Variable Normal2

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 10

Distribución normal (Variable Aleatoria Normal)

La distribución normal o variable aleatoria continua fue definida por De Moivre en


1733 y es la distribución de mayor importancia en el campo de la estadística.

Una variable es normal cuando se ajusta a la ley de los grandes números, es


decir, cuando sus valores son el resultado de medir reiteradamente una magnitud
sobre la que influyen infinitas causas de efecto infinitesimal.

Hay muchas variables asociadas a fenómenos naturales que siguen el modelo de


la normal.

 Caracteres morfológicos de individuos (personas, animales, plantas,…) de


una especie, p. ej. Tallas, pesos, envergaduras, diámetros, perímetros…
 Caracteres fisiológicos, por ejemplo; efecto de una misma dosis de un
fármaco, o de una misma cantidad de abono.
 Caracteres sociológicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen.
 Caracteres psicológicos, por ejemplo: cociente intelectual, grado de
adaptación a un medio……
 Errores cometidos al medir ciertas magnitudes.
 Valores estadísticos maestrales, por ejemplo: la media.
 Otras distribuciones como la binomial o la de Poisson son aproximaciones
normales

Las variables normales tienen una función de densidad con forma de campana a
la que se llama campana de Gauss.

Su función de densidad es la siguiente:

1
 Donde μ (mu) es la media y σ (sigma) es la desviación estándar (σ2 es  varianza).

Se llama distribución normal "estándar" a aquélla en la que sus parámetros


toman los valores μ = 0 y σ = 1. En este caso la función de densidad tiene la
siguiente expresión:

Los parámetros de la distribución son la media y la desviación típica, μ y σ,


respectivamente. Como consecuencia, en una variable normal, media y desviación
típica no deben estar correlacionadas en ningún caso (como desgraciadamente
ocurre en la inmensa mayoría de las variables aleatorias reales que se asemejan a
la normal.

La curva normal cumple las siguientes propiedades:

1)     El máximo de la curva coincide con la media.

2)    La media de una población distribuida normalmente se encuentra en el centro


de su curva normal.

3)     La curva tiene dos puntos de inflexión situados a una desviación típica de la
media. Es convexa entre ambos puntos de inflexión y cóncava en ambas colas.

2
4)     Sus colas son asintóticas al eje X.

Para calcular probabilidades en intervalos de valores de la variable, habría que


integrar la función de densidad entre los extremos del intervalo. Por desgracia (o
por suerte), la función de densidad normal no tiene primitiva, es decir, no se puede
integrar. Por ello la única solución es referirse a tablas de la función de distribución
de la variable (calculadas por integración numérica) Estas tablas tendrían que ser
de triple entrada (μ, σ, valor) y el asunto tendría una complejidad enorme.

Afortunadamente, cualquier que sea la variable normal, X, se puede establecer


una correspondencia de sus valores con los de otra variable con distribución
normal, media 0 y varianza 1, a la que se llama variable normal tipificada o Z. La
equivalencia entre ambas variables se obtiene mediante la ecuación:

3
Una consecuencia importante de esto es que la función de distribución de una
distribución normal es, por consiguiente,

A la inversa, si Z es una distribución normal estándar, Z ~ N(0,1), entonces

es una variable aleatoria normal tipificada de media   y varianza  .

La función de distribución de la variable normal tipificada está tabulada y,


simplemente, consultando en las tablas se pueden calcular probabilidades en
cualquier intervalo que nos interese.

De forma análoga a lo pasaba con las variables Poisson, la suma de variables


normales independientes es otra normal.

Histograma de una normal idealizada Histograma de una muestra de una


variable normal

Momentos

4
Los primeros momentos de la distribución normal son:

Númer Momento
Momento Cumulante
o central

0 1 1

1 Μ 0 μ

2 μ2 + σ2 σ2 σ2

3 μ3 + 3μσ2 0 0

4 μ4 + 6μ2σ2 + 3σ4 3σ4 0

5 μ5 + 10μ3σ2 + 15μσ4 0 0

6 μ6 + 15μ4σ2 + 45μ2σ4 + 15σ6 15σ6 0

7 μ7 + 21μ5σ2 + 105μ3σ4 + 105μσ6 0 0

8 μ8 + 28μ6σ2 + 210μ4σ4 + 420μ2σ6 + 105σ8 105σ8 0

Todos los Cumulantes de la distribución normal, más allá del segundo, son cero.
Los momentos centrales de orden superior (2k con μ = 0) vienen dados por la
fórmula

El Teorema del Límite Central

El Teorema del límite central establece que bajo ciertas condiciones (como


pueden ser independientes e idénticamente distribuidas con varianza finita), la
suma de un gran número de variables aleatorias se distribuye aproximadamente
como una normal.

5
La importancia práctica del Teorema del límite central es que la función de
distribución de la normal puede usarse como aproximación de algunas otras
funciones de distribución. Por ejemplo:

 Una distribución binomial de parámetros n y p es aproximadamente normal


para grandes valores de n, y p no demasiado cercano a 1 ó 0 (algunos libros
recomiendan usar esta aproximación sólo si np y n(1 − p) son ambos, al
menos, 5; en este caso se debería aplicar una corrección de continuidad).
La normal aproximada tiene parámetros μ = np, σ2 = np(1 − p).

 Una distribución de Poisson con parámetro λ es aproximadamente normal


para grandes valores de λ.
La distribución normal aproximada tiene parámetros μ = σ 2 = λ.

La exactitud de estas aproximaciones depende del propósito para el que se


necesiten y de la tasa de convergencia a la distribución normal. Se da el caso
típico de que tales aproximaciones son menos precisas en las colas de la
distribución. ElTeorema de Berry-Esséen proporciona un límite superior general
del error de aproximación de la función de distribución.

Divisibilidad infinita

Las normales tienen una distribución de probabilidad infinitamente divisible: Para


una distribución normal X de media μ y varianza σ2 ≥ 0, es posible
encontrar n variables aleatorias independientes {X1,...,Xn} cada una con
distribución normal de media μ/n y varianza σ2/n dado que la
suma X1 + . . . + Xn de estas n variables aleatorias

tenga esta específica distribución normal.

6
EJEMPLOS

Ejemplo 1) Si X es una variable aleatoria de una distribución N(µ, σ),


hallar:

p(µ−3σ ≤ X ≤ µ+3σ)=

Es decir, que aproximadamente el 99.74% de los valores de X están a


menos de tres desviaciones típicas de la media.

Ejemplo 2) En una distribución normal de media 4 y desviación típica


2, calcular el valor de a para que:

P(4−a ≤ x ≤ 4+a) = 0.5934

7
Ejemplo 3) En una ciudad se estima que la temperatura máxima en el mes de
junio sigue una distribución normal, con media 23° y desviación típica 5°.
Calcular el número de días del mes en los que se espera alcanzar máximas
entre 21° y 27°.

Ejemplo 4) Tras un test de cultura general se observa que las puntuaciones


obtenidas siguen una distribución una distribución N(65, 18). Se desea clasificar a
los examinados en tres grupos (de baja cultura general, de cultura general
aceptable, de excelente cultura general) de modo que hay en el primero un 20% la
población, un 65% el segundo y un 15% en el tercero. ¿Cuáles han de ser las
puntuaciones que marcan el paso de un grupo al otro?

8
Baja cultura hasta 49 puntos.

Cultura aceptable entre 50 y 83.

Excelente cultura a partir de 84 puntos.

9
BIBLIOGRAFIA

UCM página oficial <http://www.ucm.es/info/genetica/Estadistica/estadistica_basica


%201.htm>

Vadenumeros

<http://www.vadenumeros.es/sociales/variable-aleatoria-continua.htm>

Wikipedia

<http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal>

10

También podría gustarte