Distribución normal estándar

El caso particular de distribución normal con media igual a cero y varianza

igual a uno, es decir con parámetros  = 0 y  = 1, recibe el nombre de
distribución normal estándar (en los gráficos  y  observados, se halla
dibujada la curva respectiva), su función de densidad será:

x2
1 
f N * ( x)  e 2
  x  
2

t2
1 x 
La función de distribución correspondiente, es: FN * ( x) 
2 

e 2
dt

La integral que se observa no tiene una solución explícita, por lo que debe
resolverse mediante procedimientos numéricos.
No obstante, existen tablas muy completas de esta función mediante las cua-
les puede calcularse la probabilidad de cualquier suceso de interés.
Teorema
Si ~x tiene una distribución normal con parámetros  y , entonces la varia-
z  ~
ble aleatoria ~ x     tiene una distribución normal estándar.

Demostración
En efecto, la función de distribución acumulada de ~z será:

z  z )  p( ~
F~z ( z )  p(~ x    z )  FN (   z ;  ,  )

y por lo tanto su densidad es:

[(   z )   ]2
dFN (   z ;  ,  ) d (   z ) 1 
f ~z ( z )   f N (   z ;  ,  )  e 2 2

dz dz  2
2
1  z2
luego: f ~z ( z )  e
2
Corolario

Si ~
x tiene una distribución normal con parámetros  y  , entonces:

c  b 
p (b  ~
x  c)  FN *    FN *  
     

Por el teorema anterior FN (  z ;  ,  )  FN * ( z )

Si hacemos el cambio de variable t =  + z  z = (t – )/

t  
FN (t ;  ,  )  FN *  
  

 c  b 
Luego: p(b  ~
x  c)  FN (c;  ,  )  FN (b;  ,  )  FN *    FN* 
     
 Aplicaciones de la distribución normal estándar

La media de un grupo de ingresos semanales con distribución

normal para un gran conjunto de gerentes de cierto nivel, es
de USD 1.000, y la desviación estándar es de USD 50.

a) ¿Cuál es la probabilidad de que un ingreso semanal especí-

fico seleccionado al azar esté entre USD 950 y USD 1.050?

b) ¿Qué porcentaje de los ejecutivos tienen ingresos por se-

mana superiores a USD 1.050?
Respuestas
 1.050  1.000   950  1.000 
a) p(950  ~
x  1.050)  FN *    FN* 
 50   50 

 FN * (1)  FN * (1)  0,8413  0,1587 

 0,6826

 1.050  1.000 
b) p( ~
x  1.050)  1  p ( ~
x  1.050)  1  FN *  
 50 

 1  FN * 1  1  0,8413  0,1587

 p~
x  1.050  15,87%
 Nueva aplicación

x tiene distribución normal con media  y desviación estándar .

Si ~

¿Cuánto valen las probabilidades de los siguientes sucesos?

a)     ~x    

b)   2  ~x    2

c)   3  ~x    3
Respuestas
           
a) p(     ~
x     )  FN *    FN*  
     

 FN * (1)  FN * (1)  0,8413  0,1587 

 0,6826

   2       2   
b) p (   2  ~
x    2 )  FN *    FN *  
     

 FN * (2)  FN * (2) 

 0,9772  0,0228  0,9544

    3       3   
c) p (   3  ~
x    3 )  FN *    FN *  
     

 FN * (3)  FN * (3) 

 0,9987  0,0013  0,9974

Si se considera el área bajo la curva normal, estos valores pueden

interpretarse de la siguiente manera:

68.26%

95.44%

99.74%

 – 3  – 2  –  +  + 2  + 3 x
La normal como límite de la binomial

Las probabilidades que se asocian con experimentos binomiales pueden obte-

nerse fácilmente, cuando N es pequeña, por medio de la fórmula gB (n; N, p)
de la distribución binomial o de la tabla correspondiente.

Si N es grande, es conveniente calcular probabilidades binomiales por proce-

dimientos de aproximación.

Así por ejemplo, hemos visto que la distribución de Poisson puede utilizarse
para aproximar probabilidades binomiales cuando N es grande y p es cercana
a 0 o 1.

Tanto la distribución binomial como la de Poisson son discretas.

En esta oportunidad utilizaremos una distribución continua para aproximar
probabilidades en un espacio muestral discreto. La distribución normal fre-
cuentemente es una buena aproximación a la distribución discreta cuando esta
última toma la forma de campana simétrica.

Desde el punto de vista teórico, algunas distribuciones convergen a normales

a medida que sus parámetros se aproximan a ciertos límites.

La distribución normal es una distribución de aproximación conveniente de-

bido a que la función de distribución acumulada se tabula de manera sencilla.

La distribución binomial se aproxima bastante bien con la normal en proble-

mas prácticos cuando se trabaja con la función de distribución acumulada.

A continuación se plantea un teorema (dado por primera por De Moivre en

1733) que permite utilizar áreas bajo la curva normal para aproximar proba-
bilidades binomiales cuando N es suficientemente grande.
Teorema (De Moivre 1733)
Sea ~x una variable aleatoria binomial gB (n; N, p), construida a partir de N
repeticiones independientes, cada una con probabilidad de éxito p. Para cual-
quier par de números reales c y d, se tiene:

 ~
x  Np  1 
x2
 d
d
lí m p c 
  2 
c
e 2
dx
N 
 Npq 

 La distribución normal con  = Np y 2 = Npq no sólo proporciona una

aproximación muy precisa a la distribución binomial cuando N es grande y p
no es muy cercana a 0 o 1, sino también proporciona una muy buena aproxi-
mación aun cuando N es pequeña y p es razonablemente cercana a 1/2.
 Una posible referencia para determinar cuándo puede emplearse la aproxi-
mación normal es tener en cuenta el cálculo de Np y Nq, ya que si ambos
productos son mayores o iguales a 5, la aproximación será buena.
Ejemplos de aproximación de la distribución normal a la binomial

1. Calcular, usando distribución binomial, la probabilidad de que la

variable ~
x asuma el valor 4, siendo N = 15 y p = 0,4, luego com-
parar este resultado con el obtenido mediante la distribución nor-
mal estándar.
Binomial

x  4)  g B(4; 15, 0,4)  0,1268

p(~

Normal estándar

  Np  15  0,4  6   Npq  15  0,4  0,6  1,897

3,5  6 4,5  6
z1   1,32 z2   0,79
1,897 1,897
p~
x  4  p(1.32  ~
z  0.79)

 p(~
z  0,79)  p ( ~
z  1,32) 

 0,2148  0,0934 

 0,1214

Luego:
Binomial x  4)  0,1268
p( ~

Normal estándar x  4)  0,1214

p( ~
 ~z

~z