Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MODELOS DE PROBABILIDAD
CONTINUOS
129
5.1 Distribución Normal
X → N (µ; σ )
si su función de densidad es:
( x − µ )2
−
1 2σ 2
f ( x) = e
σ 2π
−∞ < x < ∞
donde −∞ < µ < ∞
σ >0
( x − µ )2
+∞ +∞ −
1 2σ 2
∫ f ( x) dx = ∫ σ 2π
e dx = 1
−∞ −∞
130
^ 5.1.1 La media y la varianza
Media
E[X ] = µ
Varianza
Var [ X ] = σ 2
Desviación típica
σ = Var[ X ]
131
^ 5.1.2 Representación gráfica
^ Campana de Gauss
f(x)
−∞ 0 µ x ∞
+∞
∫ f ( x) dx = 1
−∞
¾ Se verifica:
^ La curva es simétrica respecto a µ
^ La media, la moda y la mediana coinciden
132
Función de distribución
x1
F ( x1 ) = P( X ≤ x1) = ∫ f ( x) dx =
−∞
( x − µ )2
x1 −
1 2σ 2
= ∫ σ 2π
e dx
−∞
f(x)
−∞ µ x1 ∞
133
^ 5.1.3 Distribución Normal tipificada
X → N ( 0; 1)
x2
1 −2
f ( x) = e
2π
E[X ] = µ = 0
D. T .[ X ] = σ = 1 Var [ X ] = σ 2 = 1
X −µ
Z= → N ( 0; 1)
σ
134
Representación gráfica de la función de
densidad de la distribución Normal tipificada
f(z)
−∞ µ =0 ∞
+∞
∫ f ( z ) dz = 1
−∞
¾ Se verifica:
^ La curva es simétrica respecto a 0
^ La media, la moda y la mediana coinciden
135
Función de distribución de la
Normal tipificada
z1
F ( z1 ) = P ( Z ≤ z1 ) = ∫ f ( z ) dz =
−∞
z1 z2
1 −2
= ∫ 2π
e dz
−∞
f(z)
−∞ 0 z1 ∞
136
^ 5.1.4 Uso de tablas
∞
α = P ( Z > zα ) = ∫ f ( z ) dz
zα
−∞ 0 zα ∞
137
W Ejemplo
138
100 − 120
b. P( X < 100) = P Z < = P ( Z < −2.5)
8
= P( Z > 2.5) = 0.00621
2. P ( X > a ) = 0.1
X − 120 a − 120
P > = P ( Z > z1 ) = 0.1 ⇒
8 8
a − 120
z1 = 1.28 ⇒ = 1.28 ⇒
8
a = 1.28 × 8 + 120 = 130.24
139
W Ejemplos
140
^ 5.1.5 Aditividad
Independientes entre sí
Xi N ( µi ;σ i ), i = 1, 2,…k
X = a1 X1 + a2 X 2 + .... + ak X k
141
^5.1.6 Aproximación de una binomial a una
Normal
X → B(n ; p )
(
X → N np ; npq )
X − np
Z= → N (0; 1)
npq
142
^ Aproximaciones
NORMAL
Aproximaciones
BINOMIAL POISSON
n > 30 y p < 0.1
o
np ≤ 5
143
5.2 Otros modelos continuos
- Uniforme
- Weibull
etc
144