DISTRIBUCIÓN

NORMAL
• MODELO Y CÁLCULO DE PROBABILIDAD

YERKO ECHEVERRIA A.
DOCENTE ING. – SELLO UAC
 INTRODUCCIÓN
Sin duda, la distribución continua de
probabilidad más importante, por la
frecuencia con que se encuentra y por
sus aplicaciones teóricas, es la
distribución 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 relación con la
teoría de los errores de observación
astronómica y física .
 UTILIDAD
Se utiliza muy a menudo porque hay muchas variables
asociadas a fenómenos naturales que siguen el modelo de la
distribución normal.
Caracteres morfológicos: personas, animales, plantas,... de
una especie, por ejemplo: tallas, pesos, diámetros, distancias,
perímetros,...
Caracteres fisiológicos: por ejemplo: efecto de una misma
dosis de un fármaco, o de una misma cantidad de abono.
Caracteres sociológicos: por ejemplo: consumo de cierto
producto por un mismo grupo de individuos, puntuaciones de
examen, etc.
Caracteres psicológicos: por ejemplo: cociente intelectual,
grado de adaptación a un medio,...
 FUNCIÓN DE DENSIDAD
Distribución normal o gaussiana: Está caracterizada
por dos parámetros: la media, μ y la desviación típica,
σ.
Su función de densidad es:
1  x   2
1 σ
  
f ( x)  e 2  
 2
La curva normal adopta un número infinito de formas,
determinadas por sus parámetros μ y σ.
 FUNCIÓN DE DISTRIBUCIÓN
• Puede tomar cualquier valor (- , + )
• Hay más probabilidad para los valores cercanos a la media  .
• Para una variable aleatoria X, que se distribuye normalmente con
media : μ y desviación típica: σ, la probabilidad de que la variable
X esté comprendida entre los valores a y b es el área oscura en la
siguiente figura :
σ
CURVA NORMAL
Esta distribución alcanza un único
máximo (moda) en  , que es
simétrica con respecto al mismo, y
por tanto PX     PX     1 2
con lo cual en  coincide la media,
la mediana y la moda.

68%

95%

99%
CURVA NORMAL

σ
 CURVA NORMAL
La mayor parte de la masa de probabilidad (área comprendida entre la
curva y el eje de abscisas) se encuentra concentrado alrededor de la media,
y las ramas de la curva se extienden asintóticamente a los ejes, de modo
que cualquier valor ``muy alejado" de la media es posible (aunque poco
probable).
La forma de la campana de Gauss depende de los parámetros  y  :

σ
 será el parámetro de dispersión. Cuanto menor
 indica la posición de la campana sea, mayor cantidad de masa de probabilidad
(parámetro de centralización) habrá concentrada alrededor de la media
 FUNCIÓN DE DISTRIBUCIÓN
b  x  2
1
IP(a  X  b)   e 2 2

a  2

Para el cálculo de
probabilidades es necesario
σ
antes hacer un cambio de
variable, una estandarización.

IP (a  Z  b)  IP ( Z  b)  IP ( Z  a)
Como el cálculo de esta integral es laborioso, para calcular el área se
realiza el siguiente cambio de variable:
X 
Z

Este cambio origina una distribución normal estándar de media μ = 0 y
desviación típica σ = 1 cuya función de densidad es :
1  x   2 1 t2
1    
f ( x)  e 2   f ( z)  e 2
 2 2
σ

Y cuyos
valores se
tabulan :
LA DISTRIBUCIÓN NORMAL ESTÁNDAR

• Z se la denomina variable tipificada de X, y a la

curva de su función de densidad se le conoce
como la curva normal estándar.
• Es una distribución normal con promedio 0 y
una desviación estándarσ de 1.

• Todas las variables normalmente distribuidas

se pueden transformar a la distribución normal
estándar utilizando la fórmula para calcular el
valor Z correspondiente.
 LA FUNCIÓN F(Z)
En la siguiente gráfica vemos la representación
gráfica de la función de Z.
Cualquier valor xi en una distribución puede ser estandarizado sobre la base
de su distancia desde la media, medida en unidades de desviación
estándar. Al hacer esto, la media de la distribución se hace cero y la
desviación estándar es la unidad de la escala.
σ
Ejemplo n°1:

Supongamos que sabemos que el peso de los/as estudiantes

universitarios/as de la UAC siguen una distribución normal,
con una media de 140 libras y una desviación estándar de 20
libras.

Calcule las siguientes probabilidades:

a) que una persona tenga un peso menor o igual a 150 libras

b) que una persona, elegida al azar, tenga un peso mayor o igual a 150
libras
c) que una persona, elegida al azar, tenga un peso entre 115 y 150
libras
Ejemplo n°2:

Se quiere dar una beca a uno de dos estudiantes de

sistemas educativos diferentes y se asignará al que tenga
mejor expediente académico: – El estudiante A tiene una
calificación de 8 en un sistema donde la calificación de los
alumnos se comporta como N(6,1). – El estudiante B tiene
una calificación de 80 en un sistema donde la calificación de
los alumnos se comporta como N(70,10).

Observación: 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 distribución de referencia N(0,1)
Ejemplo n°2:

Se quiere dar una beca a uno de dos estudiantes de

sistemas educativos diferentes y se asignará al que tenga
mejor expediente académico: – El estudiante A tiene una
calificación de 8 en un sistema donde la calificación de los
alumnos se comporta como N(6,1). – El estudiante B tiene
una calificación de 80 en un sistema donde la calificación de
los alumnos se comporta como N(70,10).

Observación: 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 distribución de referencia N(0,1)
DISTRIBUCIÓN NORMAL.
Aproximación de una Binomial a la Normal
Se puede demostrar (teorema central del límite) que una v.a.
discreta con distribución binomial,
Se puede aproximar mediante una distribución normal si n es
suficientemente grande y p no está ni muy próximo a 0 ni a 1. Como el
valor esperado y la varianza de X son respectivamente np y npq, la
aproximación consiste en decir que

El convenio que se suele utilizar para poder realizar esta aproximación es:

aunque en realidad esta no da resultados muy precisos a menos que

realmente n sea un valor muy grande y
Ejemplo n°3. Durante cierta epidemia de gripe, enferma el 30% de la
población. En un aula con 200 estudiantes de Medicina, ¿cuál es la
probabilidad de que al menos 40 padezcan la enfermedad? Calcular la
probabilidad de que haya 60 estudiantes con gripe.

La v.a. que contabiliza el número de alumnos que padece la gripe es

cuya media es 200 x 0,3 = 60 y cuya varianza es 200 x 0,3 x 0,7=42

Realizar los cálculos con la ley binomial es muy engorroso, ya que

intervienen números combinatorios de gran tamaño, y potencias muy
elevadas. Por ello utilizamos la aproximación normal de X, teniendo en
cuenta que se verifican las condiciones necesarias para que el error sea
aceptable:
 Con una N(60; 6,48)

Tipificando
X  40  60
z   3,09
 6,48
Buscamos
P( x  40)  P( z  3,09)
Por simetría
P( z  3,09)  P( z  3,09)
Por suceso contrario
P( z  3,09)  1  P( z  3,09)

Buscando en la tabla
1  P( z  3,09)  1  0,001  0,999
Con una N(60; 6,48)
Tipificando
X  40  60
z   3,09
 6,48
Buscamos
P( x  40)  P( z  3,09)
Por simetría
P( z  3,09)  P( z  3,09)

Buscando en la tabla