DISTRIBUCIN NORMAL

Introduccin
La distribucin normal o distribucin
gaussiana, es la mas importante de las
distribuciones de probabilidad. Se trata del
modelo continuo ms importante en
estadstica , tanto por su aplicacin
directa, veremos que muchas variables de
inters general pueden describirse por
dicho modelo.

Historia
La distribucin normal fue presentada por vez
primera por Abraham de Moivre en un artculo
del ao 1733, que fue reimpreso en la segunda
edicin de su The Doctrine of Chances, de
1738, en el contexto de cierta aproximacin de
la distribucin binominal para grandes valores
de n. Su resultado fue ampliado por Laplace en
su libro Teora analtica de las probabilidades
(1812), y en la actualidad se llama Teorema de
De Moivre Laplace.

Distribucin Normal
General
La distribucin normal depende de los
parmetros , , que son sus medidas y su
desviacin tpica. El echo de que la
variable X se distribuya con una
distribucin normal de media y
desviacin tpica se representa por:

Su funcin de densidad es :

Las caractersticas de dicha funcin sern :

Primera derivada:

La segunda derivada es:

Igualando a cero la primera derivada obtenemos

que y=0 para X= y para X=.
Como la segunda derivada en X= es negativa,
concluimos que la funcin de la densidad presenta
un mximo en X=.

Distribucin Normal
Reducida(Tipificada)
Si, a partir de una variable X que siga una
distribucin Normal obtenemos una
variable Z que sea:
su funcin de densidad vendr dada por la
siguiente expresin:
donde

dado que

As

luego

Comparando f(Z) con f(X) es fcil ver que la funcin

de la densidad Z seria la de una distribucin normal
que tenga por parmetros = 0, =1

Ejemplos
El

tiempo medio en realizar una misma

tarea por parte de los empleados de una
empresa se distribuye segn una
distribucin normal, con media de 5 das
y desviacin tpica 1 da. Calcular el
porcentaje de empleados que realizan la
tarea en un tiempo inferior a 7 das.

t1= -y t2= (7 -5)/1 = 2

En la tabla la probabilidad acumulada para el valor
2 (equivalente a un tiempo inferior a 7 das.). Esta
probabilidad es 0,9772. Por lo tanto, el porcentaje
de empleados que realizan la tarea en un tiempo
inferior a 7 das es del 97,7%.

Ejemplo 2
La

vida media de una lmpara, segn el

fabricante, es de 68 meses, con una
desviacin tpica de 5.Se supone que se
distribuye segn una distribucin
normalEn un lote de 10.000
lmparas.a)Cuntas lmparas
superarn previsiblemente los 75
meses?. b) Cuntos lmparas se
estropearn antes de 60 meses?

a)
t = (75 -68)/5 = 1,4
P (X > 75) = (t > 1,4) = 1 - P (t1,4) = 1
- 0,9192
= 0,0808
Luego, el 8,08% de las lmparas (808
lmparas) superarn los 75 meses

b)
t = (60 -68)/5 = -1,6
P (X60) = (t -1,6) = P (t> 1,6) = 1 - P (t
1,6) = 0,0548
Luego, el 5,48% del lote (548 lmparas) no llegarn
probablemente a durar 60 meses

bibliografia
http://www.leondariobello.com/OA/distri

bucionnormal/
http://www.ub.edu/stat/GrupsInnovacio
/Statmedia/demo/Temas/Capitulo4/B0C4m
1t4.htm
http://es.wikipedia.org/wiki/Distribuci
%C3%B3n_normal
http://www.uv.es/ceaces/pdf/normal.pdf

UNIVERSIDAD AUTONOMA DEL CARMEN

CAMPUS PRINCIPAL
DES CIENCIAS QUIMICAS Y PETROLERAS
INGENIERIA PETROLERA
TEMA:
DISTRIBUCION NORMAL Y BINOMIAL
MATERIA:
PROBABILIDAD Y ESTADISTICA
MAESTRA:
ELDA NOHELIA
ALUMNOS:
LUIS MIGUEL BLANCAS ALGONSO
MARTIN ADRIAN CERVERA CHI
SEMESTRE:
3
CD DEL CARMEN, CAMPECHE, 04 DE SEPTIEMBRE DEL 2012

Dato histrico

El clculo de probabilidades tuvo un

notable desarrollo con el trabajo del
matemtico suizo Jacob Bernoulli (1654-1705).
Bernoulli defini el proceso conocido por su
nombre el cual establece las bases para el
desarrollo y utilizacin de la distribucin binomial.

La distribucin binomial
La distribucin de probabilidad binomial es un ejemplo
de distribucin de probabilidad discreta.
Esta formada por una serie de experimentos de
Bernoulli. Los resutados de cada experimento son
mutuamente excluyentes.
Para contruirla necesitamos:
1 - la cantidad de pruebas n
2 - la probabilidad de xitos p
3 - utilizar la funcin matemtica.

La funcin P(x=k)
A continuacin vemos La funcin de probabilidad de la
distribucin Binomial, tambin denominada Funcin de la
distribucin de Bernoulli:

k - es el nmero de aciertos.
n - es el nmero de experimentos.
p - es la probabilidad de xito, como por ejemplo, que
salga "cara" al lanzar la moneda.
1-p - tambin se le denomina como q

Ejemplo1 de la funcin
F(x=k)
Cul es la probabilidad de obtener 6 caras al lanzar una
moneda 10 veces?
El nmero de aciertos k es 6. Esto es x=6
El nmero de experimentos n son 10
La probabilidad de xito p, es decir, que salga "cara" al
lanzar la moneda es 50% 0.50
La frmula quedara:
P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar
10 veces una moneda es de 20.5% .

Ejemplo 2 de la funcin
F(x=k)
Cul es la probabilidad de obtener cuatro veces el
nmero 3 al lanzar un dado ocho veces?
El nmero de aciertos k es 4. Esto es x=4
El nmero de experimentos n son 8
La probabilidad de xito p (probabilidad de que salga un
3 al tirar el dado) es 1 / 6 (= 0.1666)
La frmula queda:
P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el
nmeros 3 al tirar un dado 8 veces es de 2.6%.

Tabla de probabilidad
binomial
Cmo utilizar la tabla de la distribucin Binomial?
Supongamos que lanzamos al aire una moneda trucada. Con
esta moneda la probabilidad de
obtener cara es del 30%. La probabilidad que salga cruz ser,
pues, del 70%. Lanzamos la
moneda 10 veces de manera consecutiva. Si queremos calcular
la probabilidad de que
observemos 6 caras o menos nos fijamos en la tabla: localizamos
n=10, x=6, p=0.3 y
buscamos la interseccin: 0.9894

Tabla de probabilidad
binomial

Referencias
Anderson, S. (2006). Estadsticas para administracin y
economa, ( 8tva ed.) Mxico: Thomson.
Newbold, P. (2003). Statistics for Business And Economics,
(5ta. Ed.). New Jersey: Prentice Hall.
Bluman, A. G. (2007). Statistics. (6ta ed.). New York: Mc Graw
Hil,New York.
http://karnak.upc.es/teaching/estad/MC/taules/com-usar-taules.pd
f