Distribución normal y tipificación: cómo transformar a N(0,1)
Respuesta rápida
Para tipificar una variable normal X con media μ y desviación σ, aplica la fórmula Z = (X - μ) / σ, transformándola en una normal estándar N(0,1). Esto permite usar tablas estandarizadas para calcular probabilidades, ya que la integral de la función de densidad normal no tiene expresión algebraica cerrada.
Puntos clave
Fórmula de tipificación
Z = (X - μ) / σ transforma cualquier normal en N(0,1)
La tabla da P(Z ≤ z)
Siempre probabilidades acumuladas hacia la izquierda
Simetría de la normal
P(Z < -a) = 1 - P(Z < a) para valores negativos
Para P(Z > z)
Calcula 1 - P(Z ≤ z) usando la tabla
Puntos de inflexión
Están a distancia σ de la media (en N(0,1): x = ±1)
Cuidado con σ vs σ²
La fórmula usa desviación estándar, no varianza
Paso a paso
Identificar los parámetros de la distribución normal: media (μ) y desviación estándar (σ)
Aplicar la fórmula de tipificación: Z = (X - μ) / σ
Transformar el valor de X en el valor tipificado Z
Buscar el valor de Z en la tabla de la normal N(0,1)
Ajustar el resultado según el tipo de probabilidad pedida
Ejemplos resueltos
Problema 1La capacidad craneal en una población sigue una distribución normal con μ = 1400 cm³ y σ = 125 cm³. Calcular la probabilidad de que un individuo tenga capacidad craneal mayor o igual a 1450 cm³.
La capacidad craneal en una población sigue una distribución normal con μ = 1400 cm³ y σ = 125 cm³. Calcular la probabilidad de que un individuo tenga capacidad craneal mayor o igual a 1450 cm³.
Solución:
- 1Identificar: X ~ N(1400, 125²), queremos P(X ≥ 1450)
- 2Tipificar: Z = (1450 - 1400) / 125 = 50 / 125 = 0.4
- 3La probabilidad buscada es P(Z ≥ 0.4)
- 4Buscar en la tabla: P(Z ≤ 0.4) = 0.6554
- 5Calcular: P(Z ≥ 0.4) = 1 - P(Z ≤ 0.4) = 1 - 0.6554 = 0.3446
P(X ≥ 1450) = 0.3446 (34.46%)
Verificación: El valor está entre 0 y 1, y como 1450 está ligeramente por encima de la media, la probabilidad es cercana pero menor a 0.5
Problema 2Con los mismos datos anteriores (μ = 1400 cm³, σ = 125 cm³), calcular la probabilidad de que la capacidad craneal esté entre 1300 y 1500 cm³.
Con los mismos datos anteriores (μ = 1400 cm³, σ = 125 cm³), calcular la probabilidad de que la capacidad craneal esté entre 1300 y 1500 cm³.
Solución:
- 1Queremos P(1300 < X < 1500)
- 2Tipificar el límite inferior: Z₁ = (1300 - 1400) / 125 = -0.8
- 3Tipificar el límite superior: Z₂ = (1500 - 1400) / 125 = 0.8
- 4La probabilidad es P(-0.8 < Z < 0.8) = P(Z < 0.8) - P(Z < -0.8)
- 5Por simetría: P(Z < -0.8) = 1 - P(Z < 0.8)
- 6Buscar en tabla: P(Z < 0.8) = 0.7881
- 7Calcular: P(Z < -0.8) = 1 - 0.7881 = 0.2119
- 8Resultado: P(-0.8 < Z < 0.8) = 0.7881 - 0.2119 = 0.5762
P(1300 < X < 1500) = 0.5762 (57.62%)
Verificación: El intervalo es simétrico respecto a la media, por lo que el resultado tiene sentido
Distribución Normal y Tipificación: Guía Completa para Transformar a N(0,1)
Introducción
La distribución normal es una de las herramientas más importantes en probabilidad y estadística. Sin embargo, trabajar directamente con variables normales presenta un problema fundamental: la función de densidad normal no tiene una integral expresable en términos algebraicos. Esto significa que no podemos calcular probabilidades de forma directa mediante fórmulas cerradas.
La solución a este problema es la tipificación: un proceso que transforma cualquier variable normal N(μ, σ²) en la distribución normal estándar N(0,1), para la cual existen tablas precalculadas con los valores de probabilidad.
¿Qué es la Tipificación?
La tipificación es una transformación lineal que convierte una variable aleatoria normal con media μ y desviación estándar σ en una variable con media 0 y desviación estándar 1.
Fórmula de Tipificación
$$Z = \frac{X - \mu}{\sigma}$$
Donde:
- X es el valor de la variable original
- μ (mu) es la media de la distribución original
- σ (sigma) es la desviación estándar de la distribución original
- Z es el valor tipificado que sigue una distribución N(0,1)
¿Por qué funciona?
Cuando restas la media y divides por la desviación estándar:
- Centras la distribución en el cero (la nueva media es 0)
- Estandarizas la dispersión (la nueva desviación es 1)
Esto no cambia las probabilidades, solo transforma la escala.
La Campana de Gauss: Distribución Normal Estándar N(0,1)
La distribución normal estándar tiene un gráfico característico conocido como campana de Gauss. Sus propiedades principales son:
- Simétrica respecto al eje vertical que pasa por x = 0
- Media = 0: el máximo de la curva está en el origen
- Desviación estándar = 1: los puntos de inflexión están en x = -1 y x = 1
- Área total = 1: la integral de la función de densidad entre -∞ y +∞ vale 1
La Función de Densidad
$$f(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}}$$
Esta función matemáticamente elegante tiene un inconveniente práctico: su integral no se puede expresar con funciones elementales. Por eso necesitamos tablas numéricas.
Cómo Usar la Tabla de la Normal Estándar
La tabla de la distribución N(0,1) proporciona valores de la función de distribución acumulada:
$$F(z) = P(Z \leq z)$$
Estructura de la Tabla
| Z | 0.00 | 0.01 | 0.02 | ... | 0.09 |
|---|---|---|---|---|---|
| 0.0 | 0.5000 | 0.5040 | 0.5080 | ... | 0.5359 |
| 0.1 | 0.5398 | 0.5438 | 0.5478 | ... | 0.5753 |
| 0.2 | 0.5793 | 0.5832 | 0.5871 | ... | 0.6141 |
| ... | ... | ... | ... | ... | ... |
- Filas: valor de Z hasta el primer decimal
- Columnas: segundo decimal de Z
- Celdas: P(Z ≤ z)
Ejemplo de Lectura
Para encontrar P(Z ≤ 0.47):
- Localiza la fila 0.4
- Localiza la columna 0.07
- Lee el valor en la intersección
Transformaciones Útiles
La tabla solo proporciona P(Z ≤ z), pero a menudo necesitamos otros tipos de probabilidades:
Para P(Z > z)
$$P(Z > z) = 1 - P(Z \leq z)$$
Para P(Z < -a) donde a > 0
Por simetría: $$P(Z < -a) = P(Z > a) = 1 - P(Z \leq a)$$
Para P(a < Z < b)
$$P(a < Z < b) = P(Z < b) - P(Z < a)$$
Ejemplo Resuelto Completo
Planteamiento
La capacidad craneal en una población sigue una distribución normal con:
- Media (μ) = 1400 cm³
- Desviación estándar (σ) = 125 cm³
Problema A: Calcular P(X ≥ 1450)
Problema B: Calcular P(1300 < X < 1500)
Solución del Problema A
Paso 1: Tipificar el valor $$Z = \frac{1450 - 1400}{125} = \frac{50}{125} = 0.4$$
Paso 2: Expresar la probabilidad $$P(X \geq 1450) = P(Z \geq 0.4)$$
Paso 3: Usar la tabla Buscamos P(Z ≤ 0.4) en la tabla:
- Fila: 0.4
- Columna: 0.00
- Valor: 0.6554
Paso 4: Calcular el complemento $$P(Z \geq 0.4) = 1 - 0.6554 = 0.3446$$
Resultado: La probabilidad es del 34.46%
Solución del Problema B
Paso 1: Tipificar ambos límites $$Z_1 = \frac{1300 - 1400}{125} = -0.8$$ $$Z_2 = \frac{1500 - 1400}{125} = 0.8$$
Paso 2: Expresar como diferencia $$P(1300 < X < 1500) = P(-0.8 < Z < 0.8)$$ $$= P(Z < 0.8) - P(Z < -0.8)$$
Paso 3: Buscar en la tabla
- P(Z < 0.8) = 0.7881
- P(Z < -0.8) = 1 - P(Z < 0.8) = 1 - 0.7881 = 0.2119 (por simetría)
Paso 4: Calcular $$P(-0.8 < Z < 0.8) = 0.7881 - 0.2119 = 0.5762$$
Resultado: La probabilidad es del 57.62%
Los Puntos de Inflexión
En cualquier distribución normal N(μ, σ²), los puntos de inflexión de la campana se encuentran a una distancia σ de la media:
- Punto de inflexión izquierdo: μ - σ
- Punto de inflexión derecho: μ + σ
En la normal estándar N(0,1), estos puntos están en x = -1 y x = 1.
Cuando la desviación estándar aumenta, la campana se "aplana" y ensancha, y los puntos de inflexión se alejan del centro.
Errores Comunes a Evitar
1. Confundir varianza con desviación estándar
La fórmula usa σ (desviación estándar), no σ² (varianza). Si te dan la varianza, saca la raíz cuadrada.
2. Olvidar ajustar la probabilidad
La tabla da P(Z ≤ z). Si necesitas P(Z > z), calcula 1 - P(Z ≤ z).
3. No usar la simetría
Para valores negativos, aprovecha que P(Z < -a) = 1 - P(Z < a).
4. Errores de lectura en la tabla
Verifica dos veces que estás en la fila y columna correctas.
Resumen
- La tipificación transforma N(μ, σ²) en N(0,1) mediante Z = (X - μ) / σ
- Usamos tablas porque la integral de la normal no tiene forma cerrada
- La tabla da P(Z ≤ z), así que debemos adaptar otras probabilidades
- La simetría permite calcular probabilidades de valores negativos
- Siempre verifica que tu resultado tenga sentido en el contexto del problema
Dominar la tipificación y el uso de la tabla de la normal estándar es fundamental para resolver cualquier problema de probabilidad que involucre distribuciones normales, desde estudios estadísticos hasta control de calidad y análisis de datos.
Errores comunes
Usar la varianza (σ²) en lugar de la desviación estándar (σ) en la fórmula de tipificación
El resultado de Z sale con valores muy pequeños o muy grandes
Recuerda: la fórmula es Z = (X - μ) / σ, donde σ es la desviación estándar (raíz cuadrada de la varianza)
Leer incorrectamente la tabla de la normal estándar
Los resultados de probabilidad no coinciden con la lógica del problema
Las filas indican el valor de Z hasta el primer decimal, las columnas añaden el segundo decimal
Olvidar que la tabla solo da P(Z ≤ z) y no ajustar para P(Z > z)
Probabilidades que deberían ser pequeñas salen grandes o viceversa
Para P(Z > z), calcula 1 - P(Z ≤ z). Recuerda que la integral total vale 1
No aplicar la simetría de la distribución normal para valores negativos de Z
No sabes cómo buscar valores negativos en la tabla
Por simetría: P(Z < -a) = 1 - P(Z < a) = P(Z > a)
Glosario
- Tipificación
- Proceso de transformar una variable normal N(μ, σ²) en una normal estándar N(0,1) mediante la fórmula Z = (X - μ) / σ
- Normal estándar N(0,1)
- Distribución normal con media cero y desviación estándar uno, utilizada como referencia para calcular probabilidades
- Campana de Gauss
- Forma característica del gráfico de la función de densidad de una distribución normal, simétrica respecto a la media
- Función de densidad
- Función f(x) que describe la distribución de probabilidad de una variable aleatoria continua; su integral entre dos valores da la probabilidad del intervalo
- Función de distribución
- F(x) = P(X ≤ x), la probabilidad acumulada de que la variable tome un valor menor o igual a x
- Puntos de inflexión
- En la curva normal, se encuentran a una distancia σ (desviación estándar) de la media μ, donde la curva cambia de concavidad
- Tabla de la normal
- Tabla que proporciona los valores de P(Z ≤ z) para la distribución normal estándar N(0,1)
- Media (μ)
- Valor central de la distribución normal, donde se sitúa el máximo de la campana de Gauss
- Desviación estándar (σ)
- Medida de dispersión que indica cuánto se alejan los valores de la media; determina la anchura de la campana
Preguntas frecuentes
¿Por qué necesito tipificar una variable normal?
Porque la integral de la función de densidad normal no tiene expresión algebraica cerrada.
La función de densidad de la distribución normal no se puede integrar de forma exacta usando funciones elementales. Por eso, necesitamos convertir cualquier normal N(μ, σ²) a la normal estándar N(0,1), para la cual existen tablas precalculadas con los valores de probabilidad.
¿Cuál es la fórmula para tipificar una variable normal?
Z = (X - μ) / σ, donde μ es la media y σ la desviación estándar.
Esta fórmula resta la media y divide por la desviación estándar, lo que centra la distribución en cero y estandariza su dispersión a uno. El resultado Z sigue una distribución N(0,1).
¿Cómo se lee la tabla de la normal estándar?
Las filas indican el valor de Z hasta el primer decimal, las columnas añaden el segundo decimal.
Para buscar P(Z ≤ 0.47), localiza la fila 0.4 y la columna 0.07. El valor en esa celda es la probabilidad buscada. La tabla siempre proporciona P(Z ≤ z).
¿Cómo calculo P(Z > z) si la tabla solo da P(Z ≤ z)?
Usando que P(Z > z) = 1 - P(Z ≤ z).
Como la integral total de la función de densidad entre menos infinito e infinito vale 1, la probabilidad de que Z sea mayor que z es el complemento de que sea menor o igual.
¿Qué hago si Z es negativo y no aparece en mi tabla?
Usa la simetría: P(Z < -a) = 1 - P(Z < a).
La distribución normal es simétrica respecto al cero. Por tanto, la probabilidad de estar por debajo de -a es igual a la probabilidad de estar por encima de +a. Si necesitas P(Z < -0.8), calcula 1 - P(Z < 0.8).
¿Cómo calculo la probabilidad de un intervalo P(a < X < b)?
Tipifica ambos límites y calcula P(Z < z₂) - P(Z < z₁).
Primero convierte a y b en sus valores tipificados z₁ y z₂. Luego, usa la tabla para obtener ambas probabilidades acumuladas y resta: P(z₁ < Z < z₂) = F(z₂) - F(z₁).
¿Qué significan los puntos de inflexión en la campana de Gauss?
Son los puntos donde la curva cambia de concavidad, situados a distancia σ de la media.
En una normal N(μ, σ²), los puntos de inflexión están en μ - σ y μ + σ. Cuando la desviación es mayor, la campana es más ancha y los puntos de inflexión están más alejados del centro.
¿La tipificación cambia las probabilidades?
No, solo transforma la escala manteniendo las mismas probabilidades.
La tipificación es una transformación lineal que preserva las áreas bajo la curva. P(X > 1450) para X ~ N(1400, 125²) es exactamente igual a P(Z > 0.4) para Z ~ N(0,1).
Artículos relacionados
Intervalos de confianza para medias poblacionales y proporciones grandes
Repaso de intervalos de confianza para medias poblacionales con muestras y aproximación de binomiales a normales cuando las proporciones son grandes.
Variables aleatorias discretas: función de probabilidad y distribución
Guía completa sobre variables aleatorias discretas: definición, función de probabilidad, función de distribución y ejemplos prácticos con Bernoulli y Binomial.
Aproximación de la distribución binomial a la normal en probabilidad
Técnica para simplificar cálculos de probabilidad binomial con muestras grandes usando la distribución normal.
Distribución binomial: ejemplos prácticos de probabilidad discreta
Guía completa sobre la variable aleatoria binomial con ejemplos resueltos de inspección de lotes, seguros de vida, lanzamiento de monedas y probabilidad de infracciones.
Intervalos de confianza en la distribución normal: cálculo y aplicación
Domina el cálculo de intervalos de confianza en la distribución normal: desde la tipificación hasta la interpretación de resultados con ejemplos prácticos.
Variables aleatorias continuas: función de densidad y distribución normal
Guía completa sobre variables aleatorias continuas: definición, función de densidad, función de distribución y la variable aleatoria normal con sus parámetros μ y σ².
¿Quieres aprender más sobre este tema?
Este contenido es parte del curso Matemáticas Ciencias Sociales | Selectividad de Acceso a la Universidad Ucademy. Contacta con nosotros para más información o descarga este artículo en PDF.