4E U"

v'

VARABL= ALEATORIA Y DISTRIBUC!N DE PRCBABILIDAD

t

VARIABLE ALEATORIA

lt

de
La definicin formal de variable aleatoria requiere de ciertos conocimientos profundos

matemtica, en concreto de la teora de la medida

Definicin prctica. Aqu vamos

simplificar la definicin diciendo que una variablr':

afatoria, que denotaremos como VA(x), es:

a. Una caracterstica que produce valores

que dependen del azar

b. Una funcin que asocia valores numricos a los eventos que

produce un

experimento aleatorio

que
Matemticamente, cualquier funcin (frmula, relacin de correspondencia)
permite encontrar las probabilidades para cada uno de los valores que produce un

experimento F(V6), conocida como funcin de masa

variables aleatorias discretas

o cuanfia en el: cFo"de

y de funcin,.de densidad, en el caso de'variabtes

aleatoias continuas-

d. Toda funcin F(X), que tiene la propiedad de transformar una variable nominal o
o cuantitativa, como producto de asignar valores
numricos a los eventos que tales variables generan'

parto"' El
Supngase el experimento "atender dos parturientas primerizas para un proceso de
espacio muestral, esto es, el conjunto de resultados'compuestos posibles asociados al

experimento aleatorid'tipo de parto realizado" si 'C" = parto por cesrea

'1 = parto va

vaginal, sera:
*Si

el tipo de parto se realizara de acuerdo

a las condiciones naturales aleatoria gue presente

la parturenta y

en

funcin de una decisin sesgada del m,dico que la atienda

5 = {CC, CV,VC, VV}

Podemos deflnir para el anterior experimento un evento elemental E, por ejemplo:
= ,.nmero de partos por cesre a realizadas" y definir una funcin (relacin de asociacin)

para la variable aleatoria, as: VA(x): S

----+

(esto es, una funcin (frmula) para valores

que toma la VA, tal que asocia, a un espacio muestral S, un valor numrico que se encuentra

dentro del conjunto de los nmeros reales), es decir, al realizar el experimento se

puede,

observar que:

:':"
ll

or,:"s

muestrales

tt

CC

1, evento: "se observaR 2 cesreas"

->
CV y VC ---> 2, evento: "se observa una cesrea
W
0, evento: "no se observan cesreas"

luego, como el rango de esta funcin est dentro del conjunto de los nmeros reales R, esto es
R(,) = {0,

1,2} por lo tanto VA(x):

------+R , se dice que es una variable aleatoria.

Obseruacin:

Si se pueden conocer todos los valores que puede tomar una variable aleatoria, y adems
tenemos (conocemos o se puede determinar) la probabilidad de cada uno de esos valores, y
estos valores los podemos representar mediante una tabla, grfico o frmula, se dice entonces

que estamos en presencia de lo que normalmente se conoce como distribucin

de

probabilidades, en donde la variable aleatoria no es ms que la funcin (frmula) a la cual se

han asociado nmeros reales (eventos numricos) que dependen del azar...

Se puede concluir entonces que

la

asociada a un experimento aleatorio,

vaable aleatoria no es ms que la funcin que ast

la distribucin de probabilidades no es ms que una

tabla, grfioo o frmula gue presenta de manera ordenada el compoftamiento de todas las
probabilidades para cada uno de los eventos que produce la variable aleatoria

Tomando esto como punto de partida analicemos como ejemplo el siguiente experimento ya
conocido: el lanzamiento de una moneda.
Como se recordar encontrar la probabilidad de obtener una cara sera fcil como producto de

aplicar una definicin clsica de probabilidades, esto es P(A) = Y, = 0.5 = 50o/o, pero Qu
pasara si ahora en vez de lanzar una moned a lanzramos 4 de ellas, y en vez de observar una
cara estuvisemos interesados en observar 2?
Por quienes estara conformado el espacio muestral?. A fin de visualizar mejor los resultados
elaboremos un diagrama de rbol, y pongamos atencin a las siguientes observaciones:

nt

Solucin por diagrama de rbol,

____--->

^----::

a"
^\
/

--------*

------^ I ;
>

--

a\

--------+

t::

B --------

)fa

---+'

::

4C2=

ABE

->
_____-__>

.A83

asq

->

4C1=4

=:ii:.A

--------t>

BAAB

B ____+ BBBB
Luego, P(2A) = 6/16 = 3/8 = 0.375 = 37

4C0 =

-5o/o

Pues, todaa se ve fcil, pero, Qu pasara si en.lugar de 4,rfueran 10, 20, 100'monedas
ms?, Cmo podramos n"ontr las probabilidades i se deseara observar 4,7 ms caras?
Una solucin podra facilitarse si pudisemos conocer corno se distribuyen sus probabilidag": .
definir lo
porqu?;vemoslo a continuain, no sin antes clasificar,,las variables aleatoriasy
por
distribucin
funcinde
que se ha de entender en probabilidades

TIPOS DE VARIABLE ALEATORIA

Las variables aleatorias pueden clasificarse segn el recorido o rango Rx, as:

a) Si Rx es un subconjunto discreto, como en nuestro ejemplo, la variable recibe el nombre de

variable aleatoria discreta o VAD

Otros ejemplos seran:

.
.
.

personas que mejoran su salud al administrarles determinada medicina

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

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

variable aleatoria continua o VAC (en este caso, intuitivamente implica que el conjunto

de
de

posibles valores de la variable abarca a todo un intervalo de nmeros reales. Ejemplq

sea

VA(x) la variable que asigna el peso a un neonato; supngase que la normalidad de Ia vaide
oscla entre 5.75

y 9.15 lbs; luego, como

tericamentp toOo valor entre dichos extremcre

posible, se dice entonces que la variable aleatoria es continua.

Ejemplos de VAC:

.
.
.

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

Permetro cetlico de 50 recln nacidos
Tamao de "X" plantas despus de 15 das de germinacin, etc.

FUNCIN DE DISTRIBUCIN

Cuando para cluna de las anteriores variables es posible encontrar todos los valores ge
asumen las mismas, o bien es posible definr una funcin que permitiese conocer o determkr
dichos valores, y se ordenan estos en una tabla de frecueneias o en una grfica, a tal funrtb,

que muestra el comportamiento ordenado de las probabilidades que tienen cada uno de b
eventos mutuamente excluyentes que produce la variable aleatoria, se le conoce dffi
distribucin de probabilidad, la cual recibe alavez diferente nombre en funcin de si la varide

a)

Funcin de Masa o Cuanta, si se tratase de una variable aleatoria discreta; luego,

funcin de masa o cuanta es aquella funcin que recoge todos los valores que aslm
una VAD, o

b) Funcin de Densidad, si se tratase de una variable aleatoria continua, ="r,

una furt

de densidad es aquella funcin que recoge todos los valores que se asocian a una Vl

De lo anterior se puede ver que una funcin de distribucin de probabilidades no es ms F

aquella funcin (frmula) que permite obtener las probabilidades de todos aquellos eventosp
produce un experimento aleatorio. Y recordando que la probabilidad puede expresarse EI
trminos de frecuencia relativa P(E)= n/N, se puede decir entonces que una distribucim &
probabilidad tambin es un arreglo ordenado de todas las probabilidades que asumen b
eventos (indicadores de Ia variable aleatoria),y que estn representados ya sea por una ffi,
grfica o una frmula.

rRMtulR

or tR otsrRteuctN oe pnoeegrlloRors

pnRn ur\R vn(x)

Si x es una variable aleatoria discreta, entonces la distribucin de probabilidades de la V)

viene dada por la sumatoria de la funcin de masa o cuanta, as:

F{i:}- ]t.,,'(ll
f -:q

.!
I

Pero, Si x es una variable aleaio-ia continua entonces la distribucin de probabilidades viene

dacia por la integral de Ia funcin de densidad, esto es:
\

r'1
\'-l

Ir

./,--'*

t'i

''

'''

Si xes una variabie aleatoria continua

DISTRIBUCIN DE PROBABILIDAD PARA VARIBALES ALEATORIAS DISCRETAS

No es ms que una tabla que presenta el ordenamiento de las probabilidades de todos los
eventos mutuamente excluyentes que puede asumir una variable aleatoria, asociada a un
experimento aleatorio, y que permite determinar cul es el comportamiento de la variable
(espacio muestral o poblacin) en funcin de las probabilidades. Esto es impodante, ya que
iignifica que"si pudiramos conocer el compodamiento de una poblacin en trminos. de las
protraUitiOades, entonces podramos calcular las probabilidades para un subconjunto de valores
(muestra) que se derivaran de ella. Para comprenderlo mejor volvamos a nuestro caso

Qu pasara si quisiramos encontrar las probabilidades para cada uno de los eventos?
hacindolo y ordenndolas tendramos los siguientes resultados
Pm

P(E)

t/16

P(c)
6

NO

Caras
1

4t16
6t16

4116

1116

totai

16

1.00

observaciones

Distribucin grfica de P(E)

@o

* t",

esmsque

1a

smatoriade lafucin

de

la fmula que pemite obtener la probabilidad

IvIasa o cumta, esta ltima u
".
Para cada uno de 1os eventos que asume la variable aleatoria discreta, esto es:

r(,)- I

3
2

f "-:<

(i)
(

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

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

FUNCIN DE MASA O CUANTA PARA DISTINTOS COMPORTAMIENTOS DE

DISTRIBUCIN DE PROBABILIDADES DE VARIABLES ALEATORIAS DISCRETAS.
Segn sean los comportamientos de las distribuciones de probabilidad, existen ya modelos, a los aales
seles ha determinad-a una funcin matemtica especfica, en e[ caso de VA(x) las ms.estudiadas son:
Distribucin de probabilidad

uniform. I'r')

1
il

Significa que todos los puntos muestrales iienen igual probabilidad de ocurrir, ejem. En el lanzamiento de
un dado, o el lanzamiento de una moneda, o l contestar una pregunta de seleccin mltiple, o la
orobabilidad de un sujeto de pertenecer a determinado grupo sanguneo.
r'i. r', !'

Distribucin de probabilidad Binomial

it)'',,

f:"-'

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

S la rrobabilidad para un evento puede ser determinada a partir de sio dos posibles resultados, uno de
:s cuales denominaremos probabilidad de xito, y al otro probabilidad de frecaso' Ejem' Determinar
t.: ;i muestra la probabilidad de encontrar determinado grupo sanguneo sabiendo que en la
:

-. =:'..

sus indicadcres son A=27o/a, B=100/0, AB=137o

O=50%

Distribucin de proabilidad Binomial negativar'

i:"':

j"{i *

l''

-'lrj":!-*''-

Importante, en elaso de la probabilidad binomial, para determinar ei orden en que pueden ocqrrir las
I
probabildad". parh un punto muestral o evento especiico

i
Distribucin de probabilidad de Poisson

(I::

))

-_.\r:

- -n

'

en el caso de necesitar encontrar probabilidades para un tamao grande de muestra (matemticamente,

podramos decir, cundo n tiende a infinito) y un pequeo valor de variable aleatoria con una
probabitidad muy pequea (matemticamente, se podra decir, cuando P tiende a cero)
Distribucin de probabilidad

Geomtricali"i

- l'i - i1-pJ"-tF

i:jl"-l)
c.r'1'1 - ' ,: iI-)

Distribucin de probabilidad Hipergeomtrica'

ts'ii :;'-r:

Distribucin de probabilidad

Zeta

\r.-r

'

LA DISTRIBUCIN BINOMIAL
La distribucin binomial es una distribucin de probabilidad discreta del nmero de xitos en
una secuencia de "n" experimentos independientes, cada uno de los'cuales tiene probabilidad
"P" de ocurrir. La funcin de masa para la distribucin de probabilidad binomial viene dada por:

P(Y=y)=nCy.PY.Qn-Y
PERO, En qu consiste el Experimento Binomial?
La variable aleatoria binomial y su distribucin estn basadas en un experimento que satisface
las siguientes condicionesl

El experimento consiste en una secuencia de n intentos,

donde n se fja antes del experimento.

Los intentos son idnticos, y cada uno de ellos puede resultar en dos posibles resultados,
que se denotan por xito (P) o fracaso lq ) fuego (P(P)+e1q=1

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

NO influye sobre el resultado de cualquier otro intento.

t-a probabilidad de xito es constante de un intento a otro.

Por lo tanto, si un problema que requiere del clculo de probabilidades puede plantearse en
estos trminos, su solucin podra obtenerse por medio de la frmula de Bernoulli, POR
EMPLO, para el caso del experimento de la moneda, si por alguna razn se deseara encontrar
la probabilidad de sacar 5 caras y 7 coronas en 12 lanzamientos, ipodra hacerse por un anlisis
Binomial? iPorqu? Pues porque revisando las caractersticas se puede observar que:

-.

1.- se requiere hacer una secuencia de 12 ensayos'

2.- los ensayos (e>lperimentos) seran idnticos: "lanzar una moneda a lo Yez",lo.u|f ,-sb podra dar{-Z resultados: o cae cara o NO cae cara, siendo P='tae cara" , el exlto
y e = "cae corona, o NO cara" elfracaso... en este punto es imPortante,aclarar qY:-"[
quien
xito o fracaso viene definido por el evento de inters, y/o por el investigador,
qu,
y
fracaso
a
previamente ha de.deterrninai a qu suceso le llamar xito

!
I

que el
3.- los ensayos son idnticos (lanzar una monedatras otra) pero el hecho de
ser'cara,
tambin
nz
resultado de un "t''t1" sea ciru,no implica que et.resultado de un
que
no indica
o ser afectado, esto es: tenga ms o menos probabilidad de ocurrir lo
que los ensayos son independientes, y por ltirno

4.- la probabilidad de xito es constaate, ya que dado.'que slo puede caer cara o corona,
la
entonces p{=1v, = 0.5 ( a este respecto s important hacer notar que no siempre
la
pulqe
dada'por
ser
que
esta
sino
ilb;bil''drd.. *to viene d.ada por.la.piobabilidad,csca,
'incluso,
por la probabilidad emprica o
probabilidad frecuencial observada. ,dei fenmeno o
personal; en este sentido, ta probabilidad de.xito puede ser.obtenida por:

a)
b)

c)
d)
e)

Referencia estadistica
Sondeo o estudio Piloto.
Planteamiento de hiPotesis .
Probabilidad clsica usando Mtodos de conteo
Asuncin o presuncin de P=Q
Otras formas (determinacin a partir de indicadores, etc')

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

frmula de Bernoulli:

{i: ll{,tJ.I:i

: (::irlriiqr -

La media
H

1 ,t,;

-?- -

0.193359375

para una distribucin binomial se obtienen, respectivamente as:

nPQ, luego para nuestro caso se tendra que:

y Ia varian za

= nP; o

. H=12(0.5)=6 Y

o=12(0.5X0'S)=S

q.ue un 15% de las

EIEMpLO 2.- supngase que como producto de una investigacin'se observa
tercer ao
estudiantes universitarias de Y" universidad sale ernbaraiada'antes de terminar su
si para
la
situacin,
de estudios, y que l 75o1o de ellas deja el: estudio como consecuencia de
seoritas de
efectoS de evaluar el fenmeno, ud tma aleatoriamente y sin que se sepa" 25
observar al
nuevo ingreso, y se dispone a llevar el control respectivo, Qu probabilidad tiene de
final de 3 aos que:

a)

5 seoritas salgan embarazadas

b) A menos 2 seoritas dejen de estudiar por salir embarazadas

c) A lo sumo 3 se embaracen pero no dejen de estudiar

se
ieu probabilidad hay que al tomar una muestra de 15 seoritas que desertaron del estudio

observe que:

a) dos Io hayan hecho por haber salido embarazadas

b) a io sumo 3 hayan abancjonado los estudios por embarazo

c)

ninguna lo hizo por embarazo

$

Ahora bien, iQu pasara si en vez de tomar un muestra de 15, tornsemos como obsenmin
las 600 que ingresan en "Y" facultad, y que se sabe que slo el 3.5olo de las estudiantes &F de
estudiar como consecL.lencia de un embarazo? Que Ia binomial ya,no nos es tan til ni v# su
clculo, por lo que la probabilidad es mejor calcularla a partir de Ia distribucin de Poissoqpero
Qu es !a distribucin de Poisson?, vemoslo a continuacin

LA DISTRIBUCIN DE POISSON

En teora de probabilidad

y estadstica, la distribucin de Poisson es una distribuf,in de

probabilidad discreta. Expresa

la probabilidad de un nmero de eventos

ocurriendo & un

tiempo fijo si estos eventos ocuren con una tasa media conocida, y' son independier& del

tiempo desde el itimo evento. En trminos concretos la probabilidad v'lene definida

\tt

t3

'f(h'h)

la

_..
-Ir[:
.

: t*-'

: A;

-\a

"o

v:

dnde: sumedia y su varianza son: F

-'

: I

I
o

kes el nmero de ocurrencias de un evento,

A es un nmero real positivo, equivalente

es elfactorial de k,

al nmero esperado de ocurrencias duraG un

intervalo dado. Por ejemplo, si los eventos ocurren de media iada 4 minutos, y *est
interesado en el nmero de eventos ocurriendo en un intervalo de 10 minutos, seumra
como modelo una distribucin de Poisson con

= 2.5, ya que 10min/4min = 2.5

Por eiemplo, si 2% de los nios en cierta unidad de salud adquieren X problema de *d,
obtngase la probabilidad de que 5 de 400 nios atendidos en esa u.nidad de salud terqm el
problema de salud X.

Solucin: dado que el nmero de ocurrencias del evento es k = 5, mientras que el rxitero
esperado de veces que ocurra como promedio el evento es l. = nP = 400(0.02) = 8; entormm, la
probabilidad segn Poisson sera:
r,r j
1 I
'flJ"
t!
'r i /L

ir -

r.

_ \ , I'
/t

A'l '
-

v sustltuvendo valores

ji:r,r-.-'ir''!' L-- :

,--'_1

r.*

0.g1G3661

Ejemplo de aplicacin: solucionemos ahora nuestro anterior problema de par:tida para el tema,
esto es: eQu probabilidad habra, en el caso de las univeriitarias que abandonan sus estudios
como consecuencia de embarazo, que 10 de las 600 que ingresan::en "y" facultad, se observe
que deien de estudiar por tal motivo, dado que un nuevo eptudio poblacional,indique que solo el
3.5olo de la poblacin lo hace por causa del embarazo de la$estudiante?
Ahora K = 10, y como puede calcular I = np = 600(0.035\ = 21; luego:
p(l0;21) :2110 e'' ll}t: 0.003485345168
P(I0;21) :0.3s%

La distribucin de Poisson puede ser vista como un caso limitante de la distribucin binomial, es

decir, que una distribucin binomial en la que it

-+ oc y P -+ 0 se puede aproximar

por. una

distribucin de Poisson de valor 1, = Np_

La distribucin de Poisson se aplica a varios fenmenos discretos de !a na\uraleza r,,cuando la
probabilidad de ocurrencia del fenmeno. es constante en el tiempo o el Espacio.; (esto es,
\

aquellos fenmenos que ocuren 0,

,2,3,...

veces durante un periodo definio Oe tiempo o en

una rea determinada). Eiennplos de eventos que pueden ser modelados por estatdistribucirin
seran:

'
.
.
.
.
.
.

El nmero de autos que pasan a travs de un cierto punto en una ruta (suf,cientemente distantes de
los semforos) durante un periodo definido de tiempo.
El nmero de errores de ortografia que uno comete al escribir una nica pgna.
El nmero de llamadas telefnicas efl una central telefonica por minuto.
El nmero de animales muertos enconkados por unidad de longitud de ruta.
Elnmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin.
El nmero de eskellas en un deteminado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.

Nota: La distribuciones Poisson son funciones probabilsticas infinitamente divisibles.

DISTRIBUCIN DE pRogRarLloRo pRRn vRRleRtrs

ntrRtoRlas coNrlt{uRs

Como distribucin de probabildad, estamos siempre ante una tabla, frmula o una grfica que
nos proporciona probabilidades o frecuencas relativas; la dferencia reside en que ahora no
hablamos de la probabilidad de un punto o valor, sino de la probabilidad de un valor o punto
entre dos puntos o valores cualesquiera.
Se denomina DlsrRlBUCtN DE vARIABLE coNTtNUA a aquella que puede tomar cualquiera
de los infinitos valores existentes dentro de un intervalo. En el caso de variable continua la
distribucin de probabilidad es Ia integral de la funcin de densidad, por to que tenemos
entonces que:

I-[;r i -, I'i -Y ':. ,; i

r:

- I lr, ,,,
I

--

+..E
i!

siguientes:'
Las distribuciones de variable continua nrs lnrportantes son las

.
'.
.
.
.

"
'
'
"
.

Distqibucir uiforme
Distilhbucin normal (o de gauss)
Distribucin gamma
DistribucinexPonencial
Distribucin Pareto
Distribucinji-cuadrada

Distribucin t de Srudent I
Distribucin LaPlace I
Dist'il;ucin beta
Distril-rucin de CauchY
Distribucin F de Snedecor-Fisher

LA DISTRIBUCIN NORMAL Y LA NORMAL UNITARIA

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

1o que favorece su aplicacin como

Su funcin de densidad es simkica y con forma de campana,
modelo a gralnmero de variables estadsticas'

con multitud de resultados ligados

Es, adems, limite de otras distribuciones y aparece relacionada
matemticas.
a 1 teora ie tas probabilidades gracias a sus propiedades
J'l ;' .!

La funcin de densidad est dada

por:

i,._,.i1

-;- =r

irt*

:r\"';r

cuya grfica tiene

Muchas variables aleatorias continuas presentan una funcin de.densidad
se debe principalmente a que hay
forma de campana. La importancia de la distribucin normal
el modelo de la normal:
muchas variables asociadas a fenmenos naturales que siguen

.
.
.
n
.

caracteres morfolgicos y antiopomtricos de los individuos

etc'
Indicadores de labolatori c6nico: glucosa, hemoglobinq colesterol,
Caracteres fisiolgicos comoel efecto de un fiirmaco
por un mismo grupo de individuos
Cxacter", *o"iot4cos como "on**o de cierto producto
"t
Caracteres psicolicos como e1 cociente intelectual, etc.

ESTANDARIZACIN DE LA DISTRIBUC
(origen de la distribucin normal)
poco de historia' Realrnente' fue un
Para una meior comprensin de este tema, partamos de un
ecuacin: la ley normal
trabajo de ms de 200 aos para descubrirla y establecer su

de Gauss' famoso
La distribucin normat se Conoce como la curva de Gauss o campana
de un estadstico francs del
rnatemtico aremn der sigro 1g. su origen viene de ra observacin

consultor para temas de

siglo 18, Abraham de Moivre, que, entre otras cosas, actuaba como
er "cara" (o "cruz") en N
juegos. observ que al lanzar una moneda, la probabilidad de obten
a rnedida que N se haca grande'
tirada tena una representacin grfica con Una curva Suave

Ver las grfrcas siguientes:

,i; I
i: L/

il istriburid"n Einsmial
'i.:

i:tri

bu cid
,..

n E inc m il
.r.:

:.:

d-

:ii
f

istribucidn Einumil

'r.li.:.i

!.

;: .-

Distribucin Binomial hacia la DistribucinNormab

que ocurra e[En los grficos presentados, la altura de cada barra representa la probabilidad de
(hemos cogido,
evento (sale "cara" al lanzar una moneda) de N veces que lanzamos la moneda
"carall' allanzarla
N=2; N=4; N=12). Si la moneda no est trucad, la probabilidad de que'salga
es del 50% (p=S,5). Este fenmeno sigue una distribucin conocida como la Binomial-

que se define,
De Moivre explic que si pudiramos encontrar una ecuacin para la'curva
"x", (o
entonces se solucionara ms fcilmenie el clculo:de. probabilidades de que"aparezca
que esta
,.caras")
al lanzar N veces una moneda. y eso fue una de sus metas sin imaginar
ms
anlisis
peculiar forma de campana tambn se haba detectado; en el siglo 17, por Galileo en el
la instrumentacin
de enores de medicin de observaciones astronmica$ errores atribuibles a

errores.eran simtricos y que los pequeos

varias hiptesis
errores eran ms frecuentes que los effores grandes. De ah, se plantearon
y trabajos,
sobre la distribucin de los enores de medicin. No obstante ambas observaciones
distribucin
fue solo a principio del siglo 19th que se descubri que estos errores seguan una

y a los observadores. Galileo Not que estos

normal.
1808 y Gauss
Dos maiemticos establecieron de manera independiente su frmula: Adrian en
en 1g0g quien fue el que al final dio su nombre a la ms famosa de las distribuciones
y que presenta unas
estadsticas ya que numerosos fenmenos naturales se ajustan a ella
estos
propiedades Sumamente interesantes. Pero, Qu fue Io que en realidad determinaron

matemticos? Saquemos nosotros nuestras propias reflexiones, a saber:

'\

"!

cori'esponden a hs
frecuencias de la ocui-rencia,ie los valores de la variable entre las fronteras en ia escala hor-izonta!So
fS

Al

hacer-

un anlisis del hi:tograma se puede compi'obar que las sub reas

\
Donde:

fl

+ f2 + ..... + 16

Cr, Cz,

frecuetrcias absolutas

..........Ce: C ; ancho dc clase

fA

Al, A2"........A6 :

il
D

reas corresponilientes a
cada clase

fl

OCrCC:GCsC
La frecuencia relativa de la ocurrencia de los valores especificados vendr dada por la proporcifrr&l
rea total def histograma que cae entre esos puntos. En otras palabras las frecuencias relativasrya
cada clase representan una proporcin del histograma, o sea: A = fx C y como:

fl + fZ + ..... + f6 = F, es igual al total de frecuencias, entonces la frecuencia relativa de la clase 1 es:

puede expresarse tani&
, que es igual a Ia probabilidad de ocurrencia de la clase 1, lo cual
por medio de las reas, esto es:

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

Ar = flxC

f2xC+ .... + f6xC, que escrito abreviadamente usando la definicin de sumatoria, nos&:

Ar=CIfi,ycomoIfi=F,entoncesAr=CF,porloquefinalmente,paraunaproporcin(frecuxia
relativa de rea) de A, por ejemplo A1 se puede ver que:

A1

lAr

seralomsmoque CfllCFysimplificado: A1 /Ar

AUAr

=hlF =fr.

esdecir

= ff. =fJF

fJF

representan la frecuencia relativa de la ocurrencia de los valores $E

encuentran en cada rectngulo del histograma, entre f las verticales levantadas en A

O sea que AllAr ;

d
Ahora bien, un anlisis final se puede hacer, y es el hecho de que a medida en que se aumorte
&
nmero de intervalos hacia el infinito, reducindose su ancho de clase, y aumentando el nmero
valores de la variable, el histograma tomar la forma de una curva suave, ver figuras siguientes:
i

lrrt'jtttr:r

tt- ilfr'h ,! mf m.t l

t"- -.--"_."

:r

1t

\4
iLl

,'

j:
i-:

t.i.

--*--"_t

i
i

:t

r..'

:
I

',i

-^--

;il i
,.i

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

:':

nii

Sobre estos tipos de distribucin que tienen tendencia normal, podemos sacar algunas conclusiones

importantes:

a)

Son simtricas respecto de su media, por lo tanto la media, la mediana y la nnoda son
iguales,

b)

Si se han graficado las frecuencias relativas, el rea

total bajo la curva y sobre el eie

y
horizontaL es iguat a 1, por cuanto se trata de una distribucin de probabilidades
porque fr = /N

c) Si se levantan perpendiculares a una distancia de una, dos y/o tres desviaciones

tpicas, en ambas direcciones, entonces el rea encerrada entre estas perpendiculares
sr aproxirnadamente del 6g,.23, 95 y 99.7olo aproximada y respectivamente en
funcin del rea total

d) La frecuencia relativa (probabilidad) de la ocurrencia de los valores entre 2 puntos

cualesquiera sobre, el je horizontl es igual al rea total limitada por las rectas
p"rpenbi.ulares tevantaas en esos dos puntos, la curva y el eje horizontal. Esto es:

fr

y
(ab)= A , probabilidad de que ocurran los valores comprendidos entrea b

i'rr:

-L-#

quecomoyasehadichoantestienecomofr-lncinlaexpresinmatemtica "' tl:o

'alacual
paramtricamente,
y
p
"x"
o
determinados
para
de
valores
unos
de
valores
damos distintos

si

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

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

Dado lo anterior se puede afirmar que la "curya noi'mal" queda deflnida entonces por los
parmetros p y o, y de acuerdo a esta ltima caracterstica tendremos una familia de
(ver figura) , en donde .r despiaza la curva hacia la derecha cuando
distribucion"5,'""gn
"as

rA
i.. ;

crece (asimeira); y o la hace ms achatada cuando crece (curtosis), luego cuando t=0 y o=1,
' tenemos el caso particular de distribucin llamada dlerhucn narnat untat
!

rIs 1.f,= iil

:- 1,.f;-:#
,!--:-ri'
-i

'"

i
i.

it

Frecuentemente, es con la CNU que se obtienen probabilidades para cualquier variable aleatoria
continua en estudio que tenga esta tendencia o comportamiento normal, y en lugar de utilizar la
frmula matemtica (funcin de densidad) se puede recunir a unas tablas en que se nffi
proporcionan las reas bajo la curva normal para un valor definido de "2". Antes de hacerlo y para
hacerlo (calcular probabilidades usando la CNU) es importante aclarar que para convertr una
variable aleatoria X en una variable aleatoria Z, es necesario estandarizar o tipificar los valores
de la Variable X, lo cualse puede hacer procediendo de la siguiente manera:

.-- x-*t

--,

-'\

s:x-o '
=

'i

l't

"J*es""eoi'
se dice entonces, que se ha tipificado o estandarizado la variable X, sisustituimos X en Z,
esto grficamente es:

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

Se puede encontrar la probabiiidad de que

2" tome un ualor entre dos puntos cualesquiera dd

eje 2" enantrando el rea limitada por las perpendtbulares levanladas en estos puntos, la curua

y el eje horizontaf
Como

ya se mencion anfes, en lugar de usar la frmula de la dbtribucin

"''i:
' -L
t7/)tr '-#

podemos hacer usa de tablas para valores estandarizados, (vase la pgina siguientq): en donde

los interceptos de

representan las reas bajo ta distribucin normal unitaia, el eje

Z y a

perpendicular z=0, y la perpendicular levantada a una distancia Z* rea que a su vez representa
las probabihdades de ocurrencia del interualo de valores gue caen entre z=0 y z=zi;
Veamos algunos ejemplos para una mejor comprenstn:

it

Ej.l.- Encontrar a partir

entrez=0yZ=2.21

"z'
de la distribucin normal unitaria, el rea bajo la curva, por encima del eje

Pasol: hac6mos un esquema para visualar el

r""

Paso2: buscamos en la tabla de "reas bajo la

curva nonaL.tipifrcada de 0 a Z, el intercepto
errbre Z:2.2 yZ=O.M (ver tabla) y se observa
que da: 0.486451o que puede interpretarse
como: "hay laprobabilidad de que alfomar
lrua "2" al azatrestase encuentre entre 0 ye
2.2I es del 48.645% aproximadamente.

i
2.21

Ej.2.- encontrar el rea comprendida entre Z=

- 1.25 y Z = 2.75
Pasol: hacemos un esquema para visualizar

e1

tea

F-aqg2: buscamos en 1a tabla de "reas bajo la curva

normal tipif,rcada de 0 a Z, elvalor de A1:Az -t zs y

A2:Az2.75tenemos que:

Paso3:

Ar: ,A1 * A2 = 0.39435

Ar: 0'89137

+ 0.49'702

P:89.131 %

-1-25

aProximadamente

2.75

Ei.3.- aplicacin de DNU a una variable aleatoria contnua real

y de
Si las estaturas de X poblacin indican una tendencia con comportamiento normal con p de 1-67 o
estatura
6 cms. a) Qu probabilidad tendra un sujeto tomad,al azar de'dicha-poblacin de tener una
entre la nedia y 1.6 m?, b) Qu probabilidad tendra un sujeto de que su estatura este
1'60
"orpr"ndi-da
entr los 1.55 m y ta sttura p.omeAio V c) au probabilidad tendra de tener una estatura entre
y 1.70m?

Solucin del literal c): puesto que los valores dados corresponden a una variable continua X, tendramos
que hacerlo por integrcin, pro dado que ya existe,un modelo estandarizado para una variable
Zien done las probabilidades ya'estn determinadas para cada valor que esta
leatoria
"onnu,
asuma, entonces meior transformamos la variable'aleatoria X a'Variable aleatoria Z, pto""-1f !f
A_

denominaremos Estand anzacin de X, y que podemos hacer de la siguiente

que sustituyendo tenemos que:
Si X = 1.60 entonces 2 = (1.60
Si X= 1.70 entonces 7= (.7A

- 1.67y0.06 = -1.1666666.-.
- 1.67y0.06 = 0.50

manera:

, por lo

=-1-17

Luego trasladamos los datos a un esquema de DNU procedemos a realizar el clculo de probabilidades,

esto es:

(1,-l

A1= Az1 + Azz= 0.37900 + 0.19146

Ar = 0.57046
Y por lo tanto P(1.6<X<1,7) = 57.05%

i5

ilJE!i,EJCTS FARA QU= LOS 1IAGA TL TSTUDIAI\JTE

5ui:*i:gase que !a pci:iaein de! pronlerna anteriei'son cje ias 287 estucjieiri+s d* hioestadsilca
cue ieaiizaron ia PANIFs y que poi'alguna razn estaffios interesados er s*ieei:ionar un
c::iui:;nte ai azar, entcnces: Qu p'epabilidad tendra este de:
il

:i;
ij

cj

d)
e)

s)
h)

i)

-ilener

una esiatura illenor rie 1""58 m?

Estar entre los 1.7 y los 1"8 m?
er mayor de 1.85 rn o rneiloi'de i.55 m?
Ser mayor de 1.569 n'i pero menoi- de 1.635 m?
Qu porcentaje tendra una estatura mayor que i.72 nr?
Cuntos se esperara tengan una estatura superior a los 1.65 m?
Qu porcentaje est entre 1.75 y L.87?
Cuantos son menores de 1.66 m?
Cuntos son altos

r ,o pr*k
'a 'QfledL

bQ,.o"ra.r-\

[Iu"'"\

r\ ri.-,
\.;/

"^oorohnru^r

l*v"
1

"*l'

n o'*A
Lr'g'\d--'h-txt-"P"a (.-.Jo^,-l