Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribución Normal
La distribución normal es un ejemplo importante referido a una variable aleatoria continua (la
variable puede tomar cualquier valor real)
Podemos usar la distribución normal como una herramienta para calcular probabilidades. Por
ejemplo, puede usarse para aproximar la distribución binomial (calcular probabilidades de la
distribución binomial con números 'grandes' no ha sido tarea sencilla). Esta propiedad está en el
origen de la curva normal.
La densidad está concentrada en torno a la media y se hace muy pequeña conforme nos alejamos del
centro por la derecha o la izquierda (las 'colas' de la distribución). Cuanto más alejado es el valor
del centro de la función de densidad menos probable es observar ese valor.
Dos parámetros determinan una dis tribución normal: la media y la desviación estándar. Por tanto,
puede ser adecuado hablar de las distribuciones normales, en plural, y decir que son una familia
biparamétrica de distribuciones. Luego veremos que la más simple de ellas juega un papel destac ado.
Si una variable aleatoria sigue una distribución normal podemos escribirlo con esta notación:
La media de la distribución determina el centro de la gráfica de la función de densidad.
Si cambiamos la media la forma de la gráfica no cambia, simpleme nte se traslada a derecha o
izquierda.
La función de densidad tiene dos puntos de inflexión que están localizados a una distancia de la
media de una desviación típica (más y menos).
El ejemplo más sencillo es la llamada distribución normal estándar. Es el caso especial cuando la
media es igual a 0 y la varianza es 1.
Juega un papel importante en los c álculos a través de un proceso que llámanos estandarización o
tipificación de la variable.
La función de distribución (a veces se añade la palabra 'acumulada') tiene forma de S. A cada valor
de x le corresponde la probabilidad de que la variable aleatoria X tome valores menores o iguales
a x. A partir de la función de densidad (en nuestro caso, la 'campana'), para calcular los valores de
la función de distribución se calcula el área bajo la curva desde menos infinito hasta x. Se trata
de una integral que, e n el caso de la distribución normal, sólo puede hacerse numéricamente.
La media está representada por un triángulo y se puede interpretar como un punto de equilibrio. Al
arrastrarlo se modifica también la media.
Arrastrando el punto sobre la curva (que es uno de los dos puntos de inflexión de l a curva) se
modifica la desviación típica.
Podemos ver la función de distribución acumulada y cómo cambia al modificar la media (simple
traslación) y la desviación típica (reflejando la mayor o menor dispersión de la variable).
Los puntos rojos controlan l a escala vertical y horizontal de la gráfica.
La distribución normal fue estudiada por Gauss (1809) en relación con la distribución de los errores
en medidas astronómicas. Por este motivo se usa a veces el término 'campana de Gauss' para
referirnos a la fu nción de densidad. Dos antecedentes importantes son de Moivre(1738) y Laplace
(1774)
DISTRIBUCION BINOMIAL
Un a d i st r ib uc i ón b i no m i al o d e Be r no u ll i ti en e l as
si gu i en t es ca r act e rí sti ca s:
3. La p r ob a b il i d ad de fr a c a so ta mbi én es c o ns t an te , S e
r ep r e s en ta p o r q ,
q = 1 − p
3. El re s u lt ad o obt en i do en cad a p ru e b a
e s i nd e pe n d ie nt e d e l os r e su l tad o s obt en i do s an t e ri o r m en t e .
5. La v a r i ab l e al e a to ri a b in om i a l , X , e xp r e sa el n úm e ro
de éx it os ob te n id o s en l as n p ru eba s . P or t an t o, l o s v al o r e s
qu e pu e de t o ma r X s on : 0 , 1, 2, 3, 4, . .., n .
La d i st r ib u ci ó n b i mo mi a l s e e xp r e sa po r B( n, p)
n e s el n ú m e r o d e p ru eb as .
k e s el n ú m er o d e é xi to s.
p e s l a p r ob abi l i dad d e é xi to .
q e s l a p r ob abi l i dad d e f ra c as o .
El n ú mero combi n atori o
Ejemplo
La ú l ti ma n ov el a d e u n au t o r h a t en i d o u n g ran é xi to , h as ta
el pu n t o d e qu e el 8 0% d e l o s l ect o r e s y a l a h an l ei do . Un g ru p o
de 4 a mi go s s on a fi ci on a d os a l a l e ctu r a:
n = 4
p = 0 .8
q = 0 .2
B(4 , 0. 8)
2. ¿Y c óm o má xi mo 2?
Parámetros de la distribución binomial
Media
Varianza
Desviación t ípica
Ejemplo
El teorema del límite central o teorema central del límite indica que, en condiciones muy
generales, si Sn es la suma de n variables aleatorias independientes y de varianza no nula pero
finita, entonces la función de distribución de Sn «se aproxima bien» a una distribución
normal (también llamada distribución gaussiana, curva de Gauss o campana de Gauss). Así
pues, el teorema asegura que esto ocurre cuando la suma de estas variables aleatorias e
independientes es lo suficientemente grande.
Consecuencias
Ejemplos
Las bolsas de sal envasadas por una máquina tienen μ = 500 g y σ = 35 g. Las bolsas
se empaquetaron en cajas de 100 unidades.
1.Calcular la probabilidad de que la media de los pesos de las bolsas de un paquete
sea menor que 495 g.
2. Calcular la probabilidad de que una caja 100 de bolsas pese más de 51 kg.