Distribucin normal

La variable aleatoria X tiene una distribucin normal con parmetros y 2 (2 > 0) si su

funcin de densidad de probabilidad es
1 x

1
f ( x) =
e 2
2

x IR

Se denota X ~ N (, 2) y se lee que la variable aleatoria X sigue una distribucin normal

con parmetros y 2.
Media

= E (X ) =

Varianza

2 = V (X ) = 2

La funcin de densidad de una variable normal tiene forma de campana y es simtrica,

por lo que las medidas de tendencia central coinciden.
El rango de la variable aleatoria normal es el conjunto de los nmeros reales.
Ejemplos de grficas de distribuciones normales con diferentes medias y varianzas.
Distribucin norm al con m edia 15 y desviacin estndar 1
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.0
10

11

12

13

14

15

16

17

18

19

20

Distribucin norm al con m edia 15 y desviacin estndar 0,5

0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
10

11

12

13

14

15

16

17

18

19

20

Distribucin norm al con m edia 15 y desviacin estndar 1,8

0.3
0.2
0.2
0.1
0.1
0.0
10

11

12

13

14

15

16

17

18

19

20

reas bajo la curva normal

Propiedad de la distribucin normal

Sea X ~ N(, 2), si Y = mX + b, entonces, Y ~ N(Y, Y2)
Y = m + b
Y2 = m 2 2
Y = |m|

Estandarizacin de una variable normal

Sea X ~ N(,2), si Z =

entonces la variable aleatoria Z tiene distribucin normal y se

cumple Z = 0 y Z2 = 1. Se dice que la variable Z ~ N(0,1) tiene distribucin normal estndar.

La funcin de densidad de Z se denota ()
La funcin de distribucin acumulada de Z se denota: = ( )

Clculo de probabilidades para una variable normal

Sea X ~ N(, 2), entonces:

b
a X b
a
P(a X b ) = P

Z
= P

b
a
=

Ejemplo 1
Si Z ~ N ( = 0, 2 = 1)
Calcule P(Z < 1,25), P(Z < -1,25), P(-1,25 < Z < 1,25), P(Z > 2,16), P(Z < 4), P(Z = 2,05)
Determine c para que P(Z < c) = 0,975
Determine c para que P(-c < Z < c) = 0,95

Ejemplo 2

Si X ~ N = 10, 2 = 25

Calcule P( X 7,47) , P( X 12,45) , P(8 X 12) , P( X < 11 X > 9)

Determine c para que P(X < c) = 0,7549
Ejemplo 3
Si los puntajes de los postulantes en un examen de ingreso se distribuyen como una variable
aleatoria normal con una media de 1 200 y una desviacin estndar de 300 puntos.
a. Encontrar la probabilidad de que el puntaje de un postulante sea de por lo menos 1 300.
b. Si ingresa el 12,3 % de los postulantes con puntajes ms altos, hallar el puntaje mnimo
para ingresar.

Solucin
Definamos la variable aleatoria X := puntaje de un postulante.
= 1 200, = 300, 2 = 3002 X ~ N(1 200, 3002)
a. La probabilidad pedida es

X 1300
P( X 1300 ) = 1 P( X < 1300 ) = 1 P
<

X 1200 1300 1200

= 1 P
<
= 1 P(Z < 0,33) = 1 (0,33) = 0,3707
300
300

b. Sea k el puntaje mnimo para ingresar. Se tiene P( X k ) = 0,123 , luego

.
Estandarizando
tendremos
que
P( X < k ) = 0,877

k 1 200
X 1 200 k 1 200

P
<
= P Z <
= 0,877
300
300
300

k 1200
De lo cual, se tiene que
= 0,877
300
En la tabla N(0, 1) observamos que (1,16) = 0,8770, luego
1 548.

k 1200
= 1,16 , de donde k =
300

Ejemplo 4
En una ciudad se estima que la temperatura mxima en un da del mes de enero puede
modelarse con una variable normal con media 30C y desviacin estndar 2C.
a. Si se escoge al azar un da del mes de enero, calcule la probabilidad de que la temperatura
mxima sea menor a 31C.
b. Si se escoge al azar un da del mes de enero, calcule la probabilidad de que la temperatura
mxima est entre 28,5 y 32C.
Ejemplo 5
Una compaa ha comprado una prueba para seleccionar personal. Los que han diseado la
prueba saben que las notas siguen una distribucin normal con una media de 75 puntos y una
desviacin estndar de 10 puntos. Calcule la probabilidad de que una persona que rinda esta
prueba obtenga una nota superior a 90 puntos.

Propiedad reproductiva de la normal

Sean X e Y dos variables aleatorias normales e independientes, tales que X ~ N ( X , X2 ) e

Y ~ N Y , Y2 , c1 y c2 constantes reales, entonces se cumple que:

W = c1 X + c 2Y ~ N (c1 X + c 2 Y , c12 X2 + c 22 Y2 )

Esta propiedad se puede generalizar para la suma de ms variables normales

independientes.
Si Xi ~ N(, 2) (i = 1, 2,, n) son variables aleatorias independientes, entonces la
variable S =

~ N n , n 2

i =1

Ejemplo 6
Sean X ~ N(5, 6) e Y ~ N(4, 10) variables aleatorias independientes, calcular la distribucin de
las siguientes variables: W = X + Y, W = X Y, W = 2X +Y, W = 4X - 5Y
Ejemplo 7
El peso de un adulto peruano puede modelarse con una variable aleatoria normal. El peso
medio para los varones es de 72 kilos y de 64 kilos para las mujeres, mientras que sus
desviaciones estndar fueron de 8 kilos y 4 kilos respectivamente.
a. Si se elige, al azar, a un hombre y una mujer, calcular la probabilidad de que la mujer
pese ms que el hombre.
b. Si se elige a dos hombres y a dos mujeres, calcular la probabilidad de que la suma total de
pesos supere los 260 kilos.

Teorema central del lmite

Si n variables aleatorias independientes X1, X2, X3,...Xn tienen la misma distribucin de
probabilidad con media y varianza 2, entonces para la variable aleatoria S = X1 + X2 + X3
+...+ Xn se tiene:
Media

E (S ) = n

Varianza

V (S ) = n 2

S tiende a seguir una distribucin normal a medida que n crece. Se considera

aproximadamente una distribucin normal si n 30.
Del Teorema Central del Lmite se deduce que, a medida que crece el tamao de la muestra n,
la distribucin muestral de la media X se acerca a la normal, independientemente de la
distribucin de la poblacin de origen de los datos de la muestra.

Ejemplo 8
La cantidad de mango que exporta una empresa mensualmente es una variable con una media
de 25 toneladas y una desviacin estndar de 4 toneladas. Encontrar la probabilidad de que la
cantidad exportada en tres aos sea menor a 920 toneladas. Asuma independencia entre las
cantidades mensuales exportadas.
Ejemplo 9
Los ingresos por factura en un restaurante pueden modelarse con una variable aleatoria de
media 84 soles y desviacin estndar 12 soles. Cul es la probabilidad de que los ingresos
totales por 100 facturas elegidas al azar sean de ms de 8650 soles?

Aplicaciones del Teorema Central del Lmite

Si n variables aleatorias independientes X1, X2, X3,...Xn tienen la misma distribucin de
probabilidad, con media y varianza 2, entonces la distribucin de la variable aleatoria
Media Muestral:

!
!

!
!!! !

se puede aproximar por una distribucin (,

!!
!

siempre y cuando n 30.

La distribucin de una variable aleatoria X ~ B(n, p) se puede aproximar por una
distribucin N(np, np(1-p)) siempre y cuando n 30. La aproximacin es buena si,
adems, se verifica que np > 5 y n(1-p) > 5.
Sea X ~ B(n, p), entonces la distribucin de la variable aleatoria Proporcin Muestral:
=

!
!

se puede aproximar por una distribucin (,

!(!!!)
!

) siempre y cuando n 30.

Ejemplo 10
El peso de los pasajeros que abordan un mnibus de transporte interprovincial tiene una
media de 60 kilogramos y una desviacin estndar de 19 kilogramos. Si se sabe que los 72
asientos de pasajeros estn ocupados, cul es la probabilidad de que el peso medio de los
pasajeros supere los 65 kilogramos?
Ejemplo 11
Por un estudio previo se estima que la probabilidad de que un elector vote por la eleccin del
candidato oficialista es del 25%. Si 1000 electores son entrevistados uno por uno de manera
independiente, encontrar la probabilidad de que por lo menos 275 de ellos voten por el
candidato oficialista.
Ejemplo 12
El porcentaje de los clientes de una tienda por departamentos que paga con la tarjeta de
crdito de la tienda es 72%. Si se toma una muestra aleatoria de 250 clientes, calcule la
probabilidad de que menos de 75% de los clientes de la muestra paguen con tarjeta de crdito.