Estudiante: Andrea Canal Valdivieso

Fecha de asignación: 7 de agosto de 2019

Fecha de entrega: 14 de agosto de 2019

Distribución normal o gaussiana

Función de densidad de
probabilidad para la variable aleatoria continua. Fue descubierta por Carl Gauss al
estudiar el comportamiento de los procesos aleatorios. Es ampliamente utilizada en
estadística y teoría de las probabilidades.
Definción
La función asociada a la distribución normal está dada por:

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))
Representación gráfica

La representación gráfica de esta distribución es una curva simétrica y su forma se

asemeja a una campana por loq ue se comoce como campana de Gauss.
Propiedades de la distribución normal

La forma de la curva de la distribución depende de sus dos parámetros: la media y

la desviación estándar.
La media indica la posición de la campana, la gráfica se desplaza a lo largo del eje
x.

A mayor desviación la curva será más "plana", dado que la distribución, en este
caso, presenta una mayor variabilidad.
La curva es siimétrica respecto a la media.
Intervalos de una distribución normal

Por su importancia en el análisis estadístico son de interés los intervalos donde el

área bajo la curva corresponde a determinados valores de probabilidad.

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.
La Distribución binomial es uno de los modelos de distribución teórica de
probabilidad que se utiliza cuando la variable aleatoria discreta es el número de
éxitos en una muestra compuesta por n observaciones. Es una de las distribuciones
de probabilidad más útiles que se emplea en control de calidad, producción,
investigaciones, etc.

Está relacionada con la distribución

de Bernoulli que es una distribución
de variable aleatoria X que toma solamente valores de cero y uno (éxito y fracaso),
cuando se realiza un solo experimento.

La distribución binomial se aplica cuando se realizan un número "n" de veces el

experimento de Bernouilli, siendo cada ensayo independiente del anterior. La
variable puede tomar valores entre 0 (si todos los experimentos han sido fracaso) y
n (si todos los experimentos han sido éxitos)
Para este tipo de distribución de probabilidad, la función matemática es la siguiente:

Donde:
P(X) = probabilidad de X éxitos dados los parámetros n y p
n = tamaño de la muestra
p = probabilidad de éxito
1 – p = probabilidad de fracaso
X = numero de éxitos en la muestra ( X = 0, 1, 2, …….. n)
Condiciones

La distribución binomial es una distribución de probabilidades que surge al cumplirse

las siguientes condiciones:
El número de ensayos o repeticiones del experimento (n) es constante.

En cada ensayo hay sólo dos posibles resultados (éxito o fracaso, defectuoso o noi
defectuoso).

La probabilidad de cada resultado posible en cualquier ensayo permanece

constante.
En cada ensayo, los dos resultados posibles son mutuamente excluyentes.
Los resultados de cada ensayo son independientes entre si
Forma

Simétrica: Cuando p=0.5 sin tomar en cuenta que tan grande o pequeño sea el valor
de "n"
Sesgada: Cuando p≠0.5. Cuanto más cerca se encuentre "p" de 0.5 y mayor sea el
número de observaciones "n", menos sesgada será la distribución, por otra parte,
con una "p" pequeña la distribución tendrá un gran sesgo a la derecha y para una
"p" muy grande la distribución tendría un gran sesgo a la izquierda.

Tabla
La tabla proporciona, para diversas combinaciones de n y p, las probabilidades de
que la variable aleatoria binomial tome valores x = 0, 1, 2, ..., n. Tiene en la primera
fila los valores de "p"; en la primera columna los valores de "n" y en la segunda
columna los valores de x, pero están representados en ella por una k Sí se quiere
tener el resultado de la probabilidad se combinan los valores de n y p y dentro de
ellos se busca el valor de x que se necesita.

DISTRIBUCION "t DE STUDENT"

Supóngase que se toma una muestra de una población normal con media y

varianza . Si es el promedio de las n observaciones que contiene la muestra

aleatoria, entonces la distribución es una distribución normal estándar.

Supóngase que la varianza de la población 2 es desconocida. ¿Qué sucede con
la distribución de esta estadística si se reemplaza por s? La
distribución t proporciona la respuesta a esta pregunta.
La media y la varianza de la distribución t son = 0y para >2,
respectivamente.

La siguiente figura presenta la gráfica de varias distribuciones t. La apariencia

general de la distribución t es similar a la de la distribución normal estándar: ambas
son simétricas y unimodales, y el valor máximo de la ordenada se alcanza en la
media = 0. Sin embargo, la distribución t tiene colas más amplias que la normal;
esto es, la probabilidad de las colas es mayor que en la distribución normal. A
medida que el número de grados de libertad tiende a infinito, la forma límite de la
distribución t es la distribución normal estándar.

Propiedades de las distribuciones t

Cada curva t tiene forma de campana con centro en 0.
Cada curva t, está más dispersa que la curva normal estándar z.

A medida que aumenta, la dispersión de la curva t correspondiente disminuye.

A medida que , la secuencia de curvas t se aproxima a la curva normal

estándar, por lo que la curva z recibe a veces el nombre de curva t con gl =
La distribución de la variable aleatoria t está dada por:

Esta se conoce como la distribución t con grados de libertad.

Sean X1, X2, . . . , Xn variables aleatorias independientes que son todas normales
con media y desviación estándar . Entonces la variable

aleatoria tiene una distribución t con = n-1 grados de libertad.

La distribución de probabilidad de t se publicó por primera vez en 1908 en un artículo

de W. S. Gosset. En esa época, Gosset era empleado de una cervecería irlandesa
que desaprobaba la publicación de investigaciones de sus empleados. Para evadir
esta prohibición, publicó su trabajo en secreto bajo el nombre de "Student". En
consecuencia, la distribución t normalmente se llama distribución t de Student, o
simplemente distribución t. Para derivar la ecuación de esta distribución, Gosset
supone que las muestras se seleccionan de una población normal. Aunque esto
parecería una suposición muy restrictiva, se puede mostrar que las poblaciones no
normales que poseen distribuciones en forma casi de campana aún proporcionan
valores de t que se aproximan muy de cerca a la distribución t.

La distribución t difiere de la de Z en que la varianza de t depende del tamaño de la

muestra y siempre es mayor a uno. Unicamente cuando el tamaño de la muestra
tiende a infinito las dos distribuciones serán las mismas.

Se acostumbra representar con el valor t por arriba del cual se encuentra un

área igual a . Como la distribución t es simétrica alrededor de una media de cero,

tenemos ; es decir, el valor t que deja un área de a la derecha

y por tanto un área de a la izquierda, es igual al valor t negativo que deja un
área de en la cola derecha de la distribución. Esto es, t0.95 = -t0.05, t0.99=-
t0.01, etc.

Para encontrar los valores de t se utilizará la tabla de valores críticos de la

distribución t del libro Probabilidad y Estadística para Ingenieros de los autores
Walpole, Myers y Myers.

Fórmulas de los cinco promedios principales

La media x (también llamada promedio o media aritmética) de un conjunto de

datos (X1,X2,…,XN) es una medida de posición central. La definimos como el valor
característico de la serie de datos resultado de la suma de todas las observaciones
dividido por el número total de datos.
 Es decir:

Si se trata de los datos (X1,X2,…,XN) de una muestra, estaremos en la media

muestral. Si el conjunto de datos es toda la población, se llama media poblacional.
Visto desde un punto de vista más conceptual, la media aritmética es el centro
de los datos en el sentido numérico, ya que intenta equilibrarlos por exceso y por
defecto. Es decir, si sumamos todas las diferencias de los datos a la media es cero.

La media aritmética es muy útil para hacer comparacions entre

varias poblaciones.
La desventaja de la media aritmética es que si hay valores extremos alejados,
no resulta el promedio más indicado.

La media geométrica (MG) de un conjunto de números estrictamente positivos

(X1, X2,…,XN) es la raíz N-ésima del producto de los N elementos.

Todos los elementos del conjunto tienen que ser mayores que cero. Si algún
elemento fuese cero (Xi=0), entonces la MG sería 0 aunque todos los demás valores
estuviesen alejados del cero.

La media geométrica es útil para calcular medias de porcentajes, tantos por

uno, puntuaciones o índices. Tiene la ventaja de que no es tan sensible como
la media a los valores extremos.

La media armónica (H) de un conjunto de elementos no nulos (X1, X2,…,XN)

es el recíproco de la suma de los recíprocos (donde 1/Xi es el recíproco de Xi))
multiplicado por el número de elementos del conjunto (N).
 La media armónica es la recíproca de la media aritmética. Los elementos del
conjunto deben ser necesariamente no nulos. Esta media es poco sensible a los
valores grandes y los infravalora respecto a la media aritmética, pero muy sensible
a los valores próximos a cero, ya que los recíprocos 1/Xi son muy altos, por lo que
les da más peso que en las medias aritmética y geométrica. Si algún valor fuese
cero, la media armónica quedaría indeterminada.
Ésta no tiene un uso muy extenso en el mundo científico. Suele utilizarse
principalmente para calcular la media de velocidades, tiempos o en electrónica.

La media cuadrática o RMS (Root Mean Square) de un conjunto de valores

(X1, X2,…,XN) es una medida de posición central. Esta se define como la raíz
cuadrada del promedio de los elementos al cuadrado.

La media cuadrática es muy útil para calcular la media de variables que toman
valores negativos y positivos. Se suele utilizar cuando el símbolo de la variable no
es importante y lo que interesa es el valor absoluto del elemento. Por ejemplo, para
calcular la media de errores de medida.
Una aplicación clásica de la media cuadrática es la determinación del valor
eficaz de un parámetro sinusoidal en electricidad, en corriente alterna (tensión en
voltios o intensidad en amperios).

La media ponderada (MP) es una medida de centralización. Consiste en

otorgar a cada observación del conjunto de datos (X1,X2,…,XN)
unos pesos (p1,p2,…,pN) según la importancia de cada elemento.

Cuanto más grande sea el peso de un elemento, más importante se considera

que es éste.
 La media ponderada tiene numerosas aplicaciones, por ejemplo, la nota de una
asignatura donde el examen final tiene un peso mayor al de un trabajo. O en el
cálculo del IPC (Índice de Precios de Consumo). El IPC es un indicador de los
precios de los bienes y servicios básicos que consume la población. Para calcularlo,
se otorga pesos a los diferentes bienes (pan, fruta, vivienda,…) y se calcula la media
ponderada.
La media aritmética es un caso particular de media ponderada, en la que todos
los pesos son uno, ya que a todos los elementos se les otorga la misma importancia.

Bibliografía:

UNIDAD III. TEORIA DE PEQUEÑAS MUESTRAS O TEORIA EXACTA DEL

MUESTREO. Recuperado de:
http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap03.html

Distribución normal. Recuperado de:

https://www.ecured.cu/Distribuci%C3%B3n_normal

Media. Recuperado de: https://www.universoformulas.com/?s=media