SESIÓN 13
Estadística Descriptiva y Probabilidades
TEMARIO
1. Distribución normal
2. Uso de la tabla estadística
LOGRO DE LA SESIÓN
Al finalizar la sesión, el estudiante aplica los
conceptos de variable aleatoria para calcular las e
interpretar las probabilidades asociadas una
distribución de probabilidad normal.
Distribuciones continuas
Función de densidad continua:
La función f(x) es una función de densidad de probabilidad
para la variable aleatoria continua X, definida en el conjunto
de números reales, si:
Ejemplos de distribuciones continuas:
Distribución Distribución Distribución
uniforme exponencial normal
Distribuciones continuas
Distribución normal
La distribución de probabilidad continua mas importante en
todo el campo de la estadística.
Su gráfica denominada curva normal, describe de manera
aproximada muchos fenómenos que ocurren en la
naturaleza, la industria y la investigación, como por
ejemplo:
Las mediciones físicas en áreas como los experimentos
meteorológicos.
Estudios de la precipitación pluvial.
Mediciones de partes fabricadas.
Los errores en las mediciones científicas.
Distribuciones continuas
Distribución normal
Una variable aleatoria continua X que tiene la
distribución en forma de campana se denomina
variable aleatoria normal. La ecuación matemática para
la distribución de probabilidad de la variable normal
depende de los dos parámetros μ y σ, su media y su
desviación estándar, respectivamente.
Distribuciones continuas
Distribución normal
Función de densidad
La densidad de la variable aleatoria normal X, con media μ y varianza σ 2, es:
Donde:
π = 3.14159
e = 2.71828
Una vez que se especifican μ y σ, la curva normal queda determinada
por completo.
Distribuciones continuas
Distribución normal
Función de densidad
μ1 < μ2 y σ1 = σ2
Distribuciones continuas
Distribución normal
Función de densidad
μ1 = μ2 y σ1 < σ2
Distribuciones continuas
Distribución normal
Función de densidad
μ1 < μ2 y σ1 < σ2
Distribuciones continuas
Distribución normal
Propiedades de la curva normal
1. La moda, que es el punto 3. La curva tiene sus puntos
sobre el eje horizontal 2. La curva es simétrica de inflexión en x = μ ± σ , es
donde la curva tiene su alrededor de un eje vertical cóncava hacia abajo si μ – σ
punto máximo, ocurre en x = a través de la media μ. < X < μ + σ, y es cóncava
μ. hacia arriba en otro caso.
4. La curva normal se
aproxima al eje horizontal
5. El área total bajo la
de manera asintótica,
curva y sobre el eje
conforme nos alejamos de
horizontal es igual a uno.
la media en cualquier
dirección.
Distribuciones continuas
Distribución normal
Propiedades de la curva normal
Teorema: La media y la varianza de
n (x; μ, σ) son μ y σ2, respectivamente.
Por lo tanto, la desviación estándar es
σ.
Distribuciones continuas
Distribución normal
Distribución de probabilidad normal:
La curva de cualquier distribución continua de probabilidad o función de densidad se construye de manera que
el área bajo la curva limitada por las dos ordenadas x = x1 y x = x2 sea igual a la probabilidad de que la variable
aleatoria X tome un valor entre x = x1 y x = x2. En consecuencia:
Distribuciones continuas
Distribución normal
Distribución de probabilidad normal:
P(x1 < X < x2) = Área de la región sombreada
El área bajo la curva entre cualesquiera dos ordenadas también debe
depender de los valores μ y σ.
Distribuciones continuas
Distribución normal
Distribución normal estándar:
Es la distribución de una variable aleatoria normal con media 0 y varianza 1.
En este caso, podemos transformar o estandarizar todas las observaciones de cualquier variable aleatoria
normal X en un nuevo conjunto de observaciones de una variable aleatoria normal Z con media 0 y varianza
1. Para ello utiliza la siguiente fórmula de transformación:
Distribuciones continuas
Distribución normal
Distribución normal estándar:
Siempre que X tome un valor x, el valor
correspondiente de Z es dado por z = (x –
μ)/σ. Por lo tanto, si X cae entre los valores
x = x1 y x = x2, la variable aleatoria Z caerá
entre los valores correspondientes: z1 = (x1
– μ)/σ y z2 = (x2 – μ)/σ.
A, B: distribuciones normales
x1, x2: variables aleatorias normales
Tabla de distribución normal estándar
Ejemplo: Calcular P(Z<0.23) 1 5
Solución:
1. Separación de decimales:
0.23 = 0.2 + 0.03
2. Ubicar el valor de 0.2 en la primera
columna (1) de la tabla.
4. El valor correspondiente al cruce de
3. Ubicar el valor de 0.03 en la quinta fila con valor de 0.2 y la columna con
columna (5) de la tabla. valor de 0.03 es el valor de P(Z<0.23).
P(Z<0.23) = 0.59095
0.23
Distribuciones continuas
Distribución normal
Caso: Resistencias eléctricas
Cierta maquina fabrica resistencias eléctricas que tienen una resistencia
media de 40 ohms y una desviación estándar de 2 ohms. Si se supone que
la resistencia sigue una distribución normal y que se puede medir con
cualquier grado de precisión, ¿Qué porcentaje de resistencias tendrán una
resistencia que exceda 43 ohms?
Distribuciones continuas
Distribución normal
Caso: Resistencias eléctricas
Solución:
1. Definimos la variable aleatoria:
X: medida de la resistencia eléctrica en ohms.
2. Estandarizando el valor de la variable a Z:
P (X > 43) = P (Z > 1.5) = 1−P (Z < 1.5) = 1−0.9332 = 0.0668
Interpretación: El 6.68% de las resistencias tendrán una
resistencia que exceda 43 ohms.
Distribuciones continuas
Distribución normal
Caso: Cojinete de bolas
En un proceso industrial el diámetro de un cojinete de bolas
es una medida importante. El comprador establece que las
especificaciones en el diámetro sean 3.0 ± 0.01 cm. Esto
implica que no se aceptara ninguna parte que no cumpla
estas especificaciones. Se sabe que en el proceso el diámetro
de un cojinete tiene una distribución normal con media μ =
3.0 y una desviación estándar σ = 0.005. En promedio,
¿Cuántos de los cojinetes fabricados se descartaran?
Distribuciones continuas
Distribución normal
Caso: Cojinete de bolas
Solución:
1. Definimos la variable aleatoria:
X: diámetro de un cojinete de bolas
2. Estandarizando los valores de los limites especificados:
x1 = 2.99 y x2 = 3.01
P (2.99 < X < 3.01) = P (−2.0 < Z < 2.0).
A partir de la tabla de valores Z, P(Z < –2.0) = 0.0228. Debido a la simetría de la distribución normal,
encontramos que:
P (Z <−2.0) +P (Z > 2.0) = 2(0.0228) = 0.0456.
Interpretación: Se descartaran 4.56% de los cojinetes fabricados.
TRABAJO GRUPAL
SE FORMARÁN GRUPOS DE 4 ALUMNOS
ES FUNDAMENTAL QUE TODOS
PARTICIPEN EN LAS
DELIBERACIONES, EXPONIENDO
SUS PUNTOS DEL VISTA.
EVITANDO QUE ALGÚIEN SE
ADJUDIQUE UN PROTAGONISMO
DESMEDIDO, O TOME
UNILATERALMENTE DECISIONES
QUE AFECTAN A TODOS.
EJERCICIO 1
Si X es una variable aleatoria de una distribución N (µ, σ2), hallar: p (µ−3σ ≤ X ≤ µ+3σ)
EJERCICIO 2
En una distribución normal de media 4 y desviación típica 2, calcular el valor de “a”
para que: p (4−a ≤ x ≤ 4+a) = 0.5934
EJERCICIO 3
En una ciudad se estima que la temperatura máxima en el mes de junio sigue una
distribución normal, con media 23° y desviación típica 5°. Calcular el número de días
del mes en los que se espera alcanzar máximas entre 21° y 27°.
EJERCICIO 4
La media de los diámetros interiores de una muestra de 200 arandelas producidas
por una máquina es 0.502 pulgadas y la desviación típica 0.005 pulgadas. El propósito
para el que se destinan estas arandelas permite una tolerancia máxima en el
diámetro de 0.496 a 0.508 pulgadas, de otro modo, las arandelas se consideran
defectuosas. Determinar el número de arandelas defectuosas producido por la
máquina, suponiendo que los diámetros se distribuyen normalmente.
EJERCICIO 5
El tiempo de duración de baterías de Litio para Laptops (en meses) que produce una
Compañía Americana se distribuye en forma normal. Si el 15% de estas baterías
duran menos de 10 meses y el 8% duran al menos 13 meses. Calcular la media y la
varianza de la duración de las baterías.
CIERRE
CIERRE
¿Qué hemos aprendido?
1. ¿Qué distribuciones de probabilidad
de variable aleatoria continua
conoces?
2. ¿Para qué se utiliza la tabla
estadística de distribución normal
estándar?