3.

5 DISTRUBUCIONES DISCRETAS
Distribucin de Bernoulli
Jacob Bernoulli (1654-1705), matemtico suizo, realizo el Ars Conjectandi o
Arte de la conjetura, trabajo sobre probabilidad. Tambin, se le debe la
distribucin de Bernoulli.
La siguiente definicin se puede aplicar a cualquier experimento donde hay dos
resultados posibles, por ejemplo: guila o sol, defectuoso o no defectuoso, que
aun dado caiga par o impar, perder o ganar, xito o fracaso.
Se dice que una variable aleatoria X tiene o sigue una distribucin de Bernoulli
de parmetro , donde 0 < < 1, si X puede tomar solo los valores de 1 y 0,
xito o fracaso, con probabilidades y 1 , es decir:
(X = 1) =

(X = 0) = 1 = q

Y su funcin de densidad est dada por:

q1-x

si x

= 0, 1
0

f(x) =
En otro caso.

Si X sigue una distribucin Bernoulli de parmetro p y q, entonces:

E(X) =

Var(X) = (1 ) = q

Ejemplo 3.15
Se lanza una moneda una sola vez. Determinemos la funcin de densidad de
probabilidad del nmero de soles obtenidos.
Solucin:
El evento es una distribucin de Bernoulli, el xito es sol y el fracaso es guila
(o el sol es el fracaso y el xito es guila), la probabilidad de xito es igual
que la probabilidad de fracaso.
La variable aleatoria medir el nmero de soles que caen, este ser nuestro
xitos (1) y el fracasos guila (0).
(x = 1) =

P(x = 0) =

La funcin de densidad est dada por:

0, 1

si x =

1
x
Usemos la frmula de Bernoulli: f(x) = (1 ) 1-x

f(x)
En otro caso

La probabilidad de xito est dada por:

11
2

1
2

f(1) =

11
2

( )

f(0) =

10
2

( )

1
2

La probabilidad de fracaso est dada por:

1
2
Ejemplo 3.16
Determinemos la funcin de probabilidad cuando se lanza un dado y el xito
es obtener un nmero primo.
Solucin:
El espacio muestral que se tiene al lanzar un dado es
espacio muestral los casos favorables son

La probabilidad de xito, 1, es

1
2 .

La probabilidad de fracaso 0 es

1
2 .

{ 1,2, 3, 4, 5,6 } , del

{ 2,3, 5 } .

La funcin de densidad o probabilidad est dada por:

F(x) =
Utilicemos la frmula de Bernoulli: f(x) = x (1 )1 - x

si x = 0, 1

En otro caso

11
2

La probabilidad de xito: f (1) =

La probabilidad de fracaso: f (0) =

11
2

( )
10
2

1
1
2

1
2

( )

1
2

Ejemplo 3.17
Una fbrica de televisores produce 3 defectuosos cada 100. Determinemos la
funcin de probabilidad para este evento, la esperanza, la varianza y la
desviacin estndar.
Solucin:
Al xito le asignamos el valor de 1 y lo definimos como un televisor defectuoso
y su probabilidad es

3
100 .

A la probabilidad de fracaso le asignamos el valor de 0, y su probabilidad es

97
100 , a esto lo definimos como un televisor en buen estado.

La probabilidad de xito: f(1) =

3 1
100

La probabilidad de fracaso: f(0) =

3
100

(
0

3
100

97
100

3
100

97
100

( )

f(x) =
1

3
100

Si x = 1

97
100

Si x = 0

En otro caso.

El clculo de la esperanza est dado por: E (X) = =

Y la varianza es: Var(X) = (1 ) =

3
100

97
( 1003 ) ( 100
)= ( 10291000 )

Ejemplo 3.18
Se tiene una distribucin binomial con parmetros n = 10 y = 0.2. Calcula la
probabilidad de X = x, si la variable aleatoria toma los valores 1, 2 y 3.
Solucin:
Recordemos que la funcin que determina la probabilidad (X = x) est
definida por:
x

B(n, ) = n C x () (1 )

nx

n!
( nx ) ! x !

Sustituimos los valores en la frmula:

= x (1 )n x

 (x = 1) =

10

C1 (0.2)1 (1 0.2)10 1 =

10 !
( 101 ) ! 1 !

(0.2)1 (1 0.2)10 1 = 0.2684

(x = 1) =

10

C2 (0.2)2 (1 0.2)10 2 =

10 !
( 102 ) ! 2!

(0.2)2 (1 0.2)10 2 = 0.3019

(x = 1) =

10

C3 (0.2)3 (1 0.2)10 3 =

10!
( 103 ) ! 3 !

(0.2)3 (1 0.2)10 3 = 0.2013

Grafica de una funcin de probabilidad binomial

Para realizar la grfica de la funcin de probabilidad, tomamos ciertos valores
para sus parmetros; por ejemplo, n = 10, = 0.3 y calculamos los valores
para x = 1, 2, 3., 10.
(x = 0) = 0.028
(x = 1) = 0.121
(x = 2) = 0.233
(x = 3) = 0.267
(x = 4) = 0.200
(x = 5) = 0.103
(x = 6) = 0.037
(x = 7) = 0.009
(x = 8) = 1.45 x 10 - 3
(x = 9) = 1.38 x 10 - 4
(x = 10) = 5.9 x 10 6
Localizamos los puntos y trazamos las barras para obtener la grfica:

Ejemplo 3.19
Dada la funcin de probabilidad binomial con parmetros n = 10 y = 0.3.
Determinaremos la probabilidad (X < 3).
Solucin:
Para calcular esta probabilidad es lo mismo que si determinaremos el valor de
(X 2), ya que solo toma valores enteros de la funcin; el valor entero de X <
3 es 2, por ello calculamos las probabilidad es menores que X = 3 y la
sumamos.
(X 2) = (X = 1) + (X= 2)
=

10!
0
10
( 100 ) ! 0 ! (0.3) (1 0.3)

10 !
2
10 2
( 102 ) ! 2! (0.3) (1 0.3)
= 0.0282 + 0.1210 + 0.2334 = 0.3826
Grficamente lo representamos as:

10 !
1
10
( 101 ) ! 1 ! (0.3) (1 0.3)

Ejemplo 3.20
Dada la funcin de probabilidad binomial con parmetros n = 10 y p = 0.3.
Determinemos la probabilidad p(X > 8).
Solucin
Como en el problema anterior debemos calcular la probabilidad p(X 9)
P(X 9) = p(X = 9) + p(X = 10)

10 !
10!
9
10-9
= ( 109 ) ! 9 ! (0.3) (1 0.3) + ( 1010 ) ! 10! (0.3)10(1 0.3)10-10
=0.000137 + 5.905 x 10-5 = 0.0001429
Grficamente se obtiene que el clculo de la probabilidad que se pide son x =
9 y x = 10, valores muy pequeos.

Ejemplo 3.21
Dada la funcin de probabilidad binomial con parmetros n = 10 y p = 0.3,
determinemos la probabilidad p(2 < X <6)
Solucin
Para calcular esta probabilidad utilizaremos su equivalente dado que es una
distribucin discreta que toma solo valores enteros.
P (3 < X <5) = p(X = 3) + p(X = 4) + p(x = 5)

10!
= ( 103 ) ! 3 ! (0.3)

(0.7)7 +

10 !
4
6
( 104 ) ! 4 ! (0.3) (0.7) +

10!
( 105 ) ! 5! (0.3)

(0.7)
= 0.2668 + 0.20001 + 0.1029 = 0.5698
Grficamente se tiene que:

Ejemplo 3.22
Dada la funcin de densidad definida por B(10, 0.3), encontremos la esperanza,
varianza y desviacin estndar.

Solucin
Los valores de n= = 10, p =0.3 y q = 0.7 los utilizaremos para determinar lo
siguiente:
Esperanza: E (X) = n p = 10(0.3) = 3
Varianza: Var (X) = npq = 10 (0.3) (0.7) = 2.1
Desviacin estndar:

2.1

= 1.45

Distribucin de Poisson
Simeon Denis Poisson (1781 1840) fue un fsico matemtico de origen
francs que se dedic al estudio de la electricidad, la astronoma e incursiono
en la geometra diferencial y en el clculo de probabilidades. En esta ltima,
logro el modelo de la distribucin discreta que lleva su nombre, siendo este
considerado como el trabajo ms importante que realizo.
Una variable aleatoria se dice que tiene una distribucin Poisson de parmetro
lamda (P(X, )) si tiene una funcin de densidad dada por:
P(X , ) = P(X = x) =

e
x!

X= 0, 1, 2, .

Dnde: e = Base de los logaritmos naturales

X = Numero de xitos que se desea obtener
= Valor esperado, media o promedio de las ocurrencias durante un
intervalo de tiempo.

P (X, ) mide la ocurrencia de x xitos que suceden en una unidad de tiempo;

el nmero promedio de ocurrencias es , todos los valores son independientes
de lo que ocurre en otro intervalo de tiempo.

Ejemplo 3.30
Se tiene una distribucin de Poisson con parmetro = 5. Calcula la
probabilidad de X = x, si la variable aleatoria toma los valores de 1, 2 y 3.
Solucin

La probabilidad de que la variable aleatoria X sea igual que x es

e
x!

Utilicemos esta relacin para calcular las probabilidades anteriores.

P(X = 1) =

5 1 e5
1!

= 0.0337

P(X = 2) =

5 2 e5
2!

= 0.0842

P(X = 3) =

5 3 e5
3!

= 0.1404

Ejemplo 3.31
Realizaremos la grfica de la funcin de probabilidad de Poisson, si = 1 y los
valores de son x = 1, 2, 3,.. 10. Sabemos que la funcin de probabilidad es:
x x

x e
P(x, ) = P (X = x) =
x!

x = 0, 1, 2

Calculemos para los valores de x las siguientes probabilidades:

0 1

1 e
P (X = 0) =
0!

,=

e
0

,=

e
1

,=

e
2

,=

e
6

1 1

1 e
P (X = 1) =
1!

2 1

1 e
P (X = 2) =
2!

= 0.3679

3 1

1 e
P (X = 3) =
3!

= 0.3679

= 0.1839

= 0.0613

Todos los dems valores de la funcin de probabilidad son de la forma

e1
x!

P(X = 4) =

e
4!

= 0.0153

P(X = 5) =

e
5!

P(X = 7) =

e
7!

= 0.00007

P(X = 9) =

e1
9!

= 1 x 10-6

= 0.003

P(X = 10)

e
10 !

= 1 x 10-7
1

P(X = 6) =

e
6!

P(X = 8) =

e1
8!

= 0.0005

= 9 x 10-6

Para los valores de x = 5 en adelante, los valores que toma la funcin son muy
pequeos, de manera que en la grfica aparecen como si fuera cero, siendo
esta una caracterstica de la distribucin de Poisson.

Ejemplo 3.32
Dada la funcion de probabilidad de Poisson con parmetros = 2.
Determinemos la probabilidad P(x <3)
Solucin
Para calcular esta probabilidad es lo mismo si determinamos el valor de P(x
<2), ya que solo toma valores enteros la funcin, el valor entero de X < 3 es <
X < 2, por ello hallamos las probabilidad menores que X = 3 y las sumamos.
2

P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) =

21 e2
i!
i0

0 2

2 e
0!

1 2

2 e
1!

2 2

2 e
2!

=0.1353 + 0.2707 + 0.2707

= 0.6767
Grficamente se tiene

Ejemplo 3.33
Dada la probabilidad de Poisson con parmetros = 2. Determinemos la
probabilidad P(X > 3).
Solucin
Calcular esta probabilidad y el valor de p(X > 4) es lo mismo, ya que solo toma
valores enteros de la funcin, la cual podemos determinar utilizando el
complemento de la funcin.
P(x > 4) = 1 p(X < 3)

1 2

=1-

2 ie!
i0

=1-

0 2

1 2

2 2

3 2

2e
2 e
2 e
2e
+
+
+
0!
1!
2!
3!

= 1 (0.1353 + 0.2707 + 0.2707 + 0.1804)

= 0.1429
Grficamente se tiene:

Ejemplo 3.34
Dada la solucin de probabilidad de Poisson con parmetros = 2.
Determinemos la probabilidad p (2 < X <6).
Solucin:
Para calcular esta probabilidad, determinemos el valor de p (3 < X <5).

1 2

P (3 X 5) =

2 ie!
i0

3 2

5 2

4 2

2e
2 e
2 e
+
+
3!
4!
5!

= 0.1804 + 0.0902 + 0.0361

= 0.03067
Grficamente se tiene:

Si X es una variable aleatoria que se distribuye como Poisson con parmetros

entonces:
E(X) =

Var(X) =

Var ( X )

Ejemplo 3.35
Dada la funcin de probabilidad de Poisson con = 2. Determinemos la
esperanza y la desviacin estndar.
Solucin
Como = 2, solo basta con sustituir en las frmulas que se tienen.
E(X) = = 2
Ejemplo 3.37

Var (X) = = 2

Var ( X )

Una cajera recibe en promedio 5 billetes falsos por da. Cul es la probabilidad
de que reciba cuatro billetes falsos en un da cualquiera? Qu reciba cuarenta
billetes falsos en la semana (6 das)?
Solucin:
Sea X igual que la variable aleatoria que nos define el nmero de billetes falsos
que recibe en un da, x = 0, 1, 2,
La unidad de tiempo es un da, por lo que = 5, ya que son los billetes falsos
que recibe en la unidad de tiempo.
4 5

P(X =4) =

5 e
4!

= 0.1755

Para la segunda pregunta el valor de cambia, pues el nmero de das es 6 y

el nmero de billetes por da son 5; entonces, por semana se obtiene que = 5
x 6 = 30.
P(X = 40) =

30 40 e35
40 !

= 0.0139

Ejemplo 3.38
Supongamos que en la caseta de cobro de Cuernavaca, observamos los
tiempos de llegada de los automviles a dicha caseta. Si la razn media de
llegadas de automviles es = 1.5 automviles por minuto y el intervalo de
tiempo es de un segundo:
a) Cul es la probabilidad de que llegue exactamente un automvil?
b) Cul es la probabilidad de que no llegue ningn automvil?

Solucin:
En un periodo de longitud h = 1 segundo =

probabilidad * h = (1.5) *

( 601 )

1
40

1
60

de minuto, hay una

= 0.025 de que llegue

exactamente un automvil; mientras que la probabilidad de que no llegue

ningn automvil en este tiempo es el complemento de la probabilidad de que
llegue un automvil exactamente, es decir:
1 h = 1 (1.5) *

=1-

1
40

= 1 - 0.025

39

= 40
= 0.975

( 601 )

Ejemplo 3.39
El virus de la influenza aparece en la saliva a razn de dos por centmetro
cubico de saliva. Supongamos que este fenmeno se distribuye como una
variable aleatoria de Poisson. Hallemos:
a) Cul es la probabilidad de que en una muestra de dos centmetros
cbicos de saliva no haya ningn virus?
b) Cul es la probabilidad de que en una muestra de dos centmetros
cbicos de saliva por lo menos hayan dos virus?
Solucin:
Como el nmero de virus sigue una distribucin de Poisson, entonces debemos
calcular su parmetro. En este caso est dado por t = 2 (2) = 4, porque = 2
es la razn en el cual hallamos el virus por centmetro cubico y t es el volumen
de la muestra que estamos considerando.
Definimos los eventos:
A: no hay virus en la muestra.
B: hay dos o ms virus en la muestra.
Entonces:
P (A) = e = e -4 = 0.0183
P (B) = 1 5e-4 = 0.9084

Ejemplo 3.40
Un jugador de futbol tiene un promedio por partido de 1.3 goles. Determinemos
la probabilidad de que anote:
a) Un gol
b) Tres goles
c) Por lo menos un gol
Solucin:
a) Para X = 1,

1.3
[ ]

P(x = 1) =

= 1.3

1.3

1.3 e

= 0.3543

e1.3

b) Para X = 3,

1.3
[ ]

P(x = 3) =

1.3

= 1.3

1.3

1.3 e

c) Para X 1,

= 1.3

= 0.0998

1.3
[]

P(x 1) = 1 P(X = 0) = 1 -

1.3

1.3

1.3 e

= 0.7275

3.6 DISTRIBUCIONES CONTINUAS

Distribucin normal o de Gauss
En 1973 De Moivre fue el primero en utilizar esta distribucin, en 1809 Gauss
realizo un amplio trabajo sobre esta funcin y por ello se le conoce como
campana de Gauss. Es una funcin continua que describe un gran nmero de
experimentos y a eso se debe su gran aplicacin.
Sean

nmeros reales cualesquiera, con

X tiene distribucin normal de parmetros

densidad X est dada por:

>0.

Una variable aleatoria

y (N ( si la funcin de

F(x;

, =

1
2

Sus parmetros son

- <X <

< < ; >0.

y varian

La distribucin norma es de gran importancia en la estadstica, ya que muchos

fenmenos continuos siguen esta distribucin o pueden aproximarse por ella.
Se puede utilizar para aproximar varias distribuciones discretas y es parte de la
teora para la inferencia estadstica por su relacin con el teorema central del
lmite.
La distribucin normal es una curva y tiene un punto central de mxima
frecuencia que recibe el nombre de media de la distribucin.

Es una funcin que cumple con las propiedades de ser mayor o igual que cero y
el rea bajo la curva de esta funcin es uno.
Es simetra con respecto a la media.
La media, media y moda toman el mismo valor.
La curva es asinttica al eje de las abscisas.
Para calcular la probabilidad de una funcin continua, utilizaremos la funcin

, ) = p(X x), la que est definida por:

de distribucin acumulativa F(x;

1

F(x;

, ) = p(X x) =

(1t)
2
2

dt

En ella su recorrido de integracin es de menos infinito hasta el valor de x.

Utilizando las propiedades de la integral sacamos el factor constante de la

integral
1

1
e

(1t)
2
2

dt

Esta integral se puede evaluar con alguna calculadora cientfica o algn

programa para calcular integrales, de los cuales existen muchos en el mercado.
Se debe tener en cuenta que los valores de ms o menos infinito corresponden
a nmeros muy grandes o muy pequeos, en los cuales el rea tiende a cero.
Es posible hacer los clculos como se realizaban antiguamente, usando tablas,
se tendran que hacer nmeros muy grandes para encontrar todos los valores
que tomaran las variables

, lo cual es tericamente imposible. Lo

anterior nos lleva a efectuar una estandarizacin de la funcin de densidad de

probabilidad de la variables aleatoria normal, que nos permite tener un solo
tipo de tablas. La estandarizacin de la funcin normal se refiere a que
cualquier funcin de densidad normal o con parmetros:
en una funcion de probabilidad con parmetros:

se convierta

=0 y =1 , con lo que se

obtiene una normal que se conoce como la normal estandarizada o como un

anormal cero, uno, f(x; 0, 1). Para estandarizar una normal definimos una
funcin que llamaremos:
Z=

( x 1)

Si se trata de la poblacin, en el caso de tener una Z =

1x
x
, donde x, es un

dato, x es la media muestral y s es la desviacin estndar, a Z la llamamos

valor estandarizado. Como se tiene una fraccin donde el denominador es
siempre positivo, entonces el numerador es el que dar el signo a la fraccin y
esta ser negativa cuando el dato sea menor que la media; ser positivo
cuando el dato sea mayor que la media, y cero cuando el dato y la media sean
iguales.

Ejemplo 3.45
Realiza la estandarizacin de las siguientes calificaciones de un alumno 2, 4, 5,
6 y 8.
Solucin:
Obtenemos la media y la desviacin estndar:

=5 y =2 , estos parmetros

nos indican una variable aleatoria con funcin de densidad normal N(5,2)
podemos estandarizarla como una variable aleatoria con funcin de densidad
N(x; 0, 1) con las mismas propiedades.

Xi
2
4
5

(xi -

Z = (Xi

)2
9

8
Suma
25

Valor estandarizado

(25)
=1.5
2

-1.5

(45)
=0.5
2

-0.5

Z=

(55)
=0
2

(65)
=0.5
2

0.5

Z=

1.5

Z=

(85)
=1.5
2

1
0
1
9
20

Z=

Z=
6

)/

Ejemplo 3.46
Se tiene una curva normal con media igual que 500 y una desviacin estndar
igual que 25. Determinemos las siguientes probabilidades p(X 535) y p(X
535).
Solucin:
Con los datos siguientes: x = 535,

= 500 y

= 25, procedemos a

encontrar el valor estndar:

Z=

x 1

535500
25

En la grfica siguiente
estandarizadas:

= 1.4
se

muestra

cada

una

de

las

probabilidades

Para
calcular
esta
probabilidad
usamos
las
tablas N (0, 1).
En la primera columna de la
tabla se encuentra el valor
de Z si este es positivo,
desde 0 hasta 4, con
incrementos de un dcimo, y en el primer rengln se encuentran los valores de
z incrementados en un centsimo, as para buscar el valor Z = 1.4 que se
forma por el 1.4 y cero centsimos, se localiza en la segunda columna y el
rengln que se refiere a 1.4.
Z
1.4

0
0.91
02

0.01
0.92
07

0.02
0.92
22

0.03
0.92
36

0.04
0.92
52

0.05
0.92
65

0.06
0.92
79

0.07
0.92
92

0.08
0.93
06

0.09
0.93
19

As la probabilidad de p(X 535) = p (Z 1.4) = 0.9192, que corresponde a la

parte sombreada de la grfica.
Para calcular el valor de p(X 535) = p (Z 1.4), se sabe que el rea bajo la
curva de la funcin de densidad es igual que 1, por lo que escribimos:
p(X 535) + p(X 535) = p(Z 1.4) + p(Z 1.4) = 1
Entonces:
p(Z 1.4) = 1 p(Z 1.4) = 1 0.9192 = 0.0808
Ejemplo 3.47
Se tiene una curva normal con media igual que 50 y una desviacin estndar
igual que 7. Determinemos las siguientes posibilidades p(X 39) y p(X 39).
Solucin:
Con los datos siguientes, x = 39, ,
encontrar el valor estndar
Z=

3950
7

= - 1.57

= 50 y

= 7, procedemos a

En

la

grfica

siguiente

se

muestra

cada una de las

estandarizadas.

probabilidades

Para calcular esta probabilidad utilizamos las tablas de N (0, 1), en las que
debemos observar que la probabilidad est definida para valores positivos de
Z, por lo que emplearemos la simetra de la curva y observemos que es lo que
sucede al usar el eje de simetra.

Observemos que las reas son iguales, por lo que el clculo de la probabilidad
es:
P (Z - 1.57) = p (Z 1.57)
Para calcular esta probabilidad tenemos que restar a uno el rea de p (Z
1.57), por lo que escribimos:
P (Z - 1.57) = p(Z 1.57) = 1 p(Z 1.57)
Utilicemos la tabla para realizar este clculo. En la primera columna se
encuentra el valor de Z, localizamos 1.5 y el valor 0.07, para formar el 1.57,
donde encontramos el valor 0.9418, este es el valor de p (Z 1.57).
Z
1.5

0
0.93
32
P (Z - 1.57)

0.01
0.93
45
= p (Z

0.02
0.03
0.04
0.93
0.93
0.93
57
70
82
1.57) = 1 0.9418

0.05
0.06
0.93
0.94
94
06
= 0.0582

Que corresponde a la parte sombreada de la grfica.

0.07
0.94
18

0.08
0.94
29

0.09
0.94
41

Para calcular el valor de p(X - 37) = p(Z - 1.57), buscamos el valor 1.57 en
la grfica y determinemos el rea que deseamos calcular.

Usando la simetra y la solucin

anterior, tenemos grficamente que esta rea corresponde a calcular el rea
siguiente:

Para el clculo de esta probabilidad:

P(X - 39) = p (Z - 1.57) = p(Z 1.57)
Utilicemos la tabla para encontrar este valor. En la primera columna de la tabla
se encuentra el valor de Z, localizamos 1.5 y sobre el rengln encontramos el
valor de 0.07 para formar 1.57, donde encontramos el valor 0.9418, este es el
valor de p (Z 1.57).
Z
1.5

0
0.93
32

0.01
0.93
45

0.02
0.93
57

0.03
0.93
70

0.04
0.93
82

0.05
0.93
94

0.06
0.94
06

0.07
0.94
18

0.08
0.94
29

0.09
0.94
41

Ejemplo 3.48
Se tiene una curva normal con media igual que 30 y una desviacin estndar
igual que 7. Determinemos las siguientes probabilidades P(25 X 39).
Solucin:

Con los datos siguientes: -25 X 39,

=30 y

= 7, procedemos a

393 0
7

encontrar el valor estndar:

Z=
En

la

grfica

253 0
7

= - 0.7143 Z Z =

siguiente

se

muestra

cada una de las

estandarizadas.

= 1.2857

probabilidades

Grficamente realizamos los siguientes clculos:

Calculamos la primera de ellas:

P (Z 1.2857) = 0.8997
Z
1.2

0
0.88
49

0.01
0.88
69

0.02
0.88
88

0.03
0.89
07

0.04
0.89
25

0.05
0.89
44

0.06
0.89
62

0.07
0.89
80

0.08
0.89
97

0.09
0.90
15

La segunda se obtiene de la siguiente forma:

Recordemos p (Z - 0.7143) = p(Z 0.7143) = 1 p(Z < 0.7143) = 1
0.7611 = 0.2389
Z
0.7

0
0.75
80

0.01
0.76
11

0.02
0.76
42

0.03
0.76
73

0.04
0.77
04

0.05
0.77
34

0.06
0.77
64

0.07
0.77
94

0.08
0.78
23

0.09
0.78
52