UNDAD 3.

VARABLES ALEATORAS Y FUNCONES DE DSTRBUCN

PARTE
1.- INTRODUCCIN
El estudio que se har en este tema ser anlogo al que se hace con las variables estadsticas en
descriptiva. As retomaremos el concepto de distribucin y las caractersticas numricas, como la
media y varianza. El papel que all jugaba la frecuencia relativa lo juega ahora la probabilidad. Esto
va a proporcionar aspectos y propiedades referentes a fenmenos aleatorios que permitirn
modelos muy estudiados en la actualidad. En este tema se tratar de formalizar numricamente los
resultados de un fenmeno aleatorio y en ocasiones nos interesarn una o ms transformaciones
de los resultados de un experimento aleatorio, lo que conduce al concepto de variable aleatoria.
2.- VARIABLE ALEATORIA
Definicin: Funcin que asocia un nmero real a cada resultado del espacio muestral de
un experimento aleatorio.
Las Variables Aleatorias se denotan con una letra mayscula, (X,Y,etc) y los valores
puntuales que asumen con una letra minscula (x,y,etc); Ejemplo: P(X=x) (Probabilidad de
que la variable X asuma el valor x).
El conjunto de los posibles valores de la variable aleatoria X recibe el nombre de rango de
X.
Algunos ejemplos son: nmero de caras obtenidas al lanzar seis veces una moneda,
nmero de llamadas que recibe un telfono durante una hora, tiempo de falla de un
componente elctrico, etc.
Ejemplo 1
Normalmente, los resultados posibles (espacio muestral S) de un experimento aleatorio no son
valores numricos. Por ejemplo, si un experimento consiste en lanzar de modo ordenado tres
monedas al aire, para observar el nmero de caras (c) y sellos (s) que se obtienen, el espacio
muestral asociado a dicho experimento aleatorio sera:
E = {ccc, ccs,csc,css,scc,scs,ssc,sss}.
En Clculo de Probabilidades resulta ms fcil utilizar valores numricos en lugar de trabajar
directamente con los elementos de un espacio muestral como el anterior. As, se prefiere identificar
los sucesos {css,scs,ssc} con el valor numrico 1 que representa el nmero de caras obtenidas al
realizar el experimento.
De este modo, aparece el concepto de variable aleatoria unidimensional como el de una funcin
X : S R
e X(e)
que a cada punto muetral e del espacio muestral S, le atribuye un nico nmero real, X(e).
En el ejemplo anterior, se puede definir la variable aleatoria X = nmero de caras, del siguiente
modo:
X : S R
X (ccc) = 3
X (ccs) = X (csc) = X (scc) = 2
X (ssc) = X (scs) = X (css) = 1
X (sss) = 0
.-TI!O" DE VARIABLE" ALEATORIA"
Las variables aleatorias se clasifican en discretas y continuas:
o DSCRETA: Una V#$i#%le Ale#&o$i# Di'c$e&# es una variable con un rango finito (o infinito
contable), es decir, si se puede contar su conjunto de resultados posibles. Ej: N de Unidades
Defectuosas, N de Accidentes Laborales al ao, N de Paradas por Fallas Mecnicas, etc.
o CONTNUA: Una V#$i#%le Ale#&o$i# Con&in(# es una variable cuyos valores asignados
pueden ser cualesquiera, dentro de ciertos intervalos, es decir, puede tomar cualquier valor
Real. Por ejemplo, si consideramos el experimento aleatorio consistente en medir el nivel
de agua en un embalse y tomamos la variable aleatoria X=nivel de agua, esta puede
tomar valores entre 0 y ms infinito.
).- DI"TRIBUCIN DE !ROBABILIDAD
Es un modelo terico que describe la forma en que varan los resultados de un experimento
aleatorio, es decir, nos da todas las probabilidades de todos los posibles resultados que podran
obtenerse cuando se realiza un experimento aleatorio. Se clasifican como discretas o continuas. En
la distribucin de probabilidad discreta est permitido tomar slo un nmero limitado de valores. En
la continua, llamada funcin de densidad, la variable que se est considerando puede tomar
cualquier valor dentro de un intervalo dado.
).1.- Di'&$i%(cin *e p$o%#%ili*#* *i'c$e&#
Def: La funcin f (x) = P(X=x), definida, para el conjunto de valores positivos de la variable
aleatoria discreta X al intervalo [0,1] recibe el nombre de f(ncin *e p$o%#%ili*#*.
Para una variable Aleatoria X, l# f(ncin *e p$o%#%ili*#* o f(ncin m#'# *e
p$o%#%ili*#* f +,- satisface las siguientes propiedades:
1) P (X=xi) = f (xi)
2) f (x) < 0 para toda x
3)
4) Si xi no es uno de los valores que puede tomar X, entonces f(xi) = 0.
La representacin grfica de la funcin de masa de probabilidad se realiza mediante un
diagrama de barras anlogo al de distribucin de frecuencias relativas para variables
discretas en Estadstica Descriptiva.
Del ejemplo anterior donde se considera el caso del lanzamiento de 3 monedas
de forma que cada una de ellas tenga probabilidad 1/2 de obtener el resultado de cara
o sello, se tiene que:
f(3) = P [X = 3] = P [{CCC}] = 1/2 1/2 1/2 = 1/8
f(2) = P [X = 2] = P [{SCC, CCS,CSC}] = 1/8 + 1/8 + 1/8 = 3/8
f(1) = P [X = 1] = P [{SSC,SCS,CSS}] = 1/8 + 1/8 + 1/8 = 3/8
f(0) = P [X = 0] = P [{SSS}] = 1/2 1/2 1/2 = 1/8
As la *i'&$i%(cin *e p$o%#%ili*#* viene dada por:
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
).2.- Di'&$i%(cin *e p$o%#%ili*#* con&.n(#
Si la variable aleatoria es continua, hay infinitos valores posibles de la variable y entre cada dos de
esos posibles se podran definir infinitos valores. En estas condiciones no es posible deducir la
probabilidad de un valor puntual de la variable como se puede hacer en el caso de las variables
discretas. Pero s es posible calcular la probabilidad acumulada hasta un cierto valor (funcin de
distribucin) y cmo cambia esa probabilidad acumulada en cada punto (densidad de probabilidad).
Por tanto, cuando la variable aleatoria sea continua hablaremos de funcin de densidad.
Sea X una variable aleatoria continua, se llama funcin de densidad y se representa como f(x) a
una funcin no negativa definida sobre la recta real, tal que para cualquier intervalo que
estudiemos se verifica:
1)
2)
3)
/.- 0UNCIN DE DI"TRIBUCIN ACU1ULADA
La funcin de distribucin Acumulada describe el comportamiento probabilstico de una variable
aleatoria X asociada a un experimento aleatorio y se representa como:
0+,- 0,
Para estudiar la funcin de distribucin distinguiremos entre el caso discreto y el caso continuo.
o CA"O DI"CRETO
La funcin de distribucin acumulada de una variable aleatoria discreta X asociada a un espacio
probabilstico, denotada por F(x), es:
Para una variable aleatoria discreta X, F(x) satisface las propiedades siguientes:
1) F(x) = P(X > x) =
2) 0 > F(x) > 1
3) Si x > y, entonces F(x) > (y)
Ejemplo: Continuando con el ejemplo 1, cuya distribucin de probabilidad era:
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8),
Calcula la probabilidad de obtener menos dos caras?.
Para resolver el problema lo que debemos de calcular es la probabilidad de que la variable
aleatoria tome valores inferiores a dos. Esto viene dado por la expresin
F (1) = P( X < 2 )= P( X 1 ) = P( X = 0) + P( X = 1) = 1/8 + 3/8 = 4/8
Calcular la probabilidad de obtener 0, 1, 2, 3:
F(0) = P [X > 0] = P [X = 0] = f(0) = 1/8
F(1) = P [X > 1] = f(0) + f(1) = 1/8 + 3/8 = 4/8
F(2) = P [X > 2] = f(0) + f(1) + f(2) = 1/8+3/8+3/8 = 7/8
F(3) = P [X > 3] = f(0) + f(1) + f(2) + f(3) = 1/8+3/8+3/8+1/8 = 8/8 = 1
o CASO CONTNUO:
Sea X una variable aleatoria continua con funcin de densidad f(x), se define la funcin de
distribucin, F(x), como:
F(x) = P(X>x) = para < x <
Ejemplo:
Sea X una variable aleatoria cuya funcin de densidad viene dada por f (X), calcular su funcin de
distribucin:
X2 0 x 2
f (x )=
0 en otro caso
Calculamos la funcin de distribucin, obteniendo
por lo tanto, la funcin de distribucin ser:
0 x < 0
F(X) = 0> x >2
1 x>2
2.- !AR31ETRO" DE UNA VARIABLE ALEATORIA
En esta seccin estudiaremos, de manera anloga a las variables estadsticas, algunos parmetros
de que van a resumir numricamente las distribuciones de las variables aleatorias, distinguiendo
como siempre, para el caso discreto y continuo.
2.1.- E'pe$#n4# m#&em5&ic# p#$# (n# 6#$i#%le #le#&o$i# *i'c$e&#
Dada una variable aleatoria X que toma valores x1, x2, x3....xn con distribucin de probabilidad, se
define la es!eran"a matem#tica de una variable aleatoria como:
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era:
X 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
El resultado ser:
2.2.- E'pe$#n4# m#&em5&ic# p#$# (n# 6#$i#%le #le#&o$i# con&in(#
Sea X una variable aleatoria continua con funcin de densidad f(x), se define la esperanza
matemtica de esa variable aleatoria como:
Tanto para el caso discreto como para el caso continuo, la esperanza matemtica presenta las
siguientes propiedades:
o Si C es una constante, E(C) = C.
o a, b $, E(aX + b) = aE(X) + b
o Si g(X) es una funcin de X, entonces:
o Si X es discreta,
o Si X es continua,
o Si X1, ..., Xn son variables aleatorias, entonces
2..- V#$i#n4# *e (n# 6#$i#%le #le#&o$i#
A continuacin vamos a definir la varianza de una variable aleatoria diferenciando para el caso
discreto y continuo. Dada una variable aleatoria X que toma valores x1, x2, x3....xn con distribucin
de probabilidad, se define la varianza de X:
o Di'c$e&#:
o Con&in(#: v
Ejemplo: Continuando con el ejemplo anterior, cuya distribucin de probabilidad era:
x 0 1 2 3
f(x) 1/8 3/8 3/8 1/8
Calcula la varianza.
El resultado ser:

!$opie*#*e' *e l# V#$i#n4# 7 l# E'pe$#n4# m#&em5&ic#:
Sea X una variable aleatoria e Y otra variable aleatoria tal que Y = a X + b, entonces siempre se
verifica:
o
o
o Si X e Y son independientes, entonces % [X&] = % [X]. % [&]
2.).- Co6#$i#n4#
Sean X e Y dos variables aleatorias, se define la covarianza entre estas dos variables como,
Cov = % [X]. % [&] ' % [X&]
donde el clculo de las esperanzas depender de si las variables son discretas o continuas. De
esta definicin surge el siguiente resultado. Cuando X, Y son independientes la covarianza es igual
a 0.
% [X&] = % [X]. % [&], entonces
Cov = % [X]. % [&] ' % [X&] = % [X]. % [&] ' % [X]. % [&] = 0
PARTE
8.- !RINCI!ALE" DI"TRIBUCIONE" DI"CRETA".
Di'&$i%(cione' *e Be$no(lli
Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener *o'
'ol(cione': acierto o fracaso:
Cuando es #cie$&o la variable toma el 6#lo$ 1
Cuando es f$#c#'o la variable toma el 6#lo$ 9
Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale); probabilidad
de ser admitido en una universidad (o te admiten o no te admiten); probabilidad de acertar una
quiniela (o aciertas o no aciertas)
Al haber nicamente dos soluciones se trata de '(ce'o' complemen&#$io':
A la probabilidad de xito se le denomina :p:
A la probabilidad de fracaso se le denomina :;:
Verificndose que:
p < ; = 1
Ejemplo':
Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:
Probabilidad de que salga cara: p = 0,5
Probabilidad de que no salga cara: q = 0,5
p + q = 0,5 + 0,5 = 1
Ejemplo 2: Probabilidad de ser admitido en la universidad:
Probabilidad de ser admitido: p = 0,25
Probabilidad de no ser admitido: q = 0,75
p + q = 0,25 + 0,75 = 1
Ejemplo : Probabilidad de acertar una quiniela:
Probabilidad de acertar: p = 0,00001
Probabilidad de no acertar: q = 0,99999
p + q = 0,00001 + 0,99999 = 1
La esperanza matemtica o valor medio de esta distribucin se calcula:
Y la varianza se define como:
Di'&$i%(cion Binomi#l
Es una de las distribuciones de mayor aplicacin en el mbito industrial. A travs de la Binomial se
modelan procesos de muestreo de aceptacin por lotes (si se clasifica al producto como
defectuoso o no defectuoso), estudios de mercado o de nivel de aceptacin de un candidato.
C#$#c&e$.'&ic#' *el !$oce'o Binomi#l o Be$no(lli
El procedimiento consiste en una serie de "n ensayos repetidos +>n? e' fijo-.
Cada ensayo es independiente, de modo que la probabilidad de ocurrencia de uno de los
ensayos no afecta la probabilidad de ocurrencia del ensayo siguiente.
Cada ensayo puede resultar en un @,i&o con probabilidad p o en un fracaso con
probabilidad ;=1-p. Esta caracterstica de dualidad o dicotoma es clave para identificar un
proceso Binomial (El xito no esta necesariamente relacionado con algo bueno, es
arbitrario y lo fija el investigador dependiendo de cmo defina la variable. Por ejemplo si mi
variable es nmero de respuestas malas en un examen de verdadero o falso, cada
respuesta incorrecta representa un xito para el investigador)
Las probabilidades de xito permanecen constante a lo largo del experimento.
NOTA: Es til la revisin de la teora de Eventos ndependientes como base para la
comprensin del proceso Binomial.
L# V#$i#%le Ale#&o$i# Binomi#l:
La Variable aleatoria discreta X que representa el nmero de xitos en "n ensayos fijos
que resultan de un proceso Binomial o Bernoulli se denomina Variable aleatoria Binomial y su
distribucin de probabilidad es:
n x q p x X P p n x b
x n x
n
x
,..., 2 , 1 , 0 ; ) ( ) , , ( =

= = =

Donde:
X representa la V.A Binomial: Nmero de xitos en "n intentos.
p: Probabilidad de xito (permanece constante a lo largo del experimento).
q=1-p: Probabilidad de que ocurra un fracaso, es la probabilidad complementaria de p
n: Nmero de ensayos
es el nmero combinatorio:
No&#: La Variable aleatoria x y la probabilidad del xito estn relacionados. P Depende de la
definicin de la Variable Si la Variable es nmero de artculos defectuosos, entonces p es la
probabilidad de seleccionar un artculo defectuoso en un ensayo cualquiera. Si la Variable es
nmero de unidades buenas, entonces p es la probabilidad de seleccionar un artculo bueno en
un ensayo cualquiera
Ejemplo: se tira una moneda 10 veces: cuntas caras salen? Si no ha salido ninguna la variable
toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han sido cara la variable
toma el valor 10
Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?
:, : es el nmero de aciertos. En este ejemplo " x " igual a 6 (en cada acierto decamos que la
variable toma el valor 1: como son 6 aciertos, entonces x = 6)
: n: es el nmero de ensayos. En nuestro ejemplo son 10
: p : es la probabilidad de xito, es decir, que salga :c#$#: al lanzar la moneda. Por lo tanto
p = 0,5
La frmula quedara:
Luego,
! +, = 2- = 9A29/
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.
Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho
veces?
: , : (nmero de aciertos) toma el valor 4
: n: toma el valor 8
: p : (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)
La frmula queda:
Luego,
! +, = )- = 9A922
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un dado
8 veces.
L# e'pe$#n4# m#&em5&ic# o valor medio de la distribucin binomial se calcula:
Y la V#$i#n4# se define como:
Di'&$i%(cin Bipe$Ceom@&$ic#
La *i'&$i%(cin Dipe$Ceom@&$ic# es el modelo que se aplica en experimentos del siguiente tipo:
En una caja hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2
bolas las dos sean blancas?
Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo *o'
po'i%le' $e'(l&#*o': o sale blanca o no sale. Pero se diferencia de la distribucin binomial en
que lo' *i'&in&o' en'#7o' 'on *epen*ien&e' entre s:
Si en una caja con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el
segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay
dependencia entre los distintos ensayos).
La *i'&$i%(cin Dipe$Ceom@&$ic# sigue el siguiente modelo:
Donde:
As:
N: es el nmero total de bolas en la caja
N1: es el nmero total de bolas blancas
N2: es el nmero total de bolas negras
,: es el nmero de bolas blancas cuya probabilidad se est calculando
n: es el nmero de ensayos que se realiza
Veamos un ejemplo:
En una caja hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la probabilidad de que 3
sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5; x = 3; n = 4
Si aplicamos el modelo:
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se aplica con
experimentos similares:
Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar
Cul es la probabilidad de que las 3 sean solteras?
Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es
tan slo del 1,75%.
La esperanza matemtica o valor medio de la distribucin hipergeometrica se calcula:
De donde p = k/n, proporcin de xitos en el conjunto del cual se toma la muestra.
Y la varianza se define como:
Distribucion de Geomtrica:
Considrese un experimento aleatorio que est muy relacionado con el que se emple para definir
una Distribucin Binomial. De nuevo, supngase una serie de ensayos Bernoulli independientes
con una probabilidad constante de xito ! en cada ensayo. Sin embargo, en lugar de tener un
nmero fijo de ensayos, ahora stos se realizan hasta que se obtiene un xito. Sea X el nmero de
ensayos realizados hasta obtener el primer xito.
Ejemplos:
Hemos visto que si se tira una moneda (con p = P(cara)) n veces, entonces el nmero de caras se
distribuye como binomial.
Consideramos otro experimento relacionado. Vamos a seguir tirando la moneda hasta que veamos
la primera cara? Cuntas tiradas necesitamos?
Sea X el nmero de tiradas.
Luego
P(X = 1) = p
P(X = 2) = (1 ~ p) p
... = ...
La distribucin de X se llama la distribucin geomtrica, dado lo cual se genera la definicin:
Def.: En una serie de ensayos Bernoulli independientes, con una probabilidad constante ! de xito,
sea la variable X el nmero de ensayos realizados hasta la obtencin del primer xito. Entonces X
tiene una distribucin geomtrica con parmetro ! y
La E'pe$#n4# 1#&em5&ic# o valor medio de la distribucin de Poisson se calcula:
Y la V#$i#n4# se define como:
Ejemplo
La probabilidad de que una muestra de aire contenga una molcula extraa es 0.01. Si se supone
que las muestras son independientes con respecto a la presencia de la molcula extraa, Cul es
la probabilidad de que sea necesario analizar exactamente 125 muestras antes de detectar una
molcula extraa?
Sea X el nmero de muestras analizadas hasta que se detecta la presencia de la molcula extraa.
Entonces X es una variable geomtrica con ! = 0.01. La probabilidad pedida es:
Distribucion de Poisson:
Una variable de tipo poisson cuenta ,xitos (es decir, objetos de un tipo determinado) que ocurren
en una regin del espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o del espacio es
independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto del
anterior.
2. La probabilidad de un ,xito en un tiempo o espacio pequeo es proporcional al
tamao de este y no depende de lo que ocurra fuera de l.
3. La probabilidad de encontrar uno o ms ,xitos en una regin del tiempo o del
espacio tiende a cero a medida que se reducen las dimensiones de la regin en
estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas son variables en
las que se cuentan sucesos raros.
La funcin de probabilidad de una variable Poisson es:

El parmetro de la distribucin es / que es igual a la media y a la varianza de la variable.
Esta caracterstica puede servirnos para identificar a una variable Poisson en casos en que
se presenten serias dificultades para verificar los postulados de definicin.
La distribucin de Poisson se puede considerar como el lmite al que tiende la distribucin
binomial cuando n tiende a y p tiende a 0 (P < 0.1), siendo np constante (y menor que 10); en
esta situacin sera difcil calcular probabilidades en una variable binomial y, por tanto, se utiliza
una aproximacin a travs de una variable Poisson con media / = n p.
" p " < 0,10
" p * n " < 10
La esperanza matemtica o valor medio de la distribucin de Poisson se calcula:
Y la varianza se define como:
Ejemplo:
La contaminacin es un problema en la fabricacin de discos de almacenamiento ptico. El nmero
de particular contaminantes que aparecen en un disco ptico tiene una distribucin Poisson, y el
nmero promedio de partculas por centmetro cuadrado de superficie del medio de
almacenamiento es 0,1. El rea de un disco bajo estudio es 100 centmetros cuadrados.
a) Encuntrese la probabilidad de encontrar 12 partculas en el rea del disco.
b) Encuntrese la probabilidad de que no haya partculas contaminantes en el rea del disco.
Solucin:
a) Sea X: el nmero de partculas en el rea del disco. Dado que el nmero promedio de
partculas es 0,1 de stas por cm2,
E(X) = 100 cm2 x 0,1 partculas/cm2
= 10 partculas
Por consiguiente,
b) As
Si consideramos la distribucin de Poisson como el lmite al que tiende la distribucin binomial se
puede utilizar de la siguiente manera:
" / " = n * p (es decir, el nmero de veces " n " que se realiza el experimento multiplicado por la
probabilidad " p " de xito en cada ensayo)
" x " es el nmero de xito cuya probabilidad se est calculando
Veamos un ejemplo:
La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan
300 viajes, cul es la probabilidad de tener 3 accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces
aplicamos el modelo de distribucin de Poisson.
Luego, P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%
Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que entre
800 recin nacidos haya 5 pelirrojos?
Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recin nacidos es del 4,6%.
La E'pe$#n4# 1#&em5&ic# o valor medio de la distribucin de Poisson se calcula:
Y la V#$i#n4# se define como:
III PARTE
8.- PRINCIPALES DISTRIBUCIONES CONTINUAS.
Distribucion Normal:
Es el mo*elo *e *i'&$i%(cin m5' (&ili4#*o en la prctica, ya que multitud de fenmenos se
comportan segn una distribucin normal.
Esta distribucin se caracteriza porque los valores se distribuyen formando una c#mp#n# *e
E#('', en torno a un valor central que coincide con el valor medio de la distribucin:
Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda Esta
distribucin viene definida por *o' p#$5me&$o':
F: N +, -
: es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de
la campana de Gauss).
: es la varianza. ndica si los valores estn ms o menos alejados del valor central: si la varianza
es baja los valores estn prximos a la media; si es alta, entonces los valores estn muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1 se denomina :no$m#l e'&5n*#$", y su
ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la
curva de esta distribucin.
Adems, &o*# *i'&$i%(cin no$m#l 'e p(e*e &$#n'fo$m#$ en (n# no$m#l e'&5n*#$:
Ejemplo: una variable aleatoria sigue el modelo de una distribucin normal con media 10 y
varianza 4. Transformarla en una normal estndar.
X: N (10, 4)
Para transformarla en una normal estndar 'e c$e# (n# n(e6# 6#$i#%le (Z) que ser iC(#l # l#
#n&e$io$ +F- meno' '( me*i# 7 *i6i*i*# po$ '( *e'6i#cin e'&5n*#$ (que es la raz cuadrada de
la varianza)
En el ejemplo, la nueva variable sera:
Esta nueva variable se distribuye como una normal estandarizada, permitindonos, por tanto,
conocer la probabilidad acumulada en cada valor.
G: N +9A 1-
La *i'&$i%(cin no$m#l e'&5n*#$ tiene la ventaja, como ya hemos indicado, de que las
probabilidades para cada valor de la curva se encuentran recogidas en una tabla.
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5723
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7090 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7813 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8416 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
HCmo 'e lee e'&# &#%l#I
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
interceptan es su probabilidad acumulada (0,99702, es decir 99.7%).
A&encin: 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: maginemos 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, 1.999791, etc.
Veamos o&$o' ejemplo':
Probabilidad acumulada en el valor 0,67: la respuesta es 0,7486
Probabilidad acumulada en el valor 1,35: la respuesta es 0,9115
Probabilidad acumulada en el valor 2,19: la respuesta es 0,98574
Veamos ahora, como podemos (&ili4#$ e'&# &#%l# con (n# *i'&$i%(cin no$m#l:
Ejemplo: el salario medio de los empleados de una empresa se distribuye segn una distribucin
normal, con media 5 millones de BsF. y desviacin estndar de 1 milln de BsF. Calcular el
porcentaje de empleados con un sueldo inferior a 7 millones de BsF.
Lo primero que haremos es transformar esa distribucin en una normal estndar, para ello se crea
una nueva variable (Z) que ser igual a la anterior (X) menos su media y dividida por la desviacin
estndar.
En el ejemplo, la nueva variable sera:
Esta nueva variable se distribuye como una normal estndar. La variable Z que corresponde a una
variable X de valor 7 es:
Ya podemos consultar en la tabla la probabilidad acumulada para el valor 2 (equivalente a la
probabilidad de sueldos inferiores a 7 millones de BsF.). Esta probabilidad es 0,97725
Por lo tanto, el porcentaje de empleados con salarios inferiores a 7 millones de BsF. es del
97,725%.
Eje$cicio 1J: La renta media de los habitantes de un pas es de 4 millones de $/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 $.
b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos.
c) ngresos mnimo y mximo que engloba al 60% de la poblacin con renta media.
#- !o$cen&#je *e l# po%l#cin con (n# $en&# infe$io$ # millone' *e K.
Lo primero que tenemos que hacer es calcular la normal estandarizada:
(*) Recordemos que el denominador es la desviacin estndar (raz cuadrada de la varianza)
El valor de Z equivalente a 3 millones de $ es -0,816.
P (X < 3) = P (Z < -0,816)
Ahora tenemos que ver cul es la probabilidad acumulada hasta ese valor. Tenemos que
considerar que 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:
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 $.
%- Ni6el *e inC$e'o' # p#$&i$ *el c(#l 'e 'i&L# el 19M *e l# po%l#cin con $en&# m5' ele6#*#.
Vemos en la tabla el valor de la variable estandarizada 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 estndar:
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57
millones de $ constituyen el 10% de la poblacin con renta ms elevada.
c- Ni6el *e inC$e'o' m.nimo 7 m5,imo ;(e enClo%# #l 29M *e l# po%l#cin con $en&# me*i#
Vemos en la tabla el valor de la variable estndar 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 $ e inferiores a 5,03 millones de $ constituyen el 60% de la poblacin con un nivel
medio de renta.

Eje$cicio 2J: La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25.
Se hace un estudio en una pequea ciudad de 10.000 habitantes:
a) Cuntas personas superarn previsiblemente los 75 aos?
b) Cuntos vivirn menos de 60 aos?
#- !e$'on#' ;(e 6i6i$5n +p$e6i'i%lemen&e- m5' *e 8/ #No'
Calculamos el valor de la normal estndar equivalente a 75 aos
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.
%- !e$'on#' ;(e 6i6i$5n +p$e6i'i%lemen&e- meno' *e 29 #No'
Calculamos el valor de la normal tipificada equivalente a 60 aos
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.
Eje$cicio 1J: El consumo medio anual de cerveza de los habitantes de un pas es de 59 litros, con
una varianza de 36. Se supone que se distribuye segn una distribucin normal.
a) Si usted presume de buen bebedor, cuntos litros de cerveza tendra que beber al ao para
pertenecer al 5% de la poblacin que ms bebe?
b) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho qu podra
argumentar en su defensa?
#- /M *e l# po%l#cin ;(e m5' %e%e.
Vemos en la tabla el valor de la variable estandarizada cuya probabilidad acumulada es el 0,95
(95%), por lo que por arriba estara el 5% restante.
Ese valor corresponde a Z = 1,645 (aprox.). Ahora calculamos la variable normal X equivalente a
ese valor de la normal estndar:
Despejando X, su valor es 67,87. Por lo tanto, tendra usted que beber ms de 67,87 litros al ao
para pertenecer a ese "selecto" club de grandes bebedores de cerveza.
%- U'&e* %e%e )/ li&$o' *e ce$6e4# #l #No. HE' ('&e* (n %o$$#cDoI
Vamos a ver en qu nivel de la poblacin se situara usted en funcin de los litros de cerveza
consumidos.
Calculamos el valor de la normal estndar correspondiente a 45 litros:
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"

Eje$cicio 2J: A un examen de oposicin se han presentado 2.000 aspirantes. La nota media ha
sido un 5,5, con una varianza de 1,5.
a) Tan slo hay 100 plazas. Usted ha obtenido un 7,7. Sera oportuno ir organizando una fiesta
para celebrar su xito?
b) Va a haber una 2 oportunidad para el 20% de notas ms altas que no se hayan clasificados. A
partir de que nota se podr participar en esta "repesca"?
#- B# o%&eni*o ('&e* (n 8A8
Vamos a ver con ese 7,7 en qu nivel porcentual se ha situado usted, para ello vamos a comenzar
por calcular el valor de la normal estndar equivalente.
A este valor de Z le corresponde una probabilidad acumulada (ver tablas) de 0,98214 (98,214%), lo
que quiere decir que por encima de usted tan slo se encuentra un 1,786%.
Si se han presentado 2.000 aspirante, ese 1,786% equivale a unos 36 aspirantes. Por lo que si hay
100 plazas disponibles, tiene usted suficientes probabilidades como para ir organizando la "mejor
de las fiestas".
%- :Repe'c#: p#$# el 29M *e lo' c#n*i*#&o'
Vemos en la tabla el valor de la normal estndar 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:
Despejamos la X y su valor es 6,38. Por lo tanto, esta es la nota a partir de la cual se podr acudir
a la "repesca".
Distribucion Exponencial:
Esta distribucin se utiliza como modelo para la distribucin de tiempos entre la
presentacin de eventos sucesivos.
Existe un tipo de variable aleatoria que obedece a una distribucin exponencial la cul se
define como EL TEMPO QUE OCURRE DESDE UN NSTANTE DADO HASTA QUE
OCURRE EL PRMER SUCESO
Se dice que una variable aleatoria continua tiene una distribucin exponencial con
parmetro / > 0 si:
su funcin de densidad es:
su esperanza o valor esperado es:
Su varianza es:
Su funcin de distribucin acumulada es:
Sea X una distribucin exponencial, entonces: P(X > a+t | X > a)=P( X >t )
Supongamos que la duracin de cierto componente en estado slido X es
exponencial. Entonces la probabilidad de que X dure t unidades despus de haber
durado a unidades es la misma que la probabilidad de que X dure t unidades
cuando X estaba nuevo.
Suponga que el tiempo de respuesta X en cierta terminal de computadora en lnea (el
tiempo transcurrido entre el fin de la consulta del usuario y el principio de la respuesta del
sistema a esa consulta) tiene una distribucin exponencial con tiempo esperado de
respuesta igual a 5 s. Cul es la probabilidad de que el tiempo de respuesta sea a lo
sumo 10 s?
Datos:
E ( X ) = 1 / / = 5 seg. as / =0.2
Obteniendo la distribucin acumulada:
La probabilidad de que el tiempo de respuesta est entre 5 y 10s es:
Relacin con el proceso de Poisson
La relacin viene de que con el uso de la distribucin de Poisson encontramos que la
probabilidad de que no ocurra algn evento, en el periodo hasta el tiempo t est dada por:
La probabilidad de que la duracin del tiempo hasta el primer evento exceda x es la misma
que la probabilidad de que no ocurra algn evento de Poisson en x, est dado por:
Entonces:
Y la funcin de distribucin acumulada est dada por:
Obteniendo la funcin de densidad:
la cual es la funcin de densidad exponencial.
Comparac in
La distribucin de Poisson en un experimento nos dice la frecuencia con la que puede
ocurrir un determinado error y la exponencial nos dice luego de que evento-tiempo ocurre
este error.
Teorema Central del Lmite
El Teo$em# Cen&$#l *el L.mi&e dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que ste sea), la
suma de ellas se distribuye segn una *i'&$i%(cin no$m#l.
Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernoulli. Si lanzamos la
moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre s) se
distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
Los parmetros de la distribucin normal son:
1e*i#: nO (media de la variable individual multiplicada por el nmero de variables
independientes)
V#$i#n4#: nO 2 (varianza de la variable individual multiplicada por el nmero de variables
individuales)
Veamos un ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0.
Cada lanzamiento es una variable independiente que se distribuye segn el modelo de Bernoulli,
con media 0,5 y varianza 0,25.
Calcular la probabilidad de que en estos 100 lanzamientos salga ms de 60 caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto, segn una
distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal
estandarizada equivalente:
(*) 5 es la raz cuadrada de 25, o sea la desviacin tpica de esta distribucin
Por lo tanto:
P (X > 60) = P (Z > 2,0) = 1- P (Z < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salga ms de 60 caras es tan slo del
2,28%
Teorema Central del Lmite:
Eje$cicio 1.
La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0 millones $ y
10,0 millones de $. Calcular la probabilidad de que al seleccionar al azar a 100 personas la suma
de sus rentas supere los 725 millones $.
Cada renta personal es una variable independiente que se distribuye segn una funcin uniforme.
Por ello, a la suma de las rentas de 100 personas se le puede aplicar el Teo$em# Cen&$#l *el
L.mi&e.
La me*i# y 6#$i#n4# de cada variable individual es:
= (4 + 10 ) / 2 = 7
2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya me*i# y 6#$i#n4#
son:
1e*i#: n O = 100 * 7 = 700
V#$i#n4#: n O 2 = 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones $,
comenzamos por calcular el valor equivalente de la variable normal tipificada:
Luego:
P (X > 725) = P (Z > 1,44) = 1 - P (Z < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar
supere los 725 millones de pesetas es tan slo del 7,49%
Eje$cicio 2.
En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada clase es del
10%. A lo largo del ao tienes 100 clases de esa asignatura. Cul es la probabilidad de tener que
salir a la pizarra ms de 15 veces?
Se vuelve a aplicar el Teo$em# Cen&$#l *el L.mi&e.
Salir a la pizarra es una variable independiente que sigue el modelo de distribucin de Bernoulli:
:"#li$ # l# pi4#$$#:, le damos el valor 1 y tiene una probabilidad del 0,10
:No '#li$ # l# pi4#$$#:, le damos el valor 0 y tiene una probabilidad del 0,9
La me*i# y la 6#$i#n4# de cada variable independiente es:
= 0,10
2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya me*i# y 6#$i#n4#
son:
1e*i#: n O = 100 * 0,10 = 10
V#$i#n4#: n O 2 = 100 * 0,09 = 9
Para calcular la probabilidad de salir a la pizarra ms de 15 veces, calculamos el valor equivalente
de la variable normal tipificada:
Luego:
P (X > 15) = P (Z > 1,67) = 1 - P (Z < 1,67) = 1 - 0,9525 = 0,0475
Es decir, la probabilidad de tener que salir ms de 15 veces a la pizarra a lo largo del curso es tan
slo del 4,75%.
Teorema Central del Lmite:
Eje$cicio 1.
Un da visitamos el Casino y decidimos jugar en la ruleta. Nuestra apuesta va a ser siempre al
negro y cada apuesta de 500 ptas. Llevamos 10.000 ptas. y queremos calcular que probabilidad
tenemos de que tras jugar 80 veces consigamos doblar nuestro dinero.
Cada jugada es una variable independiente que sigue el modelo de distribucin de Bernoulli.
:"#li$ neC$o:, le damos el valor 1 y tiene una probabilidad del 0,485
:No '#li$ neC$o:, le damos el valor 0 y tiene una probabilidad del 0,515
(*) La probabilidad de "no salir negro" es mayor ya que puede salir rojo o el cero
La me*i# y 6#$i#n4# de cada variable individual es:
= 0,485
2 = 0,485 * 0,515 = 0,25
A la suma de las 80 apuestas se le aplica el Teo$em# Cen&$#l *el L.mi&e, por lo que se distribuye
segn una normal cuya me*i# y 6#$i#n4# son:
1e*i#: n O = 80 * 0,485 = 38,8
V#$i#n4#: n O 2 = 80 * 0,25 = 20
Para doblar nuestro dinero el negro tiene que salir al menos 20 veces ms que el rojo (20 * 500 =
10.000), por lo que tendr que salir como mnimo 50 veces (implica que el rojo o el cero salgan
como mximo 30 veces).
Comenzamos por calcular el valor equivalente de la variable normal tipificada:
Luego:
P (X > 50) = P (Z > 2,50) = 1 - P (Z < 2,50) = 1 - 0,9938 = 0,0062
Es decir, la probabilidad de doblar el dinero es tan slo del 0,62% (as, que ms vale que nos
pongamos a trabajar).