ESTADISTICA

MÓDULO 5

MÓDULO 5
Variables aleatorias continuas.
Modelo de distribución normal

Variables aleatorias continuas.

La curva normal, que por su forma suele llamarse Campana de Gauss, es quizás una de las
más útiles dentro del campo de las aplicaciones matemáticas a otras disciplinas como las
humanas y las sociales.
Esta curva es la representación de la distribución de probabilidad que más aparece en los
trabajos científicos de sociólogos, psicólogos, geógrafos, etc, debido la complejidad de las
situaciones que estudian las ciencias sociales y humanas comparadas con las que estudian
las ciencias naturales por ejemplo.
El paso de una distribución de frecuencias de variable continua (Histograma) a la
correspondiente distribución de probabilidad tiene ciertas características que deben quedar
muy claras. Veámoslo en un ejemplo:

En una quinta se cosechan judías verdes (especie de porotos que se caracteriza porque las
chauchas tienen un largo considerable), y luego de medir sus longitudes, se las agrupan de
3 en 3 cm. El gráfico correspondiente está formado por 100 cuadritos (se pueden contar), y
de acuerdo a ello es fácil calcular qué porcentaje de judías tiene entre 21 y 24 cm por
ejemplo:

6 9 12 15 18 21 24 27

Si ahora las judías se reagrupan de cm en cm, siguen habiendo 100 cuadritos pero ahora se
reagrupan ajustándose mejor a la medida que le corresponde:

ISIV – ESTADISTICA - Página 1 de 11

ESTADISTICA
MÓDULO 5

6 9 12 15 18 21 24 27

Por último, si idealizamos la situación suponiendo que hemos medido todas las judías de la
plantación, afinando al máximo en la medida, tendremos una curva que será la distribución
de frecuencias idealizada, es decir una distribución de probabilidad. Bajo la curva también
hay 100 cuadritos, :

6 9 12 15 18 21 24 27

En una distribución como esta, podemos obtener la probabilidad de que una judía verde de
esa plantación, tomada al azar, mida más de 20 cm, la probabilidad de que mida entre 15 y
18 cm, o la que su longitud esté dentro de cualquier intervalo, basta calcular el área bajo la
curva en el intervalo correpondiente.

NOTA: Cuando se trabaja con una variable continua, no tiene sentido hallar la
probabilidad de un valor puntual. Se toma si la probabilidad en un intervalo. Por ejemplo
para saber la probabilidad de que una chaucha de judía mida 20 cm, podremos tomar un
intervalo entre 19,5 y 20,5 cm.

ISIV – ESTADISTICA - Página 2 de 11

ESTADISTICA
MÓDULO 5

[15 ≤ x ≤ 18]

[x ≥ 21]

9 12 15 18 21 24 27

En las distribuciones e variable continua, la probabilidad se conoce mediante una curva,

llamada curva de probabilidad o función de densidad. Bajo dicha curva se supone que hay
un área de 100 unidades si queremos dar la probabilidad en tanto por ciento o de 1 unidad
si queremos utilizar la probabilidad clásica.
Conociendo esta curva podemos calcular probabilidades del tipo: P[a ≤ x ≤ b] (o
probabilidad que “x” esté entre ciertos valores), P[c ≤ x ] y P[x ≤ c ] (o sea la probabilidad
de que la variable supere o quede por debajo de un cierto valor.

DISTRIBUCION 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 normal, gaussiana o
de Laplace- Gauss. Fue descubierta y publicada por primera vez en 1733 por De Moivre.
A la misma llegaron, de forma independiente, Laplace (1812) y Gauss (1809), en relación
con la teoría de los errores de observación astronómica y física.
La distribución normal N (µ, σ), es un modelo matemático que rige muchos fenómenos.
La experiencia demuestra que las distribuciones de la mayoría de las muestras tomadas en
el campo de la industria se aproximan a la distribución normal si el tamaño de la muestra
es grande.
Esta distribución queda definida por dos parámetros: la media µ y la desviación típica σ.
Se presenta mediante una curva simétrica conocida como campana de Gauss. Esta

ISIV – ESTADISTICA - Página 3 de 11

ESTADISTICA
MÓDULO 5

distribución nos da la probabilidad de que al elegir un valor, éste tenga una medida
contenida en unos intervalos definidos permitiéndonos predecir de forma aproximada, el
comportamiento futuro de un proceso, conociendo los datos del presente.

Cuando se trabaja con una variable aleatoria continua siempre se determinan

probabilidades de que la variable aleatoria X pertenezca a un cierto intervalo P(x1≤ X≤ x2),
ya que la probabilidad en un punto es cero.

La función de densidad f(x) es una función asociada a una variable aleatoria continua X
que permite hallar mediante el cálculo de áreas las probabilidades en las distribuciones
continuas. Por ello en la teoría, se podrá ver en la fórmula de una distribución normal,
aparece el concepto de Integral, que los alumnos de matemática II lo conocen muy bien,
pero que en este curso no lo podemos desarrollar y el cálculo probabilístico se hará a través
de cuadros.

La función de distribución de una variable aleatoria continua es la función que determina

la probabilidad de que la variable aleatoria X tome un valor menor o igual a xi: F (xi) = P(X
≤ xi )

El área de la región comprendida entre el eje x, f(x) (la curva), y dos rectas x1 y x2 es la
probabilidad de que la variable aleatoria X esté en el intervalo [x1, x2].

El área total bajo la curva

normal será de 1.00 por lo cual
podemos considerar que las
áreas bajo la curva son
probabilidades.

Recordemos entonces: La distribución normal está caracterizada por dos parámetros: la

media, µ y la desviación típica, σ.
Y la función de densidad es:

( x −µ) 2
1 −
N (µ, σ) = P( x) = e 2σ 2
(σ > 0)
σ 2π

ISIV – ESTADISTICA - Página 4 de 11

ESTADISTICA
MÓDULO 5

CARACTERISTICAS:

1) La desviación típica es grande, el intervalo de incertidumbre de la medida

es grande, la precisión es débil:

2) La desviación típica es pequeña, el intervalo de incertidumbre de la medida

es pequeña, la precisión es grande:

ISIV – ESTADISTICA - Página 5 de 11

ESTADISTICA
MÓDULO 5

3) Si se considera el intervalo comprendido

entre la media menos la desviación típica y
la media más la desviación típica la
probabilidad de un dato de estar en ese
intervalo es de aproximadamente el 68%:

4) Si se considera el intervalo ampliando la diferencia a dos veces la desviación típica,

la probabilidad aumenta a un 96 %:

5) Si ahora el intervalo lo ampliamos a ±3σ y ±4σ, entonces la probabilidad aumenta a

99,8 y 99,99% respectivamente:

ISIV – ESTADISTICA - Página 6 de 11

ESTADISTICA
MÓDULO 5

Además:
1) La curva tiene un solo pico, por consiguiente es unimodal. Presenta una forma de
campana.
2) La media de una población distribuida normalmente se encuentra en el centro de su
curva normal.
3) A causa de la simetría de la distribución normal de probabilidad, la mediana y la
moda de la distribución también se hallan en el centro, por tanto en una curva
normal, la media, la mediana y la moda poseen el mismo valor.
4) Las dos colas (extremos) de una distribución normal de probabilidad se extienden
de manera indefinida y nunca tocan el eje horizontal.

DISTRIBUCION NORMAL TIPIFICADA

La distribución normal tipificada N (0,1) Cuando la media de la distribución es 0 y la

desviación típica es 1 se denomina "normal tipificada", y su ventaja reside en que hay
tablas donde se recoge la probabilidad acumulada para cada punto de la curva de esta
distribución.

La tabla nos da la probabilidad acumulada, es decir, la que va desde -∞ hasta un valor

cualquiera. No nos da la probabilidad concreta en ese punto. Recordemos que en una
distribución continua en el que la variable puede tomar infinitos valores, la probabilidad en
un punto concreto es cero.

La población incluye todos los datos, la muestra es una porción de la población.

P o b la c ió n M u e stra

X
µ−3σ µ−2σ µ−σ µ µ+σ µ+2σ µ+3σ

x- 3 s x -2 s x- s x x+ s x+ 2 s x+ 3 s

ISIV – ESTADISTICA - Página 7 de 11

ESTADISTICA
MÓDULO 5

La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal

X
x-3σ x-2σ x-σ x x+σ x+2σ x+σ3

z
-3 -2 -1 0 1 2 3

El valor de Z
Cuando no tenemos la distribución tipificada N(0,1) y tenemos otra cualquiera por ejemplo
N(60; 5),(que quiere decir que tiene una media de 60 y una desviación típica de 5), un
cambio de variables nos permitirá tener acceso a la tabla de distribución normal. El valor Z
nos permitirá justamente el acceso a la tabla de distribución normal tipificada o
estandarizada.

Para calcular el valor de Z usamos la siguiente fórmula.

x−µ
Z= Donde x es un valor cualquiera, µ es la media y σ la desviación.
σ

La distribución de probabilidad f (Z) es una distribución normal con media 0 y desviación

estándar 1; esto es Z se distribuye normalmente con media cero y desviación estándar = 1
F(z) Z~N(0,1): La gráfica de densidad de probabilidad se
muestra en la figura.
σ = 1

La distribución f (Z) se encuentra tabulada en la

Z

0
tabla de distribución normal estándar. En esta tabla
podemos determinar los valores de Z o la probabilidad de determinado valor Z.

ISIV – ESTADISTICA - Página 8 de 11

ESTADISTICA
MÓDULO 5

X Valor de la variable aleatoria

µ Media de la distribución
σ Distribución estándar de la distribución
z Número de desviaciones estándar desde X a µ.

Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.10 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.20 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.30 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.40 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.50 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.60 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.70 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.80 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.90 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.00 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.10 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.20 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.30 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.40 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.50 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.60 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.70 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.80 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.90 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.00 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.10 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.20 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.30 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.40 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.50 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.60 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.70 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.80 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.90 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.00 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.10 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.20 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.30 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.40 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.50 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.60 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.70 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.80 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.90 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
4.00 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000

Algunos cálculos para aprender a usar la tabla: Para N(0; 1)

1er ejemplo)

Hallar P(t≤ 1,75). Esto quiere decir que estamos buscando la probabilidad de que un
determinado valor “t” se encuentre en el intervalo -∞<t<1,75.

P(t ≤ 1,75)

ISIV – ESTADISTICA - Página 9 de 11

ESTADISTICA
MÓDULO 5

Buscamos en la tabla y en la columna externa de la izquierda el

valor de Z = 1,70, y la fila externa superior la columna 0,05 y
hallamos el número 0,9599.

Por qué 1,70 y 0,05: pues se descompone el número 1,75 en la

parte entera y el primer decimal (1,70)y aparece en la primera
columna y el segundo decimal (0,05) que se encuentra en la fila superior. La casilla que se
encuentra en la intersección de la columna y la fila mencionada contiene el valor de
probabilidad buscada.

La tabla nos brinda el resultado de P(t ≤ 1,75)… ¿qué sucede cuando queremos hallar P(t
>1,75)?

Recordemos que la probabilidad total es 1, entonces hacemos:

P(t >1,75) = 1-0.9599 = 0,041

2do ejemplo)
¿Cómo calcular la probabilidad de que cualquier “x” se encuentre en el intervalo -∞ < t < -
t1?
O sea calcular P(t≤- t1)
Como la tabla se maneja con números positivos,
realizamos P(t≤- t1) = 1- P(t≤ t1)
En forma concreta:
P(t≤- 0,5)= 1- P(t≤ 0,5)= 1- 0,6915= 03085

3er ejemplo)
¿Cómo hallar la probabilidad de que un valor cualquiera t se encuentre en el
intervalo:
-t1 < t < +t1?

Si observamos el gráfico, es como sacar a la

probabilidad de la zona rayada:

En fórmula:
P(-t1<t<+t1)= P(t≤ t1) - P(t≤-t1) pero: P(t≤- t1) = 1-
P(t≤ t1)
Reemplazando queda:

ISIV – ESTADISTICA - Página 10 de 11

ESTADISTICA
MÓDULO 5

P(-t1<t<+t1)= P(t≤ t1) – [1- P(t≤ t1)]

De donde: P(-t1<t<+t1)= P(t≤ t1) – 1 + P(t≤ t1)

Que ordenado: P(-t1<t<+t1)= 2.P(t≤ t1) – 1

En números

P(-1≤ t ≤ 1) = 2P(t ≤ 1) -1=

Buscamos en la tabla el valor correspondiente a 1: 0,8413. Entonces:
2P(t ≤ 1) -1= 2· 0,8413 -1 = 0,6826

4to ejemplo)
¿Cómo hallar la probabilidad de que un valor
cualquiera t se encuentre en el intervalo
t1 < t < t2 es de p(t1<t<t2) = p(t≤t2) - p(t≤t1)
En números:
Hallar la probabilidad de que un valor se
encuentre entre 1 y 1,85
P(1≤ t ≤ 1,85) = P(t≤1,85) - P(t≤1) = 0.9678 -
0,8413 = 0,1265

5to ejemplo)
¿Cómo hallar la probabilidad de que un valor
cualquiera t se encuentre en el intervalo
-t1 < t < -t2?

p(-t1<t<-t2) = p(-t2) - p(-t1) = [1 - p(t2)] - [1 - p(t1)]

= p(t1) - p(t2)
En números:
P(-1,85≤ t ≤ -1) = P(t≤1,85) -P(t≤1) = 0.9678 - 0,8413 = 0,1265
En caso de tener otra distribución, distinta a la tipificada, se recuerda hallar el valor Z.
NOTA: Hay otros modelos de distribución de probabilidad, tanto de variable discreta como
continua, cuyo análisis trasciende el tiempo de cursado de la materia y por lo tanto no
serán considerados en este estudio.

ISIV – ESTADISTICA - Página 11 de 11