Distribuciones continuas

de probabilidad
Recordamos que una variable aleatoria continua es
una variable cuyo valor no puede predecirse con
exactitud (aunque s en trminos probabilsticos, es
decir, con determinado grado de incertidumbre) y que
los valores que puede tomar son todos los nmeros
de un intervalo de nmeros reales con ms de un
elemento.
Ejemplo 1: Supngase que se estudia el peso de los ejemplares de una cierta
especie de pjaros; para ello, se toma una muestra, se agrupan los datos en
Intervalos, y se calculan los porcentajes.

%
150-155 3 40

155-160 8

160-165 20

165-170 40 20

170-175 23

175-180 5

180-185 2

100 150 155 160 165 170 175 180 185

Peso
 %
150-155 3 40

155-160 8

160-165 20

165-170 40 20

170-175 23

175-180 5

180-185 2

100 150 155 160 165 170 175 180 185

Peso
Cul es la probabilidad de que un ejemplar de la MUESTRA, tomado al azar,
tenga un peso superior a 170?
Cul es la probabilidad de que un ejemplar de la POBLACION, tomado al azar,
tenga un peso superior a 170?

Funcin de
densidad
%
y = f(x)

170
170
Peso

Esa rea es la probabilidad pedida; tambin puede interpretarse

como el porcentaje total de pjaros (no slo de la muestra) con
un peso superior a 170.
Cul es la probabilidad de que un ejemplar de la POBLACION, tomado al azar,
tenga un peso superior a 170?

Funcin de
densidad
%
y = f(x)

170
170 Peso

Si se conoce la expresin f(x), entonces el rea se calcula como

f ( x)dx
170
DEFINICION (funcin de densidad). Dada una variable
aleatoria continua X, decimos que f(x) es una funcin de
densidad de X, si

1.- f(x)0 para todo valor de x

2.- f ( x)dx = 1.

a
3.- P ( X a ) = f ( x)dx.

En estas condiciones, P(a X b) (es decir, la probabilidad de que
la variable X tome un valor entre los valores a y b) se calcula como:

b
P(a X b) = f ( x)dx
a

f(x)

a b
IMPORTANTE: Por lo tanto, la probabilidad de que la variable X tome un
valor determinado, digamos a, es CERO:

a
P( X = a) = f ( x)dx = 0
a

Tambin,

P ( a X b) = P ( a X b) = P ( a X b) =
= P ( a X b)
DEFINICION (Funcin de distribucin). Dada una
variable aleatoria continua X, con funcin de densidad
f(x), la funcin de distribucin F(x) es la funcin que
para cada valor de x nos da la probabilidad de que X
tome un valor menor o igual que x:

x
F ( x) = P ( X x) = f (t )dt.

La funcin de distribucin cumple:

1. La derivada de la funcin de distribucin,

es la funcin de densidad. F ' ( x) = f ( x)

2. Se verifica:

P ( a X b ) = F (b ) F ( a )
MEDIA, VARIANZA, DESVIACION TIPICA

MEDIA:

Variable aleatoria discreta X:

m = xp( x), donde p ( x) = P ( X = x).

x

Variable aleatoria continua X:

m = xf ( x)dx

MEDIA, VARIANZA, DESVIACION TIPICA

VARIANZA:
Variable aleatoria discreta X:

s 2 = x m 2 p ( x) = x 2 p ( x) m 2
x x

Variable aleatoria continua X:

2
s = x m
2 2
f ( x)dx = x f ( x)dx m 2

DESVIACION ESTNDAR (TPICA):

s = s2
 DISTRIBUCIONES CONTINUAS MS
CONOCIDAS
Distribucin Uniforme. Se dice que una variable aleatoria
continua X tiene una distribucin uniforme en el intervalo
(a, b), a < b, si su funcin de densidad de probabilidad f
est definida como
f ( x)
1
, si a x b,
f ( x) = b a
0, en otro caso.
a b

E(X ) =
ab
, Var ( X ) =
b a 2
Se tiene
2 12
Ejemplo 2.
Se sabe que X es una variable aleatoria
uniformemente distribuida entre 10 y 20.
a) Trazar la grfica de la funcin de
densidad.
b) Determinar P(X<15).
c) Calcular P(12 X 18).
d) Hallar el valor esperado, E(X).
e) Encontrar la desviacin estndar de X.
 Distribucin normal

Sin duda la distribucin continua

de probabilidad ms importante,
por la frecuencia con que se
encuentra y por sus aplicaciones
tericas, es la distribucin
Pierre Simon de Laplace normal, gaussiana o de
(1749--1827)
(1749 Laplace- Gauss. Fue descubierta
y publicada por primera vez en
1733 por De Moivre. A la misma
distribucin llegaron, de forma
independiente, Laplace (1812) y
Gauss (1809), en relacin con la
teora de los errores de
observacin astronmica y fsica.
Karl F. Gauss
(1777--1855)
(1777
Caracteres morfolgicos de individuos (personas, animales, plantas,...) de
una especie (tallas, pesos, dimetros, permetros,...).

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen, ...

Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un

frmaco.

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos muestrales, por ejemplo : la media.
Y en general cualquier caracterstica que se obtenga como suma o
promedio de muchos trminos.

Otras distribuciones como la binomial o la de Poisson se aproximan

a la normal. Distribuciones binomiales con n grande (n>30) y p ni pequeo (np > 5)
ni grande (n(1-p) > 5).
 Distribucin normal o gaussiana.
Est caracterizada por dos parmetros: la media, ,
y la desviacin estndar o tpica, .

Su funcin de densidad es:

)2
( xx
1
f ( x) = e 2 2
, m , 0.
2

La curva normal adopta un nmero infinito de formas,

determinadas por sus parmetros y .
 Caractersticas de la distribucin Normal
Tiene forma de campana, es asinttica al eje de las abscisas

Simtrica con respecto a la media (m) donde coinciden la mediana

(Md) y la moda (Mo )
Los puntos de inflexin tienen como abscisas los valores m s

Puntos
de
inflexin

s s +
m - s m, Mo, Md m + s
 Distribucin normal con m =0 para varios valores s
1.6

1.2 s=0.25
s=0.5
s=1
f(x) 0.8

0.4

0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
 ( x ) 2
1
f ( x) = e 2 2
, m , 0.
2

s =5 s =5

s = 10

20 30 40 50 60 70 80 90 100 110 120

Curvas normales con distintas medias y desviaciones estndar.

La distribucin normal con
media y desviacin
estndar se denota como
N(,)

Interpretacin geomtrica:
Podemos interpretar la
media como un factor de
traslacin.
Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
 N(, ): Interpretacin probabilstica
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
Entre la media y
dos desviaciones
tpicas aprox. 95%

Si tomamos intervalos centrados en , y cuyos extremos estn

a distancia , tenemos probabilidad 68%
a distancia 2, tenemos probabilidad 95%
a distancia 3 tenemos probabilidad 99%
 ( x ) 2
1
22
f ( x) = e
2
Podemos obtener la funcin de
distribucin F(x) integrando la
funcin de densidad de probabilidad:

x ( v ) 2 De modo que la probabilidad de una

1
2 2
F ( x) = e dv variable aleatoria normal X en un
2 intervalo a x b es:
t ( v )2
1
2 2
P ( a X b ) = F (b ) F ( a ) = e dt
2 a
( v ) 2
En particular: 1
2 2

2 e

dv = 1

En general, no podemos calcular analticamente el valor de F(x).

 Cmo calcular probabilidades asociadas
a una curva normal especfica?

Se tabulan algunos valores de F(x), pero dado que tanto m

como s pueden asumir infinitos valores, lo que hace
impracticable tabular las probabilidades para todas las posibles
distribuciones normales, se utiliza la distribucin normal
estndar o tipificada.
Se define la variable z =
x -m
s

Es una traslacin, y un cambio de escala de la

variable original.
 La nueva variable Z tiene distribucin NORMAL con
media m = 0 y desviacin estndar s = 1
Recordemos de nuevo que en cualquier distribucin normal las
probabilidades delimitadas entre :
s es 68 %
2s es 95 %
3s es 99 %

95%
68%
99%
68%

95%
99% z
-3 -2 -1 0 1 2 3
 Estandarizacin.
Dada una variable con media y desviacin
estndar , se denomina valor estandarizado z, de
una observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
estndars, es decir:
xm
z=
s

En el caso de una variable X normal, la interpretacin es

clara: asigna a todo valor de N(, ), un valor de N(0,1) que
deja exctamente la misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos
distribuciones normales diferentes, para saber cul de los
dos es ms extremo.
 Ejemplo 3.
Se quiere dar una beca a uno de dos estudiantes de sistemas
educativos diferentes y se asignar al que tenga mejor expediente
acadmico:
El estudiante A tiene una calificacin de 8 en un sistema donde la
calificacin de los alumnos se comporta como N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema donde
la calificacin de los alumnos se comporta como N(70,10).
No podemos comparar directamente 8
puntos de A frente a los 80 de B, pero
como ambas poblaciones se comportan
de modo normal, podemos estandarizar
y observar las puntuaciones sobre una
distribucin de referencia N(0,1).
Como zA > zB, podemos decir que el
porcentaje de compaeros del mismo
sistema de estudios que ha sido xA m A 86
zA = = =2
superado en calificacin por el sA 1
estudiante A, es mayor que el que ha
sido superado por B. En principio A es x m B 80 70
zB = B = =1
mejor candidato para la beca. sB 10
 x (t )2
Apliquemos el cambio de 1
2 2
variable estandarizada a la FX ( x) = e dt
2
funcin de distribucin F(x):

z y2
x- 1
2
z= ( z ) = P( Z z ) = e dy
2

Las probabilidades de la variable estandarizada Z estn

tabuladas para diferentes valores de la variable. Para calcular
probabilidades, una vez transformado el valor x de la variable
X en el valor z de la variable Z, se busca en una tabla el rea
correspondiente.
 z2
1 Caractersticas de la distribucin
( z) = e 2
; z normal estandar:
2
z y2 No depende de ningn parmetro.
1
2
( z ) = p(Z z ) = e dy Su media es 0, su varianza es 1 y su
2 desviacin estndar es 1.

La grfica de (z) es simtrica

respecto al eje de las ordenadas y
tiene su mximo en este eje.

Tiene dos puntos de inflexin en z =1

y z = -1.
Hay varios tipos de tablas de la distribucin normal
La que se explica aqu representa las reas para los
diferentes valores de z desde 0 hasta +

Los valores
negativos de z NO
estn tabulados, ya
que la distribucin
es simtrica

+
0
La tabla consta de: *Margen izquierdo : Los enteros de z y
su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: reas correspondientes,
acumuladas, desde 0
hasta 3.99

0 1 2 3 4 5 6 7 8 9

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....

0.5 .1915 ....

 EJEMPLOS.
4.-Cul es la probabilidad de que un
valor de Z est entre 0 y -2.03?

5.-Cul es la probabilidad de que un

valor de Z est entre -2.03 y +2.03?

6. Hallar P( Z >1.25 ) 7. Hallar P ( -0.34 < Z < )

8. Hallar P ( 0.34 < Z < 2.30 )

Ejemplo 4.
Cul es la probabilidad de que un valor de Z est entre 0 y -2.03?

Cmo la curva es simtrica

P (-2.03 < Z< 0) = P (0 < Z < 2.03)

?
z
-3 -2 -1 0 1 2 3
Ejemplo 4.
Cul es la probabilidad de que un valor de Z est entre 0 y -2.03?
Se busca en la tabla el rea correspondiente a z = 2.03

0 1 2 3 4
1.8
1.9
2.0 0.47882
2.1

47. 88%

z
-3 -2 -1 0 1 2 3
Ejemplo 5.
Cul es la probabilidad de que un valor de Z est entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que Z estuviera entre 0
y 2.03 es 0.47882
La misma rea hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< Z< 2.03) = 0.95764

?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
Ejemplo 6.
Cul es la probabilidad de que un valor de Z sea mayor a 1.25 ?

1.- La probabilidad de que 0 < Z < + es 0.500

2.- La probabilidad de que 0 < Z < 1.25 es 0.39435
3.- La probabilidad de que Z > 1.25
es 0.500 - 0.39435= 0.10565

50%

39.44%
10.56%
? z
-3 -2 -1 0 1 2 3
 Ejemplo 7.
Hallar P( -0.34 < Z < )
P(0 < Z <0.34) = 0.13307 = 63.31%
P(-0.34 < Z < 0)
P (0 < Z < ) = 0.50000
P( -0.34 < Z < ) =
0.13307 + 0.50000 = 0.63307

13.31% 50%

-3 -2 -1 0 1 2 3
Ejemplo 8.
Hallar P( 0.34 < Z < 2.30) P(0< Z<0.34) = 0.13307
P( 0 < Z < 2.30) = 0.4893
P (0.34 < Z < 2.30) = 0.48930 - 0.13307 = 0.35623

35.62%

z
-3 -2 -1 0 1 2 3
 EJEMPLO 9.

Sea X una variable distribuida normalmente con

media m = 4 y desviacin estndar s = 1.5.
Cul es la probabilidad de encontrar un valor X 6
(P(X 6 ))?
 m=4 s = 1.5 Hallar P ( X 6 )
x
1.- transformar x en un valor de Z
1.- z=
z = (6 - 4)/1.5 = 1.33
2.- Hallar P ( 0 < Z < 1.33) =
3.- 0.5000 - 0.40824 = 0.5

0.40824

0.09176
? x
-0.5 1 2.5 4 5.5 6 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
Hasta ahora vimos como dado un valor x de la variable X,
hallar probabilidades transformando (estandarizando) la
variable en valores de X-m
Z=
s
Cmo hallar un valor de X, dada la probabilidad?
Ejemplo: Sea X una variable distribuida normalmente con m =4
y s =2 . Hallar el valor de X que deja por encima de l un 38.20%
(0.3820)
Se debe desestandarizar :
X=Zs+m
0.5000 - 0.382 = 0.118 Se busca en la
tabla el valor ms aproximado :0.1179 38.20%
corresponde a z =+ 0.30
Sustituyendo en la frmula
(0.30)(2)+4 =4.60 x=?
4.60
EJEMPLO 10.
 EJERCICIOS.

1. Supongamos que se desea establecer una restriccin para el mximo

nmero de personas que se pueden subir a un elevador. Un estudio del
uso de los elevadores indica que si 8 personas ocupan el ascensor , la
distribucin de probabilidad del peso total de las ocho personas tiene
una media igual a 1200 libras y una varianza de 9800 (libras)2. Cul es
la probabilidad de que el peso total de 8 personas exceda de 1300
libras? 1500? Suponga que la distribucin de probabilidad es
aproximadamente normal.

2. La descarga de slidos en suspensin de una mina de fosfatos tiene

una distribucin normal, la descarga diaria promedio es de 27
miligramos por litro (mg/l) y una desviacin estndar de 14 mg/l. Cul
es la cantidad de das en los cuales la descarga diaria ser mayor de 50
mg/l?
3. Las ventas diarias de (excluyendo los sbados) en un restaurante
pequeo tienen una distribucin de probabilidad que es
aproximadamente normal, con media igual a $530 dlares por da
y desviacin estndar igual a $120.
a) Cul es la probabilidad de que las ventas excedan de $700 dlares
en un da dado?
b) El restaurante necesita ventas diarias de por lo menos $300 dlares
para cubrir los gastos. Cul es la probabilidad de que, en un da
dado, el establecimiento no cubra los gastos?
4. Se puede ajustar una cargadora de granos para que descargue
cantidades que tengan una distribucin normal con una media de
bushels y una desviacin estndar de 25.7 bushels. Si una
compaa quiere utilizar la cargadora para llenar unos
contenedores cuya capacidad es de 2000 bushels de grano, y
quiere sobrecargar solamente un contenedor entre 100, a qu
valor de se tendr que ajustar la cargadora?
5. La vida til de cierto tipo de lavadora tiene una distribucin
aproximadamente normal, con media de 3.1 y desviacin
estndar de 1.2 aos. Si este tipo de lavadora tiene garanta de
un ao, qu fraccin de la cantidad vendida originalmente
necesitar ser reemplazada?

6. La distribucin de estaturas, en cm, de una comunidad es

N(175,100). Al ejrcito solo entran aquellos cuya estatura se
encuentra entre 155 y 195 cm. Calcular la probabilidad de que
un soldado elegido al azar tenga una estatura comprendida entre
172 y 181 cm.
7. Una empresa produce tres tipos de paquetes, los de tipo A con
un peso, en kg, que sigue una distribucin N(50,15), los de tipo
B con un peso, en kg, que sigue una distribucin N(55,18) y los
de tipo C con un peso, en kg, que sigue una distribucin
N(65,20). En un lote hay 10 paquetes tipo A, 15 tipo B y 20 tipo
C.
a) Calcular la probabilidad de que el peso total del lote sea
superior a 2810 kg.
b) Se extrae al azar un paquete del lote. Calcular la
probabilidad de que el peso del paquete sea superior a 60
kg. (Respuesta: 0.452)
Distribucin exponencial

Funcin de densidad: f ( x ) = e x
0, x 0
Distribucin exponencial.

x =1/
f ( x ) = e =1/

- Se utiliza con frecuencia para modelar la duracin (vida de personas,

animales o componentes fsicos; duracin de huelgas, recesiones eco-
nmicas, etc.) o el tamao (duracin de llamadas, tamao de yaci -
mientos, etc.)
Distribucin ji-cuadrada de Pearson con n grados
de libertad.

La distribucin de probabilidad de la variable aleatoria

2 2 2 2
= Z Z Z ,
n 1 2 n

donde Z1 , Z2 ,..., Zn son variables aleatorias independientes

con distribucin normal estndar, se llama ji-cuadrada con n grados de
ilbertad.
Distribucin ji-cuadrada de Pearson con n grados
de libertad.

Chi-Cuadrado Distribucin
0,1 Grad. de libertad
13
0,08
densidad

0,06

0,04

0,02

0
0 10 20 30 40
x

Media: n Es importante en inferencia

Varianza: 2n estadstica
Distribucin ji-cuadrada de Pearson con n grados
de libertad.

Chi-Cuadrado Distribucin
0,1 Grad. de libertad
13
0,08
densidad

0,06

0,04

0,02

0
0 10 20 30 40
x

Est tabulada 2
n ,
2
P( 2
) =
n n ,
Distribucin t de Student con n grados de libertad.

Z Z con distribucin N (0,1)

Tn =
1 2 n2
n Ji-cuadrada
n con n grados de
libertad

t de Student Distribucin
0,4 Grad. de libertad
10
0,3
densidad

0,2

0,1

0
-6 -4 -2 0 2 4 6
x
Distribucin t de Student con n grados de libertad.

t de Student Distribucin
0,4 Grad. de libertad
10
densidad 0,3

0,2

0,1

0
-6 -4 -2 0 2 4 6
x

Es SIMETRICA respecto al eje y

Media: 0 Es importante en inferencia
Varianza: n/(n-2) (para n>2) estadstica
Distribucin t de Student con n grados de libertad.

t de Student Distribucin
0,4 Grad. de libertad
10
densidad 0,3

0,2

0,1

0
-6 -4 -2 0 2 4 6
x

t n , P (Tn t n , ) =
Est tabulada
Es importante en inferencia
estadstica
Distribucin F de Snedecor con n1, n2 grados de
libertad :
2 2
/ n1
n1 n1 Ji-cuadrada con n1
Fn1 ,n2 = 2
grados de libertad
/ n2 2
n2 n2
Ji-cuadrada con n2
grados de libertad

F (ndice de varianza) Distribucin

0,8 Numerador g.l.,Denominador g.l.
10,10
0,6
densidad

0,4

0,2

0
0 1 2 3 4 5
x
Distribucin F de Snedecor con n1, n2 grados de
libertad :

F (ndice de varianza) Distribucin

0,8 Numerador g.l.,Denominador g.l.
10,10
0,6
densidad

0,4

0,2

0
0 1 2 3 4 5
x

Est tabulada f n1 ,n2 ,

P ( Fn1 ,n2 f n1 , n2 , ) =