Unidad 3

Variables aleatorias. Distribución de Probabilidad

1. INTRODUCCIÓN
En esta unidad estudiaremos tres de los conceptos más importantes de nuestra asignatura, los
conceptos de experimento aleatorio, variable aleatoria y de distribución de probabilidad de una
variable aleatoria.
Comenzamos con el de experimento aleatorio. Las ciencias de la Probabilidad, y en particular la
Estadística se interesan por determinado tipo de experimentos denominados aleatorios. Estos
tienen las siguientes características:
 Puede realizarse tantas veces como se quiera.
 Se sabe cuáles son sus posibles
 Antes de realizar una repetición no se sabe cuáles de los posibles resultados ocurrirá.
Por ejemplo, suponga que el experimento consiste en arrojar una moneda. Claramente se trata
de un experimento aleatorio pues cumple con las condiciones de este: la moneda se puede
arrojar las veces que se quiera, sabemos cuáles son los posibles resultados (cara o cruz) pero
antes de realizar un lanzamiento no podemos asegurar cuales de esos dos resultados se obtendrá.
Otro experimento aleatorio es el de arrojar un dado de seis caras, seleccionar un producto
manufacturado de una línea de producción para clasificarlo como defectuoso o no defectuoso,
etc.
Todo experimento aleatorio genera una o varias variables aleatorias. Este es otro de los
conceptos que vamos a analizar y lo definimos de la siguiente manera:
Definición. Cuando los valores que asume una variable han sido antecedidos por algún proceso
al azar (experimento aleatorio), tendremos una variable aleatoria.
Es decir, una variable aleatoria es una variable que queda definida por un experimento aleatorio.

Las variables aleatorias generalmente se designan con las letras X ,Y ,Z y sus valores por la
correspondiente minúscula.
Por ejemplo, al arrojar una moneda podemos considerar la siguiente variable aleatoria:
X = Resultado al arrojar la moneda una vez

Los valores posibles de esta variable son: x 1= Cara y x 2= Cruz.

Veamos un ejemplo un poco más complejo.
Supongamos que se lanza una moneda 3 veces. El espacio muestral correspondiente a este
experimento aleatorio es, como ya sabemos
S= {CCC , CCX ,CXC , XCC , CXX , XCX , XXC , XXX }
Si en este experimento estamos interesados el número de caras obtenidas en cada repetición del
experimento, entonces podemos definir la siguiente variable aleatoria
Y = Número de caras obtenidas en 3 lanzamientos
Los valores posibles de esta variable son:
1. Y =0 que se identifica con el resultado XXX o lo que es lo mismo con el evento A:
se obtienen 3 cruces.
2. Y =1 que se identifica con los resultados CXX, XCX, XXC, o lo que es lo mismo con
el evento C: se obtiene una cara.
 2

3. Y =2 que se identifica con los resultados CCX, CXC, XCC, o lo que es lo mismo
con el evento C: se obtienen 2 caras.
4. Y =3 que se identifica con el resultado CCC, o lo que es lo mismo con el evento D:
se obtienen 3 caras.

Por lo tanto, dada una variable aleatoria Y, con la expresión (Y = y ) representa un evento de
S.
Si aceptamos que todos los resultados del experimento son igualmente probables se pode
calcular la probabilidad de ocurrencia de cada evento de la siguiente manera:
P(Y =0 )=P( A )=1/8
P(Y =1 )=P(B )=3 /8 ,
P(Y =2 )=P(C )=3 /8
P(Y =3 )=P( D )=1/8 .
Pude verificarse que la suma de las probabilidades de todos los eventos es igual a 1.
Las variables aleatorias pueden clasificarse como variables aleatorias discretas y continuas.
Comenzaremos estudiando las variables aleatorias discretas dejando para más adelante las
continuas.
Definición. Una variable aleatoria es discreta si el número de valores que puede tomar es finito
o infinito contable.
Es decir, si X es una variable aleatoria discreta, sus valores posibles se pueden anotar como
x 1 ,x 2 , ..., xi , ... etc. En el caso finito, la lista termina y en el caso infinito contable, la lista
continúa infinitamente.
El experimento de arrojar tres veces una moneda y registrar en número de caras obtenidas se
define una variable aleatoria discreta con un número finito de valores pues los valores que toma
la variable Y son 0, 1, 2 y 3
Otro ejemplo de variable aleatoria discreta, pero con un número infinito contable de valores
sería la siguiente.
Su pongamos que el experimento consiste en tomar aleatoriamente un producto de una línea de
producción hasta encontrar el primer defectuoso. Sea la variable aleatoria
X = Número de extracciones hasta encontrar el primer defectuoso
Los valores que pude tomar esta variable son 1, 2, 3, 4, …, etc. Al menos en teoría, esta cuenta
puede ir hasta infinito.
Definición. La distribución de probabilidad de una variable aleatoria discreta es una tabla, un
gráfico, una fórmula o cualquier otro medio que se utiliza para especificar todos los valores
posibles de la variable junto con sus respectivas probabilidades.
Si la distribución de probabilidad para una variable aleatoria discreta se da mediante una tabla,
ésta podría tener la siguiente forma:
X x1 x2 ... xn
p( x i )=P( X=x i ) p( x 1 ) p( x 2 ) ... p( x n )
Tabla 1
Para la variable aleatoria Y = Número de caras obtenidas en 3 lanzamientos, su distribución de
probabilidad dada por una tabla se presenta en la tabla 2.
 3

Y 0 1 2 3
p( y i ) 1/8 3/8 3/8 1/8
Tabla 2
También puede emplearse un diagrama de barras como el que sigue como distribución de
probabilidad de la variable. En el eje horizontal anotamos los valores de la variable y en el
vertical sus respectivas probabilidades.
El resultado es el siguiente
0,388 0,375 0,375

0,319
Probabilidad

0,250

0,181

0,125 0,125

0,113
0 1 2 3
Y

Para hallar los valores de probabilidad para esta variable aleatoria también podemos utilizar la
siguiente fórmula (Más adelante, en esta misma unidad veremos cómo hallarla)
3! 1
p( y )=P (Y = y )=
y !(3− y )! 8 () ; Y =0,1,2,3
Por ejemplo
3! 1 1
p(0 )=P(Y =0 )= = ()
0 !(3−0 )! 8 8 . El resto de las probabilidades pueden obtenerse en
cada caso reemplazando y por los valores correspondientes de la variable aleatoria.

La función p( y) que permite calcular las probabilidades de cada uno de los valores de una
variable aleatoria discreta recibe el nombre de función de probabilidad.
Cualquiera sea la forma en la que se presente la distribución de probabilidad de una variable
aleatoria discreta, deben cumpliese siempre los siguientes dos requisitos.

1. 0≤p(x )≤1
n

2. ∑i=1 p ( xi )=1
Ahora bien, hemos defindo lo que en Probabilidad se entiende por distribución de probabilidad
de una variable aleatroria decreta. ¿Qué conección tiene este concepto al parecer tan abtracto
con cuetiones de la vida real?
Supongamos ahora que se lanza efectivamente tres veces una moneda un número grande de
veces y se registra el número Y de caras observadas en cada lanzamiento. Un histograma de
frecuencias relativas para el conjunto de valores 0, 1, 2, y 3 tendría barras cuyas alturas
aproximadas sería 1/8, 3/8, 3/8 y 1/8. De hecho, si fuera posible repetir el experimento un
número muy grande de veces, la distribución de frecuencias relativas se vería muy parecida a el
gráfico de barras de la figura 1.
 4

Por lo tanto, la distribución de probabilidad de la variable aleatoria Y proporciona un modelo

para la población conceptual de los valores de Y, los valores de Y que se obtendrán si el
experimento se repitiera un número infinito de veces.
Ahora bien, toda variable aleatoria tiene algunos parámetros de la caracterizan. Pasamos a
definirlos y analizar cuáles son sus principales propiedades.
2. PARÁMETROS DE UNA VARIABLE ALEATORIA
Valor esperado de una variable aleatoria discreta

Definición. Sea X una variable aleatoria discreta que asume los valores x 1 ,x 2 , ... , x n con
probabilidades p( x 1 ), p ( x2 ), .. . , p( x n ) respectivamente, el valor medio o esperado de X
se define de la siguiente manera
n
E( X )=μ=∑ i=1 x i p ( xi )=x 1 p( x 1 )+ x 2 p( x 2 )+.. .+x n p ( x n )
Ejemplo 1. Supongamos que un jugador juega un juego que consta en lanzar una moneda al
aire. Si sale cara, gana un peso, pero si sale cruz pierde un peso. ¿Cuánto espera ganar el
jugador si tira una moneda un gran número de veces?
Solución
La variable X que representa la ganancia del jugador en cada jugada puede definirse así

X=¿ {1 si sale cara¿¿¿¿

Supongamos que la moneda está balanceada, en ese caso la probabilidad de obtener cara o cruz
serán 0,5. Luego, la distribución de probabilidad de la variable aleatoria X es la siguiente
X -1 1
p( x) 0,5 0,5
Por lo tanto, el valor esperado de X o ganancias del jugador estará dada por
E( X )=(−1 )0,5+(1)0,5=0
Esto significa que, si el jugador juega un gran número de veces este juego, a la larga no ganará
ni perderá nada.
Consideremos el ejemplo analizado con anterioridad en el que se arrojaba tres veces una
moneda “honesta” y se contaba el número de caras que se obtenían en los tres lanzamientos.
Hemos visto que la distribución de probabilidad de la variable Y = números de caras obtenidas
en los tres lanzamientos era
Y 0 1 2 3
p( y i ) 1/8 3/8 3/8 1/8
La media o valor esperado es, en este caso

E(Y )=μ=0 ( 18 )+1( 38 )+2( 38 )+3( 18 )=1,5

¿Qué interpretación tiene el valor medio o esperado de una variable aleatoria?
Cuando definimos la media de una variable en la primera unidad de nuestra asignatura la
definimos de la siguiente manera:
x 1 + x 2 +. ..+ x N
μ=
N
 5

Supongamos que todos los valores de la variable tienen la misma probabilidad.

Podemos reescribir la media de la siguiente manera:

μ=x 1 ( N1 )+ x ( N1 )+.. .+ x ( N1 )
2 n

Luego, la media no es más que el valor medio o esperanza de una variable cuyos valores
posibles tienen todos la misma probabilidad.
Varianza y desviación estándar de una variable aleatoria discreta
Otro parámetro muy importante de una variable aleatoria discreta X es su varianza que la
definimos a continuación.

Definición. Sea X una variable aleatoria discreta con distribución de probabilidad p( x) ,

entonces, la varianza de X se define de la siguiente manera
n
Var ( X )=σ 2 =∑i=1 ( x i−μ )2 p( x i )

Ejemplo 2. Calcular la varianza de la variable Y = números de caras al arrojar 3 veces una

moneda.
Solución
De acuerdo a la definición de varianza tendremos:

σ 2 =( 0−1,5 )2 ( 18 )+(1−1,5 ) ( 38 )+(2−1,5 ) ( 38 )+(3−1,5) ( 18 )=0 ,75

2 2 2

Definición. Sea X una variable aleatoria discreta, la desviación estándar de X se define como la
raíz cuadrada de la varianza. Se simboliza σ .

Es decir, si X es una variable aleatoria discreta, entonces σ =√ σ 2 .

Para el ejemplo analizado, σ=√10,75=0,87 aproximadamente.

¿Cuáles son las diferencias entre la definición de varianza que dimos en la primera unidad y la
que dimos en ésta? Se deja como ejercicio al estudiante indagar al respecto.
La varianza y la desviación estándar de una variable aleatoria dan una idea de la dispersión de
los valores de la variable alrededor de su media o valor esperado.
3. DISTRIBUCIÓN DE PROBABILIDAD ACUMULATIVA
Hay muchas situaciones en las que deberemos calcular la probabilidad de que una variable
aleatoria asuma un valor menor o igual que algún número real x 0 . Escribiremos la

probabilidad de que X tome valores menores o iguales que x 0 como F( x 0 )=P( X≤x 0 )
y llamaremos a esta función, definida para todo número real función de distribución acumulada
o acumulativa.
Definición. Sea X una variable aleatoria discreta, la función
F( x 0 )=P( X≤x 0 )=∑ x ≤x p ( xi )= p( x 1 )+ p( x 2 )+. ..+ p( x 0 )
i 0

recibe el nombre de función de distribución acumulada o acumulativa de X, o simplemente

función de distribución.
Ejemplo 3. Considere el ejemplo de lanzar 3 veces una moneda. Hallar la función de
distribución de la variable Y.

Solución
 6

De acuerdo a la definición de función de distribución tendremos

1
F(0 )=P(Y ≤0 )=
8
1 3 4
F(1 )=P(Y ≤1 )=P(Y =0)+P(Y =1)= + =
8 8 8
1 3 3 7
F(2 )=P(Y ≤2)=P(Y =0)+P(Y =1)+P(Y =2)= + + =
8 8 8 8
Finalmente
1 3 3 1 8
F(3 )=P(Y ≤3)=P (Y =0 )+P(Y =1 )+P (Y =2)+P(Y =3)= + + + = =1
8 8 8 8 8
De acuerdo a la definición de F( y ) , ¿a qué sería igual F( 4) ? Como para valores de la
variable aleatoria Y menores a 0 y mayores a 3 p( y )=0 , entonces es fácil corroborar que
F( 4 )=1 .
Por lo mismo
F(1,5 )=P(Y =0)+P(Y =1)+P(Y =1,5 )
1 3 4
F( 1,5 )= + +0=
8 8 8

La distribución de probabilidad de la variable aleatoria estudiada junto a los valores de F ( x ) se

muestran en la siguiente tabla
Y 0 1 2 3
1/ 3/
p( y) 8 3/8 8 1/8
1/ 7/
F( y ) 8 4/8 8 8/8
Tabla 3

Propiedades de F( x)
Las propiedades más importantes de la función de distribución acumulada se resumen en el
siguiente teorema

Teorema. Sea F( x) la función de distribución acumulativa de una variable aleatoria

discreta, entonces
lim F ( x )=0
 x → −∞
lim F ( x )=1
 x→ ∞

 Si x 1 < x 2 , entonces F( x 1 )≤F ( x2 ) para cualquier par de números reales x 1 y

x2 .
4. VARIABLES ALEATORIAS CONTINUAS
Vamos a realizar a continuación un análisis similar al realizado con variables aleatorias
discretas, pero considerando ahora las variables aleatorias continuas.
Definición Una variable aleatoria X es continua si puede asumir cualquier valor en un intervalo
real de valores numéricos.
 7

Por ejemplo, si se selecciona una persona al azar y definimos la variable aleatoria X = altura de
la persona seleccionada, dicha variable aleatoria es continúa dado que la altura de una persona
puede ser cualquier número real comprendido entre 0 y 2,5 metros, por ejemplo,
Los experimentos aleatorios que resultan en mediciones generalmente conducen a variables
aleatorias continuas.
Para analizar las diferencias entre las variables aleatorias discretas y continuas, recordemos que
para una variable aleatoria discreta se puede calcular la probabilidad de que la variable tome un
determinado valor.
Para las variables aleatorias continuas, el caso es muy distinto ya que la misma puede asumir
cualquier valor dentro de un intervalo real de la recta numérica. Como cualquier intervalo real
contiene una cantidad infinita de valores, no es posible hablar de la probabilidad de que la
variable aleatoria tome un valor determinado. En lugar de esto, debemos pensar en términos de
la probabilidad de que la variable aleatoria continua tome un valor dentro de un intervalo dado.
Para describir las distribuciones discretas de probabilidad presentamos el concepto de función
de probabilidad p( x) . Esta función suministra la probabilidad de que una variable aleatoria
X tome un valor específico.
En el caso continuo, la contraparte de la función de probabilidad es la función de densidad de
probabilidad representada por f (x ) .
Para una variable aleatoria continua, la función de densidad de probabilidad especifica el valor
de la función en valor particular de X sin dar como resultado directo la probabilidad de que la
variable aleatoria tome un valor específico. Es decir, en este caso, f (x ) no es igual a una
probabilidad.

Sin embargo, el área bajo la gráfica de f (x ) que corresponde a un intervalo dado, determina
la probabilidad de que la variable aleatoria continua tome un valor en dicho intervalo.

Ahora bien, no toda función f (x ) puede hacer las veces de densidad de probabilidad para
una variable aleatoria continua. Debe cumplir con ciertas condiciones que damos en la siguiente
definición.

Definición. Una función f (x ) es una función de densidad de probabilidad para una variable
aleatoria continua X si

 f (x )≥0 para todo x que pertenece a R

∞

 ∫−∞ f ( x)dx=1
b
P(a< X<b )=∫a f ( x )dx

De acuerdo con esta definición y teniendo en cuenta las propiedades de la integral definida, es
posible demostrar que
a
P( a  X  a)   f ( x) dx  0 X =a
a , es decir, la probabilidad de que es igual a cero como lo
habíamos adelantado.
b
P( a  X  b)   f ( x) dx  P (a  X  b)
a . Esta propiedad se deriva de la definición de
integral definida y nos dice que la probabilidad entre a y b no se altera si no se
consideran los extremos en el cálculo.
Ejemplo 4. Sea X una variable aleatoria continua con densidad de probabilidad
 8

x2
{
f (x)=¿ si −1<x<2¿¿¿¿
3

a) Verificar el cumplimiento de las dos primeras condiciones para que f (x ) sea una
función de densidad de probabilidad para X .

b) Calcular P(0<X ≤1)

Solución

La primera condición, f (x )≥0 se cumple por definición de la función (verifique).

∞
La segunda condición establece que ∫−∞ f (x)dx=1 . Lo verificamos a continuación.
Aplicando propiedades de la integral definida tenemos
∞ −1 2 1 ∞
∫−∞ f ( x)dx=∫−∞ 0dx+∫−1 3 x2 dx+∫2 0dx
Por lo tanto
1 2 2 1 32 1
∫ x dx= 9 x |−1= 9 (8+1)=1
3 −1
1 1 1 1
P(0<X ≤1)= ∫ 0 x 2 dx= x3 |10 =
Por otro lado, 3 9 9
Como en el caso discreto, hay muchos problemas en los cuales nos interesa conocer la
probabilidad de que el valor de una variable aleatoria continua sea menor o igual a algún
número real x. Damos para ello la siguiente definición de distribución de probabilidad
acumulada.
Definición. Si X es una variable aleatoria continua, la función dada por
x
F( x)=P( X≤x )=∫−∞ f (t )dt −∞< x <∞
para

donde f (t ) es la función de densidad de probabilidad de X parametrizada en t recibe el

nombre de función de distribución acumulativa de X.
Las propiedades que hemos dado para la función de distribución acumulativa de una variable
aleatoria discreta se cumplen también aquí. Es decir
lim F ( x )=0
 x → −∞
lim F ( x )=1
 x→ ∞

 Si x1  x2 entonces F ( x1 )  F ( x2 ) para cualquier par de números reales x1 y x2

Pero en el caso de una variable aleatoria continua tenemos otras propiedades. Las mismas se
deducen de las propiedades de la integral definida y se resumen en el siguiente teorema.

Teorema. Si f (x ) y F( x) son, respectivamente, la función de densidad y la función de

distribución acumulativa de una variable aleatoria continua X, entonces
 9

 P(a≤X≤b)=F(b )−F (a ) para dos números reales a y b tales que a≤b .

dF( x )
f (x )=
 dx en donde exista la derivada.

Ejemplo 5. Para la función de densidad del ejemplo 4 encuentre F( x) y utilícela para

evaluar P(0<X ≤1) .
Solución

Si x≤−1 f (x )=0 . Por lo tanto F( x)=0

3
1 x 1 x 1 3 x +1
F( x)= ∫−1 t 2 dt= t 3|−1 = ( x +1)=
Si −1< x< 2 3 9 9 9
Si x≥2 F( x)=1 , por lo tanto

x3+1
{
F(x)=¿ {0 si x≤−1¿ si -1<x<2¿¿¿¿
9
2 1 1
Pr (0< X≤1)=F(1 )−F (0)= − =
Por otro lado, 9 9 9 que coincide con el resultado hallado
con anterioridad.

El gráfico de F( x) se muestra en la figura 1.

Figura 1
Valor esperado y varianza de una variable aleatoria continua
El valor esperado y la varianza de una variable aleatoria continua se definen de manera similar
al caso de las variables aleatorias discretas solo que en las definiciones las sumatorias se
reemplazan por integrales.

Definición. Sea X una variable aleatoria continua con una función de densidad f (x ) , la
media o valor esperado de X se define de la siguiente manera
∞
E( X )=μ=∫−∞ xf ( x)dx
La varianza de X se define de la siguiente manera
2 ∞ 2
Var( X )=σ =∫−∞ (x−μ) f ( x)dx
 10

La desviación estándar de la variable aleatoria X es la raíz cuadrada de la varianza, es decir

σ =√ σ 2
Ejemplo 6. Suponga que la variable aleatoria continua X tiene la siguiente distribución de
probabilidad

f (x)=¿ {0 ,05 si 0≤x≤20¿¿¿¿

Calcular su valor esperado y varianza.
Solución
Aplicando las definiciones respectivas
2
20 20 x
E( X )=μ=∫ 0 x(0,05)dx=0,05∫ 0 xdx=0,05 |200 =10
2
La varianza es
3
2 20 2 20 2 ( x−10) 20
σ =∫0 ( x−10) (0,05)dx=0,05∫ 0 ( x−10) dx=0,05 | =33,33
3 0
Por lo tanto, σ=√33,33=5,77
5. FUNCIONES DE VARIABLES ALEATORIAS
En general, si X es una variable aleatoria (discreta o continua), toda función de X es a su vez una
variable aleatoria. Por ejemplo, si X es una variable aleatoria, Y =2 X +1 también lo será.
Damos la siguiente definición

Definición. Si Y =g( X ) es una función de la variable aleatoria X, entonces

{E (Y)=E [ g(X) ]=∑x g(x)p(x) ¿ ¿¿¿ si X es discreta

∞
{E(Y )=E [ g(X)]=∫ −∞
g(x)f (x)dx ¿ ¿¿¿
si X es continua
Ejemplo 7. Suponga que el número de autos X que pasan a través de una máquina lavadora
entre las 4:00 y 5:00 P.M. en un día viernes tiene la siguiente distribución de probabilidad
X 4 5 6
7 8 9
1/
p( x )=P( X =x ) 1/12 1/12 1/4 4 1/6 1/6
Tabla 4

Sea Y =g( X )=2 X −1 la variable aleatoria que representa la cantidad de dinero que el
gerente paga al empleado que atiende la máquina lavadora. Encuentre la ganancia esperada del
encargado en este período de tiempo particular.
Solución
De acuerdo con el resultado anterior
 11

E(Y )=E(2 X−1)=∑ (2 x−1 ) p( x )

E(Y )=7 ( 121 )+ 9 (121 )+11 ( 14 )+13 ( 14 )+ 15 ( 16 )+17 ( 16 ) . Por lo tanto E(Y )=$ 12,67
Ejemplo 10. Sea X una variable aleatoria continua con densidad

x2
{
f (x )=¿ , si −1<x<2¿ ¿¿¿
3
Encontrar el valor esperado y la varianza de Y =g( X )=4 X +3
Solución
Aplicando las definiciones correspondientes
2
2 (4 x +3 )x
E [ g ( X ) ]=∫−1 dx=8
3

y
2 1 51
Var (Y )=∫−1 ( 4 x+3)2 x 2 dx=
3 5
como es fácil verificar.
Una propiedad importante de una variable aleatoria discreta o continua se da en el siguiente
resultado
2 2 2
Teorema. Si X es una variable aleatoria discreta o continua, entonces σ =E( X )−[ E( X ) ]
Demostración
Demostraremos esta propiedad para una variable aleatoria continua.
Por definición
2 ∞ 2 ∞ 2 2
σ =∫−∞ (x−μ ) dx=∫−∞ ( x −2 xμ+μ )f (x )dx
2 ∞ 2 ∞ 2 ∞
σ =∫−∞ x f (x )dx−2μ ∫−∞ xf ( x)dx+μ ∫−∞ f ( x)dx
2 2 2 2 2 2
σ =E( X )−2 μ +μ =E( X )−μ
2
Por lo tanto, σ 2 =E( X 2 )−[ E( X ) ] y la propiedad queda demostrada
6. PROPIEDADES DEL VALOR ESPERADO Y DE LA VARIANZA DE UNA
VARIABLE ALEATORIA
Las siguientes propiedades del valor esperado se dan tanto si X es una variable aleatoria discreta
o continua. Pueden probarse los siguientes resultados

 Si c es una constante, entonces E (c)  c

 Si c es una constante y X es una variable aleatoria, entonces E (cX )  cE ( X )
 E ( X  c)  E ( X )  c
 12

 Si X 1 y X 2 son dos variables aleatorias, entonces

E( X 1 + X 2 )=E ( X 1 )+ E( X 2 )
Para la varianza de una variable aleatoria tenemos

 Var ( X )  0
Var ( X )  E ( X 2 )   E ( X ) 
2
 ya demostrada
 Var ( X  c)  Var ( X )

Ejemplo 10. Demostrar que si X es una variable aleatoria continua con densidad f (x ) y c es
una constante, entonces E(cX )=cE ( X ) .
Demostración
Como el producto de una constante por una variable aleatoria es a su vez una variable aleatoria
tendremos
∞ ∞
E(cX )=∫−∞ cx f ( x)dx=c ∫−∞ xf (x )dx=cE( X )

Ejemplo 11. Probar que si X es una variable aleatoria continua con densidad f ( x) , y c es una
2
constante, entonces Var (cX )  c Var ( X ) .
Solución
∞ 2 ∞ 2
Var(cX )=∫−∞ [ cX−cE( X)] f ( x)dx=∫−∞ c 2 [ X−E( x)] f (x)dx

Var (cX )  c 2 

 x  E ( X ) 2 f ( x)dx  c 2Var ( X )
y la propiedad queda demostrada.
7. COMBINACIÓN LINEAL DE VARIABLES ALEATORIAS

Definición. Sean X 1 , X 2 ,. .. , X n un conjunto de variables aleatorias y a1 ,a 2 ,.. .,a n igual

número de constantes, entonces la variable aleatoria
n
Y =a1 X 1 + a2 X 2 +.. .+a n X n =∑i=1 ai X i

recibe el nombre de combinación lineal (CL) de las variables Xi .

Puede verse que una combinación lineal es un caso particular de una función en donde Y es una
función de varias variables aleatorias no como en la definición anterior donde Y es función de
una sola.

Por ejemplo, si X1 y X2 son dos variables aleatorias y siendo a1 =2 y a2 =−3 ,

entonces Y =2 X 1 −3 X 2 es también una variable aleatoria.
1
a1 =a 2=. ..=a n=
Otro ejemplo. Si n , entonces
X 1 + X 2 + .. . X n
a1 X 1 +a 2 X 2 +. ..+ an X n= = X̄
n
es una nueva variable aleatoria que recibe el nombre de media muestral y será estudiada
ampliamente en la unidad IV.
 13

Ahora consideraremos el valor esperado y la varianza de una combinación lineal de variables

aleatorias.

Teorema. Sean X 1 , X 2 ,. .. , X n variables aleatorias con medias o valores esperados

2 2 2
μ1 , μ2 , .. . , μ n y varianzas σ 1 ,σ 2 ,. ..,σ n respectivamente, entonces

 Si las X i son o no independientes entonces

E(a1 X 1 +. ..+an X n )=a1 E( X 1 )+. . .+an E ( X n )=a1 μ 1 +. ..+an μn

 Si X 1 , X 2 ,. .. , X n son independientes entonces
Var (a1 X 1 +.. .+a n X n )=a21 Var ( X 1 )+. ..+a 2n Var ( X 2 )=a21 σ 21 +.. .+a2n σ 2n
Ejemplo 12. Una estación de servicios vende tres clases de combustibles, común, extra y súper
a 1,20; 1,35 y 1,50 dólares por litro respectivamente. Representemos con X1 , X2 y X3 las
cantidades de nafta vendidas (en litros) en un día en particular. Supongamos que las Xi son
independientes con μ1 =1. 000 ;
μ2 =500 , μ3 =300 , σ 1 =100 , σ 2 =80 y
σ 3 =50 . El ingreso por ventas es Y =1 , 20 X 1 +1 , 35 X 2 +1,5 X 3 .
Por lo tanto
E(Y )=μY =1 ,20 μ1 +1 , 30 μ2 +1,5 μ3 . O sea
μY =1 ,20(1 . 000)+1 , 35(500)+1 , 50(300)=$ 2 . 325 . Por otro lado

σ 2Y =(1 , 20 )2 (100)2 +(1 ,35 )2 (80 )2 +(1, 50 )2 (50)2 =31 .689 . Por lo tanto σ Y =178 , 01
8. MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD
En la práctica se suelen utilizar ciertas variables aleatorias cuya distribuciones son obtenidas
mediante estudios teóricos con lo cual se origina lo que suele llamarse un modelo de
distribución de probabilidad.
Entre estas distribuciones podemos citar la distribución binomial, la hipergeométrica, la de
Poisson entre las discretas y la normal entre las continuas.
Distribución Bernoulli
Varios de los modelos de distribución de probabilidad discretos que se utilizan en la práctica se
basan en experimentos o procesos en los que se realizan una secuencia de pruebas llamadas de
Bernoulli. Las características de una prueba de Bernoulli se presentan a continuación:
 La prueba solo tiene dos resultados mutuamente excluyentes. Llamaremos a uno de
estos resultados éxito (E) y al otro fracaso (F).

 Las probabilidades de éxito y de fracaso se representan por P( E)=p y P( F )=q

respectivamente. Note que p+q=1
Una variable aleatoria Bernoulli se define como el resultado numérico de una prueba Bernoulli
donde X =1 si el experimento resulta en éxito y X =0 si el resultado es fracaso.
Esta definición se muestra gráficamente en la figura 2
 14

Figura 2
También puede presentarse la distribución de una variable Bernoulli mediante la tabla 5

Resultad
o
X p( x )=P( X =x)
E 1 p
F 0 q
Tabla 5
Como sabemos, una distribución de probabilidad también puede darse mediante una fórmula. Es
por ello que damos el siguiente resultado
Distribución Bernoulli
Sea una prueba Bernoulli donde

X=¿ {1 si ocurre un éxito E¿¿¿¿

La distribución de probabilidad de una variable aleatoria Bernoulli X está dada por
x 1− x
p( x)=P( X =x)= p q , X =0, 1
donde p es la probabilidad de éxito y q=1− p .
Ejemplo 13. Un experimento consiste en lanzar una moneda balanceada. Definimos cara como
un éxito y cruz como fracaso. Por lo tanto

X=¿ {1 si ocurre cara ¿¿¿¿

La distribución de probabilidad de la variable X es

P( X=1)=(0,5)1 (0,5)1−1 =0,5

P( X=0)=(0,5 )0 (0,5 )1−0 =0 . 5
2
Teorema. Si X es una variable aleatoria Bernoulli, entonces E( X )= p y σ = pq
Demostración
La prueba es directa como puede verse a continuación
1
E( X )=∑ x=0 xP( X =x )=0 (1−p )+1 p= p
Por otro lado
 15

2 1
σ 2 =E( X 2 )−[ E( X ) ] =∑ x=0 x 2 P( X=x )− p2

σ 2 =0 2 (1−q )+12 p− p 2
2 2 2
σ = p− p = p(1−p )⇒σ = pq
Distribución Binomial
La distribución binomial es el modelo probabilístico adecuado para describir experimentos con
las siguientes características:
 El experimento consiste en n pruebas Bernoulli idénticas.
 Cada prueba tiene únicamente dos posibles resultados, E (éxito) y F (fracaso).
 P( E)=p y P( F )=q se mantienen constantes a lo largo de todas las pruebas.
Note que p+q=1 .
 Las pruebas son independientes.
 La variable aleatoria binomial X es el número de resultados E en n pruebas.
La distribución de probabilidad de una variable aleatoria binomial está dada por

p( x)=P( X =x/n, p)=¿ ( n ¿ ) ¿ ¿¿

¿ , X=0, 1, 2, ..., n
En donde p= probabilidad de éxito en una sola prueba; q=1− p ; n= número de
( n ¿) ¿¿ ¿
pruebas; ¿ y X = número de éxitos en n pruebas.

Si una variable aleatoria tiene distribución binomial, entonces E( X )=np y σ 2 =npq

Los números n y p reciben el nombre de parámetros de la distribución en el sentido de que para
cada combinación de éstos se obtiene una distribución binomial distinta. Si una variable
aleatoria discreta tiene distribución binomial de parámetros n y p se escribe X ~ B (n , p ) .
Por ejemplo, si una variable aleatoria tiene distribución binomial con parámetros n=5 y
p=0,25 , es decir X ~B(5; 0, 25) , entonces X = 0, 1, 2, 3, 4, 5. Por lo tanto
5!
p(0 )=P( X =0)= (0 ,25 )0 (0 ,75 )5 =0 , 237
0 !(5−0 )!
Podemos continuar de la misma manera y encontrar todos los valores de probabilidad aplicando
la fórmula correspondiente. En la tabla 6 se muestran los valores de X y sus respectivas
probabilidades
X P( X= x )
0 0,237
1 0,395
2 0,263
3 0,087
4 0,014
5 0,001
Tabla 6
En la figura 3 se muestra la distribución de probabilidad de la variable X mediante un gráfico de
barras.
 16

Distribución de probabilidad de X

0,415 0,395

0,306
0,263
0,237

Probabilidad
0,198

0,087
0,090
0,014
0,001
-0,019
0 1 2 3 4 5
X

Figura 3

Ahora bien, si X ~ B (5; 0,5) la distribución de probabilidad de la variable X se muestra en la

tabla 7
X P( X= x )
0 0,031
1 0,156
2 0,312
3 0,315
4 0,156
5 0,031
Tabla 7
En la figura 4 se muestra la misma distribución de probabilidad pero mediante un gráfico que,
como sabemos, es otra forma de representar la distribución de probabilidad de una variable
aleatoria discreta.

Distribución de probabilidad de X

0,326 0,312 0,312

0,249
Probabilidad

0,172 0,156 0,156

0,094

0,031 0,031
0,017
0 1 2 3 4 5
X

Figura 4

Note que si p=0,5 la distribución es simétrica independientemente del valor de n. Esta es

una de las propiedades de la distribución binomial.
 17

Ejemplo 14. Una fábrica de lámparas eléctricas trabaja con un 10% de unidades defectuosas. Si
se selecciona una muestra de 10 lámparas, ¿cuál es la probabilidad de encontrar
a) ¿Ninguna defectuosa?
b) ¿4 defectuosas?
c) ¿Como máximo 2 defectuosas?
Solución

Tenemos para este ejemplo n=10 y p=0,10 . Por lo tanto, si X es el número de lámparas
defectuosas en una muestra de 10, entonces X = 0, 1, 2, ..., 10. Tendremos
10!
p(0 )=P( X =0)= (0 ,10 )0 (0 ,90 )10=0 , 348
a) 0 !(10−0 )!
10 !
p(4 )=P ( X=4 )= (0 , 10 )4 (0 , 98)10−4 =0 , 011
b) 4 !(10−4 )

c) P( X≤2)=P( X=0 )+P( X=1)+P( X =2)=0 ,9298 por aplicación reiterada de la

fórmula que define la distribución binomial.

La media y la varianza de X son E( X )=np=10(0,1 )=1 y V ( X )=10(0,1 )(0,9)=0 ,90

Debemos advertir que el uso de la distribución binomial debe hacerse solo si se cumplen los
supuestos que hemos nombrado anteriormente.
El tema de la probabilidad de éxito constante en toda la experiencia es una de las cuestiones que
debe evaluarse.
En las aplicaciones prácticas decimos que la distribución binomial se puede aplicar cuando la
muestra se extrae de una población infinita o cuando el muestreo se hace con reposición de una
población finita.
Pero en la práctica se suelen extraer muestras sin reposición así que se debe tener mucho
cuidado en la aplicación de la distribución binomial.
Existe un consenso general que cuando el tamaño de la población es por lo menos 20 veces el
tamaño de la muestra, es posible utilizar la distribución binomial aun cuando el muestreo se
haga sin reposición porque de esta manera se mantendrá aproximadamente constante la
probabilidad de éxito.
Resumiendo:
Si se toman muestras sin reposición de una población finita, la distribución
binomial podrá utilizarse siempre y cuando N≥20 n o equivalentemente
n/ N ≤0 , 05 siendo n el tamaño de la muestra y N el tamaño de la población.
Ejemplo 15. En una provincia de 1.000.000 de habitantes, estudios anteriores han determinado
que el 40% de la población consume determinado producto. Se toma una muestra sin reposición
de 10 personas, ¿qué probabilidad hay de que 3 de ellos sean consumidores del producto.
Solución
Aun cuando el muestreo es sin reposición, podemos utilizar la distribución binomial dado que
n/ N <0 , 05 . Lugo X = número de personas que consumen el producto en una muestra de 10.
Por lo tanto, X = 0, 1, 2, ..., 10.
Tenemos así que
10 !
P( X=3)= (0 , 40 )3 (0 , 60 )7 =0 ,2150
3 !(10−3)!
 18

Tablas de distribución Binomial

El cálculo de las probabilidades binomiales mediante la fórmula anterior puede resultar
increíblemente laborioso cuando n es grande. Afortunadamente, se han preparado tablas de
probabilidades binomiales y entonces no es necesario el uso directo de la ecuación. Solamente
se necesita utilizar una tabla con los valores dados de n, p y x para obtener la probabilidad
deseado. La tabla D que acompaña este material es una tabla de este tipo. Supongamos que se
quiera calcular la probabilidad de que una variable aleatoria binomial X asume el valor 3 en una
muestra de tamaño 10 cuando la probabilidad de éxito es 0,40. Es decir, se quiere calcular. Para
hallar esta probabilidad en nuestra tabla ubicamos en primer lugar n=10 , luego la columna
p=0, 40 y finalmente, para n=10 , la fila marcada con 3. El registro tabular que se
encuentra en la intersección de esta fila y la columna es la probabilidad que se busca. hallamos
que es 0,2150, valor que se puede obtener directamente a partir de la fórmula de la distribución
binomial.
Por último, observe que nuestra tabla de probabilidades binomiales no contiene valores de p
mayores que 0,50. En la práctica los valores de p suelen ser mayores que 0,50. Para encontrar
probabilidades binomiales cuando p>0 ,50 puede hacerse uso del siguiente resultado
P( X= x /n ; p>0 , 50 )=P( X =n−x /n ; 1−p )
Por ejemplo, si X ~ B (5; 0,70 ) , entonces
P( X=3/5 ;0 ,70 )=P( X =2/5 ; 0 , 30)=0 ,3087
Distribución Hipergeométrica
Este modelo probabilístico describe un fenómeno o experimento con dos resultados posibles,
mutuamente excluyentes, en cada una de las n repeticiones que se realizan. La diferencia
fundamental con la distribución binomial radica en que el modelo hipergeométrico describe un
proceso de muestreo sin reposición del elemento previamente extraído, o sea, que la
probabilidad de éxito no es constante de repetición en repetición.
Las características que definen una variable aleatoria hipergeométrica y su distribución de
probabilidad se resumen a continuación.

 El experimento consiste en extraer al azar y sin reposición n elementos de un conjunto

de N elementos, N E de los cuales son éxitos (E) y N F =N−N E de los cuales son
fracasos (F).
 La probabilidad de éxito no permanece constante.
 Las pruebas no son independientes.
 La variable aleatoria hipergeométrica es el número de resultados éxitos en una muestra
de n elementos.
La distribución de probabilidad de una variable aleatoria hipergeométrica está dada por

( N ¿ ) ¿
P(X=x)= ¿¿¿¿
E
¿ X =0, 1 ,... , mínimo entre n y N E

NE NE NE N −n
E( X )=n
N ,
Var ( X )=n
N ( 1−
N )( )
N−1
donde
 19

N es el número total de elementos de la población.

N E es el número de éxitos en los N elementos.

NF es el número de fracasos en los N elementos.

n es el número de elementos extraídos o seleccionados.
x es el número de éxitos en los n elementos.

El factor
( NN−1
−n
) recibe el nombre de factor de corrección para poblaciones finitas (fc) y
será utilizado nuevamente más adelante. Note que fcp→1 si N es muy grande respecto de n,
N −n
lim (
es decir N →∞ N −1
=1 )
como es fácil comprobar.
Ejemplo 16. Al auditar 87 cuentas por pagar de una compañía, se toma una muestra de 10 de
las 87 cuentas sin reposición. De las 87 cuentas, 13 tienen errores. Encuentre la probabilidad de
que en dicha muestra, 2 contengan errores. Calcule el valor esperado, la varianza y la desviación
estándar de la variable aleatoria X = número de cuentas con errores en una muestra de tamaño
10.
Solución

De acuerdo con los datos del problema, N=87 , n=10 , N E=13 y

N F =87−13=74 .

X = número de cuentas con errores en una muestra de tamaño x=10

X=0, 1, 2,...,10
Por lo tanto

P(X=2)=( 13¿) ¿ ¿¿¿¿

¿
E( X )=10 ( 1387 )=1 , 49 ;
σ 2 =10 (1387 )(1−1387 )(87−10
87−1 )
=1 ,137 ⇒ σ=1, 066

Distribución de Poisson
La distribución de Poisson proporciona un modelo de distribución de probabilidad para calcular
la probabilidad de ocurrencia de eventos por unidad de tiempo, de área, de volumen etc.
El número de personas que ingresan a un banco cada hora, el número de accidentes laborales en
una planta fabril por mes, etc. son variables aleatorias cuya distribución de probabilidad se
puede modelar, bajo ciertas condiciones, con la distribución de Poisson.
Las características de una variable aleatoria de Poisson y su distribución de probabilidad se
resumen a continuación.
 El experimento consiste en contar el número X de veces que ocurre un evento particular
durante una unidad de medida (tiempo, área, volumen, etc.)
 20

 La probabilidad de que un evento ocurra en una unidad de medida dada es la misma

para todas las unidades.
 El número de eventos que ocurre en una unidad de medida es independiente de los que
ocurre en otra unidad.
 En número medio o esperado de eventos en cada unidad se denota λ (landa)
Si X es una variable aleatoria de Poisson, es decir, si X = número de eventos por unidad de
medida, entonces
−λ x
e λ
P( X= x )=
x! , X=0, 1, 2 ,...
Donde λ es el número medio o esperado de eventos por unidad de medida. La media o valor
esperado y la varianza de la distribución de Poisson son, respectivamente
E( X )=λ , Var( X )=λ
La forma de la distribución de Poisson cambia cuando cambia λ , luego, λ es el único
parámetro de la distribución.
Ejemplo 17. Suponga que el número promedio de llamadas que llegan a un conmutador es de
0,5 llamadas por minuto. Halle la probabilidad de que:
a) En un minuto no lleguen llamadas.
b) En un minuto lleguen más de tres llamadas.
c) En tres minutos lleguen menos de 5 llamadas.
Solución
a) En este caso, la variable aleatoria en estudio es
X = número de llamadas por minuto

De acuerdo con los datos del problema λ=0,5

e−0,5 (0,5)0
P( X=0)= =0 , 606
Por lo tanto 0! . Por lo tanto, la probabilidad de que en un
minuto no entren llamadas es 0,606.

b) En este caso, lo que se quiere calcular es P( X >3 ) . Aprovechamos para este cálculo una
de las propiedades de cualquier distribución de probabilidad que expresa lo siguiente:
P( X≤3)+P( X >3 )=1
Por lo tanto P( X >3 )=1−P ( X≤3 ) . Tendremos en consecuencia

e−0,5 (0,5)0 e−0,5 (0,5)1 e−0,5 (0,5 )2 e−0,5 (0,5)3

P( X >3 )=1− [ 0!
+
1!
+
2!
+
3! ]
P( X >3 )=1−0 ,998=0 , 002
c) En este caso, la variable aleatoria a considerar es
Y = número de llamadas cada 3 minutos
El número medio de llamadas para esta nueva variable se calcula mediante una regla de tres
simple. Es decir, si en un minuto hay en promedio 0.5 llamadas, en tres minutos habrá
3'×0 . 5 llamadas
λ1 = =1,5
1' llamadas cada tres minutos
Por lo tanto
 21

(1,5)0 (1,5 )1 (1,5) 4

P(Y <5)=e−1,5 [ 0!
+
1!
+.. .+
4! ]
= 0 , 9378

Distribución normal
La distribución normal es uno de los modelos de distribución de probabilidad más importantes
de la estadística.
Teóricamente, la distribución normal puede obtenerse a partir de la distribución binomial
cuando el número de ensayos se hace muy grande.
Sin embargo, la importancia de la distribución normal va mucho mas allá de proporcionar
aproximaciones de la distribución binomial. Esta distribución sirve como modelo de muchas
variables aleatorias que aparecen en problemas de administración y economía.
Definición. Se dice que una variable aleatoria X tiene distribución normal si su función de
densidad está dada por
( x −μ) 2
¿
1 2σ 2
f (x )= e
√2 π σ
donde −∞< x <∞ , −∞< μ<∞ y σ >0
Puede demostrarse que si X es una variable aleatoria que tiene distribución normal, entonces
2
E( X )=μ y Var( X )=σ . Estas cantidades son los parámetros de la distribución en el
sentido que para cada par de combinaciones de estos valores tendremos una distribución normal
2
diferente. Más precisamente, μ recibe el nombre de parámetro de posición y σ recibe el
nombre de parámetro de forma.
A continuación, presentamos algunas de las propiedades más importantes de la distribución
normal. Algunas son propias de la distribución normal y otras corresponden a cualquier función
de densidad.
 La gráfica de la función de densidad normal es una curva simétrica en forma de
campana. El valor de μ está en el centro de la distribución mientras que σ nos da
la dispersión de los valores de X respecto de μ . Esto se muestra en la figura 5.

Figura 5

 f (x )>0
 22

 El área bajo la curva de f (x ) en el intervalo −∞< x <∞ es igual a 1 como en

toda función de densidad. El valor máximo de la función ocurre en x=μ y es igual
1
√2π σ
b
P(a  X  b)   f ( x)dx
a
 como en toda densidad.
 Para cualquier variable aleatoria que tenga distribución normal

 P( μ−σ <X <μ+σ )=0 ,68 Aproximadamente.

 P( μ−2 σ < X <μ+2 σ )=0 , 95 Aproximadamente.

 P( μ−3 σ < X < μ+3 σ )=0 , 99 Aproximadamente.

De acuerdo con la regla empírica, casi el 100% de las observaciones de una variable aleatoria
con distribución normal estarán en el intervalo (μ−3 σ , μ+3 σ ) . La cantidad 6σ , que es la
amplitud de dicho intervalo se la conoce con el nombre de ancho de la distribución normal. Por
lo tanto, el área (probabilidad) que está fuera de este intervalo resulta muy pequeña.
Hemos dicho que para cada par de valores de μ y σ existe una curva normal diferente. En
la figura 6-a se muestran dos distribuciones normales con la misma media, pero con distinta
varianza, y en la figura 6-b dos distribuciones normales con distintas medias y varianzas
Si una variable aleatoria X tiene distribución normal con media μ y varianza σ

escribiremos X ~ N( μ,σ) .
Un problema que debemos resolver es cómo calcular probabilidades para una variable aleatoria
que tenga distribución normal.
Al respecto cabe decir que los cálculos de probabilidades para la distribución normal los
haremos mediante el uso de tablas cofeccionadas para tal fin.
Sin embargo, en la actualidad, éstos ya no se realizan manualmente sino por medio de la
computadora o iclusive con calculadoras científicas lográndose de esta manera un importante
ahorro en tiempo y ganando en precisión.

0.50 0.40

0.38 0.30
Densidad
Densidad

0.25 0.20

0.13 0.10

0.00 0.00
-5.0 -2.5 0.0 2.5 5.0 -5.0 -2.3 0.5 3.3 6.0

a b
Figura 6
 23

Distribución normal estandarizada

Hemos dicho que la distribución normal es realmente una familia de distribuciones en la que un
miembro se distingue de otro según los valores de μ y σ .
El miembro más importante de esta familia es la distribución normal estándar o distribución
normal unitaria, llamada así porque tiene una media igual a caro y una desviación estándar igual
a 1. Esta distribución se puede obtener a partir de
( x −μ) 2
¿
1 2σ 2
f (x )= e
√2 π σ
haciendo z=( x−μ )/σ . La ecuación para la distribución normal estándar se escribe
1 − z2 /2
f (z )= e
√2 π −∞< z <∞
Un esquema aproximado de la distribución normal estándar se muestra en la figura 7.

Figura 7

Si una variable aleatoria Z tiene distribución normal estándar escribiremos Z ~ N (0,1) .

Para calcular la probabilidad de que Z tome un valor entre los dos puntos cualesquiera sobre el
eje de las z, por ejemplo z 0 y z 1 , se debe calcular el área delimitada por la perpendicular
levantada en esos puntos, la curva y el eje horizontal. Tal como se mencionó, las áreas bajo la
curva de una distribución continua se calculan integrando la función entre los valores de la
variable. Entonces, en el caso de la normal estándar, para calcular el área entre z 0 y z 1 , es
necesario calcular la siguiente integral
z1 1 2
∫z √2 π e−z /2 dz
0

Por fortuna, no es necesario efectuar esta operación porque existen tablas disponibles que
proporcionan los resultados de todas las integraciones en las que se pueda estar interesado. La
tabla C que acompaña este material es una de esas tablas. En dicha tabla están calculadas las
áreas bajo la curva desde −∞ y los valores de z que se encuentran en la primera o última
columna de esta. El área sombreada de la figura 8 representa el área que se lista en la tabla
comprendida entre −∞ y z0 donde z0 es un valor especificado de Z. Es decir, lo que
 24

proporciona la tabla son los valores de la distribución de probabilidad acumulativa de Z. Es

z0
decir, valores de
F( z)=Pr(Z≤z 0 )=∫−∞ f ( z)dz tal como se muestra en la figura 8.

Figura 8
A continuación, se ilustra el uso de la tabla C con algunos ejemplos.
Ejemplo 17. Dada la distribución normal estándar, calcular la probabilidad de que un valor de
Z se encuentre entre −∞ y 2.
Solución
Debido a la relación que existe entre probabilidad y áreas en las distribuciones de probabilidad
de variables aleatorias continuas, hay que calcular el área bajo la curva entre −∞ y 2.
Resulta siempre útil dibujar la gráfica de la distribución normal estándar y sombrear el área que
se pide tal como se muestra en la figura 9. Si se localiza z=2 en la tabla C y se lee el valor
correspondiente en el cuerpo de la tabla, se encuentra que el área (probabilidad) pedida es
0,9772. Esta área se puede interpretar de diferentes formas. Como la probabilidad de que una Z
elegida aleatoriamente entre una población de valores de Z esté entre −∞ y 2; como la
proporción de valores de Z entre −∞ y 2 o bien, se puede decir que el 97,72 por ciento de los
valores de Z están entre −∞ y 2
 25

Normal(0,1): p(evento)=0,9772

-5,0 -2,5 0,0 2,5 5,0

Variable

Figura 9
Ejemplo 19: ¿Cuál es la probabilidad de que un valor de la variable Z tomado al azar esté entre
–2,74 y 1,53?
Solución

Se pide que calcular P(−2,74≤Z≤1,53 ) . En la figura 10 se muestra de manera aproximada

el área buscada.

Normal(0,1): p(evento)=0,9339

-5,0 -2,5 0,0 2,5 5,0

Variable

Figura 10

Tendremos que P(−2, 74≤Z≤1,53 )=P( Z≤1 ,53 )−P( Z≤−2 , 74 ) . Buscando los valores
respectivos en la tabla C tendremos
P(−2, 74≤Z≤1 ,53 )=P( Z≤1 ,53 )−P( Z≤−2 , 74 )=0 , 9370−0 ,0031=0 ,9339
Ejemplo 20. Dada la distribución normal estándar calcular P(Z≥2, 71) .
Solución
De acuerdo a las propiedades de la distribución de probabilidad de cualquier variable aleatoria
continua P(Z≥2, 71)=1−P( Z≤2 ,71 ) . Buscando en la tabla
P(Z≥2, 71)=1−P( Z≤2 ,71 )=1−0 ,9966=0 , 0034
La gráfica correspondiente se muestra en la figura 11.
 26

Normal(0,1): p(evento)=0,0034

-5,0 -2,5 0,0 2,5 5,0

Variable

Figura 11
Ejercicio propuesto
Con el fin de afianzar los conocimientos acerca de la distribución normal y por cuestiones
prácticas sumamente importantes que necesitaremos más adelante, proponemos al lector la
solución del siguiente ejercicio.
Dada la distribución normal estándar, halle los valores −z y z de la misma tales que

1. Pr(−z≤Z ≤z)=0 , 68

2. Pr(−z≤Z ≤z )=0 , 95

3. Pr(−z≤Z ≤z)=0 , 99
9. APLICACIONES
Aunque su importancia en el campo de la estadística es indiscutible, uno puede darse cuenta de
que la distribución normal no es una ley inherente a todas las características mensurables que
ocurren en las ciencias económicas o administrativas. Sin embargo, es verdad de que muchas de
estas características que ocurren en estas ciencias tienen una distribución aproximadamente
normal.
En consecuencia, aun cuando no existe ninguna variable que en la práctica se encuentre
distribuida exactamente con distribución normal, este modelo se puede utilizar para describir
muchas variables de interés. Al utilizar la distribución normal como modelo, es posible
establecer afirmaciones de probabilidad muy útiles.
En los casos en que una variable aleatoria tiene distribución aproximadamente normal, o en
aquellos en que la falta de datos completos hace razonable considerar esta suposición, la
distribución normal es de gran ayuda para el analista en su esfuerzo para resolver problemas
prácticos relativos a esta variable.
Hay varias razones más por las cuales la distribución normal es muy importante en estadística,
las cuales serán consideradas más adelante. Ahora analizaremos algunas aplicaciones más.
Hasta el momento hemos estado calculando probabilidades para una variable aleatoria normal
estándar, es decir una variable normal con media 0 y varianza 1. Ahora bien, que hacer en el
caso de tener una variable aleatoria continua X ~ N( μ,σ) y queremos calcular alguna
probabilidad de esta.

Es decir, si X ~ N ( μ , σ ) , ¿cómo calcular P(a≤X≤b) ?

 27

Para calcular esta probabilidad u otras que involucren a la variable X transformamos la variable
X ~ N ( μ , σ ) en la variable Z. Esto se hace mediante el siguiente cociente
X−μ
Z=
σ
Esto quiere decir que si tomamos todos los valores de X y le aplicamos el cociente anterior,
transformaremos sus valores en sus equivalente Z.
Lo importante en esta transformación es que la misma solo cambia la escala de la variable X
pero las probabilidades medidas en una u otra variable serán las mismas.
2
Por ejemplo, supongamos X ~ N ( μ=10 ,σ =6 , 25 ) y queremos calcular P( X≤11) . En
la figura 12 se muestra la probabilidad buscada

Normal(10,6,25): p(evento)=0,6554

-2,5 3,8 10,0 16,3 22,5

Figura 12
Efectuando la transformación a la variable Z

11−10
z= =0,4
2,5

Luego, P( X≤11)=P (Z≤0,4)=0 , 6554 como puede verse en el siguiente gráfico y a partir
de la tabla C de probabilidades.
Normal(0,1): p(evento)=0,6554

-5,0 -2,5 0,0 2,5 5,0

Figura 13
 28

Ejemplo 21. Los ingresos anuales de los gerentes de una empresa siguen aproximadamente una
distribución normal con una media de $18.600 y una desviación estándar de $2.700. Encuentre
la probabilidad de que un gerente seleccionado al azar tenga
a) Un ingreso anual inferior a $15.000.
b) Un ingreso anual superior a $21.000.
Solución
La variable aleatoria que estamos considerando en este ejemplo es
X = ingresos anuales de los gerentes de la empresa

Por los datos del problema X ~ N ( μ=18 . 600 , σ=2 .700 ) .

a) Se pide que calculemos P( X≤15. 000 ) . Estandarizando,

15 .000−18 .600
z= =−1 , 33
2 .700

Por lo tanto, P( X≤15. 000 )=P(Z ≤−1 ,33 )=0, 0918

b) En este caso se quiere calcular P( X≥21. 000 ) . Estandarizado este valor de la variable
21 .000−18 .600
z= =0 , 89
2 .700

Por lo tanto P( X≥21. 000 )=P(Z ≥0, 89)=1−P(0 ,89)=1−0 , 8133=0 ,1867
Para finalizar esta unidad enunciaremos un teorema fundamental para el análisis de cuestiones
futuras.

Teorema. Si X 1 , X 2 ,. .. , X n son variables aleatorias independientes con distribución normal

(posiblemente con medias y/o varianzas diferentes), entonces, cualquier combinación lineal de
las Xi también tiene una distribución normal.

Ejemplo 22. Tenga en cuenta los resultados del ejemplo 11. Supongamos que las X i están
normalmente distribuidas. Calcular la probabilidad de que el ingreso sea mayor a $2.500.
Solución

Habíamos calculado que μY =$ 2. 325 y que σ Y =178 , 01 .

2 .500−2 .325
Por lo tanto
(
P(Y >2. 500 )=P Z>
178 ,01 )
=P(Z >0 ,983 )

P(Z >0 ,983 )=1−P (0, 983)=0,16278

Luego, la probabilidad de que el ingreso supere los $2.500 es igual a 0,16278.