Distribuciones de Probabilidad para Variables Aleatorias Continuas Sea X una v. a. continua.

Entonces, una distribucin de probabilidad o funcin de densidad de probabilidad (pdf) de X es una funcin f(x) tal que para cualesquiera dos nmeros a y b , con
a b,
P ( a X b) = f ( x ) dx
a b

Esto es, la probabilidad de que X tome un valor en el intervalo [a, b] es el rea bajo la curva en dicho intervalo. La funcin de probabilidad debe cumplir dos condiciones: 1.
f ( x ) 0,

para toda x
=1 ,

2. f ( x)dx

esto es, el rea total es igual a 1 (la probabilidad

acumulada de todos los eventos es igual a 1). El valor esperado de una distribucin de Probabilidad continua es:
x = E [ X ] =

x f ( x)dx

Varianza de una variable aleatoria continua:

= V (X ) =
2 x

( x )

f ( x)dx = E ( X ) 2
2

V ( X ) = E ( X 2 ) [ E ( X )]

Distribucin Normal.

Se dice que X es normal con parmetros y

( x ) 1 e 2
2

2 ,

(X ~ N( ,

)), si tiene una funcin de densidad de probabilidad dada por

f ( x; , ) =
2 2

La probabilidad de ocurrencia de X se determina por medio de

P( a X b) = f ( x; , ) dx .
a b

Esto es, en una grfica de f(x) vs x el

rea bajo la curva entre los dos valores es la probabilidad. Se puede demostrar que el valor esperado es E[X] = y la varianza es V[X] =
2

Distribucin normal estndar Si X es variable aleatoria normal estndar con parmetros

= 1,
=0

se denota por la letra Z y tiene una funcin de probabilidad

1 z2 2 e 2

dada por
f ( z;0,1) =

La ventaja de la distribucin estndar es que se puede usar para cualquier escala de valores de una variable que siga una distribucin normal. Si X tiene una distribucin normal con media y desviacin estndar , entonces
z= X

, y la probabilidad de que X est entre 2 valores es

a b Z )

P (a X b) = P (
z) ) (

o como funcin acumulada (

b a P (a X b) = ( z b ) ( z a ) =

Interpretacin de la grfica f(z) vs. z.

1.2 1 0.8

f(z)

0.6 0.4 0.2 0 0 z 1 Zb 2 3

-3

-2

-1

Za

El rea bajo la curva entre Zb y Za es la probabilidad de que la v.a. se encuentre entre esos dos valores. Observe que en el eje horizontal se representan los valores de z (o de X si no estuviera estandarizada) y la probabilidad es el rea bajo la curva. Conociendo z se puede encontrar la probabilidad (en las tablas o con el Excell) pero, tambin se puede hacer el proceso inverso, dada la probabilidad encontrar que valor de z le corresponde. En los casos de intervalos de confianza o pruebas de hiptesis se tendr que encontrar el valor correspondiente de z para una probabilidad de confianza dada

Figura 3. Ejemplos de distribuciones normales con diferentes parmetros.

Figura 4. Histogramas y grficos de probabilidad normal de los valores de peso y edad en dos muestras de pacientes. Figura 4a.- Histogramas

Figura 4b.- Grficos Q-Q de probabilidad.

Por tanto su funcin de densidad es

y su funcin de distribucin es

siendo la representacin grfica de esta funcin

a la variable Z se la denomina variable tipificada de X, y a la curva de su funcin de densidad curva normal tipificada. Caracterstica de la distribucin normal tipificada (reducida, estndar)

No depende de ningn parmetro Su media es 0, su varianza es 1 y su desviacin tpica es 1. La curva f(x) es simtrica respecto del eje OY Tiene un mximo en este eje Tiene dos puntos de inflexin en z =1 y z = -1

Aproximacin de la Binomial por la Normal (Teorema de De Moivre) : Demostr que bajo determinadas condiciones (para n grande y tanto p como q no estn prximos a cero) la distribucin Binomial B(n, p) se puede aproximar mediante una distribucin normal

Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto ms prximo sea p a 0.5, tanto mejor ser la aproximacin realizada. Es decir, basta con que se verifique

gracias a esta aproximacin es fcil hallar probabilidades binomiales, que para valores grandes de n resulten muy laboriosos de calcular. Hay que tener en cuenta que para realizar correctamente esta transformacin de una variable discreta (binomial) en una variable continua (normal) es necesario hacer una correccin de continuidad.