Repaso de distribución Normal
DIAPOSITIVAS DE BARTOLO LUQUE CON MODIFICACIONES
7. Distribución normal
Pierre Simon de Laplace
(1749-1827)
Karl F. Gauss
(1777-1855)
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
=1
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 .
Caracteres morfológicos de individuos (personas, animales, plantas,...) de
una especie (tallas, pesos, diámetros, perímetros,...).
Caracteres sociológicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen, ...
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un
fármaco.
Errores cometidos al medir ciertas magnitudes.
Valores estadísticos muestrales, por ejemplo : la media.
Y en general cualquier característica 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); (np > 5) y (n(1-p) > 5).
Distribución normal o gaussiana
• Está caracterizada por dos parámetros: la media, μ y la
varianza, σ2.
• Su función de densidad es:

1
N (μ, σ)  P( x) 
e
σ 2π
( x μ) 2
2σ 2
(σ  0)
La curva normal adopta un número infinito de formas,
determinadas por sus parámetros μ y σ2.
Características de la distribución Normal
• Tiene forma de campana, es asintótica al eje de las abscisas
(para x =  )
• Simétrica con respecto a la media () donde coinciden la mediana
(Mn) y la moda (Mo )
• Los puntos de inflexión tienen como abscisas los valores   
Puntos
de
inflexión



 -  , Mo, Mn  + 
+
Distribución normal con  =0 para varios valores 
1.6
0.25
1.2
0.5
1
p(x)
0.8
0.4
0
-2.50
-1.50
-0.50
0.50
x
1.50
2.50

1
N (μ, σ)  P( x) 
e
σ 2π
( x μ) 2
(σ  0)
2σ 2
5
5
  10
20
30
40
50
60
70
80
90
100
110
120
Curvas normales con distintas medias y desviaciones estándar.
N(μ, σ2): Interpretación
geométrica
• Podemos interpretar la
media como un factor de
traslación.
• Y la varianza (se puede
utilizar la desviación
típica) como un factor de
escala, grado de
dispersión,…
N(μ, σ2): Interpretación probabilista
• Entre la media y una
desviación típica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
• Entre la media y
dos desviaciones
típicas aprox. 95%
•Si tomamos intervalos centrados en μ, y cuyos extremos están…
–a distancia σ,
 tenemos probabilidad 68%
–a distancia 2 σ,
 tenemos probabilidad 95%
–a distancia 2’5 σ
 tenemos probabilidad 99%

1
N (μ, σ)  P( x) 
e
σ 2π
( x μ) 2
2σ 2
Podemos obtener la función de
distribución F(x) integrando la
función de densidad de probabilidad:
1
F ( x) 
σ 2π
x
e
( v μ) 2

2σ 2
dv

De modo que la probabilidad de una
variable aleatoria normal X en un
intervalo a  x  b es:
b
1
P(a  X  b)  F (b)  F (a) 
e

σ 2π a
En particular:
1
σ 2π

e
( v  μ) 2

2σ 2
( v μ) 2

2σ 2
dv
dv  1

¡No podemos calcular analíticamente el valor de la integral!
Tabularemos sus valores numéricos...
¿Cómo calcular probabilidades asociadas
a una curva normal específica?
Dado que tanto  como  pueden asumir infinitos valores lo
que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribución
normal reducida o tipificada.
Se define una variable
z=
x -

Es una traslación , y un cambio de escala de
la variable original.
La nueva variable z se distribuye como una
NORMAL con media  = 0 y varianza 2 = 1
Recordemos de nuevo que en cualquier distribución normal las
probabilidades delimitadas entre :
   68 %
 2  95 %
 3  99 %
95%
68%
99%
68%
95%
-3
-2
-1
99%
0
z
1
2
3
Tipificación
• Dada una variable de media μ y varianza σ2, se
denomina valor tipificado z, de una observación x,
a la distancia (con signo) con respecto a la media,
medido en desviaciones típicas, es decir:
z
x

• En el caso de variable X normal, la interpretación es clara:
asigna a todo valor de N(μ, σ2), un valor de N(0,1) que deja
exáctamente la misma probabilidad por debajo.
• Nos permite así comparar entre dos valores de dos
distribuciones normales diferentes, para saber cuál de los
dos es más extremo.
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(70,100). Esto
implica que la desviación estándar es 10.
–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).
–Como zA > zB, A es el mejor candidato
para la beca.
Adicionalmente, se pregunta ¿Cuál de
las dos puntuaciones se acerca más a
la media?
La calificación del candidato B ya que
se aleja una desviación estándar por
encima de la media.
zA 
xA   A

86
2
1
A
x   B 80  70
zB  B

1
B
10
Apliquemos el cambio de
variable tipificada a la función
de distribución F(x):
z 
- μ
σ
dv  σ dz
1
F ( x) 
σ 2π
1
p( z ) 
e
2π
z2

2
x
e
( v μ) 2

2σ 2
dv

;   z  
1
F ( z )  p( Z  z ) 
2π
z
e
u2

2
du

Las probabilidades de la variable tipificada (z) están
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
área correspondiente.
1
p( z ) 
e
2π
z2

2
;   z  
1
F ( z )  p( Z  z ) 
2π
z
e

u2

2
du
Características de la distribución
normal tipificada (reducida o
estándar):
No depende de ningún parámetro.
Su media es 0, su varianza es 1 y su
desviación típica es 1.
La curva f(x) es simétrica respecto al
eje de ordenadas y tiene un máximo
en este eje.
Tiene dos puntos de inflexión en z =1
y z = -1.
Hay varios tipos de tablas de la distribución normal
La que se explica aquí representa las áreas para los
diferentes valores de z desde 0 hasta +.
Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica
0
+
*Margen izquierdo : Los enteros de z y
su primer decimal.
* Margen superior: segundo decimal
* Cuerpo de la tabla: áreas correspondientes,
acumuladas, desde 0
hasta 3.99
La tabla consta de:
0
1
2
3
4
5
6
7
8
9
0.0
0.1
0.2
0.3
0.4
.0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.5
.1915 ....
.0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
.0793 .0832 .0871 .0910 .0948 .0987 .1026 ....
.1179 .....
......
......
.1554 ....
.....
....
......
......
......
EJEMPLOS:
1.-¿Cuál es la probabilidad de que un
valor de z esté entre 0 y -2.03?
2.-¿Cuál es la probabilidad de que un
valor de z esté 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 )
Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
Cómo la curva es simétrica
P (-2.03 < z < 0) = P (0 < z < 2.03)
?
-3
-2
-1
0
1
2
z
3
Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
Se busca en la tabla el área correspondiente a z = 2.03
0
1
2
3
4
1.8
1.9
2.0
2.1
0.47882
47. 88%
-3
-2
-1
0
1
2
z
3
Ejemplo 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y
2.03= 0.47882
La misma área hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764
?
95.76%
47.88%
-3
-2
-1
47.88%
0
1
2
z
3
Ejemplo 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
1.- La probabilidad de 0 < z < + = 0.500
2.- La probabilidad de 0 < z < 1.25 = 0.39435
3.- La probabilidad de z > 1.25 =
0.500 - 0.39435= 0.10565
50%
39.44%
10.56%
?
-3
-2
-1
0
1
2
z
3
Ejemplo 4
Hallar P( -0.34 < z <  )
63.31%
P(0 < z <0.34) = 0.13307 =
P(-0.34 < z < 0)
P (0 < z <  ) = 0.50000
P( -0.34 < z < ) =
0.13307 + 0.50000 = 0.63307
13.31%
50%
z
-3
-2
-1
0
1
2
3
Ejemplo 5
Hallar P( 0.34 < z < 2.30)
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%
-3
-2
-1
0
1
2
z
3
EJEMPLO
Sea una variable distribuida normalmente con media
 = 4 y desviación típica  = 1.5.
¿Cuál es la probabilidad de encontrar un valor x  6
(P(x  6 ))?
Nota: en este ejemplo tienen el dato de la desviación típica, en otros
casos se les puede suministrar la varianza y le extraerían la raíz
cuadrada Para obtener la desviación típica y sustituir en la formula de Z.
=4
 = 1.5
xμ
z
σ
Hallar P ( x > 6 )
1.- transformar x en un valor de z
z = (6 - 4)/1.5 = 1.33
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 =
0.5
0.40824
0.09176
?
-0.5
-3
1
-2
2.5
-1
4
0
5.5 6
1 1.33
7
2
x
8.5
3 z
Hasta ahora vimos como dado un valor x de la variable,
hallar probabilidades transformando (estandarización) la
variable en valores de
x-
z=

¿Cómo hallar un valor de x, dada la probabilidad?
Ejemplo: Sea una variable distribuida normalmente con  =4 y
 =2 . Hallar el valor de x que deja por encima de él un 38.20%
(0.3820)
Se debe desestandarizar :
x=z+
0.5000 - 0.382 = 0.118  Se busca en la
tabla el valor más aproximado :0.1179
corresponde a z =+ 0.30
Sustituyendo en la fórmula
0.30x2+4 =4.60
38.20%
x=?
4.60
Descargar

Diapositiva 1