Métodos Estadísticos (Est-223)

Prof. Gercy Mateo

CONTENIDO
DISTRIBUCIONES PROBABILISTICAS CONTINUA

Objetivos Generales
Al concluir este tema los estudiantes estarán formados para...

1. Definir una distribución de probabilidad continua y como explicar la

distribución normal en una determinada situación.
2. Comprobar la aproximación de esta distribución a las distribuciones Binomial
y de Poisson.
Distribución de probabilidades continua

Una diferencia fundamental entre las variables aleatorias discretas y las variables aleatorias continuas
es cómo se calculan las probabilidades. En las variables aleatorias discretas la función de probabilidad
f(x) da la probabilidad de que la variable aleatoria tome un valor determinado.

En las variables aleatorias continuas, la contraparte de la función de probabilidad es la función de

densidad de probabilidad, que también se denota f(x). La diferencia está en que la función de
densidad de probabilidad no da probabilidades directamente. Si no que el área bajo la curva de f(x) que
corresponde a un intervalo determinado proporciona la probabilidad de que la variable aleatoria tome
uno de los valores de ese intervalo. De manera que cuando se calculan probabilidades de variables
aleatorias continuas se calcula la probabilidad de que la variable aleatoria tome alguno de los valores
dentro de un intervalo.

Como en cualquier punto determinado el área bajo la gráfica de f(x) es cero, una de las consecuencias
de la definición de la probabilidad de una variable aleatoria continua es que la probabilidad de cualquier
valor determinado de la variable aleatoria es cero.
Distribución de probabilidades continua
Hasta este punto del capítulo, nos hemos ocupado del análisis de las distribuciones de probabilidad
discretas. En la presente sección atenderemos a los casos en que la variable puede tomar cualquier
valor que esté en un intervalo de valores dado, y en los cuales la distribución de probabilidad es
continua.

Una distribución de probabilidad continua que es muy importante es la distribución normal. Varios
matemáticos han contribuido a su desarrollo, entre los que podemos contar al astrónomo-matemático
del siglo XVIII Karl Gauss. En honor a su trabajo, la distribución de probabilidad normal también es
conocida como distribución gaussiana.

Existen dos razones fundamentales por las cuales la distribución normal ocupa un lugar tan prominente
en la estadística. Primero, tiene algunas propiedades que la hacen aplicable a un gran número de
situaciones en las que es necesario hacer inferencias mediante la toma de muestras. Segundo, la
distribución normal casi se ajusta a las distribuciones de frecuencias reales observadas en muchos
fenómenos, incluyendo características humanas (peso, altura, coeficiente intelectual), resultados de
procesos físicos (dimensiones y rendimientos), y muchas otras medidas de interés para los
administradores, tanto en el sector público como en el privado.
Distribución de probabilidades continua
Variable aleatoria continua:

Una variable aleatoria continua toma cualquier valor en una escala continua entre dos
valores prefijados a y b. Es decir existe un numero infinito de valores entre a y b.

En una distribución de probabilidad continua, es imposible proyectar una tabla como la

presentada para una distribución discreta, puesto que una distribución continua existe un
numero infinito de valores entre dos limites a y b, imposible de tabular en su totalidad.
Distribución de probabilidades continua
Características de la distribución normal de probabilidad

1. La curva tiene un solo pico; por tanto, es unimodal. Tiene la forma de campana que
mencionamos anteriormente.
2. La media de una población distribuida normalmente cae en el centro de su curva normal.
3. Debido a la simetría de la distribución normal de probabilidad, la mediana y la moda de la
distribución se encuentran también en el centro; en consecuencia, para una curva normal,
la media, la mediana y la moda tienen el mismo valor.
4. Las dos colas de la distribución normal de probabilidad se extienden indefinidamente y
nunca tocan el eje horizontal (desde luego, esto es imposible de mostrar de manera
gráfica).
La mayor parte de las poblaciones reales no se
extienden de manera indefinida en ambas direcciones;
pero para estas poblaciones, la distribución normal es
una aproximación conveniente. No hay una sola curva
normal, sino una familia de curvas normales. Para
definir una distribución normal de
probabilidad necesitamos definir sólo dos
parámetros: la media (𝛍) y la desviación
estándar (𝛔).

50% 50%
Distribución de probabilidades continua
Áreas bajo la curva normal

No importa cuáles sean los valores de 𝛍 y 𝛔 para una distribución de probabilidad normal, el
área total bajo la curva es 1.00, de manera que podemos pensar en áreas bajo la curva
como si fueran probabilidades. Matemáticamente es verdad que:

1. Aproximadamente el 68% de todos los valores de una población normalmente distribuida

se encuentra dentro de ± 1 desviación estándar de la media.
2. Aproximadamente el 95.5% de todos los valores de una población normalmente
distribuida se encuentra dentro de ± 2 desviaciones estándar de la media.
3. Aproximadamente el 99.7% de todos los valores de una población normalmente
distribuida se encuentra dentro de ± 3 desviaciones estándar de la media.

Levin: 68% , 95.5%, 99.7%

Webster: 68.3%, 95.5%, 99.7%,
Anderson: 68.3%, 95.4%, 99.7%
 Distribución de probabilidades continua

Levin: 68% , 95.5%, 99.7%

Webster: 68.3%, 95.5%, 99.7%,
Anderson: 68.3%, 95.4%, 99.7%
El área total bajo la curva normal vale 1.
Distribución de probabilidades continua

Cálculo de probabilidades en cualquier distribución de probabilidad normal

Puede existir un numero infinito de distribuciones normales posibles, cada una con su propia
media y su desviacion estandar. Ya que obviamente no se pude analizar un número tan
grande de posibilidades, es necesario convertir todas estas distribuciones normales a una
forma estandar. Esta conversión a la distribución normal estandar se efectúa con la formula
𝑥−𝑢
de conversión (o formula Z) 𝑧 =
𝜎

en donde Z es la desviación normal y X es algún valor específico de la variable aleatoria.

Después de este proceso de conversión, la media de la distribución es 0 y la desviación
estándar es 1. es decir, sin considerer lo que valen la media y la desviación etandar, se
miden en las unidades originales en la distribución, después de que se ha aplicado la formula
de conversion la media es 0 y la desviación estándar es 1.
Distribución de probabilidades continua

Cálculo de probabilidades en cualquier distribución de probabilidad normal

La razón por la cual la distribución normal estándar se ha visto de manera tan amplia es que
todas las distribuciones normales son calculadas mediante la distribución normal estándar.
Esto es, cuando distribución normal con una media μ cualquiera y una desviación estándar σ
cualquiera, las preguntas sobre las probabilidades en esta distribución se responden
pasando primero a la distribución normal estándar. Use las tablas de probabilidad normal
estándar y los valores apropiados de z para hallar las probabilidades deseadas. A
continuación se da la fórmula que se emplea para convertir cualquier variable aleatoria x con
media μ y desviación estándar σ en la variable aleatoria normal estándar z.

El área total bajo la curva normal vale 1.

Áreas bajo la curva normal (Ejemplo)
El dueño de la compañía, ha desarrollado un nuevo programa de capacitación completamente adaptable
al ritmo de los usuarios. Los nuevos empleados trabajan en varias etapas a su propio ritmo de trabajo; el
término del entrenamiento se da cuando el material es aprendido.
El programa ha resultado especialmente efectivo en acelerar el proceso de capacitación, ya que el salario
de un empleado durante el entrenamiento es de sólo el 67% del que ganaría al completar el programa.
En los últimos años, el promedio de término del programa ha sido de 44 días, con una desviación estándar
de 12 días.
a) Encuentre la probabilidad de que un empleado termine el programa entre 33 y 45 días.
b) ¿Cuál es la probabilidad de terminar el programa en menos de 30 días?
c) ¿De terminarlo en menos de 25 o más de 60 días?
𝑥−𝜇 33 − 44 −11
𝜇 = 44 días 𝑧1 = = = = −0.92 ∅𝒛𝟏 = 𝟎. 𝟑𝟐𝟏𝟐
𝜎 = 12 días 𝜎 12 12
X1=33
X2=45 𝑥 − 𝜇 45 − 44 −1
𝑧2 = = = = −0.08 ∅𝒛𝟐 = 𝟎. 𝟎𝟑𝟏𝟗
𝜎 12 12
0.3531

La probabilidad de que un empleado termine el

programa entre 33 y 45 días es de un 35%
(multiplicamos 0.3531 por cien y redondeamos)
33 𝜇 = 44 45
Áreas bajo la curva normal (Ejemplo)
El dueño de la compañía, ha desarrollado un nuevo programa de capacitación completamente adaptable
al ritmo de los usuarios. Los nuevos empleados trabajan en varias etapas a su propio ritmo de trabajo; el
término del entrenamiento se da cuando el material es aprendido.
El programa ha resultado especialmente efectivo en acelerar el proceso de capacitación, ya que el salario
de un empleado durante el entrenamiento es de sólo el 67% del que ganaría al completar el programa.
En los últimos años, el promedio de término del programa ha sido de 44 días, con una desviación estándar
de 12 días.
a) Encuentre la probabilidad de que un empleado termine el programa entre 33 y 45 días.
b) ¿Cuál es la probabilidad de terminar el programa en menos de 30 días?
c) ¿De terminarlo en menos de 25 o más de 60 días?
𝑥−𝜇 33 − 44 −11
𝜇 = 44 días 𝑧1 = = = = −0.92 ∅𝒛𝟏 = 𝟎. 𝟑𝟐𝟏𝟐
𝜎 = 12 días 𝜎 12 12
X1=33
X2=42 𝑥 − 𝜇 45 − 44 −1
𝑧2 = = = = −0.08 ∅𝒛𝟐 = 𝟎. 𝟎𝟑𝟏𝟗
𝜎 12 12
0.3531

La probabilidad de que un empleado termine el

programa entre 33 y 45 días es de un 35%
(multiplicamos 0.3531 por cien y redondeamos)
33 𝜇 = 44 42
Áreas bajo la curva normal (Ejemplo)
El dueño de la compañía, ha desarrollado un nuevo programa de capacitación completamente adaptable
al ritmo de los usuarios. Los nuevos empleados trabajan en varias etapas a su propio ritmo de trabajo; el
término del entrenamiento se da cuando el material es aprendido.
El programa ha resultado especialmente efectivo en acelerar el proceso de capacitación, ya que el salario
de un empleado durante el entrenamiento es de sólo el 67% del que ganaría al completar el programa.
En los últimos años, el promedio de término del programa ha sido de 44 días, con una desviación estándar
de 12 días.
a) Encuentre la probabilidad de que un empleado termine el programa entre 33 y 42 días.
b) ¿Cuál es la probabilidad de terminar el programa en menos de 30 días?
c) ¿De terminarlo en menos de 25 o más de 60 días?
𝑥−𝜇 30 − 44 −14
𝜇 = 44 días 𝑧1 = = = = −1.17 ∅𝒛𝟏 = 𝟎. 𝟑𝟕𝟗𝟎
𝜎 = 12 días 𝜎 12 12
X=30
0.50-𝟎. 𝟑𝟕𝟗𝟎 = 𝟎. 𝟏𝟐𝟏

Como el área bajo la curva es simétrica (representa 50% a

la izquierda y 50% a la derecha), le restamos a 0.50 el
resultado obtenido. Por lo que La probabilidad de que un
empleado termine el programa en menos de 30 días es de
un 12% (multiplicamos 0.121 por cien y redondeamos)
30 𝜇 = 44
Áreas bajo la curva normal (Ejemplo)
El dueño de la compañía, ha desarrollado un nuevo programa de capacitación completamente adaptable
al ritmo de los usuarios. Los nuevos empleados trabajan en varias etapas a su propio ritmo de trabajo; el
término del entrenamiento se da cuando el material es aprendido.
El programa ha resultado especialmente efectivo en acelerar el proceso de capacitación, ya que el salario
de un empleado durante el entrenamiento es de sólo el 67% del que ganaría al completar el programa.
En los últimos años, el promedio de término del programa ha sido de 44 días, con una desviación estándar
de 12 días.
a) Encuentre la probabilidad de que un empleado termine el programa entre 33 y 42 días.
b) ¿Cuál es la probabilidad de terminar el programa en menos de 30 días?
c) ¿De terminarlo en menos de 25 o más de 60 días?
𝑥−𝜇 30 − 44 −14
𝜇 = 44 días 𝑧1 = = = = −1.17 ∅𝒛𝟏 = 𝟎. 𝟑𝟕𝟗𝟎
𝜎 = 12 días 𝜎 12 12
X=30
0.50-𝟎. 𝟑𝟕𝟗𝟎 = 𝟎. 𝟏𝟐𝟏

Como el área bajo la curva es simétrica (representa 50% a

la izquierda y 50% a la derecha), le restamos a 0.50 el
resultado obtenido. Por lo que La probabilidad de que un
empleado termine el programa en menos de 30 días es de
un 12% (multiplicamos 0.121 por cien y redondeamos)
30 𝜇 = 44
Áreas bajo la curva normal (Ejemplo)
El dueño de la compañía, ha desarrollado un nuevo programa de capacitación completamente adaptable
al ritmo de los usuarios. Los nuevos empleados trabajan en varias etapas a su propio ritmo de trabajo; el
término del entrenamiento se da cuando el material es aprendido.
El programa ha resultado especialmente efectivo en acelerar el proceso de capacitación, ya que el salario
de un empleado durante el entrenamiento es de sólo el 67% del que ganaría al completar el programa.
En los últimos años, el promedio de término del programa ha sido de 44 días, con una desviación estándar
de 12 días.
a) Encuentre la probabilidad de que un empleado termine el programa entre 33 y 42 días.
b) ¿Cuál es la probabilidad de terminar el programa en menos de 30 días?
c) ¿De terminarlo en menos de 25 o más de 60 días?
𝑥−𝜇 25 − 44 −19
𝜇 = 44 días 𝑧1 = = = = −1.58 ∅𝒛𝟏 = 𝟎. 𝟒𝟒𝟐𝟗
𝜎 = 12 días 𝜎 12 12
X1=25
X2=60 𝑥 − 𝜇 60 − 44 16
𝑧2 = = = = 1.33 ∅𝒛𝟐 = 𝟎. 𝟒𝟎𝟖𝟐
𝜎 12 12
La probabilidad de que un
0.50-𝟎. 𝟒𝟒𝟐𝟗 = 𝟎. 𝟎𝟓𝟕𝟏 empleado termine el
programa en menos de 25
0.50-𝟎. 𝟒𝟎𝟖𝟐 = 𝟎. 𝟎𝟗𝟏𝟖 días o más de 60 días es de
0.1489 un 15% (multiplicamos
𝜇 = 44 60 0.1489 por cien y
25
redondeamos)
Áreas bajo la curva normal (Ejemplo)
El dueño de la compañía, ha desarrollado un nuevo programa de capacitación completamente adaptable
al ritmo de los usuarios. Los nuevos empleados trabajan en varias etapas a su propio ritmo de trabajo; el
término del entrenamiento se da cuando el material es aprendido.
El programa ha resultado especialmente efectivo en acelerar el proceso de capacitación, ya que el salario
de un empleado durante el entrenamiento es de sólo el 67% del que ganaría al completar el programa.
En los últimos años, el promedio de término del programa ha sido de 44 días, con una desviación estándar
de 12 días.
a) Encuentre la probabilidad de que un empleado termine el programa entre 33 y 42 días.
b) ¿Cuál es la probabilidad de terminar el programa en menos de 30 días?
c) ¿De terminarlo en menos de 25 o más de 60 días?
𝑥−𝜇 25 − 44 −19
𝜇 = 44 días 𝑧1 = = = = −1.58 ∅𝒛𝟏 = 𝟎. 𝟒𝟒𝟐𝟗
𝜎 = 12 días 𝜎 12 12
X1=25
X2=60 𝑥 − 𝜇 60 − 44 16
𝑧2 = = = = 1.33 ∅𝒛𝟐 = 𝟎. 𝟒𝟎𝟖𝟐
𝜎 12 12
La probabilidad de que un
0.50-𝟎. 𝟒𝟒𝟐𝟗 = 𝟎. 𝟎𝟓𝟕𝟏 empleado termine el
programa en menos de 25
0.50-𝟎. 𝟒𝟎𝟖𝟐 = 𝟎. 𝟎𝟗𝟏𝟖 días o más de 60 días es de
0.1489 un 15% (multiplicamos
𝜇 = 44 60 0.1489 por cien y
25
redondeamos)
Distribución de probabilidades continua
Limitaciones de la distribución normal de probabilidad

Antes, en este mismo capítulo, enfatizamos que las colas de la distribución normal se
acercan al eje horizontal, pero nunca llegan a tocarlo. Esto implica que existe algo de
probabilidad (aunque puede ser muy pequeña) de que la variable aleatoria pueda tomar
valores enormes. Debido a la forma de la cola derecha de la curva, es posible que la curva
de distribución normal asigne una probabilidad minúscula a la existencia de una persona que
pese 2,000 kilogramos. Desde luego, nadie creería en la existencia de tal persona. (Un peso
de una tonelada o más estaría a aproximadamente 50 desviaciones estándar a la derecha de
la media y tendría una probabilidad con ¡250 ceros justo después del punto decimal!) No
perdemos mucha precisión al ignorar valores tan alejados de la media. Pero a cambio
de la conveniencia del uso de este modelo teórico, debemos aceptar el hecho de que
puede asignar valores imposibles en la práctica.
Distribución de probabilidades continua
La distribución normal como una aproximación de la distribución binomial

Aunque la distribución normal es continua, resulta interesante hacer notar que algunas veces
puede utilizarse para aproximar distribuciones discretas.
La aproximación normal a la distribución binomial resulta muy cómoda, pues nos permite
resolver el problema sin tener que consultar grandes tablas de distribución binomial (quizá
haya observado que la tabla de las probabilidades binomiales para valores de n de hasta 20,
ya tiene nueve páginas de extensión). Debemos enfatizar que debe ser cuidadoso al
utilizar esta aproximación, que es bastante buena siempre y cuando np y nq sean de al
menos cinco.

Recuerde que en una distribución binomial:

𝑢 = 𝑛𝑝
𝜎 = 𝑛𝑝𝑞
Distribución de probabilidades continua
La distribución normal como una aproximación de la distribución binomial
Ejemplo:
Para ilustrar la aproximación normal a la binomial, suponga que una empresa sabe por
experiencia que 10% de sus facturas tienen algún error. Toma una muestra de 100 facturas y
desea calcular la probabilidad de que 12 de estas facturas contengan algún error. Es decir,
quiere hallar la probabilidad binomial de 12 éxitos en 100 ensayos.

Aplicando la aproximación normal a este caso se tiene, μ=np = (100)(0.1) =10 y 𝜎 = 𝑛𝑝𝑞
Igual a 𝜎 = 100 0.1 0.9 = 3

Recuerde que en una distribución de probabilidad continua las probabilidades se calculan como áreas bajo la curva de la
función de densidad de probabilidad. En consecuencia, la probabilidad que tiene un solo valor de la variable aleatoria es cero.
Por tanto, para aproximar la probabilidad binomial de 12 éxitos se calcula el área correspondiente bajo la curva normal entre
11.5 y 12.5. Al 0.5 que se suma y se resta al 12 se le conoce como factor de corrección por continuidad. Este factor se
introduce debido a que se está usando una distribución continua para aproximar una distribución discreta. Así, P(x =12) de una
distribución binomial discreta se aproxima mediante P(11.5 ≤ x ≤ 12.5) en la distribución normal continua.

𝑥−𝜇 11.5 − 10 1.5

𝑧1 = = = = 0.5 Concluir ejercicio…..
𝜎 3 3 11.5

12.5
𝑥 − 𝜇 12.5 − 10 2.5
𝑧2 = = = = 0.83
𝜎 3 3
𝜇 = 10
BIBLIOGRAFÍA
1) Estadística para Administración y Economía
 Autor: Richard I. Levin, David S. Rubín
 Séptima Edición
2) Estadística Aplicada a los Negocios y la Economía
 Autor: Allen l. Webster
 Tercera Edición
3) Estadistica para Administracion y Economía
 David R. Anderson, Dennis J. Sweeney, Thomas A. Williams
 10a. Edición
4) Estadística para Administración y Economia
 Robert D. Mason
 Douglas A. Lind, 7ma. Edicion.
5) Introducción a la Estadística Elemental Aplicada
 Cesar Familia,
 Tomo I, 2016
Gracias!!!