You are on page 1of 11

DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA

PRCTICAS DE LABORATORIO*

LABORATORIO N 4
ESTADSTICA GAUSSIANA (Normal)
OBJETIVOS
Familiarizarse con ciertos trminos estadsticos aplicados a mediciones fsicas
Expresar un conjunto de medidas en un histograma
Aplicar la estadstica gaussiana para valorar un medicin

INTRODUCCIN TERICA
Histogramas y curvas de Gauss
Frecuencia, moda, mediana y media
Desviacin estndar de las medidas y de la media

PROCEDIMIENTOS
MATERIALES: canicas, tablero camino aleatorio.

I. CONTAJE DE CANICAS

1. Contar la cantidad de canicas cogidas en un puado


2. Repetir el paso anterior 100 veces. Importante todos los puados deben ser de la
misma persona y en las mismas condiciones. Tomar sus datos en una tabla como la
siguiente:
Tabla 1

Nmero de medida Cantidad de canicas


1
2
.
.
.
99
100

II. CAMINO ALEATORIO


DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

3. Disponer varias canicas en la parte superior del tablero camino aleatorio. A cierta
inclinacin dejar rodar las canicas.
4. Contar el nmero de canicas que se disponen en cada casillero. Tomar dato de ellos
en tabla como la siguiente:
Tabla 2

Nmero de posicin Cantidad de canicas


1
2
.
.
.
19
20

RESULTADOS
1. Con los datos de la tabla 1, calcular la frecuencia de cada medida. Con ello hacer un
histrograma frecuencia versus medida.

2. Calcule la moda, mediana y media del conjunto de medidas. Calcule tambin la


desviacin standard de las medidas y de la media.

3. Analice su grfica y trace a mano alzada una curva tipo gaussina.

4. Con los datos de la tabla 2, haga un histograma cuentas versus posicin de la canica.
Calcule la desviacin standard de las medidas y de la media.
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

CUESTIONARIO
1. Qu significa una distribucin gaussiana y qu aplicaciones tiene en las mediciones
fsicas
Se trata de una variable aleatoria continua (la variable puede tomar cualquier valor real).
La funcin de densidad tiene forma de campana. Dos parmetros determinan
una distribucin normal: la media y la desviacin tpica.

2. En base a los resultados obtenidos sobre las curvas gaussiana, ascielo con el criterio
de estimacin de error sistemtico de una medicin directa con un instrumento

1
analgico. ( x s u )
2

3. Averige otras distribuciones estadsticas usadas en las mediciones fsicas.


El curso es para alumnos graduados y presentar la teora de probabilidad y estadstica en fsica
experimental, con especial nfasis en fsica de de partculas elementales. Uno de los objetivos de
este curso consiste en proporcionar desde un punto de vista terico el entendimiento de los
principios y de las hiptesis especficas involucradas en los mtodos aplicados cotidianamente, as
como comprender el alcance de la aplicabilidad y las limitaciones implcitas. Algunos de los temas
del curso son: Probabilidad, teoremas de Bayes para eventos discretos. Propiedades de las
distribuciones de variables al azar, caso de una variable y de varias variables (matriz de covarianza).
Se discutirn las distribuciones cuyos modelos matemticos se utilizan en situaciones de fsica
experimental (binomial, Poisson, exponencial). Especial atencin se dara a la distribucion normal o
gaussiana, por su rol crucial, terico (Teorema Central de Limite) y prctico (describiendo
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

resultados de mediciones). Si bien en la mayora de los experimentos se parte de la suposicin de


gran estadstica, se abordar la diferencia entre propiedades asintticas y propiedades de muestras
finitas. Se presentaran diferentes situaciones que llevan a truncar la distribucin de probabilidad,
convolucin con la resolucin del detector y correccin por las ineficiencias en la determinacin
experimental. Pasando a la parte de estadstica se discutirn aspectos de la estimacin de
parmetros: Maximum Likehood, Cuadrados Mnimos y Mtodo de los Momentos. Mtodos Monte
Carlo, generadores de nmeros al azar. Significancia de un test, construccin de tests estadsticos:
discriminador de Fisher, neural networks, etc. Se introducirn los conceptos de intervalos de
confianza y se discutir la estimacin de lmites superior e inferior a partir de un punto de vista
Bayesiano. Se describirn procedimientos para la localizacin de mnimos en funciones de muchas
variables, utilizados en los mtodos de estimacin de parmetros.

BIBLIOGRAFA
1. PUCP. Tcnicas de la enseanza de la Fsica. 1991
2. Universidad Nacional de Ingeniera. Manual de laboratorio de Fsica General,
1999.
3. Zuiga, A. Curso postgrado Universidad Nacional de Ingeniera: Tratamiento de
datos y estadstica de error. 2001

* Elaborado por Fis. Julio Or

HISTORIA DE LA DISTRIBUCIN NORMAL O GASSIANA

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
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

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
bivariante 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.

ESTADSTICA GAUSSIANA (DISTRBUCIN NORMAL)

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 (Fig. 01). Esta curva se conoce
como campana de Gauss y es el grfico de una funcin gaussiana.

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.

Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el


modelo de la normal son:

caracteres morfolgicos de individuos como la estatura;


caracteres fisiolgicos como el efecto de un frmaco;
caracteres sociolgicos como el consumo de cierto producto por un mismo
grupo de individuos;
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

caracteres psicolgicos como el cociente intelectual;


nivel de ruido en telecomunicaciones;
errores cometidos al medir ciertas magnitudes;
etc.
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. Adems, la distribucin normal maximiza la entropa 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.

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


de probabilidad continuas y discretas.

1) HISTOGRAMAS:
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

El histograma es aquella representacin grfica de estadsticas de diferentes tipos. La utilidad


del histograma tiene que ver con la posibilidad de establecer de manera visual, ordenada y
fcilmente comprensible todos los datos numricos estadsticos que pueden tornarse difciles
de entender. Hay muchos tipos de histogramas y cada uno se ajusta a diferentes necesidades
como tambin a diferentes tipos de informacin.
Los histogramas son utilizados siempre por la ciencia estadstica. Su funcin es exponer
grficamente nmeros, variables y cifras de modo que los resultados se visualicen ms clara y
ordenadamente. El histograma es siempre una representacin en barras y por eso es
importante no confundirlo con otro tipo de grficos como las tortas. Se estima que por el tipo
de informacin brindada y por la manera en que sta es dispuesta, los histogramas son de
especial utilidad y eficacia para las ciencias sociales ya que permiten comparar datos sociales
como los resultados de un censo, la cantidad de mujeres y/o hombres en una comunidad, el
nivel de analfabetismo o mortandad infantil, etc.
A continuacin se muestran algunos de ellos:
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

CURVAS DE GAUSS O CAMPANA DE GAUSS:


Campana de Gauss , es una representacin grfica de la distribucin normal de un
grupo de datos. stos se reparten en valores bajos, medios y altos, creando un
grfico de forma acampanada y simtrica con respecto a un determinado parmetro.
Se conoce como curva o campana de Gauss o distribucin Normal.
A continuacin se muestran algunos ejemplos:
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

2) LA MEDIA:
En matemticas y estadstica, la media aritmtica (tambin
llamada promedio o media) de un conjunto finito de nmeros es el valor
caracterstico de una serie de datos cuantitativos, objeto de estudio que parte del
principio de la esperanza matemtica o valor esperado, se obtiene a partir de la
suma de todos sus valores dividida entre el nmero de sumandos. Cuando el
conjunto es una muestra aleatoria recibe el nombre de media muestral siendo uno
de los principales estadsticos muestrales.
Y se calcula mediante la siguiente formula:
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

FRECUENCIA:
En estadstica, la frecuencia (o frecuencia absoluta) de un evento i, es el nmero de
veces en que dicho evento se repite durante un experimento o muestra
estadstica.1Comnmente, la distribucin de la frecuencia suele visualizarse con el uso
de histogramas.
En estadstica se pueden distinguir hasta cuatro tipos de frecuencias:

Frecuencia absoluta de un valor de la variable estadstica X, es el nmero de


veces que aparece ese valor en el estudio. Se suele denotar por Fi a la frecuencia
absoluta del valor X = xi de la variable X. Dada una muestra de N elementos, la suma
de todas las frecuencias absolutas debe dar el total de la muestra estudiada N.

Frecuencia relativa: (fi), es el cociente entre la frecuencia absoluta y el tamao de


la muestra (N). Es decir,

siendo el fi para todo el conjunto i. Se presenta en una tabla o nube de puntos en


una distribucin de frecuencias. Si multiplicamos la frecuencia relativa por 100
obtendremos el porcentaje o tanto por ciento (pi)
Frecuencia absoluta acumulada: (Ni), se refiere al total de las frecuencias
absolutas para todos los eventos iguales o anteriores que un cierto valor, en
una lista ordenada de eventos.
Frecuencia relativa acumulada: (Fi), es el cociente entre la frecuencia
absoluta acumulada y el total de la muestra.

MODA:
En estadstica, la moda es el valor con mayor frecuencia en una distribucin de datos.

Se hablar de una distribucin bimodal de los datos adquiridos en una columna cuando
encontremos dos modas, es decir, dos datos que tengan la misma frecuencia absoluta
mxima. Una distribucin trimodal de los datos es en la que encontramos tres modas. En
el caso de la distribucin uniforme discreta, cuando todos los datos tienen la misma
frecuencia, se puede definir las modas como indicado, pero estos valores son sin utilidad.
Por eso algunos matemticos califican esta distribucin como sin moda.

MEDIANA:
La mediana estadstica es el nmero central de un grupo de nmeros
ordenados por tamao. Si la cantidad de trminos es par, la mediana es el
promedio de los dos nmeros centrales:

Para averiguar la mediana de un grupo de nmeros:

Ordena los nmeros segn su tamao

Si la cantidad de trminos es impar, la mediana es el


valor central.

Si la cantidad de trminos es par, suma los dos


trminos del medio y divide por 2.
DEPARTAMENTO ACADMICO DE MATEMTICA Y FSICA
PRCTICAS DE LABORATORIO*

DESVIACION ESTNDAR:
La desviacin tpica o desviacin estndar(denotada con el smbolo o s, dependiendo de
la procedencia del conjunto de datos) es una medida de dispersin para variables de razn
(variables cuantitativas o cantidades racionales) y de intervalo. Se define como la raz
cuadrada de la varianza de la variable.

You might also like