Mapa Conceptual

Variable aleatoria y Distribución Normal

Variable aleatoria Distribución

normal tipificada:
Variable aleatoria: y Curva simétrica con
asocia un evento con
distribución normal media 0 y desviación
un valor numérico.
estándar 1.

Distribución normal
Intervalos de confianza:
no tipificada:
 σ σ  X 
 x  z  , x  z 
 1α
2 n 1α
2 n  Z
σ

Esperanza matemática: E(X) = x1 · P(X = x1) + x2 · P(X = x2) + x3 · P(X = x3) + … + xk · P(X = xk)
1. Variable aleatoria
Variable aleatoria

 Un experimento aleatorio es cualquier procedimiento cuyo resultado no se

puede predecir y un evento o suceso es un resultado específico dentro de
dicho experimento.
 Una variable aleatoria es la función que asocia un evento con un valor
numérico, por lo cual el dominio de la variable aleatoria corresponde al
espacio muestral del experimento (conjunto de todos los resultados posibles) y
el recorrido corresponde a todos los valores que toma esta variable
aleatoria.

Ejemplo: Un experimento aleatorio es “lanzar un dado dos veces”.

El espacio muestral del experimento es:

{(1,1), (1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,2), (2,3), (2,4), (2,5), (2,6), (3,1),
(3,2), (3,3), (3,4), (3,5), (3,6), (4,1), (4,2), (4,3), (4,4), (4,5), (4,6), (5,1),
(5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2), (6,3), (6,4), (6,5), (6,6)}
 1. Variable aleatoria
Variable aleatoria

Si se define la variable aleatoria X como “la suma de los resultados”, entonces

los valores que toma la variable aleatoria, es decir, el recorrido de X
corresponde al conjunto {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}, ya que son los
valores que se obtienen al sumar todos los posibles resultados.

Ejemplo: Un experimento aleatorio es “lanzar una moneda tres veces”.

El espacio muestral de este experimento es:

{CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS}

Si ahora se define la variable aleatoria X como “el número de caras en los

resultados”, entonces el recorrido de X es el conjunto {0, 1, 2, 3}, donde en uno
de los casos la variable toma el valor 0, en tres casos la variable toma el valor
1, en tres casos la variable toma el valor 2 y en un caso la variable toma el
valor 3.
 1. Variable aleatoria
Esperanza matemática

Sea X una variable aleatoria que toma los valores reales {x1, x2, x3, …, xk}. La
esperanza matemática o valor esperado E(X), corresponde a la suma de los
productos entre cada valor que toma la variable y su probabilidad. Es decir:

E(X) = x1 · P(X = x1) + x2 · P(X = x2) + x3 · P(X = x3) + … + xk · P(X = xk)

donde P(X = xi) es la probabilidad que la variable aleatoria X tome el valor xi.

Ejemplo: En una caja hay cuatro bolitas azules y dos bolitas rojas, todas de
igual peso y tamaño. Un experimento consiste en extraer al azar dos bolitas,
una tras otra y sin reposición, y se define la variable aleatoria X como el
número de bolitas azules que se extraen. Entonces, el valor esperado de X es:
 1. Variable aleatoria
Esperanza matemática

En la caja hay 6 bolitas, de las cuales 4 son azules. Como se extraen dos bolitas,
entonces los valores que puede tomar X son 0, 1 y 2.

2 1 2
P(X = 0) = · = (Probabilidad de extraer ninguna azul)
6 5 30

4 2 2 4
P(X = 1) = · + · (Probabilidad de extraer solo una azul)
6 5 6 5
8 8
= +
30 30
16
=
30
4 3 12
P(X = 2) = · = (Probabilidad de extraer dos azules)
6 5 30
 1. Variable aleatoria
Esperanza matemática

Luego:

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

2 16 12
=0· +1· +2·
30 30 30
16 24
= +
30 30
40
=
30
4
=
3

Por lo tanto, el valor esperado de X es 4 1, 3.

3
 1. Variable aleatoria
Distribuciones estadísticas

El área que se encuentra bajo cualquier porción de la curva representa el

porcentaje de los datos que se encuentra en dicho intervalo, es decir, la
probabilidad P de que la variable tome algún valor dentro de él.

Ejemplo: A continuación se Frecuencia

indica el área de ciertas relativa 0,3 0,6 0,1
secciones de la curva anterior.

X
Se puede interpretar como: 2 5 7 8

El 30% de los datos es menor o igual que 5, o sea, P(X ≤ 5) = 0,3

El 60% de los datos está entre 5 y 7, o sea, P(5 ≤ X ≤ 7) = 0,6

El 10% de los datos es mayor o igual que 7, o sea, P(X ≥ 7) = 0,1

 2. Distribución normal
Distribución normal tipificada

Es una distribución estadística cuya función de densidad es simétrica con

respecto al eje Y, y cuya forma se denomina “campana de Gauss”.
Sea Z una variable estadística. Se dice que Z se distribuye de forma normal
tipificada o estandarizada si la media, la moda y la mediana de la distribución
son 0, y su desviación estándar es 1  Z ~ N(0, 1).

2,1% 13,6% 34,1% 34,1% 13,6% 2,1%

Z
–3 –2 –1 0 1 2 3

Teóricamente Z puede tomar cualquier valor real, sin embargo, el 99,6% de los
datos (prácticamente todos) se encuentran entre – 3 y 3, distribuyéndose como
indica el gráfico.
 2. Distribución normal
Distribución normal tipificada

Ejemplo: Sea Z una variable aleatoria con

distribución normal tipificada.
La probabilidad que el valor de Z sea menor o igual
que 1,15 es 0,875; ya que es igual al área bajo la
curva hasta este punto. Es decir, el 87,5% de la
población es menor o igual que 1,15.

Área bajo
la curva
Z
0 1,15

Nota: Por simetría de la curva, el 87,5% de la población es mayor o

igual que – 1,15.
 2. Distribución normal
Distribución normal tipificada

Propiedades:

X
–a 0 b a

Si se conoce P(X ≤ a) y P(X ≤ b), con a > b, entonces:

P(X ≥ a) = 1 – P(X ≤ a) (ya que el área total bajo la curva es 1)

P(X ≥ – a) = P(X ≤ a) (ya que la curva es simétrica)

P(b ≤ X ≤ a) = P(X ≤ a) – P(X ≤ b) (por descomposición de áreas)

 2. Distribución normal

Intervalos de confianza

Ejemplo: Sea Z una variable aleatoria con distribución normal

tipificada. Si el nivel de confianza es del 95%, entonces:

(1 – α) · 100 = 95 Entre – 1,96 y 1,96 se

(1 – α) = 0,95 encuentra el 95% de la
α = 0,05 población, es decir, en
α el intervalo:
= 0,025 [– 1,96; 1,96].
2
α
1 – = 0,975
2

Luego:
z1 α= 1,96
2
 2. Distribución normal

Intervalos de confianza

Si de una población, que bajo una cierta variable tiene un comportamiento

normal con media μ y desviación estándar σ, se extrae una muestra de n
elementos, donde el promedio de la muestra es , entonces el intervalo de
confianza, conxun nivel de confianza (1 – α), es:
[ – E, + E]
x x Nota: Corresponde al
valor que toma la
variable aleatoria Z,
Donde E es el error, y se determina con la fórmula:
con distribución
σ
Ez α normal tipificada,
1 n cuando el área bajo la
2 1 α
curva es 2

De esto se concluye que con un (1 – α)% de seguridad, la media de la

población se encuentra en el intervalo [ x – E, x + E].
 2. Distribución normal
Intervalos de confianza

Ejemplo: En una plantación, el peso de las sandías se ajusta a una distribución

normal cuya desviación estándar es de 1.000 gramos. Se extrae una muestra de
64 sandías al azar y se determina que el promedio de dicha muestra es de 5.430
gramos. Considerando un nivel de confianza del 90%, la media del peso de las
sandías de la plantación, en gramos, se encuentra en el intervalo…

Como se desea trabajar con un nivel de confianza del 90%, entonces

(1 – α) es igual a 0,9. Luego α = 0,1, por lo tanto:
α
1  1 0,05  0,95  z α  z0,95  1,64
2 1
2

Extrayendo los datos del enunciado: σ = 1.000 gramos.

n = 64 sandías.
x = 5.430 gramos.
z0,95= 1,64
 2. Distribución normal

Intervalos de confianza
Sustituyendo los datos conocidos en la fórmula del error y calculando:

1.000
E  1,64 
64
1.000
 1,64
8
 1,64125
 205

Luego, el intervalo de confianza corresponde a:

[x – E, x + E] = [5.430 – 205, 5.430 + 205]

= [5.225, 5.635]