DISTRIBUCION NORMAL

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.

Aproximación normal a la distribución Binomial

En algunos casos, una distribución Binomial puede aproximarse con una distribución Normal con la misma media y
varianza.
La función de densidad de una distribución normal tiene forma de campana. Es simétrica en torno a
la media. El área total bajo la curva es 1 (como corresponde a una función de densidad).

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).

Aumentando la desviación estándar (si no modificamos la media, el centro de la gráfica no cambia)

la forma de la curva cambia. La curva se hace más ancha y menos alta, es decir, la dispersión
aumenta. Cuanto mayor es la desviación estándar mayor es la
dispersión de la variable.

Si la desviación estándar es peque ña la curva es más alta y estrecha. La dispersión de la variable

es menor.

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.

El caso particularmente importante es el de la distribución normal estándar. Usamos tablas y

ordenadores para hacer estos cálculos. Una notación habitual para este caso de la función de
distribución es:

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:

1. E n ca da p ru eba del e xp e ri men t o s ól o s on p o si bl es d o s

re s u lt a do s : é x i to y f r ac a so .
 2. La probabil i d ad de éx ito es constante , es deci r, qu e
n o v a rí a d e u n a p ru eb a a ot r a. S e r ep r e s en ta p o r p .

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)

Cálculo de probabilidades en una distribución binomial

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:

1. ¿ Cu ál e s l a p r ob abi li dad d e qu e el g ru p o h a yan l ei d o l a

n o v el a 2 p e r s on a s ?

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

La p r oba bi l i dad d e q u e u n a rtí cu l o p r odu ci do p o r u n a

fab ri c a s ea d e f e ctu o s o e s 0 .02 . S e e n vi ó u n c ar gam e n t o d e

10. 000 a rtí cu l o s a u n o s al ma ce n es . Hal lar el n ú m e r o es p e ra do

de a rtí cu l o s d e f ec tu o s os , l a va ri an z a y l a d e s vi aci ón tí pi ca.

TEOREMA DEL LIMITE CENTRAL

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.

Si una población tiene media μ y desviación típica σ, y tomamos muestras de

tamaño n (n > 30, ó cualquier tamaño si la población es "normal"), las medias de
estas muestras siguen aproximadamente la distribución:

Consecuencias

1. Permite averiguar la probabilidad de que la media de una muestra concreta esté

en un cierto intervalo.

2. Permite calcular la probabilidad de que la suma de los elementos de una muestra

esté, a priori, en un cierto intervalo.

3.Inferir la media de la población a partir de una muestra.

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.