You are on page 1of 8

Cap´ıtulo

5
Distribuciones Continuas
Las distribuciones continuas mas comunes son:

1. Distribuci´on Uniforme

2. Distribuci´on Normal

3. Distribuci´on Exponencial

4. Distribuci´on Gamma

5. Distribuci´on Beta

6. Distribuci´on Cauchy

7. Distribuci´on Chi-Cuadrado

8. Distribuci´on t-Student

9. Distribuci´on F de Snedecor
137

. Su propio nombre indica su extendida utilizaci´on. Distribuci´ on Normal Introducci´ on Es la distribuci´on continua con mayor aplicaci´on en estad´ıstica. para un mismo valor de p y valores de n cada vez mayores. Caracteres psicol´ogicos. se ve que sus pol´ıgonos de frecuencias se aproximan a una curva en ”forma de campana”. 6. Errores cometidos al medir ciertas magnitudes. Distribuciones Continuas 5.138 Cap´ıtulo 5. la importancia de la distribuci´on normal se debe principalmente a que hay muchas variables asociadas a fen´omenos naturales que siguen el modelo de la normal. por ejemplo: cociente intelectual.1. puntuaciones de examen. Caracteres sociol´ogicos. per´ımetros. En resumen. por ejemplo: consumo de cierto producto por un mismo grupo de individuos.. plantas. di´ametros. Muchas variables aleatorias continuas presentan una funci´on de densidad cuya gr´afica tiene forma de campana. 5. p). Caracteres fisiol´ogicos. Caracteres morfol´ogicos de individuos (personas. . Bin(n. 3. En otras ocasiones. animales. pesos. grado de adaptaci´on a un medio. 5. 4. justificada por la frecuencia o normalidad con la que ciertos fen´omenos tienden a parecerse en su comportamiento a esta distribuci´on. Valores estad´ısticos muestrales.etc) entre ellos: tallas. al considerar por ejemplo distribuciones binomiales. o de una misma cantidad de abono.1..1. por ejemplo : la media. 2. Como por ejemplo: 1. por ejemplo: efecto de una misma dosis de un f´armaco.

Distribuci´ on Normal 139 7. 5. La distribuci´on de una variable normal est´a completamente determinada por dos par´ametros. No obstante.. Muchos de los procedimientos estad´ısticos habitualmente utilizados asumen la normalidad de los datos observados. esta hip´otesis puede obviarse cuando se dispone de un n´ umero suficiente de datos. en general.. su media y su desviaci´on est´andar.2. podremos o bien transformarlos o emplear otros m´etodos estad´ısticos que no exijan este tipo de restricciones (los llamados m´etodos no param´etricos).1. Otras distribuciones como la binomial o la de Poisson son aproximaciones normales.1.1 Se dice que una variable aleatoria X tiene una distribuci´on de prob- . adem´as. Cuando los datos no sean normales. Carl Friedrich Gauss (1777-1855) elabor´o desarrollos m´as profundos y formul´o la ecuaci´on de la curva. de ah´ı que tambi´en se la conozca. El uso extendido de la distribuci´on normal en las aplicaciones estad´ısticas puede explicarse. resulta recomendable contrastar siempre si se puede asumir o no una distribuci´on normal. m´as com´ unmente. . gr´aficos de normalidad y contrastes de hip´otesis que pueden ayudarnos a decidir. por otras razones. La funci´on de densidad de la distribuci´on normal se define de la siguiente manera: Definici´ on 5. Posteriormente.5. La Distribuci´ on Normal La distribuci´on normal fue reconocida por primera vez por el franc´es Abraham de Moivre (1667-1754). de un modo m´as riguroso. existen otras medidas. si la muestra de la que se dispone procede o no de una distribuci´on normal. denotadas generalmente por μ y σ. La simple exploraci´on visual de los datos puede sugerir la forma de su distribuci´on. Aunque muchas de estas t´ecnicas no son demasiado sensibles a desviaciones de la normal y. como la c¸ampana de Gauss”.

00 0. donde se aprecia que el gr´afico de desplaza a la derecha a medida de que el valor de μ aumenta. (c) μ = 2 y σ = 1.25 Distribución Normal : μ = −2. Por lo tanto el gr´afico de la funci´on de densidad depende de dichos valores. La media es el par´ametro de centralidad y la varianza mide su dispersion.05 0.10 0. Distribuciones Continuas abilidad normal con media μ y varianza σ 2 .5 Por otro lado.20 0.10 Densidad 0. la funci´on de densidad de X es −∞ < x < +∞ 1 x−μ 1 e− 2 ( σ ) f (x) = √ 2πσ −∞ < μ < +∞ (5.15 Densidad 0.20 0. σ 2 ) si y s´olo si. se var´ıa el valor de σ 2 manteniendo fijo el valor de .5 0.25 0.1) σ>0 5. σ = 1.15 0.1. se representa por X ∼ N (μ.5 0. Distribución Normal : μ = 0.5 −6 −4 −2 0 x 2 4 6 −6 −4 −2 0 2 4 6 x μ = −2 y σ = 1. en la figura 2.15 0.10 Densidad Distribución Normal : μ = 2.5. σ = 1. En la figura 1.3.05 0.140 Cap´ıtulo 5. Propiedades de la Distribuci´ on Normal La distribuci´on Normal tiene las siguientes propiedades 1.25 0.5. σ =1. la media μ y la varianza σ 2 . se muestran los gr´aficos de la distribuci´on normal para varios valores de μ manteniendo fija σ 2 .20 0. La distribuci´on normal est´a completamente especificada por sus dos par´ametros.00 0.1: Distribuci´ on Normal: (a) 0. (b) μ = 0 y σ = 1.00 −6 −4 −2 0 2 4 6 x Figura 5.05 0.

5 2.5.10 0.20 Distribución Normal : μ = 0. 3. La esperanza de una variable aleatoria normal es su media es decir. .05 0. 9.04 0.06 0. Por ello. La varianza de una variable aleatoria normal es σ 2 7. que coincide con su media y su mediana.1. (b) μ = 0 y σ = 2. igual a 1.20 0.05 0.10 0. Distribuci´ on Normal 141 μ. La forma de la campana de Gauss depende de los par´ametros 8.5 Densidad 0.10 Density 0. 5. cualquier valor entre −∞ y ∞ es te´oricamente posible.15 0.5 −6 −4 −2 0 2 4 6 x Figura 5. La gr´afica de la funci´on de densidad tiene forma de campana. σ = 3. La distribuci´on es sim´etrica con respecto a la media. μ.00 Densidad 0.2: Distribuci´ on Normal: (a) −6 −4 −2 0 2 4 6 −6 −4 −2 x 0 2 4 6 x μ = 0 y σ = 1. por tanto. es decir las colas se hacen mas grandes. 4. σ = 3 Distribución Normal : μ = 0.15 0. El ´area bajo la curva da la distribuci´on normal son probabilidades. Tiene una u ´nica moda.00 0. provocando esta situaci´on que a medida que aumenta el valor de σ 2 la gr´afica se va extendiendo sobre el eje X.25 0.08 0. La curva normal es asint´otica al eje de abscisas. σ = 1. E(X) = μ 6.5. (c) μ = 0 y σ = 3. Distribución Normal : μ = 0. El ´area total bajo la curva es.

la cuales est´an fuera del alcance de este texto. Para poder hallar las probabilidades debemos en primer lugar estandarizar la variable X. Distribuciones Continuas 5. P (X < x) esta representada por al a´rea bajo la curva a la izquierda de x como se ve en la figura *** 3. C´ alculo de Probabilidades Como se coment´o antes las probabilidades en el caso de la distribuci´on normal (en general si la variable aleatoria es continua) est´a representada por el a´rea bajo la curva de la funci´on de densidad. . la integrales que habr´ıa que resolver tiene soluci´on haciendo uso de t´ecnicas num´ericas de integraci´on. P (a < X < b) = b a 1 √ 1 e− 2 ( 2πσ x−μ σ ) dx A´ un as´ı.4. ya que nu punto no tiene a´rea. Entonces 1. de la siguiente manera. P (X > x) x −∞  −∞ x 1 x−μ √ 1 e− 2 ( σ ) dx 2πσ 1 x−μ √ 1 e− 2 ( σ ) dx 2πσ 3. 2. P (X < x) esta representada por al a´rea bajo la curva a la derecha de x como se ve en la figura *** 4.1. P (X = x) = 0.142 Cap´ıtulo 5. P (a < X < b) esta representada por al a´rea bajo la curva que esta entre los valores de a y b como se ve en la figura *** Para hallar esa a´rea se debe utilizar una herramienta del c´alculo diferencial conocida como integraci´on. P (X < x) = 2. 1. que es lo que viene en la siguiente secci´on.

Otra manera de decirlo es. La otras propiedades enunciadas sobre la distribuci´on normal son heredadas por la est´andar.2) se dice tener una distribuci´ on normal est´andar (Z ∼ N (∅.2 Sea X una variable aleatoria normal con media μ y varianza σ 2 (X ∼ N (μ. y que permitir´an resolver preguntas de probabilidad acerca del comportamiento de variables de las que se sabe o se asume que siguen una distribuci´on aproximadamente normal. Por tanto. σ 2 )).5. pues en este caso la media siempre ser´a cero y la varianza uno. 1) si y s´olo si su funci´on de densidad de probabilidad est´a dada por 1 2 1 √ e− 2 z 2π − ∞ < z < +∞ (5.5.1. 143 Distribuci´ on Normal Est´ andar Cuando μ = 0 y σ = 1 la distribuci´on se conoce con el nombre de normal est´andar. La tabla que nosotros vamos a usar es la tabla *****. ya que para la distribuci´on N(0. Entonces la variable aleatoria definida como Z= X −μ σ (5.3) Una de las ventajas de la estandarizaci´on es que la distribuci´on no depende de los par´ametros. se ha estandarizado la variable X.1) existen tablas publicadas a partir de las que se puede obtener de modo sencillo la probabilidad de observar un dato menor o igual a un cierto valor z. Definici´ on 5.1.3 Z ∼ N (∅. lo cu´al se emplea de la siguiente manera . Distribuci´ on Normal 5. la distribuci´on es u ´nica y el gr´afico de la funci´on de densidad tambi´en. 1)). Definici´ on 5. Esta propiedad resulta especialmente interesante en la pr´actica.

primero debemos trabajar con el complemento de la siguiente manera.0228 3. P (Z > 2) = 1 − P (Z ≤ 2).0 la cual la interceptamos con la columna de la primera fila con el valor 0. Buscamos este valor en la tabla de la siguiente manera. P (−2 < Z < 2) 4. Ahora buscamos en la tabla como se hizo en el caso anterior y obtenemos que P (Z > 2) = 1 − P (Z ≤ 2) = 1 − 0. es decir. por lo tanto en la primera columna buscamos la fila con el valor 2.9772 = 0.00. El valor obtenido es 0.144 Cap´ıtulo 5.9772 2. calcular 1.1 Sea Z ∼ N (0. P (0 < Z < 1. P (Z > 2) 3. Distribuciones Continuas ************ Ejemplo 5. Para calcular esta probabilidad no podemos usar directamente la tabla. P (Z < 2) = 0. P (Z < 2) 2. 1). P (0 < Z < 1.73) Soluci´ on 1. Z=2 es equivalente a Z=2. P (−2 < Z < 2) 4.73) .1.9772.