You are on page 1of 7

La distribucin normal fue presentada por vez primera por Abraham de

Moivre en un artculo del ao 1733, que fue reimpreso en la segunda edicin


de su The Doctrine of Chances, de 1738, en el contexto de cierta
aproximacin de la distribucin binominal para grandes valores de n. Su
resultado fue ampliado por Laplace en su libro Teora analtica de las
probabilidades (1812), y en la actualidad se llama Teorema de De Moivre
Laplace.

Laplace us la distribucin normal en el anlisis de errores de experimentos.


El importante mtodo de mnimos cuadrados fue introducido por Legendre
en 1805. Gauss , que afirmaba haber usado el mtodo desde 1794 , lo
justific rigurosamente en 1809 asumiendo una distribucin normal de los
errores. El nombre de Gauss se ha asociado a esta distribucin porque la
us con profusin cuando analizaba datos astronmicos y algunos autores
le atribuyen un descubrimiento independiente del de De Moivre. Esta
atribucin del nombre de la distribucin a una persona distinta de su primer
descubridor es un claro ejemplo de la Ley de Stingler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell
surface" (superficie campana) por primera vez en 1872 para una distribucin
normal bivariante de componentes independientes. El nombre de
"distribucin normal" fue otorgado independientemente por Charles S.
Pierce, Francis Galton y Wilhelm Lexis hacia 1875.

Objetivo General

Lograr que los estudiantes de este curso de probabilidades, puedan utilizar


la distribucin normal para obtener probabilidades de valores puntuales,
intervalos y cantidades especficas, utilizando la normal estndar.
bjetivos Especificos
Identificar las propiedades de una distribucin normal.

Estudiar una de las distribuciones de probabilidad de variables continuas


que con mas frecuencia aparecen en fenomenos reales.

Conocer los movimientos de la campana de Gauss.


Identificar la formula de la distribucin Normal
Entender las probabilidades como base para disminuir el riesgo en la toma
de decisiones

QU ES LA DISTRIBUCIN NORMAL?
DISTRIBUCION NORMAL
Esta distribucin es frecuentemente utilizada en las aplicaciones
estadsticas. Su propio nombre indica su extendida utilizacin, justificada
por la frecuencia o normalidad con la que ciertos fenmenos tienden a
parecerse en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad
cuya grfica tiene forma de campana.
En resumen, la importancia de la distribucin normal se debe principalmente
a que hay muchas variables asociadas a fenmenos naturales que siguen el
modelo de la normal.

Caracteres morfolgicos de individuos (personas, animales, plantas,...) de


una especie, por ejemplo. tallas, pesos, envergaduras, dimetros,
permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un
frmaco, o de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen entre otros.
Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de
adaptacin a un medio etc.

Errores cometidos al medir ciertas magnitudes.


Valores estadsticos muestrales, por ejemplo: la media.
Otras distribuciones como la binomial o la de Poisson se pueden aproximar
adecuadamente con la distribucin normal.
FUNCIN DE DENSIDAD DE UNA DISTRIBUCIN NORMAL:
Si la variable aleatoria x tiene densidad

para menos infinito < x < mas infinito


Donde la media y la desviacin estndar son nmeros tales que menos
infinito < la media < mas infinito y cero < la desviacin estndar < ms
infinito, donde e y son las constantes; e = 2,7182 y = 3,141.
NOTACIN:
Si la variable aleatoria x sigue una distribucin normal con media y

varianza
X~n(,

Ahora, la media proporciona una medida de posicin central, mientras que la


varianza da una medida de dispercin alrededor de la media.

El rea total debajo de la curva es igual a 1. El rea debajo de la curva


comprendida entre - y + es aproximadamente igual a 0,68 del rea
total; entre - 2 y + 2 es aproximadamente igual a 0,95 del rea total:
Es importante ver que los nicos parmetros necesarios para dibujar el
grfico de la distribucin normal son la media y desviacin stndard de la
poblacin. Con estos dos parmetros sabemos donde situar la campana de
Gauss (En el punto correspondiente a la media) y cual es su dispersin
(Determinado por la desviacin standard).

TEOREMA DE TIPIFICACIN O ESTANDARIZACIN

Si X ~ n(,
) entonces las variables aleatorias
~N(0,1).
Esto se hace con el fin de utilizar las tablas y poder calcular todas las
probabilidades requeridas, ya que si no se hace este cambio de escala, se
tendra que calcular la frmula de la distribucin de densidad que implica
calcular integrales; y por tanto se volvera inmanejable para un gran nmero
de personas que no tiene formacin para ello.
Si no se cuenta con una tabla como la siguiente, debemos proceder a
realizar la siguiente frmula para calcular la probabilidad:
p ( a *< z < b * ) = f z ( b*) - f z (a*)
Cuando el valor de z da negativo, y en la tabla de distribucin normal
estndar no se encuentra; buscamos la probabilidad absoluta y la restamos
de uno. Sin embargo, a continuacin se coloca la tabla considerando tanto
valores negativos como positivos de la nueva variable estndar z, por lo
tanto, no se requiere hacer ningn cambio, slo busca la interseccin, por
ejemplo s:

z= -2.43, la probabilidad es 0.007549


z= 1.28, la probabilidad es 0.899727

PROPIEDADES
Tiene una nica moda, que coincide con su media y su mediana
(aproximadamente).

La curva normal es asinttica al eje de las absisas. Por ello, cualquier valor entre
menos infinito e infinito es teoricamente posible. El rea bajo la curva normal es
igual a la unidad.
La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor
entre - y + es tericamente posible. El rea total bajo la curva es, por
tanto, igual a 1.

El rea bajo la curva comprendido entre los valores situados


aproximadamente a dos desviaciones estndar de la media es igual a 0.95.
En concreto, existe un 95% de posibilidades de observar un valor
comprendido en el intervalo La forma de la campana de Gauss depende de
los parmetros y desviacin estndar. La media indica la posicin de la
campana, de modo que para diferentes valores de la grfica es desplazada
a lo largo del eje horizontal. Por otra parte, la desviacin estndar determina
el grado de apuntamiento de la curva. Cuanto mayor sea el valor de la
desviacin estndar, ms se dispersarn los datos en torno a la media y la
curva ser ms plana. Un valor pequeo de este parmetro indica, por tanto,
una gran probabilidad de obtener datos cercanos al valor medio de la
distribucin.
EJEMPLO 1
El tiempo para realizar una intervencin quirurgica tiene un comportamiento
aproximadamente normal, con media de 140 minutos y desviacion de 50
minutos . Calcule la probabilidad de que una intervencin quirrgica se
demore:

a- A lo sumo 100 minutos

EJEMPLO 2
Para el caso en que se tiene la probabilidad y el inters es determinar el
valor de x, el proceso es inverso, es decir, se busca el valor de z y se despeja
el de x. Para el caso anterior:
P(x<=x0 )=0.5
P(z<(x0 - )/ )=P(z<(x0 -140)/50)=0.5
(x0 -140)/50)=0.00 probabilidad de la tabla normal. Al depejar x 0 se tiene:
x0= +p(z)*
x0= 140+0.00*50=140
EJEMPLO 3
Los pesos de una poblacin de adultos mayores indigentes tienen un
comportamiento que se asemeje a una campana normal con una media de
132 libras y una varianza de 225. Calcular la probabilidad de que una persona
seleccionada al azar de entre esa poblacin, pese:

a. Ms de 155
P(x>155)=1-P(x<155)
=1-P(z<(155-132)/15)= 1-P(z<1.53)
=1-0.9370=0.063

b. 100 libras o menos


P(x<=100)=P(z<=(100-132)/15)=P(z<=-2.13)=0.0166

c. Entre 105 y 143 libras


P(105<x<143)= P(x<143)-P(x<=105). luego de tipificar, se tiene:
P(z<0.73)-P8z<-1.8)=0.7673-0.0359=0.7324