Distribución Normal o de Gauss

Distribución Normal o de Gauss
La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre
(1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elaboró desarrollos más
profundos y formuló la ecuación de la curva; de ahí que también se le conozca, más
comúnmente, como la "campana de Gauss".
Definición
Se dice que la v.a continua X es una v.a. normal con parámetros µ y σ² si su función de
densidad es:
( x −µ ) 2
1 −
f (x ) = e 2σ 2
σ 2π
Se denota X~N(µ,σ²) y se dice X se distribuye normal con parámetros µ y σ²
Representación gráfica de la función de densidad normal.
Características de la distribución normal

 Dom f =ℝ
 La función siempre es positiva, f(x)>0 para toda x.
1
 El máximo de f se alcanza en µ y su valor es f (µ) =
σ 2π
 Puntos de inflexión en µ-σ y µ+σ
 Es simétrica con respecto a la recta x=µ
 Es creciente en el intervalo ]-∞,µ[ y decreciente en el intervalo ]µ,+∞[
 La función tiende a 0 cuando x tiente a -∞ y a +∞
Gráfica de una distribución normal y significado del área bajo la curva.
Propiedad Si X~N(µ,σ²) entonces E(X)= µ y V(X)= σ²
De lo anterior, cuando X~N(µ,σ²) se dice X se distribuye normal con media µ y varianza

σ². Por tanto, la desviación estándar de X será σ.
La forma de la campana de Gauss depende de los parámetros µ y σ². La media (µ) indica la
posición de la campana, de modo que para diferentes valores de µ la gráfica es desplazada a
lo largo del eje horizontal. Por otra parte, la varianza (σ² ) determina el grado de dispersión
de la curva con respecto a la media µ. Cuanto mayor sea el valor de σ² más se dispersarán
los datos en torno a la media y la curva será más plana o achatada. Un valor pequeño de σ²
indica, por tanto, una gran probabilidad de obtener datos cercanos al valor medio de la
distribución y el gráfico de la curva se concentrará más alrededor de la media (µ). Como se
deduce de lo anterior, no existe una única distribución normal, sino una familia de
distribuciones con una forma común, diferenciadas por los valores de su media y su
varianza.
Ejemplos de distribuciones normales
con diferentes parámetros µ y σ.
Función de Distribución de la N(µ,σ²)
Si X~N(µ,σ²), entonces su función de distribución F será:
t ( x −µ ) 2
1 −
F( t ) = P(X ≤ t ) = ∫ e 2σ 2
dx
− ∞ σ 2π
Propiedades:
P(X ≤ a) = F(a)
P(a ≤ X ≤ b) = F(b)-F(a)
P(X ≥ a) = 1 - P(X ≤ a) = 1-F(a)
Distribución normal estándar
Una variable Z se dice que tiene una distribución normal estándar (o típica) cuando su
media (µ) es 0 y la varianza (σ²) es 1. Se denota Z~N(0,1)
La función de distribución de Z será entonces:
t x2
1 −2
Φ (t ) = P( Z ≤ t ) = ∫
−∞ 2π
e dx
Tabla de la normal estándar
Segunda cifra decimal del valor de z

z 0.00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .4878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
Ejemplos de los casos más frecuentes del cálculo de probabilidades de intervalos.
Estandarización o Tipificación
Si a una variable X~N(µ,σ²) se le resta la media y se divide por la desviación estándar se

obtiene un v.a. normal con media 0 y varianza 1.
X−µ
O sea, si Z = , entonces Z~N(0,1). A la variable Z se le llama variable estandarizada
σ
o tipificada de X.
Las probabilidades de una variable X~N(µ,σ²) se calculan a partir de la tabla de la N(0,1)
de la forma siguiente:
 X −µ a −µ  a −µ a −µ

P(X ≤ a) = P ≤  = P Z ≤  = φ 
 σ σ   σ   σ 
a −µ
P(X ≥ a) = 1 − φ 
 σ 
 b−µ a −µ
P(a ≤ X ≤ b) = φ  − φ 
 σ   σ 
Percentil de la distribución N(0,1)
Definición
Sea Z~N(0,1), se define el percentil α de la distribución N(0,1), que se denota por Zα, al
valor que cumple que:
P(Z< Zα) = α
Ejemplos:
El percentil 0,99 (o percentil 99) de la N(0,1) es 2,33. Ya que P(Z<2,33) = 0,99.
O sea, Z0,99=2,33.
El percentil 0,50 (o percentil 50) de la N(0,1) es 0. Ya que P(Z<0) = 0,5.

O sea, Z0,5=0.
Propiedad Z1-α = - Zα
Definición
Sea X~N(μ,σ2), se define el percentil α de la distribución N(μ,σ2), que se denota por Xα, al
valor que cumple que:
P(X< Xα) = α.
Propiedad Si X~N(μ,σ2) entonces Xα = μ + σ Zα
Propiedad Si X~N(μ,σ2) entonces X1-α = 2μ - Xα
Ejemplo:
Si X~N(5,9), entonces:
X0,99 = 5 + 3 Z0,99 = 5 + 3(2,33)=5+6,99=11,99
X0,01 = 2(5) - X0,99 = 10-11,99 = -1,99

Distribución Normal o de Gauss

Cargado por

Copyright:

Formatos disponibles

Distribución Normal o de Gauss

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribución Normal o de Gauss

Cargado por

Copyright:

Formatos disponibles

Distribución Normal o de Gauss

Representación gráfica de la función de densidad normal.

Características de la distribución normal

Propiedad Si X~N(µ,σ²) entonces E(X)= µ y V(X)= σ²

De lo anterior, cuando X~N(µ,σ²) se dice X se distribuye normal con media µ y varianza

Función de Distribución de la N(µ,σ²)

Si X~N(µ,σ²), entonces su función de distribución F será:

P(X ≥ a) = 1 - P(X ≤ a) = 1-F(a)

Distribución normal estándar

La función de distribución de Z será entonces:

Segunda cifra decimal del valor de z

Si a una variable X~N(µ,σ²) se le resta la media y se divide por la desviación estándar se

 X −µ a −µ  a −µ a −µ

El percentil 0,50 (o percentil 50) de la N(0,1) es 0. Ya que P(Z<0) = 0,5.

Propiedad Si X~N(μ,σ2) entonces Xα = μ + σ Zα

Propiedad Si X~N(μ,σ2) entonces X1-α = 2μ - Xα

También podría gustarte