11 Distribuciones

Continuas

Nicolas Padilla Rafael

 Variable Aleatoria Continua
Es aquella que puede tomar infinitos valores dentro de un
intervalo de la recta real. Son resultados de mediciones.
Ejemplo: Altura, peso, propensión al crimen, precio,
tiempo de vida de un foco, temperatura de conservación
de un alimento, etc.

Una distribución de probabilidad de una variable

aleatoria x se por denota f(x) la cual se llama función
densidad de probabilidad (fdp). La gráfica de una función
densidad es la curva densidad. La función densidad
satisface:
1. f(x)  0
2. El área total bajo la curva densidad es igual a 1.
Función de densidad de probabilidad
Ejemplo: La probabilidad de que el peso neto de un
producto, tomado al azar de un lote de producción este entre
los puntos a y b, es igual al área sombreada bajo la curva.

• Muchos procesos aleatorios

vienen descritos por variables
de forma que son conocidas
las probabilidades en
intervalos.

El área total situado

bajo la curva f(x) es 1
A la gráfica de una fdp se le
llama curva densidad
Distribución Normal
Características:

Es simétrica
alrededor de
Tiene media su media
µy
La media desviación
aritmética, la típica 
Tiene forma mediana y la
de campana moda de la
distribución
son iguales y
se ubican en
el centro

El área bajo la curva o la

probabilidad desde menos
infinito a más infinito vale 1
Función de Densidad de Probabilidad (fdp)
Definición. Se dice que una variable aleatoria
continua sigue una distribución normal de media  y
desviación típica  , y se escribe ,
cuando tiene la función de densidad:
2
1  x 
1   
2  
f ( x)  e
 2
Distribución Normal
 Probabilidad de que una variable aleatoria normal se
encuentre entre a y b:
b ( x )2
1
P ( a  X  b)   e 2 2
dx
a
2 

 Si =0 y σ=1 , entonces su función de probabilidad acumulada

se denota por:
t 2
z 1
( z )  F ( z )   e 2
dt

2
Distribución Normal Estándar
Definición. Es la distribución Normal con media μ= 0 y
desviación estándar σ=1. La función de densidad de la
distribución normal estándar usualmente se denota
por el símbolo φ.

Área = 1

z
–3 –2 –1 0 1 2 3

 Dada una variable X de media μ y desviación estándar

σ, se tiene

z x  

Estandarización de una Variable Aleatoria

 Si cada valor de una variable aleatoria x con

distribución normal se transforman a valores z,
el resultado será la distribución normal estándar.
Distribución Normal Distribución
Normal Estándar
σ x
z   σ1
 x
0 z

• Usaremos la Tabla Normal Estándar para encontrar

el área bajo la curva normal estándar.
Estandarización de una Variable Aleatoria

Si X tiene distribución normal con parámetros  y , entonces:

X 
Z  N (0, 1)

Así, cualquier probabilidad que esté en términos de X se puede
“estandarizar” poniéndola en términos de Z.

 x   x 
P ( X  x )  P Z     
     

9
 Usando La Tabla Normal Estándar
Etiqueta
•Ejemplo 1: Halle P(z < 0.46) Columna
0.06

Etiqueta
Fila 0.4
P(z < 0.46) = 0.6772
EJEMPLO 2: Área Bajo la Curva Normal Estándar

Halle el área que se encuentra a la izquierda de z=1.15.

Área a la izquierda de 1.15 = 0.8749

Por tanto: P(Z < 1.15) = 0.8749

EJEMPLO 3: Área Bajo la Curva Normal Estándar
Halle el Área Bajo la Curva Normal Estándar a la derecha de
Z = 1.25.

Área a la derecha de 1.25 = 1 – área a la izquierda de 1.25 =

1 – 0.8944 = 0.1056
Por tanto: P(Z > 1.25) = 0.1056
Área entre dos valores z
 EJEMPLO 4: Área Bajo la Curva Normal Estándar

Halle P(-0.75< z < 1.23)

2. El área a la izquierda 4. El área de la región entre los dos

de z = 1.23 es 0.8907. valores estándar z será la diferencia:
0.8907 – 0.2266 = 0.6641.
3. El área a la la izquierda
de z = –0.75 es 0.2266.

1. Use la tabla para encontrar el

área entre los dos valores z.

Solución P(-0.75< z < 1.23)= 0.6641.

EJEMPLO 5: Aplicación de la Normal Estándar

• Los sueldos en una empresa tienen distribución

normal, con media $ 240 y desviación estándar $ 30.
• ¿Qué porcentaje de empleados tienen sueldos
inferior a $ 270?

Solución;
Estandarizemos:
SOLUCIÓN 5: Aplicación de la Normal Estándar
x   270  240
z   1
 30

0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09

0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879

1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319

P[Z  1,00]  (ver tabla)  0,8413

EJEMPLO 6: Aplicación de la Normal Estándar

Se sabe que la longitud de cierta varilla de acero se distribuye

normalmente con media 100 cm y desviación estándar de 0.45 cm.*
¿Cuál es la probabilidad de que una varilla de acero seleccionada
aleatoriamente tenga longitud menor que 99.2 cm?

 99.2  100 
P( X  99.2)  P  Z  
 0.45 
 P  Z  1.78 
 0.0375
Interpretación: Si seleccionamos aleatoriamente 100 varillas de acero,
esperariamos encontrar que cerca de 4 de ellos sean menos de 99.2
cm.
*Based upon information obtained from Stefan Wilk.
EJEMPLO 7: Aplicación de la Normal Estándar
Se sabe que la longitud de cierta varilla de acero se distribuye
normalmente con media 100 cm y desviación estándar de 0.45
cm.* ¿Cuál es la probabilidad de que una varilla de acero
seleccionada aleatoriamente tenga longitud entre 99.8 y 100.3 cm ?

 99.8  100 100.3  100 

P(99.8  X  100.3)  P  Z 
 0.45 0.45 
 P  0.44  Z  0.67 
 0.4186

Interpretación: Si seleccionamos aleatoriamente 100 varillas de

acero, esperariamos encontrar que cerca de 42 de ellos esten
entre 99.8 cm y 100.3 cm.
EJERCICIO 1. Hallando Probabilidades de variables Z

Encuentre cada una de las siguientes probabilidades:

(a) P(Z < -0.23)
(b) P(Z > 1.93)
(c) P(0.65 < Z < 2.10)

(a) P(Z < -0.23) = 0.4090

(b) P(Z > 1.93) = 0.0268
(c) P(0.65 < Z < 2.10) = 0.2399

Las siguientes probabilidades son equivalentes:

P(a < Z < b) = P(a < Z < b) = P(a < Z < b) = P(a < Z < b)
Distribución Normal

Ejercicio 2:

Según el número de noviembre de 1993 de la revista Harper’s, los

niños estadounidenses pasan entre 1200 y 1800 horas al año
viendo televisión. Suponga que el tiempo que los niños pasan
frente al televisor se distribuye normalmente con una media
igual a 1500 horas y una desviación estándar de 100 horas.
a. ¿Qué porcentaje vio televisión entre 1400 y 1600 horas?
b. ¿Qué porcentaje vio televisión entre1200 y 1800 horas?

R: 0.6826, 0.9973

20
 Distribución Normal

Ejercicio 3:

La calificación en una práctica de laboratorio es

una variable aleatoria normalmente distribuida,
con media de 6.7 y desviación estándar de
1.37. ¿Cuál es la calificación mínima
aprobatoria si el 30.5% reprueba la práctica?

R = 6.0013

21
 DISTRIBUCIONES MUESTRALES

Es el conjunto de estadísticos (valores que resultan del

análisis de muestreo), que pueden obtenerse de las
diferentes muestras que conforman una población

DISTRIBUCIÓN
MUESTRAL DE DISTRIBUCIÓN
LA MEDIA MUESTRAL DE LA
PROPORCIÓN
 Distribución Muestral de la Media
Es una distribución de probabilidad de todas las posibles
medias de las muestras, de un determinado tamaño,
obtenida de la población.

Media y Varianza: En este caso la muestra es aleatoria y se cumplen:

El Error Estándar

• El error estándar es otro nombre para la

desviación estándar de la distribución muestral.
Teorema Central del Límite (TCL)

• Si una variable aleatoria tiene cualquier

distribución con media = µ y desviación
estándar = σ, la distribución muestral x de


se aproximará a una distribución normal con
media = µ y desviación estándar = cuando
n crece sin límite. n

• Nota: En la práctica será suficiente considerar

n≥30.
Probabilidad de la Media Muestral

La fórmula para calcular la probabilidad del

comportamiento de la media de la muestra es:

z x  

n
EJEMPLO: Probabilidades de la Media Muestral

La gráfica muestra el intervalo de

tiempo que las persona conducen
diariamente. Usted selecciona
aleatoriamente 50 conductores entre
15 a 19 años de edad. ¿Cuál es la
probabilidad de que el tiempo medio
de que ellos conducen diariamente
este entre 24.7 y 25.5 minutos?
Suponga que σ = 1.5 minutos.

Por el Teorema del Límite Central (n>30), la distribución

muestral de la media muestral es aproximadamente normal con:
    1.5  0.21213
x    25 x
n 50
 SOLUCIÓN: Probabilidades de Distribuciones Muestrales

Distribución Normal Distribución Normal Estándar

μ = 25, σ = 0.21213 x   24.7 - 25
μ = 0, σ = 1
z1    1.41
 1.5
P(24.7 < x < 25.5) n 50 P(–1.41 < z < 2.36)
x  25.5  25
z2    2.36
 1.5
n 50
0.9909
0.0793
x z
24.7 25 25.5 –1.41 0 2.36

P(24.7 < x < 25.5) = P(–1.41 < z < 2.36)

= 0.9909 – 0.0793 = 0.9116
Distribución Muestral de la Proporción

Existen ocasiones en las cuales no estamos interesados en la media de la

muestra, sino que queremos investigar la proporción de artículos
defectuosos o la proporción de alumnos reprobados en la muestra. La
distribución muestral de proporciones es la adecuada para dar respuesta a
estas situaciones.
Distribución Muestral de la Proporción
Suponga que estamos interesados
en conocer la proporción de
mujeres en Lima. Nuestro
parámetro de interés es:

La población es demasiado grande. Decidimos estimar

el verdadero parámetro a partir de una muestra.

La proporción muestral sería:

Media y Varianza: Distribución Muestral de la Proporción

E  Pi   p

V  Pi  
pq
n
PROBABILIDAD DE UNA
PROPORCIÓN MUESTRAL
p̂  p
Para hallar dicha probabilidad se usará z N(0,1 )
la fórmula de la normal estandarizada: pq
n
Distribución Muestral de la Proporción
En un proceso de producción el porcentaje de unidades Defectuosas
producidas es 3%. Para controlar el proceso, se revisan periódicamente
los artículos producidos. Se toma una muestra aleatoria de 200 artículos.

1) Halle la probabilidad de que se encuentre

menos de 2.8% de unidades defectuosas
2) Si el proceso de producción se para al
encontrar al menos 5% de unidades
defectuosas. Halle la probabilidad de que el
proceso continúe.
3) Una nueva norma dada por el encargado de
producción el cual establece que si el porcentaje
de unidades defectuosas está entre 2.6 y 3.5%
se debe realizar una alerta de posible mal
funcionamiento del proceso. Halle la probabilidad
que el proceso este entre esos niveles.
 ! Gracias¡

“El corazón alegre hermosea el rostro”