INSTITUTO POLITÉCNICO

NACIONAL
ESCUELA SUPERIOR DE COMERCIO Y ADMINISTRACIÓN
UNIDAD SANTO TOMÁS

DISTRIBUCIÓN NORMAL

NOMBRE: Paola Montero

GRUPO: 1NX15
PROFESOR: Manuel Ávila
MATERIA: Estadística
CARRERA: Licenciatura en Administración
La distribución normal es la más importante por su simplicidad, porque aparece
frecuentemente en la realidad y por una propiedad especial llamada Teorema del Límite
Central. La comprensión de su naturaleza y su papel en la inferencia estadística es
esencial. Es una pena la denominación de normal pues no es más “normal” que las otras y
ello causa frecuentes confusiones, sobre todo en medicina, donde normal, es más bien lo
que no es patológico. Para evitar la confusión muchos usan Normal con mayúsculas y aquí
haremos lo mismo; otros hablan de distribución gaussiana o de campana de Gauss a pesar
que fue Abraham de Moivre el primero en describirla y Gauss solo la popularizó.

La distribución Normal:

1. Tiene forma de campana.

2. Es simétrica.

3. Alcanza su máximo en µ (la media).

4. La media es también la moda y la mediana.

5. Es asintótica al eje de las abscisas y, como no lo toca nunca, cualquier valor de X

entre -infinito y +infinito es teóricamente posible.

6. La posición relativa en el eje de las abscisas lo determina µ (más a la derecha

mientras mayor sea) y su mayor o menor aplastamiento o ancho lo determina σ (la
desviación estándar), siendo más aplanada mientras mayor sea su magnitud
(Figura 1). Esta característica se denomina curtosis (del griego, curvado): angosta o
leptocúrtica (literalmente, curva angosta), media o mesocúrtica y ensanchada o
platicúrtica (literalmente, curva ancha) (Figura 2). La altura de la curva carece de
importancia o uso en la práctica.

Intervalos de confianza
Introducción Se ha visto como construir a partir de una muestra aleatoria un estimador
puntual de un parámetro desconocido. En esos casos necesitábamos dar algunas
características del estimador, como por ejemplo si era insesgado o su varianza. A veces
resulta más conveniente dar un intervalo de valores posibles del parámetro desconocido,
de manera tal que dicho intervalo contenga al verdadero parámetro con determinada
probabilidad.
 Específicamente, a partir de una muestra aleatoria se construye un intervalo   1 2 ˆ ,  ˆ
 donde los extremos 1  ˆ y 2  ˆ son dos estadísticos, tal que P  ˆ 1 , ˆ 2  1
donde  es el parámetro desconocido a estimar y  es un valor real entre cero y uno dado
de antemano. Por ejemplo si   0.05, se quiere construir un intervalo   1 2 ˆ ,  ˆ  tal
que    0.95 ˆ , ˆ P   1 2  , o escrito de otra forma   0.95 ˆ ˆ P 1    2  Esta
probabilidad tiene el siguiente significado: como 1  ˆ y 2  ˆ son estadísticos, los valores
que ellos toman varían con los valores de la muestra, es decir si n x , x ,..., x 1 2 son los
valores medidos de la muestra entonces el estadístico 1  ˆ tomará el valor 1 y el
estadístico 2  ˆ tomará el valor  2 . Si medimos nuevamente la muestra obtendremos
ahora valores, , 2 ´, 1 , ,..., n x x x y por lo tanto 1  ˆ tomará el valor , 1 y el estadístico 2
 ˆ tomará el valor ,  2 , diferentes en general de los anteriores. Esto significa que si
medimos la muestra 100 veces obtendremos 100 valores diferentes para 1  ˆ y 2  ˆ y
por lo tanto obtendremos 100 intervalos distintos, de los cuales aproximadamente 5 de
ellos no contendrán al verdadero parámetro. Al valor 1 se lo llama nivel de confianza
del intervalo. También se suele definir como nivel de confianza al 1100%