DISTRIBUCION NORMAL:

Introducción:

En estadística y probabilidad se llama

distribución normal, distribución de
Gauss, distribución gaussiana o
distribución de Laplace-Gauss, a una de
las distribuciones de probabilidad de
variable continua que con más
frecuencia aparece en estadística y en
la teoría de probabilidades.

La gráfica de su función de densidad

tiene una forma acampanada y es
simétrica respecto de un determinado
parámetro estadístico. Esta curva se
conoce como campana de Gauss y es el gráfico de una función gaussiana.

La importancia de esta distribución radica en que permite modelar numerosos fenómenos

naturales, sociales y psicológicos. Mientras que los mecanismos que subyacen a gran parte de este
tipo de fenómenos son desconocidos, por la enorme cantidad de variables incontrolables que en
ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observación se
obtiene como la suma de unas pocas causas independientes.

De hecho, la estadística descriptiva sólo permite describir un fenómeno, sin explicación alguna. Para
la explicación causal es preciso el diseño experimental, de ahí que al uso de la estadística en
psicología y sociología sea conocido como método correlacional.

La distribución normal también es importante por su relación con la estimación por mínimos
cuadrados, uno de los métodos de estimación más simples y antiguos.

Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el modelo de la normal
son:

 Caracteres morfológicos de individuos (personas, animales, plantas) de una especie (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.
 Errores cometidos al medir ciertas magnitudes.
 Valores estadísticos muéstrales, por ejemplo: la media. Y en general cualquier característica
que se obtenga como suma de muchos factores.

Distribución normal o gaussiana:

 Está caracterizada por dos parámetros: la media, μ y la desviación típica, σ.

 Su función de densidad es:
 (𝑥−𝜇)2
1 −
𝑁(𝜇, 𝜎) = 𝑃(𝑥) = 𝑒 2𝜎2 (𝜎 > 0)
𝜎 √2𝜋

La curva normal adopta un número infinito de formas, determinadas por sus parámetros μ y σ.

Características de la distribución normal:

 Tiene forma de campana, es asintótica al eje de las abscisas (para x = ±∞)

 Simétrica con respecto a la media (µ) donde coinciden la mediana (Mn) y la moda (Mo).
 Los puntos de inflexión tienen como abscisas los valores µ ± σ.

Distribución normal con µ =0 para varios valores σ

 1 (𝑥−𝜇)2
−
𝑁(𝜇, 𝜎) = 𝑃(𝑥) = 𝑒 2𝜎2 (𝜎 > 0)
𝜎√2𝜋

Curvas normales con distintas medias y desviaciones estándar

N (μ, σ): Interpretación geométrica:

 Podemos interpretar la media como un factor de traslación.

 Y la desviación típica como un factor de escala, grado de dispersión

N (μ, σ):

Interpretación probabilista:

 Entre la media y una desviación típica tenemos siempre la misma probabilidad:

aproximadamente el 68%.
  Entre la media y dos desviaciones típicas aprox. 95%

 Si tomamos intervalos centrados en μ, y cuyos extremos están

–a distancia σ,  tenemos probabilidad 68%

–a distancia 2 σ,  tenemos probabilidad 95%

–a distancia 2’5 σ  tenemos probabilidad 99%

1 (𝑥−𝜇)2
−
𝑁(𝜇, 𝜎) = 𝑃(𝑥) = 𝑒 2𝜎2
𝜎√2𝜋
Podemos obtener la función de distribución F(x) integrando la función de densidad de probabilidad:

𝑏 (𝑥−𝜇)2
1 −
𝐹(𝑥) = ∫ 𝑒 2𝜎2 𝑑𝑣
𝜎√2𝜋 𝑎
De modo que la probabilidad de una variable aleatoria normal X en un intervalo a ≤ x ≤ b es:
𝑏 (𝑥−𝜇)2
1 −
𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝐹(𝑏) − (𝑎) = ∫ 𝑒 2𝜎2 𝑑𝑣
𝜎√2𝜋 𝑎
En particular:
𝑏 (𝑥−𝜇)2
1 −
∫ 𝑒 2𝜎2 𝑑𝑣 = 1
𝜎√2𝜋 𝑎

Distribución normal Estándar:

Se observó que no existe una sola distribución de probabilidad normal, sino una “familia” de ellas.
Como sabemos, cada una de las distribuciones puede tener una media (µ) o una desviación estándar
distinta (σ). Por tanto, el número de distribuciones normales es ilimitado y sería imposible
proporcionar una tabla de probabilidades para cada combinación de µ y σ. Para resolver este
problema, se utiliza un solo “miembro” de la familia de distribuciones normales, aquella cuya media
es 0 y desviación estándar 1 que es la que se conoce como distribución estándar normal, de forma
que todas las distribuciones normales pueden convertirse a la estándar, restando la media de cada
observación y dividiendo por la desviación estándar. Primero, convertiremos la distribución real en
una distribución normal estándar utilizando un valor llamado Z, o estadístico Z que será la distancia
entre un valor seleccionado, designado X, y la media µ, dividida por la desviación estándar σ.
𝑋− 𝜇
Formalmente, si X ∼ N(µ,σ) , entonces la v.a. 𝑍 = se distribuye según una normal de media
𝜎
0 y desviación estándar 1, i.e.: Z ∼ N(0,1) , que es la distribución llamada normal estándar.

De esta manera, un valor Z mide la distancia entre un valor especificado de X y la media aritmética,
en las unidades de la desviación estándar. Al determinar el valor Z utilizando la expresión anterior,
es posible encontrar el área de probabilidad bajo cualquier curva normal haciendo referencia a la
distribución normal estándar en las tablas correspondientes. Así pues, para averiguar el área
anterior utilizaremos la tabla que encontraremos al final de este apartado. Dicha tabla nos
proporciona la probabilidad de que la v.a. normal estándar Z tome un valor situado a la izquierda de
un número c, i.e.: P(Z< c) En otras palabras, esta tabla nos da el valor del área encerrada por f(x)
entre -∞ y c.
Distribución normal Tipificada:

Si, a partir de una variable X que siga una distribución Normal obtenemos una variable z que sea:
𝑋− 𝜇
𝑍= su función de densidad vendrá dada por la siguiente expresión:
𝜎

Comparando ¦ (z) con ¦ (x) es fácil ver que la función de densidad de z sería la de una distribución
normal que tenga por parámetros m = 0 y s = 1

A partir de este resultado y aplicando las características ya estudiadas de la función de una normal,
se puede concluir las siguientes propiedades de la "distribución-normal-cero-uno":

Su función de densidad es simétrica respecto z = 0

Su función de densidad presenta dos asíntotas para tendiendo a cero por ambos lados

Presenta dos puntos de inflexión en z = ± 1

Presenta un máximo en z=0 . Así su representación gráfica sería