Distribución Normal
Sin duda, la distribución continua de
probabilidad más importante, por la
frecuencia con que se encuentra y
por sus aplicaciones teóricas, es la
distribución normal, gaussiana o
de Laplace-Gauss.
Fue descubierta y publicada por
primera vez en 1733 por De Moivre.
A la misma llegaron, de forma
independiente, Laplace (1812) y
Gauss (1809), en relación con la
teoríade los errores de observación
astronómica y física .
Anatoli Timoféyevich Fomenko
Gaussian Distributions I and II
1
Caracteres morfológicos de individuos (personas, animales, plantas,...) de
una especie (tallas, pesos, diámetros, perímetros,...).
Caracteres sociológicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen,...
Caracteresfisiológicos, por ejemplo: efecto de una misma dosis de un
fármaco.
Errores cometidos al medir ciertas magnitudes.
Valores estadísticos muestrales, por ejemplo: la media.
Y en general cualquier característica que se obtenga como suma de
muchos factores.
Otras distribuciones como la binomial o la de Poisson se aproximan
a la normal. Distribuciones binomiales con n grande (n >30) y p ‘nipequeño’ (np > 5)
2
‘ni grande’ ( n (1-p) > 5 ).
Distribución normal o gaussiana
• Está caracterizada por dos parámetros: la media, μ y la
desviación típica, σ.
• Su función de densidad es:
−
1
N (μ, σ) = P( x) =
e
σ 2π
( x −μ) 2
2σ 2
(σ > 0)
La curva normal adopta un número infinito de formas,
determinadas por sus parámetros μ y σ.
3
Características de la distribuciónNormal
Tiene forma de campana, es asintótica al eje de las abscisas (para x = ±∞ )
Simétrica con respecto a la media (µ) donde coinciden la mediana (Mn) y
la moda (Mo).
Los puntos de inflexión tienen como abscisas los valores µ ± σ.
Puntos
de
inflexión
−∞
σ
σ
µ - σ µ, Mo, Mn µ + σ
+∞
4
Distribución normal con µ =0 para varios valores σ
1.6
σ=0.25
1.2
σ=0.5σ=1
p(x)
0.8
0.4
0
-2.50
-1.50
-0.50
0.50
x
1.50
2.50
5
−
1
N (μ, σ) = P( x) =
e
σ 2π
( x −μ) 2
(σ > 0)
2σ 2
σ=5
σ=5
σ = 10
20
30
40
50
60
70
80
90
100
110
120
Curvas normales con distintas medias y desviaciones estándar.
6
N(μ, σ): Interpretación
geométrica
• Podemos interpretar la
media comoun factor
de traslación.
• Y la desviación típica
como un factor de
escala, grado de
dispersión,…
7
N(μ, σ): Interpretación probabilista
• Entre la media y una
desviación típica
tenemos siempre la
misma probabilidad:
aproximadamente el
68%.
• Entre la media y
dos desviaciones
típicas aprox. 95%
•Si tomamos intervalos centrados en μ, y cuyos extremos están…
–a distancia σ,
tenemos probabilidad 68%
–a distancia 2 σ,
tenemos probabilidad 95%
–a distancia 2’5 σ
tenemos probabilidad 99%
8
1
N (μ, σ) = P( x) =
e
σ 2π
( x −μ) 2
−
2σ 2
Podemos obtener la función de
distribución F(x) integrando la
función de densidad de probabilidad:
1
F ( x) =
σ 2π
x
∫e
( v −μ) 2
−
2σ 2
dv
−∞
De modo que la probabilidad de unavariable aleatoria normal X en un
intervalo a ≤ x ≤ b es:
b
1
P (a ≤ X ≤ b) = F (b) − F (a ) =
∫e
σ 2π a
En particular:
1
σ 2π
∞
∫e
( v −μ) 2
−
2σ 2
( v −μ) 2
−
2σ 2
dv
dv = 1
−∞
¡No podemos calcular analíticamente el valor de la integral!
Tabularemos sus valores numéricos...
9
¿Cómo calcular probabilidades asociadas
a una curva normal específica?Dado que tanto µ como σ pueden asumir infinitos valores, es
impracticable tabular las probabilidades para todas las posibles
distribuciones normales. Para solucionarlo, se utiliza la
distribución normal reducida o tipificada.
Se define una variable
z=
x -µ
σ
Es una traslación , y un cambio de escala de
la variable original.
10
La nueva variable z se distribuye como una...
Regístrate para leer el documento completo.