Scribd
Cargar
5 vistas14 páginas

Introducción a la Distribución Normal

La distribución normal describe cómo se distribuyen muchas variables en la naturaleza. Fue presentada por primera vez por de Moivre en 1733 y ampliada por Laplace. Describe fenómenos como los errores en experimentos. Se caracteriza por una curva en forma de campana simétrica respecto a la media, y por áreas bajo la curva que representan porcentajes de datos comprendidos dentro de ciertos rangos de desviación estándar de la media. Tiene muchas aplicaciones estadísticas e influyó en el desarrollo de otras áreas como el te

Cargado por

JESSICA PATRICIA MARTINEZ ALMANZA
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
5 vistas14 páginas

Introducción a la Distribución Normal

La distribución normal describe cómo se distribuyen muchas variables en la naturaleza. Fue presentada por primera vez por de Moivre en 1733 y ampliada por Laplace. Describe fenómenos como los errores en experimentos. Se caracteriza por una curva en forma de campana simétrica respecto a la media, y por áreas bajo la curva que representan porcentajes de datos comprendidos dentro de ciertos rangos de desviación estándar de la media. Tiene muchas aplicaciones estadísticas e influyó en el desarrollo de otras áreas como el te

Cargado por

JESSICA PATRICIA MARTINEZ ALMANZA
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Distribución

Normal
Esperanza Trenado Sánchez
■ La distribución normal
fue presentada por
primera vez por
Abraham de Moivre en
un artículo del año 1733.
■ Su resultado fue
ampliado por Laplace.
■ Gauss, justificó el
método de mínimos
cuadrados en 1809
asumiendo una
distribución normal de
los errores.
Función de densidad
■ Se dice que una variable aleatoria
continua X sigue una distribución normal
de parámetros μ y σ y se denota por:
X~N(μ, σ) si su función de densidad está
dada por:
DISTRIBUCION Normal
Distribución normal estándar
■ Es aquélla en la que sus parámetros
toman los valores μ = 0 y σ = 1. En este
caso la función de densidad tiene la
siguiente expresión:
Función de distribución
■ Dada una variable aleatoria X, su función
de distribución, FX(x), es

■ La función de distribución de la distribución


normal está definida como sigue:
PROPIEDADES:
■ Es simétrica respecto de su media, μ.
■ La moda y la mediana son ambas iguales a la
media, μ;
■ Los puntos de inflexión de la curva se dan
para x = μ − σ y x = μ + σ.
Intervalos de confianza
◻ en el intervalo [μ - σ, μ + σ] se encuentra
comprendida, aproximadamente, el 68,26% de la
distribución;
◻ en el intervalo [μ - 2σ, μ + 2σ] se encuentra,
aproximadamente, el 95,44% de la distribución;
◻ por su parte, en el intervalo [μ -3σ, μ + 3σ] se
encuentra comprendida, aproximadamente, el
99,74% de la distribución. Estas propiedades
son de gran utilidad para el establecimiento de
intervalos de confianza
Estandarización
Si X ~ N(μ,σ2), entonces:

es una variable aleatoria normal estándar:


Z ~ N(0,1).
La transformación de una distribución X ~
N(μ, σ) en una N(0, 1) se llama
normalización, estandarización o
tipificación de la variable X.
El Teorema del Límite Central

El Teorema del límite central establece


que bajo ciertas condiciones (como
pueden ser independientes e
idénticamente distribuidas con varianza
finita), la suma de un gran número de
variables aleatorias se distribuye
aproximadamente como una normal.
Ejemplo1:Si X es una variable aleatoria de
una distribución N(µ, σ), hallar: p(µ−3σ ≤ X ≤
µ+3σ)

Es decir, que aproximadamente el 99.74% de los


valores de X están a menos de tres desviaciones
típicas de la media.
Ejemplo 2: En una distribución normal de media 4
y desviación estándar 2. Calcular el valor para que
P(4-a≤X≤4+a)= 0.5934

.
* Una distribución binomial de parámetros n y
p es aprox. normal para grandes valores de n,
y p no demasiado cercano a 1 ó 0 (algunos
libros recomiendan usar esta aproximación
sólo si np y n(1 − p) son ambos, al menos, 5
La normal aproximada tiene parámetros μ =
np, σ2 = np(1 − p).

* Una distribución de Poisson con parámetro λ


es aprox. normal para grandes valores de λ.
La distribución normal aproximada tiene
parámetros μ = σ2 = λ.

También podría gustarte