DISTRIBUCIÓN NORMAL

La gran mayoría de las técnicas usadas en estadística aplicada están basadas en la distribución
normal. Por eso, se considera esta distribución como una de las más importantes.

Definición 1. Una variable aleatoria 𝑋 se dice que es normal, o que está distribuida normalmente
con parámetros 𝜇 y 𝜎 2 , si su función de densidad está dada por

1 1
𝑓(𝑥) = exp �− (𝑥 − 𝜇)2 � , (1)
√2𝜋𝜎 2𝜎 2

donde −∞ < 𝑥 < +∞ y los parámetros 𝜇 y 𝜎 satisfacen −∞ < 𝜇 < +∞ y 𝜎 > 0.

La grafica de la ecuación (1) es una curva “acampanada” que es simétrica alrededor de 𝜇, como
se muestra en la figura 1:

Figura 1. Función de densidad normal

Los valores de 𝜇 y 𝜎 2 representan el valor promedio y la variación posible de 𝑋: 𝐸(𝑋) = 𝜇 y

Var(𝑋) = 𝜎 2 .

Si una variable aleatoria sigue una distribución normal podemos escribirlo con esta notación:
𝑋~𝒩(𝜇, 𝜎), donde 𝜎 es la desviación estándar.

La media de la distribución 𝜇 determina el centro de la gráfica de la función de densidad. Si

cambiamos la media la forma de la gráfica no cambia, simplemente se traslada a derecha o
izquierda.
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 pequeña la curva es más alta y estrecha. La dispersión de la variable es

menor.

𝑋−𝜇
Si 𝑋~𝒩(𝜇, 𝜎) entonces 𝑍 = ~𝒩(0,1). Es el caso especial cuando la media es igual a 0 y la
𝜎
varianza es 1. Juega un papel importante en los cálculos a través de un proceso que se llama
estandarización o tipificación de la variable. Sus funciones (ver la siguiente figura) de densidad (la
“campana”) y de distribución acumulada (de forma de 𝑺) se denotan por 𝜑(𝑧) y Φ(𝑧),
respectivamente. Es decir,

𝑧
1 𝑧2 1 𝑦2
𝜑(𝑧) = exp �− � , 𝑦 Φ(𝑧) = � exp �− � 𝑑𝑑
√2𝜋 2 √2𝜋 2
−∞
esta última se encuentra tabulada en la mayoría de los libros de estadística y en el dominio de
Internet.

Para valores no negativos de 𝑍 se tiene que Φ(−𝑧) = 1 − Φ(𝑧). Esto se debe a la simetría de la
distribución normal.
Para calcular los valores de la función de distribución acumulada se calcula el área bajo la curva
desde menos infinito hasta 𝑥. Se trata de una integral que, en el caso de la distribución normal,
sólo puede hacerse numéricamente.

Para calcular probabilidades con variables que siguen la distribución normal se usan tablas. Pero,
puesto que sería imposible tener una tabla para cada posible distribución normal, solamente la
tenemos para la distribución normal estándar, es decir, para la 𝒩(0,1).

Por lo tanto, se necesita transformar las variables 𝑋 "normales" 𝒩(𝜇, 𝜎) en variables 𝑍 que sigan
una distribución normal estándar 𝒩(0,1). Este proceso de llevar cualquier distribución normal a
una 𝒩(0,1) se llama "tipificación o estandarización de la variable".

Para tipificar o estandarizar una variable lo que se hace es restar la media 𝜇 y dividir por la
𝑋−𝜇
desviación típica 𝜎: 𝑍 = .
𝜎
Ejemplo 1: 𝑋~𝒩(8,1.5). Calcular 𝑃(𝑋 < 9).

𝑋−𝜇 9−8 1
𝑃(𝑋 < 9) = 𝑃 � < � = 𝑃 �𝑍 < � = 𝑃(𝑍 < 0.67).
𝜎 1.5 1.5

Ahora se usa la tabla de Valores de la función de distribución acumulativa normal estándar (la
Tabla D en el Apéndice del libro de G.Canavos, p.616). Pero también esa tabla se puede encontrar
en otros libros de estadística o en Internet.

Si se quiere calcular 𝑃(𝑍 < 0.67), se tiene que buscar 0.6 en las filas de la primera columna de la
tabla y luego la columna 0.07 (ver la primera fila) y se ve que en el cruce de la fila 0.6 y columna
0.07 lo que aparece es 0.7486, por tanto, 𝑃(𝑍 < 0.67) = 0.7486.

Si se quiere calcular 𝑃(𝑍 > 0.67), se aplican las propiedades de la probabilidad: 𝑃(𝑍 > 𝑎) = 1 −
𝑃(𝑍 ≤ 𝑎) ya que el suceso 𝑍 ≤ 𝑎 es suceso complementario del suceso 𝑍 > 𝑎.

Si se quiere calcular 𝑃(𝑎 < 𝑍 < 𝑏), se aplican las propiedades de la probabilidad y se obtiene que
𝑃(𝑎 < 𝑍 < 𝑏) = 𝑃(𝑍 < 𝑏) − 𝑃(𝑍 < 𝑎).

Tarea 1: Sea 𝑍 una variable aleatoria que sigue una distribución 𝒩(0,1). Halla las siguientes
probabilidades:
a) 𝑃(𝑍 ≥ 0.32)
b) 𝑃(𝑍 ≤ 0)
c) 𝑃(𝑍 > 0.7)
d) 𝑃(−0.51 < 𝑍 < 0.51)
e) 𝑃(𝑍 ≤ −1.45)
f) 𝑃(𝑍 > −2.63)

Tarea 2: En una distribución normal 𝒩(5, 2) calcula las siguientes probabilidades:

a) 𝑃(𝑋 ≤ 3.25)
b) 𝑃(𝑋 > 4.5)
c) 𝑃(𝑋 ≤ 7.2)
d) 𝑃(3 < 𝑋 ≤ 6)
Tarea 3: El tiempo necesario para que una ambulancia llegue a un centro sanitario se distribuye
según una variable normal de media 17 minutos y desviación típica 3 minutos. Calcula la
probabilidad de que el tiempo de llegada esté comprendido entre 13 y 21 minutos.

Tarea 4: El tiempo de vida de una bombilla sigue una distribución normal 𝒩(180, 15), donde el
tiempo se mide en horas. ¿Cuál es la probabilidad de que al comprar una bombilla, luzca más de
195 horas? ¿Y menos de 170?

PROCEDIMIENTO PARA ENCONTRAR EL CUANTIL DE UNA NORMAL

Ejemplo 2: Sea 𝑋~𝒩(100, 20) Si se quiere encontrar el valor de 𝑥 que corresponde a la siguiente
probabilidad: 𝑃(𝑋 < 𝑥) = 0.9370.

Para obtener el valor de 𝑥, primero se busca en la tabla de la distribución Normal estándar (Tabla
D en el libro de G.Canavos) la probabilidad 0.9370 (ó más cercana a 0.9370). Una vez que se
encuentra este valor, se toman los correspondientes valores de la fila y la columna para encontrar
el valor de 𝑧. En este caso a la probabilidad 0.9370 corresponde al cruce de la fila 1.5 y la columna
0.03, por lo tanto, 𝑧 = 1.53. Luego se aplica la expresión 𝑥 = 𝜇 + 𝑧𝜎. Esta expresión convierte el
cuantil de la normal estándar 𝑧 al cuantil de una distribución normal 𝑥 con parámetros 𝜇 y 𝜎.

Continuando el ejercicio, se obtiene el resultado final: 𝑥 = 100 + 1.53 ∙ 20 = 130.6.

Si se quiere encontrar el valor de 𝑥 que corresponde a la siguiente probabilidad: 𝑃(𝑋 > 𝑥) =

0.9370. Primero se calcula la probabilidad del complemento, es decir,
𝑃(𝑋 < 𝑥) = 1 − 𝑃(𝑋 > 𝑥) = 1 − 0.9370 = 0.0630.
Luego se busca el valor de probabilidad 0.0630 en la tabla para determinar el correspondiente
cuantil 𝑧. Consultando la tabla se obtiene 𝑧 = −1.53. Y luego aplicando la expresión de conversión
se obtiene finalmente: 𝑥 = 100 − 1.53 ∙ 20 = 69.4.

Tarea 5: Sea 𝑋~𝒩(25, 10) Si se quiere encontrar el valor de 𝑥 que corresponde a la siguiente
probabilidad:
a) 𝑃(𝑋 < 𝑥) = 0.1251
b) 𝑃(𝑋 < 𝑥) = 0.9382
c) 𝑃(𝑋 > 𝑥) = 0.3859
d) 𝑃(𝑋 > 𝑥) = 0.8340

APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL

Si 𝑋𝑛 denota el número de éxitos que ocurren cuando se desarrollan 𝑛 pruebas independientes,

cada una con probabilidad de éxito 𝑝 entonces para a<b

𝑋𝑛 − 𝑛𝑛
𝑃 �𝑎 ≤ ≤ 𝑏� ≈ Φ(𝑏) − Φ(𝑎), cuando 𝑛 → ∞, (2)
�𝑛𝑛(1 − 𝑝)

donde Φ(𝑏) = 𝑃(𝑍 ≤ 𝑏) y Φ(𝑎) = 𝑃(𝑍 ≤ 𝑎), es decir Φ(𝑧) es la función de distribución
acumulativa Normal estándar, que se encuentra en la tabla. Esta aproximación es buena cuando
𝑛𝑛(1 − 𝑝) ≥ 10.
Ejemplo 3: Suponga que se lanzan dos dados legales 400 veces. Si 𝑋 denota el número de veces
que la suma 7 ocurre, encontrar 𝑃(70 < 𝑋 < 100).

6 1
Solución: Al lanzar dos dados legales la probabilidad que la suma sea 7 es = . Luego 𝑋, el
36 6
número de veces que la suma 7 ocurre, tiene una distribución binomial con parámetros 𝑛 = 400 y
𝑝 = 1/6.

Puesto que 𝑛𝑛(1 − 𝑝) = 55.55 > 10, entonces se puede obtener la probabilidad requerida
usando la expresión (2), es decir,

70 − 𝑛𝑛 𝑋 − 𝑛𝑛 100 − 𝑛𝑛
𝑃(70 < 𝑋 < 100) = 𝑃 � ≤ ≤ �
�𝑛𝑛(1 − 𝑝) �𝑛𝑛(1 − 𝑝) �𝑛𝑛(1 − 𝑝)

70 − 66.66 𝑋 − 66.66 100 − 66.66

= 𝑃� ≤ ≤ �
√55.55 √55.55 √55.55

≈ Φ(4.47) − Φ(0.45) = 1 − 0.6736 = 0.3264.

Los valores de Φ(4.47) y Φ(0.45) se obtienen consultando la tabla mencionada.

Tarea 6: Un dado legal se lanza mil veces. Calcular una aproximación a la probabilidad que el
número 6 aparezca entre 150 y 200 veces.