Variable Continua-

Modelo Normal
Variable Aleatoria Continua
Modelo Normal
Variable Continua-
Modelo Normal
La variable asume valores en un intervalo
real. Rx = a < x < b
VARIABLE ALEATORIA CONTINUA

0.00
0.05
0.10
0.15
0.20
0.25
1 2 3 4 5 6 7 8 9
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.
Variable Continua-
Modelo Normal
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.-
Variable Continua-
Modelo Normal
La probabilidad es el rea bajo la curva densidad f(x) entre
x = a y x = b.
A partir de la definicin es fcil ver que:
}
= = s <
b
a
dx x f a F b F b X a P ) ( ) ( ) ( ) (
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.

Variable Continua-
Modelo Normal
}

9 e =
x
x dt t f x F ) ( ) (
Diferenciando:
La funcin de distribucin es

) (
) (
x f
dx
x dF
=
funcin densidad de probabilidad
para cada x donde f(x) es continua.
Variable Continua-
Modelo Normal
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
Variable Continua-
Modelo Normal
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
Variable Continua-
Modelo Normal
Esperanza matemtica o media
}

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

= continua) in (Distribuc dx x f x
2
) (
2
o
Variable Continua-
Modelo Normal
Es 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)

Variable Continua-
Modelo Normal



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.
Distribucin normal
Variable Continua-
Modelo Normal
Distribucin Normal o de Gauss
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 .
Variable Continua-
Modelo Normal
+
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 )
Variable Continua-
Modelo Normal
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)
Variable Continua-
Modelo Normal
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
Variable Continua-
Modelo Normal
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%

Variable Continua-
Modelo Normal
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...
Variable Continua-
Modelo Normal
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.
Variable Continua-
Modelo Normal
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%
En cualquier distribucin normal las probabilidades delimitadas entre
:
68%
99%
95%
Variable Continua-
Modelo Normal
Estadandarizacin
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, : asigna a todo valor de
N(, ), un valor de N(0,1) que deja exctamente la misma
probabilidad por debajo.

Permite comparar entre dos valores de dos distribuciones
normales diferentes, para saber cul de los dos es ms
extremo.
Variable Continua-
Modelo Normal
Las probabilidades para los distintos valores de (z) estn
tabuladas

Para calcular probabilidades, una vez transformada,
la variable a valores de z, se busca en una tabla el
rea correspondiente.

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
}

=
Variable Continua-
Modelo Normal
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