Manual del Estudiante

Asignatura
Estadística II
Unidad 1
Distribución de frecuencias
 2

Índice de contenidos

Introducción a la unidad 1......................................................................................................... 3

1. Distribución de frecuencias .................................................................................................. 4

1.1 Variable aleatoria ............................................................................................................... 4

1.2 Distribución binomial ........................................................................................................ 21

1.3 La distribución normal ...................................................................................................... 27

1.4 Distribución T-Student ...................................................................................................... 39

Conclusión.............................................................................................................................. 46

Bibliografía ............................................................................................................................. 47

Escuela de Comercio de Santiago

 3

Introducción a la unidad 1

El objetivo de esta primera unidad, es realizar una aproximación a la estadística

investigativa, dando a conocer herramientas y técnicas básicas de cálculo de
probabilidades, variables discretas y continuas, y distribuciones binomial, normal
y T-Student. Se espera que el estudiante adquiera las competencias necesarias
para que incorpore en su actividad profesional, el manejo y análisis de datos
estadísticos para tomar decisiones.

En primer lugar, se examinará el concepto de variable aleatoria y su lógica en los

modelos de probabilidad. Es importante revisar el concepto de probabilidad,
abordado en la asignatura Estadística I, en la unidad 4.

A continuación se desarrollarán dos modelos de probabilidad que involucran la

ley normal y la ley binomial, y se analizarán los conceptos de distribución normal,
binomial y T-Student, objeto de estudio y de análisis en cualquier investigación.
Por último se examinará cómo se relacionan las distintas distribuciones de
probabilidad con el campo laboral.

Se espera que el estudiante aplique los modelos de distribución de frecuencias en

contextos laborales. Dichos modelos son herramientas que contribuyen al buen
manejo de la información dentro de la empresa y en la toma de decisiones.

Para iniciar este aprendizaje se deben repasar conceptos básicos del curso de
Estadística I, especialmente de las unidades 1 ,3 y 4.

“El éxito es ir de fracaso en fracaso sin perder el entusiasmo”

Winston Churchill

Escuela de Comercio de Santiago

 4

1. Distribución de frecuencias

1.1 Variable aleatoria

Concepto importante

Se denomina variable aleatoria( Xi) de un espacio muestral Ω, a la función en el

conjunto de números reales que se asigna a cada resultado del espacio muestral.

Para entender esta definición se debe tener claro que todo espacio muestral está definido por un
modelo o una ley de probabilidad. La ley de probabilidad es la correspondencia entre cada uno de
los valores de la variable aleatoria y la probabilidad de ocurrencia de los mismos.

Ejemplo:

En el experimento siguiente:

“Se tira 2 veces una moneda” Ω = *𝒄𝒄, 𝒄𝒔, 𝒔𝒄, 𝒔𝒔+, se puede definir la
variable aleatoria 𝑿 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒄𝒂𝒓𝒂𝒔.

Así para 𝑿 = 𝟎 su preimagen es el suceso (𝒔𝒔), para 𝑿 = 𝟏 su preimagen es

(𝒄𝒔) ∪ (𝒔𝒄) y para 𝑿 = 𝟐 su preimagen es (𝒄𝒄).

Existen dos tipos de variables aleatorias:

a) Variables aleatorias discretas.

b) Variables aleatorias continuas.

Escuela de Comercio de Santiago

 5

Variables aleatorias discretas

Una variable aleatoria es discreta (𝑿𝒊 ), cuando dado un espacio de probabilidad, su rango es finito,
es decir, entre dos valores cualesquiera de la variable hay un número finito de valores posibles1.

Ejemplo:

- Número de hijos.
- Número de cigarrillos fumados por día.
- Número de cajas en el estante.

El modelo de probabilidad de cualquier variable aleatoria discreta está definido por dos funciones,
la función de probabilidad y la función de distribución. A continuación se presentan ambos
conceptos:

a) Función de probabilidad: Una variable aleatoria discreta tiene una distribución de valores a los
que se les asigna 𝒙𝒊 , estos pueden ser 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 … 𝒙𝒏 . Las probabilidades de que aparezcan se
expresan como 𝒑𝒊 , y se nominan como 𝒑𝟏 , 𝒑𝟐 , 𝒑𝟑 … 𝒑𝒌 . Estas cantidades se definen como:

𝒇(𝒙𝒊 ) = 𝒑(𝑿 = 𝒙𝒊 )

1
Guàrdia Olmos, J. y otros. (2008). Análisis de datos en psicología. Madrid, España: Delta, publicaciones
universitarias. Recuperado de https://books.google.cl/books?id=KnvzOlV_k9IC&pg=PA70&lpg=PA70&dq=#v=onepage&q&f=false
Escuela de Comercio de Santiago
 6

Ejercicio:

 Se lanza una moneda al aire tres veces. ¿Cuál es la cantidad de caras que aparecen?
Calcular la función probabilidad.

Resolución:

Paso 1: determinar el espacio muestral.

𝑬 = *𝑪𝑪𝑪, 𝑪𝑪𝑺, 𝑪𝑺𝑪, 𝑺𝑪𝑪, 𝑺𝑺𝑪, 𝑺𝑪𝑺, 𝑪𝑺𝑺, 𝑺𝑺𝑺+

Paso 2: Determinar cuántas caras pueden salir, es decir la variable aleatoria designada por 𝒙𝒊

𝑿 puede tomar los valores siguientes:

 No salga cara 𝑿 = 𝟎
 Salga una cara 𝑿 = 𝟏
 Salgan dos caras 𝑿 = 𝟐
 Salgan tres caras 𝑿 = 𝟑

Paso 3: Se determina qué ocurre en cada suceso.

 Cuando 𝑿 toma valor 𝟎 ocurre el suceso *𝑺𝑺𝑺+

 Cuando 𝑿 toma valor 𝟏 ocurre el suceso *𝑺𝑺𝑪, 𝑺𝑪𝑺, 𝑪𝑺𝑺+
 Cuando 𝑿 toma valor 𝟐 ocurren los sucesos *𝑪𝑪𝑺, 𝑪𝑺𝑪, 𝑺𝑪𝑪+
 Cuando 𝑿 toma valor 𝟑 ocurren los sucesos *𝑪𝑪𝑪+

Paso 4: determinar la función de probabilidad.

𝒑𝟎 = 𝑷*𝒙 = 𝟎+ = 𝟏/𝟖 = 𝟎, 𝟏𝟐𝟓

𝒑𝟏 = 𝑷*𝒙 = 𝟏+ = 𝟑/𝟖 = 𝟎, 𝟑𝟕𝟓
𝒑𝟐 = 𝑷*𝒙 = 𝟐+ = 𝟑/𝟖 = 𝟎, 𝟑𝟕𝟓
𝒑𝟑 = 𝑷*𝒙 = 𝟑+ = 𝟏/𝟖 = 𝟎, 𝟏𝟐𝟓

Escuela de Comercio de Santiago

 7

Paso 5: graficar la función de probabilidad.

Figura 1. Función de probabilidad de 𝑿

Función de probabilidad
0,4
0,35
0,3
0,25
0,2
p(x)
0,15
0,1
0,05
0
0 1 2 3

Fuente: Elaboración propia.

Paso 6: Responder las preguntas planteadas:

i. ¿Cuál será la probabilidad de que salgan al menos dos caras?

𝑷*𝒙 ≥ 𝟐+ = 𝑷*𝒙 = 𝟐+ + 𝑷*𝒙 = 𝟑+ = 𝟎, 𝟑𝟕𝟓 + 𝟎, 𝟏𝟐𝟓 = 𝟎, 𝟓

Conclusión: La probabilidad de que salgan al menos dos caras es de 50%.

ii. ¿Cuál es la probabilidad de que el número de caras esté entre 1 y 2, incluidos ambos?

𝑷*𝟏 ≤ 𝒙 ≤ 𝟐+ = 𝑷*𝒙 = 𝟏+ + 𝑷*𝒙 = 𝟐+ = 𝟎, 𝟑𝟕𝟓 + 𝟎, 𝟑𝟕𝟓 = 𝟎, 𝟕𝟓

Conclusión: La probabilidad de que el número de caras esté entre 1 y 2 es de un 75%

Escuela de Comercio de Santiago

 8

Propiedades de la función de probabilidad

La función de probabilidad verifica:

i. 𝒑𝒊 = 𝑷*𝒙 = 𝒙𝒊 + ≥ 𝟎

𝒌 𝒌
ii. 𝒊=𝟏 𝒑𝒊 = 𝒊=𝟏 𝑷*𝒙 = 𝒙𝒊 + = 𝟏

iii. La probabilidad de que una variable aleatoria 𝒙 tome un valor entre dos cantidades 𝒂 y 𝒃 será:
𝒃

𝑷*𝒂 ≤ 𝒙 ≤ 𝒃+ = 𝑷*𝒙 = 𝒂+ + 𝑷*𝒙 = 𝒂 + 𝟏+ + ⋯ + 𝑷*𝒙 = 𝒃 − 𝟏+ + 𝑷*𝒙 = 𝒃+ = 𝑷*𝒙 = 𝒙𝒊 +

𝒙𝒊 =𝒂

b) Función de distribución (𝑭(𝒙)): Describe el comportamiento de una variable aleatoria X

asociada a un experimento aleatorio, o sea, la probabilidad de que la variable tome un valor menor
o igual que dicho punto, es decir, 𝑷*𝒙 ≤ 𝒙𝟎 + y se representa
.
𝟎 −∞ < 𝒙 < 𝒙𝟏
𝒑(𝒙𝟏 ) 𝒙𝟏 ≤ 𝒙 < 𝒙𝟐
𝑭(𝒙) = 𝒑(𝒙𝟐 ) 𝒙𝟐 ≤ 𝒙 < 𝒙𝟑
⋮
⋮ ⋮
𝒑(𝒙𝟏 )+. . . +𝒑(𝒙𝒏 ) 𝒙𝒏 ≤ 𝒙 < ∞

Ejercicio:

Siguiendo con el ejercicio de la moneda, determinar la función de distribución, en términos

sencillos. Se puede decir que es la función acumulada de 𝒑𝒙

Paso 1: Obtener los valores acumulados.

𝑷*𝒙 ≤ 𝟎+ = 𝑷*𝒙 = 𝟎+ = 𝟎, 𝟏𝟐𝟓

𝑷*𝒙 ≤ 𝟏+ = 𝑷*𝒙 = 𝟎+ + 𝑷*𝒙 = 𝟏+ = 𝟎, 𝟏𝟐𝟓 + 𝟎, 𝟑𝟕𝟓 = 𝟎, 𝟓
𝑷*𝒙 ≤ 𝟐+ = 𝑷*𝒙 = 𝟎+ + 𝑷*𝒙 = 𝟏+ + 𝑷*𝒙 = 𝟐+ = 𝟎, 𝟓 + 𝟎, 𝟑𝟕𝟓 = 𝟎, 𝟖𝟕𝟓
𝑷*𝒙 ≤ 𝟑+ = 𝑷*𝒙 = 𝟎+ + 𝑷*𝒙 = 𝟏+ + 𝑷*𝒙 = 𝟐+ + 𝑷*𝒙 = 𝟑+ = 𝟎, 𝟖𝟕𝟓 + 𝟎, 𝟏𝟐𝟓 = 𝟏

Escuela de Comercio de Santiago

 9

Paso 2: Realizar la tabla y agregar la función de distribución a partir de la tabla.

Tabla 1. Función de probabilidad y distribución

función de función de
probabilidad distribución
𝒙 𝒑(𝒙) 𝑭(𝒙)
0 0,125 0,125
1 0,375 0,5
2 0,375 0,875
3 0,125 1
Fuente: Elaboración propia.

Paso 3: Realizar el gráfico que representa la función de distribución.

Figura 2. Función de distribución

Función de distribución
1,2

0,8

0,6
F(x)
0,4

0,2

0
0 1 2 3

Fuente: Elaboración propia.

Escuela de Comercio de Santiago

 10

Variable aleatoria continua

Una variable aleatoria es continua (𝒙𝒊 ), cuando en un espacio de probabilidad, su rango es

infinito, es decir, entre dos valores de la variable hay un número infinito de valores posibles (El
conjunto imagen es un conjunto continuo de números)2.

Ejemplo:

 Peso.

 Edad.

 Tiempo de reacción.

Al igual que la variable aleatoria discreta, la variable aleatoria continua está definida por dos
funciones: función de densidad y función de distribución.

a) Función de densidad: Permite asignar la probabilidad de ocurrencia de un intervalo de valores de

la variable continua (𝒂, 𝒃). En este caso no es posible obtener un valor concreto de la variable, ya
que es prácticamente igual a 0, dada la naturaleza continua de ésta. Se interpreta de forma
parecida a un histograma. La densidad o concentración de probabilidad de cada sector determina
que sus valores más altos, correspondan al lugar donde existe mayor probabilidad de ocurrencia
del experimento. La siguiente fórmula muestra la expresión matemática de la función densidad:

𝒃
𝒇(𝒙𝒊 ) = 𝒂
𝒇(𝒙) ∗ 𝒅𝒙 = 𝒑(𝒂 ≤ 𝒙 ≤ 𝒃) 3

2
Guàrdia Olmos, J. y otros. (2008). Análisis de datos en psicología. Madrid, España: Delta, publicaciones
universitarias. Recuperado de https://books.google.cl/books?id=KnvzOlV_k9IC&pg=PA70&lpg=PA70&dq=#v=onepage&q&f=false
3
La función integral pertenece a Cálculo, permite obtener áreas bajo una curva que, en este caso, se traduce a
valores de probabilidad. Solamente se usará para introducir el tema, ya que posteriormente serán utilizadas otro
tipo de herramientas.
Escuela de Comercio de Santiago
 11

Obsérvese la fórmula, en este caso se aplica la integral del intervalo de valores (𝒂, 𝒃) , lo cual
implica el cálculo de un trozo de área de la función.

b) Función de distribución: Proporciona la probabilidad acumulada hasta un valor determinado.

𝒙
𝒇(𝒙𝒊 ) = 𝒇(𝒙) ∗ 𝒅𝒙 = 𝒑(𝑿 ≤ 𝒙𝒊 )
−∞

Propiedades de la función de distribución

- La función de distribución verifica:

i. 𝑭(𝒙𝒊 ) ≥ 𝟎
∞
ii. −∞
𝒇(𝒙)𝒅𝒙 =𝟏
𝒃
iii. 𝑷(𝒂 ≤ 𝒙 ≤ 𝒃) = 𝒂
𝒇(𝒙)𝒅𝒙 = 𝑭(𝒃) − 𝑭(𝒂)

Ejercicio:
Se requiere realizar el cálculo de la venta diaria de kilos de té. Ésta es una variable aleatoria
continua, donde la cantidad vendida está definida por la función 𝒙/𝟑. Si la cantidad vendida en
kilos diarios es entre 𝟎 a 𝟒 kilos, en otro caso sería 𝟎. Esto queda definido de la siguiente forma:

𝒙/𝟑 𝟎≤𝒙≤𝟒
𝒇(𝒙) = 2 3
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

a) Obtener la función de distribución.

Paso 1: Se calcula la función distribución a partir de la función de densidad, entregada por el

problema.
𝒃
𝒇(𝒙𝒊 ) = 𝒇(𝒙) ∗ 𝒅𝒙 = 𝒑(𝒂 ≤ 𝒙 ≤ 𝒃)
𝒂

+∞ 𝒙
𝑭(𝒙𝒊 ) = 𝒇(𝒙) ∗ 𝒅𝒙 = 𝒇(𝒙) ∗ 𝒅𝒙
−∞ −∞

Escuela de Comercio de Santiago

 12

𝒙𝒏+𝟏
Nota: para calcular la integral se debe utilizar la fórmula 𝒙𝒏 = 𝒏+𝟏
+ 𝑪 𝒏 ≠ −𝟏

𝟐 𝟐
𝟐 𝟐 𝒙𝟐+𝟏 𝒙𝟑 𝟐𝟑 𝟏𝟑 𝟕
Ejemplo: 𝟏
𝒙 𝒅𝒙 = = = − =
𝟐+𝟏 𝟏 𝟑 𝟏 𝟑 𝟑 𝟑

En el ejercicio existen 3 posibilidades de resultado:

a) Que sea menor a 0 = lo que es imposible porque se habla de kilos

b) Que las ventas de kilos de té estén entre 0 y 4 kilos
c) Que las ventas sean mayores a 4 kilos.

Para lo cual se calcula la Integral:

𝟒 𝟒 𝟒
𝒙 𝒙𝟏+𝟏 𝒙𝟐
𝒅𝒙 = =
𝟎 𝟑 𝟑(𝟏 + 𝟏) 𝟎
𝟔 𝟏

Paso 2: finalmente se obtiene la función de distribución y se representa de la siguiente manera:

𝒙𝟐
𝑭(𝒙) = 𝟔 𝟎≤𝒙≤𝟒
𝟏 𝒙>𝟒

Las variables aleatorias discretas y continuas son explicadas a partir de la función de probabilidad
(variable discreta) y función de densidad (variable continua). Ambas variables se definen por la
función de distribución o acumulada, pero además, por dos parámetros: la esperanza matemática y
la varianza, que explicamos a continuación.

Media o esperanza de una variable aleatoria

La esperanza matemática de una variable aleatoria es una medida de tendencia central, es decir la
media de la variable aleatoria. En el caso de la variable aleatoria discreta su cálculo se realiza con la
siguiente fórmula:
𝒌

𝑬(𝒙) = 𝝁𝒙 = 𝒙𝒊 𝒑𝒊
𝒊=𝟏

Escuela de Comercio de Santiago

 13

Ejercicios resueltos:

1. Supóngase que 𝒙 es la variable aleatoria, de los resultados posibles al lanzar un dado. Calcular:

a) Función de probabilidad
𝟏
𝒑𝟏 = 𝐏*𝐱 = 𝟏+ = = 𝟎, 𝟏𝟔𝟔𝟕
𝟔
𝟏
𝒑𝟐 = 𝐏*𝐱 = 𝟐+ = = 𝟎, 𝟏𝟔𝟔𝟕
𝟔
𝟏
𝒑𝟑 = 𝐏*𝐱 = 𝟑+ = = 𝟎, 𝟏𝟔𝟔𝟕
𝟔
⋮
𝟏
𝒑𝟔 = 𝐏*𝐱 = 𝟔+ = = 𝟎, 𝟏𝟔𝟔𝟕
𝟔

b) Función de distribución

Tabla 2. Función de probabilidad y distribución

función de función de
probabilidad distribución
𝒙 𝒑(𝒙) 𝑭(𝒙)
1
1 6
=0,1667 0,1667
1
2 6
=0,1667 0,3333
1
3 6
=0,1667 0,5000
1
4 6
=0,1667 0,6667
1
5 6
=0,1667 0,8333
1
6 6
=0,1667 1,0000

Fuente: Elaboración propia.

c) Calcular la esperanza de la variable

𝒌
𝟏 𝟏 𝟏 𝟏 𝟏 𝟏
𝑬(𝒙) = 𝝁𝒙 = 𝒙𝒊 𝒑𝒊 = 𝟏 ∙ + 𝟐 ∙ + 𝟑 ∙ + 𝟒 ∙ + 𝟓 ∙ + 𝟔 ∙ = 𝟑, 𝟓
𝟔 𝟔 𝟔 𝟔 𝟔 𝟔
𝒊=𝟏

Escuela de Comercio de Santiago

 14

En el caso de una variable aleatoria continua, el cálculo es similar al de la

variable aleatoria discreta, pero requiere el concepto de integral.

+∞
𝑬(𝒙) = 𝝁𝒙 = 𝒙𝒑(𝒙)𝒅𝒙
−∞

2. La producción de cierto producto sigue una variable aleatoria con función densidad:

𝒙
𝒑(𝒙) = ; 𝟎≤𝒙≤𝟐
𝟐

a) Determinar el valor esperado de 𝑿.

+∞ 𝟐 𝟐 𝟐 𝟐
𝒙 𝒙𝟐 𝟏 𝟐
𝒙𝟐+𝟏 𝟏 𝒙𝟑 𝒙𝟑
𝑬(𝒙) = 𝝁𝒙 = 𝒙𝒑(𝒙)𝒅𝒙 = 𝒙 . / 𝒅𝒙 = = = =
−∞ 𝟎 𝟐 𝟎 𝟐 𝟐 𝟎 (𝟐 + 𝟏) 𝟐 𝟑 𝟎
𝟔 𝟎

𝟐𝟑 𝟎𝟑 𝟖 𝟖 𝟒
Se evalúa 𝒙 = 𝟐 𝒚 𝒙 = 𝟎 → − = −𝟎 = =
𝟔 𝟔 𝟔 𝟔 𝟑

Para las variables aleatorias discretas y continuas se cumplen las siguientes propiedades:

i. Si 𝒙 e 𝒚 son dos variables aleatorias se cumple que:

𝝁𝒙+𝒚 = 𝝁𝒙 + 𝝁𝒚

ii. si 𝒂 y 𝒃 son constantes se cumple que:

𝝁𝒂𝒙+𝒃 = 𝒂𝝁𝒙 + 𝒃

Escuela de Comercio de Santiago

 15

3. Aplicar los conceptos de variable aleatoria.

Una línea aérea ha vendido 205 pasajes para su vuelo 1234 con destino a Buenos Aires saliendo
desde Santiago. El vuelo tiene una capacidad de 200 pasajeros. Si la variable aleatoria “𝒙”,
corresponde al número de pasajeros que llegan al aeropuerto a tomar el vuelo 1234, la distribución
de los 8 últimos boletos vendidos es la siguiente:

𝒙𝒊 198 199 200 201 202 203 204 205

𝒑𝒊 0,05 0,09 0,15 0,20 0,23 0,17 0,09 0,02

Ejercicio:
i. ¿Cuál es la probabilidad de que todos los pasajeros que van al aeropuerto tengan asientos?:

𝑷*𝒙 ≤ 𝟐𝟎𝟎+ = 𝑷*𝒙 = 𝟏𝟗𝟖+ + 𝑷*𝒙 = 𝟏𝟗𝟗+ + 𝑷*𝒙 = 𝟐𝟎𝟎+ = 𝟎, 𝟎𝟓 + 𝟎, 𝟎𝟗 + 𝟎, 𝟏𝟓 =, 𝟎, 𝟐𝟗

La probabilidad de que los últimos pasajeros que lleguen al aeropuerto para el vuelo 1234, tengan
asientos disponibles es de un 29%.

ii. ¿Cuál es la probabilidad de que alguno de los pasajeros que va al aeropuerto quede sin asiento?

Se puede calcular de dos formas:

a) Obteniendo las probabilidades de los valores mayores a 200.

𝑷*𝒙 > 𝟐𝟎𝟎+ = 𝑷*𝒙 = 𝟐𝟎𝟏+ + 𝑷*𝒙 = 𝟐𝟎𝟐+ + 𝑷*𝒙 = 𝟐𝟎𝟑+ + 𝑷*𝒙 = 𝟐𝟎𝟒+ + 𝑷*𝒙 = 𝟐𝟎𝟓+
= 𝟎, 𝟐 + 𝟎, 𝟐𝟑 + 𝟎, 𝟏𝟕 + 𝟎, 𝟎𝟗 + 𝟎, 𝟎𝟐
= 𝟎, 𝟕𝟏

b) Utilizando la propiedad de probabilidades (Revisar apuntes de Estadística I). El resultado sería el

siguiente => 𝑷(𝑨’) = 𝟏 − 𝑷(𝑨)

𝑷*𝒙 > 𝟐𝟎𝟎+ = 𝟏 − 𝑷*𝒙 ≤ 𝟐𝟎𝟎+ = 𝟏 − 𝟎, 𝟐𝟗 = 𝟎, 𝟕𝟏

La probabilidad de que alguno de los últimos pasajeros que llegue al aeropuerto, se quede sin
asiento para el vuelo 1234 es del 71%.

Escuela de Comercio de Santiago

 16

iii. Calcular el N° esperado de pasajeros que llega al aeropuerto a tomar el vuelo 1234.
𝒌

𝑬(𝒙) = 𝝁𝒙 = 𝒙𝒊 𝒑𝒊 = 𝟏𝟗𝟖 ∙ 𝟎, 𝟎𝟓 + 𝟏𝟗𝟗 ∙ 𝟎, 𝟎𝟗 + 𝟐𝟎𝟎 ∙ 𝟎, 𝟏𝟓 + 𝟐𝟎𝟏 ∙ 𝟎, 𝟐

𝒊=𝟏

+ 𝟐𝟎𝟐 ∙ 𝟎, 𝟐𝟑 + 𝟐𝟎𝟑 ∙ 𝟎, 𝟏𝟕 + 𝟐𝟎𝟒 ∙ 𝟎, 𝟎𝟗 + 𝟐𝟎𝟓 ∙ 𝟎, 𝟎𝟐

= 𝟐𝟎𝟏, 𝟒𝟒

La esperanza de los pasajeros que lleguen al aeropuerto y puedan tomar el vuelo 1234 es de 201
pasajeros.

Varianza y desviación estándar de una variable aleatoria

Tanto la varianza como la desviación standard de una variable aleatoria son medidas de dispersión,
que analizan la distribución de los datos alrededor de la media. Los valores pequeños indican
concentración alrededor de la media, y los valores más grandes dispersión en relación a la
esperanza.

Para una variable discreta, el cálculo de la varianza es un número positivo, y se calcula con la
siguiente fórmula:
𝑽𝒂𝒓(𝒙) = 𝑬(𝑿 − 𝝁)𝟐 𝒑𝒊

Su desviación estándar ( ) se calcula obteniendo la raíz de la varianza.

𝝈𝒙 = 𝑽𝒂𝒓(𝒙) = ,𝑬(𝑿 − 𝝁)𝟐 𝒑𝒊 -

Ejercicios resueltos
1. A partir de la información del ejercicio del lanzamiento del dado: Determinar la varianza y la
desviación standard. La esperanza en dicho ejercicio era de 𝟑, 𝟓 y la probabilidad de 𝟎, 𝟏𝟔𝟔𝟕.

𝑽𝒂𝒓(𝒙) = 𝑬(𝑿 − 𝝁)𝟐 𝒑𝒊 = (𝟏 − 𝟑, 𝟓)𝟐 ∙ 𝟎, 𝟏𝟔𝟔𝟕 + (𝟐 − 𝟑, 𝟓)𝟐 ∙ 𝟎, 𝟏𝟔𝟔𝟕

+ (𝟑 − 𝟑, 𝟓)𝟐 ∙ 𝟎, 𝟏𝟔𝟔𝟕 + (𝟒 − 𝟑, 𝟓)𝟐 ∙ 𝟎, 𝟏𝟔𝟔𝟕
+ (𝟓 − 𝟑, 𝟓)𝟐 ∙ 𝟎, 𝟏𝟔𝟔𝟕 + (𝟔 − 𝟑, 𝟓)𝟐 ∙ 𝟎, 𝟏𝟔𝟔𝟕
= 𝟐, 𝟗𝟏𝟕
𝝈𝒙 = 𝑽𝒂𝒓(𝒙) = 𝟐, 𝟗𝟏𝟕 = 𝟏, 𝟕𝟎𝟕
La varianza es de 2,917 y su desviación estándar es de 1,707.

Escuela de Comercio de Santiago

 17

Para una variable aleatoria continua, donde la función de densidad es 𝒇(𝒙), entonces la varianza
está dada por:

+∞
𝑽𝒂𝒓(𝒙) = 𝑬(𝑿 − 𝝁)𝟐 𝒇(𝒙) = (𝑿 − 𝝁)𝟐 𝒇(𝒙) 𝒅𝒙
−∞

2. Calcular la varianza y desviación standard de la variable aleatoria del ejercicio N° 2 (Tema:

𝟒
Media o esperanza de una variable aleatoria). En él se determinó que la esperanza es 𝑬(𝒙) = 𝟑

+∞ 𝟐 𝟐 𝟐
𝟐
𝟒 𝟒 𝒙 𝟐
𝑽𝒂𝒓(𝒙) = 𝑬(𝑿 − 𝝁) 𝒇(𝒙) = 𝑿− 𝒇(𝒙) 𝒅𝒙 = 𝑿− . / 𝒅𝒙 =
−∞ 𝟑 𝟎 𝟑 𝟐 𝟗

𝟐
La desviación estándar es 𝟗
= 𝟎, 𝟒𝟕𝟏𝟒

Ejercicios resueltos (Variable aleatoria)

1. Sea 𝒙 una variable aleatoria que expresa el número de personas que viven en un departamento
elegido al azar. La distribución de probabilidad de 𝒙 es la siguiente:

𝒙𝒊 1 2 3 4 5 6 7 8

𝒑𝒊 0,230 0,322 0,177 0,155 0,067 0,024 0,015 0,010

a) Comprobar si es una distribución de probabilidad.

Para determinar esto, se debe cumplir que la suma de las probabilidades sea 1, y que todas las
probabilidades sean mayores o iguales a 0.

𝒑𝒊 = 𝟎, 𝟐𝟑 + 𝟎, 𝟑𝟐𝟐 + 𝟎, 𝟏𝟕𝟕 + 𝟎, 𝟏𝟓𝟓 + 𝟎, 𝟎𝟔𝟕 + 𝟎, 𝟎𝟐𝟒 + 𝟎, 𝟎𝟏𝟓 + 𝟎, 𝟎𝟏 = 𝟏

𝒊=𝟏

Escuela de Comercio de Santiago

 18

b) Calcular la probabilidad de que el n° de personas que viven en un departamento sea menor o

igual que cuatro.

𝑷*𝒙 ≤ 𝟒+ = 𝑷*𝒙 = 𝟏+ + 𝑷*𝒙 = 𝟐+ + 𝑷*𝒙 = 𝟑+ + 𝑷*𝒙 = 𝟒+

= 𝟎, 𝟐𝟑 + 𝟎, 𝟑𝟐𝟐 + 𝟎, 𝟏𝟕𝟕 + 𝟎, 𝟏𝟓𝟓
= 𝟎, 𝟖𝟖𝟒

c) Calcular la probabilidad de que al menos dos personas vivan en un departamento.

𝑷*𝒙 ≥ 𝟐+ = 𝑷*𝒙 = 𝟐+ + 𝑷*𝒙 = 𝟑+ + 𝑷*𝒙 = 𝟒+ + 𝑷*𝒙 = 𝟓+ + 𝑷*𝒙 = 𝟔+ + 𝑷*𝒙 = 𝟕+ + 𝑷*𝒙 = 𝟖+

= 𝟏 − 𝑷*𝒙 < 𝟐+ = 𝟏 − 𝟎, 𝟐𝟑
= 𝟎, 𝟕𝟕

d) Obtener la esperanza de personas que habitan en un departamento.

𝑬(𝒙) = 𝝁𝒙 = 𝒙𝒊 𝒑𝒊 = 𝟏 ∙ 𝟎, 𝟐𝟑 + 𝟐 ∙ 𝟎, 𝟑𝟐𝟐 + 𝟑 ∙ 𝟎, 𝟏𝟕𝟕 + 𝟒 ∙ 𝟎, 𝟏𝟓𝟓

𝒊=𝟏

+ 𝟓 ∙ 𝟎, 𝟎𝟔𝟕 + 𝟔 ∙ 𝟎, 𝟎𝟐𝟒 + 𝟕 ∙ 𝟎, 𝟎𝟏𝟓 + 𝟖 ∙ 𝟎, 𝟎𝟏

= 𝟐, 𝟔𝟖𝟗

2. El concepto de esperanza matemática, surgió de las matemáticas financieras. Su aplicación es

muy útil en el mercado accionario.

Ejercicio: En la bolsa de comercio de Santiago se ofrece un negocio, para el cual se debe invertir
M$100. Las probabilidades de éxito o fracaso son las siguientes:

i. Probabilidad de perderlo todo: 20%

ii. Probabilidad de quedar igual sin perder ni ganar: 20%
iii. Probabilidad de duplicar la inversión: 40%
iv. Probabilidad de triplicar la inversión: 20%

Escuela de Comercio de Santiago

 19

a) Estructurar la función de probabilidad.

M$ 0 M$ 100 M$200 M$300

𝒙
Pierde Mantiene Duplica Triplica
𝑷(𝒙) 0,2 0,2 0,4 0,2

b) Determinar la distribución de probabilidad.

M$ 0 M$ 100 M$200 M$300

𝒙
Pierde Mantiene Duplica Triplica
𝑷(𝒙) 0,2 0,4 0,8 1

c) Determinar si conviene el negocio.

Para ver la conveniencia es necesario calcular la esperanza:

𝑬(𝒙) = 𝟎 ∙ 𝟎, 𝟐 + 𝟏𝟎𝟎 ∙ 𝟎, 𝟐 + 𝟐𝟎𝟎 ∙ 𝟎, 𝟒 + 𝟑𝟎𝟎 ∙ 𝟎, 𝟐 = 𝟏𝟔𝟎

La esperanza del retorno de la inversión es de M$160, lo cual es mayor que la inversión de M$100,
por lo tanto el negocio parece conveniente.

3. Un estudiante ha rendido 100 pruebas de matemáticas con los siguientes resultados:

Nota 1 2 3 4 5 6 7
Número de veces que ha
1 4 10 40 30 12 3
obtenido la nota

a) Determinar la función de probabilidad.

Nota (𝒙) 1 2 3 4 5 6 7
𝑷(𝒙) 0,01 0,04 0,1 0,4 0,3 0,12 0,03

Escuela de Comercio de Santiago

 20

b) Si este estudiante se enfrenta a una nueva prueba de matemática ¿Qué nota se espera que
obtenga? ¿Cuál es la desviación?

𝑬(𝒙) = 𝟎, 𝟎𝟏 ∙ 𝟏 + 𝟎, 𝟎𝟒 ∙ 𝟐 + +𝟎, 𝟏 ∙ 𝟑 + 𝟎, 𝟒 ∙ 𝟒 + 𝟎, 𝟑 ∙ 𝟓 + 𝟎, 𝟏𝟐 ∙ 𝟔 + 𝟎, 𝟎𝟑 ∙ 𝟕 = 𝟒, 𝟒𝟐
𝑽𝒂𝒓(𝒙) = 𝑬(𝑿 − 𝝁)𝟐 𝒑𝒊 = (𝟏 − 𝟒, 𝟒𝟐)𝟐 ∙ 𝟎, 𝟎𝟏 + (𝟐 − 𝟒, 𝟒𝟐)𝟐 ∙ 𝟎, 𝟎𝟒
+ (𝟑 − 𝟒, 𝟒𝟐)𝟐 ∙ 𝟎, 𝟏 + (𝟒 − 𝟒, 𝟒𝟐)𝟐 ∙ 𝟎, 𝟒
+ (𝟓 − 𝟒, 𝟒𝟐)𝟐 ∙ 𝟎, 𝟑 + (𝟔 − 𝟒, 𝟒𝟐)𝟐 ∙ 𝟎, 𝟏𝟐
+(𝟕 − 𝟒, 𝟒𝟐)𝟐 ∙ 𝟎, 𝟎𝟑 = 𝟏, 𝟐𝟐
𝝈𝒙 = 𝑽𝒂𝒓(𝒙) = 𝟏, 𝟐𝟐 = 𝟏, 𝟎𝟒

La nota más probable que puede obtener el estudiante en la prueba es de un 𝟒, 𝟒𝟐, con una
desviación de 𝟏, 𝟎𝟒, es decir su nota puede estar entre 𝟑, 𝟑𝟖 (nota más baja que puede obtener) y
𝟓, 𝟒𝟔 (nota más alta que puede obtener).

Principales leyes de probabilidad para variables aleatorias

Un modelo de probabilidad establece la correspondencia entre cada valor de una variable aleatoria
y las probabilidades de que se produzcan esos valores. En consecuencia, cada modelo queda
definido por una función determinada (Función de probabilidad o densidad y de distribución). En
algunos casos, los datos se ajustan a un modelo de probabilidad teórico conocido como:

1) Distribución binomial.
o
2) Distribución normal.

Escuela de Comercio de Santiago

 21

1.2 Distribución binomial

El modelo de la ley binomial se puede aplicar si se trabaja con variables aleatorias discretas
generadas a partir de una variable cualitativa. Para utilizar este modelo se deben cumplir las
siguientes condiciones4:

a) La experiencia o prueba admite dos resultados.

b) Cada prueba se puede repetir 𝒏 veces (ensayos).
c) El resultado de cada prueba debe ser independiente del resultado de las pruebas
anteriores.
d) La probabilidad de éxito o fracaso debe ser constante en cada una de las pruebas.

Una forma básica de esta prueba es el conocido experimento de Bernoulli (Jacob Bernoulli 1654-
1705), quien plantea que existen dos posibles resultados. Esto se conoce como variable
dicotómica.

Ejemplo:

Al lanzar una moneda existen dos resultados posibles, cara y cruz. Estos
posibles resultados tienen una probabilidad de ocurrencia, que se denomina
probabilidad a priori, que es constante a través del tiempo:

1) Probabilidad a priori del suceso estudiado 𝒑(𝑬) = 𝝅

2) Probabilidad complementaria a la anterior 𝒑(𝑭) = 𝟏 − 𝝅

¿Qué sucede si el experimento se repite varias veces? ¿Se podría ocupar el experimento de
Bernoulli?

4
Guàrdia Olmos, J. y otros. (2008). Análisis de datos en psicología. Madrid, España: Delta, publicaciones
universitarias. Recuperado de https://books.google.cl/books?id=KnvzOlV_k9IC&pg=PA70&lpg=PA70&dq=#v=onepage&q&f=false
Escuela de Comercio de Santiago
 22

Sí, en este caso si se repite el experimento de Bernoulli 𝒏 veces, dado que los experimentos son
independientes, el valor de no se altera de experimento a experimento. Lo que sucede es que se
genera una variable aleatoria discreta con 𝒏 + 𝟏 valores posibles (𝟎, 𝟏, 𝟐 … . 𝒏). Esto se conoce
como distribución binomial. A continuación se presenta un ejemplo, que ayudará con la
comprensión de este concepto:

Ejemplo:

En un experimento se debe lanzar una moneda al aire varias veces. Existen

dos posibles resultados, pero se va a lanzar la moneda al aire 𝒏 veces. Se
repite 𝒏 ensayos de Bernoulli. Se define la variable aleatoria discreta como
𝑿 = número de éxitos, y se establece que 𝑿 tiene distribución binomial. Para
su cálculo se utiliza la siguiente fórmula:

𝒏
𝑷(𝑿 = 𝒓) = . / 𝒑𝒓 (𝟏 − 𝒑)𝒏−𝒓
𝒓

Donde:

𝒑 = Probabilidad de éxito de cada ensayo.

𝒏 = Cantidad de ensayos.
𝒓 = Éxitos obtenidos.

Para analizar…

Una variable aleatoria discreta con distribución binomial tiene dos

parámetros 𝒏 y 𝒑. Entonces para hacer referencia a la distribución
binomial, se expresa 𝑩(𝒏, 𝒑).

Escuela de Comercio de Santiago

 23

Recordar

𝒏 𝒇𝒂𝒄𝒕𝒐𝒓𝒊𝒂𝒍 = 𝒏! = 𝟏 ∙ 𝟐 ∙ 𝟑 ∙ 𝟒 … … . .∗ (𝒏 − 𝟐)(𝒏 − 𝟏)𝒏.

𝒏 𝒏!
Y la combinatoria sería . / = (𝒏−𝒓)!𝒓!
𝒓

También se puede utilizar la calculadora para determinar la combinatoria, en

este caso hay que ubicar la tecla nCr

Ejemplo:

En una sala hay 4 sillas disponibles para sentarse. Si llegan 10 personas ¿De
cuántas formas distintas se pueden sentar?

1. Primero se identifica 𝒏 = 𝟏𝟎 y 𝒓 = 𝟒

2. Luego se ubica en la calculadora la tecla nCr = 10 C 4 = 𝟐𝟏𝟎

Las expresiones para el cálculo de la esperanza matemática y la varianza de una variable aleatoria
discreta, que siguen la distribución binomial, quedan reducidas a las siguientes fórmulas:

𝑬(𝒙) = µ = 𝒏𝒓 (𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝒐 𝒎𝒆𝒅𝒊𝒂)

𝑽𝒂𝒓(𝑿) = 𝒏𝒓 (𝟏 − 𝒓) (𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂)

Esta distribución es muy importante en finanzas, ya que muchas veces un experimento o inversión,
se reduce a dos posibles situaciones: se gana (éxito) o se pierde (fracaso). Esta distribución se
caracteriza porque tiende a ser asimétrica para los valores bajos de 𝒑 y 𝒏, pero es simétrica si 𝒑 y
𝒏 son altos.

Escuela de Comercio de Santiago

 24

Ejemplo:

La probabilidad de que un individuo lea el diario es de 20%. Si se seleccionan

al azar 10 personas, entonces, la probabilidad de que de estas 10 personas,
exactamente 3 lean el diario es…:

Datos:
𝒏 = 𝟏𝟎
𝒓=𝟑
𝒑 = 𝟎, 𝟐

𝒏
𝑷(𝑿 = 𝒓) = . / 𝒑𝒓 (𝟏 − 𝒑)𝒏−𝒓
𝒓

𝟏𝟎
𝑷(𝑿 = 𝟑) = . / 𝟎, 𝟐𝟑 (𝟏 − 𝟎, 𝟐)𝟏𝟎−𝟑 = 𝟎, 𝟐𝟎𝟏𝟑
𝟑

Ejercicios resueltos:

1. De acuerdo con cierto estudio, el 40% de los estudiantes de educación superior trabaja durante
el verano para ganar dinero y poder financiar sus estudios. Si se seleccionan 7 estudiantes de
manera aleatoria ¿Cuál es la probabilidad de que…

a. …5 trabajen en verano?
b. …Ninguno trabaje en verano?
c. …Todos trabajen en verano?

Escuela de Comercio de Santiago

 25

Solución:

𝒏=𝟕
𝒓=𝟓 𝟕
a. 𝒑 = 𝟎, 𝟒 𝑷(𝑿 = 𝟓) = . / 𝟎, 𝟒𝟓 ∙ 𝟎, 𝟔𝟐 = 𝟎, 𝟎𝟕𝟕𝟒
𝟓
𝒒 = 𝟎, 𝟔

𝒏=𝟕
𝒓=𝟎 𝟕
b. 𝒑 = 𝟎, 𝟒 𝑷(𝑿 = 𝟎) = . / 𝟎, 𝟒𝟎 ∙ 𝟎, 𝟔𝟕 = 𝟎, 𝟎𝟐𝟕𝟗
𝟎
𝒒 = 𝟎, 𝟔

𝒏=𝟕
𝒓=𝟕 𝟕
c. 𝒑 = 𝟎, 𝟒 𝑷(𝑿 = 𝟕) = . / 𝟎, 𝟒𝟕 ∙ 𝟎, 𝟔𝟎 = 𝟎, 𝟎𝟎𝟏𝟔
𝟕
𝒒 = 𝟎, 𝟔

2. Se sabe que el 35% de los vehículos que circulan en Santiago contaminan. Se toma una muestra
de 5 vehículos, ¿Cuál es la probabilidad de que…

a. …A lo más 2 contaminen?
b. …Al menos 2 contaminen?
c. …Solo 2 contaminen?

Solución:

a. 𝑷,𝑿 ≤ 𝟐- = 𝒑(𝟎) + 𝒑(𝟏) + 𝒑(𝟐)

𝟓 𝟓 𝟓
= . / 𝟎, 𝟑𝟓𝟎 ∙ 𝟎, 𝟔𝟓𝟓 + . / 𝟎, 𝟑𝟓𝟏 ∙ 𝟎, 𝟔𝟓𝟒 + . / 𝟎, 𝟑𝟓𝟐 ∙ 𝟎, 𝟔𝟓𝟑
𝟎 𝟏 𝟐
= 𝟎, 𝟏𝟏𝟔𝟎 + 𝟎, 𝟑𝟏𝟐𝟒 + 𝟎, 𝟑𝟑𝟔𝟒
= 𝟎, 𝟕𝟔𝟒𝟖

Escuela de Comercio de Santiago

 26

b. 𝑷,𝑿 ≥ 𝟐- = 𝟏 − ,𝑷(𝑿 < 𝟐-

= 𝟏 − ,𝒑(𝟎) + 𝒑(𝟏)-
𝟓 𝟓
= 𝟏 − 0. / 𝟎, 𝟑𝟓𝟎 ∙ 𝟎, 𝟔𝟓𝟓 + . / 𝟎, 𝟑𝟓𝟏 ∙ 𝟎, 𝟔𝟓𝟒 1
𝟎 𝟏
= 𝟏 − ,𝟎, 𝟏𝟏𝟔𝟎 + 𝟎, 𝟑𝟏𝟐𝟒-
= 𝟏 − ,𝟎, 𝟒𝟐𝟖𝟒-
= 𝟎, 𝟓𝟕𝟏𝟔

𝟓
c. 𝑷(𝑿 = 𝟐) = . / 𝟎, 𝟑𝟓𝟐 ∙ 𝟎, 𝟔𝟓𝟑 = 𝟎, 𝟑𝟑𝟔𝟒
𝟐

3. En una gran empresa comercial, el 70% de los empleados son hombres. Se elige al azar a 2
representantes para cierto cargo ¿Cuál es la probabilidad de que ninguno sea hombre?

Solución:

𝒏=𝟐
𝒓=𝟎 𝟐
𝒑 = 𝟎, 𝟕 𝑷(𝑿 = 𝟎) = . / 𝟎, 𝟕𝟎 ∙ 𝟎, 𝟑𝟐 = 𝟎, 𝟎𝟗
𝟎
𝒒 = 𝟎, 𝟑

Escuela de Comercio de Santiago

 27

1.3 La distribución normal

La distribución normal es un modelo teórico de probabilidad que se puede utilizar cuando se

trabaja con variables aleatorias continuas y, en ocasiones, con variables aleatorias discretas, que
poseen un rango de valores suficientemente amplio.

La distribución normal para las variables aleatorias continuas es la más importante en el campo de
la estadística. Su gráfica recibe el nombre de campana de Gauss – Laplace, pero se conoce como
curva normal. La siguiente gráfica muestra este tipo de curva:

Figura 3. Curva normal

Fuente: http://trucosycursos.es/la-distribucion-normal-o-campana-de-gauss-en-excel/

Importante

La curva normal permite describir muchos fenómenos de la naturaleza, la

industria y la investigación.

Escuela de Comercio de Santiago

 28

Las características que definen una distribución normal, son las siguientes:

𝟐
1) Está definida por dos parámetros: la media (µ) y la varianza ( ).
𝟐
2) La variable 𝑿 sigue la distribución normal con media (µ) y la varianza ( ), lo que se expresa
𝟐
como 𝑿 𝑵(µ, ).
3) Tiene un máximo en (µ), donde coinciden el valor de la media, la moda y la mediana.
4) Es simétrica respecto al eje de la ordenada y este se sitúa en (µ).
5) Es asintótica respecto al eje de las abscisas, por lo cual los valores fluctúan entre −∞ 𝒚 + ∞
6) El área bajo la curva 𝒚 sobre el eje 𝒙 es 1.

Si bien la distribución normal es para variables aleatorias continuas, también se aplica, en

ocasiones, a variables aleatorias discretas. En ambos casos son definidas por la función de densidad
y la función de distribución de este modelo de probabilidad.

𝟐
a) Función de densidad: En los casos de distribución normal con media y varianza , se calcula
de la siguiente manera:

𝟏 𝑿−𝝁 𝟐
𝟏 − . /
𝒇(𝑿) = ∙𝒆 𝟐 𝝁 −∞ < 𝒙 < ∞
𝟐𝝅∙𝝈

Para expresar que una variable continua 𝑿, tiene una distribución normal de media 𝝁 y desviación

típica 𝝈, se escribe:

𝑿~𝑵(𝝁, 𝝈𝟐 )

Figura 4. Representación gráfica de la función de densidad de una distribución

𝒇(𝒙)

𝝁−𝝈 𝝁 𝝁+𝝈 𝒙
Fuente: https://www.matematicasonline.es/BachilleratoCCSS/segundo/archivos/distribucion_normal/DISTRIBUCION%20NORMAL.htm

Escuela de Comercio de Santiago

 29

b) Función de distribución:

𝒙
𝟏 𝟏 𝒙−𝝁 𝟐
0 10 1
𝑭(𝒙) = 𝒆𝟐 𝝈 𝒅𝒙
𝝈 𝟐𝝅 −∞

Recuerda

En lo que respecta a una variable aleatoria continua, para determinar

la probabilidad de ocurrencia de un intervalo de valores, se debe
recurrir al cálculo integral de la función de densidad. Si bien puede ser
complicado, no hay que asustarse, ya que este paso no es necesario,
pero… ¿Cuál es la razón?

La justificación es que en la distribución normal se pueden estandarizar

los valores de la variable, es decir, convertirlos en puntuaciones 𝒁 y
utilizar las tablas de la ley normal. Por esta razón a esta distribución se
le conoce también como 𝒁.

Importante

El cálculo de probabilidades vía distribución normal considera la solución de

integrales que no son triviales. En virtud de la aplicación de la distribución
normal, se buscó tabular los valores de probabilidad, que serán obtenidos por
medio de la integración de la función de probabilidad normal en un
determinado intervalo.

Escuela de Comercio de Santiago

 30

Estandarización de una variable

Para estandarizar una variable, esta se debe centrar y reducir, con la media y la desviación
respectivamente. Este proceso se llama normalizar y expresa de la siguiente manera:

𝟐
Si 𝑿 𝑵(µ, )

𝑿−𝝁
𝒁= ~𝑵(𝟎, 𝟏)
𝝈

Las puntuaciones 𝒁 siguen una distribución normal con media 0 y desviación típica 1, es decir,
𝑵(𝟎, 𝟏). Corresponde a una distribución normal.

Existen tablas que permiten calcular probabilidades en distribuciones normales. Por ello es
aconsejable transformar cualquier variable aleatoria 𝑿 que sigue una distribución 𝑵(𝝁, 𝝈) en otra
variable 𝒁 que siga una distribución 𝑵(𝟎, 𝟏).

Ejemplos de cómo utilizar la tabla normal, para calcular determinadas probabilidades

a) 𝒑(𝒁 ≤ 𝟏, 𝟐𝟑)

La probabilidad buscada se encuentra directamente en las tablas. Basta buscar 1,2 en la columna y
0,03 en la fila. Su intersección da la probabilidad.

Figura 5. Representación gráfica de la probabilidad (𝑍 ≤ 1,23)

𝑃(𝒛 ≤ 𝟏, 𝟐𝟑)

𝟏, 𝟐𝟑
Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

Escuela de Comercio de Santiago

 31

Tabla 3. Tabla de distribución normal para probabilidad (𝑍 = 1,23)

z 0 0,01 0,02 0,03 0,04 0,05
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265
Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

Luego, 𝒑(𝒁 ≤ 𝟏, 𝟐𝟑) = 𝟎, 𝟖𝟗𝟎𝟕

La tabla completa de la distribución normal se encuentra en el aula virtual bajo la

etiqueta “Material complementario” de la unidad 1.

b) 𝒑(𝒁 ≥ 𝟏, 𝟐𝟒)

Figura 6. Representación gráfica de la probabilidad (𝑍 ≥ 1,24)

𝑃(𝒛 ≤ 𝟏, 𝟐𝟒)
𝑃(𝒛 ≥ 𝟏, 𝟐𝟒)

𝟏, 𝟐𝟒
Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

Escuela de Comercio de Santiago

 32

Tabla 4. Tabla de distribución normal para probabilidad (𝑍 = 1,24)

z 0 0,01 0,02 0,03 0,04 0,05
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265
Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

En este caso la probabilidad buscada no está en la tabla. Sin embargo, si se tiene en cuenta que el
área total bajo la gráfica ha de ser 1, se deduce entonces que:

𝒑(𝒁 ≥ 𝟏, 𝟐𝟒) = 𝟏 − 𝒑(𝒁 ≤ 𝟏, 𝟐𝟒) = 𝟏 − 𝟎, 𝟖𝟗𝟐𝟓 = 𝟎, 𝟏𝟎𝟕𝟓

c) 𝒑(𝒁 ≤ −𝟎, 𝟕𝟐)

Como la gráfica es simétrica respecto al eje de ordenadas, 𝒑(𝒁 ≤ −𝟎, 𝟕𝟐) = 𝒑(𝒁 ≥ 𝟎, 𝟕𝟐).

Figura 7. Representación gráfica de la probabilidad (𝑍 ≤ −0,72)

𝑃(𝒛 ≤ −𝟎, 𝟕𝟐)

−𝟎, 𝟕𝟐 𝟎, 𝟕𝟐
Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

Escuela de Comercio de Santiago

 33

Tabla 5. Tabla de distribución normal para probabilidad (𝑍 = −0,72)

z 0 0,01 0,02 0,03 0,04 0,05
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265
Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

La tabla no da la probabilidad solicitada, pero sabiendo que la gráfica es simétrica y el valor total
del área es 1, en este caso la probabilidad de 𝒑(𝒁 ≤ −𝟎, 𝟕𝟐) va a ser igual a 𝟏 – 𝟎, 𝟕𝟔𝟒𝟐, es decir
𝟎, 𝟐𝟑𝟓𝟖.

d) 𝒑(𝟎, 𝟓 ≤ 𝒁 ≤ 𝟏, 𝟕𝟔)

Figura 8. Representación gráfica de la probabilidad (0,5 ≤ 𝑍 ≤ 1,76)

𝑷(𝟎, 𝟓 ≤ 𝒁 ≤ 𝟏, 𝟕𝟔)

𝟎, 𝟓 𝟏, 𝟕𝟔

Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

Escuela de Comercio de Santiago

 34

Tabla 6. Tabla de distribución normal para probabilidad (𝑍 = 0,5) y (𝑍 = 1,76)

z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693
Fuente: https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesmat1/Normal.htm

Observando la figura y la tabla se deduce lo siguiente:

𝒑(𝟎, 𝟓 ≤ 𝒁 ≤ 𝟏, 𝟕𝟔) = 𝒑(𝒁 ≤ 𝟏, 𝟕𝟔) − 𝒑(𝒁 ≤ 𝟎, 𝟓) = 𝟎, 𝟗𝟔𝟎𝟖 − 𝟎, 𝟔𝟗𝟏𝟓 = 𝟎, 𝟐𝟔𝟗𝟑

Ejercicios resueltos:

1. El peso de los individuos de una población se distribuye normalmente con una media de 70 Kg. y
desviación típica de 6 Kg. En una población de 2000 personas, ¿Cuántas tendrán un peso
comprendido entre 64 y 76 Kg?5

Solución:

Paso 1: Se calculan las probabilidades y se estandarizan los valores a 𝒁

Se trata de una distribución 𝑵(𝟕𝟎, 𝟔)

5
Sánchez, F. (S.F). Variable aleatoria continua. Distribución normal (Guía). Recuperado de:
https://matesap.wikispaces.com/file/view/Variable+aleatoria+continua_1y2.pdf
Escuela de Comercio de Santiago
 35

𝟔𝟒 − 𝟕𝟎 𝟕𝟔 − 𝟕𝟎
𝒑(𝟔𝟒 ≤ 𝑿 ≤ 𝟕𝟔) = 𝒑 ≤𝒁≤ = 𝒑(−𝟏 ≤ 𝒁 ≤ 𝟏) = 𝒑(𝒁 ≤ 𝟏) − 𝒑(𝒁 ≤ −𝟏)
𝟔 𝟔

𝒑(𝒁 ≤ 𝟏) = 𝟎, 𝟖𝟒𝟏𝟑 (Directamente en la tabla)

𝒑(𝒁 ≤ −𝟏) = 𝒑(𝒁 ≥ 𝟏) = 𝟏 − 𝒑(𝒁 ≤ −𝟏) = 𝟏 − 𝟎, 𝟖𝟒𝟏𝟑

Por tanto, 𝒑(𝟔𝟒 ≤ 𝑿 ≤ 𝟕𝟔) = 𝟎, 𝟖𝟒𝟏𝟑 − (𝟏 − 𝟎, 𝟖𝟒𝟏𝟑) = 𝟎, 𝟖𝟒𝟏𝟑 − 𝟎, 𝟏𝟓𝟖𝟕 = 𝟎, 𝟔𝟖𝟐𝟔

Esto significa que el 68,26% de las personas pesa entre 64 y 76 Kg.

Paso 2: Determinar el número de personas:

Como hay 2000 personas, se calcula el 68,26% de 2000, esto da como resultado 1365 personas.

2. La duración media de una lavadora es de 15 años y su desviación típica es 0,5. Sabiendo que su
vida útil se distribuye normalmente, ¿cuál es la probabilidad de que al adquirir una lavadora,
ésta dure más de 15 años?

Solución:

Es una distribución normal de media 15 y desviación típica 0,5, es decir, 𝑵(𝟏𝟓; 𝟎, 𝟓).

𝟏𝟓 − 𝟏𝟓
𝒑(𝑿 ≥ 𝟏𝟓) = 𝒑 𝒁 ≥ = 𝒑(𝒁 ≥ 𝟎) = 𝒑(𝒁 ≤ 𝟎) = 𝟎, 𝟓
𝟎, 𝟓

Existe un 50% de probabilidad de que una lavadora dure más de 15 años.

Escuela de Comercio de Santiago

 36

3. La nota media de las pruebas de admisión correspondientes a los estudiantes que querían
ingresar en una escuela 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?6

Solución:

𝟔 − 𝟓, 𝟖
𝒑(𝑿 > 𝟔) = 𝒑 𝒁 > = 𝒑(𝒁 > 𝟎, 𝟏𝟏) = 𝟏 − 𝒑(𝒁 ≤ 𝟎, 𝟏𝟏)
𝟏, 𝟕𝟓
= 𝟏 − 𝟎, 𝟓𝟒𝟑𝟖 = 𝟎, 𝟒𝟓𝟔𝟐 ≈ 𝟒𝟓, 𝟔𝟐%

El porcentaje de estudiantes admitidos fue de 45,62%

Relación entre las distribuciones binomial y normal

La distribución binomial es útil cuando 𝒏 es pequeño, pero… ¿qué pasa si 𝒏 crece?: es muy difícil
hacer uso de las fórmulas y tablas.

Ejemplo:

Lanzaremos un dado 200 veces. ¿Cuál es la probabilidad de obtener entre 20 y

35 veces el número 5?

𝟏
En este caso se tiene 𝑩(𝒏, 𝒑) = 𝑩 .𝟐𝟎𝟎, 𝟔/ y piden calcular 𝒑(𝟐𝟎 ≤ 𝑿 ≤ 𝟑𝟓)

Resolver este planteamiento se hace inviable por el cálculo de distribución binomial. Entonces,
¿cómo resolver el problema?

6
IES de MOS. (S.F). Boletin: Distribuciones de probabilidad. Métodos estadísticos y numéricos. Galicia,
España. Recuperado de: http://www.edu.xunta.gal/centros/iesmos/system/files/Bol_Distribuciones+Probabilidad.pdf
Escuela de Comercio de Santiago
 37

En este tipo de casos se utiliza el Teorema Central del Límite, que consiste en que la distribución
binomial 𝑩(𝒏, 𝒑) se aproxima a la curva normal. A continuación se presentan los pasos a seguir
para hacer esta transformación:

Paso 1: Calcular la media.

𝝁 = 𝒏𝒑

Paso 2: Calcular la desviación estándar, cuando 𝒏 tiende al infinito.

𝝈= 𝒏𝒑(𝟏 − 𝒑)

Paso 3: Estandarizar la variable aleatoria.

𝑿 − 𝒏𝒑
𝒁=
𝒏𝒑(𝟏 − 𝒑)

Al realizar esta estandarización, la variable aleatoria estandarizada es asintóticamente normal.

Para utilizar esta aproximación a la normal se deben cumplir ciertas condiciones:

a) 𝒏 sea grande, es decir, 𝒏 ≥ 𝟑𝟎

b) 𝒏𝒑 ≥ 𝟓
c) 𝒏(𝟏 − 𝒑) ≥ 𝟓

Si no se cumplen estas condiciones no se puede aproximar la binomial a la distribución normal.

En caso de que se cumplan las tres condiciones, se debe considerar que se está llevando una
variable discreta (distribución binomial) a una variable continua (distribución normal), por lo cual se
debe realizar un ajuste, que se conoce como corrección por continuidad. Este ajuste consiste en
realizar aproximaciones para ser lo más preciso en el cálculo, y se debe a que, como en una
distribución continua todas las probabilidades valen 0, la corrección por continuidad toma un
intervalo con longitud 1 alrededor de 𝝁 (Es el valor que se mueve x).

Escuela de Comercio de Santiago

 38

¿Cómo se realiza esta corrección de continuidad? Se debe sumar y restar 0,5 según sea el caso:

𝒑(𝝁𝟏 ≤ 𝒙 ≤ 𝝁𝟐 ) = 𝒑(𝝁𝟏 − 𝟎, 𝟓 ≤ 𝒙 ≤ 𝝁𝟐 + 𝟎, 𝟓)

𝒑(𝑿 < 𝝁) = 𝒑(𝑿 ≤ 𝝁 − 𝟎, 𝟓)

Ejercicio:
En una clase de 40 estudiantes, la probabilidad de que una persona utilice gafas es 0,25 ¿Cuál es la
probabilidad de que menos de 10 estudiantes utilicen lentes?

𝝁 = 𝒏𝒑

Solución:
Este es un ejercicio de distribución binomial, pero con muchos datos, por lo cual se debe
transformar a distribución normal.

Paso1: Se calcula la media y la desviación estándar.

𝒏 = 𝟒𝟎
𝒑 = 𝟎, 𝟐𝟓
𝒒 = 𝟎, 𝟕𝟓

𝑩(𝒏, 𝒑) = 𝑵(𝒑𝒏; 𝒏 ∗ 𝒑 ∗ 𝒒) = 𝑵(𝝁, 𝝈)

𝑩(𝟒𝟎; 𝟎, 𝟐𝟓) 𝑵(𝟎, 𝟐𝟓 ∙ 𝟒𝟎; 𝟒𝟎 ∙ 𝟎, 𝟐𝟓 ∙ 𝟎, 𝟕𝟓)) = 𝑵(𝟏𝟎; 𝟐, 𝟕𝟑)

Paso 2: Corrección por continuidad.

𝝁 = 𝒎𝒆𝒅𝒊𝒂 = 𝟏𝟎
𝝈 = 𝒅𝒆𝒔𝒗𝒊𝒂𝒄𝒊ó𝒏 𝒔𝒕𝒂𝒏𝒅𝒂𝒓𝒅 = 𝟐, 𝟕𝟑

Se debe restar el 0,5 dado que el signo es menor.

𝟗, 𝟓 − 𝟏𝟎
𝑷(𝒙 < 𝟏𝟎 − 𝟎, 𝟓) ≈ 𝒑(𝒙′ < 𝟗, 𝟓) = 𝒑 𝒛 < = 𝒑(𝒛 < −𝟎, 𝟏𝟖) = 𝟎, 𝟒𝟐𝟖𝟔
𝟐, 𝟕𝟑

Paso 3: Interpretación.
La probabilidad de que menos de 10 estudiantes utilicen gafas es de 42,86%

Escuela de Comercio de Santiago

 39

1.4 Distribución T-Student

En el aula virtual, específicamente en la etiqueta Material complementario, se

encuentra el enlace de un video titulado “Distribución t de Student” que permite
comprender un poco más este tema.

La distribución T–Student fue desarrollada por un científico llamado William Gosset, quien publicó
sus investigaciones bajo el seudónimo Student. Esta distribución es de mucha utilidad, cuando el
tamaño de la muestra es pequeño, y cuando se desconoce la varianza. Si bien es utilizada por
variables continuas, y es generada a partir de la distribución normal, es una de las distribuciones
más importantes en la práctica. A continuación se presentan algunos conceptos que se deben
manejar para aplicar la distribución T-Student:

Grados de libertad: Son los valores que tiene una muestra, y que permiten encontrar el valor de un
parámetro. También se les puede definir como el número de mediciones de una muestra. En el
caso de distribución T-Student se expresa así:

𝑮𝒓𝒂𝒅𝒐𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕𝒂𝒅 (𝝂) = 𝒏 − 𝟏

Donde:
𝒏 = 𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒎𝒆𝒅𝒊𝒄𝒊𝒐𝒏𝒆𝒔

Ejemplo:

Si se tiene una muestra de 15 personas para el estudio de los gastos en útiles

escolares en el periodo de marzo. ¿Cuáles son los grados de libertad?

𝝂 = 𝒏 − 𝟏 = 𝟏𝟓 − 𝟏 = 𝟏𝟒

Escuela de Comercio de Santiago

 40

Nivel de confianza: Es el porcentaje que determina entre qué valores se incluirá el parámetro de la
población, y con cuánta precisión se realizó la medición. Los valores comunes que expresan el nivel
de confianza son:

 95%: significa que funciona adecuadamente y que de la muestra recogida, formada por 100
individuos, 95 se incluyen en el parámetro de la población y un 5% se excluye del
parámetro (error posible). Se indica como 𝟏 − 𝜶 y habitualmente se da en porcentaje
(𝟏 − 𝜶)%.
 Otros valores son 99% o 99,9%. Entre mayor sea el nivel de confianza, mayor precisión
tiene el estudio.

Una variable aleatoria continua se distribuye por distribución T-Student con 𝒌 grados de libertad,
donde 𝒌 es un número positivo, si la función densidad es:

𝒌+𝟏 (𝒌+𝟏
𝒓. / −
𝒕𝟐 𝟐 ∞ −𝒙 𝒑−𝟏
𝒉𝒌 (𝒕) = 𝒌
𝟐
.𝟏 + 𝒌
/ −∞ < 𝒕 < ∞, Donde 𝒓(𝒑) = 𝟎
𝒆 𝒙 𝒅𝒙
𝒓. / 𝝅𝒌
𝟐

La distribución T-Student tiene una función densidad simétrica, similar a la distribución normal. Se
diferencia en que existe independencia del valor 𝒌 en el caso de la T-Student, y además tiene colas
más amplias. En la medida que los grados de libertad tiendan al infinito, la distribución T-Student
tiende a la distribución normal.

El valor medio y su varianza, está dado por las siguientes fórmulas:

∞ 𝒌+𝟏
∞ (𝒌+𝟏
𝒓. / 𝟐 − 𝟐
𝟐 𝒕
𝑬(𝑻) = 𝝁 = 𝒕 … 𝒉𝒌 (𝒕) ∙ 𝒅𝒕 = 𝒕∙ 4𝟏 + 5 𝒅𝒕 = . . . = 𝟎
𝒌 𝒌
−∞ −∞ 𝒓 .𝟐/ 𝝅𝒌

Si 𝒌 > 𝟑
∞ ∞ 𝒌+𝟏 (𝒌+𝟏
𝟐 − 𝟐
𝒓. / 𝒕 𝒌
𝑽𝒂𝒓(𝑻) = 𝝈𝟐 = 𝑬 (𝑻 − 𝝁)𝟐 = (𝒕 − 𝝁)𝟐 ∙ 𝒉𝒌 (𝒕) ∙ 𝒅𝒕 = 𝒕∙ 𝟐 4𝟏 + 5 𝒅𝒕 =
𝒌 𝒌 𝒌 − 𝟐
−∞ −∞ 𝒓 . / 𝝅𝒌
𝟐

Escuela de Comercio de Santiago

 41

Nota: A partir de estas fórmulas se llega a dos conclusiones:

 Media o esperanza matemática

𝑬,𝒕𝒏 - = 𝟎

 Varianza
𝒏
𝑽𝒂𝒓,𝒕𝒏 - =
𝒏−𝟐

Propiedades T-Student7

1. Cada curva 𝒕 tiene forma de campana con centro en 𝟎.

2. Cada curva 𝒕, está más dispersa que la curva normal estándar.
3. A medida que 𝒌 aumenta, la dispersión de la curva 𝒕 correspondiente
disminuye.
4. A medida que 𝒌 → ∞, la secuencia de curvas 𝒕 se aproxima a la curva normal
estándar.

Uso de la tabla T-Student

¿Cómo se usa la tabla de la distribución T-Student?

En el aula virtual, específicamente en la etiqueta Material complementario, se
encuentra el enlace del video “Uso de la tabla t-student”, que permite
comprender un poco más el manejo de esta tabla.

Para utilizar la tabla T-Student, previamente se deben tener dos elementos:

a) Nivel de confianza (𝟏 − 𝜶)
b) Grados de libertad (𝝂)

7
Reyes, L. (S.F.). Distribución de t Student (Guía). México: Universidad Interamericana para el Desarrollo.
Recuperado de: http://moodle2.unid.edu.mx/dts_cursos_mdl/lic/AE/E/AM/12/Distribucion_tStudent.pdf
Escuela de Comercio de Santiago
 42

Ejemplo:

Se tiene un nivel de confianza del 95% y la muestra tiene 10 personas.

Entonces:

Total de datos de la muestra: 𝒏 = 𝟏𝟎

Nivel de confianza: (𝟏 − 𝜶) = 𝟎, 𝟗𝟓

Margen de error: (𝜶) = 𝟎, 𝟎𝟓

Grados de libertad: 𝝂 = (𝒏 − 𝟏) = 𝟏𝟎 − 𝟏 = 𝟗

Se debe buscar en la tabla:

Con el nivel de confianza 𝟎, 𝟗𝟓, se ubica la intersección entre el margen de

error de 𝟎, 𝟎𝟓 y los grados de libertad 𝟗. El resultado es 𝟏, 𝟖𝟑𝟑𝟏

Tabla 7. Tabla de distribución T-Student 𝑡(0,95;9)

Grados
0,25 0,1 0,05 0,025
de libertad
1 1,0000 3,0777 6,3137 12,7062
2 0,8165 1,8856 2,9200 4,3027
3 0,7649 1,6377 2,3534 3,1824
4 0,7407 1,5332 2,1318 2,7765
5 0,7267 1,4759 2,0150 2,5706
6 0,7176 1,4398 1,9432 2,4469
7 0,7111 1,4149 1,8946 2,3646
8 0,7064 1,3968 1,8595 2,3060
9 0,7027 1,3830 1,8331 2,2622
10 0,6998 1,3722 1,8125 2,2281
11 0,6974 1,3634 1,7959 2,2010
12 0,6955 1,3562 1,7823 2,1788
Fuente: Elaboración propia

Por lo cual 𝒕(𝟏−𝜶;𝝂) = 𝒕(𝟎,𝟗𝟓;𝟗) = 𝟏, 𝟖𝟑𝟑𝟏

Escuela de Comercio de Santiago

 43

La tabla completa de la distribución T-Student se encuentra en el aula virtual bajo

la etiqueta “Material complementario” de la unidad 1.

La distribución 𝒕 es simétrica alrededor de la media de 𝟎, es decir:

𝒕𝟏−𝜶 = −𝒕𝜶

Esto significa que el valor 𝒕 deja un área de 𝟏 − 𝜶 a la derecha y a la izquierda un área 𝜶, que es la
cola de la derecha.

𝒕𝟎,𝟗𝟓 = −𝒕𝟎,𝟎𝟓

En la distribución 𝒕 se tienen las siguientes opciones:

a) Cola unilateral:

Ejercicio:
Se tienen los siguientes datos de una muestra de 7 individuos. Se debe encontrar el valor de 𝒕, para
que el área sombreada sea 2,5% a la izquierda.

Solución:
𝑮𝒓𝒂𝒅𝒐𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕𝒂𝒅 = 𝝂 = 𝒏 − 𝟏 = 𝟕 − 𝟏 = 𝟔
𝑵𝒊𝒗𝒆𝒍 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒛𝒂 = 𝟗𝟕, 𝟓%
Á𝒓𝒆𝒂 𝒂 𝒍𝒂 𝒊𝒛𝒒𝒖𝒊𝒆𝒓𝒅𝒂 𝒆𝒔 𝒅𝒆 𝟐, 𝟓% = 𝟎, 𝟎𝟐𝟓
Á𝒓𝒆𝒂 𝒂 𝒍𝒂 𝒅𝒆𝒓𝒆𝒄𝒉𝒂 𝒆𝒔 𝒅𝒆 𝟗𝟕, 𝟓% = 𝟎, 𝟗𝟕𝟓

Escuela de Comercio de Santiago

 44

Aplicando…
𝒕𝟏−𝜶 = −𝒕𝜶

Se obtiene…
𝒕𝟎,𝟗𝟕𝟓 = −𝒕𝟎,𝟎𝟐𝟓

Luego, si se busca en la tabla, 𝒕(𝟏−𝜶;𝝂) = 𝒕(𝟎,𝟗𝟕𝟓;𝟔) = 𝟐, 𝟒𝟒𝟔𝟗

Tabla 8. Tabla de distribución T-Student 𝑡(0,975,6)

Grados
0,25 0,1 0,05 0,025 0,01
de libertad
1 1,0000 3,0777 6,3137 12,7062 31,8210
2 0,8165 1,8856 2,9200 4,3027 6,9645
3 0,7649 1,6377 2,3534 3,1824 4,5407
4 0,7407 1,5332 2,1318 2,7765 3,7469
5 0,7267 1,4759 2,0150 2,5706 3,3649
6 0,7176 1,4398 1,9432 2,4469 3,1427
7 0,7111 1,4149 1,8946 2,3646 2,9979
8 0,7064 1,3968 1,8595 2,3060 2,8965
9 0,7027 1,3830 1,8331 2,2622 2,8214
Fuente: Elaboración propia

Como se solicita el área de la izquierda, usando la característica antes mencionada:

𝒕𝟎,𝟗𝟕𝟓 = −𝒕𝟎,𝟎𝟐𝟓

Entonces 𝒕(𝜶;𝝂) = 𝒕(𝟎,𝟎𝟐𝟓;𝟔) = −𝟐, 𝟒𝟒𝟔𝟗

Figura 9. Distribución T-Student 𝑡(0,025;6)

𝜶 = 𝟎, 𝟎𝟐𝟓

𝒕𝟎,𝟗𝟕𝟓 = −𝒕𝟎,𝟎𝟐𝟓 = −𝟐, 𝟒𝟒𝟔𝟗

Fuente: http://www.biorom.uma.es/contenido/UIB/bioinfo/imagenes/dt.gif

Escuela de Comercio de Santiago

 45

b) Cola bilateral:

Ejercicio:
Se tienen los siguientes datos de una muestra de 15 individuos. ¿Cuál es la probabilidad de que el
área sombreada a la izquierda sea 2,5% y a la derecha 5%?

Solución:
𝑮𝒓𝒂𝒅𝒐𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕𝒂𝒅 = 𝝂 = 𝒏 − 𝟏 = 𝟏𝟓 − 𝟏 = 𝟏𝟒
Á𝒓𝒆𝒂 𝒔𝒐𝒎𝒃𝒓𝒆𝒂𝒅𝒂 𝒂 𝒍𝒂 𝒊𝒛𝒒𝒖𝒊𝒆𝒓𝒅𝒂 𝒆𝒔 𝒅𝒆 𝟐, 𝟓% = 𝟎, 𝟎𝟐𝟓
Á𝒓𝒆𝒂 𝒔𝒐𝒎𝒃𝒓𝒆𝒂𝒅𝒂 𝒂 𝒍𝒂 𝒅𝒆𝒓𝒆𝒄𝒉𝒂 𝒆𝒔 𝒅𝒆 𝟓% = 𝟎, 𝟎𝟓

Aplicando…

Figura 10. Distribución T-Student 𝑃(−𝑡0,025 < 𝑡 < 𝑡0,05)

𝜶 = 𝟎, 𝟎𝟓
𝜶 = 𝟎, 𝟎𝟐𝟓

Fuente: http://www.biorom.uma.es/contenido/UIB/bioinfo/imagenes/dt.gif

𝑷(−𝒕𝟎,𝟎𝟐𝟓 < 𝒕 < 𝒕𝟎,𝟎𝟓 ) = 𝟏 − 𝟎, 𝟎𝟐𝟓 − 𝟎, 𝟎𝟓 = 𝟎, 𝟗𝟐𝟓

Escuela de Comercio de Santiago

 46

Conclusión

En esta unidad profundizamos en la temática de las variables aleatorias, que

ya habíamos abordado en Estadística I. En esta ocasión se hizo énfasis en su
relación con la probabilidad, por ello, revisamos los conceptos de
probabilidades, y los modelos de probabilidad de mayor uso, su distribución
y sus características: Binomial, normal y T-Student.

El manejo de estos temas es imprescindible en el área de los negocios,

principalmente para tomar decisiones. Los datos estadísticos son utilizados
por los inversionistas, al igual que por el Estado en el asunto de las
pensiones, donde parte de los recursos de los trabajadores que imponen en
una AFP, es invertido en acciones.

Una buena estimación y análisis de datos, permite que las personas inviertan
en acciones que les hagan incrementar sus recursos. Al contrario, si existe un
error de cálculo o de interpretación, es posible que todas las personas que
han depositado su confianza en las AFP, pierdan parte de sus recursos
destinados a las pensiones. Por estas y otras razones, un ingeniero o un
técnico debe estar preparado y tener las herramientas necesarias para
enfrentar estas situaciones.

Los conocimientos adquiridos en esta unidad, permiten que el estudiante

tenga la capacidad de:

1) Diferenciar los tipos de variables aleatorias y la forma de obtener su

probabilidad asociada.

2) Determinar la esperanza y la varianza de las variables aleatorias.

3) Resolver diversas situaciones de cálculo de probabilidades, aplicando la

estrategia correcta, según el tipo de variable aleatoria en su ámbito
laboral.

Escuela de Comercio de Santiago

 47

Bibliografía

Anderson, D. R. Sweeney, D. J. y Williams, T. A. (2008). Estadística para

administración y economía. México, D. F.: Cengage learning.

García-Granero, M. y Calasanz, M. J. (2001). Bioestadística aplicada. Pamplona,

España: Newbook.

Stevenson, W. J. (2006). Estadística para la administración y economía; Conceptos

y aplicaciones. México, D. F.: Alfaomega.

BioROM 2011 (2018). Distribución acumulada de la distribución t de Student.

Recuperado de:
http://www.biorom.uma.es/contenido/UIB/bioinfo/imagenes/dt.gif

Plaza, J. (2018). Distribución normal o campana de Gauss-Laplace. Recuperado de:

https://www.matematicasonline.es/BachilleratoCCSS/segundo/archivos/distri
bucion_normal/DISTRIBUCION%20NORMAL.htm

Trucos y cursos de Excel (2018). La distribución normal o campana de Gauss en

Excel. Recuperado de: http://trucosycursos.es/la-distribucion-normal-o-
campana-de-gauss-en-excel/

Universidad Autónoma de Madrid (2018). Áreas bajo la distribución de

probabilidad normal estándar, N(0,1). Recuperado de:
https://www.uam.es/personal_pdi/ciencias/dfaraco/docencia/ambientalesma
t1/Normal.htm

Escuela de Comercio de Santiago