Distribucion Normal Modelos de probabilidad continuos

1. TEMA 5. MODELOS DE PROBABILIDAD
CONTINUOS
5.1 Distribución Normal
5.1.1 La media y la varianza
5.1.2 Representación gráfica
5.1.3 Distribución Normal tipificada
5.1.4 Uso de tablas
5.1.5 Aditividad
5.1.6 Aproximación de una Binomial a Normal
5.2 Otros modelos continuos
129

2. ™ 5.1 Distribución Normal
¾ Una
variable aleatoria continua, X, sigue una
distribución normal de parámetros O y σ
X → N (µ; σ )
si su función de densidad es:
f ( x) =
1
e
σ 2π
( x − µ )2
−
2σ 2
−∞ < x < ∞
−∞ < µ < ∞
σ >0
donde
ƒ Puede comprobarse que se verifica:
+∞
∫
−∞
f ( x) dx =
+∞
∫
−∞
1
e
σ 2π
( x − µ )2
−
2σ 2
dx = 1
130

3. ^ 5.1.1
La media y la varianza
™ Media
E[X ] = µ
™ Varianza
Var [ X ] = σ 2
™ Desviación típica
σ = Var[ X ]
131

4. ^ 5.1.2
Representación gráfica
^ Campana de Gauss
f(x)
−∞
µ
0
+∞
∫
x
∞
f ( x) dx = 1
−∞
¾ Se verifica:
^ La curva es simétrica respecto a µ
^ La media, la moda y la mediana coinciden
132

5. ™ Función de distribución
x1
F ( x1 ) = P( X ≤ x1) =
∫
f ( x) dx =
−∞
=
x1
∫
−∞
1
e
σ 2π
( x − µ )2
−
2σ 2
dx
f(x)
−∞
µ
x1
∞
Área a la izquierda del punto x1
133

6. ^ 5.1.3
Distribución Normal tipificada
¾ Una
variable aleatoria continua, X, sigue una
distribución normal de parámetros µ = 0 y σ = 1
X → N ( 0; 1)
si su función de densidad es:
x2
1 −2
f ( x) =
e
2π
E[X ] = µ = 0
D. T .[ X ] = σ = 1
Var [ X ] = σ 2 = 1
Si X → N ( µ ; σ ), entonces la variable aleatoria
X −µ
→ N ( 0; 1)
Z=
σ
134

7. ™ 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

8. ™ Función de distribución de la
Normal tipificada
z1
F ( z1 ) = P ( Z ≤ z1 ) =
∫
f ( z ) dz =
−∞
z1
=
∫
−∞
z2
1 −2
e
dz
2π
f(z)
−∞
0
z1
∞
Área a la izquierda del punto z1
136

9. ^ 5.1.4
Uso de tablas
α = P ( Z zα ) =
∞
∫
f ( z ) dz
zα
Área
−∞
= 1−α
Área
0
zα
= α
∞
Área a la derecha del punto zα
137

10. W Ejemplo
‰ Se sabe que la longitud de las alas extendidas de un
tipo de ave rapaz es una variable aleatoria que sigue una
distribución Normal, de media 120 cm. y desviación
típica 8 cm.
1. Calcúlese la probabilidad de que la longitud de un
ave elegida al azar sea:
a.- Mayor de 130 cm
b.- Menor de 100 cm
c.- Esté comprendido entre 110 y 130 cm
2. Obtener la longitud tal que solo el 10 % de las
aves tienen una longitud superior.
Solución:
X → N (120; 8)
1.
 X − 120 130 − 120 
a. P( X 130) = P 
=
8
8


= P ( Z 1.25) = 0.1056
138

11. 100 − 120 

b. P( X 100) = P  Z
 = P ( Z −2.5)
8


= P( Z 2.5) = 0.00621
130 − 120 
 110 − 120
c. P(110 X 130) = P 
Z
=
8
8


= P(−1.25 Z 1.25) = 1 − 2 P( Z 1.25) =
= 1 − 2 × 0.1056 = 0.7888
2. P ( X a ) = 0.1
 X − 120 a − 120 
P
 = P ( Z z1 ) = 0.1 ⇒
8
8 

a − 120
= 1.28 ⇒
z1 = 1.28 ⇒
8
a = 1.28 × 8 + 120 = 130.24
139

12. W Ejemplos
‰ Una de las mayores contribuciones a la contaminación
atmosférica es la provocada por los hidrocarburos
procedentes de los tubos de escape de los
automóviles. Sea X: “gramos de hidrocarburos
emitidos por un automóvil por cada milla recorrida”.
Supongamos que X es una variable distribuida
normalmente y que tiene una media de 1 gr. y una
desviación típica de 0.25 gr.
‰ El plomo, como muchos otros elementos, está
presente en el medio natural. La revolución industrial
y la llegada del automóvil han incrementado la
cantidad de plomo en el medio hasta el punto de que
su concentración puede alcanzar niveles peligrosos.
Sea X : “concentración de plomo en partes por millón
en la corriente sanguínea de un individuo”.
Supongamos que X es una variable normal con media
0.25 y desviación típica 0.11. Una concentración
superior o igual a 0.6 partes por millón se considera
extremadamente alta. ¿Cuál es la probabilidad de que
un individuo seleccionado aleatoriamente esté
incluido en esta categoría?
140

13. ^ 5.1.5
Aditividad
¾ Sean k variables aleatorias, X1, X2,...,XK , que verifican:
ƒ Independientes entre sí
ƒ Xi
N ( µi ;σ i ), i = 1, 2,…k
¾ Sean k números reales, a1, a2,…, ak
¾ Definimos la variable aleatoria X como:
X = a1 X1 + a2 X 2 + .... + ak X k
9 En estas condiciones se verifica que la variable aleatoria
X sigue una distribución Normal:
2
2
2
N  a1µ 1 + a2 µ 2 + .. + a k µ k ; a1σ1 + a2σ 2 + .. + akσ k 




141

14. ^5.1.6 Aproximación de una binomial a una
Normal
¾ Sea X una v.a. con distribución Binomial
X → B(n ; p )
¾ Si se verifica que n es grande y p ni muy
grande ni muy pequeño :
n 30 y 0.1 p 0.9
9 La Distribución Binomial se aproxima a una
distribución Normal de parámetros np y npq,
respectivamente
(
X → N np ; npq
)
X − np
→ N (0; 1)
Z=
npq
142

15. ^ Aproximaciones
NORMAL
0.1 p 0.9
y
n 30
λ ≥ 10
Aproximaciones
POISSON
BINOMIAL
n 30 y p 0.1
o
np ≤ 5
143

16. ™ 5.2 Otros modelos continuos
Existen otros modelos de probabilidad continuos:
- Uniforme
- Weibull
etc
144