You are on page 1of 13

DISTRIBUCIN NORMAL

La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria contnua, 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 le 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 (σ). Con esta notacin, la densidad de la normal viene dada por la ecuacin:

que determina la curva en forma de campana que tan bien conocemos.

Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente en la estadstica : Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la que es necesario hacer inferencias mediante la toma de muestras. La distribucin normal casi se ajusta a las distribuciones de frecuencias reales observadas en muchos fenmenos, incluyendo caractersticas humanas, resultados de procesos fsicos y muchas otras medidas de inters para los administradores, tanto en el sector pblico como en el privado. Propiedad: No importa cules sean los valores de y σ para un distribucin de probabilidad normal, el rea total bajo la curva siempre es 1, de manera que podemos pensar en reas bajo la curva como si fueran probabilidades. Matemticamente es verdad que: Aproximadamente el 68% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 1 desviacin estndar de la media. Aproximadamente el 95.5% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 2 desviaciones estndar de la media. Aproximadamente el 99.7% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 3 desviaciones estndar de la media.

Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la distancia a la media medida en desviaciones estndar. Estas grficas muestran tres formas diferentes de medir el rea bajo la curva normal. Sin embargo, muy pocas de las aplicaciones que haremos de la distribucin normal de probabilidad implican intervalos de exactamente (ms o menos) 1, 2 3 desviaciones estndar a partir de la media. Para estos casos existen tablas estadsticas que indican porciones del rea bajo la curva normal que estn contenidas dentro de cualquier nmero de desviaciones estndar (ms o menos) a partir de la media. Afortunadamente tambin podemos utilizar una distribucin de probabilidad normal estndar para encontrar reas bajo cualquier curva normal. Con esta tabla podemos determinar el rea o la probabilidad de que la variable aleatoria distribuida normalmente est dentro de ciertas distancias a partir de la media. Estas distancias estn definidas en trminos de desviaciones estndar. USO DE LA TABLA DE DISTRIBUCIN NORLAM DE PROBABILIDAD NORMAL STANDAR Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el mismo nmero de desviaciones estndar a partir de la media contendrn la misma fraccin del rea total bajo la curva para cualquier distribucin de probabilidad normal. Esto hace que sea posible usar solamente una tabla (Apndice Tabla 1) de la distribucin de probabilidad normal estndar.

El valor de z est derivado de la frmula:

En la que: x = valor de la variable aleatoria que nos preocupa. = media de la distribucin de la variable aleatoria. σ = desviacin estndar de la distribucin. z = nmero de desviaciones estndar que hay desde x a la media de la distribucin. (el uso de z es solamente un cambio de escala de medicin del eje horizontal)

Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones estndar EJEMPLO. Partiendo de la misma premisa, = 500 y σ = 100. Cul es la probabilidad de que un candidato elegido al azar se tome entre 500 y 650 horas en completar el programa de entrenamiento?

Si buscamos Z=1.5 (refirase a la tabla), encontramos una probabilidad de 0.4332. Por lo tanto, la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas

para terminar el programa de entrenamiento es de 0.4332

Simetra es un rasgo caracterstico de formas geomtricas, sistemas, ecuaciones y otros objetos materiales, o entidades abstractas, relacionada con su invariancia bajo ciertas transformaciones, movimientos o intercambios. En condiciones formales, un objeto es simtrico en lo que concierne a una operacin matemtica dada si el resultado de aplicar esa operacin o transformacin al objeto, el resultado es un objeto indistinguible en su aspecto del objeto original. Dos objetos son simtricos uno al otro en lo que concierne a un grupo dado de operaciones si uno es obtenido de otro por algunas operaciones (y viceversa). En la geometra 2D las clases principales de simetra de inters son las que conciernen a las isometras de un espacio eucldeo: traslaciones, rotaciones, reflexiones y reflexiones que se deslizan. Adems de simetras geomtricas existen simetras abstractas relacionadas con operaciones abstractas como la permutacin de partes de un objeto. Curva Mesocrtica: Es el que corresponde a la curva normal y presenta un nivel de apuntamiento considerado como ideal. Distribucin Probabilidad Variable Aleatoria Continua Tipos de distribuciones de probabilidad. Las distribuciones de probabilidad se clasifican como continuas y discretas. En la distribucin de probabilidad discreta est permitido tomar slo un nmero limitado de valores. En una distribucin de probabilidad continua, la variable que se est considerando puede tomar cualquier valor dentro de un intervalo dado. Las distribuciones continuas son una forma conveniente de presentar distribuciones discretas que tienen muchos resultados posibles, todos muy cercanos entre s. Variables aleatorias. Valor esperado de una variable aleatoria. Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de una presentacin a otra, sin seguir una secuencia predecible. Los valores de una variable aleatoria son los valores numricos correspondientes a cada posible resultado de un experimento aleatorio. La distribucin de probabilidad de una variable aleatoria proporciona una probabilidad para cada valor posible, y estas probabilidades deben sumar 1. Valor esperado de una variable aleatoria. El valor esperado es una idea fundamental en el estudio de las distribuciones de probabilidad. Para obtener el valor esperado de una variable aleatoria discreta, se multiplica cada valor que la variable puede tomar por la probabilidad de presentacin de ese valor y luego se suman esos productos. Es un promedio pesado de los resultados que se esperan en el futuro. El valor esperado pesa cada resultado posible con respecto a la frecuencia con que se espera se que presente. En consecuencia, las presentaciones ms comunes tienen asignadas un peso mayor que las menos comunes. El valor esperado tambin puede ser obtenido a partir de estimaciones subjetivas. En ese caso, el valor esperado no es ms que la representacin de las convicciones personales acerca del resultado posible.

En muchas situaciones, encontraremos que es ms conveniente, en trminos de los clculos que se deben hacer, representar la distribucin de probabilidad de una variable aleatoria de una manera algebraica. Al hacer esto, podemos llevar a cabo clculos de probabilidad mediante la sustitucin de valores numricos directamente en una frmula algebraica. Distribuciones de variable discreta Se denomina distribucin de variable discreta a aquella cuya funcin de probabilidad slo toma valores positivos en un conjunto de valores de finito o infinito numerable. A dicha funcin se le llama funcin de masa de probabilidad. En este caso la distribucin de probabilidad es la suma de la funcin de masa, por lo que tenemos entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta expresin representa la suma de todas las probabilidades desde hasta el valor . Distribuciones de variable discreta ms importantes Las distribuciones de variable discreta ms importantes son las siguientes: Distribucin binomial Distribucin binomial negativa Distribucin Poisson Distribucin geomtrica Distribucin hipergeomtrica Distribucin de Bernoulli Distribuciones de variable continua se denomina variable continua a aquella que puede tomar cualquiera de los infinitos valores existentes dentro de un intervalo. En el caso de variable continua la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:

Distribuciones de variable continua ms importantes Las distribuciones de variable continua ms importantes son las siguientes: Distribucin ji cuadrado Distribucin exponencial Distribucin t de Student Distribucin normal Distribucin Gamma Distribucin Beta Distribucin F Distribucin uniforme (continua) DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS CONTINUAS: NORMAL Y EXPONENCIAL VARIABLES ALEATORIAS CONTINUAS A diferencia de una variable aleatoria discreta, una variable aleatoria continua es la que puede tomar cualquier valor fraccionario en un rango determinado de

valores. Como existe un nmero infinito de posibles mediciones fraccionarias, no pueden enlistarse todos los valores posibles con una probabilidad correspondiente. Ms bien, se define una funcin de densidad de probabilidad. Esta expresin matemtica da la funcin de X, y se representa mediante el smbolo f(X), para cualquier valor designado de la variable aleatoria X. A la grfica de una funcin de este tipo se le denomina curva de probabilidad y el rea entre dos puntos cualesquiera bajo la curva de la probabilidad de la ocurrencia aleatoria de un valor entre esos dos puntos. EJEMPLO Para la distribucin continua de probabilidad de la figura siguiente, la probabilidad de que un embarque seleccionado al azar tenga un peso neto entre 3,000 y 4,000 kilogramos es igual a la proporcin del rea total bajo la curva que se encuentra en el rea sombreada. Es decir, se define que el rea total bajo la funcin de densidad de probabilidad es igual a 1, y puede determinarse la proporcin de esta rea que se encuentra entre dos puntos determinados aplicando el mtodo de la integracin (del clculo diferencial e integral) junto con la funcin matemtica de densidad de probabilidad para esa curva de probabilidad.

Existen diversas distribuciones continuas de probabilidad comunes que son aplicables como modelos a una amplia gama de variables continuas en determinadas circunstancias. Existen tablas de probabilidades para esas distribuciones estndar, haciendo que resulte innecesario el mtodo de la integracin para determinar las reas bajo la curva de probabilidad para estas distribuciones. Los modelos comunes de distribuciones de probabilidad continua que se describen son las distribuciones normal y la exponencial. LA DISTRIBUCIN NORMAL DE PROBABILIDAD La distribucin normal de probabilidad es una distribucin continua de probabilidad que es, al mismo tiempo, simtrica y mesokrtica (que no es plana ni puntiaguda). Con frecuencia se describe a la curva de probabilidad que representa la distribucin normal como una campana como se muestra.

La distribucin normal de probabilidad es muy importante en inferencia estadstica por tres razones principales:

Se sabe que las mediciones que se obtienen en muchos procesos aleatorios tienen esta clase de distribucin. Con frecuencia pueden utilizarse las probabilidades normales para aproximar otras distribuciones de probabilidad tales como las distribuciones binomial y Poisson. Las distribuciones de estadsticas como la media muestral y la proporcin muestral tienen distribucin normal cuando el tamao de la muestra es grande, sin importar la forma de la distribucin de la poblacin de origen. Como se mencion antes, en el caso de las distribuciones continuas de probabilidad slo es posible determinar un valor de probabilidad para un intervalo de valores. La altura de la funcin de densidad, o curva de probabilidad, para un variable con distribucin normal est dada por 1 -[(X-)2/22] f(X) = -------- e 2 en donde es la constante 3.1416, e es la constante 2.7183, es la media de la distribucin y es la desviacin estndar de la distribucin. Como cualquier combinacin distinta de y genera una distribucin normal de probabilidad distinta (todas ellas simtricas y mesokrticas), las tablas de las probabilidades normales se basan en una distribucin especfica: La distribucin normal estndar. sta es una distribucin normal en la que =0 y =1. Cualquier valor X de una poblacin con distribucin normal puede convertirse a su valor normal estndar equivalente, z, mediante la frmula X- z = ---- PUNTOS PERCENTILES PARA VARIABLES CON DISTRIBUCIN NORMAL Puede recordarse que el punto percentil 90 es el punto de la distribucin tal que el 90% de los valores se encuentran por debajo de l y el 10% por encima. Para la distribucin normal estndar, es el valor de z tal que la proporcin total de rea a la izquierda de ese valor, bajo la curva normal, es 0.90. EJEMPLO En la siguiente figura se ilustra la posicin del punto percentil 90 para la distribucin normal estndar. Para determinar el valor requerido de z, se utiliza la tabla correspondiente en el sentido contrario al comn, porque, en este caso, el rea bajo la curva entre la media y el punto de inters es 0.40, tal como se ha especificado, y se desea determinar el valor correspondiente de z. Se busca en el cuerpo de la tabla el valor ms cercano a 0.4000. Este valor resulta ser 0.3997. Determinando los encabezados del rengln y de la columna, se encuentra que el valor de z asociado con esta rea es 1.28, y por lo tanto, z 0.90 = + 1.28.

Dado el procedimiento de este ejemplo, que permite determinar un punto percentil para la distribucin normal estndar, puede determinarse un punto percentil para una variable aleatoria con distribucin normal convirtiendo el valor pertinente de z al valor que se requiere de X, mediante la frmula X= +z APROXIMACIN NORMAL A PROBABILIDADES BINOMIALES Cuando el nmero de observaciones o ensayos n es relativamente grande, puede utilizarse la distribucin normal de probabilidad para aproximar las posibilidades binomiales. Una regla conveniente consiste en afirmar que esas aproximaciones son aceptables cuando n , y tanto np 5 como nq 5. Esta regla, en combinacin con la que se proporciona con respecto a la aproximacin de Poisson a las probabilidades binomiales, significa que en los casos en que n 30, las probabilidades binomiales pueden aproximarse, ya sea mediante la distribucin normal o la de Poisson, dependiendo de los valores np y nq. Algunos otros textos pueden utilizar reglas un tanto distintas para determinar los casos en los que esas aproximaciones son apropiadas. Cuando se utiliza la distribucin normal de probabilidad como base para aproximar un valor binomial de probabilidad, la media y la desviacin estndar se basan en un valor esperado y la varianza del nmero de xitos de la distribucin binomial, el nmero promedio de xitos es = np La desviacin estndar del nmero de xitos es = npq APROXIMACIN NORMAL A PROBABILIDADES DE POISSON Cuando la media de una distribucin Poisson es relativamente grande, puede utilizarse la distribucin normal de probabilidad para aproximar probabilidades tipo Poisson. Una regla prctica consiste en afirmar que esa aproximacin es aceptable cuando 10.0. La media y la desviacin estn dar de la distribucin normal de probabilidad se basan en el valor esperado y la varianza del nmero de eventos de un proceso Poisson. Esta media es = La desviacin estndar es = Distribucin de Poisson La distribucin de Poisson tambin se llama distribucin de sucesos raros. Distribucin binomial

La distribucin binomial modela una situacin en la que hay n ensayos independientes con una probabilidad constante de xito. APROXIMACIN NORMAL A LA BINOMIAL EJERCICIO 1 Supngase una distribucin de probabilidad binomial, con n = 40 y u = 0.55. Calcule lo siguiente: a. La media y la desviacin estndar de la variable aleatoria.

b. La probabilidad de que x sea igual o superior a 25.

c.

La probabilidad de que x sea igual o inferior a 15.

d. La probabilidad de que x este entre 15 y 25 , inclusive

APROXIMACIN DE LA NORMAL A LA BINOMIAL. En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma muy aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p = p(xito) no es muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es,

Donde: x = variable de tipo discreto; solo toma valores enteros = np = media de la distribucin Binomial = = desviacin estndar de la distribucin Binomial

Cuando ocurren las condiciones anteriores, la grfica de la distribucin Binomial, es muy parecida a la distribucin Normal, por lo que es adecuado calcular probabilidades con la Normal en lugar de con la Binomial y de una forma ms rpida. En resumen, se utiliza la aproximacin Normal para evaluar probabilidades Binomiales siempre que p no est cercano a 0 o 1. La aproximacin es excelente cuando n es grande y bastante buena para valores pequeos de n si p est razonablemente cercana a . Una posible gua para determinar cuando puede utilizarse la aproximacin Normal es tener en cuenta el clculo de np y nq. S ambos, np y nq son mayores o iguales a 5, la aproximacin ser buena. Antes de empezar a resolver problemas con la aproximacin Normal, es bueno aclarar que se estn evaluando probabilidades asociadas a una variable discreta x, con una distribucin que evala variables de tipo continuo como es la Normal, Por lo que z sufre un pequeo cambio como se muestra a continuacin:

Porqu vamos a sumar o a restar a x? Este es un factor de correccin debido a que se est evaluando una variable discreta con una distribucin continua, por lo que hay que delimitar claramente desde que punto se va a evaluar la variable, dicho de otra forma, en que lmite de la barra (inferior o superior) nos debemos posicionar para determinar la probabilidad requerida, cada barra de probabilidad a evaluar tiene como base la unidad, ese es el porqu del .

Ejemplos: 1. La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre es de 0.4. Si se sabe que 100 personas han contrado esta enfermedad, Cul es la probabilidad de que: a) al menos 30 sobrevivan?, b) ms de 46 sobrevivan?, c) menos de 50 no sobrevivan? Solucin: a) n = 100 p = p(paciente se recupere) = 0.40 q = p(paciente no se recupere) = 1 p = 1 0.40 = 0.60 = np = (100)(0.40) = 40 pacientes se recuperen = = pacientes que se recuperan x = variable que nos define el nmero de pacientes que se recuperan x = 0, 1, 2,....,100 pacientes que se recuperan

X = 29.5 = 40

p( z = -2.14) =0.4838 p(x 30 ) = p(z = -2.14) +0.5 = 0.4838 + 0.5 = 0.9838 a)

p(z = 1.33) = 0.4082 p(x > 46) = 0.5 p(z = 1.33) = 0.5 0.4082 = 0.0918 b) n = 100 p = p(paciente no sobreviva) = 0.60 q = p(paciente sobreviva) = 1 p = 0.40 pacientes que no se recuperan pacientes que no se recuperan x = variable que nos define el nmero de pacientes que no sobreviven x = 0, 1, 2, ....,100

p( z = -2.14) = 0.4838 p(x < 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162

You might also like