Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Una variable aleatoria es continua cuando al pasar de un valor a otro, toma todos los valores intermedios
f x(x) 0 y =1
Asociaremos entonces, a esta variable aleatoria continua una función conocida como función de densidad
de probabilidad, fX(x).
Definición: La función de densidad de probabilidad (fdp) para una variable aleatoria continua X, es una
función f x(x) tal que:
1 fX(x) 0 para todo x perteneciente a R
2 =1
3 Para cualquier a y b, tal que - < a < b < tenemos
b
P(a x b) = a f(x) dx y P(X = xi)= 0 para todo xi S.
Observaciones: Fundamentalmente queremos decir que si X es una variable aleatoria continua entonces X puede tomar
todos los valores de algún intervalo (c,d) donde c y d pueden ser - y + respectivamente.
f(x)
x1=a x2=b x
Fig.5.1
La representación gráfica de la fdp, proporciona una representación visual de la distribución de probabilidad de
una variable aleatoria continua.
x2=a
La x1=b f(x) dx representa el área bajo la curva representación gráfica de la función de densidad de probabilidad
f(x) entre x1 y x2.
Como la probabilidad puntual, en el caso continuo es: P(X =xi) = 0
Se define la función Fx(x) como la probabilidad de que X sea menor o igual que algún xi en particular, o sea:
xᵢ
Fx(xi) = P ( X xi ) = - f(x) dx ,
Existen diferentes modelos de probabilidad para las variables aleatorias continuas entre ellos:
Distribución Normal
“ Chi – cuadrado (2)
“ “F”
“ “t”
DISTRIBUCIÓN NORMAL
La distribución normal es una distribución para variable aleatoria continua, siendo ésta la que se adecua mejor
a una gran variedad de datos y por otra parte es la más desarrollada.
La distribución normal tiene como parámetros a y , por lo tanto queda completamente definida si se conocen
dichos parámetros.
Gráficamente
- +
Fig.5.2
Su gráfica es la de una curva simétrica (media = mediana = moda) respecto de la recta x = ; teniendo la forma
acampanada.
La amplitud de la curva representación gráfica de la función de distribución normal, varía entre - y +.
El área encerrada por la curva y el eje ox es igual a 1.
La curva normal tiene por asíntota al eje ox, o sea es asintótica al eje ox.
El área sobre un intervalo (a,b), es igual a la probabilidad de que una observación se encuentre dentro de ese
intervalo, o sea, P(a<x<b).
Cuanto mayor es la desviación de x respecto de , mayor será la diferencia (x-) por lo tanto menor será el valor de
la fdp, o sea menor es la densidad. Ello se debe al exponente negativo de e
El valor máximo de fdp tiene abscisa igual al parámetro .
Los puntos de inflexión de la curva tienen abscisa (-) y ( +).
El área sobre el intervalo de extremos (-) y ( +) es aproximadamente igual al 68% del área total bajo la curva,
o sea P((-) < x < ( +)) 0.68.
68%
- - + +
Fig.5,3
Distribución normal estándar
La función de distribución de probabilidad Normal, es una función simétrica respecto a x = .
f (x)
- + x
Fig.5.4
f(z) 1 e- z² / 2 ; - z
(2) 1/2
- =0 + z
Fig. 5.5
El cambio de variable efectuado es una traslación de ejes de tal modo que el eje de simetría x = se transforme
en x = 0.
Resumen: una variable X Normal con media y varianza ² puede estandarizarse mediante la estandarización de la
variable X, o sea haciendo Z = (X - )/ .
Dado un valor de la variable xi , el correspondiente valor de z i nos dice cuán alejado está xi de su media y en
que dirección. Por ejemplo z = 1.5 significa que el correspondiente x está a 1.5 unidades a la derecha de .
f(z) 1 e-z² / 2 ; - z
(2) 1/2
La notación usadas en el caso de la distribución normal con media y varianza 2 es: X N (, 2)
Por lo tanto para la distribución normal estándar es: X N (0, 1)
Para determinar el área bajo la curva usaremos la Tabla de la Distribución Normal Estándar.
Sabemos que existe una distribución normal para cada par de valores y 2, donde es cualquier número y 2
es un número positivo, siendo ellos la media y la varianza de la distribución, respectivamente. Si fijamos y hacemos
variar 2, obtenemos una flia de curvas con la misma media, pero diferentes varianzas.
Si por el contrario fijáramos 2 y hacemos variar , obtendremos también una flia de curvas, pero con la misma
forma pero diferente ubicación sobre eje ox.
Relación entre las Distribuciones Binomial y Normal
Ej. Determinar la probabilidad entre 3 y 6 caras inclusive en 10 lanzamientos de una moneda utilizando a) la
distribución binomial, b) la aproximación normal de la distribución binomial
a) Se trata de un experimento binomial ya que es la repetición de 10 pruebas Bernoulli ( éxito= cara ;
fracaso= sello) con p(probabilidad de éxito) = ½
P(X=3)= C10,3 (1/2)3 (1/2)7 = 15/128
P(X=4)= C10,4 (1/2)4 (1/2)6 = 105/512
P(X=5)= C10,5 (1/2)5 (1/2)5 = 63/256
P(X=6)= C10,6 (1/2)6 (1/2)4 = 105/512
P(de 3 a 6 caras) = 15/128 + 105/512 + 63/256 + 105/512 = 99/128 = 0.7734
b) En este caso se trata de p y q no próximos a cero ya que p=0.5 y q=0.5, además se considera como
aceptable la aproximación a la normal si np y nq 5, y en este caso np= nq =10(½)=5.
Si consideramos a los datos como continuos, las 3 y 6 caras pueden considerarse como 2.5 a 6.5 caras. La media y la
varianza vendrán dadas por = np = 10(1/2)=5, 2 = npq = 10 (1/2)(1/2) = 2.5 = 1.58.
Ahora bien queremos calcular P(2.5 X 6.5), como consideramos a X distribuida normalmente entonces
estandarizaremos la variable para poder calcular la probabilidad pedida usando la Tabla.
Puesto que existe una relación entre la distribución binomial y normal, se deduce que hay también una relación
entre la distribución Poisson y normal. La distribución Poisson se aproxima a la normal con variable estandarizada
Z = (X - )/()1/2.
Ej Un 10% de los artículos producidos en un cierto proceso de fabricación resultan ser defectuosos . Determinar la
probabilidad de que en una muestra de 10 artículos elegidos al azar sean exactamente 2 los defectuosos, mediante a) la
distribución binomial, b) la aproximación de Poisson a la distribución binomial.
a) p( probabilidad de artículo defectuoso)= 0.1
P(2 defectuosos en 10)= C 10,2 (0.1)2 (0.9)8 = 0.1937
b) = np = 10 (0.1) = 1
P(2 defectuosos en 10)= x e- / x! = 12 e-1/ 2!=0.1839