Distribución normal
Es la distribución de probabilidad más importante en estadística, conocida por la
cantidad de fenómenos que explica. Se la denomina Campana de Gauss, ya que al
representar su función de probabilística la misma tiene forma de campana.
Es la más frecuentemente utilizada en aplicaciones estadísticas, debido a su extensa
utilización, admitida por la frecuencia con la que algunos fenómenos tienden a parecerse
en su.
Para ser precisos respecto a su utilización se puede hacer referencia al origen de
su propio nombre, que proviene del hecho de que por mucho tiempo médicos y biólogos
creyeron que todas las variables naturales de interés seguían este modelo.
Importancia de la distribución normal
Es el modelo continuo de mayor importancia en estadística debido a las siguientes
razones:
Su aplicación es directa y permite observar muchas variables de interés, que
pueden describirse fácilmente con este modelo.
Sirve para acercarse a varias distribuciones de probabilidad discreta, entre estas
la distribución de Poisson y la distribución Binomial.
Sus propiedades han permitido el desarrollo de muchas técnicas de inferencia
estadística. Proporcionando la base de la estadística inferencial clásica, por su
relación con el teorema de límite central.
Conceptos fundamentales en la distribución normal
Para entender y trabajar adecuadamente con distribución normal en estadística es
necesario conocer y tener claros ciertos conceptos sobre los cuales se basa este modelo.
Variable aleatoria continua
Es aquella que alcanza adjudicarse un número infinito de valores dentro de
determinado rango. Por ejemplo, el peso de una persona según la precisión de la
báscula puede ser 80.5, 80.52, etc.
Distribución de probabilidad normal
Muchas variables aleatorias siguen una distribución normal o cerca de la misma.
Pues su característica más resaltante es que la gran mayoría de distribución de
probabilidad bien sea discreta o continua, pude ser aproximada con una probabilidad
normal bajo ciertas condiciones.
Las características tanto de la distribución de probabilidad normal y la
curva que la representa son:
La curva tiene forma de campana con un pico en el centro de la
distribución. Por lo que la media aritmética, la moda y la mediana son
iguales y se localizan en el pico.
Es simétrica alrededor de su media. La mitad del área bajo la curva se
encuentra a la derecha de dicho punto central y la otra mitad está a la
izquierda.
La curva desciende mansamente en ambas direcciones a partir del valor
central.
Es asintótica, es decir, que la curva se acerca bastante al eje X pero no
llega a tocarlo.
Donde: μ: media de la distribución.
σ: desviación estándar de la distribución.
π = 3.1415926535…
x: variable aleatoria.
A una distribución normal de media μ y desviación estándar σ se le denota N(μ,σ).
La distribución normal cuando μ = 0 y σ = 1 recibe el nombre de curva normal unitaria
(N(0,1))
Función de densidad de probabilidad
Emplea cálculos laboriosos, puede demostrarse aplicando la fórmula es
dicha función de densidad:
Puede usar cualquier valor (- ∞ ,+ ∞ )
Son más probables los valores cercanos al punto central (media).
Conforme se aleja del valor µ, la probabilidad decrece de la misma forma a la
derecha e izquierda (simétrica).
Conforme se aleje del valor µ, la probabilidad decrece de forma más o menos
rápida dependiendo de la desviación típica (parámetro s).
Tipificación de una variable
Es posible expresar cualquier distribución normal como una de la forma unitaria
(N(0,1)), la cual se denomina distribución normal tipificada. Para ello se utiliza la
expresión:
Una de las ventajas de tipificar una distribución es que se puede medir la
desviación de los datos respecto a la media, lo cual permite comparar la posición relativa
de los datos.
La distribución tipificada se aplica en estadística inferencial para determinar
intervalos de confianza para la media de una población, usualmente se utiliza un nivel de
confianza del 95% para el cual Z = 1.96.
Uso de la distribución en la deducción estadística
Los conceptos de probabilidad y distribuciones de muestras se utilizan como
introducción al método de Inferencia Estadística, la cual se compone de:
La estimación: Que busca evaluar los parámetros de la población basados en una
muestra.
Las pruebas de Hipótesis: Proceso relacionado con aceptación o rechazo de
alguna afirmación sobre los parámetros de la población.
Al hacer mediciones de cualquier tipo y distribuir los resultados bajo algún criterio, es
muy común encontrar que los datos se agrupan de manera singular, en ocasiones dichas
distribuciones siguen una forma con un mayor número de observaciones para determinado
valor, disminuyendo las observaciones a ambos lados de esta más frecuente.
El uso de esta distribución se encuentra en diversas ramas del conocimiento, se aplica
a una gran variedad de observaciones en la biología, la astronomía, la geografía y la
economía.
Muchos fenómenos de la naturaleza se pueden aproximar con una distribución normal.
En general se puede repasar como resultado de la interacción de muchos efectos
aleatorios en la variable que se estudia.
En este tipo de distribución, se puede calcular la posibilidad de que unos cuantos
eventos ocurran dentro de determinados intervalos o rangos, sin embargo, la probabilidad
exacta de un valor dentro de una distribución continua, como la distribución normal, es
igual a cero (0). Esta propiedad diferencia a las variables continuas, las cuales son
medidas, de las variables discretas, que son contadas.
Por ejemplo, el tiempo (en segundos, minutos u horas) se mide, no se cuenta. Por lo
que es una variable factible de determinar. La probabilidad de que el tiempo de
instalación de determinada utilidad para en un ordenador es entre 8 y 15 segundos o la
probabilidad puede ser de entre 8 y 9 segundos. Sin embargo, la probabilidad de que el
tiempo de instalación sea exactamente de 9 segundos es cero.