Professional Documents
Culture Documents
Distribución Normal
2 2
x /R, /R, > 0
Entonces, se dice que X sigue una distribución
Normal con parámetros y 2
Notación: X ~ N(,2)
donde: E[ X ] X
Var ( X ) 2X 2
1
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
(z)
es decir:
(z) = P(Z z)
0 z
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
… … …
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
4.0 0.99997 0.99997 0.99997 0.99997 0.99997 0.99997 0.99998 0.99998 0.99998 0.99998
2
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
1. Propiedad de Linealidad
Y ~ N (a b , b 2 2 )
X
Si: X ~ N(,2) Z ~ N(0,1)
Por lo tanto:
Se puede
x hallar con
P ( X x) P ( Z ) tablas
3
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
Ejemplo:
Si X ~ N( = 5, 2 = 2), hallar:
a) P( 3 < X < 5 )
2. Propiedad Reproductiva:
X i ~ N ( i , i2 )
entonces:
n
n
Y c0 ci Xi ~ N c0 cii , ci2i2
i1 i1 i1
4
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
Ejemplo 1:
Si X1 ~ N( = 30, 2 = 10), X2 ~ N( = 25, 2 = 9),
X3 ~ N( = 20, 2 = 3), son 3 variables independientes,
hallar la distribución de W = X1 – 2 X2 + X3
Ejemplo 2:
Si X1, X2, …, Xn son n variables aleatorias
independientes con distribución N( = 5, 2 = 2.25)
hallar la distribución de X
X
i 1
i ~ N (n, n2 )
X i n
X
Zn i 1
~ N (0,1)
n 2
n
5
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
Ejemplo 1:
Ejemplo 2:
1 1
P ( a X b) P a X b
2 2
6
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
1 1
f X 1 , ... , X n ( x1 , ..., xn ) exp ( x - ) t 1 ( x - )
2
n 1
(2 ) 2 (det ) 2
donde:
• ∑ es la matriz de varianza – covarianzas:
12 cov( X 1 , X 2 ) ... cov( X 1 , X n )
cov( X 2 , X 1 ) 2 2
... cov( X 2 , X n )
(cov( X i , X j )) n n
. . . .
cov( X , X ) 2
n 1 ... cov( X n , X n 1 ) n
x1 1
• x y μ son los vectores: . .
x
. .
x
n n
con j E( X j ) y 2j V( X j ) , para j = 1, … , n
7
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
( X , Y ) ~ N 2 ( X , Y , 2X , Y2 , XY )
(x, y) /R2
Propiedades
1. Si el vector (X1, …, Xn) tiene distribución normal
multivariada,
cada Xi tiene distribución normal, i = 1, 2, …, n
En particular:
Si ( X , Y ) ~ N 2 ( X , Y , 2X , Y2 , XY ) , las distribuciones
marginales de X e Y son distribuciones normales:
• X ~ N ( X , 2X )
• Y ~ N (Y , Y2 )
8
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
• X j ~ N ( j , j ) j 1, , n
2
En particular: Si ( X , Y ) ~ N 2 ( X , Y , 2X , Y2 , XY )
9
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
• X | (Y y ) ~ N X XY X ( y Y ), X (1 XY )
2 2
Y
• Y | ( X x ) ~ N Y XY Y ( x X ), Y2 (1 2XY )
X
10
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
11
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
El Proceso Gaussiano
Solución:
Sean X t1 , X t 2 , X t n un conjunto finito de variables del proceso:X t ; t 0
12
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
13
Probabilidades (EST219)
Tema 05 Proceso Gaussiano
María Luisa Montero D.
14