Algunas propiedades de la distribución normal son:
Es simétrica respecto de su media, μ;
La moda y la mediana son ambas iguales a la media, μ;
Los puntos de inflexión de la curva se dan para x = μ − σ y x = μ + σ.
Distribución de probabilidad en un entorno de la media:
En el intervalo [μ - σ, μ + σ] se encuentra comprendida, aproximadamente, el 68,26% de la distribución;
En el intervalo [μ - 2σ, μ + 2σ] se encuentra, aproximadamente, el 95,44% de la distribución;
Por su parte, en el intervalo [μ -3σ, μ + 3σ] se encuentra comprendida, aproximadamente, el 99,74% de la distribución.
Estas
propiedades son de gran utilidad para el establecimiento de intervalos
de confianza. Por otra parte, el hecho de que prácticamente la totalidad
de la distribución se encuentre a tres desviaciones típicas de la media
justifica los límites de las tablas empleadas habitualmente en la
normal estándar.
Si X ~ N(μ, σ2) y a y b son números reales, entonces (aX + b) ~ N(aμ+b, a2σ2).
Si X ~ N(μx, σx2) e Y ~ N(μy, σy2) son variables aleatorias normales independientes, entonces:
Su
suma está normalmente distribuida con U = X + Y ~ N(μx + μy, σx2 + σy2)
(demostración). Recíprocamente, si dos variables aleatorias
independientes tienen una suma normalmente distribuida, deben ser
normales (Teorema de Crámer).
Su diferencia está normalmente distribuida con
.
Si las varianzas de X e Y son iguales, entonces U y V son independientes entre sí.
La divergencia de Kullback-Leibler,
Si e son variables aleatorias independientes normalmente distribuidas, entonces:
Su producto sigue una distribución con densidad dada por
donde es una función de Bessel modificada de segundo tipo.
Su cociente sigue una distribución de Cauchy con . De este modo la distribución de Cauchy es un tipo especial de distribución cociente.
Si son variables normales estándar independientes, entonces sigue una distribución χ² con n grados de libertad.
Si son variables normales estándar independientes, entonces la media muestral y la varianza muestral
son independientes. Esta propiedad caracteriza a las distribuciones
normales y contribuye a explicar por qué el test-F no es robusto
respecto a la no-normalidad).
No hay comentarios.:
Publicar un comentario