Mdulo 1: Las Variables Aleatorias Y

Distribuciones De Probabilidad
Unidad 1: Variables Aleatorias Y Distribuciones
De Probabilidad
1.1 Introduccin a Las Distribuciones De
Probabilidades

as distribuciones de distribucin de probabilidades que describe la

L
probabilidad estn relacionadas forma en que se espera que varen los
con la distribucin de resultados. Debido a que estas distribuciones
frecuencias. De hecho, tratan sobre expectativas de que algo suceda,
podemos pensar en la resultan ser modelos tiles para hacer
distribucin de probabilidad inferencias y tomar decisiones de
como una distribucin de frecuencias terica. incertidumbre (Badii et al., 2007a, 2007b).
Una distribucin de frecuencias terica es una

Los objetivos de distribuciones de probabilidad son:

1) Introducir las distribuciones de probabilidad que ms se utilizan en la toma de decisiones.

2) Utilizar el concepto de valor esperado para tomar decisiones.

3) Mostrar qu distribucin de probabilidad utilizar, y cmo encontrar sus valores.

4) Entender las limitaciones de cada una de las distribuciones de probabilidad que utilice.

Por ejemplo, si un fabricante de medicamentos afirma que cierto tratamiento permitir que el
80% de la poblacin baje de peso, la agencia de proteccin al consumidor quiz someta a prueba
el tratamiento con una muestra de seis personas. Si la afirmacin del fabricante es cierta, es casi
imposible tener un resultado en el que nadie en la muestra pierda peso y es muy probable que
cinco de cada seis pierdan peso.

Tenemos entonces que la distribucin de probabilidad muestra los posibles resultados de un

experimento y la probabilidad de que cada uno se presente.

A continuacin se mencionan las principales caractersticas de una distribucin de probabilidad:

1) La probabilidad de un resultado en particular se encuentra entre 1 y 0.

2) Los resultados son eventos mutuamente excluyentes.

3) La lista es exhaustiva. Por lo tanto, la suma de las probabilidades de los diversos eventos
es igual a 1.

Cmo generar una distribucin de probabilidad? Con el siguiente ejemplo ilustraremos el

concepto:

Suponga que le interesa el nmero de caras que aparecen en tres lanzamientos de una moneda.
Los posibles resultados son: cero caras, una cara, dos caras y tres caras. Cul es la distribucin
de probabilidad del nmero de caras?

1
Hay ocho posibles resultados. En el primer lanzamiento puede aparecer una cara, una cruz en el
segundo y otra cruz en el tercero. O puede obtener cruz, cruz y cara, en ese orden. Para obtener
el conteo de resultados, aplique la frmula de multiplicacin (2)(2)(2), es decir 8 posibles
resultados.

Distribucin de los lanzamientos de la moneda y sus posibles combinaciones de resultados:

Resultado Lanzamientos de la Moneda Numero de

Posible Caras
Primero S egundo Tercero
1 cruz cruz cruz 0
2 cruz cruz cara 1
3 cruz cara cruz 1
4 cruz cara cara 2
5 cara cruz cruz 1
6 cara cruz cara 2
7 cara cara cruz 2
8 cara cara cara 3
Obsrvese que el resultado cero caras ocurre solo una vez; una cara ocurre tres veces; dos caras
tres veces y el resultado tres caras ocurre solo una vez. Es decir el resultado cero caras se
mostraron una de ocho veces. Por consiguiente, la probabilidad de cero caras es de un octavo
(1/8); la probabilidad de una cara es tres octavos (3/8), etc. La distribucin de probabilidad se
muestra a continuacin:

Numero de Probabilidad del

Caras Resultado P(x)

0 1/8 0.125
1 3/8 0.375
2 3/8 0.375
3 1/8 0.125
Total 1.000

Como uno de estos resultados debe suceder, el total de probabilidades de todos los eventos
posibles es uno (1.000), Esto siempre debe cumplirse.

Tenemos entonces que la probabilidad de x se representa P(x). De esta manera, la probabilidad

de cero caras P(0 caras)=0.125, y la probabilidad de una cara es P(1 cara)=0.375, etc., la suma de
estas probabilidad mutuamente excluyentes es 1, como lo indica la tabla en la parte superior.

2
 1.2 Las Variables Aleatorias

Se denomina variable aleatoria a la cantidad que resulta de un experimento que, por azar o
aleatorios, puede adoptar diferentes valores. Estos valores posibles representan los resultados
de experimentos que todava no se llevaron a cabo o cantidades inciertas.

En cualquier experimento aleatorio, los resultados se presentan al azar; as, a este e le denomina
variable aleatoria. Por ejemplo, lanzar un dado constituye un experimento: puede ocurrir
cualquiera de los seis posibles resultados. Algunos experimentos dan origen a resultados de
ndole cuantitativa (como dlares, peso o nmero de nios); otros generan resultados de
naturaleza cualitativa (como el color o la afiliacin religiosa). Cada valor de la variable aleatoria se
relaciona con una probabilidad que indica la posibilidad de un resultado determinado.

A continuacin ejemplos del concepto de variable aleatoria:

Si cuentas el nmero de empleados ausentes en el turno matutino del lunes, el

nmero puede ser 0, 1, 2, 3.El nmero de ausencias en una variable aleatoria.

Si pesas cuatro lingotes de acero, los pesos pueden ser de 2,492 libras, 2,497 libras,
2,506 libras, etc. El peso es una variable aleatoria.

Si lanzas dos monedas y cuenta el nmero de caras, puede caer cero, una o dos
caras. Como el nmero de caras que resulta de este experimento se debe al azar, el
nmero de caras que caen es una variable aleatoria.

Las variables aleatorias son caractersticas que al ser medida en diferentes individuos son
susceptibles de adoptar diferentes valores. Existen diferentes tipos de variables:

1. Variables aleatorias discretas:

Una variable aleatoria discreta, adopta slo cierto nmero de valores separados. Si hay 100
empleados, el recuento de la cantidad de ausentes el lunes puede ser 0, 1, 2, 3100. Una variable
aleatoria discreta suele ser el resultado de un conteo.

2. Variables aleatorias continuas:

Una variable aleatoria continua, es una distribucin de probabilidad continua. Si mide algo, como la
anchura de una recmara, la estatura de una persona o la presin de la llanta de un automvil, se
trata de una variable aleatoria continua. Se puede suponer una infinidad de valores, y esa suele
ser producto de una medicin.

3
1.3 El Uso Del Valor Esperado De Una
Variable Aleatoria En La Toma De
Decisiones
El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos de azar,
debido a que los jugadores deseaban saber cul era su esperanza de ganar o perder con un
juego determinado. Como a cada resultado particular del juego le corresponde una probabilidad
determinada, esto equivale a una funcin de probabilidad de una variable aleatoria y el conjunto
de todos los resultados posibles del juego estar representado por la distribucin de probabilidad
de la variable aleatoria. El valor esperado o esperanza es muy importante, ya que es uno de los
parmetros que describen una variable aleatoria.

Para el clculo de valor esperado dentro de una distribucin de probabilidades puede ser
resumido por su media y su varianza.

La media: constituye un valor tpico para representar la posicin central de una

distribucin indica de probabilidad. Tambin es el valor promedio a lo largo de la variable
aleatoria. La media de una distribucin de probabilidad tambin recibe el nombre de valor
esperado. Se trata de un promedio ponderado en el que los posibles valores de una
variable aleatoria se ponderan con sus correspondientes probabilidades de ocurrir.

La media de una distribucin de probabilidad discreta se calcula con la frmula:

Aqu P(x) es la probabilidad de un valor particular x. En otras palabras, se multiplica cada valor x
por la probabilidad de que ocurra y en seguida se suman los productos.

Revisemos el siguiente ejemplo para una mejor comprensin: deseamos encontrar el valor
esperado del lanzamiento de dos dados. Solucin: definamos la variable aleatoria X como la
suma de los nmeros que aparecen al lanzar dos dados. Como vimos en el problema anterior, la
distribucin de probabilidad es:

xi 2 3 4 5 6 7 8 9 10 11 12 Sumatorias
P(x i ) 0.028 0.056 0.083 0.111 0.139 0.167 0.139 0.111 0.083 0.056 0.028 1.000
X i * P(x i ) 0.056 0.167 0.333 0.556 0.833 1.167 1.111 1.000 0.833 0.611 0.333 7.000

En donde xi son las sumatorias de las combinaciones que resultaran de las combinaciones de los
lanzamientos de los dos dados, es decir: que al lanzar el par de dados salga un 3 tiene una
probabilidad de ocurrencia de 2/36 (dos combinaciones diferentes de nmeros del par de dados
me saldra un total de tres) la probabilidad de 2/36= 0.056. Resolviendo cada probabilidad de
ocurrencia por el posible resultado sera el resultado de,[xP(x)] y su sumatoria de 7.00 representa
nuestro valor esperado durante un constante lanzamiento de dados se esperara obtener, de
acuerdo a su distribucin de probabilidad.

4
 La Varianza. Como se observ, la media constituye un valor tpico para resumir
una distribucin de probabilidad discreta. Sin embargo, no describe el grado de
dispersin (variacin) en una distribucin. La varianza si lo hace, la frmula de la
varianza de una distribucin de probabilidad es:

Los pasos para el clculo son los siguientes:

1) La media se resta de cada valor y la diferencia se eleva al cuadrado.

2) Cada diferencia al cuadrado se multiplica por su probabilidad.

3) Se suman los productos que resultan para obtener la varianza.

La desviacin estndar, , se determina al extraer la raz cuadrada positiva de es decir:

= 2 .

Veamos el siguiente ejemplo:

John Ragsda le vende automviles nuevos en PelicanFord. Por lo general, John vende la mayor
cantidad de automviles el sbado. Desarroll la siguiente distribucin de probabilidades de la
cantidad de automviles que espera vender un sbado determinado.

Cul es la varianza de la distribucin?

Numero de
Automoviles
Vendidos Probabilidad
x P(x) x * P(x) (x-) (x-)2 (x-)2 * P(x)
0 0.10 0.00 0 - 2.1 4.41 0.441
1 0.20 0.20 1 - 2.1 1.21 0.242
2 0.30 0.60 2 - 2.1 0.01 0.003
3 0.30 0.90 3 - 2.1 0.81 0.243
4 0.10 0.40 4 - 2.1 3.61 0.361
= 2.10
= 1.290

5
 Recuerde que la desviacin estndar es la raz cuadrada positiva de la varianza. En este

ejemplo es automviles. Cmo interpretar una desviacin estndar

de 1.136 automviles? Si la vendedora Rita Kirsch tambin vendi un promedio de 2.1 automviles
los sbados y la desviacin estndar de sus ventas fue de 1.91 automviles, concluira que hay
ms variabilidad en las ventas sabatinas de Kirsch que en las de Ragsdale (pues 1.91 > 1.136).

1.4 La Distribucin Binomial

La Distribucin Binomial y Sus Caractersticas
La distribucin de probabilidad binomial es una distribucin de probabilidad. Una de sus
caractersticas consiste en que slo hay dos posibles resultados en un determinado ensayo del
experimento. Por ejemplo, el enunciado en una pregunta de verdadero o falso puede ser o
verdadero o falso.

Los resultados son mutuamente excluyentes, lo cual significa que la respuesta a una pregunta de
cierto o falso no puede ser al mismo tiempo cierta o falsa, un producto se clasifica como
aceptable o inaceptable por el departamento de control de calidad; un trabajador se clasifica
como empleado o desempleado, y una llamada como resultado que el cliente compre el producto
o no lo compre. Con frecuencia, se clasifican los dos posibles resultados como xito y fracaso. Sin
embargo, esta clasificacin no implica que un resultado sea bueno y el otro malo.

Otra caracterstica de la distribucin binomial es el hecho de que la variable aleatoria es el

resultado de conteos. Es decir, se cuenta el nmero de xitos en el nmero total de ensayos.

Lance una moneda equilibrada cinco veces y cuente el nmero de veces que aparece una cara;
seleccione 10 trabajadores y liste cuntos tienen ms de 50 aos, o seleccione 20 cajas de Raisin
Bran de Kellog y cuente el nmero de cajas que pesan ms de lo que indica el paquete.

Una tercera caracterstica de una distribucin binomial consiste en que la probabilidad de xito es
la misma de un ensayo a otro. Dos ejemplos son:

1. La probabilidad de que adivine la primera pregunta de una prueba de verdadero o falso(xito) es

de un medio. Esto constituye el primer ensayo. La probabilidad de que adivine la segunda pregunta
(segundo ensayo) tambin es de un medio; la probabilidad de xito en el tercer ensayo es un
medio y as sucesivamente.

2. Si la experiencia revel que el puente giratorio sobre Intercoasta Waterway, en Socastee, se elev
una de cada 20 veces que usted se aproxim a l, entonces la probabilidad es un veinteavo (un
xito) de que se eleve la prxima ocasin que se acerque a l, es de un veinteavo la siguiente vez y
as consecutivamente.

6
 La ltima caracterstica de una distribucin de probabilidad binomial consiste en que cada ensayo
es independiente de cualquier otro. Que sean independientes significa que no existen patrones en
los ensayos. El resultado de un ensayo particular no influye en el resultado de otro ensayo. Dos
ejemplos de lo anterior son:

1. Una joven familia tiene dos nios, ambos varones. La probabilidad de que el tercer hijo sea un
varn sigue siendo 0.50. Es decir, el gnero del tercer hijo es independiente de los otros dos.

2. Suponga que 20% de los pacientes atendidos en la sala de urgencias del Waccamaw Hospital no
tiene seguro mdico. Si el segundo paciente atendido en el turno vespertino hoy no tiene seguro,
eso no afecta la probabilidad de que el tercero, el dcimo o cualquiera de los otros pacientes
cuente o no con seguro.

Cmo Calcular la Distribucin Binomial

Para construir una probabilidad binomial particular se necesita:

1) El nmero de ensayos

2) La probabilidad de xito de cada ensayo.

Por ejemplo: si un examen al trmino de un seminario de administracin incluye 20preguntas de

opcin mltiple, el nmero de ensayos es 20. Si cada pregunta contiene cinco opciones y slo una
de ellas es correcta, la probabilidad de xito en cada ensayo es 0.20.

Por consiguiente, la probabilidad de que una persona sin conocimientos del tema acierte la
respuesta a una pregunta es de 0.20. De modo que se cumplen las condiciones de la distribucin
binomial recin indicadas.

Tenemos entonces la siguiente composicin:

C: es el smbolo de combinacin.

n: es el nmero de ensayos.

x: es la variable aleatoria definida como el nmero de xitos.

:es la probabilidad de xito en cada ensayo.

Empleamos la letra griega (pi) para representar un parmetro de poblacin binomial. No

confundir con la constante matemtica 3.1416.

7
 Veamos un ejemplo:

US Airways tiene cinco vuelos diarios de Pittsburgh al Aeropuerto Regional de Bradford,

Pennsylvania. Suponga que la probabilidad de que cualquier vuelo llegue tarde sea de 0.20.Cul
es la probabilidad de que ninguno de los vuelos llegue tarde hoy? Cul es la probabilidad de que
exactamente uno de los vuelos llegue tarde hoy?
x n-x
Aplique la frmula P(x)=nCx (1-) . La probabilidad de que un vuelo llegue tarde es de 0.20,
as, = 0.20.Hay cinco vuelos, por lo que n= 5, y x, la variable aleatoria, se refiere al nmero de
xitos.

En este caso un xito consiste en que un avin llegue tarde. Como no hay demoras en las
llegadas, x = 0 probabilidad que ningn vuelo llegue tarde hoy.

Reemplazando, tenemos:

P(0) = nCx()x(1-)n-x

P(0) = 5C0(0.20)0(1-0.20)5-0

P(0) = (1)(1)(0.3277) = 0.3277

La probabilidad de que ningn vuelo llegue tarde hoy es de 0.3277

Ahora, si buscamos la probabilidad de que exactamente uno de los cinco vuelos llegue tarde hoy,
la misma es de 0.4096, que se calcula de la siguiente manera:

Reemplazando, tenemos:

P(1) = nCx()x(1-)n-x

P(1) = 5C1(0.20)1(1-0.20)5-1

P(0) = (5)(0.20)(0.4096) = 0.4096

La probabilidad de que ningn vuelo llegue tarde hoy es de 0.4096

Para buscar el valor esperado con respecto a la media () y la varianza (2) en una distribucin
binomial se calculan con las siguientes frmulas:

1. Media de una distribucin binomial: =n

2. Varianza de una distribucin binomial:

= ( )

Por ejemplo, respecto del nmero de vuelos retrasados, recuerde que = 0.20 y n = 5.Por lo tanto:

Media binomial: = n = (5)(0.20) = 1.0

Varianza binomial: 2=n(1-) = 5(.20)(1-0.20) = 0.80

8
1.5 La Distribucin De Poisson
La distribucin de probabilidad de Poisson describe el nmero de veces que se presenta un
evento durante un intervalo especfico. El intervalo puede ser de tiempo, distancia, rea o
volumen. La distribucin se basa en dos supuestos.

1. La probabilidad es proporcional a la longitud del intervalo.

2. Los intervalos son independientes.

En otras palabras, cuanto ms grande sea el intervalo, mayor ser la probabilidad; adems, el
nmero de veces que se presenta un evento en un intervalo no influye en los dems intervalos. La
distribucin tambin constituye una forma restrictiva de la distribucin binomial cuando la
probabilidad de un xito es muy pequea y n es grande. A sta se le conoce por lo general con el
nombre de ley de eventos improbables, lo cual significa que la probabilidad, , de que ocurra un
evento en particular es muy pequea.

La distribucin de Poisson es una distribucin de probabilidad discreta porque se genera

contando. En resumen, una distribucin de probabilidad de Poisson posee tres caractersticas:

1. La variable aleatoria es el nmero de veces que ocurre un evento durante un

intervalo definido.

2. La probabilidad de que ocurra el evento es proporcional al tamao del intervalo.

3. Los intervalos no se superponen y son independientes.

Esta distribucin posee diversas aplicaciones. Se le utiliza como modelo para describir la
distribucin de errores en una entrada de datos, el nmero de rayones y otras imperfecciones en
las cabinas de automviles recin pintados, el nmero de partes defectuosas en envos, el
nmero de clientes que esperan mesa en un restaurante o que esperan entrar en una de las
atracciones de Disney World y el nmero de accidentes en la carretera federal I-75 en un periodo
de tres meses. La distribucin de Poisson se describe matemticamente por medio de la
siguiente frmula:

Donde:

(mu): es la media de la cantidad de veces (xitos) que se presenta un evento en un intervalo

particular.

e: es la constante 2.71828 (base del sistema de logaritmos neperianos).

x: es el nmero de veces que se presenta un evento.

9
P(x): es la probabilidad de un valor especfico de x.

x!: x factorial (!) se define en principio como el producto de todos los nmeros enteros positivos
desde 1 (es decir, los nmeros naturales) hasta n. Por ejemplo, si buscamos 5! = 1x2x3x4x5=120, si
buscamos 4!, la operacin factorial seria: 1x2x3x4=24

La media de nmero de xitos, , puede determinarse con n; en este caso, n es el nmero total
de ensayos, y , la probabilidad de xito.

Para buscar el valor esperado con respecto a la media () y la varianza en una distribucin
binomial se calculan con las siguientes formulas:

Media de una Distribucin de Probabilidad de Poisson: =n

La varianza de Poisson tambin es igual a su media. Si, por ejemplo, la probabilidad de que un
cheque cobrado en un banco rebote es de 0.0003 y se cobran 10 000 cheques, la media y la
varianza del nmero de cheques rebotados es de 3.0, que se determina mediante la operacin
= n= 10 000(.0003) = 3.0.

Recuerde que, en el caso de una distribucin binomial, existe una cantidad fija de ensayos .Por
ejemplo, en una prueba de opcin mltiple de cuatro preguntas, slo puede haber cero, uno, dos,
tres o cuatro xitos (respuestas correctas). Sin embargo, la variable aleatoria, x, en el caso de una
distribucin de Poisson puede adoptar una infinidad de valores; es decir, 0, 1,2, 3, 4, 5,. No
obstante, las probabilidades se tornan muy bajas despus de las primeras veces que se presenta
un evento (xitos).

Para ejemplificar el clculo de la distribucin de Poisson, suponga que pocas veces se pierde
equipaje en Delta Airlines. En la mayora de los vuelos no se pierden maletas; en algunos se pierde
una; en unos cuantos se pierden dos; pocas veces se pierden tres, etc. Suponga que una muestra
aleatoria de 1,000 vuelos arroja un total de 300 maletas perdidas. De esta manera, la media
aritmtica del nmero de maletas perdidas por vuelo es de 0.3, que se calcula al dividir 300/1,000.
Si el nmero de maletas perdidas por vuelo se rige por una distribucin de Poisson con = 0.3, las
diversas probabilidades se calculan con la frmula:

P(x)=x e- / x! = P(0) = (0.3)0 (2.71828)-0.3 / 0! = 0.7408

Podemos definir que en un 74% de los vuelos no habr maletas perdidas; ahora si deseamos
buscar la probabilidad de que se pierda exactamente una maleta es:

P(x)=x e- / x! = P(1) = (0.3)1 (2.71828)-0.3 / 1! = 0.7408

10
1.6 La Distribucin Normal
Las distribuciones de probabilidad Binomial y Poisson, son distribuciones de probabilidad con
variables discretas, que adoptan valores enteros, separados o productos de un conteo por
ejemplo, si elige para estudiar 10pequeas empresas que iniciaron sus operaciones en 2000,la
cantidad de empresas que todava funcionan en 2011 puede ser de 0, 1, 2, , 10. No puede haber
3.7, 12 o -7 que lo hagan. Entonces, slo son posibles determinados resultados, los cuales se
encuentran representados por valores claramente separados, positivos o enteros; adicional la
probabilidad se determina con el xito de empresas que siguen funcionando en el 2011.

Antes de definir la distribucin de probabilidad normal, tenemos que definir que esta es una
distribucin de probabilidad continua; una distribucin de probabilidad continua resulta de medir
algo, como la distancia del dormitorio al saln de clases, el peso de un individuo o la cantidad de
bonos que ganan los directores ejecutivos.

Suponga que seleccionamos a cinco estudiantes y calculamos que las distancias, en millas, que
viajan a clases son de 12.2, 8.9, 6.7,3.6 y 14.6. Cuando examinamos una distribucin continua, la
informacin que nos interesa es el porcentaje de estudiantes que viajan menos de 10 millas o el
porcentaje que viaja ms de8 millas. En otras palabras, en el caso de una distribucin continua,
quiz desee conocer el porcentaje de observaciones que se presentan dentro de cierto margen.
Es importante sealar que una variable aleatoria continua tiene un nmero infinito de valores
dentro de cierto intervalo particular. As, debe pensar en la probabilidad de que una variable
tenga un valor dentro de un intervalo determinado, en vez de pensar en la probabilidad de un
valor especfico.

La distribucin de probabilidad normal, es tambin un caso particular de probabilidad de variable

aleatoria continua, fue reconocida por primera vez por el francs Abraham de Moivre (1667-
1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y
formul la ecuacin de la curva; de ah que tambin se le conozca, ms comnmente, como la
"Campana de Gauss". La distribucin de una variable normal est completamente determinada
por dos parmetros, su media () y su desviacin estndar ().

Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente
en la estadstica:

1. Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la

que es necesario hacer inferencias mediante la toma de muestras.

2. La distribucin normal casi se ajusta a las distribuciones de frecuencias reales

observadas en muchos fenmenos, incluyendo caractersticas humanas, resultados de
procesos fsicos y muchas otras medidas de inters para los administradores, tanto en el
sector pblico como en el privado.

La distribucin de probabilidad normal posee las siguientes caractersticas principales.

1. Tiene forma de campana y posee una sola cima en el centro de la distribucin. La media
aritmtica, la mediana y la moda son iguales, y se localizan en el centro de la distribucin.

2. El rea total bajo la curva es de 1.00.

11
3. La mitad del rea bajo la curva normal se localiza a la derecha de este punto central, y la
otra mitad, a la izquierda.

4. Es simtrica respecto de la media. Si hace un corte vertical, por el valor central, a la curva
normal, las dos mitades son imgenes especulares.

5. Desciende suavemente en ambas direcciones del valor central. Es decir, la distribucin es

asinttica. La curva se aproxima ms y ms al eje X, sin tocarlo. En otras palabras, las
colas de la curva se extienden indefinidamente en ambas direcciones.

6. La localizacin de una distribucin normal se determina a travs de la media, . La

dispersin o propagacin de la distribucin se determina por medio de la desviacin
estndar, .

Veamos la siguiente imagen para comprender mejor las caractersticas:

Fuente: Lind, Marchal & Wathen

La distribucin de probabilidad normal estndar.

La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el valor
cero, = 0, y por desviacin tpica la unidad, =1. Cualquier distribucin de probabilidad normal
puede convertirse en una distribucin de probabilidad normal estndar si se resta la media de
cada observacin y se divide esta diferencia entre la desviacin estndar. Los resultados reciben
el nombre de valores z(zeta) o valores tipificados.

El valor z distancia con signo entre un valor seleccionado, designado X, y la media, , dividida
entre la desviacin estndar, . De esta manera, el valor z es la distancia de la media, medida en
unidades de desviaciones stndar. La frmula sera la siguiente:

12
En donde:

X: es el valor de cualquier observacin y medicin.

: es la media de la distribucin.

: es la desviacin estndar de la distribucin

Es importante mencionar que cuando se trabaja con la distribucin normal estndar el rea bajo
la curva o campana se le asignan intervalos de acuerdo al margen de error con que se est
buscando la probabilidad. Los porcentajes de los valores que se encuentran en algunos intervalos
comnmente usados son:

1. 68%, de los valores de una variable aleatoria normal se encuentran ms o menos una
desviacin estndar de la media.

2. 95% de los valores de una variable aleatoria normal se encuentran ms o menos dos
desviaciones estndar de la media.

La siguiente imagen muestra la representacin de los porcentajes de margen de error o nivel de

significancia debajo de una curva normal, importante observar que a partir de la media () menos
la desviacin (), se mueven a la derecha o izquierda.

Fuente: Lind, Marchal & Wathen

Veamos una aplicacin de la distribucin normal estndar:

El ingreso medio semanal de un supervisor de turno de la industria del vidrio tiene una distribucin
normal, con una media de $1.000 y una desviacin estndar de $100. Es decir, = $1 000 y =
$100. Cul es la probabilidad de seleccionar aun supervisor cuyo ingreso semanal oscile entre
$1.000 y $1.100?

Esta pregunta se expresa con notacin de probabilidad de la siguiente manera: P($1.000 <ingreso
semanal > $1.100).

Calculamos ambos valores Z para las probabilidades de $1,000 y $1,100

13
Tenemos que le valor Z dio como resultado 1, La probabilidad asociada con un valor z de 1.00se
encuentra disponible en la tabla que se anexa en este mdulo; una parte del cual se presenta a
continuacin. Para localizar la probabilidad, descienda por la columna izquierda hasta 1.0 y en
seguida vaya a la columna con el encabezado 0.00. El valores 0.8413.

Veamos:

El rea bajo la curva normal entre $1 000 y $1 100 es de 0.8413. Tambin puede decir que 84.13%
de los supervisores de turno en la industria del vidrio gana entre $1 000 y $1 100semanales o que
la probabilidad de seleccionar a un supervisor cuyo ingreso oscile entre $1,000 y $1,100 es de
0.8413.

Esta informacin se resume en el siguiente diagrama

14
1.7 La Eleccin De La Distribucin De
Probabilidad Ms Adecuada Segn El Caso
Una distribucin de probabilidad presenta los resultados posibles de un experimento y la
probabilidad de cada uno de estos resultados, lista todos los resultados de un experimento y la
probabilidad relacionada con cada uno.

La correcta eleccin del mtodo de distribucin de probabilidad ms adecuado va depender

siempre del tipo de variables aleatorias que se est evaluando.

15
Bibliografa
Aranda Gallego, J. y Gmez Garca, J. (2008).Introduccin a la estadstica econmica y
empresarial. Espaa: P.P.U.

Escuder Valles, R. (2010). Mtodos estadsticos aplicados a la economa. Espaa: Ariel Economa.

Garca Barbancho, A. (2009).Estadstica elemental moderna. Espaa: Ariel Economa.

Martin Pliego, F.J. (2011). Curso prctico de Estadstica Econmica. Puerto Rico: AC.

Pea, D. Y Romo, J. (2008). Introduccin a la Estadstica para las Ciencias Sociales. Mxico:
McGraw-Hill.

Perez Suarez, R.(2010). Anlisis de datos econmicos I. Mtodos descriptivos. Espaa: Pirmide.

Rioboo Almanzor, J.M.; Po del Oro Sez, C. y otros. (2009).Representaciones grficas de datos
estadsticos. Puerto Rico: AC.

16