Modelo Normal
Transcript of Modelo Normal
-
1Modelo de Probabilidad Normal
( )( )
2
2
2
2
1
pi
=
x
exf
( );~ NX
El modelo normal. Definicin
Se trata de la distribucin ms utilizada en la modelizacin de experimentos
aleatorios. Esta distribucin puede obtenerse al considerar el modelo bsico de
una variable aleatoria binomial cuando el nmero de ensayos se vuelve cada vez
ms grande.
La importancia de la distribucin normal se extiende ms all de proporcionar
aproximaciones a las probabilidades binomiales. Por ejemplo, puede demostrarse
que cada vez que un experimento aleatorio est formado por una serie de ensayos
independientes, donde cada uno da como resultado un valor observado de la
variable aleatoria en particular, entonces la variable aleatoria que representa el
resultado promedio (o total) en n ensayos tiende hacia una distribucin normal.
Diremos que una variable aleatoria continua X es normal con media y varianza2 y lo representaremos como X~N(,2), siendo < x < y > 0, siempre quesu funcin de densidad de probabilidad sea:
( )( )
2
2
2
2
1
pi
=
x
exf
Modelos de Probabilidad Normal
-
2La funcin de densidad de probabilidad es una curva simtrica con forma de
campana (campana de Gauss):
El modelo normal. Funcin de densidad de probabilidad
Densidad Normal (Media = 10)
-15 -10 -5 0 5 10 15 20 25 30 35
Varianza = 4 Varianza = 9 Varianza = 16
Modelos de Probabilidad Normal
La principal caracterstica de la distribucin normal, a la que debe su gran
importancia terica y prctica, es que para cualquier distribucin, aunque no siga
una distribucin normal, la distribucin de su media muestral tiende a una
distribucin normal.
Ejemplo: Sea X~U(a = 0; b = 10). Si tomamos 10.000 muestras de 10
observaciones cada una de la variable X y calculamos sus medias, tenemos una
muestra de 10.000 individuos de la variable X10, que es la media de las 10
observaciones uniformes. El histograma de la variable X10 quedara:
El modelo normal
Que se corresponde, aproximadamente,
con una variable normal, con media = 5(la misma media que la variable uniforme)
y con varianza 2 = 0,833 (la dcima partede la varianza de la variable uniforme).
A mayor tamao de las muestras, mayor
parecido con el modelo normal.0 1 2 3 4 5 6 7 8 9 10
Modelos de Probabilidad Normal
-
3Un resultado interesante para la distribucin normal es que:
El modelo normal
( )( )( )( )
=+
-
4En la figura de la derecha se muestra un fragmento de la tabla de la funcin de
distribucin de Z~N(0; 1), es decir, de F(t) = P(Z t).
El modelo normal. Uso de la tabla para Z
0,00 0,01 0,02 0,03 0,04 0,05 0,06
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962
Ejemplos
P(Z 0,53) = 0,7019
P(0,25 Z 0,82) =
= P(Z 0,82) P(Z 0,25) =
= 0,7939 0,5987 = 0,1952
P(Z 1,16) = 1 P(Z 1,16) = 0,123
P(Z 1,16) = 1 P(Z 1,16) = 0,123
P(Z 1,16) = P(Z 1,16) = 0,877
Calcula el percentil 67 de Z. P67 = 0,44, ya que P(Z 0,44) = 0,67
Modelos de Probabilidad Normal
En una poblacin se asume que la tensin arterial sistlica (TAS) verifica una
distribucin normal, con media = 120 mm Hg y = 25 mm HG.a. Calcula la proporcin de personas con TAS mayor que 170 mm Hg.
El modelo normal. Ejemplo
( )( ) ( ) %28,297725,01212 25
120170
25
120170
====
=
ZPZP
TASPTASP
(
b. Calcula la proporcin de personas con TAS entre 160 y 180 mm Hg.
( ) ( )( ) ( ) %66,49452,09918,06,14,2
4,26,125
120180
25
120160180160
===
=
=
ZPZP
ZPZPTASP(
Con EXCEL: =1DISTR.NORM(170;120;25;1)
Con EXCEL: =DISTR.NORM(180;120;25;1)DISTR.NORM(160;120;25;1)
Modelos de Probabilidad Normal
-
5c. Calcula la proporcin de personas con TAS menor que 100 mm Hg.El modelo normal. Ejemplo
( )( ) ( ) %19,217881,018,018,0 25
120100100
====
=
ZPZP
ZPTASP(
d. Calcula una TAS que slo sea superada por el 10% de la poblacin.
( ) Hg mmPPPZPPTASP 15228,125
1209,0
25
1209,0 90
9090
90
=
=
Con EXCEL: =DISTR.NORM(100;120;25;1)
Con EXCEL: =DISTR.NORM.INV(0,9;120;25) =152,04 mm Hg
e. Calcula una TAS que sea superada por el 60% de la poblacin.
( )Hg mmP
P
PZP
PZPPTASP
75,11325,025
120
6,025
1204,0
25
1204,0
4040
4040
40
=
=
=
Con EXCEL: =DISTR.NORM.INV(0,4;120;25) =113,67 mm Hg
Modelos de Probabilidad Normal
Dada la variable X~Bi(n; p), si np > 5 y n(1p) > 5, se puede emplear el modelo
normal para aproximar X, construyendo XN~N( = np; 2 = np(1p)).Por ejemplo, si X~Bi(n = 50; p = 0,8), al ser np = 40 >5 y n(1p) = 10 > 5, se
puede construir XN~N( = 40; 2 = 8) para aproximar X.
Uso del modelo normal para aproximar el modelo binomial
( ) ( ) %38,9794,18
405,45)5,45(45 ==
= ZPZPXPXP N(
Con EXCEL obtenemos: =DISTR.BINOM(45;50;0,8;1) = 98,15%
Si X~Bi(n = 1.000; p = 0,6), XN~N( = 600; 2 = 240)
( ) ( ) %05,9565,1240
6005,625)5,625(625 ==
= ZPZPXPXP N(
Con EXCEL obtenemos: =DISTR.BINOM(625;1000;0,6;1) = 95,05%
Por qu P(X 45) P(XN 45,5),
en lugar de P(X 45) P(XN 45)?
44 45 46
45
-
6Dada la variable X~Po(), si 5, se puede emplear el modelo normal paraaproximar X, construyendo XN~N( = ; 2 = ).Por ejemplo, si X~Po( = 20), al ser = 20 > 5, se puede construir:
XN~N( = 20; 2 = 20) para aproximar X.
Uso del modelo normal para aproximar el modelo Poisson
( ) ( ) %07,8923,120
205,25)5,25(25 ==
= ZPZPXPXP N(
Con EXCEL obtenemos: =POISSON(25;20;1) = 88,78%
Si X~Po( = 100), XN~N( = 100; 2 = 100)
( ) ( ) %11,1795,0100
1005,90)5,90(90 ==
= ZPZPXPXP N(
Con EXCEL obtenemos: =POISSON(90;100;1) = 17,14%
( ) %44,4120
205,21
20
205,16)5,215,16(2217 =
=
-
7Transformaciones lineales del modelo normal
( )2;~ XXNX ( )222;~ XYXY bbaNY =+=bXaY +=
( )2;~ XXNX ( )22222;~ YXTYXT babaNT +=+=
bYaXT +=
( )2;~ YYNY indeptes e YX
Si X e Y no son independientes no
podemos garantizar la normalidad de Z
Modelos de Probabilidad Normal
Teorema del lmite central
==
nNX X
XXX
22;~
Dada la variable aleatoria X con funcin de distribucin FX, si extraemos una
muestra aleatoria (observaciones independientes e idnticamente distribuidas) de
dicha variable: {X1, X2, , Xn}, con n lo suficientemente grande, se verifica que la
media muestral se distribuye aproximadamente como una variable normal, con la
misma media que X y con una varianza que es igual a la de X, dividida por n.
Xn FXXX dem.a.,,, 21 K
n
XXXX n
+++=
K21
Una caracterstica muy importante de este resultado es que no se exige la
normalidad de X. FX puede ser cualquier modelo de probabilidad, incluso un
modelo discreto.
Este resultado ayuda a comprender el ejemplo de la diapositiva 12.
Modelos de Probabilidad Normal
-
8Ejemplo: Sea X~U(a = 0; b = 10) X = (0 + 10)/2 = 5 y X2 = (10 0)2/12 = 8,3Si tomamos 10.000 muestras de 10 observaciones cada una de la variable X y
calculamos sus medias, tenemos una muestra de 10.000 individuos de la variable
X10, que es la media de las 10 observaciones uniformes.
Segn el TLC la media muestral se distribuye segn una normal:
Teorema del lmite central. Ejemplo
Hemos calculado el histograma y el
polgono de frecuencias correspondiente
al ejemplo y vemos que en efecto, se
corresponde, aproximadamente, con una
variable normal, con media 5 y con
varianza 0,833.0 1 2 3 4 5 6 7 8 9 10
==
nNX X
XXX
22;~
( )83,0;5~ 2 ==
XXNX
Modelos de Probabilidad Normal
Distribucin normal con EXCEL
Distribucin normal X~N(;)Funcin de distribucin:
F(t) = P(X t) = DISTR.NORM(t ; ; ; 1)Clculo de percentiles:
PK = DISTR.NORM.INV(K/100 ; ; )Ejemplo: X~N( = 160; = 15)P(X 150) = DISTR.NORM(150;160;15;1) = 25,25%
Q3 = P75 = DISTR.NORM.INV(75/100 ; 160 ; 15) = 170,12
Modelos de Probabilidad Normal