Distribuciones de

Probabilidad Continuas

Variable aleatoria discreta: Cuando se tiene una variable aleatoria y esta tiene
un nmero finito de valor. Tambin puede ser aquella variable que solo pude
tomar valores enteros de algn experimento de inters, o claramente separados
y definidos sus valores numricos.

En caso de que X solamente adopte valores enteros positivos incluido el cero,

tenemos:
X
Si X es una variable aleatoria discreta la funcin de probabilidad para
cada valor de X, esta dada por:

f ( x) P( x)
En consideracin a lo anterior, las propiedades de una distribucin de
probabilidad discreta son las siguientes:

P( x) 0
P(x) 1
0 P( x) 1

1
Variable aleatoria Continua: cuando una variable aleatoria tiene un
nmero infinito de valores. Una variable aleatoria continua tambin
puede ser definida como aquella que puede asumir cualquier valor
dentro un determinado intervalo .

X
Si X es una variable aleatoria continua la funcin de probabilidad para
cada valor de X, esta dada por:

f ( x) P( x)
Propiedades de una Distribucin de probabilidad Continua:

P( x) 0

f ( x) dx 1
b
P(a x b) f ( x) dx
a

B
A, B f ( x) dx 1
A

f ( x) P( x)

A a b B
b
P (a x b) f ( x) dx
a

2
 Distribucin de
Probabilidad UNIFORME
continua

Resulta una de las distribuciones continuas ms simples:

Se tiene una funcin de densidad (de probabilidad) dentro los limites

de un Intervalo cerrado A y B: [A, B]

Para todos los puntos del intervalo [A, B], se tiene la misma
probabilidad, siendo que para cualquier punto de x la probabilidad
ser igual a:

1
P( x) A x B
BA
= 0 En cualquier otro valor
Para calcular subintervalos de probabilidad [a, b] dentro el intervalo
mayor [A, B], tenemos:
b
P(a x b) f ( x) dx
a

3
 P(x)

b
a P( x ) b P X dx
a

1
BA
x
A a b B

A B

B A 2
2 12

Distribucin de
Probabilidad NORMAL

4
 Resulta una de las distribuciones continuas ms importantes de la
estadstica inferencial.

En 1773 el matemtico francs Abraham De Moivre desarrollo la ecuacin

matemtica de la distribucin normal, pero fue Carl Gauss, quien realizo
estudios ms profundos sobre esta distribucin, siendo que en
consecuencia, a veces la distribucin Normal se denomina Gaussiana

N(x;,)

Funcin de densidad N(x;,) f ( x) P( x)
( x )2

f x
1
P( x ) e 2 2
2 x

Las caractersticas de una distribucin normal son las

siguientes:

o La moda ocurre en x =
o La mediana ocurre en x =
o La curva es simtrica alrededor de un eje
vertical a travs de
o La curva tiene sus puntos de inflexin en


o La curva normal se aproxima al eje horizontal de manera asinttica
conforme se aleja de en cualquier direccin.
o El rea total bajo la curva es 1

P x f dx 1

x

5
Formas que adopta una Curva Normal

2 1 2
1
1 2

1 2

2 1 1 2

1 2
1
2

1
2
1 2
1 2
1 2

Distribucin Normal Estandarizada

o Se transforma el valor de la variable aleatoria continua x a un
valor equivalente z.
x
z

Por tanto la distribucin de probabilidad normal estandarizada
(transformada) tiene una = 0 y = 1 para todos los casos.

N(z;0,1) 1

0 x2 ( x )2
1
x1 P ( x) x2
2 e
x1
2 2
dx

rea bajo una curva Normal N(z;0,1) z2 z2

1
z1 P ( z ) z 2
2 e
z1
2
dx

6
 Distribucin de
Probabilidad GAMMA
(Euler)

Funcin Gamma ( )
0
x 1 e x dx 0

Variable aleatoria continua X, tiene una Distribucin Gamma, con parmetros

>0 y >0, si su funcin de densidad (probabilidad) esta dada por:
x
1
P( x ) x 1e x0

=0 en cualquier otro caso

=1, =1
=2, =1

=4, =1

7
 Distribucin de
Probabilidad Ji cuadrado de
Pearson
2

Caso especial, pero muy importante de la distribucin gamma, se obtiene al

hacer =n/2 y =2, donde n es un entero positivo. Este resultado se llama
distribucin Ji cuadrado ( 2 ). Esta distribucin solo tiene un parmetro n
llamado grados de libertad ji cuadrado.
La variable aleatoria continua X, tiene una distribucin Ji cuadrado, con n grados
de libertad, cuando:

x
1
P( x) x(n/ 2)1e 2 x0
2 n/ 2
n/ 2

=0 en cualquier otro caso

n=1 n=5 n=10

n=30

n 2n

8
 Distribucin de
Probabilidad t

Se realizan simultneamente 2 experimentos independientes, donde uno de ellos Z

sigue una distribucin normal N(x;0,1), mientras que otra V sigue una distribucin Chi
(Ji cuadrado) con n grados de libertad. La variable t, es el resultado de:
Z
t
V
n

n 1

n 1
t2
P (t )
2 2
1
n n
n
2
t
De esta manera se obtiene toda una familia de distribuciones, dependiendo de n

9
 n=30

n=5

n=2

0
n
n2
n2

Distribucin de
Probabilidad F de Snedecor
o Fischer - Snedecor

10
Sean X y Y dos variables aleatorias con distribucin Chi (Ji) cuadrado con m y n grados
de libertad respectivamente, entonces la variable aleatoria definida por el cociente de
dichas variables:

X
F m
Y
n
Se denomina distribucin F, con m y n grados de libertad

mn
m n
m
m 2 n2 1
2
P( F ) 2
x
mn
m n
mx n 2
2 2

F(6,24)

F(6,10)

n 2n 2 m n 2
n2 n4
n2 mn 4 n 2
2

11