ndice

1) Introduccin... 1
2) Distribucin de probabilidad. 2
3) Distribuciones de variable continua... 2

Contenido 3/11

4) Distribucin normal 3/5

Historia..6
Definicin de funcin de densidad de probabilidad ... 7
La distribucin normal estndar ...8
Teorema de Chebyshev .. 9
Aproximacin de la distribucin normal a la binomial... 10

5)
6)
7)
8)

Factor de correccin de continuidad .. 10/11

Anexos 12/13
Recomendaciones ...14
Conclusiones ....15
Bibliografa .16

1)Introduccin

2)Distribucin de probabilidad
En teora de la probabilidad y estadstica, la distribucin de probabilidad de una variable
aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria
la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est
definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango
de valores de la variable aleatoria.
La distribucin de probabilidad est completamente especificada por la funcin de
distribucin, cuyo valor en cada x real es la probabilidad de que la variable aleatoria
sea menor o igual que x.

3)Distribuciones de variable continua

Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos
valores existentes dentro de un intervalo. En el caso de variable continua la distribucin
de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces

que:
Tipos de distribuciones de variable continua
1. Distribuciones definidas en un intervalo acotado
2. Definidas en un intervalo semi-infinito, usualmente [0, )
3. Distribuciones en las que el logaritmo de una variable aleatoria est distribuido
conforme a una distribucin estndar:
4. Definidas en la recta real completa
5. Definidas en un dominio variable
6. Distribuciones mixtas discreta/continua
7. Distribuciones multivariable
8. Distribuciones matriciales
9. Distribuciones no numricas
10. Distribuciones miscelnea

4)Distribucin normal
La Normal es la distribucin de probabilidad ms importante. Multitud de variables
aleatorias continuas siguen una distribucin normal o aproximadamente normal. Una
de sus caractersticas ms importantes es que casi cualquier distribucin de
probabilidad, tanto discreta como continua, se puede aproximar por una normal bajo
ciertas condiciones.
La distribucin de probabilidad normal y la curva normal que la representa, tienen las
siguientes caractersticas:
La curva normal tiene forma de campana y un solo pico en el centro de la
distribucin. De esta manera, la media aritmtica, la mediana y la moda de la

 distribucin son iguales y se localizan en el pico. As, la mitad del rea bajo la
curva se encuentra a la derecha de este punto central y la otra mitad est a la
izquierda de dicho punto.
La distribucin de probabilidad normal es simtrica alrededor de su media.
La curva normal desciende suavemente en ambas direcciones a partir del valor
central. Es asinttica, lo que quiere decir que la curva se acerca cada vez ms al
eje X pero jams llega a tocarlo. Es decir, las colas de la curva se extienden de
manera indefinida en ambas direcciones.

Para indicar que una variable aleatoria (v.a.) sigue una distribucin normal de media
y desviacin estndar usaremos la expresin: X N( , ).

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
3

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 descriptiva 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 tests estadsticos estn basados en una "normalidad" ms o menos justificada
de la variable aleatoria bajo estudio.

 Historia
La distribucin normal fue presentada por primera vez por Abraham de Moivre en un
artculo del ao 1733 o 1732 que fue reimpreso en la segunda edicin de su The
Doctrine of Chances, de 1738, en el contexto de cierta aproximacin de la distribucin
binomial para grandes valores de n. Su resultado fue ampliado por Laplace en su libro
Teora analtica de las probabilidades (1812), y en la actualidad se llama Teorema de
De Moivre-Laplace.
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importante mtodo de mnimos cuadrados fue introducido por Legendre en 1805.
Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific rigurosamente en
1809 asumiendo una distribucin normal de los errores. El nombre de Gauss se ha
asociado a esta distribucin porque la us con profusin cuando analizaba datos
5

astronmicos y algunos autores le atribuyen un descubrimiento independiente del de

De Moivre. Esta atribucin del nombre de la distribucin a una persona distinta de su
primer descubridor es un claro ejemplo de la ley de Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el
trmino "bell surface" (superficie campana) por primera vez en
1872 para una distribucin normal bivariante de componentes
independientes. El nombre de "distribucin normal" fue otorgado independientemente
por Charles S. Peirce, Francis Galton y Wilhelm Lexis hacia 1875. A pesar de esta
terminologa, otras distribuciones de probabilidad podran ser ms apropiadas en
determinados contextos; vase la discusin sobre incidencia, ms abajo.

Definicin de funcin de densidad de probabilidad

La probabilidad de que una variable aleatoria (v.a.) X tome un valor determinado entre
dos
nmeros reales a y b coincide con el rea encerrada por la funcin
(funcin de densidad de probabilidad) entre los puntos a y b, es decir:

 La distribucin normal estndar

Se observ que no existe una sola distribucin de probabilidad normal, sino una
familia de ellas. Como sabemos, cada una de las distribuciones puede tener una
media ( ) o una desviacin estndar distinta ( ). Por tanto, el nmero de
distribuciones normales es ilimitado y sera imposible proporcionar una tabla de
probabilidades para cada combinacin de y .
Para resolver este problema, se utiliza un solo miembro de la familia de distribuciones
normales, aquella cuya media es 0 y desviacin estndar 1 que es la que se conoce
como distribucin estndar normal, de forma que todas las distribuciones normales
7

pueden convertirse a la estndar, restando la media de cada observacin y dividiendo

por la desviacin estndar.
Primero, convertiremos la distribucin real en una distribucin normal estndar
utilizando un valor llamado Z, o estadstico Z que ser la distancia entre un valor
seleccionado, designado X, y la media , dividida por la desviacin estndar .
Formalmente, si X N( , ) , entonces la v.a.

se distribuye segn una normal de

media 0 y desviacin estndar 1, i.e.: Z N(0,1) , que es la distribucin llamada

normal estndar o tipificada.
De esta manera, un valor Z mide la distancia entre un valor especificado de X y la
media aritmtica, en las unidades de la desviacin estndar. Al determinar el valor Z
utilizando la expresin anterior, es posible encontrar el rea de probabilidad bajo
cualquier curva normal haciendo referencia a la distribucin normal estndar en las
tablas correspondientes.
As pues, para averiguar el rea anterior utilizaremos la tabla que encontraremos al
final de este apartado. Dicha tabla nos proporciona la probabilidad de que la v.a. normal
estndar Z tome un valor situado a la izquierda de un nmero c, i.e.: P(Z<c). En otras
palabras, esta tabla nos da el valor del rea encerrada por f(x) entre - y c.

Teorema de Chebyshev
Si X N(,) , entonces:
a) P(-<X<+) = 0,68
b) P(-2<X<+2) = 0,95
c) P(-3<X<+3) = 0,997
i.e., el 68% (aproximadamente) de los valores que tome la
v.a. X estarn situados a una distancia de la media inferior a
una desviacin estndar. Anlogamente, el 95% de los

valores estarn situados a menos de 2 veces la desviacin estndar, y un 99,7% de

dichos valores se encontrarn dentro un radio de 3 sigma.
Por lo tanto, para una distribucin normal, la mayor parte de todos los valores yacen a
tres desviaciones standard de la media..

Aproximacin de la distribucin normal a la binomial

Hay que tener en cuenta que, antes de aplicar la distribucin normal, es necesario
asegurarse de que la distribucin que queremos aproximar es, efectivamente, binomial.
Para ello, hay que comprobar:

- Que un experimento slo puede tener dos resultados posibles y mutuamente

excluyentes: un xito y un fracaso.
- La distribucin es consecuencia de contar el nmero de xitos de un nmero fijo de
pruebas.
- Cada prueba es independiente.
- La probabilidad, p, permanece igual de una prueba a la siguiente.

Factor de correccin de continuidad

En el caso de una v.a. discreta, tiene sentido preguntarse por la probabilidad de que
sta tome un determinado valor. Sin embargo, si consideramos que la v.a. X es
continua, entonces P(X=a) = 0, a R. Por este motivo tendremos que aplicar el
llamado factor de correccin por continuidad que veremos a continuacin, es decir, en
el caso anterior calcularemos P(a0,5<X<a+0,5).
Dicho valor 0,5 se suma o se resta, dependiendo de los requerimientos, a un valor
seleccionado cuando una distribucin de probabilidad discreta se aproxima por medio
de una distribucin continua.
Los posibles casos son:
- Para la probabilidad de que al menos X ocurra, se utilizar el rea por encima de la
curva (X-0,5)
- Para la probabilidad de que ocurra ms que X, se utilizar el rea por encima de la
curva (X+0,5)
- Para la probabilidad de que ocurra X o menos, se utilizar el rea por debajo de la
curva (X+0,5)
- Para la probabilidad de que ocurra menos de X, se utilizar el rea por debajo de la
curva (X-0,5)

10

5) Anexos

11

12

13

6) Recomendaciones

14

7) Conclusiones

15

8) Bibliografia

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
http://www.uoc.edu/in3/emath/docs/Distrib_Normal.pdf

16