Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones Continuas
Distribuciones Continuas
p ( a x b) 0.10
0.05
b
a f ( x).dx 0.00
10
11
12
13
14
15
1
9
a b
FUNCION DE DENSIDAD
x
2
1 x
-
1 2
e
e
2 constante para
un dado
donde:
(media) y (desviación típica) son parámetros de
la distribución
e = 2.718 (base de Ln)
x = valores observados de la variable en estudio
PARÁMETROS
+
- , Mo, Mn +
Características de la distribución de
probabilidad normal
La curva normal tiene forma de campana. La media, la
moda y la mediana de la distribución son iguales y se
localizan en el centro de la distribución.
La distribución de probabilidad normal es simétrica
alrededor de su media. Por o tanto, la mitad del área
bajo la curva está antes del punto central y la otra mitad
después. El área total bajo la curva es igual a 1.
La curva normal se aproxima de manera asintótica al
eje horizontal conforme se aleja de la media en
cualquier dirección. 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 distribución de
probabilidad normal
Cuando se habla de la distribución normal,
realmente se está hablando de una familia de
curvas. Como se puede apreciar en la función de la
curva normal, la curva depende de dos variables
además de la variable independiente x, tales
como la media (µ), y la desviación estándar (σ).
Por lo tanto se tendrán curvas diferentes para
funciones con desviación estándar diferente aún
cuando sus medias fuesen iguales, como se
muestra enseguida.
La familia de la distribución de
probabilidad normal
95%
68%
99%
68%
95%
99% z
-3 -2 -1 0 1 2 3
Pero para valores intermedios esta regla es insuficiente.
Las probabilidades de la variable tipificada (z) están
tabuladas para los diferentes valores de la variable.
Entonces una vez transformada la variable a valores de z
se busca en la tabla el área correspondiente
Hay varios tipos de tablas de la distribución normal
La que se explica aquí representa las áreas para los
diferentes valores de z desde 0 hasta +
Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica
+
0
la tabla consta de: *Margen izquierdo : Los enteros de z y
su primer decimal
* Margen superior: segundo decimal
* Cuerpo de la tabla: áreas correspondientes,
acumuladas, desde 0
hasta 3.99
0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....
0 1 2 3 4
1.8
1.9
2.0 0.47882
2.1
47. 88%
z
-3 -2 -1 0 1 2 3
EJEMPLO Nº 2
¿Cuál es la probabilidad de que un valor de z esté entre 0 y 2.03?
Cómo la curva es simétrica
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 z
EJEMPLO Nº 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
EJEMPLO Nº 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
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
3.- La probabilidad de z > 1.25 =0.500 - 0.3944= 0.1056
50%
39.44%
10.56%
?
-3 -2 -1 0 1 z 2 3
EJEMPLO Nº 4
Hallar P( -0.34 < z < )
P(-0.34 < z < 0) = 0.13307 = P(0 < z <0.34)
P (0 < z < ) = 0.50000 63.31%
P( -0.34 < z < ) =
0.13307 + 0.50000 = 0.63307
13.31% 50%
-3 -2 -1 0 1 2 3
EJEMPLO Nº 5
Hallar P( 0.34 < z < 2.30) 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%
z
-3 -2 -1 0 1 2 3
EJEMPLO Nº 6
0.40824
0.09176
? x
-0.5 1 2.5 4 5.5 6 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
EJEMPLO Nº 7
Hasta ahora vimos como dado un valor x de la variable,
hallar probabilidades transformando (estandarización) la
x-
variable en valores de z=
¿Cómo hallar un valor de x, dada la probabilidad?
Ejemplo: Sea una variable distribuida normalmente con =4 y =2 .
Hallar el valor de x que deja por encima de él un 38.20% (0.3820)
Se debe desestandarizar :
x=z+
ESTE EJEMPLO LO
RESOLVEREMOS CON UNA
TABLA DIFERENTE A LA QUE
TENEMOS EN CLASE (LA CUAL
SEÑALA LOS VALORES DE O A
Z). La tabla que se presenta
señala los valores de z a ∞
LOS RESULTADOS DEBEN SER
IGUALES AL FINAL
Solución
a. Se dibuja la curva Normal con
los datos µ=115 y σ=12; x>120
Se calcula Z
xμ
z = 120-115 = 5= 0.42 Z 2
σ 12 12 0.4 .3372
x- µ 90 – 115 Z 8
z= = = - 2.08
σ 12 2.08 .01876
b 0.5
n x n x
q de
lim C x p Abraham Moivre f ( x ) dx
n a ,b a 0.5de las probabilidades”
En su obra “ La doctrina
es N (np, npq)
se encuentra la primera enunciación de la regla
de la multiplicación, y en sus dos últimas
ediciones aparecen las primeras indicaciones de
la distribución normal (1733) a partir del
teorema de Bernouilli
p(x)
a b
a -0.5 b + 0.5
CORRECCIÓN POR CONTINUIDAD
1.- np y nq 5
= np = 16 = npq = 3.1
SI np = 16 y nq = 24
z1 = 7.5-16/3.1 = -2.74 ; P = 0.4969
z2 = 8.5 - 16/3.1 = - 2.42 ; P = 0.4922
P(7.5<X<8.5) =
6.7 9.8 12.9 16
0.4969 - 0.4922 = 0.0047
7.5 8.5
EJEMPLO 2
Evalúe p(1≤x≤4) 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- distribución binomial
p(1≤x≤4)=p(1)+p(2)+p(3)+p(4)=
0.1319+0.2309+0.2502+0.1876=0.8006
B- Aproximación a normal
p(1≤x≤4) aplicando el factor de continuidad p(0.5≤x≤4.5)
Z1=(0.5-3)/√15*0.2*0.8=-1.61---p(z1=1.61)=0.0537
Z2=(4.5-3)/√15*0.2*0.8= 0.97---p(z1=0.97)=0.8340
p(1≤x≤4)=0.8340-0.0537=0.7803
EJEMPLO 3
Un fabricante sabe que en promedio el 2% de las
máquina de lavar que fabrica necesitan reparación
dentro de los 60 días después de su venta. ¿Cuál es la
probabilidad de entre 800 máquina de lavar
despachadas por el fabricante por lo menos 20
necesiten reparación dentro de los 60 días después de
vendidas.
Prueba medias n*p=800*0.02=16; n*q=800*0.98=784
Corrección por continuidad=20-0.5=19.5
Z1=(19.5-16)/√800*0.02*0.98=0.88—p(z=.88)=0.8106
P(x≥20)=1-0.8106=0.1894=18.94%
DISTRIBUCIONES
MUESTRALES
lim f ( S n ) N ( , )
n
S n X 1 X 2 ... X n
TEOREMA DEL LÍMITE CENTRAL
Sea x1, x2, ..., xn una muestra aleatoria de
observaciones tomadas de la misma distribución y
sea E(Xi) = y Var(Xi) = 2.
Entonces la distribución muestral de la variable
aleatoria:
(x )
Zn
/ n
converge a la normal standard N(0, 1) cuando n
tiende a infinito.
TEOREMA CENTRAL DEL LÍMITE
Teorema del Límite Central. El TCL se cumple aún
cuando la distribución desde la que se toman las
observaciones no sea normal. Esto significa que si
nosotros nos aseguramos que el tamaño de la
muestra es grande, entonces podemos usar la
variable Zn para responder preguntas acerca de la
población de la cual provienen las observaciones.
a-
X=ingreso promedio de las 100 familias
x=3000; n=100; x=B/.10,000.00
Z=x =11,200-10,000 =4---p (z=4)=0
x/√n 300
b-
Z=x =10,400-10,000 =1.5---p (z=1.5)=0.0668
x/√n 300
EJEMPLO 2