La Distribución Normal

En 1733, Abraham DeMoivre desarrollo la ecuación matemática de la curva normal.

Proporciona una base sobre la que se fundamenta gran parte de la teoría de la
estadística inductiva. La distribución normal a menudo se denomina distribución
gaussiana, en honor de Karl Friedrich Gauss (1777-1855), quien derivo su ecuación a
partir de un estudio de errores en mediciones repetidas de la misma cantidad.
La distribución continua de probabilidad más importante en todo el campo de
estadística es la distribución normal. Su gráfica, se denomina curva normal, es la curva
con forma de campana, la cual describe aproximadamente muchos fenómenos que
ocurren en la naturaleza, la industria, y la investigación. Las mediciones físicas en
áreas como los experimentos meteorológicos, estudios de lluvia y mediciones de partes
fabricadas a menudo se explican más que adecuadamente con una distribución normal.
Además, los errores en las mediciones científicas se aproximan extremadamente bien
mediante una distribución normal.

Grafica de la distribución normal o también conocida

como distribución gaussiana

La función de distribución de la distribución normal está definida como sigue:

La distribución normal también es importante por su relación con la estimación
por mínimos cuadrados, uno de los métodos de estimación más simples y antiguos.
Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el modelo
de la normal son:

 caracteres morfológicos de individuos como la estatura;

 caracteres fisiológicos como el efecto de un fármaco;
 caracteres sociológicos como el consumo de cierto producto por un mismo grupo de
individuos;
 caracteres psicológicos como el cociente intelectual;
 nivel de ruido en telecomunicaciones;
 errores cometidos al medir ciertas magnitudes;
 etc.

Ejemplo 1: Calcular las probabilidades en distribución normales

La temperatura durante septiembre está distribuida normalmente con media de 18.7 ⁰C

y la desviación estándar 5 ⁰C. Calcule la probabilidad de que la temperatura durante
septiembre este por debajo del 21 ⁰C.

Resolucion:

µ=18,7 ⁰C 𝜎 =5 ⁰C X=21 ⁰C

𝑥−µ 21−18.7 2.3

𝑧= = = = 0.46
𝜎 5 5
Ahora vamos a la tabla y para el valor de Z=0.46 tenemos que la probabilidad es de
0,6772.

Justamente, esta tabla nos proporciona la probabilidad desde que ocurran sucesos
menores que Z=0,46. Esto es, la probabilidad de que ocurran sucesos desde menos
infinito hasta el valor de Z de 0,46 es 0,6772. Esto es un 67.72%.
 Distribución Estándar o Tipificada

La distribución normal estándar, o tipificada o reducida, es aquella que tiene

por media el valor cero, μ = 0, y por desviación típica la unidad, σ =1
Su función de densidad es: f(x)

La distribución de la variable Z, es una distribución normal, a esta se le llama la

distribución normal estándar o tipificada.

1 𝑥2
−
𝑓(𝑥) 𝑒 2
√2π
𝑥𝑖 − μ
𝑍=
σ

Donde:

 xi es la observación que estamos queriendo analizar

 µ es el valor de la media de la población (puede ser estimada de la muestra)
 σ es el valor de la desviación estándar de la población (puede ser estimada de la
muestra si n es muy grande)

Estandarizar o tipificar es un procedimiento que facilita la comparación entre:

- Los valores de dos distribuciones distintas.

- Los valores de variables con unidades distintas

- Reconocimiento de valores atípicos o dentro de ciertos valores de acuerdo a la regla empírica

Una variable está tipificada o estandarizada cuando a sus valores se les resta su media aritmética y se
les divide por su desviación estándar
Ejemplo numero 1

Si nos dicen que una población tiene una media de 23 y una desviación estándar de 3.5,
encontrar la calificación Z de

a) 26.6 b) 16 c) 19.5 d) 29:

Solución:

a) 26.6
26.6 − 23
𝑍= = 1.03
3.5
 Lo que significa que 26.6 está a 1.03 desviaciones estándar a la derecha de la media
(porque es positivo).

b) 16
16 − 23
𝑍= = −2
3.5
 Lo que significa que la observación está a 2 desviaciones estándar a la izquierda de
la media (porque es negativo).

c) 19.5

𝑍 = ( 16 − 23)/3.5 = −1

d) 29 Z= (16-23)/3.5=1.72
 Distribución T

La distribución de Student fue descrita en 1908 por William Sealy Gosset. Gosset
trabajaba en una fábrica de cerveza, Guinness, que prohibía a sus empleados la
publicación de artículos científicos debido a una difusión previa de secretos
industriales. De ahí que Gosset publicase sus resultados bajo el seudónimo de Student.

La distribución t es una distribución de variabilidad que surge del problema

de estimar la media de una población normalmente distribuida cuando el tamaño de la
muestra es pequeño.
Aparece de manera natural al realizar la prueba t de Student para la determinación de
las diferencias entre dos varianzas muestrales y para la construcción del intervalo de
confianza para la diferencia entre las partes de dos poblaciones cuando se desconoce
la desviación típica de una población y ésta debe ser estimada a partir de los datos de
una muestra.

Sea X una variable aleatoria cuya función de distribución es X ² con n grados de

libertad, y sea Y otra variable aleatoria, independiente de X, que sea normal N(0,1).
Interesa muchas veces la variable aleatoria:

Y
T=
√x⁄n

donde Y es una variable aleatoria distribuida según una normal tipificada.

X es una variable continua que sigue una distribución X ² con n grados de
libertad.
Y y X son independientes.

La apariencia general de la distribución t es similar a la distribución normal estándar:

ambas son simétricas y unimodales, y el valor máximo de la ordenada se alcanza en la
media igual a cero. Sin embargo, la distribución t tiene colas más amplias que la
normal; esto es, la probabilidad de las colas es mayor que en la distribución normal.
Propiedades de la distribución t:
1. Cada curva tiene forma de campana con centro en 0
2. Cada curva t, está más dispersa que la curva normal estándar.
3. A medida que k aumenta, la dispersión de la curva t correspondiente disminuye.
4. A medida que k tiende a infinito, la secuencia de curvas t se aproxima a la curva
normal estándar.
Ejemplo 1: Un fabricante de focos afirma que su producto durara un promedio de 500
horas de trabajo. Para conservar este promedio esta persona verifica 25 focos cada
mes. Si el valor y calculado cae entre -t 0.05 y t 0.05, él se encuentra satisfecho con
esta afirmación. ¿Qué conclusión deberá el sacar de una muestra de 25 focos cuya
duración fue?:

Solución: