Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
https://www.youtube.com/watch?v=By1J QFxfLMM https://www.youtube.com/watch?v=By1JQFxfLMM ¿Qué tipo de variable es el tiempo de llegada de los atletas? ¿El numero de atletas en una competencia será una variable aleatoria continua? ¿Se podrá determinar la probabilidad que un recién nacido tenga un peso superior a 2800 y menor a 3500 gr. ? ¿Se podrá determinar la probabilidad que la estatura de un jugador de básquet, se encuentre entre 1.70 y 1.85? CASO: En ourcampus Usted trabaja como diseñador en el sitio web de OurCampus, un sitio de redes sociales dirigido a estudiantes universitarios. Para atraer y conservar a los visitantes del sitio, necesita asegurarse de que los videos diarios de contenido exclusivo puedan descargarse y reproducirse con rapidez en el navegador del usuarios. El tiempo de descarga, la cantidad de tiempo (en segundos) desde el primer contacto con la página principal del sitio web hasta el momento en que el primer video está listo para reproducirse, depende tanto de la tecnología de transmisión multimedia como del número de usuarios simultáneos del sitio web. Para verificar la rapidez de descarga de un video, abre un buscador de Internet en una PC de las oficinas corporativas de OurCampus y mide el tiempo de descarga. Datos anteriores indican que el tiempo medio de descarga es de 7 segundos y que la desviación estándar es de 2 segundos. Aproximadamente dos terceras partes de los tiempos de descarga varían entre 5 y 9 segundos, y alrededor de 95% de los tiempos de descarga varían entre 3 y 11 segundos. En otras palabras, los tiempos de descarga se distribuyen en una curva en forma de campana, con un agrupamiento de los datos alrededor de la media de 7 segundos. ¿De qué manera podría utilizar esta información para responder preguntas acerca de los tiempos de descarga del primer video? ESTADISTICA APLICADA Sesión N° 04 DISTRIBUCIONES DE PROBABILIDAD CONTINUA – DISTRIBUCIÓN NORMAL Y NORMAL ESTÁNDAR LOGRO DE APRENDIZAJE Al finalizar la sesión, el estudiante estará en capacidad de calcular probabilidades haciendo uso de distribuciones de probabilidad para una variable aleatoria continua, específicamente de la distribución normal y normal estándar. 8 Función de Distribución Función Densidad Variable Aleatoria ContinuaVariables Aleatorias Discretas Función de Probabilidad Hemos Visto Vamos a ver b a dxxfbXaP 1dxxf x-,0)( sixf j VARIABLES ALEATORIAS CONTINUAS Función de Densidad Se utiliza con el propósito de conocer cómo se distribuyen las probabilidades de un suceso o evento, en relación al resultado del suceso. La función de Densidad f(x) tiene que cumplir las siguientes condiciones: La función de distribución es la aplicación FX (x) que asigna a cada valor x de la variable aleatoria continua X la probabilidad de que la variable tome valores menores o iguales que x: ( ) x F X f t dt La función de densidad de una V.A. determina la concentración de probabilidad alrededor de los valores de una variable aleatoria continua Interpretación gráfica de F F(x) representa el área bajo la función de densidad desde – hasta x. Como consecuencia de la definición de F: P(X a) = F(a) P(a X b) = F(b) – F(a) P(X a) = 1 – F(a) ESPERANZA MATEMATICA Y VARIANZA PARA V.A CONTINUA Valor esperado o esperanza matemática (Media) Varianza o varianza matemática 22222 dxxf(x)f(x)x)( dxXE Xx Sea X una V.A. con función de densidad:Ejemplo 3: Sea X una V.A. con función de densidad: ( )f x 2(3 )a x x , Si 0 3x 0 , En otros caso a) Encuentre el valor de la constante a b) Calcular la probabilidad que X esté en el intervalo 1,2 Solución: Todos los xR 0,3 entonces: a) 33 2 3 2 0 0 3x x 27 2 a( 3x x )dx a a 9 1 a 2 3 2 9 b) 22 2 3 2 1 1 2 x 2x 13 P 1 x 2 3x x dx 9 3 27 17 EJEMPLO: 2 Ejemplo 4: Hallar la Esperanza Matemática y Varianza en el ejemplo 3 a) 33 3 2 3 3 4 2 0 0 0 2x 6 x 2x 2x x E X 3x x dx dx 1.5 9 9 9 9 18 b) 2 22 Var x E x E( x ) 2.7 1.5 0.45 33 32 3 4 4 5 2 2 0 0 0 2x 6 x 2x x 2x E X 3x x dx dx 2.7 9 9 9 6 45 Hallar la Esperanza Matemática y Varianza del ejemplo anterior: EJEMPLO: DISTRIBUCIÓN NORMAL Y NORMAL ESTÁNDAR Introducción Una de las herramientas de mayor uso en las empresas es la utilización de la curva normal para describir situaciones donde podemos recopilar datos. Esto nos permite tomar decisiones que vayan a la par con las metas y objetivos de la organización http://thumbs.dreamstime.com/z/histograma-de-distribución-normal-13721055.jpg http://thumbs.dreamstime.com/z/histograma-de-distribución-normal-13721055.jpg Distribución Normal El resultado de Abrahan de Moivre fue ampliado por Laplace en su libro teoría analítica de las probabilidades (1812) La Distribución normal fue presentada por primera vez por el francés Abraham de Moivre en un artículo del año 1733. Abraham de Moivre ( 1667- 1754) Matemático Francés 16 Posteriormente, Carl Friedrich Gauss realizó estudios más a fondo donde formula la ecuación de la curva conocida comúnmente como Campana de Gauss". http://upload.wikimedia.org/wikipedia/commons/1/1b/Abraham_de_moivre.jpg http://upload.wikimedia.org/wikipedia/commons/1/1b/Abraham_de_moivre.jpg http://upload.wikimedia.org/wikipedia/commons/9/9b/Carl_Friedrich_Gauss.jpg http://upload.wikimedia.org/wikipedia/commons/9/9b/Carl_Friedrich_Gauss.jpg Función de densidad de la distribución Normal Se dice que la variable aleatoria continua X, se distribuye normalmente con media µ y varianza σ2, si su función de densidad está dado por: 17 Gráfica de la Distribución Normal 18 Características de la Distribución Normal • Es simétrica con respecto a su media µ como muestra en el gráfico Nº 1 la curva hacia cualquier de los lados de µ es una imagen de espejo de la del otro lado. 19 • Es asintótica con respecto al eje X es decir, la curva no intercepta el eje X. • Los valores de la media, mediana y la moda son iguales. • El área encerrada bajo la curva y por encima del eje X es igual a la unidad, de aquí el área bajo la curva entre dos abscisas X = a y X = b, donde a < b representa la probabilidad de que X se encuentre entre a y b y se denota por P (a≤ X ≤ b). Áreas Bajo la Curva Normal Aproximadamente 68.26% del área bajo la curva normal está esta dentro de más menos una desviación estándar respecto de la media. Esto se expresa como µ ± 1σ Aproximadamente 95.44% del área bajo la curva normal está dentro de más menos dos desviaciones estándar respecto de la media. Esto se expresa como µ ± 2σ Aproximadamente 99.7% del área bajo la curva normal está dentro de más menos tres desviaciones estándar respecto de la media. Esto se expresa como µ ± 3σ 20 Distribución Normal Estándar Si se tiene una variable aleatoria X normal con media μ y varianza σ2 puede ser transformada a una variable aleatoria estandarizada Z, por la siguiente transformación: Con Media µz = 0 y varianzaσ 2 z = 1 21 Función de densidad de la distribución Normal Estándar Si Z es una variable que tiene una distribución normal, con media µ = 0 y σ 2 =1 entonces a Z se llama variable normal estándar si su función de densidad es: En este caso podemos denotar la distribución normal estándar por: Se lee, Z tiene una distribución normal estándar con media cero y varianza 1. 22 Características de la Distribución Normal Estándar Es simétrica con respecto a su media µ Es asintótica respeto a Z, es decir, la curva no intercepta el eje Z El área bajo la curva normal es uno. La media, mediana y la moda son iguales a cero. 23 No depende de ningún parámetro.Su media es 0, su varianza es 1 y su desviación estándar es 1. La curva f(x) es simétrica respecto del eje de Y Tiene un máximo en el eje de Y. Tiene dos puntos de inflexión en z=1 y z=-1 El área bajo la curva normal estándar es útil para asignar probabilidades de ocurrencia de la variable X. Debemos tomar en cuenta que el área total bajo la curva es igual a 1. Y que, por ser una gráfica simétrica, cada mitad tiene un área de 0.5 Pasos para determinar el área bajo la curva normal estándar Paso 1 - Interpretar gráficamente el área de interés. Paso 2 - Determinar el valor Z x z Paso 3 - Buscar en la tabla de probabilidades. Paso 4 - Hacer la suma o resta de áreas para encontrar la probabilidad deseada USO DE LA TABLA NORMAL ESTANDAR P(Z 1.17) = Valor de Z=z Estandarizado: de un valor de -4 a 4 Probabilidad dada para un valor de Z estandarizado de la forma: P(Z z) 26 Halle, en una distribución N(0, 1), las siguientes probabilidades: 20, a) zp 5793,02,02,0 zpzp 271, b) zp 1020,08980,0127,1127,1 zpzp 031,520, c) zp 52,003,103,152,0 zpzpzp 52,0103,152,003,1 zpzpzpzp 5470,06985,018485,0 Ejemplo b) sea mayor que 12.29 27 Una embotelladora de gaseosas envasa sus productos en latas cuyo contenido neto sigue una distribución normal con media igual 12 onzas y varianza 0.0625 (onzas)2 si se elige al azar una lata. Hallar la probabilidad de que su contenido a) Sea menor que 12.5 onzas a. La probabilidad de que su contenido sea menor que 12.5 onzas. Sea X: Contenido de las latas de Gaseosas. μ = 12 onzas σ 2 = 0.0625 σ = 0.25 nos piden : P (X < 12.5) = P ( Z < 2) = 0.9772 Estandarizamos la variable X 12.5 12 2 0.25 X Z m s - - = = = = 1- 0.8770 P(Z < 2) Solución b. La probabilidad de que su contenido sea mayor que 12.29 onzas. Estandarizamos la variable X Sea X: Contenido de las latas de Gaseosas. nos piden : P (X > 12.29) = μ = 12 onzas σ 2 = 0.0625 σ = 0.25 12.29 12 1.16 0.25 X Z m s - - = = = P( Z > 1.16) = 1- P(Z ≤ 1.16) = 1- 0.8770 = 0.123 P(Z>1.16) P(Z ≤ 1.16) P( Z > 1.16) 28 Usando la fórmula de la normal estandarizada: Ejemplos: ¿Qué porcentaje de atletas de varios equipos de básquetbol tienen un porcentaje de grasa mayor de 19, sabiendo que la media es de 16 con una desviación estándar de 3.6? X= 19, σ = 3.6, μ = 16, obtenemos: z= (19-16)/3.6, z= 0.8333 buscamos en la tabla y encontramos que el porcentaje de atletas con grasa corporal arriba de 19 es del 20.33% La calificaciones de los 500 aspirantes presentados a un examen para contratación laboral, se distribuye normalmente con media 7 y varianza de 4. Encuentre: a. La probabilidad de que un aspirante obtenga 8 puntos o más b. El porcentaje de aspirantes con calificaciones inferiores o iguales a 5 puntos c. Cuántos aspirantes obtuvieron calificaciones comprendidas entre 5 y 8 puntos Solución: a) La probabilidad de que un aspirante obtenga 8 puntos o más P (X ≥ 8) P ( X ≥ 8 ) = 1 - P ( X ≤ 8 ) = 1 – P ( Z ≤ 0.5) = 1 – 0.6915 = 0.3085 Tipificando : 5.0 2 78 z Ver tabla y comprobar con Mega Stat. 7 8 ( X ) 0 0.5 ( Z ) N ( 7; 2) La probabilidad de que un aspirante obtenga 8 puntos o más es de 0.3085. b) El porcentaje de aspirantes con calificaciones inferiores o iguales a 5 puntos. P ( X ≤ 5) = P ( Z ≤ -1) = 0.1587 Tipificando 1 2 75 z Ver tabla y comprobar con Mega Stat. El porcentaje de aspirantes con calificaciones inferiores o iguales a 5 puntos es de 15.87% N ( 7; 2) 5 7 ( X) -1 0 ( Z ) Solución: 1 2 75 z Ver tabla y comprobar con Mega Stat. 5 7 8 ( X) -1 0 0.5 ( Z ) c) Cuántos aspirantes obtuvieron calificaciones comprendidas entre 5 y 8 puntos P ( 5 ≤ X ≤ 8 ) = P ( X ≤ 8 ) - P ( X ≤ 5 ) = P ( Z ≤ 0.5 ) - P ( Z ≤ -1 ) = Tipificando 5.0 2 78 z P ( Z ≤ 0.5) - P ( Z ≤ -1) = 0.6914 – 0.1587 P ( Z ≤ 0.5) - P ( Z ≤ -1) =0.5328 N ( 7; 2) Luego como nos piden cuantos aspirantes se encuentran en éste intervalo multiplicamos la probabilidad por el total de aspirantes: 500 * 0.5328=266.40 aprox 267 aspirantes Solución: ¿QUÉ HEMOS VISTO? No existe la suerte. Sólo hay preparación adecuada o inadecuada para hacer frente a una estadística. Robert Heinlein • Cómo calcular e interpretar las variables aleatorias continuas. • Como calcular la función de densidad de una V.A. Continua. • Como calcular e interpretar la función de distribución. • Distribución de probabilidad continua: Normal y Normal Estandar. • Características. • Uso de tabla. • Desarrollo de Ejercicios utilizando el Complemento de Excel Megastat. 1. Moya C. Rufino. Teoría de Probabilidad e inferencia estadística 519.5 MOYA 2. Milton, Susan. Probabilidad y estadística 519 MILT Bibliografía Ms. C. Juan Carlos Oruna Lara 33 Dr. Juan Carlos Oruna Lara
Compartir