VARIABLES ALEATORIAS CONTINUAS Y DISTRIBUCIONES DE PROBABILIDAD
Las distribuciones de probabilidad continuas de muchas aplicaciones son:
✓ Distribución Normal.
✓ Distribución T-student.
✓ Distribución Ji cuadrado
✓ Distribución F de Fisher
✓ Distribución Rectangular ó
uniforme continua
✓ Distribución exponencial
✓ Distribución Gama
✓ Distribución Beta
DISTRIBUCIÓN NORMAL
➢ Llamada también distribución de Gauss, en homenaje al astrónomo y matemático Karl Gauss (1777-
1855), quién contribuyó a su desarrollo junto con otros matemáticos como Abraham De Moivre (1667-
1754, quien la descubrió por primera vez en 1733.
➢ Razones fundamentales por las cuales la distribución normal ocupa un lugar prominente en la estadística:
• Tiene propiedades que la hacen aplicable a un gran número de situaciones en las que es necesario
hacer inferencias mediante el uso de muestras.
• Se ajusta a las distribuciones de frecuencias observadas en muchos fenómenos, incluyendo
características humanas ( peso, estatura, coeficiente intelectual)
• Función de probabilidad normal
Si X es una variable aleatoria que sigue una distribución normal su función de probabilidad es:
X− µ 2
( )
1 − 𝜎
f(x) = 𝑒 2 -∞ < 𝑋 < ∞
√2𝜋 𝜎
• Recorrido de la variable
-∞ < 𝑋 < ∞ (toda la recta real)
• Parámetros: µ y 𝜎 2 son la media y varianza de la v.a X respectivamente tales que
-∞ < µ < ∞ y 𝜎2 > 0
donde e y π son dos constantes e = 2.71828… y π = 3.14159…
• La distribución normal constituye una gran familia, cada una resulta de dar valores específicos a µ y 𝜎 2
1
• Simbólicamente se expresa así: La v.a X ~ N (µ , 𝜎 2 )
La v.a X tiene distribución normal con parámetros µ , 𝜎 2
La v.a X ~ N (48 , 282 ) 𝜎 = 16.78
X− 48 2
( )
1 − 16.78
f(x) = 𝑒 2 -∞ < 𝑋 < ∞
√2𝜋 16.78
➢ Características de la distribución normal
Son características importantes de la distribución normal:
1. Tiene la forma de una campana( Campana de Gauss)
2. Parámetros: µ : media de la distribución
𝜎 2 : varianza de la distribución.
3. Es simétrica respecto a la perpendicular levantada en µ,
4. La media, mediana y moda son iguales
5. El área total debajo de la curva normal sobre el eje x es igual a 1.
X− 48 2
( )
∞ 1 − 16.78
∫−∞ √2𝜋 16.78 𝑒 2 dx = 1
6. Debido a la simetría de la distribución, el 50% del área está a la izquierda de µ, y el otro 50%
está a la derecha.
7. Si se levantan perpendiculares a una distancia de una desviación estándar de la media a ambos
lados, el área limitada por estas perpendiculares, el eje x y la curva es de 0.68, aproximadamente.
2
Si las rectas perpendiculares se ubicaran a una distancia de dos desviaciones estándar a ambos
lados de la media, estará comprendido 0.95 de área.
Si las rectas perpendiculares se ubicaran a una distancia de tres veces la desviación estándar, el
área comprendida es de 0.997.
La mayor masa de probabilidad está concentrada alrededor de la media µ y a medida que los valores de la
variable X se alejen a la izquierda o a la derecha de µ; la probabilidad va disminuyendo en igual
proporción simétricamente.
8. La curva es asintótica, es decir se acerca tanto a la izquierda como a la derecha al eje X, pero no lo
intercepta
Valor esperado y varianza de la v.a X
Media E(X) = µ -∞ < µ < ∞
Varianza V(X) = 𝜎 2 𝜎2> 0
➢ Cuando medimos cierto atributo de un grupo de personas u objetos que nos rodean y los analizamos, es muy común obtener
una distribución normal en los resultados, es decir, la mayoría de los valores estarán cercanos al promedio mientras que una
menor cantidad de valores estarán ubicados en los extremos.
Por ejemplo, si medimos la estatura de un grupo de personas y posteriormente graficamos los resultados obtendremos
una distribución normal ya que la mayoría tendrá una estatura promedio pero también encontraremos algunas personas de
menor o mayor estatura.
Función de distribución normal
• Si X es una variable aleatoria normal de media µ y varianza 𝜎 2 , la función de distribución acumulada es
X− µ 2
( )
𝑥0 𝑥0 1 𝜎
F(𝑥0 ) = P(X ≤ 𝑥0 ) = ∫−∞ 𝑓(𝑥) dx =∫−∞ 𝑒− 2 dx
√2𝜋 𝜎
Es el área situada a la izquierda de 𝑥0 , debajo de la función, como se muestra en la figura.
Ver área sombreada
3
𝑥
La función de distribución se describe como 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫−∞ 𝑓(𝑥)𝑑𝑥
Área a la izquierda de x
• Otras formas de probabilidad acumulada
✓ P(a < X < b ) = Área entre a y b
a y b son dos valores posibles de X, siendo a < b
La probabilidad acumulada entre valores a y b se determina integrando la función de densidad
f(x) entre a y b, resultando:
X− µ 2
( )
𝑏 𝑏 1 𝜎
P( a< X < b) = ∫𝑎 𝑓(𝑥) dx =∫𝑎 𝑒− 2 dx
√2𝜋 𝜎
Otra forma de resolver:
P( a< X < b) = F(b) - F(a)
X− µ 2 X− µ 2
( ) ( )
𝑏 1 − 𝜎 𝑎 1 − 𝜎
P( a< X < b) = ∫−∞ √2𝜋 𝜎 𝑒 2 dx - ∫−∞ √2𝜋 𝜎 𝑒 2 dx
✓ Área a la derecha de x
X− µ 2
( )
∞ ∞ 1 𝜎
P(X ≥ 𝑥) = ∫𝑥 𝑓(𝑥) dx =∫𝑥 𝑒− 2 dx
√2𝜋 𝜎
4
Puede utilizarse la relación P(X ≥ 𝑥) = 1- P(X < 𝑥)
Probabilidad acumulada a la derecha de x
Para resolver, se utilizan métodos numéricos de integración, que resulta tedioso. Para evitar este problema se
puede utilizar la distribución normal estándar, que es una distribución normal de media 0 y varianza 1.
Cualquier variable X con distribución normal de media µ y varianza 𝜎 2 se puede convertir en una variable Z con
𝑿−µ
distribución normal estándar, utilizando la relación Z= 𝝈
La v.a X ~ N (µ , 𝜎 2 )
X− µ 2
( )
1 − 𝜎
f(x) = 𝑒 2 -∞ < 𝑋 < ∞
√2𝜋 𝜎
utilizando la relación
𝑿−µ
Z= 𝝈
Se tiene entonces que
z2
𝑿−µ 1
Z= ~ N(0,1) f(z) = 𝑒− 2
𝝈 √2𝜋
La v.a X tiene distribución normal con parámetros µ , 𝜎 2
La v.a Z tiene distribución normal con parámetros µ = 0 , 𝜎 2 =1
La v.a X ~ N (48 , 282 ) 𝜎 = 16.78
X− 48 2
( )
1 − 16.78
f(x) = 𝑒 2 -∞ < 𝑋 < ∞
√2𝜋 16.78
𝑿−𝟒𝟖
La v.a Z = 𝟏𝟔.𝟕𝟖
𝑿−𝟒𝟖
La v.a Z = 𝟏𝟔.𝟕𝟖 ~ N (0 , 1 )
z2
1
f(z) = 𝑒− 2 -∞ < 𝑧 < ∞
√2𝜋
La v.a X ~ N (2348 , 1850 ) 𝜎 = 43.01
X− 2348 2
( )
1 − 43.01
f(x) = 𝑒 2 -∞ < 𝑋 < ∞
√2𝜋 43.01
5
𝑿−𝟐𝟑𝟒𝟖
La v.a Z = 𝟒𝟑.𝟎𝟏
𝑿−𝟐𝟑𝟒𝟖
La v.a Z = ~ N (0 , 1 )
𝟒𝟑.𝟎𝟏
z2
1 −
f(z) = 𝑒 2 -∞ < 𝑧 < ∞
√2𝜋
La v.a X ~ N (926 , 315 ) 𝜎 = 17.75
X− 926 2
( )
1 − 17.75
f(x) = 𝑒 2 -∞ < 𝑋 < ∞
√2𝜋 17.75
𝑿−𝟗𝟐𝟔
La v.a Z =
𝟏𝟕.𝟕𝟓
𝑿−𝟗𝟐𝟔
La v.a Z = 𝟏𝟕.𝟕𝟓 ~ N (0 , 1 )
z2
1
f(z) = 𝑒− 2 -∞ < 𝑧 < ∞
√2𝜋
X− µ 2
( )
1 − 𝜎
f(x) = 𝑒 2 -∞ < 𝑋 < ∞
√2𝜋 𝜎
Distribución Normal Estandarizada, Reducida ó Tipificada
• Función de probabilidad normal estandarizada f(z)
𝑍2
1
f(z) = 𝑒− 2 -∞ < 𝑧 < ∞
√2𝜋
• Recorrido de la variable estandarizada
-∞ < 𝑍 < ∞ (toda la recta real)
• Parámetros de la distribución normal estandarizada
6
Media µz = 0
Varianza σz2 =1
• Valor esperado y varianza de la v.a. Z
Media E(Z) = µz = 0 media de la variable estandarizada
Varianza V(Z) = σz2 =1 varianza de la variable estandarizada
• Simbólicamente se expresa así: La v.a Z ~ N (0 , 1 )
• Gráfica de la distribución de probabilidad normal estándar
La gráfica de la distribución de probabilidad normal de la v.a. Z viene a ser la gráfica de la función
que en este caso es la curva centrada en CERO (función de probabilidad de Z)
Función de Distribución Normal Estandarizada:
𝑧 1 2
F(z) = P(Z ≤ z)= ∫−∞ 𝑒 −𝑧 /2 dz
√2𝜋
Siendo la representación gráfica de esta función
➢ Características de la distribución normal estandarizada
Son características importantes de la distribución normal estándar:
o Tiene la forma de una campana (Campana de Gauss)
o Es simétrica respecto a la perpendicular levantada en µ= 0
La media, mediana y moda son iguales
o El área total debajo de la curva normal sobre el eje z es igual a 1.
o Debido a la simetría de la distribución, el 50% del área está a la izquierda de µ= 0, y el otro 50%
está a la derecha.
7
o Si se levantan perpendiculares a una distancia de una desviación estándar de la media a ambos
lados, el área limitada por estas perpendiculares, el eje z y la curva es de 0.68, aproximadamente.
Si las rectas perpendiculares se ubicaran a una distancia de dos desviaciones estándar a ambos
lados de la media, estará comprendido 0.95 de área.
Si las rectas perpendiculares se ubicaran a una distancia de tres veces la desviación estándar, el
área comprendida es de 0.997.
o La mayor masa de probabilidad está concentrada alrededor de la media µ=0 y a medida que los
valores de la variable Z se alejen a la izquierda o a la derecha de µ=0; la probabilidad va
disminuyendo en igual proporción simétricamente.
o La curva es asintótica, es decir se acerca tanto a la izquierda como a la derecha al eje Z, pero no lo
intercepta
o Valor esperado y varianza de la v.a Z
Media E(Z) = 0
Varianza V(Z) = 1
• Función de distribución normal Estándar
Si Z es una variable aleatoria normal de media 0 y varianza 1, la función de distribución normal estándar
es
𝑧 𝑧0 Z2
0 1
F(𝑧0 ) = P(Z ≤ 𝑧0 ) = ∫−∞ 𝑓(𝑧) dz =∫−∞ 𝑒 − 2 dz
√2𝜋
Es el área situada a la izquierda de 𝑧0 , debajo de la función, como se muestra en la figura.
Ver área sombreada
8
𝑧
La función de distribución normal estándar se describe como 𝐹(𝑧) = 𝑃(𝑍 ≤ 𝑧) = ∫−∞ 𝑓(𝑧)𝑑𝑧
Área a la izquierda de z
• Otras formas de probabilidad acumulada
✓ P(a < Z < b ) = Área entre a y b
a y b son dos valores posibles de Z, siendo a < b
La probabilidad acumulada entre valores a y b se determina integrando la función de densidad
f(z) entre a y b, resultando:
𝑏 𝑏 1 Z2
−
P( a< Z < b) = ∫𝑎 𝑓(𝑧) dz =∫𝑎
√2𝜋
𝑒 2 dz
Otra forma de resolver:
P( a< Z< b) = F(b) - F(a)
P( a< Z< b) = P( Z ≤ b ) - P (Z ≤ a)
𝑧2 Z2
𝑏 1 𝑎 1
P( a< Z < b) = ∫−∞ 𝑒− 2 dz - ∫−∞ 𝑒− 2 dz
√2𝜋 √2𝜋
✓ Área a la derecha de z
Z2
∞ ∞ 1 −
P(Z ≥ 𝑧) = ∫𝑧 𝑓(𝑧) dz =∫𝑧 𝑒 2 dz
√2𝜋
9
Probabilidad acumulada a la derecha de z
Para resolver, se utilizan métodos numéricos de integración, que resulta tedioso. Para evitar este problema se
puede utilizar la tabla de la función de distribución normal estándar.
Se tienen tablas que nos permiten calcular probabilidades en la variable aleatoria normal estándar Z, y por lo
tanto, probabilidades en cualquier variable aleatoria X distribuida normalmente.
• Uso de la tabla de la distribución normal estándar
La tabla que usaremos nos permite obtener inmediatamente probabilidades como F(z) = P (Z ≤z) .
Z2
1.25 1
Ejemplo: F(1.25) = P (Z ≤1.25)= ∫−∞ 𝑒− 2 dz = 0.8944
√2𝜋
¿Cómo se lee esta tabla?
✓ Básicamente, se busca el valor de z y la tabla nos da la probabilidad de que Z ≤ z .
✓ Es decir la tabla da la probabilidad acumulada que va desde el inicio de la curva por la izquierda
hasta dicho valor z.
✓ En la primera columna de la tabla se tiene el valor entero y el primer decimal de z y en la primera
fila de la tabla el segundo decimal de z, obteniéndose la probabilidad en el cuerpo de la tabla, en la
intersección de la fila y la columna correspondientes.
✓ Otras formas de probabilidades se obtienen considerando que el área debajo de la función es igual
a 1 y recordando la simetría de la distribución.
✓ También se podría buscar adentro de la tabla la probabilidad de Z ≤ z y observar el valor de z que
le corresponde.
10
Ejemplo1. Para hallar el valor del área a la izquierda de 1.37, consideramos 1.3 en la primera columna de la
tabla y al decimal 0.07 en la primera fila de la tabla, el valor del área se encuentra en la intersección de la fila de
1.3 y la columna de 0.07, el resultado es 0.9147.
Se puede escribir P (Z ≤1.37) = 0.9147
z 0.00 0.01 0.02 ……0.05………. 0.07 0.08 0.09
0.0
0.1
1.2
P(Z ≤1.37) =
1.3 0.9147
En el trabajo de probabilidades con la curva normal, es recomendable graficar en la curva, el área que
interesa determinar.
Propiedades de la distribución normal
Algunas propiedades de la distribución que son útiles en cálculos son:
1. Si X tiene distribución normal con media µ y varianza 𝜎 2 , la variable Y = a + bX es una variable aleatoria con
distribución normal de media a + bµ y varianza 𝑏 2 𝜎 2 .
2. Propiedad reproductiva de la distribución normal
Si 𝑋𝑖 tiene distribución normal con media µ𝑖 y varianza 𝜎𝑖2 , donde i = 1, 2, …, n, son n variables
independientes, entonces la variable:
Y = ∑𝑛𝑖=1 𝑐𝑖 𝑋𝑖
Tiene distribución normal con media ∑𝑛𝑖=1 𝑐𝑖 µ𝑖 y varianza ∑𝑛𝑖=1 𝑐𝑖2 𝜎𝑖2 es decir:
Y ~ N ( ∑𝑛𝑖=1 𝑐𝑖 µ𝑖 , ∑𝑛𝑖=1 𝑐𝑖2 𝜎𝑖2 )
En particular, si todas las variables son independientes y tienen la misma distribución
N (µ ,𝜎 2 ), entonces la variable Y = ∑𝑛𝑖=1 𝑋𝑖 tiene distribución N( nµ, n𝜎 2 )
Ejemplo.
Un ensamble consta de tres componentes colocados uno al lado del otro. La longitud de cada componente se
distribuye normalmente con media de 2 pulgadas y desviación estándar de 0.2 pulgadas. Las especificaciones
11
requieren que todos los ensambles tengan entre 5.7 y 6.3 pulgadas de longitud. ¿Cuántos ensambles cumplirán
con estos requerimientos?.
Sea Y la longitud del ensamble, siendo
Y = X1 + X2 + X3 µ𝑌 = 6 y 𝜎𝑌2 = 0. 12 ¿Por qué?
La distribución de Y ~ N (6, 0.12).
P( 5.7 < Y < 6.3) = P( - 0.87 < Z < 0.87) = P(Z < 0.87) – P(Z< -0.87)
= 0.8078 – 0.1922 = 0.6156
Cumplen los requerimientos el 61.56 por ciento de los ensambles
12
