T.5. Distribuciones - Probabilidad - Continuas

Distribuciones de probabilidad continuas
Estadística
CAFD
Estadística (CAFD) Distribuciones de probabilidad continuas 1 / 48

Sumario
1 Distribuciones de probabilidad continuas

Introducción
Función de densidad y función de distribución
2 Distribución normal
Función de densidad
Función de distribución
Distribución normal tipificada
Ejemplos

Distribuciones de probabilidad continuas
Sumario

Introducción
Ejemplos

Distribuciones de probabilidad continuas Introducción
Sumario

Introducción
Ejemplos

Introducción
Variable aleatoria continua

Puede tomar todos los valores
comprendidos dentro de un
cierto intervalo de la recta real

Introducción
Variable aleatoria continua Ejemplos

Puede tomar todos los valores Tiempo de reacción de un colectivo de
comprendidos dentro de un corredores
cierto intervalo de la recta real

Introducción

cierto intervalo de la recta real Estaturas y pesos

Introducción

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

numerosa de individuos , su peso sea exactamente 70,5 kg?

Introducción


Apliquemos la probabilidad de Laplace:

Introducción


nº casos favorables:n ;

Introducción


nº casos favorables:n ; nº casos posibles: ∞

Introducción


n
Por tanto: p [X = 70,5] = ∞ =0

Introducción


n
Por tanto: p [X = 70,5] = ∞ =0
Si la varible es continua no tiene sentido preguntarnos por la probabilidad de un
valor concreto.

Introducción


n
Por tanto: p [X = 70,5] = ∞ =0
valor concreto. Pero sí por la probabilidad de obtener un valor dentro de un
intervalo.

Introducción


n
Por tanto: p [X = 70,5] = ∞ =0
intervalo. P.ej: p [70,49 ≤ X ≤ 70,51]

Introducción


n
Por tanto: p [X = 70,5] = ∞ =0
intervalo. P.ej: p [70,49 ≤ X ≤ 70,51]
La función de densidad permite calcular la probabilidad de obtener un valor dentro de un

intervalo
Distribuciones de probabilidad continuas Función de densidad y función de distribución
Sumario

Introducción
Ejemplos

Se selecciona un individuo al azar de una población muy grande formada por jóvenes de
entre 8 y 10 años. ¿Cuál es la probabilidad de que su peso esté entre 49.25 y 50.25 kg?









N =100000
4000
3000
densidad
2000
1000
0
48 49 50 51 52
peso
La función de densidad es el polígono de frecuencias (en escala de densidad)

cuando N es muy grande (teóricamente infinita) y la amplitud de los intervalos
muy pequeña.El área por debajo de la curva proporciona la probabilidad
Función de densidad f (x ). Propiedades
La función de densidad es positiva:

f (x ) ≥ 0
fHxL
0.6
0.5
0.4
0.3
0.2
0.1
x
1 2 3 4 5

La función de densidad es positiva: REl∞área por debajo de la curva es 1:

f (x ) ≥ 0 −∞
f (x )dx = 1
fHxL fHxL
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
x x
1 2 3 4 5 1 2 3 4 5

La función de densidad es positiva: El

R ∞área por debajo de la curva es 1:
f (x ) ≥ 0 −∞
f (x )dx = 1
fHxL fHxL
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
x x
1 2 3 4 5 1 2 3 4 5
La probabilidad de que la variable aleatoria tome un valor entre a y b es igual al área por
debajo de la función de densidad f (x )
fHxL
0.6 p [a ≤ X ≤ b ] ≡ área sombreada
0.5
0.4
0.3
0.2
0.1
x
a 1 b 3 4 5

La función de densidad es positiva: El

R ∞área por debajo de la curva es 1:
f (x ) ≥ 0 −∞
f (x )dx = 1
fHxL fHxL
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
x x
1 2 3 4 5 1 2 3 4 5
La probabilidad de que la variable aleatoria tome un valor entre a y b es igual al área por
debajo de la función de densidad f (x )
fHxL
0.6 p [a ≤ X ≤ b ] ≡ área sombreada
0.5
0.4
Rb
0.3
p [a ≤ X ≤ b ] = p [a < X < b ] = a
f (x )dx
0.2
0.1
x
a 1 b 3 4 5

Función de distribución F (X ). Propiedades

La función de distribución se construye calculando la probabilidad
acumulada para cada valor de X
fHxL FHxL
0.6 1
0.5 0.8
0.4
0.6
0.3
0.4
0.2
0.1 0.2
x x
1 x 3 4 5 1 x 3 4 5
función de densidad f(x) función de distribución F(x)
F (x ) es el valor de la región sombreada

Función de distribución F (X ). Propiedades

La función de distribución se construye calculando la probabilidad
acumulada para cada valor de X
fHxL FHxL
0.6 1
0.5 0.8
0.4
0.6
0.3
0.4
0.2
0.1 0.2
x x
1 x 3 4 5 1 x 3 4 5
función de densidad f(x) función de distribución F(x)
F (x ) es el valor de la región sombreada
Matemáticamente:
Z x
F (x ) = p [X ≤ x ] = p [X < x ] = f (x )dx
−∞

Distribución normal
Sumario

Introducción
Ejemplos

Introducción
Describe fenómenos en los que la variable aleatoria tiene una alta probabilidad
alrededor de cierto valor y va disminuyendo progresivamente a medida que nos
alejamos de dicho valor tanto para valores por encima como por debajo.

Introducción
Medidas antropomórficas (peso, estatura, longitud de los huesos,...)

Introducción
Puntuaciones de un examen, coeficiente de inteligencia...

Introducción
Puntuaciones de un examen, coeficiente de inteligencia...
Errores en la toma de medidas

Distribución normal Función de densidad
Sumario

Introducción
Ejemplos

Función de densidad de la distribución normal
fHxL
X ∼ N (µ, σ)
1 1 x −µ 2
f (x ) = √ e− 2 ( σ)
σ 2π
µ : media
x
σ : desviación típica Μ-Σ Μ Μ+Σ
Se le llama también campana de Gauss o gaussiana en honor al primer

matemático que la estudió

fHxL
X ∼ N (µ, σ)
1 1 x −µ 2
f (x ) = √ e− 2 ( σ)
σ 2π
µ : media
x

Propiedades

fHxL
X ∼ N (µ, σ)
1 1 x −µ 2
f (x ) = √ e− 2 ( σ)
σ 2π
µ : media
x

Propiedades
Es simétrica respecto a la media µ

fHxL
X ∼ N (µ, σ)
1 1 x −µ 2
f (x ) = √ e− 2 ( σ)
σ 2π
µ : media
x

Propiedades
Es simétrica respecto a la media µ
La media µ coincide con la mediana ⇐⇒ p [X ≤ µ] = 0,5

X ∼ N (µ, σ)
fHxL fHxL
x x
Μ-Σ Μ Μ+Σ Μ-Σ Μ Μ+Σ
Propiedades
Los valores más probables se encuentran entorno a la media. A medida que
nos alejamos de ella los valores son más improbables.

X ∼ N (µ, σ)
Propiedades

X ∼ N (µ, σ)
fHxL
68 %
x
Μ-Σ Μ Μ+Σ
Propiedades
Aproximadamente, el 68 % de los valores de X se separan como mucho 1σ de la media µ

X ∼ N (µ, σ)
fHxL fHxL
68 % 95 %
x x
Μ-Σ Μ Μ+Σ Μ-2Σ Μ Μ+2Σ
Propiedades

X ∼ N (µ, σ)
fHxL fHxL fHxL
68 % 95 % 99 %
x x x
Μ-Σ Μ Μ+Σ Μ-2Σ Μ Μ+2Σ Μ-3Σ Μ Μ+3Σ
Propiedades

Existen infinitas distribuciones normales, en función del valor de µ y σ

fHxL
0.4 N (0, 1) [curva roja]
N (1, 1) [curva verde]
0.3
N (2, 1) [curva azul]
0.2
0.1
x
-4 -2 2 4 6

Existen infinitas distribuciones normales, en función del valor de µ y σ

fHxL
0.4 N (0, 1) [curva roja]
N (1, 1) [curva verde]
0.3
0.2
0.1
x
-4 -2 2 4 6
fHxL
0.4
0.3
N (0, 1) [curva roja]
0.2 N (0, 2) [curva verde]
0.1
x
-6 -4 -2 2 4 6

Distribución normal Función de distribución
Sumario

Introducción
Ejemplos

Función de distribución de la distribución normal
Proporciona la probabilidad acumulada hasta el valor a de la variable X

fHxL FHxL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
x x
-4 -3 -2 a 0 1 2 3 4 5 -4 -3 -2 a 0 1 2 3 4 5
F (a ) ≡ región sombreada
Ra Ra 1 x −µ 2
F (a ) = p [X ≤ a ] = −∞ f (x )dx = −∞ √1 e − 2 ( σ ) dx
σ 2π


fHxL FHxL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
x x
-4 -3 -2 a 0 1 2 3 4 5 -4 -3 -2 a 0 1 2 3 4 5
Ra Ra 1 x −µ 2
F (a ) = p [X ≤ a ] = −∞ f (x )dx = −∞ √1 e − 2 ( σ ) dx
σ 2π
Existen infinitas funciones F (x ), una para cada valor de la media µ y de la

desviación típica σ


fHxL FHxL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
x x
-4 -3 -2 a 0 1 2 3 4 5 -4 -3 -2 a 0 1 2 3 4 5
Ra Ra 1 x −µ 2
F (a ) = p [X ≤ a ] = −∞ f (x )dx = −∞ √1 e − 2 ( σ ) dx
σ 2π
Existen infinitas funciones F (x ), una para cada valor de la media µ y de la

desviación típica σ
El caso particular µ = 0 y σ = 1 se llama función de distribución normal
tipificada o función de distribución normal estandar. Está tabulada en
los libros
Distribución normal Distribución normal tipificada
Sumario

Introducción
Ejemplos

Tablas de N (0, 1) y cálculo de probabilidades

Sea Z una variable aleatoria que se distribuye según N (0, 1), Z ∼ N (0, 1),calcular
las siguientes probabilidades:
p (Z ≤ 1,45)
fHzL FHzL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
z z
1.45 1.45
p (Z ≤ 1,45) ≡ región sombreada


p (Z ≤ 1,45)
fHzL FHzL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
z z
1.45 1.45
p (Z ≤ 1,45) = p (Z < 1,45) = F (1,45)


p (Z ≤ 1,45)
fHzL FHzL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
z z
1.45 1.45
p (Z ≤ 1,45) = p (Z < 1,45) = F (1,45)

Buscamos en las tablas, en la columna z , el valor 1,45


p (Z ≤ 1,45)
fHzL FHzL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
z z
1.45 1.45
p (Z ≤ 1,45) = p (Z < 1,45) = F (1,45)

Buscamos en las tablas, en la columna z , el valor 1,45
p (Z ≤ 1,45) = p (Z < 1,45) = F (1,45) = 0,926471
p (Z > 1,45)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1
0.1
z
1.45 z 1.45
p (Z > 1,45) ≡ región sombreada

p (Z > 1,45)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1
0.1
z
1.45 z 1.45
p (Z > 1,45) ≡ región sombreada
p (Z > 1,45) = 1 − p (Z < 1,45) = 1 − F (1,45) = 1 − 0,926471 = 0,073529

p (Z ≤ −1,45)
fHzL FHzL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
z z
-1.45 -1.45
p (Z ≤ −1,45) ≡ región sombreada

p (Z ≤ −1,45)
fHzL FHzL
0.4 1
0.8
0.3
0.6
0.2
0.4
0.1
0.2
z z
-1.45 -1.45
p (Z ≤ −1,45) = p (Z < −1,45) = F (−1,45) = 0,073529 (de las tablas)

p (Z ≤ −1,45)
fHzL fHzL
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
z z
-1.45 ≡ 1.45
También se puede hacer aprovechando la simetría de la distribución:

p (Z ≤ −1,45) = p (Z ≥ 1,45) = 1 − p (Z ≤ 1,45) = 1 − F (1,45)

p (Z ≤ −1,45)
fHzL fHzL
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
z z
-1.45 ≡ 1.45
También se puede hacer aprovechando la simetría de la distribución:

p (Z ≤ −1,45) = p (Z ≥ 1,45) = 1 − p (Z ≤ 1,45) = 1 − F (1,45)
p (Z ≤ −1,45) = 1 − 0,926471 = 0,073529

p (1,25 ≤ Z ≤ 2,57)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1 0.1
z z
1.25 2.57 2.57 1.25
p (1,25 ≤ Z ≤ 2,57) ≡ región sombreada

p (1,25 ≤ Z ≤ 2,57)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1 0.1
z z
1.25 2.57 2.57 1.25
p (1,25 ≤ Z ≤ 2,57) = p (Z ≤ 2,57) − p (Z ≤ 1,25) = F (2,57) − F (1,25)

p (1,25 ≤ Z ≤ 2,57)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1 0.1
z z
1.25 2.57 2.57 1.25
p (1,25 ≤ Z ≤ 2,57) = p (Z ≤ 2,57) − p (Z ≤ 1,25) = F (2,57) − F (1,25)

p (1,25 ≤ Z ≤ 2,57) = 0,994915 − 0,894350 = 0,100565

p (−0,53 < Z ≤ 2,46)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1 0.1
z z
-0.53 2.46 2.46 -0.53
p (−0,53 < Z ≤ 2,46) ≡ región sombreada

p (−0,53 < Z ≤ 2,46)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1 0.1
z z
-0.53 2.46 2.46 -0.53
p (−0,53 < Z ≤ 2,46) = p (Z ≤ 2,46) − p (Z ≤ −0,53) = F (2,46) − F (−0,53)

p (−0,53 < Z ≤ 2,46)
fHzL fHzL fHzL

0.4 0.4 0.4
0.3 0.3 0.3
0.2
≡ 0.2
− 0.2
0.1 0.1 0.1
z z
-0.53 2.46 2.46 -0.53
p (−0,53 < Z ≤ 2,46) = p (Z ≤ 2,46) − p (Z ≤ −0,53) = F (2,46) − F (−0,53)

p (−0,53 < Z ≤ 2,46) = 0,993053 − 0,298056 = 0,694997

Sea Z una variable aleatoria que se distribuye según N (0, 1). Calcular los
cuartiles Q1 , Q2 y Q3
p (Z ≤ Q1 ) = 0,25
fHzL FHzL
1
0.8
0.6
0.4
0.2
25 %
z z
Q1 Q1

p (Z ≤ Q1 ) = 0,25
fHzL FHzL
1
0.8
0.6
0.4
0.2
25 %
z z
Q1 Q1
F (Q1 ) = 0,25 ⇒Buscamos en las tablas, en la columna F , el valor 0,25

p (Z ≤ Q1 ) = 0,25
fHzL FHzL
1
0.8
0.6
0.4
0.2
25 %
z z
Q1 Q1

Se corresponde con un valor aproximado z = Q1 = −0,67


p (Z ≤ Q2 ) = 0,5
fHzL FHzL
1
0.8
0.6
50 % 0.4
0.2
z z
Q2 Q2


p (Z ≤ Q2 ) = 0,5
fHzL FHzL
1
0.8
0.6
50 % 0.4
0.2
z z
Q2 Q2


p (Z ≤ Q2 ) = 0,5
fHzL FHzL
1
0.8
0.6
50 % 0.4
0.2
z z
Q2 Q2

Se corresponde con un valor z = Q2 = 0


p (Z ≤ Q2 ) = 0,5
fHzL FHzL
1
0.8
0.6
50 % 0.4
0.2
z z
Q2 Q2

Se corresponde con un valor z = Q2 = 0
El valor medio (µ = 0) coincide con la mediana (Q2 )


p (Z ≤ Q3 ) = 0,75
fHzL FHzL
1
0.8
0.6
75 % 0.4
0.2
z z
Q3 Q3


p (Z ≤ Q3 ) = 0,75
fHzL FHzL
1
0.8
0.6
75 % 0.4
0.2
z z
Q3 Q3


p (Z ≤ Q3 ) = 0,75
fHzL FHzL
1
0.8
0.6
75 % 0.4
0.2
z z
Q3 Q3

Se corresponde con un valor aproximado z = Q3 = 0,67


p (Z ≤ Q3 ) = 0,75
fHzL FHzL
1
0.8
0.6
75 % 0.4
0.2
z z
Q3 Q3

Se corresponde con un valor aproximado z = Q3 = 0,67
Q3 es el valor simétrico de Q1

Sea Z una variable aleatoria que se distribuye según N (0, 1). ¿Qué intervalo de
valores de Z entorno a la media tiene una probabilidad del 95 %?
p (z1 ≤ Z ≤ z2 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0

p (z1 ≤ Z ≤ z2 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0
p (Z ≤ z2 ) = 0,95 + 0,025 = 0,975. Por tanto F (z2 ) = 0,0975

p (z1 ≤ Z ≤ z2 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0
p (Z ≤ z2 ) = 0,95 + 0,025 = 0,975. Por tanto F (z2 ) = 0,0975

Buscamos en las tablas, en la columna F , el valor 0,975

p (z1 ≤ Z ≤ z2 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0
p (Z ≤ z2 ) = 0,95 + 0,025 = 0,975. Por tanto F (z2 ) = 0,0975

Se corresponde con un valor z2 = 1,96


p (z1 ≤ Z ≤ z2 ) = 0,95⇒F (z1 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0


p (z1 ≤ Z ≤ z2 ) = 0,95⇒F (z1 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0
p (Z ≤ z1 ) = 0,025


p (z1 ≤ Z ≤ z2 ) = 0,95⇒F (z1 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0
p (Z ≤ z1 ) = 0,025


p (z1 ≤ Z ≤ z2 ) = 0,95⇒F (z1 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0
p (Z ≤ z1 ) = 0,025
Se corresponde con un valor z2 = −1,96


p (z1 ≤ Z ≤ z2 ) = 0,95⇒F (z1 ) = 0,95
fHzL fHzL fHzL
95 % 97.5 %
2.5 %
z z z
z1 0 z2 0 z2 z1 0
p (Z ≤ z1 ) = 0,025
Se corresponde con un valor z2 = −1,96
Es el valor simétrico de z2
Tipificación de una variable normal
Las tablas de N (0, 1) nos permiten calcular probabilidades para una variable
Z que se distribuye según N (0, 1)

Si X ∼ N (µ, σ) con µ , 0, σ , 1 no disponemos de tablas.

Hacemos un cambio de variable:
Puntuación directa Puntuación tipificada

X −µ
X Z= σ



X −µ
X Z= σ
fHxL
1
NH0,0.5L
0.8
0.6
NH2,1L
0.4
NH-2,2L
0.2
x
-4 -2 0 2 4 6



X −µ
X Z= σ
fHxL
1 x −µ
NH0,0.5L z= σ
0.8
=⇒
0.6
NH2,1L
0.4
NH-2,2L
0.2
x
-4 -2 0 2 4 6



X −µ
X Z= σ
fHxL fHzL
1 x −µ 1
NH0,0.5L z= σ
0.8
=⇒ 0.8
0.6 0.6
NH2,1L NH0,1L
0.4 0.4
NH-2,2L
0.2 0.2
x z
-4 -2 0 2 4 6 -4 -2 0 2 4 6



X −µ
X Z= σ
fHxL fHzL
1 1
NH0,0.5L x −µ
0.8 z= σ 0.8
=⇒
0.6 0.6
NH2,1L NH0,1L
0.4 0.4
NH-2,2L x = µ + zσ
0.2 ⇐= 0.2
x z
-4 -2 0 2 4 6 -4 -2 0 2 4 6



X −µ
X Z= σ
fHxL fHzL
1 1
NH0,0.5L x −µ
0.8 z= σ 0.8
=⇒
0.6 0.6
NH2,1L NH0,1L
0.4 0.4
NH-2,2L x = µ + zσ
0.2 ⇐= 0.2
x z
-4 -2 0 2 4 6 -4 -2 0 2 4 6
El área de las regiones sombreadas es la misma
Distribución normal Ejemplos
Sumario

Introducción
Ejemplos

Ejemplos
Se sabe que X ∼ N (128,3, 14,2). Calcular a) p [X ≤ 100] b)p [X > 150] c)

p [110 < X < 130]
p [X ≤ 100]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
100 128.3 z 0

Ejemplos

p [110 < X < 130]
p [X ≤ 100]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
100 128.3 z 0
Pasamos la puntuación directa a puntuación típica (µ = 128,3, σ = 14,2)

X −µ
Z = σ = 10014−128, 3
,2 = −1,99

Ejemplos

p [110 < X < 130]
p [X ≤ 100]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
100 128.3 z 0

X −µ
Z = σ = 10014−128, 3
,2 = −1,99
p [X ≤ 100] = p [Z ≤ −1,99] = F (−1,99) = 0,023295 (de las tablas)

Ejemplos

p [110 < X < 130]
p [X > 150]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
128.3 150 0 z

Ejemplos

p [110 < X < 130]
p [X > 150]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
128.3 150 0 z

x −µ
z = σ = 15014
−128, 3
,2 = 1,53.

Ejemplos

p [110 < X < 130]
p [X > 150]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
128.3 150 0 z

x −µ
z = σ = 15014
−128, 3
,2 = 1,53.
p [X > 150] = p [Z > 1,53] = 1 − p [Z < 1,53] = 1 − F (1,53) = (tablas) =
1 − 0,936992 = 0,063008

Ejemplos

p [110 < X < 130]
p [110 < X < 130]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
110 130 z1 z2

Ejemplos

p [110 < X < 130]
p [110 < X < 130]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
110 130 z1 z2
Pasamos las puntuaciones directas a puntuaciones típicas

(µ = 128,3, σ = 14,2)
x −µ
z1 = 1σ = 11014−128, 3
,2 = −1,29 , z2 = x2σ−µ = 13014
−128, 3
,2 = 0,12

Ejemplos

p [110 < X < 130]
p [110 < X < 130]
fHxL fHZL
0.03 NH128.3,14.2L NH0,1L
0.4
0.025
x −µ
0.02 z= σ 0.3
0.015 =⇒
0.2
0.01
0.1
0.005
x Z
110 130 z1 z2
Pasamos las puntuaciones directas a puntuaciones típicas

(µ = 128,3, σ = 14,2)
x −µ
z1 = 1σ = 11014−128, 3
,2 = −1,29 , z2 = x2σ−µ = 13014
−128, 3
,2 = 0,12
p [110 < X < 130] = p [−1,29 < Z < 0,12] = F (0,12) − F (−1,29) =
(tablas)=0,547758 − 0,098525 = 0,449233

Ejemplos
Se sabe que la altura de un colectivo de jugadores de baloncesto sigue una

distribución normal de media 2 metros y desviación típica 0,2 m
¿Cuál es el porcentaje de jugadores con altura inferior a 1.9 m?
¿Cuál es el porcentaje de jugadores con altura superior a 2.15 m?
Calcular la probabilidad de que al seleccionar un jugador al azar su altura se
separe como mucho a) 1σ y b) 2σ
Calcular un intervalo de alturas centrado en la media que contenga al a)
50 % b) 90 % de los jugadores

Ejemplos


Ejemplos

Sea X =altura del jugador, X ∼ N (2, 0,2)
fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
1.9 z 0

Ejemplos

fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
1.9 z 0
Pasamos la puntuación directa a puntuación típica

x −µ
z = σ = 1,09,−2 2 = −0,5

Ejemplos

fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
1.9 z 0

x −µ
z = σ = 1,09,−2 2 = −0,5
p [X < 1,9] = p [Z < −0,5] = F (−0,5) = 0,308538 (tablas)

Ejemplos

fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
1.9 z 0

x −µ
z = σ = 1,09,−2 2 = −0,5
p [X < 1,9] = p [Z < −0,5] = F (−0,5) = 0,308538 (tablas)
El 30.9 % de los jugadores tiene una altura inferior a 1.9 m

Ejemplos


Ejemplos

fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
2.15 0 z

Ejemplos

fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
2.15 0 z

x −µ
z = σ = 2,15 −2
0,2 = 0,75

Ejemplos

fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
2.15 0 z

x −µ
z = σ = 2,15 −2
0,2 = 0,75
p [X > 2,15] = p [Z > 0,75] = 1 − p [Z < 0,75] = 1 − F (0,75) = 1 − 0,773373 = 0,226627
(tablas)

Ejemplos

fHxL fHZL
NH2,0.2L NH0,1L
2
0.4
1.5 x −µ
z= σ 0.3
1
=⇒ 0.2
0.5 0.1
x Z
2.15 0 z

x −µ
z = σ = 2,15 −2
0,2 = 0,75
p [X > 2,15] = p [Z > 0,75] = 1 − p [Z < 0,75] = 1 − F (0,75) = 1 − 0,773373 = 0,226627
(tablas)
El 22.7 % de los jugadores tiene una altura superior a 2.15 m

Ejemplos

Ejemplos
separe como mucho 1σ
fHxL
x
Μ-Σ Μ Μ+Σ

Ejemplos
fHxL
x
Μ-Σ Μ Μ+Σ
Pasamos la puntuación directa a puntuación típica:

x1 = 1,8 m, x2 = 2,2 m
x −µ x2 −µ
z1 = 1σ = 1,08,−2 2 = −1,z2 = = 2,02,−2 2 = 1
σ
p [−1 < Z < 1] = F (1) − F (−1) = 0,841345 − 0,158655 = 0,68269
Ejemplos

Ejemplos
fHxL
x
Μ-2Σ Μ Μ+2Σ

Ejemplos
fHxL
x
Μ-2Σ Μ Μ+2Σ

x1 = 1,6 m, x2 = 2,4 m
x −µ
z1 = 1σ = 1,06,−2 2 = −2,z2 = 2,4−2
0,2 =2

Ejemplos
fHxL
x
Μ-2Σ Μ Μ+2Σ

x1 = 1,6 m, x2 = 2,4 m
x −µ
z1 = 1σ = 1,06,−2 2 = −2,z2 = 2,4−2
=2
0,2
p [−2 < Z < 2] = F (2) − F (−2) = 0,977250 − 0,022750 = 0,9545
Ejemplos

fHxL fHxL fHxL
68 % 95 % 99 %
x x x
Μ-Σ Μ Μ+Σ Μ-2Σ Μ Μ+2Σ Μ-3Σ Μ Μ+3Σ

Ejemplos

Calcular un intervalo de alturas centrado en la media que contenga al 50 % de los
jugadores
x −µ
fHxL
NH2,0.2L
z= σ fHzL
NH0,1L
2
=⇒ 0.4
1.5 0.3
1 50 % 0.2 50 %
0.5
x = σz + µ 0.1
x
⇐= z
x1 2 x2 z1 0 z2

Ejemplos

jugadores
x −µ
fHxL
NH2,0.2L
z= σ fHzL
NH0,1L
2
=⇒ 0.4
1.5 0.3
1 50 % 0.2 50 %
0.5
x = σz + µ 0.1
x
⇐= z
x1 2 x2 z1 0 z2
F (z1 ) = 0,25,F (z2 ) = 0,75

De las tablas se obtiene z1 = −0,68, z2 = 0,68

Ejemplos

jugadores
x −µ
fHxL
NH2,0.2L
z= σ fHzL
NH0,1L
2
=⇒ 0.4
1.5 0.3
1 50 % 0.2 50 %
0.5
x = σz + µ 0.1
x
⇐= z
x1 2 x2 z1 0 z2
F (z1 ) = 0,25,F (z2 ) = 0,75

Pasamos las puntuaciones típicas z a directas x
x1 = σz1 + µ = 0,2 · (−0,68) + 2 = 1,864 m
x2 = σz2 + µ = 0,2 · 0,68 + 2 = 2,136 m

Ejemplos

jugadores
x −µ
fHxL
NH2,0.2L
z= σ fHzL
NH0,1L
2
=⇒ 0.4
1.5 0.3
1 90 % 0.2 90 %
0.5
x = σz + µ 0.1
x
⇐= z
x1 2 x2 z1 0 z2

Ejemplos

jugadores
x −µ
fHxL
NH2,0.2L
z= σ fHzL
NH0,1L
2
=⇒ 0.4
1.5 0.3
1 90 % 0.2 90 %
0.5
x = σz + µ 0.1
x
⇐= z
x1 2 x2 z1 0 z2
F (z1 ) = 0,05,F (z2 ) = 0,95


Ejemplos

jugadores
x −µ
fHxL
NH2,0.2L
z= σ fHzL
NH0,1L
2
=⇒ 0.4
1.5 0.3
1 90 % 0.2 90 %
0.5
x = σz + µ 0.1
x
⇐= z
x1 2 x2 z1 0 z2
F (z1 ) = 0,05,F (z2 ) = 0,95

x1 = σz1 + µ = 0,2 · (−1,64) + 2 = 1,672 m
x2 = σz2 + µ = 0,2 · 1,64 + 2 = 2,328 m

Ejemplos
Tras un test sobre cultura deportiva a estudiantes de 1ºCAFD se observa que las puntuaciones
obtenidas siguen una distribución una distribución N(65, 18). Se desea clasificar a los examinados en
tres grupos según su cultura deportiva: baja, normal y excelente de modo que en el primer grupo haya
un 20 % de los estudiantes y en el segundo un 65 %. (a) ¿Cuáles han de ser las puntuaciones que
marcan el paso de un grupo al otro? (b) ¿Qué proporción de los estudiantes supera en al menos un
40 % la puntuación que separa el grupo de baja cultura deportiva y el de cultura deportiva normal?

Ejemplos
X = puntuación. X ∼ N (65, 18)

Ejemplos
fHxL fHzL
0.025 NH65,18L NH0,1L
a) Mirando en las tablas : 0.02
0.4
F (z1 ) = 0,20 → z1 = −0,84 0.015

0.3
F (z2 ) = 0,85 → z2 = 1,04 0.01

0.2
0.005 0.1
20 % 65 % 15 % 20 % 65 % 15 %
x z
x1 x2 z1 0 z2

Ejemplos
fHxL fHzL
0.025 NH65,18L NH0,1L
0.4
F (z1 ) = 0,20 → z1 = −0,84 0.015

0.3
F (z2 ) = 0,85 → z2 = 1,04 0.01

0.2
0.005 0.1
20 % 65 % 15 % 20 % 65 % 15 %
x z
x1 x2 z1 0 z2
x1 = z1 σ + µ = −0,84 · 18 + 65 = 49,88
x2 = z2 σ + µ = 1,04 · 18 + 65 = 83,72

Ejemplos
fHxL fHzL
0.025 NH65,18L NH0,1L
0.4
F (z1 ) = 0,20 → z1 = −0,84 0.015

0.3
F (z2 ) = 0,85 → z2 = 1,04 0.01

0.2
0.005 0.1
20 % 65 % 15 % 20 % 65 % 15 %
x z
x1 x2 z1 0 z2
x1 = z1 σ + µ = −0,84 · 18 + 65 = 49,88
x2 = z2 σ + µ = 1,04 · 18 + 65 = 83,72
Si X < 49,88 tiene baja cultura deportiva. Si 49,88 ≤ X ≤ 83,72 tiene cultura deportiva normal. Si
X > 83,72 tiene excelente cultura deportiva.

Ejemplos
(b) Los estudiantes cuya puntuación supera en al menos un 40 % los 49,88
puntos, tienen una puntuación mayor que:
40
x = 49,88 + 100 49,88 = 69,832

Ejemplos
40
x = 49,88 + 100 49,88 = 69,832
Por tanto hemos de calcular: p (X > 69,832)

Ejemplos
40
x = 49,88 + 100 49,88 = 69,832
69,832−65
z= 18 = 0,27

Ejemplos
40
x = 49,88 + 100 49,88 = 69,832
69,832−65
z= 18 = 0,27
p (X > 69,832) = p (Z > 0,27) = 1 − p (Z < 0,27) = 1 − F (0,27) =
1 − 0,606420 = 0,39358

Ejemplos
40
x = 49,88 + 100 49,88 = 69,832
69,832−65
z= 18 = 0,27
p (X > 69,832) = p (Z > 0,27) = 1 − p (Z < 0,27) = 1 − F (0,27) =
1 − 0,606420 = 0,39358
La proporción de estudiantes es 0.39358

Ejemplos
Los tiempos de un conjunto de corredores de 3000 metros lisos sigue una

distribución normal de media 480 segundos. Se sabe también que el 10.5 % de
los corredores tiene una marca inferior a 465 segundos. (a) Calcula la desviación
típica de la distribución (b) ¿Qué porcentaje de corredores tiene una marca entre
465 y 510 segundos? (c) ¿Qué intervalo centrado en la media contiene al 50 % de
los corredores?

Ejemplos
los corredores?
Sea X =marca 3000 m lisos. X ∼ N (480, σ)
fHxL fHzL
0.035 NH480,ΣL NH0,1L
0.03 0.4
0.025
0.3
0.02
0.015 0.2
0.01
0.1
0.005
10.5 % 10.5 %
x z
465 z

Ejemplos
los corredores?
fHxL fHzL
0.035 NH480,ΣL NH0,1L
(a) Mirando en las tablas : 0.03 0.4
0.025
F (z ) = 0,105 → z = −1,25 0.02
0.3
0.015 0.2
0.01
0.1
0.005
10.5 % 10.5 %
x z
465 z

Ejemplos
los corredores?
fHxL fHzL
0.035 NH480,ΣL NH0,1L
0.025
F (z ) = 0,105 → z = −1,25 0.02
0.3
x −µ 0.015 0.2
z= σ 0.01
0.1
σ = x −µ
z = 465−480
−1,25 = 12 s 0.005
10.5 % x
10.5 %
z
465 z

Ejemplos
los corredores?
fHxL fHzL
0.035 NH480,ΣL NH0,1L
0.025
F (z ) = 0,105 → z = −1,25 0.02
0.3
x −µ 0.015 0.2
z= σ 0.01
0.1
σ = x −µ
z = 465−480
−1,25 = 12 s 0.005
10.5 % x
10.5 %
z
465 z
x1 −µ
z1 = σ = −1,25
x2 −µ
z2 = σ = 51012
−480
= 2,5

Ejemplos
los corredores?
fHxL fHzL
0.035 NH480,ΣL NH0,1L
0.025
F (z ) = 0,105 → z = −1,25 0.02
0.3
x −µ 0.015 0.2
z= σ 0.01
0.1
σ = x −µ
z = 465−480
−1,25 = 12 s 0.005
10.5 % x
10.5 %
z
465 z
x1 −µ
z1 = σ = −1,25
x2 −µ
z2 = σ = 51012
−480
= 2,5
p (465 ≤ X ≤ 510) = p (−1,25 ≤ z ≤ 2,5) = F (2,5) − F (−1,25) =
0, 9937903 − 0, 105650 = 0,8881403. El porcentaje de corredores con
marcas entre 465 y 510 s es del 88.8 %
Ejemplos
los corredores?
x −µ
fHxL
0.035 NH480,12L
z= σ fHzL
NH0,1L
0.03 =⇒ 0.4
0.025
0.3
0.02
0.015 0.2 50 %
0.01 50 % x = σz + µ 0.1
0.005
x
⇐= z
x1 480 x2 z1 0 z2
(c) F (z1 ) = p (Z < z1 ) = 0,25,F (z2 ) = p (Z < z2 ) = 0,75


Ejemplos
los corredores?
x −µ
fHxL
0.035 NH480,12L
z= σ fHzL
NH0,1L
0.03 =⇒ 0.4
0.025
0.3
0.02
0.015 0.2 50 %
0.01 50 % x = σz + µ 0.1
0.005
x
⇐= z
x1 480 x2 z1 0 z2
(c) F (z1 ) = p (Z < z1 ) = 0,25,F (z2 ) = p (Z < z2 ) = 0,75

x1 = σz1 + µ = 12 · (−0,67) + 480 = 471,96 s
x2 = σz2 + µ = 12 · 0,67 + 480 = 488,04 s
Ejemplos
los corredores?
x −µ
fHxL
0.035 NH480,12L
z= σ fHzL
NH0,1L
0.03 =⇒ 0.4
0.025
0.3
0.02
0.015 0.2 50 %
0.01 50 % x = σz + µ 0.1
0.005
x
⇐= z
x1 480 x2 z1 0 z2
(c) F (z1 ) = p (Z < z1 ) = 0,25,F (z2 ) = p (Z < z2 ) = 0,75

x1 = σz1 + µ = 12 · (−0,67) + 480 = 471,96 s
x2 = σz2 + µ = 12 · 0,67 + 480 = 488,04 s
El Estadística
tiempo(CAFD)del 50 % (central) de los corredores
Distribuciones se encuentra entre 471.86 y 488.04 s48 / 48
de probabilidad continuas

T.5. Distribuciones - Probabilidad - Continuas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

T.5. Distribuciones - Probabilidad - Continuas

Cargado por

Copyright:

Formatos disponibles

Distribuciones de probabilidad continuas

Estadística (CAFD) Distribuciones de probabilidad continuas 1 / 48

1 Distribuciones de probabilidad continuas

Estadística (CAFD) Distribuciones de probabilidad continuas 2 / 48

1 Distribuciones de probabilidad continuas

Estadística (CAFD) Distribuciones de probabilidad continuas 3 / 48

1 Distribuciones de probabilidad continuas

Estadística (CAFD) Distribuciones de probabilidad continuas 4 / 48

Variable aleatoria continua

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

Estadística (CAFD) Distribuciones de probabilidad continuas 5 / 48

Variable aleatoria continua Ejemplos

¿Cúal es la probabilidad de que al escoger un individuo al azar de una población muy

La función de densidad permite calcular la probabilidad de obtener un valor dentro de un

1 Distribuciones de probabilidad continuas

Estadística (CAFD) Distribuciones de probabilidad continuas 6 / 48

Función de densidad y función de distribución

Estadística (CAFD) Distribuciones de probabilidad continuas 7 / 48

Función de densidad y función de distribución

Estadística (CAFD) Distribuciones de probabilidad continuas 7 / 48

Función de densidad y función de distribución

Estadística (CAFD) Distribuciones de probabilidad continuas 7 / 48

Función de densidad y función de distribución

Estadística (CAFD) Distribuciones de probabilidad continuas 7 / 48

Función de densidad y función de distribución

Estadística (CAFD) Distribuciones de probabilidad continuas 7 / 48

Función de densidad y función de distribución

Estadística (CAFD) Distribuciones de probabilidad continuas 7 / 48

Función de densidad y función de distribución

La función de densidad es el polígono de frecuencias (en escala de densidad)

Función de densidad f (x ). Propiedades

La función de densidad es positiva:

Estadística (CAFD) Distribuciones de probabilidad continuas 9 / 48

Función de densidad f (x ). Propiedades

La función de densidad es positiva: REl∞área por debajo de la curva es 1:

Estadística (CAFD) Distribuciones de probabilidad continuas 9 / 48