Professional Documents
Culture Documents
=
n
i
i
p
VARIABLES ALEATORIAS DISCRETAS
EJEMPLO
Experimento Aleatorio: Lanzamiento de dos dados.
Variable Aleatoria: Suma de las puntuaciones de ambos dados.
X= Suma de las puntuaciones de ambos dados
Resultados posibles del experimento segn las puntuaciones
obtenidas con los dados. Cada uno de estos 36 casos son
equiprobables.
1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Rango de X={2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Prob. Pi
X
1/36 5/36 3/36 2/36 3/36 4/36 5/36 4/36 1/36 2/36 6/36
8 11 10 9 7 6 5 2 3 4 12
( ) ( ) | | 1 , 1
36
1
2 = = X P
( ) ( ) ( ) | | 2 , 1 , 1 , 2
36
2
3 = = X P
36
k) (Suman #
k) Prob(X = =
La funcin de masa de probabilidad de la v.a discreta
X= Suma de las puntuaciones de ambos dados
viene dada en la siguiente tabla:
EJEMPLO
VARIABLES ALEATORIAS DISCRETAS
FUNCIN DE DISTRIBUCIN
La funcin de distribucin de una variable aleatoria se corresponde
con el concepto de frecuencia relativa acumulada. La funcin de
distribucin, F(x), se define:
s
= s =
x x
i
i
x P x X P x F ) ( ] [ ) (
PROPIEDADES DE LA FUNCIN DE DISTRIBUCIN
1. Siempre es montona creciente Si x
1
<x
2
entonces F
(x
1
) F
(x
2
)
2. F(x) verifica:
3. F(x)es siempre continua por la derecha.
1 (x) F lim
X
x
=
+
0 (x) F lim
X
x
=
VARIABLES ALEATORIAS DISCRETAS
FUNCIN DE DISTRIBUCIN Y CLCULO DE
PROBABILIDADES
La Funcin de Distribucin permite calcular la probabilidad de los
sucesos ms usuales asociados a una variable. De forma general:
1) P(X a)=F(a)
2) P(X > a)= 1-F(a)
3) P(a<Xb)= F(b)-F(a).
Esta propiedad me permite calcular fcilmente la probabilidad
de que la variable tome valores en un intervalo.
Cuidado con las desigualdades en las variables discretas.
Probabilsticamente NO es lo mismo que < y que >
VARIABLES ALEATORIAS DISCRETAS
EJEMPLO
Experimento Aleatorio: Lanzamiento de dos dados.
La funcin de distribucin de la v.a discreta
X= Suma de las puntuaciones de ambos dados
viene dada en la siguiente tabla:
F(xi)
X
1/36 26/36 33/36 3/36 6/36 15/36 30/36 1 35/36 21/36
8 11 10 9 7 6 5 2 3 4 12
10/36
EJEMPLO
La representacin grfica de esta funcin de distribucin es:
Atencin! Grfica escalonada
VARIABLES ALEATORIAS DISCRETAS
MEDIA Y VARIANZA
El valor esperado, esperanza o media de una variable aleatoria
discreta se define como:
La varianza de una variable aleatoria discreta se define como:
= =
=
n
i 1
i i
p x E(X)
2 2
n
1 i
i
2
i
n
1 i
i
2
i
p x p ) (x Var(X) o = = =
= =
En estas expresiones se ha sustituido la frecuencia relativa,
que se usaba en el caso de los parmetros muestrales
correspondientes, por la probabilidad.
VARIABLES ALEATORIAS DISCRETAS
EJEMPLO
Experimento Aleatorio: Lanzamiento de dos dados.
Variable Aleatoria: X= Suma de las puntuaciones de ambos dados
Prob. Pi
X
1/36 5/36 3/36 2/36 3/36 4/36 5/36 4/36 1/36 2/36 6/36
8 11 10 9 7 6 5 2 3 4 12
puntos 7
36
1
12 ...
36
2
3
36
1
2 p x E(X)
n
1 i
i i
= + + + = =
=
( )
2
2
2 2 2 2
83 , 5 7
36
1
12 ...
36
3
4
36
2
3
36
1
2 ) ( puntos X Var =
|
.
|
\
|
+ + + + =
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN DE BERNOULLI
A los experimentos aleatorios en los que slo se pueden dar
dos resultados posibles (xito - fracaso) se denominan
experimentos o pruebas de Bernoulli.
Ejemplos de pruebas de Bernoulli:
Lanzar un dado y observar si el resultado es par.
Lanzar una moneda y observar si el resultado es cruz.
Observar si una pieza fabricada por una determinada
mquina es defectuosa.
Observar si un recin nacido es varn.
Observar si un accidente de trfico tiene resultado de
muerte.
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN DE BERNOULLI
Dada una prueba de Bernoulli, la v.a X que toma el valor 1 si se
presenta xito y el valor 0 si se presenta fracaso, diremos que se
distribuye segn una distribucin de Bernoulli:
X 0 1 E(X) = p
P(X) 1-p p Var(X) = p(1-p)
p : probabilidad de obtener xito en el experimento
1-p : probabilidad de obtener fracaso en el experimento.
) ( p Be X
DISTRIBUCIN DE BERNOULLI
EJEMPLO
Si un proceso de fabricacin produce un 2% de elementos
defectuosos y llamamos xito el resultado de obtener un producto
correcto, entonces la v.a:
X= Observar si el producto es correcto
sigue una distribucin de Bernoulli, es decir,
) 98 . 0 ( = p Be X
X 0 1
P(X) 0.02 0.98
E(X) = p= 0.98
Var(X)=p(1-p)=0.980.02=0.0196
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN BINOMIAL
Si una prueba de Bernoulli, se realiza consecutivamente n veces,
de forma independiente y siempre en las mismas condiciones que
la primera vez puede interesarnos conocer el nmero total de
xitos conseguidos.
) , ( p n B X
p : probabilidad de obtener xito en cada prueba.
En una prueba de Bernoulli, la variable aleatoria:
X= N de xitos aparecidos en n pruebas.
decimos que sigue una distribucin Binomial de parmetros n y p.
k n k
p) (1 p
k
n
k) P(X
|
|
.
|
\
|
= =
E(X) = n p
Var(X)=n p(1-p)
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN BINOMIAL
La funcin de probabilidad de la distribucin Binomial viene dada
por:
n : nmero de veces que se realiza el experimento.
p : probabilidad de xito en cada prueba.
1-p : probabilidad de fracaso en cada prueba.
k : Nde xitos al que queremos calcular la probabilidad.
La media y la varianza de la distribucin Binomial son:
Atencin! Rango de k: 0, 1,,n
DISTRIBUCIN BINOMIAL
EJEMPLO
En un proceso de fabricacin industrial se producen un 12% de piezas
defectuosas.
Cul es la probabilidad de que de un lote de 20 piezas resulten
defectuosas al menos 3?
Definimos la variable : X=N de piezas defectuosas en un lote de 20
) 12 . 0 ; 20 ( B X
| | | | | | | | | | | |
( ) ( )
( ) ( )
( ) ( ) 27403 . 0
18
88 . 0
2
12 . 0
2
20
] 2 [
21153 . 0
19
88 . 0
1
12 . 0
1
20
] 1 [
07756 . 0
20
88 . 0
0
12 . 0
0
20
] 0 [
2 1 0 1 3 1 3
=
|
|
.
|
\
|
= =
=
|
|
.
|
\
|
= =
=
|
|
.
|
\
|
= =
= = + = + = = < = >
X P
X P
X P
X P X P X P X P X P 0.43688
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN GEOMTRICA
En una proceso de Bernoulli, la variable aleatoria:
X= N de prueba en la que aparece el primer xito.
decimos que sigue una distribucin Geomtrica de parmetro p.
) ( p Ge X
p : probabilidad de obtener xito en cada prueba.
( ) p p k X P
k
= =
1
1 ) (
La funcin de probabilidad de la distribucin Geomtrica viene
dada por:
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN GEOMTRICA
p : probabilidad de xito en cada prueba.
q = 1-p : probabilidad de fracaso en cada prueba.
k : N de intentos necesarios para conseguir el primer xito.
La media y la varianza de la distribucin Geomtrica son:
E(X) = 1/p
Var(X)=q/p
2
Atencin! Rango de k: 1, 2,
DISTRIBUCIN GEOMTRICA
EJEMPLO
En un proceso de fabricacin industrial se producen un 12% de piezas
defectuosas.
Cul es la probabilidad de que sea necesario fabricar 8 piezas hasta
encontrar la primera pieza defectuosa?
Definimos la variable : Y= N de piezas que se necesitan fabricar hasta
encontrar la primera defectuosa
) 12 . 0 ( Ge Y
| | ( ) ( ) 0.049 = = = 12 . 0 88 . 0 8
7
Y P
Cul es la probabilidad de que sea necesario fabricar ms de 3 piezas hasta
encontrar la primera pieza defectuosa?
DISTRIBUCIN GEOMTRICA
EJEMPLO
| | | |
( )( )
( ) ( ) 0929 . 0 12 . 0
2
88 . 0 ] 3 [
1056 . 0 12 . 0 88 . 0 ] 2 [
12 . 0 ] 1 [
]] 3 [ ] 2 [ ] 1 [ [ 1 3 1 3
=
=
= =
= =
= =
= = + = + = = s = >
Y P
Y P
Y P
Y P Y P Y P Y P Y P 0.6815
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN BINOMIAL NEGATIVA
En una proceso de Bernoulli, la variable aleatoria:
X= N de pruebas que son necesarias hasta obtener r xitos.
decimos que sigue una distribucin Binomial Negativa de
parmetros p y r.
) , ( p r BN X
p : probabilidad de obtener xito en cada prueba.
r : nmero de xitos que se quieren conseguir.
La funcin de probabilidad de la distribucin Binomial Negativa
viene dada por:
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN BINOMIAL NEGATIVA
p : probabilidad de xito en cada prueba.
q=1-p : probabilidad de fracaso en cada prueba.
r : nmero de xitos que se quieren conseguir.
k : nmero de intentos necesarios para conseguir r xitos.
La media y la varianza de la distribucin Binomial Negativa son:
E(X) = r/p
Var(X)= rq/p
2
P(X =k) =
k 1
r 1
p
r
1 p
( )
k r
Atencin! Rango de k: r, r+1,
DISTRIBUCIN BINOMIAL NEGATIVA
EJEMPLO
En un proceso de fabricacin industrial se producen un 12% de piezas
defectuosas.
Cul es la probabilidad de que sea necesario fabricar entre 40 y 42 piezas
para conseguir 5 piezas defectuosas?
Definimos la variable : T=N de piezas que se necesitan fabricar hasta
encontrar la 5 defectuosa
) 12 . 0 ; 5 ( BN T
| |
( ) ( )
( ) ( )
( ) ( )
02225 . 0
37
88 . 0
5
12 . 0
4
41
] 42 [
02281 . 0
36
88 . 0
5
12 . 0
4
40
] 41 [
02333 . 0
35
88 . 0
5
12 . 0
4
39
] 40 [
] 42 [ ] 41 [ ] 40 [ 42 40
= = =
= = =
= = =
= = + = + = = s s
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
T P
T P
T P
T P T P T P T P 0.06839
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN HIPERGEOMTRICA
Un modelo o variable con distribucin Hipergeomtrica surge cuando
medimos el n de xitos obtenidos al realizar n extracciones sin
reemplazamiento de una poblacin de tamao N, donde M individuos
presentan una caracterstica determinada (xitos) y los restantes N-M
individuos no presentan dicha caracterstica (fracasos).
La distribucin Hipergeomtrica representa una variante de la
distribucin Binomial cuando no podemos suponer que las pruebas de
Bernoulli son independientes.
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN HIPERGEOMTRICA
Si se tiene un conjunto con N elementos, M de una clase y N-M de otra,
y se extraen n de ellos sin reemplazamiento, la probabilidad de extraer
k elementos de la primera clase es:
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
n
N
k n
M N
k
M
k X P ) (
Decimos que la variable aleatoria:
X= N de elementos obtenidos de la primera clase
sigue una distribucin hipergeomtrica de parmetros N, M y n.
) , , ( n M N H X
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN HIPERGEOMTRICA
Si llamamos p= M/N, la media y la varianza de la distribucin
Hipergeomtrica son:
) 1 (
1
) (
) (
p np
N
n N
X Var
np X E
=
=
DISTRIBUCIN HIPERGEOMTRICA
EJEMPLO
En un lote de 50 piezas hay 10 defectuosas. Si elegimos al azar 6 piezas:
Cul es la probabilidad de que 2 sean defectuosas?
Definimos la variable : X=N de piezas defectuosas extradas
) 6 ; 10 ; 50 ( H X
0.2588 =
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
15890700
91390 45
6
50
4
40
2
10
2) P(X
DISTRIBUCIN HIPERGEOMTRICA
EJEMPLO
Si elegimos al azar 6 piezas:
Cul es la probabilidad de que menos de 2 sean defectuosas?
| | | | | |
| |
| | 0.41408
6
50
5
40
1
10
1 X P
0.24159
6
50
6
40
0
10
0 X P
0.41408 0.24159 1 X P 0 X P 2 X P
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
= + = = + = = < 0.65567
DISTRIBUCIN HIPERGEOMTRICA
EJEMPLO
Cul es el nmero de piezas defectuosas que se espera obtener cuando
elegimos al azar 15 piezas?
Definimos la variable : X=N de piezas defectuosas extradas
) 15 ; 10 ; 50 ( H X
3
50
10
15 ) ( = = = =
N
M
n p n X E
El n medio de piezas defectuosas que se obtendr al extraer 15 piezas ser 3.
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN DE POISSON
La distribucin de Poisson constituye una familia de distribuciones
de probabilidad que tienen un papel muy importante en la
estadstica.
Situaciones empricas que se rigen por un comportamiento de
tipo Poisson:
n de llamadas telefnicas que recibimos en una hora.
n de faltas de ortografa que se producen en un texto.
n de nacimientos en un da.
n de averas de una mquina en un ao.
Estas variables describen el nmero de veces que ocurre un suceso
raro o poco frecuente por unidad de tiempo, longitud, etc.
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN DE POISSON
Si llamamos = n medio de ocurrencias del suceso raro,
entonces la variable aleatoria:
X= N de veces que ocurre un suceso raro por unidad de
tiempo, longitud, etc.
decimos que sigue una distribucin de Poisson de parmetro
.
0
) (
>
P X
La funcin de probabilidad de la distribucin de Poisson viene dada
por:
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
DISTRIBUCIN DE POISSON
La media y la varianza de la distribucin de Poisson son:
E(X) =
Var(X)=
Atencin! Rango de k: 0, 1,
| |
! k
k
e
k X P
= =
DISTRIBUCIN DE POISSON
EJEMPLO
El promedio de llamadas telefnicas atendidas en la centralita de una
cierta Facultad es de 36 llamadas por hora. Calcular la probabilidad de que
en un periodo de 5 minutos:
a) Se atiendan 5 llamadas
b) Se atiendan ms de 2 llamadas
Ojo!
Una variable Poisson queda definida por una determinada unidad de
tiempo y por el trmino medio de llegadas en la misma.
= 36 llamadas / hora
Llegadas en una hora P(36)
= 3 llamadas / 5 Minutos
Llegadas en 5 minutos P(3)
DISTRIBUCIN DE POISSON
EJEMPLO
X=N de llamadas atendidas en 5 minutos
= n medio de llamadas atendidas en 5 minutos = 3
) 3 ( P X
a) Probabilidad de que se atiendan 5 llamadas
| | 0,100819 = = =
5!
3 e
5 X P
5 3
b) Probabilidad de que se atiendan ms de 2 llamadas
| | | | 0'57681 =
(
+ + = s = >
2!
3 e
1!
3 e
0!
3 e
1 2 X P 1 2 X P
2 3 1 3 0 3
VARIABLES ALEATORIAS CONTINUAS
Las variables continuas quedan determinadas cuando conocemos
cmo se distribuye la probabilidad entre los posibles valores que
tome.
Para determinar la probabilidad de cada posible intervalo de
valores utilizaremos la funcin de densidad.
FUNCIN DE DENSIDAD
La funcin de densidad f(x) de una variable aleatoria continua es
una expresin matemtica que permite determinar la probabilidad
de cada posible intervalo de valores a travs del rea que encierra
la curva entre los lmites del intervalo.
VARIABLES ALEATORIAS CONTINUAS
FUNCIN DE DENSIDAD
Las propiedades que debe cumplir f(x) para que pueda ser
considerada una funcin de densidad de una variable
aleatoria continua son las siguientes:
}
+
=
>
1 ) (
0 ) (
dx x f
x f
VARIABLES ALEATORIAS CONTINUAS
CMO UTILIZAR f(x) PARA CALCULAR PROBABILIDADES?
}
= s
x
f(t)dt x) P(X
}
+
= >
x
f(t)dt x) P(X
VARIABLES ALEATORIAS CONTINUAS
CMO UTILIZAR f(x) PARA CALCULAR PROBABILIDADES?
}
= s s
b
a
f(t)dt b) X P(a
0 f(t)dt a) X P(a a) P(X
a
a
= = s s = =
}
IMPORTANTE!
En v.a continuas la
probabilidad de un punto
aislado siempre es 0
FUNCIN DE DISTRIBUCIN
VARIABLES ALEATORIAS CONTINUAS
La funcin de distribucin de una variable aleatoria se
corresponde con el concepto de frecuencia relativa acumulada. La
funcin de distribucin, F(x), se define:
}
= s =
x
dx x f x X P x F ) ( ] [ ) (
Por tanto, la funcin de distribucin de una variable aleatoria
continua puede ser obtenida a partir de la funcin de densidad f(x)
Recprocamente, la funcin de densidad f(x) de una variable
aleatoria continua puede ser obtenida a partir de la funcin de
distribucin F(x).
f (x) = F'(x)
PROPIEDADES DE LA FUNCIN DE DISTRIBUCIN
VARIABLES ALEATORIAS CONTINUAS
Son las mismas propiedades de la funcin de distribucin de una
variable aleatoria discreta dadas en la diapositiva 9.
FUNCIN DE DISTRIBUCIN Y CLCULO DE PROBABILIDADES
Para una variable continua, el hecho de que un valor tenga
probabilidad cero conduce a una mayor flexibilidad:
1) P(X a) = P(X < a) = F(a)
2) P(a < X b) = P (a X < b) = P (a X b) = P (a < x < b)= F(b)-F(a)
3) P (X a) = P (X > a) = 1- F(a)
VARIABLES ALEATORIAS CONTINUAS
EJEMPLO
Sea X = tiempo de espera a un amigo entre las 10:00h y las 10:30h,
suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores [0min.,30min.]
Funcin de densidad
s s
=
c. c.
30 x 0
si
si
0
1/30
f(x)
VARIABLES ALEATORIAS CONTINUAS
EJEMPLO
Sea X = tiempo de espera a un amigo entre las 10:00h y las 10:30h,
suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores [0min.,30min.]
Funcin de Disribucin
}
= =
x
0
30
x
30
1
dt F(x)
>
s s
<
= s =
30 x si 1
30 x 0 si
30
x
0 x si 0
x) P(X F(x)
VARIABLES ALEATORIAS CONTINUAS
EJEMPLO
Sea X = tiempo de espera a un amigo entre las 10:00h y las 10:30h,
suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores [0min.,30min.]
Probabilidad de esperar ms de 5 min?
30
25
) 5 ( 1 ) 5 ( = = > F X P
VARIABLES ALEATORIAS CONTINUAS
MEDIA Y VARIANZA
El valor esperado, esperanza o media de una variable aleatoria
continua se define como:
La varianza de una variable aleatoria continua se define como:
= =
}
+
f(x)dx x E(X)
2 2 2 2
f(x)dx x f(x)dx ) (x Var(X) o = = =
} }
+
+
VARIABLES ALEATORIAS CONTINUAS
EJEMPLO
Sea X = tiempo de espera a un amigo entre las 10:00h y las 10:30h,
suponiendo que el amigo llega con la misma probabilidad en cada
instante del intervalo.
X es una v.a continua. Rango de valores [0min.,30min.]
minutos 15
2
x
30
1
dx
30
1
x xf(x)dx E(X)
30
0
2
30
0
= = = =
} }
+
( ) ( ) 75 15
3
x
30
1
15 dx
30
1
x Var(X)
2
30
0
3
2
30
0
2
= = =
}
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
DISTRIBUCIN EXPONENCIAL
En un proceso de Poisson con = n medio de sucesos
acontecidos por unidad de tiempo, la variable aleatoria:
T= Tiempo transcurrido entre dos sucesos consecutivos.
decimos que sigue una distribucin Exponencial de
parmetro .
0
) (
>
Exp T
La funcin de densidad para una Exponencial viene dada por:
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
DISTRIBUCIN EXPONENCIAL
x
e x F
= 1 ) (
La funcin de Distribucin para una Exponencial viene dada por:
f (x) = e
x
x > 0 > 0
La media y la varianza de la distribucin Exponencial son:
E(X) = 1/
Var(X)= 1/
2
DISTRIBUCIN EXPONENCIAL
EJEMPLO
El tiempo medio transcurrido entre la llegada de dos clientes consecutivos
al departamento de ventas de un concesionario de una determinada
marca de automviles es de 20 minutos. Calcular:
a) La probabilidad de que el tiempo transcurrido entre la llegada de dos
clientes consecutivos no supere la media hora.
T=Tiempo transcurrido (en min) entre la llegada de dos clientes
consecutivos
E(T)= tiempo medio transcurrido entre la llegada de dos clientes
consecutivos = 20 min
05 . 0
20
1
20
1
) ( = = = =
T E
) 05 . 0 ( Exp T
DISTRIBUCIN EXPONENCIAL
EJEMPLO
a) La probabilidad de que el tiempo transcurrido entre la llegada de dos
clientes consecutivos no supere la media hora.
0.77687 =
= = <
30 0.05
e 1 F(30) 30) P(T
b) La probabilidad de que el n de clientes que entren en el intervalo de
una hora sea al menos 4.
Tenemos que = 0.05 = n medio de clientes que llegan al concesionario
cada minuto. Por tanto, el n medio de clientes que llegan en una hora
ser:
3 60 0.05 = =
DISTRIBUCIN EXPONENCIAL
EJEMPLO
b) La probabilidad de que el n de clientes que entren en el intervalo de
una hora sea al menos 4.
La variable aleatoria que ahora nos interesa es:
X= N de clientes que llegan cada hora al concesionario
) 3 ( P X
0.3528 =
(
+ + + = < = >
3!
3 e
2!
3 e
1!
3 e
0!
3 e
3 3 2 3 1 3 0 3
1- 4) P(X 1- 4) P(X
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
DISTRIBUCIN NORMAL
Es el modelo de distribucin de probabilidad continua ms
importante. Son muchos los experimentos y fenmenos que
pueden ser modelizados por esta distribucin.
La distribucin Normal explica:
Comportamientos biolgicos.
Errores de medidas.
Medidas biolgicas: alturas, pesos, etc.
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
DISTRIBUCIN NORMAL
Decimos que una variable aleatoria X se distribuye segn una
Normal de media y de desviacin tpica > 0, si su funcin de
densidad es:
) , ( o N X
( )
2
2
1
2
1
x f
|
.
|
\
|
=
o
o t
x
e
Se representar por:
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
PROPIEDADES DE LA DISTRIBUCIN NORMAL
1) f(x) tiene un mximo absoluto en .
2) f(x) es simtrica respecto de .
3) f(x) tiene forma de campana, conocida como campana de Gauss.
4) y son parmetros.
5) La media, la moda y la mediana coinciden.
Observacin
=E(X)= trmino medio de X
= moda Mxima Densidad-
= mediana Simetra-
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
DISTRIBUCIN NORMAL
N(30, 10)
N(50, 10)
N(70, 10)
-20 10 40 70 100 130
0
0,01
0,02
0,03
0,04
Si cambiamos el valor medio
la curva se traslada.
N(40, 5)
N(40, 10)
N(40, 15)
-40 0 40 80 120
0
0,02
0,04
0,06
0,08
Si aumenta, mayor dispersin
y la curva se aplana, menor
concentracin alrededor de .
Si disminuye, menor
dispersin, ms concentracin
alrededor de .
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
CLCULO DE PROBABILIDADES CON XN(,)
Para calcular probabilidades tendremos que evaluar la funcin de
Distribucin, es decir, necesitaremos calcular:
( ) ( )
}
|
.
|
\
|
= s =
x
x
dx e x
2
2
1
X
2
1
x X P F
o
o t
F(x) no se puede obtener explcitamente, hay que obtenerla por
aproximacin mediante Mtodos numricos de integracin.
Para subsanar este inconveniente podemos:
1) Tipificar
2) Usar software estadstico
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
CLCULO DE PROBABILIDADES CON XN(,)
Para calcular probabilidades con la Normal, utilizaremos
unas Tablas Estadsticas, donde vienen los valores de la
Funcin de Distribucin de la N(0, 1).
Previamente, habr que tipificar la variable N(,o) que
estemos tratando, es decir, pasar a una N(0, 1)
) 1 , 0 ( ) , ( N
X
Z N X
=
o
o
DISTRIBUCIN NORMAL
EJEMPLO
Sea XN (60,5) , calcula las siguientes probabilidades:
2) P(Z 2) P(Z )
5
60 50
P(Z 50) P(X < = > =
> = >
P(X=60)
0 = = 60) P(X Probabilidad Puntual en una variable continua
P(X >50)
Tipificacin
N(0,1) es simtrica
respecto a la media
0.9772 = < = > 2) P(Z 50) P(X
DISTRIBUCIN NORMAL
EJEMPLO
Tabla Estadstica de
N(0,1)
= < < =
< <
< <
= < < ~ = )
7.15
78.5 80.5
Z
7.15
78.5 79.5
P( 80.5) Y P(79.5 80) P(X
= < < = < < = 0.1) P(Z - 0.24) P(Z 0.24) Z P(0.1
Tipificacin Correccin por
continuidad
0.055 = = 5398 . 0 5948 . 0
P (a < x < b)= F(b)-F(a)
Tabla Estadstica
N(0,1)
EJERCICIO PROPUESTO
APROXIMACIONES
El promedio de llamadas telefnicas atendidas en la
centralita de una cierta Facultad es de 36 llamadas por hora.
Calcular la probabilidad de que en un periodo de 3 horas:
a) Se atiendan ms de 100 llamadas telefnicas.
b) El nmero de llamadas telefnicas est comprendido
entre 80 y 100, ambos valores inclusive.