Estadstica y Probabilidades

Modelos de probabilidad
aleatorias continuas

para

variables

DanielMavila@yahoo.es

Bibliografa recomendada: Cordova, Manuel. 2003. Estadstica:

Descriptiva e Inferencial. Ed. Moshera S.R.L. 5ta edicin. Sub
captulos: 7.2 y 7.3
24/05/2015

Variable aleatoria continua

Ejemplo. Imaginemos una ruleta de la fortuna con un permetro

circular de longitud 1. Como la flecha puede sealar infinitos
valores no numerables, todo resultado tiene probabilidad 0.
Cmo definir entonces las probabilidades?
Podemos hacerlo asignando probabilidades a intervalos, p. ej. la
probabilidad de que el resultado est entre 0 y 0,5 es ; puesto que
se trata de la mitad del crculo.
Cmo podemos representarlo mediante una grfica?

p(x)

rea = 1
x
0

p(x)

p(x)

x
1

El rea sobre un punto como a,

es cero.

0
1
p ( x)
b a
0

x
1

La probabilidad de que
obtengamos un valor entre
a y b es (b a)*1/(1*1) = b - a.

x0
0 x 1
x 1

Esperanza matemtica o media

x j p( x j )

(Distribucin discreta)

xp ( x)dx

(Distribucin continua)

Decimos que una distribucin es simtrica si existe un valor c

tal que para cada real x: p (c + x) = p(c - x).
Observa que si una distribucin es simtrica con respecto a c,
entonces su media es igual a c.

Varianza y desviacin tpica

2 ( x j ) 2 p( x j )

(Distribucin discreta)

2 ( x ) 2 p( x)dx

(Distribucin continua)

La desviacin tpica o estndar es el valor positivo de la raz

cuadrada de 2 . Ambas miden la dispersin de la distribucin.
La varianza siempre es 2 > 0, excepto para una distribucin
con p(x) = 1 en un punto y p(x) = 0 en el resto (una distribucin
delta de Dirac), en cuyo caso 2 = 0.

Funcin de distribucin de probabilidad de una v. a. continua (Funcin

de densidad acumulada)
Para una v. a. continua disponemos de un conjunto no numerable de
valores. No es posible definir una probabilidad para cada uno. Por eso
definimos previamente la funcin de distribucin de probabilidad, que s
tiene un significado inmediato y semejante al caso discreto:

F : [0;1]
x F ( X ) P( X x )
Nota: para cualquier par de valores a y b, en el caso de una v.
a. continua, las probabilidades correspondientes a los intervalos
a < X b, a < X < b, a X < b y a X b son las mismas. No
as para una variable discreta.

Distribucin de probabilidad uniforme (rectangular)

La variable aleatoria continua mas sencilla por tener un valor constante
(uniforme) en un intervalo de valores.

Funcin de densidad de probabilidad:

1

f ( x ) p ( x ) U ( a, b ) b a

1
ba

si a x b
en otro caso

p(x)

Donde a y b se denominan parmetros de

ubicacin.
Funcin de distribucin de probabilidad
acumulada:
F ( x)

p( t )dt

Entonces:

0
x a
F ( x)
b a
1

xa
a xb
xb

rea = 1
a

Media, varianza y desviacin tpica de la distribucin de probabilidad

uniforme.
b

x
b2 a 2 a b

dx

ba
2
2(b a) a 2(b a)
a
b

ab 1
(b a)
ba

2
x
dx
;

2 ba
12
12
a
2

1
p(x)

(2=1/12)

p(x)

1/6

-1

(2=3/4)

2 x

Nota: Observa que estas distribuciones tienen la misma media

pero distinta varianza. Mayor varianza implica mayor dispersin
alrededor de la media.

Aplicaciones de U(a,b)
La distribucin uniforme entre 0 y 1 tiene una
aplicacin muy importante en los procesos de
simulacin.
Cuando se utiliza un p-value a modo de prueba
estadstica para una hiptesis nula simple, y la
distribucin de la prueba estadstica es continua,
entonces la prueba estadstica est uniformemente
distribuida entre 0 y 1 si la hiptesis nula es
verdadera.

Ejemplo de distribucin de p. rectangular. Si:

1
47 41

p(x)

para

41 x 47

para el resto de valores

P(42 x 45)

Calcula la probabilidad

x2 x1
P(x1 x x2)
ba

45 42 1
P(42 x 45)

47 41 2
45 42 1

47 41 2

p(x)
1
1

47 41 6

Area
= 0.5

41 42

45 47

Mamerto es un vendedor que cobra un sueldo

fijo por S/.200 ms una comisin de 5% del
total de las ventas mensuales. Si el total de las
ventas es una v. a. X con distribucin
uniforme comprendida entre S/.0 a S/.2 000,
encuentra:
a) Cul es sueldo promedio de Mamerto?
S = 200 + 5%X donde X U [0;2 000]
E(S) = 200 + 0,05*E(X)
= 200 + 0,05*1000
= 250

b) Qu probabilidad hay de que Mame

tenga honorarios superiores a S/.275?
Cunto debe vender como mnimo?
P[U > 275] = P[X > 1500] =
500/2000 = 0,25
La probabilidad es de 25% y debe vender
como mnimo S/.1 500

c) Si Mamerto vende como mnimo S/.500 qu

probabilidad hay de que gane ms de S/.260?
P(U > 260

P(X > 1200

P(X > 500) =

P(X > 500) =

800 * 1

2000
1500 * 1
2000

Distribucin de probabilidad normal

La distribucin continua de probabilidad ms importante,
por la frecuencia con que se encuentra y por sus
aplicaciones tericas, es la
distribucin normal,
gaussiana o de Laplace-Gauss.

Existen tres funciones de distribucin de probabilidad

ntimamente relacionadas con la distribucin normal: la
distribucin chi-cuadrada, la distribucin t y la distribucin F. Las definiciones de estas funciones involucran
las frmulas de la funcin gamma y de la funcin beta.

Aplicaciones de N(, )
Caracteres morfolgicos de individuos (personas, animales,
plantas,...) de una especie (tallas, pesos, dimetros, permetros,...).
Caracteres sociolgicos, por ejemplo: consumo de cierto producto
por un mismo grupo de individuos, puntuaciones de examen, ...
Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis
de un frmaco.
Errores
cometidos
al
medir
ciertas
magnitudes.
Valores estadsticos muestrales, por ejemplo: la media.
Y en general cualquier caracterstica que se obtenga como suma de
muchos factores.

Otras distribuciones como la binomial o la de Poisson se aproximan

a la normal.

Distribuciones binomiales con n grande (n > 30) y p ni pequeo

(np > 5) ni grande (n*(1 - p) > 5).

Caractersticas
Tiene forma de campana, es asinttica al eje de las

abscisas (para x = )

Simtrica con respecto a la media () donde coinciden la

mediana (Mn) y la moda (Mo)

El rea por debajo de la curva normal es igual a 1.

f ( x )dx

Caractersticas
Curtosis igual a 3
Los puntos de inflexin tienen como abscisas los
valores

Puntos
de
inflexin

-
+
, Mo, Mn

Cmo calcular probabilidades asociadas

a una curva normal especfica?
Dado que tanto como pueden asumir infinitos valores lo
que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribucin
normal estndar, reducida o tipificada.
Se define una variable

z=

x -

Es una traslacin , y un cambio de escala de la

variable original.

La nueva variable z (variable aleatoria estandarizada)

se distribuye como una NORMAL con media

= 0 y

desviacin tpica = 1
En cualquier distribucin normal las
probabilidades delimitadas entre :
68 %
2 95 %
3 99 %

68%
95%
-3

-2

-1

99%
0

z
1

Tipificacin
Dada una variable de media y desviacin
tpica , se denomina valor tipificado z,
puntuacin z, valor z, puntaje z, de una
observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
tpicas, es decir:

Tipificacin

En el caso de variable X normal, la

interpretacin es clara: asigna a todo valor
de N(, ), un valor de N(0,1) que deja
exactamente la misma probabilidad por
debajo.
Permite as comparar entre dos valores de
dos distribuciones normales diferentes, para
saber cul de los dos es ms extremo.

Hay varios tipos de tablas de la distribucin de probabilidad normal. La que se explica aqu representa las
reas para los diferentes valores de z: desde 0 hasta +

Los valores
negativos de z NO
estn tabulados, ya
que la distribucin
es simtrica

La tabla consta de:

a) Margen izquierdo: Los enteros de z y

su primer decimal.
b) Margen superior: segundo decimal
c) Cuerpo de la tabla: reas acumuladas, desde
0 hasta 3,09

Nota: Para valores de z > 3,09 o z < -3,09 usar 0,0001 para el rea
Z

0.0
0.1
0.2
0.3
0.4

.0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359

0.5

.1915 ....

.0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
.0793 .0832 .0871 .0910 .0948 .0987 .1026 ....

.1179 .....

......

......

.1554 ....

.....

....

......

......

......

La tabla de distribucin de probabilidad normal estndar

Z
z
0.0
0.1
:
:
1.1
1.3
:
:
2.4
2.5
:

0.00
0.0000
0.0398
:
:
0.3643
0.4032

0.01
0.0040
0.0438
:
:
0.3665
0.4049

0.02
0.0080
0.0478
:
:
0.3686
0.4066

0.03
0.0120
0.0517
:
:
0.3708
0.4082

0.04
0.0160
0.0557
:
:
0.3729
0.4099

0.05
0.0199
0.0596
:
:
0.3749
0.4115

0.06
0.0239
0.0636
:
:
0.3770
0.4131

0.07
0.0279
0.0675
:
:
0.3790
0.4147

0.08
0.0319
0.0714
:
:
0.3810
0.4162

0.4927

0.4940

Cuando Z = 2,51 entonces el rea comprendida

entre z = 0 y z <= 2,51 vale: 0,4940

Ejemplo.

Cul es la probabilidad de que un valor de z est entre 0 y 2,03?

Se busca en la tabla el rea correspondiente a z = 2,03

1.8
1.9
2.0

0.47882

2.1

47. 88%
z
-3

-2

-1

Ejemplo.

Cul es la probabilidad de que un valor de z est entre -2,03 y 2,03 ?

En el ejemplo anterior vimos que la probabilidad de que z estuviera

entre 0 y 2.03 = 0.47882
La misma rea hay entre 0 y
-2.03; por lo tanto:
P(-2.03 < z < 2.03) = 0.95764

?
95.76%
47.88%

47.88%

z
-3

-2

-1

Ejemplo.

Cul es la probabilidad de que un valor de z sea mayor a 1,25 ?

1.- La probabilidad de 0 < z < + = 0,500

2.- La probabilidad de 0 < z < 1,25 = 0,39435
3.- La probabilidad de z > 1,25 =
0,500 0,39435 = 0,10565

50%
39.44%
10,56%

-3

-2

-1

z
3

Ejemplo.

Hallar P( -0,34 < z < )

P(0 < z <0,34) = 0,13307 =
P(- 0,34 < z < 0)
P (0 < z < ) = 0,50000
P( -0.34 < z < ) =
0,13307 + 0,50000 = 0,63307

63,31%

13.31%

50%

z
-3

-2

-1

Ejemplo.

Hallar P( 0,34 < z < 2,30)

P(0 < z <0,34) = 0,13307
P( 0 < z < 2,30) = 0,4893
P (0,34 < z < 2,30) = 0.48930 - 0.13307 = 0,35623

35,62%

-3

-2

-1

z
3

Ejemplo. Si:

=4

= 1.5

x
z

Hallar P ( x > 6 )

1) Transformar x en un valor z
z = (6 - 4)/1.5 = 1.33

2) Hallar P ( 0 < z < 1.33) =

3) 0.5000 - 0.40824 =

0.5

0.40824

0.09176

?
-0.5
-3

1
-2

2.5
-1

4
0

5.5 6
1 1.33

7
2

x
8.5
3 z

Cmo hallar un valor de x, dada la probabilidad?

Sea una variable distribuida normalmente con = 4 y = 2. Halla el
valor de x que deja por encima de el un 38,20%

Se debe desestandarizar: x

=z*+

0,5000 0,382 = 0,118 Se busca en la

tabla el valor ms aproximado: 0,1179
corresponde a z = + 0,30

38,20%

Sustituyendo en la frmula

0,30 * 2 + 4 = 4,60
x=?
4,60

Ejercicio 1. El valor Z para una observacin que se encuentra

a la derecha de la mediana ser siempre:
a. Cero
b. Negativo c. Mayor a 1 d. Positivo
Ejercicio 2. En una distribucin Normal determina la
proposicin falsa:
a. El rea total bajo la curva es igual a 1
b. La curva es simtrica con respecto a la moda
c. El valor de la media es siempre mayor al del desvo
estndar
d. La curva se extiende de menos a mas infinito.

Ejercicio 3. Para la distribucin normal estandarizada se

verifica que:
a. = 1 y = 0
b. = 0,5 y = 0,5
c. = 0 y = 0
d. = 0 y = 1

Ejercicio.
Se ha establecido que los nios en cierto grupo de edad de la
Residencial Los Barracones, tienen presiones diastlicas (en
mm Hg) que presentan una distribucin aproximadamente
normal alrededor de una media de 57 con desviacin estndar
de 8.
(a) Sera una presin sangunea de 74, desusadamente
alta en un nio de esta edad?
(b) A partir de qu presin sangunea se considerar
desusadamente alta? Asume que p = 1% en la
poblacin extrema de presin sangunea alta.

Rpta. (a) La P es 1,7%: __________

(b) __________________

Aproximacin de la Normal a la Binomial

Para un n finito, las distribuciones Binomial y Normal no
coinciden. El estudio numrico del error cometido al
aproximar la primera por la segunda, permite establecer
algunas reglas generales para una Binomial con n finito:
n 30 0,1 p 0,9
n 30
n 30

aproximar a la Normal de media np,

varianza np(1 p)

0 < p < 0,1

aproximar a la Poisson con = np

0.9 < p < 1

aproximar la variable recproca(*) a la

Poisson con = n(1 p)

no aproximar, calcular con la variable

original
( )
* Si la Binomial est asociada al nmero de veces que
aparece el suceso A de un total de n repeticiones del
experimento, la variable recproca corresponde a contar el
nmero de veces que aparece el suceso contrario a A, y es
por tanto una Binomial (n, 1 p).
n < 30

cualquier p

Aproximacin de una binomial por una normal.

Si X es una variable binomial B(n, p) donde n es grande y ni p ni q 1 p estn
prximas a cero, entonces puede aproximarse por una variable normal N ( , )
haciendo coincidir media y varianza, es decir np ,

npq . Por lo tanto, en estas

condiciones B(n, p) se puede aproximar por N (np, npq ) . Adems, tendremos en

cuenta la correccin por continuidad, es decir,
Binomial

Normal

P( X a )
P( X a )
P( X a )
P( X a )
P( X a )
P(a X b)
P(a X b)
P(a X b)
P(a X b)

P(a 0,5 X a 0,5)

P( X a 0,5)
P( X a 0,5)
P( X a 0,5)
P( X a 0,5)
P(a 0,5 X b 0,5)
P(a 0,5 X b 0,5)
P(a 0,5 X b 0,5)
P(a 0,5 X b 0,5)

Aproximacin de una Poisson por una normal.

Si X es una variable de Poisson P( ) , donde 20 , podemos aproximarla por una
variable normal
continuidad.

N ( , ) .

Tambin aqu es necesario realizar la correccin por

Ejemplo

Si 35% de los productos manufacturados en

cierta lnea de produccin son defectuosos,
cul es la probabilidad de que entre los
siguientes 1 000 productos manufacturados en
esa lnea
a) menos de 354 productos sean defectuosos?
b) entre 342 y 364 productos sean defectuosos?
c) exactamente 354 productos sean defectuosos?

Propuesta de solucin

a)

n = 1 000
p = p (un producto sea defectuoso) = 0,35
q = p (un producto no sea defectuoso)
= 1 - p = 0,65
x = nmero de productos defectuosos que se
manufacturan en la lnea = 0; 1; 2; ... ; 1 000

 = 350

X = 354 - 0,5

p(x 353,5 ) = p(z <= 0,23) = 0,591

b)

= 350
X1 = 341,5
X2 = 364,5

p(341,5 x <= 364,5) = p(z1) + p(z2) = 0,2123 + 0,3315 = 0,5438

c)

= 350 X2 = 354,5
X1 = 353,5
p(x = 354) = p(z2) - p(z1) = 0,1179 0,091 = 0,0269

Ejercicio. Una cementera que produce Cemento gris

de uso estructural (para la elaboracin de morteros y
concretos, etc.) ha encontrado que en promedio, un
2% de las bolsas no cumple con la norma .Cul es la
probabilidad que en 600 bolsas de cemento de uso
estructural seleccionadas al azar, se encuentren 15 o
ms bolsas defectuosas?
R. 23,27%

Aproximacin de la D. de P. Normal a la D. P. Poisson

Aunque para n finito las distribuciones de Poisson
y Normal no coinciden, es posible aproximar la
primera por la segunda, de acuerdo a la regla
siguiente:
10

aproximar a la Normal de media ,

varianza

< 10

no aproximar, calcular con la variable

original

Teorema aplicable a la distribucin de probabilidad

normal
(propiedad reproductiva, adicin)

Sea X1, X2, ... , Xn, n variables aleatorias

2

independientes (Cov = 0), donde Xi ~ N(

),
para i = 1, 2 ... n.

Si Y = c1X1 + c2X2, + ... + cnXn entonces, la

v. a. Y se distribuye normalmente con media
y varianza:
n

y ci i
i 1

c i
2

i 1

Ejercicio. Un brazo hidrulico utilizado para vaciar el

concreto en edificaciones de altura, consta de tres partes.
Supn que X1, X2 y X3 son fabricados por diferentes
empresas cuya distribucin de probabilidad de la longitud de
cada una est dada por:
X1
X2
X3

N (12 cm; 0,02 cm2)

N (24; 0,03)
N (18; 0,04)

Calcula la probabilidad de que la longitud del brazo mecnico

est comprendida entre 53,8 y 54,2 cm.
Rpta. 0,497.

Distribucin exponencial
Mientras que la distribucin de Poisson describe las llegadas por
unidad de tiempo, la distribucin exponencial estudia el tiempo entre
cada una de estas llegadas. Si las llegadas son de Poisson el tiempo
entre estas llegadas es exponencial. Mientras que la distribucin de
Poisson es discreta la distribucin exponencial es continua porque el
tiempo entre llegadas no tiene que ser un nmero entero. Esta
distribucin se utiliza mucho para describir el tiempo entre eventos.
Ejemplos tpicos de esta situacin son el tiempo que un medico
dedica a una revisin, el tiempo de servir una medicina en una
farmacia o el tiempo de atender en una caja de un retail.

Distribucin exponencial
El uso de la distribucin exponencial supone que los tiempos
de servicio son aleatorios, es decir, que un tiempo de servicio
determinado no depende de otro servicio realizado
anteriormente ni de la posible cola que pueda estar
formndose. Otra caracterstica de este tipo de distribucin es
que no tienen edad o en otras palabras, memoria.
Por ejemplo, supongamos que el tiempo de atencin de un
paciente en una sala quirrgica sigue una distribucin
exponencial. Si el paciente ya lleva 5 horas siendo operado,
la probabilidad de que est una hora ms es la misma que si
hubiera estado 2 horas, o 10 horas o las que sea. Esto es
debido a que la distribucin exponencial supone que los
tiempos de servicio tienen una gran variabilidad. A lo mejor
el prximo paciente operado tarda una hora porque su ciruga
era mucho ms simple que la anterior

En la distribucin de Poisson la v. a. discreta es el nmero de eventos

raros que ocurren durante un intervalo determinado de tiempo,
espacio o distancia.
La distribucin exponencial describe la v. a. continua, x = la cantidad
de tiempo, espacio o distancia entre las ocurrencia de estos eventos
raros.
Ejemplo. Si el nmero promedio de llegadas a una caseta de peaje
ubicada en el km 3 000 de Comas es = 5 automviles por minuto,
la media de la distribucin exponencial correspondiente ser 1/ =
1/5 = 0,20 minutos entre automviles.

El esquema de un sistema de lnea de espera es el siguiente:

Llegadas

Cola

Servicio

Salidas

Podemos asumir una serie de asunciones en la formulacin matemtica del modelo de cola:
1) Las llegadas al sistema son aleatorias, describiendo una distribucin Poisson, con un cierto ritmo promedio. Este ritmo se
representa por la letra griega lambda ().
2) La duracin del servicio es variable, describiendo una distribucin
exponencial, con un cierto ritmo promedio. Este ritmo se
representa por la letra griega mu (). Tanto como son
parmetros bsicos del modelo de cola.
Ahora imaginemos que las llegadas de solicitud de prstamo a la
biblioteca de la Facu ocurren a un ritmo medio de 2 alumnos por
minuto ( = 2), en cambio el servicio de biblioteca puede despachar a
4 alumnos por minuto ( = 4). Por tanto el despacho de prstamo a
veces estar ocioso. Como las llegadas son aleatorias unas veces
llegarn 4 personas, otras 8 y otras nadie. Por ese motivo algunas
veces se formaran colas.

Media y Varianza de la distribucin exponencial

Exp ()

xe

dx

f ( x) e

para x 0, 0

Donde:
= denominado parmetro de escala
representa el nmero de eventos por
unidad de tiempo

e = la constante matemtica 2,71828183; la

base del sistema de logartmicos naturales

1 e x , x 0
F ( x)
x0
0,

Ejemplo. La vida de cierto tipo de localizadores GPS

(Sistema de Posicionamiento Global) tiene una
distribucin exponencial con vida media de 500
horas. Si X representa la vida til de un GPS:
a) Halla la probabilidad que se inutilice a lo ms a
las 300 horas.
b) Cul es la probabilidad que dure por lo menos
300 horas?
c) Si un GPS en particular ha durado 300 horas
Cul es la probabilidad de que dure otras 400
horas adicionales como mnimo?

Propuesta de solucin:
Sabemos que = 1/, entonces = 1/500
La funcin de densidad de la v. a. X es:
f(x) = 1/500 e-x/500 , para x 0

La funcin de distribucin de probabilidad

acumulada de la v. a. X es:
F(x) = 1 - e-x/500 , para x 0

Para los valores entre 0 y 300 horas:

(a) P(X < 300) = F (300)
= 1 - e-300/500 = 1 - e-3/5
(b) P(X > 300) = 1 P(X < 300)
= 1 (1 - e-3/5 ) = e-3/5

Propiedad de la distribucin exponencial que se conoce como

la de no tener memoria

p X ( a b )
=

= e -b

X a =

(a b)

C) cont. del caso de los GPS

P X 700 / X 300
P X

700 X

300

PX 300
Por propiedad de no memoria:

= e-4/5

Teorema Central del Lmite

Sea X1, X2, ... , Xn, una sucesin de variables aleatorias
independientes con media y varianza y 2,
respectivamente, adems la poblacin es infinita. Se
cumple que la suma de las v. a. tiene una distribucin
normal que tiende a la distribucin normal estndar
cuando n crece hacia infinito. Si n es mayor o igual a
30 se tiene una buena aproximacin.

(X1 .... X n ) n
2
n

Teorema Central del Lmite

Sea x1, x2, ..., xn una muestra aleatoria de n

observaciones tomadas de la misma
distribucin y sea
E(Xi) = y Var(Xi) = 2.
Entonces la distribucin muestral de la
variable aleatoria tiene la frmula
siguiente:
(x )
Zn

/ n

Que converge a la normal estndar N(0;1)

cuando n tiende a infinito.

tamao n

Teorema Central del Lmite

El TCL se cumple an cuando la distribucin

desde la que se toman las observaciones no sea
normal. Esto significa que si nosotros nos
aseguramos que el tamao de la muestra es
grande, entonces podemos usar la variable Zn
para responder preguntas acerca de la poblacin
de la cual provienen las observaciones.
El TCL es til para aproximar la distribucin de
la media muestral ( x ) cuando la muestra
aleatoria es obtenida de diferentes didtribuciones de probabilidad para valores grandes del
tamao n de la muestra.

Ejemplo

La mquina expendedora de refrescos

Bimbo est programada para que la
cantidad de refrescos que sirve sea una v. a.
con una media de 200 mililitros y una
desviacin estndar de 15 mililitros. Cul
es la probabilidad de que la cantidad media
de refresco servido en una muestra aleatoria
de 36 refrescos sea por lo menos 204
mililitros?

Propuesta de solucin

Ejemplo. La renta media de los habitantes de Lilliput se

distribuye uniformemente entre S/.4,0 millones y S/.10,0
millones. Calcula la probabilidad de que al seleccionar al azar
a 100 liliputienses la suma de sus rentas supere los S/.725
millones.
Solucin. Cada renta personal es una variable independiente
que se distribuye segn una funcin uniforme. Por ello, a la
suma de las rentas de 100 personas se le puede aplicar el
Teorema Central del Lmite.
La media y varianza de cada variable individual es:
m = (4 + 10 ) / 2 = 7
s 2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn
una normal cuya media y varianza son:
Media: n * m = 100 * 7 = 700
Varianza: n * s2 = 100 * 3 = 300

Para calcular la probabilidad de que la suma de las

rentas sea superior a S/.725 millones:
P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44)
= 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las
rentas de 100 personas seleccionadas al azar
supere los S/.725 millones es tan solo del 7,49%