Distribucin normal

1
Distribucin normal
Distribucin normal
La lnea verde corresponde a la distribucin normal estndar
Funcin de densidad de probabilidad
Funcin de distribucin de probabilidad
Parmetros

Dominio
Funcin de densidad (pdf)
Funcin de distribucin (cdf)
Media
Mediana
Moda
Varianza
Coeficiente de simetra 0
Curtosis 0
Entropa
Funcin generadora de momentos (mgf)
Distribucin normal
2
Funcin caracterstica
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.
De hecho, la estadstica es un modelo matemtico que 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;
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.
[1]
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 supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de probabilidad continuas y
discretas.
Distribucin normal
3
Historia
Abraham de Moivre, descubridor de la
distribucin normal
La distribucin normal fue presentada por primera vez por Abraham de
Moivre en un artculo del ao 1733,
[2]
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 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
[3]
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.
[citarequerida]
A pesar de esta terminologa, otras distribuciones de probabilidad podran ser ms apropiadas en
determinados contextos; vase la discusin sobre ocurrencia, ms abajo.
Definicin formal
La funcin de distribucin de la distribucin normal est definida como sigue:
Por tanto, la funcin de distribucin de la normal estndar es:
Esta funcin de distribucin puede expresarse en trminos de una funcin especial llamada funcin error de la
siguiente forma:
y la propia funcin de distribucin puede, por consiguiente, expresarse as:
El complemento de la funcin de distribucin de la normal estndar, , se denota con frecuencia ,
y es referida, a veces, como simplemente funcin Q, especialmente en textos de ingeniera.
[4][5]
Esto representa la
cola de probabilidad de la distribucin gaussiana. Tambin se usan ocasionalmente otras definiciones de la funcin
Q, las cuales son todas ellas transformaciones simples de .
Distribucin normal
4
La inversa de la funcin de distribucin de la normal estndar (funcin cuantil) puede expresarse en trminos de la
inversa de la funcin de error:
y la inversa de la funcin de distribucin puede, por consiguiente, expresarse como:
Esta funcin cuantil se llama a veces la funcin probit. No hay una primitiva elemental para la funcin probit. Esto
no quiere decir meramente que no se conoce, sino que se ha probado la inexistencia de tal funcin. Existen varios
mtodos exactos para aproximar la funcin cuantil mediante la distribucin normal (vase funcin cuantil).
Los valores (x) pueden aproximarse con mucha precisin por distintos mtodos, tales como integracin numrica,
series de Taylor, series asintticas y fracciones continuas.
Lmite inferior y superior estrictos para la funcin de distribucin
Para grandes valores de x la funcin de distribucin de la normal estndar es muy prxima a 1 y
est muy cerca de 0. Los lmites elementales
en trminos de la densidad son tiles.
Usando el cambio de variable v=u/2, el lmite superior se obtiene como sigue:
De forma similar, usando y la regla del cociente,
Resolviendo para proporciona el lmite inferior.
Funciones generadoras
Funcin generadora de momentos
La funcin generadora de momentos se define como la esperanza de e
(tX)
. Para una distribucin normal, la funcin
generadora de momentos es:
como puede comprobarse completando el cuadrado en el exponente.
Distribucin normal
5
Funcin caracterstica
La funcin caracterstica se define como la esperanza de e
itX
, donde i es la unidad imaginaria. De este modo, la
funcin caracterstica se obtiene reemplazando t por it en la funcin generadora de momentos.
Para una distribucin normal, la funcin caracterstica es
Propiedades
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, ;
Distribucin de probabilidad alrededor de la media en una distribucin N(, ).
2. La moda y la mediana son ambas
iguales a la media, ;
3. Los puntos de inflexin de la curva
se dan para x = y x = +.
4. 4. Distribucin de probabilidad en un
entorno de la media:
1. en el intervalo [ - , + ] se
encuentra comprendida,
aproximadamente, el 68,26% de
la distribucin;
2. en el intervalo [ - 2, + 2] se
encuentra, aproximadamente, el
95,44% de la distribucin;
3. por su parte, en el intervalo [ -3, + 3] se encuentra comprendida, aproximadamente, el 99,74% de la
distribucin. Estas propiedades son de gran utilidad para el establecimiento de intervalos de confianza. Por otra
parte, el hecho de que prcticamente la totalidad de la distribucin se encuentre a tres desviaciones tpicas de la
media justifica los lmites de las tablas empleadas habitualmente en la normal estndar.
5. Si X ~ N(,
2
) y a y b son nmeros reales, entonces (aX + b) ~ N(a+b, a
2

2
).
6. Si X ~ N(
x
,
x
2
) e Y ~ N(
y
,
y
2
) son variables aleatorias normales independientes, entonces:
Su suma est normalmente distribuida con U = X + Y ~ N(
x
+
y
,
x
2
+
y
2
) (demostracin). Recprocamente,
si dos variables aleatorias independientes tienen una suma normalmente distribuida, deben ser normales
(Teorema de Crmer).
Su diferencia est normalmente distribuida con .
Si las varianzas de X e Y son iguales, entonces U y V son independientes entre s.
La divergencia de Kullback-Leibler,
7. Si e son variables aleatorias independientes normalmente distribuidas,
entonces:
Su producto sigue una distribucin con densidad dada por
donde es una funcin de Bessel modificada de segundo tipo.
Distribucin normal
6
Su cociente sigue una distribucin de Cauchy con . De este modo la
distribucin de Cauchy es un tipo especial de distribucin cociente.
8. Si son variables normales estndar independientes, entonces sigue una
distribucin con n grados de libertad.
9. Si son variables normales estndar independientes, entonces la media muestral
y la varianza muestral
son independientes. Esta propiedad caracteriza a las distribuciones normales y contribuye a explicar por qu el
test-F no es robusto respecto a la no-normalidad).
Estandarizacin de variables aleatorias normales
Como consecuencia de la Propiedad 1; es posible relacionar todas las variables aleatorias normales con la
distribucin normal estndar.
Si ~ , entonces
es una variable aleatoria normal estndar: ~ .
La transformacin de una distribucin X ~ N(, ) en una N(0, 1) se llama normalizacin, estandarizacin o
tipificacin de la variable X.
Una consecuencia importante de esto es que la funcin de distribucin de una distribucin normal es, por
consiguiente,
A la inversa, si es una distribucin normal estndar, ~ , entonces
es una variable aleatoria normal tipificada de media y varianza .
La distribucin normal estndar est tabulada (habitualmente en la forma de el valor de la funcin de distribucin )
y las otras distribuciones normales pueden obtenerse como transformaciones simples, como se describe ms arriba,
de la distribucin estndar. De este modo se pueden usar los valores tabulados de la funcin de distribucin normal
estndar para encontrar valores de la funcin de distribucin de cualquier otra distribucin normal.
Momentos
Los primeros momentos de la distribucin normal son:
Nmero Momento Momento central Cumulante
0 1 1
1 0
2
3 0 0
4 0
5 0 0
6 0
7 0 0
8 0
Distribucin normal
7
Todos los cumulantes de la distribucin normal, ms all del segundo, son cero.
Los momentos centrales de orden superior (2k con =0) vienen dados por la frmula
El Teorema del Lmite Central
Grfica de la funcin de distribucin de una normal con = 12 y = 3, aproximando la
funcin de distribucin de una binomial con n = 48 y p = 1/4
El Teorema del lmite central establece
que bajo ciertas condiciones (como
pueden ser independientes e
idnticamente distribuidas con
varianza finita), la suma de un gran
nmero de variables aleatorias se
distribuye aproximadamente como una
normal.
La importancia prctica del Teorema
del lmite central es que la funcin de
distribucin de la normal puede usarse
como aproximacin de algunas otras
funciones de distribucin. Por ejemplo:
Una distribucin binomial de
parmetros n y p es
aproximadamente normal para
grandes valores de n, y p no
demasiado cercano a 1 0 (algunos
libros recomiendan usar esta aproximacin slo si np y n(1p) son ambos, al menos, 5; en este caso se debera
aplicar una correccin de continuidad).
La normal aproximada tiene parmetros = np,
2
= np(1p).
Una distribucin de Poisson con parmetro es aproximadamente normal para grandes valores de .
La distribucin normal aproximada tiene parmetros =
2
= .
La exactitud de estas aproximaciones depende del propsito para el que se necesiten y de la tasa de convergencia a la
distribucin normal. Se da el caso tpico de que tales aproximaciones son menos precisas en las colas de la
distribucin. El Teorema de Berry-Essen proporciona un lmite superior general del error de aproximacin de la
funcin de distribucin.
Divisibilidad infinita
Las normales tienen una distribucin de probabilidad infinitamente divisible: Para una distribucin normal X de
media y varianza
2
0, es posible encontrar n variables aleatorias independientes {X
1
,...,X
n
} cada una con
distribucin normal de media /n y varianza
2
/n dado que la suma X
1
+ ...+ X
n
de estas n variables aleatorias
tenga esta especfica distribucin normal (para verificarlo, sese la funcin caracterstica de convolucin y la
induccin matemtica).
Distribucin normal
8
Estabilidad
Las distribuciones normales son estrictamente estables.
Desviacin tpica e intervalos de confianza
Alrededor del 68% de los valores de una distribucin normal estn a una distancia <1 (desviacin tpica) de la
media, ; alrededor del 95% de los valores estn a dos desviaciones tpicas de la media y alrededor del 99,7% estn a
tres desviaciones tpicas de la media. Esto se conoce como la "regla 68-95-99,7" o la "regla emprica".
Para ser ms precisos, el rea bajo la curva campana entre n y +n en trminos de la funcin de distribucin
normal viene dada por
donde erf es la funcin error. Con 12 decimales, los valores para los puntos 1-, 2-, hasta 6- son:
1 0,682689492137
2 0,954499736104
3 0,997300203937
4 0,999936657516
5 0,999999426697
6 0,999999998027
La siguiente tabla proporciona la relacin inversa de mltiples correspondientes a unos pocos valores usados con
frecuencia para el rea bajo la campana de Gauss. Estos valores son tiles para determinar intervalos de confianza
para los niveles especificados basados en una curva normalmente distribuida (o estimadores asintticamente
normales):
0,80 1,28155
0,90 1,64485
0,95 1,95996
0,98 2,32635
0,99 2,57583
0,995 2,80703
0,998 3,09023
0,999 3,29052
0,9999 3,8906
0,99999 4,4172
donde el valor a la izquierda de la tabla es la proporcin de valores que caern en el intervalo dado y n es un mltiplo
de la desviacin tpica que determina la anchura de el intervalo.
Distribucin normal
9
Forma familia exponencial
La distribucin normal tiene forma de familia exponencial biparamtrica con dos parmetros naturales, y 1/
2
, y
estadsticos naturales X y X
2
. La forma cannica tiene como parmetros y y estadsticos suficientes y
Distribucin normal compleja
Considrese la variable aleatoria compleja gaussiana
donde X e Y son variables gaussianas reales e independientes con igual varianza . La funcin de distribucin de
la variable conjunta es entonces
Como , la funcin de distribucin resultante para la variable gaussiana compleja Z es
Distribuciones relacionadas
es una distribucin de Rayleigh si donde y
son dos distribuciones normales independientes.
es una distribucin con grados de libertad si donde para
y son independientes.
es una distribucin de Cauchy si para y
son dos distribuciones normales independientes.
es una distribucin log-normal si y .
Relacin con una distribucin estable: si entonces .
Distribucin normal truncada. si entonces truncando X por debajo de y por encima de
dar lugar a una variable aleatoria de media donde
y es la funcin de
densidad de una variable normal estndar.
Si es una variable aleatoria normalmente distribuida e , entonces tiene una distribucin normal
doblada.
Estadstica descriptiva e inferencial
Resultados
De la distribucin normal se derivan muchos resultados, incluyendo rangos de percentiles ("percentiles" o
"cuantiles"), curvas normales equivalentes, stanines, z-scores, y T-scores. Adems, un nmero de procedimientos de
estadsticos de comportamiento estn basados en la asuncin de que esos resultados estn normalmente distribuidos.
Por ejemplo, el test de Student y el anlisis de varianza (ANOVA) (vase ms abajo). La gradacin de la curva
Distribucin normal
10
campana asigna grados relativos basados en una distribucin normal de resultados.
Tests de normalidad
Los tests de normalidad se aplican a conjuntos de datos para determinar su similitud con una distribucin normal. La
hiptesis nula es, en estos casos, si el conjunto de datos es similar a una distribucin normal, por lo que un P-valor
suficientemente pequeo indica datos no normales.
Prueba de Kolmogrov-Smirnov
Test de Lilliefors
Test de AndersonDarling
Test de RyanJoiner
Test de ShapiroWilk
Normal probability plot (rankit plot)
Test de JarqueBera
Test omnibs de Spiegelhalter
Estimacin de parmetros
Estimacin de parmetros de mxima verosimilitud
Supngase que
son independientes y cada una est normalmente distribuida con media y varianza
2
> 0. En trminos estadsticos
los valores observados de estas n variables aleatorias constituyen una "muestra de tamao n de una poblacin
normalmente distribuida. Se desea estimar la media poblacional y la desviacin tpica poblacional , basndose en
las valores observados de esta muestra. La funcin de densidad conjunta de estas n variables aleatorias
independientes es
Como funcin de y , la funcin de verosimilitud basada en las observaciones X
1
, ..., X
n
es
con alguna constante C > 0 (de la cual, en general, se permitira incluso que dependiera de X
1
, ..., X
n
, aunque
desapareciera con las derivadas parciales de la funcin de log-verosimilitud respecto a los parmetros tenidos en
cuenta, vase ms abajo).
En el mtodo de mxima verosimilitud, los valores de y que maximizan la funcin de verosimilitud se toman
como estimadores de los parmetros poblacionales y .
Habitualmente en la maximizacin de una funcin de dos variables, se podran considerar derivadas parciales. Pero
aqu se explota el hecho de que el valor de que maximiza la funcin de verosimilitud con fijo no depende de .
No obstante, encontramos que ese valor de , entonces se sustituye por en la funcin de verosimilitud y finalmente
encontramos el valor de que maximiza la expresin resultante.
Es evidente que la funcin de verosimilitud es una funcin decreciente de la suma
Distribucin normal
11
As que se desea el valor de que minimiza esta suma. Sea
la media muestral basada en las n observaciones. Ntese que
Slo el ltimo trmino depende de y se minimiza por
Esta es la estimacin de mxima verosimilitud de basada en las n observaciones X
1
, ..., X
n
. Cuando sustituimos
esta estimacin por en la funcin de verosimilitud, obtenemos
Se conviene en denotar la "log-funcin de verosimilitud", esto es, el logaritmo de la funcin de verosimilitud, con
una minscula , y tenemos
entonces
Esta derivada es positiva, cero o negativa segn
2
est entre 0 y
o sea igual a esa cantidad, o mayor que esa cantidad. (Si hay solamente una observacin, lo que significa que n = 1, o
si X
1
= ... = X
n
, lo cual slo ocurre con probabilidad cero, entonces por esta frmula, refleja el hecho de que
en estos casos la funcin de verosimilitud es ilimitada cuando decrece hasta cero.)
Consecuentemente esta media de cuadrados de residuos es el estimador de mxima verosimilitud de
2
, y su raz
cuadrada es el estimador de mxima verosimilitud de basado en las n observaciones. Este estimador es
sesgado, pero tiene un menor error medio al cuadrado que el habitual estimador insesgado, que es n/(n1) veces
este estimador.
Distribucin normal
12
Sorprendente generalizacin
La derivada del estimador de mxima verosimilitud de la matriz de covarianza de una distribucin normal
multivariante es despreciable. Involucra el teorema espectral y la razn por la que puede ser mejor para ver un
escalar como la traza de una matriz 11 que como un mero escalar. Vase estimacin de la covarianza de matrices.
Estimacin insesgada de parmetros
El estimador de mxima verosimilitud de la media poblacional , es un estimador insesgado de la media
poblacional.
El estimador de mxima verosimilitud de la varianza es insesgado si asumimos que la media de la poblacin es
conocida a priori, pero en la prctica esto no ocurre. Cuando disponemos de una muestra y no sabemos nada de la
media o la varianza de la poblacin de la que se ha extrado, como se asuma en la derivada de mxima verosimilitud
de arriba, entonces el estimador de mxima verosimilitud de la varianza es sesgado. Un estimador insesgado de la
varianza
2
es la cuasi varianza muestral:
que sigue una distribucin Gamma cuando las X
i
son normales independientes e idnticamente distribuidas:
con media y varianza
La estimacin de mxima verosimilitud de la desviacin tpica es la raz cuadrada de la estimacin de mxima
verosimilitud de la varianza. No obstante, ni sta, ni la raz cuadrada de la cuasivarianza muestral proporcionan un
estimador insesgado para la desviacin tpica (vase estimacin insesgada de la desviacin tpica para una frmula
particular para la distribucin normal.
Incidencia
Las distribuciones aproximadamente normales aparecen por doquier, como queda explicado por el teorema central
del lmite. Cuando en un fenmeno se sospecha la presencia de un gran nmero de pequeas causas actuando de
forma aditiva e independiente es razonable pensar que las observaciones sern "normales". Hay mtodos estadsticos
para probar empricamente esta asuncin, por ejemplo, el test de Kolmogorov-Smirnov.
Hay causas que pueden actuar de forma multiplicativa (ms que aditiva). En este caso, la asuncin de normalidad no
est justificada y es el logaritmo de la variable en cuestin el que estara normalmente distribuido. La distribucin de
las variables directamente observadas en este caso se denomina log-normal.
Finalmente, si hay una simple influencia externa que tiene un gran efecto en la variable en consideracin, la asuncin
de normalidad no est tampoco justificada. Esto es cierto incluso si, cuando la variable externa se mantiene
constante, las distribuciones marginales resultantes son, en efecto, normales. La distribucin completa ser una
superposicin de variables normales, que no es en general normal. Ello est relacionado con la teora de errores
(vase ms abajo).
A continuacin se muestran una lista de situaciones que estaran, aproximadamente, normalmente distribuidas. Ms
abajo puede encontrarse una discusin detallada de cada una de ellas:
En problemas de recuento, donde el teorema central del lmite incluye una aproximacin de discreta a continua y
donde las distribuciones infinitamente divisibles y descomponibles estn involucradas, tales como:
variables aleatorias binomiales, asociadas con preguntas s/no;
variables aleatorias de Poisson, asociadas con eventos raros;
En medidas fisiolgicas de especmenes biolgicos:
Distribucin normal
13
El logaritmo de las medidas del tamao de tejidos vivos (longitud, altura, superficie de piel, peso);
La longitud de apndices inertes (pelo, garras, rabos, dientes) de especmenes biolgicos en la direccin del
crecimento;
Otras medidas fisiolgicas podran estar normalmente distribuidas, aunque no hay razn para esperarlo a
priori;
Se asume con frecuencia que los errores de medida estn normalmente distribuidos y cualquier desviacin de la
normalidad se considera una cuestin que debera explicarse;
Variables financieras, en el modelo Black-Scholes:
Cambios en el logaritmo de
Cambios en el logaritmo de tasas de cambio, ndices de precios, ndices de existencias de mercado; estas variables se
comportan como el inters compuesto, no como el inters simple, por tanto, son multiplicativas;
Mientras que el modelo Black-Scholes presupone normalidad, en realidad estas variables exhiben colas
pesadas, como puede verse en crash de las existencias de mercado;
Otras variables financieras podran estar normalmente distribuidas, pero no hay razn para esperarlo a priori;
Intensidad de la luz:
La intensidad de la luz lser est normalmente distribuida;
La luz trmica tiene una distribucin de Bose-Einstein en escalas de tiempo muy breves y una distribucin
normal en grandes escalas de tiempo debido al teorema central del lmite.
Es relevante para la biologa y la economa el hecho de que los sistemas complejos tienden a mostrar la ley de
potencias ms que normal.
Recuento de fotones
La intensidad de la luz de una sola fuente vara con el tiempo, as como las fluctuaciones trmicas que pueden
observarse si la luz se analiza a una resolucin suficientemente alta. La mecnica cuntica interpreta las medidas de
la intensidad de la luz como un recuento de fotones, donde la suposicin natural lleva a usar la distribucin de
Poisson. Cuando la intensidad de la luz se integra a lo largo de grandes periodos de tiempo mayores que el tiempo de
coherencia, la aproximacin Poisson - Normal es apropiada.
Medida de errores
La normalidad es la asuncin central de la teora matemtica de errores. De forma similar en el ajuste de modelos
estadstico, un indicador de la bondad del ajuste es que el error residual (as es como se llaman los errores en esta
circunstancia) sea independiente y normalmente distribuido. La asuncin es que cualquier desviacin de la
normalidad necesita ser explicada. En ese sentido, en ambos, ajuste de modelos y teora de errores, la normalidad es
la nica observacin que no necesita ser explicada, sino que es esperada. No obstante, si los datos originales no estn
normalmente distribuidos (por ejemplo, si siguen una distribucin de Cauchy, entonces los residuos tampoco estarn
normalmente distribuidos. Este hecho es ignorado habitualmente en la prctica.
Las medidas repetidas de la misma cantidad se espera que cedan el paso a resultados que estn agrupados en torno a
un valor particular. Si todas las fuentes principales de errores se han tomado en cuenta, se asume que el error que
queda debe ser el resultado de un gran nmero de muy pequeos y aditivos efectos y, por consiguiente, normal. Las
desviaciones de la normalidad se interpretan como indicaciones de errores sistemticos que no han sido tomados en
cuenta. Puede debatirse si esta asuncin es vlida.
Una famosa observacin atribuida a Gabriel Lippmann dice:
[citarequerida]
Todo el mundo cree en la ley normal de los errores: los matemticos, porque piensan que es un hecho
experimental; y los experimentadores, porque suponen que es un teorema matemtico
Otra fuente podra ser Henri Poincar.
Distribucin normal
14
Caractersticas fsicas de especmenes biolgicos
Los tamaos de los animales adultos siguen aproximadamente una distribucin log-normal. La evidencia y
explicacin basada en modelos de crecimiento fue publicada por primera vez en el libro Problemas de crecimiento
relativo, de 1932, por Julian Huxley.
Las diferencias de tamao debido a dimorfismos sexuales u otros polimorfismos de insectos, como la divisin social
de las abejas en obreras, znganos y reinas, por ejemplo, hace que la distribucin de tamaos se desve hacia la
lognormalidad.
La asuncin de que el tamao lineal de los especmenes biolgicos es normal (ms que lognormal) nos lleva a una
distribucin no normal del peso (puesto que el peso o el volumen es proporcional al cuadrado o el cubo de la
longitud y las distribuciones gaussianas slo mantienen las transformaciones lineales). A la inversa, asumir que el
peso sigue una distribucin normal implica longitudes no normales. Esto es un problema porque, a priori, no hay
razn por la que cualquiera de ellas (longitud, masa corporal u otras) debera estar normalmente distribuida. Las
distribuciones lognormales, por otro lado, se mantienen entre potencias, as que el "problema" se desvanece si se
asume la lognormalidad.
Por otra parte, hay algunas medidas biolgicas donde se asume normalidad, tales como la presin sangunea en
humanos adultos. Esta asuncin slo es posible tras separar a hombres y mujeres en distintas poblaciones, cada una
de las cuales est normalmente distribuida.
Variables financieras
El modelo normal de movimiento de activos no
incluye movimientos extremos tales como
quiebras financieras.
Ya en 1900 Louis Bachelier propuso representar los precios de cambio
usando la distribucin normal. Esta aproximacin se ha modificado
desde entonces ligeramente. A causa de la naturaleza multiplicativa del
inters compuesto, los indicadores financieros como valores de
mercado y precios de las materias primas exhiben un "comportamiento
multiplicativo". Como tales, sus cambios peridicos (por ejemplo,
cambios anuales) no son normales, sino lognormales. Esta es todava la
hiptesis ms comnmente aceptada en economa.
No obstante, en realidad las variables financieras exhiben colas
pesadas y as, la asuncin de normalidad infravalora la probabilidad de
eventos extremos como quiebras financieras. Se han sugerido
correcciones a este modelo por parte de matemticos como Benot
Mandelbrot, quien observ que los cambios en el logaritmo durante
breves periodos de tiempo (como un da) se aproximan bien por
distribuciones que no tienen una varianza finita y, por consiguiente, el
teorema central del lmite no puede aplicarse. Ms an, la suma de
muchos de tales cambios sigue una distribucin de log-Levy.
Distribuciones en tests de inteligencia
A veces, la dificultad y nmero de preguntas en un test de inteligencia se selecciona de modo que proporcionen
resultados normalmente distribuidos. Ms an, las puntuaciones "en crudo" se convierten a valores que marcan el
cociente intelectual ajustndolas a la distribucin normal. En cualquier caso se trata de un resultado causado
deliberadamente por la construccin del test o de una interpretacin de las puntuaciones que sugiere normalidad para
la mayora de la poblacin. Sin embargo, la cuestin acerca de si la inteligencia en s est normalmente distribuida es
ms complicada porque se trata de una variable latente y, por consiguiente, no puede observarse directamente.
Distribucin normal
15
Ecuacin de difusin
La funcin de densidad de la distribucin normal est estrechamente relacionada con la ecuacin de difusin
(homognea e istropa) y, por tanto, tambin con la ecuacin de calor. Esta ecuacin diferencial parcial describe el
tiempo de evolucin de una funcin de densidad bajo difusin. En particular, la funcin de densidad de masa
para la distribucin normal con esperanza 0 y varianza t satisface la ecuacin de difusin:
Si la densidad de masa para un tiempo t=0 viene dada por la delta de Dirac, lo cual significa, esencialemente que
toda la masa est inicialmente concentrada en un punto, entonces la funcin de densidad de masa en el tiempo t
tendr la forma de la funcin de densidad de la normal, con varianza creciendo linealmente con t. Esta conexin no
es coincidencia: la difusin se debe a un movimiento Browniano que queda descrito matemticamente por un
proceso de Wiener, y tal proceso en un tiempo t tambin resultar normal con varianza creciendo linealmente con t'.
Ms generalmente, si la densidad de masa inicial viene dada por una funcin (x), entonces la densidad de masa en
un tiempo t vendr dada por la convolucin de y una funcin de densidad normal.
Uso en estadstica computacional
Generacin de valores para una variable aleatoria normal
Para simulaciones por ordenador es til, en ocasiones, generar valores que podran seguir una distribucin normal.
Hay varios mtodos y el ms bsico de ellos es invertir la funcin de distribucin de la normal estndar. Se conocen
otros mtodos ms eficientes, uno de los cuales es la transformacin de Box-Muller. Un algoritmo incluso ms
rpido es el algoritmo zigurat. Ambos se discuten ms abajo. Una aproximacin simple a estos mtodos es
programarlos como sigue: simplemente smense 12 desviaciones uniformes (0,1) y rstense 6 (la mitad de 12). Esto
es bastante til en muchas aplicaciones. La suma de esos 12 valores sigue la distribucin de Irwin-Hall; son elegidos
12 para dar a la suma una varianza de uno, exactamente. Las desviaciones aleatorias resultantes estn limitadas al
rango (6,6) y tienen una densidad que es una doceava seccin de una aproximacin polinomial de undcimo orden
a la distribucin normal .
[6]
El mtodo de Box-Muller dice que, si tienes dos nmeros aleatorios U y V uniformemente distribuidos en (0, 1], (por
ejemplo, la salida de un generador de nmeros aleatorios), entonces X e Y son dos variables aleatorias estndar
normalmente distribuidas, donde:
Esta formulacin aparece porque la distribucin con dos grados de libertad (vase la propiedad 4, ms arriba) es
una variable aleatoria exponencial fcilmente generada (la cual corresponde a la cantidad lnU en estas ecuaciones).
As, un ngulo elegido uniformemente alrededor de un crculo va la variable aleatoria V y un radio elegido para ser
exponencial se transforman entonces en coordenadas x e y normalmente distribuidas.
Un mtodo mucho ms rpido que la transformacin de Box-Muller, pero que sigue siendo exacto es el llamado
algoritmo Zigurat, desarrollado por George Marsaglia. En alrededor del 97% de los casos usa slo dos nmeros
aleatorios, un entero aleatorio y un uniforme aleatorio, una multiplicacin y un test-si . Slo un 3% de los casos
donde la combinacin de estos dos cae fuera del "corazn del zigurat", un tipo de rechazo muestral usando
logaritmos, exponenciales y nmeros aleatorios ms uniformes deberan ser empleados.
Hay tambin alguna investigacin sobre la conexin entre la rpida transformacin de Hadamard y la distribucin
normal, en virtud de que la transformacin emplea slo adicin y sustraccin y por el teorema central del lmite los
Distribucin normal
16
nmeros aleatorios de casi cualquier distribucin sern transformados en la distribucin normal. En esta visin se
pueden combinar una serie de transformaciones de Hadamard con permutaciones aleatorias para devolver conjuntos
de datos aleatorios normalmente distribuidos.
Aproximaciones numricas de la distribucin normal y su funcin de distribucin
La funcin de distribucin normal se usa extensamente en computacin cientfica y estadstica. Por consiguiente, ha
sido implementada de varias formas.
Abramowitz y Stegun (1964) dan la conocida como "mejor aproximacin de Hastings" para (x) con x > 0 con un
error absoluto |(x)|<7.510
8
(algoritmo 26.2.17
[7]
):
donde (x) es la funcin de densidad de la distribucin normal estndar,
y las constantes son b
0
= 0.2316419, b
1
= 0.319381530, b
2
= 0.356563782, b
3
= 1.781477937, b
4
= 1.821255978,
b
5
= 1.330274429.
La Biblioteca Cientfica GNU calcula valores de la funcin de distribucin normal estndar usando aproximaciones
por funciones racionales a trozos. Otro mtodo de aproximacin usa polinomios de tercer grado en intervalos. El
artculo sobre el lenguaje de programacin bc proporciona un ejemplo de cmo computar la funcin de distribucin
en GNU bc.
Para una discusin ms detallada sobre cmo calcular la distribucin normal, vase la seccin 3.4.1C. de The Art of
Computer Programming (El arte de la programacin por ordenador), de Knuth.
Referencias
[1] Es una consecuencia del Teorema Central del Lmite
[2] Abraham de Moivre, "Approximatio ad Summam Terminorum Binomii (a+b)
n
in Seriem expansi" (impreso el 12 de noviembre de 1733 en
Londres para una edicin privada). Este panfleto se reimprimi en: (1) Richard C. Archibald (1926) A rare pamphlet of Moivre and some of
his discoveries, Isis, vol. 8, pginas 671-683; (2) Helen M. Walker, De Moivre on the law of normal probability en David Eugene Smith, A
Source Book in Mathematics [Nueva York, Nueva York: McGraw-Hill, 1929; reimpresin: Nueva York, Nueva York: Dover, 1959], vol. 2,
pginas 566-575.; (3) Abraham De Moivre, The Doctrine of Chances (2 ed.) [Londres: H. Woodfall, 1738; reimpresin: Londres: Cass,
1967], pginas 235-243; (3 ed.) [Londres: A Millar, 1756; reimpresin: Nueva York, Nueva York: Chelsea, 1967], pginas 243-254; (4)
Florence N. David, Games, Gods and Gambling: A History of Probability and Statistical Ideas [Londres: Griffin, 1962], Apndice 5, pginas
254-267.
[3] [3] Havil, 2003
[4] La funcin Q (http:/ / cnx.org/ content/ m11537/ latest/ )
[5] http:/ / www. eng. tau. ac. il/ ~jo/ academic/ Q. pdf
[6] [6] Johnson NL, Kotz S, Balakrishnan N. (1995) Continuous Univariate Distributions Volume 2, Wiley. Equation(26.48)
[7] http:/ / www. math. sfu.ca/ ~cbm/ aands/ page_932.htm
Distribucin normal
17
Enlaces externos
reas bajo la curva normal (http:/ / www. digitalreview. com. ar/ distribucionnormal/ ) Tabla conteniendo los
valores de la funcin normal
Calculadora de probabilidades en una distribucin Normal (http:/ / www. ugr. es/ ~jsalinas/ normal. htm). Permite
hacer clculos directos e inversos.
Demostracin de la distribucin normal (http:/ / www. foro. resuelveproblemas. com/
Matematicas-La-distribucin-normal)
Tabla de la distribucin normal (http:/ / www. vaxasoftware. com/ doc_edu/ mat/ dnormal. pdf) Tabla de la
distribucin normal en formato PDF
Ajuste por software de una distribucin de probabilidad a un conjunto de datos:
Easy fit (http:/ / www. mathwave. com/ articles/ distribution_fitting. html), "data analysis & simulation"
MathWorks Benelux (http:/ / www. mathworks. nl/ products/ statistics/ demos. html?file=/ products/ demos/
shipping/ stats/ cfitdfitdemo. html)
ModelRisk (http:/ / www. vosesoftware. com/ ), "risk modelling software"
Ricci distributions, fitting distrubutions with R (http:/ / cran. r-project. org/ doc/ contrib/ Ricci-distributions-en.
pdf) , Vito Ricci, 2005
Risksolver, automatically fit distributions and parameters to samples (http:/ / www. solver. com/ risksolver8.htm)
StatSoft distribution fitting (http:/ / www. statsoft. com/ textbook/ distribution-fitting/ )
CumFreq (http:/ / www. waterlog. info/ cumfreq. htm) , libre sin costo, incluye la distribucin normal, la
lognormal, raz-normal, cuadrado-normal, e intervalos de confianza a base de la distribucin binomial
Calculadora Distribucin normal (http:/ / www. elektro-energetika. cz/ calculations/ no. php?language=espanol)
Calcular la probabilidad de una distribucin normal (http:/ / cajael. com/ mestadisticos/ T7DContinuas/ node3.
php) con R (lenguaje de programacin)
Implementacin Real en C del algoritmo Expectation Maximization (https:/ / github. com/ juandavm/ em4gmm)
(EM) para estimar Gaussian Mixture Models (https:/ / github. com/ juandavm/ em4gmm) (GMMs).
Fuentes y contribuyentes del artculo
18
Fuentes y contribuyentes del artculo
Distribucin normal Fuente: http://es.wikipedia.org/w/index.php?oldid=70700563 Contribuyentes: A ver, Acratta, Af3, Airunp, Alexv86, AlfonsoERomero, Andreasmperu, Antur, Apendata,
AstroNomo, Augustomarijuan, B1mbo, Banfield, BlackBeast, BuenaGente, Carlos.Gracia-Lzaro, Cgb, Chesnok, Christianfgc, ConPermiso, DanielithoMoya, Davius, Dhcp, Diegusjaimes, Dodo,
Doloco, Edmenb, Eduardosalg, Er Komandante, Euratom, Farisori, Fsd141, Gemini1980, Germanrinconrey, Ggenellina, Gperjim, Guanucoluis, Gkhan, HiTe, Humbefa, Jarisleif, Jerowiki,
Jkbw, JoeLoui, Jorge c2010, JorgeGG, JoseA, Joseaperez, Joxemai, Juan Carlos Tapia, Juan Manuel, Juan Mayordomo, LP, Leonpolanco, Marcelo, Marianov, Marsal20, Matdrodes, Miss
Manzana, Moonkey, Niksfish, Omary22 24, Oscar ., Palissy, Pasmargo, Paulrc, Petronas, Quien sabe puede, Rafa3040, Ren Vpenk, Ricardogpn, Roche, Rubpe19, Rufflos, SPZ, Savh, Sergio
Andres Segovia, Srbanana, Taichi, Tano4595, Tartaglia, Technopat, Thebiguserpratwiki, Tirithel, Tomatejc, Travelour, Vivero, Xenoforme, 209 ediciones annimas
Fuentes de imagen, Licencias y contribuyentes
Archivo:Normal distribution pdf.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Normal_distribution_pdf.png Licencia: GNU General Public License Contribuyentes:
Ardonik, Gerbrant, Grendelkhan, Inductiveload, Juiced lemon, MarkSweep, Wikiwide, 10 ediciones annimas
Archivo:Normal distribution cdf.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Normal_distribution_cdf.png Licencia: GNU General Public License Contribuyentes:
Gerbrant, Inductiveload, Juiced lemon, MarkSweep, Waldir
Archivo:Abraham de moivre.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Abraham_de_moivre.jpg Licencia: Public Domain Contribuyentes: Bjh21, Bonzo, Elcobbola,
Kilom691, Saippuakauppias, (Searobin)
Archivo:Standard_deviation_diagram_micro.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Standard_deviation_diagram_micro.svg Licencia: Creative Commons
Attribution-Sharealike 3.0 Contribuyentes: Ainali
Archivo:Normal approximation to binomial.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Normal_approximation_to_binomial.svg Licencia: GNU Free Documentation
License Contribuyentes: User:MarkSweep
Archivo:Crowd outside nyse.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Crowd_outside_nyse.jpg Licencia: Public Domain Contribuyentes: AnRo0002, Echtner, Fnfd,
Gribeco, Gryffindor, Hystrix, Infrogmation, J 1982, Romary, Skeezix1000, Soerfm, Spuk968, Yerpo, 7 ediciones annimas
Licencia
Creative Commons Attribution-Share Alike 3.0
//creativecommons.org/licenses/by-sa/3.0/