VARIABLE ALEATORIA Y DISTRIBUCIN DE PROBABILIDAD

VARIABLE ALEATORIA

La definicin formal de variable aleatoria requiere de ciertos conocimientos

profundos de matemtica, en concreto de la teora de la medida
Definicin prctica. Aqu vamos a simplificar la definicin diciendo que una
variable aleatoria, que denotaremos como VA(x), es:
a. Una caracterstica que produce valores que dependen del azar
b. Una funcin que asocia valores numricos a los eventos que produce un
experimento aleatorio
c. Matemticamente,
cualquier
funcin
(frmula,
relacin
de
correspondencia) que permite encontrar las probabilidades para cada
uno de los valores que produce un experimento F(V (x)), conocida como
funcin de masa o cuanta en el caso de variables aleatorias discretas y
de funcin de densidad, en el caso de variables aleatorias continuas.
d. Toda funcin F(X), que tiene la propiedad de transformar una variable
nominal o cualitativa, en numrica o cuantitativa, como producto de
asignar valores numricos a los eventos que tales variables generan.

Ejemplo:
Supngase el experimento atender dos parturientas primerizas para un proceso de
parto. El espacio muestral, esto es, el conjunto de resultados compuestos
posibles asociados al experimento aleatorio* tipo de parto realizado si C =
parto por cesrea y V = parto va vaginal, sera:
*Si el tipo de parto se realizara de acuerdo a las condiciones naturales aleatoria que presente la
parturienta y no en funcin de una decisin sesgada del mdico que la atienda

S = {CC, CV,VC, VV}

Podemos definir para el anterior experimento un evento elemental E, por ejemplo:
E = nmero de partos por cesrea realizados y definir una funcin (relacin de
asociacin) para la variable aleatoria, as: VA(x): S
R (esto es, una funcin
(frmula) para valores x que toma la VA, tal que asocia, a un espacio muestral
S, un valor numrico que se encuentra dentro del conjunto de los nmeros
reales), es decir, al realizar el experimento se puede observar que:
A los puntos muestrales

CC
CV y VC
VV

1, evento: se observan 2 cesreas

2, evento: se observa una cesrea
0 , evento: no se observan cesreas

luego, como el rango de esta funcin est dentro del conjunto de los nmeros reales
R, esto es R(x) = {0, 1, 2} por lo tanto VA(x): S
R , se dice que es una
variable aleatoria.
Observacin:
Si se pueden conocer todos los valores que puede tomar una variable aleatoria, y
adems tenemos (conocemos o se puede determinar) la probabilidad de cada uno
de esos valores, y estos valores los podemos representar mediante una tabla,
grfico o frmula, se dice entonces que estamos en presencia de lo que
normalmente se conoce como distribucin de probabilidades, en donde la variable

aleatoria no es ms que la funcin (frmula) a la cual se han asociado nmeros

reales (eventos numricos) que dependen del azar
Se puede concluir entonces que la variable aleatoria no es ms que la
funcin que est asociada a un experimento aleatorio, y la distribucin de
probabilidades no es ms que una tabla, grfico o frmula que presenta de
manera ordenada el comportamiento de todas las probabilidades para
cada uno de los eventos que produce la variable aleatoria
Tomando esto como punto de partida analicemos como ejemplo el siguiente
experimento ya conocido: el lanzamiento de una moneda.
Como se recordar encontrar la probabilidad de obtener una cara sera fcil como
producto de aplicar una definicin clsica de probabilidades, esto es P(A) = =
0.5 = 50%, pero Qu pasara si ahora en vez de lanzar una moneda lanzramos
4 de ellas, y en vez de observar una cara estuvisemos interesados en observar
2?
Por quienes estara conformado el espacio muestral?. A fin de visualizar mejor los
resultados elaboremos un diagrama de rbol, y pongamos atencin a las siguientes
observaciones:

Solucin por diagrama de rbol

A

AAAA

4C4 = 1

AAAB

4C3 = 4

AABA

AABB

ABAA

ABAB

ABBA

ABBB

BAAA

BAAB

BABA

BABB

BBAA

BBAB

BBBA

BBBB

A
A
B
4C2 = 6

A
A
B
B
4C1 = 4

0
A
A
B
B
A
B
B
4C0 = 1

Luego, P(2A) = 6/16 = 3/8 = 0.375 = 37.5%

Pues, todava se ve fcil, pero, Qu pasara si en lugar de 4, fueran 10, 20, 100 monedas
ms?, Cmo podramos encontrar las probabilidades si se deseara observar 4, 7 ms
caras?

Una solucin podra facilitarse si pudisemos conocer como se distribuyen sus probabilidades
porqu?, vemoslo a continuacin, no sin antes clasificar las variables aleatorias y definir lo
que se ha de entender en probabilidades por funcin de distribucin
TIPOS DE VARIABLE ALEATORIA
Las variables aleatorias pueden clasificarse segn el recorrido o rango Rx, as:
a) Si Rx es un subconjunto discreto, como en nuestro ejemplo, la variable recibe el
nombre de variable aleatoria discreta o VAD
Otros ejemplos seran:

Personas que mejoran su salud al administrarles determinada medicina

Cantidad de leucocitos por campo encontrados en muestras de orina de nios
enfermos
Nuevos casos de SIDA observados cada mes durante Y ao, etc. pero,

b) Si su recorrido no es un conjunto numerable*, entonces la variable recibe el

nombre de variable aleatoria continua o VAC (en este caso, intuitivamente
implica que el conjunto de posibles valores de la variable abarca a todo un
intervalo de nmeros reales. Ejemplo, sea VA(x) la variable que asigna el peso a
un neonato; supngase que la normalidad de la variable oscila entre 5.75 y 9.15
lbs; luego, como tericamente todo valor entre dichos extremos es posible, se
dice entonces que la variable aleatoria es continua.
Ejemplos de VAC:

Cantidad de colesterol observado en personas de entre 40 y 60 aos

Permetro ceflico de 50 recin nacidos
Tamao de X plantas despus de 15 das de germinacin, etc.

FUNCIN DE DISTRIBUCIN
Cuando para c/una de las anteriores variables es posible encontrar todos los valores
que asumen las mismas, o bien es posible definir una funcin que permitiese
conocer o determinar dichos valores, y se ordenan estos en una tabla de
frecuencias o en una grfica, a tal funcin, que muestra el comportamiento
ordenado de las probabilidades que tienen cada uno de los eventos mutuamente
excluyentes que produce la variable aleatoria, se le conoce como distribucin de
probabilidad, la cual recibe a la vez diferente nombre en funcin de si la variable
aleatoria es discreta o continua, a saber:
a) Funcin de Masa o Cuanta, si se tratase de una variable aleatoria discreta;
luego, una funcin de masa o cuanta es aquella funcin que recoge todos los
valores que asume una VAD, o
b) Funcin de Densidad, si se tratase de una variable aleatoria continua, o sea,
una funcin de densidad es aquella funcin que recoge todos los valores que
se asocian a una VAC
De lo anterior se puede ver que una funcin de distribucin de probabilidades no es
ms que aquella funcin (frmula) que permite obtener las probabilidades de todos
aquellos eventos que produce un experimento aleatorio. Y recordando que la
probabilidad puede expresarse en trminos de frecuencia relativa P(E)= n/N, se
puede decir entonces que una distribucin de probabilidad tambin es un arreglo

ordenado de todas las probabilidades que asumen los eventos (indicadores de la

variable aleatoria),y que estn representados ya sea por una tabla, grfica o una
frmula.
FRMULA DE LA DISTRIBUCIN DE PROBABILIDADES PARA UNA VA(x)
Si x es una variable aleatoria discreta, entonces la distribucin de probabilidades de
la VAD viene dada por la sumatoria de la funcin de masa o cuanta, as:

Pero, Si x es una variable aleatoria continua entonces la distribucin de

probabilidades viene dada por la integral de la funcin de densidad, esto es:
Si x es una variable aleatoria continua
DISTRIBUCIN DE PROBABILIDAD PARA VARIBALES ALEATORIAS DISCRETAS
No es ms que una tabla que presenta el ordenamiento de las probabilidades de
todos los eventos mutuamente excluyentes que puede asumir una variable
aleatoria, asociada a un experimento aleatorio, y que permite determinar cul es el
comportamiento de la variable (espacio muestral o poblacin) en funcin de las
probabilidades. Esto es importante, ya que significa que si pudiramos conocer el
comportamiento de una poblacin en trminos de las probabilidades, entonces
podramos calcular las probabilidades para un subconjunto de valores (muestra) que
se derivaran de ella. Para comprenderlo mejor volvamos a nuestro caso
Qu pasara si quisiramos encontrar las probabilidades para cada uno de los eventos?
hacindolo y ordenndolas tendramos los siguientes resultados
N
Caras
0
1
2
3
4
total

Pm

P(E)

1
4
6
4
1
16

1/16
4/16
6/16
4/16
1/16
1.00

Distribucin grfica de P(E)

P(e)
F(y)=f(m)
6
5
4
3
2
1
0

V(y)
1
2
3
Caras observadas

observaciones
La funcin de distribucin de probabilidad no es ms que la sumatoria de la funcin de
Masa o cuanta, esta ltima a su vez es la frmula que permite obtener la probabilidad
Para cada uno de los eventos que asume la variable aleatoria discreta, esto es:

sea P(E1) + P(E2) + + P(En)

Frmula que depender del comportamiento de las probabilidades de VA(x)

Qu pasara si en lugar de 4, fueran 10, 20, 100 monedas ms?

FUNCIN DE MASA O CUANTA PARA DISTINTOS COMPORTAMIENTOS DE
DISTRIBUCIN DE PROBABILIDADES DE VARIABLES ALEATORIAS DISCRETAS.
Segn sean los comportamientos de las distribuciones de probabilidad, existen ya modelos,
a los cuales se les ha determinada una funcin matemtica especfica, en el caso de VA(x)
las ms estudiadas son:
Distribucin de probabilidad Uniforme
Significa que todos los puntos muestrales tienen igual probabilidad de ocurrir, ejem. En el
lanzamiento de un dado, o el lanzamiento de una moneda, o al contestar una pregunta de
seleccin mltiple, o la probabilidad de un sujeto de pertenecer a determinado grupo
sanguneo.

Distribucin de probabilidad Binomial

P(Y=y) = nCy . Py . Qn-y

Si la probabilidad para un evento puede ser determinada a partir de slo dos posibles
resultados, uno de los cuales denominaremos probabilidad de xito, y al otro probabilidad
de frecaso. Ejem. Determinar para una muestra la probabilidad de encontrar determinado
grupo sanguneo sabiendo que en la poblacin sus indicadores son A=27%, B=10%,
AB=13% y O=50%
Distribucin de probabilidad Binomial negativa
Importante, en el caso de la probabilidad binomial, para determinar el orden en que pueden
ocurrir las probabilidades para un punto muestral o evento especfico
Distribucin de probabilidad de Poisson
en el caso de necesitar encontrar probabilidades para un tamao grande de muestra
(matemticamente, podramos decir, cundo n tiende a infinito) y un pequeo valor de
variable aleatoria con una probabilidad muy pequea (matemticamente, se podra decir,
cuando P tiende a cero)
Distribucin de probabilidad Geomtrica

Distribucin de probabilidad Hipergeomtrica

Distribucin de probabilidad Zeta

LA DISTRIBUCIN BINOMIAL
La distribucin binomial es una distribucin de probabilidad discreta del nmero de xitos en
una secuencia de n experimentos independientes, cada uno de los cuales tiene probabilidad
P de ocurrir. La funcin de masa para la distribucin de probabilidad binomial viene dada por:
P(Y=y) = nCy . Py . Qn-y

PERO, En qu consiste el Experimento Binomial?

La variable aleatoria binomial y su distribucin estn basadas en un experimento que satisface
las siguientes condiciones:

El experimento consiste en una secuencia de n intentos,

donde n se fija antes del experimento.

Los intentos son idnticos, y cada uno de ellos puede resultar en dos posibles
resultados,
que se denotan por xito (P) o fracaso (Q, ) luego (P(P)+P(Q)=1

Los intentos (ensayos) son independientes: el resultado de cualquier intento en particular

NO influye sobre el resultado de cualquier otro intento.

La probabilidad de xito es constante de un intento a otro.

Por lo tanto, si un problema que requiere del clculo de probabilidades puede

plantearse en estos trminos, su solucin podra obtenerse por medio de la frmula
de Bernoulli, POR EJEMPLO, para el caso del experimento de la moneda, si por
alguna razn se deseara encontrar la probabilidad de sacar 5 caras y 7 coronas en
12 lanzamientos, podra hacerse por un anlisis Binomial? Porqu? Pues porque
revisando las caractersticas se puede observar que:
1.- se requiere hacer una secuencia de 12 ensayos.
2.- los ensayos (experimentos) seran idnticos: lanzar una moneda a lo vez,
lo cual
slo podra dar 2 resultados: o cae cara o NO cae cara, siendo P= cae
cara , el xito
y Q = cae corona, o NO cara el fracaso en este punto es importante
aclarar que el
xito o fracaso viene definido por el evento de inters, y/o por el
investigador, quien
previamente ha de determinar a qu suceso le llamar xito y a qu,
fracaso
3.- los ensayos son idnticos (lanzar una moneda tras otra) pero el hecho de
que el
resultado de un n1 sea cara no implica que el resultado de un n 2 tambin
ser cara,
o ser afectado, esto es: tenga ms o menos probabilidad de ocurrir lo que
nos indica
que los ensayos son independientes, y por ltimo
4.- la probabilidad de xito es constante, ya que dado que slo puede caer
cara o corona,
entonces P(E)=1/2 = 0.5 ( a este respecto es importante hacer notar que no siempre
la probabilidad de xito viene dada por la probabilidad clsica, sino que esta puede
ser dada por la probabilidad frecuencial observada del fenmeno o incluso por la
probabilidad emprica o personal; en este sentido, la probabilidad de xito puede ser
obtenida por:
a)
b)
c)
d)
e)
f)

Referencia estadstica
Sondeo o estudio piloto
Planteamiento de hiptesis
Probabilidad clsica usando Mtodos de conteo
Asuncin o presuncin de P=Q
Otras formas (determinacin a partir de indicadores, etc.)

Solucin: extrayendo los datos tenemos que n = 12; y = 5 y P = 0.5, entonces

aplicando la frmula de Bernoulli:
0.193359375

La media y la varianza para una distribucin binomial se obtienen,

respectivamente as: = nP; = nPQ, luego para nuestro caso se tendra
que:

= 12(0.5) = 6

= 12(0.5)(0.5) = 3

EJEMPLO 2.- supngase que como producto de una investigacin se observa que un
15% de las estudiantes universitarias de Y universidad sale embarazada antes de
terminar su tercer ao de estudios, y que l 75% de ellas deja el estudio como
consecuencia de la situacin, si para efectos de evaluar el fenmeno, ud toma
aleatoriamente y sin que se sepa 25 seoritas de nuevo ingreso, y se dispone a
llevar el control respectivo, Qu probabilidad tiene de observar al final de 3 aos
que:
a) 5 seoritas salgan embarazadas
b) Al menos 2 seoritas dejen de estudiar por salir embarazadas
c) A lo sumo 3 se embaracen pero no dejen de estudiar
Qu probabilidad hay que al tomar una muestra de 15 seoritas que desertaron del
estudio se observe que:
a) dos lo hayan hecho por haber salido embarazadas
b) a lo sumo 3 hayan abandonado los estudios por embarazo
c) ninguna lo hizo por embarazo
Ahora bien, Qu pasara si en vez de tomar una muestra de 15, tomsemos como
observacin las 600 que ingresan en Y facultad, y que se sabe que slo el 3.5% de
las estudiantes deja de estudiar como consecuencia de un embarazo? Que la
binomial ya no nos es tan til ni viable su clculo, por lo que la probabilidad es
mejor calcularla a partir de la distribucin de Poisson, pero Qu es la distribucin
de Poisson?, vemoslo a continuacin
LA DISTRIBUCIN DE POISSON
En teora de probabilidad y estadstica, la distribucin de Poisson es una
distribucin de probabilidad discreta. Expresa la probabilidad de un nmero de
eventos ocurriendo en un tiempo fijo si estos eventos ocurren con una tasa media
conocida, y son independientes del tiempo desde el ltimo evento. En trminos
concretos la probabilidad viene definida por la funcin de masa

en dnde: Su media y su varianza son:

y:

e es el base del logaritmo natural (e = 2.71828...),

k es el nmero de ocurrencias de un evento, k! es el factorial de k,

es un nmero real positivo, equivalente al nmero esperado de ocurrencias
durante un intervalo dado. Por ejemplo, si los eventos ocurren de media cada
4 minutos, y se est interesado en el nmero de eventos ocurriendo en un
intervalo de 10 minutos, se usara como modelo una distribucin de Poisson
con = 2.5, ya que 10min/4min = 2.5

Por ejemplo, si 2% de los nios en cierta unidad de salud adquieren X problema de

salud, obtngase la probabilidad de que 5 de 400 nios atendidos en esa unidad de
salud tengan el problema de salud X.
Solucin: dado que el nmero de ocurrencias del evento es k = 5, mientras que el
nmero esperado de veces que ocurra como promedio el evento es = nP =
400(0.02) = 8; entonces, la probabilidad segn Poisson sera:

y sustituyendo valores

0.091603661

Ejemplo de aplicacin: solucionemos ahora nuestro anterior problema de partida

para el tema, esto es: Qu probabilidad habra, en el caso de las universitarias que
abandonan sus estudios como consecuencia de embarazo, que 10 de las 600 que
ingresan en Y facultad, se observe que dejen de estudiar por tal motivo, dado que
un nuevo estudio poblacional indique que slo el 3.5% de la poblacin lo hace por
causa del embarazo de la estudiante?
Ahora K = 10, y como puede calcular = nP = 600(0.035) = 21; luego:
P(10;21) = 2110 e-21/10! = 0.003485345168
P(10;21) = 0.35%
Observacin sobre el uso de la distribucin de Poisson
La distribucin de Poisson puede ser vista como un caso limitante de la distribucin
binomial, es decir, que una distribucin binomial en la que
y P 0 se puede
aproximar por una distribucin de Poisson de valor = Np.
La distribucin de Poisson se aplica a varios fenmenos discretos de la
naturaleza
cuando la probabilidad de ocurrencia del fenmeno es
constante en el tiempo o el espacio. (esto es, aquellos fenmenos que
ocurren 0, 1, 2, 3, ... veces durante un periodo definido de tiempo o en una
rea determinada). Ejemplos de eventos que pueden ser modelados por
esta distribucin seran:
El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de
los semforos) durante un periodo definido de tiempo.
El nmero de errores de ortografa que uno comete al escribir una nica pgina.
El nmero de llamadas telefnicas en una central telefnica por minuto.
El nmero de animales muertos encontrados por unidad de longitud de ruta.
El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin.
El nmero de estrellas en un determinado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.
Nota: La distribuciones Poisson son funciones probabilsticas infinitamente divisibles.
DISTRIBUCIN DE PROBABILIDAD PARA VARIBALES ALEATORIAS CONTINUAS
Como distribucin de probabilidad, estamos siempre ante una tabla, frmula o una grfica que
nos proporciona probabilidades o frecuencias relativas; la diferencia reside en que ahora
no hablamos de la probabilidad de un punto o valor, sino de la probabilidad de un valor o
punto entre dos puntos o valores cualesquiera .
Se denomina DISTRIBUCIN DE VARIABLE CONTINUA a aquella que puede tomar cualquiera de
los infinitos valores existentes dentro de un intervalo. En el caso de variable continua la
distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos
entonces que:

Las distribuciones de variable continua ms importantes son las

siguientes:

Distribucin uniforme
Distribucin normal (o de gauss)
Distribucin gamma
Distribucin exponencial
Distribucin Pareto
Distribucin ji-cuadrada

Distribucin t de Student
Distribucin Laplace
Distribucin beta
Distribucin de Cauchy
Distribucin F de Snedecor-Fisher

LA DISTRIBUCIN NORMAL Y LA NORMAL UNITARIA

La distribucin normal, llamada distribucin de Gauss o distribucin gaussiana, es
la distribucin de probabilidad que con ms frecuencia aparece en estadstica y teora de
probabilidades. Esto se debe a dos razones fundamentalmente:

Su funcin de densidad es simtrica y con forma de campana, lo que favorece su aplicacin como
modelo a gran nmero de variables estadsticas.

Es, adems, lmite de otras distribuciones y aparece relacionada con multitud de resultados ligados
a la teora de las probabilidades gracias a sus propiedades matemticas.

La funcin de densidad est dada por:

Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene
forma de campana. 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 y antropomtricos de los individuos

Indicadores de laboratorio clnico: glucosa, hemoglobina, colesterol, etc.
Caracteres fisiolgicos como el efecto de un frmaco
Caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos
Caracteres psicolgicos como el cociente intelectual, etc.
ESTANDARIZACIN DE LA DISTRIBUCIN NORMAL
(origen de la distribucin normal)

Para una mejor comprensin de este tema, partamos de un poco de

historia. Realmente, fue un trabajo de ms de 200 aos para descubrirla y
establecer su ecuacin: la ley normal
La distribucin normal se conoce como la curva de Gauss o campana de Gauss,
famoso matemtico alemn del siglo 19. Su origen viene de la observacin de un
estadstico francs del siglo 18, Abraham de Moivre, que, entre otras cosas,
actuaba como consultor para temas de juegos. Observ que al lanzar una moneda,
la probabilidad de obtener cara (o cruz) en N tirada tena una representacin
grfica con una curva suave a medida que N se haca grande. Ver las grficas
siguientes:

 Distribucin Binomial hacia la Distribucin Normal

En los grficos presentados, la altura de cada barra representa la probabilidad de
que ocurra el evento (sale cara al lanzar una moneda) de N veces que lanzamos la
moneda (hemos cogido, N=2; N=4; N=12). Si la moneda no est trucada, la
probabilidad de que salga cara al lanzarla es del 50% (p=0,5). Este fenmeno
sigue una distribucin conocida como la Binomial.
De Moivre explic que si pudiramos encontrar una ecuacin para la curva que se
define, entonces se solucionara ms fcilmente el clculo de probabilidades de que
aparezca x, (o ms caras) al lanzar N veces una moneda. y eso fue una de sus
metas sin imaginar que esta peculiar forma de campana tambin se haba
detectado, en el siglo 17, por Galileo en el anlisis de errores de medicin de
observaciones astronmicas; errores atribuibles a la instrumentacin y a los
observadores. Galileo Not que estos errores eran simtricos y que los pequeos
errores eran ms frecuentes que los errores grandes. De ah, se plantearon varias
hiptesis sobre la distribucin de los errores de medicin. No obstante ambas
observaciones y trabajos, fue solo a principio del siglo 19th que se descubri que
estos errores seguan una distribucin normal.
Dos matemticos establecieron de manera independiente su frmula: Adrian en
1808 y Gauss en 1809 quien fue el que al final dio su nombre a la ms famosa de
las distribuciones estadsticas ya que numerosos fenmenos naturales se ajustan a
ella y que presenta unas propiedades sumamente interesantes. Pero, Qu fue lo
que en realidad determinaron estos matemticos? Saquemos nosotros nuestras
propias reflexiones, a saber:
Al hacer un anlisis del histograma se puede comprobar que las sub reas
corresponden a las frecuencias de la ocurrencia de los valores de la variable
entre las fronteras en la escala horizontal, esto es

f6

Donde:
f1 + f2 + .. + f6 = frecuencias absolutas

f5

C1, C2, .C6 = C ; ancho de clase

f4

A1, A2, ..A6 = reas correspondientes a

cada clase

f3
f2
f1

C1

C2

C3

C4

C5

C6

La frecuencia relativa de la ocurrencia de los valores especificados vendr dada

por la proporcin del rea total del histograma que cae entre esos puntos.
En otras palabras las frecuencias relativas para cada clase representan una
proporcin del histograma, o sea: A = fi x C y como:
f1 + f2 + .. + f6 = F, es igual al total de frecuencias, entonces la frecuencia relativa de la clase 1
es:

frc = f1 / F , que es igual a la probabilidad de ocurrencia de la clase 1, lo cual puede

expresarse tambin
por medio de las reas, esto es:

AT = A1 + A2 + . + A6, pero del grfico se puede ver que A =fixC, por lo que
sustituyendo, tenemos que:

AT = f1xC + f2xC + . + f6xC , que escrito abreviadamente usando la definicin de

sumatoria, nos da:

AT = C fi , y como fi = F, entonces AT = CF, por lo que finalmente, para una

proporcin (frecuencia
relativa de rea) de A, por ejemplo A1 se puede ver
que:

A1 / AT sera lo mismo que Cf1 /CF y simplificado:

A1/AT =

frc

= f1/F

A1 / AT = f1 / F = frc es decir

O sea que A1/AT ; f1/F representan la frecuencia relativa de la ocurrencia de los valores que
se encuentran en cada rectngulo del histograma, entre f i las verticales levantadas en
Ai
Ahora bien, un anlisis final se puede hacer, y es el hecho de que a medida en que se
aumente el nmero de intervalos hacia el infinito, reducindose su ancho de clase, y
aumentando el nmero de valores de la variable, el histograma tomar la forma de
una curva suave, ver figuras siguientes:

y que son el tipo de grfica que reflejan generalmente las distribuciones de variables
aleatorias continuas con tendencia normal por ejemplo, la estatura de una poblacin

Sobre estos tipos de distribucin que tienen tendencia normal, podemos sacar
algunas conclusiones importantes:
a) Son simtricas respecto de su media, por lo tanto la media, la mediana y la
moda son iguales.
b) Si se han graficado las frecuencias relativas, el rea total bajo la curva y
sobre el eje horizontal, es igual a 1, por cuanto se trata de una distribucin
de probabilidades y porque fr = fi/N
c) Si se levantan perpendiculares a una distancia de una, dos y/o tres
desviaciones tpicas, en ambas direcciones, entonces el rea encerrada
entre estas perpendiculares ser aproximadamente del 68.23, 95 y 99.7%
aproximada y respectivamente en funcin del rea total
d) La frecuencia relativa (probabilidad) de la ocurrencia de los valores entre 2
puntos cualesquiera sobre el eje horizontal es igual al rea total limitada
por las rectas perpendiculares levantadas en esos dos puntos , la curva y el
eje horizontal. Esto es:

fr (ab)= AT

probabilidad de que ocurran los valores comprendidos entre a y b

AT

que como ya se ha dicho antes tiene como funcin la expresin matemtica

, a la cual si
damos distintos valores de x para unos valores de y determinados paramtricamente,

podemos generar unos intervalos de confianza o probabilsticos Z, donde Z es un valor

asociado a cierto nivel de confianza de que determinada cantidad de poblacin se halla dentro de
determinado intervalo

Dado lo anterior se puede afirmar que la curva normal queda definida entonces por los
parmetros y , y de acuerdo a esta ltima caracterstica tendremos una familia de
distribuciones segn ellas (ver figura) , en donde desplaza la curva hacia la derecha cuando
crece (asimetra); y la hace ms achatada cuando crece (curtosis), luego cuando =0 y =1,
tenemos el caso particular de distribucin llamada distribucin normal unitaria o estndar.

Familia de distribuciones normales

Frecuentemente, es con la CNU que se obtienen probabilidades para cualquier variable aleatoria
continua en estudio que tenga esta tendencia o comportamiento normal, y en lugar de utilizar la
frmula matemtica (funcin de densidad) se puede recurrir a unas tablas en que se nos
proporcionan las reas bajo la curva normal para un valor definido de z. Antes de hacerlo y para
hacerlo (calcular probabilidades usando la CNU) es importante aclarar que para convertir una
variable aleatoria X en una variable aleatoria Z, es necesario estandarizar o tipificar los valores
de la Variable X, lo cual se puede hacer procediendo de la siguiente manera:

,
se dice entonces, que se ha tipificado o estandarizado la variable X, si sustituimos X en Z,
esto grficamente es:

La anterior grfica (distribucin Z) tienen las siguientes caractersticas:

Se puede encontrar la probabilidad de que z tome un valor entre dos

puntos cualesquiera del eje z encontrando el rea limitada por las
perpendiculares levantadas en estos puntos, la curva y el eje horizontal
Como ya se mencion antes, en lugar de usar la frmula de la distribucin
podemos hacer uso de tablas para valores estandarizados,
(vase la pgina siguiente): en donde los interceptos de z representan las
reas bajo la distribucin normal unitaria, el eje Z, y la perpendicular z=0, y
la perpendicular levantada a una distancia Z i, rea que a su vez representa
las probabilidades de ocurrencia del intervalo de valores que caen entre
z=0 y z=zi;
Veamos algunos ejemplos para una mejor comprensin:

Ej.1.- Encontrar a partir de la distribucin normal unitaria, el rea bajo la curva, por encima del eje z
entre z=0 y Z = 2.21

Paso1: hacemos un esquema para visualizar el

rea
Paso2: buscamos en la tabla de reas bajo la
curva normal tipificada de 0 a Z, el intercepto
entre Z=2.2 y Z=0.01 (ver tabla) y se observa que
da: 0.48645 lo que puede interpretarse como:
hay la probabilidad de que al tomar una z al
azar esta se encuentre entre 0 y 2.21 es del
48.645% aproximadamente.
0
Ej.2.- encontrar el rea comprendida entre Z = 1.25 y Z = 2.75

2.21

A11z
A2
1
Paso1: hacemos un esquema para visualizar el rea
Paso2: buscamos en la tabla de reas bajo la curva
normal tipificada de 0 a Z, el valor de A1=Az -1.25 y
A2=Az2.75 tenemos que:
Paso3: AT = A1 + A2 = 0.39435 + 0.49702
AT = 0.89137
P=89.137% aproximadamente
-1.25

2.75

Ej.3.- aplicacin de DNU a una variable aleatoria continua real

Si las estaturas de X poblacin indican una tendencia con comportamiento normal con de 1.67 y de
6 cms. a) Qu probabilidad tendra un sujeto tomado al azar de dicha poblacin de tener una estatura
comprendida entre la media y 1.6 m?, b) Qu probabilidad tendra un sujeto de que su estatura este
entre los 1.55 m y la estatura promedio? Y c) Qu probabilidad tendra de tener una estatura entre 1.60
y 1.70m?
Solucin del literal c): puesto que los valores dados corresponden a una variable continua X, tendramos
que hacerlo por integracin, pero dado que ya existe un modelo estandarizado para una variable
aleatoria continua Z, en donde las probabilidades ya estn determinadas para cada valor que esta
asuma, entonces mejor transformamos la variable aleatoria X a Variable aleatoria Z, proceso que
denominaremos Estandarizacin de X, y que podemos hacer de la siguiente manera:
que sustituyendo tenemos que:

, por lo

Si X = 1.60 entonces Z = (1.60 1.67)/0.06 = 1.1666666 -1.17

Si X = 1.70 entonces Z = (1.70 1.67)/0.06 = 0.50
Luego trasladamos los datos a un esquema de DNU procedemos a realizar el clculo de probabilidades,
esto es:

Az 1

Az 2

AT
AT = Az 1 + Az 2 = 0.37900 + 0.19146
AT = 0.57046
Y por lo tanto P(1.6X1.7) 57.05%
-1.17

0 0.5

EJERCICIOS PARA QUE LOS HAGA EL ESTUDIANTE

Supngase que la poblacin del problema anterior son de los 287 estudiantes de
bioestadstica que realizaron la PBANIPs y que por alguna razn estamos interesados
en seleccionar un estudiante al azar, entonces: Qu probabilidad tendra este de:
a)
b)
c)
d)
e)
f)
g)
h)
i)

Tener una estatura menor de 1.58 m?

Estar entre los 1.7 y los 1.8 m?
Ser mayor de 1.85 m o menor de 1.55 m?
Ser mayor de 1.569 m pero menor de 1.635 m?
Qu porcentaje tendra una estatura mayor que 1.72 m?
Cuntos se esperara tengan una estatura superior a los 1.65 m?
Qu porcentaje est entre 1.75 y 1.87?
Cuantos son menores de 1.66 m?
Cuntos son altos