Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Estadística Descriptiva y Probabilidades SESIÓN 13 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 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: Función de densidad continua: Distribución uniforme Distribución exponencial 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. Distribución normal Distribuciones continuas 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. Distribución normal Distribuciones continuas Función de densidad La densidad de la variable aleatoria normal X, con media μ y varianza σ 2, es: Una vez que se especifican μ y σ, la curva normal queda determinada por completo. Distribución normal Distribuciones continuas Donde: π = 3.14159 e = 2.71828 μ1 < μ2 y σ1 = σ2 Distribución normal Distribuciones continuas Función de densidad μ1 = μ2 y σ1 < σ2 Distribución normal Distribuciones continuas Función de densidad μ1 < μ2 y σ1 < σ2 Distribución normal Distribuciones continuas Función de densidad 1. La moda, que es el punto sobre el eje horizontal donde la curva tiene su punto máximo, ocurre en x = μ. 2. La curva es simétrica alrededor de un eje vertical a través de la media μ. 3. La curva tiene sus puntos de inflexión en x = μ ± σ , es cóncava hacia abajo si μ – σ < X < μ + σ, y es cóncava hacia arriba en otro caso. Distribución normal Distribuciones continuas Propiedades de la curva normal 4. La curva normal se aproxima al eje horizontal de manera asintótica, conforme nos alejamos de la media en cualquier dirección. 5. El área total bajo la curva y sobre el eje horizontal es igual a uno. Teorema: La media y la varianza de n (x; μ, σ) son μ y σ2, respectivamente. Por lo tanto, la desviación estándar es σ. Distribución normal Distribuciones continuas Propiedades de la curva 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: Distribución normal Distribuciones continuas 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. Distribución normal Distribuciones continuas Distribución normal Distribuciones continuas 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: 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 Distribución normal Distribuciones continuas Distribución normal estándar: Tabla de distribución normal estándar Ejemplo: Calcular P(Z<0.23) 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. 3. Ubicar el valor de 0.03 en la quinta columna (5) de la tabla. 1 5 4. El valor correspondiente al cruce de fila con valor de 0.2 y la columna con valor de 0.03 es el valor de P(Z<0.23). P(Z<0.23) = 0.59095 0.23 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? Distribución normal Distribuciones continuas 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. Distribución normal Distribuciones continuas 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? Caso: Cojinete de bolas Distribución normal Distribuciones continuas 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. Caso: Cojinete de bolas Distribución normal Distribuciones continuas 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 duraciónde las baterías. ¿Qué hemos aprendido? CIERRE 1. ¿Qué distribuciones de probabilidad de variable aleatoria continua conoces? 2. ¿Para qué se utiliza la tabla estadística de distribución normal estándar? CIERRE
Compartir