INSTITUTO TECNOLGICO SUPERIOR

DE LA MONTAA
MATERIA: Probabilidad y Estadstica

TEMA:
2.4.3 Normal y normal estndar
2.4.4 aproximaciones con la normal

FACILITADOR: Marco Aurelio Gmez Romero

CARRERA: Ingeniera Civil

EQUIPO 7:
Adelfo Espinobarros Gonzlez
Jaime Gatica Martnez
Marcelino Martnez de Jess

Tlapa de Comonfort, Gro., a 13 de Marzo del 2014

 HISTORIA
La distribucin normal fue presentada por
primera vez por Abraham de Moivre en un
artculo del ao 1733, en el contexto de cierta
aproximacin de la distribucin binomial 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. Laplace us la distribucin normal en
el anlisis de errores de experimentos.
El importante mtodo de mnimos
cuadrados fue introducido por Legendre
en 1805. Gauss, que afirmaba haber
usado el mtodo desde 1794, lo justific
rigurosamente en 1809 asumiendo una
distribucin normal de los errores. El
nombre de Gauss se ha asociado a esta
distribucin porque la us con profusin
cuando analizaba datos astronmicos.

El nombre de "campana" viene de Esprit Jouffret que

us el trmino "bell surface" (superficie campana) por
primera vez en 1872 para una distribucin normal
bivariante de componentes independientes. El nombre
de "distribucin normal" fue otorgado
independientemente por Charles S. Peirce, Francis
Galton y Wilhelm Lexis hacia 1875.
DISTRIBUCIN NORMAL
se llama distribucin normal, distribucin de
Gauss o distribucin gaussiana, a una de
las distribuciones de
probabilidad de variable continua que con
ms frecuencia aparece aproximada en
fenmenos reales.
 La grfica de su funcin de densidad tiene una forma
acampanada y es simtrica respecto de un
determinado parmetro estadstico. Esta curva se conoce
como campana de Gauss y es el grfico de una funcin
gaussiana.
 DISTRIBUCION NORMAL
Una variable aleatoria continua, X, sigue una distribucin
normal de media y desviacin tpica , y se designa por N(,
), si se cumplen las siguientes condiciones:

1. La variable puede tomar cualquier valor: (-, +)

2.Lafuncin de densidad, es la expresin en

trminos de ecuacin matemtica de lacurva
de Gauss:
 CARACTERISTICAS

El campo de existencia es cualquier valor real, es decir, (-, +).

Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.
El rea del recinto determinado por la funcin y el eje de abscisas es igual a la unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
p( - < X + ) = 0.6826 = 68.26 %
p( - 2 < X + 2) = 0.954 = 95.45 %
p( - 3 < X + 3) = 0.997 = 99.73 %
DISTRIBUCIN NORMAL ESTNDAR
La distribucin normal estndar, o tipificada o reducida, es
aquella que tiene por media el valor cero, =0, y
por desviacin tpica la unidad, =1.
Su funcin de densidad es:

Su grfica es:

La probabilidad de la variable X depender del rea del

recinto sombreado en la figura. Y para calcularla utilizaremos
una tabla.
 Tipificacin de la variable

Para poder utilizar la tabla tenemos que

transformar la variableXque sigue una
distribucinN(, )en otra
variableZque siga una distribucinN(0,
1).
CLCULO DE PROBABILIDADES EN LA DISTRIBUCIN
NORMAL

Latablanos da lasprobabilidades de
P(z k), siendozla variable tipificada.
Estas probabilidades nos dan lafuncin
de distribucin(k).
(k) = P(z k)
 Bsqueda en la tabla de valor de k
Unidades y dcimasen la columna de
la izquierda.
Centsimasen la fila de arriba.

P(Z a)

P(Z 1.47) = 0.4292

a
 P(Z > a) =0.500 - P(Z a)

P(Z > 1.47) = 0.500 P(Z 1.47) = 0.500 0.4292=

0.0708

P(Z a) = 0.500 P(Z a)

P(Z 1.47) = 0.500 P(Z 1.47) = 0.500 0.4292

= 0.0708
 P(Z > a) =P(Z a)

p(Z > 1.47) = p(Z 1.47) = 0.4292

-a

P(a < Z b )=P(Z b)P(Z

a)

P( 0.45 <Z 1.47) = P(Z 1.47) P(Z 0.45)

= 0.4292 0.1736 = 0.2556
 P(b < Z a ) = P(a < Z b )

P(1.47 <Z 0.45) = P( 0.45 <Z 1.47) =

= P(Z 1.47) P(Z 0.45) = 0.4292
0.1736 = 0.2556

P(a < Z b )

P(-1.47 < Z 0.45) = P(Z 0.45) + P(Z 1.47)]=

= 0.6736 + 0.4292 = 0.6028
Algunas veces al valor z de la variable estandarizada Z
se le llama puntuacin estndar.
Ejemplo:
Supongamos que media=120 y desviacin estndar=7
Cul es la puntuacin estndar asociada con el valor
de la poblacinx= 105,8?
Z=(105.8-120)/7=-2.0285=-2.03

Ejemplo de distribucin normal:

Encontrar el rea bajo la curva normal estndar:
a) Entre z=0 y z=1.2

b) Entre z=-0.68 y z= cero

c) Entre z=-0.46 y z=2.21

d) Entre z=0.81 y z=1.94

e) A la derecha de z=-1.28
APROXIMACIN DE LA DISTRIBUCIN
BINOMIAL POR LA NORMAL
(Teorema de Moivre)
Si n es grande, y si ni p ni q estn
demasiado cerca de cero
n p 0yn q 0.
Ladistribucin binomial B(n, p)se puede
aproximar mediante unadistribucin
normal:
El hecho de que la distribucin binomial se aproxime
a la distribucin normal puede escribirse de la
siguiente manera

Es decir, la variable estandarizada (X-

np)/raz(npq) es asintticamente normal.
 Ejemplo:

Encontrar la probabilidad de obtener entre 3

y 6 caras en 10 lanzamientos de una
moneda legal, inclusive, usando:
a) La distribucin binomial.

b) La aproximacin normal a la distribucin

binomial.