You are on page 1of 5

DISTRIBUCIÓN NORMAL EN ESTADÍSTICAS

La distribución normal es la distribución de probabilidad más importante en estadística, conocida
por la cantidad de fenómenos que explica. Se la denomina Campana de Gauss, ya que al
representar su función de probabilística la misma tiene forma de campana. Es la más
frecuentemente utilizada en aplicaciones estadísticas, debido a su extensa utilización, admitida por
la frecuencia con la que algunos fenómenos tienden a parecerse en su. Para ser precisos respecto
a su utilización se puede hacer referencia al origen de su propio nombre, que proviene del hecho
de que por mucho tiempo médicos y biólogos creyeron que todas las variables naturales de interés
seguían este modelo.
Se trata, sin duda, del modelo continuo más importante en estadística, tanto por su aplicación
directa, veremos que muchas variables de interés general pueden describirse por dicho modelo,
como por sus propiedades, que han permitido el desarrollo de numerosas técnicas de inferencia
estadística. En realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
creyó, por parte de médicos y biólogos, que todas las variables naturales de interés seguían este
modelo.
Su función de densidad viene dada por la fórmula:

que, como vemos, depende de dos parámetros μ (que puede ser cualquier valor real) y σ (que ha
de ser positiva). Por esta razón, a partir de ahora indicaremos de forma abreviada que una
variable X sigue el modelo Normal así: X ~ N(μ, σ). Por ejemplo, si nos referimos a una distribución
Normal con μ = 0 y σ = 1 lo abreviaremos N(0, 1).
A continuación presentamos la gráfica de esta función de densidad (donde se pueden cambiar los
parámetros):
Como se puede ver, la función de densidad del modelo Normal tiene forma de campana, la que
habitualmente se denomina campana de Gauss. De hecho, a este modelo, también se le conoce
con el nombre de distribución gaussiana.

Propiedades del modelo Normal

I. Su esperanza es μ.
II. Su varianza es σ2 y, por tanto, su desviación típica es σ.
III. Es simétrica respecto a su media μ, como puede apreciarse en la representación anterior.
IV. Media, moda y mediana coinciden (μ).
V. Cualquier transformación lineal de una variable con distribución Normal seguirá también el
modelo Normal. Si X ~ N(μ, σ) y definimos Y = aX + b (con a ≠ 0), entonces Y ~ N(aμ + b,
|a|σ). Es decir, la esperanza de Y será aμ + b y su desviación típica, |a|σ.
VI. Cualquier combinación lineal de variables normales independientes sigue también una
distribución Normal. Es decir, dadas n variables aleatorias independientes con
distribución Xi ~ N(μi, σi) para i = 1, 2, ..., n la combinación lineal:
Y = anXn + an−1Xn−1+ ... + a1X1 + a0 sigue también el modelo Normal:

1
ESQUEMA DE CONTENIDOS

CARACTERÍSTICAS Y VARIABLE ALEATORIA CONTINUA
REPRESENTACIÓN DE UNA
DISTRIBUCIÓN NORMAL

DISTRIBUCION NORMAL

DISTRIBUCIÓN NORMAL EJEMPLOS PRÁCTICOS CON
ESTÁNDAR MINITAB

APROXIMACION DE UNA DISTRIBUCION BINOMIAL POR UNA NORMAL

INTRODUCCIÓN
La distribución de probabilidad conocida como distribución normal es, por la cantidad de
fenómenos que explica, la más importante de las distribuciones estadísticas.

A la distribución normal también se la denomina con el nombre de campana de
Gauss, pues al representar su función de probabilidad, ésta tiene forma de
campana.

En el math-block sobre la distribución binomial se introduce el concepto de variable
aleatoria, distinguiendo además dos tipos de variables, las discretas y las
continuas. En este apartado seguimos con el estudio de distribuciones de
probabilidad analizando la distribución de probabilidad continua más importante, la
distribución normal.

A continuación veremos las características principales de una distribución de probabilidad normal,
definiendo posteriormente la distribución normal estándar así como sus usos. Posteriormente,
veremos cómo utilizar la distribución normal para estimar probabilidades binomiales.

OBJETIVOS

 Entender el concepto de variable aleatoria continua.

 Conocer las características de la distribución de probabilidad normal.

 Aprender a calcular los valores de Z.

 Saber determinar la probabilidad de que una observación se encuentre entre dos puntos
utilizando la distribución de probabilidad normal.

 Saber determinar la probabilidad de que una observación esté por encima (o por debajo) de
un cierto valor utilizando la distribución de probabilidad normal.

 Aprender a comparar observaciones que se encuentran en diferentes distribuciones de
probabilidad.

 Ser capaz de utilizar la distribución normal para aproximar la distribución de probabilidad
binomial. 2
IMPORTANCIA DE LA DISTRIBUCIÓN NORMAL
Es el modelo continuo de mayor importancia en estadística debido a las siguientes razones:
Su aplicación es directa y permite observar muchas variables de interés, que pueden describirse
fácilmente con este modelo.
Sirve para acercarse a varias distribuciones de probabilidad discreta, entre estas la distribución de
Poisson y la distribución Binomial.
Sus propiedades han permitido el desarrollo de muchas técnicas de inferencia estadística.
Proporcionando la base de la estadística inferencial clásica, por su relación con el teorema de límite
central.
CONCEPTOS FUNDAMENTALES EN LA DISTRIBUCIÓN NORMAL
Para entender y trabajar adecuadamente con distribución normal en estadística es necesario
conocer y tener claros ciertos conceptos sobre los cuales se basa este modelo.
a. Definición de variable aleatoria continua

Una variable aleatoria continua es aquella que puede asumir un número
infinito de valores dentro de un determinado rango.

Por ejemplo, el peso de una persona podría ser 80.5, 80.52, 80.52,
dependiendo de la precisión de la báscula.

b. Definición de distribución de probabilidad normal:

La Normal es la distribución de probabilidad más importante. Multitud de
variables aleatorias continuas siguen una distribución normal o
aproximadamente normal.
Una de sus características más importantes es que casi cualquier
distribución de probabilidad, tanto discreta como continua, se puede
aproximar por una normal bajo ciertas condiciones.

La distribución de probabilidad normal y la curva normal que la representa,
tienen las siguientes características:

 La curva normal tiene forma de campana y un solo pico en el
centro de la distribución. De esta manera, la media aritmética,
la mediana y la moda de la distribución son iguales y se
localizan en el pico. Así, la mitad del área bajo la curva se
encuentra a la derecha de este punto central y la otra mitad
está a la izquierda de dicho punto.

 La distribución de probabilidad normal es simétrica alrededor de su media.

 La curva normal desciende suavemente en ambas direcciones
a partir del valor central. Es asintótica, lo que quiere decir que
la curva se acerca cada vez más al eje X pero jamás llega a
tocarlo. Es decir, las “colas” de la curva se extienden de manera
indefinida en ambas direcciones.
3
La curva normal es simétrica

colas

Media=mediana=moda

Para indicar que una variable aleatoria (v.a.) sigue una distribución normal de media
 y desviación estándar  usaremos la expresión: XN(,).

c. Definición de función de densidad de probabilidad:

La probabilidad de que una variable aleatoria (v.a.) X tome un valor determinado entre dos.

números reales a y b coincide con el área encerrada por la función
(función de densidad de probabilidad) entre los puntos a y b, es decir :

b
P(aXb) = a f (x)dx :

4
VARIABLE ALEATORIA CONTINUA
Es aquella que alcanza adjudicarse un número infinito de valores dentro de determinado rango. Por
ejemplo, el peso de una persona según la precisión de la báscula puede ser 80.5, 80.52, etc.

5