DISTRIBUCIONES CONTINUAS

COMPILACIN REALIZADA POR:

ALEJANDRINA DE BOUTAUD
DISTRIBUCION DE PROBABILIDADES
CONTINUAS
Cuando la variable aleatoria puede tomar cualquier
valor dentro de un rango o intervalo de valores
dado, le llamamos variable continua. As para
eventos continuos no es apropiado hablar de la
probabilidad de que ocurra uno de ellos en
particular, porque la probabilidad es infinitamente
pequea. Ms bien se habla de la probabilidad e
de que ocurra un evento comprendido entre dos
puntos- Por ejemplo las utilidades de una
compaa estn entre 1,000.00 y 2000.00 dlares.
DISTRIBUCIN NORMAL
DISTRIBUCIN NORMAL

Es la distribucin de probabilidades ms
importante e en todo el campo de la
estadstica.
Su grfica, llamada curva normal; es la curva
en forma de campana que describe la
distribucin de los conjuntos de datos que
ocurren en la naturaleza, industria y la
investigacin.
DISTRIBUCIN NORMAL

La distribucin normal fue reconocida por primera
vez por el francs Abraham de Moivre (1667-
1754). Posteriormente, Carl Friedrich Gauss
(1777-1855) elabor desarrollos ms profundos y
formul la ecuacin de la curva; de ah que
tambin se la conozca, ms comnmente, como la
"campana de Gauss". La distribucin de una
variable normal est completamente determinada
por dos parmetros, su media y su desviacin
estndar.
IMPORTANCIA Y APLICACIONES DE LA
DISTRIBUCIN NORMAL
En resumen, la importancia de la distribucin
normal se debe principalmente a que hay muchas
variables asociadas a fenmenos naturales que
siguen el modelo de la normal.
Caracteres morfolgicos de individuos (personas,
animales, plantas,...) de una especie, por ejemplo
tallas, pesos, envergaduras, dimetros,
permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de una
misma dosis de un frmaco, o de una misma
cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de
cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
IMPORTANCIA Y APLICACIONES DE LA
DISTRIBUCIN NORMAL
Caracteres psicolgicos, por ejemplo: cociente
intelectual, grado de adaptacin a un medio,...
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos muestrales, por ejemplo: la
media.
Otras distribuciones como la binomial o la de
Poisson son aproximaciones normales, ...
Y en general cualquier caracterstica que se
obtenga como suma de muchos factores.

FUNCION DE DENSIDAD
Definicin: Es una funcin no negativa de integral 1.
0.00
0.05
0.10
0.15
0.20
0.25
1 2 3 4 5 6 7 8 9
1
0
1
1
1
2
1
3
1
4
1
5
Se puede pensar como la
generalizacin del
histograma con frecuencias
relativas para variables
continuas.
a
b
= s s ) ( b x a p
dx x f
b
a
). (
}
La curva normal adopta un nmero infinito de formas,
determinadas por sus parmetros y expresada por la
funcin de densidad: f(x) =
e
2
1
-
x
2
1

o

constante para
un o dado
x
e
donde:
2
(media) y o (desviacin tpica) son parmetros de
la distribucin
e = 2.718 (base de Ln)
x = valores observados de la variable en estudio
FUNCION DE DENSIDAD
PARMETROS
La distribucin normal queda definida por dos
parmetros, su media y su desviacin tpica
y la representamos as:

+
CARACTERSTICAS DE LA DISTRIBUCIN NORMAL
, Mo, Mn
o o
- o + o
Tiene forma de campana, es asinttica al eje de las abscisas
(para x = )
Los puntos de inflexin tienen como abscisas los valores o
Simtrica con respecto a la media () donde coinciden la mediana
(Mn) y la moda (Mo )
Caractersticas de la distribucin de
probabilidad normal

La curva normal tiene forma de campana. La media, la
moda y la mediana de la distribucin son iguales y se
localizan en el centro de la distribucin.
La distribucin de probabilidad normal es simtrica
alrededor de su media. Por o tanto, la mitad del rea
bajo la curva est antes del punto central y la otra mitad
despus. El rea total bajo la curva es igual a 1.
La curva normal se aproxima de manera asinttica al
eje horizontal conforme se aleja de la media en
cualquier direccin. Esto significa que la curva se acerca
al eje horizontal conforme se aleja de la media, pero
nunca lo llega a tocar.
La familia de la distribucin de
probabilidad normal

Cuando se habla de la distribucin normal,
realmente se est hablando de una familia de
curvas. Como se puede apreciar en la funcin de la
curva normal, la curva depende de dos variables
adems de la variable independiente x, tales
como la media (), y la desviacin estndar ().
Por lo tanto se tendrn curvas diferentes para
funciones con desviacin estndar diferente an
cuando sus medias fuesen iguales, como se
muestra enseguida.
La familia de la distribucin de
probabilidad normal

Curvas normales con media igual y desviacin estndar diferente.
Si por el contrario, las curvas tienen desviacin estndar igual y la media es
diferente, las curvas sern idnticas pero centradas en diferente posicin en el
eje horizontal.
La familia de la distribucin de
probabilidad normal

Si por el contrario, las curvas tienen desviacin estndar
igual y la media es diferente, las curvas sern idnticas
pero centradas en diferente posicin en el eje horizontal.




Curvas normales con desviacin estndar igual y
media diferente
Si las curvas tienen la media diferente y tambin la
desviacin estndar diferente, aparte de estar centradas
en diferentes lugares del eje x, tendr formas diferentes.
La distribucin normal estndar


El rea bajo la curva normal y sobre el eje x es igual a la
probabilidad de que la variable aleatoria x tome un valor dentro de
cierto intervalo. Para medir esta rea es necesario calcular la
integral de la funcin de la curva normal para un intervalo de
valores. Para evitar la dificultad de resolver integrales es necesario
tabular las reas que corresponden a cada valor de x. Como el
nmero de distribuciones normales es ilimitado sera una tarea sin
fin intentar establecer tablas para cada combinacin de y .
Afortunadamente, un miembro de la familia de las distribuciones
normales puede ser usado en todos los problemas donde la
distribucin normal es aplicable, esta es la distribucin normal con
media cero y desviacin estndar 1, la cual es llamada distribucin
normal estndar.
Cada distribucin normal deber estandarizarse, es decir,
transformarse a una distribucin normal estndar, utilizando un
valor z, o variable aleatoria estndar.
Cmo calcular probabilidades asociadas a una
curva normal especfica?
??
Dado que tanto como o pueden asumir infinitos valores lo
que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribucin
normal reducida o tipificada



Se define una variable z =
x -
o
Es una traslacin , y un cambio de escala de
la variable original
La nueva variable z se distribuye como una
NORMAL con media = 0 y desviacin tpica o = 1
-3 -2 -1 0 1 2 3
z
68% 95% 99%
Una regla emprica indica que en cualquier distribucin normal
las probabilidades delimitadas entre :
1o = 68 %
2o = 95 %
3o = 99 %
68%
99%
95%

Pero para valores intermedios esta regla es insuficiente.
Las probabilidades de la variable tipificada (z) estn
tabuladas para los diferentes valores de la variable.
Entonces una vez transformada la variable a valores de z
se busca en la tabla el rea correspondiente

Hay varios tipos de tablas de la distribucin normal
La que se explica aqu representa las reas para los
diferentes valores de z desde 0 hasta +
0
+
Los valores
negativos de z NO
estn tabulados, ya
que la distribucin
es simtrica

0.0
0.1
0.2
0.3
0.4

0.5

0 1 2 3 4 5 6 7 8 9
.0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
.0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
.0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
.1179 ..... ...... ...... ......
.1554 .... ..... ....

.1915 ....
la tabla consta de:
*Margen izquierdo : Los enteros de z y
su primer decimal
* Margen superior: segundo decimal
* Cuerpo de la tabla: reas correspondientes,
acumuladas, desde 0
hasta 3.99
EJEMPLOS:
1.-Cul es la probabilidad de que un
valor de z est entre 0 y 2.03?
2.-Cul es la probabilidad de que un
valor de z est entre -2.03 y +2.03?
3. Hallar P( z >1.25 )
4. Hallar P ( -0.34 < z < )
5. Hallar P ( 0.34 < z < 2.30 )
0 1 2 3 4
1.8
1.9
2.0
2.1
47. 88%
Cul es la probabilidad de que un valor de z est entre 0 y 2.03?
-3 -2 -1 0 1 2 3
z
Se busca en la tabla el rea correspondiente a z = 2.03
0.47882
EJEMPLO N 1






?
EJEMPLO N 2
Cul es la probabilidad de que un valor de z est entre 0 y 2.03?
z
Cmo la curva es simtrica
P (-2.03 < z < 0) = P (0 < z < 2.03)
Es decir que:
la probabilidad (0 a -2.03)=
probabilidad (0 a +2.03)
-3 -2 -1 0 1 2 3

?







47.88%








47.88%
Cul es la probabilidad de que un valor de z est entre -2.03 y 2.03 ?
-3 -2 -1 0 1 2 3
z
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y
2.03= 0.4788
La misma rea hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.9576
95.76%
EJEMPLO N 2
Cul es la probabilidad de que un valor de z sea mayor a 1.25 ?
z
-3 -2 -1 0 1 2 3
?
1.- La probabilidad de 0 < z < + = 0.500 (es decir la probabilidad entre 0 y += 0.5
2.- La probabilidad de 0 < z < 1.25 = 0.39435 (probabilidad entre 0 y 1.25=0.3944
39.44%
3.- La probabilidad de z > 1.25 =0.500 - 0.3944= 0.1056
10.56%
50%
EJEMPLO N 3
Hallar P( -0.34 < z < )
z
P(-0.34 < z < 0) = 0.13307 = P(0 < z <0.34)
13.31% 50%
63.31%
P( -0.34 < z < ) =
0.13307 + 0.50000 = 0.63307
-3 -2 -1 0 1 2 3
P (0 < z < ) = 0.50000
EJEMPLO N 4
Hallar P( 0.34 < z < 2.30)
z
-3 -2 -1 0 1 2 3
P(0< z <0.34) = 0.13307 ( p(0 a 0.34)=.1331)
P( 0 < z < 2.30) = 0.48938 (p(0 a 2.30)=0.4894)
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623
35.62%
EJEMPLO N 5

Sea una variable distribuida normalmente con media
= 4 y desviacin tpica o = 1.5.
Cul es la probabilidad de encontrar un valor x > 6
(P(x > 6 ))?
EJEMPLO N 6
x
= 4 o = 1.5 Hallar P ( x > 6 )


?
6
1.- transformar x en un valor de z
0.40824
0.09176
z = (6 - 4)/1.5 = 1.33
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 =

x
z

=
0.5
-0.5 1 2.5 4 5.5 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
Hasta ahora vimos como dado un valor x de la variable,
hallar probabilidades transformando (estandarizacin) la
variable en valores de
x -
o
Cmo hallar un valor de x, dada la probabilidad?
x = ?
38.20%
Ejemplo: Sea una variable distribuida normalmente con =4 y o =2 .
Hallar el valor de x que deja por encima de l un 38.20% (0.3820)
Se debe desestandarizar :
x = z o +
0.5000 - 0.382 = 0.118 Se busca en la
tabla el valor ms aproximado :0.1179
corresponde a z =+ 0.30
4.60
Sustituyendo en la frmula
0.30x2+4 =4.60
z =
EJEMPLO N 7
CASOS MS FRECUENTES.
La distribucin de la variable Z se encuentra tabulada
p(za)= 0.5 + p(a)
CASOS MS FRECUENTES.
p(z>a)= 0.5 - p(a)
CASOS MS FRECUENTES.
p(-aZ a)= p(-a) + p(b)
CASOS MS FRECUENTES.
p(-aZ a)= p(b) - p(a)
Prctica
Los coeficientes intelectuales de 600 aspirantes de
cierta universidad se distribuyen aproximadamente
de forma normal con una media de 115 y una
desviacin estndar de 12. Si se selecciona un
aspirante al azar, encuentre la probabilidad de que:
a) Tenga un coeficiente mayor de 120.
b) Tenga un coeficiente menor de 100.
c) Tenga un coeficiente menor de 122.
d) Tenga un coeficiente entre 115 y 125.
e) Tenga un coeficiente entre 90 y 105.
La tabla que e usa para este ejemplo es
ESTE EJEMPLO LO
RESOLVEREMOS CON UNA
TABLA DIFERENTE A LA QUE
TENEMOS EN CLASE (LA CUAL
SEALA LOS VALORES DE O A
Z). La tabla que se presenta
seala los valores de z a
LOS RESULTADOS DEBEN SER
IGUALES AL FINAL
Solucin

x
z

=
a. Se dibuja la curva Normal con
los datos =115 y =12; x>120
Se calcula Z

= 120-115 = 5= 0.42
12 12
Z 2
0.4 .3372
Respuesta: La probabilidad de que
sea mayor es del 33.72%
Solucin
b) Para encontrar la probabilidad de que un aspirante tenga un
coeficiente intelectual menor de 100, primero se traza la curva de
la distribucin normal original, para luego transformarse en la
distribucin normal estndar.
El valor z se calcula con la frmula:
Z =X - =100 - 115= -1.25
12
En la tabla de reas bajo la curva
normal no se tabularon valores z
negativos, pero como la curva
normal es simtrica, el rea a la
izquierda del valor z = -1.25 es
del mismo tamao que el rea a
la derecha del valor z = 1.25, por
lo que solo se necesita buscar en
la tabla el rea correspondiente al
valor positivo.

Z 5
1.25 .1056
Respuesta: La probabilidad que
tenga un coeficiente intelectual
menor de 100 es del 10.56%
Solucin
c-Tenga un coeficiente menor de 122.
Para encontrar la probabilidad de que la variable aleatoria
sea menor de 122, hay que estandarizar la distribucin
obteniendo el valor z correspondiente al valor de x = 122.

z =
x -
=
122 115
= 0.58
Z 8
12 0.58 .28096
El rea de .28096 corresponde a la
que se encuentra a la derecha del
valor z, pero no es la que nos
interesa en esta vez, el rea que
queremos encontrar es la que se
encuentra a la izquierda del valor z,
que podemos calcular restando el
rea de .28096 al rea total bajo la
curva que es 1.
P( x < 122 ) = 1 - .28096 = .71904
Solucin
d) Para encontrar el rea que se encuentra
entre x = 115 y x = 125 hay que encontrar
el rea a la derecha de cada uno de esos
valores. A la derecha de 115 ( la media ) el
rea es .5, para encontrar el rea a la
derecha de 125 hay que encontrar en la
tabla el valor z correspondiente.
z =
x -
=
125 115
= 0.83
Z 3
12 0.83 .20327
El rea a la derecha de x = 125 es
parte del rea a la derecha de x =
115, si la restamos obtendremos el
rea que se encuentra entre los dos
valores.
P( 115 < x < 125 ) = .5 - .20327 =
.29673
Respuesta: Para 115<X<125 la probabilidad es
de 29.67%
Solucin
e) Para encontrar el rea que se encuentra
entre x = 90 y x = 105, hay que encontrar en
la tabla el rea a la izquierda de cada uno de
esos valores. Al estar en el lado izquierdo de
la curva, por simetra, el rea es la misma que
la correspondiente a los valores z positivos.
z =
x -
=
90 115
= - 2.08
Z 8
12 2.08 .01876
z =
x -
=
105 115
= -0.83
Z 3
12 0.83 .20327
Restamos=P( 90 < x < 105 ) = .20327 - .01876 = .18451
Respuesta: La probabilidad 90 < x < 105 es de 18.45%
Utilizar una distribucin normal (distribucin continua)
como un sustituto para una distribucin binomial
(distribucin discreta) para valores considerable de n,
una distribucin binomial se acerca ms a una
distribucin normal.

APROXIMACION A LA NORMAL DE LA
DISTRIBUCIN BINOMIAL
APROXIMACION A LA NORMAL DE LA
DISTRIBUCIN BINOMIAL
La distribucin Binomial converge a la normal cuando n
tiende a (teorema de de Moivre, caso particular del teorema
central del lmite)
Abraham de Moivre
En su obra La doctrina de las probabilidades
se encuentra la primera enunciacin de la regla
de la multiplicacin, y en sus dos ltimas
ediciones aparecen las primeras indicaciones de
la distribucin normal (1733) a partir del
teorema de Bernouilli
}
=

5 . 0
5 . 0
,
) (
b
a
x n x
b a
n
x
n
dx x f q p C lim
es N (np, npq)
p(x)
a -0.5 b + 0.5
a
b
CORRECCIN POR CONTINUIDAD
Hay que tener en cuenta que para realizar
correctamente esta transformacin de una
variable discreta (binomial) en una variable
continua (normal) es necesario hacer una
correccin de continuidad.

En la prctica la aproximacin es buena cuando:
1.- np y nq > 5


Factor de correccin por continuidad
El valor se 0.5 resta o suma, dependiendo de la
pregunta, a un valor seleccionado cuando una
distribucin de probabilidades discreta se calcula por
medio de una distribucin de probabilidad continua.
p(axb)= p(a-0.5xb+0.5); donde x es la variable
normal transformada
CORRECCIN POR CONTINUIDAD
CORRECCIN POR CONTINUIDAD
EJEMPLO 1
- npq > 5
= np = 16 o = \npq = 3.1
Se realiza la prueba de las medias
Se calcula la P( 7.5 < X < 8.5 )
z
1
= 7.5-16/3.1 = -2.74 ; P = 0.4969
z
2
= 8.5 - 16/3.1 = - 2.42 ; P = 0.4922

P(7.5<X<8.5) =
0.4969 - 0.4922 = 0.0047
SI np = 16 y nq = 24
Sea una variable Binomial con n = 40 y p = 0.4. Calcular mediante la
aproximacin normal la probabilidad de obtener 8 xitos
16
9.8 12.9
6.7
8.5
7.5
EJEMPLO 2
Evale p(1x4) para una variable binomial con n=15 y
p=0.2
Prueba medias n*p=15*0.20=3; n*q=15*0.8=12
A- distribucin binomial
p(1x4)=p(1)+p(2)+p(3)+p(4)=
0.1319+0.2309+0.2502+0.1876=0.8006
B- Aproximacin a normal
p(1x4) aplicando el factor de continuidad p(0.5x4.5)
Z
1
=(0.5-3)/15*0.2*0.8=-1.61---p(z
1
=1.61)=0.0537
Z
2
=(4.5-3)/15*0.2*0.8= 0.97---p(z
1
=0.97)=0.8340
p(1x4)=0.8340-0.0537=0.7803


EJEMPLO 3
Un fabricante sabe que en promedio el 2% de las
mquina de lavar que fabrica necesitan reparacin
dentro de los 60 das despus de su venta. Cul es la
probabilidad de entre 800 mquina de lavar
despachadas por el fabricante por lo menos 20
necesiten reparacin dentro de los 60 das despus de
vendidas.
Prueba medias n*p=800*0.02=16; n*q=800*0.98=784
Correccin por continuidad=20-0.5=19.5
Z
1
=(19.5-16)/800*0.02*0.98=0.88p(z=.88)=0.8106
P(x20)=1-0.8106=0.1894=18.94%

DISTRIBUCIONES
MUESTRALES
Distribucin normal estndar Z Distribucin normal de
x
DISTRIBUCION DE PROBABILIDADES
MUESTRALES:
La distribucin de probabilidades de un
estadstico recibe el nombre de distribucin
muestral. As la distribucin de probabilidades
de X se llama distribucin muestral de la media.
La distribucin muestral de un estadstico
depende del tamao de la poblacin, el tamao
de la muestra y del mtodo de seleccin.
DISTRIBUCIN MUESTRAL DE LA
MEDIA
Independientemente de la forma de la
distribucin de una poblacin, la distribucin
de los valores medios de las muestras de
tamao n tomadas de esa poblacin tendr
una distribucin normal cuando n tiende al
infinito
TEOREMA DEL LMITE
CENTRAL
TEOREMA CENTRAL DEL LMITE
En condiciones muy generales la suma de n variables
aleatorias , independientes y con la misma distribucin
tiende a la distribucin normal a medida que n tiende a
infinito
n n
n
n
X X X S
N S f lim
...
( ) (
2 1
+ + =
=

) ,o


TEOREMA DEL LMITE CENTRAL
Sea x
1
, x
2
, ..., x
n
una muestra aleatoria de
observaciones tomadas de la misma distribucin y
sea E(X
i
) = y Var(X
i
) = o
2
.
Entonces la distribucin muestral de la variable
aleatoria:



converge a la normal standard N(0, 1) cuando n
tiende a infinito.
n
x
Z
n
/
) (
o

=
TEOREMA CENTRAL DEL LMITE
Teorema del Lmite Central. El TCL se cumple an
cuando la distribucin desde la que se toman las
observaciones no sea normal. Esto significa que si
nosotros nos aseguramos que el tamao de la
muestra es grande, entonces podemos usar la
variable Z
n
para responder preguntas acerca de la
poblacin de la cual provienen las observaciones.

As, para una poblacin con una media y una
varianza , la distribucin de las medias de todas
las muestras posibles de tamao n generadas de la
poblacin estarn distribuidas de forma
aproximadamente normal asumiendo que el tamao
de la muestra es suficientemente grande.
TEOREMA CENTRAL DEL LMITE

TEOREMA CENTRAL DEL LMITE

Con relacin al teorema del lmite central debemos
enfatizar en:
Si el tamao de la muestra n es suficientemente grande
(n > 30) la distribucin normal de las medias ser
aproximadamente normal. No importa si la poblacin es
normal, sesgada u uniforme, si la muestra es grande el
teorema se aplicar.
La media de la poblacin y la media de todas las
posibles muestras son iguales. Si la poblacin es grande
y un gran nmero de muestras son seleccionadas de
esa poblacin entonces la media de las medias
muestrales se aproximar a la media poblacional.

DISTRIBUCION DE PROBABILIDADES
MUESTRALES:
En la vida real es imposible calcular parmetros
poblacionales porque las poblaciones son muy grandes.
En lugar de analizar toda una poblacin, se toma una
muestra, luego se calcula un estadstico relacionado
con el parmetro que interesa, y se hace una inferencia.
La distribucin muestral de un estadstico es la
herramienta que nos dice cun cerca est el estadstico
del parmetro.
La distribucin de probabilidades de un estadstico
recibe el nombre de distribucin muestral. As la
distribucin de probabilidades de X se llama distribucin
muestral de la media. La distribucin muestral de un
estadstico depende del tamao de la poblacin, el
tamao de la muestra y del mtodo de seleccin.
DISTRIBUCIN DE LA MEDIA MUESTRAL CUANDO
LA POBLACIN ES NORMAL
Se extraen muestras aleatorias de tamao n de una poblacin infinita con
media poblacional y varianza
2
:
La media de las medias muestrales es igual a la media poblacional. Es
decir, La varianza de las medias muestrales es igual a la varianza
poblacional dividida por .

En consecuencia la desviacin estndar de las medias muestrales
(llamada tambin el error estndar de la media muestral), es igual a la
desviacin estndar poblacional dividida por la raz cuadrada de .Es
decir .


Si la poblacin fuera finita de tamao N, se aplica el factor de correccin:
al error estndar de la media muestral
=
x
n
n
x
o
o =
1
N n
N

n
DISTRIBUCONES MUESTRALES
Z
n
= La variable normal de la media muestral



1/n= factor de correccin de la desviacin
ox= Desviacin estndar para los valores individuales
X= media aritmtica de los valores individuales.
x= Media aritmtica de la poblacin objeto de la investigacin.

n
x
Z
n
/
) (
o

=
EJEMPLO 1:
Supngase que el ingreso familiar anual de
cierta regin tiene una media de $10,000 y
desviacin estndar de $3,000. Se sabe que
el ingreso anual por familia no se distribuye
normalmente. Se selecciona aleatoriamente
una muestra de 100 familias y se calcula el
ingreso promedio Cul es la probabilidad de
que el ingreso promedio de la muestra
a. sea mayor o igual que $11,200?
b. sea mayor o igual que $10,450?
Solucin
a-
X=ingreso promedio de las 100 familias
ox=3000; n=100; x=B/.10,000.00
Z=(Xx) =11,200-10,000 =4---p (z=4)=0
ox/n 300
b-
Z=(Xx) =10,400-10,000 =1.5---p (z=1.5)=0.0668
ox/n 300



EJEMPLO 2
Segn Informe del MITRADEL: El salario bsico
inicial promedio de los obreros no calificados
(sin antigedad), es de $600 mensuales.
Suponga que la distribucin de los salarios tiene
un desvo estndar de $100. Cul es la
probabilidad de que 25 obreros elegidos al azar
tengan un salario promedio mensual de menos de
$550?


Solucin
0062 , 0 ) 5 , 2 (
)
25 100
600 550
( ) 550 (
= < =

<

= <
z P
x
P x P
x
o

DI STRI BUCI N DE LA PROPORCI N
MUESTRAL
Si de una poblacin distribuida Binomialmente con
probabilidad de xito p, se extrae una muestra aleatoria de
tamao n, entonces se puede mostrar que la media de X:
nmero de xitos en la muestra, es y que su varianza
es . En consecuencia la proporcin muestral
tiene media p, y varianza . Entonces:
por el
Teorema del Limite Central, cuando n es grande se tiene:

np =
npq =
2
o
n
X
p =

n
pq
n
pq
p p
npq
np X
z

=

EJEMPLO 3
Segn reportes del centro nacional para estadsticas de
salud, alrededor del 20 % de la poblacin masculina adulta
de los Estados Unidos es obesa. Se elige al azar una
muestra de 150 hombres adultos en los Estados Unidos.
Cul es la probabilidad de que:

a) Haya a lo ms 25 personas obesas?
b) Haya ms de 22 pero menos de 35 obesos?
c) Haya por lo menos un 25% de obesos en la muestra?
Solucin:
Sea X el nmero de personas obesas en la muestra.
Usando aproximacin normal a la Binomial se tiene que:
a)


b)





c.


P(Z> 1.53) = 1-P(Z<1.53) = 1-.9730 = .0630.


( ) ( ) ( ) 1814 . 0 91 . 0
24
30 5 . 25
5 . 25 25 = < = |
.
|

\
|
< = < ~ s Z P Z P X P X P
( ) ( ) = |
.
|

\
|
< <

= < < ~ < <

24
30 5 . 34
24
30 5 . 22
5 . 34 5 . 22 35 22 Z P x P X P
( ) 8123 . 0 0063 . 0 8186 . 0 91 . 0 53 . 1 = = < < Z P
=

> = > = >

= >
)
24
30 5 . 37
( ) 5 . 37 ( ) 25 .

5 . 37 ) 150 * 25 (.
Z P X P p
X
QUE HEMOS VISTO ?
FUNCION DE DENSIDAD EN GENERAL
DISTRIBUCIN NORMAL
Funcin de densidad
Caractersticas de la D N
Parmetros : y o
Tipificacin : z N(0,1)
Tabla de z y su uso
TEOREMA CENTRAL DEL LIMITE
DISTRIBUCIN DE PROBABILIDADES MUESTRALES
APROXIMACION DE LA BINOMIAL A LA NORMAL