VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

VARIABLE ALEATORIA

Definición de variable aleatoria: Sea  el espacio muestral asociado a un experimento

aleatorio, llamamos variable aleatoria a una función que asigna a cada resultado del espacio
muestral, un número del conjunto de los números reales R.

Las variables aleatorias se representan con letras mayúsculas: X, Y, Z.

Las variables se clasifican en variables aleatorias discretas y continuas. Ejemplos.

Ejemplo 1:

Si consideramos el experimento aleatorio, observar el género de un niño al nacer, el

espacio muestral es:

={varón, mujer},

Identificaremos con el valor numérico 0 (cero) al suceso varón y el valor numérico

1(uno) al suceso mujer, se denota:

X(varón)=0; X(mujer)=1

Una variable aleatoria discreta es aquella cuyo conjunto imagen o su espacio muestral
es un conjunto finito o infinito numerable.

Ejemplo 2:

Considere el experimento aleatorio observar el estado civil de una persona, este

pue
de ser soltera, casada, divorciada o viuda, formando el conjunto muestral:

={soltera, casada, divorciada. viuda}

Consideremos la variable aleatoria X: “El estado civil de una persona”

Identificaremos con el valor numérico 0 (cero) al suceso soltera, con el valor numérico 1(uno)
al suceso casada, con el valor numérico 2 (divorciada) y con el 3 (tres) a viuda

Los distintos estados que puede tomar la variable, determina un conjunto denominado
conjunto imagen de X o recorrido de la variable aleatoria X, y se denota X().

X() = { 1,2,3,4,}

Observe que esta variable aleatoria discreta, toma un número finito de resultados posible,
luego la clasificamos como una variable aleatoria discreta finita.

Ejemplo 3:
1
Considere el experimento contar la cantidad de infecciones de oído que un niño adquiere
durante su primer año de vida

Su espacio muestral ={1,2,3,4,................... }

Considere la variable aleatoria Y: “La cantidad de infecciones de oído que un niño

adquiere durante su primer año de vida”.

Y() ={1,2,3, ........ }

Observe que este conjunto tiene un número infinito numerable de resultados posibles. Por lo
que la variable aleatoria la clasificamos en una variable aleatoria discreta infinita numerable.

Una variable continua es aquella que su conjunto imagen o su espacio muestral, es un

conjunto infinito, es decir que puede tomar cualquier valor en un intervalo específico de la
recta de los reales.

Ejemplos de variables aleatorias continuas.

Ejemplo 4:

Considere el experimento medir el peso de una persona adulta, de un determinado lugar. Su

espacio muestral es un intervalo real, =[40,120}

Considere la variable aleatoria X: “El peso de una persona adulta (en Kg)”: El recorrido de
esta variable es, X() = [40; 120]

Ejemplo 5:

Considere el experimento medir la altura de una persona adulta, de un determinado lugar.

Su espacio muestral es el intervalo real =[1,30; 2,10]

Considere la variable aleatoria Y: “altura de un hombre, en m”:

El recorrido de esta variable es Y() = [1,30; 2,10]

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS

DISCRETAS

Consideremos nuevamente el experimento:

 : “Lanzar un dado legal y observar la cara superior” El espacio muestral es:

= { 1, 2, 3, 4, 5, 6 } espacio muestral discreto finito Consideremos la variable aleatoria

discreta:

X: “Número obtenido al lanzar un dado legal”

Entonces el recorrido de la variable aleatoria es el conjunto: X() = { 1, 2, 3, 4, 5, 6 }

2
Es decir si al lanzar un dado salió el número uno en la cara superior, entonces la variable
aleatoria aplicada al valor uno le hace corresponder uno, esto lo anotamos: X(1)=1; si salió el
dos, entonces X(2)=2, si salió el tres, entonces X(3)=3, y así con todos los elementos del
conjunto , de modo que el conjunto imagen es X()={ 1, 2, 3, 4, 5, 6 }.

Con cada resultado posible de la variable aleatoria, xi, asociamos un número que es su
probabilidad de ocurrencia. Teniendo esto en cuenta es posible desarrollar una función
matemática que asigne a cada realización de la variable aleatoria X una determinada
probabilidad. Esta función se denomina función de probabilidad y la representaremos
simbólicamente con f(x).

Anotación:

f(x) = P(X=x), que significa “probabilidad de que la variable aleatoria tome el valor x”

f(x) = P(X=1) significa probabilidad de que la variable aleatoria tome el valor 1

Obsérvese que la X (mayúscula) significa variable aleatoria y que la x (minúscula) significa

un valor que puede tomar la variable aleatoria, es decir un resultado particular del
lanzamiento del dado. La función f(x) se define como función densidad de probabilidad
de la variable aleatoria

X. La colección de pares (xi, f(xi)) se llama distribución de probabilidad de X, para i=1,2,…6

Resumiremos en la siguiente tabla la distribución de probabilidad de la variable
aleatoria X: “número obtenido en la cara superior al lanzar un dado legal”

Distribución de probabilidad de la variable

X: “número obtenido en la cara superior al lanzar un dado legal”

xi f(x)=P(X=x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
Total 6/6= 1

En el caso de una variable aleatoria discreta, una distribución de probabilidad enlista cada
posible resultado con sus probabilidades correspondiente. Las probabilidades nos dicen que
valores pueden ocurrir con más frecuencia que otros. Debido a que se toman en cuenta
todos los valores posibles de la variable aleatoria, los resultados son exhaustivos, por lo
tanto, la suma de sus probabilidades debe ser 1.

A continuación graficaremos la función de probabilidad de la variable aleatoria, “Número

obtenido en la cara superior al lanzar un dado legal”

3
 Gráfico 3-1 Representación gráfica de la distribución de probabilidad del número obtenido
en la cara superior al lanzar un dado legal

f(x)

Ejemplo 6:

Un hospital público atiende 50 personas un determinado día. La enfermera relevó el grupo

sanguíneo de los pacientes, en la siguiente tabla. Con la información obtenida encuentre la
distribución de probabilidad de la variable aleatoria grupo sanguíneo de 50 pacientes
atendidos en un determinado día.

Tabla de frecuencia del grupo sanguíneo de un grupo de 50 personas atendidos en un

hospital

Para encontrar la distribución de probabilidad agregaremos a la tabla anterior una columna

con la probabilidad de cada grupo sanguíneo, P(X=x),.

Tabla de distribución de probabilidad de la variable aleatoria grupo sanguíneo de 50

Pacientes atendidos en un determinado día en un hospital

4
 Gráfico 3-2. Representación gráfica de la distribución de probabilidad de los grupos
sanguíneos de 50 pacientes que concurrieron a un determinado hospital

PROPIEDADES FUNDAMENTALES DE LA FUNCIÓN DE PROBABILIDAD DE

UNA VARIABLE ALEATORIA DISCRETA.

1) fX(x)  0  x de R
2)  f(xi) = 1

Obsérvese que en el ejemplo anterior, del experimento lanzar un dado y observar el número
obtenido en la cara superior, que se cumple las dos propiedades.

Propiedad 1: Dado que todos los valores de la función de probabilidad son positivos y
menores que uno.

f(1)0, f(2)0, f(3)0, f(4)0, f(5)0, f(6)0,

entonces, se cumple la primera propiedad.

Propiedad 2: Debemos sumar todos los valores de la función de probabilidad f(x) y observar
si su resultado da 1

5
 f(xi) = f(1) + f(2) + f(3) + f(4) + f(5) + f(6) = 6/6=1

La suma nos dio como resultado 1, por lo que se cumple también la segunda propiedad,
luego es una función de probabilidad.

Si una función no cumple con las propiedades fundamentales entonces no es una función de
probabilidad.

FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE UNA VARIABLE ALEATORIA

DISCRETA

En muchos problemas interesa calcular la probabilidad de que el valor observado de una

variable aleatoria X sea menor o igual que algún número real x. P(X ≤ x ), en estos casos es
más conveniente trabajar con la Función de distribución acumulada de una variable
aleatoria.

Anotaremos la función de distribución acumulada con mayúscula. F(x)

La función de distribución de probabilidad acumulada F de una variable aleatoria X, esta

definida para todo número real x mediante la siguiente ecuación:

La función de probabilidad acumulada de una variable aleatoria discreta, se obtiene

sumando sucesivamente las funciones de probabilidades P(X=xi) con xi ≤x

Veamos un ejemplo para aclarar los conceptos.

Ejemplo 7:

La distribución de probabilidad del número de hermanos por estudiantes, en un grupo de 50

estudiantes de la Universidad Aconcagua en la carrera de Administración en el 2001 está
dada por la siguiente tabla:

Tabla de la distribución de probabilidad de la variable “número de hermanos por estudiante”,

en un grupo de 50 estudiantes

x Frecuencia de P(X=x)
ocurrencia de x
0 3 3/50
1 7 7/50
2 23 23/50
3 10 10/50
4 5 5/50
5 2 2/50
6
 50 1

Vamos agregar a esta tabla de distribución de probabilidad, una nueva columna a la derecha
con la distribución de probabilidad acumulada F(x)  P( X  x).

Tabla de la función de probabilidad y la función de distribución de probabilidad acumulada de

el número de hermanos por estudiante en un grupo de 50 estudiantes

x Frecuencia de F(x)=P(X=x) F(x)=P(X≤x)

ocurrencia de x
0 3 3/50 3/50
1 7 7/50 10/50
2 23 23/50 33/50
3 10 10/50 43/50
4 5 5/50 48/50
5 2 2/50 50/50
Total 50 1

Al consultar la distribución acumulada es posible contestar preguntas como:

¿Cuál es la probabilidad de que un estudiante seleccionado al azar tenga menos de 3

hermanos? Lo que se está preguntando es P(X<3), y esto se determina utilizando la
columna de F(x). Para cada valor de la variable xi, se obtiene su función de
distribución acumulada sumando las probabilidades puntuales para los valores menores e
iguales a dicho valor, xi.

P(X<3)=P(X=0)+P(X=1)+P(X=2)=33/50=0,66

Interpretación: La probabilidad de que un estudiante tenga menos de 3 hermanos es de 0,66

¿Cuál es la probabilidad de que un estudiante seleccionado al azar tenga 4 ó más

hermanos? Esta pregunta se responde mediante el concepto de complemento. El conjunto
de estudiantes que tienen 4 ó más hermanos es el complemento del conjunto de estudiantes
con menos de 4 estudiantes, se verifica que la suma de ambos grupos da 1.

P(X≥4)= 1-P(X<4)=1-P(X≤3)=1- 43/50=7/50=0,14

También se puede calcular sumando las probabilidades de x=4 y x=5 obteniéndose los
mismos resultados.

7
Interpretación: La probabilidad de que un estudiante tenga 4 ó más hermanos es de 0,14.

¿Cuál es la probabilidad de que en un estudiante seleccionado al azar tenga entre dos y

cuatro hermanos inclusive?

Lo que se pide es en símbolos es:

P(2≤X≤4)= P(X≤4)-P(X≤1)=48/50-10/50=38/50=0,76

Interpretación: La probabilidad de que un estudiante tenga entre dos y cuatro hermanos

inclusive es de 0,76.

CARACTERÍSTICAS DE UNA VARIABLE ALEATORIA

ESPERANZA MATEMÁTICA O VALOR ESPERADO DE UNA VARIABLE

ALEATORIA

Teniendo definida la variable aleatoria y su distribución de probabilidad, el siguiente

paso es calcular ciertos valores que podrían servir para describir las características de
esta distribución. Estos valores permiten establecer comparaciones entre una serie de
observaciones y otra. Las dos características principales de la distribución son la
esperanza matemática de una variable aleatoria o valor medio y el grado de dispersión de
las observaciones alrededor de su esperanza. La esperanza matemática nos indica donde
se centra la distribución de probabilidad, o sea el punto alrededor del cual se dispersan
los valores individuales. Es una medida de posición.

Por ejemplo, el período de incubación medio de una enfermedad puede ser 7 días y el de
otra 11 días. Aunque algunos valores individuales sean iguales, las dos distribuciones tienen
distintos puntos centrales y por lo tanto, difieren en esta característica de posición.

En la práctica hay que comentar y comparar constantemente tales mediciones. Por ejemplo
un caso sencillo sería la observación de que las personas que se dedican a una actividad
pierden en promedio 5 días por año a causa de las enfermedades, mientras que los de otra
pierden 10 días. Las dos distribuciones ocupan posiciones distintas y se procura buscar los
motivos de tal diferencia para ver si son remediables.

DEFINICIÓN DE ESPERANZA MATEMÁTICA DE UNA VARIABLE

ALEATORIA

DISCRETA: Sea X una variable aleatoria discreta, X(Ω) el conjunto de valores que toma
la variable aleatoria X, la esperanza de X se define:


indica que hay que sumar sobre todos los diferentes valores que puede tomar la
variable aleatoria discreta.
8
Ejemplo 8:

El gerente de un hospital utiliza la siguiente distribución de probabilidad para la demanda

diaria (número de veces que se utiliza), para una cámara de oxígeno en particular.

x 0 1 2
f(x) 0,1 0,5 0,4

Al hospital le cuesta 10$ cada vez que se utiliza tal cámara. Una situación que puede
interesarnos, es conocer ¿Cuál es el valor esperado, el valor promedio, de uso diario de esa
cámara de oxígeno?. Contestar a dicho interrogante es plantearnos sobre la esperanza
matemática o valor esperado de la variable en estudio, en este caso, la variable aleatoria es:

X: “Número de veces que se utiliza la cámara de oxígeno por día”. E(X)=0 . f(0) + 1 . f(1) + 2 .
f(2) = 0 . 0,1 + 1 . 0,5 + 2 . 0,4 = 1,3

En promedio se utiliza la cámara de oxígeno 1,3 veces por día.

También podemos saber cuál será el costo esperado de uso diario de dicha cámara de
oxígeno: E( C ) =E( 10 000.X)= 10 000. E(X)= 10 000. 1,3 = 13 000 $ por día.

E(X) es un valor promedio y no es necesariamente un posible resultado del experimento.

Como nos muestra este ejemplo, es imposible que un día se utilice 1,3 veces la cámara de
oxígeno, o se utiliza 1 vez o 2 veces, o ninguna vez.

¿Cómo lo interpretamos? Realizando el experimento durante un número importante de

días, se espera una frecuencia promedio de uso de la cámara de oxígeno de 1,3 veces por
día

DEFINICIÓN DE ESPERANZA MATEMÁTICA DE UNA VARIABLE

ALEATORIA CONTINUA

En el caso que la variable sea continua debería sumarse sobre los infinitos valores del
recorrido de la variable aleatoria y esto se realiza mediante la integración. Método que no
veremos en este curso.

VARIANZA Y DESVIACIÓN ESTÁNDAR DE UNA VARIABLE ALEATORIA

La esperanza de una variable aleatoria X es de especial importancia en estadística, pues

describe el lugar donde se centra la distribución de probabilidad. Por sí misma, sin embargo
la esperanza no da una descripción adecuada de la forma de la distribución. Necesitamos
caracterizar la variabilidad en la distribución, es decir la dispersión de sus observaciones
alrededor de la media.

La medida de variabilidad más importante de una variable aleatoria discreta X es la

varianza y se calcula:

Var ( X )   2  E( X   )2   (x i )2 f (x ) i

9
 2
A dicha medida se la llama varianza de una variable aleatoria X, se la anota  .

Se puede probar que la expresión anterior puede escribirse de la siguiente forma:

 E( X 2 )  E( X )
2 2
Var ( X )  

Está expresión es utilizada generalmente para agilizar el cálculo de la var(X).

Ejemplo : Calculemos la varianza del ejemplo 8.

X: “Número de veces que se utiliza la cámara de oxígeno por día”. Calcularemos la varianza
 E( X 2 )  E( X )
2 2
de la variable partir de la fórmula de cálculo: Var ( X )  

Sabemos que E(X) = 1,3

Debemos calcular ahora, la esperanza del cuadrado de la variable. E(X2), esta se calcula

E( X 2 )   x2.f (x )
E(X2)=02 . f(0) + 12 . f(1) + 22 . f(2) = 0 . 0,1 + 1 . 0,5 + 4 . 0,4 = 2,1

E(X2) = 2,1

Reemplazando en la fórmula de cálculo por los valores obtenidos tenemos:

 E( X 2 )  E( X )
2 2
Var ( X )  

Var(X) = 2,1 – (1,3)2 = 0,41

DESVIACIÓN ESTÁNDAR DE UNA VARIABLE ALEATORIA.

Debido a que la unidad de la varianza de la variable aleatoria, es el cuadrado de la

unidad con que trabaja la variable aleatoria X, y de sus medidas como la esperanza
matemática, para poder interpretar esta medida comparándolo con la esperanza se
utiliza la raíz cuadrada positiva de la varianza, medida que denominamos desviación
estándar de la variable aleatoria X, se indica con 

D.E.( X )    Var ( X )
Entonces, una desviación estándar grande comparada con la esperanza muestra que la
distribución de los valores de la variable, se aparta mucho del promedio, mientras que la
desviación estándar pequeña significa que está muy concentrada en torna a su esperanza.

Al establecer una comparación entre una desviación estándar y otra, recuerde que este
criterio de variabilidad se mide en las mismas unidades que las observaciones originales. Si
consideramos la talla media de un grupo de niños en edad escolar puede ser 1,22 m y la
10
desviación estándar de 0,152 m. Si calculamos su peso promedio y su desviación estándar
estará dado en kg. De esto se deduce que comparando las desviaciones estándar de las dos
variables no se puede decir por ejemplo que el peso sea una característica más variable que
la talla, porque las dos variables no se miden en las mismas unidades y la selección de
unidades tiene que influir sobre la comparación.

Para superar estas dificultades de la comparación de las variabilidades de las distribuciones

de probabilidades medidas en distintas unidades o con esperanzas muy distintas se utiliza
otra medida de variabilidad denominada coeficiente de variación. Recuerde que dicho
coeficiente es adimensional, lo que nos facilitará la comparación.

La distribución de probabilidad de la variable número de hermanos de un grupo de

estudiantes fue obtenida a partir de la experiencia real, de tal forma que encontrar otra
variable que siga esta distribución sería una casualidad. Las distribuciones de probabilidad
de muchas variables de interés se pueden determinar o asumir con base en consideraciones
teóricas. En la siguiente sección se estudian con detalle tres distribuciones teóricas de
probabilidad, Distribución Binomial, Distribución de Poisson y Distribución Normal

DISTRIBUCIÓN BINOMIAL

Estudiaremos a continuación dos distribuciones discretas muy utilizadas en ciencias

sociales, ellas son la Distribución Binomial y la Distribución de Poisson.

Con cierta frecuencia, en medicina, una investigación consiste en la obtención de un

determinado número de unidades de observación, en cada una de las cuales el hecho en
estudio puede expresarse en sólo dos opciones.

Ejemplos:

 Se seleccionan cien escolares a quienes se les hace una reacción de tuberculina, la cual
puede ser positiva o negativa.
 Se ensaya una nueva droga en treinta enfermos y los resultados individuales se
clasifican en curación o fracaso.
 Se inoculan veinte ratas con una sustancia presumiblemente tóxica y se observa en cada
animal si muere o sobrevive.

A partir de estas experiencias, surgen distintos planteos, como por ejemplo:

Si en el experimento con la nueva droga aplicada a treinta enfermos, se observan 20

curaciones, (20/30 = 0,67; 67% de curaciones), cuando con la droga usada
anteriormente, las curaciones eran habitualmente del 50%, es decir, en 30 enfermos se
esperaban 15 curaciones. ¿Será la nueva droga mejor?, ¿qué probable es que se registren
20 mejorías en vez de 15 por mera casualidad en una experiencia con sólo 30 enfermos?.

Problemas de esta especie pueden ser resueltos utilizando la distribución binomial, si se

cumplen determinados requisitos.

REQUISITOS PARA UTILIZAR LA DISTRIBUCIÓN BINOMIAL

 X es una variable aleatoria discreta.

11
 El ensayo debe repetirse un número fijo de veces, n.
 En cada ensayo los posibles resultados son sólo dos, éxito o fracaso. Son mutuamente
excluyentes y se los denota como éxito, E, y fracaso, F.

Ejemplo: vida o muerte, hombre o mujer.

 La probabilidad de un éxito, denotado por p, permanece constante de un ensayo a otro, y

la probabilidad de fracaso, 1- p, se denota con q.

P(E) = p P(F) = q de forma que p + q = 1

 Los ensayos son independientes, es decir, el resultado de un ensayo en particular no es

afectado por el resultado de cualquier otro ensayo.

Una variable aleatoria discreta que cumpla con las condiciones anteriores se llama variable
binomial, su distribución se ajusta a la función de probabilidad:

Esta distribución depende de dos parámetros n y p, donde n es un número entero positivo, y

el parámetro p puede tomar cualquier número entre cero y uno, 0  p  1.

Se indica abreviadamente: X ~ Binomial (n, p) y se lee: la variable aleatoria X se distribuye

en forma binomial con un tamaño de muestra n y una probabilidad de éxito p.

Ejemplo 9:

Supóngase que el 24 % de cierta población tiene sangre tipo B. A partir de una muestra de
20 individuos extraída de esa población, calcular la probabilidad de:

a) encontrar exactamente tres personas con sangre tipo B.

b) encontrar tres o menos de tres personas con sangre tipo B. Antes de
comenzar a resolver el problema hay que definir X, n, p:

X: variable aleatoria en estudio. X: “cantidad de personas con sangre tipo B”

n: cantidad de veces que se realiza el n = 20
experimento.
p: probabilidad de éxito, es decir, probabilidad p = 0,24
de que ocurra el suceso analizado en la
12
 variable aleatoria.
q: probabilidad de fracaso, es decir, q = 1 - p = 1 - 0,24 = 0,76

probabilidad de que no ocurra el suceso

analizado en la variable aleatoria.

X : “Cantidad de personas con sangre tipo B” X  Binomial ( n = 20 ; p = 0,24 )

Interpretación: La probabilidad de encontrar exactamente tres personas con sangre tipo B

es, aproximadamente de 0,15, que en forma porcentual indica el 15 %.

Entonces reemplazando en (1)

P(X  3) = f(0) + f(1) + f(2) + f(3) = 0,2569  25,69%

Interpretación: La probabilidad de encontrar tres o menos de tres personas con sangre tipo
B es, aproximadamente de 0,2569, que en forma porcentual indica el 25,69 %.

El cálculo de una probabilidad empleando la ecuación de la distribución binomial puede ser

una labor difícil. Por fortuna, las probabilidades para diferentes valores de n, p y x, ya están
tabuladas, por lo que sólo es necesario consultar las tabla adecuada para obtener la
probabilidad deseada.

ESPERANZA Y VARIANZA DE UNA POBLACIÓN CON DISTRIBUCIÓN

BINOMIAL
13
Esperanza

Sea X una variable aleatoria con distribución binomial La esperanza de una variable binomial
está dada por:

E(X) = n . p

Varianza y desviación estándar

La varianza de una variable binomial está dada por:

Var (X) = n . p . (1-p) = n . p . q

La desviación estándar de una variable binomial, está dada por:

D.E. (X) = n . p . (1 - p) = n. p. q
Cálculo de Esperanza, varianza y Desviación estándar del ejemplo 10, cuya variable aleatoria
es; X: “cantidad de pacientes que fallecen al padecen cierta enfermedad”

X  Binomial ( n = 20 ; p = 0,10 )

Tabla de distribución binomial de la variable X con los parámetros especificados:

n x f(x) para p = 0,10 n x f(x) para p = 0,10

20 0 0,1216 20 0,0000
1
0
1 0,2702 11 0,0000
2 0,2852 12 0,0000
3 0,1901 13 0,0000
4 0,0898 14 0,0000
5 0,0319 15 0,0000
6 0,0089 16 0,0000
7 0,0020 17 0,0000
8 0,0004 18 0,0000
9 0,0001 19 0,0000
1 0,0000 20 0,0000
0
 f(xi) = 1,0000

Gráficamente, la distribución se representa en un diagrama de bastones.

E (X) = n . p = 20 . 0,10 = 2

Var (X) = n . p . q = 20 . 0,10 . 0,90 = 1,8  D.E. (X) = 1,34

Interpretación: Se espera que en promedio mueran 2 pacientes que padecen cierta

enfermedad con una desviación estándar de 1,34 paciente.

14
DISTRIBUCIÓN DE POISSON

La distribución de Poisson, llamada así en honor al matemático francés Simeon Denis

Poisson (1781–1840) tiene extensa aplicación en biología y en medicina.

Si X es una variable aleatoria discreta que representa el número de eventos aleatorios

independientes que ocurren a una rapidez constante sobre el tiempo o espacio, se dice que
X tiene una distribución de Poisson con función de densidad:

Siendo  el número promedio de ocurrencias del evento aleatorio dentro del intervalo. Esta
distribución depende del parámetro , donde  es un número positivo.

Se indica abreviadamente: X ~ Poisson () y se lee: la variable aleatoria X se distribuye con

una distribución de Poisson con una tasa de ocurrencia .

El símbolo e representa un constante, siendo e  2.71828. El número e es muy usado en

matemática, por ejemplo se lo encuentra en la base de los logaritmos naturales.

REQUISITOS PARA UTILIZAR LA DISTRIBUCIÓN DE POISSON

 X es una variable aleatoria discreta.

 La probabilidad de que acontezca un suceso en un intervalo es proporcional a la
amplitud del intervalo.
 En principio, teóricamente es posible que suceda un número infinito de eventos en un
intervalo dado. No hay límite en el número de ensayos.
 Los ensayos son independientes, es decir, el resultado de un ensayo en particular no es
afectado por el resultado de cualquier otro ensayo. El número de ocurrencias es
independiente de la unidad de tiempo, espacio, volumen u otra.

APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL A LA DISTRIBUCIÓN DE

POISSON

 Se puede aproximar la función de probabilidad binomial a la distribución de Poisson

cuando p es un valor pequeño (tendiendo a cero), en la práctica menor o igual a 0,05, y n un
número grande (tendiendo a infinito), en la práctica para n mayor o igual a 30, se puede
utilizar la distribución de Poisson. Siendo el parámetro de  = n . p.

PARÁMETRO DE UNA POBLACIÓN CON DISTRIBUCIÓN DE POISSON

Esperanza

15
La esperanza de una variable aleatoria X, con distribución de Poisson está dada por:

E(X) = 

Varianza y desviación estándar

La varianza de una variable aleatoria X, con distribución de Poisson está dada por:

Var (X) = 

La desviación estándar de una variable aleatoria X, con distribución de Poisson, está dada
por:

D.E. (X) = 

Ejemplo 10:

El número promedio de partículas radiactivas que pasan a través de un contador durante un

milisegundo en un experimento de laboratorio es 4. ¿Cuál es la probabilidad de que entren 6
partículas al contador en un milisegundo determinado?.

X : “cantidad de partículas radiactivas que pasan por un contador por milisegundo” X 

Poisson (  = 4 )

En la tabla de la distribución de Poisson se ubica el valor  = 4 y de allí se busca el valorx =

6, luego, en la columna correspondiente a f(x) se encuentra el valor de la probabilidad de x =
6, o sea, f(6).

Interpretación: La probabilidad de que pasen seis partículas radiactivas a través de un

contador por milisegundo es de 0,1042.

Ejemplo 11:

Mediante estudios recientes se ha determinado que la probabilidad de morir por causa de

cierta vacuna contra la gripe es de 0,00002. Si se administra la vacuna a 100.000 personas,
¿cuál es la probabilidad de que mueran no más de tres personas a causa de la vacuna?

X : “cantidad de personas que mueren por cierta vacuna ”

X es una variable aleatoria Binomial, puede comprobar el lector que cumple con los requisitos,
como se observa la probabilidad de morir por la vacuna contra la gripe, p, es un valor
pequeño mucho menor que 0,05 y que el número de la muestra considerado, n, es grande en
este caso mucho mayor que 30 por lo que se puede aproximar esta variable binomial a una
variable con distribución de Poisson con error muy pequeño, por lo tanto en este ejemplo
trabajaremos ésta variable aproximándola a una Poisson.

16
X ~ B( n=100.000, p=0,00002)

X → Poisson (  = n . p = 100.000 . 0,00002 = 2 )

 P( X  3 ) = F ( 3 ) = 0,8571  85,71%
 En la tabla de la distribución de Poisson se ubica el valor  = 2 y de allí se busca el valor x = 3,

luego, en la columna correspondiente a F(x) se encuentra el valor de la probabilidad de x = 3,

o sea, F(3). Se puede verificar que F(3) = f(0) + f(1) + f(2) + f(3).

Interpretación: La probabilidad de morir no más de tres personas. por causa de cierta vacuna
contra la gripe es de 0,8571

Ejemplo 12:

Para un volumen fijo, el número de células sanguíneas rojas es una variable aleatoria con
distribución de Poisson. Si el número promedio para un volumen dado es de 9 células rojas
para personas normales, determinar la probabilidad de que el número de células rojas para
una persona se encuentre dentro de una desviación estándar del valor promedio y a dos
desviaciones estándar del valor promedio. Graficar la distribución de la variable aleatoria
“número de células rojas”.

X : “cantidad de células rojas por volumen fijo ” X  Poisson (  = 9 )

 =  = 9 2 =    =   = 9 = 3

 P(  +   X   -  ) = P( 6  X  12 ) = P(X  12 ) - P(X  5 ) =

= F(12) - F(5) = 0,8758 - 0,1157= 0,7601  76,01%

Interpretación: La probabilidad de que el número de células rojas se encuentre dentro de una

desviación estándar del valor promedio es de 0,7601.

 P(  + 2  X   - 2 ) = P( 3  X  15 ) = P(X  15 ) - P(X  2 ) =

= F(15) - F(2) = 0,9780 - 0,0062= 0,9718  97,18%

Interpretación: La probabilidad de que el número de células rojas se encuentre dentro de dos

desviaciones estándar del valor promedio es de 0,9718.

Tabla de distribución de probabilidad de Poisson de la variable X: “Número de células rojas

por volumen”, con  = 9

x 0 1 2 3 4 5
f(x) 0,0001 0,0011 0,0050 0,0150 0,0337 0,0607
x 6 7 8 9 10 11
f(x) 0,0911 0,1171 0,1318 0,1318 0,1186 0,0970
x 12 13 14 15 16 17
f(x) 0,0728 0,0504 0,0324 0,0194 0,0109 0,0058
x 18 19 20 21 22 23
f(x) 0,0029 0,0014 0,0006 0,0003 0,0001 0,0000
17
Representaremos a continuación el gráfico de distribución de frecuencias absolutas o gráfico de
bastones para la variable X: “ Cantidad de células rojas por volumen fijo”.

DISTRIBUCIONES CONTINUAS

A continuación estudiaremos las distribuciones más importantes de las variables aleatorias

continuas. Una variable aleatoria se dice que es continua si el conjunto de valores que toma
es infinito, es decir, X(): conjunto infinito no numerable.

FUNCIÓN DENSIDAD DE UNA VARIABLE ALEATORIA CONTINUA

La probabilidad cuando estamos trabajando con variables aleatorias continuas es una

medida dada por una integral definida, es decir es una medida representada por un área.

En el siguiente gráfico hemos representado la distribución de probabilidad o función de

densidad, de una variable aleatoria X continua, el área debajo de la curva limitada por las
dos ordenadas x= x1 y x= x2 es igual a la probabilidad de que la variable aleatoria X tome
un valor entre x= x1 y x=x2.

PROPIEDADES FUNDAMENTALES DE LA FUNCIÓN DE DENSIDAD

18
1. Observaciones:
 La probabilidad de que la variable aleatoria continua tome valor en un punto es igual a
cero.

P(X=x) =0 x  R

En general debemos resaltar que en el caso de una función de densidad de probabilidad, el

área total debajo de la curva debe sumar uno. Debido a que una variable aleatoria continua
puede tomar una cantidad infinita de valores, la probabilidad asociada a uno de los valores
particulares es igual a cero. Sin embargo la probabilidad de que X tome alguno de los
valores acotado por los resultados x1 y x2 es igual al área debajo la curva delimitada por
estos dos valores y siempre será positivo.

Dentro de las distribuciones de probabilidad de las variables aleatorias continuas

estudiaremos una de las más importantes que es la distribución normal.

Este modelo es tan importante en estadística que una parte considerable de la teoría del
muestreo, de la estimación y las pruebas de hipótesis se basa en sus características.

DISTRIBUCIÓN NORMAL O DISTRIBUCIÓN DE GAUSS

Un problema frecuente en el campo biológico y más específicamente en el campo médico,

es poder saber si un individuo está sano o enfermo, si es normal o se aparta de la
normalidad. Para llegar a una decisión generalmente se miden algunas características del
individuo y, si los valores encontrados son los habituales en personas sanas, se le considera
como tal, considerándolo como enfermo o anormal en caso contrario. Así, por ejemplo,
consideraríamos normal que un adulto tuviera presión arterial sistólica de 130 mm de Hg y
anormal que tuviera una presión de 210 mm de Hg porque este último valor es raro de
encontrar en adultos sanos.

Para establecer los límites entre lo habitual y lo raro, es necesario conocer la distribución de
la variable en estudio, en individuos normales.

Existe una distribución de frecuencias teórica llamada distribución normal, que puede
considerarse como modelo adecuado para la distribución de un gran número de variables en
el campo biológico.

Esta distribución también es llamada distribución de Gauss, una variable aleatoria continua
tiene distribución normal o de Gauss si su distribución esta dada por la función de densidad:

Siendo  la esperanza de la variable y  la desviación estándar de la variable.

En este modelo la variable aleatoria puede tomar cualquier valor comprendido entre menos y
más infinito.

Esta distribución depende de dos parámetros que la describen la  y la varianza 2, donde

19
-  < < +  , y 2 > 0; ambos parámetros definen por completo a la curva normal.

Se indica abreviadamente: X ~ N( , 2) y se lee: la variable aleatoria X se distribuye

normalmente con media  y varianza 2.

GRÁFICA DE LA FUNCIÓN DE DENSIDAD DE UNA DISTRIBUCIÓN NORMAL

ALGUNAS CARACTERÍSTICAS DE LA DISTRIBUCIÓN NORMAL:

 El área total debajo de la curva y sobre el eje de las X vale 1. Esta propiedad se
deduce del hecho que la distribución normal es una distribución de probabilidad.
 La distribución normal es simétrica respecto de su media . Debido a esta simetría el
50% del área está a la derecha de la perpendicular que se levanta sobre la media y el otro
50% está a la izquierda.
 La media se denota por . La desviación estándar, representada por , especifica el
grado de dispersión respecto de la media, junto ambos parámetros  y  determinan
completamente la distribución normal. En otras palabras, por cada valor diferente de  y  se
especifica una distribución normal diferente. Los valores diferentes de  trasladan la gráfica
de la distribución a lo largo del eje de las X. Los valores diferentes de  determinan el grado
de aplanamiento o levantamiento de la curva de la distribución normal.
 Una variable aleatoria es normal si la mayoría de sus valores están concentrados
alrededor de un valor medio y los valores de esta variable son cada vez menos frecuentes a
medida que nos alejamos de este valor medio. Las ramas de la curva se extienden
asintóticamente a los ejes, de modo que cualquier valor muy alejado de la media es posible,
aunque poco probable. La curva normal tiene forma de campana.
 Tiene un máximo en x = , por lo que la distribución es unimodal.
 La mediana, la moda y la media aritmética coinciden.

GRÁFICA DE DISTRIBUCIONES PROBABILÍSTICAS NORMALES CON DISTINTAS

MEDIAS Y CON IGUAL DESVIACIÓN ESTÁNDAR

20
Las curvas tienen la misma varianza pero distintas medias.

Curva ROJA X ~ N (  = -1, 2 = 12 )

Curva NEGRA Y ~ N (  = 0, 2 = 12 )

Curva VERDE Z ~ N (  = 1, 2 = 12 )

Obsérvese que las tres curvas son idénticas sólo están trasladadas en el eje x, esto se debe
que ambas tienen la misma desviación estándar lo que cambian son sus medias. Recuerde
que el área debajo de las curvas se mantienen constantes e iguales a 1.

GRÁFICA DE DISTRIBUCIONES PROBABILÍSTICAS NORMALES CON MEDIAS

IGUALES Y DISTINTAS DESVIACIONES ESTÁNDARES

Todas las curvas tienen la misma media pero distintas varianzas, siendo 2X < 2y < 2z

Curva VERDEX ~ N (  = 0, 2 = 0,52 )

Curva NEGRA Y ~ N (  = 0, 2 = 12 )

Curva ROJA Z ~ N (  = 0, 2 = 22 )

Es importante notar que muchas son las variables aleatorias continuas de interés que se
distribuyen como una normal algunos ejemplos que podemos citar son:
21
X: “ La presión arterial”, Y: “El nivel de colesterol en la sangre”, Z: “La altura de las
personas”, W: “El peso de las personas”.

La distribución normal puede utilizarse para calcular probabilidades asociadas con estas
variables aleatorias.

La curva normal puede por tanto emplearse para calcular las probabilidades asociadas con
estas variables. Por ejemplo, en una población en la que el nivel de colesterol en la sangre
se encuentre distribuida normalmente con media  y desviación estándar , podríamos tratar
de determinar la probabilidad de que un individuo elegido aleatoriamente tenga un nivel de
colesterol en sangre mayor de 250 mg./100 ml. Tal vez este conocimiento nos ayude a
planificar futuros servicios cardiacos. Puesto que el área total debajo de la curva es igual a 1,
podemos calcular la probabilidad en cuestión al determinar la proporción del área bajo la
curva que se localiza a la derecha del punto x=250 ó P(X250). Este cálculo se puede llevar
a cabo con un programa de cómputo o una tabla de áreas calculadas para la curva normal.

ÁREAS BAJO LA CURVA NORMAL

En una distribución normal:

 Aproximadamente el 68,26% del área bajo la curva normal se encuentra en el

intervalo (μ-σ; μ+σ)
 Aproximadamente el 95,45% del área bajo la curva normal se encuentra en el
intervalo (μ-2σ; μ+2σ)
 Aproximadamente el 99,73% del área bajo la curva normal se encuentra en el
intervalo (μ-3σ; μ+3σ)

22
Resumen de propiedades de la distribución normal

Media 
Varianza 2
Desviación Estándar 
Coeficiente de sesgo 3=0

DISTRIBUCIÓN NORMAL ESTÁNDAR

Ejemplo 14

Supongamos que frente a una determinación de glucosa en la sangre tengamos que decidir
si el valor obtenido es normal o no.

Aceptamos que la glucosa sanguínea en mg por 100 ml de sangre tiene distribución normal
con promedio 83 y desviación estándar 4. Supongamos que en un paciente se encuentra un
valor superior a 90. Para determinar si es habitual tener un valor de esa magnitud o superior,
estando sano, debemos conocer la probabilidad con que esto ocurre.

Para calcular dicha probabilidad debemos calcular el área bajo la curva normal. Para evitar
este trabajo, se han tabulado estas áreas, pero como es imposible contar con tablas para
todo posible valor de la media y varianza, dado que la variable aleatoria con distribución
23
normal puede tomar infinitos valores, resulta imposible tabular el área asociada con cada
una de las curvas normales, por lo que se ha construido sólo una tabla de áreas para la
distribución normal estándar, es decir para una normal con media 0 y desviación
estándar 1. Otra forma de calcular estas áreas es utilizando algún programa estadístico
como el R.

La distribución de una variable aleatoria normal con media cero y varianza uno se llama
distribución normal estándar
Definición:

Para poder utilizar estas tablas es necesario transformar la variable aleatoria normal X, con
media μ, y varianza 2 en una nueva variable normal Z con media cero y varianza 1.

Esta transformación puede realizarse mediante la siguiente fórmula:

X - 
Z=


La distribución de esta nueva variable aleatoria Z, es una distribución normal estándar con
media 0 y desviación estándar 1, su anotación es, Z ~ N (  = 0 , 2 = 12 ).

El cálculo de las probabilidades de esta variable se presenta en tablas.

CURVA NORMAL ESTÁNDAR

En la curva normal estándar la media siempre es igual a cero. La varianza es 1

El área entre z = -1 y z = 1 vale aproximadamente 0,6827; el área entre z = -2 y z = 2 vale

aproximadamente 0,9545, el área entre z = -3 y z = 3 vale aproximadamente 0,9973, otra
forma de indicar esta propiedad es decir que el área comprendida entre X 1, equivale
aproximadamente a 0,6827, el área entre, X 2 equivale aproximadamente al 0,9545, y el
área entre X 3, equivale aproximadamente al 0,9973

Como en toda distribución con variable aleatoria continua el área total debajo la curva es
igual a 1. Cumple con todas las propiedades de la distribución normal.

GRÁFICA DE LA FUNCIÓN DE DENSIDAD DE UNA VARIABLE ALEATORIA

24
CON DISTRIBUCIÓN NORMAL ESTÁNDAR

La gráfica anterior es la función densidad de una normal estándar, se ve que la media de

esta distribución es cero y además se ha sombreado el área comprendida entre z = -1 y z =
1 la cual equivale a 0,682 aproximadamente.

APLICACIONES DE LA DISTRIBUCIÓN NORMAL

EL conocimiento analizado antes puede aplicarse en distintas situaciones prácticas. Entre

ellas se encuentra la posibilidad de ubicar a un individuo dentro de la población a la que
pertenece como normal o anormal, en función del dato que se haya obtenido en él para la
evaluación de una variable. Esto es posible siempre que la variable en estudio se distribuya
como normal en esa población y se conozcan los parámetros que la definen, media
aritmética y desviación estándar.

Un ejemplo de estas aplicaciones es el uso de procedimientos de diagnóstico de

capacidades o alteraciones de comportamiento que se emplean, en psicometría. Se utilizan
pruebas para evaluar la inteligencia en los integrantes de una población definida. Si a un
individuo en particular se le administra la prueba y se observa el resultado, se podrá saber
dónde está ubicado este dato en la gráfica de la función normal, es posible determinar si su
comportamiento es similar al de la mayor parte de la población en estudio o si difiere de lo
que se espera en la mayoría. Para esto se analiza si este individuo está dentro de una
desviación estándar del valor de la media, por lo que se puede estimar que es un integrante
del 68% central, y por lo tanto se puede considerar un individuo normal, si se acepta que lo
más frecuente es lo normal. Por el contrario un individuo que en la misma prueba genere un
dato más allá de 2 desviaciones estándar puede considerarse anormal, en términos de
deficiencia de inteligencia. Porque dicho valor está afuera del 95% central.

Algunas variables muy utilizadas en medicina como la presión arterial, las alturas de las
personas, el peso de las personas entre otras, tienen distribuciones normales y podemos
realizar el análisis descripto para observar si el resultado obtenido de un individuo puede
considerarse normal o no normal.

El valor crítico donde cambia de normal a no normal lo colocará el experimentador en

función del error que decida conveniente.

PREGUNTAS DE REVISIÓN DE LA UNIDAD:

1. ¿Qué entiende por distribución de probabilidad? Qué formas puede tomar una
distribución de probabilidad?
2. ¿Cuáles son las propiedades que debe cumplir una función de probabilidad?
3. ¿Cuáles son los parámetros de una distribución de probabilidad?
4. ¿Cuáles son las tres propiedades asociadas a la distribución binomial?
5. ¿Cuáles son las tres propiedades asociadas a la distribución de Poisson?
6. ¿Cuándo se aproxima adecuadamente la distribución binomial por la
distribución de Poisson?
7. ¿Cuáles son las propiedades de la distribución normal?
8. ¿Cuáles son los parámetros de la distribución normal?
9. ¿Cuánto valen los parámetros en una distribución normal estándar?
10. Explique la importancia de la distribución normal estándar.
11. ¿Qué transformación utiliza para pasar de una distribución normal a una
distribución normal estándar?
12. ¿En una distribución de variable continua como se mide la probabilidad?
25