TEMA :

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DISCRETAS DE PROBABILIDAD: LA DISTRIBUCIN

BINOMIAL

4.1 Introduccin
Estudiaremos en este tema dos de las distribuciones de probabilidad ms importantes y que son
imprescindibles a la hora de adentrarnos en el estudio de la inferencia estadstica. La distribucin
binomial es uno de los primeros ejemplos de las llamadas distribuciones discretas (que slo pueden
tomar un nmero finito, o infinito numerable, de valores). Fue estudiada por Jakob Bernoulli (Suiza,
16541705), quin escribi el primer tratado importante sobre probabilidad, Ars conjectandi (El
arte de pronosticar) Los Bernoulli formaron una de las sagas de matemticos ms importantes de la
historia. La distribucin normal es un ejemplo de las distribuciones continuas, y aparece en multitud
de fenmenos sociales. Fue estudiada, entre otros, por J.K.F. Gauss (Alemania, 17771855), uno de
los ms famosos matemticos de la historia. La grfica de la distribucin normal en forma de
campana se denomina Campana de Gauss.

4.2 La distribucin binomial

Un experimento que tiene las siguientes caractersticas sigue el modelo de una distribucin binomial:
En cada prueba del experimento slo son posibles dos resultados, el suceso A al que
llamaremos xito, y su contrario, A, al que llamaremos fracaso.
El resultado obtenido en cada prueba es independiente de los resultados obtenidos en las
pruebas anteriores.
La probabilidad del suceso A, xito, es constante en todas las pruebas. Dicha probabilidad se
representa por p, y por q = 1 p, la probabilidad del suceso A, fracaso.

La variable discreta X, que representa el nmero de xitos obtenidos en la realizacin de n pruebas,

se dice que sigue una distribucin binomial.

Los parmetros que caracterizan una distribucin binomial son el nmero de pruebas, n, y la
probabilidad del suceso xito, p, y se representa por B (n, p).

Ejemplo: Tiramos un dado 7 veces y contamos el nmero de cincos que obtenemos. Cul es la
probabilidad de obtener tres cincos?
Este es un tpico ejemplo de distribucin binomial:
Estamos repitiendo 7 veces el experimento de lanzar un dado. Como resultado del mismo nos
fijamos en los sucesos:
 xito = A = sacar un 5 Fracaso = A = no sacar un 5

El resultado obtenido en cada lanzamiento es independiente de los resultados obtenidos en los

lanzamientos anteriores.

La probabilidad del suceso xito es constante en cada lanzamiento:

xito = A = sacar un 5 P (A) = ; Fracaso = A = no sacar un 5 P ( A) =

Por tanto, los parmetros de la distribucin son n = 7 y p = . En consecuencia, la variable

1
aleatoria X, que cuenta el nmero de cincos obtenidos sigue una distribucin binomial B (7, 1/6)
Ejercicio 9: La opinin que tiene la poblacin sobre la gestin de su Ayuntamiento es favorable en el
30% de los casos, y desfavorable en el resto. Elegidas 10 personas al azar, comprueba si la variable
aleatoria que expresa el nmero de personas de la poblacin favorable a la gestin del Ayuntamiento
sigue una distribucin binomial. En caso afirmativo, seala los parmetros de la distribucin.
Solucin: Se trata de una distribucin binomial de parmetros n = 10 y p = 0,3; es decir, B (10; 0,3).

Ejercicio 10: Se reparten unas invitaciones sabiendo que el 40% de los invitados asistirn al acto. Se
seleccionan al azar 12 invitados. Comprueba si la variable aleatoria que expresa el nmero de
personas que asisten al acto sigue una distribucin binomial. En caso afirmativo, seala los
parmetros de la distribucin.
Solucin: Se trata de una distribucin binomial de parmetros n = 12 y p = 0,4; es decir, B (12; 0,4).

Ejercicio 11: En un grupo de 16 personas, 10 son varones, y 6, mujeres. Se eligen al azar 3 personas
del grupo. Comprueba si la variable aleatoria que expresa el nmero de varones elegidos sigue una
distribucin binomial. En caso afirmativo, seala los parmetros de la distribucin.
Solucin: No se trata de una distribucin binomial. La razn es que una vez elegida una persona, la seleccin de la
segunda no se puede repetir en las mismas condiciones que la primera vez ya que hay una persona menos en el grupo.

4.3 Funcin de probabilidad de la distribucin binomial

Se considera un experimento aleatorio cuyos resultados nicamente pueden ser el suceso

A = xito y el suceso A = fracaso, con probabilidades p y q = 1 p, respectivamente.

Se realizan n pruebas del experimento y se quiere saber la probabilidad de obtener k xitos en las n
pruebas.

1. Uno de los casos en los que se obtienen k xitos en las n pruebas es el suceso:
kxitos nk fracasos

B = A A... A A A... A
 La probabilidad de B, teniendo en cuenta la independencia en pruebas sucesivas, ser:
k veces nk veces

P (B) = P(A) P(A)... P(A) P(A) P(A)... P(A)

2. Ahora bien, hay que considerar todas las maneras posibles de obtener k xitos y n k fracasos, y esta
cantidad viene dada por:
Pnk,nk = n! =n k!
(nk)! k

3. Si x es la variable aleatoria binomial que representa el nmero de xitos obtenidos en n pruebas,

resulta:
n k (n k)
P (obtener k xitos) = P (X = k) = p q
k
Esta expresin recibe el nombre de funcin de probabilidad de la distribucin binomial.

Nota: Observar que las probabilidades de xito y fracaso son complementarias, es decir, q =
1 p y p = 1 q, por lo que basta saber una de ellas para calcular la otra.

Ejemplo: Retomemos el ejemplo anterior: Tiramos un dado 7 veces y contamos el nmero de cincos
que obtenemos. Cul es la probabilidad de obtener tres cincos?

La variable aleatoria X, que cuenta el nmero de cincos obtenidos sigue una distribucin binomial
1
B 7,

Para calcular la probabilidad que nos piden, fijmonos en que nos dicen que sacamos 3 cincos y por
lo tanto tenemos 3 xitos y 4 fracasos, entonces:
7 1 3 5 73 7 1 3 5 4
P (X = 3) = = = 0,0781
3 6 6 3 6 6

Ejemplo: Supongamos que la probabilidad de que una pareja tenga un hijo o una hija es igual.
Calcular la probabilidad de que una familia con 6 descendientes tenga 2 hijas.
Estamos repitiendo 6 veces el experimento de tener un descendiente. Como resultado del
mismo nos fijamos en los sucesos:

xito = A = tener una hija Fracaso = A = tener un hijo

 El sexo del desecendiente en cada nacimiento es independiente del sexo de los descendientes
anteriores.

La probabilidad del suceso xito es constante en cada lanzamiento:

xito = A = tener una hija P (A) = ; Fracaso = A = tener un hijo P ( A) =

Por tanto, los parmetros de la distribucin son n = 6 y p = . En consecuencia, la variable

aleatoria X, que cuenta el nmero de hijas sigue una distribucin binomial B (6, ).

Nos piden la probabilidad de que una familia con 6 descendientes tenga 2 hijas, esto es, P (X = 2).
Si aplicamos la frmula tenemos:
6 1 2 1 4 P (X
= 2) = = 0,2344
2 2 2

Nota: La eleccin de xito o fracaso es subjetiva y queda a eleccin de la persona que resuelve el
problema, pero teniendo cuidado de plantear correctamente lo que se pide. En el caso concreto del
ejemplo anterior, si consideramos como xito = tener hijo, como nos piden la probabilidad de que
una familia con 6 descendientes tenga 2 hijas, si el xito es tener hijo hemos de plantearnos cul es
la probabilidad de tener 4 xitos (4 hijos), es decir:
6 1 4 1 2 P (X
= 4) = = 0,2344
4 2 2

Evidentemente sale lo mismo, pero hay que ser consecuente a la hora de elegir el xito y el fracaso y
la pregunta que nos hagan.

Ejercicio 12: La probabilidad de que un esquiador debutante se caiga en la pista es de 0,4. Si lo

intenta 5 veces, calcula la probabilidad de que se caiga 3 veces.
Solucin: 0,2304

Ejercicio 13: La probabilidad de que un cazador novato cobre una pieza es 0,35. Si lo intenta 8
veces, calcula la probabilidad de que cobre 4 piezas.
Solucin: 0,1875
 4.4 El uso de las tablas de la distribucin binomial
La distribucin binomial se encuentra tabulada por lo que es fcil calcular probabilidades sin
necesidad de hacer demasiadas cuentas. Para usar las tablas de la distribucin binomial es necesario
conocer:
El nmero de veces que se realiza el experimento, n.
La probabilidad de xito, p.
El nmero de xitos, k.

La probabilidad p se busca en la primera fila (valores desde 0,01 hasta 0,5).

El nmero de veces que se realiza el experimento, en la primera columna (valores desde 2 a 10) y el
nmero de xitos, k, a su lado (2 columna).

La probabilidad buscada es el nmero que aparece en la interseccin de la fila y la columna

buscadas.

Ejemplo: En el caso anterior, B (6; 0,5), P (X = 2), la columna p = 0,5 es la ltima, y cuando n = 6 y
k = 2 encontramos 0,2344, el valor que habamos calculado.

Nota importante: Para calcular probabilidades donde p > 0,5, basta intercambiar los papeles de xito
y fracaso para que podamos utilizar la tabla. La explicacin es bien sencilla, pues si p > 0,5,
entonces q < 0,5, esto es, si X es una variable B (n, p), entonces P (X = k) = P (Y = n k), donde y es
una variable B (n, q), pero ahora q < 0,5 y s est tabulada.

Ejemplo: La probabilidad de que un alumno de 2 de Bachillerato apruebe las Matemticas es de 0,7.

Si consideramos un grupo de 8 alumnos, cul es la probabilidad de que cinco de ellos aprueben las
Matemticas?

Si consideramos los sucesos xito = aprobar y fracaso = suspender, entonces p = 0,7 y q = 0,3.
Tenemos, por tanto, que la variable aleatoria, X, que cuenta el nmero de aprobados sigue una
distribucin binomial B (8; 0,7). Nos piden calcular P (X = 5), que no se puede calcular mediante las
tablas porque p = 0,7 y slo aparecen probabilidades hasta p = 0,5. Por tanto si intercambiamos los
papeles y consideramos como xito = suspender y fracaso =aprobar entonces tenemos que p =
0,3, q = 0,7, es decir la nueva variable aleatoria, Y, que cuenta el nmero de suspensos sigue una
distribucin binomial B (8; 0,3). Como nos piden que aprueben 5 de 8, es decir que suspendan 3 de 8
o lo que es lo mismo, que tengamos 3 suspensos, ahora xitos, debemos calcular P (Y = 3), y
buscando en la tabla se tiene que P (X = 3) = 0,2541.

Tambin, desde luego podramos haber utilizado la frmula desde el principio, usar la calculadora, y
calcular directamente la probabilidad P (X = 5) mediante la distribucin B (8; 0,7) y olvidarnos de
tablas:
5 3
P (X = 5) = ( 8 ) (0,7) (0,3) = 0,2541
5

Ejercicio 14: Supongamos que el porcentaje de estudiantes que han repetido curso alguna vez es del
35 %. Si se toman 8 estudiantes al azar, cul es la probabilidad de que 2 de ellos hayan repetido
curso?
 Solucin: 0,2587

4.5 Probabilidades acumuladas

Es posible que nos pidan no slo la probabilidad de que ocurran un cierto nmero de xitos en
concreto, sino que ocurran como mucho k xitos o preguntas similares. En el ejemplo anterior, por
ejemplo, podran pedirnos, cul es la probabilidad de que aprueben como mucho 2 alumnos?

Si xito = aprobar y fracaso = suspender, p = 0,7 y q = 0,3, entonces nos piden P (X 2). En
este caso, basta pensar en que para que aprueben 2 alumnos como mucho, puede que aprueben 2, 1 o
ninguno, es decir:
P (X 2) = P (X = 0) + P (X = 1) + P (X = 2) = 0,0001 + 0,0012 + 0,01 = 0,1013

O tambin nos podran pedir, cul es la probabilidad de que aprueben entre 3 y 6 alumnos (inclusive)?
Del mismo modo:
P (3 X 6) = P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6) =
= 0,0467 + 0,1361 + 0,2541 + 0,2965 = 0,7334

Hemos de tener en cuenta que para la distribucin binomial, en las tablas slo se admiten valores
hasta n = 10 (10 repeticiones del experimento). Para valores de n > 10, inevitablemente debemos
utilizar la frmula y la calculadora.

Ejemplo: Los alumnos de cierta clase se encuentran en una proporcin del 67 % que estudian ingls
y el resto francs. Tomamos una muestra de 15 alumnos de la clase, calcular:
a) Probabilidad de que al menos encontremos tres alumnos de ingls.
b) Probabilidad de que los 15 alumnos estudien ingls.
c) Probabilidad de que estudien ingls entre 7 y 10 alumnos.

Si xito = estudiar ingls, (p = 0,67) y fracaso = estudiar francs, (q = 1 0,67 = 0,33).

Manejamos por tanto una variable aleatoria X = n de alumnos que estudian ingls, que sigue una
distribucin binomial B (15; 0,67).

a) P (X 3) = P (X = 3) + P (X = 4) + P (X = 5) + P (X = 6) + + P (X = 15).

Una opcin es calcular estas 13 probabilidades y sumarlas. Como hay que aplicar la frmula para
calcular cada una, la tarea se puede hacer bastante larga. Otra opcin, ms sencilla, es pasar al
complementario. El complementario de encontrar al menos 3 alumnos de ingls es encontrar como
mucho 2 alumnos de ingls, P (X 2). Es decir,
P (X 3) = 1 P (X < 3) = 1 P (X 2) = 1 (P (X = 0) + P (X = 1) + P (X = 2))

y slo tenemos que calcular 3 probabilidades:

P (X = 0) 0, P (X = 1) = 0,000001, P (X = 2) = 0,000026

Por lo cual,
P (X 3) = 1 (0 + 0,000001 + 0,000026) = 1 0,000027 = 0,999973
 b) P (X = 15) = 0,0025 (aplica la frmula).

c) P (7 X 10) = P (X = 7) + P (X = 8) + P (X = 9) + P (X
= 10) = = 0,0549 + 0,1114 + 0,1759 + 0,2142 = 0,5564

Ejercicio 15: En 1992 el 20 % de las pelculas de cine proyectadas en Espaa eran de nacionalidad
espaola. Si tomamos una muestra de 6 pelculas, calcula la probabilidad de que haya: a) Una
pelcula espaola.
b) Tres o ms pelculas espaolas.
Solucin: a) 0,3932; b) 0,0989

4.6 Media y desviacin tpica en una distribucin binomial

Aunque no se demostrar, en una distribucin binomial B (n, p), el nmero esperado de xitos o
media, viene dado por = n p. (Recordemos que la media es una medida de centralizacin). La
desviacin tpica, , que es una medida de dispersin y mide lo alejados que estn los datos de la
media, viene dada por = n pq . La varianza es 2 = n p q.

5. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD: LA

DISTRIBUCIN DE POISSON

5.1 Definicin de distribucin de Poisson:

La distribucin de Poisson se aplica en situaciones en que se tiene una distribucin binomial con p
muy pequeo (p 0) y n (nmero de pruebas u observaciones de 1a muestra) grande (n ) y el
producto n p se mantiene constante, e igual a un nmero pequeo, (np ). Suele recibir el
nombre de ley de los sucesos raros.

La distribucin de probabilidad se obtiene tomando lmite cuando n tiende a infinito en la

distribucin de probabilidad de la binomial, es decir,
k nk
P (X = k)= Lim( n ) p (1 p)
k
Ejemplos de experimentos en que se aplicara la distribucin de Poisson:
Nmero de emisiones radiactivas.
Nmero de piezas defectuosas en una muestra suficientemente grande donde la proporcin de piezas
defectuosas es pequea.
Nmero de partos triples por ao.

Ejemplo: Supongamos que tenemos una urna que contiene 1000 bolas, de las cuales una es blanca y
999 son negras. La probabilidad de extraer una bola blanca es muy pequea: (1 / 1000= 0,001). Si se
sacan n bolas de la urna, con devolucin (volvindose a meter una vez sacadas), es necesario repetir
esta prueba muchas veces para que la probabilidad de sacar la bola blanca sea apreciable. Por tanto,
 n ser muy grande y p es pequeo. En un caso como este utilizaremos por su mayor sencillez la
distribucin de Poisson.

5.2 Funcin de probabilidad de una distribucin de Poisson:

Se demuestra que la distribucin de probabilidad es:
P (X = k) = donde k = 0, 1, 2, 3, 4, ... k!

Ejemplo: Supngase que estamos investigando la seguridad de un crucero muy peligroso. Los
archivos de la polica indican una media de cinco accidentes por mes en l. Si el nmero de
accidentes est distribuido conforme a la distribucin de Poisson, y la divisin de seguridad en
carreteras quiere calcular la probabilidad de exactamente 0, 1 y 3 accidentes en un mes determinado,
aplicando la frmula anterior tenemos que:
e5 50 e5 51 e5 53
P (0) = = 0,00674 ; P (1) = = 0,03370 ; P (3) = = 0,14042

0! 1! 3!

Notas:
1. Cuando hablemos de una distribucin de Poisson, la denotaremos por P (r, ), siendo el parmetro
de la distribucin, donde es la media.

2. La distribucin de Poisson P (r, ) se considera una buena aproximacin a 1a distribucin binomial,

B (n, p), en el caso que n p 5 y p < 0,1 o n 100 y p 0,05 y en ese caso = n p. El
inters por sustituir la distribucin binomial por una distribucin de Poisson se debe a que esta
ltima depende nicamente de un solo parmetro, , y la binomial de dos, n y p.

3. Existe una tabla tabulada de la distribucin de Poisson, y representa la distribucin de probabilidad.

Ejemplo: Se lanzan cuatro monedas 48 veces y se desea saber la probabilidad de obtener 4 caras dos
veces.
En principio se trata de una distribucin binomial de parmetros n = 48 y p = 1/16 (Usando la
frmula y la calculadora podemos decir que: P(X = 2) = 0,2263).

Ahora bien, como p = 1/16 y n p = 48 1/16 = 3 si se aproxima por una P (r, ), con = n p = 3,
buscando en la tabla de la distribucin de Poisson, tendremos que:
e3 32
P (X = 2) = = 0,2240 2!

Ejercicio 16: Por ejemplo, si 2 % de los libros encuadernados en cierto taller tiene encuadernacin
defectuosa, obtener, mediante la distribucin de Poisson, la probabilidad de que 5 de 400 libros
encuadernados en este taller tengan encuadernaciones defectuosas.
Solucin: 0,092
Ejercicio 17: La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, cual es la probabilidad de tener 3 accidentes?
Solucin: 0,0892

Ejercicio 18: La probabilidad de que una persona muera debido a un cierto virus es de 0,001. Cul
es la probabilidad de que mueran al menos tres personas en una poblacin de 3000 personas
afectadas por dicho virus?
Solucin: 0,5768

5.3 Media y desviacin tpica en una distribucin de Poisson Toda

variable aleatoria discreta que sigue una ley de Poisson tiene como caractersticas:
La media = E[X] = .
La varianza 2 = .
Desviacin tpica: =

A pesar de lo comentado anteriormente, la distribucin de Poisson aparece de una forma natural al

tratar de encontrar una ley de probabilidades de una variable aleatoria que nos da en nmero medio
de sucesos por unidad de tiempo, de longitud, rea, volumen, etc, ... en determinados fenmenos.
Por ejemplo: nmero de bacterias en un cierto rea del microscopio.

6. DISTRIBUCIONES CONTINUAS DE PROBABILIDAD: LA

DISTRIBUCIN NORMAL

6.1 La distribucin Normal Al

estudiar aspectos tan cotidianos como:
Caracteres morfolgicos de individuos (personas, animales, plantas) de una misma raza
como tallas, pesos, envergaduras, etc.
Caracteres fisiolgicos, como el efecto de una misma dosis de un frmaco, o de una misma
cantidad de abono.
Caracteres sociolgicos, como el consumo de ciertos productos por individuos de un mismo
grupo humano.
Caracteres psicolgicos, como el cociente intelectual, grado de adaptacin a un medio.
Caracteres fsicos, como la resistencia a la rotura de ciertas piezas...

Todos ellos tienen en comn que se distribuyen normalmente. Qu quiere decir esta expresin?
Experimentalmente se ha podido comprobar que en casos como los anteriores el histograma de
frecuencias relativas adopta una forma muy parecida a la de una campana cuando el nmero de datos
es muy grande. As, por ejemplo, si hacemos una estadstica para conocer la altura de 1400 mujeres
y representamos los resultados en un diagrama de barras, obtenemos:
 Muestra
de tamao
grande

Las grficas de este tipo son muy corrientes: hay pocos individuos en los extremos y un aumento
paulatino hasta llegar a la parte central del recorrido, donde est la mayora de ellos.

La distribucin normal fue introducida por primera vez por Abraham de Moivre en 1733 como lmite
de la distribucin binomial. Posteriormente Carl Friedrich Gauss, en su estudio de los errores de
medida en datos de observaciones astronmicas, indic la expresin de la funcin de densidad de la
distribucin normal. Por ello esta distribucin tambin se conoce con el nombre de curva o campana
de Gauss.

Variable aleatoria de la distribucin normal:

Una variable aleatoria continua X sigue una distribucin normal de media y desviacin tpica , y
se designa por N (, ), si se cumplen las siguientes condiciones:
La variable puede tomar cualquier valor real, es decir, x (, +).
La funcin de densidad, que es la expresin en trminos de ecuacin matemtica de la curva de
Gauss, es:
1x2
1
2
f (x) = e
2

La representacin grfica de la misma es una curva positiva continua, simtrica respecto a la recta x
= media, con un mximo en la abscisa x = , y que tiene 2 puntos de inflexin, situados a ambos
lados de la media ( y + respectivamente) y a distancia de ella, y que tiene por asntota
horizontal al eje de abscisas, es decir de la forma:

1
N (, ) . El mximo est
Distribucin normal ,
en

22

Dependiendo de los valores que tomen y , la grfica de esta funcin puede ser ms o menos
alargada, achatada, etc..., pero en cualquier caso siempre tiene las mismas condiciones de simetra,
continuidad, etc reseadas anteriormente.

Propiedad:
El rea encerrada bajo la curva normal N (, ) siempre es 1.
 (La demostracin de este resultado no es nada sencilla e implica el uso de resultados matemticos
que exceden el nivel de este curso)

6.2 Distribucin normal estndar

De entre todas las curvas normales N (, ), la ms sencilla, usada y conocida es aquella que tiene
por media 0 y por desviacin tpica 1, N (0, 1). Esta normal estndar, o tipificada, se suele
representar por Z. La grfica de esta curva se puede observar en la figura:

Su funcin de densidad ser:

x
2 1 2
e
f (x) = 2

Para un valor cualquiera k, definimos la probabilidad de que la distribucin Z, N (0, 1), sea menor o
igual que k como:

P (Z k) = rea encerrada bajo la curva normal N (0,1) desde hasta k

rea encerrada por la curva normal desde hasta k

Ahora bien, cmo calcular dicha rea? Fcil: dichas reas o probabilidades se encuentran tabuladas.

6.3. Uso de las tablas de la distribucin normal N (0, 1)

La normal N (0, 1) se encuentra tabulada, para valores a partir de 0 y hasta 3,69. Si por ejemplo
queremos calcular P (Z 2,78), hemos de realizar los pasos:

1. Buscar la parte entera y las dcimas en la primera columna (en este caso 2,7)
2. Buscar las centsimas en la primera fila (en este caso 0,08)
3. En el punto comn a la fila y la columna que hemos encontrado, tenemos la probabilidad buscada,
en este caso 0,9973.

Por tanto:
P (Z 2,78) = 0,9973.
Si queremos calcular una probabilidad de un valor mayor que 3,69, basta fijarse en que las
probabilidades correspondientes a valores tales como 3,62 y mayores ya valen 0,9999
(prcticamente 1). Por eso, para estos valores mayores que 3,99, diremos que la probabilidad es
aproximadamente 1. As:
P (Z 5,62) 1
aunque no aparezca en la tabla.

Por otra parte, fijmonos en que en este tipo de distribuciones no tiene sentido plantearse
probabilidades del tipo P (Z = k), ya que siempre valen 0, al no encerrar ningn rea. Por tanto, si
nos pidiesen P (Z = 3,2), basta decir que P (Z = 3,2) = 0.

Recordemos que en este tipo de distribuciones en las cuales la probabilidad de tomar un valor
concreto es 0 se denominan distribuciones continuas, para diferenciarlas de otras en las que esto no
ocurre, como por ejemplo la binomial, que es una distribucin discreta.

Ejercicio 19: Buscar en la tabla de la normal estndar N (0, 1) las probabilidades:

a) P (Z 1,15) b) P (Z 0,5) c) P (Z 0,82)
d) P (Z 1,5) e) P (Z 4,27) f) P (Z 18,19)
Solucin: a) 0,8749 b) 0,6915 c) 0,7939 d) 0,9332 e) 1 f) 1

6.4 Clculo de otras probabilidades 1.

Si k es positivo y queremos calcular P (Z k), es decir el rea rayada:

P (Z k)

Basta pasar al complementario. As, al pasar al complementario, si tenemos Z k, su

complementario ser Z < k, pero como incluir k no influye en la probabilidad, al calcular
probabilidades podemos escribir:
P (Z k) = 1 P (Z < k) = 1 P (Z k)

Esta ltima probabilidad ya se encuentra tabulada.

Slo se puede hacer esto en distribuciones continuas, en el caso de la binomial esto no se puede
hacer y hay que ser cuidadosos con el paso al complementario.

Ejercicio 20: Calcular P (Z 0,3) y P (Z 2,07)

Solucin: P (Z 0,3) = 0,3821 ; P (Z 2,07) = 0,0192
2. Si k es positivo y queremos calcular P (Z k), es decir el rea:

P (Z k)

Por simetra, P (Z k) = P (Z k) = 1 P (Z k)

Las probabilidades de valores negativos no estn tabuladas, pero por las propiedades de la funcin
de densidad, dicha rea es igual a la mostrada en la
siguiente figura:

Por las propiedades de la distribucin de probabilidad tendremos entonces que:

P (Z k) = P (Z k) = 1 P (Z k)

La simetra permite reducir este caso al anterior.

Ejercicio 21: Calcular P (Z 0,78) y P (Z 3,2).

Solucin: P (Z 0,78) = 0,2177 ; P (Z 3,2) = 0,0007

3. Si k es positivo y queremos calcular P (Z k), es decir el rea rayada:

P (Z k)

Igual que en el caso anterior, teniendo en cuenta las

propiedades de la funcin de densidad, dicha rea es
igual a la mostrada en la siguiente figura:

 Entonces, por simetra:
P (Z k) = P (Z k):

La simetra permite reducir este caso al que ya est tabulado.

Ejercicio 22: Calcular P (Z 0,96) y P (Z 1,01).

Solucin: P (Z 0,96) = 0,8315 ; P (Z 1,01) = 0,8438

4. Probabilidades comprendidas entre dos valores, P (k1 Z k2), es decir el rea rayada:

P (k1 Z k2)

Probabilidad comprendida entre dos valores se

calcula restando
las reas:

P (Z k2) en la primera imagen P (Z k1) en la segunda. Al restar obtenemos el rea pedida, es

decir:
P (k1 Z k2) = P (Z k2) P (Z k1)

Ejercicio 23: Calcular P (0,96 Z 1,49) y P (1,32 Z 0,57).

Solucin: P (0,96 Z 1,49) = 0,7634 ; P (1,32 Z 0,57) = 0,1909

Ejercicio 24: Calcular P (Z = 2), P (Z 2), P (Z 2), P (Z 2), P (Z 2), P (2 Z

2) y P (0,81 Z 1,33)
Solucin: P (Z = 2) = 0 ; P (Z 2) = 0,9772 ; P (Z 2) = 0,0228 ; P (Z 2) = 0,0228 ; P (Z 2) =
0,9772 P (2 Z 2) = 0,9544 ; P (0,81 Z 1,33) = 0,1172

6.5Uso inverso de la tabla: conocidas las probabilidades, hallar los valores de la variable
Hasta ahora nos han dado la distribucin normal N (0, 1) y nos pedan P (Z k) siendo k un cierto
nmero, y nos pedan calcular dicha probabilidad. Ahora bien, otra pregunta puede ser: Dado que en
una normal N (0, 1) sabemos que P (Z k) = 0,9099, cunto vale k?
 Vamos a distinguir dos casos:

1. La probabilidad aparece en las tablas (est entre 0,5 y 1). En este caso basta con mirar la fila y la
columna en que aparece.

Ejemplo: Calcula el valor de z0 si P (Z z0) = 0,9099.

Como 0,9099 aparece en la fila de 1,3 y la columna de 0,04, el valor buscado es z0 = 1,34.

Nota: En caso de que el valor a buscar no aparezca exactamente dentro de la tabla de la distribucin
normal, tomaremos el valor ms prximo a l por exceso.

2. La probabilidad no est en las tablas, es decir, es menor de 0,5; luego el nmero buscado es
negativo. Entonces buscamos y0 con la condicin de que P (Z y0) = 1 (siendo la
probabilidad dada) y entonces z0 = 1 y0.

Ejemplo: Calcula el valor de z0 si P (Z z0) = 0,4562.

Como 0,4562 no aparece en la tabla por ser menor que 0,5, entonces buscamos:
P (Z y0) = 1 0,4562 = 0,5438

Dicha probabilidad aparece en la fila de 0,1 y la columna de 0,01, luego y0 = 0,11 y entonces el valor
buscado es z0 = y0 = 0,11.

Ejercicio 25: Calcular k si:

a) P (Z k) = 0,8078.
b) P (Z k) = 0,0028.
Solucin: a) k = 0,87 ; b) k = 2,77

6.6 Clculo de probabilidades en normales N (, ). Tipificacin de la variable Si no

tenemos una distribucin N (0, 1), sino una N (, ) cualquiera, cmo calcular probabilidades, si no
tenemos tabla salvo para N (0, 1)? El siguiente resultado nos da la respuesta.

Propiedad:
X
Si X sigue una distribucin N (, ), entonces la variable Z = sigue una distribucin N (0, 1).

El paso de la variable X N (, ) a la Z N (0, 1) se denomina tipificacin de la variable X.

Ejemplo: Las estaturas de 600 soldados se distribuyen de acuerdo a una distribucin normal de
media 168 y desviacin tpica 8 cm. Cuntos soldados miden entre 166 y 170 cm?

Sea X la distribucin de los soldados, X es una N (168, 8). Nos piden P (166 X 170). Utilizando
el resultado anterior, tipificamos la variable y obtenemos:
166168 X 168 170168 2 X 168 2
 P (166 X 170) = P = = P =

8 8 8 8 8 8
= P (0,25 Z 0,25) = P (Z 0,25) P (Z 0,25) = P (Z 0,25) P (Z 0,25) =
= P (Z 0,25) [1 P (Z 0,25)] = 2 P (Z 0,25) 1 = 0,1974

Ejercicio 26: En una distribucin N (22, 5), calcula: P (X 27), P (X 27), P (X 125),
P (15 X 20), P (17 X 30).
Solucin: P (X 27) = 0,8413 ; P (X 27) = 0,1587 ; P (X 125) = 0 ; P (15 X 20) = 0,2638 P
(17 X 30) = 0,7865

Ejercicio 27: Los pesos de 60 soldados siguen una distribucin N (67, 5). Calcula la probabilidad de
que el peso sea:
a) mayor de 80 kg. b) 50 kg. o menos c) menos de 60 kg.
d) 70 kg. e) Entre 60 y 70 kg inclusive.
Solucin: a) 0,0047 ; b) 0,0003 ; c) 0,9192 ; d) 0 ; e) 0,6449

Ejemplo: Si X sigue una normal N (6, 3) y P (X k) = 0,9082, calcula k.

Tipificando:
k 6
X 6 k 6 P Z = 0,9082
P (X k) = P = 0,9082

3 3 3

Y buscando en la tabla el valor correspondiente de la variable, se tiene que:

k 6
= 1,33 k 6 = 3,33 k = 9,99 3

Ejercicio 28: Calcular k si P (X k) = 0,6141 y X sigue una N (15, 4).

Solucin: k = 16,16

Ejercicio 29: De una variable normal N (, ) se sabe que:

P (X 7) = 0,9772 y P (X 6,5) = 0,8413
Calcular:
a) y . b) P (5,65 X 6,25) c) El nmero k tal que P (X > k) = 0,3
Solucin: a) = 6 y = 0,5 ; b) 0,4495 ; c) k 6,27