1

2
 DISTRIBUCIÓN NORMAL

Se dice que muchos fenómenos se distribuyen normalmente. Esto significa que si uno toma al azar
un número suficientemente grande de casos y construye un polígono de frecuencias con alguna
variable continua, por ejemplo peso, talla, presión arterial o temperatura, se obtendrá una curva de
características particulares, llamada distribución normal. Es la base del análisis estadístico, ya que
en ella se sustenta casi toda la inferencia estadística.

La función de densidad de probabilidad para la variable aleatoria continua fue descubierta por Carl
Gauss al estudiar el comportamiento de los procesos aleatorios. Es ampliamente utilizada en
estadística y teoría de las probabilidades.

Esta función, también conocida como distribución normal tiene la forma de una campana, por este
motivo también es conocida como la campana de Gauss. Sus características son las siguientes:

 Es una distribución simétrica.

 Es asintótica, es decir sus extremos nunca tocan el eje horizontal, cuyos valores tienden a
infinito.
 En el centro de la curva se encuentran la media, la mediana y la moda.
 El área total bajo la curva representa el 100% de los casos.
 Los elementos centrales del modelo son la media y la varianza.

Esta distribución es un modelo matemático que permite determinar probabilidades de ocurrencia

para distintos valores de la variable.

Esta función tiene un comportamiento muy similar a la función, cuya tabulación y gráfica son las
siguientes:

La distribución normal sirve para conocer la probabilidad de encontrar un valor de la

Variable que sea igual o inferior a un cierto valor, conociendo la media, la desviación estándar, y
la varianza de un conjunto de datos en sustituyéndolos en la función que describe el modelo. El
cálculo resulta bastante complejo pero, afortunadamente, existen tablas estandarizadas que
permiten eludir este procedimiento.

Su aplicación más importante es que en la gráfica, el área sombreada corresponde a la

3
 probabilidad de encontrar un valor de la variable que sea igual o inferior a un valor dado. Esa
probabilidad se determina usando una tabla estandarizada.

Distribución Normal: Ejemplos

Una distribución normal de media µ y desviación típica σ se designa por N (µ, σ). Su
gráfica es la campana de Gauss:

El área del recinto determinado por la función y el eje de abscisas es igual a la unidad. Esto es
porque la probabilidad de que un suceso ocurra entre todas las posibilidades es un 100%, o sea
1. La integral, entre menos y más infinito, de la función de densidad de probabilidad es 1.
Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la izquierda y
otra igual a 0.5 a la derecha.

2
Esta función de densidad de probabilidad tiene una expresión parecida a g: g(x) = e–x .
(x—μ)2
–½
La distribución Normal o curva Normal de Gauss es ƒ: ƒ(x) = C. e σ2 .
+∞
En ésta función C es el valor que hace posible que se cumpla que ƒ ƒ(t)dt = 1.
–∞
1
El valor de C es: C =
σ√2π

Entonces, para calcular la probabilidad de que ocurra un suceso, entre -∞ y a, sólo hay que

a 1 (x—μ)2
calcular: P(x < a) =ƒ e –½ σ2 dx
–∞ √2π
Esto representa el área debajo de la campana de Gauss para los valores menores que a.

4
Podría suceder que no se quiera calcular esta integral en todos los ejercicios. Para evitar su
cálculo, existen tablas donde la integral ya está calculada.

Pero para cada valor de la media  y para cada valor de la desviación estándar  se
necesitarían tablas diferentes. Son demasiadas.

Para evitar esto, se hace una sustitución o cambio de variable. Eso lo veremos ahora.

Distribución normal estándar N (0, 1)

La distribución normal estándar, o tipificada o reducida, es aquella que tiene por media el
valor cero, µ =0, y por desviación típica la unidad, σ =1.

La probabilidad de la variable X dependerá del área del recinto sombreado en la figura. Y

para calcularla utilizaremos una tabla, que se encuentra al final de este repartido.

Tipificación de la variable

Para poder utilizar la tabla tenemos que transformar la variable X que sigue una distribución
N(µ, σ) en otra variable Z que siga una distribución N(0, 1).

cambio de variable.

X Z
Promedio o media µ 0
1 desviación standard µ+σ 1
2 desviaciones standard µ + 2σ 2
3 desviaciones standard µ + 3σ 3
1 desviación standard µ-σ -1
2 desviaciones standard µ - 2σ -2
Por ejemplo, hagamos el cambio de variable para X  entonces queda:

3
5
 X 3
Z (  3 )   3
 

  
Si tenemos un ejercicio con valores de X, µ y σ hacemos el cambio de variable y
encontramos Z, luego vamos a la tabla y con el valor de Z hallamos la probabilidad = área.

X—μ
Z= σ Con Z vamos a la
Con los datos tabla y hallamos la
X µ σ probabilidad.

Cálculo de probabilidades en
distribuciones normales
La tabla (al final de este repartido) nos da las probabilidades de P(z ≤ k), siendo z
la variable tipificada. Estas probabilidades nos dan la función de distribución Φ(k).

Φ(k) = P(z ≤ k)

En la tabla de valor de k se ubican las unidades y décimas en la columna de la izquierda y las

centésimas en la fila de arriba.

Ejemplo 1. La temperatura durante setiembre está distribuida normalmente con media 18,7ºC
y desviación standard 5ºC. Calcule la probabilidad de que la temperatura durante setiembre esté
por debajo de 21ºC.

Resolución. µ = 18,7ºC σ = 5ºC X = 21ºC

21–18,7 = 2,3 = 0,46

= 5 5

Ahora vamos a la tabla y para el valor de Z = 0,46 tenemos que la probabilidad es de 0,6772.

6
¿Pero que probabilidad es que hemos averiguado de la tabla?

Justamente, esta tabla nos proporciona la probabilidad desde que ocurran sucesos menores que
Z = 0,46. Esto es, la probabilidad de que ocurran sucesos desde menos infinito hasta el valor de
Z de 0,46 es 0,6772. Esto es, un 67,72 %.

Sucesos menores que Z = 0,46 es lo mismo que decir que la temperatura sea menor que 21ºC.
Con la variable X hablamos de temperatura, con la variable estándar hablamos de Z.

Ejercicio . La temperatura durante setiembre está distribuida normalmente con media 18,7ºC
y desviación standard 5ºC. Calcule la probabilidad de que la temperatura durante setiembre esté
por encima de 21ºC.

Resolución: Primero, hay que leer bien el ejercicio. ¿Se ha fijado, querido estudiante, que
este ejercicio 2 es diferente al ejercicio 1? Léalo de nuevo.

Este ejercicio es el complementario del anterior. Si en el ejercicio 1 vimos que la probabilidad

de que ocurran temperaturas menores que 21ºC es de 0,6772, entonces ahora la probabilidad
de que ocurran temperaturas mayores será: 1 - 0,6772 = 0,3228. Esto es un 32,28%.

7
Ejercicio. La media de los pesos de 5000 estudiantes de un colegio es 70 kg y la desviación
típica 3 kg. Suponiendo que los pesos se distribuyen normalmente, “hallar cuántos estudiantes”
pesan menos de 60 kg.

Resolución. µ = 70Kg. σ = 3 Kg. X = 60Kg.

60– = –10 = —3,33

=
70 3
3

¿Y cómo buscamos en la tabla un número negativo?

El valor negativo sólo nos está diciendo que estamos por debajo de la media. Pero en la tabla
todos los valores de Z son positivos. ¿Entonces?

La probabilidad de que Z sea menor que -a, en el dibujo de la izquierda, es igual que la
probabilidad de que Z sea mayor que a , en el dibujo de la derecha.

Pero nuestra tabla sólo nos proporciona la probabilidad de que Z < algo. Entonces, mirando el
dibujo de la derecha, buscamos la probabilidad de que Z<a , que es la parte amarilla, y
luego calculamos su complemento, con 1 – (resultado anterior).

Mirando la tabla para Z = 3.33, queda que la probabilidad es de 0,9996.

Entonces, P(Z>3,33) = 1 - 0,9996 = 0,0004. = P (Z < - 3,33)

Esto es, el 0,04 % de los 5000 estudiantes pesan menos de 60 Kg. Son 2 estudiantes.

Observación: ¿Qué opina respecto a la pregunta: “calcular el número de estudiantes”?

8
Distribución Normal: Repaso y ejemplos. .

P(Z < a)

P(Z > a) = 1 - P(Z< a)

Tienen la
mism a área,
entonces la
probabilidad
P(Z < −a) = 1 − P(Z< a) es la misma.

9
P(Z > −a) = P(Z ≤ a)

P(a < Z ≤ b ) = P(Z ≤ b) − P(Z ≤ a)

P(−b < Z ≤ −a ) = P(a < Z ≤ b )

P(−a < Z ≤ b ) = P(Z ≤ b)

10
11
12