distribuciones uniforme y distribucion normal
TRANSCRIPT
Distribuciones continuas
MSc Edgar Madrid Cuello
Departamento de Matemática, UNISUCRE
Estadística I
2017
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 1 / 38
Distribución Uniforme
De�nición (distribución uniforme)
Se dice que una variable aleatoria X está distribuida uniformemente sobre
el intervalo [a, b ] , con a < b números reales, si su función de densidad está
dada por:
f(x) =
1
b− asi a ≤ x ≤ b
0 e.c.o.c
La función de densidad tiene la forma que presenta la �gura 1.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 2 / 38
Figure: 1 Función de densidad de una distribución uniforme
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 3 / 38
Función de distribución
Es fácil veri�car que si X ∼ U[a, b], entonces, la función de
distribución de X está dada por:
F (x) =
0 si x < a
x− ab− a
si a ≤ x ≤ b1 si x > b
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 4 / 38
Función de distribución
Es fácil veri�car que si X ∼ U[a, b], entonces, la función de
distribución de X está dada por:
F (x) =
0 si x < a
x− ab− a
si a ≤ x ≤ b1 si x > b
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 4 / 38
Figure: 2 Función de distribución de una v.a. con distribución uniforme
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 5 / 38
Ejemplo
Sea X ∼ U[−3, 2] clacular:
P (X ≥ 0)
P (−5 ≤ x ≤ 1
2)
Ejemplo
Se escoge un número al azar en el intervalo [1, 3 ] . Cuál es la probabilidad
de que el primer dígito al lado derecho del punto decimal sea el 5?
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 6 / 38
Ejemplo
Sea X ∼ U[−3, 2] clacular:
P (X ≥ 0)
P (−5 ≤ x ≤ 1
2)
Ejemplo
Se escoge un número al azar en el intervalo [1, 3 ] . Cuál es la probabilidad
de que el primer dígito al lado derecho del punto decimal sea el 5?
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 6 / 38
Ejemplo
Sea X ∼ U[−3, 2] clacular:
P (X ≥ 0)
P (−5 ≤ x ≤ 1
2)
Ejemplo
Se escoge un número al azar en el intervalo [1, 3 ] . Cuál es la probabilidad
de que el primer dígito al lado derecho del punto decimal sea el 5?
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 6 / 38
Teorema (propiedades de la distribución discreta)
Si X es una variable aleatoria con distribución uniforme sobre el intervalo
[a, b ] entonces:
1 µX = E
(X
)=a+ b
2
2 σ2X = V ar
(X
)=
(b− a
)2
12
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 7 / 38
Teorema (propiedades de la distribución discreta)
Si X es una variable aleatoria con distribución uniforme sobre el intervalo
[a, b ] entonces:
1 µX = E
(X
)=a+ b
2
2 σ2X = V ar
(X
)=
(b− a
)2
12
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 7 / 38
Ejemplo
Supóngase que X ∼ U[a, b] y que E(X) = 2 y V ar(X) =3
4. Calcular
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 8 / 38
La distribución normal
Objetivos:
Usar la curva normal para modelar distribuciones;
Calcular probabilidades utilizando la curva normal;
evaluar la normalidad de conjuntos de da- tos mediante el uso de
grá�cas de probabilidad normales.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 9 / 38
La distribución normal
Objetivos:
Usar la curva normal para modelar distribuciones;
Calcular probabilidades utilizando la curva normal;
evaluar la normalidad de conjuntos de da- tos mediante el uso de
grá�cas de probabilidad normales.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 9 / 38
La distribución normal
Objetivos:
Usar la curva normal para modelar distribuciones;
Calcular probabilidades utilizando la curva normal;
evaluar la normalidad de conjuntos de da- tos mediante el uso de
grá�cas de probabilidad normales.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 9 / 38
La distribución normal
Objetivos:
Usar la curva normal para modelar distribuciones;
Calcular probabilidades utilizando la curva normal;
evaluar la normalidad de conjuntos de da- tos mediante el uso de
grá�cas de probabilidad normales.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 9 / 38
La distribución normal
Se presenta el tipo más importante de curvas de densidad: la curva
normal. La curva normal es una curva simétrica con �forma de campana�.
Una distribución representada por una curva normal se denomina
distribución normal.La familia de las distribuciones normales tiene dos
papeles en aplicaciones estadísticas. Su uso directo es como una
aproximación adecuada de la distribución de una variable observada X. El
segundo papel de la distribución normal es más teórico y es base
fundamental para estadística II.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 10 / 38
La distribución normal
Se presenta el tipo más importante de curvas de densidad: la curva
normal. La curva normal es una curva simétrica con �forma de campana�.
Una distribución representada por una curva normal se denomina
distribución normal.La familia de las distribuciones normales tiene dos
papeles en aplicaciones estadísticas. Su uso directo es como una
aproximación adecuada de la distribución de una variable observada X. El
segundo papel de la distribución normal es más teórico y es base
fundamental para estadística II.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 10 / 38
La distribución normal
Se presenta el tipo más importante de curvas de densidad: la curva
normal. La curva normal es una curva simétrica con �forma de campana�.
Una distribución representada por una curva normal se denomina
distribución normal.La familia de las distribuciones normales tiene dos
papeles en aplicaciones estadísticas. Su uso directo es como una
aproximación adecuada de la distribución de una variable observada X. El
segundo papel de la distribución normal es más teórico y es base
fundamental para estadística II.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 10 / 38
La distribución normal
Se presenta el tipo más importante de curvas de densidad: la curva
normal. La curva normal es una curva simétrica con �forma de campana�.
Una distribución representada por una curva normal se denomina
distribución normal.La familia de las distribuciones normales tiene dos
papeles en aplicaciones estadísticas. Su uso directo es como una
aproximación adecuada de la distribución de una variable observada X. El
segundo papel de la distribución normal es más teórico y es base
fundamental para estadística II.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 10 / 38
La distribución normal
Ejemplo (Vida útil de baterías)
Como parte de su programa de control de calidad, la compañía Autolite
Battery realiza pruebas acerca de la vida útil de las baterías. La vida media
(µ) de una batería de celda alcalina D es de 19 horas. La vida útil de la
batería se rige por una distribución normal con una desviación estándar (σ)de 1.2 horasa .
aEstadística aplicada a los negocios y la economía, Lind, pag. 230
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 11 / 38
Distribución de la vida media de 230 baterías
baterias
Den
sity
16 18 20 22
0.00
0.05
0.10
0.15
0.20
0.25
0.30
Figure: 3 histograma basado en una muestra de 230 baterías
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 12 / 38
Distribución de la vida media de 230 baterías
baterias
Den
sity
16 18 20 22
0.00
0.05
0.10
0.15
0.20
0.25
0.30
Figure: 4 histograma basado en una muestra de 230 baterías con la curva normalsuperpuesta
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 13 / 38
La curva normal se puede usar para describir la distribución de una variable
observada X de dos formas:
como una aproximación suave a un histograma basado en una muestra
de valores de X
como una representación idealizada de la distribución poblacional de X
Se considera la curva normal como la representación de la distribución
poblacional.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 14 / 38
La curva normal se puede usar para describir la distribución de una variable
observada X de dos formas:
como una aproximación suave a un histograma basado en una muestra
de valores de X
como una representación idealizada de la distribución poblacional de X
Se considera la curva normal como la representación de la distribución
poblacional.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 14 / 38
La curva normal se puede usar para describir la distribución de una variable
observada X de dos formas:
como una aproximación suave a un histograma basado en una muestra
de valores de X
como una representación idealizada de la distribución poblacional de X
Se considera la curva normal como la representación de la distribución
poblacional.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 14 / 38
Ejemplo (Espesor de cascaras de huevo)
En la producción comercial de huevos, la rotura es un problema
importante. Por tanto, el espesor de las cascaras de huevos es una variable
importante. En un estudio se observó que el espesor de las cascaras de
huevos producidos por un gran número de gallinas White Leghorn seguía
aproximadamente una distribución normal de media µ = 0, 38mm y
desviación típica σ = 0, 03mm.
0.30 0.35 0.40 0.45
02
46
810
12
Espesor de cáscara (mm)
dnor
m(x
, mea
n =
0.3
8, s
d =
0.0
3)
Figure: 6 Distribución normal del espesor de cáscara de huevos, con µ = 0, 38mmy σ = 0, 03mm
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 15 / 38
De�nición (Curvas normales)
Cada curva normal concreta se caracteriza por su media y su desviación
típica (parámetros). Si la variable X sigue una distribución normal de
media µ y desviación típica σ entonces se dice que XN(µ, σ).Todas lascurvas normales se pueden expresar mediante una sola fórmula.
Si una variable X sigue una distribución normal de media µ y desviación
típica σ, entonces la curva de densidad de la distribución de X está dada
por la siguiente fórmula:
f(x) =1
σ√
2πe−
12(x−µσ )
2
Esta función, f(x) se denomina función de densidad de la distribución y
expresa la altura de la curva en función de la posición x en el eje y.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 16 / 38
De�nición (Curvas normales)
Cada curva normal concreta se caracteriza por su media y su desviación
típica (parámetros). Si la variable X sigue una distribución normal de
media µ y desviación típica σ entonces se dice que XN(µ, σ).Todas lascurvas normales se pueden expresar mediante una sola fórmula.
Si una variable X sigue una distribución normal de media µ y desviación
típica σ, entonces la curva de densidad de la distribución de X está dada
por la siguiente fórmula:
f(x) =1
σ√
2πe−
12(x−µσ )
2
Esta función, f(x) se denomina función de densidad de la distribución y
expresa la altura de la curva en función de la posición x en el eje y.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 16 / 38
De�nición (Curvas normales)
Cada curva normal concreta se caracteriza por su media y su desviación
típica (parámetros). Si la variable X sigue una distribución normal de
media µ y desviación típica σ entonces se dice que XN(µ, σ).Todas lascurvas normales se pueden expresar mediante una sola fórmula.
Si una variable X sigue una distribución normal de media µ y desviación
típica σ, entonces la curva de densidad de la distribución de X está dada
por la siguiente fórmula:
f(x) =1
σ√
2πe−
12(x−µσ )
2
Esta función, f(x) se denomina función de densidad de la distribución y
expresa la altura de la curva en función de la posición x en el eje y.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 16 / 38
De�nición (Curvas normales)
Cada curva normal concreta se caracteriza por su media y su desviación
típica (parámetros). Si la variable X sigue una distribución normal de
media µ y desviación típica σ entonces se dice que XN(µ, σ).Todas lascurvas normales se pueden expresar mediante una sola fórmula.
Si una variable X sigue una distribución normal de media µ y desviación
típica σ, entonces la curva de densidad de la distribución de X está dada
por la siguiente fórmula:
f(x) =1
σ√
2πe−
12(x−µσ )
2
Esta función, f(x) se denomina función de densidad de la distribución y
expresa la altura de la curva en función de la posición x en el eje y.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 16 / 38
De�nición (continuación . . .)
La Figura 8 muestra una grá�ca de una curva normal. La forma de la curva
es como la de una campana simétrica, centrada en x = µ. La dirección de
curvatura es hacia abajo en la parte central de la curva, y hacia arriba en la
parte de las colas.
Figure: 8 Distribución normal µ y σ
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 17 / 38
De�nición (continuación . . .)
Los puntos de in�exión (es decir, donde la curvatura cambia de dirección)
son x = µ− σ y x = µ+ σ. Nótese que la curva es casi lineal en los
alrededores de esos puntos.
Figure: 8 Distribución normal µ y σ
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 18 / 38
De�nición (continuación . . .)
En principio la curva se extiende hasta −∞ y +∞, y nunca alcanza
realmente el eje x (asíntota). Sin embargo, la altura de la curva es muy
pequeña para valores de x alejados más de tres desviaciones típicas de la
media. El área bajo la curva es exactamente igual a 1.
Figure: 8 Distribución normal µ y σ
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 19 / 38
De�nición (continuación . . .)
En principio la curva se extiende hasta −∞ y +∞, y nunca alcanza
realmente el eje x (asíntota). Sin embargo, la altura de la curva es muy
pequeña para valores de x alejados más de tres desviaciones típicas de la
media. El área bajo la curva es exactamente igual a 1.
Figure: 8 Distribución normal µ y σ
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 19 / 38
De�nición (continuación . . .)
En principio la curva se extiende hasta −∞ y +∞, y nunca alcanza
realmente el eje x (asíntota). Sin embargo, la altura de la curva es muy
pequeña para valores de x alejados más de tres desviaciones típicas de la
media. El área bajo la curva es exactamente igual a 1.
Figure: 8 Distribución normal µ y σ
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 19 / 38
De�nición
Todas las curvas normales tienen la misma forma esencial, en el sentido de
que se pueden hacer idénticas mediante una selección adecuada de las
escalas vertical y horizontal de cada una. . Pero curvas normales con
diferentes valores de µ y σ no parecerán idénticas si se dibujan todas en la
misma escala, como se ilustra en la Figura 9. La posición de la curva
normal en el eje y está gobernada por µ, ya que la curva está centrada en
x = µ.La anchura de la curva está gobernada por σ. La altura de la curva
también está determinada por σ. Como el área bajo cada curva debe ser
igual a 1, una curva con un valor más pequeño de σ debe tener una altura
mayor. Esto re�eja el hecho de que los valores de Y están más altamente
concentrados cerca de la media cuando la desviación típica es pequeña.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 20 / 38
De�nición
Todas las curvas normales tienen la misma forma esencial, en el sentido de
que se pueden hacer idénticas mediante una selección adecuada de las
escalas vertical y horizontal de cada una. . Pero curvas normales con
diferentes valores de µ y σ no parecerán idénticas si se dibujan todas en la
misma escala, como se ilustra en la Figura 9. La posición de la curva
normal en el eje y está gobernada por µ, ya que la curva está centrada en
x = µ.La anchura de la curva está gobernada por σ. La altura de la curva
también está determinada por σ. Como el área bajo cada curva debe ser
igual a 1, una curva con un valor más pequeño de σ debe tener una altura
mayor. Esto re�eja el hecho de que los valores de Y están más altamente
concentrados cerca de la media cuando la desviación típica es pequeña.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 20 / 38
De�nición
Todas las curvas normales tienen la misma forma esencial, en el sentido de
que se pueden hacer idénticas mediante una selección adecuada de las
escalas vertical y horizontal de cada una. . Pero curvas normales con
diferentes valores de µ y σ no parecerán idénticas si se dibujan todas en la
misma escala, como se ilustra en la Figura 9. La posición de la curva
normal en el eje y está gobernada por µ, ya que la curva está centrada en
x = µ.La anchura de la curva está gobernada por σ. La altura de la curva
también está determinada por σ. Como el área bajo cada curva debe ser
igual a 1, una curva con un valor más pequeño de σ debe tener una altura
mayor. Esto re�eja el hecho de que los valores de Y están más altamente
concentrados cerca de la media cuando la desviación típica es pequeña.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 20 / 38
Figure: 9 Tres curvas normales
El parámetro µ es un parámetro de localización y el parámetro σ es un
parámetro de forma
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 21 / 38
−4 −2 0 2 4
0.0
0.2
0.4
0.6
0.8
x
dnor
m(x
, 0, 1
/2)
Figure: 10 Curvas normales con la misma media y diferentes desviacionesMSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 22 / 38
−4 −2 0 2 4
0.00
0.05
0.10
0.15
0.20
0.25
0.30
x
dnor
m(x
, 0, 1
.2)
Figure: 11 Curvas normales con diferentes media y desviaciones igualesMSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 23 / 38
De�nición (distribución normal estándar)
Si X ∼ N(0, 1), entonces se dice que X tiene distribución normal estándar.
La función de densidad y la función de esta variable aleatoria se denotan
por φ(·) y Φ(·) respectivamente.
La función de densidad de una variable aleatoria normal estándar es
simétrica con respecto al eje y. Por lo tanto, para todo z < 0 se satisface
que:
Φ(z) = 1− Φ(−z)
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 24 / 38
De�nición (distribución normal estándar)
Si X ∼ N(0, 1), entonces se dice que X tiene distribución normal estándar.
La función de densidad y la función de esta variable aleatoria se denotan
por φ(·) y Φ(·) respectivamente.
La función de densidad de una variable aleatoria normal estándar es
simétrica con respecto al eje y. Por lo tanto, para todo z < 0 se satisface
que:
Φ(z) = 1− Φ(−z)
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 24 / 38
De�nición (distribución normal estándar)
Si X ∼ N(0, 1), entonces se dice que X tiene distribución normal estándar.
La función de densidad y la función de esta variable aleatoria se denotan
por φ(·) y Φ(·) respectivamente.
La función de densidad de una variable aleatoria normal estándar es
simétrica con respecto al eje y. Por lo tanto, para todo z < 0 se satisface
que:
Φ(z) = 1− Φ(−z)
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 24 / 38
De�nición (Escala tipi�cada)
Las áreas bajo una curva normal se han calculado matemáticamente y
están tabuladas en cualquier libro de estadística o se puede emplear el
programa R o su App. Esto debido al hecho de que todas las curvas
normales se pueden hacer equivalentes, con respecto a las áreas bajo ellas,
mediante un cambio de escala adecuado del eje horizontal. La variable con
la escala cambiada se denomina Z.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 25 / 38
De�nición (Escala tipi�cada)
Las áreas bajo una curva normal se han calculado matemáticamente y
están tabuladas en cualquier libro de estadística o se puede emplear el
programa R o su App. Esto debido al hecho de que todas las curvas
normales se pueden hacer equivalentes, con respecto a las áreas bajo ellas,
mediante un cambio de escala adecuado del eje horizontal. La variable con
la escala cambiada se denomina Z.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 25 / 38
De�nición (Escala tipi�cada)
Las áreas bajo una curva normal se han calculado matemáticamente y
están tabuladas en cualquier libro de estadística o se puede emplear el
programa R o su App. Esto debido al hecho de que todas las curvas
normales se pueden hacer equivalentes, con respecto a las áreas bajo ellas,
mediante un cambio de escala adecuado del eje horizontal. La variable con
la escala cambiada se denomina Z.
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 25 / 38
La relación entre las escalas se muestra en la Figura 12.
Figure: 12 escala tipi�cada
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 26 / 38
De�nición (Fórmula de tipi�cación)
Z =X − µσ
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 27 / 38
Ejemplo
Para z = 1.23, se tiene P (Z < 1.23)
Figure: 13 ilustracion uso de la tabla o R; Φ(1.23)
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 28 / 38
Para obtener el área por encima de un valor dado de z, restaremos el área
tabulada de 1. Por ejemplo, el área por encima de z = 1, 8 es
1− 0.9641 = 0.0359 (Figura 14).
Figure: 14 ilustracion uso de la tabla o R;1− Φ(1.8)
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 29 / 38
Para obtener el área por encima de un valor dado de z, restaremos el área
tabulada de 1. Por ejemplo, el área por encima de z = 1, 8 es
1− 0.9641 = 0.0359 (Figura 14).
Figure: 14 ilustracion uso de la tabla o R;1− Φ(1.8)
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 29 / 38
Para obtener el área por encima de un valor dado de z, restaremos el área
tabulada de 1. Por ejemplo, el área por encima de z = 1, 8 es
1− 0.9641 = 0.0359 (Figura 14).
Figure: 14 ilustracion uso de la tabla o R;1− Φ(1.8)
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 29 / 38
Ejemplo
Para obtener el área entre dos valores de z, se restan las áreas dadas en la
Tabla. El área bajo la curva Z entre z = −1.4 y z = 1.35, es decirP (−1.4 < z < 1.35) (Figura 15),
Figure: 15 ilustracion uso de la tabla o R; Φ(1.35)− Φ(−1.40)MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 30 / 38
Ejemplo
Para obtener el área entre dos valores de z, se restan las áreas dadas en la
Tabla. El área bajo la curva Z entre z = −1.4 y z = 1.35, es decirP (−1.4 < z < 1.35) (Figura 15),
Figure: 15 ilustracion uso de la tabla o R; Φ(1.35)− Φ(−1.40)MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 30 / 38
El área bajo la curva normal entre z = −1 y z = +1 es
0.8413− 0.1578 = 0.6826.Por tanto, para cualquier distribución normal, aproximadamente el 68% de
las observaciones están dentro de ±1σ alrededor de la media.
Asimismo, el área bajo la curva normal entre z = −2 y z = +2 es 0.9544 y
el área bajo la curva normal entre z = −3 y z = +3 es 0.9974.
Esto signi�ca que en cualquier distribución normal aproximadamente el
95% de las observaciones están dentro de ±2σ alrededor de la media y
aproximadamente el 99.7% de las observaciones están dentro de ±3σalrededor de la media (véase la Figura 16).
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 31 / 38
El área bajo la curva normal entre z = −1 y z = +1 es
0.8413− 0.1578 = 0.6826.Por tanto, para cualquier distribución normal, aproximadamente el 68% de
las observaciones están dentro de ±1σ alrededor de la media.
Asimismo, el área bajo la curva normal entre z = −2 y z = +2 es 0.9544 y
el área bajo la curva normal entre z = −3 y z = +3 es 0.9974.
Esto signi�ca que en cualquier distribución normal aproximadamente el
95% de las observaciones están dentro de ±2σ alrededor de la media y
aproximadamente el 99.7% de las observaciones están dentro de ±3σalrededor de la media (véase la Figura 16).
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 31 / 38
El área bajo la curva normal entre z = −1 y z = +1 es
0.8413− 0.1578 = 0.6826.Por tanto, para cualquier distribución normal, aproximadamente el 68% de
las observaciones están dentro de ±1σ alrededor de la media.
Asimismo, el área bajo la curva normal entre z = −2 y z = +2 es 0.9544 y
el área bajo la curva normal entre z = −3 y z = +3 es 0.9974.
Esto signi�ca que en cualquier distribución normal aproximadamente el
95% de las observaciones están dentro de ±2σ alrededor de la media y
aproximadamente el 99.7% de las observaciones están dentro de ±3σalrededor de la media (véase la Figura 16).
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 31 / 38
El área bajo la curva normal entre z = −1 y z = +1 es
0.8413− 0.1578 = 0.6826.Por tanto, para cualquier distribución normal, aproximadamente el 68% de
las observaciones están dentro de ±1σ alrededor de la media.
Asimismo, el área bajo la curva normal entre z = −2 y z = +2 es 0.9544 y
el área bajo la curva normal entre z = −3 y z = +3 es 0.9974.
Esto signi�ca que en cualquier distribución normal aproximadamente el
95% de las observaciones están dentro de ±2σ alrededor de la media y
aproximadamente el 99.7% de las observaciones están dentro de ±3σalrededor de la media (véase la Figura 16).
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 31 / 38
El área bajo la curva normal entre z = −1 y z = +1 es
0.8413− 0.1578 = 0.6826.Por tanto, para cualquier distribución normal, aproximadamente el 68% de
las observaciones están dentro de ±1σ alrededor de la media.
Asimismo, el área bajo la curva normal entre z = −2 y z = +2 es 0.9544 y
el área bajo la curva normal entre z = −3 y z = +3 es 0.9974.
Esto signi�ca que en cualquier distribución normal aproximadamente el
95% de las observaciones están dentro de ±2σ alrededor de la media y
aproximadamente el 99.7% de las observaciones están dentro de ±3σalrededor de la media (véase la Figura 16).
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 31 / 38
Figure: 16
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 32 / 38
Ejemplo
De acuerdo con el Internal Revenue Service (IRS) el reembolso medio de
impuestos en 2007 fue de $2 708. Suponga que la desviación estándar es
de $650 y que las sumas devueltas tienen una distribución normal.
1 ¾Qué porcentajes de reembolsos son superiores a $3 000?
2 ¾Qué porcentajes de reembolsos son superiores a $3 000 e inferiores a
$3 500?
3 ¾Qué porcentajes de reembolsos son superiores a $2 500 e inferiores a
$3500?
Figure: 17 Arenques
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 33 / 38
De�nición (Lectura inversa de la Tabla (qnorm en R))
Al determinar hechos sobre la distribución normal, algunas veces es
necesario obtener el valor de z correspondiente al área dada en vez de la
otra forma.
Ejemplo
supongamos que deseamos obtener el valor en la escala Z que deja por
encima del 2.5% de la distribución. Este número es 1.96, como se muestra
en la Figura 18.
Figure: 18 Área bajo una curva normal por encima de 1.96
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 34 / 38
De�nición (Lectura inversa de la Tabla (qnorm en R))
Al determinar hechos sobre la distribución normal, algunas veces es
necesario obtener el valor de z correspondiente al área dada en vez de la
otra forma.
Ejemplo
supongamos que deseamos obtener el valor en la escala Z que deja por
encima del 2.5% de la distribución. Este número es 1.96, como se muestra
en la Figura 18.
Figure: 18 Área bajo una curva normal por encima de 1.96
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 34 / 38
De�nición (Lectura inversa de la Tabla (qnorm en R))
Al determinar hechos sobre la distribución normal, algunas veces es
necesario obtener el valor de z correspondiente al área dada en vez de la
otra forma.
Ejemplo
supongamos que deseamos obtener el valor en la escala Z que deja por
encima del 2.5% de la distribución. Este número es 1.96, como se muestra
en la Figura 18.
Figure: 18 Área bajo una curva normal por encima de 1.96
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 34 / 38
Utilizaremos la notación Zα para designar el número tal que
P (Z < zα) = 1− α y P (Z > zα) = α, como muestra la Figura 19. Así
pues, z0.025 = 1.96.
Figure: 19 Área bajo una curva normal por encima de Zα
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 35 / 38
Ejemplo (Longitudes de peces)
Obtener el percentil 70 de la distribución de longitudes de peces del
Ejemplo anterior.
Figure: 20 Determinación del percentil 70 de una distribución normalMSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 36 / 38
Ejemplo
Calcular el percentil 20 de la distribución de la longitud de peces del
Ejemplo anterior.
Figure: 21 Determinación del percentil 20 de una distribución normal
MSc Edgar Madrid Cuello Departamento de Matemática, UNISUCRE Estadística IDistribuciones continuas 2017 37 / 38