Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 69 vistas

    Distribución Normal

    Cargado por

    Aldo Martín Fernández
    Este documento describe las distribuciones normales, incluyendo la distribución normal estándar N(0,1) y la distribución normal general N(μ,σ). Explica sus propiedades como simetría, puntos de inflexión y funciones asociadas en R. También presenta ejemplos sobre cómo calcular probabilidades y percentiles para variables aleatorias normales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Distribución Normal

    Cargado por

    Aldo Martín Fernández
    69 vistas5 páginas
    Este documento describe las distribuciones normales, incluyendo la distribución normal estándar N(0,1) y la distribución normal general N(μ,σ). Explica sus propiedades como simetría, puntos de inflexión y funciones asociadas en R. También presenta ejemplos sobre cómo calcular probabilidades y percentiles para variables aleatorias normales.

    Título original

    DistribuciónNormal

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe las distribuciones normales, incluyendo la distribución normal estándar N(0,1) y la distribución normal general N(μ,σ). Explica sus propiedades como simetría, puntos de inflexión y funciones asociadas en R. También presenta ejemplos sobre cómo calcular probabilidades y percentiles para variables aleatorias normales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    69 vistas5 páginas

    Distribución Normal

    Cargado por

    Aldo Martín Fernández
    Este documento describe las distribuciones normales, incluyendo la distribución normal estándar N(0,1) y la distribución normal general N(μ,σ). Explica sus propiedades como simetría, puntos de inflexión y funciones asociadas en R. También presenta ejemplos sobre cómo calcular probabilidades y percentiles para variables aleatorias normales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 5

    DistribucionNormal

    Distribución Normal (0, 1): N (0, 1)


    Una variable aleatoria continua Z se dice que sigue una distribución N (0, 1) si su función densidad viene dada por,
    1 −
    z2
    f(z) = −−− e 2 , para todo valor z ∈ R
    √ 2π

    curve(dnorm(x), c(-4,4),
    xlim=c(-4,4),
    xlab='z',
    ylab= expression(f(z)),
    main=expression(paste('Función de densidad de una N(0,1): ', 'f(z) =', frac(1,sqrt(2 * pi)),~e^-frac(z^2
    ,2)) ),
    col='blue')
    abline(h=0)
    abline(v=0, lty=2, col='red')

    Tiene las siguientes propiedades:

    La curva es simétrica respecto al eje de ordenadas: f(z) = f(−z) .


    La función tiene una asíntota horizontal en y = 0 cuando z → ±∞ .
    Para z > 0 la curva es decreciente y para z < 0 la curva es creciente.
    En z = ±1 la curva tiene dos puntos de inflexión.

    A la N(0, 1) también se le llama función de distribución de Gauss o gausiana.

    Distribución Normal (μ, σ ): N (μ, σ)


    Una variable continua X sigue una distribución N (μ, σ) si su función de densidad viene dada por,
    2
    1 −
    (x−μ)

    f(x) = − e 2σ2 , para todo valor x ∈ R


    −−
    σ √2π
    curve(dnorm(x, mean=3, sd=6), c(-20,30),
    xlim=c(-20,30),
    xlab='x',
    ylab= expression(f(x)),
    main=expression(paste('Función de densidad de una N(', mu ,'=3,', sigma,'=6 ): ', 'f(x) =', frac(1, sigm
    a*sqrt(2 * pi)),~e^-frac((x- mu)^2,2*sigma^2)) ),
    col='blue')
    abline(h=0)
    abline(v=3, lty=2, col='red')

    Tiene las siguientes propiedades:

    La curva es simétrica respecto al eje de vertical x = μ .


    La función tiene una asíntota horizontal en y = 0 cuando x → ±∞ Para z > μ la curva es decreciente y para z < μ la curva es
    creciente. En x = μ − σ y x = μ + σ la curva tiene dos puntos de inflexión.

    Momentos
    1. E[X] = μ .
    2. V (X) = σ 2

    Estandarización
    (X−μ)
    Dada la variable aleatoria X ∼ N (μ, σ) consideramos la variable tipificada Z = σ sigue una distribución N (0, 1) .

    Función de distribución
    La función de densidad de una N (μ, σ) , f(x) , no tiene primitiva por lo que es necesario tabular la función de distribución. Debido a las
    propiedad de la estandarización únicamente es necesario tabular la función de distribución de la N (0, 1) .

    Propiedad reproductiva
    Sean { X 1 , X2 , ⋯ , Xn } variables aleatorias independientes y normales tales que X i
    ∼ N (μi , σ i ) . Entonces se verifica que,
    n n −−
    n−−− −−
    ∑ a i Xi ∼ N (∑ a i μ, √∑ a i σ i2 )
    2

    i=1 i=1 i=1

    Funciones en R de la distribución Normal


    Las funciones en R asociadas de la distribución Normal son:

    Nombre de la función Descripción


    dnorm(x, mean = 0, sd = 1, log = FALSE) Función de densidad

    pnorm(q, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE) Función de distribución

    qnorm(p, mean = 0, sd = 1, lower.tail = TRUE, log.p = FALSE) Función de cuantiles

    rnorm(n, mean = 0, sd = 1) Función de generación de valores aleatorios

    para más información ?dnorm

    Ejemplos
    Ejemplo
    La altura de los individuos de una población al cumplir la mayoria de edad sigue una N (170, 10).
    1. ¿Qué proporción de individuos mide más de 200 cm?
    2. Si no se admite al 20% de los más altos, ¿Qué límites hay que poner?

    Solución

    a.- ¿Qué proporción de individuos mide más de 200 cm?

    La altura se distribuye según la ley siguiente, X ∼ N (170, 10)


    X − 170 200 − 170
    P (X > 200) = P ( > ) = P (Z > 3) = 1 − P (Z ≤ 3) = 0.0013
    10 10
    En R,

    # No hace falta ni tipificar, ni calcular la probabilidad del suceso opuesto


    (pnorm(200, mean=170, sd=10, lower.tail=FALSE))

    ## [1] 0.001349898

    b.- Si no se admite al 20% de los más altos, ¿Qué límites hay que poner?

    X − 170 k − 170 k − 170


    P (X > k) = P ( > ) = P (Z > ) = 0.2
    10 10 10
    Según las tablas de las que se disponga se resolverá,
    k−170 k−170
    P (Z > 10
    ) = 0.2 . Entonces, 10
    = 0.84 ⇒ k = 0.84 × 10 + 170 = 178.4
    O bien,
    k−170 k−170
    P (Z ≤ 10
    ) = 0.8 .Entonces, 10
    = 0.85 ⇒ k = 0.85 × 10 + 170 = 178.5

    # X ~ N(170, 10)
    # P(X > k)=0.2
    (qnorm(0.2, mean=170, sd=10, lower.tail=FALSE))

    ## [1] 178.4162

    Ejemplo
    Es difícil etiquetar la carne empaquetada con su peso correcto debido a los efectos de pérdida de líquido (definido como porcentaje del peso
    original de la carne). Supongamos que la pérdida de líquido en un paquete de pechuga de pollo puede modelarse mediante una distribución
    normal de media 4% y desviación típica 1%.

    Sea X la pérdida de líquido de un paquete de pechuga de pollo elegido al azar,

    1. ¿Cuál es la probabilidad de que 3%<X<5% ?


    2. ¿Cuál es el valor de X para que un 90% de paquetes tengan pérdidas de líquido menores que X?
    3. En una muestra de 4 paquetes hallar la probabilidad de que todos tengan pérdidas de peso de entre 3% y 5%.

    Solución

    a.- ¿Cuál es la probabilidad de que 3%<X<5% ?


    X−4
    P (3 < X < 5) = P ( 3−4
    1
    < 1
    < 5−4
    1
    = P (−1 < Z < 1) = FZ (1) − FZ (−1) = 0.8413 − 0.1587 = 0.6827
    # X ~ N(4,1)
    # P(3 < X < 5) = F(5) -F(3)
    (pnorm(5,mean=4, sd=1) - pnorm(3,mean=4, sd=1))

    ## [1] 0.6826895

    b.- ¿Cuál es el valor de X para que un 90% de paquetes tengan pérdidas de líquido menores que X?

    Se pide P (X < x) = 0.9


    P (X < x) = P ( X−4
    1
    < x−4
    1
    ) = P (Z < x − 4) = 0.9
    Mirando en la tablas, se tiene que x − 4 ≡ 1.28 ⇒ x = 5.28 .
    Un 90% de los paquetes tienen pérdidas de menos de x = 5.28% .

    # X ~ N(4,1)
    # P(X<x)=0.9
    (qnorm(0.9, mean=4, sd=1))

    ## [1] 5.281552

    cat("Un 90% de los paquetes tienen pérdidas de menos de x=", qnorm(0.9, mean=4, sd=1),'%','\n')

    ## Un 90% de los paquetes tienen pérdidas de menos de x= 5.281552 %

    c.- En una muestra de 4 paquetes hallar la probabilidad de que todos tengan pérdidas de peso de entre 3% y 5%.

    Para un paquete se tiene que p = P (3 < X < 5) = 0.6827 .


    Sea la variable aleatoria $Y=

    Definida así, la variable aleatoria Y ∼ B(4, 0.6827) . La probabilidad pedida es,


    4
    P (Y = 4) = ( )0.6827 4 (1 − 0.6827 )0 = 0.2172
    4

    p.binomial <- pnorm(5, mean=4, sd=1) - pnorm(3, mean=4, sd=1)


    p.binomial

    ## [1] 0.6826895

    p <- dbinom(4,size=4, prob=p.binomial )


    p

    ## [1] 0.2172165

    # De forma compacta

    dbinom(4,size=4, pnorm(5, mean=4, sd=1) - pnorm(3, mean=4, sd=1) )

    ## [1] 0.2172165

    Ejemplo
    Si el diámetro (en micras) de los hematíes de los individuos normales sigue una $N(7.5,0.2):

    a. ¿Qué proporción de individuos tiene un diámetro inferior a 8 micras?


    b. ¿Qué proporción de individuos tien un diámetro entre 7 y 8 micars?
    c. Calcular el percentil 95 de la distribución
    d. Calcular el percentil 5 de la distribución
    e. Calcular dos números, simétricos respecto de la media, que dejen en su interior al 90% de los valores de la pobalción.

    Solución

    a. ¿Qué proporción de individuos tiene un diámetro inferior a 8 micras?

    Como X ∼ N(7.5, 0.2)


    prob <- pnorm(8, mean = 7.5, sd = 0.2)

    cat('La proporción de individuos con un diámetro inferior a 8 micras es ', 100*pnorm(8, mean = 7.5, sd = 0.2),
    '\n' )

    ## La proporción de individuos con un diámetro inferior a 8 micras es 99.37903

    la P r(X < 8) = 0.9937903


    b. ¿Qué proporción de individuos tien un diámetro entre 7 y 8 micars?

    prob <- pnorm(8, mean = 8, sd = 0.2) - pnorm(7, mean = 8, sd = 0.2)


    100*prob

    ## [1] 49.99997

    la P r(7 < X < 8) = 0.4999997


    c. Calcular el percentil 95 de la distribución

    per95 <- qnorm(0.95, mean = 8, sd = 0.2)


    per95

    ## [1] 8.328971

    el percentil 95 es ​8.3289707

    d. Calcular el percentil 5 de la distribución

    per5 <- qnorm(0.05, mean = 8, sd = 0.2)


    per5

    ## [1] 7.671029

    el percentil 5 es ​7.6710293

    O de forma conjunta el apartado c) y d)

    qnorm(c(0.05,0.95), mean = 8, sd = 0.2)

    ## [1] 7.671029 8.328971

    e. Calcular dos números, simétricos respecto de la media, que dejen en su interior al 90% de los valores de la pobalción.

    # Los dos números los guardamos en un vector


    sol <- c(-qnorm(0.95, mean = 8, sd = 0.2, lower.tail = FALSE),qnorm(0.95, mean = 8, sd = 0.2, lower.tail = FALS
    E))
    sol

    ## [1] -7.671029 7.671029

    También podría gustarte