Probabilidades

DISTRIBUCION DE PROBABILIDAD CONTINUA

Distribución de probabilidad normal

La Distribución Normal fue hallada por primera vez en 1733, por A. De Moivre. Pero el
descubrimiento de De Moivre al parecer pasó inadvertido y fue “redescubierta” por C.F
Gauss en 1809 y P.S Laplace en 1780 hizo trabajos preliminares que profundizó en 1812.

En Estadística una buena cantidad de variables continuas (peso, longitud, ingresos,

temperatura etc.) se consideran que tienen Distribución Normal (se dice que es lo normal
que tenga esa distribución). La distribución más importante de probabilidad para describir
una variable aleatoria continua es la distribución de probabilidad normal.
También se utiliza en inferencia estadística, que es el tema principal, en estas aplicaciones
la distribución de probabilidad normal permite tener una descripción de los resultados
probables obtenidos mediante el muestreo.

Curva Normal

La forma de la distribución de probabilidad normal es la curva acampanada de la de la

figura 1. La función de densidad de probabilidad que la define es la siguiente:

Función de densidad de probabilidad normal

Media
Media
Varianza
Varianza
Desviación
Desviación estándar
estándar

Características de la distribución normal

1 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

Hay ciertas observaciones por hacer acerca de las características de la distribución de la probabilidad
normal.

1.- La familia completa de distribuciones de probabilidad normal se diferencia por µ y su

desviación estándar σ.

2.- El punto más alto de la curva normal es la media, que también es la mediana y la moda de la
distribución.
3.- La media de la distribución puede ser cualquier valor numérico: negativo, cero o positivo, La

Variable puede tomar cualquier valor: (-∞, +∞).

4.- La distribución de probabilidad normal es simétrica, y su forma a la izquierda de la media es

una imagen peculiar de la forma de la derecha de la media. Las colas, es decir los extremos o
los lados de la curva se prolongan al infinito en ambas direcciones, nunca tocan el eje
horizontal.

5.- La desviación estándar determina el ancho de la curva. A valores mayores de la desviación

estándar se tienen curvas más anchas y bajas, que muestran una mayor dispersión de los datos.

2 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

A continuación vemos dos distribuciones normales

6.- Las probabilidades para la variable aleatoria normal están dadas por áreas bajo la curva. El
área total bajo la curva para la distribución de probabilidad normal es 1 (esto se cumple para
todas las distribuciones continuas de probabilidad). Debido a que la distribución es simétrica, el
área total bajo la curva a la izquierda de la media es 0.50 y el área total bajo la curva a la
derecha es 0.50.

7.- El porcentaje de valores en algunos intervalos de uso común son:  1,2, 3 cubren
respectivamente el 68.26%, 95.44% y 99.74% de área.

Áreas bajo la curva de cualquier distribución de probabilidad normal

Distribución normal estandarizada N (Z, 0,1)

3 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

Todas las variables con distribución normal N (X,  ,  2 ) pueden transformase en otra
distribución normal más simple con   0 y  2  1 , N (Z ,0,1) , a esta distribución de
llama normal estandarizada o normal reducida.

Como otras variables aleatorias continuas, los cálculos de probabilidad con cualquier
distribución normal se llevan a cabo determinando las áreas bajo la gráfica de la función
de densidad de probabilidad. Así para determinar la probabilidad de que una variable
aleatoria normal este dentro de un intervalo especifico, debemos calcular el área bajo la
curva normal en ese intervalo. Para la distribución de probabilidad normal estándar se han
determinado las áreas bajo la curva norma, y se muestra en tablas que se pueden usar
para calcular probabilidades.

B ú s q u e d a e n l a ta b l a d e va l o r d e Z

U n i d a d e s y d é c i m a s e n la c o l u m n a d e la i zq u i e rd a .
C e nté s i m a s e n la fi l a d e a r r i b a .

P(Z ≤ a)

P(Z > a) = 1 - P(Z ≤ a)

P ( Z ≤ − a ) = 1 − P( Z ≤ a )

4 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

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.

5 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

P ( − a < Z ≤ b ) = P( Z ≤ b ) − [ 1 − P( Z ≤ a ) ]

p = K

Pa ra ca l c u l a r l a va r i a b l e X no s va m o s a la fó r m u l a de l a ti p i fi ca c i ó n .

Ejemplos:

1.- ¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?

P ( -2.03< z< 0) = P ( 0 < z< 2.03) = 0.4788

Puntuación probabilidad menor Probabilidad Probabilidad entre los

Z igual que mayor que Z dos valores de Z
0 0.5 0.5 0.47882173
-2.03 0.02117827 0.97882173

6 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

2.- ¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03?

En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0 y 2.03= 0.47882

La misma área hay entre 0 y -2.03, por lo tanto:

P (-2.03< z< 2.03) =

P (-2.03< z< 0) +P (0 < z< 2.03)

P (-2.03< z< 2.03) = 0.4788 + 0.4788

P (-2.03< z< 2.03) = 0.95764

Puntuación probabilidad menor Probabilidad Probabilidad entre los

Z igual que mayor que Z dos valores de Z
2.03 0.97882173 0.02117827 0.47882173
0 0.5 0.5 0.47882173
-2.03 0.02117827 0.97882173
0.957643461

3.- ¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25?

7 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

La probabilidad de 0 < z < +¥ = 0.500

La probabilidad de 0 < z < 1.25 = 0.39435

La probabilidad de z > 1.25 =

0.500 - 0.39435= 0.10565

Puntuación probabilidad menor Probabilidad Probabilidad entre los

Z igual que mayor que Z dos valores de Z
1.25 0.894350226 0.105649774 0.394350226
0 0.5 0.5

0.105649774

4.- Hallar P( -0.34 < z < ¥ )

P(0 < z <0.34) = 0.13307 = P(-0.34 < z < 0)

P (0 < z < ¥ ) = 0.50000
P( -0.34 < z < ¥) =0.13307 + 0.50000 = 0.63307

Puntuación probabilidad menor Probabilidad Probabilidad entre los

Z igual que mayor que Z dos valores de Z
0 0.5 0.5 0.133071736
-0.34 0.366928264 0.633071736
8 Est. Sandra Cecilia Loaiza Chumacero
 Probabilidades

0 0.5 0.5 0.5

0.633071736

5.- Hallar P( 0.34 < z < 2.30)

P (0< z <0.34) = 0.13307

P (0 < z < 2.30) = 0.4893

P (0.34 < z < 2.30) = 0.48930 - 0.13307

= 0.35623

Puntuación probabilidad menor Probabilidad Probabilidad entre los

Z igual que mayor que Z dos valores de Z
2.3 0.98927589 0.01072411 0.356204154
0.34 0.633071736 0.366928264

Determinación de probabilidades para cualquier Distribución Normal

La razón de haber descrito antes con tanto detalle la distribución normal estándar es que
todas las probabilidades de todas las distribuciones normales se determinan con la
distribución normal estándar. Esto es, cuando nos encontramos con una distribución
9 Est. Sandra Cecilia Loaiza Chumacero
 Probabilidades

normal con media µy desviación estándar σ, resolvemos las interrogantes acerca de una
distribución convirtiéndola primero a una distribución normal estándar.
Para determinar la probabilidad se utiliza la tabla Z. La fórmula que se usa para pasar de
cualquier variable aleatoria normal X, con media µ y desviación estándar σ, a la
distribución normal estándar es la siguiente:

La distribución normal estandarizada

Media
Varianza
Desviación estándar

Ejemplo:

Las notas de 188 estudiantes de magister de la Universidad Católica se distribuyen

normalmente con media 82.5 y 12.55 de desviación estándar.
a) Determine la probabilidad que un estudiante elegido tenga una nota entre 85 y 90
puntos?
Solución:

X 1   85  82.5
Z1    0.20
 12.55

X 2   90  82.5
Z2    0.60
 12.55

P ( a < Z ≤ b ) = P ( Z ≤ b ) − P( Z ≤ a )

10 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

P (0.20  Z  0.60)
P ( Z  0.60)  P ( Z  0.20)
 0.2258  0.0793
 0.1465

0.20 0.60

b) Un estudiante tenga una nota mayor que 100 P(X>100),

Los estudiantes con notas mayores de 100 puntos den tener al menos una nota de 100.5
puntos. P(X>100.5)

Estandarizando

X   100.5  82.5
Z    1.43
 12.55

P(Z > a) = 1 - P(Z ≤ a)

P ( Z  1.43)  1  P ( Z  1.43)
P ( Z  1.43)  1  P ( Z  1.43)
P ( Z  1.43)  1  0.9236
 0.0764

Aproximación normal a la Distribución Binomial

Por teorema

p= probabilidad de éxito
q = probabilidad de fracaso

11 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

La distribución binomial que da las funciones esperadas para 0,1,2,…….,n éxitos en n experimentos
tiene como media  y desviación típica  .

  np   npq
Ejemplo:

a) ¿Cuántos estudiantes tienen una nota entre 85 y 90 puntos?

Sol.
Conociendo la probabilidad P y el número de elementos de la población N, el número de
estudiantes con nota entre 85 y 90 puntos está dado por:

  np =188(0.1465) = 27.542  28 estudiantes

b) Los estudiantes con notas mayores de 100 puntos

  np =188(0.5764) = 108.3632  108 estudiantes

Recuerde que en una distribución de probabilidad continua las probabilidades se calculan como
áreas bajo la curva de la función de densidad de probabilidad. En consecuencia, la probabilidad
que tiene un solo valor de la variable aleatoria es cero. Por tanto, para aproximar la probabilidad
binomial de 12 éxitos se calcula el área correspondiente bajo la curva normal entre 11.5 y 12.5.

Al 0.5 que se suma y se resta al 12 se le conoce como factor de corrección por continuidad. Este
factor se introduce debido a que se está usando una distribución continua para aproximar una
distribución discreta. Así, P(X = 12) de una distribución binomial discreta se aproxima mediante
P(11.5≤ X≤ 12.5) en la distribución normal continua.

Distribuciones de probabilidad continúa con Excel

Excel permite calcular las probabilidades de varias distribuciones de probabilidad continuas. Entre
las que se encuentran las distribuciones de probabilidad normal y exponencial. En este apéndice,
se describe cómo usar Excel para calcular probabilidades en cualquier distribución normal.
El procedimiento para la exponencial y para las otras distribuciones continuas es semejante al
descrito aquí para la distribución normal.

Muchas aplicaciones informáticas permiten obtener muchos más valores. Una hoja de cálculo,
Excel por ejemplo, permite obtener directamente la proporción de casos por debajo de un cierto
valor. Por ejemplo, la función:

12 Est. Sandra Cecilia Loaiza Chumacero

 Probabilidades

= DISTR. NORM. ESTAND. (z)

Devuelve la proporción de casos por debajo de z en el caso de una distribución normal tipificada.
Así, si introducimos Z = 1.96, dará 0.9750021.

A su vez, la función:
= DISTR. NORM. ESTAND. INV. (Probabilidad)
Hace la función inversa: devuelve el valor de Z a partir de la probabilidad. Si se le introduce
Probabilidad = 0.975, proporciona Z = 1.95996398.

La función:
= DISTR. NORM. (X; media; desviación estándar; 1)
Devuelve la proporción de casos por debajo de X en el caso de una distribución normal con la
media y la desviación típica especificadas. Así, si introducimos X = 1.96, Media = 0 y desviación
estándar = 1 proporciona el valor anterior de 0.9750021.

Finalmente:

= DISTR. NORM. INV. (Probabilidad; media; desviación estándar)

Devuelve la inversa de la función anterior. Si se introduce probabilidad = 0.975, media = 0;
desviación estándar = 1, proporciona X = 1.95996398.
Ejercicio 4.5

13 Est. Sandra Cecilia Loaiza Chumacero