Distribución normal o de Gauss

La distribución normal fue reconocida por primera vez por el francés Abraham
de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855)
elaboró desarrollos más profundos y formuló la ecuación de la curva; de ahí
que también se le conozca, más comúnmente, como la "campana de Gauss"

Definición: Se dice que la v.a continua X es una v.a. normal con parámetros µ
y σ ² si su función de densidad es:
2
(x−μ )
1 2σ
2

f ( x )= e
σ √2 π
Se denota X~ N(µ,σ²) y se dice X se distribuye normal con parámetrosµ

Objetivó General
Lograr que los estudiantes de este curso de probabilidades, puedan utilizar la distribución
normal para obtener probabilidades de valores puntuales, intervalos y cantidades
específicas, utilizando la normal estándar.
 Objetivos Específicos:

 Identificar las propiedades de una distribución normal.

 Estudiar una de las distribuciones de probabilidad de variables continuas que con

más frecuencia aparecen en fenómenos reales.

 Conocer los movimientos de la campana de Gauss.

 Identificar la fórmula de la distribución Normal

 Entender las probabilidades como base para disminuir el riesgo en la toma de

decisiones

Una distribución normal de media μ y desviación típica σ se designa

por N(μ, σ). Su gráfica es la campana de Gauss:
El área del recinto determinado por la función y el eje de abscisas  es igual a
la unidad.

Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5

a la izquierda y otra igual a 0.5 a la derecha .

La probabilidad equivale al área encerrada bajo la curva.

Propiedades

 Tiene una única moda, que coincide con su media y su mediana (aproximadamente).
 La curva normal es asintótica al eje de las abscisas. Por ello, cualquier valor entre
menos infinito e infinito es teóricamente posible. El área bajo la curva normal es
igual a la unidad.
 La curva normal es asintótica al eje de abscisas. Por ello, cualquier valor entre -∞ y
+∞ es teóricamente posible. El área total bajo la curva es, por tanto, igual a 1.
 El área bajo la curva comprendida entre los valores situados aproximadamente a dos
desviaciones estándar de la media es igual a 0.95. En concreto, existe un 95% de
posibilidades de observar un valor comprendido en el intervalo La forma de la
campana de Gauss depende de los parámetros µ y desviación estándar. La media
indica la posición de la campana, de modo que para diferentes valores de µ la
gráfica es desplazada a lo largo del eje horizontal. Por otra parte, la desviación
estándar determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor
de la desviación estándar, más se dispersarán los datos en torno a la media y la
curva será más plana. Un valor pequeño de este parámetro indica, por tanto, una
gran probabilidad de obtener datos cercanos al valor medio de la distribución.

Distribución normal estándar N(0, 1)

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

tiene por media el valor cero, μ =0, y pordesviación típica la unidad, σ =1.
La probabilidad de la variable X dependerá del área del recinto sombreado
en la figura. Y para calcularla utilizaremos una  tabla .

Tipificación de la variable

Para poder utilizar la tabla tenemos que transformar la variable  X que sigue
una distribución N(μ, σ) en otra variable Z que siga una distribución N(0,
1).

Cálculo de probabilidades en distribuciones normales

La tabla nos da las probabilidades de P(z ≤ k), siendo z la variable

tipificada.

Estas probabilidades nos dan la función de distribución Φ(k).

Φ(k) = P(z ≤ k)

Búsqueda en la tabla de valor de k

Unidades y décimas en la columna de la izquierda.

Céntesimas en la fila de arriba.

P(Z ≤ a)
P(Z > a) =  1 - P(Z ≤ a)

P(Z ≤ −a) = 1 −  P(Z ≤ a)

P(Z > −a) =  P(Z ≤ a)

P(a < Z ≤ b )  =  P(Z ≤ b)  −  P(Z ≤ a)

P(−b < Z ≤ −a ) = P(a < Z ≤ b )

Nos encontramos con el caso inverso a los anteriores, conocemos el valor de

la probabilidad y se trata de hallar el valor de la abscisa. Ahora tenemos que
buscar en la tabla el valor que más se aproxime a K.
P(−a < Z ≤ b ) = P(Z ≤ b) − [ 1 − P(Z ≤ a)]

p=K

Para calcular la variable X nos vamos a la fórmula de la tipificación.

Aproximación de la binomial por la normal: Teorema de Moivre

Si: n·p ≥ 0 y n·q ≥ 0.

La distribución binomial B(n,p) se puede aproximar mediante

una distribución normal:

Distribución binomial

La distribución binomial es una distribución de probabilidad discreta que mide el número

de éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, con una
probabilidad fija p de ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli
se caracteriza por ser dicotómico, esto es, sólo son posibles dos resultados. A uno de estos
se denomina éxito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribución binomial el anterior experimento se repite n veces,
de forma independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de Bernoulli.

Para representar que una variable aleatoria X sigue una distribución binomial de

parámetros n y p, se escribe:

La distribución binomial es la base del test binomial de significación estadística.

n es el número de pruebas.

k es el número de éxitos.

p. es la probabilidad de éxito.

q es la probabilidad de fracaso.

El número combinatorio  

Media : Varianza :

Desviación típica:

 
Las características de esta distribución son:

a)      En los experimentos que tienen este tipo de distribución, siempre se esperan dos tipos
de resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados
arbitrariamente “éxito” (que es lo que se espera que ocurra) o “fracaso” (lo contrario del
éxito).
b)      Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir
no cambian.
c)      Cada uno de los ensayos o repeticiones del experimento son independientes entre sí.
d)      El número de ensayos o repeticiones del experimento (n) es constante.
 
Experimento binomial
Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de
los experimentos es independiente de los restantes (la probabilidad del resultado de un
experimento no depende del resultado del resto). El resultado de cada experimento ha de
admitir sólo dos categorías (a las que se denomina éxito y fracaso). Las probabilidades de
ambas posibilidades han de ser constantes en todos los experimentos (se denotan
como p y q o p y 1-p).
Se designa por X a la variable que mide el número de éxitos que se han producido en
los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una distribución de
probabilidad binomial, y se denota B(n,p).

DISTRIBUCIÓN  DE  POISSON.

La distribución de Poisson parte de la distribución binomial:

Cuando en una distribución binomial se realiza el experimento un número "n" muy elevado
de veces y la probabilidad de éxito "p" en cada ensayo es reducida, entonces se aplica el
modelo de distribución de Poisson:

Se tiene que cumplir que:

" p " < 0,10

" p * n " < 10

Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o
producto, la fórmula a utilizar sería:

 La distribución de Poisson sigue el siguiente modelo:

ʎ x eʎ
p ( x, ʎ   ) =                                                           
x!
Dónde:

p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de

ellos es l

l = media o promedio de éxitos por unidad de tiempo, área o producto

e = 2.718

x = variable que nos denota el número de éxitos que se desea que ocurra
 
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de
tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es
independiente de otro intervalo dado, así como cada área es independiente de otra área dada
y cada producto es independiente de otro producto dado.

 
Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de área,
tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a  un puerto por día, mes, etc, etc.

 
  Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin
fondos en cualquiera de dos días consecutivos?
 
 
Solución:

a)      x = variable que nos define el número de cheques sin fondo que llegan al banco en un
día cualquiera = 0, 1, 2, 3, ....., etc, etc.
 = 6 cheques sin fondo por día
 = 2.718
 

                           
 
 
b)x= variable que nos define el número de cheques sin fondo que llegan al banco en dos
días consecutivos = 0, 1, 2, 3, ......, etc., etc.
 = 6 x 2 = 12 cheques sin fondo en promedio que  llegan al banco en dos días consecutivos
Nota:  siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar”
de lo mismo que x.
 
                         
 
2. En la inspección de hojalata producida por un proceso electrolítico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de
identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5 minutos,
c) cuando más una imperfección en 15 minutos.
Solución:
a)      x = variable que nos define el número de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3, ...., etc., etc.
 = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
 
                       

 
b)      x = variable que nos define el número de imperfecciones en la hojalata por cada 5
minutos = 0, 1, 2, 3, ...., etc., etc.
 = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
 
                    

 
                  =1-(0.367918+0.367918) = 0.26416
 
c)      x = variable que nos define el número de imperfecciones en la hojalata por cada 15
minutos = 0, 1, 2, 3, ....., etc., etc.
 = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
 
           

 
         =0.0498026 + 0.149408 = 0.1992106