Distribución Normal

Javier
César A. Lozano
Gómez

Escuela de Estadı́stica
Distribución de Normal

Definición 1
Decimos que una va continua X posee distribución normal con parámetros
µ ∈ (−∞, ∞) y σ > 0 , si la función de densidad de probabilidad de X es
de la forma
1 (x−µ)2
f (x; µ, σ) = √ e − 2σ2 , −∞ < x < ∞. (1)
2πσ

Por supuesto calculamos probabilidades integrando esta densidad

Z b (x−µ)2
1
P(a ≤ X ≤ b) = √ e − 2σ2 dx, (2)
a 2πσ

Si X posee distribución normal con parámetros µ y σ denotamos este

hecho por medio de X ∼ N(µ, σ 2 ).
Distribución Normal 1 / 14
El Valor Medio y la Varianza

Si X ∼ N(µ, σ 2 ) entonces

E[X ] = µ, y V [X ] = σ 2 . (3)

Distribución Normal Estándar

Si Z es una va con distribución normal de tal modo que µ = 0 y σ = 1, es
decir Z ∼ N(0, 1) decimos que Z posee una distribución normal estándar.
En este caso la pdf de la va Z es

1 z2
f (z) = √ e − 2 , −∞ < z < ∞. (4)
2π

Distribución Normal 2 / 14
Una aplicación simple

Figura 1: Acá x̄ ≈ 68.0, and s ≈ 1.9, basado en una muestra de n = 25000

Distribución Normal 3 / 14
Distribución Normal 4 / 14
Función de Distribución Acumulada

Si Z ∼ N(0, 1) entonces vamos a denotar la fda de Z por Φ(z) es decir

Z z
1 u2
Φ(z) = P(Z ≤ z) = √ e − 2 du. (5)
−∞ 2π

En general tenemos

P(a ≤ Z ≤ b) = Φ(b) − Φ(a).

P(Z ≤ b) = Φ(b) y P(Z > b) = 1 − Φ(b).
Si a < 0 , Φ(a) = 1 − Φ(−a).

Definición 2
Sea p un número con 0 < p < 1, el 100p ◦ percentil de la distribución de
una va continua X con fda F (x) es el número η tal que F (η) = p.

Distribución Normal 5 / 14
Proposición 1
Sea X ∼ N(µ, σ 2 )
1 Para 2 valores cualesquiera a y b, la va Y = aX + b también posee
distribución normal con

E[Y ] = aµ + b, y V [Y ] = a2 σ 2 . (6)
2 La va

X −µ
Z= , (7)
σ
Posee distribución normal estándar.

Distribución Normal 6 / 14
Observación. Como consecuencia de esta proposición si X ∼ N(µ, σ 2 )
entonces

a−µ X −µ b−µ
P(a ≤ X ≤ b) = P( ≤ ≤ ),
σ σ σ

a−µ b−µ
= P( ≤Z ≤ ),
σ σ
   
b−µ a−µ
P(a ≤ X ≤ b) = Φ −Φ
σ σ
(8)

Luego la forma de calcular probabilidades con X ∼ N(µ, σ 2 ) es

 
b−µ
P(X ≤ b) = Φ . (9)
σ
Distribución Normal 7 / 14
Percentiles de la distribución normal estándar

Proposición 2
Si X ∼ N(µ, σ 2 ) y ηµ,σ denota el 100p ◦ percentil de la distribución de X ,
entonces

ηµ,σ = µ + σ · ηest , (10)

donde ηest denota el 100p ◦ percentil de la distribución normal estándar.

Distribución Normal 8 / 14
Observación. Si X ∼ N(µ, σ 2 ) entonces

  
x − µ
P (|x − µ| ≤ nσ) = P 
  ≤n ,
σ 
 
X −µ
= P −n ≤ ≤ n = Φ(n) − Φ(−n),
σ

= 2Φ(n) − 1.
(11)

{|x − µ| ≤ nσ} es el conjunto de los “x que están entre n desviasiones

estándar por lado y lado de la media”.

Distribución Normal 9 / 14
 P(−1 ≤ X ≤ 1) = φ(1) − φ(−1) ≈ 0.6826.

Es decir la población a una desviación estándar de la media es

aproximadamente del 68 %.

Distribución Normal 10 / 14
 P(−2 ≤ X ≤ 2) = φ(2) − φ(−2) ≈ 0.9546.

Es decir la población a 2 desviaciones estándar de la media es

aproximadamente del 95 %.

Distribución Normal 11 / 14
 P(−3 ≤ X ≤ 3) = φ(3) − φ(−3) ≈ 0.9974.

Es decir la población a 3 desviaciones estándar de la media es

aproximadamente del 99 %.

Distribución Normal 12 / 14
Aproximación Normal de la Binomial

Proposición 3
Si X es una va binomial X ∼ bin(n, p) entonces la va

X − np
Y =p , (12)
np(1 − p)

posee una distribución aproximada normal estándar. Y

P(X ≤ x) = b(1) + b(2) + b(3) + · · · + b([x]),

!
x + 0.5 − np
≈ P Z≤ p ,
np(1 − p)
!
x + 0.5 − np
= Φ p .
np(1 − p)
(13)
Distribución Normal 13 / 14
Aproximación Normal de la Binomial

Es decir

!
x + 0.5 − np
P(X ≤ x) ≈ Φ p . (14)
np(1 − p)

Regla Empı́rica.
Se puede aplicar la transformación de forma satisfactoria cuando

np ≥ 10, y n(1 − p) ≥ 10. (15)

Distribución Normal 14 / 14