4 Normas de Probabilidad

Departamento de Estadística e
Investigación Operativa Aplicadas
UD 4
y Calidad
Estadística
Distribuciones continuas:
• Normal
www.upv.es
¿Por dónde vamos?
muestreo
Muestra
Distribuciones
Estadística descriptiva
Población UD4 § gráficos
§ parámetros
UD3 § tablas UD2
Probabilidad
Conclusiones válidas con
razonable seguridad
Inferencia estadística
DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones
v.a. y distribuciones de probabilidad
¡Recordar! UD4
Parte 1
Existen modelos (expresiones matemáticas) que se adecuan a las
diferentes pautas de variabilidad de las variables aleatorias:
v.a. discretas v.a. continuas

• Binomial • Exponencial
• Poisson • Uniforme
• Normal
v.a. DISCRETA àFunción de Probabilidad: P(X)

v.a. CONTINUAà Función de Densidad: f(x)

Contenido UD4
1. INTRODUCCIÓN Y CONCEPTOS BÁSICOS
1.1 Variables aleatorias. Distribuciones de probabilidad
1.2 Distribuciones de probabilidad discretas
1.3 Distribuciones de probabilidad continuas
1.4 Esperanza matemática
1.5 Valor medio: concepto y propiedades
1.6 Varianza: concepto y propiedades
2. PRINCIPALES DISTRIBUCIONES DE PROBABILIDAD.

2.1 La distribución Binomial
2.2 La distribución de Poisson
2.3 La distribución de Uniforme
2.4 La distribución Exponencial
2.5 La distribución Normal

La distribución Normal

Contenido
1. Caracterización de la distribución normal
1. Función de densidad y forma
2. Características de f(x)
3. Notación
4. Ejemplos
2. Propiedades
3. Cálculo de probabilidades
1. Normal tipificada
2. Cálculo de probabilidades en una N(0,1)
3. Cálculo de probabilidades en una N(m,s)
4. Aproximaciones normales
1. Teorema Central del Límite
2. Binomial à Normal
3. Poisson à Normal

Contenido
5. Papel Probabilístico Normal
6. Ejercicios para hacer en clase
7. Glosario
8. Competencias
9. Ejercicio resuelto
10. Ejercicios propuestos

Introducción
• La Distribución Normal (de Gauss o Laplace) es la distribución de
probabilidad que con más frecuencia aparece en Estadística y Teoría de la
Probabilidad y que, por tanto, más normalmente se utiliza en la práctica
(de ahí su nombre)
• Fue introducida por Carl Friedrich Gauss a principios del siglo XIX en su
estudio de los errores de medida. Desde entonces se ha utilizado como
modelo en multitud de variables (peso, altura, calificaciones...), en cuya
distribución los valores más usuales se agrupan en torno a uno central y
los valores extremos son escasos
• La importancia de la distribución normal se debe principalmente a que
hay muchas variables asociadas a fenómenos naturales que siguen el
modelo de la normal.

1. Caracterización de la distribución normal
La Distribución Normal se caracteriza por :
• da lugar a histogramas simétricos en forma de campana (Gauss)
• acumulación de valores en el entorno de una zona central
• frecuencias decrecen de forma aproximadamente simétrica
Histogram
1000
800
Población f(x)
frequency
600
400
200
muestra
0
130 150 170 190 210

X

Función de densidad: forma y características
(x -m )2
1 -
f(x) = e 2σ 2
-¥ < x < +¥
σ 2π
Normal Distribution Densidad
máxima
0,2 Mean,Std. dev.
f(x)
10,2
0,16
La densidad decrece de forma
0,12
simétrica a ambos lados de m,
de forma más o menos rápida
0,08 en función de σ
0,04
0
0 2 4 6 8 10 12 14 16 18 20
mediana = m = moda X
Coeficiente de asimetría=0
Coeficiente de curtosis=0
¡Recordar! UD2
Función de densidad:
Normal Distribution
0,8 Mean,Std. dev.
0,1
0,2
0,6
0,0,5
density
0,4
0,2
0
-10 -6 -2 2 6 10
x
Misma m y diferentes valores de σ
http://descartes.cnice.mecd.es/materiales_didacticos/distribuciones_probabilidad/dis_normal.htm#2

Símbolos y ejemplos
• Se simboliza como:
X ~ N(m, s ) s (X) = s
E(X) = m = µ
Ejemplos:
§ Estatura de los alumnos de ADE
§ Coeficiente Intelectual de los españoles
§ Rendimiento de un sistema de telecomunicaciones
§ etc

2. Propiedades - 1
Sean X1, X2, ....., Xn variables aleatorias que se distribuyen según una
normal e independientes :
Cualquier combinación lineal de las Xi será una variable NORMAL
Y= a1 X1+ a2 X2 + .....+an Xn ≈ N(mY, σY)
mY y σY se pueden obtener aplicando las

propiedades correspondientes a la E(Y)
vistas en la UD4 parte 1
La independencia es condición suficiente pero no necesaria

2. Propiedades – 1: caso particular
1) Si X ~ N(mx , sx )
Y = a + bX ~ N (my= a + b mx , sy2 = b2 sx2)
2) Si X ~ N(mx , sx ) e Y ~ N(my , sy ) independientes
Z = X ! Y ~ N (mz = mx ! my , sz2 = sx2 + sy2 )

2. Propiedades – 1: Ejemplos
1) Si X (Estatura alumnos UPV (m)) ~ N(mx=1,70, s2x=1)

Y = Estatura alumnos UPV (cm)
Y = 100X ~ N (my= 100x1,70 , sy2 = 1002 x1)
2) Si X ~ N(mx=9, s2x=3), Y ~ N(my =8, s2y=1) y Z ~ N(mz=5, s2z =2)

independientes: unidades vendidas de 3 productos al mes
El beneficio mensual W = 10X + 20Y+ 15Z ~ N (mw, sw2)
mw = mx + my + mz = 10x9 + 20x8 + 15x5 = 325
sw2 = sx2 + sy2 + sz2 = 102x3 + 202x1 + 152x2 = 1150

2. Propiedades - 2
Aproximadamente
Si X ~ N(m,s)
68% datos Î [m-s, m+s]
95% datos Î [m-2s, m+2s]
99% datos Î [m-3s, m+3s]

Ejercicio 16
La dureza de los asientos de
poliuretano fabricados en una factoría
fluctúa normalmente con media 185
newtons y desviación típica 12
newtons.
a) ¿Qué porcentaje de los asientos
fabricados tendrán una dureza
superior a 200 newtons?
b) ¿Qué porcentaje de los asientos
fabricados cumplirán las
especificaciones establecidas que son
de 180 ± 20 newtons?
poliuretano

Ejercicio 16 (cont.)
v.a. X = {Dureza asientos} ~ N(m=185 Nw, s=12 Nw) ¿ P(X > 200) ?
+¥ +¥ (x - m)2
1
ò ò
-
P(X>a) = f(x)dx = e 2 s2
dx
a a s 2p
(x - m)2 (200 -185)2
¥ ¥
1 1 -
ò ò
-
2 (12 )2
P(X>200) = e 2 s2
dx = e dx
200 s 2p 200 12 2p
NO existe una expresión

analítica para calcular la
? probabilidad acumulada como
en la distribución exponencial,
por ejemplo.

Ejercicio 16 (cont.)
¥ (x -m)2
1
ò
-
P(X>a) = e 2 s2
dx
a s 2p è Irresoluble analíticamente
(x -m)2
a
1
ò
-
P(X<a) = e 2 s2
dx
-¥ s 2p
¿Cómo calculo entonces

la probabilidad?
è Tablas
è Software

Software
Statgraphics
Describe è Distributions è Probability Distributions
Openintro Statistics
http://spark.rstudio.com/minebocek/dist_calc/
StatKey
http://lock5stat.com/statkey/theoretical_distributi
on/theoretical_distribution.html#normal
Excel DISTR.NORM y DISTR.NORM.ESTAND

3 Tabla de probabilidades Normal
Normal Distribution Normal Distribution
0,2 Mean,Std. dev.
0,4 Mean,Std. dev.
0,2
0,1
0,16
0,3
density
0,12
density
0,2 0,08
0,1 0,04
0
0 -10 -6 -2 2 6 10
-5 -3 -1 1 3 5 Normal Distribution
Normal Distribution x x
0,05 Mean,Std. dev.
0,8 Mean,Std. dev. 50,9
0,0,5 0,04
0,6
density
0,03
density
0,4 0,02
0,2 0,01
0
0
-2,5 -1,5 -0,5 0,5 1,5 2,5 0 20 40 60 80 100
x x
¡¡ No podemos tener infinitas tablas, una para cada v.a. normal !!

Variable Normal Tipificada Z
• Sólo tendremos una tabla: Normal Tipificada o Estándar.

• su media es 0
• su desviación típica es 1
Z ~ N(0,1) º N(mz=0,s z=1)
La probabilidad de que una N(0,1) sea menor o mayor que un valor

dado nos lo da la tabla, algo parecido a lo que hacíamos con el Ábaco
de Poisson.
Disponible en PoliformaT

Probabilidades de una Normal Tipificada: tabla
P(Z<3,12) = 0,99910
x,x0 x,x1 x,x2 x,x3 x,x4 x,x5
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886

Probabilidades de una Normal Tipificada: tabla
P(Z< z) = 0,99910
Z = 3,12
x,x0 x,x1 x,x2 x,x3 x,x4 x,x5
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886

Distribución Normal Tipificada: tabla
x,x0 x,x1 x,x2 x,x3 x,x4 x,x5 x,x6 x,x7 x,x8
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997
P(Z < 3,9)
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962
P(Z < 3,24) 0,99964
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896
z / P(Z < z) = 0,99886 à z = 3,05

Distribución Normal Tipificada
Normal Distribution
0,4 Mean,Std. dev.
0,1
0,3
density
f(z) 0,2 Z ~ N(0,1)

0,1
0
-5 -3 -1 1 3 5
Z
x
La tabla utilizada sólo da los valores de P(Z< z), para z Є [-4,4]
P(Z > z) = 1 - P(Z < z)
P(Z > z)= P(Z < -z) por simetría
P(a < Z £ b) = P(Z ≤ b) - P(Z ≤ a) como en cualquier otra
distribución (Binomial, Poisson, Exponencial…)

Ejercicio 15
Utilizando la tabla de probabilidades de la N(0,1) calcular:
a) La probabilidad de que una variable N(0,1) sea menor que 2
b) La probabilidad de que una variable N(0,1) sea mayor que 2,5
c) La probabilidad de que una variable N(0,1) sea mayor que -1
d) La probabilidad de que una variable N(0,1) sea menor que -1,5
e) La probabilidad de que una variable N(0,1) esté entre -1 y 2
f) La probabilidad de que una variable N(0,1) esté entre -1 y 1
g) La probabilidad de que una variable N(0,1) esté entre -2 y 2
h) La probabilidad de que una variable N(0,1) esté entre -3 y 3
i) ¿Entre qué valores centrales queda el 95% de los datos de
una N(0,1)
Probabilidad en un intervalo centrado en la media
a » -2 b»2
¿a y b? / P(a < Z £ b) = 0,95

2. Propiedades - 3
La probabilidad será máxima en un intervalo que contenga la media,

cuando el intervalo esté centrado con respecto a ésta.
Calcula la probabilidad de que una variable N(0,1) esté entre -1,5 y

2,5 y compara el resultado con el obtenido en el apartado f)
utilizando el siguiente applet:
https://gallery.shinyapps.io/dist_calc/

N(0,1): probabilidad y áreas bajo f(x)
Si z i >0 P( Z > zi )=p
Área azul
nos da la probabilidad de que la variable

tome un valor superior a uno dado “zi”
p Positivo!
Zi
Z=0
P( Z < zi )=p
Si z i <0
Área azul
nos da la probabilidad de que la variable
p tome un valor inferior a uno dado “zi”
Zi Negativo!
Z=0
N(0,1): probabilidad y áreas bajo f(x)
Z = Normal (0,1)
Z=0
Z<0 Z>0
z1 z2
Negativo! Positivo!
P(Z£ 0) = 0,5
P(Z£ z1) = 0,3 P(Z£ z2) = 0,7
N(m,σ): probabilidad y áreas bajo f(x)
P (a < X ≤ b)
P (a < X ≤ b) =
ma b
P (X ≤ b) = P (X ≤ b)
a b
P (X ≤ a)
- P (X ≤ a)
DEIOAC – Estadística – Prof. E. Vázquez a b UD-4 Distribuciones
3 Cálculo de probabilidades de X~(m,s)
¿Cómo se calculan probabilidades para las variables normales no
tipificadas, que son las que se encuentran en la práctica?
X ~ N(mx , sx)
¿ Cómo calcular P ( X > a) o P(X < a) o… ?
Transformando la expresión probabilística de interés en una

equivalente relativa a una variable N[0,1] à
Tipificando

Tipificar una v.a. X~(m,s)
Transformamos X :
restamos y dividimos por una constante à cambio de escala
Distribución Normal
X - mx
Z= Þ Z ~N(mZ = 0 , sx = 1) Þ Tipificada à
sx Tabla N(0,1)
Valores Z à valores de una N(0,1)
Se puede demostrar que si X ~ N(mx , sx)
X -m 1 1
mz = E ( Z ) = E ( )= ( E ( X ) - m) = (m - m) = 0
s s s
2 2 X -m 1 2 1 2 ¡Recordar! U4-Parte 1
sz =s ( )= s ( X - m) = s =1
s s2 s2 Propiedades E(X)

Ejercicio 16 (continuación)
La dureza de los asientos de poliuretano fabricados en una factoría

fluctúa normalmente con media 185 newtons y desviación típica 12
newtons.
a) ¿Qué porcentaje de los asientos fabricados tendrán una dureza
superior a 200 newtons?
b) ¿Qué porcentaje de los asientos fabricados cumplirán las
especificaciones establecidas que son de 180 ± 20 newtons?

Ejercicio 16 (continuación)
c) Si se centrase correctamente el proceso de forma que su media

resultase 180, por ejemplo, utilizando el valor idóneo del ratio
poliol/isocianato, ¿en cuánto se reduciría el % de asientos
defectuosos?
Libro de texto
(R. Romero, L. Zúnica. Métodos Estadísticos en Ingeniería)

Ejercicio otro
El peso de las naranjas de un determinado calibre fluctúa
normalmente con media 150 gr (m) y desviación típica 30 gr (σ) Una
bolsa se llena con 15 naranjas seleccionadas al azar.
a) ¿Cuál es la probabilidad de que una naranja de la bolsa pese más
de 200 gr?
b) ¿Entre que par de valores centrales estará el 95% de las naranjas
de la bolsa, aproximadamente?
c) ¿Entre que par de valores centrales estará el 95% de las naranjas
de la bolsa, exactamente?
d) ¿Cuál es la probabilidad de que el peso total de la bolsa sea inferior
a 2 kg?
Libro de texto

5.4 Aproximaciones Normales
Teorema Central del Límite
En condiciones muy generales, la suma de variables aleatorias
independientes tiende a distribuirse normalmente, a medida que aumenta
el número de sumandos.
distribución cualquiera e independientes :
Y= X1+ X2 + .....+Xn ≈ N(mY, σY) nà¥
Este teorema justifica el hecho de que la mayoría de las distribuciones

de las variables en problemas reales sean normales

• Supongamos 10 v.a uniformes U(2,3)con 1000 datos cada una.
• Sus histogramas serían:
…
u10

• Supongamos ahora una nueva v.a suma de las 10 uniformes anteriores.
• Y = u1 + u2 + ... + u10
• Su histograma es:

Ejercicio 17
Continuando con los datos del Ejercicio 11, calcula la probabilidad

de que el tiempo de acceso a 100 ficheros consecutivos supere los
31 segundos

Aproximación Binomial à Normal
• Dado que una variable Binomial es la suma de los resultados obtenidos
en n repeticiones independientes de un experimento, su distribución se
irá aproximando a la de una Normal a medida que aumente n
( )
σ2X = np(1 - p) ³ 9
X ~ B(n,p) (
X ~ N m = np, s 2 = np(1 - p) )
m
X - np
Z ~ N(0,1)
np(1 - p)
s

Aproximación Binomial à Normal
Función de probabilidad n,p
σ2 =0,9
Se asemeja a la σ2 =2,7
campana de Gauss σ2 =12
σ2 > 9

Aproximación Poisson à Normal
• Dado que una variable Poisson es una v.a. Binomial para la que nà∞ y p
à 0, su distribución también se irá aproximando a la de una Normal a
medida que aumente n
(σ2X = l ) ³ 9
X ~ Ps(l) (
X ~ N m = l, s = l
2
)
m
X-l n®¥ Z ~ N(0,1)

l
s

Aproximación Poisson à Normal
Poisson Distribution
Función de probabilidad
0,18
Se asemeja a la Mean
campana de Gauss 5
10 l > 9
0,15
probability
0,12 50 l >> 9
0,09
0,06
0,03
0 20 40 60 80 100
x

Corrección de continuidad
……… X=a-1 X=a X=a+1 ………
Discreto
……… ……… ………
Continuo
[ ] [ l ] [ ]
a-0,5 a+0,5
X=a a-0,5 < X < a+0,5

Corrección por Continuidad
• Cuando se utiliza el modelo normal para calcular las probabilidades
asociadas a una v.a. discreta, como consecuencia de una aproximación,
hay que efectuar previamente una corrección de continuidad.

……… X=a-1 X=a X=a+1 ………
Discreto
……… ……… ………

Continuo
[ ] [ l ] [ ]
a-0,5 a+0,5
X>a X ≥ a+0,5
Corrección
X≥a X ≥ a-0,5
por
X<a X ≤ a-0,5 Continuidad
X≤a X ≤ a+0,5

Ejercicio 18
Cuando se prueban las tarjetas de circuito que se usan en la

fabricación de reproductores de discos compactos, el porcentaje
de defectos a largo plazo es 5%. Suponiendo que se recibe un lote
de 250 tarjetas, ¿cuál es la probabilidad aproximada de que como
mucho el 10% de las tarjetas en el lote sean defectuosas?

Ejercicio 19
Los códigos CRC utilizados en el envío de paquetes a través de la

red son capaces de corregir como máximo 1000 errores en cada
bloque de 200 paquetes. Se sabe que el número medio de
errores en cada bloque enviado es de 400. Si tomamos al azar un
bloque de 200 paquetes, ¿cuál es la probabilidad de que el
número total de errores sea inferior a 380?

5 Papel Probabilístico Normal (PPN)
• Herramienta extremadamente práctica de análisis estadístico para el
estudio de distintos tipos de distribuciones.
• Trataremos sólo del papel probabilístico para distribuciones normales:
Papel probabilístico normal (PPN).
Objetivo: “determinar” si la v.a con la que se está

trabajando sigue una distribución normal.
“determinar” si los datos de la muestra proceden de una población normal
NOTA: no se trata de un test de inferencia estadística. El PPN es una herramienta descriptiva que permite ver si el modelo normal se ajusta lo
suficientemente bien a la realidad de los datos observados (muestra) como para utilizarlo.

Fundamento del PPN
Histogram
1000
frequency 800 Población f(x)
600
400
200 muestra
130 150 170 190 210

X
Si los datos proceden de una población normal, el histograma

de las frecuencias absolutas tiene forma de campana de Gauss.
¡Recordar! UD2

Fundamento del PPN
Histogram
100
80
F(x) población
percentage
60
40
20
muestra
0
130 150 170 190 210

X
Si los datos proceden de una población normal, el histograma de las

frecuencias relativas acumuladas tiene la forma de la figura de arriba.
¡Recordar! UD2

Fundamento del PPN
1
F(x) población 0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
120 140 160 180 200 220
x
Si se modifica la escala vertical, de forma que los valores de
P(X≤x) de una normal tipificada N(0,1) tengan forma de recta,
el procedimiento es más sencillo.

Fundamento del PPN
Normal Probability Plot
F(x) 99,9
99
95
80
50
20
5
1
0.1
140 150 160 170 180 190 200
Después de cambiar la escala vertical

X la forma de P(X≤x) de
una normal tipificada N(0,1) tiene forma de recta.
Si al dibujar los valores de la muestra sobre PPN, los puntos

se alinean formando una recta, entonces, podemos decir que
la v.a. sigue una distribución normal

Utilización del PPN
Se parte de una plantilla de PPN (o se dibuja), dónde se hace corresponder
un punto a cada observación.
99,9
p 99 n La abscisa del punto es
el valor observado (a)
percentage
95
80 n La ordenada del punto es
50 el porcentaje de valores
20 en la muestra que son
5 menores o iguales que el
1 considerado (p)
0,1
2,7 3,2 3,7 4,2 a
4,7 5,2 5,7 6,2 6,7
1
i-
[ En PoliformaT hay una plantilla de PPN ] Para mas informacion p=P(X £ x)(%) = 2 × 100
n

Casos
Histograma
Gráfico de Probabilidad Normal 40
99,9
30
porcentaje
99
20
95 10
porcentaje
80 0
-10 10 30 50 70 90 110
TIEMPO
50 Gráfico de Caja y Bigotes
20
0,1
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50
TIEMPO
60 70 80 90 100
TIEMPO
• Distribución asimétrica positiva

Casos
Histograma
Gráfico de Probabilidad Normal 15
99,9 12
frecuencia
99 9
95
3
porcentaje
80 0
150 160 170 180 190
ESTATURA
Gráfico de Caja y Bigotes
50
20
0,1
150 160 170 180 190
ESTATURA 150 160 170
ESTATURA
180 190
• Dato anómalo

Casos
99,9
99
95
percentage
80
50
20
5
1
0,1
-1 2 5 8 11 14 17
var
Datos procedentes de una población Normal

Casos Normal Probability Plot
99.9
99
95
80
cumulative percent 50
20
0.1
36 46 56 66 76 86 96
Mezcla de poblaciones N(50,5) ,N(70,5)

Ejercicio 20
En un estudio sobre la resistencia a la torsión de un tipo de
tornillo fabricado por una cierta factoría se ha tomado una
muestra de 10 tornillos de una partida. La resistencia observada
(medida en Nw) de los tornillos de la muestra ha sido: 14,1
13,1 12,5 15,6 14,6 15 17 13,5 16,3 17
Estos datos se han representado en PPN.
A la vista del gráfico, se pide:
a) ¿Es admisible la hipótesis de que los datos proceden de una
distribución normal?. Justificar.
b) Calcular, aproximadamente, sobre el PPN la media y
desviación típica de la distribución.

Ejercicio 20
Resistencia a la torsión de 10 tornillos de una partida:
14’1 13’1 12’5 15’6 14’6 15 17 13’5 16’3 11’8 (Nw)
1) Ordenar los valores de menor a mayor:
i : 1 2 3 4 5 6 7 8 9 10
11’8 12’5 13’1 13’5 14’1 14’6 15 15’6 16’3 17
P(X£x) (%) 5% 15% 25% 35% 45% 55% 65% 75% 85% 95%
2) Obtener las probabilidades acumuladas:

1
i-
P(X £ x)(%) = 2 × 100
n
3) Representar los valores de X y P(X£x) en papel probabilístico
normal

Ejercicio 20
99,9
99
95
80
50
20
0,1
11 11,5 12 12,5 13 13,5 14 14,5 15 15,5 16 16,5 17
X

Ejercicio 20
Resistencia a la torsión de 10 tornillos de una partida:
14’1 13’1 12’5 15’6 14’6 15 17 13’5 16’3 11’8 (Nw)
Gráfico de Probabilidad Normal
99,9
99
95
porcentaje
80
50
20
0,1
11 11,5 12 12,5 13 13,5 14 14,5 15 15,5 16 16,5 17 17,5 18 18,5 19 19,5 20
X
Los datos caen aprox. en línea recta X: resist. a la torsión~N(mx,sx)

Ejercicio 20
muestra
99,9
99 Resumen Estadístico para X

95 Recuento 10
80 Promedio 14,35
50 Mediana 14,35
20 Desviación Estándar 1,67149
5 Coeficiente de Variación 11,648%
1 Mínimo 11,8
0,1 Máximo 17,0
11 11,5 12 12,5 13 13,5 14 14,5 15 15,5 16 16,5 17
X Rango 5,2
Histograma Cuartil Inferior 13,1
100
Cuartil Superior 15,6
80 Rango Intercuartílico 2,5
Sesgo Estandarizado 0,106432
porcentaje
60
Curtosis Estandarizada -0,574519
40
20
0
11 12 13 14 15 16 17 18 19
X

Ejercicio 20 Población f(x)
Normal
0,2
0,16 ¿mx y sx?

0,12
densidad
0,08
Teóricamente, en la población,
¿qué valores tendrán la media
0,04
y la desviación típica?
0
?
0 2 4 6 8 10 12 14 16 18 20 22 24 26
x
Normal
1 Media,Desv. Est.
14,5,2
0,8
probabilidad acumulada
0,6
0,4
0,2
0
0 2 4 6 8 10 12 14 16 18 20 22 24 26
x

Ejercicio 20
¿Cómo estimar mx?
99.9
99
95 X: ~N(mx,sx)
80
50 mediana = m = moda
20
5
P(X ≤ mediana) = 0,5
1
0.1
11 12 13 14 15 16 17
14,4 =
mediana
=m
Por tanto X ~ N( mx=14,4 , sx)

Ejercicio 20
¿Cómo estimar sx?
99.9
99 X: ~N(mx,sx)
95
84,13%0 = 50% + 34,13% mediana = m = moda
80
50 P(X ≤ mediana) = 0,5
20 15,87% = 50% - 34,13%
5 68,26% Є [m - s, m + s]
1
0.1
m - s =12,5
11 12 13 14 15 16 17 14,4 - s = 12,5
m-s 14,4 = m+s
=12,5 m = 16,3 14,4 - 12,5 = s = 1,9
Por tanto X ~ N( mx=14,4 , sx=1,9 )

Para obtener s se podría haber utilizado cualquiera de las propiedades de la normal.
También se podía haber tomado m + s = 16,3 para despejar s

Ejercicios resueltos

Ejemplo v.a. normal
La estatura de los alumnos de Informática fluctúa normalmente con una
media de 170 cm y una desviación típica de 9 cm.
a) ¿Cuál es la variable aleatoria implicada en el estudio? ¿qué distribución sigue?
¿es continua o discreta?
b) ¿Cuál es la población asociada?
c) ¿Cuál es la probabilidad de que un alumno cualquiera mida exactamente 175
cm?
d) ¿Qué porcentaje de alumnos superan los 170 cm?
e) ¿Cuál es valor de estatura x que no es superado por el 50% de los alumnos?
f) ¿Cuál es la probabilidad de que un alumno mida menos de 165 cm?

Ejemplo 1 v.a. normal
a) ¿Cuál es la variable aleatoria implicada en el estudio? ¿qué distribución
sigue? ¿es continua o discreta?
n Variable aleatoria X: Estatura de los alumnos de Informática
X ~ N (m=170, s=9) Continua
b) ¿Cuál es la población asociada?

n Población = {Todos los alumnos de Informática}
c) ¿Cuál es la probabilidad de que un alumno cualquiera mida

exactamente 175 cm?
P(X = 175) = 0

d) ¿Qué porcentaje de alumnos superan los 170 cm?
P(X > 170) = P(X ≥ 170) = P(X ≥ m) = P(X £ m) = 0,5
El 50% de los alumnos miden más que la media (m=170)
e) ¿Cuál es valor de estatura x que no es superado por el 50% de los

alumnos?
P(X ≤ x) = 0,5 x = mediana = m = moda
x = mediana = m = moda porque es una distribución simétrica.

Esto también ocurre en la uniforme, pero no en la exponencial.

Ejemplo 1: Gráficamente f(x) X ~ N (m=170, s=9)
Normal Distribution
El área rayada bajo la curva
f(t) 0,05
es toda la probabilidadMean,Std.
(1) de
0,045 170,9
0,04
0,035
0,03
0,025
0,02
0,015
0,01
0,005
0
120 130 140 150 160 170 180 190 200 210 220
x X

Ejemplo 1: Gráficamente f(x) X ~ N (m=170, s=9)
La mitad del área rayada bajo

Normal Distribution
f(t) la curva, a la derecha o a la
0,05 Mean,Std. de
izquierda, es la P(T ≤ mediana)
0,045
o P(T ³ mediana) (0,5) 170,9
0,04
0,035
0,03
0,025
0,02
0,015
0,01 0,5 0,5
0,005
0
120 130 140 150 160 170 180 190 200 210 220
mediana = m = xmoda X

Ejemplo 1 tipificación v.a. normal
Normal Distribution Mean,Std. dev.
170,9
X - mx
0,05
Z=
0,04
sx
f(x)0,03
0,02
0,01
Z ~ N(0,1)
0
120 140 160 180 200 220
170 Normal Distribution Mean,Std. dev.
x 0,1
X ~ N(m=170,s=9) 0,4
0,3
f(x)0,2
120 - 170 0,1

z= = -5
9 0
-5 -4 -3 -2 -1 0 1 2 3 4 5
x

f) ¿Cuál es la probabilidad de que un alumno mida menos de 165 cm?
P(X < 165) = P(X £ 165) = Tipificando
æ X - mx 165 - 170 ö
= Pç £ ÷ = P (N(0,1) £ -0,5 ) = P ( Z £ -0,5 ) =
è sx 9 ø
Tabla
P ( Z £ -0,5 ) = P ( Z ³ 0,5) = 0, 30854
g) ¿Cuál es la probabilidad de que un alumno mida menos de 175 cm?
æ X - mx 175 - 170 ö
P(X < 175) = [ tipificando] P ç £ ÷ = P ( Z £ 0,5 ) =
è sx 9 ø
P ( Z £ 0,5 ) = 1- ( Z ³ 0,5 ) = 1- 0,30854 = 0,69
Tabla

Z = Normal (0,1)
0,308 0,308
P(Z £ - 0,5) P(Z ≥ 0,5)

0 0,5
- 0,5
P(Z £ - 0,5) à es el área bajo la curva de f(x) que queda a la izquierda de - 0,5
P(Z ≥ 0,5) à es el área bajo la curva de f(x) que queda a la derecha de 0,5

h) ¿Qué porcentaje de los alumnos medirán entre 165 y 175 cm?
P(165 £ X £ 175) = F(175)-F(165) = P(X £ 175) - P(X £ 165) =
= 0,69 - 0,30854 = 0,38 à 38%
Normal (0,1)
0,38
165 170 175

PPN PESO de los CHICOS
Obtener una representación en papel probabilístico normal de los datos de
la variable PESO de los alumnos varones contenidos en el fichero
PRACDESCBID
a) ¿Se distribuye el peso de los chicos de forma aproximadamente
normal?
b) ¿Cómo podría estimarse aproximadamente el peso medio de los chicos
a partir de esta representación?
c) ¿Y la desviación típica?

Gráfica de Probabilidad Normal
99,9
99
porcentaje acumulado
95
80
50
20
0,1
56 61 66 71 76 81 86 91 96
PSO CHICOS
99,9
99
95
80
50
20
0,1
56 61 66 71 76 81 86 91 96
PSO CHICOS
Los datos se alinean formando una recta à Podemos considerar que el

peso de los chicos sigue una distribución normal

¿Cómo estimar mx?
99,9
99
X: ~N(mx,sx)
95
80
mediana = media = moda
50
20
P(X ≤ mediana) = 0,5
5 P(X ≥ mediana) = 0,5
1
0,1
56 61 66 71 76 81 86 91 96
PSO CHICOS
71,24 = mediana = media
Por tanto X ~ N( mx=71,24 Kg, sx)

Gráfica de Probabilidad Normal ¿Cómo estimar sx?
99,9
99
X: ~N(mx,sx)
68,26% Є [m - s, m + s]
95
84,13%
80
71,24 = mediana = media
50
20
m - s =63
15,87% 71,24 - s = 63
5
1 71,24 - 63 = s = 8,24
0,1
56 61 66 71 76 81 86 91 96
m - s = 63 PSO CHICOS
71,24 = m + s = 79,5
m
Por tanto X ~ N( mx=14,4 , sx=8,24 )
Para obtener s se podría haber utilizado cualquiera de las propiedades de la normal.
También se podía haber tomado m + s = 79,5 para despejar s

Ejercicios para hacer en clase

1) Examen septiembre 2004
5.- El tiempo, en milisegundos, que tarda en procesarse un mensaje
en un nodo de una red de interconexión fluctúa aleatoriamente
siguiendo una distribución exponencial de parámetro b=0,2. En
estas condiciones:
a) ¿Cuál será el tiempo que cabe esperar que tarde en procesarse un

mensaje en un nodo en el 50 % de las ocasiones?
b) ¿Cuál es la probabilidad de que un mensaje tarde menos de 1100

milisegundos después de haber sido procesado por 200 nodos
consecutivos?
Sol: a) 3,47 b) 0’9207

2) Examen febrero 2001
3.- Las consultas a cierto sistema informático se denominan de baja
calidad cuando presentan interferencias, ruidos, cortes en la
comunicación y otros fallos. La probabilidad de que una consulta
sea de baja calidad es de 0,03. Se pide:
a) ¿Cómo se distribuye la variable aleatoria número de consultas de
baja calidad?. ¿Sobre qué población está definida?
b) Calcular la probabilidad de que en 20 consultas realizadas, 3 o más
sean de baja calidad, sabiendo que en las 20 consultas al menos 1
es de baja calidad.
c) Calcular aproximadamente la probabilidad de que en 2000
consultas el número de las de baja calidad sea mayor o igual a 55.
Sol: b) 0,0461 c) 0’7642

3) Examen junio 2004
6.- El número de unidades vendidas al día de tres productos A, B y C son
variables aleatorias independientes que siguen respectivamente
distribuciones N(mA=100; σ2A=10), N(mB=200; σ2B=15) y N(mC=150;
σ2C=10). Si los precios de dichos productos son 150, 200 y 100 u.m. Se
pide:
a) Definir la variable aleatoria ingresos diarios (I) y determinar su

distribución.
b) ¿Cuáles serán los ingresos diarios medios un día cualquiera?, ¿Y la varianza

de los ingresos diarios?
c) Calcular la probabilidad de que los ingresos diarios superen las 61580 u.m.
Sol: a) I=150A+200B+100C b) m=70000 u.m. σ2=925000 u.m.2 c) ≈1

4’) Examen septiembre 2004 V. 1
6.- Para el cableado de una red en un edificio se necesitan 8000 metros
de cable.
A partir de la información suministrada por el proveedor, se sabe
que los rollos tienen en promedio 50,5 m de cable. También se sabe
que el 5% de los rollos de cable tienen una longitud menor que m-
0,5 y que el 5% tienen una longitud mayor que m+0,5.
Considerando que la longitud del cable en cada rollo se distribuye
según una normal, se plantea realizar un pedido de 150 rollos de
cable de estas características.
¿Cuál es la probabilidad de que en este caso falten metros de cable
para cablear el edificio?
Sol: 1

4) Examen septiembre 2004
6.- Para el cableado de una red en un edificio se necesitan 8000 metros
de cable. A partir de la información suministrada por el proveedor,
se sabe que el 5% de los rollos de cable tienen una longitud menor
de 50 m. y que el 5% tienen una longitud mayor de 51 m.
Considerando que la longitud del cable en cada rollo se distribuye
según una normal, se plantea realizar un pedido de 150 rollos de
cable de estas características.
¿Cuál es la probabilidad de que en este caso falten metros de cable para

cablear el edificio?
Sol: 1

6) Examen junio 2009
Se sabe que en una determinada fábrica de ordenadores, el peso medio
de los monitores es 4,72 kg, la desviación típica es 0,06 kg y la
distribución de los pesos es normal. Si el fabricante desea rechazar el
3% de los monitores de menor peso y el 3% de los monitores de mayor
peso, determinar el peso máximo y el peso mínimo para que un
monitor sea aceptado.
Sol: xmin=4,6072 Kg xMax= 4,832 Kg

7)
Se ha constatado el tiempo que tarda un determinado método en
depurar una muestra de 10 programas.
Los tiempos de depuración son los siguientes:
42, 46, 44, 43, 40, 35, 40, 39, 37, 41
a) Representar los datos en PPN

b) ¿Es admisible la hipótesis de que los datos proceden de una
c) Calcular, aproximadamente, sobre el PPN la media y desviación
típica de la distribución.
d) Calcular, aproximadamente, sobre el PPN entre que valores
centrales de tiempo se tarda en depurar el 90% de las muestras?
Sol: xmin=4,6072 Kg xMax= 4,832 Kg

Otro Ejercicio PPN
Se ha constatado el tiempo que tarda un determinado método en depurar
una muestra de 10 programas.
Los tiempos de depuración son los siguientes:
42, 46, 44, 43, 40, 35, 40, 39, 37, 41
a) Representar los datos en PPN

b) ¿Es admisible la hipótesis de que los datos proceden de una
c) Calcular, aproximadamente, sobre el PPN la media y desviación típica
de la distribución.
d) Calcular, aproximadamente, sobre el PPN entre que valores centrales
de tiempo se tarda en depurar el 90% de las muestras?
Sol: b) Sí (falta la justificación) c) m=40,6, σ =3,3 d) [35,5 ; 45,5]

Otro Ejercicio PPN
99,9
99
95
80
50
20
0,1
35 36 37 38 39 40 41 42 43 44 45 46 47
X

Otro Ejercicio PPN
99,9
99
95
percentage
84,13%
80
50
20
5
1
0,1
m=40,6 35 37 39 40,6 41 43 45 47
43,9
s =3,3 TPO

Otro Ejercicio PPN

Ejercicios propuestos

Ejercicio resuelto 1
El peso de las naranjas de cierto calibre se distribuye ……..
Respuesta en el Anejo al final del tema
Libro de texto

Ejercicio resuelto 2
Una partida de tornillos tiene una resistencia a la torsión ……..
Respuesta en el Boletín de Ejercicios Resueltos

Para hacer en casa…
Calcular aproximadamente la probabilidad de obtener mas de 80 puntos…
Respuesta en el Boletín de Ejercicios Resueltos y
en el Anejo al final del tema
Libro de texto

Suponiendo que la probabilidad de elegir un dígito impar es la misma

que …….
Libro de texto

A una centralita llegan en promedio 2 llamadas por minuto ……
Libro de texto

Glosario, resumen y objetivos de
aprendizaje

Resumen
• La Distribución Normal (de Gauss o Laplace) es la distribución de
probabilidad que con más frecuencia aparece en Estadística y Teoría de la
Probabilidad y que, por tanto, más normalmente se utiliza en la práctica
(de ahí su nombre)

Resumen
Cualquier combinación lineal de las Xi será una variable NORMAL

Resumen
• NO existe una expresión analítica para calcular la probabilidad acumulada
como en la distribución exponencial, por ejemplo:
• Tabla de la Normal tipificada
• Software: Statgraphics, calculadora, Excel, …
• Sólo tendremos una tabla: Normal Tipificada o Estándar.
• su media es 0
• su desviación típica es 1
X - mx
Z ~ N(0,1) º N(mz=0,s z=1) Z=
sx
La probabilidad de que una N(0,1) sea menor o mayor que un valor
dado nos lo da la tabla, algo parecido a lo que hacíamos con el Ábaco
de Poisson. Disponible en PoliformaT

Resumen
En condiciones muy generales, la suma de variables aleatorias
independientes tiende a distribuirse normalmente, a medida que aumenta
el número de sumandos.
distribución cualquiera e independientes :
Y= X1+ X2 + .....+Xn ≈ N(mY, σY) nà¥
Este teorema justifica el hecho de que la mayoría de las distribuciones

de las variables en problemas reales sean normales

Resumen
Aproximaciones normales (
X 1 » N m X1 , s X1 )
............... Þ Y = X 1 + ... + X N
(
X N » N mX N , s X N )
m = mX1 + ... + mX N
X 1 » B (n1 , p )
n = n1 + ... + nN s = s X2 + ... + s X2
............... Þ Y = X 1 + ... + X N B ( n, p ) 1 N
X N » B ( nN , p ) !" # − " ≥ &

l = np ! ≥ '( ) " ≤ (, (, N ( m ,s )
! ≥ #((
λ≥9
X 1 » Ps (l1 ) N ®¥
l = l1 + ... + lN
............... Þ Y = X 1 + ... + X N Ps ( l ) m = m X1 + ! + m XN
Teorema
X N » Ps (lN ) Central s = s X2 + ! + s X2
1 N
del Límite
X1 ~ g1( m X1 , s X2 1 )
!!!!! Þ Y = X1 + ! + X N
XN ~ gN ( m X N , s 2
XN )
g ® cualquier distribución (Binomial, Poisson, Uniforme, etc.)

Resumen
Papel Probabilístico Normal (PPN)
• Herramienta extremadamente práctica de análisis estadístico para el estudio de
distintos tipos de distribuciones.
• Trataremos sólo del papel probabilístico para distribuciones normales: Papel
Objetivo:
probabilístico normal (PPN).
• “determinar” si la v.a sigue una distribución normal.
• Asimetrías
• Mezclas de poblaciones
• Datos anómalos
• Estimar algunos parámetros poblacionales (media,
desviación típica, mediana,…
Si al dibujar los valores de la muestra sobre PPN, los puntos se alinean formando una
recta, entonces, podemos decir que la v.a. sigue una distribución normal

Debes ser capaz de…
• Conocer y aplicar las características y propiedades de la distribución Normal
• Identificar variables aleatorias normales y sus parámetros
• Identificar variables que son combinaciones lineales de otras variables aleatorias normales y sus
parámetros
• Calcular probabilidades y de una variable normal tipificada
• Manejar la tabla de la normal tipificada para obtener:
• P(Z >z), P(Z < z), P(z1 < Z < z2), etc
• Obtener valores de z / P(Z >z)=p, P(Z < z)=p, P(z1 < Z < z2) =p, etc
• Calcular probabilidades y de una variable normal con cualquier media y desviación típica
• Tipificar variables
• P(X >x), P(X < x), P(x1 < X < x2), etc
• Obtener valores de x / P(X >x)=p, P(X < x)=p, P(x1 < X < x2) =p, etc
• Conocer la utilidad del PPN, saber dibujar e interpretar los datos graficados sobre éste
• Reconocer cuándo unos datos son normales, o asimétricos o anómalos
• Calcular probabilidades y valores de X
• Calcular de forma aproximada la m y s (o s2) de una variable normal
• Aplicar el Teorema Central del Límite y las aproximaciones normales

Glosario UD4 –Distribución Normal
Aproximación Normal
Campana de Gauss
Distribución Normal
Distribución Normal tipificada o estandarizada
Intervalo centrado en la media
Papel Probabilístico Normal (PPN)
Variable aleatoria Normal
Valores Z

Resolución de problemas
1
• ¿Qué nos piden calcular? ¿Probabilidad, parámetro o valor de la v.a.?
2 • ¿Cuál es la variable (o variables) aleatoria?
3
• ¿Alguna variable es combinación lineal de otras?
4 • ¿Cuál es la población asociada?
5
• ¿variables. continuas o discretas?
6 • ¿Qué distribuciones (modelos) siguen?
7 • ¿Se puede aproximar a la Normal?
7 • ¿Cuáles son sus parámetros?
8 • Calcula las probabilidades o valor de la variable o variables solicitados

Fuentes: Romero y Zúnica: “Métodos Estadísticos en Ingeniería”
Estas transparencias NO son unos apuntes, son solo un guión de las explicaciones hechas en clase y algunos ejemplos adicionales.
Elaborado por E. Vázquez – UPV (DEIOAC)
Esta obra está bajo una licencia Reconocimiento-No comercial-Compartir bajo la misma licencia
2.5 España de Creative Commons. Para ver una copia de esta licencia, visite
http://creativecommons.org/licenses/by-nc-sa/2.5/es/
Fin

4 Normas de Probabilidad

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

4 Normas de Probabilidad

Hochgeladen von

Copyright:

Verfügbare Formate

Departamento de Estadística e

Investigación Operativa Aplicadas

v.a. discretas v.a. continuas

v.a. DISCRETA àFunción de Probabilidad: P(X)

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

2. PRINCIPALES DISTRIBUCIONES DE PROBABILIDAD.

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

5. Papel Probabilístico Normal

6. Ejercicios para hacer en clase

10. Ejercicios propuestos

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

130 150 170 190 210

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

Cualquier combinación lineal de las Xi será una variable NORMAL

Y= a1 X1+ a2 X2 + .....+an Xn ≈ N(mY, σY)

mY y σY se pueden obtener aplicando las

La independencia es condición suficiente pero no necesaria

Y = a + bX ~ N (my= a + b mx , sy2 = b2 sx2)

2) Si X ~ N(mx , sx ) e Y ~ N(my , sy ) independientes

Z = X ! Y ~ N (mz = mx ! my , sz2 = sx2 + sy2 )

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

1) Si X (Estatura alumnos UPV (m)) ~ N(mx=1,70, s2x=1)

2) Si X ~ N(mx=9, s2x=3), Y ~ N(my =8, s2y=1) y Z ~ N(mz=5, s2z =2)

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

NO existe una expresión

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

¿Cómo calculo entonces

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

Excel DISTR.NORM y DISTR.NORM.ESTAND

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

¡¡ No podemos tener infinitas tablas, una para cada v.a. normal !!

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

• Sólo tendremos una tabla: Normal Tipificada o Estándar.

Z ~ N(0,1) º N(mz=0,s z=1)

La probabilidad de que una N(0,1) sea menor o mayor que un valor

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

z / P(Z < z) = 0,99886 à z = 3,05

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

f(z) 0,2 Z ~ N(0,1)

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

¿a y b? / P(a < Z £ b) = 0,95

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

La probabilidad será máxima en un intervalo que contenga la media,

Calcula la probabilidad de que una variable N(0,1) esté entre -1,5 y

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

nos da la probabilidad de que la variable

Transformando la expresión probabilística de interés en una

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

Valores Z à valores de una N(0,1)

Se puede demostrar que si X ~ N(mx , sx)

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

La dureza de los asientos de poliuretano fabricados en una factoría

DEIOAC – Estadística – Prof. E. Vázquez UD-4 Distribuciones

c) Si se centrase correctamente el proceso de forma que su media