Variables continuas.

Una variable continua puede tomar un valor cualquiera

dentro de un intervalo predeterminado. Y siempre entre dos valores observables
va a existir un tercer valor intermedio que tambin podra tomar la variable
continua. Una variable continua toma valores a lo largo de un continuo, esto es,
en todo un intervalo de valores. Un atributo esencial de una variable continua es
que, a diferencia de una variable discreta, nunca puede ser medida con
exactitud; el valor observado depende en gran medida de la precisin de los
instrumentos de medicin. Con una variable continua hay inevitablemente
un error de medida.
Distribucin Normal. En estadstica y probabilidad se llama distribucin
normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones
de probabilidad de variable continua que con ms frecuencia aparece
aproximada en fenmenos reales.
[cita requerida]

La grfica de su funcin de densidad tiene una forma acampanada y es
simtrica respecto de un determinado parmetro estadstico. Esta curva se
conoce como campana de Gauss y es el grfico de una funcin gaussiana.
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, ;
2. La moda y la mediana son ambas iguales a la media, ;
3. Los puntos de inflexin de la curva se dan para x = y x = + .
4. Distribucin de probabilidad en un entorno de la media:
1. en el intervalo [ - , + ] se encuentra comprendida,
aproximadamente, el 68,26% de la distribucin;
2. en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el
95,44% de la distribucin;
3. por su parte, en el intervalo [ -3, + 3] se encuentra
comprendida, aproximadamente, el 99,74% de la distribucin. Estas
propiedades son de gran utilidad para el establecimiento
de intervalos de confianza. Por otra parte, el hecho de que
prcticamente la totalidad de la distribucin se encuentre a tres
desviaciones tpicas de la media justifica los lmites de las tablas
empleadas habitualmente en la normal estndar.
5. Si X ~ N(,
2
) y a y b son nmeros reales, entonces (aX + b) ~
N(a+b, a
2

2
).

6. Si X ~ N(x, x
2
) e Y ~ N(y, y
2
) son variables aleatorias
normales independientes, entonces:
Su suma est normalmente distribuida con U = X + Y ~
N(x + y, x
2
+ y
2
) (demostracin). Recprocamente, si dos variables
aleatorias independientes tienen una suma normalmente distribuida,
deben ser normales (Teorema de Crmer).
Su diferencia est normalmente distribuida
con .
Si las varianzas de X e Y son iguales, entonces U y V son independientes
entre s.
La divergencia de Kullback-
Leibler,

7. Si e son variables aleatorias
independientes normalmente distribuidas, entonces:
Su producto sigue una distribucin con densidad dada por
donde es una funcin de Bessel
modificada de segundo tipo.
Su cociente sigue una distribucin de
Cauchy con . De este modo la
distribucin de Cauchy es un tipo especial de distribucin cociente.
8. Si son variables normales estndar independientes,
entonces sigue una distribucin con n grados de
libertad.
9. Si son variables normales estndar independientes, entonces
la media muestral y la varianza
muestral son
independientes. Esta propiedadcaracteriza a las distribuciones normales y
contribuye a explicar por qu el test-F no es robusto respecto a la no-
normalidad).




La distribucin normal fue presentada por primera vez por Abraham de Moivre en
un artculo del ao 1733, que fue reimpreso en la segunda edicin de su The
Doctrine of Chances, de 1738, en el contexto de cierta aproximacin de
la distribucin binomial para grandes valores de n. Su resultado fue ampliado
por Laplace en su libro Teora analtica de las probabilidades (1812), y en la
actualidad se llama Teorema de De Moivre-Laplace.
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importante mtodo de mnimos cuadrados fue introducido por Legendre en
1805. Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific
rigurosamente en 1809 asumiendo una distribucin normal de los errores. El
nombre de Gauss se ha asociado a esta distribucin porque la us con profusin
cuando analizaba datos astronmicos
3
y algunos autores le atribuyen un
descubrimiento independiente del de De Moivre.
4
Esta atribucin del nombre de
la distribucin a una persona distinta de su primer descubridor es un claro ejemplo
de la Ley de Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell surface"
(superficie campana) por primera vez en 1872 para una distribucin normal
bivariante de componentes independientes. El nombre de "distribucin normal"
fue otorgado independientemente por Charles S. Peirce, Francis Galton y Wilhelm
Lexis hacia 1875. A pesar de esta terminologa, otras distribuciones de
probabilidad podran ser ms apropiadas en determinados contextos; vase la
discusin sobre ocurrencia, ms abajo.
Ti pi ficaci n de l a vari able
Para poder util i zar l a tabl a tenemos que transformar la
vari able X que si gue una di stri buci n N(, ) en otra vari abl e Z que
si ga una di stri buci n N(0, 1).


La funcin distribucin acumulada de la variable aleatoria discreta , cuya
distribucin de probabilidad es , es la probabilidad de que la variable sea
menor o igual al valor Esto es,

Los elementos del espacio muestral en este experimento son:

a.La funcin de probabilidad asociada con ese espacio muestral es:

La asignacin de las probabilidades es as:
Para el caso de , al extraer la primera pelota, la probabilidad de que sea
roja es y como la pelota se regresa de nuevo a la urna, la probabilidad de que
la segunda pelota salga blanca es ya que hay 3 pelotas blancas entre las 7 de
la urna. Un razonamiento anlogo permite determinar los otros valores de
probabilidad.
La variable aleatoria es dada por:





1


2


0
As, los valores que toma la variable son:
y la distribucin de probabilidad, para este caso en el que se hace con
reemplazamiento
Los resultados posibles y los valores de la variable aleatoria Y, donde Y es el
nmero de pelotas rojas, son:




El evento para la variable aleatoria se obtiene cuando ocurre la
interseccin de los dos eventos Sacar una pelota blanca en la primera
extraccin y Sacar una pelota blanca en la segunda extraccin. Estos
eventos estn dados explicitamente por:
B,R B,B y R,B B,B
la interseccin es dada por:
B,R B,B R,B B,B B,B
luego el eveto mpara la variable aleatoria es equivalente al evento
B,B , as:


donde las probabilidades y son obtenidas con la funcin de
probabilidad definida sobre la sigma lgebra como se mostr
anteriormente. Asi:

y por ser una funcin de probabilidad, se cumple que

luego Un razonamiento anlogo nos permite llegar a
que Por tanto

Una manera ms sencilla de obtener el resultado anterior es conociendo que en
este caso la variable aleatoria se distribuye binomial , en donde ,
, y y as:

haciendo un razonamiento similar al de , se obtiene
que y

0

1

2

El grfico de esta funcin de probabilidad aparece en la figura.


b. Para el caso sin reemplazamiento, defina a como:

y proceda de una manera similar a la anterior, pero utilizando las probabilidades
anteriores para obtener los valores de la variable aleatoria, con lo cual llegara a
que

0

1

2

2. El espacio muestral de un experimento aleatorio es , y
cada resultado es igualmente probable. Se define una variable aleatoria de la
siguiente manera


1. Determine la funcin de probabilidad de x, hacer grfico.



2. Determinar las siguientes probabilidades




3 El espacio muestral de un experimento aleatorio es , y cada
resultado es igualmente probable. Se define una variable aleatoria de la siguiente
manera

a

0
b


c

1.5
d


e

2
f

3
La funcin de probabilidad acumulada para la variable aleatoria es