Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Intro Continuous2
Intro Continuous2
on normal
La distribuci
on normal o gaussiana es la distribuci
on continua m
as importante.
Definici
on 42 Se dice que una variable X se
distribuye como normal con par
ametros y
si
1
1
f (x) =
exp 2 (x )2
2
2
En este caso, se escribe X N (, ).
La media de la distribuci
on normal es y la
desviaci
on tpica es . El siguiente gr
afico muestra la funci
on de densidad de tres distribuciones
normales con distntas medias y desviaciones
tpicas.
373
0.2
0.0
0.1
f(x)
0.3
0.4
La funci
on de densidad normal
10
10
15
0.2
0.0
0.1
f(x)
0.3
0.4
Transformaci
on de una distribuci
on normal
Si X N (, ) e Y = a + bX es una transformaci
on lineal, luego
Y N (a + b, b).
En particular, definiendo la transformaci
on
tipificante Z = X
, se tiene
Z N (0, 1)
que es la distribuci
on normal estand
ar.
Existen tablas de esta distribuci
on que se emplean para hallar probabilidades.
376
C
alculo de probabilidades
Ejemplo 173 Sea Z N (0, 1). Hallar
P (Z < 1,5)
P (Z > 1,5)
P (1,5 < Z < 1,5)
P (1 < Z < 2)
377
Tenemos
P (Z < 1,5) = 0,9332
P (Z > 1,5) = P (Z > 1,5)
por simetra
= 0,9332
P (1,5 < Z < 1,5) = P (Z < 1,5) P (Z < 1,5)
= P (Z < 1,5) P (Z > 1,5)
= P (Z < 1,5)
(1 P (Z < 1,5))
= 2P (Z < 1,5) 1
= 1 0,9332 1 = 0,8664
P (1 < Z < 2) = P (Z < 2) P (Z < 1)
= 0,9772 0,8413 = 0,1359
378
Ejemplo 175 Es difcil etiquetar la carne empaquetada con su peso correcto debido a los
efectos de p
erdida de lquido (denido como
porcentaje del peso original de la carne). Supongamos que la p
erdida de lquido en un paquete
de pechuga de pollo se distribuye como normal
con media 4 % y desviaci
on tpica 1 %
Sea X la p
erdida de lquido de un paquete de
pechuga de pollo elegido al azar.
Cu
al es la probabilidad de que 3 % < X <
5 %?
Cu
al es el valor de x para que un 90 % de
paquetes tienen p
erdidas de lquido menores
de x?
En una muestra de 4 paquetes, hallar la probabilidad de que todos tengan p
erdidas de peso
de entre 3 y 5 %.
Sexauer, B. (1980). Journal of Consumer Aairs, 14,
307-325.
380
P (3 < X < 5) =
=
=
=
34
X 4
54
<
<
P
1
1
1
P (1 < Z < 1)
P (Z < 1) P (Z < 1)
0,8413 0,1587 = 0,6827
X 4
x4
<
= P (Z < x 4) = 0,9
1
1
P (Y = 4) =
4
4
0,68274(10,6827)4 = 0,2172
381
X +Y
N X + Y ,
X Y
N X Y ,
2
X
+ Y2
2
X
+ Y2
382
X1 42
30 42
<
P (X1 < 30) = P
12
12
= P (Z < 1) donde Z N (0, 1)
= 0,1587
La distribuci
on normal es sim
etrica en torno de
su media, es decir que la moda, media y mediana son iguales. Entonces, queremos calcular
P (X2 > 78).
X2 60
78 60
>
P (X2 > 78) = P
18
18
= P (Z > 1)
= 0,1587
=
=
42 + 60 + 78 = 180
122 + 182 + 102 = 568
23,833
N (180,
23,833)
Y 180
120 180
>
P (Y > 120) = P
23,833
23,833
= P (Z > 2,52)
= P (Z < 2,52) = 0,994
c) Se quiere P (X1 + X3 X2 > 18). Sea D =
X1 + X3 X2. Luego E[D] = 42 + 78 60 = 60
y V [D] = 568 como calculamos anteriormente.
Luego
D 60
18 60
>
23,833
23,833
= P (Z > 1,762)
= 0,961
P (D > 18) = P
384
P (Y > 50) =
=
=
Y 52
50 52
P
>
10
10
P (Z > 0,2) donde Z N (0, 1)
P (Z < 0,2) por simetra
0,5793
386
E[M ] =
=
=
V [M ] =
=
=
1
E (X + Y )
2
1
(E[X] + E[Y ])
2
1
(62 + 52) = 57
2
1
V
(X + Y )
2
1
(V [X] + V [Y ])
4
1 2
2
20 + 10 = 125
4
387
La desviaci
on tpica es DT [M ] = 125 11,18.
M 57
70 57
>
125
125
= P (Z > 1,163)
P (M > 70) = P
388
Aproximaci
on mediante la distribuci
on normal
0.00
0.00
0.05
0.10
p
0.10
0.20
0.15
0.30
10
20
0.00
0.00
0.02
0.04
p
0.04
0.08
0.06
0.08
0.12
15
10
20
30
x
40
50
20
40
60
80
100
389
0.04
0.02
0.00
0.06
0.08
20
40
60
80
100
390
Aproximaci
on de la distribuci
on binomial
Teorema 19 Si X B(n, p), entonces si n (y
np y np(1 p)) es grande,
X np
np(1 p)
N (0, 1)
Esta aproximaci
on funciona bastante bien si
tanto n (n > 30) como np y n(1 p) son bastante grandes. Si np o n(1 p) es peque
no,
(< 5) la aproximaci
on Poisson funciona mejor.
Ejemplo 178 Sea X B(100, 1/3). Estimar
P (X < 40).
Calculamos primero a media y varianza de X.
1
= 33.3
3
1 2
V [X] = 100
3 3
= 22.2
DT [X] 4,714
E[X] = 100
391
X 33.3
40 33.3
<
P (X < 40) = P
4,714
4,714
P (Z < 1,414) donde Z N (0, 1)
0,921
La probabilidad correcta es
39
1 x 2 100x
100
x=0
= 0,903
La aproximaci
on no parece gran cosa pero lo
podemos mejorar.
392
La correcci
on de continuidad
Si X B(n, p), entonces X es una variable
discreta y luego P (X x) = P (X < x + 1) y
igualmente P (X x) = P (X > x 1).
Luego cuando implementamos la aproximaci
on
normal, usamos la correcci
on de continuidad
P (X x) = P (X < x + 0,5)
P (X x) = P (X > x 0,5)
P (x1 X x2) = P (x1 0,5 < X < x2 + 0,5)
Ejemplo 179 Volvemos al Ejemplo 178. Ahora usamos la correcci
on de continuidad.
P (X < 40) = P (X 39)
= P (X
< 39,5)
39,5 33.3
P Z<
4,714
= P (Z < 1,308) = 0,905
La aproximaci
on es algo mejor usando la correcci
on de continuidad.
393
La distribuci
on binomial no es la
unica distribuci
on que se puede aproximar mediante una
distribuci
on normal. Cualquiera distribuci
on la
que se puede representar como la distribuci
on
de una media (o suma) de variables independientes y identicamente distribuidas
1
(X1 + . . . + Xn )
n
puede estar aproximada por una normal.
=
X
395
X
N (0, 1)
/ n
El teorema tambi
en implica que si n es grande,
n
la suma i=1 Xi tiene aproximadamente una
distribuci
on normal
n
i=1
Xi N n, n 2
396
Aproximaci
on de la distribuci
on Poisson
Sea X P () el n
umero de sucesos raros en
una unidad de tiempo. Definimos Y como el
n
umero de sucesos en n unidades de tiempo.
Luego podemos escribir
Y = X1 + X2 + . . . + Xn
donde Xi P () es el n
umero de sucesos en
la i-
esima unidad de tiempo.
As, podemos aplicar el teorema central del
lmite a aproximar la distribuci
on Poisson con
una distribuci
on normal.
Teorema 21 Sea X P (). Para grande
( > 20), entonces
X N (, )
397
0.06
0.04
0.00
0.02
P(X=x)
0.08
El gr
afico muestra la funci
on de probabilidad
de la distribuci
on Poisson con = 20 y la densidad normal con media y varianza .
10
20
30
40
La aproximaci
on se mejora si el valor de es
m
as grande.
398
<
<
= P
49
49
49
P (0,643 < Z < 0,5) donde Z N (0, 1)
= P (Z < 0,5) P (Z < 0,643)
= 0,6915 0,2602
0,431
La soluci
on exacta calculada a trav
es de la distribuci
on Poisson es
P (45 X 52) =
52
49xe49
x=45
x!
= 0,433
399
La distribuci
on logartmico normal
0.3
0.2
0.1
0.0
f(x)
0.4
0.5
0.6
Si X N (, ) y se define Y = eX , luego se
dice que Y se distribuye como logartmico normal con par
ametros , . La distribuci
on logartmico normal es un modelo empleado tpicamente para tiempos de funcionamiento de
m
aquinas y para variables asmetricas como ingresos o gastos.
10
15
400