You are on page 1of 64

VARIABLES ALEATORIAS Y DISTRIBUCIN DE

PROBABILIDADES

HAMLET MATA MATA PROF. DE LA UNIVERSIDAD


POLITCNICA DE EL TIGRE-VENEZUELA
http://hamletyestadisticaspss.jimdo.com/
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 VARIABLE ALEATORIA 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.
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:

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 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 variable aleatoria X que represente esa
distancia, X puede tomar cualquier valor en el intervalo [0,1].

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 diarios de arrendamiento de camionetas
Durante un periodo de 50 das.
Demandas
Nmero
de Probabilidad P(X )
Valor
Posibles X
Das
Ponderado X .P( X )
3
3
0.06
0.18
4
7
0.14
0.56
5
12
0.24
1.20
6
14
0.28
1.68
7
10
0.20
1.40
8
4
0.08
0.64
E ( X ) 5.66
TOTALES
50
1.00

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.
VARIABLES ALEATORIAS DISCRETA: La variable aleatoria X se dice que es
discreta si los nmeros asignados a los sucesos elementales de E son puntos
aislados. Sus posibles valores constituyen un conjunto finito o infinito numerable.
Por ejemplo, supongamos el experimento consistente en lanzar tres veces una
moneda no trucada; si consideramos la variable aleatoria X = nmero de caras
obtenidas en los tres lanzamientos, los valores que puede tomar esta variable
aleatoria son finitos (0,1,2,3).
Entonces, 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 (S), Jess
(J) y Boris (B), 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:
b
Espacio Muestral

3
SJB

1
1
0
0
1
SBJ JSB JBS BSJ 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)

0
1
3

1
1
2

3
1
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:

3 5
3 5


10
0 2

1 1 15 ,..
f (0) P(X 0)

,..
f
(
1
)

P
(
X

1
)

28
28
8
8


2
2
3 5

3
2
0
.f (2) P(X 2) 8
28


2

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


x
f(x)

0
10
28

1
15
28

2
3
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(SS)

P(X=0)

P(de observar una cara)

P(SC o CS) =

P(X=1)

P(de observar dos caras)

P(CC)

P(X=2)

/4

Si ahora se organizan estos resultados en el siguiente cuadro:


X

P(X=x)

1
2

/4

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


esta informacin se puede construir un histograma como el siguiente:

PROBLEMA

Se Lanzan dos dados al aire. Cul es


en los dados sea menor que 8?

probabilidad de que la suma de los puntos

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

10

11

12

Probabilidades

1
36

2
36

3
36

4
36

5
36

6
36

5
36

4
36

3
36

2
36

1
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 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.

10

11

12

f(x)

1
36

2
36

3
36

4
36

5
36

6
36

5
36

4
36

3
36

2
36

1
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 los valores que
puede tener f(x) obtenemos 1, debido a que estamos sumando las probabilidades
de que la variable aleatoria asuma uno de los 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, 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 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. 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,
xf , donde, ( ) es la media de la poblacin, la cual
utilizando la frmula,

n
f
puede expresarse como X .
n
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 )

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
/4

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


2

xP ( x) 0.
x 0

1
1
1
1. 2. 1
4
2
4

Anlogamente, la varianza se defini como

procedimiento semejante al anterior se tiene:

f (x )2

, y haciendo un

( x )2 n
f

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 )2 P( x )

POR EJEMPLO: Considerando la misma distribucin de probabilidad


anterior, su desviacin estndar se calcula:

( 0 1 )2

del ejemplo

1
1
1
1
1
1
1 1
1
2
( 1 1 )2 ( 2 1 )2 1. 0. 1.

.
4
2
4
4
2
4
4 4
2
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 resultado x un
factor de ponderacin
f x ( x ) P( X x ) .
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:
N

x E ( X ) X i P( X i ) , donde:
i 1

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
x o
discreta X, expresada por
E (X ), es:

x E ( X ) xf x ( x)
x

x E ( X ) X i P( 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 de 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

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
1
.
P(X = 2) = P(HH) =
4
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
4

1
2

1
4

E ( X ) 0 1 2 1.0.
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 x1 , x2 ,..., xn , de la variable
aleatoria X por su probabilidad correspondiente f ( x1 ), f ( x2 ),....., f ( xn ), 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

4 3

x 3 x

f(x)
, para x = 0, 1, 2, 3.
7

3
Aplicando la formula se calculan los diferentes f ( xi ) as:

4 3
4 3
4 3
4 3




1
12
18
0 3 0
1 31
2 3 2

3 33 4
f (0)

;..
f
(
1
)

;..
f
(
2
)

,..
f
(
3
)

35
35
35
35
7
7
7
7




3
3
3
3
Los clculos

obtenidos son:

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

1
12
18
4 60 12

1.70.
1 2 3
35
35
35
35 35 7

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 ) . Recuerde que la probabilidad de salir cara es
2 2 2 8
igual a la 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 E1 CCC , SSS y - 3
$ si ocurre el evento E2 CCS , CSC, SCC; CSS , SCS , SSC.Si se observa que E1 y E2 se
presentan con probabilidad de y , respectivamente, se concluye que

1
4

3
4

E ( X ) 5 3 1.
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
prdida 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
NMERO DE MUJERES ATENDIDAS DIARIAMENTE DURANTE 100
DAS EN UNA CLNICA PARA LA ATENCIN DE CNCER DE MAMA.
Valores
posibles de la
Variable
Aleatoria.
(1)
100
101
102
103
104
105
106
107
108
109
110
110
112
113
114
115
TOTALES

Nmero de
das que se
observa este
nivel (fi).
(2)
1
2
3
5
6
7
9
10
12
11
9
8
6
5
4
2
100

Probabilidad de que
la variable aleatoria
tome estos valores.
(3)

Esperanza
Matemtica.
(1)x(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

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.

0,14

Grafica correspondiente a la distribucion de


probabilidad para la variable aleatoria discreta,
"nmero diario de pacientes atendidos en una clinica"

0,12

PROBABILIDAD

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

0
Nmeros diarios de mujeres atendidas

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 real-

mente 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
bolvares, 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
bolvares.
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 bolvares?
1
SOLUCIN: La probabilidad de que nos ganemos el televisor es
, entonces
1000
nuestra esperanza matemtica es
1
480000
480000x

480 , es decir, 480 bolvares. Por lo tanto, en un sentido


1000
1000
estrictamente monetario, seria irracional pagar ms
de 480 bolvares 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,..x3 100000,..x 4 250000,..


P1 0.24,..P2 0.35,..P3 0.25.. y..P4 0.12

Si ahora se aplica la frmula matemtica para la obtencin de la Esperanza


Matemtica se tiene:
N

x E ( X ) X i P( 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
x

3 1 3
f ( x)
x 4 4

3 x

, x 0 ,1, 2, 3. Encuentre la esperanza matemtica.

SOLUCIN:
0

27
27
3 1 3
3 1 3
3 1 3 9
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:

x
f (x)

0
27

64

1
27

64

2
9

64

3
1

64

Aplicando la siguiente formula : x E ( X ) X i P( X i ) . Se tiene:


i 1

27
27
9
1 27 (2)9 (3)1 48 3
E 0 1 2 3

0.75.
64
64 4
64
64
64
64

Luego la esperanza matemtica buscada es de 0.75.

FUNCIN DE DISTRIBUCIN ACUMULADA


En la teora de probabilidades y estadsticas, la funcin de distribucin
acumulativa (FDA), o simplemente funcin de distribucin, describe la
probabilidad de que un valor real variable aleatoria X con una determinada
distribucin de probabilidad se encontrar en un valor menor o igual que x. Las
funciones de distribucin acumulativa tambin se utilizan para especificar la
distribucin de mltiples variables aleatorias. Diremos que F es la Funcin de
distribucin acumulada de probabilidad de X.

Si X es una variable aleatoria, entonces para cualquier nmero real x0, existe la
probabilidad P( X x0 ) del evento X x0 (X toma cualquier valor menor o igual a
x0). La probabilidad P( X x0 ) que depende de la eleccin de x0 es la probabilidad
acumulada hasta x0 que es la funcin distribucin o distribucin acumulada y
se denota por F(x0). Entonces, F ( x0 ) es igual a:

F ( x0 ) P X x0

p( x

X xi

OBSERVACIONES
1. F(xo) = P[X xo] = p(x1) + p(x2) + ... + p(xo)
2.
Si
X:
0,
1,
2,
3,
4
entonces
F(0) = P[X 0] = P(X < 0 ) + P(X = 0) = 0 + p(0) = p(0)
F(1) = P[X 1] = P(X 0) + P(X = 1) = p(0) + p(1)
F(2) = P[X 2] = P(X 1) + P(X = 2) = p(0) + p(1) + p(2)
F(3) = P[X 3] = P(X 2) + P(X = 3) = p(0) + p(1) + p(2) + p(3)
etc.
En general:

F(x)

P[X

x-1]

P(X

x)

F(x-1)

p(x)

3. Si X: 0, 1, 2, 3, ..., n entonces: F(x) = 0 si X < 0. La acumulada siempre


empieza en 0. Siendo funcin de probabilidad, no puede tomar valores
negativos. F(x) = 1 si X n. Como en el caso anterior, siendo una funcin de
probabilidad no puede ser mayor que 1.

FORMA DE PRESENTAR LA DISTRIBUCIN ACUMULADA


Si la funcin de probabilidad de X viene dada por:
X

x1

x2

p( x )

p( x1 )

x3

x4

p( x2 ) p( x3 ) p( x4 )

La funcin de distribucin acumulada F ser:

CONSIDERACIONES
ACUMULADA

TOMARSE

F ( xi ) P X xi

EN

CUENTA

EN

LA

DISTRIBUCIN

p( x )
i

X xi

EJEMPLOS
Sea X una variable aleatoria discreta cuya funcin de probabilidad viene dada por:
X

p(x) 1/8 3/8 3/8 1/8


a) Obtenga
la
funcin
de
distribucin
acumulada
de
b) Usando la distribucin acumulada, encuentre P(X 2); P(X > 2);
b) P(1 X 2) y P(1 < X 2)
c)
d)

SOLUCIN
a) Recordemos que para todo valor de X menor que el mnimo valor implica que:
F(x) = 0
Del mismo modo, para X mayor o igual que el mximo valor de X, se tendr
F(x) = 1
Tomando en cuenta estos criterios, la funcin acumulada viene dada por:

b)Puesto
P(X

que

F(a)

2)

P(X
=

F(2)

a),

entonces:
=

7/8

Usando complemento: P(X > 2) = 1 . P(X >2) = 1 - F(2) = 1 - 7/8 = 1/8


Usando propiedades: P(1 X 2) = F(2) - F(1) + P(X = 1) = 7/8 - 4/8 +
3/8
=
6/8
Del mismo modo, P(1 < X 2) = F(2) - F(1) = 7/8 - 4/8 = 3/8
Si X es una variable aleatoria, entonces para cualquier nmero real x0, existe la
probabilidad P( X x0 ) del evento X x0 (X toma cualquier valor menor o igual a
x0).
La probabilidad P( X x0 ) que depende de la eleccin de x0 es la probabilidad
acumulada hasta x0 que es la funcin distribucin o distribucin acumulada y
se denota por F(x0). F ( x0 ) P( X x0 )
Ejemplo 7: Encuentre los valores de la funcin distribucin acumulada F(X) de la
variable aleatoria X descrita en el ejemplo 3.
X

f(X)

F(X)

1/36

1/36

2/36

3/36

3/36

6/36

4/36

10/36

5/36

15/36

6/36

21/36

5/36

26/36

4/36

30/36

10

3/36

33/36

11

2/36

35/36

12

1/36

36/36

Obsrvese que F(X=5) = f(X=2) + f(X=3) + f(X=4) + f(X=5) =


La grfica de la funcin distribucin acumulada de una variable discreta es siempre
una grfica escalonada.

Fig. 6 Funcin distribucin para la variable aleatoria del ejemplo 4.3

EJEMPLO 8: Halle los valores de la funcin distribucin acumulada, F(X), de la


variable aleatoria X del ejemplo 5.

X f(X) F(X)
0 15/45 15/45
1 24/45 39/45
2 6/45 45/45

Ahora demostraremos que la probabilidad


de un evento
se
puede expresar en trminos de la funcin distribucin acumulada F(X), donde x1 y
x2 son dos de los valores cualesquiera
Obsrvese que
el evento
.

son eventos mutuamente exclusivos, su unin es

Por el axioma 3 de probabilidad, obtenemos

P(

) = P(

Despejando P
P

= P(

) + P(

)
se tiene

) - P(

) = F(x2) - F(x1)

En consecuencia, F(x) determina en forma nica la distribucin de probabilidades


de la variable aleatoria correspondiente.

FUNCIN DISTRIBUCIN
CONTINUAS:

PARA

VARIABLES

ALEATORIAS

Si X es una variable aleatoria continua, entonces la regla de la correspondencia


que define la funcin distribucin acumulada F(X) es:

Hemos usado v para representar la variable de integracin, ya que x se usa para


representar al lmite superior de la integracin. El integrando f es la funcin
densidad de probabilidad, y al derivar la expresin anterior (Teorema Fundamental
del Clculo) se tiene que

La funcin distribucin acumulada es


F(x0) =

PROPIEDADES DE LA FUNCIN DISTRIBUCIN ACUMULADA

2.

, si X es discreta

, si X es continua.

Fig. 4.7 Funcin distribucin


3.

, si X es continua.

4. Si X es continua

EJEMPLO 4.9: Determinar el valor de la constante c tal que f(x) defina una
funcin densidad en el intervalo dado y determinar la regla de correspondencia de
la funcin de distribucin acumulada correspondiente.
a.

b.

SOLUCIN: La integral sobre todo el intervalo es la probabilidad del espacio


muestral, que es igual a 1. Una vez evaluada la integral definida se despeja la
constante c, lo cual garantizar que la funcin obtenida es una funcin densidad
de probabilidad.

a.
b.

Sustituyendo el valor de c se obtiene la funcin densidad

La funcin distribucin es entonces la integral de la funcin densidad para


cualquier intervalo (0,x), la cual permitir calcular probabilidades para
cualquier intervalo.

c. Para el segundo caso se har lo mismo que para el anterior con la diferencia
que tenemos una integral impropia.

La funcin densidad es entonces

Las propiedades de la funcin distribucin acumulada son:

2.

, si X es discreta

, si X es continua.
3.
4.

, si X es continua.
Si

es

continua,

DISTRIBUCIONES DE VARIABLE DISCRETAS MS


IMPORTANTES
DISTRIBUCIN POISSON: La Distribucin de Poisson es una distribucin de
probabilidad discreta que enuncia, a partir de una frecuencia de ocurrencia media,
la probabilidad de ocurrencia de un determinado nmero de eventos durante cierto
periodo de tiempo. La funcin de masa de la distribucin de Poisson es

Dnde: k es el nmero de ocurrencias del evento o


fenmeno (la funcin origina la probabilidad de que el evento suceda precisamente
k veces). es un parmetro positivo que significa el nmero de veces que se
espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el
suceso analizado ocurre en promedio 4 veces por minuto y estamos interesados en
la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribucin de Poisson con = 104 = 40. e es la base
de los logaritmos naturales (e = 2,71828 ...)
DISTRIBUCIN GEOMTRICA: La distribucin geomtrica es cualquiera de las
dos distribuciones de probabilidad discretas siguientes: la distribucin de
probabilidad del nmero X del ensayo de Bernoulli necesaria para obtener un
xito, contenido en el conjunto { 1, 2, 3,...} o la distribucin de probabilidad del
nmero Y = X 1 de fallos antes del primer xito, contenido en el conjunto { 0, 1,
2, 3,... }. Cul de stas es la que uno llama "la distribucin geomtrica, es
una cuestin de convencin y conveniencia. Si la probabilidad de xito en cada
ensayo es p, entonces la probabilidad de que x ensayos sean necesarios para
obtener un xito es
,
para x = 1, 2, 3,....
Equivalentemente, la probabilidad de que haya x fallos antes del primer xito es
para x = 0, 1, 2, 3,....

DISTRIBUCIN HIPERGEOMTRICA: La distribucin hipergeomtrica es


una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo.
Imagnese que se posee una poblacin de N elementos de los cuales, d
pertenecen a la categora A y N-d a la B. La distribucin hipergeomtrica mide la
probabilidad de obtener x (
) elementos de la categora A en una
muestra de n elementos de la poblacin original. La funcin de probabilidad de
una variable aleatoria con distribucin hipergeomtrica puede deducirse a travs
de razonamientos combinatorios y es igual a

donde N es el tamao de poblacin, n es el tamao


de la muestra extrada, d es el nmero de elementos en la poblacin original
que pertenecen a la categora deseada y x es el nmero de elementos en

N
la muestra que pertenecen a dicha categora. La notacin
hace
n
referencia al coeficiente binomial, es decir, el nmero de combinaciones
posibles al seleccionar n elementos de un total N.

DISTRIBUCIN UNIFORME DISCRETA: En teora de la probabilidad, una


distribucin uniforme discreta es una distribucin de probabilidad que toma un
nmero finito de valores con la misma probabilidad, donde los elementos de un
conjunto finito son equiprobables. Si la distribucin asume los valores reales
, su funcin de probabilidad es:
y su funcin de distribucin la funcin escalonada

Su media estadstica es

y su varianza

LA DISTRIBUCIN BINOMIAL
LA DISTRIBUCIN BINOMIAL es una distribucin de probabilidad discreta que
mide el nmero de xitos en una secuencia de n ensayos de Bernoulli
independientes entre s, con una probabilidad fija p de ocurrencia del xito entre
los ensayos. Estos experimento de Bernoulli se caracterizan por ser dicotmico,
vale decir, que nicamente son posibles dos resultados. A uno se le designa como
xito y presenta una probabilidad de ocurrencia p y al otro se le llama fracaso,
con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento
se repite n veces, de forma independiente, y se trata de calcular la probabilidad de
un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho,
en una distribucin de Bernoulli. Para representar que una variable aleatoria X
sigue una distribucin binomial de parmetros n y p, se escribe:

La funcin de probabilidad es

Donde
de en

y
elementos tomados de

Siendo las combinaciones


en

).

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
n
sucesivos del desarrollo binomial ( p q ) , 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 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:

n
n
n
n
( a b ) a n a n1b .... abn1 b n
0
1
n1
n
n

n ni i
a b .
i 1 i
n

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
intentos esta dada por la ecuacin:

x veces en

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

x x

Px

x x

x x

x veces

n x n x

.

. p q
x

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 ltimo
nmero de la fila horizontal siempre tiene que ser 1 (ver tringulo).
1
1
1
1
1
1
1
1

1
2
3
4
5
6
7

1
3
6
10
15
21

1
4
10
20
35

1
5
15
35

1
6
21

1
7

1
1

8
9

28
36

84

56
70
56
126
126
84

28

8
36

1
9

Ejemplo: Sean los binomios ( 2 x 3 y )5 y ( x y )5 , desarrolle los mismos aplicando


el tringulo de Pascal:

( 2 x 3 y )5 ( 2 x )5 5( 2 x )4 3 y 10( 2 x )3 ( 3 y )2 10( 2 x )2 ( 3 y )3 5( 2 x )( 3 y )4 ( 3 y )5
( 2 x 3 y )5 32 x 5 240 x 4 y 720 x 3 y 2 1080 x 2 y 3 810 xy 4 243 y 5 .

( x y )6 x 6 6 x 5 y 15 x 4 y 2 20 x 3 y 3 15 x 2 y 4 5xy 5 y 6 .

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:
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 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
x
0

NDN
1

NND
1

DNN
1

NDD
2

DND
2

DDN
2

DDD
3

Los artculos se seleccionan en forma independiente de un proceso que produce


supuestamente 25 % de artculos defectuosos, entonces la probabilidad de
seleccin es

4143 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
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 p x q n x . Se debe determinar ahora el nmero total de puntos maestrales en el
experimento 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 por C( n ,x ) C x =

n!
(n! se lee factorial
x! ( n x )!

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
x n x

diferentes para obtener la formula general o se multiplica p q

por

n
.
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
b( x ,n , p ) f ( x ) . p x q n x ,.... x 0,1,2,3......, n
x
Esta es la frmula de la distribucin de probabilidad
binomiales.

para eventos

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:

1
3 1 3

b x ,3, f ( x )
4

x 4 4

3 x

, x 0,1,2,3.

Aplicando Esta frmula al problema VA se puede calcular la probabilidad de cada


evento as:

27
3 1 3
3 1
f ( 0 )
..., f ( 1 )
64
0 4 4
1 4

27
3

64
4
0

9
1
3 1 3
3 1 3
f ( 2 ) ..., f ( 3 )
64
2 4 4 64
3 4 4
La distribucin de probabilidad del problema Va es:

x
f(x)

f ( x ) 27

64

27

64

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 x
CCCC
0
CCCE
1
CCEC
1
CCEE
2
CECC
1
CECE
2
CEEC
2
CEEE
3

Resultado x
ECCC
1
ECCE
2
ECEC
2
ECEE
3
EECC
2
EECE
3
EEEC
3
EEEE
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
(0.9)4-x
C\IlOs

(0.1)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 )!
4
4
x
4 x
P( X x ) f ( x ) ( 0.1 ) ( 0.9 ) P( X 2 ) f ( 2 ) ( 0.1 )2 ( 0.9 )42
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;
3.
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
a) rojas
b) azules
c) amarillas
d) naranjas

son

de

color:

2.Don
Cristbal
Colon
a) 1592 b) 1692
c) 1492
d) 1792
3.El
significado
a) hoja
b) rbol
c) flor

de
d) fruto

descubri
la

palabra

Venezuela

en:

planta

es:

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 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(F1 F2 F3)

= P(F1)P(F2)P
(F3)

= (3/4 = 1(3/4)3(1
)3 =
/4)0
27
/6
4

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(E1 E2 E3)

P(X=x)

0.422

0.422

0.141

0.016

/2

= 3(3/4)2(1
/4)1

/64

= 3(3/4)1(1
/4)2

56

= P(E1)P(E2)P
(E3)

Al presentar esta informacin como tabla,


siguiente:
X

81

= (1/4 = 1(3/4)0(1
)3 =
/4)3
1
/64

su respectivo histograma seria el

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
b( x ,4,0.7 ) f ( x ) 0.70 x 0.30 n x ,... x 0..,1..,2..,3..,4
x
4
a ). P( exactamente..dos ) P( x 2 ) f ( 2 ) .( 0.70 )2 ( 0.30 )2
2
4!
( 0.49 )( 0.09 ) 0.2646
2!.2!
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 04 ( 0.7 )0 ( 0.3 )4 C14 ( 0.7 )1 ( 0.3 )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) = C44 ( 0.7 )4 ( 0.3 )0

4!
( 0.7 )4 ( 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 a cabo 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
p( x ) f ( x ) .( 0.05 ) x ( 0.95 )10 x , entonces las probabilidades de aceptar un lote
x
es:

1..P( aceptar ) p( 0 ) p( 1 )
2..P( aceptar ) 1

10
.( 0.05 ) x ( 0.95 )10 x
x2 x
10

1 ).P( aceptar ) p( 0 ) p( 1 ) C( 10,0 ) ( 0.05 )0 ( 0.95 )10 C( 10,1 ) ( 0.05 )1( 0.95 )9
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 :

b ).P( rechazar )

10
.( 0.05 ) x ( 0.95 )10 x
x2 x
10

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
2 npq
npq

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.
DISTRIBUCIONES DE PROBABILIDADES CONTINUAS: La variable aleatoria X
ser continua si los valores asignados pueden ser cualesquiera, dentro de ciertos
intervalos, es decir, puede tomar cualquier valor de R. Por ejemplo, si
consideramos el experimento aleatoria consistente en medir el peso de los
estudiantes de una universidad y tomamos la variable aleatoria X= peso de los
estudiantes de una universidad, esta puede tomar valores entre 30 y ms
infinito. Entonces, Son aquellas donde las variables en estudio pueden asumir
cualquier valor dentro de determinados lmites; por ejemplo, la estatura de un
estudiante.
DISTRIBUCIN UNIFORME: Se dice que una variable aleatoria continua X, que
toma todos los valores del intervalo [a, b] real, sigue una distribucin uniforme de
parmetros a y b, si su funcin de densidad de probabilidad es:

1
f ( x)
.......si..a x b
b a
x a
F ( x) P( X x)
....si..a x b,...0....si.. a;....1...si..b x.
b a

DISTRIBUCIN NORMAL: Se dice que una variable aleatoria continua X, tiene


una distribucin normal o de Gauss de parmetros y , si su funcin de
densidad de probabilidad es:

La representacin grfica as cmo los significados de la esperanza y varianza son:

DISTRIBUCIN EXPONENCIAL: Se dice que una variable aleatoria continua X,


tiene una distribucin exponencial de parmetro , si su funcin de densidad
de probabilidad es:

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 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 2 y la
desviacin tpica de una variable aleatoria continua de la siguiente forma:

TIPIFICACIN DE UNA VARIABLE ALEATORIA


Si

es

variable Z

una

variable

aleatoria

de

media y

desviacin

tpica

, la

X
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
Se llama distribucin normal, distribucin de Gauss o distribucin de LaplaceGauss. 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:

x2
e

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.
Es una de las distribuciones de probabilidad de variable continua que con ms
frecuencia aparece aproximada en fenmenos reales. La grfica de su funcin de
densidad tiene una forma acampanada y es simtrica respecto de un determinado
parmetro. La importancia de esta distribucin radica en que permite modelar
numerosos fenmenos naturales, sociales y psicolgicos.
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
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 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,
adaptacin a un medio,...

por

ejemplo:

cociente

intelectual,

grado

de

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:

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,


2 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

Se dice que una variable aleatoria continua X sigue una distribucin normal de
parmetros y y se denota X~N (, ) si su funcin de densidad est dada
por:

Donde (mu) es la media y (sigma) es la desviacin estndar (2 es la


varianza). Se llama distribucin normal "estndar" a aqulla en la que sus
parmetros toman los valores = 0 y = 1.

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:

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.
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).

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 hablando 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 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 frmula:

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

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.
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?

X 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:
2

Por lo tanto la probabilidad de que un nio al nacer tenga un peso superior a 4 kg.
es de 18.0 %.
EJEMPLOS:
A) Calcular P (z < 1.35) y P (z > 1.35). Solucin: abajo se reproduce parte
de la tabla:
B)
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.
C) Una distribucin
63).
D)
Solucin: Primero transformamos el valor de x a su equivalente en z: z = (63
60)/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)
2)
3)
4)

P(z
P(z
P(z
P(z

>
<
>
<

2.43)
0.96)
1.17)
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 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
P( z 2 ) para valores negativos de la variable. Sin
proporcionan el valor de
embargo, haciendo uso de la simetra de la distribucin normal, se tiene que:

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
;

n
n

Puesto que los valores de y son desconocidos, podramos 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,

P39 X 48 ??
SOLUCIN: Comenzamos haciendo el cambio de variable

X X 45 X 45

. De modo que

9
81

P39 X 48 0.378 37.80%.


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
3.6
3.7
3.8
3.9

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
0.9998
0.9999
0.9999
1.0000

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
0.9998
0.9999
0.9999
1.0000

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
0.9999
0.9999
0.9999
1.0000

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
0.9999
0.9999
0.9999
1.0000

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
0.9999
0.9999
0.9999
1.0000

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
0.9999
0.9999
0.9999
1.0000

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
0.9999
0.9999
0.9999
1.0000

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
0.9999
0.9999
0.9999
1.0000

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
0.9999
0.9999
0.9999
1.0000

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
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
Probabilidad acumulada
Probabilidad acumulada
Veamos ahora, como
normal:

en el valor 0,67: la
en el valor 1,35: la
en el valor 2,19: la
podemos utilizar

respuesta es 0,7486
respuesta es 0,9115
respuesta es 0,98574
esta tabla con una distribucin

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

En el ejemplo, la nueva variable sera:

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:

75
2
1

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:

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:
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:
a) Cuntas personas superarn posiblemente los 75 aos?
b)
c) Cuntos vivirn menos de 60 aos?
d)
SOLUCIN:
a) Personas que vivirn (posiblemente) ms de 75 aos
b)
Calculamos el valor de la normal tipificada equivalente a 75 aos

75 68
1.4
5

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.
c) Personas que vivirn (posiblemente) menos de 60 aos
d)
Calculamos el valor de la normal tipificada equivalente a 60 aos

60 68
1,6 . Por lo tanto P (X < 60) = (Z < -1,6) = P (Z > 1,6) = 1 - P (Z <
5

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)
c) Si usted bebe 45 litros de cerveza al ao y su mujer le califica de borracho
qu podra argumentar en su defensa?
d)
a) 5% de la poblacin que ms bebe.
b)
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:

X 58
6( 1,645 ) X 58 X 9.87 58
6
X 67 ,87

1,645

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:

45 58
2,2
6

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)
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
b)
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.

7.7 5.5
2.1 . A este valor de Z le corresponde una probabilidad acumulada
1,049

(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;
como hay 100 plazas disponibles, tiene usted suficientes probabilidades como para
ir organizando la "mejor de las fiestas".
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:

X 5.5
( 0.842 )(1,049 ) X 5.5 X ( 0,883 ) 5.5
1,049
X 6,38

0,842

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":


La distribucin t (de Student) es una distribucin
de probabilidad que florece
del problema de estimar la media de una poblacin normalmente distribuida
cuando el tamao de la muestra es pequeo. Aparece de manera natural al
realizar la prueba t de Student para la determinacin de las diferencias entre dos
medias muestrales y para la construccin del intervalo de confianza para la
diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin
tpica de una poblacin y sta debe ser estimada a partir de los datos de una
muestra. La distribucin t de Student es la distribucin de probabilidad del
Z
cociente
donde, Z tiene una distribucin normal de media nula y varianza 1;
V
v
V tiene una distribucin chi-cuadrado con
grados de libertad; Z y V son
Z
independientes. Si es una constante no nula, el cociente
es una
V
v
variable aleatoria que sigue la distribucin t de Student no central con parmetro
de no-centralidad .
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

dado por Z

X ( X )

N que es anlogo al estadstico z


S
S
N

X X

N.

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.

X t

S
, Donde S
es la desviacin estndar estimada de X .
N
N

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 est 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
2

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 est 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
7
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 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

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 alfa
de
libertad 0.1000 0.0500 0.0250 0.0100 0.0050 0.0010 0.0005
1

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

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

DISTRIBUCIN F: Usada en teora de probabilidad y estadstica, la distribucin


F es una distribucin de probabilidad continua. Tambin se le conoce como
distribucin F de Snedecor (por George Snedecor) o como distribucin F de
Fisher-Snedecor. Una variable aleatoria de distribucin F se construye como el
siguiente cociente:
donde, U1 y U2 siguen una distribucin chicuadrado con d1 y d2 grados de libertad respectivamente, y U1 y U2 son
estadsticamente independientes.
La distribucin F aparece frecuentemente como la distribucin nula de una prueba
estadstica, especialmente en el anlisis de varianza. Vase el test F. La funcin de
densidad de una F(d1, d2) viene dada por

para todo nmero real x 0, donde d1 y d2 son enteros positivos, y B es la funcin


beta.

DISTRIBUCIN JI CUADRADO: La distribucin 2 (de Pearson), llamada Chi


cuadrado o Ji cuadrado, es una distribucin de probabilidad continua con un
parmetro k que representa los grados de libertad de la variable aleatoria
donde Zi son variables aleatorias normales independientes de
media cero y varianza uno. El que la variable aleatoria X tenga esta distribucin se
2
representa habitualmente as: X k . Es conveniente tener en cuenta que la
letra griega se transcribe al latn como chi y se pronuncia en castellano como ji.
Funcin de densidad

donde es la funcin gamma.

DISTRIBUCIN EXPONENCIAL: La variable aleatoria continua X tiene una


distribucin exponencial, con parmetro . Se dice que una variable aleatoria
continua X, tiene una distribucin exponencial de parmetro , si su funcin de
densidad de probabilidad es:
x

1
f ( x) e ,....x 0..... y..donde.... 0

La distribucin exponencial es un caso particular de distribucin gamma con k = 1.


Adems la suma de variables aleatorias que siguen una misma distribucin
exponencial es una variable aleatoria expresable en trminos de la distribucin
gamma.
DISTRIBUCIN UNIFORME (CONTINUA): En teora de probabilidad y
estadstica, la distribucin uniforme continua es una familia de distribuciones de
probabilidad para variables aleatorias continuas, tales que cada miembro de la
familia, todos los intervalos de igual longitud en la distribucin en su rango son
igualmente probables. El dominio est definido por dos parmetros, a y b, que son
sus valores mnimo y mximo. La distribucin es a menudo escrita en forma
abreviada como U(a,b). La funcin de densidad de probabilidad de la distribucin
uniforme continua es:

La funcin de distribucin de probabilidad es:

BIBLIOGRAFA
Babbie, E. (2000): Fundamentos de la Investigacin Social. International Thomson
Editores. Mxico.
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.
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.
Ferrn Aranaz, Magdalena (2002) Curso de SPSS para Windows: Anlisis
Estadstico. Editorial McGraw-Hill. Madrid.
Ferrn Aranaz, Magdalena (2001) SPSS para Windows: Anlisis Estadstico.
Editorial McGraw-Hill. Madrid.
Filgueira, Ester (2001). Anlisis de datos con SPSS Win. Alianza Editorial. Madrid.
Freud J: E. y Otros (1990): Estadstica para la Administracin con Enfoque
Moderno. Editorial, S.A. Mxico.
Gomes Rondn, Francisco (1985): Estadstica Metodolgica: 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 Venezuela.
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.
Caracas- Venezuela.
Mason, Robert (1.992): Estadstica para la Administracin y Economa.
Ediciones Alfaomega S.A.N. Mxico.
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.
Pardo Merino, Antonio y Ruiz Daz, Miguel ngel (2002). SPSS 11. Gua para
Anlisis de Datos. Editorial McGraw-Hill. Madrid.
Pardo Merino, Antonio y Ruiz Daz, Miguel ngel (2005). Anlisis de datos con
SPSS 13 Base. Editorial McGraw-Hill. Madrid.
Parzen, E. (1986): Teora Moderna de Probabilidades y sus Aplicaciones Editorial
Limusa. Mxico
Pea, Daniel y Romo, Juan (1999). Introduccin a la estadstica para las Ciencias
Sociales. Editorial McGraw-Hill. Madrid.
Prez Lpez, Csar. 2002. Estadstica aplicada a travs de Excel. Editorial Pearson
Prentice Hall. Madrid.
Prez Lpez, C. (2005): Tcnicas Estadsticas con SPSS 12. Editorial Pearson
Prentice Hall. Madrid.
Prez Lpez, C. (2004): Tcnicas de Anlisis Multivariante de Datos: Aplicaciones
con SPSS . Editorial Pearson Prentice Hall. Madrid.
Prez Lpez, C. (2001). Tcnicas estadsticas con SPSS. Editorial Pearson Prentice
Hall. Madrid.
Prez Lpez, C. (2005): Mtodos Estadsticos Avanzados con SPSS. Internacional
Thomson Editores Spain. Madrid.
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 Venezuela.
Ritchey, F.J. (2002): Estadstica para las Ciencias Sociales. Ed. McGraw Hill.
Mxico.
Snchez Carrin, Juan Javier (2004). Manual de anlisis estadstico de los datos.
Alianza Editorial. Madrid.
Soto Negrin, Armando (1982): Iniciacin a la estadstica. Editorial Jos Marti.
Caracas - Venezuela.
Spiegel, M.R. y Stephens Larry j. (2002): Estadstica. Mc Graw Hill Interamericana
de Espaa. S.A. Madrid.
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.
Visauta Vinacua, Bienvenido (2002) Anlisis estadstico con SPSS para Windows
Volumen I: Estadstica Bsica. Editorial McGraw Hill INTERAMERICANA DE
ESPAA, S.A.U. Mxico.
Visauta Vinacua, Bienvenido (2005) Anlisis estadstico con SPSS para Windows
Volumen
II:
Estadstica
Multivariante.
Editorial
McGraw

Hill
INTERAMERICANA DE ESPAA, S.A.U. 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 (2001) Estadstica Aplicada a los Negocios y la Economa.
Editorial McGraw Hill INTERAMERICANA DE BOGOTA, S.A.U. Colombia.

Weimer, Richard C. (1996) Estadstica. Compaa Editorial Continental, SA deCV.


Mxico.
Wonnacott, T. H. y Wonnacott, R: J. (1989): Fundamentos de Estadstica para
Administracin y Economa. Editorial LIMUSA. Mxico.

BIBLIOWEB
https://sites.google.com/site/educacionvirtualdelsigloxxi/
https://sites.google.com/site/aprendizajedeestadistica /
https://sites.google.com/site/estadisticaconelspss /
http://hamletyelaprendizajevirtual.jimdo.com /
http://aprendizajevirtuylastic.wordpress.com /
http://hamletylaestadisticaugma.jimdo.com /
http://aprendizajevirtuaylastic.jimdo.com /
https://sites.google.com/site/hamletylastic /
http://hamletyestadisticaspss.jimdo.com /
http://www.udemy.com/draft/12005
http://rossyindriagosilva.jimdo.com /
http://equposanantonio.jimdo.com /
http://hamletmud.jimdo.com /
http://postgradougma.jimdo.com
http://www.bioestadistica.uma.es/libro/
http://www.hrc.es/bioest/Mdocente.html#tema1
http://www.mailxmail.com/curso/informatica/spssespanol/capitulo1.htm (SPSS)
http://www.aulafacil.com/investigacionspss/Lecc-6.htm (SPSS)
http://home.ubalt.edu/ntsbarsh/Business-stat/opre504S.htm
http://nutriserver.com/Cursos/Bioestadistica/Distribuciones_Continuas.html
http://www.bioestadistica.freeservers.com/farpro.html
http://www.gestiopolis.com/canales/financiera/articulos/36/estapro.htm
http://www.hrc.es/bioest/Reglin_8.html
http://www.monografias.com/trabajos20/estadistica/estadistica.shtml
http://nutriserver.com/Cursos/Bioestadistica/Distribuciones_Bidimensionales.html
http://www.terra.es/personal2/jpb00000/tvariablealeatoria.htm
http://www.terra.es/personal2/jpb00000/tinferencia.htm#muestreoaleatoriosimpl
e
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad
http://w3.mor.itesm.mx/~cmendoza/ma835/ma83500.html
http://www.seh-lelha.org/noparame.htm
http://sapiens.ya.com/matagus/unidad6.htm
http://zip.rincondelvago.com/?00044092
http://www.seh-lelha.org/regresion1.htm
http://www.eumed.net/cursecon/medir/introd.htm
http://encyclopedie-es.snyke.com/articles/distribucion_de_probabilidad.html
http://www.seh-lelha.org/concor2.htm
http://www.seh-lelha.org/noparame.htm
http://www.inf.ufsc.br/cee/pasta1/art4.html
http://www.inf.ufsc.br/cee/pasta4/art1p4.html
http://buscar.hispavista.com/?cadena=Aprende+estadistica
http://www.psicol.unam.mx/Cim2000/Estadistica/journal_of_statistics_education.
htm
http://www.statserv.com/softwares.html
http://www.statistics.com/
http://e-stadistica.bio.ucm.es/web_spss/entorno_de_trabajo_del_SPSS.html
http://www.hrc.es/bioest/Introducion_ch.html
http://www.hrc.es/bioest/M_docente.html#tema2
http://members.tripod.com/~beatrizt/verdad/5.html
http://www.monografias.com/trabajos5/estadm/estadm.shtml
http://www.monografias.com/trabajos10/esta/esta.shtml
http://platea.pntic.mec.es/~jescuder/estadist.htm

http://www.angelfire.com/journal2/estadistica/Links.htm
http://www.edustatspr.com/documentos/probabilidad/3.1.vadiscr.pdf
http://www.fisterra.com/material/investiga/distr_normal/distr_normal.htm
http://www.caib.es/ibae/esdeveniment/jornades_10_01/doc/Estepa-JornadasMallorca.doc