Documentos de Académico
Documentos de Profesional
Documentos de Cultura
7 Distribucion Normal PDF
7 Distribucion Normal PDF
Distribución normal
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 .
( x −μ) 2
1 −
N (μ, σ) = P( x) = e 2σ 2
(σ > 0)
σ 2π
Puntos
de
inflexión
−∞ σ σ +∞
µ - σ µ, Mo, Mn µ + σ 4
Distribución normal con µ =0 para varios valores σ
1.6
1.2 σ=0.25
σ=0.5
σ=1
p(x) 0.8
0.4
0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x 5
( x −μ) 2
1 −
N (μ, σ) = P( x) = e 2σ 2
(σ > 0)
σ 2π
σ=5 σ=5
σ = 10
• Podemos interpretar la
media como un factor de
traslación.
• Y la desviación típica
como un factor de escala,
grado de dispersión,…
7
N(μ, σ): 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%
σ 2π
Podemos obtener la función de
distribución F(x) integrando la
función de densidad de probabilidad:
95%
68%
99%
68%
95%
99% z
-3 -2 -1 0 1 2 3 11
Tipificación
• Dada una variable de media μ y desviación típica
σ, 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:
x−µ
z=
σ
• En el caso de variable X normal, la interpretación es clara:
asigna a todo valor de N(μ, σ), 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. 12
13
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).
–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).
16
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 17
18
La tabla consta de: *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
0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....
19
EJEMPLOS:
1.-¿Cuál es la probabilidad de que un
valor de z esté entre 0 y -2.03?
20
Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
?
z
-3 -2 -1 0 1 2 3
21
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 0.47882
2.1
47. 88%
z
-3 -2 -1 0 1 2 3
22
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% 47.88%
z
-3 -2 -1 0 1 2 3
23
Ejemplo 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
50%
39.44%
10.56%
? z
-3 -2 -1 0 1 2 3
24
Ejemplo 4
Hallar P( -0.34 < z < ∞ )
P(0 < z <0.34) = 0.13307 = 63.31%
P(-0.34 < z < 0)
P (0 < z < ∞ ) = 0.50000
P( -0.34 < z < ∞) =
0.13307 + 0.50000 = 0.63307
13.31% 50%
-3 -2 -1 0 1 2 3 25
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%
z
-3 -2 -1 0 1 2 3
26
EJEMPLO
27
µ=4 σ = 1.5 Hallar P ( x > 6 )
x−μ
1.- transformar x en un valor de z z=
z = (6 - 4)/1.5 = 1.33 σ
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 = 0.5
0.40824
0.09176
? x
-0.5 1 2.5 4 5.5 6 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
28
Hasta ahora vimos como dado un valor x de la variable, hallar
probabilidades transformando (estandarización) la variable en
valores de x-µ
z=
σ
¿Cómo hallar un valor de x, dada la probabilidad?
Se debe desestandarizar :
x=zσ+µ
0.5000 - 0.382 = 0.118 Se busca en la
tabla el valor más aproximado:0.1179
corresponde a z =+ 0.30 38.20%
Sustituyendo en la fórmula
0.30 ∙ 2 + 4 = 4.60 29
x=?
4.60
30
• Nota: Cuando n > 20, np ≥ 5, y n(1-p) ≥ 5 la
distribución binomial puede aproximarse por una
normal con
µ = np
=σ np (1 − p )
31
32
33
En una empresa se ha visto que en un 10% de sus facturas se
cometen errores y se desea calcular la probabilidad que de
100 facturas, 12 de ellas los contengan:
=µ 100(.10)
= 10
σ= np (1 − p=
) 3
z1 12.5 − 10.0
z2 =
z1 = 0.83 ⇒ 0.2967
3
11.5 − 10
=
z2 = 0.5 ⇒ 0.1915
3
43
44
45
46