Variables aleatorias continuas: función de densidad y distribución normal
Respuesta rápida
Una variable aleatoria es continua cuando existe una función de densidad positiva, integrable, cuya integral entre menos infinito e infinito es igual a uno, y la probabilidad de que la variable esté entre dos valores a y b se calcula mediante la integral definida de la función de densidad en ese intervalo.
Puntos clave
Definición de variable continua
Existe cuando hay una función positiva, integrable, cuya integral entre -∞ y +∞ es igual a 1
Cálculo de probabilidades
P(a ≤ X ≤ b) se calcula como la integral de la función de densidad entre a y b
Función de distribución
F(x) = P(X ≤ x) es la integral de la función de densidad, da probabilidades acumuladas
Parámetros de la normal
μ (media) determina el centro de la campana y σ² (varianza) controla su dispersión
Geometría de la normal
El eje de simetría está en μ y los puntos de inflexión a distancia σ de la media
Necesidad de tipificar
La normal no tiene integral algebraica, hay que convertirla a N(0,1) para usar tablas
Aplicaciones reales
La normal modela alturas, pesos, notas y fenómenos con múltiples factores de pequeño efecto
Paso a paso
Verificar que la función f(x) sea positiva para cualquier valor real
Comprobar que la función sea integrable en todos los números reales
Verificar que la integral de menos infinito a infinito sea igual a 1
Calcular P(a ≤ X ≤ b) mediante la integral definida de f(x) entre a y b
Ejemplo resuelto
Problema Dada una variable aleatoria normal con media μ = 2 y desviación σ = 1, identificar los elementos clave de su distribución
Dada una variable aleatoria normal con media μ = 2 y desviación σ = 1, identificar los elementos clave de su distribución
Solución:
- 1El eje de simetría de la curva está en μ = 2 (la media)
- 2Los puntos de inflexión se encuentran a distancia σ = 1 de la media, es decir, en x = 1 y x = 3
- 3La varianza es σ² = 1
- 4Para calcular probabilidades, necesitamos tipificar a una normal N(0,1) o usar tablas/calculadora
La distribución está centrada en 2, con puntos de inflexión en 1 y 3, y requiere tipificación para calcular probabilidades exactas
Verificación: Verificar que la distancia entre la media y los puntos de inflexión coincide con σ
Variables Aleatorias Continuas: Guía Completa para Selectividad
Introducción
Las variables aleatorias continuas son uno de los conceptos fundamentales en probabilidad y estadística. A diferencia de las variables discretas, que toman valores aislados como 0, 1, 2, 3..., las variables continuas pueden tomar cualquier valor dentro de un intervalo. Esta diferencia tiene implicaciones profundas en cómo calculamos probabilidades.
En esta guía aprenderás qué define a una variable continua, cómo funcionan las funciones de densidad y distribución, y por qué la distribución normal es tan importante en la práctica.
¿Qué es una Variable Aleatoria Continua?
Definición Formal
Una variable aleatoria X es continua si existe una función f: ℝ → ℝ que cumple las siguientes condiciones:
- f(x) ≥ 0 para todo x ∈ ℝ (la función es siempre positiva o cero)
- La función es integrable en todos los números reales
- La integral de menos infinito a infinito es igual a uno:
$$\int_{-\infty}^{+\infty} f(x)dx = 1$$
Cuando estas tres condiciones se cumplen, llamamos a f la función de densidad de la variable X.
Diferencia con Variables Discretas
La diferencia fundamental es conceptual:
- Variable discreta: Toma valores aislados, separados. Por ejemplo, el número de caras al lanzar tres monedas (0, 1, 2 o 3).
- Variable continua: Puede tomar cualquier valor en un intervalo. Por ejemplo, la altura de una persona puede ser 1.75 m, 1.751 m, 1.7512 m, etc.
Esta diferencia implica que en variables continuas no tiene sentido preguntar por la probabilidad de un valor exacto. La probabilidad P(X = 3.5) es siempre cero. Solo podemos calcular probabilidades en intervalos.
Cálculo de Probabilidades
La Integral como Herramienta Fundamental
Para cualquier par de valores a y b, la probabilidad de que la variable X esté entre ellos se calcula mediante:
$$P(a \leq X \leq b) = \int_a^b f(x)dx$$
Esta integral representa geométricamente el área bajo la curva de f(x) entre a y b.
Propiedades Importantes
-
El área total siempre es 1: Esto tiene sentido porque representa la probabilidad de todos los eventos posibles.
-
P(X = a) = 0: La probabilidad de un valor exacto es cero (un punto no tiene área).
-
P(a ≤ X ≤ b) = P(a < X < b): Da igual si incluimos o no los extremos, la probabilidad es la misma.
Función de Densidad vs Función de Distribución
Función de Densidad f(x)
La función de densidad describe la "forma" de la distribución:
- No da directamente probabilidades
- Sus valores pueden ser mayores que 1 (lo importante es que el área sea 1)
- Sirve para calcular probabilidades mediante integración
Función de Distribución F(x)
La función de distribución es la integral de la función de densidad:
$$F(x) = P(X \leq x) = \int_{-\infty}^{x} f(t)dt$$
Propiedades de F(x):
- F(x) ∈ [0, 1] para todo x
- Es creciente (nunca decrece)
- F(-∞) = 0 y F(+∞) = 1
- P(a ≤ X ≤ b) = F(b) - F(a)
La Distribución Normal
Definición y Parámetros
La distribución normal (o gaussiana) es la distribución continua más importante en estadística. Está definida por dos parámetros:
- μ (mu): La media, que puede ser cualquier número real
- σ² (sigma cuadrado): La varianza, que debe ser positiva
Cuando una variable sigue esta distribución, escribimos: X ~ N(μ, σ²)
La Función de Densidad Normal
La función de densidad de una normal N(μ, σ²) es:
$$f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$
Esta función produce la característica campana de Gauss.
Propiedades Geométricas
La curva normal tiene propiedades geométricas que ayudan a interpretarla:
- Simetría: La curva es simétrica respecto al eje x = μ
- Máximo: El punto más alto está en x = μ
- Puntos de inflexión: Están situados en x = μ - σ y x = μ + σ
- Relación σ-forma: A menor σ, la curva es más estrecha y alta; a mayor σ, más ancha y baja
El Problema de la Integración
Un aspecto crucial de la distribución normal es que no puede integrarse algebraicamente. La función e^(-x²) no tiene una primitiva expresable con funciones elementales.
Esto significa que no podemos calcular probabilidades de forma analítica. En su lugar, debemos usar:
- Métodos numéricos
- Tablas precalculadas
- Calculadoras o software estadístico
Tipificación: La Normal Estándar
¿Por Qué Tipificar?
Como no podemos integrar algebraicamente y sería imposible tabular todas las combinaciones posibles de μ y σ, se ha tabulado únicamente la normal estándar N(0, 1), que tiene:
- Media μ = 0
- Desviación típica σ = 1
Cómo Tipificar
Cualquier variable X ~ N(μ, σ²) puede transformarse en una variable estándar Z ~ N(0, 1) mediante:
$$Z = \frac{X - \mu}{\sigma}$$
Esta transformación preserva las probabilidades, permitiéndonos usar las tablas de la normal estándar para cualquier distribución normal.
Aplicaciones de la Distribución Normal
¿Cuándo Aparece la Normal?
La distribución normal modela fenómenos que son resultado de combinar muchos factores independientes, donde cada factor tiene un efecto pequeño en el resultado final. Ejemplos:
- Altura de las personas: Depende de genética, alimentación, ejercicio, etc.
- Notas en exámenes: Dependen de estudio, dificultad, concentración, suerte, etc.
- Peso corporal: Depende de dieta, metabolismo, actividad física, genética, etc.
- Errores de medición: Dependen de múltiples fuentes de imprecisión
El Teorema Central del Límite
Este teorema matemático explica por qué la normal aparece tan frecuentemente: cuando sumamos muchas variables aleatorias independientes, el resultado tiende a distribuirse normalmente, independientemente de cómo se distribuyan las variables originales.
Resumen de Conceptos Clave
| Concepto | Definición |
|---|---|
| Variable continua | Puede tomar infinitos valores en un intervalo |
| Función de densidad f(x) | Función positiva con integral total = 1 |
| Función de distribución F(x) | Integral de f; da P(X ≤ x) |
| P(a ≤ X ≤ b) | Integral de f entre a y b |
| Normal N(μ, σ²) | Distribución con media μ y varianza σ² |
| Normal estándar N(0, 1) | Normal con μ = 0 y σ = 1 (tabulada) |
| Tipificación | Transformar X a Z = (X - μ)/σ |
Conclusión
Las variables aleatorias continuas y, en particular, la distribución normal, son herramientas fundamentales en probabilidad y estadística. Comprender la diferencia entre función de densidad y distribución, saber calcular probabilidades mediante integrales y entender la necesidad de tipificar son habilidades esenciales para resolver problemas de probabilidad en Selectividad.
Recuerda siempre que en variables continuas trabajamos con áreas (integrales), no con valores puntuales, y que la distribución normal requiere tipificación para poder usar las tablas estándar.
Errores comunes
Confundir el valor de f(x) en un punto con la probabilidad en ese punto
Si calculas f(3) y piensas que eso es P(X=3), estás cometiendo este error
En variables continuas, la probabilidad en un punto exacto es 0. La función de densidad solo sirve para calcular probabilidades en intervalos mediante integración
Intentar integrar algebraicamente la función de densidad normal
Te encuentras intentando resolver una integral que no tiene primitiva elemental
La función de densidad normal no tiene integral algebraica. Debes usar tablas de la normal estándar N(0,1) o calculadoras numéricas
Confundir función de densidad con función de distribución
No distingues entre f(x) y F(x) o sus propiedades
La función de densidad f(x) describe la forma de la distribución; la función de distribución F(x) = P(X ≤ x) es su integral y da probabilidades acumuladas
Olvidar que el área total bajo la función de densidad es 1
Al integrar entre -∞ y +∞ obtienes un valor distinto de 1
Si el área no es 1, la función no está normalizada o no es una función de densidad válida
Glosario
- Variable aleatoria continua
- Variable que puede tomar cualquier valor en un intervalo continuo, a diferencia de las discretas que toman valores aislados
- Función de densidad (f)
- Función positiva e integrable cuya integral entre menos infinito e infinito es 1, y permite calcular probabilidades en intervalos mediante integración
- Función de distribución (F)
- Integral de la función de densidad; F(x) = P(X ≤ x) indica la probabilidad acumulada hasta el valor x
- Variable aleatoria normal
- Variable continua caracterizada por dos parámetros (μ y σ²) cuya función de densidad tiene forma de campana de Gauss
- Media (μ)
- Parámetro de la distribución normal que indica el centro de la distribución y coincide con el eje de simetría de la curva
- Varianza (σ²)
- Parámetro positivo de la distribución normal que mide la dispersión de los datos respecto a la media
- Desviación típica (σ)
- Raíz cuadrada de la varianza; coincide con la distancia entre la media y los puntos de inflexión de la curva normal
- Normal estándar N(0,1)
- Distribución normal con media μ = 0 y desviación σ = 1, usada como referencia con valores tabulados
- Tipificar
- Proceso de transformar una variable normal N(μ, σ²) en una normal estándar N(0,1) para poder usar las tablas
- Puntos de inflexión
- Puntos donde la curva normal cambia de concavidad, situados a distancia σ de la media μ
Preguntas frecuentes
¿Cuál es la diferencia entre una variable aleatoria discreta y una continua?
La discreta toma valores aislados (0, 1, 2, 3...), mientras que la continua puede tomar cualquier valor en un intervalo (de 0 a 5, de 1 a 6, etc.).
Una variable discreta tiene valores separados que se pueden contar, como el número de caras al lanzar dados. Una variable continua puede tomar infinitos valores en un rango, como la altura de una persona que puede ser 1.75m, 1.751m, 1.7512m, etc. Esta diferencia es fundamental porque cambia cómo calculamos probabilidades.
¿Por qué la integral de la función de densidad entre menos infinito e infinito debe ser igual a 1?
Porque el área total representa la probabilidad de todos los sucesos posibles, que siempre debe ser 1 (certeza absoluta).
En probabilidad, la suma de todas las probabilidades posibles siempre es 1. En variables continuas, la integral representa esa suma total. Si la integral fuera diferente de 1, las probabilidades no tendrían sentido matemático.
¿Qué significa que una función sea integrable?
Significa que podemos calcular el área bajo su curva, lo cual es necesario para obtener probabilidades.
Una función integrable es aquella para la cual existe la integral definida en el intervalo considerado. Si no fuera integrable, no podríamos calcular las áreas bajo la curva y, por tanto, no podríamos determinar probabilidades.
¿Cuál es la relación entre la función de densidad y la función de distribución?
La función de distribución es la integral de la función de densidad: F(x) es la integral de f(x).
Si f(x) es la función de densidad, entonces F(x) = ∫f(t)dt desde -∞ hasta x. La función de distribución F(x) nos da directamente P(X ≤ x), mientras que con f(x) debemos integrar para obtener probabilidades.
¿Por qué no se puede integrar algebraicamente la función de densidad normal?
Porque la función exponencial e^(-x²) no tiene una primitiva que se pueda expresar con funciones elementales.
La función de densidad normal contiene el término e elevado a menos x al cuadrado, que es una de las integrales que matemáticamente no tiene solución en forma de funciones elementales. Por eso debemos usar métodos numéricos o tablas precalculadas.
¿Qué representan μ y σ² en una distribución normal?
μ es la media (centro de la distribución) y σ² es la varianza (medida de dispersión de los datos).
El parámetro μ indica dónde está centrada la campana de Gauss y coincide con su eje de simetría. El parámetro σ² (varianza) determina cuán dispersos están los datos: a mayor varianza, más ancha y achatada es la curva; a menor varianza, más estrecha y puntiaguda.
¿Qué relación hay entre la desviación típica σ y los puntos de inflexión de la curva normal?
La desviación típica σ es exactamente la distancia entre la media μ y cada punto de inflexión.
Los puntos de inflexión de la curva normal (donde cambia de cóncava a convexa o viceversa) están situados en μ - σ y μ + σ. Por tanto, si conoces la media y los puntos de inflexión, puedes determinar la desviación típica.
¿Por qué tengo que tipificar una variable normal para calcular probabilidades?
Porque solo la normal estándar N(0,1) tiene sus valores tabulados. Cualquier otra normal debe convertirse a ella.
Como no podemos integrar algebraicamente la función normal, necesitamos tablas con valores precalculados. Sería imposible tener tablas para cada combinación de μ y σ, así que se tabuló solo la normal estándar N(0,1). Tipificar es transformar cualquier normal N(μ, σ²) a la estándar mediante Z = (X - μ)/σ.
¿En qué situaciones reales aparece la distribución normal?
Cuando se miden fenómenos que resultan de combinar muchos factores con pequeño efecto individual, como alturas, pesos, notas o horas de sueño.
La distribución normal modela bien variables que dependen de muchos factores independientes, cada uno con un efecto pequeño. Por el Teorema Central del Límite, estas combinaciones tienden a distribuirse normalmente. Ejemplos: altura de personas, errores de medición, calificaciones en exámenes, tiempos de reacción.
¿Cuál es la probabilidad de que una variable continua tome exactamente un valor específico?
Cero. En variables continuas, la probabilidad de un valor exacto es siempre 0.
P(X = a) = 0 para cualquier valor a en una variable continua. Esto es porque la integral en un punto (intervalo de longitud cero) siempre es cero. Solo tiene sentido hablar de probabilidad en intervalos: P(a ≤ X ≤ b).
¿Cómo afecta el valor de σ a la forma de la curva normal?
A menor σ, la curva es más estrecha y alta; a mayor σ, es más ancha y achatada.
Con σ pequeño, los datos están muy concentrados alrededor de la media, produciendo una campana estrecha y puntiaguda. Con σ grande, los datos están más dispersos, generando una campana más achatada y extendida. En ambos casos, el área total bajo la curva sigue siendo 1.
Artículos relacionados
Distribución normal y tipificación: cómo transformar a N(0,1)
Guía completa para tipificar variables normales y calcular probabilidades usando la tabla de la normal estándar N(0,1).
Intervalos de confianza para medias poblacionales y proporciones grandes
Repaso de intervalos de confianza para medias poblacionales con muestras y aproximación de binomiales a normales cuando las proporciones son grandes.
Variables aleatorias discretas: función de probabilidad y distribución
Guía completa sobre variables aleatorias discretas: definición, función de probabilidad, función de distribución y ejemplos prácticos con Bernoulli y Binomial.
Aproximación de la distribución binomial a la normal en probabilidad
Técnica para simplificar cálculos de probabilidad binomial con muestras grandes usando la distribución normal.
Distribución binomial: ejemplos prácticos de probabilidad discreta
Guía completa sobre la variable aleatoria binomial con ejemplos resueltos de inspección de lotes, seguros de vida, lanzamiento de monedas y probabilidad de infracciones.
Intervalos de confianza en la distribución normal: cálculo y aplicación
Domina el cálculo de intervalos de confianza en la distribución normal: desde la tipificación hasta la interpretación de resultados con ejemplos prácticos.
¿Quieres aprender más sobre este tema?
Este contenido es parte del curso Matemáticas Ciencias Sociales | Selectividad de Acceso a la Universidad Ucademy. Contacta con nosotros para más información o descarga este artículo en PDF.