FUNCION DE DENSIDAD-

DISTRIBUCION NORMAL
 FUNCION DE DENSIDAD
Definición: Es una función no negativa de integral 1.
0.25

Se puede pensar como la

0.20
generalización del
histograma con frecuencias
relativas para variables 0.15
continuas.

p ( a  x  b)  0.10

b
0.05

a f ( x).dx 0.00
1

12

14

15
10

11

13
a b
Dentro de las distribuciones continuas de probabilidad la
más importante, por la frecuencia con que se encuentra y
por sus aplicaciones teóricas, es la distribución normal
o de Laplace- Gauss

Pierre Simón
Karl Gauss
de Laplace
Caracteres morfológicos de individuos (personas, animales, plantas,...)
de una especie, p.ejm. tallas, pesos, diámetros, perímetros,...
Caracteres sociológicos, por ejemplo: consumo de cierto producto
por un mismo grupo de individuos, puntuaciones de examen
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis
de un fármaco, o de una misma cantidad de abono
Errores cometidos al medir ciertas magnitudes.

Valores estadísticos muéstrales, por ejemplo : la media.

Otras distribuciones como la binomial o la de Poisson se aproximan

a la normal , ...

Y en general cualquier característica que se obtenga como suma

de muchos factores. 
 La curva normal adopta un número infinito de formas,
determinadas por sus parámetros y expresada por la
función de densidad: f(x) =

1  xx 
 2
-  
1
constante para 2   
e
un  dado e

 2
donde:  (media) y  (desviación típica) son parámetros de
la distribución
e = 2.718 (base de Ln)
x = valores observados de la variable en estudio
 Características de la distribución Normal
• Tiene forma de campana, es asintótica al eje de las abscisas
(para x =  )
• Simétrica con respecto a la media () donde coinciden la mediana
(Mn) y la moda (Mo )
• Los puntos de inflexión tienen como abscisas los valores   

   +
 -  , Mo, Mn  + 
 ¿Cómo calcular probabilidades asociadas a una
curva normal específica?
Dado que tanto  como  pueden asumir infinitos valores lo
?? para todas las
que hace impracticable tabular las probabilidades
posibles distribuciones normales, se utiliza la distribución
normal reducida o tipificada

Se define una variable z =

x -


Es una traslación , y un cambio de escala de

la variable original
 La nueva variable z se distribuye como una
NORMAL con media  = 0 y desviación típica  = 1
Una regla empírica indica que en cualquier distribución normal
las probabilidades delimitadas entre :  1  68.27 %
 2  95.45 %
 3  99.73 %

99.73%
68.27%
95.45%

68.27%

95.45%
99.73% z
-3 -2 -1 0 1 2 3
Pero para valores intermedios esta regla es insuficiente.
Las probabilidades de la variable tipificada (z) están
tabuladas para los diferentes valores de la variable.
Entonces una vez transformada la variable a valores de z
se busca en la tabla el área correspondiente
Hay varios tipos de tablas de la distribución normal
La que se explica aquí representa las áreas para los
diferentes valores de z desde 0 hasta +

Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica

+
0
la tabla consta de: *Margen izquierdo : Los enteros de z y
su primer decimal
* Margen superior: segundo decimal
* Cuerpo de la tabla: áreas correspondientes,
acumuladas, desde 0
hasta 3.99

0 1 2 3 4 5 6 7 8 9

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ..... ...... ...... ......
0.4 .1554 .... ..... ....

0.5 .1915 ....

 EJEMPLOS:
1.-¿Cuál es la probabilidad de que un
valor de z esté entre 0 y -2.03?

2.-¿Cuál es la probabilidad de que un

valor de z esté entre -2.03 y +2.03?

3. Hallar P( z >1.25 ) 4. Hallar P ( -0.34 < z < )

5. Hallar P ( 0.34 < z < 2.30 )

 ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?

Cómo la curva es simétrica

P (-2.03 < z < 0) = P (0 < z <
2.03)

?
z
-3 -2 -1 0 1 2 3
 ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?
Se busca en la tabla el área correspondiente a z = 2.03
0 1 2 3 4
1.8
1.9
2.0 0.47882

2.1

47. 88%

z
-3 -2 -1 0 1 2 3
 ejemplo 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0
y 2.03= 0.47882
La misma área hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764

?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
 ejemplo 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
1.- La probabilidad de 0 < z < + = 0.500
2.- La probabilidad de 0 < z < 1.25 = 0.39435
3.- La probabilidad de z > 1.25 =
0.500 - 0.39435= 0.10565

50%

39.44%
10.56%
? z
-3 -2 -1 0 1 2 3
 ejemplo 4
Hallar P( -0.34 < z <  )
P(0 < z <0.34) = 0.13307 = 63.31%
P(-0.34 < z < 0)
P (0 < z <  ) = 0.50000
P( -0.34 < z < ) =
0.13307 + 0.50000 = 0.63307

13.31% 50%

-3 -2 -1 0 1 2
3
 ejemplo 5
Hallar P( 0.34 < z < 2.30) P(0< z <0.34) = 0.13307
P( 0 < z < 2.30) = 0.4893
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623

35.62%

z
-3 -2 -1 0 1 2 3
 EJEMPLO

Sea una variable distribuida normalmente con media

 = 4 y desviación típica  = 1.5.
¿Cuál es la probabilidad de encontrar un valor x  6
(P(x  6 ))?
 =4  = 1.5 Hallar P ( x > 6 )
xμ
1.- transformar x en un valor de z z
z = (6 - 4)/1.5 = 1.33 σ
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 = 0.5

0.40824

0.09176
? x
-0.5 1 2.5 4 5.5 6 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
Se ha visto como dado un valor x de la variable, hallar
probabilidades transformando (estandarizando) la variable
en valores de x-
z=

¿Cómo hallar un valor de x, dada la probabilidad?
Ejemplo: Sea una variable distribuida normalmente con  =4 y
 =2 . Hallar el valor de x que deja por encima de él un 38.20%
(0.3820)
Se debe desestandarizar :
x=z+
0.5000 - 0.382 = 0.118  Se busca en
Se busca en la tabla
la tabla el valordemás aproximado
acuerdo al área. :0.1179 38.20%
corresponde a z =+su0.30
Con signo

Sustituyendo en la fórmula
0.30x2+4 =4.60 x=?
4.60
 APROXIMACION A LA NORMAL DE LA
DISTRIBUCIÓN BINOMIAL
La distribución Binomial converge a la normal cuando n
tiende a  (teorema de de Moivre, caso particular del teorema
central del límite)
b  0.5
n x n x
lim  C x p Abraham
q de  Moivre f ( x )  dx
n   a ,b a  0.5 de las probabilidades”
En su obra “ La doctrina
es N (np, npq)
se encuentra la primera enunciación de la regla
de la multiplicación, y en sus dos últimas
ediciones aparecen las primeras indicaciones de
la distribución normal (1733) a partir del
teorema de Bernouilli
p(x)

a b
a -0.5 b + 0.5
En la práctica la aproximación es buena cuando
se cumple al menos una de estas condiciones:

1.- np y nq  15
2.- npq > 5
3.- np  3 npq  0, n
1.- np y nq  15 2.- npq >5 3.- np  3 npq  0, n

EJEMPLO
Sea una variable Binomial con n = 40 y p = 0.4. Calcular mediante la
aproximación normal la probabilidad de obtener 8 éxitos

 = np = 16  = npq = 3.1

Se calcula la P( 7.5 < X < 8.5 )

¿ Se cumple alguna de las condiciones?

SI np = 16 y nq = 24
z1 = 7.5-16/3.1 = -2.74 ; P = 0.4969
z2 = 8.5 - 16/3.1 = - 2.42 ; P = 0.4922

P(7.5<X<8.5) = 9.8 12.9

6.7 16
0.4969 - 0.4922 = 0.0047 8.5
7.5
 TEOREMA CENTRAL DEL LÍMITE
En condiciones muy generales la suma de n variables
aleatorias , independientes y con la misma distribución
tiende a la distribución normal a medida que n tiende a
infinito

lim f ( S n )  N (  ,  )
n 
S n  X 1  X 2  ... X n
 0.2
EJEMPLO:
La distribución de probabilidad 0.15

al tirar un dado es una

distribución uniforme discreta 0.1

0.05

0
1 2 3 4 5 6

0.18

0.12
La distribución de la suma de
dos dados es una
distribución triangular 0.06

0
2 3 4 5 6 7 8 9 10 11 12
A medida que se aumenta el número de dados, se puede ver
cómo las distribuciones teóricas generadas, se aproximan cada
vez más a la normal Por ejemplo la suma de 3 dados
0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
 ¿QUE SE HA VISTO ?

FUNCION DE DENSIDAD EN GENERAL

DISTRIBUCIÓN NORMAL
Función de densidad
Características de la D N
Parámetros :  y 
Tipificación : z N(0,1)
Tabla de z y su uso

APROXIMACION DE LA BINOMIAL A LA NORMAL

TEOREMA CENTRAL DEL LIMITE