Distribución Normal: Modelo Estadístico Fundamental


Origen de la Distribución Normal

La distribución normal, también conocida como distribución de Gauss, tiene sus orígenes en los estudios de Abraham de Moivre en el siglo XVIII, quien la utilizó para aproximar la distribución binomial cuando el número de ensayos es grande. Más tarde, Carl Friedrich Gauss la formalizó en el siglo XIX en el contexto del análisis de errores en mediciones astronómicas.

El Teorema del Límite Central (TLC) explica su importancia, estableciendo que la suma de variables aleatorias independientes, bajo ciertas condiciones, tiende a una distribución normal, lo que la hace fundamental en estadística e inferencia.

Características Principales

Función de Densidad de Probabilidad (PDF)

La función de densidad de la distribución normal es:

\[ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x - \mu)^2}{2\sigma^2}}, \quad -\infty < x < \infty \]

Donde: - \(\mu\) es la media. - \(\sigma^2\) es la varianza.

Función de Distribución Acumulada (CDF)

\[ F(x) = P(X \leq x) = \int_{-\infty}^{x} f(t) dt \]

Esta función no tiene una forma cerrada simple, pero se puede calcular numéricamente.

Esperanza y Varianza

  • Esperanza Matemática (Media): \(E[X] = \mu\)
  • Varianza: \(V[X] = \sigma^2\)

Propiedades:

  • Esperanza y Varianza: \(E[X] = \mu, \quad V[X] = \sigma^2\).
  • Simetría: La distribución normal es simétrica respecto a \(\mu\).
  • Regla Empírica (68-95-99.7):
    • 68% de los datos está entre \(\mu \pm \sigma\).
    • 95% entre \(\mu \pm 2\sigma\).
    • 99.7% entre \(\mu \pm 3\sigma\).

Representación Gráfica

Ejemplo Resuelto

Enunciado

Las calificaciones de un examen siguen una distribución normal con media \(\mu = 70\) y desviación estándar \(\sigma = 10\). Calcule la probabilidad de que un estudiante obtenga más de 85 puntos.

Solución Paso a Paso

  1. Convertimos la calificación a un valor Z: \[ Z = \frac{X - \mu}{\sigma} = \frac{85 - 70}{10} = 1.5 \]
  2. Buscamos la probabilidad acumulada: \[ P(Z \leq 1.5) = 0.9332 \]
  3. La probabilidad buscada es: \[ P(X > 85) = 1 - P(Z \leq 1.5) = 1 - 0.9332 = 0.0668 \]

Código en R

mu <- 70
sigma <- 10
x <- 85
p <- 1 - pnorm(x, mean = mu, sd = sigma)
print(p)
## [1] 0.0668072

Gráfica del Ejemplo

Aplicaciones en Diversos Campos

  • Ingeniería: Control de calidad y tolerancias en manufactura.
  • Ciencias: Modelado de errores en mediciones experimentales.
  • Economía: Distribución de ingresos y análisis financiero.
  • Salud: Análisis de variables biométricas como presión arterial.
  • Psicología: Evaluación del coeficiente intelectual (CI).

Relaciones con Otras Distribuciones

  • Binomial: Se aproxima a la normal cuando \(n\) es grande.
  • Poisson: Se aproxima a la normal para valores grandes de \(\lambda\).
  • t-Student: Similar a la normal pero con colas más pesadas.
  • Chi-cuadrado y F: Derivadas de la normal y usadas en pruebas de hipótesis.
    Table 1: Table 2: Relaciones con otras distribuciones
    Distribución Aproximación
    Binomial B(n,p) N(np, np(1-p)) si n grande
    Poisson P(λ) N(λ, λ) si λ grande
    t-Student t(n) → N(0,1) cuando n→∞
    χ²(k) ≈N(k,2k) si k>30
    F(k₁,k₂) Aprox. normal bajo condiciones

Referencias Bibliográficas

  • De Moivre, A. (1738). The Doctrine of Chances.
  • Gauss, C. F. (1809). Theoria Motus Corporum Coelestium.
  • Montgomery, D. C. (2017). Applied Statistics and Probability for Engineers.
  • Ross, S. (2014). Introduction to Probability Models.

Conclusión

La distribución normal es esencial en estadística, facilitando la inferencia y el análisis de datos en diversas disciplinas.