Nombre: Nicolalde Herrera Sandy Lizbeth Curso: S3P4

Curvas de distribución normal

La distribución de probabilidad conocida como distribución normal o “Campana de Gauss”
es una distribución de probabilidad de variable continua que describe los datos que se
agrupan en torno a un valor central, por la cantidad de fenómenos que explica, la más
importante de las distribuciones estadísticas. Al representar su función de probabilidad, ésta
tiene forma de campana. Su notación es 𝑋 = 𝑁(𝜇, 𝜎 2 ) (Lind, 2001).
La función de densidad, es la expresión en términos de la ecuación matemática llamada
Curva de Gauss o Campana de Gauss.
1 −(𝑥−𝜇)2
𝑓(𝑥) = 𝑒 2𝜎2
𝜎√2𝜋
La Normal es la distribución de probabilidad más importante. Ya que representa una multitud
de variables aleatorias continuas que siguen una distribución normal o aproximadamente
normal. Una de sus características más importantes es que casi cualquier distribución de
probabilidad, tanto discreta como continua, se puede aproximar por una normal bajo ciertas
condiciones. (Rustom, 2012). La distribución de probabilidad normal y la curva normal que
la representa, tienen las siguientes características:
 La curva normal tiene forma de campana y un solo pico en el centro de la distribución.
De esta manera, la media aritmética, la mediana y la moda de la Distribución Normal
son iguales y se localizan en el pico. Así, la mitad del área bajo la curva se encuentra
a la derecha de este punto central y la otra mitad está a la izquierda de dicho punto.
 La curva tiene forma acampanada, asintótica al eje 𝑋 hacia −∞ 𝑦 + ∞ . El área total
encerrada por ésta y 𝑋 es igual a 1, como corresponde a toda función de distribución
de probabilidad.
 La curva tiene un máximo en 𝜇 y es simétrica respecto a la recta 𝑥 = 𝜇. Luego, en
esta distribución son coincidentes la media aritmética, la mediana y la moda, es decir,
𝜇 = Me . = Mo.
 La curva tiene dos puntos de inflexión que se ubican en 𝑥 = 𝜇 − 𝜎 y 𝑥 = 𝜇 + 𝜎
 La distribución de probabilidad normal es simétrica alrededor de su media.
 La curva normal desciende suavemente en ambas direcciones a partir del valor
central. Es asintótica, lo que quiere decir que la curva se acerca cada vez más al eje
X, pero jamás llega a tocarlo. Es decir, las “colas” de la curva se extienden de manera
indefinida en ambas direcciones.
 La proporción de mediciones situada entre la media y las desviaciones es una
constante en la que:
 La media ± 1 * desviación estándar = cubre el 68,3% de los casos
 La media ± 2 * desviación estándar = cubre el 95,5% de los casos
 La media ± 3 * desviación estándar = cubre el 99,7% de los casos
Posibilidades
  La curva de distribución normal del proceso coincide o está dentro de los límites
establecidos por la industria. En este caso el proceso opera con eficacia y se pueden
realizar trabajos de alta exigencia con respecto a la variable controlada.
 La curva de distribución supera los límites establecidos por la industria. En este caso
puede que estén operando causas asignables de variación o que existen limitaciones
debidas a los recursos y equipos empleados por lo que no es posible realizar trabajos
exigentes con respecto a la variable controlada hasta que no se hayan eliminado las
causas especiales de variación o no se dispongan de los recursos y equipos adecuados.
 El histograma generado no muestra las características básicas de una distribución
normal. En este caso están claramente actuando causas asignables de variación que
habrá que resolver si queremos conseguir un alto grado de fiabilidad del proceso y
realizar trabajos de alta exigencia.
Distribución Normal Estándar
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.
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).
𝑥−𝜇
𝑍=
𝜎
𝑧
La función acumulativa es ∅(𝑧) = ∫−∞ 𝑓(𝑧) 𝑑𝑧, que representa el área bajo la curva normal
estándar desde −∞ hasta z.
La función de distribución acumulativa ∅ esta tabulada para diferentes valores de 𝑧.La razón
radica en la situación practica de obviar los cálculos rutinarios de la integración debido a que
𝑧
la ∫−∞ 𝑓(𝑧) 𝑑𝑧 no se puede resolver utilizando el Teorema Fundamental de cálculo. (Tauber,
2001).
Tablas de Distribución Normal Estándar
Comúnmente cada Tabla de Distribución Normal Estándar está representada por un icono
que nos ayuda a interpretar los valores que tiene la tabla.

 𝑃 0 ≤ 𝑧 ≤ 𝑧0
 𝑃 − ∞ < 𝑧 ≤ 𝑧0 (𝑧0 ≥ 0)
 𝑃 − ∞ < 𝑧 ≤ 𝑧0 (𝑧0 ≤ 0)
Valores percentiles de la distribución normal típica.
Los valores percentiles de distribuciones de probabilidad son de gran importancia en
estadística. En el caso de la distribución normal el valor percentil consiste en obtener el valor
de tal que 𝑃(𝑍 ≤ 𝑎) =∝, 0 <∝< 1, . Conceptualmente esta situación es la inversa de la
desarrollada en la sección anterior. Es decir, si la distribución tabulada es , 𝑃(𝑍 ≤ 𝑎) = ∅(𝑎),
entonces 𝑃(𝑍 ≤ 𝑎) =∝ implica ∅(𝑎) =∝, luego 𝑎 = ∅−1 (∝) es la inversa de la función de
distribución acumulativa normal. (Lind, 2001).
Notación. :Se utilizará la notación percentil 𝑧∝ = ∅−1 (∝).
Los valores percentiles 𝑧∝ se obtienen de la misma tabla, función acumulativa de la normal
estándar, usándola en forma inversa.
Valores percentiles notables de la distribución normal típica.
Ciertos valores percentiles de la distribución normal típica tienen uso frecuente en inferencia
y por esta razón se denominarán valores notables, los cuales se resumen en la siguiente tabla.
También se pueden calcular valores percentiles de distribuciones normales cualesquiera y
para ello se debe realizar el proceso de tipificación tal como en el cálculo de probabilidades.
(Rustom, 2012).
∝= 0.10 𝑧∝ = −1.28 𝑧1−∝ = 1.28
∝= 0.05 𝑧∝ = −1.645 𝑧1−∝ = 1.645
∝= 0.025 𝑧∝ = −1.96 𝑧1−∝ = 1.96
∝= 0.01 𝑧∝ = −2.33 𝑧1−∝ = 2.33
Cálculo de probabilidades en distribuciones normales
La tabla nos da las probabilidades de 𝑃(𝑧 ≤ 𝑘), siendo 𝑧 la variable tipificada.
Estas probabilidades nos dan la función de distribución ∅(𝑘).
∅(𝑘) = 𝑃(𝑧 ≤ 𝑘)
Búsqueda en la tabla de valor de k
Unidades y décimas en la columna de la izquierda.
Centésimas en la fila de arriba.
 𝑃(𝑧 ≤ 𝑎)
 𝑃(𝑍 > 𝑘) = 1 − 𝑃(𝑍 ≤ 𝑎)
 𝑃(𝑍 ≤ −𝑎) = 1 − 𝑃(𝑍 ≤ 𝑎)
 𝑃(𝑍 > −𝑎) = 𝑃(𝑍 ≤ 𝑎)
 𝑃(𝑎 < 𝑍 ≤ 𝑏) = 𝑃(𝑍 ≤ 𝑏) − 𝑃(𝑍 ≤ 𝑎)
 𝑃(−𝑏 < 𝑍 ≤ −𝑎) = 𝑃(𝑎 < 𝑍 ≤ 𝑏)
Nos encontramos con el caso inverso a los anteriores, conocemos el valor de la probabilidad
y se trata de hallar el valor de la abscisa. Ahora tenemos que buscar en la tabla el valor que
más se aproxime a K. (Rustom, 2012).
𝑃(−𝑎 < 𝑍 ≤ −𝑏) = 𝑃(𝑍 ≤ 𝑏) − [1 − 𝑃(𝑍 ≤ 𝑎)]
𝑃=𝑘
Para calcular la variable X nos vamos a la fórmula de la tipificación.
La distribución normal como aproximación a distribuciones discretas
Los errores provienen del hecho de que, muchas veces, los estudiantes no ven la diferencia
entre lo discreto y lo continuo, y en muchos casos aplican la corrección por continuidad de
una forma mecánica, pero sin entender el significado de dicha corrección y sin saber en qué
circunstancias debería ser aplicada. (Rustom, 2012).
Distribución normal y teorema central del límite
El teorema central del límite es uno de los teoremas estadísticos más importantes que explica
el uso generalizado de la distribución normal. En relación con la comprensión del teorema
central del límite y los diversos conceptos y procedimientos implícitos en él. Su estudio tiene
como propósitos, extraer datos fenomenológicos para representar las creencias que los
sujetos tienen sobre los aspectos fundamentales del teorema central del límite, clasificar los
errores más comunes y observar el alcance de las creencias en la representación experta.
(Tauber, 2001).
 La media de la distribución muestral es igual a la media de la población, e igual a la
media de una muestra cuando el tamaño de la muestra tiende al infinito
 La varianza de la distribución muestral es menor que la de la población (cuando N>1)
 La forma de la distribución muestral tiende a ser acampanada a medida que se
incrementa el tamaño muestral, y aproximadamente normal, independientemente de
la forma de la distribución en la población.
 La forma de la distribución muestral crece en altura y decrece en dispersión a medida
que el tamaño muestral crece.
Las curvas de distribución normal se pueden clasificar en tres grupos según el signo de su
curtosis, es decir, según la forma de la distribución:
Leptocúrtica: la Curtosis > 0. Los datos están muy concentrados en la media, siendo una
curva muy apuntada.
Mesocúrtica: la Curtosis = 0. Distribución normal.
Platicúrtica: la Curtosis < 0. Muy poca concentración de datos en la media, presentando
una forma muy achatada.
Referencias bibliográficas:

Lind, D. (2001). Obtenido de “Estadística para Administración y Economía”. Ed.Irwin

McGraw-Hill.
Rustom, A. (2012). Estadística Descriptiva. Obtenido de
http://repositorio.uchile.cl/bitstream/handle/2250/120284/Rustom_Antonio_Estadist
ica_descriptiva.pdf?sequence=1
Tauber, L. (2001). Distribución normal de datos. Obtenido de
https://www.ugr.es/~batanero/pages/ARTICULOS/Tesisliliana.pdf