La distribución normal

Básicamente, los problemas de cálculo que resolveremos sobre una variable aleatoria
Normal son de dos tipos:
Tipo 1. Dado un intervalo de valores, calcular la probabilidad de que la
variable aleatoria tome alguno de ellos.
Tipo 2. Calcular el intervalo de valores que toma la variable Normal con una
probabilidad dada.
Ambos problemas se resuelven a través de su función de densidad, y son inversos uno del
otro.

Tipo 1. Áreas bajo la curva normal

Dada una variable aleatoria Normal x, la probabilidad de que sus valores estén entre x1 y
x2 , se obtiene calculando el área bajo su función de densidad entre esos valores.
x2
P( x1 < X < x2 ) = ∫ N ( x;μ , σ2 )dx
x1

R lo hace usando intervalos infinitos,

P( X < q) = pnorm(q, mean=0, sd=1, lower.tail = TRUE)

P( X > q ) = pnorm(q, mean=0, sd=1, lower.tail = FALSE)

Por tanto, el parámetro lower.tail fuerza a que la cola de probabilidades sea hacia
-infinito cuando su valor es TRUE, y hacia la cola de +infinito en caso contrario.
Resuelve los problemas siguientes,
Cierto tipo de batería de almacenamiento dura, en promedio, 3 años, con una
desviación estándar de 0.5 años. Supón que las duraciones de las baterías se
distribuyen normalmente y calcula la probabilidad de que una batería dure menos
de 2.3 años.
[1] 0.08075666
Una empresa eléctrica fabrica focos que tienen una duración, antes de
fundirse, que se distribuye normalmente con media igual a 800 horas y desviación
estándar de 40 horas. Calcula la probabilidad de que un foco aguante entre 778 y
834 horas sin fundirse.
En este caso, se pide el cálculo de una probabilidad entre dos valores. Como debemos usar
las funciones de R debemos expresar ese cálculo en función de ellas. Así,
P( x1 < X < x2 ) = P( X < x2 ) − P( X < x1 ) = P( X > x1 ) − P( X > x2 )
[1] 0.5111778

Referencias a la normal estándar

Los cálculos de probabilidades previos se pueden referenciar a la normal estándar. Esto se
debe a la linealidad de esta variable aleatoria:
x −μ
Si x es una normal de media μ y varianza σ2 , entonces es una normal estándar.
σ
Con lo que, denotando a partir de ahora por z los valores de una normal estándar,
tendremos también que σz + μ es una normal de media μ y varianza σ2 .

El resultado útil viene del siguiente desarrollo,

 ⎛ x − μ X − μ x2 − μ ⎞
P ( x1 < X < x 2 ) = P ( x1 − μ < X − μ < x 2 − μ ) = P ⎜ 1 < <
⎝ σ σ σ ⎟⎠

esto es, la probabilidad de que una normal con media y varianza arbitraria se sitúe entre dos
puntos estándar esté entre dos valores dados en relación.
Aplica el resultado al cálculo del problema anterior, usando sólo probabilidades de normales
estándar con R. Resuelve el siguiente problema:
En un proceso industrial, el diámetro de un cojinete es una variable
importante. Las especificaciones sólo admiten aquellos cuyo diámetro sea
3.0 ± 0.01cm. Se sabe que el proceso de fabricación produce cojinetes cuyo
diámetro se distribuye como una normal de media 3.0 y desviación 0.005. ¿Qué
probabilidad tiene un cojinete fabricado de ser aceptado en las especificaciones?
¿Qué porcentaje entonces de rechazados? Realiza los cálculos referenciando a la
normal estándar.
Para facilitarte las cosas, se muestra el gráfico siguiente,

Cojinetes

2.99 3 3.01

La solución es,
[1] 0.9544997
Los rechazados son, por tanto,
[1] 0.04550026, esto es, un 4.55%.
Haremos una prueba sencilla de simulación para verificar ‘empíricamente’ esta cantidad. La
aproximaremos de la siguiente manera,
1. Crea un vector de 100 normales de media 3 y desviación 0.005 con la función
rnorm().
2. Calcula cuántos de ellos están entre los niveles de especificación (o cuantos fuera)
3. Incrementa el número de valores creados aleatoriamente y comprueba el resultado.
Tipo 2. Valores de probabilidad, el p-valor.

¿Entre qué límites se sitúan el 90% de los valores de una normal estándar?
¿Entre qué límites se sitúan el 95% de los valores de una normal estándar?
¿Entre qué límites se sitúan el 99% de los valores de una normal estándar?
La función de R que calcula los p-valores es
qnorm(p, lambda, lower.tail = TRUE, log.p = FALSE)

Desreferenciar a una normal arbitraria

Si hemos localizado los p-valores para una normal estándar, a probabilidades de 1 − α ,
entonces las igualdades anteriores,

⎛ x − μ X − μ x2 − μ ⎞
P ( x1 < X < x 2 ) = P ( x1 − μ < X − μ < x 2 − μ ) = P ⎜ 1 < < =1−α
⎝ σ σ σ ⎟⎠

¿Cuáles son los p-valores para la normal si x es una normal de media μ y varianza σ2 ?

x1 − μ
zα = entonces x1 = σz α + μ
2
σ 2

x2 − μ
zα = entonces x2 = σz α + μ
2
σ 2

Ejercicio: transforma los límites del intervalo de confianza al 1% de una normal

estándar a una normal de media 10, y varianza 12.
[1] 18.92293
[1] 1.077066