Distribuciones continuas

de probabilidad
Recordamos que una variable aleatoria continua es
una variable cuyo valor no puede predecirse con
exactitud (aunque sí en términos “probabilísticos”, es
decir, con determinado grado de incertidumbre) y que
los valores que puede tomar son todos los números
de un intervalo de números reales con más de un
elemento.
Ejemplo 1: Supóngase que se estudia el peso de los ejemplares de una cierta
especie de pájaros; 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
¿Cuál es la probabilidad de que un ejemplar de la MUESTRA, tomado al azar,
tenga un peso superior a 170?
¿Cuál es la probabilidad de que un ejemplar de la POBLACION, tomado al azar,
tenga un peso superior a 170?

Función de
densidad
%
y = f(x)

170
170
Peso

Esa área es la probabilidad pedida; también puede interpretarse

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

Función de
densidad
%
y = f(x)

170
170 Peso

Si se conoce la expresión f(x), entonces el área se calcula como

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

También,

P ( a  X  b) = P ( a  X  b) = P ( a  X  b) =
= P ( a  X  b)
DEFINICION (Función de distribución). Dada una
variable aleatoria continua X, con función de densidad
f(x), la función de distribución F(x) es la función 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 función de distribución cumple:

1. La derivada de la función de distribución,

es la función 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 ESTÁNDAR (TÍPICA):

s = s2
 DISTRIBUCIONES CONTINUAS MÁS
CONOCIDAS
Distribución Uniforme. Se dice que una variable aleatoria
continua X tiene una distribución uniforme en el intervalo
(a, b), a < b, si su función de densidad de probabilidad f
está definida como
f ( x)
 1
, si a  x  b,
f ( x) =  b  a
 0, en otro caso.
a b

E(X ) =
ab
, 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 gráfica de la función de
densidad.
b) Determinar P(X<15).
c) Calcular P(12  X  18).
d) Hallar el valor esperado, E(X).
e) Encontrar la desviación estándar de X.
 Distribución normal

Sin duda la distribución continua

de probabilidad más importante,
por la frecuencia con que se
encuentra y por sus aplicaciones
teóricas, es la distribución
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
distribución llegaron, de forma
independiente, Laplace (1812) y
Gauss (1809), en relación con la
teoría de los errores de
observación astronómica y física.
Karl F. Gauss
(1777--1855)
(1777
Caracteres morfológicos de individuos (personas, animales, plantas,...) de
una especie (tallas, pesos, diámetros, perímetros,...).

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

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

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

fármaco.

Errores cometidos al medir ciertas magnitudes.

Valores estadísticos muestrales, por ejemplo : la media.
Y en general cualquier característica que se obtenga como suma o
promedio de muchos términos.

Otras distribuciones como la binomial o la de Poisson se aproximan

a la normal. Distribuciones binomiales con n grande (n>30) y ‘p ni pequeño’ (np > 5)
‘ni grande’ (n(1-p) > 5).
 Distribución normal o gaussiana.
• Está caracterizada por dos parámetros: la media, μ,
y la desviación estándar o típica, σ.

• Su función de densidad es:

 μ)2
( xx
1 
f ( x) = e 2σ 2
, m  , σ  0.
σ 2π

La curva normal adopta un número infinito de formas,

determinadas por sus parámetros μ y σ.
 Características de la distribución Normal
• Tiene forma de campana, es asintótica al eje de las abscisas

• Simétrica con respecto a la media (m) donde coinciden la mediana

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

Puntos
de
inflexión

 s s +
m - s m, Mo, Md m + s
 Distribución 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  μ) 2
1 
f ( x) = e 2σ 2
, m  , σ  0.
σ 2π

s =5 s =5

s = 10

20 30 40 50 60 70 80 90 100 110 120

Curvas normales con distintas medias y desviaciones estándar.

La distribución normal con
media μ y desviación
estándar σ se denota como
N(μ,σ)

Interpretación geométrica:
• Podemos interpretar la
media como un factor de
traslación.
• Y la desviación típica
como un factor de
escala, grado de
dispersión,…
 N(μ, σ): Interpretación probabilística
• Entre la media y una
desviación típica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
• Entre la media y
dos desviaciones
típicas aprox. 95%

•Si tomamos intervalos centrados en μ, y cuyos extremos están…

–a distancia σ,  tenemos probabilidad 68%
–a distancia 2σ,  tenemos probabilidad 95%
–a distancia 3σ  tenemos probabilidad 99%
 ( x  μ) 2
1 
2σ2
f ( x) = e
σ 2π
Podemos obtener la función de
distribución F(x) integrando la
función de densidad de probabilidad:

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

1 
2σ 2
F ( x) = e dv variable aleatoria normal X en un
σ 2π  intervalo a  x  b es:
t ( v  μ)2
1 
2σ 2
P ( a  X  b ) = F (b )  F ( a ) =  e dt
σ 2π a
 ( v  μ) 2
En particular: 1 
2σ 2

σ 2π e

dv = 1

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

 ¿Cómo calcular probabilidades asociadas
a una curva normal específica?

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 distribución normal
estándar o tipificada.
Se define la variable z =
x -m
s

Es una traslación, y un cambio de escala de la

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

95%
68%
99%
68%

95%
99% z
-3 -2 -1 0 1 2 3
 Estandarización.
• Dada una variable con media μ y desviación
estándar σ, se denomina valor estandarizado z, de
una observación x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
estándars, es decir:
xm
z=
s

• En el caso de una variable X normal, la interpretación es

clara: asigna a todo valor de N(μ, σ), un valor de N(0,1) que
deja exáctamente la misma probabilidad por debajo.
• Nos permite así comparar entre dos valores de dos
distribuciones normales diferentes, para saber cuál de los
dos es más extremo.
 Ejemplo 3.
Se quiere dar una beca a uno de dos estudiantes de sistemas
educativos diferentes y se asignará al que tenga mejor expediente
académico:
– El estudiante A tiene una calificación de 8 en un sistema donde la
calificación de los alumnos se comporta como N(6,1).
– El estudiante B tiene una calificación de 80 en un sistema donde
la calificación 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
distribución de referencia N(0,1).
–Como zA > zB, podemos decir que el
porcentaje de compañeros del mismo
sistema de estudios que ha sido xA  m A 86
zA = = =2
superado en calificación 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  μ)2
Apliquemos el cambio de 1 
2σ 2
variable estandarizada a la FX ( x) = e dt
σ 2π 
función de distribución F(x):

z y2
x- μ 1 
2
z= ( z ) = P( Z  z ) = e dy
σ 2π 

Las probabilidades de la variable estandarizada Z están

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 área
correspondiente.
 z2
1  Características de la distribución
 ( z) = e 2
;   z   normal estandar:
2π
z y2 No depende de ningún parámetro.
1 
2
( z ) = p(Z  z ) = e dy Su media es 0, su varianza es 1 y su
2π  desviación estándar es 1.

La gráfica de  (z) es simétrica

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

Tiene dos puntos de inflexión en z =1

y z = -1.
Hay varios tipos de tablas de la distribución normal
La que se explica aquí representa las áreas para los
diferentes valores de z desde 0 hasta +∞

Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica

+
0
La tabla consta de: *Margen izquierdo : Los enteros de z y
su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: áreas 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.-¿Cuál es la probabilidad de que un
valor de Z esté entre 0 y -2.03?

5.-¿Cuál es la probabilidad de que un

valor de Z esté 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.
¿Cuál es la probabilidad de que un valor de Z esté entre 0 y -2.03?

Cómo la curva es simétrica

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

?
z
-3 -2 -1 0 1 2 3
Ejemplo 4.
¿Cuál es la probabilidad de que un valor de Z esté entre 0 y -2.03?
Se busca en la tabla el área 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.
¿Cuál es la probabilidad de que un valor de Z esté 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 área 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.
¿Cuál 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 desviación estándar s = 1.5.
¿Cuál es la probabilidad de encontrar un valor X  6
(P(X  6 ))?
 m=4 s = 1.5 Hallar P ( X ≥ 6 )
x μ
1.- transformar x en un valor de Z
1.- z=
z = (6 - 4)/1.5 = 1.33 σ
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
¿Cómo 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 él un 38.20%
(0.3820)
Se debe desestandarizar :
X=Zs+m
0.5000 - 0.382 = 0.118  Se busca en la
tabla el valor más aproximado :0.1179 38.20%
corresponde a z =+ 0.30
Sustituyendo en la fórmula
(0.30)(2)+4 =4.60 x=?
4.60
EJEMPLO 10.
 EJERCICIOS.

1. Supongamos que se desea establecer una restricción para el máximo

número 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
distribución de probabilidad del peso total de las ocho personas tiene
una media igual a 1200 libras y una varianza de 9800 (libras)2. ¿Cuál es
la probabilidad de que el peso total de 8 personas exceda de 1300
libras? ¿1500? Suponga que la distribución de probabilidad es
aproximadamente normal.

2. La descarga de sólidos en suspensión de una mina de fosfatos tiene

una distribución normal, la descarga diaria promedio es de 27
miligramos por litro (mg/l) y una desviación estándar de 14 mg/l. ¿Cuál
es la cantidad de días en los cuales la descarga diaria será mayor de 50
mg/l?
3. Las ventas diarias de (excluyendo los sábados) en un restaurante
pequeño tienen una distribución de probabilidad que es
aproximadamente normal, con media igual a $530 dólares por día
y desviación estándar igual a $120.
a) ¿Cuál es la probabilidad de que las ventas excedan de $700 dólares
en un día dado?
b) El restaurante necesita ventas diarias de por lo menos $300 dólares
para cubrir los gastos. ¿Cuál es la probabilidad de que, en un día
dado, el establecimiento no cubra los gastos?
4. Se puede ajustar una cargadora de granos para que descargue
cantidades que tengan una distribución normal con una media de
µ bushels y una desviación estándar de 25.7 bushels. Si una
compañía 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 qué
valor de µ se tendrá que ajustar la cargadora?
5. La vida útil de cierto tipo de lavadora tiene una distribución
aproximadamente normal, con media de 3.1 y desviación
estándar de 1.2 años. Si este tipo de lavadora tiene garantía de
un año, ¿qué fracción de la cantidad vendida originalmente
necesitará ser reemplazada?

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

N(175,100). Al ejército 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 distribución N(50,15), los de tipo
B con un peso, en kg, que sigue una distribución N(55,18) y los
de tipo C con un peso, en kg, que sigue una distribución
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)
Distribución exponencial

Función de densidad: f ( x ) =  e  x
  0, x  0
Distribución exponencial.

 x µ=1/λ
f ( x ) = e σ=1/λ

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

animales o componentes físicos; duración de huelgas, recesiones eco-
nómicas, etc.) o el tamaño (duración de llamadas, tamaño de yaci -
mientos, etc.)
Distribución ji-cuadrada de Pearson con n grados
de libertad.

La distribución 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 distribución normal estándar, se llama ji-cuadrada con n grados de
ilbertad.
Distribución ji-cuadrada de Pearson con n grados
de libertad.

Chi-Cuadrado Distribución
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 estadística
Distribución ji-cuadrada de Pearson con n grados
de libertad.

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

0,06

0,04

0,02

0
0 10 20 30 40
x

Está tabulada 2
 n ,
2
P(    2
) =
n n ,
Distribución t de Student con n grados de libertad.

Z Z con distribución N (0,1)

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

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

0,2

0,1

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

t de Student Distribución
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) estadística
Distribución t de Student con n grados de libertad.

t de Student Distribución
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 , ) = 
Está tabulada
Es importante en inferencia
estadística
Distribución 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 (índice de varianza) Distribución

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
Distribución F de Snedecor con n1, n2 grados de
libertad :

F (índice de varianza) Distribución

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

Está tabulada f n1 ,n2 ,

P ( Fn1 ,n2  f n1 , n2 , ) = 