UNIVERSIDAD NACIONAL DE INGENIERIA

Facultad de Ingeniería Mecánica

CURSO: ESTADISTICA Y PROBABILIDADES

TEMA: DISTRIBUCIONES CONTINUAS

DISTRIBUCION CONTINUA
Dentro de las distribuciones de probabilidad de
variable continua más importantes tenemos:
 
- La distribución NORMAL
- La distribución t de STUDENT
- La distribución F
- La distribución CHI-CUADRADO
- Otros.
 DISTRIBUCION NORMAL
 Es una distribución de probabilidad de variable
continua.

 El matemático Gauss contribuyó notablemente

en el estudio y difusión de esta distribución.

 Es la distribución de mayor importancia en

estadística, puesto que se presenta
naturalmente en muchos casos reales como
peso, talla, grado nutricional, cociente
intelectual, etc.
 DISTRIBUCION NORMAL
 Es el modelo de probabilidad de mayor uso,
que puede expresarse en forma general o
estandarizada.

 Tienes simetría perfecta en forma de una

campana, la media, la mediana y la moda son
iguales.

 La mayoría de las variables continuas tienen

polígonos de frecuencias que permiten
visualizar un aumento gradual hasta llegar a
un máximo y luego un descenso igualmente
gradual. Así:
DISTRIBUCION NORMAL
Una variable aleatoria continua “X” tiene una
distribución de probabilidad normal con media y
varianza , si su función de densidad de probabilidad esta
dado por:
1  x  2
1  
2  
   x
f ( x)  e
 2
Donde:
f(x)=y = altura de la curva en el punto x
 = media aritmética de la distribución
 = desviación estándar de la distribución
 = 3,14159 е = 2,71828
DISTRIBUCION NORMAL

Notación:
Una notación muy usada para la distribución
normal es : X  N (  , 2 )
Se lee: La variable “X” se distribuye
normalmente con media µ y varianza σ² .

Gráfica de la Distribución Normal (Curva Normal)

Características más importantes de la
distribución normal

Es simétrica respecto a la media .

La media, la mediana y la moda son iguales.

El área total debajo de la curva y el eje x es igual a una

unidad.

La normal queda completamente determinada

por los parámetros  y 
Aplicaciones
 
La distribución normal ocupa un lugar muy importante en
todo el campo de la estadística, debido a que en la
práctica muchos fenómenos, industriales, científicos,
sociales o de la vida diaria pueden describirse por esta
distribución.
 
Ejemplos :
- Características humanas ( peso, altura, coeficiente intelectual,
etc)

- Caracteres sociológicos (puntuaciones en un examen, consumo de

cierto producto por un mismo grupo de individuos, etc. )

- Resultados de procesos físicos ( dimensiones, rendimientos, etc. )

DISTRIBUCION NORMAL
Distribución normal estándar o distribución
normal tipificada
 Tiene una media de cero y desviación estándar de
uno

 Se obtiene a partir de la ecuación:

1  x  2
1  
2  

f ( x)  e
 2
haciendo =0, =1 y z = x-


Donde z es una variable aleatoria con distribución
normal. Luego:
 z2


1 e 2

y
2π -  z  

Cuyo gráfico es:

=1

- =0 + zi
 USO TABLA NORMAL ESTANDARIZADA

Para facilitar la construcción y uso de la distribución

normal se ha elaborado una tabla de reas bajo la curva
normal.
La tabla ha sido estandarizada a fin de hacerla aplicable a
cualquier problema que incluya una distribución normal.
Para utilizar la tabla, la variable x debe transformarse en
una medida ESTÁNDAR “z”, la cual se halla mediante la
formula:
x
Z

VARIABLE NORMAL ESTANDAR Z
(=0, =1)
 P(Z ≤ a)
P(Z ≤ 1.47) = 0.9292

P(Z > a) = 1 -
P(Z ≤P(Z
a) > 1.47) = 1 − P(Z ≤ 1.47) = 1 − 0.9292 =
0.0708
P(a < Z ≤ b ) = P(Z ≤ b) − P(Z ≤ a)
P( 0.45 <Z ≤ 1.47) = P(Z ≤ 1.47) − P(Z ≤ 0.45)
= 0.9292 − 0.6736 = 0.2556

P(−a < Z ≤ b ) = P(Z ≤ b) − [ 1 − P(Z ≤ a)]

P(-1.47 < Z ≤ 0.45) = P(Z ≤ 0.45) − [ 1 − P(Z ≤ 1.47)]
= 0.6736 − (1 − 0.9292) = 0.6028
EJEMPLO:

1) El peso de los alumnos del primer ciclo de la

facultad de ingeniería de una cierta universidad, se
distribuye normalmente, con una media de 55 kg y
una desviación estándar de 5 kg. ¿Cuál es la
probabilidad de que un alumno escogido al azar
tenga:

a)Más de 65 Kg.
b)Menos de 50 kg.
c)Entre 50 y 60 kg
a. Tenga un valor de más de 65 kg.
Solución:

p(x65) =?

Cálculo de z:
=5 Z= 65 – 55= 2
5
55 65 xi

Luego:
=1 p(x65)=p(z2)
= 1 - 0,9772
0 2 zi = 0,0228.
Interpretación:
La probabilidad de que un alumno seleccionado al azar pese mas
de 65 kg., es de 0,0228
EJEMPLO:
c) Tenga un valor entre 50 y 60?
Solución:
Se solicita: p(50  x  60)=?.
En el gráfico, el área que debemos calcular aparece sombreada:

=5

50 55 60 Xi
Se transforman o estandarizan los valores de xi en términos de z.
x1   60  55
z1   1
 5
x   50  55
z2  2   1
 5
 =1

-1 0 1 Xi

Luego: p(50  x  60) = p(-1  z  1)=?.

De la tabla:
p(-1  z  1) = 0,8413 - 0,1587 = 0,6826
Interpretación:
La probabilidad de que un alumno seleccionado al azar pese
entre 8 y 14 kg., es de 0,6826
DISTRIBUCION
t de STUDENT
DISTRIBUCION t de STUDENT
-En muchas ocasiones no se conoce σ y el número de
observaciones en la muestra es menor de 30.

-En estos casos, se puede utilizar la desviación estándar

de la muestra s como una estimación de σ.

- El estadístico de prueba adecuado es la distribución t.

- Sus aplicaciones en la inferencia estadística son para

estimar y probar una media y una diferencia de medias.
DISTRIBUCION t de STUDENT

r: grado de libertad

: Función gamma
 : 3,1416
 CARACTERISTICA
DE LA DISTRIBUCION t de STUDENT

- La distribución se denomina distribución de Student o

distribución t.

- Al igual que la distribución Z, es una distribución

continua.

-Es simétrica, con media 0, y variancia mayor que 1.

Tiene forma acampanada.

-A medida que n aumenta, la gráfica se aproxima a la

normal N(0,1).
 CARACTERISTICA
DE LA DISTRIBUCION t de STUDENT

Observaciones:
 
- La distribución t de Student es muy similar a
la distribución normal estándar, ya que ambos
varían de -∞ a +∞, son simétricos y centradas
alrededor de la media cero.

-La distribución t de Student se aproxima a la

distribución normal estándar cuando el grado de
libertad “r” de la distribución t es muy grande, para
r  30
 CARACTERISTICA
DE LA DISTRIBUCION t de STUDENT.
 CARACTERISTICA
DE LA DISTRIBUCION t de STUDENT
 DISTRIBUCION
CHI CUADRADO
Distribución Chi cuadrado
Definición: Se dice que la variable aleatoria continua X tiene distribución
chi-cuadrado con n grados de libertad, y se representa por X ~ x2 (n)

Función de Densidad
n 1
x
1  x 2
f ( x)  e 2
2 , x0
2  2 
n  

Características

i) E  X   n ii) V  X   2n

Donde n es un número entero positivo

 PROPIEDADES DE LA CHI CUADRADO

- Es una Prueba No paramétrica

-Determina la existencia de una relación entre las variables.

-Es una distribución para muestras pequeñas n<=30

- No tiene valores negativos.

-Todas las curvas son asimétricas

- Cuando aumentan los grados de libertad las curvas son menos

elevadas y más extendidas a la derecha.
Ejemplo 1

Si X ~ x2 (23), calcular

a)P ( X ≥ 35.172) =

b)P ( X ≤ 19.021) =
DISTRIBUCION
F de Fisher
Snedecor
Distribución F Fisher

Definición: Se dice que una variable aleatoria continua X se

distribuye según F con n1 y n2 grados de libertad, y se
representa por F ~ F2 (n1, n2)
Función de Densidad
m m mn
1
  .x
mn 2 
m 
2 mx  2
f ( x)  2
 n  1 n  , x  0 , m , n  
  m2    n2     

Características

n 2n2 ( m  n  2)
i) E  X   , n 2, ii) V ( X )  2
, n4
n2 m ( n  2) ( n  4)

Donde n1 y n2 son números enteros positivos

 PROPIEDADES DE F FISHER

- No tiene valores negativos.

-Todas las curvas son asimetricas

-Tiene dos parámetros denominados grados de libertad.

Ejemplos
1) Si la variable aleatoria X~ F(4 , 5)
a) P( X ≤ 7,39)=?

b) P(x > 11.4 ) = ?

2) Si la variable aleatoria X~ F(6,10), hallar b tal que

a) P( X ≤ b)= 0,99

b) P( X ≥ b)= 0.05