1

DISTRIBUCIN DE PROBABILIDAD DE VARIABLE CONTINUA

Distribuciones de probabilidad
Las distribuciones de probabilidad de variable continua son distribuciones terica e idealizadas de las
distribuciones estadsticas de variable continua.



Las distribuciones de probabilidad de variable continua se definen mediante una funcin(y = f (x))
denominada funcin de probabilidad o funcin de densidad.

Las funciones de densidad de variable aleatoria deben de cumplir una serie de propiedades:
- Deben ser positivas(f(x) > 0) para cualquier valor de la variable aleatoria en su campo de definicin.
- Debe ser una funcin normalizada, es decir, el rea encerrada por la curva en su campo de existencia y el
eje de abcisas debe ser la unidad

Debido a estas propiedades, la probabilidad de que la variable aleatoria tome un valor comprendido
en cualquier intervalo [a, b] interior a su campo e existencia, es el rea bajo la curva en dicho intervalo.



La probabilidad de un suceso puntual es cero:
P[x = a] = 0
Como consecuencia:
P[a x b] = P[a < x < b]

Los parmetros que definen a este tipo de distribucin son la media y la desviacin. Para su
determinacin terica se requiere el clculo infinitesimal(Integrales).

Calculo de probabilidades mediante la funcin de densidad
Para calcular probabilidades en distribuciones de probabilidad de variable continua, hay que hallar
las reas bajo la curva que representa la funcin de densidad, lo que se hace mediante el clculo integral. Para
funciones de densidad constante o proporcionales, el rea bajo la curva se puede hallar como el rea de un
rectngulo ( ) altura base A = el rea de un trapecio |
.
|

\
|

+
= altura
2
menor base mayor base
A



2
Ejemplo 1. Sea la funcin

>

<
=
5 x S 0
5 x 1 S k
1 x S 0
) x ( f , se pide
a. Calcular el valor de k para que f (x) sea una funcin de densidad
b. Hallar la probabilidad de x este comprendido entre 2 y 4.

a. Para que f (x) sea una funcin de densidad se ha de cumplir que
i. f (x) 0 x Dominio
ii. El rea comprendida entre la funcin y el eje de abcisas debe ser la unidad.

La grafica de la funcin es:

A partir de esta segunda condicin se obtiene el valor de k
( ) 1 k 1 5 altura Base A = = =
despejando el valor de k,
4
1
k =
por lo tanto, la expresin de f (x) para que sea una funcin de densidad debe ser:

>

<
=
5 x S 0
5 x 1 S
4
1
1 x S 0
) x ( f

b. La P(2<x<4) es el rea bajo la curva en el intervalo (2, 4), que por ser un rectngulo se calcula como
base altura.


( ) ( )
2
1
4
1
2 4 4 x 2 p = = < <

Funcin de distribucin
Se llama funcin de distribucin de una variable aleatoria(x), a la funcin F(x) que asocia a cada
valor de la variable x la probabilidad acumulada hasta ese valor
F(x) = P(x x)

La funcin de distribucin de una variable aleatoria definida en el intervalo [a, b] cumple las
siguientes propiedades:
i. La probabilidad de que la variable tome un valor menor que a es la probabilidad del suceso
imposible, y por tanto vale cero
0 F(x) a x = <


3
ii. La probabilidad de que la variable tome un valor anterior a x siendo x >b es la probabilidad del
suceso seguro y, por tanto, 1
1 F(x) b x = >
iii. La probabilidad de que la variable tome un valor anterior a x con (a x b) es el rea bajo la
curva en el intervalo [a, x]. Se halla mediante el clculo infinitesimal, pero para funciones
elementales del tipo constante lineal, se puede hallar mediante la geometra elemental.
iv. La funcin F es continua a la derecha de a
v. La funcin F es creciente
vi. ( ) ( ) ( )
1 2 2 1
x F x F x X x p = < .
vii. En toda distribucin de variable continua la probabilidad de que la variable X tome un
determinado valor x, es igual a cero. ( ) 0 x X p = =
viii. La funcin de densidad de una variable aleatoria continua es una funcin derivada de la funcin
de distribucin.

Ejemplo 2. Sea la funcin
| |
| |

=
4 1, x S 0
4 1, x S x k
) x ( f , se pide:
a. Calcular k para que f (x) sea una funcin de densidad
b. Calcular su funcin de distribucin
c. Calcular P(x 3)
a. Para que f (x) sea una funcin de densidad, el rea bajo la curva en su campo de existencia debe ser
la unidad.

15
2
k 1
2
k 15
= =
sustituyendo en la expresin de la funcin:
| |
| |

=
4 1, x S 0
4 1, x S
15
x 2
) x ( f

b. La funcin de distribucin, debe calcular el rea acumulada hasta el valor x



Teniendo en cuenta lo anterior, la funcin de distribucin toma la forma:

( )

>

<
=
1 x Si 1
4 x 1 Si 1 x
15
1
1 x Si 0
) x ( F
2



4
su grfica es de la forma:


c. Se pide calcular:


Teniendo en cuenta las propiedades de la funcin de distribucin, la probabilidad pedida se puede
calcula como:
( ) ( ) ( ) ( ) ( ) ( )
15
7
1 3
15
1
1 4
15
1
3 F 4 F 4 x 3 P 3 x P
2 2
=
(

= = < =


5
LA DISTRIBUCIN NORMAL

La campana de Gauss o curva normal, es una funcin de probabilidad continua, simtrica, cuyo mximo
coincide con la media, .


Por su forma acampanada, se denomina campana de gauss.

Tiene una gran importancia debido a la enorme frecuencia con que aparece en las situaciones ms
variadas, por ejemplo:
Caracteres morfolgicos de individuos (personas, animales, plantas)de una misma raza. Tallas,
pesos, envergaduras, etc.
Caracteres fisiolgicos. Efectos de una misma dosis de un frmaco o de una misma cantidad de
abono.
Caracteres sociolgicos. Consumo de ciertos productos por individuos de un mismo grupo humano.
Caracteres fsicos. Resistencia a la rotura de piezas aparentemente idnticas.

Y, en general, cualquier caracterstica que se obtenga como suma de muchos factores.

Para cada valor de (media) y cada valor de (desviacin tpica), hay una curva normal, que se
caracteriza por N (, ), siendo y los parmetros de los distribucin.

El clculo de probabilidades en cada una de ellas es idntico y solo depende de los parmetros de la
distribucin.

Distribucin de probabilidades bajo la curva normal
La funcin de distribucin F(x), representa el rea encerrada bajo la curva f(x) desde hasta x

La funcin de densidad de una variable normal viene definida mediante una expresin del tipo
exponencial de la forma:
2
x
2
1
e
2
1
) x ( f
|
.
|

\
|

=
que representa a todas las posibles distribuciones normales, y cada una se caracterizaran por los parmetros
por y .

A mayor dispersin, mayor desviacin tpica, la grfica de la distribucin es menos apuntada y ms
abierta. Por el contrario, para valores de muy pequeos disminuye la dispersin, y en consecuencia la
grfica de la funcin es mucho ms apuntada y muy concentrada.

De las infinitas distribuciones, tiene especial inters la distribucin N(0,1), que tiene =0 y =1.
A est distribucin se la denomina ley normal standard.

La N(0, 1) se ha tabulado, obtenindose la siguiente tabla:


6
NORMAL N(0, 1)

Z
000 001 002 003 004 005 006 007 008 009
00 05000 05040 05080 05120 05160 05199 05239 05279 05319 05359
01 05398 05438 05478 05517 05557 05596 05636 05675 05714 05753
02 05793 05832 05871 05910 05948 05987 06026 06064 06103 06141
03 06179 06217 06255 06293 06331 06368 06406 06443 06480 06517
04 06554 06591 06628 06664 06700 06736 06772 06808 06844 06879
05 06915 06950 06985 07019 07054 07088 07123 07157 07190 07224
06 07257 07291 07324 07357 07389 07422 07454 07486 07517 07549
07 07580 07611 07642 07673 07704 07734 07764 07794 07823 07852
08 07881 07910 07939 07967 07995 08023 08051 08087 08106 08133
09 08159 08186 08212 08238 08264 08289 08315 08340 08365 08389
10 08413 08438 08461 08485 08508 08531 08554 08577 08599 08621
11 08643 08665 08686 08708 08729 08749 08770 08790 08810 08830
12 08849 08869 08888 08907 08925 08944 08962 08980 08997 09015
13 09032 09049 09066 09082 09099 09115 09131 09147 09162 09177
14 09192 09207 09222 09236 09251 09265 09279 09292 09306 09319
15 09332 09345 09357 09370 09382 09394 09406 09418 09429 09441
16 09452 09463 09474 09484 09495 09505 09515 09525 09535 09545
17 09554 09564 09573 09582 09591 09599 09608 09616 09625 09633
18 09641 09649 09656 09664 09671 09678 09686 09693 09699 09706
19 09713 09719 09726 09732 09738 09744 09750 09756 09761 09767
20 09772 09778 09783 09788 09793 09798 09803 09808 09812 09817
21 09821 09826 09830 09834 09838 09842 09846 09850 09854 09857
22 09861 09864 09868 09871 09875 09878 09881 09884 09887 09890
23 09893 09896 09898 09901 09904 09906 09909 09911 09913 09916
24 09918 09920 09922 09925 09927 09929 09931 09932 09934 09936
25 09938 09940 09941 09943 09945 09946 09948 09949 09951 09952
26 09953 09955 09956 09957 09959 09960 09961 09962 09963 09964
27 09965 09966 09967 09968 09969 09970 09971 09972 09973 09974
28 09974 09975 09976 09977 09977 09978 09979 09979 09980 09981
29 09981 09982 09982 09983 09984 09984 09985 09985 09986 09986
30 09987 09987 09988 09988 09989 09989 09989 09990 09990 09990
31 09990 09991 09991 09991 09992 09992 09992 09992 09993 09993
32 09993 09993 09994 09994 09994 09994 09994 09995 09995 09995
33 09995 09995 09995 09996 09996 09996 09996 09996 09996 09997
34 09997 09997 09997 09997 09997 09997 09997 09997 09997 09998
35 09998 09998 09998 09998 09998 09998 09998 09998 09998 09998
36 09998 09998 09999 09999 09999 09999 09999 09999 09999 09999
37 09999 09999 09999 09999 09999 09999 09999 09999 09999 09999
38 09999 09999 09999 09999 09999 09999 09999 09999 09999 09999
39 10000 10000 10000 10000 10000 10000 10000 10000 10000 10000



7
Tipificacin de la variable.
No se pueden construir tablas para todos los tipos posibles de distribuciones N(, ) ya que y
pueden tomas infinitos valores, es ms aconsejable transformar la variable X que sigue una distribucin
N(, ) en otra variable Z que siga una distribucin N(0, 1), a esta transformacin se le denomina tipificacin
de la variable.

La tipificacin de la variable lleva dos conceptos:
i. Centrar, es decir, hacer la media nula ( =0)
ii. Reducir, es decir, hacer la desviacin tpica igual a uno
Estos dos pasos se consiguen simultneamente haciendo el siguiente cambio de variable:

=
X
Z

Clculo de probabilidades en distribuciones normales
En cualquier variable continua(x) que siga una distribucin del tipo N(, ), la probabilidad de que
la variable este comprendida dentro de un intervalo se puede calcular mediante la distribucin N(0, 1)
mediante la tipificacin de la variable
( ) ( )
o
o o
o o o
z z p
x
z p
x
z x x x p =
|
|
.
|

\
|

=
)
`

= =
La tabla N(0, 1) da las probabilidades ( ) k z p para valores de k de 0 a 4, de centsima en
centsima. A estas probabilidades se llama ( ): k
( ) ( )
o o
z z p z =
( )
o
z es la funcin de distribucin de esta variable aleatoria.
El valor de z
o
se busca de la siguiente forma:
- Unidades y dcimas en la columna de la izquierda.
- Centsimas en la primera fila.
El nmero que da la tabla((z
o
)), es la probabilidad de que la variable tipificada z sea menor o igual
que z
o
.
Ejemplo 3.
| | ( )
| | ( )
| | ( ) 8413 , 0 00 , 1 1 z P
8849 , 0 20 , 1 2 , 1 z P
6736 , 0 45 , 0 45 , 0 z P
= =
= =
= =


Recprocamente, si se conoce el valor de la probabilidad (z
o
), se puede calcular el valor de z
o
.
Ejemplo 4.
| | ( )
| | ( )
| | ( ) 14 , 0 z 5560 , 0 z z z p
10 , 1 z 8643 , 0 z z z p
58 , 0 z 7190 , 0 z z z p
o o o
o o o
o o o
= =
= = =
= = =


En una distribucin de variable continua las probabilidades puntuales son nulas: | | . 0 z x p
o
= = Por
tanto,
| | | |
o o
z x p z x p < =

La curva de distribucin normal N(0, 1) tiene dos propiedades muy tiles a la hora de calcular
probabilidades:
i. La curva es normalizada
( ) ( )
o o
z z p 1 z z p > =
ii. La curva es simtrica
( ) ( )
o o
z z p z z p =


8
Teniendo en cuenta estas propiedades se pueden calcular los siguientes casos:
i. ) Z ( ) Z Z ( p
0 0
=



ii. ) Z ( 1 ) Z Z ( p 1 ) Z Z ( p ) Z Z ( p
0 0 0 0
= < = =



iii. ) Z ( 1 ) Z Z ( p 1 ) Z Z ( p
0 0 0
= < =



iv. ) Z ( ) Z Z ( p ) Z Z ( p
0 0 0
= =



v. ) Z ( ) Z ( ) Z Z ( p ) Z Z ( p ) Z Z Z ( p
o 1 o 1 1 o
= < =



9
vi. ) Z ( ) Z ( ) Z Z ( p ) Z Z ( p ) Z Z Z ( p ) Z Z Z ( p
1 o 1 o o 1 1 o
= < = =




vii. ( ) ) Z ( 1 ) Z ( ) Z Z ( p ) Z Z ( p ) Z Z Z ( p
o 1 o 1 1 o
= < =



10


Ejemplo 5. La talla media de 200 alumnos de un centro escolar es de 165 cm y la desviacin tpica, 10 cm. Si
las tallas se distribuyen normalmente.
a. Calcula la probabilidad de que un alumno elegido al azar mida ms de 180 cm
b. Cuntos alumnos puede esperarse que midan ms de 180 cm?

a. x Variable aleatoria continua que representa la talla de los alumnos de un centro escolar, se
distribuye segn la normal:
( ) 10 , 165 N : x
donde 165 es la media de la distribucin() y 10 es la desviacin().

Se pide calcular la probabilidad de que x sea mayor de 180 cm ( ) ( ) 180 x p > . Tipificando la variable:
( ) ( ) 50 ' 1 z p 50 ' 1
10
165 180
z 180 x p > =
)
`

= = >
Grficamente


Analticamente:
( ) ( ) ( ) ( ) 0668 ' 0 9332 ' 0 1 9332 ' 0
00 ' 0 : Columna
5 ' 1 : Fila
50 ' 1 50 ' 1 1 50 ' 1 z p 1 50 ' 1 z p = =
(
(

=
)
`

= = = = >
( ) % 68 ' 6 180 x p = >

b. Valor esperado = N p = 200 00668 = 134 Valor esperado 13

Ejemplo 6. En una ciudad las temperaturas mximas diarias durante el mes de julio se distribuyen
normalmente con una media de 26 C y una desviacin tpica de 4 C. Que intervalo de temperaturas mximas
se han alcanzado el 5% de los das ms calurosos.

x Variable aleatoria continua que representa la temperatura mxima, sigue una distribucin normal
( ) 4 26, N : x
Se pide calcular la temperatura(x
o
) para la que se cumple:
( ) % 5 x x p
o
= >
tipificando la variable
( ) 0500 ' 0 z z p
o
= >

operando
( ) ( ) ( ) 9500 ' 0 0500 ' 0 1 z z p 0500 ' 0 z z p 1 z z p
o o o
= = = = >
( ) ( ) ( ) 65 ' 1 9500 ' 0 z 9500 ' 0 z z z p
1
o 0 o
= = =


conocido el valor de z
o
, mediante la ecuacin de tipificacin se obtiene la temperatura buscada.


11
C 6 ' 32 26 4 65 ' 1 x 65 ' 1
4
26 x
z
o
o
o
= + = =

=

El 5% de los das ms calurosos la temperatura mxima fue mayor de 326 C

Aproximacin de la Binomial a la Normal
Una distribucin binomial del tipo B(N, p) se aproxima a una distribucin normal a medida que
aumenta el producto Np Nq s q<p. Si los productos Np y Nq son mayores que 3, la aproximacin es
bastante buena. Si ambos productos superan a 5, la aproximacin es casi perfecta.

La distribucin normal a la que se aproxima la binomial tiene la misma media y desviacin tpica que
ella.
( ) ( )
)
`

=
=
, N : ' x
q p N
p N
p N, B : x

El clculo de probabilidades de x puede hacerse a partir de x teniendo en cuenta lo siguiente:
( ) ( ) 5 ' 0 x x 5 ' 0 x p x x p
o o o
+ < < = =
es decir, al valor puntual de x(0, 1, 2, ... ) se asocia un intervalo centrado en x
o
de radio 05.

Aplicando esto a los posibles intervalos, las transformaciones son de la siguiente forma:

i. ( ) ( ) 5 ' 0 a ' x p a x p + < =

ii. ( ) ( ) 5 ' 0 a ' x p a x p < = <

iii. ( ) ( ) 5 ' 0 b ' x p b x p > =

iv. ( ) ( ) 5 ' 0 b ' x p b x p + > = >

v. ( ) ( ) 5 ' 0 a ' x 5 ' 0 b p a x b p + < < =

vi. ( ) ( ) 5 ' 0 a ' x 5 ' 0 b p a x b p + < < + = <

vii. ( ) ( ) 5 ' 0 a ' x 5 ' 0 b p a x b p < < = <

viii. ( ) ( ) 5 ' 0 a ' x 5 ' 0 b p a x b p < < + = < <




12
Ejemplo 7. Calcular la probabilidad de que al lanzar un dado 500 veces, se obtengan menos de 75 veces la
cara tres.

x Variable discreta que representa el nmero de veces que se obtiene la cara tres al lanzar 500 un
dado, sigue una distribucin binomial del tipo B(N, p), donde N es el nmero de pruebas(lanzamientos) y p es
la probabilidad de existo(obtener cara tres en un lanzamiento).
|
.
|

\
|

= =
=
6
1
, 500 B : x
6
1
posibles Casos
favorables Casos
p
500 N


Puesto que el producto Np = 833, la binomial se ajusta casi perfectamente a una normal del tipo
N(, ), siendo:
( ) 8'33 , 33 ' 83 N : ' x
33 ' 8
6
5
6
1
500 q p N
33 ' 83
6
1
500 p N

= = =
= = =

Nota: p + q = 1 q = 1 p

Se pide calcular la probabilidad de que x sea menor cincuenta, que transformada a la variable
continua x se transforma en que sea menor que 495.
( ) ( ) ( ) 5 ' 74 ' x p 5 ' 0 75 ' x p 75 x p < = < = <
Tipificando la variable continua:
( ) ( ) 06 ' 1 z p 06 ' 1
33 ' 8
3 ' 83 5 ' 74
z 5 ' 74 ' x p < =
)
`

= = <
( ) ( ) ( ) ( ) ( ) 1456 ' 0 8554 ' 0 1 8554 ' 0
06 ' 0 : Columna
0 ' 1 : Fila
06 ' 1 06 ' 1 1 06 ' 1 z p 1 06 ' 1 z p 06 ' 1 z p = =
|
|
.
|

\
|
=
)
`

= = = = > = <
Grficamente


( ) % 56 ' 14 75 x p = <