1

UNIVERSIDAD DE ACONCAGUA DISTRIBUCIÓN NORMAL

PROBABILIDAD Y ESTADÍSTICA
Para variables aleatorias continuas X, la función de probabilidad es denominada Función de
FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD PARA VARIABLE densidad de probabilidad, es una función continua y la probabilidad está dada por el área
CONTINUA bajo la curva de la función.

La función de distribución de probabilidad F(x) asocia a cada valor de x la probabilidad La distribución más importante dentro de las distribuciones continuas es la distribución
acumulada, es decir 𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙). normal.

La probabilidad de que la variable esté comprendida en el intervalo [𝑎, 𝑏] Es un modelo matemático, que recibe su nombre debido a que en cierto momento se pensó
Está dada por el área bajo la curva de la función entre los puntos a y b. que la mayoría de los fenómenos estaban distribuidos de dicha manera. Esta distribución
permite representar fenómenos estadísticos de manera probabilística.

El gráfico de la función de densidad de una variable aleatoria con distribución normal es

similar al grafico de la figura, es decir tiene una forma conocida como Campana de Gauss,
y es simétrico con respecto a la media (𝜇). Esta distribución queda definida por dos
parámetros: la media y la desviación estándar y se denota por 𝑿 ~ 𝑵(𝝁 , 𝝈)

Propiedades:

1. Como f(x) es una probabilidad, se cumple que 0 ≤ 𝐹(𝑥) ≤ 1.

2. Si 𝑎 < 𝑏 , entonces 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎). Características:
§ El campo de existencia es cualquier valor real, es decir, (-∞, +∞).
3. 𝑃(𝑋 > 𝑎) = 1 − 𝑃(𝑋 ≤ 𝑎) = 1 − 𝐹(𝑎).
§ Es simétrica respecto a la media µ.
4. 𝑃(𝑋 = 𝑎) = 0 , es decir la probabilidad que la variable tome exactamente un valor § La media, moda y mediana coinciden..
es igual a cero. § En los puntos µ − σ y µ + σ presenta puntos de inflexión.
5. 𝑃(𝑋 < 𝑎) = 𝑃(𝑋 ≤ 𝑎). § El eje de abscisas es una asíntota de la curva.
§ El área del recinto determinado por la función y el eje de abscisas es igual a la
Observación: unidad.
En el caso de variable aleatoria continua la función de distribución de probabilidad es una § Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la
función continua. izquierda y otra igual a 0.5 a la derecha.
§ La probabilidad equivale al área encerrada bajo la curva.
 2

Intervalos de una Distribución Normal

Gráficamente
En el intervalo [𝜇 − 𝜎, 𝜇 + 𝜎 ] el área
encerrada es 0,6826 es decir, 68,26%
del total
La probabilidad de la variable X
dependerá del área del recinto sombreado en la figura. Y para calcularla utilizaremos la
siguiente tabla.

En el intervalo [𝜇 − 2𝜎, 𝜇 + 2𝜎] el área

encerrada es 0,9544 es decir, 95,44%
del total

En el intervalo [𝜇 − 3𝜎, 𝜇 + 3𝜎] el área

encerrada es 0,9973 es decir, 99,73%
del total

DISTRIBUCIÓN NORMAL ESTÁNDAR

La distribución normal estándar, o tipificada o reducida, es aquella que tiene por media el
valor cero, μ =0, y por desviación típica la unidad, σ =1. Se denota por 𝑋~𝑁(0,1)

Por ser la gráfica simétrica respecto 𝜇 = 0, entonces se cumple 𝑃(𝑋 ≤ −𝑥! ) = 𝑃(𝑋 ≥ 𝑥! )
3
Tipificación de la variable

Para encontrar la probabilidad 𝑃(𝑋 < 𝑥" ) en una distribución normal, no estándar, es
necesario estandarizar 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 𝑍~𝑁(0,1)

Entonces la probabilidad en términos de la variable X puede calcularse en términos de Z, de

la siguiente manera.

#$%
𝑃(𝑋 ≤ 𝑥) = 𝑃 <𝑍 ≤ =
&

Cálculo de probabilidades en la distribución normal

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

EJEMPLOS:

1. P( Z < a )

Ejemplo: P( Z £ 1,47) = 0,9292

2. P( Z > a ) = 1 - P( Z < a )

Ejemplo: P( Z > 1,47) = 1 - P( Z £ 1,47) = 1 - 0,9292 = 0,0708

 4
6. P ( -b < Z £ - a ) = P ( a < Z £ b)
3. P( Z £ -a ) = 1 - P( Z £ a )
Ejemplo:
Ejemplo: P( Z £ -1,47) = 1 - P( Z £ 1,47) = 1 - 0,9292 = 0,0708
P( -1,47 < Z £ -0,45) = P(0,45 < Z £ 1,47) = P( Z £ 1,47) - P( Z £ 0,45) = 0,9292 - 0,6736 = 0,2556

4. P( Z > -a ) = P( Z £ a )
7. P(-a < Z £ b) = P(Z £ b) - [1 - P(Z £ a)]

Ejemplo: P( Z > -1,47) = P( Z £ 1,47) = 0,9292 Ejemplo:

P(-1,47 < Z £ 0,45) = P(Z £ 0,45) - [1 - P( Z £ 1,47)] = 0,6736 - (1 - 0,9292) = 0,6028

5. P ( a < Z < b) = P ( Z £ b) - P ( Z £ a )

Ejemplo: P(0,45 < Z £ 1,47) = P( Z £ 1,47) - P( Z £ 0,45) = 0,9292 - 0,6736 = 0,2556

 5
ASIMETRIA:

§ La asimetría es positiva cuando la mayoría de los datos se encuentra por encima del
valor de la media.
X > Me > Mo
§ La curva es simétrica cuando los datos se distribuyen aproximadamente la misma
cantidad de valores en ambos lados de la media.
X = Me = Mo
§ La asimetría§es negativa cuando la mayor cantidad de datos se aglomeran en los
valores menores que la media.
X < Me < Mo
§
Asimetría Negativa Asimetría Positiva