Control Estadístico

de la Calidad
Sesión 5: Distribución Normal
 Distribución Normal

La distribución normal es probablemente la distribución

continua más importante, tanto en estadística teórica como
aplicada.
Si X es una variable aleatoria normal, entonces su función
de densidad de probabilidades está dada por:

donde μ es su media, y σ su desviación estándar.

Al graficar la
función f(x) se
obtiene una
gráfica
simétrica y
unimodal,
cuya forma es
similar a una
campana (vea
la figura 3.1).
El centro de
ésta coincide
con μ, y la
amplitud está
 Propiedades de la Distribución Normal

Si X es una variable aleatoria con distribución

normal con media μ y varianza σ2, N(μ, σ2),
entonces se cumple que:
 Teorema del límite central

Este teorema afirma: sea x1, x2,..., xn una muestra aleatoria de

X
cualquier población, y sea la media muestral; entonces,
independientemente de cómo sea la distribución de la población
de donde se extrajo la Xmuestra, la distribución de se
aproxima a la normal conforme n crece.

Cuando la distribución de donde proviene la muestra no sea

radicalmente distinta a la normal, entonces la aproximación
empieza a ser buena para tamaños de muestra mayores o
iguales que n = 4.

En caso de que sea muy diferente se requieren tamaños de

muestra mayores.
 Cálculo de Probabilidades

Para calcular la probabilidad de que una variable aleatoria

distribuida normalmente tome un valor entre dos números
cualesquiera, a y b, se requiere calcular el área bajo la
curva normal entre estos dos números.

Sin embargo, diferentes valores de μ y σ2 llevan a diferentes

formas de la curva normal, dificultando el cálculo de dicha
área.
Para solventar esto, se hace uso de un caso particular de la
curva normal conocido como distribución normal estándar
N(0, 1).
Estandarizar una variable es fácil, ya que si X tiene una
distribución normal con E(X) = μ y V(X) = σ2, entonces la
variable (estandarizada)

se distribuye de manera normal estándar. La ventaja de

estandarizar es que cualquier probabilidad de interés, por
ejemplo P(X ≤ x), se puede escribir en términos de la variable
estandarizada Z como:
Ejemplo

La dimensión de una pieza se distribuye normal con μ = 82.0

mm, y σ = 0.5. Se desea calcular el porcentaje de piezas que
cumplen con especificaciones 82 ± 1.
 Verificación de la Normalidad

Gráfica de Probabilidad

Procedimiento que permite determinar en forma visual si

los datos muestrales se ajustan a una distribución
específica. La gráfica de probabilidad es una gráfica del
tipo X-Y cuyas escalas son determinadas por la distribución
elegida.
Ejemplo
El peso que deben contener ciertas bolsas de detergente es de
750 g, con una tolerancia de ± 5 g. Se desea verificar si es
razonable suponer que la distribución del peso es normal. Para
ello, se toma una muestra aleatoria de 25 productos, se pesan y
se obtienen los siguientes datos:
Ejemplos de gráficos que muestran una distribución no
normal
Distribuciones
derivadas del
muestreo
 Distribución Ji-Cuadrada

Esta distribución es relevante para hacer inferencias acerca de la

desviación estándar, σ, de una población con distribución normal,
ya que si se obtiene una muestra de tamaño n, entonces el
estadístico:

tiene una distribución ji-cuadrada con n − 1 grados de libertad (S2,

es la varianza muestral).
Ejemplos de
gráficos para
variables con
distribución
ji-cuadrada.
 Distribución T de Student

Sea Z una variable aleatoria con distribución normal

estándar y sea V una variable aleatoria con distribución ji-
cuadrada con k grados de libertad. Si Z y V son
independientes, entonces la variable aleatoria,

tiene una distribución T con k grados de libertad.

Una de las principales aplicaciones de la distribución T de
Student es fundamentar las inferencias sobre la media μ de
una población. Debido a que si se obtiene una muestra
aleatoria de tamaño n de una población cuya distribución es
normal, entonces el estadístico:

sigue una distribución T de Student con n – 1 grados de

libertad.
Ejemplos de
gráficos para
variables con
distribución T
de Student y
diferentes
grados de
libertad

Como se aprecia, esta distribución es similar a la normal (0, 1). De

hecho tiende a la distribución normal estándar cuando el tamaño
de la muestra crece, siendo bastante parecidas para n > 30. De
aquí que la distribución T de Student sea más relevante con
muestras pequeñas (n < 30).
 Distribución F

Sean W y Y variables aleatorias ji-cuadrada independientes

con u y v grados de libertad, respectivamente. Entonces el
cociente,

tiene una distribución F con u grados de libertad en el

numerador, y v en el denominador.
 Ejemplos de
gráficos para
variables con
distribución F y
diferentes
grados de
libertad

La importancia de la distribución F radica en que es de

especial utilidad para hacer inferencia cuando se comparan
varianzas de dos poblaciones con distribución normal.