DISTRIBUCION DE GAUSS

La distribucin normal fue estudiada por Gauss. 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. Cuanto mayor sea la desviacin tpica mayor es la
dispersin de la variable, La distribucin normal es simtrica respecto
de la media.

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.
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.
 LA DISTRIBUCIN NORMAL

Se trata, sin duda, del modelo continuo ms importante en estadstica, tanto por su
aplicacin directa, veremos que muchas variables de inters general pueden
describirse por dicho modelo, como por sus propiedades, que han permitido el
desarrollo de numerosas tcnicas de inferencia estadstica. En realidad, el nombre
de Normal proviene del hecho de que durante un tiempo se crey, por parte de
mdicos y bilogos, que todas las variables naturales de inters seguan este
modelo.

Su funcin de densidad viene dada por la frmula:

Que, como vemos, depende de dos parmetros (que puede ser cualquier valor
real) y (que ha de ser positiva). Por esta razn, a partir de ahora indicaremos de
forma abreviada que una variable X sigue el modelo Normal as: X ~ N(, ).
Por ejemplo, si nos referimos a una distribucin Normal con = 0 y = 1 lo
abreviaremos N (0, 1).

A continuacin presentamos la grfica de esta funcin de densidad (donde se

pueden cambiar los parmetros):

Como se puede ver, la funcin de densidad del modelo Normal tiene forma de
campana, la que habitualmente se denomina campana de Gauss. De hecho, a
este modelo, tambin se le conoce con el nombre de distribucin gaussiana.

Propiedades del modelo Normal

1. Su esperanza es .

2. Su varianza es 2 y, por tanto, su desviacin tpica es .

3. Es simtrica respecto a su media , como puede apreciarse en la

representacin anterior.

4. Media, moda y mediana coinciden ().

 5. Cualquier transformacin lineal de una variable con distribucin Normal
seguir tambin el modelo Normal. Si X ~ N (, ) y
definimos Y = aX + b (con a 0), entonces Y ~ N(a + b, |a|). Es decir, la
esperanza de Y ser a + b y su desviacin tpica, |a|.

6. Cualquier combinacin lineal de variables normales independientes sigue

tambin una distribucin Normal. Es decir, dadas n variables aleatorias
independientes con distribucin Xi ~ N(i, i) para i = 1, 2, ..., n la
combinacin lineal: Y = anXn + an1Xn1+ ... + a1X1 + a0 sigue tambin el
modelo Normal:

Una distribucin normal se caracteriza por:

1. Los valores de las mediciones tienden a agruparse alrededor de un punto

central, la media

2. La representacin de los datos es simtrica a ambos lados de la media

3. Las desviaciones estndares quedan situadas a igual distancia unas de otras

4. La proporcin de mediciones situada entre la media y las desviaciones es una

constante en la que:

La media 1 * desviacin estndar = cubre el 68,3% de los casos

La media 2 * desviacin estndar = cubre el 95,5% de los casos

La media 3 * desviacin estndar = cubre el 99,7% de los casos

Podemos analizar el comportamiento de los procesos grficos y determinar su

efectividad tomando como base su grado de aproximacin a la curva de
distribucin normal a partir de los datos generados y la creacin de histogramas
que permitan la comparacin con curva de distribucin normal.
Posibilidades:

La curva de distribucin normal del proceso coincide o est dentro de los

lmites establecidos por la industria (bien en las normas de calidad
desarrolladas o bien en las recomendaciones establecidas por las asociaciones).
En este caso el proceso opera con eficacia y se pueden realizar trabajos de alta
exigencia con respecto a la variable controlada.
La curva de distribucin supera los lmites establecidos por la industria. En
este caso puede que estn operando causas asignables de variacin o que
existen limitaciones debidas a los recursos y equipos empleados por lo que no es
posible realizar trabajos exigentes con respecto a la variable controlada hasta que
no se hayan eliminado las causas especiales de variacin o no se dispongan de
los recursos y equipos adecuados.
El histograma generado no muestra las caractersticas bsicas de una
distribucin normal. En este caso estn claramente actuando causas asignables
de variacin que habr que resolver si queremos conseguir un alto grado de
fiabilidad del proceso y realizar trabajos de alta exigencia

Funcin de Distribucin Gausiana

Distribucin Forma Funcional Media Desviacin Tpica

Gausiana

Si el nmero de eventos es muy grande, entonces se puede utilizar la funcin de

distribucin de Gauss para describir los fenmenos fsicos. La distribucin de
Gauss es una funcin continua que se aproxima a la exacta distribucin
binomial de eventos.

La distribucin gausiana mostrada est normalizada, de modo que la suma sobre

todos los valores de x da una probabilidad de 1. La naturaleza de la distribucin
gausiana da una probabilidad de 0.683 de estar dentro de una desviacin estndar
de la media. El valor de la media es a=np donde n es el nmero de eventos y p la
probabilidad para cualquier valor entero de x (esta expresin proviene trasladada
de la distribucin binomial). La expresin de la desviacin estndar, tambin
proviene de la distribucin binomial.

A la distribucin Gausiana, se le llama usualmente "distribucin normal" y tambin

se le conoce como "campana de Gauss".
 Funcin de Distribucin Gausiana

El ancho de la curva de Gauss a mitad de su valor mximo es

CAMPANA DE GAUSS
La 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. El punto mximo de la curva corresponde a la media, y
tiene dos puntos de inflexin a ambos lados.
Este grfico se usa en variables asociadas a fenmenos naturales: caracteres
morfolgicos de individuos como la estatura o el peso, caracteres
fisiolgicos como el efecto de un frmaco, caracteres sociolgicos como el
consumo de un determinado producto por un mismo grupo de
individuos, caracteres psicolgicos como el cociente intelectual

Historia
Aunque la campana de Gauss lleva el nombre del genio de las matemticas Carl
Friedrich Gauss , realmente la distribucin normal la descubri y publico por primera
vez Abraham Moivre (por eso en algunos libros se llama la distribucin de Moivre
Gauss) en un artculo del ao 1733, que reprodujo en la segunda edicin de su obra
The Doctrine of Chance (1738) como aproximacin de la distribucin normal para
valores grandes de n. Este resultado fue ampliado por Pierre-Simon de Laplace en
su libro Teora analtica de las probabilidades (1812).
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.
El nombre de "campana" se lo dio Esprit Jouffret que uso este trmino (bell surface)
(superficie campana) por primera vez en 1872.

Ecuaciones
La campana de Gauss est definida por la funcin:

Propiedades

El campo de existencia es cualquier valor real, es decir, (-, +).

Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.
El rea del recinto determinado por la funcin y el eje de abscisas es igual a la
unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
P ( - < X + ) = 0.6826 = 68.26 %
p ( - 2 < X + 2) = 0.954 = 95.4 %
p ( - 3 < X + 3) = 0.997 = 99.7 %

Aplicaciones
Una de las mayores aportaciones al clculo integral que realiz Gauss, fue la
introduccin de esta funcin. Este grfico se usa en variables asociadas a
fenmenos naturales que siguen el modelo de la normal.

Caracteres morfolgicos de individuos (personas, animales, plantas,...) de una

especie, p.ejm. tallas, pesos, envergaduras, dimetros, permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco,
o de una misma cantidad de abono.
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen.
Caracteres [Psicologa|psicolgicos]], por ejemplo: cociente intelectual, grado de
adaptacin a un medio,...
Errores cometidos al medir ciertas magnitudes.
Valores estadsticos mustrales, por ejemplo: la media