1

Variable aleatoria Normal

La variable aleatoria uniforme es ideal para introducir distribuciones probabil sticas para variables continuas, ya que es sencilla de entender y nos permite f acilmente visualizar como encontramos probabilidades de un int ervalo de inter es para una variable aleatoria continua; mediante la b usqueda de la sub- area bajo la curva que representa el int ervalo de inter es. Pero existe una distribuci on probabil stica que aplica muy a menudo en pr actica y que tiene un sin n umero de propiedades que son u tiles para inferencia. Se conoce como la distribuci on Normal. La distribuci on Normal es una funci on con forma de campana con el tope de la campana localizado en el promedio de la distribuci on, como se puede apreciar de la gura 1. Mientras que valores de X se alejan a la izquierda o derecha de se vuelven menos probables. Es una distribuci on sim etrica alrededor del promedio, por consiguiente, el promedio de la distribuci on es igual a la mediana y al modo.

Densidad Normal

densidad

0.00 10

0.02

0.04

0.06

0.08

0.10

0.12

5 X

10

15

20

Figure 1: Variable aleatoria continua con distribuci on Normal con promedio = 5 y desviaci on est andar = 3. En su forma matem atica, la funci on de densidad probabil stica es,
(x)2 1 f (x) = e 22 < x < 2 2

donde = 22/7 3.14 y e 2.71. Esta funci on de densidad probabil stica dene la curva que aparece en la gura 1. Como podemos ver de f (x), en teor a la variable aleatoria Normal tiene un rango de (, ). A un as la funci on de densidad probabil stica tiene un area bajo la curva igual a uno, gracias al t ermino exponencial en la funci on el cual permite una decadencia r apida de la probabilidad 1

mientras nos alejemos hacia la extrema izquierda o la extrema derecha del promedio de la distribuci on. En adici on, vemos que la distribuci on Normal tiene dos param etros, el promedio , y la varianza 2 (recueden que la desviaci on est andar es la ra z cuadrada de la varianza). El promedio tiene el efecto de trasladar la funci on Normal. Mas a fondo, si mantenemos jo, disminuir el promedio desplazar a la curva hacia la izquierda, si aumentamos entonces la curva se desplazar a hacia la derecha. La gura 2 muestra el efecto de disminuir el promedio en rojo, y aumentar el promedio en azul.

Densidad Normal

densidad

0.00 10

0.02

0.04

0.06

0.08

0.10

0.12

5 X

10

15

20

Figure 2: Tres variable aleatorias continuas con distribuci on Normal con promedio = 0, 5, 10 y desviaci on est andar = 3 en rojo, negro y azul respectivamente.

Aunque la curva se desplaz o las tres curvas tienen exactamente la misma forma de campana. Si al contrario mantenemos jo y cambiamos , entonces la forma de la curva Normal cambia (gura 3). Otra forma de ver esto es que el cambiar cambia la escala de la curva. El que la forma de la curva Normal cambie con no debe ser ninguna sorpresa si recordamos su denici on al principio de la clase. La desviaci on est andar mide la dispersi on de una variable aleatoria alrededor del promedio. Por lo tanto, un con valor alto signica alta dispersi on de los posibles valores de la variable X . Como podemos imaginar si cambiamos ambos, y entonces desplazamos y cambiamos la forma de la curva.

densidad

0.00 10

0.05

0.10

0.15

0.20

5 X

10

15

20

Figure 3: Tres variable aleatorias continuas con distribuci on Normal con promedio = 5 y = 2, 3, 4 en rojo, negro y azul respectivamente. Necesitaremos obtener probabilidades de eventos utilizando la distribuci on Normal. Como mencionamos, para variables aleatorias continuas la probabilidad consiste en el area bajo la curva. Esto puede que inicialmente suene complicado en el caso de una variable aleatoria con distribuci on Normal ya que la curva Normal tiene una expresi on matem atica complicada. Tendr amos que integrar f (x) cada vez que tengamos un y/o un distinto. Pero resulta que podemos utilizar el concepto de desplazamiento y re-escalar la variable aleatoria para obtener probabilidades Normales de una manera muy f acil.

1.1

Variable aleatoria Normal Est andar

Una variable aleatoria Z Normal est andar es un caso especial, espec camente, con promedio cero, y desviaci on est andar 1. La distribuci on Normal de Z entonces es, z2 1 f (z ) = e 2 < z < 2 Lo importante de esta ecuaci on es ver que ya no depende de ni . La integraci on de esta funci on ya ha sido tabulada para nosotros. Ejemplo 1.1 Dado que Z sigue una distribuci on Normal est andar (con = 0, = 1), queremos encontrar, P (Z < 1). Figura 4 3

P(Z < 1 ) = 0.841

densidad

0 Z

Figure 4: Area bajo la curva que representa la probabilidad de inter es, P (Z < 1).

Y si necesit aramos encontrar P (Z > 1)? Esta probabilidad representa el area blanca debajo de la curva en la gura 4. La tabla de probabilidades Normales nos provee P (Z z ). As que podemos utilizar la regla de complementos de probabilidades, P (Z > 1) = 1 P (Z 1) 1 0.84 = 0.16. Otra posibilidad es que necesitemos P (0.5 < Z < 0.5). Es entonces que recurrimos a la geometr a. Digamos que divides un rect angulo en dos subrect angulos, 1 y 2. Es f acil deducir que el area del rect angulo menos el area del subrect angulo 2, es igual al area del subrect angulo 1. Esta regla aplica sin importar la forma geom etrica de los objectos de inter es. La gura 5 muestra lo que proponemos hacer para encontrar P (0.5 < Z < 0.5). Usando la tabla de probabilidades Normales primero encontramos el area total del area roja y el area azul, lo cual corresponde a P (Z < 0.5). Luego encontramos el area color azul P (Z < 0.5). El area que nos interesa, de color rojo, es P (0.5 < Z < 0.5) = P (Z < 0.5) P (Z < 0.5) 0.383.

P( 0.5 < Z < 0.5 ) = 0.383

densidad

0.5 Z

0.5

Figure 5: Areas bajo la curva para encontrar, P (0.5 < Z < 0.5). Este u ltimo ejemplo puede ser generalizado de la siguiente forma, cuando necesitemos encontrar la probabilidad que una variable aleatoria Normal est andar Z se encuentre entre (z1 , z2 ), usaremos la f ormula, P (z1 < Z < z2 ) = P (Z < z2 ) P (Z < z1 )

1.2

Probabilidades para cualquier variable de distribuci on Normal

En las guras 2 y 3 pudimos apreciar como cambios en los par ametros de la distribuci on a un resultan en una forma de campana en la funci on de densidad probabil stica de la variable aleatoria. Esto se debe a que al desplazar una variable aleatoria Normal (cambiarle su promedio) o al ajustar su escala (cambiarle la desviaci on est andar), la nueva variable aleatoria (como tiene por lo menos un nuevo par ametro es una variable aleatoria distinta a la original antes del cambio) a un sigue una distribuci on Normal. Ahora supongamos que tenemos una variable aleatoria X con distribuci on Normal con promedio y desviaci on est andar . Denamos una nueva variable, Z la cual es el resultado de restarle a X su promedio, y luego dividir por su desviaci on est andar, Z= X

Esta nueva variable, tambi en seguir a una distribuci on Normal pero ahora es est andar, con = 0, = 1. As que si tenemos cualquier variable Normal, podemos obtener la nueva variable Z para calcular probabilidades. 5

Como siempre, no debemos olvidarnos de utilizar el sentido com un al resolver problemas. Ya lo hemos hecho en el caso de encontrar probabilidades, vericando que el resultado sea real stico (entre 0 y 1), y a veces, corroborar que obtengamos un resultado que haga sentido seg un el problema denido. Podemos hacer lo mismo en el caso de probabilidades continuas. Asumamos que se nos pide P (z1 < Z < z2 ), y Z sigue una distribuci on Normal est andar. Si el int ervalo cae estrictamente a la izquierda o la derecha de 0, entonces, P (z1 < Z < z2 ) < 0.5. Esto es debido a que la distribuci on Normal es sim etrica, si 50% de las posibilidades de Z caen a la izquierda de entonces cualquier int ervalo (z1 , z2 ) estrictamente a la izquierda de no puede tener un area mayor a 0.5. De forma an aloga para un int ervalo estrictamente a la derecha de . Similarmente, int ervalos abiertos (, a), o (b, ) que INCLUYAN el pico de la curva campana siempre ser an mayor que 0.5. Podemos utilizar este hecho para corroborar si probabilidades que obtengamos hacen sentido. La excepci on es si tenemos un int ervalo PEQUENO (z1 , z2 ) el cual incluye el tope de la curva campana, entonces no podemos determinar autom aticamente si la probabilidad sera menor o mayor a 0.5.

Ejemplo 1.2 Una compa n a local que produce jugo enlatado conoce que el peso de las latas sigue una distribuci on Normal con promedio de 12.02 onzas y desviaci on est andar de 1.2 onzas. Cual es la probabilidad que el peso de una lata est e entre 11.5 y 12.5 onzas? Podemos resumir el ejemplo de la siguiente forma,

X = el peso de una lata de jugo de la compa n a. X sigue una distribuci on Normal con = 12.02 y = 1.2. Sabemos que P (11.5 < X < 12.5) = P (z1 < Z < z2 ) = P (Z < z2 ) P (Z < z1 ) pero debemos estandarizar X para utilizar esta ecuaci on y recurrir a la tabla de probabilidades de Normales estand arizadas. As que primero tenemos que encontrar z2 , tal que P (X < 12.5) = P (Z < z2 ). z2 = 12.5 12.02 1.2 = 0.4

Segundo, de forma similar encontramos z1 , tal que P (X < 11.5) = P (Z < z1 ), 11.5 12.02 1.2 = 0.43

z1 =

Por lo tanto, P (11.5 < X < 12.5) = P (0.43 < Z < 0.4) = P (Z < 0.4) P (Z < .43) = 0.32. Digamos que en el mismo escenario, la compa n a se preocupa por la producci on de latas con demasiado jugo. Consideran que latas con 14 oz o mas resultan en un costo considerable. Cual es la probabilidad de que una lata de jugo de esta compa n a tenga 14 oz o m as de jugo? Queremos encontrar z tal

que P (X > 14) = P (Z > z ), 14 12.02 1.2 = 1.65

z =

Debido a que la tabla de probabilidades Normales es cumulativa, utilizaremos la propiedad P (Z > 1.65) = 1 P (Z < 1.65) = 0.049. Aproximadamente el 5% de las latas contienen demasiado jugo. Si la gerencia considera que este n umero es demasiado alto, puede tomar las medidas necesarias para reducir la probabilidad de que una lata contenga mucho jugo. Posibilidades incluyen optimizar el procedimiento para minimizar la variabilidad del proceso o redise no de maquinaria y/o equipo. En pr actica, no siempre nos interesa encontrar la probabilidad de un rango de valores de una variable aleatoria Normal. En ocasiones nos interesa encontrar un valor l mite para una variable aleatoria Normal seg un una probabilidad. Ejemplo 1.3 Regresando al ejemplo 1.2, la gerencia determina que no quieren que ninguna lata debe estar en la percentila 10 o menor de la distribuci on de pesos de jugo. Cual es el peso de una lata tal que solo 10% de las latas tienen un peso igual o menor? Para este ejemplo, se nos requiere encontrar el l mite x de X tal que: P (X x) = 0.1. Una forma de encontrar este valor es utilizando la tabla de la distribuci on estandarizada. Seg un esta tabla encontramos que P (Z 1.28) = 0.1. O sea, hay una probabilidad de 0.1 de obtener un valor menor igual a -1.28. Ahora podemos obtener el l mite x de inter es de la siguiente manera: z = 1.28 = x 12.02 1.2 x = 12.02 1.28(1.2) = 10.48

El signicado de esto es que P (X 10.48) = 0.1 y este es el l mite (10.48) para el peso de latas de jugo.