LA FAMILIA DE DISTRIBUCIONES DE PROBABILIDAD NORMAL

A continuación, se estudia la distribución de probabilidad normal. A diferencia de

la distribución uniforme [vea la fórmula (7-3)], la distribución de probabilidad
normal tiene una fórmula muy compleja.

Sin embargo, no se preocupe por la complejidad de esta fórmula. Usted ya

conoce varios de estos valores. Los símbolos µ y σ son la media y la desviación
estándar. La letra griega es una constante matemática natural, cuyo valor es
aproximadamente 22/7 o 3.1416. La letra e también es una constante
matemática. Es la base del sistema de logaritmos naturales y es igual a 2.718; y
X es el valor de una variable aleatoria continua. Así, una distribución normal se
basa —se define— en su media y su desviación estándar.
No necesitará hacer cálculos con la fórmula (7-4). Más bien, requerirá una tabla,
la cual aparece en el apéndice B.1, para buscar las diversas probabilidades.
La distribución de probabilidad normal posee las siguientes características
principales.

No necesitará hacer cálculos con la fórmula (7-4). Más bien, requerirá una tabla,
la cual aparece en el apéndice B.1, para buscar las diversas probabilidades.
La distribución de probabilidad normal posee las siguientes características
principales.
• Tiene forma de campana y posee una sola cima en el centro de la distribución.
La media aritmética, la mediana y la moda son iguales, y se localizan en el centro
de la distribución.
El área total bajo la curva es de 1.00. La mitad del área bajo la curva normal se
localiza a la derecha de este punto central, y la otra mitad, a la izquierda.
• Es simétrica respecto de la media. Si hace un corte vertical, por el valor central,
a la curva normal, las dos mitades son imágenes especulares.
• Desciende suavemente en ambas direcciones del valor central. Es decir, la
distribución es asintótica. La curva se aproxima más y más al eje X, sin tocarlo.
1
En otras palabras, las colas de la curva se extienden indefinidamente en ambas
direcciones.
• La localización de una distribución normal se determina a través de la media,
µ. La dispersión o propagación de la distribución se determina por medio de la
desviación estándar, σ.
Estas características se muestran en la gráfica 7-3.

No sólo existe una distribución de probabilidad normal, sino una familia. Por
ejemplo, en la gráfica 7-4 se comparan las distribuciones de probabilidad del
tiempo de servicio de los empleados de tres diferentes plantas. En la planta de
Camden, la media es de 20 años, y la desviación estándar, de 3.1 años. Existe
otra distribución de probabilidad normal del tiempo de servicio en la planta de
Dunkirk, donde µ = 20 años y σ = 3.9 años. En la planta de Elmira, µ = 20 años y
σ = 5.0 años. Observe que las medias son las mismas, pero las desviaciones
estándar difieren.

2
La gráfica 7-5 muestra la distribución de los pesos de las cajas de tres cereales.
Los pesos tienen una distribución normal con diferentes medias e idéntica
desviación o estándar.

Por último, la gráfica 7-6 muestra tres distribuciones normales con diferente
media y desviación estándar. Éstas muestran la distribución de fuerzas de
tensión, medidas en libras por pulgada cuadrada (psi), de tres clases de cables.

3
Recuerde que, en el capítulo 6, las distribuciones de probabilidad discreta
muestran las posibilidades específicas de que ocurra un valor discreto. Por
ejemplo, en la página 196, mediante la distribución binomial se calcula la
probabilidad de que ninguno de los cinco vuelos que llegan al Aeropuerto
Regional Bradford de Pennsylvania esté retrasado.
En el caso de la distribución de probabilidad continua, las áreas bajo la curva
definen probabilidades.
El área total bajo la curva normal es de 1.0. Esto explica todos los posibles
resultados.
Como una distribución de probabilidad normal es simétrica, el área bajo la curva
a la izquierda de la media es de 0.5, y el área bajo la curva a la derecha de la
media, de 0.5. Aplique esta regla a la distribución de Sugar Yummies en la gráfica
7-5. Es una distribución normal con una media de 283 gramos. Por consiguiente,
la probabilidad de llenar una caja con más de 283 gramos es de 0.5, y la
probabilidad de llenar una caja con menos de 283 gramos, de 0.5.
También puede determinar la probabilidad de que una caja pese entre 280 y 286
gramos. Sin embargo, para determinar esta probabilidad necesita conocer la
distribución de probabilidad normal estándar.

DISTRIBUCIÓN DE PROBABILIDAD NORMAL ESTÁNDAR

El número de distribuciones normales es ilimitado, y cada una posee diferentes
media (µ), desviación estándar (σ), o ambas. Mientras que es posible
proporcionar tablas de probabilidad de distribuciones discretas, como la binomial

4
y la de Poisson, es imposible elaborar tablas de una infinidad de distribuciones
normales. Por fortuna, un miembro de la familia se utiliza para determinar las
probabilidades de todas las distribuciones de probabilidad normal. Es la
distribución de probabilidad normal estándar y es única, pues tiene una media
de 0 y una desviación estándar de 1.
Cualquier distribución de probabilidad normal puede convertirse en una
distribución de probabilidad normal estándar si se resta la media de cada
observación y se divide esta diferencia entre la desviación estándar. Los
resultados reciben el nombre de valores z o valores tipificados.

De esta manera, el valor z es la distancia de la media, medida en unidades de

desviación estándar.
En términos de una fórmula,

En donde:
X es el valor de cualquier observación y medición.
µ es la media de la distribución.
σ es la desviación estándar de la distribución.

Según se observa en la definición anterior, un valor z expresa la distancia o

diferencia entre un valor particular de X y la media aritmética en unidades de
desviación estándar. Una vez que se estandarizan las observaciones de la
distribución normal, los valores z se distribuyen normalmente con una media de
0 y una desviación estándar de 1. Así, la distribución z posee todas las
características de cualquier distribución de probabilidad normal. Estas
características aparecen en la lista de la página 227. La tabla del apéndice B.1
(también incluida en la parte interior de la pasta trasera) contiene una lista de las
probabilidades de la distribución de probabilidad normal estándar. A
continuación, una pequeña parte de esta tabla.

5
Para explicarlo, suponga que desea calcular la probabilidad de que las cajas de
Sugar Yummies pesen entre 283 y 285.4 gramos. De acuerdo con la gráfica 7-
5, el peso de la caja de Sugar Yummies tiene una distribución normal con una
media de 283 gramos y una desviación estándar de 1.6 gramos. Ahora quiere
conocer la probabilidad o área bajo la curva entre la media, 283 gramos, y 285.4
gramos. También se expresa este problema con notación de la probabilidad,
similar al estilo que se utilizó en el capítulo anterior: P(283 < peso < 285.4). Para
determinar la probabilidad, es necesario convertir tanto 283 gramos como 285.4
gramos en valores z con la fórmula (7-5).
El valor z correspondiente a 283 es 0, que se calcula mediante la operación (283
– 283)/1.6. El valor z correspondiente a 285.4 es 1.50, que se calcula mediante
la operación (285.4 – 283)/1.6. Después, consulte la tabla del apéndice B.1. Una
parte se reproduce en la tabla 7-1. Descienda por la columna de la tabla que
encabeza la letra z hasta 1.5. Ahora siga por la horizontal a la derecha y lea la
probabilidad bajo la columna que comienza con 0.00. Ésta es de 0.4332. Esto
significa que el área bajo la curva entre 0.00 y 1.50 es de 0.4332. Tal es la
probabilidad de que una caja seleccionada al azar de Sugar Yummies pese entre
283 y 285.4 gramos, lo cual se ilustra en la siguiente gráfica.

6
APLICACIONES DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
¿Cuál es el área bajo la curva entre la media y X en la tabla 7-2?, ¿el caso de
los valores z?
Verifique sus respuestas comparándolas con las que se dan. Necesitará el
apéndice B.1 o la tabla que se encuentra en la parte interior de la pasta trasera
de este libro.

Ahora se calcula el valor z dada la media poblacional, µ, la desviación estándar

de la población, σ, y una X elegida.
Ejemplo:
Los ingresos semanales de los supervisores de turno de la industria del vidrio se
rigen por una distribución de probabilidad normal con una media de $1 000 y una
desviación estándar de
$100. ¿Cuál es el valor z del ingreso X de un supervisor que percibe $1 100
semanales? ¿Y de un supervisor que gana $900 semanales?
De acuerdo con la fórmula (7-5), los valores z de los dos valores X ($1 100 y
$900) son:

7
El valor z de 1.00 indica que un ingreso semanal de $1 100 está a una desviación
estándar por encima de la media, y un valor z de –1.00 muestra que un ingreso
de $900 está a una desviación estándar por debajo de la media. Observe que
ambos ingresos ($1 100 y $900) se encuentran a la misma distancia ($100) de
la media.
De acuerdo con la información del ejemplo anterior (µ = $1 000 y σ = $100),
convierta:
a) El ingreso semanal de $1 225 en un valor z.
b) El ingreso semanal de $775 en un valor z.

La transformación de medidas en desviaciones normales estándares modifica la

escala.
Las conversiones también se muestran en la gráfica. Por ejemplo, µ + 1 σ se
convierte en un valor z de 1.00. Asimismo, µ - 2 σ se transforma en un valor z de
-2.00. Note que el centro de la distribución z es cero, lo cual indica que no hay
desviación de la media, µ.

8
LA FAMILIA DE DISTRIBUCIONES EXPONENCIALES
Hasta ahora, en este capítulo hemos considerado dos distribuciones de
probabilidad continua, la uniforme y la normal. La siguiente distribución continua
que explicaremos es la distribución exponencial. Por lo general, esta distribución
de probabilidad continua describe los tiempos entre eventos que ocurren en
secuencia. Las acciones suceden independientemente a un ritmo constante por
unidad o duración de tiempo. Como el tiempo nunca es negativo, una variable
aleatoria exponencial será siempre positiva. La distribución exponencial suele
describir situaciones como:
Los tiempos de servicio en un sistema (p.e., cuánto tiempo toma atender a un
cliente).
• El tiempo entre “entradas” en un sitio web.
• El tiempo de vida de un componente eléctrico.
• El tiempo que transcurre hasta que la siguiente llamada telefónica llega a un
centro de servicio al cliente.
La distribución de probabilidad exponencial tiene un sesgo positivo. En esta
característica difiere de las distribuciones uniforme y normal, que son simétricas.
De hecho, la distribución es descrita por un solo parámetro, que identificaremos
como λ.
A menudo, nos referimos a λ como el parámetro de “ritmo”. La siguiente gráfica
muestra el cambio en la forma de la distribución exponencial a medida que
variamos el valor de λ de 1/3 a 1 a 2. Observe que conforme reducimos λ, la
forma de la distribución cambia para volverse “menos sesgada”.

9
Otra característica de la distribución exponencial es su estrecha relación con la
distribución de Poisson, una distribución de probabilidad discreta que tiene
también un solo parámetro, µ. Describimos la distribución de Poisson en la
sección 6.7 del capítulo 6. También se trata de una distribución con sesgo
positivo. Para explicar la relación entre la distribución de Poisson y las
distribuciones exponenciales, suponga que el ritmo al que los clientes llegan a
un restaurant familiar durante la hora de la cena es de 6 por hora. Utilizamos la
distribución de Poisson para determinar la probabilidad de que, en cualquier hora
de la cena, lleguen 2 clientes, o 7, y así sucesivamente. Así que tenemos una
distribución de Poisson con una media de 6. Pero suponga que en vez de
estudiar el número de clientes que llegan en una hora, desea estudiar el tiempo
que transcurre entre cada llegada.
El tiempo entre llegadas es una distribución continua, porque el tiempo se mide
como una variable aleatoria continua. Si los clientes llegan a un ritmo de 6 por
hora, entonces es lógico que el tiempo medio o típico entre llegadas sea de 1/6
de hora, o 10 minutos. Es necesario tener cuidado aquí en ser consistentes con
nuestras unidades, de manera que quedémonos con 1/6 de hora. Así que en
general, si sabemos que los clientes llegan a cierto ritmo por hora, al que
llamamos µ, podemos esperar que el tiempo medio entre llegadas será 1/µ. El
parámetro de ritmo λ es igual a 1/µ. Por lo tanto, en este ejemplo, λ = 1/6.
La gráfica de la distribución exponencial comienza con el valor de λ cuando el
valor de la variable aleatoria (X) es 0. La distribución desciende de manera
uniforme a medida que nos desplazamos a la derecha, con valores crecientes
de X. La fórmula (7-6) describe la distribución de probabilidad exponencial con
como parámetro de ritmo. Como ya se describió en la distribución de Poisson en
la sección 6.7 en la página 207, e es una constante matemática igual a 2.71828.
Ésta es la base del sistema logarítmico napieriano. Es una agradable sorpresa
que tanto la media como la desviación estándar de la distribución de probabilidad
exponencial sean iguales a 1/λ.

En el caso de las distribuciones continuas, no consideramos la probabilidad de

que se presente un valor distinto. En vez de eso, las áreas o regiones debajo de
la gráfica de la distribución de probabilidades entre dos valores especificados
dan la probabilidad de que la variable aleatoria esté en ese intervalo. No se
necesita una tabla de la distribución exponencial, como la que está en el
apéndice B.1, para la distribución normal. El área bajo la función de densidad
exponencial se determina mediante una fórmula simple, y los cálculos que se
requieren pueden realizarse con una calculadora de mano que tenga una tecla
𝑒 𝑥 . La mayoría de los paquetes de software estadístico también calcula las

10
probabilidades exponenciales con sólo ingresar λ, el parámetro de ritmo. La
probabilidad de obtener un valor de llegada menor a un valor particular de x es:

Ejemplo:
Las órdenes para pedidos de medicamentos por receta llegan a una farmacia
virtual de acuerdo con una distribución de probabilidad exponencial, a una media
de una cada 20 segundos.
Encuentre la probabilidad de que la siguiente orden llegue en menos de 5
segundos, en más de 40 segundos, o entre 5 y 40 segundos.
Solución:
Para comenzar, se determina el parámetro de ritmo, que en este caso es 1/20.
Para encontrar la probabilidad, se inserta 1/20 en lugar de λ y 5 por x en la
fórmula (7-7).

En consecuencia, se concluye que hay una probabilidad de 22% de que la

siguiente orden llegue en menos de cinco segundos. La región se identifica como
el área color marrón bajo la curva.

11
.

Los cálculos anteriores señalaron el área en la zona de la cola izquierda de la

distribución
exponencial como λ 1/20, y el área entre 0 y 5 (es decir, el área que está por
debajo de los 5 segundos). ¿Qué pasa si usted se interesa en el área de la cola
derecha? Para encontrarla, use la regla del complemento. Vea la fórmula (5-3)
en la sección 5.4, página 154, capítulo 5.
Para decirlo de otra forma, para encontrar la probabilidad de que la siguiente
orden llegue en más de 40 segundos, se debe hallar la probabilidad de que la
orden llegue en menos de 40 segundos y restar el resultado de 1.00. Los pasos
son:
Encuentre la probabilidad de que una orden sea recibida en menos de 40
segundos.

Encuentre la probabilidad de que una orden sea recibida en más de 40

segundos.

Se concluye que la probabilidad de que pasarán 40 segundos o más antes de

que se reciba la siguiente orden en la farmacia virtual es de 13.5 por ciento.
Como seguramente habrá observado, existe cierta redundancia en este ejemplo.
En general, si deseamos encontrar la probabilidad de un tiempo mayor que algún
valor X, como 40 en las ecuaciones anteriores. Entonces:

En otras palabras, reste la fórmula (7-7) del número 1, y el área en la cola

derecha es e-kx. Por ello, la probabilidad de que pasen 40 segundos antes de
que llegue la siguiente orden se calcula directamente, sin la ayuda de la regla
del complemento, en la forma siguiente:

12
Si desea determinar la probabilidad de que pasarán más de 5 segundos, pero
menos de 40 segundos para que llegue la siguiente orden, use la fórmula (7-7)
con un valor x de 40, y reste el valor de la fórmula (7-7) donde x es 5.

13
En los ejemplos anteriores se debe encontrar el porcentaje de las observaciones
ubicadas entre dos valores, o el porcentaje de las observaciones que está por
encima o por debajo de un valor particular, x. También podemos utilizar la
fórmula (7-7) “en reversa” para encontrar el valor de la observación x cuando el
porcentaje es superior o inferior a la observación. El siguiente ejemplo ilustra
esta situación.

14