Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2007
Pgina 1 de 17
CONTENIDO
1. Distribucin normal
2. Estandarizacin de valores
3. Prueba de normalidad
4. Transformacin de datos
Pgina 2 de 17
Pgina 3 de 17
Pgina 4 de 17
LIE
Fig. 4 Distribuciones
desviaciones estndar
LSE
normales
Pgina 5 de 17
con
varias
medias
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal
a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo
la curva para 1
= 95.46% y
3 99.73% .
99.73%
Fig. 5 rea bajo la curva de Distribucin normal
Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel
(Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z).
En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva.
La primera tabla sirve para determinar el rea o probabilidad que se encuentra
fuera de los lmites de especificaciones. La segunda tabla proporciona valores
de rea bajo la curva para Zs mayores a cero. En cada una se muestran
ejemplos de su uso.
Pgina 6 de 17
Pgina 7 de 17
Ejemplo 1
a) Determinar el rea bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
b) Determinar el rea bajo la curva de menos infinito a Z = - 2.
P(Z<= - 2) = 0.0228
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1
P(- 2 <= Z<= -1) = 0.1259
Pgina 8 de 17
Pgina 9 de 17
Ejemplo 2
a) Determinar el rea bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2.
P(Z <= 2) = 0.9772 8
c) Determinar el rea bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369
Pgina 10 de 17
EJERCICIO 1:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est
incluido dentro de los siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
X X
s
prueba?
Calculando el valor de Z obtenemos:
Z
X
500 485
0.5
=
30
Pgina 11 de 17
3 0 .8 5 %
Z.0 5
Ejemplo 1.4 Suponga que un proceso tiene una distribucin normal dada tiene
una media de 20 y una desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente
ventana, en la cual llenamos los siguientes datos:
Pgina 12 de 17
EJERCICIO 2:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar
de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?
b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
3. PRUEBA DE NORMALIDAD
Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson
Darling o Ryan, y la grfica de probabilidad normal.
a) En el mtodo de Anderson Darling o Ryan Joiner, si el valor de probabilidad
P de la prueba es mayor a 0.05, se considera que los datos son normales.
Seguir los siguientes pasos:
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin
estndar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02
OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de
Anderson Darling o Ryanjoiner como sigue:
1. Stat > Basic statistics > Normality Test
2. Variable C1
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Pgina 13 de 17
Pgina 14 de 17
4. TRANSFORMACIN DE DATOS
Si los datos no son normales, se pueden tratar de transformar con alguna
funcin para normalizarlos utilizando el Mtodo de Box Cox, que encuentra un
exponente lamda al que se deben elevar los datos:
Mean
StDev
N
AD
P-Value
99
Percent
95
90
2.923
1.786
100
1.028
0.010
80
70
60
50
40
30
20
10
5
1
0.1
-4
-2
2
4
Torcedura
10
Pgina 15 de 17
UpperCL
Lambda
20
StDev
15
Estimate
0.345504
LowerCL
UpperCL
0.052120
0.642093
Best Value
0.500000
10
5
Limit
0
-2
-1
1
2
Lambda
Mean
StDev
N
AD
P-Value
99
Percent
95
90
1.624
0.5380
100
0.301
0.574
80
70
60
50
40
30
20
10
5
1
0.1
0.0
0.5
1.0
1.5
2.0
TorceduraTransf
2.5
3.0
3.5
2. Stat > Reliability / Survival > Distribution Analysis (right sensoring) >
Distribution ID Plot
3. Variables Torcedura
4. Seleccionar Use all distributions
5. OK
Los resultados se muestran a continuacin, se indica el valor del coeficiente de
correlacin, se puede seleccionar la distribucin que tenga el mayor, o el
menor valor de Anderson Darling:
Goodness-of-Fit
Distribution
Weibull
Lognormal
Exponential
Loglogistic
3-Parameter Weibull
3-Parameter Lognormal
2-Parameter Exponential
3-Parameter Loglogistic
Smallest Extreme Value
Normal
Logistic
Anderson-Darling
(adj)
0.379
1.566
11.735
1.852
0.400
0.515
7.325
0.944
7.609
1.170
1.330
Correlation
Coefficient
0.994
0.978
*
0.974
0.997
0.994
*
0.985
0.909
0.978
0.973
Lognormal
99.9
99.9
90
99
50
90
Percent
Percent
Weibull
10
1
50
10
1
0.1
0.1
1.0
Torcedura
0.1
0.1
10.0
Exponential
99.9
90
99
Percent
50
Percent
10.0
Loglogistic
99.9
10
1
0.1
0.001
1.0
Torcedura
90
50
10
1
0.010
0.100
1.000
Torcedura
10.000
0.1
0.1
1.0
10.0
Torcedura
100.0
Pgina 17 de 17