REPUBLICA BOLIVARIANA DE VENEZUELA

UNIVERIDAD POLITECNICA TERRITORIAL

“JOSE ANTONIO ANZOÁTEGUI”
EXTENSIÓN ANACO

DISTRIBUCION DE GAUSS

Prof.: Widenny Martínez. AUTORES:

Santana Yessika. Ci: 20.712.589

Morey Robinson. Ci: 21.399.094
III TRAYECTO ADM. NOCT.

Anaco, Abril 2018

DISTRIBUCION DE GAUSS
 Es el modelo continuo más importante en estadística, tanto por su
aplicación directa, veremos que muchas variables de interés general
pueden describirse por dicho modelo, como por sus propiedades, que han
permitido el desarrollo de numerosas técnicas de inferencia estadística. En
realidad, el nombre de Normal proviene del hecho de que durante un
tiempo se creyó, por parte de médicos y biólogos, que todas las variables
naturales de interés seguían este modelo.

Su función de densidad viene dada por la fórmula:

que, como vemos, depende de dos parámetros μ (que puede ser cualquier
valor real) y σ (que ha de ser positiva). Por esta razón, a partir de ahora
indicaremos de forma abreviada que una variable X sigue el modelo
Normal así: X ~ N(μ, σ). Por ejemplo, si nos referimos a una distribución
Normal con μ = 0 y σ = 1 lo abreviaremos N(0, 1).

La distribución normal es de vital importancia en estadística por tres

razones principales:

 Muchas variables continuas comunes en el mundo de los negocios

tienen distribuciones que se asemejan estrechamente a la
distribución normal.

 Ladistribución normal sirve para acercarse a diversas distribuciones

de probabilidad discreta, como la distribución binomial y la
distribución de Poisson.

 La distribución normal proporciona la base para la estadística

inferencial clásica por su relación con el teorema de límite central.

En la distribución normal, uno puede calcular la probabilidad de que

varios valores ocurran dentro de ciertos rangos o intervalos. Sin embargo,
la probabilidad exacta de un valor particular dentro de una distribución
continua, como la distribución normal, es cero.

CARACTERISTICAS DE LA DISTRIBUCION NORMAL

 La distribución normal tiene importantes propiedades teóricas:

 Tiene una apariencia de forma de campana (y, por ende, es simétrica).

 Sus medidas de tendencia central (media, mediana y moda) son todas

idénticas.

 Su “50% central” es igual a 1.33 desviaciones estándar. Esto significa que

el rango intercuartil está contenido dentro de un intervalo de dos tercios
de una desviación estándar por debajo de la media y de dos tercios de una
desviación estándar por encima de la media.

 Su variable aleatoria asociada tiene un rango infinito (-∞ < X < ∞).

PROPIEDADES DEL MODELO NORMAL

1. Su esperanza es μ.

2. Su varianza es σ2 y, por tanto, su desviación típica es σ.

3. Es simétrica respecto a su media μ, como puede apreciarse en la

representación anterior.

4. Cualquier transformación lineal de una variable con distribución

Normal seguirá también el modelo Normal. Si X ~ N(μ, σ) y
definimos Y = aX + b (con a ≠ 0), entonces Y ~ N(aμ + b, |a|σ). Es
decir, la esperanza de Y será aμ + b y su desviación típica, |a|σ.

5. Cualquier combinación lineal de variables normales

independientes sigue también una distribución Normal. Es decir,
dadas n variables aleatorias independientes con distribución  Xi ~ N(μi,
σi) para i = 1, 2, ..., n la combinación lineal: Y = anXn + an−1Xn−1+ ...
+ a1X1 + a0 sigue también el modelo Normal:

6. Una Variable Continua – La distribución normal es una distribución de

una variable continua, que puede ser adjudicada a cualquier valor
numérico: números enteros (101 centímetros), números con fracciones
 (101.25), números positivos, y números negativos (nuestro ejemplo no
incluye números negativos).

7. La Estatura Refleja la Probabilidad – La altura de la curva sobre cada

uno de los valores refleja la posibilidad de recibir ése valor/número, en
relación a los otros valores. Mientras más nos alejamos del centro
(hacia la derecha y la izquierda), ésta posibilidad disminuye
gradualmente.
8. El Centro es la Expectativa –El resultado del centro es el promedio y la
probabilidad de en el más alto de los otros números. La razón por la
cual el resultado del centro es el promedio es que la curva es simetría
alrededor del centro. Esto significa que por cada resultado a la derecha
del centro, lo cual contribuye a aumentar el promedio, existe un
resultado que está a la misma distancia de la izquierda con la misma
posibilidad de ser obtenido, lo cual contribuye al mismo grado de
disminuir el promedio.
9. Simetría – La distribución normal es simétrica alrededor del promedio.
Esto significa que la posibilidad de recibir un resultado que es mayor
que 10 del valor promedio, es igual a la posibilidad de recibir un
resultado que es menor que 10 del mismo valor promedio.
10. Las probabilidades son conocidas de antemano.

DISTRIBUCIÓN NORMAL

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.
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 por desviación 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 PROBABILADADES 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.
TABLA DELA DISTRIBUCIÓN NORMAL
 EJERCICIOS

1)    Halla las siguientes probabilidades en una distribución  N ( 0, 1 ) 

a)    P (Z ≤ 1,28)                              b)    P (Z ≥ 0,65) 
c)    P (Z ≤ -1,17)                            d)    P (Z ≥ -1,76)

a) P  ( Z  ≤  1,28 )  =  0,8997.

b) P  ( Z  ≥  0,65 )  =  1 - P ( Z  ≤ 0,65 )  =  1 - 0,7422  =  0,2578.

c) P ( Z  ≤  -1,17 )  =  P ( Z  ≥  1,17 )  =  1 - P ( Z  ≤ 1,17 ) 

=1 - 0,8790  =  0,121
d) P ( Z  ≥  -1,76 )  =  P ( Z  ≤ 1,76 )  =  0,9608

2) En una ciudad se estima que la temperatura máxima en el

mes de junio si una distribución normal, con media 23° y
desviación típica 5°. Calcular el número de días del mes en
los que se espera alcanzar máximas entre 21° y 27°.
3)    En una distribución  N ( 23 ; 3 ),  halla las siguientes
probabilidades :
a)    P ( x ≤ 30 )                               b)    P ( x ≥ 15 )
c)    P ( 19 ≤ x ≤ 21 )                       d)    P ( 25 ≤ x ≤ 29 )