7_distribucion_normal_total

Views:
 
     
 

Presentation Description

cc

Comments

Presentation Transcript

:

Sin duda la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o de Laplace- Gauss. Fue descubierta y publicada por primera vez en 1733 por De Moivre. A la misma llegaron, de forma independiente, Laplace (1812) y Gauss (1809), en relación con la teoría de los errores de observación astronómica y física . Pierre Simon de Laplace (1749-1827) Karl F. Gauss (1777-1855) 7. Distribución normal 1

:

Caracteres fisiológicos , por ejemplo: efecto de una misma dosis de un fármaco. Caracteres morfológicos de individuos (personas, animales, plantas,...) de una especie (tallas, pesos, diámetros, perímetros,...). Caracteres sociológicos , por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de examen, ... Errores cometidos al medir ciertas magnitudes. Valores estadísticos muestrales, por ejemplo : la media. Y en general cualquier característica que se obtenga como suma de muchos factores. Otras distribuciones como la binomial o la de Poisson se aproximan a la normal. Distribuciones binomiales con n grande (n>30) y ‘p ni pequeño’ (np > 5) ‘ni grande’ (n(1-p) > 5). 2

Distribución normal o gaussiana :

Distribución normal o gaussiana Está caracterizada por dos parámetros : la media , μ y la desviación típica , σ. Su función de densidad es: La curva normal adopta un número infinito de formas , determinadas por sus parámetros μ y σ. 3

Slide 4:

  +  Características de la distribución Normal , Mo, Mn    -   +  Tiene forma de campana, es asintótica al eje de las abscisas (para x =  ) Los puntos de inflexión tienen como abscisas los valores    Simétrica con respecto a la media (  ) donde coinciden la mediana ( Mn ) y la moda ( Mo ) Puntos de inflexión 4

Slide 5:

Distribución normal con m =0 para varios valores s 0 0.4 0.8 1.2 1.6 -2.50 -1.50 -0.50 0.50 1.50 2.50 x s=0.25 s=0.5 s=1 p(x) 5

Slide 6:

20 30 40 50 60 70 80 90 100 110 120 Curvas normales con distintas medias y desviaciones estándar. 6

N(μ, σ): Interpretación geométrica:

N(μ, σ): Interpretación geométrica Podemos interpretar la media como un factor de traslación . Y la desviación típica como un factor de escala , grado de dispersión,… 7

N(μ, σ): Interpretación probabilista:

N(μ, σ): Interpretación probabilista Entre la media y una desviación típica tenemos siempre la misma probabilidad : aproximadamente el 68%. Si tomamos intervalos centrados en μ, y cuyos extremos están… a distancia σ ,  tenemos probabilidad 68% a distancia 2 σ ,  tenemos probabilidad 95% a distancia 2’5 σ  tenemos probabilidad 99% Entre la media y dos desviaciones típicas aprox. 95% 8

Slide 9:

Podemos obtener la función de distribución F ( x ) integrando la función de densidad de probabilidad: De modo que la probabilidad de una variable aleatoria normal X en un intervalo a  x  b es: ¡No podemos calcular analíticamente el valor de la integral! Tabularemos sus valores numéricos... En particular: 9

Slide 10:

¿Cómo calcular probabilidades asociadas a una curva normal específica? Dado que tanto  como  pueden asumir infinitos valores lo que hace impracticable tabular las probabilidades para todas las posibles distribuciones normales, se utiliza la distribución normal reducida o tipificada. Se define una variable z = x -   Es una traslación , y un cambio de escala de la variable original. 10

Slide 11:

La nueva variable z se distribuye como una NORMAL con media  = 0 y desviación típica  = 1 -3 -2 -1 0 1 2 3 z 68% 95% 99% Recordemos de nuevo que en cualquier distribución normal las probabilidades delimitadas entre :    68 %  2   95 %  3   99 % 68% 99% 95% 11

Tipificación:

Tipificación Dada una variable de media μ y desviación típica σ, se denomina valor tipificado z, de una observación x, a la distancia (con signo) con respecto a la media, medido en desviaciones típicas , es decir: En el caso de variable X normal , la interpretación es clara: a signa a todo valor de N(μ, σ), un valor de N(0,1) que deja exáctamente la misma probabilidad por debajo. Nos permite así comparar entre dos valores de dos distribuciones normales diferentes, para saber cuál de los dos es más extremo. 12

Slide 13:

Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes y se asignará al que tenga mejor expediente académico: El estudiante A tiene una calificación de 8 en un sistema donde la calificación de los alumnos se comporta como N(6,1). El estudiante B tiene una calificación de 80 en un sistema donde la calificación de los alumnos se comporta como N(70,10). No podemos comparar directamente 8 puntos de A frente a los 80 de B, pero como ambas poblaciones se comportan de modo normal, podemos tipificar y observar las puntuaciones sobre una distribución de referencia N(0,1 ). Como z A > z B , podemos decir que el porcentaje de compañeros del mismo sistema de estudios que ha superado en calificación al estudiante A es mayor que el que ha superado B. En principio A es mejor candidato para la beca. 13

Slide 14:

Las probabilidades de la variable tipificada (z) están tabuladas para los diferentes valores de la variable. Para calcular probabilidades, una vez transformada, la variable a valores de z, se busca en una tabla el área correspondiente. Apliquemos el cambio de variable tipificada a la función de distribución F ( x ): 14

Slide 15:

Característica de la distribución normal tipificada (reducida o estándar): No depende de ningún parámetro. Su media es 0, su varianza es 1 y su desviación típica es 1. La curva f(x) es simétrica respecto al eje de ordenadas y tiene un máximo en este eje. Tiene dos puntos de inflexión en  z =1 y  z = -1. 15

Slide 16:

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 + . 0 +  Los valores negativos de z NO están tabulados, ya que la distribución es simétrica 16

Slide 17:

0.0 0.1 0.2 0.3 0.4 0.5 0 1 2 3 4 5 6 7 8 9 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ...... .1179 ..... ...... ...... ...... .1554 .... ..... .... .1915 .... 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 17

Slide 18:

EJEMPLOS: 1.-¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? 2.-¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y +2.03? 3. Hallar P( z >1.25 ) 4. Hallar P ( -0.34 < z <  ) 5. Hallar P ( 0.34 < z < 2.30 ) 18

Slide 19:

? Ejemplo 1 ¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? z Cómo la curva es simétrica P (-2.03 < z < 0) = P (0 < z < 2.03) -3 -2 -1 0 1 2 3 19

Slide 20:

0 1 2 3 4 1.8 1.9 2.0 2.1 47. 88% Ejemplo 1 ¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03? -3 -2 -1 0 1 2 3 z Se busca en la tabla el área correspondiente a z = 2.03 0.47882 20

Slide 21:

? 47.88% 47.88% Ejemplo 2 ¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ? -3 -2 -1 0 1 2 3 z En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y 2.03= 0.47882 La misma área hay entre 0 y -2.03 , por lo tanto P ( -2.03< z< 2.03) = 0.95764 95.76% 21

Slide 22:

Ejemplo 3 ¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ? z -3 -2 -1 0 1 2 3 ? 1.- La probabilidad de 0 < z < +  = 0.500 2.- La probabilidad de 0 < z < 1.25 = 0.39435 39.44% 3.- La probabilidad de z > 1.25 = 0.500 - 0.39435= 0.10565 10.56% 50% 22

Slide 23:

Hallar P( -0.34 < z <  ) z P(0 < z <0.34) = 0.13307 = P(-0.34 < z < 0) 13.31% 50% 63.31% P( -0.34 < z < ) = 0.13307 + 0.50000 = 0.63307 -3 -2 -1 0 1 2 3 Ejemplo 4 P (0 < z <  ) = 0.50000 23

Slide 24:

Ejemplo 5 Hallar P( 0.34 < z < 2.30) z -3 -2 -1 0 1 2 3 P(0< z <0.34) = 0.13307 P( 0 < z < 2.30) = 0.4893 P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623 35.62% 24

Slide 25:

EJEMPLO Sea una variable distribuida normalmente con media  = 4 y desviación típica  = 1.5. ¿Cuál es la probabilidad de encontrar un valor x  6 (P(x  6 ))? 25

Slide 26:

x  = 4  = 1.5 Hallar P ( x > 6 ) ? 6 1.- transformar x en un valor de z 0.40824 0.09176 z = (6 - 4)/1.5 = 1.33 2.- Hallar P ( 0 < z < 1.33) = 3.- 0.5000 - 0.40824 = 0.5 -0.5 1 2.5 4 5.5 7 8.5 -3 -2 -1 0 1 1.33 2 3 z 26

Slide 27:

Hasta ahora vimos como dado un valor x de la variable, hallar probabilidades transformando (estandarización) la variable en valores de x -   ¿Cómo hallar un valor de x , dada la probabilidad? x = ? 38.20% 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  +  0.5000 - 0.382 = 0.118  Se busca en la tabla el valor más aproximado :0.1179 corresponde a z =+ 0.30 4.60 Se busca en la tabla de acuerdo al área. Con su signo Sustituyendo en la fórmula 0.30x2+4 =4.60 z = 27

Slide 28:

28

Slide 29:

29

Slide 30:

30

Slide 31:

31

Slide 32:

32

Slide 33:

33

authorStream Live Help