Distribución Normal

1. DISTRIBUCION NORMAL:

La distribución de una variable normal está completamente determinada por dos parámetros, su media y su desviación estándar, denotadas generalmente por Ω y . Con esta notación, la densidad de la normal viene dada por la ecuación:

Ecuación 01 que determina la curva en forma de campana que tan bien conocemos . Así, se dice que una característica X sigue una distribución normal de media µ y varianza , y se denota como X = N(µ, dada por la Ecuación 1. ) , si su función de densidad viene

2. PROPIEDADES DE LA DISTRIBUCIÓN NORMAL:

La distribución normal posee ciertas propiedades importantes que conviene destacar:    Tiene una única moda, que coincide con su media y su mediana. La curva normal es asintótica al eje de abscisas. Por ello, cualquier valor entre y es teóricamente posible. El área total bajo la curva es, por tanto, igual a 1. Es simétrica con respecto a su media µ. Según esto, para este tipo de variables existe una probabilidad de un 50% de observar un dato mayor que la media, y un 50% de observar un dato menor La distancia entre la línea trazada en la media y el punto de inflexión de la curva es igual a una desviación típica ( ). Cuanto mayor sea , más aplanada será la curva de la densidad. El área bajo la curva comprendido entre los valores situados aproximadamente a dos desviaciones estándar de la media es igual a 0.95. La forma de la campana de Gauss depende de los parámetros µ y La media indica la posición de la

 

De entre todas ellas. a partir de cualquier variable X que siga una distribución N(µ. tenga un peso superior a 100 Kg? Denotando por X a la variable que representa el peso de los individuos en esa población. ésta sigue una distribución . que corresponde a una distribución de media 0 y varianza 1. por tanto. se puede obtener otra característica Z con una distribución normal estándar. EJEMPLO: Supongamos que se sabe que el peso de los sujetos de una determinada población sigue una distribución aproximadamente normal. una gran probabilidad de obtener datos cercanos al valor medio de la distribución. Así. elegida al azar. no existe una única distribución normal. Cuanto mayor sea el valor de . ¿Podremos saber cuál es la probabilidad de que una persona.campana. Un valor pequeño de este parámetro indica. y que permitirán resolver preguntas de probabilidad acerca del comportamiento de variables de las que se sabe o se asume que siguen una distribución aproximadamente normal. la expresión que define su densidad se puede obtener de la Ecuación 1. Si su distribución fuese la de una . diferenciadas por los valores de su media y su varianza. Como se deduce de este último apartado. resultando: ( ) ( ) √ Es importante conocer que. sino una familia de distribuciones con una forma común. de modo que para diferentes valores de µ la gráfica es desplazada a lo largo del eje horizontal. sin más que efectuar la transformación: z= Ecuación 2: Esta propiedad resulta especialmente interesante en la práctica. ya que para una distribución existen tablas publicadas (Tabla 1) a partir de las que se puede obtener de modo sencillo la probabilidad de observar un dato menor o igual a un cierto valor z. más se dispersarán los datos en torno a la media y la curva será más plana. la más utilizada es la distribución normal estándar. con una media de 80 Kg y una desviación estándar de 10 Kg. ) . Por otra parte. la desviación estándar determina el grado de apuntamiento de la curva.

se realizan una serie de mediciones y se desea extrapolar los resultados obtenidos a la población de origen. sino que más bien el problema se plantea a la inversa: a partir de una muestra extraída al azar de la población que se desea estudiar. se sabe que . De modo análogo. tomando a=-2 y b=2. resultará entonces útil transformar esta característica según la Ecuación 2. Resulta interesante comprobar que se obtendría la misma conclusión recurriendo a la propiedad (iii) de la distribución normal. se tiene que: Finalmente. Como éste no es el caso. Sin embargo. la probabilidad buscada de que una persona elegida al azar tenga un peso entre 60 y 100 Kg. haciendo uso de la simetría de la distribución normal. podemos obtener la probabilidad de que el peso de un sujeto esté entre 60 y 100 Kg: De la Figura 2.9772=0. encontramos el problema de que las tablas estándar no proporcionan el valor de para valores negativos de la variable. la probabilidad buscada de que una persona elegida aleatoriamente de esa población tenga un peso mayor de 100 Kg . Así. supongamos que se dispone del peso de n=100 individuos de esa . No obstante. Por lo tanto. aproximadamente de un 2. En un ejemplo similar al anterior. Generalmente no se dispone de información acerca de la distribución teórica de la población. la probabilidad que se desea calcular será: Como el área total bajo la curva es igual a 1.0228. es decir.9544. y obtener la variable: para poder utilizar dicha tabla. es de 1–0. es fácil observar que este tipo de situaciones no corresponde a lo que habitualmente nos encontramos en la práctica.. es de 0. se puede deducir que: Esta última probabilidad puede ser fácilmente obtenida a partir de la Tabla 1. podemos deducir que: Por el ejemplo previo. Para la segunda probabilidad.normal estándar podríamos utilizar la Tabla 1 para calcular la probabilidad que nos interesa. resultando ser .9772-0.3%. es decir. aproximadamente de un 95%. sin embargo.0228=0.

3 Kg. La ventaja es que permite hacerlo no sólo para la distribución normal estándar. sino para valores de la media y desviación estándar dados por el usuario. podremos entonces considerar la media muestral . Así mismo. la probabilidad acumulada hasta un cierto valor. a partir de la propiedad (iii) se conoce que aproximadamente un 95% de los posibles valores de caerían dentro del intervalo . Estaremos. la probabilidad de observar un valor mayor o igual que uno dado. obtener el p-cuantil de una distribución normal estándar.  SurfStat Statistical Tables . obteniéndose una media muestral de Kg.6 Kgy 80. En nuestro caso. es decir. resultando . Puesto que los valores de y son desconocidos. con lo cual. Recursos relacionados en internet  Normal Density Plotter (UCLA Department of Statistic) Página que permite obtener la representación gráfica de la densidad de una distribución normal de media y desviación estándar dados por el usuario.misma población. La solución a este tipo de cuestiones se basa en un resultado elemental de la teoría estadística. 2. un 95% seguros de que el peso medio real en la población de origen oscila entre 75. Dicho axioma viene a decirnos que las medias de muestras aleatorias de cualquier variable siguen ellas mismas una distribución normal con igual media que la de la población y desviación estándar la de la población dividida por .Standard Normal Distribution (University of Newcastle) Página que permite calcular. querríamos extraer alguna conclusión acerca del valor medio real de ese peso en la población original. o la probabilidad de tomar un valor en un intervalo. a partir de una distribución normal estándar. el llamado teorema central del límite.1. bajo una distribución normal. permite realizar los cálculos inversos. por lo tanto. en líneas generales éste es el modo de construir un intervalo de confianza para la media de una población.  Normal Density Calculator (UCLA Department of Statistic) Permite obtener. . Aunque la teoría estadística subyacente es mucho más compleja. podríamos pensar en aproximarlos por sus análogos muestrales. y una desviación estándar muestral Kg.

03 . que puede ser fácilmente exportado a otros programas.5279 . Áreas bajo la curva normal estándar.5753 . Matt's spiffy normal plot maker (UCLA Department of Statistic) Se introducen los datos de la variable de interes y produce el gráfico Q-Q de probabilidad normal correspondiente.04 .5636 .02 . calcula el 95% intervalo de confianza para la media poblacional.5319 .06 .00 .08 .5714 . Tabla 1.5199 .5120 . La cifra entera y el primer decimal de z se buscan en la primera columna.1 .05 .5000 . y el segundo decimal en la cabecera de la tabla.5478 .09 0.0 . Segunda cifra decimal del valor de z Z 0.5557 .5596 .5438 .01 .5675 .5040 .5359 0.07 .5239 .5160 .5398 .  Calculation of 95% Confidence Interval on a Sample Mean (Arizona State University) A partir del valor de la media y la desviación estándar muestral.5517 . Los valores de la tabla que no se muestran en negrita representan la probabilidad de observar un valor menor o igual a z.5080 .

9 .7852 0.9554 .8508 .8770 .9429 .9319 1.8 .6 .9525 .8485 .7734 .6026 .8907 .9564 .8531 .9394 .7704 .7257 .9495 .8888 .8133 0.4 .7190 .9162 .9251 .9678 .6915 .6480 .7291 .6950 .8051 .8708 .7486 .0.8554 .8212 .9099 .7823 .7123 .2 .9686 .3 .8438 .8980 .5948 .8997 .8023 .6844 .7 .8238 .8790 .6554 .6 .7088 .7357 .9616 .6443 .8869 .9582 .7422 .6293 .9505 .5793 .9474 .9515 .7939 .9236 .4 .8264 .9082 .9207 .9706 .8643 .8749 .9693 .9066 .8413 .8159 .9345 .7673 .9664 .7881 .8078 .6591 .7019 .9192 .9573 .1 .6141 0.9115 .8665 .7642 .6628 .9177 1.8810 .7611 .9591 .6879 0.6406 .6331 .3 .9535 .8389 1.7 .7580 .9699 .6368 .7454 .9306 .8686 .6985 .7549 0.6217 .8461 .9418 .9656 .8925 .9032 .8577 .8962 .6772 .8599 .9147 .7324 .9357 .9641 .7764 .9441 1.8186 .9452 .5 .9671 .9049 .7910 .9484 .7054 .9332 .9382 .6664 .7224 0.9370 .9599 .9649 .5987 .8315 .0 .8830 1.9406 .9131 .6808 .7389 .6517 0.6255 .9625 .9222 .7967 .5871 .7995 .8340 .8 .5 .8849 .9015 1.7517 .8621 1.8365 .8944 .9265 .9608 .9279 .6064 .2 .6179 .9463 .7794 .7157 .6700 .6103 .9292 .8106 .9545 1.8729 .5832 .8289 .5910 .9633 1.6736 .

2 .9979 .9978 .9983 .9750 .9971 .9957 .9783 .4878 .9934 .6 .9911 .9778 .9995 .9951 .9953 .9975 .9997 .9989 .9982 .9898 .9988 .9767 2.9761 .9996 .9875 .9980 .9929 . .4 .9881 .1 .9995 3.9987 .9732 .9996 .9896 .1.9817 2.9913 .9738 .9997 .9719 .9949 .9976 .3 .9974 2.9981 .9812 .9838 .9901 .9994 .9909 .9982 .8 .9826 .9995 .9850 .9922 .9993 .9990 .9997 .9964 2.9963 .9793 .9968 .9994 .9925 .9996 .2 .4 .9995 .0 .7 .9994 .9993 3.5 .9959 .9996 .9808 .1 .9994 .9940 .9932 .9887 .3 .9990 .9861 .9979 .9931 .9995 .9952 2.9854 .9992 .9938 .9997 .9972 .9744 .9997 .9985 .9821 .9946 .9994 .9970 .9974 .9871 .9991 .9987 .9961 .9997 3.9842 .9890 2.9992 .9756 .9998 Figura 3.9989 .9966 .9988 .9984 .9992 .9884 .9846 .9977 .9948 .9989 .9956 .9857 2.9967 .9996 .9993 .9987 .9904 .9997 .9985 .9830 .9713 .9893 . Ejemplos de distribuciones normales con diferentes parámetros.9927 .9 .9918 .0 .9726 .9798 .9965 .9955 .9943 .9864 .9995 .9991 .9969 .9993 .9 .9834 .9906 .9936 2.9990 3.9997 .9803 .9920 .9772 .9996 .9868 .9986 3.9981 2.9997 .9977 .9973 .9962 .9997 .9941 .9945 .9984 .9992 .9960 .9916 2.9986 .9991 .9788 .

BIBLIOGRAFIA: George C. Aplicaciones y Métodos probabilidad-y-estadistica-760-problemas-resueltosmurray-r-spiegel .3. Canavos .Probabilidad y Estadística.