Introducción a la Distribución Normal

¿Sabías que tu altura, el peso de tu mascota e incluso los errores en las mediciones siguen el mismo patrón matemático? La distribución normal describe cómo se comportan la mayoría de variables continuas en nuestro entorno.

Este modelo es tan común que inicialmente los estadísticos pensaron que todas las variables continuas lo seguían. La razón es simple: cualquier característica que resulte de la suma de muchos factores independientes acaba ajustándose a este patrón.

Algunos ejemplos que te resultarán familiares incluyen caracteres morfológicos como la estatura y el peso, caracteres fisiológicos como el efecto de medicamentos, y caracteres psicológicos como el cociente intelectual. También aparece en aspectos técnicos como el nivel de ruido en telecomunicaciones.

💡 Dato curioso: La distribución normal se expresa como N(μ, σ), donde μ es la media y σ la desviación típica.

Definición y la Campana de Gauss

La función de densidad de una variable normal tiene una forma muy característica que llamamos campana de Gauss. Esta curva es simétrica respecto a la media y concentra la máxima probabilidad en el centro.

Lo más útil de esta distribución son sus propiedades fijas. Sin importar cuáles sean los parámetros, siempre se cumple que:

• En el intervalo [μ - σ, μ + σ] se encuentra el 68,26% de los datos
• En el intervalo [μ - 2σ, μ + 2σ] se encuentra el 95,44% de los datos
• En el intervalo [μ - 3σ, μ + 3σ] se encuentra el 99,74% de los datos

Estas propiedades son fundamentales para establecer intervalos de confianza y justifican por qué las tablas de la normal estándar llegan hasta tres desviaciones típicas.

⚡ Recuerda: Prácticamente todos los datos (99,74%) están dentro de tres desviaciones típicas de la media.

Aproximación de la Binomial por la Normal

¿Recuerdas la distribución binomial del tema anterior? Imagínate que tienes que calcular la probabilidad de obtener al menos 20 caras en 50 lanzamientos de moneda. ¡Tendrías que hacer 31 cálculos diferentes!

Aquí es donde la distribución normal se convierte en tu aliada. Cuando el tamaño de la muestra es suficientemente grande, el modelo binomial se puede aproximar al normal, facilitando enormemente los cálculos.

Para que esta aproximación funcione bien, necesitas cumplir ciertas condiciones:

• n ≥ 30 (muestra suficientemente grande)
• n·p ≥ 5 y n·$1-p$ ≥ 5 (para que p no sea ni muy pequeño ni muy grande)

Cuando se cumplen estas condiciones, una variable X ~ B(n,p) se puede aproximar por X ~ N$np, √[np(1-p)]$. A esto se le conoce como Teorema de De-Moivre.

🎯 Tip de examen: Siempre verifica estas condiciones antes de usar la aproximación normal.

Variables Continuas y Probabilidades

Las variables aleatorias continuas pueden tomar infinitos valores entre cualquier par de números. A diferencia de las discretas, la probabilidad de que tomen un valor exacto es siempre cero: P$X = a$ = 0.

En variables continuas, solo calculamos probabilidades de intervalos. La probabilidad de que X esté en un intervalo es el área bajo la curva de la función de densidad en ese intervalo.

Una propiedad práctica es que no importa si los extremos del intervalo están incluidos o no: P(X ≤ a) = P(X < a). Esto simplifica mucho los cálculos.

La función de distribución F(x) se define como F(x) = P[X ≤ x], y el área total bajo cualquier curva de densidad siempre es 1.

📊 Concepto clave: En variables continuas trabajamos con áreas, no con puntos específicos.

Tipificación y Cálculo de Probabilidades

Para trabajar con cualquier distribución normal, la convertimos a la normal estándar N(0,1) mediante el proceso de tipificación: Z = $x-μ$/σ.

Este proceso te permite usar las tablas estándar para cualquier problema. Una vez tipificada, puedes aplicar las siguientes fórmulas para cualquier número positivo "a":

• P(Z < a) → Lo lees directamente de la tabla
• P(Z > a) = 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)

La simetría de la campana de Gauss hace que los cálculos con valores negativos sean muy directos.

🔧 Herramienta esencial: Dominar la tipificación te permitirá resolver cualquier problema de distribución normal.