Introduccin

La probabilidad es un mtodo por el cual se obtiene la frecuencia de un

acontecimiento determinado mediante la realizacin de un experimento aleatorio, del
que

se

conocen

todos

los

resultados

posibles,

bajo

condiciones suficientemente estables.

La teora de la probabilidad se usa extensamente en reas como la estadstica,
la fsica, la matemtica, las ciencias y la filosofa para sacar conclusiones sobre la
probabilidad discreta de sucesos potenciales y la mecnica subyacente discreta de
sistemas complejos, por lo tanto es la rama de las matemticas que estudia, mide o
determina a los experimentos o fenmenos aleatorios.

La distribucin normal fue presentada por primera vez por Abraham de Moivre en un
artculo del ao 1733, que fue reimpreso en la segunda edicin de su The Doctrine of
Chances, de 1738, en el contexto de cierta aproximacin de la distribucin
binomial para grandes valores de n. Su resultado fue ampliado por Laplace en su
libro Teora analtica de las probabilidades (1812), y en la actualidad se
llama Teorema de De Moivre-Laplace.
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importante mtodo

de

mnimos

cuadrados fue

introducido

por Legendre en

1805. Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific
rigurosamente en 1809 asumiendo una distribucin normal de los errores. 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. Esta atribucin del nombre de la distribucin a una

persona distinta de su primer descubridor es un claro ejemplo de la ley de Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell surface"
(superficie campana) por primera vez en 1872 para una distribucin normal bi
variante de componentes independientes. El nombre de "distribucin normal" fue
otorgado independientemente por Charles S. Peirce, Francis Galton y Wilhelm
Lexis hacia 1875. A pesar de esta terminologa, otras distribuciones de probabilidad
podran ser ms apropiadas en determinados contextos.

En estadstica y probabilidad se llama distribucin normal, distribucin de

Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad
de variable continua que con ms frecuencia aparece aproximada en fenmenos reales
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica
respecto de un determinado parmetro estadstico. Esta curva se conoce
como campana de Gauss y es el grfico de una funcin gaussiana.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo
de la normal son:
o caracteres morfolgicos de individuos como la estatura;
o caracteres fisiolgicos como el efecto de un frmaco;
o caracteres sociolgicos como el consumo de cierto producto por un mismo
grupo de individuos;
o caracteres psicolgicos como el cociente intelectual;
o nivel de ruido en telecomunicaciones;
o errores cometidos al medir ciertas magnitudes

En probabilidad, la distribucin normal aparece como el lmite de varias

distribuciones de probabilidad continuas y discretas.
La funcin de distribucin de la distribucin normal est definida como sigue:

Por tanto, la funcin de distribucin de la normal estndar es:

Esta funcin de distribucin puede expresarse en trminos de una funcin

especial llamada funcin error de la siguiente forma:

T la propia funcin de distribucin puede, por consiguiente, expresarse as:

El complemento de la funcin de distribucin de la normal estndar,

, se

denota con frecuencia

, y es referida, a veces, como simplemente funcin Q,
especialmente en textos de ingeniera. Esto representa la cola de probabilidad de la
distribucin gaussiana.

La inversa de la funcin de distribucin de la normal estndar (funcin cuantil) puede

expresarse en trminos de la inversa de la funcin de error:

y la inversa de la funcin de distribucin puede, por consiguiente, expresarse como:

Esta funcin cuantil se llama a veces la funcin probit. No hay

una primitiva elemental para la funcin probit. Esto no quiere decir meramente que

no se conoce, sino que se ha probado la inexistencia de tal funcin. Existen varios

mtodos exactos para aproximar la funcin cuantil mediante la distribucin normal

Lmite inferior y superior estrictos para la funcin de distribucin

Para grandes valores de x la funcin de distribucin de la normal estndar
es
muy prxima a 1 y
est muy cerca de 0. Los lmites elementales

En trminos de la densidad

son tiles.

o El cambio de variable v = u/2, el lmite superior se obtiene como sigue:

De forma similar, usando

o La regla del cociente

Funciones generadoras

Funcin generadora de momentos

La funcin generadora de momentos se define como la esperanza de e(tX). Para una

distribucin normal, la funcin generadora de momentos es:

Funcin caracterstica

La funcin caracterstica se define como la esperanza de eitX, donde i es la unidad

imaginaria. De este modo, la funcin caracterstica se obtiene
reemplazando t por it en la funcin generadora de momentos.
Para una distribucin normal, la funcin caracterstica es

Algunas propiedades de la distribucin normal son:

o Es simtrica respecto de su media, ;
o La moda y la mediana son ambas iguales a la media, ;
o Los puntos de inflexin de la curva se dan para x = y x = + .
o Distribucin de probabilidad en un entorno de la media:

En el intervalo [ - , + ] se encuentra comprendida,

aproximadamente, el 68,26% de la distribucin;
en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el
95,44% de la distribucin;
por su parte, en el intervalo [ -3, + 3] se encuentra comprendida,
aproximadamente, el 99,74% de la distribucin. Estas propiedades son
de gran utilidad para el establecimiento de intervalos de confianza. Por
otra parte, el hecho de que prcticamente la totalidad de la distribucin
se encuentre a tres desviaciones tpicas de la media justifica los lmites
de las tablas empleadas habitualmente en la normal estndar.

o Si X ~ N(, 2) y a y b son nmeros reales, entonces (aX + b) ~ N(a+b, a22).

o Si X ~ N(x, x2) e Y ~ N(y, y2) son variables aleatorias normales independientes,
entonces:
1. Su suma est normalmente distribuida con U = X + Y ~ N(x + y, x2 + y2)
(demostracin). Recprocamente, si dos variables aleatorias independientes
tienen una suma normalmente distribuida, deben ser normales (Teorema de
Crmer).
2. Su

diferencia

est

normalmente

distribuida

con

.
3. Si las varianzas de X e Y son iguales, entonces U y V son independientes entre
s.
4. La divergencia

de

Si
e
normalmente distribuidas, entonces:
1. Su producto

Kullback-Leibler.

son variables aleatorias independientes

sigue una distribucin con densidad

donde

es

dada por

una funcin

de

Bessel

modificada de segundo tipo.

2. Su

cociente

sigue

una distribucin

de

Cauchy con

. De este modo la distribucin de Cauchy

es un tipo especial de distribucin cociente.

 Si

son

variables

entonces
Si
la media

normales

estndar

independientes,

sigue una distribucin con n grados de libertad.

son variables normales estndar independientes, entonces
muestral

la varianza

muestral
son
independientes. Esta propiedad caracteriza a las distribuciones normales y
contribuye a explicar por qu el test-F no es robusto respecto a la no-normalidad).

En estadstica, la funcin gaussiana (en honor a Carl Friedrich Gauss) es

una funcin definida por la expresin:

donde a, b y c son constantes reales (c > 0).

Las funciones gaussianas se utilizan frecuentemente en estadstica correspondiendo,

en el caso de que a sea igual a
, a la funcin de densidad de una variable
aleatoria con distribucin normal de media =b y varianza 2=c2.

Propiedades

Las gaussianas se encuentran entre las funciones elementales, aunque no

poseen primitivas elementales. Sin embargo, el valor exacto de la integral
impropia sobre todo el rango real puede derivarse a partir del valor de la integral
de Gauss obtenindose que:

El valor de la integral es 1 si y solo si

, en cuyo caso la funcin
gaussiana es la funcin de densidad de una variable aleatoria con distribucin
normal demedia =b y varianza 2=c2. Se muestran varias grficas de funciones
gaussianas en la imagen adjunta.

Las funciones gaussianas con c2 = 2 son las autofunciones de

la transformada de Fourier. Esto significa que la transformada de Fourier
de una funcin gaussiana no es slo otra gaussiana, sino adems un
mltiplo escalar de la funcin original.

La grfica de la funcin es simtrica con forma de campana, conocida

como campana de Gauss. El parmetro a es la altura de la campana
centrada en el punto b, determinando c el ancho de la misma.

Aplicaciones

La primitiva de una funcin gaussiana es la funcin error. Estas funciones aparecen

en
numerosos
contextos
de
las ciencias
naturales, ciencias
sociales, matemticas e ingeniera. Algunos ejemplos:

En estadstica y teora de probabilidades, las funciones gaussianas aparecen

como la funcin de densidad de la distribucin normal, la cual es una distribucin
de probabilidad lmite de sumas complicadas, segn el teorema del lmite central.

Una
funcin
gaussiana
es
la funcin
fundamental del oscilador armnico cuntico.

Los orbitales
moleculares usados
computacional son combinaciones
lineales de
llamados orbitales gaussianos.

de

onda del estado

en qumica
gaussianas

funciones

Matemticamente, la funcin gaussiana juega un papel importante en la

definicin de los polinomios de Hermite.

Consecuentemente, estn tambin asociadas con el estado de vaco en la teora

cuntica de campos.

Los rayos gaussianos se usan en sistemas pticos y de microondas.

Las funciones gaussianas se utilizan
el procesamiento digital de imgenes.

como filtro de

suavizado

en

Integral de Gauss
En matemticas la integral de Gauss, integral gaussiana o integral de probabilidad, es
la integral impropia de la funcin gaussiana
sobre toda la recta de los reales.
Debe su nombre al matemtico y fsico alemn Carl Friedrich Gauss, y su valor es:

Esta integral tiene amplias aplicaciones, incluyendo normalizacin, en teora de la

probabilidad y transformada continua de Fourier. Tambin aparece en la definicin de
la funcin error. A pesar de que no existe ninguna funcin elemental para la funcin
error, como se puede demostrar mediante el algoritmo de Risch, la integral Gaussiana
puede ser resuelta analticamente con las herramientas del clculo. O sea, no existe
una integral indefinida elemental para

, pero si es posible evaluar

la integral definida
.

Clculo de la integral
La forma ms comn de calcular la integral de Gauss en el plano R2 es mediante
la integracin doble en el sistema cartesiano de coordenadas, para despus hacer
un cambio de coordenadas a coordenadas polares y calcular el valor. Se procede
de la siguiente manera:
Mediante el teorema de Fubini, la integral puede ser escrita como:

Pero tambin puede ser calculada mediante el cambio de coordenadas

a coordenadas polares:

Donde el factor r es consecuencia de calcular el determinante del cambio de las

coordenadas cartesianas a polares, y s aparece al hacer un cambio de variable tal
que s = - r2, ds = -2rdr. As pues, obtenemos:

por lo tanto

Distribucin normal compleja

Considrese la variable aleatoria compleja gaussiana

Donde X e Y son variables gaussianas reales e independientes con igual varianza

La funcin de distribucin de la variable conjunta es entonces

Como
compleja Z es

, la funcin de distribucin resultante para la variable gaussiana

Distribuciones relacionadas

es una distribucin de Rayleigh si

donde
independientes.

son dos distribuciones normales

Es una distribucin con

donde

grados de libertad si

para

y son independientes.

es una distribucin de Cauchy si

para
independientes.

son dos distribuciones normales

es una distribucin log-normal si

y

Relacin con una distribucin estable: si

entonces

Distribucin normal truncada.

si

entonces truncando X por debajo de

y por encima de

lugar a una variable aleatoria de media

donde

es la funcin de densidad de una variable normal estndar.

Si
es una variable aleatoria normalmente distribuida e
tiene una distribucin normal doblada.

, entonces

dar

En estadstica, la distribucin binomial es una distribucin de probabilidad discreta

que cuenta el nmero de xitos en una secuencia de n ensayos
deBernoulli independientes entre s, con una probabilidad fija p de ocurrencia del
xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser
dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina
xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se
repite n veces, de forma independiente, y se trata de calcular la probabilidad de un
determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en
una distribucin de Bernoulli.

Para representar que una variable aleatoria X sigue una distribucin binomial de
parmetros n y p, se escribe:

La distribucin binomial es la base del test binomial de significacin estadstica

Experimento binomial
Existen muchas situaciones en las que se presenta una experiencia binomial. Cada
uno de los experimentos es independiente de los restantes (la probabilidad del
resultado de un experimento no depende del resultado del resto). El resultado de cada
experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso).
Las probabilidades de ambas posibilidades han de ser constantes en todos los
experimentos (se denotan como p y q o p y 1-p).
Se designa por X a la variable que mide el nmero de xitos que se han producido en
los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin
de probabilidad binomial, y se denota B(n,p).

Caractersticas analticas

Su funcin de probabilidad es

donde

siendo
de en )

las combinaciones de

en

elementos tomados

Propiedades

Relaciones con otras variables aleatorias

Si tiende a infinito y es tal que el producto entre ambos parmetros tiende a ,
entonces la distribucin de la variable aleatoria binomial tiende a una distribucin de
Poisson de parmetro .
Por ltimo, se cumple que cuando =0.5 y n es muy grande (usualmente se exige
que
) la distribucin binomial puede aproximarse mediante la distribucin
normal.
Propiedades reproductivas
Dadas n variables binomiales independientes de parmetros ni (i = 1,..., n) y , su
suma es tambin una variable binomial, de parmetros n1+... + nn, y , es decir,

Anexos

Distribucin normal

Distribucion binomial

Conclusin

La importancia de esta distribucin radica en que permite modelar numerosos

fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme
cantidad de variables incontrolables que en ellos intervienen, el uso del modelo
normal puede justificarse asumiendo que cada observacin se obtiene como la suma
de unas pocas causas independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de
ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo
correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
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 laentropa 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 "normalidad" ms o menos
justificada de la variable aleatoria bajo estudio.
De la distribucin normal se derivan muchos resultados, incluyendo rangos de
percentiles ("percentiles" o "cuantiles"), curvas normales equivalentes, stanines, zscores, y T-scores. Adems, un nmero de procedimientos de estadsticos de
comportamiento estn basados en la asuncin de que esos resultados estn
normalmente distribuidos. Por ejemplo, el test de Student y el anlisis de
varianza (ANOVA). La gradacin de la curva campana asigna grados relativos
basados en una distribucin normal de resultados.