2. DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL

Presentación del tema: "2. DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL"— Transcripción de la presentación:

1 2. DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL
Depto. Matemáticas – IES Elaios Tema: Distribuciones de Probabilidad 2. DISTRIBUCIÓN BINOMIAL Y DISTRIBUCIÓN NORMAL Presentación elaborada por el profesor José Mª Sorando, ampliando y adaptando las diapositivas de la Editorial SM

2 Apuntes: Triángulo de Tartaglia o de Pascal
1 1 1 …. Este triángulo está formado por los números combinatorios

3 Distribución Binomial. Definición
Un experimento aleatorio que tiene las siguientes características sigue el modelo de una distribución binomial: En cada prueba del experimento sólo son posibles dos resultados, el suceso A, que se llama éxito, y su contrario Ac, al que se llama fracaso. El resultado obtenido en cada prueba es independiente de los resultados obtenidos en las pruebas anteriores. La probabilidad del suceso A es constante; por tanto, no varía de una prueba a otra. Se representa por p la probabilidad de A, y por q = 1 – p la probabilidad de Ac . La variable X, que representa el número de éxitos obtenidos en n pruebas, se denomina variable aleatoria binomial. Esta variable es discreta, ya que si se realizan n pruebas se podrán obtener 0, 1, 2, …, n éxitos. Una distribución binomial se caracteriza por los parámetros número de pruebas realizadas, n, y probabilidad del suceso “éxito”, p, y se representa por B(n, p). Ejemplos

4 Distribución binomial: función de probabilidad
p(A) = 1 6 Éxito: A = "obtener un 6" Fenómeno aleatorio: lanzar un dado p(A) = 5 6 Fracaso: A = "no obtener un 6" Si realizamos n = 10 pruebas, la probabilidad de obtener r = 3 éxitos es: B = A  A  A  A  A  A  A  A  A  A

5 Distribución binomial: función de probabilidad
X = "número de 6 al tirar un dado 10 veces” es B(10 , 1/6) Función de probabilidad: Gráfica de la función de probabilidad

6 Distribución Binomial: media y varianza
En una variable aleatoria binomial B (n , p) Media: Varianza: Desviación típica: μ = n p Ejemplo.- X = "número de 6 al tirar un dado 10 veces” es B(10 , 1/6) Media = 10 · 1/6 = 10/6 Varianza = 10 · 1/6 · 5/6 = 50/36 Desviación típica = √50 / 6

7

8 Variable aleatoria de la Distribución Normal N(µ, )
Una variable aleatoria continua X sigue una distribución normal de media  y desviación típica , y se designa por N(, ) si se cumplen las siguientes condiciones. 1.ª La variable puede tomar cualquier valor real, es decir, x (–, +). 2.ª La función de densidad, que es la expresión en términos de ecuación matemática de la función de Gauss, es:

9 Características de la función de densidad de la N(µ, )
(m, ) x = m Área bajo la curva: 1 unidad m - s I' m + s I y = 0 Campo de existencia = (– ,+ ) Creciente Decreciente

10 Familia de distribuciones normales

11 Familia de distribuciones normales

12 Distribución normal estándar N(0, 1)
De las infinitas distribuciones N(, ) tiene especial interés la distribución N(0, 1), es decir, aquella que tiene por media el valor cero ( = 0) y por desviación típica la unidad ( = 1). Se le designa como variable Z. Características de la distribución N(0,1): 1. Función de densidad: 2. Probabilidad: a

13 Tablas de la normal N(0, 1)

14 Manejo de tablas 1,23 P(Z  1,23) = 0,8907

15 P(Z  –1,23) = 1 – P(Z  1,23) = 1 – 0,8907 = 0,1093 Manejo de tablas
1,23 –1,23 P(Z  –1,23) = 1 – P(Z  1,23) = 1 – 0,8907 = 0,1093

16 Manejo de tablas 1,23 1,01 P(1,01  Z  1,23) = P(Z  1,23) – P(Z  1,01) = = 0,8907– 0,8438 = 0,1469

17 Manejo de tablas –1,23 –1,01 1,23 1,01 P(–1,23  Z  –1,01) = P(1,01  Z  1,23) = = P(Z  1,23) – P(Z  1,01) = 0,8907– 0,8438 = 0,1469

18 P(Z  1,01) – P(Z  –1,23) = P(–1,23  Z  1,01) =
Manejo de tablas 1,01 –1,23 P(–1,23  Z  1,01) = P(Z  1,01) – P(Z  –1,23) = = P(Z  1,01) – (1 – P(Z  1,23)) = 0,8907– 1+ 0,8438 = 0,7345

19 Apuntes: Algunas probabilidades bajo la N(µ,  )
m + s m + 2s m – 2s m – s m + 3s m – 3s 0,683 0,954 0,997

20 Apuntes: Tipificación de la variable N(µ,  )
Dada una variable aleatoria X que sea N(µ, ) Con el cambio de variable Z = (X - µ)/  Se consigue una variable aleatoria Z que es N (0 , 1) Se dice que Z es la variable tipo o tipificada. Pasar el problema a esta variable nos permite poder resolverlo consultando la tabla N (0 , 1) Ejemplo.- Sea X una N(5 , 0,4). Calcular P (X ≤ 5,8) Variable tipificada: Z = (X – 5)/ 0,4 Entonces: P (X ≤ 5,8)= P [(X – 5)/ 0,4 ≤ (5,8 – 5)/ 0,4] = P (Z ≤ 2) Buscamos en la tabla N (0 , 1): P (Z ≤ 2) =0,9772