Professional Documents
Culture Documents
etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por
ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal,
cuando la distribucin de la poblacin de la cual se extrae la muestra no es normal. 1
Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con
media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin
subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La
distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn
basados en una supuesta "normalidad".
Distribucin normal
Dominio
Funcin de densidad
(pdf)
Funcin de
distribucin (cdf)
Media
Mediana
Moda
Varianza
Coeficiente de
0
simetra
Curtosis 0
CAMPANA DE GAUSS
Es una representacin grfica de la distribucin normal de un grupo de datos. stos
se reparten en valores bajos, medios y altos, creando un grfico de forma acampanada y
simtrica con respecto a un determinado parmetro. Se conoce como curva o campana de
Gauss o distribucin Normal.
Historia
Aunque la campana de Gauss lleva el nombre del genio de las matemticas Carl
Friedrich Gauss , realmente la distribucin normal la descubri y publico por primera vez
Abraham Moivre (por eso en algunos libros se llama la distribucin de Moivre Gauss) en
un artculo del ao 1733, que reprodujo en la segunda edicin de su obra The Doctrine of
Chance (1738) como aproximacin de la distribucin normal para valores grandes de n.
Este resultado fue ampliado por Pierre-Simon de Laplace en su libro Teora analtica de las
probabilidades (1812).
El nombre de Gauss se ha asociado a esta distribucin porque la us con profusin
cuando analizaba datos astronmicos y algunos autores le atribuyen un descubrimiento
independiente del de De Moivre. El nombre de "campana" se lo dio Esprit Jouffret que uso
este trmino (bell surface) (superficie campana) por primera vez en 1872.
Ecuaciones
Propiedades
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.
Aplicaciones
Una de las mayores aportaciones al clculo integral que realiz Gauss, fue la introduccin
de esta funcin. Este grfico se usa en variables asociadas a fenmenos naturales que
siguen el modelo de la normal.
Distribucin normal.
Conociendo esta curva, basta calcular el rea correspondiente para conocer la probabilidad
de un intervalo cualquiera.
Una caracterstica importante de la curva normal y de los datos normalizados es que el rea
bajo la curva desde la media hasta una desviacin estndar, es decir desde z = 0 hasta z = 1,
ya sea a la izquierda o a la derecha, siempre es del 34.13% respecto del rea total que puede
haber bajo la curva. Ver parte superior de la figura 16.5.
De la misma forma, el rea bajo la curva desde la media hasta dos desviaciones estndar,
es decir desde z=0 hasta z=2 , ya sea a la izquierda o a la derecha, es del 47.72%. Ver parte
inferior de la figura 16.5.
Como la curva normal sale de graficar los datos recolectados, es
obvio que esos porcentajes de reas bajo la curva tambin lo son para
dichos datos, es decir, para una desviacin estndar, el porcentaje de
datos entre la media y z = 1 es de 34.13% aproximadamente; para dos
desviaciones estndar el porcentaje de datos entre la media y z = 2 es
tambin aproximadamente de 47.72%.
CALIFICACIN ESTNDAR Z
Puntuacin Z tambin conocido como puntuacin estndar o calificacin estndar z, es el
mtodo de clculo de cuntas desviaciones estndar en un conjunto de datos est por
encima o por debajo de la media. La distancia entre la media y una puntuacin z dada en
cada distribucin normal corta una proporcin de la superficie total por debajo de la curva.
Puntuaciones z son particularmente informativos cuando la distribucin a las que se
refieren es normal. El estndar de calificacin transformacin es til, en particular cuando
tratando de comparar las posiciones relativas de elementos de distribuciones con diferentes
medios y; o con diferentes desviaciones estndar
Z frmula de calificacin
La puntuacin estndar puede calcularse mediante la frmula siguiente
donde:
x es una puntuacin cruda para ser normalizado
es la media de la poblacin
es la desviacin estndar de la poblacin
La puntuacin cruda es por debajo de la Media cuando z es negativo. Del mismo modo la
puntuacin cruda es por encima de la Media cuando z es positivo. La cantidad representada
por puntuacin estndar z es la distancia entre la puntuacin cruda y la media de la
poblacin en trminos de desviacin estndar.
Intuitivamente, una variable binomial modeliza el recuento del nmero de xitos al repetir n
veces un experimento xito-fracaso (de Bernoulli) de parmetro p.
Lice
Ejemplo 1
Con objeto de estudiar el nmero de salmones de cierto ro que llegan vivos al mar se
marca el 20% de la camada en el lugar de nacimiento. Posteriormente, en una estacin
de seguimiento ro abajo, se registra el paso de 10 salmones de dicha camada. Cul
es la probabilidad de que se registren 3 de los marcados? Y con qu probabilidad se
registrarn 2 menos de los marcados?
X nmero de salmones marcados que se registran B(10; 0:2)
Caractersticas
Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:
1. En cada prueba del experimento slo son posibles dos resultados: xito y fracaso.
Empleo
Clculo de probabilidades en una distribucin binomial
n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
El nmero combinatorio
Ejemplo
La ltima novela de un autor ha tenido un gran xito, hasta el punto de que el 80% de los
lectores ya la han ledo. Un grupo de 4 amigos son aficionados a la lectura:
n=4
p = 0.8
q = 0.2
B(4, 0.8)
Formulas
Parmetros de la distribucin binomial
Media
Varianza
Desviacin tpica
Ejemplo
La probabilidad de que un artculo producido por una fbrica sea defectuoso es 0.02. Se
envi un cargamento de 10.000 artculos a unos almacenes. Hallar el nmero esperado de
artculos defectuosos, la varianza y la desviacin tpica.
DISTRIBUCIN DE POISSON
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea,
tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o
producto, la frmula a utilizar sera:
donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia
de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
= 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de
tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es
independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada
y cada producto es independiente de otro producto dado.
Ejemplo:
1 Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
2
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un
da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
= 2.718
b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos
das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar
de lo mismo que x.
VARIABLES DISCRETAS
Una variable discreta es una variable que slo puede tomar algunos valores dentro
de un mnimo conjunto numerable, es decir, no acepta cualquier valor, slo aquellos que
pertenecen al conjunto. Estas variables se dan de modo coherente separaciones entre
valores observables sucesivos. Dicho con ms rigor, se define una variable discreta como la
variable que hay entre dos valores observables (potencialmente), hay por lo menos un valor
no observable (potencialmente). Como ejemplo, el nmero de animales en una granja (0, 1,
2, 3...).
Uso
La ventaja de trabajar con variables aleatorias discretas es que podemos hacer clculos que
adquieren significado sobre el comportamiento de la variable. En una variable aleatoria,
podemos calcular todos los parmetros que habamos visto en la estadstica
unidimensional: media, varianza moda, mediana, percentiles, desviaciones, etc, aunque
nosotros vamos a centrarnos en las dos primeras, la media y la varianza, (bueno o la
desviacin tpica que era la raz de la varianza si recuerdas)
Formulas y caractersticas