Modelo de Probabilidad Normal

X ~ N ( ; )
f (x ) =

1
2

( x )2
2 2

Modelos de Probabilidad Normal

El modelo normal. Definicin
Se trata de la distribucin ms utilizada en la modelizacin de experimentos
aleatorios. Esta distribucin puede obtenerse al considerar el modelo bsico de
una variable aleatoria binomial cuando el nmero de ensayos se vuelve cada vez
ms grande.
La importancia de la distribucin normal se extiende ms all de proporcionar
aproximaciones a las probabilidades binomiales. Por ejemplo, puede demostrarse
que cada vez que un experimento aleatorio est formado por una serie de ensayos
independientes, donde cada uno da como resultado un valor observado de la
variable aleatoria en particular, entonces la variable aleatoria que representa el
resultado promedio (o total) en n ensayos tiende hacia una distribucin normal.
Diremos que una variable aleatoria continua X es normal con media y varianza
2 y lo representaremos como X~N(,2), siendo < x < y > 0, siempre que
su funcin de densidad de probabilidad sea:
( x )2

f (x ) =

2 2

Modelos de Probabilidad Normal

El modelo normal. Funcin de densidad de probabilidad
La funcin de densidad de probabilidad es una curva simtrica con forma de
campana (campana de Gauss):

Densidad Normal (Media = 10)

-15

-10

-5

Varianza = 4

10

15

Varianza = 9

20

25

30

35

Varianza = 16

Modelos de Probabilidad Normal

El modelo normal
La principal caracterstica de la distribucin normal, a la que debe su gran
importancia terica y prctica, es que para cualquier distribucin, aunque no siga
una distribucin normal, la distribucin de su media muestral tiende a una
distribucin normal.
Ejemplo: Sea X~U(a = 0; b = 10). Si tomamos 10.000 muestras de 10
observaciones cada una de la variable X y calculamos sus medias, tenemos una
muestra de 10.000 individuos de la variable X10, que es la media de las 10
observaciones uniformes. El histograma de la variable X10 quedara:
Que se corresponde, aproximadamente,
con una variable normal, con media = 5
(la misma media que la variable uniforme)
y con varianza 2 = 0,833 (la dcima parte
de la varianza de la variable uniforme).

A mayor tamao de las muestras, mayor

parecido
con el modelo normal.
10

Modelos de Probabilidad Normal

El modelo normal
Un resultado interesante para la distribucin normal es que:

X ~ N , 2

P( < X < + ) = 0,6827

P( 2 < X < + 2 ) = 0,9545

P( 3 < X < + 3 ) = 0,9973

68,27%

-3

-2

-1

99,73%

95,45%

-3

-2

-1

-3

-2

-1

Modelos de Probabilidad Normal

El modelo normal

Una variable aleatoria normal con media = 0 y varianza 2 = 1 recibe el nombre

de variable aleatoria normal estndar y se denota como Z.

La gran utilidad de la variable normal estndar, Z, se debe a que cualquier variable

aleatoria normal X se puede estandarizar, sin ms que restarle su media y dividir
el resultado obtenido por su desviacin tpica, es decir:

X ~ N ( ; ) Z =

~ N (0; 1)

Slo disponemos de tablas de la funcin de distribucin de la variable normal

estndar, por lo que para calcular probabilidades asociadas a cualquier variable
normal previamente tendremos que estandarizarla.
X~N(;)FX(t)=P(X t) = P((X)/) (t)/) = P(Z (t)/) =FZ((t)/)
Ejemplo:

t
X ~ N ( ; ) FX (t ) = FZ

X~N( = 5; = 2) P(X 6) = P(Z (65)/2) = P(Z 0,5)

Modelos de Probabilidad Normal

El modelo normal. Uso de la tabla para Z
En la figura de la derecha se muestra un fragmento de la tabla de la funcin de
distribucin de Z~N(0; 1), es decir, de F(t) = P(Z t).
Ejemplos
P(Z 0,53) = 0,7019
P(0,25 Z 0,82) =
= P(Z 0,82) P(Z 0,25) =
= 0,7939 0,5987 = 0,1952
P(Z 1,16) = 1 P(Z 1,16) = 0,123
P(Z 1,16) = 1 P(Z 1,16) = 0,123

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2

0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849

0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869

0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888

0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907

0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925

0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944

0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962

P(Z 1,16) = P(Z 1,16) = 0,877

Calcula el percentil 67 de Z. P67 = 0,44, ya que P(Z 0,44) = 0,67

Modelos de Probabilidad Normal

El modelo normal. Ejemplo
En una poblacin se asume que la tensin arterial sistlica (TAS) verifica una
distribucin normal, con media = 120 mm Hg y = 25 mm HG.
a. Calcula la proporcin de personas con TAS mayor que 170 mm Hg.
( TAS 120 170 120
P(TAS 170 ) = P

25
25

= P(Z 2 ) = 1 P(Z 2 ) = 1 0,97725 = 2,28%

Con EXCEL: =1DISTR.NORM(170;120;25;1)

b. Calcula la proporcin de personas con TAS entre 160 y 180 mm Hg.
180 120
( 160 120
P(160 TAS 180 ) = P
Z
= P(1,6 Z 2,4 )
25
25

= P(Z 2,4 ) P(Z 1,6 ) = 0,9918 0,9452 = 4,66%

Con EXCEL: =DISTR.NORM(180;120;25;1)DISTR.NORM(160;120;25;1)

Modelos de Probabilidad Normal

El modelo normal. Ejemplo
c. Calcula la proporcin de personas con TAS menor que 100 mm Hg.
100 120
(
P(TAS 100 ) = P Z

25

= P(Z 0,8) = 1 P(Z 0,8) = 1 0,7881 = 21,19%

Con EXCEL: =DISTR.NORM(100;120;25;1)

d. Calcula una TAS que slo sea superada por el 10% de la poblacin.
P 120
P 120

P(TAS P90 ) = 0,9 P Z 90

1,28 P90 152 mm Hg
= 0,9 90
25
25

Con EXCEL: =DISTR.NORM.INV(0,9;120;25) =152,04 mm Hg

e. Calcula una TAS que sea superada por el 60% de la poblacin.
P 120
120 P40

P(TAS P40 ) = 0,4 P Z 40

= 0,4 P Z
= 0,6
25
25

120 P40

0,25 P40 113,75 mm Hg

25

Con EXCEL: =DISTR.NORM.INV(0,4;120;25) =113,67 mm Hg

Modelos de Probabilidad Normal

Uso del modelo normal para aproximar el modelo binomial
Dada la variable X~Bi(n; p), si np > 5 y n(1p) > 5, se puede emplear el modelo
normal para aproximar X, construyendo XN~N( = np; 2 = np(1p)).
Por ejemplo, si X~Bi(n = 50; p = 0,8), al ser np = 40 >5 y n(1p) = 10 > 5, se
puede construir XN~N( = 40; 2 = 8) para aproximar X.
45,5 40

P( X 45) P( X N 45,5) =( P Z
= P(Z 1,94 ) = 97,38%
8

Con EXCEL obtenemos: =DISTR.BINOM(45;50;0,8;1) = 98,15%

Si X~Bi(n = 1.000; p = 0,6), XN~N( = 600; 2 = 240)
625,5 600

P( X 625) P( X N 625,5) =( P Z
= P(Z 1,65) = 95,05%
240

Con EXCEL obtenemos: =DISTR.BINOM(625;1000;0,6;1) = 95,05%

Por qu P(X 45) P(XN 45,5),
en lugar de P(X 45) P(XN 45)?

X 45
X < 45

44

45

46

Modelos de Probabilidad Normal

Uso del modelo normal para aproximar el modelo Poisson
Dada la variable X~Po(), si 5, se puede emplear el modelo normal para
aproximar X, construyendo XN~N( = ; 2 = ).
Por ejemplo, si X~Po( = 20), al ser = 20 > 5, se puede construir:
XN~N( = 20; 2 = 20) para aproximar X.
25,5 20

P( X 25) P( X N 25,5) =( P Z
= P(Z 1,23) = 89,07%
20

Con EXCEL obtenemos: =POISSON(25;20;1) = 88,78%

21,5 20
16,5 20
P(17 X < 22 ) P(16,5 X N 21,5) =( P
Z
= 41,44%
20
20

Con EXCEL obtenemos: =POISSON(21;20;1) POISSON(16;20;1) = 42,26%

Si X~Po( = 100), XN~N( = 100; 2 = 100)
90,5 100

P( X 90 ) P( X N 90,5) =( P Z
= P(Z 0,95) = 17,11%
100

Con EXCEL obtenemos: =POISSON(90;100;1) = 17,14%

Modelos de Probabilidad Normal

Resumen de aproximaciones

= np

Bi (n; p )

Po( )

n > 30 p < 0,1

Condiciones
np 5

= np

= np (1 p )
2

n(1 p ) 5

N ; 2

=2 =

Modelos de Probabilidad Normal

Transformaciones lineales del modelo normal

X ~ N X ; X2

Y = a + bX

(
)
Y ~ N ( ; )

Y ~ N Y = a + b X ; Y2 = b 2 X2

X ~ N X ; X2
Y

2
Y

X e Y indeptes

T ~ N T = a X + b Y ; T2 = a 2 X2 + b 2 Y2

T = aX + bY

Si X e Y no son independientes no
podemos garantizar la normalidad de Z

Modelos de Probabilidad Normal

Teorema del lmite central
Dada la variable aleatoria X con funcin de distribucin FX, si extraemos una
muestra aleatoria (observaciones independientes e idnticamente distribuidas) de
dicha variable: {X1, X2, , Xn}, con n lo suficientemente grande, se verifica que la
media muestral se distribuye aproximadamente como una variable normal, con la
misma media que X y con una varianza que es igual a la de X, dividida por n.

X 1 , X 2 ,K, X n m.a. de FX
X=

X1 + X 2 + K + X n
n

2
X ~ N X = X ; X2 = X
n

Una caracterstica muy importante de este resultado es que no se exige la

normalidad de X. FX puede ser cualquier modelo de probabilidad, incluso un
modelo discreto.
Este resultado ayuda a comprender el ejemplo de la diapositiva 12.

Modelos de Probabilidad Normal

Teorema del lmite central. Ejemplo
Ejemplo: Sea X~U(a = 0; b = 10) X = (0 + 10)/2 = 5 y X2 = (10 0)2/12 = 8,3
Si tomamos 10.000 muestras de 10 observaciones cada una de la variable X y
calculamos sus medias, tenemos una muestra de 10.000 individuos de la variable
X10, que es la media de las 10 observaciones uniformes.
Segn el TLC la media muestral se distribuye segn una normal:

2
X ~ N X = X ; X2 = X
n

X ~ N X = 5; X2 = 0,83

Hemos calculado el histograma y el

polgono de frecuencias correspondiente
al ejemplo y vemos que en efecto, se
corresponde, aproximadamente, con una
variable normal, con media 5 y con
varianza 0,833.
0

10

Modelos de Probabilidad Normal

Distribucin normal con EXCEL
Distribucin normal X~N(;)
Funcin de distribucin:
F(t) = P(X t) = DISTR.NORM(t ; ; ; 1)
Clculo de percentiles:
PK = DISTR.NORM.INV(K/100 ; ; )
Ejemplo: X~N( = 160; = 15)
P(X 150) = DISTR.NORM(150;160;15;1) = 25,25%
Q3 = P75 = DISTR.NORM.INV(75/100 ; 160 ; 15) = 170,12