REPÚBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN
UNIVERSITARIA
UNIVERSIDAD NACIONAL EXPERIMENTAL RÓMULO GALLEGO
ÁREA CIENCIAS DE LA SALUD
SAN JUAN ESTADO GUÁRICO
Estadística
FACILITADORA: BACHLLER:
Yhoasmeru Algueira
Eunice García 31055700
Eucary Quiñones 31227196
Introducción
Las distribuciones de probabilidad son herramientas fundamentales en
estadística y probabilidad, pues permiten modelar fenómenos aleatorios y
analizar comportamientos de variables en distintos contextos. Entre ellas, la
**distribución normal**, también conocida como distribución gaussiana, destaca
por su omnipresencia en ciencias, ingeniería, economía, y muchas otras
disciplinas.
Este trabajo se centra en explorar en profundidad las propiedades, aplicaciones
y cálculos asociados a las distribuciones de probabilidad, poniendo especial
énfasis en la distribución normal.
1. Propiedades de las distribuciones de probabilidad
Una distribución de probabilidad describe cómo se distribuyen los valores de
una variable aleatoria. Dependiendo de la naturaleza de la variable (discreta o
continua), las propiedades varían ligeramente, pero en general comparten
ciertos aspectos:
1.1 Función de probabilidad y función de densidad
Variable discreta: La distribución se describe mediante la función de
probabilidad \( P(X = x) \), que asigna a cada valor posible una probabilidad
específica, siendo la suma de todas ellas igual a 1.
Variable continua: Se representa mediante la función de densidad \( f(x) \), que
no da probabilidades en valores específicos (que son infinitos), sino la
probabilidad de que la variable caiga en un intervalo, calculada mediante la
integral:
con la condición de que:
1.2 Propiedades básicas
- La **media* \( \mu \) o valor esperado \( E[X] \) indica el valor central de la
distribución.
- La **varianza** \( \sigma^2 \) mide la dispersión respecto a la media.
- La **simetría** o asimetría describe la forma de la distribución acerca de la
media.
- La **función de distribución acumulada (CDF)** \( F(x) = P(X \leq x) \) da la
probabilidad de que la variable tome un valor menor o igual a \( x \).
1.3 Propiedades específicas de la distribución normal
Simetría respecto a la media \( \mu \).
- La forma de la curva es la clásica campana.
- La distribución está completamente definida por sus parámetros \( \mu \) y \( \
sigma \).
- La **regla empírica**: Aproximadamente el 68% de los datos se encuentra
dentro de una desviación estándar, el 95% dentro de dos, y el 99.7% dentro de
tres (regla de 68-95-99.7).
2. La distribución normal: definición y características
2.1 Definición
La distribución normal es una distribución continua cuya función de densidad
está dada por:
donde:
- \( \mu \): media o valor esperado.
- \( \sigma \): desviación estándar.
- \( \pi \): pi, constante matemática.
- \( e \): base del logaritmo natural.
2.2 Características principales
Simetría: La distribución es simétrica respecto a \( \mu \).
Campana: La curva tiene forma de campana, con máximos en \( \mu \).
Asintótica: La curva se acerca al eje horizontal pero nunca lo toca,
extendiéndose infinitamente en ambas direcciones.
Módulo de dispersión: La desviación estándar \( \sigma \) determina la anchura
de la campana.
Tamaño de la muestra: La distribución describe la suma o promedio de muchas
variables independientes con distribución similar (teorema del límite central).
3. Aplicaciones de la distribución normal
La distribución normal tiene una amplia variedad de aplicaciones en diferentes
campos:
3.1 Ciencias naturales y sociales
Mediciones y errores experimentales: Muchos errores de medición en física y
química siguen una distribución normal.
- **Inteligencia y habilidades humanas**: Los puntajes en pruebas de
inteligencia o rendimiento escolar suelen aproximarse a una distribución
normal.
3.2 Economía y finanzas
Retornos de activos: Los cambios en los precios de acciones o tasas de interés
se modelan, en muchas ocasiones, con distribuciones normales.
Modelos de riesgo: La evaluación de riesgos y valor en riesgo (VaR) usan
distribución normal para estimar probabilidades de pérdidas.
3.3 Ingeniería y calidad
Control de calidad: La variabilidad en procesos de fabricación suele seguir una
distribución normal, permitiendo detectar desviaciones significativas.
Procesos de producción: La medición de dimensiones o tiempos de producción
siguen distribuciones normales, ayudando a establecer límites de control.
3.4 Ciencias de la salud
Variables biológicas: Altura, peso, presión arterial, entre otros, tienden a
distribuirse normalmente en poblaciones saludables.
4. Cálculos en la distribución normal
El análisis con distribución normal requiere la utilización de funciones y tablas
específicas para calcular probabilidades y valores críticos.
4.1 Transformación a la distribución normal estándar
Para facilitar cálculos, se transforma cualquier variable normal \( X \sim N(\mu, \
sigma^2) \) en una variable estándar \( Z \sim N(0,1) \):
Esta transformación permite usar las tablas de valores Z para encontrar
probabilidades.
4.2 Cálculo de probabilidades
Para calcular \( P(a \leq X \leq b) \):
1. Convertir \( a \) y \( b \) a valores Z:
2. Buscar en la tabla de la distribución normal estándar \( \Phi(z) \), que
proporciona \( P(Z \leq z) \).
3. Calcular:
4.3 Ejemplo práctico
Supongamos que la altura de un grupo de personas sigue una distribución
normal con media \( \mu = 170 \text{ cm} \) y desviación estándar \( \sigma = 10
\text{ cm} \). ¿Cuál es la probabilidad de que una persona seleccionada al azar
mida entre 160 cm y 180 cm?
Paso 1: Convertir a \( Z \):
Paso 2: Consultar tablas \( \Phi(z) \):
Paso 3:Calcular la probabilidad:
Es decir, aproximadamente el 68.26% de las personas miden entre 160 y 180
cm, coherente con la regla empírica.
---
5. La distribución normal en el Teorema del Límite Central
Uno de los aspectos más importantes de la distribución normal es su relación
con el Teorema del Límite Central, que establece que, bajo ciertas condiciones,
la suma o promedio de muchas variables independientes e idénticamente
distribuidas tiende a seguir una distribución normal, independientemente de la
distribución original.
Esto justifica el uso de la normal en numerosos contextos y permite aproximar
distribuciones discretas o no normales mediante la normal, facilitando cálculos
y análisis estadísticos.
6. Cálculo de intervalos de confianza y pruebas de hipótesis
La distribución normal es fundamental en inferencia estadística. Se emplea
para construir intervalos de confianza sobre la media poblacional y para realizar
pruebas de hipótesis.
6.1 Intervalos de confianza
Para una muestra de tamaño \( n \), si se conoce
donde Zα/2Zα/2 corresponde al valor Z que deja un área α/2α/2 en cada cola.
6.2 Pruebas de hipótesis
Supongamos que queremos verificar si la media de una población es igual a un
valor μ0μ0. La estadística de prueba es:
Luego, se compara con valores críticos de la distribución normal.
7. Limitaciones y consideraciones
Aunque la distribución normal es muy útil, tiene limitaciones:
No es adecuada para variables que presentan sesgos o distribuciones
multimodales.
Para variables discretas o con valores limitados, otras distribuciones
pueden ser más apropiadas.
La normalidad debe ser verificada en los datos, mediante pruebas
específicas (como la prueba de Shapiro-Wilk).
Conclusión
Las distribuciones de probabilidad, especialmente la normal, representan una
piedra angular en estadística y probabilidad. La distribución normal, con sus
propiedades únicas y su amplia aplicabilidad, permite modelar fenómenos
naturales y sociales, facilitar cálculos probabilísticos y sustentar procedimientos
de inferencia estadística. Su comprensión y correcta utilización son esenciales
para el análisis de datos y la toma de decisiones en diversas disciplinas.
Bibliografía
Ross, S. M. (2014). A First Course in Probability. Pearson.
Montgomery, D. C., & Runger, G. C. (2014). Applied Statistics and
Probability for Engineers. Wiley.
Casella, G., & Berger, R. L. (2002). Statistical Inference. Duxbury.
Wackerly, D., Mendenhall, W., & Scheaffer, R. (2008). Mathematical
Statistics with Applications. Brooks/Cole.