DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Se dice que una variable aleatoria 𝑋 es continua si sus valores consisten en uno o más valores de la
recta de los reales, es decir, cualquier número x entre un intervalo A y B es posible.

Entonces una distribución de probabilidad o función de densidad de probabilidad fdp de 𝑋 es

una función 𝑓(𝑥) tal que para dos números cualesquiera a y b con 𝑎 ≤ 𝑏
𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎

Es decir, la probabilidad de que 𝑋 tome un valor en el intervalo [𝑎, 𝑏] es el área entre este
intervalo y bajo la gráfica de la función de densidad. La gráfica de 𝑓(𝑥) se llama curva de
densidad.

Para que f(x) sea una función de densidad de probabilidad legitima, se deben satisfacer dos
condiciones:

1. 0 ≤ 𝑓(𝑥) ≤ 1
∞
2. ∫−∞ 𝑓(𝑥) 𝑑𝑥 = á𝑟𝑒𝑎 𝑏𝑎𝑗𝑜 𝑙𝑎 𝑔𝑟á𝑓𝑖𝑐𝑎 𝑐𝑜𝑚𝑝𝑙𝑒𝑡𝑎 𝑑𝑒 𝑓(𝑥) = 1

Valor Esperado

El valor esperado o promedio de una variable aleatoria continua X con función de densidad f(x) es:
∞
𝜇𝑥 = 𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞

Varianza

La varianza de una variable aleatoria continua 𝑋 con función de densidad 𝑓(𝑥) y valor promedio 𝜇
es:
∞
𝜎𝑥2 = 𝑉(𝑋) = 𝐸[(𝑋 − 𝜇)2 ] = ∫ (𝑥 − 𝜇)2 𝑓(𝑥) 𝑑𝑥
−∞
La forma más fácil para calcular 𝜎 2 es usar de nuevo una fórmula abreviada:

𝑉(𝑋) = 𝐸(𝑋 2 ) − 𝜇𝑥2

Donde
∞
2)
𝐸(𝑋 = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥
−∞

Ejemplo

Sea f(x) una función sobre ℝ dada por

Esta es una función integrable que satisface que f(x) ≥ 0 para todo x ∈ ℝ como se puede
observar en la figura

Además

∞ 0 1 2 ∞

∫ 𝑓(𝑥)𝑑𝑥 = ∫ 0𝑑𝑥 + ∫ 𝑥𝑑𝑥 + ∫(2 − 𝑥)𝑑𝑥 + ∫ 0𝑑𝑥 = 1.0

−∞ −∞ 0 1 2

Sea el evento A = (0.5,1.8] entonces la probabilidad de A puede ser calculada como

1 1.8

𝑝(𝐴) = ∫ 𝑥𝑑𝑥 + ∫ (2 − 𝑥)𝑑𝑥 = 0.855

0.5 1
La distribución de alguna variable aleatoria continua por lo general no se deduce mediante
argumentos probabilísticos simples. En vez de eso, se debe hacer una elección juiciosa de la
función de densidad con base en el conocimiento previo y datos disponibles. Por fortuna, hay
algunas familias generales de fdp que se ajustan bien a una amplia variedad de situaciones
experimentales.

Algunas de estas distribuciones de probabilidad son la Uniforme, Exponencial y la Normal, pero

aquí nos centraremos en la distribución Normal y las distribuciones que puedan generarse a partir
de ella como son la t-Student, Chi-Cuadrado y F de Snedecor.

DISTRIBUCIÓN NORMAL

Es una de las distribuciones teóricas mejor estudiadas y más utilizadas en la práctica por las
diversas aplicaciones que se pueden modelar a través de ella.

Se dice que una variable aleatoria X tiene una distribución Normal, si su función de densidad es:
1 1 𝑥−𝜇 2
− ( )
𝑓(𝑥) = 𝑒 2 𝜎 −∞ < 𝑥 < ∞
𝜎√2𝜋

𝜎>0 −∞ < 𝜇 < ∞

donde µ (media) y σ (desviación) son los parámetros de la distribución.

Propiedades

La distribución de probabilidad Normal es una distribución continua de probabilidad y tiene las

siguientes propiedades:

1. La familia completa de distribuciones normales se diferencia por su media µ y desviación

estándar σ.
2. El punto más alto de la curva normal es la media, que también es la mediana y la moda de la
distribución.
3. La media de la distribución puede ser cualquier valor numérico: negativo, cero, positivo.
4. La distribución normal es simétrica y su forma a la izquierda de la media es una imagen
especular de la forma a la derecha de la media.
5. La desviación estándar (σ) determina el ancho de la curva. A valores mayores de σ se tienen
curvas más anchas y bajas, que muestran una mayor dispersión en los datos.
6. Las probabilidades para la variable aleatoria normal están dadas por áreas bajo la curva. El
área total bajo la curva para la distribución de probabilidad normal es 1

La media determina el valor central de la curva. A diferentes valores de µ se tienen curvas que se
desplazan a la izquierda o a la derecha según la media.
Si 𝑋~𝑁(𝜇, 𝜎) entonces: 𝐸(𝑋) = 𝜇, 𝑉(𝑋) = 𝜎 2

Colorario:
𝑋−𝜇
Si 𝑋~𝑁(𝜇; 𝜎) entonces: 𝑍 = ~𝑁(𝜇 = 0; 𝜎 = 1)
𝜎

Donde 𝑍 es una variable aleatoria Normal Estándar.

En consecuencia:

Si 𝑋~𝑁(𝜇 = 5; 𝜎 = 2) → 𝑃(𝑋 < 6) =?

𝑋−𝜇 6−5
𝑃(𝑋 < 6) = 𝑃 ( < ) = 𝑃(𝑍 < 0.5)
𝜎 2
La 𝑃(𝑍 < 0.5) se obtiene mediante su función de densidad:
6 1 𝑥−𝜇 2
1 − ( )
𝑃(𝑋 < 6) = ∫ 𝑒 2 𝜎 𝑑𝑥
−∞ 𝜎√2𝜋

0.5
1 1 2
𝑃(𝑍 < 0.5) = ∫ 𝑒 −2𝑍 𝑑𝑧
−∞ 𝜎√2𝜋
El anterior valor se puede obtener por herramientas computacionales:

R: pnorm(6,5,2) = pnorm(0.5,0,1) = 0.6914

Excel: DISTR.NORM(6;5;2;1) = DISTR.NORM.ESTAND(0.5) = 0.6914

O a través del uso de tablas para la distribución Normal Estándar donde aparece tabulado la
probabilidad para distintos valores de Z.

Ejemplo:

Una maquina despachadora de gaseosa esta ajustada para servir en promedio 200 mililitros (ml)
por vaso. Si la cantidad de gaseosa se asemeja a una distribución normal con una desviación
estándar de 15 ml

¿Cuál es la probabilidad de que un vaso contenga entre 190 y 210 ml?

X=“Cantidad de gaseosa despachada (ml)”

Distribución del llenado de las botellas:

𝑋~𝑁(𝜇 = 200; 𝜎 = 15)

Probabilidad de que este entre 190 y 210:
190 − 200 𝑋 − 𝜇 210 − 200
𝑃(190 < 𝑋 < 200) = 𝑃 ( < < )
15 𝜎 15
= 𝑃(−0.66 < 𝑍 < 0.66)
= 𝑃(𝑍 < 0.66) − 𝑃(𝑍 < −0.66)
= 0.7454 − 0.2546
= 0.4908
El 49.08% de los vasos tendrán llenados entre 190 y 210 ml.
Teorema 1

Si 𝑋~𝑁(𝜇; 𝜎) y 𝑌 = 𝑎𝑋 + 𝑏 donde a y b son constantes, entonces:

𝑌~𝑁(𝑎𝜇 + 𝑏; |𝑎|𝜎)
Teorema 2

Si 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 son variables aleatorias distribuidas normalmente, donde 𝑋~𝑁(𝜇𝑖 ; 𝜎𝑖 ) y

además 𝑌 = 𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑛 , entonces:

𝑌~𝑁 (∑ 𝜇𝑖 ; √∑ 𝜎𝑖2 )

DISTRIBUCIÓN CHI-CUADRADA

Es una distribución útil en la modelación de variables aleatorias con asimetría positiva o cuando se
desea contrastar la significancia de una varianza.

Se dice que una variable aleatoria X tiene una distribución Chi-Cuadrada, si su función de densidad
es:
1 𝑘 −𝑥⁄
𝑓(𝑥) = 𝑘 𝑥 2 −1 𝑒 2; 𝑥 > 0 ; 𝑘 ∈ 𝑍+
2 ⁄2 𝛾(𝑘⁄ 2)
donde k son los grados de libertad de la distribución.

La función 𝛾(𝑘) es llamada función Gamma y se define como:


(k ) =  x k −1e − x dx para k  0
0

(k + 1) = k(k ) ; (1) = 1

Si n es entero entonces (k + 1) = k!

Si X ~  (2k ) entonces : E ( X ) = k , V ( X ) = 2k
Teorema 3
2
Si 𝑍~𝑁(0; 1) → 𝑍 2 ~𝜒(1)

Una variable Normal Estándar al cuadrado se distribuye Chi-Cuadrado.

Teorema 4

Si 𝑋𝑖 ~𝑁(0; 1) ; 𝑖 = 1,2, … , 𝑝 variables aleatorias independientes, entonces

𝑝
2
𝑈 = ∑ 𝑋𝑖2 ~𝜒(𝑝)
𝑖=1

La suma de los cuadrados de 𝑝 variables aleatorias independientes distribuidas Normal Estándar,

tiene distribución Chi-Cuadrado con 𝑝 grados de libertas.

Teorema 5

Si 𝑌𝑖 ~𝜒𝑘2𝑖 ; 𝑖 = 1,2, … , 𝑝 variables aleatorias independientes, entonces

𝑝 𝑝

𝑈 = ∑ 𝑌𝑖 ~𝜒𝑣2 ; 𝑣 = ∑ 𝑘𝑖
𝑖=1 𝑖=1

La suma variables aleatorias independientes distribuidas Chi-Cuadrado, tiene distribución Chi-

Cuadrado con parámetros igual a la suma de los grados de libertad de las variables sumandos.

Ejemplo

Si X se distribuye Chi-Cuadrado con 10 grados de libertad, encuentre:

15,98
1 10 −1⁄
𝑃(𝑋 < 15,98) = ∫ 10 𝑥 2 −1 𝑒 2 𝑑𝑥
0 2 ⁄2 𝛾(10⁄
2)
Esta integral es un poco compleja de calcular, pero no resulta ser una preocupación ya que estas
probabilidades aparecen tabuladas para diferentes valores del límite superior de la integral de 𝑥 y
para distintos grados de libertad.
DISTRIBUCIÓN T-STUDENT

La distribución t- Student es una distribución de probabilidad que surge del problema de estimar la
media de una población normalmente distribuida cuando el tamaño de la muestra es pequeño o
cuando no se conoce la desviación poblacional (σ).

Se dice que una variable aleatoria X tiene una distribución t-Student, si su función de densidad es:
(𝑘
𝛾 { + 1)⁄2} 1 1
𝑓(𝑥) = ∗ ∗ (𝑘+1)⁄
; −∞ < 𝑥 < ∞
𝛾(𝑘/2) √𝑘𝜋 ( 2)
(1 + 𝑥2
⁄𝑘 )

donde k son los grados de libertad de la distribución.

La distribución t se asemeja a la distribución Z porque ambas son simétricas alrededor de una

media cero y tienen forma de campana.

A medida que aumenta el tamaño de muestra la distribución t-Student tiende a parecerse mucho
a la Normal Estándar. Teóricamente la Normal es el límite de la t-Student cuando el tamaño de
muestra tiende a infinito.

Si X ~ t − Student entonces : E ( X ) = 0 , para k  1

V (X ) = k
(k − 2) , para k  2
Entre menos grados de libertad tenga la distribución t-Student, más pesadas tendrá las colas (la
probabilidad de encontrar valores atípicos es más alta).

Teorema 6

Si Z tiene distribución Normal Estándar y U tiene distribución Chi-Cuadrado con k grados de

libertad y además Z y U son independientes, entonces:
𝑍
𝑇= ~𝑡𝑘
√𝑈⁄𝑘

Ejemplo:

Si T se distribuye t-Student con 7 grados de libertad, encontrar:

𝑃(𝑇 < 0,20) = 0,57

DISTRIBUCIÓN F

Es una distribución de gran aplicación en la inferencia estadística, fundamentalmente en la

contrastación de igualdad de varianzas de dos poblaciones normales y en el Análisis de Varianza
(ANOVA), técnica que permite contrastar si existen diferencias significativas entre muestras
diferentes.
m+n
m n
m 2 n 2   m m+n
f (x ) =  2  2 −1
x (n + mx ) 2
−
x0
m n
   
 2  2

Donde m son los grados de libertad en el numerador y n son los grados de libertad en el
denominador.
Teorema 7

Sea U y V dos variables aleatorias con distribución Chi-Cuadrado con m y n grados de libertad
respectivamente, además U y V son independientes, entonces la variable aleatoria:
𝑈⁄
𝑚
𝑋= ~𝐹(𝑚;𝑛)
𝑉⁄
𝑛
Teorema 8
1
Si 𝑋~𝐹(𝑚;𝑛) → 𝑋
~𝐹(𝑛;𝑚)

Ejemplo

Sea X una variable aleatoria distribuida F con 3 y 4 gl, calcule 𝑃(𝑋 < 6,59)

𝑃(𝑋 < 6,59) = 0,95

En R se puede obtener mediante el código pf(6.59,3,4)