Variable Aleatoria

VARIABLES ALEATORIAS Y
DISTRIBUCIN DE PROBABILIDADES
Variable Aleatoria es una funcin que asocia un nmero real, perfectamente definido, a
cada punto muestral. A veces las variables aleatorias (va) estn ya implcitas en los puntos
muestrales.
Ejemplo 1: Sea el evento, la experiencia relacionada con la medicin de la estatura de 100
individuos. Un punto muestral (resultado de un experimento) es ya un nmero (estatura).
La va est implcita.
Ejemplo 2: Sea el evento, lanzar una moneda 3 veces al aire. Si se representa la cara con c
y el sello con s, entonces el espacio muestral ser:
Espacio Muestral = {ccc, ccs, csc, scc, css, scs, ssc, sss}
La probabilidad de cada suceso elemental es 1/8. Por ejemplo p(ccc) = 1/8, ya que la
probabilidad de sacar cara en una tirada es 1/2 segn la definicin clsica y las tiradas son
independientes.
Definimos la va X: nmero de caras, que puede tomar los valores {0, 1, 2, 3}. Se buscan
todos los puntos muestrales que dan lugar a cada valor de la variable y a ese valor se le
asigna la probabilidad del suceso correspondiente.
Sucesos
px
{zzz}
1/8
{czz, zcz, zzc}
3/8
{ccz, czc, zcc}
3/8
{ccc}
1/8
En el caso de las variables discretas, como en el ejemplo, es una funcin que para cada
valor de la variable da su probabilidad.
Ejemplo 3. Sea el evento experimental, lanzar al aire 2 monedas. Se sabe que el espacio
muestral de este experimento contiene 4 puntos muestra les.
Dagoberto Salgado Horta
Pgina 1
S = {(c, c), (c, s), (s, c), (s, s)}, donde el primer elemento de cada par indica si se obtuvo
cara (c) o sello (s) en la primera moneda, y el segundo lo mismo con respecto a la segunda
moneda. La probabilidad de cada punto muestral es entonces 1/4. Ahora bien, normalmente
no estamos interesados en los puntos muestrales, sino en cierta magnitud asociada con los
puntos muestrales. Por Ej. Se podra estar interesado en el nmero de caras que hay en
cada punto muestral. Si definimos una variable Xi como el nmero de caras en el punto
muestral si, Xi tomar los valores X1 = 2, X2 = 1, X3 = 1, X4 = 0. Por lo tanto, Xi es
una variable aleatoria.
Una variable X es una variable aleatoria si es una magnitud susceptible de tomar diversos
valores con determinadas probabilidades. Es una regla que asocia un nmero con cada
evento simple en el espacio muestra de un experimento. Por lo general, esta regla se
simboliza por medio de las maysculas X, Y o Z.
Definicin
Una variable aleatoria es una funcin que asocia un nmero real a cada elemento
del espacio muestral.
O tambin,
Una Variable Aleatoria es una funcin que asigna un nmero real a cada resultado
en el espacio muestral de un experimento aleatorio.
Una variable es aleatoria si toma diferentes valores como resultado de un experimento
aleatorio. Esta variable aleatoria puede ser discreta o continua. Si puede tomar slo un
nmero limitado de valores, entonces es una variable aleatoria discreta. En el otro
extremo, si puede tomar cualquier valor dentro de un intervalo dado, entonces se trata de
una variable aleatoria continua.
La distribucin de probabilidad X se describe por una frmula que enuncia la probabilidad
como una funcin de x. Es decir, la distribucin de X est especificada por la funcin
f x ( x ) P ( X x ) . El subndice de f x ( x )
revela la variable aleatoria de inters. El
subndice se omitir cuando no halla ninguna confusin sobre la probabilidad del resultado. Puesto que f x ( x ) est definida como una probabilidad, f x ( x ) es una funcin que va
del conjunto de valores posibles de la variable aleatoria al intervalo [0, 1].
Definicin
La funcin f x ( x k ) P ( X x k ), k 1, 2 ,3,... que va del conjunto de los valores
posibles de la variable aleatoria discreta X al intervalo [0, 1] recibe el nombre de
funcin de probabilidad.
Para una variable aleatoria
X , f x ( x)
satisface las siguientes propiedades:
Pgina 2
1 ..... f x ( x k ) P ( X x k )
2 .... f x ( x k ) 0 ,...
3 ....
Para todo x.
f x (x k ) 1
x
Se ha esgrimido el trmino experimento estadstico para representar cualquier proceso a

travs del cual se generan diversas observaciones al azar. Con frecuencia no interesan los
detalles asociados con cada punto muestral, sino simplemente alguna descripcin numrica
del resultado. Por ejemplo, el espacio muestral que da una descripcin detallada de cada
uno de los resultados posibles de los alumbramientos de una mujer en 3 ocasiones, pueden
escribirse as:
S = (Espacio Muestral) = {HHH, HHM, HMH, MHH, HMM, MHM, MMH, MMM}
Si lo que interesa es slo el nmero de hembras que alumbra la mujer, entonces se podra
asignar un valor numrico de 0, 1, 2 3 a cada uno de los puntos muestrales.
Los nmeros 0, 1, 2 y 3 son cantidades aleatorias que se determinan a travs del resultado
del experimento. Se podra pensar como los valores que toma alguna variable aleatoria X,
que en este caso representa el nmero hembras que nacen cuando la mujer tiene 3
alumbramientos.
Definicin
Si un espacio muestral contiene un nmero finito de posibilidades o una secuencia
sin final con igual nmero de elementos que nmeros enteros, se le denomina
variable aleatoria discreta (espacio muestral discreto). A una variable aleatoria
se le denomina variable aleatoria discreta si su conjunto de posibles resultados es
contable. Las distribuciones discretas son aquellas en las que la variable puede
pude tomar un nmero determinado de valores.
Las variables aleatorias discretas representan datos que se refieren, tales como el nmero
de artculos defectuosos en una muestra de m de ellos o el nmero de accidentes en
carreteras por ao en un estado determinado.
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede
salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del 1 al 32.
El resultado de un experimento estadstico que puede no ser finito ni contable. Un ejemplo
de este paradigma ocurre cuando se produce una investigacin para medir las distancias
Pgina 3
que recorre cierta marca de automvil en una distancia de prueba especificado con 5 litros
de gasolina. Asumiendo que el trayecto es una variable que se puede medir con cualquier
grado de precisin, entonces resulta claro que se tiene un nmero infinito de distancias
posibles en el espacio muestral y que no puede igualarse al nmero de nmeros enteros. Si
se registrara tambin la cantidad de tiempo en que se efecta el recorrido de la diferentes
marcas, da nueva cuenta de los intervalos de tiempos posibles que conforman el espacio
muestral serian infinitos en nmero e incontables. Se observa con esto que no todos los
espacios muestrales son necesariamente discretos.
Definicin
Si un espacio muestral contiene un nmero infinito de posibilidades iguales al

nmero de puntos que se encuentran en un segmento de lnea, se le denomina
variable aleatoria continua (espacio muestral continuo). Las distribuciones
continuas son aquellas que presentan un nmero infinito de posibles soluciones.
Cuando una variable aleatoria puede tomar valores en una escala continua, se le
denomina variable aleatoria continua.
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro
de cierto intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc); la esperanza media de vida
de una poblacin (72,5 aos, 7,513 aos, 72, 51234 aos).
Con frecuencia, los valores posibles de una variable aleatoria continua son precisamente los
mismos valores contenidos en el espacio muestral continuo. Tal es el caso de aquella
variable aleatoria que representa la distancia que cierta marca de automvil puede recorrer,
en un camino de prueba, con 5 litros de gasolina. En la mayora de los problemas prcticos,
las variables aleatorias continuas representan datos medidos, tales como alturas, pesos,
temperaturas, distancias o perodos de vida posibles.
Se puede especular en una variable aleatoria como un valor o una magnitud que cambia de
un desarrollo a otra, sin seguir una secuencia predecible. Por ejemplo, en un hospital para
tratamiento del cncer de pulmn no se tiene manera de saber con exactitud cuntos
hombres van a ser atendidas en un da cualquiera. Si los registros diarios del hospital
indican que los valores de la variable aleatoria van desde 100 hasta 115 pacientes diarios,
entonces sta es una variable aleatoria discreta.
Una variable aleatoria es discreta cuando nicamente puede tomar un determinado nmero
de valores en un intervalo. Por ejemplo, la variable aleatoria N de caras obtenidas al
lanzar 2 monedas, es una variable aleatoria discreta en el intervalo (0,2). Solo puede tomar
los valores 0, 1 y 2. Si el espacio muestral consiste en un Conjunto discontinuo de sucesos,
entonces una variable asociada con ese conjunto se le llama discreta; de otra manera, se le
llama continua.
Una variable aleatoria es continua cuando puede tomar cualquier valor en un intervalo.
Supongamos el experimento de lanzar una moneda hacia una lnea marcada en el suelo.
Supongamos que la distancia mxima a que puede caer la moneda de la marca es 1 metro
(entendiendo como distancia la del centro de la moneda a la lnea). Si definimos una
Pgina 4
variable aleatoria X que represente esa distancia, X puede tomar cualquier valor en el
intervalo [0,1].
Distribuciones de Probabilidad
DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS
Una variable aleatoria es un evento numrico cuyo valor se

determina mediante un
proceso al azar. Cuando se asignan valores de probabilidad a todos los datos numricos
posibles de una variable aleatoria X, ya sea mediante un listado o a travs de una funcin
matemtica, se obtiene como resultado una distribucin de probabilidad. La suma de las
probabilidades para todos los resultados numricos posibles debe ser Igual a 1.0. Pueden
denotarse los valores de probabilidad individuales mediante el smbolo f(x), lo cual implica
que hay implcita una funcin matemtica; mediante P(x = X), lo cual implica que la
variable aleatoria puede asumir diversos valores especficos, o simplemente mediante P(X).
Para una variable aleatoria discreta, se pueden enumerar todos los valores numricos
posibles de la variable en una tabla con las probabilidades correspondientes. Existen
diversas distribuciones estndar de probabilidad que pueden utilizarse como modelos para
una amplia gama de variables aleatorias discretas en aplicaciones de negocios.
Para una variable aleatoria continua no es posible enumerar todos los posibles valores
fraccionarios de la variable y, por lo tanto, las probabilidades que se determinan a travs de
una funcin matemtica se ilustran en forma grfica mediante una funcin de densidad de
probabilidad o curva de probabilidad.
EJEMPLO 1. En la Tabla A se muestra el nmero de camionetas que se han solicitado para
rentar en una arrendadora de automviles, en un periodo de 50 das. En la ltima columna
de la Tabla se incluyen las frecuencias observadas en este periodo de 50 das. En la ltima
columna de la tabla se incluyen las frecuencias observadas en ese periodo de 50 das,
convertidas en probabilidad. As, puede observarse que la probabilidad de que se hayan
solicitado exactamente siete camionetas en un da elegido al azar en ese periodo es de 0.20,
y que la probabilidad de que se hayan solicitado seis o ms es de 0.28 + 0.20 + 0.08 = 0.56.
Tabla B. Demanda diaria de arrendamiento de camionetas

durante un periodo de 50 das.
Demandas Posibles
X
Nmero de Das
Probabilidad P ( X )
3
4
5
6
7
8
TOTALES
3
7
12
14
10
4
50
0.06
0.14
0.24
0.28
0.20
0.08
1.00
Valor
Ponderado X . P ( X )
0.18
0.56
1.20
1.68
1.40
0.64
E ( X ) 5 . 66
Pgina 5
Distribuciones de probabilidad para variables discretas

Las variables aleatorias, son aquellas que se relacionan con la ocurrencia de un fenmeno
aleatorio. Cuando una de esas variables aleatorias toma diversos valores, la probabilidad
asociada a cada uno de tales valores puede ser organizada como una distribucin de
probabilidad, lo que se denomina distribucin de las probabilidades asociadas a cada uno
de los valores de la variable aleatoria. Las distribuciones de probabilidad logran
representarse a travs de una tabla, una grfica o una frmula, en cuyo caso tal regla de
correspondencia se le denomina funcin de probabilidad.
Una variable aleatoria discreta adquiere cada uno de sus valores con cierta probabilidad. En
el proceso del lanzamiento de una moneda 3 veces, la variable X, que representa el nmero
de sellos, toma el valor 2 con una probabilidad de 3/8, puesto que 3 de los puntos
muestrales igualmente probables dan como resultado 2 sellos y 1 cara. Si se suponen
arreglos iguales para los eventos simples del siguiente ejemplo:
Un empleado de un depsito le regresa, en forma aleatoria, tres herramientas de seguridad,
previamente revisados, a tres obreros de un taller. Si Sal, Jess y Boris, en ese orden,
reciben una de las tres herramientas, enumere los puntos muestrales para los rdenes
posibles de devolucin de las herramientas y calcule los valores b de la variable aleatoria
B que representa el nmero de agrupaciones correctas.
Solucin.- Si S, J y B representan las herramientas de Saul, Jess y Boris respectivamente,
luego los arreglos posibles en los que podran devolverse las herramientas y el nmero de
agrupaciones correctas sern:
3
SJB
b
Espacio Muestral
1
SBJ
1
JSB
0
JBS
0
BSJ
1
BJS
La probabilidad de que ningn obrero reciba de nuevo la herramienta que tena, es decir,
la probabilidad de que B tome el valor de cero, es 1/3. Los posibles valores b de B y sus
probabilidades estn dados por
b
P(B = b)
Pgina 6
Obsrvese que los valores de b agotan todos los casos posibles y por ello las probabilidades
suman 1.
Con frecuencia, resulta conveniente representar todas las probabilidades de una variable
aleatoria X a travs de una frmula. Esta frmula seria necesariamente funcin de los
valores numricos x, que se denotarn por f(x), g(x), r(x) y as sucesivamente. Por lo tanto,
se escribe f(x) = P(X= x); es decir f ( 3 ) P ( X 3 ) . Al conjunto de pares ordenados (x,
f(x)) se le denomina funcin de probabilidad o distribucin de probabilidad de la
variable aleatoria discreta X.
Definicin
El conjunto de pares ordenados (x, f(x)) es una funcin de probabilidad o una
distribucin de probabilidad de la variable aleatoria discreta X si, para cada posible
resultado x,
1. f ( x ) 0.
2.
f ( x) 1.
3 . P ( X x ) f ( x ).
Ejemplo.- Un envi de ocho computadoras similares para un distribuidor contiene tres

defectuosas. Si un comerciante hace una compra aleatoria de dos de esas computadoras,
localice la distribucin de probabilidad para el nmero de computadoras imperfectas.
Solucin.- Sea X una variable aleatoria cuyos valores de x son los nmeros posibles de
computadoras defectuosas adquiridas por el comerciante. Luego, x puede se cualquiera de
los nmeros 0, 1 y 2. Entonces:
f (0) P (X 0)
.f ( 2 ) P ( X 2 )
3 5

0 2
8

2
3 5

2 0
8

2
10
,.. f (1) P ( X 1)
28
3 5

1 1
8

2
15
,..
28
3
28
Por lo tanto, la distribucin de probabilidad de X es:

Pgina 7
x
f(x)
10
15
28
28
28
Ejemplo: Analice la variable aleatoria X, como la cantidad de caras observadas cuando se

lanzan dos monedas al aire. El espacio muestral es el conjunto {CC, CS, SC, SS} y se
puede observar que la variable X puede tomar como valores 0, 1 y 2.
Calculando las probabilidades tenemos:
P(de no observar caras)

P(de observar una cara)
P(de observar dos caras)
=
=
=
P(SS)
P(SC o CS)
P(CC)
= P(X=0) =
= P(X=1) =
= P(X=2) =
/4
Si ahora se organizan estos resultados en el siguiente cuadro:
X
P(X=x)
1
/4
Se alcanzar explicar por qu se usa el nombre "distribucin de probabilidad". Con esta

informacin se puede construir un histograma como el siguiente:
Pgina 8
Problema
Se Lanzan dos dados al aire. Cul es probabilidad de que la suma de los puntos en los
dados sea menor que 8?
SOLUCIN: Si asumimos que todos los resultados observados al lanzar los dos dados son
equiprobables (si todos los sucesos elementales que lo integran tienen la misma
probabilidad) entonces el espacio muestral del experimento, con treinta y seis posibles
resultados, se presentan a continuacin:
Tabla 1. Espacio muestral

resultante al lanzar dos dados
1
2
3
4
5
6
1
1,1
1,2
1,3
1,4
1,5
1,6
2
2,1
2,2
2,3
2,4
2,5
2,6
3
3,1
3,2
3,3
3,4
3,5
3,6
4
4,1
4,2
4,3
4,4
4,5
4,6
5
5,1
5,2
5,3
5,4
5,5
5,6
6
6,1
6,2
6,3
6,4
6,5
6,6
Como nos interesa la suma de los puntos observados, si obtenemos el resultado (3, 5) le
asignamos el valor 8, correspondiente a la suma de 3 y 5. Podemos calcular la probabilidad
de que la suma sea igual a 8, contando todos los resultados donde la suma es ocho. El
evento de que la suma es ocho contiene 5 resultados: {(2,6), (3,5), (4,4), (5, 3), (6,2)}; por
lo tanto la probabilidad deseada es 5/36. Podemos repetir este proceso con cada uno de los
resultados para obtener las siguientes sumas probables al lanzar dos de acuerdo con la
tabla 2.
Tabla 2. Distribucin de probabilidad del total de

las sumas observadas al lanzar dos dados.
Sumas
Probabilidades
10
11
12
36
36
36
36
36
36
36
36
36
36
36
Hemos encontrado la distribucin de probabilidad de los valores posibles de la suma al tirar

dos dados. Si R representa el resultado observado en el dado rojo y V el resultado que se
Pgina 9
observar en el dado verde, podemos expresar el valor que nos interesa as: X = R + V.
Antes de lanzar los dados no sabemos qu valores observaremos para R y V, por lo tanto
tampoco lo sabemos para X.
El valor que asumir X puede variar de lanzada en lanzada, sujeto a la distribucin
especificada en la tabla de arriba. As X es una variable, que asume un nmero finito de
valores sujeto a una distribucin de probabilidad. Este es un ejemplo de una variable
aleatoria discreta. Otros ejemplos son las variables R y V. En general, si S es un espacio
muestral con una medida de probabilidad P, definimos una variable aleatoria como una
funcin que asigna un nmero real a cada uno de los elementos de S.
Interpretamos, por ejemplo X = 8 como el evento de que se observ el resultado 8 al lanzar
los dos dados, es decir el evento {(2,6), (3,5), (4,4), (5, 3), (6,2)} ocurri. Tambin
asignamos a X = 8 la probabilidad de ese evento. As vemos que P(X = 8) = P({ (2,6),
(3,5), (4,4), (5, 3), (6,2)}) = 5/36= 0.14. Es usual denotar las variables aleatorias por letras
maysculas y los valores que puede asumir por letras minsculas.
En este caso la variable X puede asumir un valor entre un conjunto finito de valores
posibles. Cualquier variable que pueda asumir un nmero finito de valores decimos es una
variable aleatoria discreta. Tambin son variables aleatorias discretas aquellas que
pueden asumir un nmero muy grande o infinito de valores que potencialmente podran ser
contados, tal como el nmero de habitantes del planeta, el nmero de granos de maz
producidos en el planeta en una fecha determinada, el nmero de los rboles de un pas.
En la Tabla 2
vemos que a cada valor posible de X, le asignamos un nmero
correspondiente a su probabilidad. As podemos definir otra funcin: f(x) = P(X = x), para
cada nmero x en el campo de valores de la variable X. Esta funcin se llama la funcin de
probabilidad o distribucin de probabilidad de la variable X. Para el ejemplo de la suma
de los puntos al tirar dos dados, los valores de esta funcin estn dados en la Tabla 2, la
cual se puede reescribir usando los conceptos estudiados.
Tabla 3. Distribucin de probabilidad del total

de las sumas observadas al lanzar dos dados.
x
f(x)
10
11
12
36
36
36
36
36
36
36
36
36
36
36
Vemos que f(x) nunca adquiere un valor menor de cero. Esto se debe a que f(x) representa
una probabilidad, la cual nunca puede ser menor de cero. De igual manera f(x) nunca puede
ser menor de 1. Si sumamos todos lo valores que puede tener f(x) obtenemos 1, debido a
que estamos sumando las probabilidades de que la variable aleatoria asuma uno de los
Pgina 10
valores establecidos. Por su definicin, la funcin de probabilidad tiene las siguientes

caractersticas:
1. f ( x ) 0 para todo valor x en su dominio.

2.
f ( x ) 1 ( donde la sumatoria se extiende sobre todos los valores x en el dominio
de f.
Los valores de la funcin de probabilidad se pueden representar en una grfica como la

siguiente:
Diagrama de la distribucion de probabilidad

de la suma de dos dados
0,18
0,16
Probabilidades
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1
10
11
12
Sumas de dos dados
La probabilidad de observar (En la grafica) un valor particular de la variable aleatoria,

digamos X = 3 est dado por la altura de la barra sobre el 3, es decir, P(X = 3) = 2/36 =
0.056. De igual manera, en vez de asociar la altura de la barra con la probabilidad,
Pgina 11
podemos ver que el rea de la barra sobre el 3 es 2/36 1 = 2/36 = 0.056 ya que la altura de
la barra es 2/36 y su ancho es 1. Usar el rea de las barras para representar la probabilidad
es muy til para extender la nocin de probabilidad a otras variables.
Podemos usar el histograma de probabilidad para calcular probabilidades tal como P(X
4). Vemos que P(X 4) = P(X =2 X =3 X =4) = P(X = 2) + P(X = 3) + P(X = 4) , ya
que los eventos donde X = 2, X = 3 y X = 4 son disjuntos. Entonces P(X 4) = 1/36 + 2/36
+ 3/36 = 6/36, sumando las reas de la barras que estn sobre el 4 y a su izquierda.
Debemos ser muy cuidadosos con las desigualdades, ya que P(X 4) = 6/36, mientras que
P(X< 4) = 3/26.
Extendiendo esta idea de probabilidades acumulativas, podemos definir otra funcin
partiendo de la distribucin de probabilidad. Si X es una variable aleatoria discreta,
definimos la funcin de distribucin de X o funcin de distribucin acumulativa de X
de la siguiente manera:
f ( x ) p( X i x )
f ( x ),.. Para .... <x<
x i
Las propiedades de las distribuciones de variables discretas son dos, y que

posteriormente, al hablar de las distribuciones de variables continuas, se repetirn de
manera muy similar:
a) Todos los valores de la distribucin son mayores o iguales que cero, y adems son
menores o iguales que uno.
0 P(X=x) 1.
b) La suma de todas las probabilidades de la distribucin es la unidad. Esta demostracin es

para mostrar que la distribucin probabilstica binomial cumple con tales propiedades.
f ( x ) P(X=x) = 1.
De donde se puede afirmar que: la suma de todas las probabilidades de los eventos posibles
de una variable aleatoria es igual a la unidad. Hay que recalcar que estas propiedades se
enuncian suponiendo que conocemos el valor de la probabilidad, pero en la realidad esto no
ocurre, es decir, que no sabemos la probabilidad y lo que se hace es trabajar con
estimaciones. Se puede observar que en ningn caso las combinaciones toma valores
Pgina 12
negativos, y como p y q son positivos o cero, entonces todos los valores de la distribucin
probabilstica son positivos o cero. Precisamente esto conlleva a modelos tericos que
estiman los resultados, y los principales, son los que a continuacin se exhiben:
Modelos de distribuciones de probabilidad de variables discretas

Uniforme. Es la distribucin donde todos los eventos elementales tienen la misma
probabilidad. Por ejemplo: tirar un dado, donde la
funcin P(X=x)= 1/6 para valores
de x = {1, 2, 3, 4, 5, 6}
Binomial. Es la que manipula la distribucin de la probabilidad de obtener cierta cantidad
de xitos al realizar una cantidad de experimentos con probabilidad de xito constante y
con ensayos independientes.
Geomtrica. Es la distribucin de la probabilidad de realizar cierto nmero de
experimentos antes de obtener un xito.
Hipergeomtrica. Es similar a la binomial, pero con un tamao de muestra grande en
relacin al tamao de la poblacin.
De Poisson. Es la distribucin de la probabilidad de que ocurra un evento raro en un
periodo de tiempo, un espacio o un lugar.
La que ms nos interesar de estas ser la distribucin binomial que explicaremos
posteriormente.
Media y desviacin estndar de una distribucin de probabilidad

para variables discretas
En una distribucin de frecuencias para datos agrupados se calculaba la media, utilizando
la frmula,
como
xf
n
f
n
, donde, ( ) es la media de la poblacin, la cual puede expresarse
Considerando la definicin de probabilidad de un evento, P(X) es el cociente de la

frecuencia entre el nmero total de eventos (probabilidad frecuencial de ocurrencia), por lo
que la media de una distribucin de probabilidad de una variable discreta es:
x .P ( x )
Pgina 13
Por ejemplo: Consideremos la variable X del ejemplo de caras observadas en dos lanzamientos de
monedas. Es decir, X tal que su distribucin de probabilidad sea:
X
P(X=x)
1
2
/4
Entonces, para calcular su media ( ) se realiza la siguiente operacin:
xP ( x ) 0 . 4 1 . 2 2 . 4
x0
varianza se defini como
Anlogamente, la
f (x )
n
, y haciendo un
procedimiento semejante al anterior se tiene:
(x)
f
n
Finalmente, la varianza de una distribucin de probabilidad de una variable discreta

ser:
Entonces, la desviacin estndar de una distribucin de probabilidad de una variable

discreta es:
(x)
P( x )
Pgina 14
Por ejemplo: Considerando la misma distribucin de probabilidad

su desviacin estndar se calcula:
( 0 1)
(1 1 )
( 2 1)
1
4
1.
0.
1
2
1.
1
4
del ejemplo anterior,
1
4
1
4
1
2
ESPERANZA MATEMTICA O VALOR ESPERADO DE UNA

VARIABLE ALEATORIA DISCRETA
Valor esperado de una variable aleatoria discreta
Si X es una variable aleatoria, y el experimento aleatorio que determina el valor de X se
repite muchas veces, entonces se obtiene una secuencia de valores para X. Puede emplearse
un resumen de estos valores, tal como el promedio ( x ), para identificar el valor central de
la variable aleatoria. La funcin de probabilidad de X puede interpretarse como la
proporcin de ensayos en los que X = x. En consecuencia, no es necesario realizar el
experimento muchas veces con la finalidad de determinar el valor medio de X. La media de
X puede calcularse corno el promedio ponderado de los valores posibles de X, asignando al
f x ( x) P ( X x) .
resultado x un factor de ponderacin
La media ( x ) de una distribucin de probabilidad es el valor esperado de su variable
aleatoria.
El valor esperado o Esperanza Matemtica de una variable aleatoria discreta se puede
considerar como su promedio ponderado sobre todos los resultados posibles siendo las
ponderaciones la probabilidad relacionada con cada uno de los resultados.
Esta medida de resumen se puede obtener multiplicando cada resultado posible Xi por su
probabilidad correspondiente P ( X i ) y despus sumando los productos resultantes. Por
lo tanto el valor esperado de la variable aleatoria discreta X, representada como E ( X ) ,
se puede expresar con la siguiente formula matemtica:
x E(X )
X i P ( X i ) , donde:
i 1
Pgina 15
X = Variable aleatoria de Inters.

Xi = Resultado i de X.
P(X i )
Probabilidad de ocurrencia del evento i de X.
i= 1, 2, 3, ....,N.
Tambin, se puede decir que:

La media, Esperanza Matemtica o valor esperado de una variable aleatoria discreta X,
x o
expresada por
E ( X ), es:
x E(X )
xf
( x) o
x E(X )
X iP(X i ) .
i 1
La media de X puede interpretarse como el centro de la masa del rango de los valores de X.
Esto es, si se coloca una masa igual a f x ( x ) en cada punto x de la recta real, entonces
E(X) es el punto donde la recta queda en equilibrio. Por consiguiente, el trmino funcin de
probabilidad puede interpretarse mediante esta analoga con la mecnica.
Media de una variable aleatoria

Si se tiran dos monedas al aire 16 veces y X representa el nmero de caras que ocurren por
lanzamiento, entonces los valores d
e X pueden ser 0, 1 y 2. Supngase que en el
experimento se obtienen cero caras 4 veces, una cara 7 veces y dos caras 5 veces. El
promedio de caras por lanzamiento de las dos monedas es entonces
( 0 )( 4 ) (1)( 7 ) ( 2 )( 5 )
1 . 06 .
16
Este es un valor promedio y no necesariamente un resultado posible del experimento. Por

ejemplo, el ingreso mensual promedio de un vendedor no es probable que sea igual a
alguno de sus cheques de pago mensuales.
Reestructrese ahora el clculo para el nmero promedio de caras resultantes, de modo que
tenga la siguiente forma equivalente
Pgina 16
4
7
5
1
2
1 . 06 .
16
16
16
Los nmeros 4/16, 7/16 y 5/16 son las fracciones del total de lanzamientos que resulta en 0,
1 y 2 caras, respectivamente. Estas fracciones son tambin las frecuencias relativas que
corresponden a los diferentes valores de X en el experimento. En efecto, se puede calcular
entonces la media o el promedio de un conjunto de datos, si se conocen los distintos valores
que intervienen y sus frecuencias relativas, sin conocimiento alguno del nmero total de
observaciones en el conjunto de datos. Por consiguiente, si 4/16 1/4 de los lanzamientos
resultan 0 caras; 7/16, una cara; y 5/16, dos caras, el nmero medio de caras por
lanzamiento seria 1.06, sin importar que el nmero total de lanzamientos sea de 16, 1 000 o
aun de 10 000.
Utilcese ahora este mtodo de las frecuencias relativas para calcular a la larga el nmero
promedio de caras por lanzamiento de dos monedas que podra esperarse.
Este valor promedio se conoce como media de la variable aleatoria X o media de la
distribucin de probabilidad de X, y se representa como x , o simplemente como ,
cuando est claro de que variable aleatoria se trata. Tambin es comn entre los estadsticos
designar a este valor como Esperanza o Expectativa Matemtica, o bien como valor
esperado de la variable X, y representarla como E(X).
Suponiendo que se tiran al aire dos monedas normales, se tiene que el espacio
muestra1 para el experimento es
S = {CC, CS, SC, SS}

Donde es C cara y S sello.
Puesto que los 4 puntos muestrales son igualmente probables, se deduce que
P(X = 0) = P(SS) = 1 .
4
P(X = l) = P(SC) + P(CS) = 1 .

4
P(X = 2) = P(HH) = 1 .
4
Pgina 17
Donde un elemento, por ejemplo, SC, indica que de la primera tirada result Sello, seguida
de una cara en la segunda tirada. Ahora bien, estas probabilidades son justamente las
frecuencias relativas que a la larga corresponden a los eventos dados. Por consiguiente,
1
1
1
1 2 1 . 0 .
4
2
4
E ( X ) 0
Esto significa que una persona que tira al aire 2 monedas una y otra vez, lograr en
promedio 1 cara por tirada.
EL mtodo descrito para calcular el nmero esperado de caras en cada tirada de 2 monedas,
indica que la media o valor esperado de una variable aleatoria discreta puede obtenerse
multiplicando cada uno de los valores x 1 , x 2 ,..., x n , de la variable aleatoria X por su
probabilidad correspondiente f ( x 1 ), f ( x 2 ),....., f ( x n ), y sumando luego los resultados.
Sin embargo, esto se verifica slo si la variable aleatoria es discreta. En el caso de variables
aleatorias continuas, la definicin del valor esperado es en esencia la misma, slo que las
sumatorias se reemplazan por integrales.
Ejemplo. Determine el nmero esperado de qumicos en un comit de tres personas
seleccionado al azar de un grupo de 4 qumicos y 3 bilogos.
Solucin. Se considera que X representa el nmero de qumicos en el comit. La
distribucin de probabilidad de X est dada por
f(x)
4 3

x 3 x
7

3
, para
x = 0, 1, 2, 3.
Aplicando la formula se calculan los diferentes f ( x i ) as:
Pgina 18
f (0)
4 3

0 3 0

3
7
;.. f (1)
35
4 3

1 3 1

3
7
12
;.. f ( 2 )
35
4 3

2 3 2

3
7
18
,.. f ( 3 )
35
4 3

3 33

3
7
4
35
Los clculos obtenidos son:
f(0) = 1/35, f(l) = 12/35, f(2) = 18/35, y f(3) = 4/35. Entonces,

12
1
12
18
4 60
1 . 70 .
1
2
3
7
35
35
35
35 35
E ( X ) 0
Por lo tanto, si se selecciona al azar una y otra vez un comit de 3 miembros a partir de un
grupo de 4 qumicos y 3 bilogos, el mismo contendra en promedio 1.7 qumicos.
Ejemplo. En un juego de azar de un casino, se le paga a una persona 5 dlares si al tirar a
aire 3 monedas obtiene solo caras o sellos, mientras que esta persona deber pagar 3
dlares si obtiene slo una o dos caras. Cul es la ganancia esperada de jugador?
Solucin. El espacio muestral formado por todos los posibles resultados que pueden
obtenerse cuando se lanzan 3 monedas de manera simultnea, o en forma equivalente si la
moneda se lanzan 3 veces sucesivamente (C = cara, S = sello), es
S = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}. Se puede argumentar que cada una
de estas posibilidades es igualmente posibles y ocurre con una probabilidad igual a 1/8. Un
enfoque alternativo seria aplicar la regla multiplicativa de probabilidad para sucesos
independientes con cada uno de los elementos del espacio muestral (S), as:
1 1 1 1
P ( CCS ) P ( C ) P ( C ) P ( S ) .
2 2 2 8
Recuerde que la probabilidad de salir cara es
igual ala de salir sello, es decir, .
La variable aleatoria de inters es X, que es la cantidad que el jugador puede ganar; y los
valores posibles de X 5 $ si ocurre el evento E 1 CCC , SSS y - 3 $ si ocurre el
Pgina 19
evento E 2 CCS , CSC , SCC ; CSS , SCS , SSC .Si se observa que E1 y E2 se presentan con
probabilidad de y , respectivamente, se concluye que
1
3
3 1 .
4
4
E ( X ) 5
Por lo tanto en este juego el apostador, en promedio, perder 1 $ al lanzar las 3 monedas.
Un juego de azar se considera justo si en el promedio el jugador termina sin perdida o
ganancia. Por lo tanto, un juego justo se define como aquel donde hay una ganancia
esperada de cero, es decir, 0 .
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de una
presentacin a otra, sin seguir una secuencia predecible. Por ejemplo, en una clnica para
tratamiento del cncer de mamas no se tiene manera de saber con exactitud cuntas mujeres
van a ser atendidas en un da cualquiera. De modo que el nmero de pacientes del da
siguiente es una variable aleatoria. Los valores de una variable aleatoria son los valores
numricos correspondientes a cada posible resultado del experimento aleatorio. Si los
registros diarios de la clnica indican que los valores de la variable aleatoria van desde 100
hasta 115 pacientes diarios, entonces sta es una variable aleatoria discreta.
En la tabla B se ilustra el nmero de veces que se ha alcanzado cada nivel durante los
ltimos l00 das. Observe que en la tabla aparece una distribucin de frecuencias. Hasta
donde creamos que la experiencia de los pasados 100 das es un comportamiento tpico,
podemos utilizar este registro para asignar una probabilidad a cada nmero posible de
pacientes y encontrar una distribucin de probabilidad. Hemos hecho esto en la tabla B
mediante la normalizacin de la distribucin de frecuencias observadas (en este caso, dividimos cada valor que aparece en la columna de las frecuencias (fi) de la tabla B , el
nmero total de das en que se tomaron los registros (nmero atendido). La distribucin de
probabilidad para la variable aleatoria nmero de atenciones diarias se presenta de
manera grfica en la figura I. Note que la distribucin de probabilidad para una variable
aleatoria proporciona una probabilidad para cada valor posible y que estas probabilidades
deben sumar 1. De la misma forma en esa tabla se registra el valor esperado o esperanza
matemtica que es simplemente la multiplicacin de los valores posibles de la variable
aleatoria por la probabilidad de que la variable aleatoria tome esos valores. En la tabla B
mostramos que ambos requisitos se cumplen. Adems, tanto la tabla B como la figura I nos
dan informacin acerca de la frecuencia de presentacin a la larga del nmero de pacientes
atendidos diariamente que esperaramos observar si este experimento aleatorio se
efectuara de nuevo.
TABLA B
Pgina 20
NMERO DE MUJERES ATENDIDAS DIARIAMENTE DURANTE 100

DAS EN UNA CLNICA PARA LA ATENCIN DE CNCER DE MAMA.
Valores posibles de
la Variable
Aleatoria.
Nmero de das que

se observa este nivel
(fi).
Probabilidad de que la
variable aleatoria tome estos
valores.
(1)
100
101
102
103
104
105
106
107
108
109
110
110
112
113
114
115
TOTALES
(2)
1
2
3
5
6
7
9
10
12
11
9
8
6
5
4
2
100
(3)
0.01
0.02
0.03
0.05
0.06
0.07
0.09
0.10
0.12
0.11
0.09
0.08
0.06
0.05
0.04
0.02
Esperanza
Matemtica.
(1)x(3)
1.00
2.02
3.06
5.15
6.24
7.35
9.54
10.70
12.96
11.99
9.90
8.88
6.72
5.65
4.56
2.30
108.02
El valor esperado de la variable aleatoria nmero diario de mujeres atendidas en una

clinica, es igual 108.02.
Pgina 21
Gr af ica co r r e s p o n d ie n t e a la d is t r ib u cio n d e
p r o b ab ilid ad p ar a la var iab le ale at o r ia d is cr e t a,
0,14
"n m e r o d iar io d e p acie n t e s at e n d id o s e n u n a clin ica"
0,12
PR O B A B IL ID A D
0,1
0,08
0,06
0,04
0,02
10
10
0
10
1
10
2
10
3
10
4
10
5
10
6
10
7
10
8
10
9
11
0
11
1
11
2
11
3
11
4
11
5
N m e r o s d iar io s d e m u je r e s at e n d id as
Si un agente de seguros afirma que puede esperarse que una mujer de 45 aos de edad
viva otros 33 aos, esto no significa que cualquier persona espere realmente que una mujer
de 45 aos siga viviendo hasta cumplir los 78 aos y muera al da siguiente. En lo
concerniente a esa afirmacin, ciertas mujeres de 45 aos vivirn 12 aos ms, otras
sobrevivirn 25 aos, otras vivirn 38 aos ms, . . . , y la expectativa de vida de 33 aos
ms se debe interpretar como una especie de promedio particular, llamado valor esperado
o esperanza matemtica. Originalmente, el concepto de la esperanza matemtica apareci
en relacin con juegos de azar y, en su forma ms simple, se determina con el producto de
la cantidad que un jugador deposita para ganar y la probabilidad de que gane dicha
cantidad.
EJEMPLO Cul es nuestra esperanza matemtica, si apostamos para ganar 500 pesos, si
y slo si sale cara, al lanzar al aire una moneda equilibrada?
SOLUCIN: La moneda est equilibrada, de manera que la probabilidad de que salga cara
es , entonces nuestra esperanza matemtica es 500x0.5 = 250 pesos.
EJEMPLO Cul es nuestra esperanza matemtica, si compramos uno de los 1000 boletos
de una rifa, en la que se ofrece como premio un televisor a color, que vale 480000 pesos?
Pgina 22
Solucin: La probabilidad de que nos ganemos el televisor es
1
1000
, entonces nuestra
esperanza matemtica es
480000x
1000
480000
480
1000
, es decir, 480 pesos. Por lo tanto, en un sentido
estrictamente monetario, seria irracional pagar ms de 480 pesos por el boleto.
PROBLEMA. Sean 0.24, 0.35, 0.29 y 0.12 las probabilidades de que un usurero pueda
vender en un ao un lote subdividido, con las respectivas ganancias de Bs.1250000, Bs.
800000 o de Bs. 100000 o con una prdida de Bs. 250000. Cul es la utilidad o ganancia
esperada?
SOLUCIN: Si se sustituye
x1 1250000 ,... x 2 800000 ,.. x 3 100000 ,.. x 4 250000 ,..

P1 0 . 24 ,.. P2 0 . 35 ,.. P3 0 . 25 .. y .. P4 0 . 12
Si ahora se aplica la formula matemtica para la obtencin de la Esperanza Matemtica se

tiene:
N
x E(X )
X iP(X i ) .
i 1
E 125000 ( 0 . 24 80000 ( 0 . 35 ) 10000 ( 0 . 29 ) 25000 ( 0 . 12 ) Bs . 579000 .
Este
resultado indica que el usurero espera ganar 579000 Bs. Con su usura.
PROBLEMA. La distribucin de probabilidad de la variable aleatoria discreta X es
3 1 3
f ( x )
x 4 4
3 x
, x 0 ,1, 2, 3. Encuentre la esperanza matemtica.
Pgina 23
Solucin:
27
27
9
3 1 3
3 1 3
3 1 3
f (0 )
,... f (1)
,.. f ( 2 )
64
64
0 4 4
1 4 4
2 4 4 64
1
3 1 3
f (3)
64
3 4 4
Con estos datos se puede formar la siguiente distribucin de probabilidad:
0
27
f ( x)
27
64
9
64
3
1
64
64
Aplicando la siguiente formula : x E ( X )
X i P ( X i ) . Se tiene:
i 1
3
27
27
9
1 27 ( 2 ) 9 ( 3 )1 48
E 0
0 . 75 .
1
2
3
64
64
4
64
64
64
64
Luego la esperanza matemtica buscada es de 0.75.
LA DISTRIBUCIN BINOMIAL
El nombre que recibe esta distribucin se debe a la similitud existente entre la distribucin
de las probabilidades de obtener 0, 1, 2, 3,..elementos considerados como xito de
una muestra de tamao n, y los trminos sucesivos del desarrollo binomial ( p q ) n ,
donde p expresa la probabilidad de xito de un solo ensayo (situacin experimental), y q
es la probabilidad de fracaso (tal que, p + q = 1). En este caso, xito significa
encontrarse con cierta clase de evento, mientras que fracaso significa no encontrarse con
dicho evento. En esta gua se har un breve reposo del Teorema del binomio o Binomio
Pgina 24
de Newton. El teorema del binomio, o Binomio de Newton por haber sido ste quien
propuso el mtodo general para su desarrollo, es un binomio elevado a una potencia n, que
en su caso ms simple es un nmero natural.
En trminos generales, el teorema del binomio establece que para a, bR y nN, se
tiene que:
n n n n 1
n n 1 n n
( a b ) a a b ....
b
ab
0
1
n 1
n
n
i 1
n n i i
a b .
i
Para el caso concreto de esta gua, se cambiar la notacin y se utilizar la propiedad de

conmutatividad de los nmeros reales:
La probabilidad
Px de que un evento ocurra EXACTAMENTE

dada por la ecuacin:
x veces en n
intentos esta
n x n x
.
Px . p q
x
La probabilidad Px de que un evento se presente POR LO MENOS

intentos esta expresada por la ecuacin:
xn
xx
xx
Px
xx
veces en n
n x n x
. p q
.

x

Pgina 25
TRINGULO DE PASCAL
Los coeficientes de los trminos del desarrollo de cualquier potencia de un binomio se
pueden encontrar en forma inmediata utilizando el llamado tringulo de Pascal. Los
coeficientes del desarrollo de cualquier potencia de un binomio son los nmeros que se
hallan en la fila horizontal en donde despus del 1 esta el exponente del binomio. Ejemplo:
Los coeficientes del desarrollo del binomio ( a b ) 5 son aquellos nmeros que se
encuentran en la fila horizontal, del tringulo de Pascal, en donde despus del 1 esta el 5,
es decir, 1, 5, 10, 10, 5, 1. De igual manera se procede para ubicar los coeficientes de
cualquier binomio.
El tringulo se forma de la siguiente manera: En la primera fila horizontal se coloca 1. En
la segunda fila se coloca 1 y 1. Desde la tercera fila en adelante se comienza por 1 y cada
nmero posterior al 1 se obtiene sumando en la fila anterior el primer nmero con el
segundo, el segundo con el tercero, el tercero con el cuarto, cuarto con el quinto, el quinto
con el sexto y as sucesivamente hasta obtener los coeficientes de la potencia buscada,
recuerde que el ultimo nmero de la fila horizontal siempre tiene que ser 1 (ver tringulo).
1
1
1
1
1
1
1
1
1
1
3
6
10
15
21
4
10
20
35
1
1
5
15
35
1
6
21
1
7
28
56
70
56
28
8
1
1
9
36
84 126
126
84
36
9
1
1
10
45
120 210 252
210 120
45
10
1
Ejemplo: Sean los binomios ( 2 x 3 y ) 5 y ( x y ) 5 , desarrolle los mismos aplicando el

tringulo de Pascal:
Pgina 26
( 2 x 3 y ) ( 2 x ) 5( 2 x ) 3 y 10 ( 2 x ) ( 3 y ) 10 ( 2 x ) ( 3 y ) 5( 2 x )( 3 y ) ( 3 y )
5
( 2 x 3 y ) 32 x 240 x y 720 x y 1080 x y 810 xy
243 y .
( x y ) x 6 x y 15 x y 20 x y 15 x y 5 xy y .
PROPIEDADES DE LA DISTRIBUCIN BINOMIAL

1.- El experimento se fundamenta en n ensayos repetidos.
2.- Cada ensayo proporciona un resultado que puede clasificarse como xito o fracaso.
Cuando es xito la variable toma el valor 1 y cuando es fracaso toma el valor 0.
3.- La probabilidad de xito, designada por p, permanece constante de un ensayo a otro.
4.- Los ensayos son independientes.
EJEMPLOS 1: La Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no
sale); la probabilidad de ser admitido en una universidad (o te admiten o no te admiten); la
probabilidad de acertar un Kino (o aciertas o no aciertas).
Al haber nicamente dos soluciones se trata de sucesos complementarios:
A la probabilidad de xito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
Verificndose que:
p + q = 1.
EJEMPLOS 2: Probabilidad de salir cara al lanzar una moneda al aire:
Probabilidad de que salga cara: p = 0,5.
Probabilidad de que no salga cara: q = 0,5.
p + q = 0,5 + 0,5 = 1.
Ejemplo 3: Probabilidad de ser admitido en la universidad:
Pgina 27
Probabilidad de ser admitido: p = 0,25.

Probabilidad de no ser admitido: q = 0,75.
p + q = 0,25 + 0,75 = 1.
Ejemplo 4: Probabilidad de acertar un nmero de lotera de 100000:

Probabilidad de acertar: p = 0,00001.
Probabilidad de no acertar: q = 0,99999.
p + q = 0,00001 + 0,99999 = 1.
Considrense los siguientes experimentos y variables aleatorias
1.
Lanzar una moneda diez veces. Sea X = nmero de caras obtenidas.
2. IJna mquina herramienta desgastada produce 1 % de partes defectuosas. Sea X =

nmero de partes defectuosas en las siguientes 25 que se produzcan.
3. La posibilidad de que cada muestra de aire contenga una molcula rara es 10%. Sea X
= nmero de muestras de aire que contienen la molcula rara en las siguientes 18 muestras
por analizar.
4. De todos los bits transmitidos por un canal de transmisin digital, el 10 % se reciben
con error. Sea X = nmero de bits con error en los siguientes cinco por transmitir.
5. Un examen de opcin mltiple contiene diez preguntas, cada una con cuatro opciones, y
se pide a una persona que adivine las respuestas. Sea X = nmero de respuestas
contestadas de manera correcta.
6.
De los siguientes 20 nacimientos en un hospital, sea X = nmero de nias.
7. De todos los pacientes que padecen una enfermedad en particular, el 35 % experimenta

una mejora con cierto medicamento. Para los siguientes 30 pacientes a los que se les
administrar el medicamento, sea X = nmero de pacientes que experimentan mejora.
Estos ejemplos dejan entrever la utilidad de un modelo de probabilidad general que incluya
estos experimentos como casos particulares.
Cada uno de estos experimentos aleatorios pueden considerarse corno formado por una
serie de ensayos repetidos; 10 lanzamientos de la moneda en el experimento (1), la
produccin de 25 partes en el experimento (2) y as sucesivamente. En cada caso, la
Pgina 28
variable aleatoria es el conteo del nmero de ensayos que cumplen con un criterio
especfico. Con esto, el resultado de cada ensayo coincide o no con el criterio y X cuenta o
no; en consecuencia, cada ensayo puede resumirse como un xito o un fracaso,
respectivamente. Por ejemplo, en el experimento de opcin mltiple, para cada una de las
preguntas, slo la opcin que es correcta es la que se considera como un xito. La seleccin
de cualquiera de las otras tres opciones incorrectas da como resultado un ensayo que puede
resumirse como un fracaso.
Los trminos xito y fracaso son solo etiquetas. Tambin pueden utilizarse para este fin
A B o 0 y "1". Por desgracia, en ocasiones las etiquetas usuales pueden ser
engaosas. En el experimento (2), dado que X es el nmero de partes defectuosas, la
produccin de stas es un xito.
A menudo es razonable suponer que los ensayos que forman el experimento aleatorio son
independientes. Esto implica que el resultado de uno de los ensayos no tiene ningn efecto
sobre el resultado que se obtenga en cualquier otro ensayo. En el experimento (2), la
hiptesis de ensayos independientes implica saber que la parte nmero 5 es defectuosa, no
tiene ningn efecto sobre la probabilidad de que cualquiera de las dems partes sea
defectuosa. Asimismo, a menudo es razonable suponer que la probabilidad de xito en
cada ensayo es constante. En el experimento de opcin mltiple [experimento (5)], si se
supone que el sujeto que lleva a cabo la prueba no tiene ningn conocimiento del tema y
slo adivina la respuesta de cada pregunta, entonces puede considerarse que la probabilidad
de una respuesta correcta para cada pregunta es 1/4.
PROBLEMA VA : Sea el experimento binomial aquel donde se selecciona al azar 3

artculos de un proceso manufacturado, si se examinan y se clasifican como defectuosos
(D) o sin defectos, es decir, normales(N). Un artculo defectuoso se considerara como un
xito. El nmero de xitos es una variable aleatoria x que toma valores enteros desde cero
hasta 3. Los 8 posibles resultados y los correspondientes valores de x son:
Resultados NNN
NDN
NND
DNN
NDD
DND
DDN
DDD
Los artculos se seleccionan en forma independiente de un proceso que produce

supuestamente 25 % de artculos defectuosos, entonces la probabilidad de seleccin es
4 1 4 3 4 9 64 .
P ( NDN ) P ( N ) P ( D ) P ( N ) 3
El nmero X de xitos en n ensayo de un experimento binomial se llama variable

aleatoria binomial. La distribucin de probabilidad de esta variable aleatoria se le
denomina distribucin binomial y sus valores sern designados por b(x, n, p), ya que
dependen del nmero de ensayos y de la probabilidad de xitos en un ensayo
Pgina 29
determinado. Por lo tanto, para la distribucin de probabilidad de X, el nmero de defectos

en el problema antes planteado es
P ( X x ) f ( x ) b ( x .;.. n ;.. p ),
Generalizando la igualad anterior con el objeto de obtener una formula matemtica para
b(x, n, p), que proporcione la probabilidad de x xitos en n ensayos en el caso de un
experimento binomial. Primeramente se considerar la probabilidad de x xitos y de n x
fracasos en un orden especificado. Tomando en cuenta que los ensayos son independientes,
se pueden multiplicar todas las probabilidades correspondientes a los diferentes resultados.
Cada xito ocurre con una probabilidad p y cada fracaso, con una probabilidad q = 1 p.
En consecuencia, la probabilidad para un determinado pedido (del problema anterior) es
x n x
. Se debe determinar ahora el nmero total de puntos maestrales en el experimento
p q
que tiene x xitos y n x fracasos. Este nmero es igual al nmero de particiones de n
resultados en dos grupos, con x en un grupo y n x en el otro, el cual esta determinado
n
n!
x ! ( n x )!
por C ( n ,x ) C xn =
(n! se lee factorial de n, donde por definicin factorial
de cero es igual 1). Como esas particiones son mutuamente excluyentes, se suman las
probabilidades de todas las particiones diferentes para obtener la formula general o se
n
multiplica p x q n x por .
x
DEFINICIN DE DISTRIBUCIN BINOMIAL
Si un ensayo binomial puede resultar en un xito con probabilidad p y en un fracaso

con probabilidad q = 1 p, entonces en la distribucin de probabilidad de la
variable aleatoria binomial X, el nmero de xitos en n ensayos independientes, es
n x n x
b( x , n , p ) f ( x ) . p q
,.... x 0 ,1 ,2 ,3 ......, n
x
Esta es la formula de la distribucin de probabilidad para eventos binomiales.

Observe el problema VA que cuando n = 3 y p =1/4, la distribucin de probabilidad de
X, el nmero de defectos, se puede expresar as:
Pgina 30
1
3 1 3
b x ,3 , f ( x )
4
x 4 4
3 x
, x 0 ,1 ,2 ,3 .
Aplicando Esta formula al problema VA se puede calcular la probabilidad de cada evento

as:
27
27
3 1 3
3 1 3
f ( 0 )
..., f ( 1 )
64
64
0 4 4
1 4 4
9
1
3 1 3
3 1 3
f ( 2 )
..., f ( 3 )
64
64
2 4 4
3 4 4
La distribucin de probabilidad del problema Va es:
x
f(x)
f ( x ) 27
27
64
9
64
1
64
64
EJEMPLO: La posibilidad de recibir de manera errnea un bit transmitido por un canal de

transmisin digital, es 0,1. Adems, supngase que los ensayos de transmisin son
independientes. Sea X = nmero de bits recibidos con error en los prximos cuatro que
sern transmitidos.
Calcule el espacio muestral de este experimento e indquese el valor de X en cada resultado.
Calclese tambin, P(X = 2).
En este experimento se indica con E un bit errneo, y con C un bit sin error, esto es,
recibido correctamente. Con esto, el espacio muestral de este experimento puede
describirse como una lista de cuatro letras que indican qu bits fueron recibidos con y sin
error. Por ejemplo, el resultado CECE indica que el segundo y el cuarto bit son errneos, y
los otros dos se recibieron correctamente. Por consiguiente, el espacio muestral es:
Resultado
CCCC
CCCE
CCEC
CCEE
CECC
x
0
1
1
2
1
Resultado
ECCC
ECCE
ECEC
ECEE
EECC
x
1
2
2
3
2
Pgina 31
CECE
CEEC
CEEE
2
2
3
EECE
EEEC
EEEE
3
3
4
El evento en que X = 2 est formado por seis resultados:

S = {EECC, ECEC, ECCE, CEEC, CECE, CCEE}
Si se hace uso de la hiptesis de que los ensayos son independientes, entonces la
probabilidad de {EECC} es
P(EECC) = P(E)P(E)P(C)P(C) = (0.1)2(0.9)2 = 0.0081
Por otra parte, la probabilidad de que se presente cualquiera de los seis resultados
mutuamente excluyentes para los que X = 2, es la misma. Por consiguiente:
P(X = 2) = 6(0.0081) = 0.0486
En general,
P(X = x) =f(x)= (nmero de resultados con x errores) multiplicados por (0.1)x (0.9)4-x
Para ultimar una frmula general de probabilidad, nicamente es preciso una expresin
para el nmero de resultados que contienen x errores. Puede construirse un resultado que
contiene x errores separando los cuatro ensayos en dos grupos. El tamao de uno de los
grupos es x y contiene los errores, mientras que el tamao del otro grupo es n-x y est
formado por los ensayos donde no hay errores. Tomando en cuenta la ecuacin de
Combinacin, el nmero de maneras de separar cuatro objetos en dos grupos, uno de los
cuales tiene tamao x, es:
4!
4
. Por tanto, en este ejemplo,

x x ! ( n x )!
Pgina 32
4
4
x
4 x
2
42
P ( X x ) f ( x ) ( 0 . 1 ) ( 0 . 9 )
P ( X 2 ) f ( 2 ) ( 0 . 1 ) ( 0 . 9 )
x
2
P ( X 2 ) f ( 2 ) 6 ( 0 . 01 )( 0 . 81 ) 0 . 0486 .
P ( X 2 ) f ( 2 ) 0 . 0486 .
Otros ejemplo:
Los siguientes son ensayos Binomiales:
Un tornillo, puede estar defectuoso o no defectuoso.
El sexo de un beb al nacer puede ser: nio o nia.
Las respuestas en una prueba determinada puden ser: correcta o incorrecta.
Si consideramos que una serie de ensayos Binomiales tiene como caractersticas:
1. La probabilidad de xito permanece constante, ensayo tras ensayo; y
2. Los ensayos son independientes entre s;
Entonces se tiene lo que se denomina experimento binomial, donde el nmero de ensayos
se denota con n, la probabilidad de xito con p y la de fracaso con q. Hay que notar que las
probabilidades de xito y de fracaso estn relacionadas de la siguiente manera: p + q =1.
Por ejemplo: Consideremos un examen con tres preguntas de opcin mltiple, con cuatro
opciones, y que ser contestado al azar.
Podemos utilizar el siguiente ejemplo:
1.- Las flores de la cayena son de color:
a) rojas b) azules c) amarillas d) naranjas
2.- Don Cristbal Colon descubri a Colombia en:
a) 1592 b) 1692 c) 1492 d) 1792
3.- El significado de la palabra planta es:
a) hoja b) rbol c) flor d) fruto
Con los datos de esta prueba contamos con un experimento binomial, ya que la
probabilidad de xito permanece constante en las tres preguntas (p = ) y las respuestas de
Pgina 33
una a otra pregunta son independientes entre s. Se cuenta con una cantidad n = 3 de
ensayos y q =1 p = 3/4.
Hay que decir que n y p son los llamados parmetros de la distribucin.
Tenemos ahora la variable aleatoria X del ejemplo anterior que representar el nmero de
respuestas correctas, siendo sus posibles valores: 0, 1, 2, y 3.
Para calcular la distribucin de probabilidad correspondiente, consideraremos como E los
xitos y como F los fracasos (el subndice indica el nmero de pregunta). As pues, se tiene
que:
P(X=0)
P(X=1)
P[(E1 F2 F3) (F1 E2 F3)

(F1 F2 E3)]
P(X=2)
P[(E1 E2 F3) (E1 F2 E3)

(F1 E2 E3)]
P(X=3)
P(F1 F2 F3)
P(E1 E2 E3)
(3/4)3
=
27
/64
1(3/4)3(1/4)0
81
3(3/4)2(1/4)1
/64
3(3/4)1(1/4)2
(1/4)3
= 1/64
1(3/4)0(1/4)3
P(F1)P(F2)P(F3)
P(E1)P(E2)P(E3)
/256
Al presentar esta informacin como tabla, su respectivo histograma seria el siguiente:
P(X=x)
0
0.422
0.422
0.141
0.016
Pgina 34
EJEMPLO: Un estudio sobre la influencia relativa de esposos y esposas en las polticas

familiares de consumo, establece que el marido ejerce una influencia decisiva en la compra
de un automvil nuevo, en lo referente a la marca, en 70 % de las familias. Suponga que 4
familias han decidido comprar un automvil nuevo.
a.- Cul es la probabilidad de que en exactamente 2 de las 4 familias los maridos ejerza
una influencia decisiva en la seleccin de la marca del automvil a comprar?
b.- Cul es la probabilidad de que los maridos ejerzan una influencia decisiva en la
seleccin de la marca del automvil en por lo menos 2 de las 4 familias?
c.- Cul es la probabilidad de que los maridos seleccionen la marca del automvil en las 4
familias?
SOLUCIN: Se supone que las decisiones de compras de las familias son independiente
y que p permanece constante de una familia a otra, por lo tanto, n = 4, y p = 0.7. Sea x el
nmero de familias en las cuales los maridos ejercen una influencia decisiva en la seleccin
de un automvil nuevo. Por consiguiente, x = 0, 1, 2, 3 y 4, entonces se tiene que:
4
x
n x
b ( x ,4 ,0 . 7 ) f ( x ) 0 . 70 0 . 30
,... x 0 ..,1 .., 2 ..,3 .., 4
x
4
2
2
a ). P ( exactament e ..dos ) P ( x 2 ) f ( 2 ) .( 0 . 70 ) ( 0 . 30 )
2
4!
( 0 . 49 )( 0 . 09 ) 0 . 2646
2 !. 2 !
Pgina 35
Luego la probabilidad de que en exactamente 2 de las a familias los maridos ejerzan una
influencia decisiva en la seleccin de la marca de auto a comprar es de 26.46 %.
b).- P(al menos dos) = tiene 2 soluciones posibles a saber:

1 ). P ( x 2 ) p ( 2 ) p ( 3 ) p ( 4 ),... o ..tambien
2 ). P ( x 2 ) 1 p ( 0 ) p ( 1 )
1 C 0 ( 0 .7 ) ( 0 .3 ) C 1 ( 0 .7 ) ( 0 .3 )
1 0 . 0081 0 . 0756
1 0 . 0837
1 0 . 0837 0 . 9163
Entonces la probabilidad de que al menos en 2 de las familias el marido seleccione la

marca del automvil nuevo es de 0.9163 = 91.63 %. La solucin 1 se le deja al
estudiante para que la realice.
c).- P(4 familias) =
C 4 ( 0 .7 ) ( 0 .3 )
4!
( 0 . 7 ) ( 1 ) 0 . 2401 .
4 !. 0 !
La probabilidad de que los maridos de las 4 familias seleccionen la marca del automvil es
de 0.2401 = 24.01 %.
PROBLEMA: Con el propsito de decidir si se aceptan los lotes de mercanca que enva
la fabrica RANICA a un comerciante, se lleva acabo un procedimiento que consiste en
seleccionar 10 artculos al azar de cada lote y determinar el nmero que presenta defectos.
Un lote se rechaza siempre que se encuentren 2 o ms artculos defectuosos entre los 10
seleccionados. Se supone que el nmero de artculos en cada lote es grande y que cada lote
contiene un 5 % de artculos defectuosos. Cul es la probabilidad de aceptar un lote de
artculos? Cul es la probabilidad de rechazarlo?
SOLUCIN: Sea x el nmero de artculos defectuosos observados; n 10 , y la
probabilidad de observar un articulo defectuoso en un ensayo es p = 0.05, entonces:
10
x
10 x
p ( x ) f ( x ) .( 0 . 05 ) ( 0 . 95 )
, entonces las probabilidades de aceptar un lote
x
es:
Pgina 36
1 .. P ( aceptar ) p ( 0 ) p ( 1 )
10
2 .. P ( aceptar ) 1
10
x
10 x
.( 0 . 05 ) ( 0 . 95 )
x2 x
10
1 ). P ( aceptar ) p ( 0 ) p ( 1 ) C ( 10 ,0 ) ( 0 . 05 ) ( 0 . 95 )
C ( 10 ,1 ) ( 0 . 05 ) ( 0 . 95 )
P ( aceptar ) ( 1 )( 1 )( 0 . 599 ) ( 10 )( 0 . 05 )( 0 . 6302 ) 0 . 599 0 . 315

P ( aceptar ) 0 . 914 91 . 40 %.
a ). P ( rechazar ) 1 P ( aceptar 1 0 . 914 0 . 086 8 . 60 %... tambien .. puede .. ser :
10
b ). P ( rechazar )
10
x
10 x
.( 0 . 05 ) ( 0 . 95 )
x2 x
El estudiante debe realizar la parte 2 de la P ( acetar ) y el resultado tiene que ser igual al
obtenido en la parte 1, (0.914). De la misma forma debe realizar los clculos de la parte b y
el resultado tiene que ser igual al de la parte a (0.086).
LA MEDIA Y LA VARIANZA DE UNA VARIABLE ALEATORIA BINOMIAL
El clculo de p(x) puede ser muy aburrido cuando los valores de n son muy grandes. Por
tal razn, es conveniente describir la distribucin de probabilidad binomial mediante se
media y su desviacin estndar. Esto permitir identificar valores de x que son altamente
improbables, usando el conocimiento sobre el teorema de Tchebysheff y la regla emprica.
Por lo tanto, es de gran importancia conocer el valor esperado o esperanza matemtica y la
varianza de la variable aleatoria binomial x.
La Media, la Varianza y la Desviacin Estndar de una variable aleatoria Binomial son:
E ( x ) np
npq
npq
Pgina 37
VARIABLE ALEATORIA CONTINUA

Una variable numrica puede clasificarse como discreta o continua. Las variables discretas
se miden utilizando nmeros enteros y es posible asociarlas con la idea de "contar". Las
variables continuas se pueden asociar con la idea de "medir" utilizando fracciones y
decimales. Cuando la variable es continua el modelo probabilstico que ms se usa es la
distribucin normal. Las variables aleatorias que hemos estudiado hasta ahora tienen la
propiedad de que son el resultado de contar; sus valores posibles varan en forma discreta
(a saltos). Hay otro tipo de variables aleatorias, las que son el resultado de un proceso de
medir; sus valores posibles cubren todo un intervalo en los nmeros reales reales.
Cuando el espacio muestral de una variable aleatoria es un intervalo real decimos que la
variable es continua. La matemtica que utilizamos para las variables continuas es diferente
a la de las discretas aunque los conceptos probabilsticos sean los mismos de manera que en
nuestro estudio de las continuas utilizaremos este paralelo con las discretas.
DENSIDAD DE UNA VARIABLE ALEATORIA CONTINA

FUNCIN DE DENSIDAD
Una funcin y=f(x) es una funcin de densidad de una variable aleatoria continua si
cumple las siguientes condiciones:
El primer hecho de importancia es que una va (variable aleatoria) contina tiene

probabilidad cero de tomar un valor especfico, slo tiene valores positivos para intervalos:
P( X = a ) = 0 para cualquier valor de a
Para calcular la probabilidad de que X est en un intervalo (a, b) o (a, b] o [a, b) o [a, b] o
cualquier otro intervalo, debemos hacer uso de una funcin asociada a la variable aleatoria,
la funcin de densidad de X. Las variables aleatorias discretas tienen la funcin de
probabilidad, las continuas tienen funcin de densidad. Adems, como en el caso discreto,
la funcin de densidad est ligada a la va X de modo que cuando sea necesario aclarar a
Pgina 38
cul densidad nos referimos podemos usar la notacin f x (x), ponindole el subndice X a
la f.
PARMETROS DE UNA VARIABLE ALEATORIA CONTINUA

Por analoga con las definiciones de estos conceptos para variables aleatorias discretas, se
definen la esperanza matemtica o media , la varianza y la desviacin tpica de una
variable aleatoria continua de la siguiente forma:
TIPIFICACIN DE UNA VARIABLE ALEATORIA

Si X es una variable aleatoria de media y desviacin tpica , la variable Z
tiene de media 0 y de desviacin tpica 1, y se llama tipificada de X. Podemos decir que

mide la desviacin de X respecto de su media, tomando como unidad la desviacin tpica
de X.
Distribucin normal
Tambin se llama distribucin de Gauss o distribucin de Laplace-Gauss. Ello se debe a
que el matemtico francs Pierre Simon de Laplace (v.), fue el primero que demostr la
siguiente relacin, muy importante en el estudio de la distribucin normal:
Pgina 39
Sin embargo, muchos autores consideran como autntico descubridor de la distribucin

normal a Abraham De Moivre (v.), quien public en 1733 un folleto con el ttulo de
Approximatio ad summan terminorum binomii (a + b)n, en el que aparece por primera vez
la curva de la distribucin de errores, que pasando el tiempo, y con no cierta injusticia, se
conoce como distribucin de Gauss.
El modelo matemtico ms importante en estadstica es la distribucin normal, ya que
provee una descripcin adecuada para la distribucin de una gran cantidad de variables
continuas.
Carl Friedrich Gauss.- Naci el 30 de Abril 1777 en Brunswick, (Ahora Alemania).

Falleci, el 23 de Febrero 1855 en Gttingen, Hanover (Ahora Alemania).
Cuando Gauss tena diez aos de edad, su maestro solicit a la clase que encontrar la suma
de todos los nmeros comprendidos entre uno y cien. El maestro, pensando que con ello la
clase estara ocupada algn tiempo, qued asombrado cuando Gauss, levant en seguida la
mano y dio la respuesta correcta. Gauss revel que encontr la solucin usando el lgebra,
el maestro se dio cuenta de que el nio era una promesa en las matemticas. Hijo de un
humilde albail, Gauss dio seales dio seales de ser un genio antes de que cumpliera los
tres aos. A esa edad aprendi a leer y hacer clculos aritmticos mentales con tanta
habilidad que descubri un error en los clculos que hizo su padre para pagar unos sueldos.
Ingres a la escuela primaria antes de que cumpliera los siete aos. Cuando tena doce aos,
critic los fundamentos de la geometra euclidiana; a los trece le interesaba las
posibilidades de la geometra no euclidiana. A los quince, entenda la convergencia y prob
el binomio de Newton. El genio y la precocidad de Gauss llamaron la atencin del duque de
Brunswick, quien dispuso, cuando el muchacho tena catorce aos, costear tanto su
educacin secundaria como universitaria. Gauss, a quien tambin le interesaban los clsicos
y los idiomas, pensaba que hara de la filosofa la obra de su vida, pero las matemticas
resultaron ser una atraccin irresistible.
Cuando estudiaba en Gotinga, descubri que podra construirse un polgono regular de
diecisiete lados usando slo la regla y el comps. Ense la prueba a su profesor, quin se
demostr un tanto escptico y le dijo que lo que sugera era imposible; pero Gauss
demostr que tena la razn. El profesor, no pudiendo negar lo evidente, afirm que
tambin l procedi de la misma manera. Sin embargo, se reconoci el mrito de Gauss, y
la fecha de su descubrimiento, 30 de Marzo de 1796, fue importante en la historia de las
matemticas. Posteriormente, Gauss encontr la frmula para construir los dems polgonos
regulares con la regla y el comps.
A la edad de setenta y siete aos, Gauss falleci. Se ha dicho que la lpida que seala su
tumba fue escrita con un diagrama, que construy el mismo Gauss, de un polgono de
diecisiete lados. Durante su vida, se reconoci que era el matemtico ms grande de los
siglos XVIII y XIX. Su obra en las matemticas contribuy a formar una base para
encontrar la solucin de problemas complicadsimos de las ciencias fsicas y naturales.
La distribucin normal es en forma de campana, habitualmente llamada distribucin de
Gauss. Es simtrica en torno a su media ( ); la media, mediana y modo son iguales; el rea
Pgina 40
total de la curva por encima del eje basal x es la unidad del rea = 1, por lo tanto cada
sector de derecha e izquierda tiene un valor de 0,5. Si se trazan lneas perpendiculares a un
desvo estndar ( ) de distancia de la media, se obtiene un 68% del rea de la curva. Dos
desvos estndar encierran un 95% y tres un 99,7% de la curva. La mayora de las variables
aleatorias que se presentan en los estudios relacionados con las ciencias sociales,
Administracin, fsicas y biolgicas, por ejemplo, el peso de nios recin nacidos, talla de
jvenes de 18 aos en una determinada regin, son continuas y se distribuyen segn una
funcin de densidad.
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Es propio
que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene
forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n, p), para un mismo
valor de p y valores de n cada vez mayores, se ve que sus polgonos de frecuencias se
aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente a que hay
muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal.
Caracteres morfolgicos de individuos (personas, animales, plantas,...) de una

especie, p.ejm. tallas, pesos, envergaduras, dimetros, permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco, o
de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen.
Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin a un
medio,...
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos muestrales, por ejemplo : la media.
Otras distribuciones como la binomial o la de Poisson son aproximaciones
normales, ...
Y en general cualquier caracterstica que se obtenga como suma de muchos factores.
En el grfico se observa la campana de Gauss, representante de la distribucin normal y sus
desvos estndares.
Sir Francis Galton construy un ingenioso dispositivo que permita obtener de forma
experimental la curva de distribucin normal. La mayora de las magnitudes, incluida la
inteligencia, se distribuyen siguiendo esta ley normal, que matemticamente viene
expresada por la funcin:
Pgina 41
Donde:
e es la constante 2,7182(base de los logaritmos neperianos).
es 3,1415 (Relacin entre la longitud de la circunferencia y su dimetro).
x es la abscisa, cualquier punto del intervalo.

es la media de la variable aleatoria.
es la desviacin tipo de la variable aleatoria,
es la varianza de la variable aleatoria
f(x) la ordenada de la curva.
Dicha curva y tal como vemos en la grfica, presenta un apiamiento de frecuencias altas
en torno a la media, que se alejan de la misma a medida que ganan en singularidad.La
medida de la distancia al valor central es indicado por la desviacin tipo o estndar.
Ejemplos de distribuciones normales con diferentes parmetros
Pgina 42
Pgina 43
Pgina 44
Como e y son constantes, la forma de la curva normal depende solamente de los dos
parmetros de la distribucin normal, la media x y la desviacin estndar x. Las
diferentes curvas normales van a variar dependiendo de esos dos parmetros.
En matemticas, la ecuacin de la distribucin normal se puede representar visualmente
como una curva en forma de campana. El rea debajo de esta curva se halla por medio del
integral de la funcin y corresponde al porciento o la proporcin de puntuaciones que se
encuentran en el intervalo dado.
La distribucin normal queda definida por dos parmetros, su media y su desviacin tpica
y la representamos as
N ( , )
Para cada valor de y se tendr una funcin de densidad diferente, por lo tanto la
expresin N ( , ) representa una familia de distribuciones normales.
Donde es la media de la variable aleatoria y es su desviacin tpica. Este tipo de
variables se dice que se distribuye normalmente. El rea bajo la funcin de densidad es 1.
La funcin de densidad, en el caso de la distribucin Normal, tiene forma de campana:
Pgina 45
Para una variable aleatoria X, que se distribuya normalmente con media: y desviacin
tpica: , la probabilidad de que la variable X est comprendida entre los valores a y b es el
rea teida de rojo en la siguiente figura:
Propiedades de la distribucin normal

1.- Tiene una nica moda, que coincide con su media y su mediana.
2.- La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre
y es tericamente posible. El rea total bajo la curva es, por tanto, igual a 1.
3.- Es simtrica con respecto a su media . Segn esto, para este tipo de variables
existe una probabilidad de un 50% de observar un dato mayor que la media, y un 50%
de observar un dato menor.
4.- La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es
igual a una desviacin tpica ( ). Cuanto mayor sea , ms aplanada ser la curva de
la densidad.
Pgina 46
5.- El rea bajo la curva comprendida entre los valores situados aproximadamente a dos
desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95% de
posibilidades de observar un valor comprendido en el intervalo 1 . 96 ; 1 . 96 .
6.- La forma de la campana de Gauss depende de los parmetros y . La media
indica la posicin de la campana, de modo que para diferentes valores de la grfica
es desplazada a lo largo del eje horizontal. Por otra parte, la desviacin estndar
determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor de , ms se
dispersarn los datos en torno a la media y la curva ser ms plana. Un valor pequeo
de este parmetro indica, por tanto, una gran probabilidad de obtener datos cercanos al
valor medio de la distribucin.
7.- Como se deduce de este ltimo apartado, no existe una nica distribucin normal,
sino una familia de distribuciones con una forma comn, diferenciadas por los valores
de su media y su varianza. De entre todas ellas, la ms utilizada es la distribucin
normal estndar, que corresponde a una distribucin de media 0 y varianza 1.
8.- Ql y Q3 estn situados a 2/3 de una desviacin estndar. El 68 % del rea de la curva
(probabilidad) se encuentra a una desviacin estndar de la media.
9.- La variable tiene un alcance infinito, pero la mayor parte del rea bajo la curva se
encuentra a tres desviaciones estndar de la media.
FUNCIN DE DISTRIBUCIN
Puede tomar cualquier valor (- , + )
Son ms probables los valores cercanos a uno central que llamamos media
Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual

forma a derecha e izquierda (es simtrica).
Conforme nos separamos de ese valor , la probabilidad va decreciendo de forma

ms o menos rpida dependiendo de un parmetro , que es la desviacin tpica.
Pgina 47
F(x) es el rea sombreada de esta grfica
LA DISTRIBUCIN NORMAL ESTANDARIZADA O TIPIFICACIN
La Distribucin Normal Estndar es una Distribucin Normal terica que utiliza un

sistema numrico comn. Cuando se estudia la variable de peso de los nios al nacer, o el
grueso de tornillos, o el nmero de frutos daados en un rbol, aun cuando las
distribuciones de datos muestren la misma forma, las unidades mtricas son variables, por
tanto, para poderlas comparar con una distribucin patrn es necesario referirlas en la
misma unidad de medida. Esta unidad de medida es la desviacin estndar (se ver ms
adelante), de esta manera, sean pesos de bebes, grueso de tornillos o frutos de rboles,
transformados a una unidad estndar, estaremos habando en la misma escala. Cuando se
diga por ejemplo, entre el punto A y el punto B hay k desviaciones estndar, sin importar
las unidades en que fueron medidos los datos, kilos, micras o unidades para el ejemplo. Por
tanto, al comparar las magnitudes entre el punto A y el punto B en los tres anlisis con las
Pgina 48
unidades de la Distribucin Normal Estndar, se podr deducir entre otras cosas, la

magnitud relativa entre el punto A y el punto B. Debe quedar claro que las comparaciones
nicamente son posibles en poblaciones similares, nios con nios, tornillos con tornillos
etc.
Puesto que hay un nmero infinito de combinaciones para los dos parmetros, hay un
nmero infinito de curvas normales diferentes. Este problema se ha resuelto prcticamente
al transformar los valores de todas las distribuciones normales a los valores de una
distribucin normal estandarizada (tipificada) representada por la curva normal
estandarizada.
Las puntuaciones estandarizadas (tipificadas) se logran restando la media a cada
observacin y dividiendo entre la desviacin estndar. La unidad estndar o tipificada se
llama Z y se obtiene mediante la formula:
Z
Donde es la media de la distribucin y su desviacin estndar.

En muchas ocasiones se quieren comparar puntuaciones que pertenecen a dos
distribuciones normales diferentes. La diferencia entre las dos distribuciones radica en que
las medias y las desviaciones estndar no son iguales. Sin embargo la comparacin se hace
posible si se convierten las puntuaciones de ambas distribuciones a puntuaciones z que
corresponden a la distribucin normal estandarizada o tipificada.
Por tanto su funcin de densidad es
y su funcin de distribucin es
Pgina 49
Siendo la representacin grfica de esta funcin la siguiente:
A la variable Z se la denomina variable tipificada de X, y a la curva de su funcin de

densidad curva normal tipificada.
Caracterstica de la distribucin normal tipificada (reducida o estndar)
No depende de ningn parmetro

Su media es 0, su varianza es 1 y su desviacin tpica es 1.
La curva f(x) es simtrica respecto del eje 0Y
Tiene un mximo en el eje Y
Tiene dos puntos de inflexin en z =1 y z = -1
La curva normal estndar tiene = 0 y = 1. Recordamos que la probabilidad equivale

al rea bajo la curva, que el rea bajo toda la curva es 1 y que el rea bajo cada mitad de la
curva es 0.5. Para calcular probabilidades en una curva normal no estndar, usamos la
frmula de conversin z. Cuando la media de la distribucin normal es 0 y la varianza es 1
se denomina "normal tipificada", y su ventaja reside en que hay tablas donde se recoge la
probabilidad acumulada para cada punto de la curva de esta distribucin.
Pgina 50
Ejemplo:
Consideremos que el peso de los nios varones venezolanos en el momento del nacimiento
se distribuyen normalmente. Si sabemos que el peso medio en el momento de nacer son
3,25 Kg. y la desviacin tpica es de 0,82 Kg., cul es la probabilidad de que el peso de un
nio varn al nacer sea superior a 4 Kg?
Z
4 3 . 25
0 . 9146
0 . 82
Tipificamos la variable aleatoria X, peso de los nios al nacer. En el proceso de

tipificacin, al valor de X = 4, le corresponde el valor, t = 0,9146:
En la tabla de la distribucin normal tipificada, buscamos el valor de correspondiente

al valor de t = 0,9146 ; la probabilidad de t > 0,9146 es, segn se puede apreciar en la
figura:
. Luego:
Por lo tanto la probabilidad de que un nio al nacer tenga un peso superior a 4 kg. es de
18.0 %.
Pgina 51
EJEMPLOS:
A) Calcular P (z < 1.35) y P (z > 1.35). Solucin: abajo se reproduce parte de la tabla:
z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
1.3
.0968
.0951
.0934
.0918
.0901
.0885
.0869
.0853
.0838
.0823
Recordamos que la tabla proporciona el rea bajo la curva a la izquierda de z. Por lo tanto,
P (z < 1.35) = 0.0885.
La otra rea se obtiene as: P (z > 1.35) = 1 0.0885 = 0.9115.
B) Una distribucin normal tiene = 60 y = 5. Encontrar P(x < 63) y P(x > 63).
Solucin: Primero transformamos el valor de x a su equivalente en z: z = (6360)/5 = 0.6.
z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.6
.7257
.7291
.7324
.7357
.7389
.7422
.7454
.7486
.7517
.7549
Al consultar la tabla (ver arriba): P(x < 63) = P(z < 0.60) = 0.7257.
Adems, P(x > 63) = P (z > 0.60) = 1 P (z < 0.60) = 0.2743.
EJERCICIOS: Calcular las siguientes probabilidades.
1) P(z > 2.43)
2) P(z < 0.96)
3) P(z > 1.17)
4) P(z < 2.39)
5) Si = 110 y = 4, calcular P(x < 107) y P(x > 105)
6) Si = 30 y = 2, calcular P(x < 31.2) y P(x > 32.3)
Consideremos, el siguiente problema:
Supongamos que se sabe que el peso de los sujetos de una determinada poblacin sigue
una distribucin aproximadamente normal, con una media de 80 Kg. y una desviacin
Pgina 52
estndar de 10 Kg. Podremos saber cul es la probabilidad de que una persona, elegida al
azar, tenga un peso superior a 100 Kg?
SOLUCIN: Expresando por X a la variable que representa el peso de los individuos en
esa poblacin, sta sigue una distribucin N (80, 10). Su distribucin no es de la normal
estndar, entonces, es til transformar esta caracterstica segn la Ecuacin siguiente:
As, la probabilidad que se desea calcular ser:
Como el rea total bajo la curva es igual a 1, se puede deducir que:
Esta ltima probabilidad puede ser fcilmente obtenida a partir de la tabla, resultando ser
. Por lo tanto, la probabilidad buscada de que una persona elegida
aleatoriamente de esa poblacin tenga un peso mayor de 100 Kg., es de:
10.9772 = 0.0228, es decir, aproximadamente de un 2.3%.
De modo anlogo, podemos obtener la probabilidad de que el peso de un sujeto est entre
60 y 100 Kg:
Tomando a = -2 y b = 2, podemos deducir que:
Por el ejemplo anterior, se sabe que P ( z 2 ) 0 . 9772 . Para la segunda probabilidad, sin
embargo, encontramos el problema de que las tablas estndar no proporcionan el valor de
P ( z 2 ) para valores negativos de la variable. Sin embargo, haciendo uso de la simetra
de la distribucin normal, se tiene que:
Pgina 53
Finalmente, la probabilidad buscada de que una persona elegida al azar tenga un peso entre
60 y 100 Kg., es de 0.9772-0.0228=0.9544, es decir, aproximadamente de un 95%. Resulta
interesante comprobar que se obtendra la misma conclusin recurriendo a la propiedad de
la distribucin normal.
No obstante, es fcil observar que este tipo de situaciones no corresponde a lo que
habitualmente nos encontramos en la prctica. Generalmente no se dispone de informacin
acerca de la distribucin terica de la poblacin, sino que ms bien el problema se plantea a
la inversa: a partir de una muestra extrada al azar de la poblacin que se desea estudiar, se
realizan una serie de mediciones y se desea extrapolar los resultados obtenidos a la
poblacin de origen.
Ejemplo: Supongamos que se dispone del peso de n =100 individuos de esa misma
poblacin, obtenindose una media muestral de X 75 Kg., y una desviacin estndar
muestral S 12 Kg., se pretende extraer alguna conclusin acerca del valor medio real de
ese peso en la poblacin original.
La solucin a este tipo de cuestiones se basa en un resultado elemental de la teora
estadstica, el llamado teorema central del lmite. Dicho axioma viene a decirnos que las
medias de muestras aleatorias de cualquier variable siguen ellas mismas una distribucin
normal con igual media que la de la poblacin y desviacin estndar la de la poblacin
dividida por n . En nuestro caso, podremos entonces considerar la media muestral
X N ,
, con lo cual, a partir de la propiedad de la normal se conoce que
aproximadamente un 95% de los posibles valores de X caeran dentro del intervalo

1 . 96
1 . 96
;

. Puesto que los valores de y son desconocidos, podramos
n
n
pensar en aproximarlos por sus anlogos muestrales, resultando
.
Estaremos, por lo tanto, un 95% seguros de que el peso medio real en la poblacin de
origen oscila entre 75.6 Kg y 80.3 Kg. Aunque la teora estadstica subyacente es mucho
ms compleja, en lneas generales ste es el modo de construir un intervalo de confianza
para la media de una poblacin.
Ejemplo: Supongamos que cierto fenmeno pueda ser representado mediante una
va X N ( 45 ,81 ) , y queremos calcular la probabilidad de que X tome un valor entre 39 y
48, es decir,
P 39 X 48 ??
Pgina 54
SOLUCIN: Comenzamos haciendo el cambio de variable

Z
X 45
X 45
81
De modo que
P 39 X 48 0 . 378 37 . 80 %.
Pgina 55
Tabla de reas bajo la curva normal estndar. Los valores de la tabla que no se muestran en negrita
representan la probabilidad de observar un valor menor o igual a z. La cifra entera y el primer
decimal de z se buscan en la primera columna, y el segundo decimal en la cabecera de la tabla.
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
0.00
0.5000
0.5398
0.5793
0.6179
0.6554
0.6915
0.7257
0.7580
0.7881
0.8159
0.8413
0.8643
0.8849
0.9032
0.9192
0.9332
0.9452
0.9554
0.9641
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9953
0.9965
0.9974
0.9981
0.9987
0.9990
0.9993
0.9995
0.9997
0.9998
0.01
0.5040
0.5438
0.5832
0.6217
0.6591
0.6950
0.7291
0.7611
0.7910
0.8186
0.8438
0.8665
0.8869
0.9049
0.9207
0.9345
0.9463
0.9564
0.9649
0.9719
0.9778
0.9826
0.9864
0.9896
0.9920
0.9940
0.9955
0.9966
0.9975
0.9982
0.9987
0.9991
0.9993
0.9995
0.9997
0.9998
0.02
0.5080
0.5478
0.5871
0.6255
0.6628
0.6985
0.7324
0.7642
0.7939
0.8212
0.8461
0.8686
0.8888
0.9066
0.9222
0.9357
0.9474
0.9573
0.9656
0.9726
0.9783
0.9830
0.9868
0.9898
0.9922
0.9941
0.9956
0.9967
0.9976
0.9982
0.9987
0.9991
0.9994
0.9995
0.9997
0.9998
0.03
0.5120
0.5517
0.5910
0.6293
0.6664
0.7019
0.7357
0.7673
0.7967
0.8238
0.8485
0.8708
0.8907
0.9082
0.9236
0.9370
0.9484
0.9582
0.9664
0.9732
0.9788
0.9834
0.9871
0.9901
0.9925
0.9943
0.9957
0.9968
0.9977
0.9983
0.9988
0.9991
0.9994
0.9996
0.9997
0.9998
0.04
0.5160
0.5557
0.5948
0.6331
0.6700
0.7054
0.7389
0.7704
0.7995
0.8264
0.8508
0.8729
0.8925
0.9099
0.9251
0.9382
0.9495
0.9591
0.9671
0.9738
0.9793
0.9838
0.9875
0.9904
0.9927
0.9945
0.9959
0.9969
0.9977
0.9984
0.9988
0.9992
0.9994
0.9996
0.9997
0.9998
0.05
0.5199
0.5596
0.5987
0.6368
0.6736
0.7088
0.7422
0.7734
0.8023
0.8289
0.8531
0.8749
0.8944
0.9115
0.9265
0.9394
0.9505
0.9599
0.9678
0.9744
0.9798
0.9842
0.9878
0.9906
0.9929
0.9946
0.9960
0.9970
0.9978
0.9984
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.06
0.5239
0.5636
0.6026
0.6406
0.6772
0.7123
0.7454
0.7764
0.8051
0.8315
0.8554
0.8770
0.8962
0.9131
0.9279
0.9406
0.9515
0.9608
0.9686
0.9750
0.9803
0.9846
0.9881
0.9909
0.9931
0.9948
0.9961
0.9971
0.9979
0.9985
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.07
0.5279
0.5675
0.6064
0.6443
0.6808
0.7157
0.7486
0.7794
0.8078
0.8340
0.8577
0.8790
0.8980
0.9147
0.9292
0.9418
0.9525
0.9616
0.9693
0.9756
0.9808
0.9850
0.9884
0.9911
0.9932
0.9949
0.9962
0.9972
0.9979
0.9985
0.9989
0.9992
0.9995
0.9996
0.9997
0.9998
0.08
0.5319
0.5714
0.6103
0.6480
0.6844
0.7190
0.7517
0.7823
0.8106
0.8365
0.8599
0.8810
0.8997
0.9162
0.9306
0.9429
0.9535
0.9625
0.9699
0.9761
0.9812
0.9854
0.9887
0.9913
0.9934
0.9951
0.9963
0.9973
0.9980
0.9986
0.9990
0.9993
0.9995
0.9996
0.9997
0.9998
0.09
0.5359
0.5753
0.6141
0.6517
0.6879
0.7224
0.7549
0.7852
0.8133
0.8389
0.8621
0.8830
0.9015
0.9177
0.9319
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9916
0.9936
0.9952
0.9964
0.9974
0.9981
0.9986
0.9990
0.9993
0.9995
0.9997
0.9998
0.9998
Pgina 56
3.6
3.7
3.8
3.9
0.9998
0.9999
0.9999
1.0000
0.9998
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
0.9999
0.9999
0.9999
1.0000
Cmo se lee esta tabla?

La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer.
La primera fila nos indica el segundo decimal del valor que estamos consultando.
Ejemplo: queremos conocer la probabilidad acumulada en el valor 2,75.Entonces
buscamos en la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La
casilla en la que se interseccionan es su probabilidad acumulada (0,99702, es decir 99.7%).
Atencin: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de
la curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto.
En una distribucin continua en el que la variable puede tomar infinitos valores, la
probabilidad en un punto concreto es prcticamente despreciable.
Ejemplo: Imaginemos que una variable continua puede tomar valores entre 0 y 5. La
probabilidad de que tome exactamente el valor 2 es despreciable, ya que podra tomar
infinitos valores: por ejemplo: 1,99, 1,994, 1,9967, 1,9998, 1999791, etc.
Veamos otros ejemplos:
Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486
Veamos ahora, como podemos utilizar esta tabla con una distribucin normal:
Ejemplo: el salario medio anual de los empleados de una empresa se distribuye segn una
distribucin normal, con media 5 millones de Bs. y desviacin tpica 1 milln de Bs.
Calcular el porcentaje de empleados con un sueldo inferior a 7 millones de Bs.
Lo primero que haremos es transformar esa distribucin en una normal tipificada, para ello
se crea una nueva variable (Z) que ser igual a la anterior (X) menos su media y dividida
por la desviacin tpica
Z
En el ejemplo, la nueva variable sera:

Pgina 57
X 5
1
Esta nueva variable se distribuye como una normal tipificada. La variable Z que
corresponde a una variable X de valor 7 es:
Z
75
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a

la probabilidad de sueldos inferiores a 7 millones de Bs.). Esta probabilidad es 0,97725
Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de Bs. es del
97,725%.
Ejercicio 1: La renta media de los habitantes de un pueblo es de 4 millones de Bs/ao, con
una varianza de 1,5. Se supone que se distribuye segn una distribucin normal. Calcular:
a) Porcentaje de la poblacin con una renta inferior a 3 millones de Bs.
b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos.
c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media.
a) Porcentaje de la poblacin con una renta inferior a 3 millones de Bs.
SOLUCIN:
Lo primero que tenemos que hacer es calcular la normal tipificada:
Z
X 4
1 . 22
Recuede que el denominador es la desviacin tpica (raz cuadrada de la varianza)

El valor de Z equivalente a 3 millones de Bs. es 0,816.
P (X < 3) = P (Z < 0,816)
Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos un
problema: la tabla de probabilidades slo abarca valores positivos, no obstante, este
problema tiene fcil solucin, ya que la distribucin normal es simtrica respecto al valor
medio.
Por lo tanto:
Pgina 58
P (Z < 0,816) = P (Z > 0,816)

Por otra parte, la probabilidad que hay a partir de un valor es igual a 1 (100%) menos la
probabilidad acumulada hasta dicho valor:
P (Z > 0,816) = 1 - P (Z < 0,816) = 1 - 0,7925 (aprox.) = 0,2075
Luego, el 20,75% de la poblacin tiene una renta inferior a 3 millones Bs.
b) Nivel de ingresos a partir del cual se sita el 10% de la poblacin con renta ms
elevada.
Vemos en la tabla el valor de la variable tipificada cuya probabilidad acumulada es el 0,9
(90%), lo que quiere decir que por encima se sita el 10% superior.
Ese valor corresponde a Z = 1,282 (aprox.). Ahora calculamos la variable normal X
equivalente a ese valor de la normal tipificada:
1 ,282
X 4
1 . 282 ( 1 . 22 ) X 4 X 1 . 57 4 X 5 . 57 .
1 . 22
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a
5,57 millones de Bs. constituyen el 10% de la poblacin con renta ms elevada.
c) Nivel de ingresos mnimo y mximo que engloba al 60% de la poblacin con renta
media
Vemos en la tabla el valor de la variable normalizada Z cuya probabilidad acumulada es el
0,8 (80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere
decir que entre la media y este valor de Z hay un 30% de probabilidad.
Por otra parte, al ser la distribucin normal simtrica, entre -Z y la media hay otro 30% de
probabilidad. En definitiva, el segmento (-Z, Z) engloba al 60% de poblacin con renta
media.
El valor de Z que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el
segmento viene definido por (-0,842, + 0,842). Ahora calculamos los valores de la variable
X correspondientes a estos valores de Z.
Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97
millones de Bs. e inferiores a 5,03 millones de Bs. constituyen el 60% de la poblacin con
un nivel medio de renta.
Ejercicio 2: La vida media de los habitantes de un pas es de 68 aos, con una varianza de
25. Se hace un estudio en una pequea ciudad de 10.000 habitantes:
Pgina 59
a) Cuntas personas superarn posiblemente los 75 aos?

b) Cuntos vivirn menos de 60 aos?
SOLUCIN:
a) Personas que vivirn (posiblemente) ms de 75 aos
Calculamos el valor de la normal tipificada equivalente a 75 aos
Z
75 68
1 .4
Por lo tanto
P (X > 75) = (Z > 1,4) = 1 - P (Z < 1,4) = 1 - 0,9192 = 0,0808
Luego, el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos.
b) Personas que vivirn (posiblemente) menos de 60 aos
Calculamos el valor de la normal tipificada equivalente a 60 aos
Z
60 68
1 ,6 . Por lo tanto P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) =
0,0548.
Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a esta edad.
Ejercicio 3: El consumo medio anual de cerveza de los habitantes de una pas es de 59
litros, con una varianza de 36. Se supone que se distribuye segn una distribucin normal.
a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que beber al ao
para pertenecer al 5% de la poblacin que ms bebe?.
b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho qu podra
argumentar en su defensa?
a) 5% de la poblacin que ms bebe.
Vemos en la tabla el valor de la variable tipificada cuya probabilidad acumulada es el 0,95
(95%), por lo que por arriba estara el 5% restante.
Ese valor corresponde a Z = 1,645 (aprox.). Ahora calculamos la variable normal X
equivalente a ese valor de la normal tipificada:
Pgina 60
1 ,645
X 58
6 ( 1 ,645 ) X 58 X 9 . 87 58
6
X 67 ,87
Despejando X, su valor es 67,87. Por lo tanto, tendra usted que beber ms de 67,87 litros al
ao para pertenecer a ese "selecto" club de grandes bebedores de cerveza.
b) Usted bebe 45 litros de cerveza al ao. Es usted un borracho?
Vamos a ver en que nivel de la poblacin se situara usted en funcin de los litros de
cerveza consumidos.
Calculamos el valor de la normal tipificada correspondiente a 45 litros:
Z
45 58
2 ,2
Por lo tanto
P (X < 45) = (Z < -2,2) = P (Z> 2,2) = 1 - P (Z < 2,2) = 0,0139
Luego, tan slo un 1,39% de la poblacin bebe menos que usted. Parece un argumento de
suficiente peso para que dejen de catalogarle de "enamorado de la bebida"
Ejercicio 4: A un examen de oposicin se han presentado 2.000 aspirantes. La nota media
ha sido un 5,5, con una varianza de 1,1.
a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una
fiesta para celebrar su xito?
b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se hayan
clasificados. A partir de que nota se podr participar en este "Nuevo Ingreso"?
a) Ha obtenido usted un 7,7
Vamos a ver con ese 7,7 en que nivel porcentual se ha situado usted, para ello vamos a
comenzar por calcular el valor de la normal tipificada equivalente.
Z
7 .7 5 .5
2 . 1 . A este valor de Z le corresponde una probabilidad acumulada (ver
1 ,049
tablas) de 0,98214 (98,214%), lo que quiere decir que por encima de usted tan slo se
encuentra un 1,786%.
Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes; como hay
100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la
"mejor de las fiestas".
Pgina 61
b) "Repesca" para el 20% de los candidatos

Vemos en la tabla el valor de la normal tipificada que acumula el 80% de la probabilidad,
ya que por arriba slo quedara el 20% restante.
Este valor de Z corresponde a 0,842 (aprox.). Ahora calculamos el valor de la normal X
equivalente:
0 ,842
X 5 .5
( 0 . 842 )( 1 ,049 ) X 5 . 5 X ( 0 ,883 ) 5 . 5
1 ,049
X 6 ,38
Despejamos la X, su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr
acudir al "Nuevo Ingreso".
LA DISTRIBUCIN "T DE STUDENT":

En la mayora de casos reales o prcticos es frecuente que el tamao de la muestra sea
limitado por el costo y por el tiempo por el cual se requiere de procedimientos un poco
diferentes a los utilizados para muestras grandes o mayores que treinta observaciones que
por lo general se asocian con la distribucin normal. Los procedimientos de estimacin y
prueba de hiptesis para muestras pequeas como es el caso de este trabajo son tratados
preferencialmente por la distribucin denominada "T de student", Descubierta por William
S Gosset y publicada en 1908 bajo el seudnimo de "student", otra caracterstica que
permite utilizar una distribucin "T" es que la desviacin estndar de tipo poblacional se
desconoce y se debe utilizar una desviacin estndar de tipo muestral; sta tambin es una
razn para utilizar la "T de Student" .
Las muestras de tamao N>30, se les llamadas grandes muestras, las distribuciones de
muestreo de muchos estadsticos son aproximadamente normales, siendo la aproximacin
tanto mejor cuanto mayor sea N. Para muestras de tamao menor que 30, llamadas
pequeas muestras, esa aproximacin no es adecuada y empeora al decrecer N, de modo
que son precisas ciertas modificaciones. El estudio de la distribucin de muestreo de los
estadsticos para pequeas muestras se llama teora de pequeas muestras. Sin embargo, un
nombre ms apropiado sera teora exacta del muestreo, pues sus resultados son vlidos
tanto para pequeas muestras como para grandes. En esta gua analizaremos
la
Distribucin de Student, la cual se designa con la letra t.
Definamos el estadstico t
X
S
(X )
S
N que es anlogo al estadstico z dado
por Z
N .
Pgina 62
INTERVALOS DE CONFIANZA
Al igual que se hizo con la distribucin normal, se pueden definir los intervalos de
confianza 95%, 99%, u otros, usando la tabla de la distribucin t. De esta forma podemos
estimar la media de la poblacin dentro de los lmites especificados.
S
X t
2
, Donde S
es la desviacin estndar estimada de X .
GRADOS DE LIBERTAD
Para el clculo de un estadstico tal como t y es necesario emplear tanto observaciones de
muestras como propiedades de ciertos parmetros de la poblacin, si estos parmetros son
desconocidos, hay que estimarlos a partir de la muestra.
Qu son los grados de libertad? Se pueden definir como el nmero de valores que se
pueden escoger libremente.
Suponiendo que se esta trabajando con dos valores de muestra, a y b, y se sabe que tienen
una media de 18. Simblicamente, se puede expresar:
ab
18 a b 36 . Cmo se puede encontrar los valores que
a y b puedan tomar
en esta situacin? La respuesta es que a y b pueden ser cualquiera de dos valores cuya
suma sea 36, ya que 36 entre 2 es 18.
Suponiendo que a tiene un valor de 10; ahora b ya no esta libre de tomar cualquier valor,
sino que debe tomar solamente el valor 26 puesto que, si a = 10, entonces 10 + b = 36,
por lo tanto b = 26.
Este ejemplo demuestra que cuando existen 2 elementos de una muestra y solo conocemos
la media de la muestra de esos elementos, entonces somos libres de especificar solamente
uno de esos elementos, puesto que el otro estar determinado por el hecho de que los 2
elementos suman el doble de la mitad de la muestra. En trminos estadsticos se dice que
tenemos un grado de libertad.
Observemos otro ejemplo. Existen 7 elementos en una muestra y se sabe que la media de
estos elementos es 16. Simblicamente se tiene la siguiente situacin:
abcd e f g
16
En este caso, los grados de libertad (GL) o el nmero de variables que se pueden
especificar libremente es 7 1 = 6. Se tiene la libertad de asignar valores a 6 variables, y
Pgina 63
luego ya no tenemos libertad de especificar el valor de la sptima variable, puesto que esa
queda determinada automticamente. En cada uno de los ejemplo tenemos un grado de
libertad que es igual a n 1 grados de libertad, suponiendo que n es el tamao de la
muestra. Utilizamos los grados de liberta cuando se elige una distribucin t para estimar
una media de poblacin, y se utilizar n 1 GL, tomando n igual al tamao de la
muestra.
Regiones de aceptacin y rechazo en el contraste de hiptesis
Distribucin t de Student para varios valores
Pgina 64
Valores crticos para la distribucin Student's - t alfa = rea a la derecha de t(df, alfa)
T~t(df)
P(T > t(df,alfa))
grados
de
libertad
alfa
0.1000
0.0500
0.0250
0.0100
0.0050
0.0010
0.0005
3.078
6.314
12.706
31.821
63.656
318.289
636.578
1.886
2.920
4.303
6.965
9.925
22.328
31.600
1.638
2.353
3.182
4.541
5.841
10.214
12.924
1.533
2.132
2.776
3.747
4.604
7.173
8.610
1.476
2.015
2.571
3.365
4.032
5.894
6.869
1.440
1.943
2.447
3.143
3.707
5.208
5.959
1.415
1.895
2.365
2.998
3.499
4.785
5.408
1.397
1.860
2.306
2.896
3.355
4.501
5.041
1.383
1.833
2.262
2.821
3.250
4.297
4.781
10
1.372
1.812
2.228
2.764
3.169
4.144
4.587
11
1.363
1.796
2.201
2.718
3.106
4.025
4.437
12
1.356
1.782
2.179
2.681
3.055
3.930
4.318
13
1.350
1.771
2.160
2.650
3.012
3.852
4.221
14
1.345
1.761
2.145
2.624
2.977
3.787
4.140
15
1.341
1.753
2.131
2.602
2.947
3.733
4.073
16
1.337
1.746
2.120
2.583
2.921
3.686
4.015
17
1.333
1.740
2.110
2.567
2.898
3.646
3.965
18
1.330
1.734
2.101
2.552
2.878
3.610
3.922
19
1.328
1.729
2.093
2.539
2.861
3.579
3.883
20
1.325
1.725
2.086
2.528
2.845
3.552
3.850
21
1.323
1.721
2.080
2.518
2.831
3.527
3.819
22
1.321
1.717
2.074
2.508
2.819
3.505
3.792
23
1.319
1.714
2.069
2.500
2.807
3.485
3.768
24
1.318
1.711
2.064
2.492
2.797
3.467
3.745
25
1.316
1.708
2.060
2.485
2.787
3.450
3.725
26
1.315
1.706
2.056
2.479
2.779
3.435
3.707
27
1.314
1.703
2.052
2.473
2.771
3.421
3.689
28
1.313
1.701
2.048
2.467
2.763
3.408
3.674
29
1.311
1.699
2.045
2.462
2.756
3.396
3.660
30
1.310
1.697
2.042
2.457
2.750
3.385
3.646
31
1.309
1.696
2.040
2.453
2.744
3.375
3.633
32
1.309
1.694
2.037
2.449
2.738
3.365
3.622
33
1.308
1.692
2.035
2.445
2.733
3.356
3.611
Pgina 65
34
1.307
1.691
2.032
2.441
2.728
3.348
3.601
35
1.306
1.690
2.030
2.438
2.724
3.340
3.591
36
1.306
1.688
2.028
2.434
2.719
3.333
3.582
37
1.305
1.687
2.026
2.431
2.715
3.326
3.574
38
1.304
1.686
2.024
2.429
2.712
3.319
3.566
39
1.304
1.685
2.023
2.426
2.708
3.313
3.558
40
1.303
1.684
2.021
2.423
2.704
3.307
3.551
60
1.296
1.671
2.000
2.390
2.660
3.232
3.460
120
1.289
1.658
1.980
2.358
2.617
3.160
3.373
inf
1.282
1.645
1.960
2.327
2.576
3.091
3.291
BIBLIOGRAFA
Benavente del Prado, Arturo Nez (1992): Estadstica Bsica par Planificacin.
Editorial Interamericana. 6. Edicin. Mxico.
Berenso, Mark.(1.992): Estadstica Bsica en Administracin. Editorial. Harla.
Cuarta Edicin. Mxico.
Best,J. W. (1987): Como Investigar en Educacin. Editorial Morata. Madrid Espaa.
BUDNICK FRANK S. (1992): Matemticas Aplicadas para Administracin, Economa y
Ciencias Sociales. Tercera Edicin. Editorial McGaw-Hill Interamericana de
Mxico, S.A de C.V. Mxico.
CABALLERO, WILFREDO (1975): Introduccin a la Estadstica. Editorial ICA. Costa
Rica.
Cadoche, L. S.; G. Stegmayer, J. P. Burioni y M. De Bernardez (1998). Material del
Seminario de Encuestas en Educacin, impartido va internet por parte de la
Universidad
Nacional del Litoral, en Santa Fe, y de la Universidad Tecnolgica Nacional,
Regional Santa Fe, en la Repblica de Argentina.
Castaeda J., J.(1991): Mtodos de Investigacin 2. Editorial McGraw-Hill. Mxico.
Carono, R., Minujin, A. y Vera, G.(1982): Manual de tcnicas de evaluacin y
ajuste de informacin Estadsticas. Fondo de cultura econmica. Mxico.
Chao, L.(1993): Estadstica para la Ciencia Administrativa. Editorial McGraw
Hill. 4ta Edicin. Colombia
CHOU, YA-LUN (1972): Anlisis Estadstico. Editorial Interamericana. Mxico
DANIEL WAYNE, W. y Otros (1993): Estadstica con Aplicacin a las Ciencias
Sociales y a la Educacin. Editorial McGraw-Hill Interamericana de Mxico,
S.A. de C.V. Mxico.
Pgina 66
De Oteyza de O., E; Emma Lam O., Carlos Hernndez G. y ngel M. Carrillo H. (1998).
Temas Selectos de Matemticas. Prentice Hall. Mxico
Enciclopedia Microsoft Encarta 2002 (2002): Censo- Cuestionario- Encuesta. Estadstica.
Editorial Microsoft corporation. USA.
ERKIN KREYSZIA (1978): Introduccin a la Estadstica Matemtica. Editorial Limusa,
S.A. Mxico.
FREUD J: E. y Otros (1990): Estadstica para la Administracin con Enfoque Moderno.
Editorial, S.A. Mxico.
Gomes Rondn, Francisco (1985): Estadstica Metodologica: Ediciones Fragor. Caracas.
Gonzlez, Nijad H. (1986): Mtodos estadsticos en Educacin. Editorial Bourgen,
Caracas.
Guilford, J. Y Fruchter, B. (1984): Estadstica aplicada a la Psicologa y la Educacin.
Editorial McGraw-Hill Latinoamericana, S. A., Bogot.
Hamdan Gonzlez, Nijad (1986): Mtodos Estadsticos en Educacin. Editorial Bourgen
C.A. Caracas Colombia.
KEVIN, RICHARD I. (1988): Estadstica para Administradores. Editorial
Hispanoamericana. Mxico.
LARSON HAROLD, J. (1985): Introduccin a la Teora de Probabilidades e inferencia
Estadstica. Editorial Limusa. Mxico.
LEHMANN, CHARLES H. (1995): LGEBRA. Editorial limusa, S.A. DE C.V. Grupo
Noriega Editores. Mxico.
LEITHOLD, LOUIS (1992): El Clculo con Geometra Analtica. Editorial HARLA
Mxico.
LINCON L., CHAO (1996): Estadstica para Ciencias Administrativas. Cuarta edicin.
Editorial McGaw-Hill. Usa.
Lenin, R.y Kubin, D.(1992): Estadstica para Administradores. Editorial
Hispanoamrica. VI edicin. Mxico.
LOPEZ CASUSO, R. (1984): Introduccin al Clculo de Probabilidades e Inferencia
Estadstica. Editorial Instituto de Investigaciones Econmicas, UCAB. CaracasColombia.
Mason, Robert (1.992): Estadstica para la Administracin y Economa. Ediciones
Alfaomega S.A.N. Mxico.
Pgina 67
MENDENNAF, W. y OTROS (1981): Estadstica para Administradores y Economa.

Editorial Iberoamericana. Mxico.
Mode, Elmer B. (1988): Elementos de Probabilidades y Estadstica Editorial Reverte
Mejicana. Mxico.
Murria, R.(1993): Estadstica. Edicin Interamericana.2da Edicin. Mxico.
PARZEN, E. (1986): Teora Moderna de Probabilidades y sus Aplicaciones Editorial
Limusa. Mxico
PUGACHEV, V. S. (1973): Introduccin a la Teora de Probabilidades Editorial Mir.
Mosc.
Rivas Gonzlez, Ernesto(1980): Estadstica General. Ediciones de la Biblioteca UCV
Caracas Colombia.
Soto Negrin, Armando (1982): Iniciacin a la estadstica. Editorial Jos Marti.
CaracasColombia.
Stephen P., Shao (1986): Estadstica para Economistas y Administradores de Empresa.
Editorial Herreros Hermanos, Sucs., S.A., Mxico.
Stevenson, William(1991): Estadstica para la Administracin y Econmica. Editorial
Harla. Mxico.
Universidad Nacional Experimental Simn Rodrguez (1983): Estadstica 1. Ediciones
UNESR, Caracas.
WALPOLE, R. y Myers, R. (1987): Probabilidad y Estadstica para Ingenieros.
Editorial Interamericana. Mxico.
Webster, Allen L. (1996): Estadstica Aplicada a la Empresa y la Economa. Editorial
Irwin. Segunda edicin. Barcelona Espaa.
Weimer, Richard C. (1996) Estadstica. Compaa Editorial Continental, SA de CV.
Mxico.
Wonnacott, T. H. y Wonnacott, R: J. (1989): Fundamentos de Estadstica para
Administracin y Economa. Editorial LIMUSA. Mxico.
DIRECCIONES DE INTERNET
http://www.inf.ufsc.br/cee/pasta1/art4.html
http://www.inf.ufsc.br/cee/pasta4/art1p4.html
http://193.145.158.7/asepuma01/doco16.pdf
http://www.caib.es/ibae/esdeveniment/jornades_10_01/doc/Estepa-Jornadas-Mallorca.doc
http://www.inf.ufsc.br/cee/pasta1/art4.html
Pgina 68
http://www.unesr.edu.ve/pregrado/Estadistica/ES1ntro.htm
http://buscar.hispavista.com/?cadena=Aprende+estadistica
http://www.psicol.unam.mx/Cim2000/Estadistica/journal_of_statistics_education.htm
http://www.cimat.mx/talleres/pasados/2002/
http://www.ine.es/revistas/estaespa/148_2.pdf
http://www.fuentesestadisticas.com/numero1/paginas/editorial.html
http://www.itcr.ac.cr/carreras/matematica/ArchivosyProgramas/IIFESTIVAL/Index2festiva
l.htm
http://www.uaq.mx/matematicas/estadisticas/xstad02.html
http://fc.udg.es/~caegb/material_esp.html
http://www.fceqyn.unam.edu.ar/bio/farpro.html
http://lib.stat.cmu.edu/
http://www.statserv.com/softwares.html
http://www.maths.uq.edu.au/~gks/webguide/
http://www.statistics.com/
http://www.helsinki.fi/~jpuranen
http://e-stadistica.bio.ucm.es/web_spss/entorno_de_trabajo_del_SPSS.html
http://fc.udg.es/~caegb/material_esp.html
http://www.computo99.unam.mx/educacio/educa47.htm
http://fractus.mat.uson.mx/Papers/revista/Urre_Ar/Urre_Ar.html
http://www.hrc.es/bioest/Introducion_ch.html
http://www.hrc.es/bioest/M_docente.html#tema2
http://www.edustatspr.com/toc.htm
http://members.tripod.com/~beatrizt/verdad/5.html
http://www.doxmatic.com/EE/libros.mv?h
http://www.monografias.com/trabajos5/estadm/estadm.shtml
http://www.pntic.mec.es/Descartes/Bach_CNST_1/Variables_estadisticas_bidimensionales
_regresion_correlacion/regresio.htm
http://www.monografias.com/trabajos10/esta/esta.shtml
http://www.rincondelvago.com/html/fotocopiadora/search.php?id=&tipo=&categoria=&titu
lo=estadistica&totalResults=44&thisPage=2
http://platea.pntic.mec.es/~jescuder/estadist.htm
http://xue.unalmed.edu.co/~pguarin/estadistica/83regresion.htm
http://www.universidadabierta.edu.mx/SerEst/MAP/METODOS%20CUANTITATIVOS/V
ega%20Trujillo%20Maria%20del%20Pilar.htm
http://www.geocities.com/arguello_vyr/contenido.html
http://www.cortland.edu/flteach/stats/stat-sp.html
http://www.fuentesestadisticas.com/Numero50/paginas/9.htm
http://cipres.cec.uchile.cl/~ma34b/
http://www.ideamas.cl/cursoProb/javaEstat/intro_prob_models/intro_prob_models.html
http://www.ideamas.cl/cursoProb/javaEstat/index.html
http://www.angelfire.com/journal2/estadistica/Links.htm
http://www.ibad-laspalmas.com/inferencia/index.html Cursa de est. Inferencial)
http://www.estadisticautil.es.fm/
http://www.edustatspr.com/documentos/probabilidad/3.1.vadiscr.pdf
http://www.cnice.mecd.es/Descartes/Estadistica/variables_continuas/normal0.htm
http://www.unlu.edu.ar/~mapco/apuntes/610/mapco610.htm
http://www.tutoria.com.ar/apuntes.htm
Pgina 69
http://w3.mor.itesm.mx/~cmendoza/ma835/ma83500.html
http://rrpac.upr.clu.edu:9090/~amenend/excel8intro.htm
http://www.fisterra.com/material/investiga/distr_normal/distr_normal.htm
http://www.fisterra.com/material/index.htm
http://www.multired.com/ciencia/gosilagu/analisis%20estadistico.htm
http://www.uned.es/111044/examenes/EJERESUS01.doc
Software on-line
http://it.stlawu.edu/~rlock/maa99/
http://it.stlawu.edu/~rlock/tise98/java.html
http://www.stat.vt.edu/~sundar/java/applets/
http://www.kuleuven.ac.be/ucs/java/index.htm
Demostraciones Java para el aprendizaje de la estadstica
Electronic Textbook (UCLA), programa on-line de representacin y clculo de funciones de
densidad y de distribucin (normal, F, ji-cuadrado, nmeros aleatorios...). Equivalente a un
libro de tablas
Pgina 70

Variable Aleatoria

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Variable Aleatoria

Transféré par

Droits d'auteur :

Formats disponibles

VARIABLES ALEATORIAS Y

{czz, zcz, zzc}

{ccz, czc, zcc}

Dagoberto Salgado Horta

satisface las siguientes propiedades:

Se ha esgrimido el trmino experimento estadstico para representar cualquier proceso a

Si un espacio muestral contiene un nmero infinito de posibilidades iguales al

Una variable aleatoria es un evento numrico cuyo valor se

Tabla B. Demanda diaria de arrendamiento de camionetas

Dagoberto Salgado Horta

Distribuciones de probabilidad para variables discretas

Dagoberto Salgado Horta

Ejemplo.- Un envi de ocho computadoras similares para un distribuidor contiene tres

Por lo tanto, la distribucin de probabilidad de X es:

Ejemplo: Analice la variable aleatoria X, como la cantidad de caras observadas cuando se

P(de no observar caras)

Si ahora se organizan estos resultados en el siguiente cuadro:

Se alcanzar explicar por qu se usa el nombre "distribucin de probabilidad". Con esta

Dagoberto Salgado Horta

Tabla 1. Espacio muestral

Tabla 2. Distribucin de probabilidad del total de

Hemos encontrado la distribucin de probabilidad de los valores posibles de la suma al tirar

Tabla 3. Distribucin de probabilidad del total

valores establecidos. Por su definicin, la funcin de probabilidad tiene las siguientes

1. f ( x ) 0 para todo valor x en su dominio.

f ( x ) 1 ( donde la sumatoria se extiende sobre todos los valores x en el dominio

Los valores de la funcin de probabilidad se pueden representar en una grfica como la

Diagrama de la distribucion de probabilidad

Sumas de dos dados

La probabilidad de observar (En la grafica) un valor particular de la variable aleatoria,

f ( x ),.. Para .... <x<

Las propiedades de las distribuciones de variables discretas son dos, y que

b) La suma de todas las probabilidades de la distribucin es la unidad. Esta demostracin es

Modelos de distribuciones de probabilidad de variables discretas

Media y desviacin estndar de una distribucin de probabilidad

, donde, ( ) es la media de la poblacin, la cual puede expresarse

Considerando la definicin de probabilidad de un evento, P(X) es el cociente de la

Dagoberto Salgado Horta

Entonces, para calcular su media ( ) se realiza la siguiente operacin:

varianza se defini como

procedimiento semejante al anterior se tiene:

Finalmente, la varianza de una distribucin de probabilidad de una variable discreta

Entonces, la desviacin estndar de una distribucin de probabilidad de una variable

Dagoberto Salgado Horta

Por ejemplo: Considerando la misma distribucin de probabilidad

del ejemplo anterior,

ESPERANZA MATEMTICA O VALOR ESPERADO DE UNA

Dagoberto Salgado Horta

X = Variable aleatoria de Inters.

Probabilidad de ocurrencia del evento i de X.

Tambin, se puede decir que:

Media de una variable aleatoria

Este es un valor promedio y no necesariamente un resultado posible del experimento. Por

S = {CC, CS, SC, SS}

P(X = l) = P(SC) + P(CS) = 1 .

Dagoberto Salgado Horta

Aplicando la formula se calculan los diferentes f ( x i ) as:

Dagoberto Salgado Horta

Los clculos obtenidos son:

f(0) = 1/35, f(l) = 12/35, f(2) = 18/35, y f(3) = 4/35. Entonces,

Recuerde que la probabilidad de salir cara es

igual ala de salir sello, es decir, .

Dagoberto Salgado Horta

Dagoberto Salgado Horta