Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema7 Leones Elefantes
Tema7 Leones Elefantes
- La distribución normal
LA DISTRIBUCIÓN NORMAL
Introducción.
x−µ 2
− 21 σ
f ( x) = 1 e , −∞ < x < ∞
2πσ
100
80
60
frecuencia
40
20
Longitud de piezas
36
Tema 7.- La distribución normal
Definición: Se dice que una variable aleatoria X sigue la distribución normal de parámetros
(µ,σ), µ ∈ℜ, σ > 0 , y se representa X → N ( µ , σ ) , si la distribución de probabilidades de X está
dada por la función de densidad
f ( x) = 1
e
− 21 ( )
x−µ 2
σ
, −∞< x <∞.
2 πσ
Funciones de densidad de leyes normales N(0,1) Funciones de densidad de leyes normales N(0,1)
con distintas medias y varianza común N(1,1) con media común y distintas varianzas N(0,2)
N(2,1) N(0,3)
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
-5 -3 -1 1 3 5 -10 -6 -2 2 6 10
X X
Mediante cálculos sencillos se pueden obtener las principales características numéricas de esta
distribución:
Media: EX=µ,
Mediana = Moda = µ.
Desviación típica: DT(X)=σ(X)=σ,
Varianza: Var(X)=σ2(X)=σ2.
Coeficiente de Asimetría=0 (independiente de µ y de σ).
Coeficiente de apuntamiento o Kurtosis = 3 (independiente de µ y de σ).
−1x 2
f (x) = 1 e 2 , − ∞ < x < ∞.
2π
37
Tema 7.- La distribución normal
Para calcular probabilidades bajo la curva normal estándar es de gran utilidad el manejo de la
función de probabilidad acumulada (función de distribución), denotada habitualmente como
Φ(x):
x − 12 t 2
Φ( x) = ∫ 1
2π
e dt = P ( N (0,1) ≤ x), −∞ < x < ∞
−∞
Esta función está tabulada y permite de forma sencilla calcular la probabilidad de cualquier
intervalo bajo la curva normal estándar:
Nótese que la tabla sólo contiene los valores de Φ(x) para x>0. Para x<0 basta tener en cuenta
que la simetría de la ley normal implica que Φ(-x) = 1−Φ(x).
f(x) Φ (b)
Φ (a)
0
a b a b
Si X es una v.a. con distribución N(0,1) entonces, cualquiera que sean µ ∈ℜ, σ > 0 se
tiene que:
Y = µ + σX → N(µ, σ ) .
Y-µ
→ N( 0, 1) .
σ
Los resultados anteriores, nos van a permitir expresar sucesos definidos a través de una
variable normal cualquiera por medio de sucesos equivalentes definidos en términos de la
normal estándar. De este modo podremos calcular las probabilidades de dichos sucesos a
partir de las tablas de la ley normal estándar.
Así, para calcular P( a < X < b ) siendo X una variable con ley N(µ,σ) y − ∞ ≤ a, b ≤ ∞ ,
basta con tipificar la variable X:
a - µ X - µ b - µ b - µ a - µ
P(a < X < b) = P < < = Φ − Φ
σ σ σ σ σ
38
Tema 7.- La distribución normal
Ejemplo: Se sabe que la densidad X de ciertos ladrillos cuando se hornean a 125ºC es una
variable aleatoria normal con media 3.85 gr/cm3 y desviación típica 0.05 gr/cm3. Si los
límites de tolerancia son (3.75 gr/cm3 , 4.00 gr/cm3), hallar el porcentaje de ladrillos que se
salen de dicho intervalo.
Solución:
X − µ 5.01 − µ
P( X > 5.01) = P > = 0.05
σ σ
X − µ 4.99 − µ
P( X < 4.99) = P < = 0.025
σ σ
39
Tema 7.- La distribución normal
a0 + a1 X1 +... + an Xn → N ( µ, σ )
donde
µ = a0 + a1µ1 +... + an µ n
n n n
. ∑
i =1
X i → N ∑ µi ,
i =1
∑ σ i2 ,
i =1
por lo que se dice que la ley normal es reproductiva respecto a los parámetros µ y σ2.
Si, además, X1, ..., Xn son v.a. independientes e igualmente distribuidas con distribución
común X i → N ( µ , σ ) , i = 1,..., n , la expresión anterior se convierte en:
n
∑ Xi − nµ
( ) , o bien
n
∑X
i =1
i → N nµ , nσ 2 i =1
nσ
→ N ( 0, 1) .
n
σ X −µ
X = 1
n ∑X
i =1
i → N µ , , o bien
n
n
σ
→ N ( 0, 1) .
Ejemplo: Una máquina automática llena cajas de detergente en polvo. El contenido envasado
por caja es una v.a. con ley N(4 Kg, 0.0125 Kg), con independencia entre las distintas cajas.
Las cajas se empaquetan en lotes de 4 cajas. Hallar la probabilidad de que un lote contenga
menos de 15.950 Kg.
40
Tema 7.- La distribución normal
Y - µ 15.95 - 16
P(Y < 15.95) = P < = Φ( − 2) = 1 − Φ( 2) = 0.02275 .
σ 0.025
Con el nombre de “efecto límite central” se conoce el hecho de que cuando una
variable X es el resultado de la contribución de muchas causas Xi i = 1,..., n , que actúan
independientemente y que cada una de ellas tiene una contribución pequeña en el valor final
de la variable, el modelo normal suele ser un patrón razonable para el comportamiento de
dicha variable. La justificación matemática de este hecho se sustenta en el siguiente resultado
que es uno de los más importantes del Cálculo de Probabilidades:
Teorema Central del Límite (TCL): Si X1, ..., Xn son v.a. independientes con medias
µ i < ∞ y varianzas σ i2 < ∞ , i = 1,..., n , se tiene para n → ∞
n n n
∑X → N ∑ µi , ∑σ
aprox .
i i
2 .
i =1 i =1 i =1
En particular, si X1, ..., Xn son v.a. independientes e igualmente distribuidas con media
y varianza comunes µ < ∞ , σ 2 < ∞ , i = 1,..., n , la expresión anterior se convierte en:
n
∑ Xi − nµ aprox .
( )
n
∑X i =1
aprox .
→ N nµ , σ n , o bien → N ( 0, 1) .
nσ
i
i =1
El teorema central del límite se puede expresar también en términos de los promedios
de las variables en lugar de las sumas:
X n − µ aprox .
→ N (µ , σ ) , o bien
n
∑X
aprox .
Xn = 1
→ N ( 0, 1) .
n
i =1
i n σ
n
41
Tema 7.- La distribución normal
Ejemplo: Un aparato electrónico funciona con la energía que le suministra una batería que
cuando se agota es sustituida instantáneamente por otra idéntica y así sucesivamente. Las
distintas baterías tienen un funcionamiento independiente unas de otras. Se desconoce la ley
de vida de las baterías, pero se estima que la vida media es de 8 horas con una desviación
típica de 2 horas. Obtener aproximadamente la probabilidad de que con 100 baterías se
pueda mantener funcionando el aparato electrónico durante un mes (30 días o 720 horas).
( )
100
Y = ∑ X i → N 800,2 100
aprox .
i =1
Y - µ 720 - 800
P(Y > 720) = P > ≅ 1 − Φ( − 4) = Φ( 4) ≅ 1 .
σ 400
42