Professional Documents
Culture Documents
ID: DISTRIBUCIN
NORMAL/GAUSSIANA
ESTNDAR
FUNDAMENTOS DE INVESTIGACIN
LUIS ALBERTO SALINAS DIEGO
PROFESOR: BENIGNO MUOZ BARRN
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
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]
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
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]
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]
OBJETIVOS
OBJETIVO GENERAL
OBJETIVOS ESPECFICOS
MARCO TERICO
QUE ES LA DISTRIBUCIN NORMAL?
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 ) ,
DEFINICIN:
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
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]
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:
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.
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.
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
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.
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.
Histograma de probabilidad binomial para n=20, p=0.6 con curva de aproximacin normal
sobrepuesta.
Para conocer y entender la distribucin normal por completo es necesario conocer los
siguientes temas y conceptos.
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:
DESVIACIN ESTNDAR:
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:
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.
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.
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:
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:
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 /
La distribucin normal se puede aplicar en muchas cosas, algunos ejemplos son los
siguientes casos como son:
[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