidad
acumulada es F (x) = 1 ex/2,78 ; x 0 (Vea Figuras 3 y 4)
a) P (X < 2) = F (2) = 1 e2/2,78 0, 5130
Hay un 51, 30 % de probabilidad que el tiempo para atender un cliente sea menos de 2
minutos.
b) P (X > 5) = 1 P (X 5) = 1 F (5) = 1 (1 e5/2,78 ) 0, 1655
Hay un 16, 55 % de probabilidad que el tiempo para atender un cliente sea mayor que 5
minutos.
c) P (X > 2, 78) = 1 P (X 2, 78) = 1 F (2, 78) = 1 (1 e2,785/2,78 ) = e1 0, 3679
Hay un 36, 79 % de probabilidad que el tiempo para atender un cliente sea mayor que al
promedio de 2,78 minutos.
Nota: En un modelo exponencial el 36, 79 % de las veces los valores de X superan su propia
media. Ver Figura 3

Ejercicios. Secci
on 2
4

NORMAL
DISTRIBUCION

6. Si F (x) = 1 e0,1x , x > 0, calcule P (X > E(X)). R: 0,3679

7. Una compa
na de procesamiento de datos tiene un servidor central al que se accede
a traves de un gran n
umero de terminales remotos. Se ha encontrado que un modelo
de probabilidad adecuado para el tiempo X (en minutos) transcurrido entre envos
sucesivos de trabajos al servidor central esta dado por F (x) = 1 e0,5x , x > 0.
a) Determine la funci
on de densidad de probabilidad de X.
b) Determine e interprete la esperanza de X.
c) Calcule e interprete la probabilidad P (X > 2).
R:
a) f (x) = 0, 5e0,5x , x > 0
b) 2
c) 0,3679
8. El tiempo (en minutos) que tarda una empleado en realizar una tarea es una variable
aleatoria que distribuye exponencialmente con promedio .
a) Si la probabilidad de que tarde por lo menos 2 horas en realizar la tarea es 0,22.
Determine el valor de . Interprete este valor en el contexto del enunciado.
b) Cu
al es la probabilidad de que tarde entre media hora y una hora?
c) Si el 36 % de las tareas que son realizadas con tiempos mas altos son consideradas
tareas extraordinarias, cu
al es el tiempo mnimo de esta categora?
R:
a) 79,25 minutos
b) 0,2161
c) 40,49 minutos
9. Sea T el tiempo de vida de una componente electronica. La componente vale V = 4 si
falla antes de T = 2; de lo contrario vale V = 2T . Encuentre la funcion de distribuci
on
0,6t
de V si T tiene una densidad de probabilidad dada por fT (t) = 0, 6e
, t > 0.

3.

Distribuci
on Normal

La densidad normal es la m
as importante de las distribuciones desde el punto de vista
teorico y desde el punto de vista aplicado.

3.1.

La Distribuci
on Normal

Definici
on 3.1. Se dice que una variable aleatoria X tiene una distribuci
on normal con
2
par
ametros y , anotado X N (; ), si su densidad de probabilidad est
a dada por
f (x) =

1 x 2
1
e 2 ( )
2

(4)

Teorema 3.1. Si X N (; 2 ), entonces

1. E(X) = ; < <
2. V ar(X) = 2 ; > 0
La localizaci
on de la densidad normal en el eje real depende de su media como muestra
la Figura 5 y la forma de la densidad normal depende de su varianza 2 como se ve en la
Figura 6.
El c
alculo de probabilidades integrando una densidad normal es difcil porque esa densidad no tiene una primitiva o antiderivada directa. Se debe recurrir entonces a integrales
dobles y a las coordenadas polares o recurrir a integracion numerica o aproximada para
obtener resultados correctos al menos con 4 cifras decimales. Cualquiera de los dos metodos
se simplifica si el c
alculo con una normal de media y varianza 2 se transforma primero
en el calculo con una normal de media 0 y varianza 1 llamada normal est
andar. El siguiente
teorema establece la relaci
on entre una normal cualquiera y una normal estandar.

NORMAL
DISTRIBUCION

Distribuciones Normales
0.4

0.4

Distribuciones Normales

Densidad Normal

0.3

mu=5,sd=2
mu=5,sd=3
mu=5,sd=4
mu=0,sd=1

0.0

0.0

0.1

0.2

Densidad

0.3
0.2
0.1

Densidad

Densidad Normal

mu=2,sd=2
mu=3,sd=2
mu=7,sd=2
mu=0,sd=1

10

10

15

20

Figura 5: Localizaci
on de normales
para = 2, 0, 3, 7 y sd = = 2

Figura 6: Forma de normales

para sd = = 2, 2, 3, 4

Teorema 3.2. Si X N (; 2 ), entonces Z = (X )/ N (0; 1) y su densidad resulta

ser
1
2
f (z) = ez /2 , < z <
(5)
2
La idea ser
a transformar un c
alculo de probabilidades con la variable X N (; 2 ) en
un problema de c
alculo de probabilidades con la normal estandar Z N (0; 1). Lo usual
es que se calculen por metodos numericos y se tabulen probabilidades del tipo P (Z z)
definidas por
Z z
1
2
ez /2 dz
(z) = P (Z z) =
(6)
2

En este apunte se tabulan y usan probabilidades del tipo P (Z > z) = 1 (z) para z > 0
de modo que cualquier c
alculo de probabilidades con una normal X N (; 2 ) es reducido
a un calculo de P (Z > z) que aparecen en la Tabla 1. Por ejemplo, P (Z > 1, 96) = 0, 0250).
Como f (z) = f (z), entonces la densidad de probabilidad de una normal estandar es una
funcion par y en consecuencia es simetrica respecto a z = 0 como muestran las Figuras 5 y
6 en el caso marcado como mu=0 y sd=1. Esta simetra implica las siguientes propiedades
de la normal est
andar que son muy u
tiles para el calculo de probabilidades.
Observaciones 3.1. Propiedades de la normal estandar en funcion de P (Z > z).
1. P (Z < 0) = P (Z > 0) = 0, 5
2. P (Z < z) = P (Z > z), para z > 0
3. P (z < Z < z) = 1 2P (Z > z), para z > 0
4. P (0 < Z < z) = 0, 5 P (Z > z), para z > 0
Ejemplo 3. (Puntuaciones de un test) Las puntuaciones de un test que siguen una
distribuci
on normal revelan una media de 79 puntos y una desviacion estandar de 6 puntos.
Calcule la probabilidad de que una puntuacion sea
a) Mayor que 92.
b) Superior a la mediana
6

NORMAL
DISTRIBUCION

c) Superior a la moda
d) Inferior a 85
e) Intermedia entre 65 y 90
f) Intermedia entre 50 y 55
Soluci
on
La variable aleatoria X corresponde a las puntuaciones del test y se sabe que X N (79; 62 ).
a) La probabilidad de que la puntuacion supere los 92 puntos es
P (X > 92) = P ((X 79)/6 > (92 79)/6)
P (Z > 2, 17) 0, 0150
b) Como la distribuci
on normal es simetrica respecto a su centro, entonces la mediana y la
moda son iguales a su media = 79 . Luego,
P (X > M ediana) = P ((X 79)/6 > (79 79)/6)
= P (Z > 0) = 0, 50
c) La probabilidad de que las puntuaciones superen su moda es
P (X > M oda) = P ((X 79)/6 > (79 79)/2)
= P (Z > 0) = 0, 50
d) La probabilidad de que la puntuacion sea menor que 85 es
P (X < 85) = P ((X 79)/6 < (85 79)/6) = P (Z < 1) = 1 P (Z 1)
1 0, 1587 = 0, 8413.
e) La probabilidad de que la puntuacion este entre 65 y 90 es
P (65 X 90) = P ((65 79)/6 (X 79)/6 (90 79)/6)
P (2, 33 Z 1, 83) = 1 P (Z > 1, 83) P (Z > 2, 33)
1 0, 0334 0, 0098 0, 9568
f) La probabilidad de que la puntuacion este entre 50 y 55 es
P (50 X 55) = P ((50 79)/6 (X 79)/6 (55 79)/6)
P (4, 83 Z 4) = P (Z > 4) P (Z > 4, 83)
0, 0000 0, 0000 = 0, 0000

El lector puede comprobar que con cuatro cifras decimales P (Z c) 0, 0000 para todo
c 3, 90. Eso significa que con cuatro cifras decimales P (3, 90 Z 3, 90) 1, 0000 o
P (8, 45 Z 7, 56) 1, 0000 o P (Z > 6, 64) 0, 0000, etc.

3.2.

Aproximaci
on de una Binomial por una Normal

Supongamos que X es una variable aleatoria Binomial de parametros n = 200 y p = 0, 45

y que se quiere calcular P (X 100). Entonces,
200  
X
n
P (X 100) =
0, 45x 0, 55nx
x
x=100

NORMAL
DISTRIBUCION

Si no se dispone de un programa especial para hacer calculos esa probabilidad sera muy difcil
de obtener. Sin embargo, el teorema mas importante de la Estadstica llamado Teorema del
Lmite Central permite aproximar ese calculo usando la distribucion normal. Para el caso
Bernoulli-Binomial ese teorema establecepque la variable Binomial estandarizada por su
media np y por su desviaci
on estandar np(1 p) tiene una distribucion que se parece
mas y m
as a una normal est
andar a medida que n crece.
Teorema 3.3. Si X Binomial(n; p), entonces cuando n la distribuci
on de la
variable aleatoria
X np
Z=p
(7)
np(1 p)
converge a la de una normal est
andar
En terminos pr
acticos este teorema permite establecer que para n grande la variable
discreta Binomial XB Binomial(n; p) puede ser bien aproximada por la variable continua normal XN N (np; np(1 p)).
Sea c alg
un n
umero entero en el dominio de la variable Binomial {0, 1, 2, . . . , n}. Los principales casos de aproximaci
on de la Binomial por una Normal son.
1. Aproximaci
on de probabilidades en un punto
P (XB = c) P (c 0, 5 XN c + 0, 5)
= P
= P

c 0, 5 np
XN np
c + 0, 5 np
p
p
p
np(1 p)
np(1 p)
np(1 p)
!
c 0, 5 np
c + 0, 5 np
p
Z p
np(1 p)
np(1 p)

2. Aproximaci
on de probabilidades hacia la izquierda
P (XB c) P (XN c + 0, 5)
= P
= P

X np
c + 0, 5 np
p N
p
np(1 p)
np(1 p)
!
c + 0, 5 np
Z p
np(1 p)

3. Aproximaci
on de probabilidades hacia la izquierda
P (XB < c) P (XN < c 0, 5)
= P
= P

X np
c 0, 5 np
p N
< p
np(1 p)
np(1 p)
!
c 0, 5 np
Z< p
np(1 p)

4. Aproximaci
on de probabilidades hacia la derecha
P (XB c) P (XN c 0, 5)
= P
= P

X np
c 0, 5 np
p N
p
np(1 p)
np(1 p)
!
c 0, 5 np
Z p
np(1 p)

NORMAL
DISTRIBUCION

P( 99.5 < XB < 100.5 ) = 0.0207

probabilidad

Aproximacin BinomialNormal

96

97

98

99

100

101

102

103

104

Figura 7: Aproximacion de la Binomial(200; 0, 45)

Ejemplo 4. Si X Binomial(200; 0, 45) calcule P (X = 100).

Soluci
on
p
p

Aqu, np = 200(0, 45) = 90 y np(1 p) = 200(0, 45)(1 045) = 49, 5 7, 0356

Usando la distribuci
on Binomial:


200
P (XB = 100) =
0, 45100 0, 55100 0, 0206
100
La funci
on Excel de Microsoft usada fue =DISTR.BINOM.N(100;200;0,45;0)
Usando la aproximaci
on normal:
La distribuci
on normal aproximante es XN N (90; 49, 5). Entonces,
P (XB = 100) P (100 0, 5 XN 100 + 0, 5)


100 0, 5 90
XN 90
100 + 0, 5 90
= P

7, 0356
7, 0356
7, 0356
P (1, 35 Z 1, 49) = P (Z 1, 35) P (Z > 1, 49)
0, 0885 0, 0681 0, 0204
Se aprecia que la aproximaci
on es bastante buena y que el error es de 0,0002. La Figura 7
ilustra esta aproximaci
on.

Ejemplo 5. Si X Binomial(200; 0, 45) calcule P (X 100).
Soluci
on
Usando la distribuci
on Binomial:
200  
X
n
0, 45x 0, 55nx 0, 0887
P (X 100) =
x
x=100

La funci
on Excel de Microsoft usada fue =1-DISTR.BINOM.N(99;200;0,45;1)
C
alculo con la Normal
9

NORMAL
DISTRIBUCION

Aproximacin BinomialNormal

0.04
0.03
0.02
0.00

0.01

dbinom(x, size, prob)

0.05

Bin(200;0.45
N(90;49.5)

60

80

100

120

Figura 8: Aproximacion Binomial-Normal

Usando la aproximaci
on normal y la tabla normal se tiene que
P (XB 100) = P (XN 100 0, 5)


XN 90
100 0, 5 90
= P

7, 0356
7, 0356
P (Z 1, 35) 0, 0885
Se aprecia que la aproximaci
on es bastante buena y que el error es de 0,0002

Para que valores de n la aproximaci

on normal a la binomial es buena?
La respuesta no es u
nica pero un criterio generalmente aceptado es que la aproximaci
on
normal a la binomial funciona bien si np 5 y n(1 p) 5. En los Ejemplos 4 y 5
np = 200(0, 45) = 90 5 y n(1 p) = 200(0, 55) = 110 5.
Si np < 5 y n es grande es mejor aproximar la Binomial por una Poisson.
Ejemplo 6. (Introducci
on de un nuevo producto) La gerencia de marketing de una
compa
na considera que una campa
na publicitaria para introducir un nuevo producto es
exitosa si al menos el 25 % del grupo objetivo toma conciencia del producto. Despues de
una de tales campa
nas, un estudio del mercado encuentra que 105 de 500 mujeres que conforman la muestra conocen el producto. El grupo objetivo lo conforman las mujeres que
tienen licencia para conducir.
a) Escriba la formula para calcular la probabilidad exacta de que 105 o menos mujeres en
la muestra conozcan el producto, suponiendo que el 25 % del grupo objetivo tiene conocimiento del mismo.
b) Utilice una aproximaci
on adecuada para encontrar el valor numerico de la probabilidad
pedida en a)
c) Interprete el resultado.
Soluci
on
a) Sea X el n
umero de mujeres en la muestra de 500 que conocen el nuevo producto. Entonces, X Binomial(500; 25) y la probabilidad pedida es
10

P (X 105) =

NORMAL
DISTRIBUCION


105 
X
500
x=0

0, 25x 0, 75500x

Con la funci
on =DISTR.BINOM.N(105;500;0,25;1) de Microsoft Excel se obtiene que esta
probabilidad es 0,0205.
p
p

b) En este ejemplo np = 500(0, 25) = 125 y np(1 p) = 500(0, 25)(0, 75) = 93, 75
9, 68246. Como np = 125 > 5 y n(1 p) = 375 > 5 la variable XB Binomial(500; 0, 25)
puede ser bien aproximada por la normal XN N (125; 93, 75) de modo que
P (XB 105) P (XN 105 + 0, 5)

P (XN 105 + 0, 5) = P

XN 125
105, 5 125

9, 68246
9, 68246

P (Z 2, 014) 0, 0220
c) P (X 105) 0, 02 significa que es muy poco probable encontrar una muestra con 105
o menos mujeres entre 500 con conciencia del nuevo producto si es que ya el 25 % de ellas
tiene esa conciencia. Por tanto, esa muestra sugiere que la campa
na publicitaria no ha sido
exitosa. 
Ejercicios. Secci
on 3
10. Si X N (40; 100) calcule
a) P (X > 80)
b) P (30 X 50)
R:
a) 0,0000
b) 0,6827
11. Las ventas diarias de un producto en un supermercado se distribuyen normalmente
con una venta media de 700 mil dolares y una desviacion estandar de 200 mil dolares
Que porcentaje de das las ventas superan los 850 mil dolares?
12. Seg
un una encuesta, los suscriptores de la revista Strategia emplean una computadora
en su trabajo un promedio de 27 horas por semana con una desviacion estandar de 8
horas. Suponga que el tiempo semanal que esos suscriptores emplean una computadora
es aproximadamente normal.
a) Cu
al es la probabilidad de que un suscriptor de Strategia elegido al azar utilice
una computadora menos de 11 horas?
b) Cu
al es la probabilidad de que un suscriptor de Strategia elegido al azar utilice
una computadora entre 19 y 35 horas a la semana?
c) Se clasifica a un suscriptor como usuario extraordinario del computador si esta en el
20 % superior en terminos de horas de uso. Cuantas horas debe usar la computadora
un suscriptor para ser considerado como usuario extraordinario?
R:
a) 0,0228
b) 0,6826
c) 33,72 horas
13. La demanda mensual de cierto producto A tiene una distribucion normal con una
media de 300 unidades y desviacion estandar igual a 50 unidades. La demanda mensual
de otro producto B tambien tiene una distribucion normal con una media de 550
unidades y desviaci
on est
andar igual a 30 unidades. Un comerciante que vende estos
productos tiene en su almacen 350 unidades de A y 600 de B al comienzo de un mes,
cu
al es la probabilidad de que en el mes se vendan todas las unidades de ambos
productos?

11

NORMAL
DISTRIBUCION

14. Se supone que la demanda semanal de sacos de harina de 5Kg en un supermercado

es aproximadamente normal con una demanda media de 72 sacos y una desviaci
on
est
andar de 1,6 sacos.
a) Calcule la probabilidad de que la demanda semanal supere los 74 sacos de harina.
b) La poltica de compras del supermercado es que la probabilidad de desabastecimiento (que la demanda supere la oferta) sea no mas del 1 % de las veces Cuantos
sacos de harina se deben tener semanalmente en la bodega del supermercado para
alcanzar esta meta?
R:
a) 0,1056
b) 76 sacos
15. Las ventas diarias (en unidades monetarias um) de cierto producto siguen una distribuci
on normal con una media de 300 um y una desviacion estandar de 50 um.
a) Que porcentaje de das las ventas superan las 400 um?
b) Le parece raro observar que en un da la venta supere las 450 um?
16. Suponga que una industria fabrica cierto tipo de cable de acero y que X es la resistencia a la ruptura en Kg. de ese cable. Tambien suponga que la distribucion de X
es normal con media de 100Kg. y desviacion estandar de 4 Kg. Si X > 95 Kg. cada
metro de cable produce una utilidad de $100 y si X 95 Kg. el cable puede usarse
para otros fines y cada metro produce una utilidad de $20.
a) Encuentre la funci
on de probabilidad f (u) de la utilidad U .
b) Encuentre la utilidad esperada E(U ) por cada metro de cable.
u
20
100
R:
a)
b) $91,55
f (u) 0,1057 0,8943
17. Suponga que el 60 % de las llamadas que llegan a una central telefonica son llamadas
hechas por mujeres. Si durante cierto perodo llegan 400 llamadas a la central, cu
al
es la probabilidad de que a lo mas 200 llamadas sean hechas por hombres?
18. Una m
aquina autom
atica expendedora de cafe puede ajustarse para que despache
mililitros (ml) promedio por vaso. Si el n
umero de mililitros necesarios para llenar el
vaso sigue una distribuci
on aproximadamente normal con una desviacion estandar de
8 ml, encuentre el valor de necesario para llenar un vaso con capacidad de 200 ml
de tal forma que el lquido se derrame solo el 1 % de las veces.
R:
= 181, 36 mililitros
19. La duraci
on de ciertos neumaticos tiene un distribucion de probabilidad aproximada
normal con media 40000 Km y desviacion estandar 5000 Km
a) Que porcentaje de los neumaticos dura mas de 43000 Km?
b) Si no se quiere reponer mas del 5 % de los neumaticos por duracion insuficiente,
que duraci
on mnima se debe dar como garanta?
c) Se toma una muestra de 80 neumaticos. Cual es la probabilidad de que mas de 30
de ellos tenga una duraci
on mayor a 43000 Km?
20. En un momento dado un inversionista tiene la posibilidad de escoger una de dos carteras de inversiones llamadas A y B. La incertidumbre de las respectivas rentabilidades
pueden ser bien modeladas por distribuciones normales de la siguiente forma.
La rentabilidad X de la inversion en A tiene distribucion normal de media 10,5 % y
desviaci
on est
andar 1,3 %.
La rentabilidad Y de la inversion en B tiene distribucion normal de media 11,2 % y
desviaci
on est
andar 3,6 %
Si el inversionista desea una rentabilidad mnima del 10 % para su inversion, cual de
12

GAMMA
DISTRIBUCION

las dos carteras debera elegir con base en la informacion entregada?

R:
Cartera de inversi
on A.
21. Julia puede escoger una de dos rutas para ir de su casa al trabajo. El 60 % de las
veces selecciona la ruta A y el 40 % se decide por la ruta B. El tiempo de viaje por
la ruta A sigue una distribucion exponencial con media de 40 minutos. El tiempo de
viaje por la ruta B sigue una distribucion normal con media 45 minutos y desviaci
on
est
andar de 4 minutos.
a) Cu
al es la probabilidad de que en un da cualquiera Julia se demore mas de 50
minutos en ir de su casa al trabajo?
b) Si Julia se demor
o m
as de 50 minutos en ir de su casa a trabajo, cual es la
probabilidad de que haya escogido la ruta B?
R:
a) 0,215
b) 0,197

4.

Distribuci
on Gamma

4.1.

Densidad Gamma

Del c
alculo se sabe que la siguiente integral impropia llamada funcion gamma existe
para todo > 0 y el valor de la integral en un n
umero real positivo.
Z
() =
x1 ex dx
(8)
0

Para = 1 se tiene

ex dx = 1

(9)

() = ( 1)( 1)

(10)

(1) =
0

Para > 1 se puede mostrar que

En efecto, usando integraci

on por partes se tiene que
u = y 1

dv = ey dy

du = ( 1)y 2 dy

v = ey
Z

x1 ex dx
0
Z
1 y
= y
e |0 +
( 1)y 2 ey dy
Z 0
= 0 + ( 1)
y 2 ey dy

() =

= ( 1)( 1)
Si es un entero positivo mayor que 1 entonces usando la ecuacion (9) y usando reiteradamente (10) se obtiene
() = ( 1)!
(11)
Por esta raz
on la funci
on gamma tambien se llama funci
on factorial.
Usando (9) y (11) se prueba que 0! = 1.
De la ecuaci
on (8) se obtiene que
Z 1 x
x
e
1=
dx
()
0
13

GAMMA
DISTRIBUCION

1.0

Distribuciones Gamma

0.0

0.2

0.4

f(x)

0.6

0.8

alfa=1,5,beta=1
alfa=2,beta=1
alfa=3,beta=1
alfa=1,beta=1

Figura 9: Densidades Gamma

Entonces, la funci
on f (x) = x1 ex /(), x > 0, es una funcion de densidad de probabilidad legtima. Se puede dar m
as flexibilidad a este modelo introduciendo un nuevo parametro
> 0 haciendo el cambio de variable y = x/ en la integral que define la funcion gamma
(8. Entonces,
 
Z  1
x
1
x/
() =
e
dx

0
Equivalentemente,

Z
1=
0

1
x1 ex/ dx
()

Definici
on 4.1. Se dice que la variable aleatoria X tiene una distribuci
on gamma de parametros > 0 y > 0, anotado X Gamma(, ), si su densidad de probabilidad est
a dada
por
(
1
1 ex/
,x 0
x
f (x) = ()
(12)
0
,x < 0
La Figura 9 muestra la gr
afica de algunas densidades Gamma para = 1 y = 1; 1,5; 2
y 3. El par
ametro se llama parametro de forma y se llama parametro de escala.
Variando cambia la forma de la densidad pero variando solo se cambia la unidad de
medida y no la forma. Se puede mostrar que E(X) = y que V ar(X) = 2 .
Cuando = 1 se obtiene la densidad exponencial
E(X) = y que V ar(X) = 2 . Se anota X Exp() .

14

f (x) =

1 x/
,
e

x 0 con

GAMMA
DISTRIBUCION

Cuando = /2, donde es un entero positivo y = 2 se obtiene la densidad chicuadrado dada por
(
1
/21 ex/2 , x 0
/2 x
(/2)2
f (x) =
(13)
0
,x < 0
Se puede mostrar que para una distribucion chi-cuadrado E(X) = y que V ar(X) = 2.
Se anota X 2 y se dice que la distribucion chi-cuadrado tiene grados de libertad.
Esta distribuci
on ser
a clave para hacer inferencias respecto a la varianza de una poblaci
on
normal. Algunas de sus probabilidades aparecen tabuladas para distintos valores de como
muestra la Tabla Chi-cuadrado al final de esta seccion. Por ejemplo, si X 21 0, entonces
P (X > 20, 5) 0, 025.
Se puede mostrar que si X Gamma(; ) entonces Y = 2X/ 2r con = r/2. Este
cambio de variable transforma el calculo de probabilidad Gamma en uno Chi-cuadrado.

4.2.

Relaci
on entre las distribuciones Poisson, Gamma y Exponencial

R
En primer lugar se buscar
a una expresion para la integral I = xr ex /r!dx donde
> 0 y r es un entero positivo.
Sea u = xr y dv = ex dx, entonces du = rxr1 dx y v = ex . Luego, integrando por partes
se obtiene
Z
Z
r1 x
r
+
r
x
e
dx
=

e
+
r
xr1 ex dx
r!I = xr ex |

La integral en esta u
ltima expresion es similar a la original pero con r 1 en vez de r.
Entonces, integrando por parte varias veces se obtiene


Z
r
r1
r2 x
r!I = e + r e + (r 1)
x e dx

..
.


r!I = e r + rr1 + r(r 1)r2 + + r!
Luego,


I = e 1 + + 2 /2! + + r1 /(r 1)! + r /r!
Por tanto,
Z

I=

r x

x e

/r!dx =

r
X
k e
k=0

k!

(14)

Se observa que la integral en (14) corresponde a una probabilidad del tipo Gamma y la
sumatoria en (14) corresponde a una probabilidad de tipo Poisson.
Supongamos que se cumplen los supuestos de un proceso de Poisson con tasa de ocurrencia
por unidad de tiempo igual a . Sea la variable aleatoria X = n
umero de ocurrencias en
el intervalo de tiempo (0; t), entonces X tiene distribucion Poisson con n
umero esperado
de ocurrencias t. Por otro lado, si T = tiempo hasta la ocurrencia de r eventos, entonces
la relaci
on entre las distribuciones Gamma y Poisson se basa en que los eventos T > t y
X < r son equivalentes. Es decir, si se requiere un tiempo mayor a t para la ocurrencia de r
eventos, entonces el n
umero de ocurrencias en el intervalo (0; t) es menor que r. Entonces,

15

GAMMA
DISTRIBUCION

por (14) se tiene que

P (T > t) = P (X < r)
r1
X
(t)x et
=
x!
x=0
Z r1 x
x e
=
dx
t (r 1)!
Equivalentemente, para t > 0
FT (t) = P (T t) = 1 P (T > t)
Z r1 x
x e
dx
= 1
t (r 1)!
Z t r1 x
x e
=
dx
(r 1)!
0
Haciendo el cambio de variables x = y se obtiene
Z t r r1 y
y e
FT (t) =
dy,
(r)
0
Entonces, la densidad de probabilidad de T es
( r

tr1 et
fT (t) = (r)
0

t>0

,t > 0
, en otro caso

Esto es, el tiempo T hasta la ocurrencia de r eventos tiene una distribucion Gamma con
= r y = 1/.
Si r = 1, entonces T es el tiempo hasta la primera ocurrencia o tiempo entre ocurrencias y
su densidad de probabilidad es Exponencial
(
et , t > 0
fT (t) =
0
, en otro caso
En resumen, suponiendo que se cumplen los supuestos de un proceso Poisson de tasa , la
relacion entre las distribuciones Poisson, Exponencial y Gamma es la siguiente:
Si X = n
umero de ocurrencias en el intervalo de tiempo (0; t), entonces X tiene
distribuci
on Poisson(t) con funcion de probabilidad o funcion de cuanta dada por
fX (x) =

(t)x et
; x = 0, 1, 2, 3, . . .
x!

El n
umero esperado de ocurrencias es E(X) = t.
Si T es el tiempo hasta la primera ocurrencia, entonces su densidad de probabilidad
es Exponencial(1/) dada por
(
et , t > 0
fT (t) =
0
, en otro caso
El tiempo esperado o tiempo medio hasta la primera ocurrencia es E(T ) = 1/
16

GAMMA
DISTRIBUCION

Si T es el tiempo hasta la ocurrencia de r eventos, entonces T tiene una distribuci

on
Gamma(r, 1/) con parametros = r y = 1/ y densidad de probabilidad dada
por
( r

tr1 et , t > 0
fT (t) = (r)
0
, en otro caso
Em tiempo medio o tiempo esperado hasta que ocurran r eventos es E(X) = =
r/.
Ejemplo 7. Suponga que el n
umero de accidentes laborales en una fabrica que trabaja con
tres turnos diarios toda la semana es bien modelado por un proceso de Poisson con tasa de
3 accidentes promedio por semana.
a) Cual es la probabilidad de que el tiempo entre un accidente y otro sea inferior a 2 das?
b) Cual es la probabilidad de que el tiempo entre el quinto y el noveno accidente sea inferior
a una semana?
Soluci
on
a) Aqu = 3 (accidentes/semana) y la variable aleatoria X = n
umero de accidentes por
semana tiene distribuci
on Poisson(3). El tiempo en semanas T entre un accidente y otro
tiene distribuci
on exponencial de parametro 1/lambda = 1/3 (semana/accidente), esto es,
X Exponencial(1/3). Entonces,
P (T < 2/7) = 1 e3(2/7) 0, 5756
Otra manera de responder esta pregunta es considerar X como el n
umero de accidentes en
2 das que tiene una distribuci
on Poisson de parametro t = 3(2/7) = 6/7 (accidentes/dos
das) y considerar T como el tiempo en dias entre un accidente y otro. Entonces, el evento
T < 2 es equivalente al evento X 1 de modo que
P (T < 2) = P (X 1) = 1 P (X = 0) = 1

(6/7)0 e6/7)
0, 5756
0!

b) El tiempo entre el quinto y el noveno accidente es equivalente al tiempo T en semanas

necesario para que se produzcan cuatro accidentes. Esta variable tiene distribucion Gamma
de parametros = 4 y = 1/3 y por tanto el tiempo esperado en semanas para que
se produzcan 4 accidentes es = 4/3 (semana/4 accidentes). As, T Gamma(4; 1/3).
Entonces,
Z 1 4
Z
3 3 3t
34 1 3 3t
P (T < 1) =
t e dt =
t e dt 0, 3528
3! 0
0 (4)
Otra manera de responder esta pregunta es considerar X como el n
umero de accidentes en
una semana que tiene una distribucion Poisson de parametro = 3 (accidentes/semana).
Entonces, el evento T < 1 es equivalente al evento X 4 de modo que
P (T < 2) = P (X 4) = 1 P (X 3) = 1

3
X
3x e3
x=0

x!

1 0, 6472 0, 3528

Ejercicios Secci
on 4
22. Si X Gamma(; ) demuestre que E(X) = y que V ar(X) = 2 .
23. Demuestre que si X Gamma(; ) entonces Y = 2X/ 2r con = r/2.

17

EJERCICIOS Y PROBLEMAS COMPLEMENTARIOS

24. La moda de una variable aleatoria discreta o continua se define como el valor que
maximiza su funci
on de probabilidad f (x). Suponga que x = 2 es la u
nica moda de
la densidad Gamma dada por
(
1
x/ , x > 0
2 xe
f (x) =
0
, en otro caso
a) Encuentre
R:
a) 2

b) P (X > 9, 49)
b) 0,05 (vea Tabla Chi-cuadrado)

25. Si X 25 encuentre constantes a y b tales que P (a < X < b) = 0, 99 y P (X > b) =

0, 005.
R:
a 0, 4 y b 16, 7 (vea Tabla chi-cuadrado)
26. Si X Gamma(3; 4) encuentre P (3, 28 < X < 25, 2)
R:
0,90
Ayuda, use el cambio de variable Y = 2X/ para transformar el problema en un
problema con la chi-cuadrado.
27. La oficina de Tecnologas de Informatica y Comunicaciones (TIC) de un Empresa
recibe cada hora un promedio de 20 solucitudes de soporte tecnico en su mesa de
servicio por parte de los usuarios. Suponga que esas solicitudes son bien modeladas
por un proceso de Poisson.
a) Cu
al es el tiempo medio entre solicitudes de soporte tecnico?
b) Cu
al es la probabilidad de que el tiempo entre una solicitud y otra sea inferior a
2 minutos?.
c) Cu
al es la probabilidad de que el tiempo necesario para recibir 8 solicitudes sea
superior a 20 minutos?.
R:
a) 0,05 horas o 3 minutos
b) 0,4866
c) 0,6482

5.

Ejercicios y Problemas Complementarios

28. Dibuje la densidad de probabilidad f (x) y la funcion de distribucion F (x) en los

siguientes casos.
a) X U nif orme(2; 14)
b) X Exponencial(3, 5)
c) X N (25; 25).
29. Suponga
p que X es una variable aleatoria con media = E(X) y desviacion estandar
= V ar(X). Calcule e interprete la probabilidad P ( < X < + ) en los
siguientes casos.
a) X U nif orme(2; 14)
b) X Exponencial(3, 5)
c) X N (25; 25).
30. El retraso en minutos en el despegue de los vuelos comerciales de una lnea aerea
puede ser bien modelado por una distribucion uniforme en el intervalo [0; 30]
a) Cu
al es el retraso medio en el despegue de esos vuelos comerciales?,
b) Cu
as es la probabilidad de que un vuelo comercial de esa lnea aerea tenga un
retraso en el despegue superior a 20 minutos?

18

EJERCICIOS Y PROBLEMAS COMPLEMENTARIOS

31. Si X Exponencial(5, 6), entonces calcule la mediana y el rango intercuartlico de

X.
32. En una compa
na que fabrica acero inoxidable el tiempo medio entre un accidente
laboral y el siguiente es bien modelado por una distribucion exponencial con media
25 das.
a) Cu
al es la probabilidad de que el tiempo hasta el proximo accidente laboral este entre 20 y 30 das?
b) Si ya han transcurrido 15 das desde el u
ltimo accidente laboral, cual es la probabilidad de que el siguiente accidente ocurra en los proximos 10 o mas das?
33. Suponga que X Exponencial() es un buen modelo de probabilidad para el tiempo
que dura una transacci
on en un cajero automatico. Para t > 0 y h > 0 calcule e
interprete la probabilidad condicional
P (X > t + h/X > t)
34. Si X Exponencial(), determine si se sabe que P (X > 4, 7) = 0, 3679.
35. Se sabe que X tiene una distribucion normal. Determine su media y su desviaci
on
est
andar si se sabe que P (X > 20) = 0, 3821 y que P (X < 2) = 0, 0287.
36. El tiempo que los tecnicos emplean en instalar en las residencias un servicio de Telefona+Internet+TV por fibra optica puede ser bien modelado por una distribuci
on
normal con media 3,4 horas y desviacion estandar 0,38 horas. La compa
na que provee el servicio desea premiar al 10 % mas rapido de los tecnicos instaladores y reforzar
la capacitaci
on del 10 % m
as lento de los tecnicos. Cuales son los tiempos de instalaci
on que permiten clasificar a un tecnico en una de esas dos categoras?
37. Si X Binomial(300; 15) calcule en forma exacta y aproximada las siguientes probabilidades.
a) P (X = 50)
b) P (X > 50)
c) P (X 50)
d) P (42 < X < 51)
38. Suponga que X es una variable aleatoria Pareto con densidad de probabilidad dada
por:
(

,x
+1
x
fX (x) =
, > 0, > 0
0
,x <
a) Determine la esperanza y la desviacion estandar de X.
b) Determine la funci
on de distribucion de probabilidad acumulada F (x).
c) Determine P (X > + ). q

R:
a) = 1
, > 1; =

c) (/( + ))

2
(2)(1) ,

19

>2

b) F (x) = 1 (/x) , x

EJERCICIOS Y PROBLEMAS COMPLEMENTARIOS

Tabla1Distribucinnormalestndar

Distribucin Normal Estndar

La tabla entrega probabilidades

o valores
donde p es una probabilidad o rea hacia la derecha. Las
probabilidades p aparecen en el interior de la tabla y los
valores de z o en el borde izquierdo y superior. Por
ejemplo
1,96
0,025 o en forma equivalente
1,96
,

z
0,00
0,01
0,02
0,03
0,04
0,05
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9

0,5000
0,4602
0,4207
0,3821
0,3446
0,3085
0,2743
0,2420
0,2119
0,1841

0,4960
0,4562
0,4168
0,3783
0,3409
0,3050
0,2709
0,2389
0,2090
0,1814

0,1587
0,1357
0,0968
0,0968
0,0808
0,0668
0,0548
0,0446
0,0359
0,0287

0,1562
0,1335
0,1131
0,0951
0,0793
0,0655
0,0537
0,0436
0,0351
0,0281

0,0228
0,0179
0,0139
0,0107
0,0082
0,0062
0,0047
0,0035
0,0026
0,0019

0,0222
0,0174
0,0136
0,0104
0,0080
0,0060
0,0045
0,0034
0,0025
0,0018

0,0013

0,0013

1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9

0,1539
0,1314
0,1112
0,0934
0,0778
0,0643
0,0526
0,0427
0,0344
0,0274

0,1515
0,1292
0,1093
0,0918
0,0764
0,0630
0,0516
0,0418
0,0336
0,0268

0,0217
0,0170
0,0132
0,0102
0,0078
0,0059
0,0044
0,0033
0,0024
0,0018

0,0212
0,0166
0,0129
0,0099
0,0075
0,0057
0,0043
0,0032
0,0023
0,0017

0,0013

0,0012

0,4840
0,4443
0,4052
0,3669
0,3300
0,2946
0,2611
0,2296
0,2005
0,1736

0,4801
0,4404
0,4013
0,3632
0,3264
0,2912
0,2578
0,2266
0,1977
0,1711

0,1492
0,1271
0,1075
0,0901
0,0749
0,0618
0,0505
0,0409
0,0329
0,0262

0,1469
0,1251
0,1056
0,0885
0,0735
0,0606
0,0495
0,0401
0,0322
0,0256

0,0207
0,0162
0,0125
0,0096
0,0073
0,0055
0,0041
0,0031
0,0023
0,0016

0,0202
0,0158
0,0122
0,0094
0,0071
0,0054
0,0040
0,0030
0,0022
0,0016

0,0012

0,0011

3,0

0,4880
0,4483
0,4090
0,3707
0,3336
0,2981
0,2643
0,2327
0,2033
0,1762

2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9

0,4920
0,4522
0,4129
0,3745
0,3372
0,3015
0,2676
0,2358
0,2061
0,1788

20

-2

0,06
0,4761
0,4364
0,3974
0,3594
0,3228
0,2877
0,2546
0,2236
0,1949
0,1685

0,07
0,4721
0,4325
0,3936
0,3557
0,3192
0,2843
0,2514
0,2206
0,1922
0,1660

0,1446
0,1230
0,1038
0,0869
0,0721
0,0594
0,0485
0,0392
0,0314
0,0250

0,1423
0,1210
0,1020
0,0853
0,0708
0,0582
0,0475
0,0384
0,0307
0,0244

0,0197
0,0154
0,0119
0,0091
0,0069
0,0052
0,0039
0,0029
0,0021
0,0015

0,0192
0,0150
0,0116
0,0089
0,0068
0,0051
0,0038
0,0028
0,0021
0,0015

0,0011

0,0011

0,08
0,4681
0,4286
0,3897
0,3520
0,3156
0,2810
0,2483
0,2177
0,1894
0,1635

-4

Densidad

P(Z> 1.96 ) = 0.025

0,1401
0,1190
0,1003
0,0838
0,0694
0,0571
0,0465
0,0375
0,0301
0,0239

0,09
0,4641
0,4247
0,3859
0,3483
0,3121
0,2776
0,2451
0,2148
0,1867
0,1611
0,1379
0,1170
0,0985
0,0823
0,0681
0,0559
0,0455
0,0367
0,0294
0,0233

0,0188
0,0146
0,0113
0,0087
0,0066
0,0049
0,0037
0,0027
0,0020
0,0014

0,0183
0,0143
0,0110
0,0084
0,0064
0,0048
0,0036
0,0026
0,0019
0,0014

0,0010

0,0010

EJERCICIOS Y PROBLEMAS COMPLEMENTARIOS

DistribucinChicuadrado

Distribucin Chi-cuadrado
P(X> 20.48 ) = 0.025

Densidad

ovalores

Latablaentregaprobabilidades
dondepesunaprobabilidadoreahacialaderechay tiene
distribucinchicuadradocon gradosdelibertad.
Lasprobabilidadespaparecenenlapartesuperiordelatabla,
losgradosdelibertad enelladoizquierdoylosvaloresde
o
enelinteriordelatabla.
Por ejemplo, para
10
20,48
0,025 o en forma
equivalente
0,025
20,48

10

20
x

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
80
100
120

0,995
0,0
0,0
0,1
0,2
0,4
0,7
1,0
1,3
1,7
2,2
2,6
3,1
3,6
4,1
4,6
5,1
5,7
6,3
6,8
7,4
8,0
8,6
9,3
9,9
10,5
11,2
11,8
12,5
13,1
13,8
20,7
35,5
51,2
67,3
83,9
2,58

0,990
0,0
0,0
0,1
0,3
0,6
0,9
1,2
1,6
2,1
2,6
3,1
3,6
4,1
4,7
5,2
5,8
6,4
7,0
7,6
8,3
8,9
9,5
10,2
10,9
11,5
12,2
12,9
13,6
14,3
15,0
22,2
37,5
53,5
70,1
86,9
2,33

0,975
0,0
0,1
0,2
0,5
0,8
1,2
1,7
2,2
2,7
3,2
3,8
4,4
5,0
5,6
6,3
6,9
7,6
8,2
8,9
9,6
10,3
11,0
11,7
12,4
13,1
13,8
14,6
15,3
16,0
16,8
24,4
40,5
57,2
74,2
91,6
1,96

0,950
0,0
0,1
0,4
0,7
1,1
1,6
2,2
2,7
3,3
3,9
4,6
5,2
5,9
6,6
7,3
8,0
8,7
9,4
10,1
10,9
11,6
12,3
13,1
13,8
14,6
15,4
16,2
16,9
17,7
18,5
26,5
43,2
60,4
77,9
95,7
1,64

0,900
0,0
0,2
0,6
1,1
1,6
2,2
2,8
3,5
4,2
4,9
5,6
6,3
7,0
7,8
8,5
9,3
10,1
10,9
11,7
12,4
13,2
14,0
14,8
15,7
16,5
17,3
18,1
18,9
19,8
20,6
29,1
46,5
64,3
82,4
100,6
1,28

0,750
0,1
0,6
1,2
1,9
2,7
3,5
4,3
5,1
5,9
6,7
7,6
8,4
9,3
10,2
11,0
11,9
12,8
13,7
14,6
15,5
16,3
17,2
18,1
19,0
19,9
20,8
21,7
22,7
23,6
24,5
33,7
52,3
71,1
90,1
109,2
0,67

0,500
0,5
1,4
2,4
3,4
4,4
5,3
6,3
7,3
8,3
9,3
10,3
11,3
12,3
13,3
14,3
15,3
16,3
17,3
18,3
19,3
20,3
21,3
22,3
23,3
24,3
25,3
26,3
27,3
28,3
29,3
39,3
59,3
79,3
99,3
119,3
0,00

0,250
1,3
2,8
4,1
5,4
6,6
7,8
9,0
10,2
11,4
12,5
13,7
14,8
16,0
17,1
18,2
19,4
20,5
21,6
22,7
23,8
24,9
26,0
27,1
28,2
29,3
30,4
31,5
32,6
33,7
34,8
45,6
67,0
88,1
109,1
130,1
0,67

Para

100tomar

21

1 /2

0,100
2,7
4,6
6,3
7,8
9,2
10,6
12,0
13,4
14,7
16,0
17,3
18,5
19,8
21,1
22,3
23,5
24,8
26,0
27,2
28,4
29,6
30,8
32,0
33,2
34,4
35,6
36,7
37,9
39,1
40,3
51,8
74,4
96,6
118,5
140,2
1,28

0,050 0,025 0,010 0,005

3,8
5,0
6,6
7,9
6,0
7,4
9,2
10,6
7,8
9,3
11,3
12,8
9,5
11,1
13,3
14,9
11,1
12,8
15,1
16,7
12,6
14,4
16,8
18,5
14,1
16,0
18,5
20,3
15,5
17,5
20,1
22,0
16,9
19,0
21,7
23,6
18,3
20,5
23,2
25,2
19,7
21,9
24,7
26,8
21,0
23,3
26,2
28,3
22,4
24,7
27,7
29,8
23,7
26,1
29,1
31,3
25,0
27,5
30,6
32,8
26,3
28,8
32,0
34,3
27,6
30,2
33,4
35,7
28,9
31,5
34,8
37,2
30,1
32,9
36,2
38,6
31,4
34,2
37,6
40,0
32,7
35,5
38,9
41,4
33,9
36,8
40,3
42,8
35,2
38,1
41,6
44,2
36,4
39,4
43,0
45,6
37,7
40,6
44,3
46,9
38,9
41,9
45,6
48,3
40,1
43,2
47,0
49,6
41,3
44,5
48,3
51,0
42,6
45,7
49,6
52,3
43,8
47,0
50,9
53,7
55,8
59,3
63,7
66,8
79,1
83,3
88,4
92,0
101,9 106,6 112,3 116,3
124,3 129,6 135,8 140,2
146,6 152,2 159,0 163,6
1,64
1,96
2,33
2,58

30