2.4.4 Aproximacion Con La Normal

2.4.
4 APROXIMACIONES CON LA NORMAL

LA DISTRIBUCIÓN BINOMIAL
Intentaremos hacer una exposición sencilla sobre la distribución binomial

como distribución de probabilidad de una variable aleatoria discreta que describe
datos discretos, resultantes de un experimento denominado proceso de Bernoulli, en
honor del matemático suizo Jacob Bernoulli, y de la aproximación de la binomial a la
distribución normal.
Podemos servirnos de los resultados de un número fijo de lanzamientos de

una moneda como ejemplo de un proceso de Bernoulli. Este proceso lo describimos
así:
1. En cada lanzamiento sólo hay dos resultados posibles: cara o cruz, éxito o fracaso.
La probabilidad del resultado de cualquier lanzamiento permanece fija con el
tiempo.
2. La probabilidad de que salga cara sigue siendo de 0.5 en cada lanzamiento,
cualquiera que sea el número de veces que la moneda sea arrojada.
3. Los lanzamientos son estadísticamente independientes, es decir, el resultado de
un lanzamiento no afecta al de cualquier otro lanzamiento.
La probabilidad de un éxito la representamos con p y q=( 1- p ) representa
la probabilidad de un fracaso. Para representar cierto número de éxitos,
utilizaremos el símbolo r y para indicar el número total de lanzamientos de la
moneda emplearemos n.
Introducir el nº de tiradas n = 20
Introducir probabilidad de un éxito p = 0,5
La probabilidad de r éxitos en n lanzamientos según la formula binomial es :
n! / r! (n-r)! pr qn-r
En la siguiente tabla se muestran los valores de la probabilidad de obtener 0,
1, 2...20 caras (éxitos) en el lanzamiento de la moneda 20 veces
Nº de Binomial
éxitos
r B(n,p)
0 0,0000
1 0,0000
2 0,0002
3 0,0011
4 0,0046
5 0,0148
6 0,0370
7 0,0739
8 0,1201
9 0,1602
10 0,1762
11 0,1602
12 0,1201
13 0,0739
14 0,0370
15 0,0148
16 0,0046
17 0,0011
18 0,0002
19 0,0000
20 0,0000
La representación gráfica de esta tabla de la distribución binomial:
Aproximación de la binomial mediante la normal
Si vamos cambiando los valores de p, por ejemplo: consideramos p1=0,2,

p2=0,3, p3=0,5, p4=0,8, para el mismo valor de n se obtiene la siguiente tabla:
Nº de éxitos Binomi Binomi Binomi Binomi
al al al al
r B(n,p1) B(n,p2) B(n,p3) B(n,p4)
0 0,1216 0,0008 0,0000 0,0000
1 0,2702 0,0068 0,0000 0,0000
2 0,2852 0,0278 0,0002 0,0000
3 0,1901 0,0716 0,0011 0,0000
4 0,0898 0,1304 0,0046 0,0000
5 0,0319 0,1789 0,0148 0,0000
6 0,0089 0,1916 0,0370 0,0000
7 0,0020 0,1643 0,0739 0,0000
8 0,0004 0,1144 0,1201 0,0001
9 0,0001 0,0654 0,1602 0,0005
10 0,0000 0,0308 0,1762 0,0020
11 0,0000 0,0120 0,1602 0,0074
12 0,0000 0,0039 0,1201 0,0222
13 0,0000 0,0010 0,0739 0,0545
14 0,0000 0,0002 0,0370 0,1091
15 0,0000 0,0000 0,0148 0,1746
16 0,0000 0,0000 0,0046 0,2182
17 0,0000 0,0000 0,0011 0,2054
18 0,0000 0,0000 0,0002 0,1369
19 0,0000 0,0000 0,0000 0,0576
20 0,0000 0,0000 0,0000 0,0115
Calculamos los productos np, nq y representamos la tabla:
p1 p2 p3 p4
Producto np= 2 6 10 16
Producto nq= 18 14 10 4
Se observa que cuando los productos np y nq son ambos mayores que 5, la
aproximación de la binomial a una normal es casi perfecta como en el caso de n=20 y
p3=0,5
Simulación del lanzamiento de una moneda
Podemos simular el lanzamiento de una moneda n veces y contar el número

de éxitos(caras) mediante la función aleatorio y calcular la probabilidad de éxito p
como número de caras obtenidas dividido entre número de lanzamientos.
Hallamos en una tabla las probabilidades de obtener r éxitos mediante la

binomial y la normal y representamos los datos.
Por ejemplo:
Nº de tiradas 100
Nº de exitos 94
Probabilidad de éxito 0,94
Producto np= 62
Producto nq= 38
Para ajustar a una normal, la media =np, desviación típica=√npq se obtiene:
Media 62 Desv. típica4,85

En la siguiente gráfica aparece representada junto a la función de
probabilidad de una B(n,p) la distribución normal que tiene su misma media y su
misma desviación típica.
En la práctica para calcular probabilidades de las distribuciones binomiales,

cuando los valores de n son grandes, se utiliza la normal; siendo mucho mejor
esta aproximación, para un mismo valor de p, cuando aumentamos el valor de n.
UNA DISTRIBUCIÓN EMPÍRICA

La tabla adjunta muestra la altura en cm de 100 estudiantes, agrupados los
datos en intervalos de clase de extremos xa, xb de amplitud 5, y en la que se han
calculado las marcas de clase xi y la media y la desviación típica de la distribución
xa xb xi fi xi fi xi2 fi
150 155 152,5 1 152,5 23256,25
6
155 160 157,5 945 148837,5
14
160 165 162,5 20 2275 369687,5
165 170 167,5 24 3350 561125
18
170 175 172,5 10 4140 714150
175 180 177,5 5 3195 567112,5
2
180 185 182,5 1825 333062,5
185 190 187,5 937,5 175781,2
190 195 192,5 385 5
74112,5
100 17205 2967125
media x= 172,05
desviación típica s= 8,3694385
Representamos el histograma de la distribución de frecuencias:
Se puede observar que el perfil del histograma recuerda a la curva normal.

Teniendo en cuenta que en una distribución normal:
 el 68% de los datos está en el intervalo (x-s, x+s) ( x =media, s=desviación

típica)
 el 95% de los datos está en el intervalo (x-2s, x+2s)

 y el 99% de los datos está en el intervalo (x-3s, x+3s)
Podemos comprobar si se cumplen aproximadamente estos porcentajes y

considerar que la población de partida es normal:
(x-s, x+s)= 163,68 180,42 76%
(x-2s, x+2s)= 155,31 188,79 97%
(x-3s, x+3s)= 146,94 197,16 100%
Esto nos indica que efectivamente se podría considerar la población como una
distribución normal
Para una mayor precisión podemos comparar la distribución empírica con la

normal N((x,s), en nuestro ejemplo con la N(172,05 ; 8,37).
Tipificamos los extremos de cada intervalo hallando:

za=( xa -x)/s, zb=( xb -x)/s
y calculamos en cada caso P( xa<X< xb ), siendo:
P( xa<X< xb)=P( za<Z< zb )=P( Z< zb ) - P( Z< za )
xa xb fri za zb p(X<xa) p(X<xb)
150 155 0,01 - - 0,0042120 0,0208163
2,634585 2,037173 1 2
4 7
155 160 0,06 -2,04 -1,44 0,0208163 0,0749673
2 6
160 165 0,14 -1,44 -0,84 0,0749673 0,1997959
6 2
165 170 0,20 -0,84 -0,24 0,1997959 0,4032519
2 2
170 175 0,24 -0,24 0,35 0,4032519 0,6377581
2 7
175 180 0,18 0,35 0,95 0,6377581 0,8289145
7 3
180 185 0,10 0,95 1,55 0,8289145 0,9391040
3 8
185 190 0,05 1,55 2,14 0,9391040 0,9840118
8 9
190 195 0,02 2,14 2,74 0,9840118 0,9969477
9 9
media x= 172,05
desviación típica s= 8,369438
45
Si comparamos las probabilidades obtenidas con las frecuencias relativas,

observamos que las diferencias parecen suficientemente pequeñas como para
aceptar que los datos provienen efectivamente de una distribución normal.
Confirmamos esta apreciación representando las frecuencias y las
probabilidades en el mismo diagrama:
Se puede observar en el diagrama que sería correcto ajustar la

distribución de las estaturas a una normal.

2.4.4 Aproximacion Con La Normal

Cargado por

Copyright:

Formatos disponibles

2.4.4 Aproximacion Con La Normal

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2.4.4 Aproximacion Con La Normal

Cargado por

Copyright:

Formatos disponibles

2.4.

4 APROXIMACIONES CON LA NORMAL

Intentaremos hacer una exposición sencilla sobre la distribución binomial

Podemos servirnos de los resultados de un número fijo de lanzamientos de

Introducir probabilidad de un éxito p = 0,5

La probabilidad de r éxitos en n lanzamientos según la formula binomial es :

Si vamos cambiando los valores de p, por ejemplo: consideramos p1=0,2,

Calculamos los productos np, nq y representamos la tabla:

Simulación del lanzamiento de una moneda

Podemos simular el lanzamiento de una moneda n veces y contar el número

Hallamos en una tabla las probabilidades de obtener r éxitos mediante la

Probabilidad de éxito 0,94

Para ajustar a una normal, la media =np, desviación típica=√npq se obtiene:

Media 62 Desv. típica4,85

En la práctica para calcular probabilidades de las distribuciones binomiales,

UNA DISTRIBUCIÓN EMPÍRICA

Se puede observar que el perfil del histograma recuerda a la curva normal.

 el 68% de los datos está en el intervalo (x-s, x+s) ( x =media, s=desviación

 el 95% de los datos está en el intervalo (x-2s, x+2s)

Podemos comprobar si se cumplen aproximadamente estos porcentajes y

Para una mayor precisión podemos comparar la distribución empírica con la

Tipificamos los extremos de cada intervalo hallando:

Si comparamos las probabilidades obtenidas con las frecuencias relativas,

Se puede observar en el diagrama que sería correcto ajustar la

También podría gustarte