Professional Documents
Culture Documents
Distribucin normal
Concepto
La distribucin normal (en ocasiones llamada distribucin gaussiana) es la distribucin
continua que se utiliza ms comnmente en estadstica. La distribucin normal es de vital
importancia en estadstica por tres razones principales:
Grafica
La grfica de la distribucin normal tiene la forma de una campana, por este motivo tambin es
conocida como la campana de Gauss. Sus caractersticas son las siguientes: Es una distribucin
simtrica. Es asinttica, es decir sus extremos nunca tocan el eje horizontal, cuyos valores
tienden a infinito. En el centro de la curva se encuentran la media, la mediana y la moda. El
rea total bajo la curva representa el 100% de los casos. Los elementos centrales del modelo
son la media y la varianza.
En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma muy
aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p = p(xito) no es
muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es,
x np
P( x ,n , p ) n C x p x q n x p z
npq
Donde:
( x 1/ 2 )
z
Este es un factor de correccin debido a que se est evaluando una variable discreta con una
distribucin continua, por lo que hay que delimitar claramente desde que punto se va a evaluar
la variable, dicho de otra forma, en que lmite de la barra (inferior o superior) nos debemos
posicionar para determinar la probabilidad requerida, cada barra de probabilidad a evaluar tiene
como base la unidad, ese es el porqu del .
X2 = 65.5
= 60 X = 65
X1 = 64.5
Ejemplos:
1. La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre es
de 0.4. Si se sabe que 100 personas han contrado esta enfermedad, Cul es la
probabilidad de que:
a) al menos 30 sobrevivan?,
b) ms de 46 sobrevivan?,
c) menos de 50 no sobrevivan?
Solucin:
a)
n = 100
p = p(paciente se recupere) = 0.40
q = p(paciente no se recupere) = 1 p = 1 0.40 = 0.60
= np = (100)(0.40) = 40 pacientes se recuperen
X = 29.5 = 40
( x 1/ 2 ) ( 30 1 / 2 ) 40 29.5 40
z 2.1433 2.14
4.899 4.899
p( z = -2.14) =0.4838
( x 1 / 2 ) 40 ( 46 1 / 2 ) 40 46.5 40
z 1.33
4.899 4.899 4.899
b)
n = 100
p = p(paciente no sobreviva) = 0.60
q = p(paciente sobreviva) = 1 p = 0.40
np ( 100 )( 0.60 ) 60 pacientes que no se recuperan
npq 100( 0.60 )( 0.40 ) 4.899 pacientes que no se recuperan
x = variable que nos define el nmero de pacientes que no sobreviven
x = 0, 1, 2, ....,100
X = 49.5 = 60
( 50 1 / 2 ) 60 49.5 60
z 2.14
4.899 4.899
p( z = -2.14) = 0.4838
p(x 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162
distribucion t student
Es una distribucin de probabilidad que surge del problema de estimar la media de una
poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. sta es
la base de la popular prueba t de Student para la determinacin de las diferencias entre
dos medias muestrales y para la construccin del intervalo de confianza para la diferencia
entre las medias de dos poblaciones.
La distribucin t es ms ancha y ms plana en el centro que la distribucin normal
estndar como resultado de ello se tiene una mayor variabilidad en las medias de muestra
calculadas a partir de muestras ms pequeas. Sin embargo, a medida que aumenta el
tamao de la muestra, la distribucin t se aproxima a la distribucin normal estndar.
Condiciones:
La distribucin t student es menor en la media y mas alta en los extremos que una
distribucin normal.
Tiene proporcionalmente mayor parte de su rea en los extremos que la
distribucin normal.
Formulario:
reas:
Intervalos:
La distribucin t tde studentse puede usar cuando cualquiera cualquierade las siguientes
condiciones se cumplen:
Ejemplo:
Supongamos que las calificaciones de una prueba estn distribudos normalmente con
una media de 100. Ahora supongamos que seleccionamos 20 estudiantes y les
hacemos un exmen. La desviacin estndar de la muestra es de 15.
Cul es esla la probabilidad de que el promedio en el grupo de muestra sea ms 110?
Veamos el resultado grficamente
Ejemplo 2;
Un ingeniero qumico afirma que el rendimiento medio de cierto proceso en lotes es 500
gramos por milmetro de materia prima. Para verificar esta afirmacin toma una muestra
de 25 lotes cada mes. Si el valor de t calculado cae entre t0.05y t0.05, aceptara su
afirmacin (con 90% de confianza). Quconclusin extraera de una muestra que tiene
una media de 518 gramos por milmetro y una desviacin estndar de 40 gramos?
Suponga que la distribucin de rendimientos es aproximadamente normal.
Sulucion: De la tabla encontramos que t0.05 para 24 grados de libertad es 1.711. Por
tanto, el fabricante queda satisfecho con esta afirmacin si una muestra de 25 lotes
rinde un valor t entre 1.711 y 1.711.
Intuitivamente, esta distribucin es de utilidad para establecer comparaciones entre las varianzas
poblacionales a partir de dos conjuntos de datos extrados de una variable
para todo nmero real x 0, donde d1 y d2 son enteros positivos, y B es la funcin beta.