VARIABLES ALEATORIAS Y

FUNCIÓN DE PROBABILIDAD
DISTRIBUCIÓN NORMAL
DISTRIBUCIÓN BINOMIAL

1
1. VARIABLES ALEATORIAS Y FUNCIÓN DE
PROBABILIDAD

• En un experimento aleatorio se llama variable aleatoria toda función

que asocia a cada elemento del espacio muestral E un número real.

• Una variable aleatoria es discreta cuando sólo puede tomar valores

aislados (valores finitos en un intervalo finito).

Por ejemplo, edad de una persona, nº de hermanos, suma de las

caras de dos dados, etc.

• Una variable aleatoria es continua cuando puede tomar todos los

valores posibles de un intervalo (infinitos valores en un intervalo finito).

Por ejemplo, peso de una persona, altura de una persona, ingresos

mensuales por persona de las familias un municipio, etc.

2
 1.1 DISTRIBUCIONES DISCRETAS
La función o distribución de probabilidad de una variable aleatoria discreta, X, es la
aplicación que asocia a cada valor xi de la variable su probabilidad pi.

PROPIEDADES DE LA FUNCIÓN DE PROBABILIDAD

1.- La probabilidad pi de un valor xi, pi = P(X = xi) es un número no negativo entre 0

y1
0 ≤ pi ≤ 1
2.- La suma de las probabilidades de los valores del recorrido de la variable es 1.
Σ pi = 1
3.- La probabilidad de que una variable aleatoria tome algún valor dentro de un
conjunto de valores concretos es la suma de probabilidades asociadas a cada uno
de ellos.

EJEMPLO 1
Se lanzan un dado al aire con 1 uno, 2 doses y 3 treses.

Valores de la variable aleatoria discreta xi 1 2 3

Probabilidades correspondientes pi 1/6 2/6 3/6

Se observa que los valores de pi son positivos, entre 0 y 1.

La suma de probabilidades es 1/ 6 + 2/ 6 + 3/6 = 6/6 = 1
P(1 ≤ X ≤ 2) = P(X=1)+P(X=2) = 1/6 + 2/6 = 3/6 = ½ = 0,50 3
Ejemplo 2
Un grupo de diez amigos acostumbran a salir juntos frecuentemente. Pero cada vez que salen,
el número de ellos es aleatoriamente distinto.

Sea X el nº de personas que salen juntas. Sabemos que 3 ≤ x ≤ 10.

X es una variable DISCRETA, o sea toma valores finitos ( enteros en este caso ) en [ 3 , 10 ]

Imaginemos que anotamos el número de ellos cada vez que salen juntos, o sea repetimos la
misma observación hasta un número muy grande de veces.

Según la ley del azar, en todo experimento aleatorio, las frecuencias relativas tienden a su
probabilidad cuando el número de datos es suficientemente grande.
Vemos que las frecuencias relativas se han convertido en las probabilidades. La variable
estadística x toma el nombre de variable aleatoria en la distribución de probabilidades. La
distribución de probabilidad es una idealización de la distribución de frecuencias.

4
Se observa que las distintas P(X=xi)
0,24
probabilidades presentan un valor
positivo entre 0 y 1.
0,20
La suma de las probabilidades de
todos los valores posibles de la
variable es la unidad.
0,14
Es una función de probabilidad
discreta.
0,10

Calculemos la probabilidad de que

se junten 5, 6 o 7 amigos:
0,05

P(5 ≤ X ≤ 7) = P(X=5) + P(X=6) + P(X=7) =

0,24 + 0,20 + 0,14 = 0,58

3 4 5 6 7 8 9 10
X

FUNCIÓN DE PROBABILIDAD

5
 ESPERANZA O MEDIA MATEMÁTICA

No difiere su cálculo de la media de una variable estadística, x .

Se denota por la letra griega μ.
Se llama valor esperado o esperanza matemática, nombre preveniente de los
juegos de azar, origen de la probabilidad.
• μ es la medida utilizada para medir la equidad de un juego.
• Si μ = 0 , no hay ventaja ni para el jugador ni para la banca.
Forma de hallarla: μ = Σ xi . pi

EJEMPLO 1

El dado con 1 uno, 2 doses y 3 treses. μ = Σ xi . Pi

μ = 1.(1/6) + 2.(2/6) + 3.(3/6) = 1/6 + 4/6 + 9/6 = 14/6 = 2,33

Lo que significa que el valor esperado al lanzar dicho dado es de un 2.

EJEMPLO 2

Los diez amigos que se reúnen para salir en número aleatorio. μ = Σ xi . Pi

μ = 3.0,10 + 4.0,13 + 5.0,24 + 6.0,20 + 7.0’14 + 8.0’08 + 9.0’06 + 10.0’05 =

= 0,3 + 0,52 + 1,25 + 1,2 + 0,98 + 0,64 + 0,56 + 0,5 = 5,95  6

Lo que significa que el valor esperado en dicha observación es de 6 personas.

6
EJEMPLO 3

Lanzamos dos monedas al aire. Apostamos 5 Euros. Si salen dos caras, volvemos a tirar; si salen dos cruces, nos
llevamos 10 Euros; pero si sale una cara y una cruz perdemos lo apostado. ¿ Cuál es la esperanza matemática o
valor esperado ?
Xi pi
-5 2/4 = 0,5
0 1/4 = 0,25
10 1/4 = 0,25

μ = - 5. 0,5+ 0. 0,25 + 10. 0,25 = -2,5 +0 + 2,5 = 0

Al ser μ = 0 el juego es equitativo, no hay ventaja ni para el jugador ni para la banca.

EJEMPLO 4

En una urna hay 2 bolas blancas y 5 bolas rojas. Extraemos una bola y la sustituimos por otra de distinto color.
Luego extraemos otra bola. Si el resultado es BB, ganamos 50 Euros; si es BR, ni ganamos ni perdemos; si es RB
perdemos 5 Euros; y si es RR perdemos 10 Euros. ) Cuál es la esperanza matemática o valor esperado ?.
P(BB) = 2 / 7 . 1/ 7 = 2 / 49 = 0,041
P(BR) = 2/ 7 . 6 /7 = 12 / 49 = 0,245
P(RB) = 5 / 7 . 3 / 7 = 15 / 49 = 0,306
P(RR) = 5 / 7 . 4 / 7 = 20 / 49 = 0,408
Xi pi
50 0,041
0 0,245
-5 0,306
- 10 0,408
μ = 50. 0,041+ 0. 0,245 – 5 .0,306 – 10.0,408 = - 3,56
No jugaríamos, pues tenemos desventaja, no es equitativo.

7
EJEMPLO 5

Lanzamos dos dados en forma de

tetraedro, uno con las caras numeradas del
0 al 3, y el otro con las caras numeradas
del 1 al 4. ¿Cuál es la esperanza X/Y
matemática o valor esperado de la función 1 2 3 4
que asigna a cada valor de x la suma de
resultados? 0 1 2 3 4

xi fi pi xi.pi 1 2 3 4 5

1 1 0,0625 0,0625 2 3 4 5 6
2 2 0,1250 0,25
3 3 0,1875 0,5625 3 4 5 6 7
4 4 0,25 1,00
5 3 0,1875 0,9375
6 2 0,1250 0,75
7 1 0,0625 0,437 μ = ∑xi.pi = 4
16 4,00

8
 DESVIACIÓN TÍPICA

DESVIACIÓN TÍPICA EN UNA DISTRIBUCIÓN DE P. DISCRETA.

No difiere ni su nomenclatura ni su cálculo de la desviación típica de una variable
estadística.
Forma de hallarla: σ = √ Σ (xi – μ)2 . pi
EJEMPLO 1
El dado con 1 uno, 2 doses y 3 treses.
σ = √ (1 – 2,33)2 . 1/6 + (2 – 2,33)2 . 2/6 + (3 – 2,33)2 . 3/6 = 0,2963 + 0,0370 + 0,2222 = 0,5555

EJEMPLO 2
Los diez amigos que se reúnen para salir en número aleatorio.
σ = √ (3 – 5,95)2. 0,10 + (4 – 5,95)2. 0,13 + (5 – 5,95)2. 0,25 + (6 – 5,95)2. 0,20 +
+ (7 – 5,95)2. 0,14 + (8 – 5,95)2. 0,08 + (9 – 5,95)2. 0,06 + (10 – 5,95)2. 0,05 =
= √ ( 0,9 + 0,52 + 0,25 + 0 + 0,14 + 0,32 + 0,54 + 0,9 ) = √ 3,57 = 1,89
El 68% de las veces se reúnen entre 4 (5,95 – 1,89) y 8 (5,95 + 1,89) amigos

EJEMPLO 3
En urna hay 3 bolas blancas y 5 bolas negras. Si sacamos una bola negra pagamos a la banca 5 Euros, pero si es
blanca ganamos 10 Euros. ¿ Cuál es la esperanza matemática o valor esperado ?

xi pi xi – μ (xi – μ) ·pi

-5 5/8 = 0,625 -5,525 19,08

10 3/8 = 0,375 9,475 33,66
∑= 52,74

μ = -5.0,625+10.0,375 = -3,125 + 3,75 = 0,525 Si jugaría, pues tengo ventaja. σ = √ 52,74 = 7,275

9
 1.2. DISTRIBUCIONES DE PROBABILIDAD CONTINUA

Ya sabemos una clasificación de las variables estadísticas en discretas y

continuas, atendiendo al conjunto de valores que podían tomar.

Ejemplos de variable discreta es el número de hijos de una familia, la

edad, en semanas, a que comienza a andar un niño o el número de
respuestas falladas en un test.

Ejemplos de variables continuas son: las estaturas y pesos de los

individuos, los tiempos de espera de un autobús, la duración de un tipo de
pilas, etc.

Si los valores de la variable son muy numerosos y dispersos, éstos han de

agruparse en intervalos a fin de obtener frecuencias apreciables. Estos
intervalos se denominan clases.

Consideremos la variable continua Xi que mide la concentración (mg/l) de

disolvente en 100 muestras de agua fluvial. Los resultados se dan en la
tabla , donde la primea columna indica las clases y la segunda columna
las frecuencias relativas:

10
 EJEMPLO de DISTRIBUCIÓN de PROBABILIDAD CONTINUA
Consideremos la variable continua
Xi que mide la concentración (mg/l)
de disolvente en 100 muestras de
agua fluvial.

Los resultados se dan en la tabla ,

donde la primea columna indica las
clases y la segunda columna las
frecuencias relativas:

Xi fr
[0,10) 0,25
[10,20) 0,30
[20,30) 0,15
[30,40) 0,15
[40,50) 0,10
[50,60) 0,05
Σ =1

11
… Ejemplo

Incrementando el número de muestras recogidas a 500, 1.000, 2.000,

...,1.000.000, en lugar de las 100 que tenemos; a la vez que reducimos la
longitud de los intervalos de clase, (0, 1) , (0, 0’1) , (0, 0’01), … en lugar de
(0, 10) que tenemos , se llega a histogramas cuyos lados superiores
forman una poligonal que cada vez es menos irregular.

Las frecuencias relativas de las clases se aproximarían a las

probabilidades respectivas.
Idealmente se llegaría a una línea poligonal superior curva, bajo la cual el
área limitada es la unidad..

La curva así obtenida nos permitirá calcular probabilidades de la variable

continua Xi en cualquier entorno.

Esta curva se llama FUNCIÓN DE DENSIDAD.

Calcular probabilidades es hallar el área comprendida entre la función de
densidad y el eje Xi , entre dos valores de xi

12
 FUNCIÓN DE DENSIDAD

En color rojo se aprecia la línea quebrada o

Función de Distribución de una variable continua.
En color azul se ha superpuesto la Función de
densidad en que se convierte al aumentar
notablemente el número de intervalos o clases.

0 10 20 30 40 50 60 mg/l
13
 a x1 x2 f (x) > 0 b
Para que f(x) sea una función de densidad debe cumplir las siguientes
condiciones:

1.- f(x) ≥ 0, para todo valor del intervalo [a, b] donde la variable aleatoria
tiene su campo de definición.
2.- El área limitada por la curva f(x), entre los extremos a y b y el eje de
abscisas, es la unidad.
3.- Las áreas determinadas por f(x) en cualquier intervalo [x1, x2] incluido
en [a, b] es la probabilidad de que la variable continua X esté en el
intervalo [x1, x2]
14
El área que nos interese se calculará:

Por el cálculo integral.

Ocasionalmente por métodos geométricos elementales.
O mediante tablas ya elaboradas para este fin (distribución normal)

Nota: Todas las probabilidades son áreas. Cuando la función de densidad sea
sencilla, entonces P(X=xi) = f(x). Pero si no es así, entonces:
P(X=xi)=P[(xi-0,5) ≤ x ≤ (xi+0,5)]

15
 FUNCIÓN DE DISTRIBUCIÓN
Dada una variable aleatoria continua X, su función de distribución es la
aplicación que a cada valor x de la variable le asigna la probabilidad de
que esta tome valores menores o iguales que x.
F(x) = P(X ≤ x)

Si la función de densidad f(x) tomas valores distintos de cero en el

intervalo [a , b], entonces la función de distribución asociada es:

0 si x < a
x
F(x) = ∫ f(x) dx si a ≤ x < b
0
1 si b ≤ x

La función de distribución de una variable aleatoria continua X, cumple las

siguientes propiedades:
1.- Es monótona creciente.
2.- F(x1) – F(xo) = P(xo ≤ X < x1)
3.- F´(x) = f(x) 16
Función de densidad  Función de distribución

0 si x < 0 0 si x < 0
x
f(x) = x/2 si 0 ≤ x < 2 F(x) = ∫ (x/2) dx si 0 ≤ x < 2
0
0 si x ≥ 2 1 si b ≤ x

La función de densidad debe cumplir: 1

f(x) = x / 2
1.- f(x) ≥ 0 para todo valor del intervalo [0 , 2]
2.- El área limitada por f(x) = x/2 , x=0, x=2 y el eje
de abscisas debe ser la unidad.
0 1 2 x
(Al formar f(x) un triángulo rectángulo de base 2 y
altura 1, vemos que el área del mismo es la
unidad).
3.- Las áreas determinadas por f(x) en cualquier
intervalo [x1, x2] incluido en [a, b] es la probabilidad
de que la variable continua Xi esté en el intervalo
[x1, x2]
17
La función de distribución será:

0 si x < 0
x
F(x) = ∫ (x/2) dx = (1/2). [x2 / 2] = x2 / 4 si 0≤x<2
0
1 si x ≥ 2

GRÁFICA DE LA FUNCIÓN DE DISTRIBUCIÓN

F(x) = 1
1

F(x) = x2 / 4

F(x) = 0

0 1 2 x

18
 PARÁMETROS DE UNA DISTRIBUCIÓN
CONTINUA
Si X es una variable aleatoria que toma valores en el intervalo [a , b], y f(x)
es su función de densidad:

MEDIA O ESPERANZA MATEMÁTICA, μ, de la variable X

b
μ = ∫ x.f(x) dx
a

LA DESVIACIÓN TÍPICA, σ, de la variable X

Que será la raíz cuadrada positiva de la varianza.
b
σ = + √ [ ∫ (x – μ)2 .f(x) dx ]
a

19
EJERCICIO (cálculo mediante áreas)

Sea la función:
1 / 4 si x є [0, 4]
Pi
f(x) =
0 si x є [0, 4]
0,25
Comprueba que es una función de
densidad.
Calcula P(1,6 ≤ x ≤ 5,2) 0 1 2 3 4
Área del rectángulo:
1,6
A=b.h = 4. ¼ = 1
P(1,6 ≤ x ≤ 5,2) = (4 – 1,6). ¼ = 2,4. ¼ = 0,6

b 4 4
μ = ∫ x.f(x) dx = ∫ x.1/4 dx = [x2 / 8] = (16 / 8) – 0 = 2
a 0 0
b 4
σ = + √ [ ∫ (x – μ)2 .f(x) dx ] = √ [ ∫ (x – 2)2 .1/4 dx ] = 2√3/3
a 0
20
 2. DISTRIBUCIÓN BINOMIAL
2.1. DISTRIBUCIÓN de BERNOULLI

Se conoce como experimento de Bernoulli un experimento aleatorio que

sólo tiene dos resultados posibles, complementarios entre sí.

Los sucesos de un experimento de BernouLli se denominan éxito (E) y

fracaso (F).

Se considera la variable aleatoria X que asocia al suceso éxito el valor 1, y

al suceso fracaso el valor 0.
P(X=1) = p ,, P(X=0) = 1 – p = q

CÁLCULO DE PARÁMETROS
MEDIA μ = 0.q + 1.p = p
DESVIACIÓN TÍPICA σ = √ (02.q + 12.p – p2) = √ p.(1 – p) = √ p.q
Como toda función de probabilidad discreta, p+q = 1, con p >0

21
2.2 DISTRIBUCIÓN BINOMIAL

22
23
Parámetros de una binomial

24
Ejemplo 1
En una reunión hay 40 hombres y 60 mujeres. Se elige una persona al azar, anotando el sexo de
dicha persona. Se repite el experimento 30 veces. Hallar la probabilidad de que en 10 ocasiones
el resultado haya sido “hombre”. ¿Cuál es el número esperado de hombres en el experimento?
Es una experiencia dicotómica.
P(E) = p =40/100 = 0,40 P(F) = q = 1 – 0,40 = 0,60
n= 30 veces que se repite el experimento.
La binomial queda caracterizada por B(n, p)  B(30, 0,40) Hay que hallar P(x=10)
El número esperado de hombres coincide con la media µ = n·p = 30 · 0,40 = 12.

Notas importantes: El experimento se puede repetir un número de veces mayor que la cantidad de personas
que hay. Podemos repetir el experimento 500, aunque hubiera sólo 3 personas en la reunión.
Nos pueden pedir probabilidades tales como: P(“Que de las 30 veces que se ha repetido al menos en dos
ocasiones halla sido hombre”)
P(x ≥ 2) = P(x=2)+P(x=3)+…+P(x=30) O también: P(x ≥ 2) = 1 – P(x < 2) = 1 – [ (P(x=0) + P(x=1) ]

Ejemplo 2

Un cazador tiene una probabilidad de 0,65 de acertar a una pieza en cada disparo. Si realiza 20
disparos, hallar la probabilidad de …
a) Que no cace ninguna pieza. b) Que cace 7 piezas.
c) Que cace al menos 3 piezas.
• Es una experiencia dicotómica, pues acierta el tiro o falla el tiro.
• P(E) = p =0,65 P(F) = q = 1 – 0,65 = 0,35

n= 20 veces que se repite la experiencia de disparar. La binomial queda caracterizada por B(n,
p)  B(20, 0,65)

a)P(x=0) b)P(x=7) c)P(x≥3) =P(x=3)+P(x=4)+…+P(x=20)

P(x≥3) = 1 - P(x<3) = 1 – [ P(x=0)+P(x=1)+P(x=2) ]
25
Ejemplo 3
Una máquina produce 32 tornillos defectuosos cada 1000 unidades. Al realizar un control de calidad
tomamos una caja de 50 tornillos. Hallar la probabilidad de que …
a) Ningún tornillo resulte defectuoso. b) Halla 37 tornillos defectuosos.
c) Halla menos de 3 tornillos defectuosos.
Es una experiencia dicotómica, pues cada tornillo examinado está defectuoso o no.
P(E) = p =32/1000 = 0,032 P(F) = q = 1 – 0,032 = 0,968
n= 50 veces que se repite la experiencia, al examinar los 50 tornillos de la caja.
La binomial queda caracterizada por B(n, p)  B(50, 0,032)
a) P(x=0) b) P(x=37) c) P(x<3) = P(x=0) + P(x=1) + P(x=2)

Ejemplo_4
Lanzamos un dado al aire. Hay seis sucesos posibles. Y cada suceso tiene su probabilidad (pi=1/6).
Pero si lo que nos interesa es obtener un 6, reducimos los sucesos a dos:
P(“Obtener un seis”) = 1/6 P(“No obtener un seis”) = 5/6
Y hemos convertido el experimento no dicotómico en dicotómico.
P(E) = p=1/6 P(F) = q= 5/6
B(n, 1/6) Donde n es la cantidad de veces que lanzamos el dado.

Ejemplo_5
En una población conocemos:
P(“Un habitante gane 0 € /mes”) = 0,25 P(“Un habitante gane 500 € /mes”) = 0,25
P(“Un habitante gane 1000 € /mes”) = 0,20 P(“Un habitante gane 1500 € /mes”) = 0,20
P(“Un habitante gane 2000 € /mes”) = 0,10
Si lo que nos interesa es que gane más de 1000 € /mes, reducimos la distribución de probabilidades
discretas a una distribución binomial:
P(“Un habitante gane más de 1000 € /mes”) = 0,20+0,10 = 0,30
P(“Un habitante no gane más de 1000 € /mes”) = 1 – 0,30 = 0,70
Y hemos convertido la experiencia no dicotómica en dicotómica.
P(E) = p=0,30 P(F) = q= 0,70 B(n, 0,30)
Lo mismo haríamos si el resultado deseado (Éxito) fuera que ganara hasta 500 €. 26
Ejercicios:
1. La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de los lectores ya la han leído.
Un grupo de 4 amigos son aficionados a la lectura:

a) ¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

b) ¿Y cómo máximo 2?

2. Un agente de seguros vende pólizas a cinco personas de la misma edad y que disfrutan de buena salud.
Según las tablas actuales, la probabilidad de que una persona en estas condiciones viva 30 años o más es 2/3.
Hállese la probabilidad de que, transcurridos 30 años, vivan:

a) Las cinco personas

b) Al menos tres personas
c) Exactamente dos personas

3. Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan más caras que cruces.

4. La probabilidad de que un hombre acierte en el blanco es 1/4. Si dispara 10 veces

¿Cuál es la probabilidad de que acierte exactamente en tres ocasiones?
¿Cuál es la probabilidad de que acierte por lo menos en una ocasión?

5. En unas pruebas de alcoholemia se ha observado que el 5% de los conductores controlados dan positivo en la prueba
y que el 10% de los conductores controlados no llevan puesto el cinturón de seguridad. También se ha observado que las
dos infracciones son independientes.

6. Un guardia de tráfico para cinco conductores al azar. Si tenemos en cuenta que el número de conductores es
suficientemente importante como para estimar que la proporción de infractores no varía al hacer la selección.
a)Determinar la probabilidad de que exactamente tres conductores hayan cometido alguna de las dos infracciones.
b)Determine la probabilidad de que al menos uno de los conductores controlados haya cometido alguna de las dos
infracciones.

27
 DISTRIBUCIÓN NORMAL
Así como de todas las distribuciones
discretas destacábamos la distribución
binomial, entre las distribuciones Esta distribución permite
continuas la más importante es la describir probabilisticamente
distribución normal. fenómenos estadísticos
donde los valores más
Resulta idónea para explicar: usuales se agrupan en torno
a uno central y los valores
Aceptación de una norma. extremos son escasos.
Gusto por las costumbres.
Consumo de un bien.
Impacto de un producto.
Coeficiente intelectual. Fue De Moivre (1733) quien investigó por
Velocidad de cálculo. primera vez la distribución normal, pero no
fue hasta 1809 cuando Gauss formuló la
Estatura o peso. expresión analítica y la gráfica de la función
Calibre de unos guisantes. de densidad, al estudiar los errores en las
Errores de medidas medidas.
 Campana de Gauss: N(μ, σ)
N(μ, σ) = N(- 3’5, 0,75) N(μ, σ) = N(0, 1’5)

N(μ, σ) = N(3, 1’5)

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
 FUNCIÓN DE DENSIDAD EN
LA DISTRIBUCIÓN NORMAL
Llamada campana de Gauss por su forma, presenta los siguientes rasgos:
• Su dominio es todo el eje real. N(μ, σ) = N(0, 1)
• Su recorrido es de 0 a 1/ σ. √2. π
• Es simétrica respecto a su media.
• Posee un máx. absoluto que coincide
con la media, la moda y la mediana.
• En los puntos ( μ - σ) y ( μ + σ) presenta
puntos de inflexión (cambia la curvatura). - 3 -2 -1 0 1 2 3
• El eje de abscisas es una asíntota de la curva.
• El área limitada entre los puntos ( μ - σ) y ( μ +σ) es 0,6826 ; entre los
puntos ( μ - 2σ) y ( μ +2σ) es 0,9544 ; y entre los puntos ( μ - 3σ) y ( μ +3σ) es
prácticamente la unidad.
 Expresión algebraica
2
(x-μ)
-- ---------------
2
1 2. σ
f(x) = ---------------- e
σ. √2.π

Como se ve en el caso de que la variable X siga una distribución normal, el cálculo de

probabilidades implica hallar áreas bastantes complicadas debido a la expresión analítica de su
función de densidad.
Para facilitar el trabajo existen Tablas que nos proporcionan directamente el valor de estas
áreas para el caso de μ = 0, σ = 1
Esta distribución se llama distribución normal tipificada y se simboliza así:
N(0,1)
 D. N. TIPIFICADA
DISTRIBUCIÓN NORMAL
TIPIFICADA

Una distribución normal, N(μ, σ ),

vimos que presenta la forma de una
campana de Gauss.

Cuando μ=0 y σ=1, nos

encontramos con una distribución
normal tipificada o estándar:
N( 0, 1)

La principal ventaja es que se dispone de

Tablas elaboradas para calcular todo tipo
de probabilidades.
-3 -2 -1 0 1 2 3
Ejemplo 1

Si Z es una variable aleatoria con distribución N(0,1), hallar a partir de la tabla

de la d.n. tipificada:
P ( Z ≤ 1,23 )

En la tabla tomamos la fila 1,2 ( unidades, décimas del valor de Z )

Y la columna 0,03 ( centésima del valor de Z).
El punto de intersección de fila y columna nos dará el valor del área, de P.

Z 0,00 0,01 ........ 0,03 ........ 0,09

0,0 0,5000 0,5040 ........ 0,5120 ........ 0,5359
0,1 0,5398 0,5438 ........ 0,5517 ........ 0,5753
.... .......... ......... ........ ......... ........ .........
1,1 0,8643 0,8665 ........ 0,8708 ........ .........
1,2 0,8849 0,8869 ........ 0,8907 ........ ........
..... ....... ....... ....... ....... ....... .........
3,9 1,0000 1,0000 ........ ........ ........ 1,0000
Gráfica del ejemplo_1

• Si Z es una variable
aleatoria con distribución
N(0,1), hallar a partir de la
tabla de la d.n. tipificada:
P ( Z ≤ 1,23)

• Lo que hemos hecho con la

ayuda de la Tabla es
calcular el área
comprendida entre la
función de densidad y el eje
de abscisas, entre xi = -3
y xi = 1,23

• Esa áreas vale 0,8907 ,

que es la probabilidad
pedida.
-3 -2 -1 0 1,23 3
Ejemplo 2. P (- 2,15 ≤ Z ≤ 1,23)

P (- 2,15 ≤ Z ≤ 1,23) = P( Z ≤ 1,23) - P( Z ≤ - 2,15) =

= P( Z ≤ 1,23) - P( Z ≥ 2,15) = P( Z ≤ 1,23) - [ 1 - P( Z ≤ 2,15)] =
= P( Z ≤ 1,23) + P( Z ≤ 2,15) - 1

P (- 2,15 ≤ Z ≤ 1,23) = 0,8907 + 0,9842 – 1 =

= 1,8749 – 1 = 0,8749

Que como era de esperar es menor

que la del ejemplo anterior.

NOTA: -3 -2’15 -1 0 1,23 3

• Por las Tablas NO se puede calcular ni P( Z ≤ - 2,15)
• ni P( Z ≥ 2,15) . Sólo P (Z ≤ k) , siendo k POSITIVO
EJEMPLO_3

Si Z es una variable aleatoria con distribución N(0,1), hallar a partir de la tabla de

la d.n. tipificada:
P (0 ≤ Z ≤ 2,95)

• Calculemos P ( Z ≤ 0) = 0,5 (La mitad de la curva, por simetría)

• En la tabla tomamos la fila 0,0 ( unidades, décimas del valor de Z )

• Y la columna 0,00 ( centésima del valor de Z).
• El punto de intersección de fila y columna nos dará el valor del área, de P

Z 0,00 0,01 ........ 0,05 ........ 0,09

0,0 0,5000 0,5040 ........ 0,5199 ........ 0,5359
.... .......... ......... ........ ......... ........ .........
3,9 1,0000 1,0000 ........ ........ ........ 1,0000

• Continua …Benito
@ Angel Prieto Matemáticas 2º Bachillerato CS 37
EJEMPLO_3

Si Z es una variable aleatoria con distribución N(0,1), hallar a partir de la tabla

de la d.n. tipificada:
P (0 ≤ Z ≤ 2,95)

Calculemos P ( Z ≤ 0) = 0,5
(La mitad de la curva, por simetría)

P (0 ≤ Z ≤ 2,95) =
= P( Z ≤ 2,95) - P( Z ≤ 0) =
= 0,9984 – 0,5000 = 0,4984

Que como era de esperar es

menor que la del ejemplo -3 -2 -1 0 2,95 3
anterior.

NOTA:
• El 0 no tiene signo alguno, por tanto P( Z ≤ 0) = P( Z ≥ 0) = 0,5000
 TIPIFICAR UNA DISTRIBUCIÓN NORMAL

DISTRIBUCIÓN NORMAL TIPIFICADA

A efectos prácticos podemos convertir una distribución normal

N( μ, σ ) en una distribución normal tipificada o estándar:
N( 0, 1) , mediante el cambio:

X- μ
Z = ------------
σ
Gracias a ese cambio de variable podemos utilizar las Tablas ya
elaboradas para calcular probabilidades en una distribución
normal.
Evidentemente para ello nos deben dar los valores de μ y de σ
(cuyo cálculo ya hemos dicho que excede del nivel del curso).
Ejemplo1:
Sea X una variable N(8,2). Calcula:
a) P(X  6'5) = P(Z  (6'5-8)/2) = P(Z -0,75) = P(Z ≥ 0,75) = 1-P(Z 0,75) =

=1-0,7734 = 0,2266

b) P(7'2 < X  8'3) = P(Z  (8´3-8)/2) - P(Z  (7´2-8)/2) = P(Z  0´15) - P(Z  -0´4)= P(Z
 0´15) - P(Z ≥ 0´4) = P(Z  0´15) - (1-P(Z  0´4)) =

= 0,5596-(1-0,6554) = 0,215

Ejercicio 1: La nota media de las pruebas de acceso correspondientes a los

estudiantes que querían ingresar en una facultad era 5,8 y la desviación típica 1,75.
Fueron admitidos los de nota superior a 6. ¿Cuál fue el porcentaje de admitidos si la
distribución es normal?

Ejercicio 2: En las etiquetas de las cajas de unos determinados tornillos está

indicado que tienen un diámetro comprendido entre 1’09 y 1’11 mm. Si dicho
diámetro es una variable normal con media 1’10 y desviación típica 0’005 mm, ¿qué
porcentaje de tornillos no cumple con la especificación de las etiquetas?
Ejercicio 3:
En una distribución normal de media 4 y desviación típica 2, calcular el valor de a para
que: P(4-a ≤ X ≤ 4 + a) = 0,5934

Ejercicio 4:
Se supone que los resultados de un examen siguen una distribución normal con
media 78 y desviación típica 36. Se pide:
a) ¿Cuál es la probabilidad de que una persona que se presenta el examen obtenga
una calificación superior a 72?
b) Calcular la proporción de estudiantes que tienen puntuaciones que exceden por lo
menos en cinco puntos de la puntuación que marca la frontera entre el Apto y el
No-Apto (son declarados No-Aptos el 25% de los estudiantes que obtuvieron las
puntuaciones más bajas).
c) Si se sabe que la calificación de un estudiante es mayor que 72 ¿cuál es la
prioridad de que su calificación sea, de hecho, superior a 84?

Ejercicio 5:
La media y los que de los pesos de 500 estudiantes de un colegio es 70 kg y la
desviación típica 3 kg. Suponiendo que los pesos se distribuyen normalmente, hallar
cuántos estudiantes pesan:
a) Entre 60 kg y 75 kg. b) Más de 90 kg.
c) 64 kg exactamente. d) Menos de 64 kg. e) 64 kg o menos.
Ejercicio 6:
Tras un test de cultura general se observa que las puntuaciones obtenidas siguen
una distribución una distribución N(65, 18). Se desea clasificar a los examinados en
tres grupos (de baja cultura general, de cultura general aceptable, de excelente
cultura general) de modo que hay en el primero un 20% la población, un 65% el
segundo y un 15% en el tercero. ¿Cuáles han de ser las puntuaciones que marcan
el paso de un grupo al otro?

Ejercicio 7:

Varios test de inteligencia dieron una puntuación que sigue una ley normal con
media 100 y desviación típica 15.
a) Determinar el porcentaje de población que obtendría un coeficiente entre 95 y
110.
b) ¿Qué intervalo centrado en 100 contiene al 50% de la población?
c) En una población de 2500 individuos
¿cuántos individuos se esperan que tengan
un coeficiente superior a 125?
Ejercicio 8. En una oposición se necesitan 30 puntos para aprobar. La media
obtenida por los alumnos es de 28, con una desviación típica de 8. Suponiendo una
distribución normal, ¿cuál es la probabilidad de que un alumno apruebe?.
Si se han presentado 528 alumnos, ¿cuántos alumnos aprobarán?.
Ejercicio 9. En un examen de Matemáticas el 65% de los alumnos una puntuación
igual o inferior a 6,5 puntos y el 10% de los alumnos puntuaciones superiores a 7
puntos. Sabiendo que la distribución de las puntuaciones es normal, calcular μ y σ.
 APROXIMACIÓN DE LA BINOMIAL A LA NORMAL
CORRECCIÓN DE YATES

Teorema de Movire-Laplace: si X es una variable discreta que sigue una

distribución binomial de parámetros n y p, B(n,p) y se cumple que n>10,
n·p>5 y n·q>5
resulta una aproximación bastante buena suponer que la variable X’
(recordemos que en la binomial µ=n·p y σ= 𝑛 · 𝑝 · 𝑞) se aproxima a la
variable normal N(n · p , 𝑛 · 𝑝 · 𝑞)
Resulta mucho más sencillo trabajar con la variable normal X’ que con la
binomial X, pues recordemos que los valores de la normal están
tabulados.
Corrección de continuidad o de Yates: cuando aproximamos una
distribución binomial mediante una normal, estamos convirtiendo una
variable X discreta (toma un número determinado de valores) en una
continua X’ (toma valores en un intervalo). (±0,5)
APROXIMACIÓN DE LA BINOMIAL A LA NORMAL
CORRECCIÓN DE YATES
Ejemplo1. Se efectúan 15 lanzamientos de una moneda. Calcular la probabilidad de que
ocurran los siguientes sucesos

a) Salgan entre 8 y 12 caras

b) Salgan menos de 6 caras

Ejemplo2. Un examen tipo test consta de 38 preguntas a contestar verdadero o falso.
El examen se aprueba si se contesta correctamente al menos 20 preguntas. Un alumno
responde al examen lanzando al aire una moneda y contestando verdadero si sale cara y
falso si sale cruz. Halla
a) La probabilidad de aprobar el examen
b) Probabilidad de acertar más de 24 y menos de 31

Ejercicio 1. Un cierto equipo electrónico está formado por 100 componentes

conectados. Si cada componente tiene una probabilidad de 0.02 de romperse
cunado el equipo es lanzado en un cohete, hallar la probabilidad de que al hacerlo
se rompan 10 o más componentes.
Ejercicio 2. Supongamos que un tirador tiene probabilidad de 0.4 de acertar en la diana.
Hallar la probabilidad de que después de realizar 20 disparos halla acertado al menos 4
lanzamientos. Hacerlo mediante la distribución binomial y la aproximación normal y
comparar los resultados.

Ejercicio 3. Una máquina produce componentes que son defectuosos en un 10%. Se elige al
azar una muestra de estos 50 componentes. Calcular las probabilidades de que a) como
mucho 6 componentes estén defectuosos, b) tenga 3 o más componentes defectuosos.
Ejercicio 4. El 70% de los alumnos de un instituto tiene teléfono móvil.
a) Si un instituto tiene 1400 alumnos, ¿cuántos se espera que tengan teléfono móvil?
b) ¿Cuál es la probabilidad de que en una muestra de 150 alumnos haya más de 100 con
teléfono móvil?
c) ¿Cuál es la probabilidad de que en una muestra de 200 alumnos haya como máximo 140
con teléfono móvil?

Ejercicio 5. En un centro comercial se sabe que el 35% de los clientes paga con tarjeta.
a) Si en una caja han pagado 120 clientes, ¿cuántos de ellos se espera que no lo hayan hecho
con tarjeta?
b) Si en una caja han pagado 200 clientes, ¿cuál es la probabilidad de que lo hayan hecho
con tarjeta entre 60 y 85 de ellos?
c) Si en una caja han pagado 400 clientes, ¿cuál es la probabilidad de que al menos 260 no lo
hayan hecho con tarjeta?