Sin duda, la distribucin continua de

probabilidad ms importante, por la

frecuencia con que se encuentra y
por sus aplicaciones tericas, es la
distribucin normal, gaussiana o
de Laplace-Gauss.
Fue descubierta y publicada por
primera vez en 1733 por De Moivre.
A la misma llegaron, de forma
independiente, Laplace (1812) y
Gauss (1809), en relacin con la
teora de los errores de observacin
astronmica y fsica .


7. Distribucin normal
1 Anatoli Timofyevich Fomenko
Gaussian Distributions I and II



Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un
frmaco.
Caracteres morfolgicos de individuos (personas, animales, plantas,...) de
una especie (tallas, pesos, dimetros, permetros,...).
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen,...
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos muestrales, por ejemplo: la media.
Y en general cualquier caracterstica que se obtenga como suma de
muchos factores.
Otras distribuciones como la binomial o la de Poisson se aproximan
a la normal. Distribuciones binomiales con n grande (n >30) y p ni pequeo (np >5)
ni grande ( n (1-p) >5 ).
2
Distribucin normal o gaussiana
Est caracterizada por dos parmetros: la media, y la
desviacin tpica, .

Su funcin de densidad es:
0) (
2
1
) ( ) , (
2
2
2
) (
> = =

x
e x P N
La curva normal adopta un nmero infinito de formas,
determinadas por sus parmetros y .
3
+
Caractersticas de la distribucin Normal
, Mo, Mn

- +
Tiene forma de campana, es asinttica al eje de las abscisas (para x = )
Los puntos de inflexin tienen
como abscisas los valores .
Simtrica con respecto a la media () donde coinciden
la mediana (Mn) y la moda (Mo).
Puntos
de
inflexin
4
Distribucin normal con =0 para varios valores
0
0.4
0.8
1.2
1.6
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
=0.25
=0.5
=1
p(x)
5
20 30 40 50 60 70 80 90 100 110 120
= 5
= 5
10 =
Curvas normales con distintas medias y desviaciones estndar.
0) (
2
1
) ( ) , (
2
2
2
) (
> = =

x
e x P N
6
N(, ): Interpretacin geomtrica
Podemos interpretar la
media como un factor de
traslacin.
Y la desviacin tpica
como un factor de escala,
grado de dispersin,
7
N(, ): Interpretacin probabilista
Entre la media y una
desviacin tpica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
Si tomamos intervalos centrados en , y cuyos extremos estn
a distancia , tenemos probabilidad 68%
a distancia 2 , tenemos probabilidad 95%
a distancia 25 tenemos probabilidad 99%
Entre la media y
dos desviaciones
tpicas aprox. 95%

8
Podemos obtener la funcin de
distribucin F(x) integrando la
funcin de densidad de probabilidad:

2
1
) (
2
2
2
) (
dv e x F
x
v

=
De modo que la probabilidad de una
variable aleatoria normal X en un
intervalo a x b es:

2
1
) ( ) ( ) (
2
2
2
) (
dv e a F b F b X a P
b
a
v

= =
No podemos calcular analticamente el valor de la integral!
Tabularemos sus valores numricos...
2
2
2
) (
2
1
) ( ) , (

= =
x
e x P N
1
2
1
2
2
2
) (
=

dv e
v
En particular:
9
Cmo calcular probabilidades asociadas
a una curva normal especfica?
Dado que tanto como pueden asumir infinitos valores, es
impracticable tabular las probabilidades para todas las posibles
distribuciones normales. Para solucionarlo, se utiliza la
distribucin normal reducida o tipificada.



Se define una variable z =
x -

Es una traslacin , y un cambio de escala de
la variable original.
10
La nueva variable z se distribuye como una
NORMAL con media = 0 y desviacin tpica = 1
-3 -2 -1 0 1 2 3
z
68% 95% 99%
Recordemos de nuevo que en cualquier distribucin normal las
probabilidades delimitadas entre :
= 68 %
2 = 95 %
3 = 99 %
68%
99%
95%
11
Tipificacin
Dada una variable de media y desviacin tpica
, se denomina valor tipificado z, de una
observacin x, a la distancia (con signo) con
respecto a la media, medido en desviaciones
tpicas, es decir:

=
x
z
En el caso de variable X normal, la interpretacin es clara:
asigna a todo valor de N(, ), un valor de N(0,1) que deja
exctamente la misma probabilidad por debajo.
Nos permite as comparar entre dos valores de dos
distribuciones normales diferentes, para saber cul de los
dos es ms extremo.
12
13
Se quiere dar una beca a uno de dos estudiantes de sistemas
educativos diferentes y se asignar al que tenga mejor expediente
acadmico:
El estudiante A tiene una calificacin de 8 en un sistema donde la
calificacin de los alumnos se comporta como N(6,1).
El estudiante B tiene una calificacin de 80 en un sistema donde la
calificacin de los alumnos se comporta como N(70,10).
1
10
70 80
2
1
6 8
=

=
=

=
B
B B
B
A
A A
A
x
z
x
z

No podemos comparar directamente 8
puntos de A frente a los 80 de B, pero
como ambas poblaciones se comportan
de modo normal, podemos tipificar y
observar las puntuaciones sobre una
distribucin de referencia N(0,1).

Como z
A
> z
B
, podemos decir que el
porcentaje de compaeros del mismo
sistema de estudios que ha superado
en calificacin al estudiante A es mayor
que el que ha superado B. En principio
A es mejor candidato para la beca.
14
Las probabilidades de la variable tipificada (z) estn
tabuladas para los diferentes valores de la variable.
Para calcular probabilidades, una vez transformada,
la variable a valores de z, se busca en una tabla el
rea correspondiente.
Apliquemos el cambio de
variable tipificada a la funcin
de distribucin F(x):
du e z Z p z F
z e z p

= =
< < =
z
2
u
2
z
2
2
2
1
) ( ) (
;
2
1
) (

2
1
) (
2
2
2
) (
dv e x F
x
v

=
dz dv

-
z
=
=

15
du e z Z p z F
z e z p

= =
< < =
z
2
u
2
z
2
2
2
1
) ( ) (
;
2
1
) (
Caracterstica de la distribucin
normal tipificada (reducida o
estndar):

No depende de ningn parmetro.

Su media es 0, su varianza es 1 y su
desviacin tpica es 1.

La curva f(x) es simtrica respecto al
eje de ordenadas y tiene un mximo
en este eje.

Tiene dos puntos de inflexin en z =1
y z = -1.
16
Hay varios tipos de tablas de la distribucin normal
La que se explica aqu representa las reas para los
diferentes valores de z desde 0 hasta +.
0
+
Los valores
negativos de z NO
estn tabulados, ya
que la distribucin
es simtrica
17
18

0.0
0.1
0.2
0.3
0.4

0.5

0 1 2 3 4 5 6 7 8 9
.0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
.0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
.0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
.1179 ..... ...... ...... ......
.1554 .... ..... ....

.1915 ....
La tabla consta de:
*Margen izquierdo : Los enteros de z y
su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: reas correspondientes,
acumuladas, desde 0
hasta 3.99
19
EJEMPLOS:
1.-Cul es la probabilidad de que un
valor de z est entre 0 y -2.03?
2.-Cul es la probabilidad de que un
valor de z est entre -2.03 y +2.03?
3. Hallar P( z >1.25 )
4. Hallar P ( -0.34 < z < )
5. Hallar P ( 0.34 < z < 2.30 )
20






?
Ejemplo 1
Cul es la probabilidad de que un valor de z est entre 0 y -2.03?
z
Cmo la curva es simtrica
P (-2.03 <z <0) =P (0 < z <2.03)
-3 -2 -1 0 1 2 3
21
0 1 2 3 4
1.8
1.9
2.0
2.1
47. 88%
Ejemplo 1
Cul es la probabilidad de que un valor de z est entre 0 y -2.03?
-3 -2 -1 0 1 2 3
z
Se busca en la tabla el rea correspondiente a z = 2.03
0.47882
22

?







47.88%








47.88%
Ejemplo 2
Cul es la probabilidad de que un valor de z est entre -2.03 y 2.03 ?
-3 -2 -1 0 1 2 3
z
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre
0 y 2.03 =0.47882
La misma rea hay entre 0 y
-2.03 , por lo tanto
P ( -2.03<z<2.03) =0.95764
95.76%
23
Ejemplo 3
Cul es la probabilidad de que un valor de z sea mayor a 1.25 ?
z
-3 -2 -1 0 1 2 3
?
1.- La probabilidad de 0 <z <+ = 0.500
2.- La probabilidad de 0 <z <1.25 =0.39435
39.44%
3.- La probabilidad de z >1.25 =
0.500 - 0.39435=0.10565
10.56%
50%
24
Hallar P( -0.34 < z < )
z
P(0 <z <0.34) =0.13307 =
P(-0.34 <z <0)
13.31% 50%
63.31%
P( -0.34 < z <) =
0.13307 +0.50000 =0.63307
-3 -2 -1 0 1 2 3
Ejemplo 4
P (0 <z < ) = 0.50000
25
Ejemplo 5
Hallar P( 0.34 < z < 2.30)
z
-3 -2 -1 0 1 2 3
P(0<z <0.34) =0.13307
P( 0 <z <2.30) =0.4893
P (0.34 <z <2.30) =0.48930 - 0.13307 =0.35623
35.62%
26
EJEMPLO
Sea una variable distribuida normalmente con media
= 4 y desviacin tpica = 1.5.
Cul es la probabilidad de encontrar un valor x 6
(P(x 6 ))?
27
x
= 4 = 1.5 Hallar P ( x > 6 )


?
6
1.- transformar x en un valor de z
0.40824
0.09176
z = (6 - 4)/1.5 = 1.33
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 =

x
z

=
0.5
-0.5 1 2.5 4 5.5 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
28
Hasta ahora vimos como dado un valor x de la variable, hallar
probabilidades transformando (estandarizacin) la variable en
valores de
x -

Cmo hallar un valor de x, dada la probabilidad?
x = ?
38.20%
Ejemplo: Sea una variable distribuida normalmente con =4 y = 2.
Hallar el valor de x que deja por encima de l un 38.20% (0.3820).
Se debe desestandarizar :
x = z +
0.5000 - 0.382 = 0.118 Se busca en la
tabla el valor ms aproximado:0.1179
corresponde a z =+ 0.30
4.60
Sustituyendo en la frmula
0.30 2 + 4 = 4.60
z =
29
30
31
Nota: Cuando n > 20, np 5, y n(1-p) 5 la
distribucin binomial puede aproximarse por una
normal con
(1 )
np
np p

=
=
32
33
En una empresa se ha visto que en un 10% de sus facturas se
cometen errores y se desea calcular la probabilidad que de
100 facturas, 12 de ellas los contengan:
1
2
100(.10) 10
(1 ) 3
12.5 10.0
0.83 0.2967
3
11.5 10
0.5 0.1915
3
(12) 0.2967 0.1915 0.1052
np p
z
z
P

= =
= =

= =

= =
= =
z
2
z
1
35
36
37
43
Calcular
con la aguja
de Buffon

44
45
46