PROBABILIDAD

Y
ESTADÍSTICA

DISTRIBUCIÓN DE PROBABILIDAD
CONTINUAS. UNIFORME Y
NORMAL
CLASE 25 DE NOVIEMBRE 2021
 INTRODUCCIÓN
Supongamos que se tiene un conjunto de mediciones en una variable aleatoria continua y que se crea un
histograma de frecuencia relativa para describir la distribución de las mismas. Para un pequeño número de
mediciones, se puede usar un pequeño número de clases; entonces, a medida que se recolecten más y más
mediciones, se pueden usar más clases y reducir el ancho de clase. El perfil del histograma cambiará
ligeramente, casi todo el tiempo haciéndose cada vez más irregular.
Cuando el número de mediciones se hace muy grande y los anchos de clase se hacen muy angostos, el
histograma de frecuencia relativa aparece cada vez más como la curva suave. Esta curva suave describe la
distribución de probabilidad de la variable aleatoria continua.
La profundidad o densidad de la probabilidad, que varía con x, puede ser descrita por una fórmula
matemática f(x), llamada distribución de probabilidad.
Así como la suma de probabilidades discretas es igual a 1 y la probabilidad de que x caiga en cierto
intervalo puede hallarse al sumar las probabilidades en ese intervalo, las distribuciones de probabilidad
tienen las características:
• El área bajo una distribución continua de probabilidad es igual a 1.
• La probabilidad de que x caiga en un intervalo particular, por ejemplo de a a b, es igual al área bajo la
curva entre los dos puntos a y b. La distribuciones siempre se usan en intervalos.
• P(x=a)=0 para variables aleatorias continuas. Ya que al ser un área bajo la curva se obtendría el área de un
rectángulo con base 0
• Esto implica que 𝑃 𝑥 ≥ 𝑎 = 𝑃 𝑥 > 𝑎 𝑦 𝑃 𝑥 ≤ 𝑎 = 𝑃(𝑥 < 𝑎).
• Esto no es cierto en general para variables aleatorias discretas.

¿Cómo se escoge el modelo a usar, es decir, la distribución de probabilidad f(x) apropiada para un
experimento dado?

Existen muchos tipos de curvas continuas para modelar un experimento. Algunas son de forma de
montículo, pero otras no lo son. En general, trate de escoger un modelo que satisfaga estos criterios:

• Se ajusta al cuerpo de datos acumulado.

• Permite hacer las mejores inferencias posibles usando los datos.
Es decir, la probabilidad de que X asuma un valor en el intervalo [a, b] es el área en
este intervalo y bajo la gráfica de la función de densidad, La gráfica de f(x) a
menudo se conoce como curva de densidad.
 Distribución uniforme continua
La variable aleatoria uniforme se emplea para modelar el comportamiento de una
variable aleatoria continua cuyos valores estén uniforme o exactamente distribuidos
en un intervalo dado. La función de densidad de probabilidad f(x) sería “plana”, por
lo cual la probabilidad es uniforme en un intervalo cerrado, digamos [A, B]. La
distribución uniforme a menudo se conoce como distribución rectangular.

Resulta sencillo calcular las probabilidades para la distribución uniforme debido a la naturaleza simple de la función de
densidad. Sin embargo, observe que la aplicación de esta distribución se basa en el supuesto de que la probabilidad de
caer en un intervalo de longitud fija dentro de [A, B] es constante. Las aplicaciones de la distribución uniforme continua
no son tan abundantes.
Ejemplo: Suponga que el tiempo máximo que se puede reservar una sala de conferencias grande de cierta
empresa son cuatro horas. Con mucha frecuencia tienen conferencias extensas y breves. De hecho, se puede
suponer que la duración X de una conferencia tiene una distribución uniforme en el intervalo [0, 4]. ¿ Cuál es
la probabilidad de que cualquier conferencia determinada dure al menos 3 horas?
Solución: el mismo problema indica que es uniforme de modo que partiendo de

y
tenemos que
4
1 4 4
1 1 4 1
𝑃 𝑥 > 3 = න 𝑓 𝑥; 4, 0 𝑑𝑥 = න 𝑑𝑥 = න 𝑑𝑥 = 𝑥+𝐶 ቮ =
3 3 4 − 0 3 4 4 4
3

x<3 x>3
Distribución normal
La distribución de probabilidad continua mas importante en todo el campo de la estadística es la distribución
normal. Su gráfica, denominada curva normal, es la curva con forma de campana, la cual describe de
manera aproximada muchos fenómenos que ocurren en la naturaleza, la industria y la investigación. Además,
los errores en las mediciones científicas se aproximan muy bien mediante una distribución normal.
La distribución normal a menudo se denomina distribución gaussiana en honor de Karl Friedrich Gauss
(1777-1855), quien también derivo su ecuación a partir de un estudio de errores en mediciones repetidas de la
misma cantidad.

Una variable aleatoria continua X que tiene la distribución en forma de campana se denomina variable
aleatoria normal. La ecuación matemática para la distribución de probabilidad de la variable normal depende
de los dos parámetros μ y σ, su media y su desviación estándar, respectivamente.
propiedades de la curva normal:
Para calcular 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) cuando X es una variable aleatoria normal con parámetros σ y μ, se debe
determinar

Si consideramos σ y μ variables, ninguna de las técnicas estándar de integración puede ser utilizada para
evaluar la expresión, por lo que tendríamos que calcular la distribución solo para un σ y μ específico, o
hacer una estandarización.

Debemos recordar que al calcular la probabilidad con distribuciones estamos hablando del área bajo la
curva para valores menores en un intervalo.
Una variable aleatoria normal x está estandarizada al expresar su valor como el número de desviaciones
estándar 𝜎 que se encuentran a la izquierda o derecha de su media 𝜇 . La variable aleatoria normal
estandarizada, z, se define como:

De la fórmula para z, podemos ver que :

• Cuando x es menor que la media 𝜇, el valor de z es negativo.
• Cuando x es mayor que la media 𝜇, el valor de z es positivo.
• Cuando x = 𝜇 , el valor de z =0.
Ejemplo: Suponga que la fuerza que actúa en una columna que ayuda a soportar un edificio está normalmente
distribuida con media de 15.0 kips y desviación estándar de 1.25 kips.
¿Cuál es la probabilidad de que la fuerza
a. sea de más de 18 kips?
b. esté entre 10 y 12 kips?
c. Difiera de 15.0 kips en cuando mucho 1.5 desviaciones estándar?

a) sea de más de 18 kips

Como nos dan la media y la varianza utilizamos la definición base de la distribución normal

Entonces tenemos
18
1 2 /(2 1.252 )
𝑃 𝑋 > 18 = 1 − 𝑃 𝑥 ≤ 18 = 1 − න 𝑒 − 𝑥−15
−∞ 2𝜋 1.25
Esta no es una integral que se resuelva fácilmente, de modo que es necesario utilizar alguna herramienta o
tablas. Si usamos algún software lo podemos calcular directo con los valores iniciales, si usamos tablas, las
tablas de la distribución normal están construidas a partir de la distribución normal estandarizada que usa:

18−15
𝑧= =2.4
1.25
Usando minitab Usando Geogebra con media de 15.0 y
desviación estándar de 1.25

𝑃 𝑋 > 18 = 1 − 0.99102 = 0.008198

 Usando tablas z=2.4 Usando Geogebra distribución normal estandarizada z=2.4

𝑃 𝑋 > 18 = 1 − 0.9918 = 0.0082

b) esté entre 10 y 12 kips?

𝑃 10 < 𝑋 < 12 = 𝑃 ≤ 12 − 𝑃 ≤ 10

Usando minitab

𝑃 10 < 𝑋 < 12 =0.0081975-0.0000317= 0.0081658

Usando GeoGebra
c. Difiera de 15.0 kips en cuando mucho 1.5 desviaciones estándar?
Esto nos dice que z=1.5, a la izquierda y a la derecha