VARIABLE ALEATORIA CONTINUA

MODELO NORMAL

No es posible definir una probabilidad para
cada uno. Por eso definimos la funcin
densidad de probabilidad

Para una variable aleatoria continua
disponemos de un conjunto no numerable
de valores.


0.00
0.05
0.10
0.15
0.20
0.25
123456789
1
0
1
1
1
2
1
3
1
4
1
5
Se puede pensar como la generalizacin de un histograma de
frecuencias relativas para variable continua.
a
b
) ( ) ( ) ( a F b F b x a P = s s
dx x f
b
a
) (
}
=
Observa que:
La probabilidad es el rea bajo la curva densidad f(x) entre x = a y x = b.
1 ) ( =
}

dx x f
A partir de la definicin es fcil ver que:
}
= = s <
b
a
dx x f a F b F b X a P ) ( ) ( ) ( ) (
Nota: Para cualquier par de valores a y b, las
probabilidades correspondientes a los intervalos
P (a < X s b)=P( a < X < b)=P( a s X < b)=P( a s X s b )
Son iguales.

}

9 e =
x
x dt t f x F ) ( ) (
Diferenciando tenemos:
Definimos la funcin de distribucin para la variable
aleatoria continua como:
) (
) (
x f
dx
x dF
=
funcin densidad de probabilidad
para cada x donde f(x) es continua.
Funcin de densidad de probabilidad
Definicin
Dada una variable aleatoria continua X; se
llama funcin de densidad de probabilidad de
X a f(x) si existe y que satisfaga las siguientes
condiciones:
a.- f(x) > 0 para todo x
1 ) ( =
}

dx x f
b.-
1
2
2 2 2
1
0
2
2
1
0
1
0
= = = =
} }
x
x
dx x dx x

< s
x
x x
x f
0
1 0 2
) (
Es funcin de densidad ?
0 1
0
1
2
P ( 0 < x < 1 ) = 1
) 4 / 3 2 / 1 ( < < x P
1
0
2
0
2 ) (
r
r
x
x dx x x F
}
= =

>
s s
<
=
1 1
1 0
0 0
) (
2
x
x x
x
x F
F(x)=0
0
1
F(x)=1
1
2 2
2
1
4
3
2
1
4
3
4
3
2
1
|
.
|

\
|

|
.
|

\
|
=
|
.
|

\
|

|
.
|

\
|
=
|
.
|

\
|
s s F F x P
16
5
=
1/2
) 2 / 1 ( F
) 4 / 3 ( F
|
.
|

\
|
s s
4
3
2
1
x P
Esperanza matemtica o media
}

= continua) in (Distribuc dx x xf ) (
Varianza y desviacin tpica
( )
}

= continua) in (Distribuc dx x f x
2
) (
2
o
Sin duda la distribucin continua de probabilidad ms
importante, por la frecuencia con que se encuentra y por sus
aplicaciones tericas, es la distribucin normal, gaussiana o
de Laplace- Gauss. Fue descubierta y publicada por primera
vez en 1733 por De Moivre. A la misma llegaron, de forma
independiente, Laplace (1812) y Gauss (1809), en relacin a
la teora de los errores de observacin astronmica y fsica .


Pierre Simon de Laplace
(1749-1827)

Karl Gauss
(1777-1855)




Caracteres fisiolgicos, por
ejemplo: efecto de una misma dosis
de un frmaco.
Caracteres morfolgicos de individuos
(personas, animales, plantas,...) de una
especie (tallas, pesos, dimetros,
permetros,...).
Caracteres sociolgicos, por ejemplo:
consumo de cierto producto por un
mismo grupo de individuos,
puntuaciones de examen, ...
Errores cometidos al medir ciertas magnitudes.

Valores estadsticos muestrales, por ejemplo : la media.
Otras distribuciones como la binomial o la de Poisson se aproximan
a la normal. Distribuciones binomiales con n grande (n>30) y p ni pequeo (np > 5)
ni grande (nq > 5).
Distribucin normal
Distribucin normal o gaussiana
Est caracterizada por dos parmetros: la media, y
la desviacin tpica, .

Su funcin de densidad es:
0) (
x - e

x P ) , N
2
2

) x
>
< < = =

2
(
2
1
) ( (
La curva normal adopta un nmero infinito de
formas, determinadas por sus parmetros y .
+
Caractersticas de la distribucin Normal
, Mo, Mn
o o
- o + o
Tiene forma de campana, es asinttica al eje de las abscisas
(para x = )
Los puntos de inflexin tienen como abscisas los valores o
Simtrica con respecto a la media () donde coinciden la mediana
(Mn) y la moda (Mo )
Distribucin normal con =0 para varios valores o
0
0.4
0.8
1.2
1.6
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
o=0.25
o=0.5
o=1
p(x)
20 30 40 50 60 70 80 90 100 110 120
o = 5
o = 5
10 = o
Curvas normales con distintas medias y desviaciones estndar
N(, ): Interpretacin geomtrica
La media se puede
interpretar como un
factor de traslacin.

Y la desviacin tpica
como un factor de
escala, grado de
dispersin,
N(, ): Interpretacin probabilista
Entre la media y una
desviacin tpica tenemos
siempre la misma
probabilidad:
aproximadamente el 68%.
Entre la media y dos
desviaciones tpicas aprox.
95%

Podemos obtener la funcin de distribucin F(x)
integrando la funcin de densidad de probabilidad:

2
1
) (
2
2
2
) (
dv e x F
x
v
}

=
De modo que la probabilidad de una variable aleatoria
normal X en un intervalo a < x s b es:

2
1
) ( ) ( ) (
2
2
2
) (
dv e a F b F b X a P
b
a
v
}

= = s <
No podemos calcular analticamente el valor de la integral!
Tabularemos sus valores numricos...
Cmo calcular probabilidades asociadas
a una curva normal especfica?
Dado que tanto como o pueden asumir infinitos valores lo
que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribucin
normal reducida o tipificada.



Se define una variable z =
x -
o
Es una traslacin , y un cambio de escala de
la variable original.
La nueva variable z se distribuye como una
NORMAL con media = 0 y desviacin tpica o = 1
-3 -2 -1 0 1 2 3
z
68% 95% 99%
Recordemos de nuevo que en cualquier distribucin normal las
probabilidades delimitadas entre :
o = 68 %
2o = 95 %
3o = 99 %
68%
99%
95%
Tipificacin
Dada una variable de media y desviacin tpica ,
se denomina valor tipificado z, de una observacin x,
a la distancia (con signo) con respecto a la media,
medido en desviaciones tpicas, es decir:
o

=
x
z
En el caso de variable X normal, la interpretacin es clara:
asigna a todo valor de N(, ), un valor de N(0,1) que deja
exctamente la misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos
distribuciones normales diferentes, para saber cul de los
dos es ms extremo.

Las probabilidades de la variable tipificada (z) estn
tabuladas para los diferentes valores de la variable.
Para calcular probabilidades, una vez transformada,
la variable a valores de z, se busca en una tabla el
rea correspondiente.

Apliquemos el cambio de variable tipificada a la funcin de
distribucin F(x):
z = (v- )/o
dv = odz
du e z F
x
}

=
)/ (
2
u
2
2
1
) (
2
1
) (
2
2
2
) (
dv e x F
x
v
}

=
APROXIMACION A LA NORMAL DE LA
DISTRIBUCIN BINOMIAL
La distribucin Binomial converge a la normal cuando n
tiende a (teorema de de Moivre, caso particular del teorema
central del lmite)
}

=
5 . 0
5 . 0
,
) ( lim
b
a
x n x
b a
n
x
n
dx x p q p C
es N (np, npq)
p(x)
a -0.5 b + 0.5
a
b
= np = 16 o = \npq = 3.1
Se cumple alguna de las condiciones?
Se calcula la P( 7.5 < X < 8.5 )
z
1
= 7.5-16/3.1 = -2.74 ; P = 0.4969
z
2
= 8.5 - 16/3.1 = - 2.42 ; P = 0.4922

P(7.5<X<8.5) = 0.4969 - 0.4922 =
0.0047
SI np = 16 y nq = 24
En la prctica la aproximacin es buena cuando se cumple al menos una
de estas condiciones:

1.- np y nq > 15 2.- npq > 5 3.- np 3\ npq e {0, n}
Ejemplo: Sea una variable Binomial con n = 40 y p = 0.4. Calcular
mediante la aproximacin normal la probabilidad de obtener 8 xitos
16
9.8 12.9
6.7
8.5
7.5