DISTRIBUCIN NORMAL

En estadstica y probabilidad se

llama distribucin

normal, distribucin

de

Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable

continua que con ms frecuencia aparece aproximada en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto
de un determinado parmetro estadstico. Esta curva se conoce como campana de
Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran
parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observacin se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadstica es un modelo matemtico que slo permite describir un
fenmeno, sin explicacin alguna. Para la explicacin causal es preciso el diseo
experimental, de ah que al uso de la estadstica en psicologa y sociologa sea conocido
como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de
la normal son:

Caracteres morfolgicos de individuos como la estatura

Caracteres fisiolgicos como el efecto de un frmaco

Caracteres sociolgicos como el consumo de cierto producto por un mismo grupo

de individuos

Caracteres psicolgicos como el cociente intelectual

Nivel de ruido en telecomunicaciones

Errores cometidos al medir ciertas magnitudes

La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por

ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal,
cuando la distribucin de la poblacin de la cual se extrae la muestra no es
normal. Adems, la distribucin normal maximiza la entropa entre todas las distribuciones
con media y varianza conocidas, lo cual la convierte en la eleccin natural de la
distribucin subyacente a una lista de datos resumidos en trminos de media muestral y
varianza. La distribucin normal es la ms extendida en estadstica y muchos test
estadsticos estn basados en una supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de
probabilidad continua y discreta.
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, ;

2. La moda y la mediana son ambas iguales a la media, ;

3. Los puntos de inflexin de la curva se dan para x = y x = + .

4. Distribucin de probabilidad en un entorno de la media:

a) En el intervalo [ - , + ] se encuentra comprendida, aproximadamente,

el 68,26% de la distribucin
b) En el intervalo [ - 2, + 2] se encuentra, aproximadamente, el 95,44%
de la distribucin
c) Por su parte, en el intervalo [ -3, + 3] se encuentra comprendida,
aproximadamente, el 99,74% de la distribucin. Estas propiedades son de
gran utilidad para el establecimiento de intervalos de confianza. Por otra
parte, el hecho de que prcticamente la totalidad de la distribucin se
encuentre a tres desviaciones tpicas de la media justifica los lmites de las
tablas empleadas habitualmente en la normal estndar.

5. Si X ~ N(, 2) y a y b son nmeros reales, entonces (aX + b) ~ N(a+b, a22).

6. Si X ~ N(x, x2) e Y ~ N(y, y2) son variables aleatorias normales independientes,

entonces:
a)

Su suma est normalmente distribuida con U = X + Y ~ N(x + y, x2 + y2)

(demostracin). Recprocamente, si dos variables aleatorias independientes

tienen una suma normalmente distribuida, deben ser normales (Teorema de

Crmer).
b)

Su

diferencia

est

normalmente

con
c)

distribuida

Si las varianzas de X e Y son iguales, entonces U y V son independientes

entre s.

d)

La divergencia

de

Si

Kullback

son

Leibler

variables

aleatorias

independientes normalmente distribuidas, entonces:

a)

Su producto

sigue una distribucin con densidad

Donde

es

dada por

una funcin

de

Bessel

modificada de segundo tipo.

b)

Su

cociente

sigue

una distribucin

de

Cauchy con

. De este modo la distribucin de Cauchy es

un tipo especial de distribucin cociente.

Si

son

entonces

Si

variables

normales

estndar

independientes,

sigue una distribucin con n grados de libertad.

son

entonces la media muestral

variables

normales

estndar

independientes,

y la varianza muestral

son independientes. Esta propiedad caracteriza a las distribuciones normales y

contribuye a explicar por qu el test-F no es robusto respecto a la no-normalidad).

ESTIMACIN DE PARMETROS

El estudio de poblaciones estadsticas supone en general el conocimiento de la funcin de

probabilidad que gobierna el comportamiento aleatorio de la variable de inters. En
muchos casos sabemos o presumimos conocer la familia distribucional de una poblacin.
Sabemos por ejemplo que la poblacin es aproximadamente normal; pero desconocemos
la media y la varianza poblacionales. Sabemos que la variable de inters es binomial pero
desconocemos la probabilidad de xito poblacional o el nmero de pruebas de Bernoulli.
Sabemos que se trata de un proceso de Poisson pero desconocemos el nmero de
eventos raros por intervalos. Presumimos que la variable es exponencial pero
desconocemos el parmetro que precisa la distribucin exponencial poblacional.
Lgicamente en todas estas situaciones la funcin de probabilidad de la variable en
estudio se concreta determinando los parmetros poblacionales correspondientes y para
lograrlo se utilizan los denominados mtodos de estimacin de parmetros.
La

estimacin de uno o varios parmetros poblacionales desconocidos es posible

construyendo funciones de probabilidad de variables aleatorias muestrales, ms

conocidos como estimadores muestrales.
Dichos estimadores garantizaran un clculo o una aproximacin satisfactoria del
parmetro poblacional desconocido siempre que cumplan propiedades de: insesgamiento
o mxima simetra, varianza mnima o mxima concentracin de los datos alrededor del
parmetro estimado y mxima probabilidad.

ESTIMACIN PUNTUAL

f(x, )
Cuando en una poblacin con familia distribucional conocida

queremos estimar el

verdadero valor del parmetro poblacional

utilizando como lente para determinarlo al

estimador muestral

; procedemos a seleccionar una muestra de tamao n de dicha

poblacin, calculamos a partir de ella un valor

y afirmamos entonces que

es

una estimacin puntual de

con un error, por exceso o defecto, de valor k.

K depende en general de la variable aleatoria muestral

y de su desviacin

. En los

casos de muestras grandes, cuando los valores de la muestra corresponden a variables

aleatorias estadsticamente independientes (iid) y por lo tanto se dan las condiciones del
TLC, se tiene que:

/2 Z /2/ n, n 30
Maxk

MTODO DE MXIMA VEROSIMILITUD:

El mtodo de estimacin de mxima verosimilitud permite, en el caso de un parmetro o n
vector de parmetros poblacionales desconocidos, determinar el estimador o vector de
estimadores que maximizan la funcin de probabilidad conjunta de una muestra de n v.a.
seleccionadas de la poblacin en estudio.

f(x, )
Sea

la fdp de una poblacin en la cual queremos determinar .

Sea x1,x2,.,xn una muestra de v.a. iid seleccionadas de dicha poblacin, a la funcin de

probabilidad conjunta L( ) de las n v.a. de la muestra la llamaremos funcin de

verosimilitud muestral, es decir:

L ( )=L(x1,x2,.,xn;

Pero como las v.a. son independientes tenemos: L( ) = f(x1, ) f(x2, ).f (xn, ). Es decir:
n

f(x , )
i

i 1

L ( )=

PRUEBAS DE HIPOTESIS ESTADISTICA

PRUEBAS DE HIPTESIS:
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro
poblacional.

Despus

de

recolectar

una muestra aleatoria,

se

compara

la estadstica muestral, as como la media, con el parmetro hipottico, se compara con

una supuesta media poblacional. Despus se acepta o se rechaza el valor hipottico,
segn proceda. Se rechaza el valor hipottico slo si el resultado muestral resulta muy
poco probable cuando la hiptesis es cierta.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el
valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco
probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia
del 5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan

diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir
aleatoria mente con una probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica
muestral (el estimador no segado del parmetro que se prueba) o una versin
transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de
una

media

poblacional,

se

toma

la

media

de

una

muestra

aleatoria

de

esa distribucin normal, entonces es comn que se transforme la media en un valor z el

cual, a su vez, sirve como estadstica de prueba.

Consecuencias de las Decisiones en Pruebas de Hiptesis.

Situaciones Posibles
Decisiones Posibles

La hiptesis nula es
verdadera

Aceptar la Hiptesis
Nula

Se acepta
correctamente

Error tipo II

Rechazar la Hiptesis
Nula

Error tipo I

Se rechaza
correctamente

La hiptesis nula es
falsa

Etapa 4.- Establecer el valor o valores crticos de la estadstica de prueba. Habiendo

especificado la hiptesis nula, el nivel de significancia y la estadstica de prueba que se
van a utilizar, se produce a establecer el o los valores crticos de estadstica de prueba.
Puede haber uno o ms de esos valores, dependiendo de si se va a realizar una prueba
de uno o dos extremos.
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un
valor hipottico de la media poblacional, se toma una muestra aleatoria y se determina el

valor de la media muestral. Si el valor crtico que se establece es un valor de z, entonces

se transforma la media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con
el valor (o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la
hiptesis nula. Si se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr
efecto sobre otras decisiones de los administradores operativos, como por ejemplo,
mantener

no

un

estndar

de desempeo o

cul

de

dos estrategias de mercadotecnia utilizar.

La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin
de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se
puede rechazar la hiptesis nula y se llega a la conclusin de que el proceso funciona
correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en
la distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no
se puede rechazar) de la regin de rechazo. A hora bien el valor crtico depende del
tamao de la regin de rechazo.
PASOS DE LA PRUEBA DE HIPTESIS
1.

Expresar la hiptesis nula

2.

Expresar la hiptesis alternativa

3.

Especificar el nivel de significancia

4.

Determinar el tamao de la muestra

5.

Establecer los valores crticos que establecen las regiones de rechazo de las de
no rechazo.

6.

Determinar la prueba estadstica.

7.

Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica

apropiada.

8.

Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no

rechazo.

9.

Determinar la decisin estadstica.

10.

Expresar la decisin estadstica en trminos del problema.

CONCEPTOS BSICOS PARA EL PROCEDIMIENTO DE PRUEBAS DE HIPTESIS.

Hiptesis Estadstica:
Al intentar alcanzar una decisin, es til hacer hiptesis (o conjeturas) sobre la poblacin
aplicada.
Tales hiptesis, que pueden ser o no ciertas, se llaman hiptesis estadsticas.
Son, en general, enunciados acerca de las distribuciones de probabilidad de las
poblaciones.
Hiptesis Nula:
En muchos casos formulamos una hiptesis estadstica con el nico propsito de
rechazarla o invalidarla. As, si queremos decidir si una moneda est trucada, formulamos
la hiptesis de que la moneda es buena (o sea p = 0,5, donde p es la probabilidad de
cara).
Analgicamente, si deseamos decidir si un procedimiento es mejor que otro, formulamos
la hiptesis de que no hay diferencia entre ellos (o sea. Que cualquier diferencia
observada se debe simplemente a fluctuaciones en el muestreo de la misma poblacin).
Tales hiptesis se suelen llamar hiptesis nula y se denotan por Ho.
Para todo tipo de investigacin en la que tenemos dos o ms grupos, se establecer una
hiptesis nula. La hiptesis nula es aquella que nos dice que no existen diferencias
significativas entre los grupos.
Una hiptesis nula es importante por varias razones:

Es una hiptesis que se acepta o se rechaza segn el resultado de la

investigacin.

El hecho de contar con una hiptesis nula ayuda a determinar si existe una
diferencia entre los grupos, si esta diferencia es significativa, y si no se debi al
azar.

No toda investigacin precisa de formular hiptesis nula. Recordemos que la

hiptesis nula es aquella por la cual indicamos que la informacin a obtener es
contraria a la hiptesis de trabajo

Al formular esta hiptesis, se pretende negar la variable independiente. Es decir,

se enuncia que la causa determinada como origen del problema flucta, por tanto,
debe rechazarse como tal.

Hiptesis Alternativa:
Toda hiptesis que difiere de una dada se llamar una hiptesis alternativa. Por ejemplo:
Si una hiptesis es p = 0,5, hiptesis alternativa podran ser p = 0,7, p " 0,5 p > 0,5.
Una hiptesis alternativa a la hiptesis nula se denotar por H1.
Al responder a un problema, es muy conveniente proponer otras hiptesis en que
aparezcan variables independientes distintas de las primeras que formulamos. Por tanto,
para no perder tiempo en bsquedas intiles, es necesario hallar diferentes hiptesis
alternativas como respuesta a un mismo problema y elegir entre ellas cules y en qu
orden vamos a tratar su comprobacin.
Las hiptesis, naturalmente, sern diferentes segn el tipo de investigacin que se est
realizando. En los estudios exploratorios, a veces, el objetivo de la investigacin podr ser
simplemente el de obtener los mnimos conocimientos que permitan formular una
hiptesis. Tambin es aceptable que, en este caso, resulten poco precisas, como cuando
afirmamos que "existe algn tipo de problema social en tal grupo", o que
los planetas poseen algn tipo de atmsfera, sin especificar de qu elementos est
compuesto.
Los trabajos de ndole descriptiva generalmente presentan hiptesis del tipo "todos los X
poseen, en alguna medida, las caracterstica Y". Por ejemplo, podemos decir que todas
las naciones poseen algn comercio internacional, y dedicarnos a describir, cuantificando,

las relaciones comerciales entre ellas. Tambin podemos hacer afirmaciones del tipo "X
pertenece al tipo Y", como cuando decimos que una tecnologa es capital - intensiva. En
estos casos, describimos, clasificndolo, el objeto de nuestro inters, incluyndolo en un
tipo ideal complejo de orden superior.
Por ltimo, podemos construir hiptesis del tipo "X produce (o afecta) a Y", donde
estaremos en presencia de una relacin entre variables.
Errores de tipo I y de tipo II:
Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha cometido
un error de tipo I.
Por otra parte, si aceptamos una hiptesis que debiera ser rechazada, diremos que se
cometi un error de tipo II.
En ambos casos, se ha producido un juicio errneo.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben
disearse de modo que minimicen los errores de la decisin; y no es una cuestin
sencilla, porque para cualquier tamao de la muestra, un intento de disminuir un tipo de
error suele ir acompaado de un crecimiento del otro tipo. En la prctica, un tipo de error
puede ser ms grave que el otro, y debe alcanzarse un compromiso que disminuya el
error ms grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra que no
siempre es posible.

HIPOTESIS ESTADISTICA:
Una hiptesis estadstica es una suposicin hecha con respecto a la funcin de
distribucin de una variable aleatoria.
Para establecer la verdad o falsedad de una hiptesis estadstica con certeza total, ser
necesario examinar toda la poblacin. En la mayora de las situaciones reales no es
posible o practico efectuar este examen, y el camino mas aconsejable es tomar una
muestra aleatoria de la poblacin y en base a ella, decidir si la hiptesis es verdadera o
falsa.

En la prueba de una hiptesis estadstica, es costumbre declarar la hiptesis como

verdadera si la probabilidad calculada excede el valor tabular llamado el nivel de
significacin y se declara falsa si la probabilidad calculada es menor que el valor tabular.
La prueba a realizar depender del tamao de las muestras, de la homogeneidad de las
varianzas y de la dependencia o no de las variables.
Si las muestras a probar involucran a ms de 30 observaciones, se aplicar la prueba de
Z, si las muestras a evaluar involucran un nmero de observaciones menor o igual que 30
se emplea la prueba de t de student. La frmula de clculo depende de si las varianzas
son homogneas o heterogneas, si el nmero de observaciones es igual o diferente, o si
son variables dependientes.
Para determinar la homogeneidad de las varianzas se toma la varianza mayor y se divide
por la menor, este resultado es un estimado de la F de Fisher. Luego se busca en la tabla
de F usando como numerador los grados de libertad (n-1) de la varianza mayor y como
denominador (n-1) de la varianza menor para encontrar la F de Fisher tabular. Si la F
estimada es menor que la F tabular se declara que las varianzas son homogneas. Si por
el contrario, se declaran las varianzas heterogneas. Cuando son variables dependientes
(el valor de una depende del valor de la otra), se emplea la tcnica de pruebas pareadas.
Como en general estas pruebas se aplican a dos muestras, se denominarn a y b para
referirse a ellas, as entenderemos por:

na al nmero de elementos de la muestra a

nb al nmero de elementos de la muestra b
xb al promedio de la muestra b
s2a la varianza de la muestra a