UNIVERSIDAD AUTNOMA DE QUERTARO

FACULTAD DE INGENIERIA
1er SEMESTRE
RAL ARTEAGA TREJO
OSCAR URIEL ACEVEDO LEAL
PROBABILIDAD Y ESTADSTICA
UNIDAD 6: MODELOS PROBABILISTICOS BSICOS
DISTRIBUCIN NORMAL
I.S.C Rosa E. Valdez V.

Introduccin
Enestadsticayprobabilidadse llamadistribucin normal,distribucin de

Gaussodistribucin gaussiana, a una de las distribuciones de

probabilidaddevariable continuaque con ms frecuencia aparece en
fenmenos reales.
Lagrficade sufuncin de densidadtiene una forma acampanada y es
simtrica respecto de un determinadoparmetro. Esta curva se conoce
comocampana de Gauss.
La importancia de esta distribucin radica en que permitemodelarnumerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos
que subyacen a gran parte de este tipo de fenmenos son desconocidos, por
la enorme cantidad de variables incontrolables que en ellos intervienen, el
uso del modelo normal puede justificarse asumiendo que cada observacin se
obtiene como la suma de unas pocas causas independientes.
De hecho, la estadstica es un modelo matemtico que slo permite describir
un fenmeno, sin explicacin alguna. Para la explicacin causal es preciso
eldiseo experimental, de ah que al uso de la estadstica en psicologa y
sociologa sea conocido comomtodo correlacional.
La distribucin normal tambin es importante por su relacin con la
estimacin pormnimos cuadrados, uno de los mtodos de estimacin ms
simples y antiguos.

Algunos ejemplos de variables asociadas a

fenmenos naturales que siguen el modelo de

la normal son:
caracteresmorfolgicosde individuos como
laestatura;
caracteresfisiolgicoscomo el efecto de
unfrmaco;
caracteressociolgicoscomo elconsumode
cierto producto por un mismo grupo de
individuos;
caracterespsicolgicoscomo elcociente
intelectual;
nivel deruidoentelecomunicaciones;
errorescometidos al medir ciertas

UNIDAD 6: MODELOS PROBABILSTICOS

BSICOS
DISTRIBUCIN NORMAL
La distribucin normal fue reconocida por

primera vez por el francs Abraham de Moivre

(1667-1754). Posteriormente, Carl Friedrich
Gauss (1777-1855) elabor desarrollos ms
profundos y formul la ecuacin de la curva;
de ah que tambin se la conozca, ms
comnmente, como la"campana de Gauss".
La distribucin de una variable normal est
completamente determinada por dos
parmetros, su media y su desviacin
estndar, denotadas generalmente pory.
Con esta notacin, la densidad de la normal
viene dada por la ecuacin:

La ecuacin que determina la curva en forma

de campana. As, se dice que una

caracterstica sigue una distribucin normal
de media y varianza , y se denota como
si su funcin de densidad viene dada
por la Ecuacin 1.

Al igual que ocurra con un histograma, en el que el

rea de cada rectngulo es proporcional al nmero de

datos en el rango de valores correspondiente si, tal y
como se muestra en lafigura, en el eje horizontal se
levantan perpendiculares en dos puntosayb, el rea
bajo la curva delimitada por esas lneas indica la
probabilidad de que la variable de inters,X, tome un
valor cualquiera en ese intervalo.
Puesto que la curva alcanza su mayor altura en torno a

la media, mientras que sus "ramas" se extienden

asintticamente hacia los ejes, cuando una variable
siga una distribucin normal, ser mucho ms probable
observar un dato cercano al valor medio que uno que
se encuentre muy alejado de ste.

Propiedades de la distribucin normal

Tiene una nica moda, que coincide con su media y su mediana.
La curva normal es asinttica al eje de abscisas. or ello, cualquier

valor entre- y+ es tericamente posible. El rea total bajo la

curva es, por tanto, igual a 1.
Es simtrica con respecto a su media . Segn esto, para este tipo

de variables existe una probabilidad de un 50% de observar un dato

mayor que la media, y un 50% de observar un dato menor.

El rea bajo la curva comprendido entre los valores situados

aproximadamente a dos desviaciones estndar de la media es igual

a 0.95. En concreto, existe un 95% de posibilidades de observar un
valor comprendido en el intervalo .
La distancia entre la lnea trazada en la media y el punto de

inflexin de la curva es igual a una desviacin tpica (). Cuanto

mayor sea, ms aplanada ser la curva de la densidad.

Cmo se calcula?
No existe una nica distribucin normal, sino

una familia de distribuciones con una forma

comn, diferenciadas por los valores de su
media y su varianza. De entre todas ellas, la
ms utilizada es ladistribucin normal
estndar, que corresponde a una distribucin
de media 0 y varianza 1. As, la expresin que
define su densidad se puede obtener de
laEcuacin:

Es importante conocer que, a partir de

cualquier variableXque siga una

distribucinN(,), se puede obtener otra
caractersticaZcon una distribucin normal
estndar, sin ms que efectuar la
transformacin:
a partir de la que se puede obtener de modo

sencillo la probabilidad de observar un dato

menor o igual a un cierto valor z, y que
permitirn resolver preguntas de probabilidad
acerca del comportamiento de variables de
las que se sabe o se asume que siguen una
distribucin aproximadamente normal.

tablas

Tabla 1. reas bajo la curva normal estndar. Los valores de

la tabla que no se muestran en negrita representan la
probabilidad de observar un valor menor o igual a z. La cifra
entera y el primer decimal de z se buscan en la primera
columna, y el segundo decimal en la cabecera de la tabla.

P(Z a)
P(Z > a) =1 - P(Z a)

P(Z a) = 1 P(Z a)

P(Z > a) =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 elvalor que ms se aproxime a K.
P(a < Z b ) = P(Z b) [ 1 P(Z a)]

p=K

ejemplos
En una ciudad se estima que la temperatura

mxima en el mes de junio si una distribucin

normal, con media 23 y desviacin tpica 5.
Calcular el nmero de das del mes en los que
se espera alcanzar mximas entre 21 y 27.

solucin
P(a < Z b )=P(Z b)P(Z a)
=1 - P(Z a)

sabiendo que: P(Z > a)

Por los 30 dias

del mes

La media y los que de los pesos de 500

estudiantes de un colegio es 70 kg y la
desviacin tpica 3 kg. Suponiendo que los
pesos se distribuyen normalmente, hallar
cuntos estudiantes pesan:
1.Entre 60 kg y 75 kg.
P(a < Z b )=P(Z
b)P(Z a)
500
alumno
s

2.Menos de 64 kg.

3.64 kg o menos.

Supongamos que se sabe que el peso de los

sujetos de una determinada poblacin sigue

una distribucin aproximadamente normal,
con una media de 80 Kg y una desviacin
estndar de 10 Kg. Podremos saber cul es
la probabilidad de que una persona, elegida al
azar, tenga un peso superior a 100 Kg?
Denotando porXa la variable que representa el peso de los
individuos en esa poblacin, sta sigue una distribucin

As, la probabilidad que se desea calcular ser:

Como sabemos que P(Z > a) =1 - P(Z a) esta ltima
probabilidad puede ser fcilmente obtenida a partir de laTabla 1,
resultando ser
. Por lo tanto, la probabilidad
buscada de que una persona elegida aleatoriamente de esa
poblacin tenga un peso mayor de 100 Kg , es de 1
0.9772=0.0228, es decir, aproximadamente de un 2.3%.

Ejercicios
Se supone que los resultados de un examen

siguen una distribucin normal con media 78

y varianza 36. Se pide:
1.Cul es la probabilidad de que una persona
que se presenta el examen obtenga una
calificacin superior a 72?

Varios test de inteligencia dieron una

puntuacin que sigue una ley normal con

media 100 y desviacin tpica 15.
1.Determinar el porcentaje de poblacin que
obtendra un coeficiente entre 95 y 110.