Beruflich Dokumente
Kultur Dokumente
Distribucin normal
Sin duda, 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 con la
teora de los errores de observacin
astronmica y fsica .
1 (x
N (, ) P( x)
) 2 ( >
= = e 2 2
0)
2
Puntos
de
inflexin
-
, Mo, Mn + +
4
Distribucin normal con =0 para varios valores
1.6
1.2 =0.2
5
=0.5
p(x) =1
0.8
0.4
0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x 5
1 (x
N (, ) P( x) )
2
( > 0)
= = 2
e 2
=5 =5
= 10
N(, ): Interpretacin
geomtrica 0.4 .......
/\
!
I
\
\
Podemos interpretar !'
\
\
en I
la media como un
factor de
traslacin.
\
,,
1
i
j
tpica
Y la desviacin 0.2 ,'
\./
i
.
'
! '
0
como un factor de ,
1
I
\'
escala, grado de '
dispersin, o /
,-.
/
2 o 2
' N
n
!
u
,11
- \
/
7
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%
2
Podemos obtener la funcin
de distribucin F(x)
integrando la
funcin de densidad de probabilidad:
1 x
( v )
2
De modo que la probabilidad de
una variable aleatoria normal X en
=
F ( x)
dv
e 2 2
un
2 intervalo a x b es:
2
1 b
( v )
x -
Se define una variable z=
95 %
%
68%
95%
99% z
-3 -2 -1 11
0 1 2 3
Tipificacin
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:
x
z=
En el caso de variable X normal, la interpretacin es clara:
asigna a todo valor de N(, ), un valor de N(0,1) que deja
exctamente la misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos
distribuciones normales diferentes, para saber cul de los
dos es ms extremo. 12
Variable normal general
1 e- t ( --")2
p(,c) = "
,,
'\ ,,',
-1
o
Variable normal esndar
1 2 /
//
., .,
, .,
/
' ' /
/
/
'\x' >, \. / / / /
. ..... ,.
2 /
c-t.: /
p(z)- /
/
, /
/
,,
//
/ /
'' '' '' / /
/
/
\ -,
/
/
/
//
' '\
/
/
-2 -1 o l 2
z-
z - --.-
13
Se quiere dar una beca a uno de dos estudiantes de sistemas
educativos diferentes y se asignar al que tenga mejor expediente
acadmico:
El estudiante A tiene una calificacin de 8 en un sistema donde la
calificacin de los alumnos se comporta como N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema donde la
calificacin de los alumnos se comporta como N(70,10).
No podemos comparar directamente 8
puntos de A frente a los 80 de B, pero
como ambas poblaciones se comportan
de modo normal, podemos tipificar y
observar las puntuaciones sobre una
distribucin de referencia N(0,1).
z2
1
- p( z) = e 2
; z<
z = 2 <
2
1 z u
dv = dz F ( z) p(Z z)
= = 2
e du 2
1 z
u No depende de ningn parmetro.
F ( z) p(Z z) e
=
2
= Su media es 0, su varianza es 1 y
du su desviacin tpica es 1.
2
La curva f(x) es simtrica respecto
al eje de ordenadas y tiene un
mximo en este eje.
Los valores
negativos de z NO
estn tabulados, ya
que la distribucin
es simtrica
+
0 17
Tabla A.3: Distribucin Normal Estndar. P(N(O, 1) > z)
z
z
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
O.O .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
0.1 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
0.2 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
0.3 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
0.4 .3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
0.5 .3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
0.6 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
0.7 .2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
0.8 .2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
0.9 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
1.0 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
1.1 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
1.2 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
1.3 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
1.4 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681 18
*Margen izquierdo : Los enteros de z y
La tabla consta de: su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: reas correspondientes,
acumuladas, desde 0
hasta 3.99
0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....
19
EJEMPLOS:
1.-Cul es la probabilidad de que un
valor de z est entre 0 y -2.03?
?
z
-3 -2 -1 0 1 2 3
21
Ejemplo 1
Cul es la probabilidad de que un valor de z est entre 0 y -2.03?
Se busca en la tabla el rea correspondiente a z = 2.03
0 1 2 3 4
1.8
1.9
2.0 0.47882
2.1
47. 88%
z
Ejemplo 2
Cul es la probabilidad de que un valor de z est entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre
0 y 2.03 = 0.47882
La misma rea hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764
?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
23
Ejemplo 3
Cul es la probabilidad de que un valor de z sea mayor a 1.25 ?
50%
39.
10.
? z
-3 -2 -1 0 1 2 3
Ejemplo 4
Hallar P( -0.34 < z < )
P(0 < z <0.34) = 0.13307 =
63.31%
P(-0.34 < z < 0)
P (0 < z < ) = 0.50000
13.31% 50%
-3 -2 -1 0 1 2 3 25
Ejemplo 5
Hallar P( 0.34 < z < 2.30) P(0< z <0.34) = 0.13307
P( 0 < z < 2.30) = 0.4893
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623
35.62%
z
-3 -2 -1 0 1 2 3
26
EJEMPLO
0.09176
Se debe desestandarizar :
x=z +
0.5000 - 0.382 = 0.118 Se busca en la
tabla el valor ms aproximado:0.1179
corresponde a z =+ 0.30
Sustituyendo en la frmula
0.30 2 + 4 = 4.60
4.60 x=?
38.2 29
0%
Los diseadores de un nuevo tipo de cabina de av5n quieren colocar un interruptor de forma
que la 1nayor(a de los pilotos puedan olamzorla sin tener que cambiar de posicin. Se sabe que
la distribucin de la distancia 1nxi1na (en cms} que pueden alcanzar los pilotos sin 1noverse
[medida} desde el respaldo del asiento es J\1(125.10)
Su media es E[X] = p = 0.4, y su varianza es var( ..\') = pq = 0.24, por lo que su desviacin
tpica es a(Xi) = 0.4899.
b) X es una binomial con n = 20, p = 0.4, con media E[XJ = np = 8, var(X) = npq = 4.8;
a(X) = 2.1909.
12
P{.-Y = 12} = ()0.4 0.6
8
= 0.0355;
La probabilidad de que ninguna tome caf diariamente es:
,. } 447 - 400}
?{353 < < 447 ::::,; ?{353
400
-
<
z < =
A
- 15.4919 - - 15.4919
P{ -3.0338 < Z < 3.0338} =
- 2P{Z < 3.0338} - 1 =
- 2 X 0.9988 - 1 = 0.9976
P{3530 < X < 4470} ::::;; P{ 3530 - 4000 < z < 4470 - 4000}
=
- 48.9898 - - 48.9898
P{-9.5938 < Z < 9.5938} =
2P{Z < 9.5938} -1 =
2xl-1=1
con Z = N(O, 1).
33
Al aumentar la muestra, la probabilidad aumenta.
En una empresa se ha visto que en un 10% de sus facturas se
cometen errores y se desea calcular la probabilidad que de
100 facturas, 12 de ellas los contengan:
= 100(.10) = 10
= np(1 p) = 3
z1
z2
12.5 = 0.83 0.2967
z1 =
10.0
3
11.5 = 0.5 0.1915
z2 =
10
3
P(12) = 0.1915 0.1052
0.2967 =
8.3.1. Teorema de adicin para distribuciones de Poisson
Sea11 X1 - P(..\1 ), ... , X - P(,\n) n v.a. de Poisson independientes. Entonces la
nueva variable aleatoria
Y = X1 + + Xn = P(..\1 + + An)
Para demostrarlo. utilizamos las funciones caracterfsticas de las variables Xk, y
el hecho de que son independientes.
= e<>-,++>.n)(1-l)
36
37
Ejercicio 119. Se sabe que el nmero X de personas que entran
diariamente en unos grandes almacenes se distribuye normalmente. Si
hay una probabilidad 0,58 de que entren menos de 75 clientes y una
probabilidad 0,38 de que entren entre 75 y 80 clientes, determinar la
media y la varianza de la variable X.
2
Ejercicio 119. Suponemos que X se distribuye N(, <7 ). Tenemos:
P(X < 75) = 0,58, P(75 < X < 80) = 0,38
tipificando Z = (X - )/<7 obtenemos
75-
P(Z < = zo) = 0,58
o
75 - 80 -
P( = zo < Z < = z1) = 0,38
o o
luego
<J)(zo) = 0,58, <J)(z1) - <J)( zo) = 0,38
de la primera igualdad de la tabla N(O, 1) obtenemos z0 = 0,20, y de
<J)(z1) = 0,96 obtenemos z1 = 1,75. Resolviendo
75 80 -
- = O2 = 1 75
o ' o '
obtenemos = 7 4,35 y <7 = 3,22. Ejercicio 119
Ejercicio 121. Sabiendo que la demanda aleatoria de gasolina duran-
te un cierto periodo de tiempo se comporta con arreglo a la ley normal
de media 150000 litros y desviacin tpica 10000 litros, determinar
la cantidad que hay que tener dispuesta a la venta en dicho periodo
para poder satisfacer la demanda con una probabilidad de 0,95.
r X N(p,a
= rv
{ixi) V --:; :
=
n
luego
0,4 5- 0, 5
P(0,45 < fr < 0,65) = P - - - - <z <
O 6 5 - 0, 5
- - - -
No
No
= <I>(2,24) - <I>(-2,24) = 2 <I>(2,24) - 1 = 0.975
Ejercicio 85. Cuntas veces habra que lanzar una moneda regular
a fin de tener al menos un 95 % de seguridad de que la frecuencia
relativa de caras diste a lo ms O 1 de la probabilidad terica O 5?
(2)
dm 1
1r 2ln
Corno la preci in e tan excepcional veamo como vara i el nmero de
corte aumentara en una unidad. La aproximacione de lo inver o de 1r
corre pondiente a lo m y m + 1 corte , re pectivamentc, difieren en
d(m + 1)
------=->-
dm d 1
2ln 2ln 2ln - 2n'
que para ti 5000, da lugar a 2 10- 4. Es decir, un corte de ms. o de
menos, produce una diferencia en la precisin de la estimacin de :; mayor
que 10-6, precisin alcanzada por Lazzarini. No queda ms alternativa que
reconocer que Lazzarini tuvo la suerte de obtener exactamente el nmero de
cortes, m que conduca a tan excelente aproximacin. La pregunta inmediata
es, cul es la probabilidad de que ello ocurrierai, y para responderla
recurri- remo a (2), pue to que el nmero de corte obtenido en lo n
lanzamiento
e una variable X rv B(n,p), con p m/n. Tendremo pues que
1
P (X = m) ------;:::::===
J21rnp(l -
p)'
y si suponemos d/2 = l, tenemos p m/n = l/1r, lo que conduce a la
siguiente cota para P(X = m),
Teorema de adicin
Sean X1 - N(1, 0"1), ... , X - N(n, O"n), n v.a. Normales independientes. Entonces, la
nueva variable aleatoria es
Normal estndar
X = I(, O") ==> Z = X -
o
= N(O, 1)
Teorema central del lmite
Dadas n v.a. independientes e idnticamente distribuidas, {X1, ... , Xn} tales que