Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
128 Solución Sea X: Variable aleatoria continua (duración en horas) con distribución Normal: X ∼ N(10, 2) Entonces Z = X 10 2 − tiene distribución Normal Estándar: Z ∼ N(0, 1) a) P(X ≤ 9) = P(Z ≤ 9 10 2 − ) = P(Z ≤ –0.5) = F(–0.5) = 0.3085 = 30.85% b) P(11 ≤ X ≤ 12) = P( 11 10 2 − ≤ Z ≤ 12 10 2 − ) = P(0.5 ≤ Z ≤ 1) = F(1) – F(0.5) = 0.8413 – 0.6915 = 0.1498 Ejemplo Sea X ∼ N(10, σ). Encuentre σ tal que P(X ≤ 9) = 0.025 Solución P(X ≤ 9) = P(Z ≤ z) = F(z) = 0.025 ⇒ z = –1.96 z = σ µ−x ⇒ –1.96 = 9 10− σ ⇒ σ = 0.5102 Ejercicio Sea X ∼ N(300, 50). Encuentre el valor de k tal que P(X>k) = 0.1075 Solución P(X > k) = 0.1075 ⇒ P(Z > z) = 0.1075 ⇒ P(Z ≤ z) = 1 – 0.1075 = 0.8925 P(Z ≤ z) = F(z) = 0.8925 ⇒ z = 1.24 129 Pero, z = k − µ σ , por lo tanto 1.24 = k 300 50 − ⇒ k = 362 7.2.3 VALORES REFERENCIALES DE LA DISTRIBUCIÓN NORMAL Hay ciertos valores de la distribución Normal de uso frecuente. Si X es una variable aleatoria con distribución Normal, la probabilidad que tome valores en un intervalo centrado en µ, hasta una distancia de una desviación estándar σ es aproximadamente 68%, hasta una distancia de 2σ es aproximadamente 95% y hasta una distancia de 3σ es cercano a 100% como se demuestra a continuación: 1) P(µ – σ ≤ X < µ + σ) = P( σ µ−σ−µ )( ≤ Z ≤ σ µ−σ+µ )( ) = P( –1 ≤ Z ≤ 1) = F(1) – F(–1) = 0.8413 – 0.1587 = 0.6826 = 68.26% 2) P(µ – 2σ ≤ X < µ + 2σ) = P( σ µ−σ−µ )2( ≤ Z ≤ σ µ−σ+µ )2( ) =P( –2 ≤ Z ≤ 2) = F(2) – F(–2) = 0.9773 – 0.0228 = 0.9545 = 95.45% 3) P(µ – 3σ ≤ X < µ + 3σ) = P( σ µ−σ−µ )3( ≤ Z ≤ σ µ−σ+µ )3( ) =P( –3 ≤ Z ≤ 3) = F(3) – F(–3) = 0.9987 – 0.0014 = 0.9973 = 99.73% 7.2.4 APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL CON LA DISTRIBUCIÓN NORMAL ESTÁNDAR Sea X una variable aleatoria discreta con distribución Binomial con media µ = np, y varianza σ2 = np(1-p) Entonces, el límite de la distribución de la variable aleatoria Z = σ µ−X = )( p1np npX − − , cuando n→∞, Es la distribución Normal Estándar: N(0,1) La demostración es una aplicación del Teorema del Límite Central, uno de los teoremas fundamentales de la estadística y que será enunciado posteriormente La bibliografía estadística establece que la aproximación es aceptable aún con valores pequeños de n, siempre que p esté cerca de 0.5, o si simultáneamente: np > 5 y n(1-p) > 5 130 Ejemplo En una fábrica, el 20% de los artículos salen defectuosos. Calcule la probabilidad que en un lote de 100 artículos elegidos al azar, 15 sean defectuosos. Respuesta Sea X: variable aleatoria discreta con distribución Binomial, con n=20, p=0.2 El cálculo con el modelo de la distribución Binomial puede ser impráctico: P(X=x) = x n px (1-p)n-x ⇒ P(X=15) = 100 15 (0.2)15 (0.8)85 Se observa que np = 100(0.2) = 20, n(1–p) = 100(0.8) = 80. Siendo ambos productos mayores a 5, según el criterio dado, la distribución Normal Estándar será una aproximación aceptable: Z = X − µ σ = X np np(1 p) − − = X 100(0.20) 100(0.20)(0.80) − = X 20 4 − P(X = 15) ≅ P( 14.5 15.5Z− µ − µ≤ ≤ σ σ ) = P( 14.5 20 15.5 20Z 4 4 − − ≤ ≤ ) = P(–1.375 ≤ Z ≤ –1.125) = F(–1.125) – F(–1.375) = 0.130 – 0.084 = 0.046 = 4.6% Observe la corrección que se realiza al tomar el valor discreto para usarlo en la distribución Normal. Para la distribución Normal se considera que un valor discreto se extiende entre las mitades de los valores adyacentes: el valor 15 de la distribución Binomial corresponde al intervalo (14.5, 15.5) para la distribución Normal. 7 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 7.2 DISTRIBUCIÓN NORMAL 7.2.3 VALORES REFERENCIALES DE LA DISTRIBUCIÓN NORMAL 7.2.4 APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIALCON LA DISTRIBUCIÓN NORMAL ESTÁNDAR
Compartir