DISTRIBUCIONES DE

PROBABILIDAD DE VARIABLE
CONTINUA

LA DISTRIBUCIÓN DE PROBABILIDAD NORMAL

Sabemos que:

Sea X una variable aleatoria discreta con una función de probabilidad p(x), entonces los
parámetros de la distribución de probabilidad de X son E(X) y Var(X)

La Esperanza Matemática o Valor Esperado de X está dada por:

E(x) = ∑ xi p( xi ) = µ
x

La Variancia y el desvío estándar

Dada una variable aleatoria con E(x) = µ;

∑ ( xi − E ( X )) 2 p( xi ) = ∑ xi p( xi ) − ( E ( X )) 2
2
σ2 = Var (x) = E(x – E(x))2 =
x x
La desviación estándar será:

σ= ∑(x
x
i − E ( X )) 2 p( xi )
X se distribuye Bi(n,p)

p=0,1 n=5
Pensemos en el histograma de frecuencias relativas que origina una variable continua e imaginemos que el número de
observaciones crece ( ∞) y que la amplitud de los intervalos de clase se hace muy pequeño ( 0).
Por definición frecuencial de la probabilidad lim f r ( A) = p( A)
n →∞
 “Una función f(x) recibe el nombre de distribución de probabilidad (o función de densidad)
de la variable aleatoria X, si:
a) f(x) ≥ 0
b) el área limitada por su curva y el eje x es igual a 1(condición de cierre)
c) el área, limitada por la curva, el eje x y las ordenadas f(a) y f(b) de dos puntos
cualesquiera a<b del campo de variación de la variable, da la probabilidad de que x este
b
comprendida entre dichos puntos. En símbolos: P(a<x<b)= ∫ f ( x )dx
a
d) la probabilidad de cualquier valor puntual de la variable es cero.
a
En símbolos: P(x=a)= ∫ f ( x )dx = 0 ”
a
 b
P(a<x<b)= ∫ f ( x )dx
a

Función de distribución:

x
F(x)= P(X<x) = ∫ f ( x )dx
−∞

Parámetros
Esperanza: E(X)=µ =
+∞

∫ xf ( x )dx
−∞

+∞ +∞

∫ (x − µ) f ( x )dx = ∫x f ( x )dx − µ 2
2 2 2
Variancia: V(X)=σ =
−∞ −∞
Distribución normal

Esta ley es de gran aplicación en la Estadística.

Para muchas clases de experiencias, en las ciencias físicas, en la

industria, en las ciencias biológicas etc., se encuentra que la
distribución normal se aproxima a la distribución empírica
obtenida en un gran número de repeticiones del experimento.
Las características más generales de esta curva son:
• Tiene forma de campana, siendo simétrica con respecto a µ.
• La media, mediana y modo coinciden.
• Es asintótica con respecto al eje x.
• La distribución normal queda completamente determinada por
los valores µ y σ es decir que existe una curva para cada par de
estos valores.
• El rango intercuartil es aproximadamente igual a 1,33 σ

Con un valor de µ y de σ podemos determinar el área bajo la curva

entre dos valores cualesquiera de la variable, (o sea, la
probabilidad), para lo cual necesitamos hacer un cambio de escala.
Este cambio de escala consiste en expresar la variable aleatoria X en
términos de una variable Z, denominada variable aleatoria
estandardizada.
Distribución normal estandardizada

La expresión de la función de densidad es la siguiente:

Se utiliza la tabla de Distribución Normal Estandardizada
acumulada (- ∞ a z)
En esta tabla en la parte superior se presenta el centésimo de z y a
la izquierda el entero con el décimo correspondiente a cada valor
de z.
Ejemplo 1:
Dada la distribución N(0,1) encontrar el área bajo la curva entre z
= 0 y z = -2

P(-2 ≤ z ≤ 0) = P( z ≤ 0) - P(z ≤ -2) = 0,5 – 0,0228 = 0,4772

Si ahora interesa: P(z ≤ 1) = 0,8413

Si planteamos:
P(z ≥ 1) = 1 - P( z ≤ 1) = 1- 0,8413 = 0,1587
Puede, además, interesar encontrar un valor en particular
asociado con una probabilidad determinada,
Por ejemplo: si P( z ≤ z0) = 0,1112 ⇒ z0 = -1,22

Z 0,00 0,01 0,02 0,03

-1,2 0,1112
-1,1
-1,0
-0,9
-0,8
Aproximación de la Distribución Binomial

Cuando analizamos la Distribución Binomial observamos que es

simétrica si p = 0,5.
Pero cuando más cerca de p = 0,5 y más grande es el número de
observaciones de la muestra n, la distribución se acerca más a una
distribución simétrica. Además, a medida que aumenta el tamaño de
muestra es más laborioso el proceso de cálculo.
En consecuencia el uso de la distribución normal para aproximar las
probabilidades exactas de éxito.
Esta aproximación normal se usa cuando n.p y n(1-p) son al menos 5
Como la media en la distribución binomial es µ = n.p y el desvío
estándar es
Suposición de Normalidad

Dada la importancia que tiene la Distribución Normal en la

inferencia estadística surge el interés de poder determinar si un

conjunto de datos siguen o pueden aproximarse a una Distribución

Normal.
Se puede verificar la suposición de normalidad mediante la comparación de las características
reales de los datos con las propiedades de la distribución normal, siguiendo los pasos:
1.- Verificar la apariencia de los datos, con respecto a la simetría de los mismos, utilizando el
Diagrama de Tallos y Hojas (si lo utilizó) , el de Bloques y Líneas o la Distribución de Frecuencia
y sus Representaciones Gráficas (Histograma y Polígono de Frecuencia)
2.-Utilizando las medidas descriptivas que hemos estudiado, evaluar:
a) La semejanza o diferencias entre la media, la mediana y el modo.
b) Si el rango intercuartil puede aproximarse a 1,33 veces la desviación estándar (σ).
c) Si el rango puede aproximarse a 6 veces la desviación estándar.
3. Determinar si:
a) aproximadamente dos tercios de los datos están entre la media +/- una desviación
estándar
b) el 95% de los datos están entre la media +/- 2 desviaciones estándares