Distribucin Normal

1. Introduccin
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas.
Su propio nombre indica su extendida utilizacin, justificada por las frecuencia o normalidad con la que las ciertos fenmenos
tienden a parecerse en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un mismo valor de p y de valores de n cada vez
mayores, se ve que sus polgonos de frecuencias se aproximan a una forma en forma de campana.
En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos
naturales que siguen el modelo de la normal.
- Caracteres morfolgicos de individuos (personas, animales, plantas,) de una especie.
Por ejemplo: tallas, pesos, envergaduras, dimetros, permetros,
- Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco, o de una misma cantidad de abono.
- Caracteres sociolgicos, por ejemplo: consciente intelectual, grado de adaptacin a un medio.
- Errores cometidos al medir ciertas magnitudes.
- Valores estadsticos maestrales, por ejemplo: la media.
- Otras distribuciones como la binomial o la Poisson son aproximaciones normales.
Y en general cualquier caracterstica que se obtenga como suma de mucho factores.
2. Distribucin Normal
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio nombre indica su extendida utilizacin,
justificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse en su comportamiento a esta
distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un mismo valor de p y valores de n cada vez mayores,
se ve que sus polgonos de frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos
naturales que siguen el modelo de la normal.
Caracteres morfolgicos de individuos (personas, animales, plantas,) de una especie, p. ejm. Tallas, pesos,
envergaduras, dimetros, permetros

Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un frmaco, o de una misma cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de
examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin a un medio

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos maestrales, por ejemplo: la media.

Otras distribuciones como la binomial o la de Poisson son aproximaciones normales

Y en general cualquier caracterstica que se obtenga como suma de muchos factores.
3. Funcin De Densidad
Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la funcin de densidad que corresponde a tales
distribuciones viene dando por la frmula

Funcin De Una Distribucin

Puede tomar cualquier valor (- ,+ )
Son ms probables los valores cercanos a uno central que llamados media

Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual forma a derecha e izquierda (es
simtrica).

Conforma nos separamos de ese valor , la probabilidad va decreciendo de forma ms o menos rpida dependiendo de
un parmetro s , que es la desviacin tpica.
4. La Distribucin Binomial
Funciones de probabilidad:
Llamamos funcin d probabilidad f a la aplicacin de E(X) (Espacio Muestral) en el intervalo [0,1] QUE VERIFICA:
f(A)= p (A)
Bsicamente se trata de estudiar la probabilidad como una funcin utilizando para su estudio todas las propiedades de
las funciones.
La Distribucion Binomial:
Llamamos experiencia aleatoria dicotmica a aquella que solo puede tener dos posibles resultados A y A'. Usualmente A recibe el
nombre de xito, adems representaremos como p= p(A) y q=1-p=p(A).
A la funcin de probabilidad de una variable aleatoria X resultado de contar el nmero de xitos al repetir n veces una experiencia
aleatoria dicotmica con probabilidad de xito p la llamamos distribucin binomial y la representamos por B (n, p)
Para esta distribucin se verifica que, la variable X puede tomar los valores:
0,1,2,, n

y que la variable toma cada uno de estos valores con probabilidad:

p( X = r ) = (nr) pr (1 p) n-r
Parmetros de una distribucin binomial:
Esperanza: n p
Desviacin tpica (n p q )0.5 ( raz cuadrada)
Ajuste de una serie de datos a una distribucin binomial:
Disponemos de una serie de k datos que toman los valores 0,1, ,n.
Para saber si estos datos siguen pueden aproximarse por una distribucin binomial:
Calculamos la media de los k datos y la igualamos a la Esperanza terica de la Binomial (n p).
Despejamos de aqu el valor de p.
Calculamos los valores tericos de p(X = r), multiplicndolos por k para obtener los valores tericos de cada posible valor de la
variable aleatoria en series de k datos.
Si la diferencia es " suficientemente pequea " aceptamos como buena la aproximacin Binomial, si no, la rechazamos.
(nota: la fundamentacin estadstica que nos permitira decidir de manera objetiva si la diferencia entre los datos tericos y los
reales es "suficientemente pequea" escapa de los objetivos de esta unidad didctica, con lo cual la decisin se deber tomar de
manera subjetiva)
Muestreo
En estadstica, es el proceso por el cual se seleccionan los individuos que formarn una muestra.
Para que se puedan obtener conclusiones fiables para la poblacin a partir de la muestra, es importante tanto su tamao como
el modo en que han sido seleccionados los individuos que la componen.
El tamao de la muestra depende de la precisin que se quiera conseguir en la estimacin que se realice a partir de ella. Para su
determinacin se requieren tcnicas estadsticas superiores, pero resulta sorprendente cmo, con muestras notablemente
pequeas, se pueden conseguir resultados suficientemente precisos. Por ejemplo, con muestras de unos pocos miles de personas
se pueden estimar con muchsima precisin los resultados de unas votaciones en las que participarn decenas de millones de
votantes.
Para seleccionar los individuos de la muestra es fundamental proceder aleatoriamente, es decir, decidir al azar qu individuos de
entre toda la poblacin forma parte de la muestra.
Si se procede como si de un sorteo se tratara, eligiendo directamente de la poblacin sin ningn otro condicionante, el muestreo se
llama aleatorio simple o irrestrictamente aleatorio.
Cuando la poblacin se puede subdividir en clases (estratos) con caractersticas especiales, se puede mostrar de modo que el
nmero de individuos de cada estrato en la muestra mantenga la proporcin que exista en la poblacin. Una vez fijado el nmero
que corresponde a cada estrato, los individuos se designan aleatoriamente. Este tipo de muestreo se denomina aleatorio
estratificado con asignacin proporcional.
Las inferencias realizadas mediante muestras seleccionadas aleatoriamente estn sujetas a errores, llamados errores de muestreo,
que estn controlados. Si la muestra est mal elegida - no es significativa - se producen errores sistemticos no controlados.
Mtodos De Muestreo
Existen dos mtodos de muestreo:
El muestreo probabilstico y no probabilstico
Mtodos de muestreo probabilstico
Los mtodos de muestreo probabilsticas son aqullos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los
que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente,
todas las posibles muestras de tamao n tienen la misma probabilidad de ser elegidas. Slo estos mtodos de muestreo
probabilsticas nos aseguran la representatividad de la muestra extrada y son, por tanto, los ms recomendables. Dentro de los
mtodos de muestreo probabilsticas encontramos los siguientes tipos:
Muestreo aleatorio simple
El procedimiento es el siguiente: 1) se asigna un nmero a cada individuo de la poblacin y 2) a travs de algn medio mecnico
(bolas dentro de una bolsa, tablas de nmeros aleatorios, nmeros aleatorios generados con una calculadora u ordenador, etc.) se
eligen tantos sujetos como sea necesario para completar el tamao de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad prctica cuando la poblacin que estamos manejando es
muy grande.
Muestreo aleatorio sistemtico
Este procedimiento exige, como el anterior, numerar todos los elementos de la poblacin, pero en lugar de extraer n nmeros
aleatorios solo se extrae uno. Se parte de ese nmero aleatorio i, que es un nmero elegido al azar, y los elementos que integran la
muestras son los que ocupan los lugares i,i+k,i+2k,i+3k,,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el resultado
de dividir el tamao de la poblacin entre el tamao de la muestra: k=N/n. el nmero i que empleamos como punto de partida ser
un nmero al azar entre 1 y k.
El riesgo de este tipo de muestreo est en los casos en que se dan periodicidad constante (k) podemos introducir una
homogeneidad que no se da en la poblacin. Imaginemos que estamos seleccionando una muestra sobre listas de 10 individuos en
los que los 5 primeros son varones y los ltimos 5 son mujeres, si empleamos un muestreo aleatorio sistemtico con k=10 siempre
seleccionaramos o slo hombres o slo mujeres, no podra haber una representacin de los dos sexos.

Muestreo aleatorio estratificado.

Trata de obviar las dificultades que presentan los anteriores ya que simplifican los procesos y suelen reducir el error muestral para
un tamao dado de la muestra. Consiste en considerar categoras tpicas diferentes entre s (estratos) que poseen gran
homogeneidad respecto a alguna caracterstica (se puede estratificar, por ejemplo, segn la profesin, el municipio de residencia,
el sexo, el estado civil, etc.). Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos
de inters estarn representados adecuadamente en la muestra. Cada estrato funciona independientemente, pudiendo aplicarse
dentro de ellos el muestreo aleatorio simple o el estratificado para elegir los elementos concretos que formarn parte de la muestra.
En ocasiones las dificultades que plantean son demasiado grandes, pues exige un conocimiento detallado de la poblacin. (tamao
geogrfico, sexos, edades).
La distribucin de la muestra en funcin de los diferentes estratos se denomina afijacin, y puede ser de diferentes tipos:
Afijacin simple
A cada estrato le corresponde igual nmero de elementos maestrales.
Afijacin proporcional
La distribucin se hace de acuerdo con el peso (tamao) de la poblacin en cada estrato.
Afijacin Optima
Se tiene en cuenta la previsible dispersin de los resultados, de modo que se considera la proporcin y la desviacin tpica. Tiene
poca aplicacin ya que no suele conocer la desviacin.
Muestreo aleatorio por conglomerados
Los mtodos presentados hasta ahora estn pensados para seleccionar directamente los elementos de la poblacin, es decir, que
las unidades maestrales son los elementos de la poblacin. En el muestreo por conglomerados la unidad muestral es un grupo de
elementos de la poblacin que forman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias, los
departamentos universitarios, una caja de determinado producto, etc., son conglomerados naturales como, por ejemplo, las urnas
electorales. Cuando los conglomerados son reas geogrficas suele hablarse de "muestreo por reas".
El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto nmero de conglomerados (el necesario para
alcanzar el tamao muestral establecido) y en investigar despus todos los elementos pertenecientes a los conglomerados
elegidos.
Para finalizar con esta exposicin de los mtodos de muestreo probabilstico es necesario comentar que ante lo compleja que
puede llegar a ser la situacin real de muestreo con la que nos enfrentemos es muy comn emplear lo que se denomina muestreo
polietpico. Este tipo de muestreo se caracteriza por operar en sucesivas etapas, empleando en cada una de ellas el mtodo de
muestreo probabilstico ms adecuado.
Mtodos de muestreo no probabilsticos
A veces, para estudios exploratorios, el muestreo probabilstico resulta excesivamente costoso y se acude a mtodos no
probabilsticos, an siendo conscientes de que no sirven para realizar generalizaciones, pues no se tiene certeza de que la muestra
extrada sea representativa, ya que no todos los sujetos de la poblacin tienen la misma probabilidad de ser elegidos. En general
se seleccionan a los sujetos siguiendo determinados criterios procurando que la muestra sea representativa.
Muestreo por cuotas.
Tambin denominado en ocasiones "accidental". Se asienta generalmente sobre la base de un buen conocimiento de los estratos
de la poblacin y/o de los individuos ms "representativos" o "adecuados" para los fines de la investigacin. Mantiene, por tanto,
semejanzas con el muestreo aleatorio estratificado, pero no tiene el carcter de aleatoriedad de aqul.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero de individuos que renen unas determinadas
condiciones, por ejemplo: 20 individuos de 25 a 40 aos, de sexo femenino y residentes en Gijn. Una vez terminada la cuota se
eligen los primeros que se encuentren que cumplan esas caractersticas. Este mtodo se utiliza mucho en las encuestas de
opinin.
Muestreo opintico o intencional
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras "representativas" mediante la inclusin en la
muestra de grupos supuestamente tpicos. Es muy frecuente su utilizacin en sondeos preelectorales de zonas que en anteriores
votaciones han marcado tendencias en voto.
Muestreo casual o incidental
Se trata de un proceso en el que el investigador selecciona directa e intencionalmente los individuos de la poblacin. El caso ms
frecuente de este procedimiento el utilizar como muestra los individuos a los que se tiene fcil acceso (los profesores
de universidad emplean con mucha frecuencia a sus propios alumnos). Un caso particular es el de los voluntarios.
Bola de nieve
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y as hasta conseguir una muestra suficiente. Este
tipo se emplea muy frecuentemente cuando se hacen estudios con poblaciones "marginales", delincuentes, sectas, determinados
tipos de enfermos, etc.
Error Muestral
De estimacin o estndar. Es la diferencia entre un estadstico y su parmetro correspondiente. Es una medida de al variabilidad de
las estimaciones de muestras repetidas en torno al valor de la poblacin, nos da una nocin clara de hasta donde y con qu
probabilidad una estimacin basada en una muestra se aleja del valor que se hubiera obtenido por medio de un censo completo.
Siempre se comete un error, pero la naturaleza de la investigacin nos indicar hasta qu medida podemos cometerlo (los

resultados se someten a error muestral e intervalos de confianza que varan muestra a muestra). Vara segn se calcule al principio
o al final. Un estadstico ser ms preciso en cuanto y tanto su error es ms pequeo. Podramos decir que es la desviacin de la
distribucin muestral de un estadstico y su fiabilidad.