You are on page 1of 19

2015

ID: DISTRIBUCIN
NORMAL/GAUSSIANA
ESTNDAR

FUNDAMENTOS DE INVESTIGACIN
LUIS ALBERTO SALINAS DIEGO
PROFESOR: BENIGNO MUOZ BARRN

ITESHU | INGENIERA MECATRNICA | FUNDAMENTOS DE INVESTIGACIN | 1ER SEMESTRE


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 1

NDICE
Introduccin...2

Artculos/journals..3

Objetivos.4

Marco Terico5
Qu es el la distribucin normal?....................................................5
Distribucin Normal Estndar6
Percentiles de la Distribucin Normal Estndar..7
Notacin.9
Distribucin Normal y Poblaciones Discretas..,,10
Aproximacin a la Distribucin Binomial....14
Distribucin Uniforme, Continua, Binomial..14
Desviacin Estndar..14
Distribucin Normal calculada mediante software de
Computadora Excel 201614

Ejercicios...17

Referencias19

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 2

INTRODUCCIN
Desde tiempos inmemorables el hombre comenz a darse cuenta que algunos fenmenos
se repetan pero de forma diferente, eventualmente cambiaba la frecuencia con la que
aparecan o se modificaban, es entonces cuando surge la necesidad de predecir cundo
sucederan y de esta manera evitarlos o mejorarlos o simplemente estar preparados para
su aparicin, es ah donde la distribucin normal aparece en la vida de algunas personas,
claro sin llamarse de esa forma, y se comenz a analizar para llegar a los resultados que
nosotros queramos, se modific de tal manera que hoy en da es una de las tcnicas de
calidad principalmente utilizadas. Pero Quin se dio cuenta de esta tcnica tan
impresionante?, fue desde hace alrededor de tres siglos surgi la necesidad de crear
diversos mtodos para la representacin y orden de datos obtenidos en diversos casos y
problemas que surgan de la vida cotidiana, es all cuando se crearon o implementaron la
idea de modelos probabilsticos y estadsticos que funcionaran con los datos obtenidos y
recopilados ya sea por separado o en conjunto. Es entonces cuando fue iniciada la
distribucin normal.

Esta distribucin normal fue iniciada y reconocida por Abraham de Moivre (1667-1754). Sin
embargo, poco despus Carl Friedrich Gauss (1777-1855) desarrollo mtodos ms
especficos, ms profundos y formul la ecuacin de la curva que representa dicha
distribucin; sin embargo, debido a un error de la historia, en lugar de haberse denominado
dicha curva como campana de Moivre (debido a que simula la forma de una campana), se
denomin como la "campana de Gauss", como es mayormente conocida y reconocida. [1]

La distribucin normal, es posiblemente la distribucin de probabilidad ms estudiada en la


teora estadstica debido a su gran aplicabilidad en fenmenos de toda naturaleza y de todo
mbito. Hoy en da, la distribucin normal, tiene aplicacin principalmente en el mbito de
la calidad, ya que a partir de su utilizacin podemos realizar modificaciones para que los
productos diseados no tengan fluctuaciones de diseo o utilidad, y la mayora de dichos
productos cuenten con las especificaciones que deseemos. [2]

Sin embargo, no solo en la calidad es ocupada, ya que tambin desde hace 300 aos
aproximadamente, en el rea de la qumica y fsica, se comenz a utilizar la distribucin de
gauss para la distribucin de los datos obtenidos de diferentes prcticas experimentales y
de esta forma describir a la perfeccin su comportamiento, claro como aproximacin, ya
que, al analizar fenmenos fsicos, existen algunas fluctuaciones.

En otros mbitos tambin puede ser utilizada la distribucin normal ya que es una
herramienta universal para analizar la distribucin de como aparecen diferentes fenmenos,
algunos ejemplos de la utilizacin de esta distribucin normal serian en el mbito social,
cuando hablamos del comportamiento de algunas personas, o cuando se analizan los
delitos de violencia que hay en algn lugar determinado, mientras que en el mbito
econmico administrativo, al analizar los ingresos de una planta, o al describir el per cpita
de un pas completo.

Los siguientes artculos obtenidos de la IEEE que nos muestran algunas de las muchas
aplicaciones que tiene la distribucin normal o gaussiana.
ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO
INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 3

CLCULO APROXIMADO SOBRE DISTRIBUCIN NORMAL ESTNDAR CON


PROGRAMACIN GENTICA

La distribucin normal es una distribucin de probabilidad ms utilizado en el clculo y


anlisis de ingeniera, que se transforma normalmente en la distribucin normal estndar a
la investigacin. En este trabajo se presenta un nuevo mtodo hbrido de la programacin
gentica y menos mtodo cuadrado para calcular valores de la funcin de distribucin
normal estndar, basado en la determinacin del valor de la funcin de distribucin normal
estndar comprobando tabla haber muchos lmites y llevar gran inconveniente para la
aplicacin de la ingeniera. Los resultados de simulacin de mostrar que el algoritmo tiene
las ventajas de alta velocidad y precisin, fcil para el uso.[6]

LA DISTRIBUCIN NORMAL EN ESTRUCTURAS NO RGIDAS DE MOVIMIENTO

Las Estructuras no rgidas de movimiento es un problema fundamental en la visin por


computador, que an no se ha resuelto satisfactoriamente. La principal dificultad del
problema radica en la eleccin de las restricciones adecuadas para la solucin. En este
trabajo, proponemos nuevas restricciones que son ms eficaces para la recuperacin de la
forma no rgida. A diferencia de las otras propuestas que se han centrado principalmente
en la restriccin del espacio de deformacin usando las limitaciones de rango, nuestra
propuesta limita los parmetros de movimiento de modo que las formas 3D estn ms
estrechamente alineados entre s, lo que hace que las limitaciones de rango innecesario.
Sobre la base de estas limitaciones, se define una nueva clase de distribucin de
probabilidad llam la distribucin normal de Procusto y proponer un nuevo algoritmo
NRSfM, EM-PND. Los resultados experimentales muestran que el mtodo propuesto
supera a los mtodos existentes, y funciona bien incluso si no hay dependencia temporal
entre las muestras observadas.[7]

LA DIVISIN DE GRANDES CONJUNTOS DE DATOS MDICOS BASADOS EN LA


DISTRIBUCIN NORMAL EN LA NUBE

La oleada de aplicaciones mdicas y de comercio electrnico ha generado gran cantidad


de datos, lo que lleva a la gente a una era llamada "Big Data". A diferencia de los grandes
conjuntos de datos tradicionales, el trmino "Big Data" no slo significa el gran tamao del
volumen de datos, pero tambin indica la alta velocidad de la generacin de los datos. Sin
embargo, la minera de datos actual y tcnicas analticas se enfrentan al desafo de tratar
con datos de gran volumen en un corto perodo de tiempo. Este trabajo explora la eficiencia
de la utilizacin del mtodo de distribucin normal (ND) para la divisin y el procesamiento
de los datos mdicos de gran volumen en el entorno de la nube, que puede proporcionar
informacin representativa en los conjuntos de datos de divisin. El nuevo modelo basado-
ND consta de dos etapas. La primera etapa adopta el mtodo ND para grandes conjuntos
de datos de divisin y el procesamiento, lo que puede reducir el volumen de los conjuntos
de datos. La segunda etapa implementa el modelo basado en la ND en una infraestructura
de computacin en nube para la asignacin de los conjuntos de datos de divisin. Los
resultados experimentales muestran ganancias de eficiencia sustanciales del mtodo
propuesto a travs de los mtodos convencionales sin datos dividindose en pequeas
particiones. El mtodo basado en el ND puede generar conjuntos de datos representativos,
ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO
INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 4

que pueden ofrecer una solucin eficiente para el gran procesamiento de datos. Los
conjuntos de datos de divisin se pueden procesar en paralelo en entorno cloud
computing.[8]

IDENTIFICACIN DEL INSTRUMENTO MUSICAL BASADO EN LA DISTRIBUCIN


NORMAL MULTIVARIANTE F0-DEPENDIENTE

La dependencia tono de timbres no se ha explotado plenamente en la identificacin de


instrumentos musicales. En este trabajo, presentamos un mtodo que utiliza una
distribucin normal multivariante F0 dependiente de los cuales quieren decir es
representada por una funcin de la frecuencia fundamental (FO). Esta funcin F0 media
dependiente representa la dependencia de tono de cada funcin, mientras que la
covarianza F0-normalizado representa la dependencia no pitch. Sonidos de instrumentos
musicales son analizados primero por la distribucin normal multivariante F0-dependiente,
y luego identificaron mediante el uso de la funcin discriminante basado en la regla de
decisin de Bayes. Los resultados experimentales de la identificacin de 6.247 tonos en
solitario de 19 instrumentos musicales por 10 veces la validacin cruzada mostraron que el
mtodo propuesto mejor la tasa de reconocimiento a nivel individual-instrumento del
75,73% al 79,73%, y la tasa de reconocimiento al nivel de la categora de 88.20% a 90.65
%.[9]

ALGORITMO PROGRAMACIN-ENERGA CONSCIENTE DE TAREA CICLOS DE


EJECUCIN CON DISTRIBUCIN NORMAL EN HETEROGNEOS SISTEMAS DE
COMPUTACIN

En los ltimos aos, muchos algoritmos de planificacin consciente de la energa han sido
desarrollados principalmente utilizando la capacidad dinmica de escala de voltaje-
frecuencia (DVFS) que se ha incorporado en los procesadores recientes de las materias
primas. Sin embargo, estas tcnicas no estn satisfechos con la optimizacin tanto en
longitud horario y el consumo de energa. Por otra parte, la mayora de los algoritmos de
programar las tareas de acuerdo a su tiempo promedio de ejecucin del caso y no
considerar los ciclos de ejecucin de la tarea con la distribucin de probabilidad en el mundo
real. En reconocimiento de esto, se estudia el problema de la programacin de tareas
estocsticos independientes con distribucin, el plazo y el consumo de energa restricciones
presupuestarias normales en una plataforma heterognea. En primer lugar, formulamos
este problema de programacin estocstica consciente de la energa como la programacin
lineal, que maximizar las probabilidades de confianza garantizados en el plazo y las
limitaciones presupuestarias de energa consumo. Nuestro estudio de evaluacin del
desempeo de simulacin extensa, basado en genera aleatoriamente aplicaciones
estocsticos y aplicaciones del mundo real, demuestran claramente que nuestro algoritmo
heurstico propuesto puede mejorar garantizado sistema de confianza de probabilidad y
tiene un buen compromiso entre la longitud del horario y el consumo de energa.[10]

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 5

OBJETIVOS
OBJETIVO GENERAL

Conocer la magnitud y distribucin de los datos obtenidos en distintos casos para as


conocer y determinar la probabilidad de cualquier dato, a travs de la utilizacin de la
campana de gauss, para que a partir de una observacin minuciosa se encuentre la
probabilidad de que est por encima o por debajo en comparacin de cierto valor. [2]

OBJETIVOS ESPECFICOS

Aprender a comparar observaciones que se encuentran en diferentes distribuciones


de probabilidad.
Ser capaz de utilizar la distribucin normal para aproximar cualquier dato.
Aprender a calcular la distribucin normal manualmente.
Aprender a calcular la distribucin normal por medio de herramientas tecnolgicas,
como lo es Excel.

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 6

MARCO TERICO
QUE ES LA DISTRIBUCIN NORMAL?

La distribucin normal es la ms importante en toda la probabilidad y estadstica. Muchas


poblaciones numricas tienen distribuciones que pueden ser representadas muy fielmente
por una curva normal apropiada. Los ejemplos incluyen estaturas, pesos y otras
caractersticas fsicas, errores de medicin en experimentos cientficos, mediciones
antropomtricas en fsiles, tiempos de reaccin en experimentos psicolgicos, mediciones
de inteligencia y aptitud, calificaciones en varios exmenes y numerosas medidas e
indicadores econmicos. Incluso cuando la distribucin subyacente es discreta, la curva
normal a menudo da una excelente aproximacin. Adems, aun cuando las variables
individuales no estn normalmente distribuidas, las sumas y promedios de las variables en
condiciones adecuadas tendrn de manera aproximada una distribucin normal; este es el
contenido del Teorema del Lmite Central discutido en el siguiente captulo.[1]

DEFINICIN:

Se dice que una variable aleatoria continua X tiene una distribucin normal con
parmetros y (o y 2), donde -<< y >o, si la funcin de densidad de probabilidad
de X es
1
1 ( x )2
n( x; , ) e 2 2
, x
2
De nuevo e denota la base del sistema de logaritmos naturales y es aproximadamente igual
a 2.71828 y representa la conocida constante matemtica con un valor aproximado de
3.14159. El enunciado de que X est normalmente distribuida con los parmetros y 2 a
menudo se abrevia como: X N ( , 2 ) ,

Claramente f ( x; , ) 0 aunque se tiene que utilizar un argumento de clculo un tanto



complicado para verificar que
f ( x; , )dx 1 . Se puede demostrar que E ( X ) y
V ( X ) 2 , de modo que los parmetros son la media y la desviacin estndar de X. [1]

Figura: Curvas de Densidad Normal


ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO
INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 7

La figura representa grficas de f ( x; , ) de varios pares diferentes (, ). Cada curva


de densidad es simtrica con respecto a y acampanada, de modo que el centro de la
campana (punto de simetra) es tanto la media de la distribucin como la mediana. El valor
de es la distancia desde hasta los puntos de inflexin de la curva (los puntos donde la
curva cambia de virar hacia abajo a virar hacia arriba). Los grandes valores de producen
grficas que estn bastante extendidas en torno a , en tanto que los valores pequeos de
dan grficas con una alta cresta sobre y la mayor parte del rea bajo de la grfica
bastante cerca de . As pues, una grande implica que se puede observar muy bien un
valor de X alejado de , en tanto que dicho valor es bastante improbable cuando es
pequea.

DISTRIBUCIN NORMAL ESTNDAR:

Para calcular P (a X b) cuando X es una variable aleatoria normal con parmetros


y , se debe determinar:
1 2
( x )
b 1

2 2
e dx
a
2
Ninguna de las tcnicas estndar de integracin puede ser utilizada para evaluar la
expresin. En cambio, con 0 y 1 , se calcul la expresin por medio de tcnicas
numricas y se tabul para ciertos valores de a y b. Esta tabla tambin puede ser utilizada
para calcular probabilidades con cualesquiera otros valores de y considerados.[2]

DEFINICIN:

La distribucin normal con valores de parmetro 0 y 1 se llama distribucin


normal estndar. Una variable aleatoria que tiene una distribucin normal estndar se
llama variable aleatoria normal estndar y se denotar por Z. La funcin de densidad de
probabilidad de Z es:

1 2z
2

f ( z;0,1) e , z
2
La grfica de f ( z;0,1) se llama curva normal estndar (o z). La funcin de distribucin
z
acumulativa de Z es P(Z z )

f ( y;0,1)dy , la cual ser denotada por ( z ) .

La distribucin normal estndar no sirve con frecuencia como modelo de una poblacin que
surge naturalmente. En cambio, es una distribucin de referencia de la que se puede
obtener informacin sobre otra distribucin normal. La tabla A.3 del apndice, da
( z ) P( Z z ) , el rea bajo la curva de densidad normal estndar a la izquierda de z con

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 8

z 3.49, 3.48,...,3.48,3.49 . La figura 4.14 ilustra el tipo de rea acumulativa


(probabilidad) tabulada en la tabla A.3. Con esta tabla, varias probabilidades que implican
Z pueden ser calculadas.[1]

reas acumulativas normales estndar tabuladas en la Tabla A.

PERCENTILES DE LA DISTRIBUCIN NORMAL ESTNDAR:

Con cualquier p entre 0 y 1, se puede utilizar la tabla A para obtener el (100p)0 percentil de
la distribucin normal estndar.

El 99o percentil de la distribucin normal estndar es el valor sobre el eje horizontal tal que
el rea bajo la curva z a la izquierda de dicho valor es 0.9900. La tabla A da con z fija el
rea bajo la curva normal estndar a la izquierda de z, mientras que aqu se tiene el rea y
se desea el valor de z. Este es problema inverso a P ( Z z ) ? as que la tabla se utiliza
a la inversa: Encuentre en la mitad de la tabla 0.9900; la fila y la columna en la que se
encuentra identificado el 99o percentil z. En este caso 0.9901 queda en la interseccin de
la fila 2.3 y la columna 0.03, as que el 99o percentil es (aproximadamente) z 2.33 .

Por simetra, el primer percentil est tan debajo de 0 como el 99o est sobre 0, as que es
igual a -2.33 (1% queda debajo del primero y tambin sobre el 99o).[1]

Localizacin del 99o percentil.

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 9

Relacin entre el 1er y 99o percentiles.

En general, la fila y la columna de la tabla A, donde el ingreso p est localizado


identifican el (100p)o percentil (p. ej., el 67o percentil se obtiene localizando 0.6700 en
el cuerpo de la tabla, la cual da z 0.44 ). Si p no aparece, a menudo se utiliza el nmero
ms cercano a l, aunque la interpolacin lineal da una respuesta ms precisa.

Por ejemplo, para encontrar el 95o percentil, se busca 0.9500 adentro de la tabla.
Aunque 0.9500 no aparece, tanto 0.9495 como 0.9505 s, correspondientes a z 1.64
y 1.65 , respectivamente. Como 0.9500 est a la mitad entre las dos probabilidades que
s aparecen, se utilizar 1.645 como el 95o percentil y -1.645 como el 5o percentil.

NOTACIN Z :

En inferencia estadstica, se necesitan valores sobre el eje horizontal z que capturen ciertas
reas de cola pequea bajo la curva normal estndar.[3]

DEFINICIN:

Z denotar el valor sobre el eje z para el cual

del rea bajo la curva z queda a la derecha de Z .

Por ejemplo, Z 0.10 captura el rea de cola superior 0.10 y Z Z 0.01 captura el rea de cola
superior 0.01.

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 10

Notacin Z ilustrada
Como del rea bajo la curva z queda a la derecha de z , del rea queda a su
izquierda. Por lo tanto, z es el 100( )o percentil de la distribucin normal estndar. Por
simetra el rea bajo la curva normal estndar a la izquierda de - z tambin es . Los
valores z en general se conocen como valores crticos z. La tabla siguiente incluye los
percentiles z y los valores z ms tiles.

Percentil 90 95 97.5 99 99.5 99.9 99.95


(rea de cola) 0.1 0.05 0.025 0.01 0.005 0.001 0.0005
z = 100( )o
1.28 1.645 1.96 2.33 2.58 3.08 3.27
percentil
Tabla. Percentiles normales estndar y valores crticos

z0.05 es el 100(1-0.05)o = 95o percentil de la distribucin normal estndar, por lo tanto


z0.05=1.645. El rea bajo la curva normal estndar a la izquierda de -z0.05 tambin es 0.05.

DISTRIBUCIN NORMAL Y POBLACIONES DISCRETAS

La distribucin normal a menudo se utiliza como una aproximacin a la distribucin de


valores en una poblacin discreta. En semejantes situaciones, se debe tener un cuidado
especial para asegurarse de que las probabilidades se calculen con precisin.

Se sabe que el coeficiente intelectual en una poblacin particular (medido con una prueba
estndar) est ms o menos normalmente distribuido con =100 y =15. Cul es la
ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO
INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 11

probabilidad de que un individuo seleccionado al azar tenga un CI de por lo menos 125?


Con X= el CI de una persona seleccionada al azar, se desea P(X>=125). La tentacin en
este caso es estandarizar X>=125 como en ejemplos previos. Sin embargo, la distribucin
de la poblacin de coeficientes intelectuales en realidad es discreta, puesto que los
coeficientes intelectuales son valores enteros. As que la curva normal es una aproximacin
a un histograma de probabilidad discreto como se ilustra en la siguiente imagen.

Los rectngulos del histograma estn centrados en enteros, por lo que los coeficientes
intelectuales de por lo menos 125 corresponden a rectngulos que comienzan en 124.5, la
zona sombreada en la figura 4.24. Por lo tanto, en realidad se desea el rea bajo la curva
aproximadamente normal a la derecha de 124.5. Si se estandariza este valor se obtiene
P(>=Z1.63) = 0.0516, en tanto que si se estandariza 125 se obtiene P(Z>=1.67) = 0.0475.

La diferencia no es grande, pero la respuesta 0.0516 es ms precisa. Asimismo, P(X =125)


sera aproximada por el rea entre 124.5 y 125.5, puesto que el rea bajo la curva normal
sobre el valor nico de 125 es cero.[1]

Aproximacin normal a una distribucin discreta

APROXIMACIN DE DISTRIBUCIN BINOMIAL

Recurdese que el valor medio y la desviacin estndar de una variable aleatoria binomial
X son X=np y X npq , respectivamente. La figura 4.25 muestra una histograma de
probabilidad binomial de la distribucin binomial con n=20, p=0.6 con el cual =20(0.6) = 12
y = 20(0.6)(0.4) 2.19 . Sobre el histograma de probabilidad se superpuso una curva
normal con esas y . Aunque el histograma de probabilidad es un poco asimtrico, la
curva normal da una muy buena aproximacin, sobre todo en la parte media de la figura.

En trminos generales, en tanto que el histograma de probabilidad binomial no sea


demasiado asimtrico, las probabilidades binomiales pueden ser aproximadas muy bien por
reas de curva normal. Se acostumbra entonces decir que X tiene aproximadamente una
distribucin normal.[4]

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 12

Histograma de probabilidad binomial para n=20, p=0.6 con curva de aproximacin normal
sobrepuesta.

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 13

Tablas de la curva Normal Estandar

Para conocer y entender la distribucin normal por completo es necesario conocer los
siguientes temas y conceptos.

DISTRIBUCIN UNIFORME CONTINUA:

Una distribucin de probabilidad uniforme continua se refiere cuando los resultados posibles
de algn experimento son obtenidos de variables aleatorias continuas, es decir,
cuantitativas que pueden tomar cualquier valor, y que resultan principalmente del proceso
de medicin. [5]

DISTRIBUCIN BINOMIAL:

La distribucin binomial es una distribucin de probabilidad discreta que se encarga de


contar el nmero de xitos en una secuencia ensima n de ensayos de Bernoulli, con una
probabilidad esttica p de frecuencia.[5]

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 14

DESVIACIN ESTNDAR:

La desviacin estndar () mide cunto se separan los datos (dispersin) y es la raz


cuadrada de la varianza.[5]

DISTRIBUCIN:

La distribucin es una funcin que asigna a cada evento sobre la variable aleatoria, la
probabilidad de que suceda. La distribucin de probabilidad est definida sobre el conjunto
de todos los eventos, y cada uno de ellos es el rango de valores de la variable aleatoria.[4]

CAMPANA DE GAUSS:

Es el nombre que se le da a la representacin grfica de una distribucin normal por la


forma idntica a la silueta de una campana.[5]

CALCULO Y REPRESENTACION DE LA DISTRIBUCION MEDIANTE SOFTWARE DE


COMPUTADORA: EXCEL 2016

Suponiendo un conjunto de datos recopilados con la edad de 20 personas. Todos los datos
se encuentran en el rango A2:A2001 y en la columna C la lista de edades que van desde
los 22 aos hasta los 38 aos.

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 15

Por otro lado, la celda G1 hace uso de la funcin PROMEDIO para obtener el promedio del
rango A2:A2001 y en la celda G2 he colocado la desviacin estndar utilizando la funcin
DESVESTA. Estos son todos los datos necesarios para calcular la distribucin normal y
para ello utilizaremos la funcin DISTR.NORM.N de la siguiente manera:

Esta funcin nos devuelve la distribucin normal para un valor dadas la media y la
desviacin estndar como segundo y tercer argumento respectivamente. En la frmula se
van colocado ambos argumentos como referencias absolutas para que se mantengan fijas
al copiar la frmula hacia abajo. El ltimo argumento de la funcin indica si deseamos utilizar
la funcin de distribucin acumulativa y que para nuestro ejemplo colocaremos el valor
falso.

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 16

Nuestros datos estn listos y falta insertar el grfico para ello seleccionar cualquier celda
del rango C1:D17 y pulsar el comando Insertar > Grficos > Dispersin > Dispersin
con lneas suavizadas. Se ajustan los valores mximo y mnimo del eje horizontal para tener
el siguiente resultado:

El cual le da la caracterstica de forma de campana o curva normal.

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 17

EJEMPLOS
1. Si X es una variable aleatoria de una distribucin N(, ), hallar: p(3 X +3).
Solucin: sabemos que z=x/; como x1= 3 y x2= +3 entonces la P(x1Xx2)
se define como:

Es decir, que aproximadamente el 99.72% de los valores de X estn a ms/menos de tres


desviaciones tpicas de la media.

2. En una ciudad se estima que la temperatura mxima en el mes de junio sigue una
distribucin normal, con media 23 y desviacin tpica 5. Calcular el nmero de da del
mes en los que se espera alcanzar mximas entre 21 y 27.
Sabemos que: z x /

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO


INVESTIGACIN D.: DISTRIBUCIN NORMAL / GAUSSIANA ESTNDAR 18

La distribucin normal se puede aplicar en muchas cosas, algunos ejemplos son los
siguientes casos como son:

Ingresos mensuales de los empleados de una planta.


Peso de los paquetes de arroz producidos por cierta marca.
Contaminacin del aire en una comunidad medida en partculas por milln.
Ingreso per cpita de un pas en desarrollo.
Nmero de delitos violentos por ao en una ciudad.
REFERENCIAS
[1] J. Devore, Probabilidad y Estadistica para Ingenieria y Ciencias, 7ma Edicion ed., Mexico D.F:
Cengage Learning, 2008.

[2] R. E. Walpole y R. H. Myers, Probabilidad y Estadistica para Ingenieros, Sexta Edicion ed.,
Mexico: Prentice Hall, 1999.

[3] M. Freund, Probabilidad y Estadistica para Ingenieros, 8va Edicion ed., Mexico: Pearson
Education, 2012.

[4] G. C. Cannavos, Probabilidad y Estadistica Aplicaciones y Metodos, 1era. Edicion ed., Mexico:
McGraw LA, 1998.

[5] W. W. Hines, Probabilidad y Estadistica para Ingenieria, 9na. Edicion ed., Mexico D.F: CECSA
Education, 2001.

[6] Zhang, Ming; Youngquan, Zhou;, Approximate Calculation about Standard Normal, de
Fourth International Conference on Information and Computing, Xiang China, 2011.

[7] M. Lee, J. Cho y S. Oh, Procrustean Normal Distribution for Non-rigid Structure from Motion,
IEEE C, vol. 2013 IEEE C, n CVPR.2013.169, pp. 1280-1287, 2013.

[8] Haolan Zhang , Hao Lan Zhang is with the Center for SCDM, NIT, Zhejiang University, China,
currently visiting Dept. of Computer and Information Systems, The University of Melbourne,
Australia (E-mail: haolan.zhang@nit.zju.edu.cn)

[9] Tang Xiaoyong, Li Kenli, Yin Qifeng, Energy-Aware Scheduling Algorithm for Task Execution
Cycles with Normal Distribution on Heterogeneous Computing Systems, ISBN, pp: 40-47,DOI
http://doi.ieeecomputersociety.org/10.1109/ICPP.2012.25

[10] M. Goto , Sch. of Electr., Comput. & Telecommun. Eng., Wollongong Univ., NSW, Australia,T.
Kitahara , Dept. of Intelligence Sci. & Technol., Kyoto Univ., Japan, H.G. Okuno , Sch. of Electr.,
Comput. & Telecommun. Eng., Wollongong Univ., NSW, Australia is in the Musical instrument
identification based on F0-dependent multivariate normal distribution, ISBN,pp: 409-412, DOI:
http://doi.ieeecomputersociety.org/10.1109/ICME.2003.1221335

ID: DISTRIBUCIN NORMAL/GAUSSIANA LUIS ALBERTO SALINAS DIEGO