Está en la página 1de 11

Exploracin matemtica-Matemticas NM - IB

Exploracin matemtica

Entender la distribucin binomial, la


distribucin normal y la campana de Gauss

Autor: Peian Chen


1. Introduccin

Muchas personas de m alrededor resaltan que las matemticas no son divertidas, destacan su complejidad y
tambin las consideran muy tericas. Para demostrar su utilidad y tambin para tratar de encontrar un tema para esta
Exploracin Matemtica busqu informacin sobre los teoremas matemticos bsicos y ms tiles para la sociedad.
En el artculo Diez ecuaciones clebres de nos demuestran que las matemticas son tiles1 descubr respuestas
bastantes interesantes y tiles desde el punto de vista matemtico y tambin diversas ideas para una Exploracin
matemtica.

El tema que ms me llam la atencin fue ver las aplicaciones de la distribucin normal, la distribucin binomial y la
Campana de Gauss, ya que tienen numerosas utilidades en campos muy diversos como podran ser determinar las
probabilidades de eficiencia de un frmaco o tambin en reas como la economa o el marketing. La estadstica
siempre me ha gustado, pero me ha costado siempre mucho entenderla a fondo.

Por otro lado, en un futuro quiero cursar estudios superiores de Marketing Socilogico. Por ello creo que esta
Exploracin matemtica me ser muy til.

El origen de la distribucin normal y la campana de Gauss es bastante curioso porque el estudio de la ecuacin se
extendi durante siglos. En realidad, la distribucin se present inicialmente en el ao 1733 por el matemtico nacido
en Francia, Abraham de Moivre.

Moivre era un experto y estudioso de los juegos de mesa y realizaba con frecuencia anlisis profundos sobre ello.
Hizo un experimento inicial sobre las probabilidades de cara y cruz en un determinado nmero de tiradas de una
moneda. Finalmente descubri que si se haca una representacin grfica sobre las probabilidades de que la moneda
salga cruz siempre se observa la forma de una curva concreta. Intentar con est Exploracin demostrar que algunos
de los estudios que continuaron a los de Moivre son tiles y eficaces para resolver situaciones cotidianas y sobre
todo para convencerme de que entiendo sinceramente y en profundidad esta parte de las matemticas que me ser
muy til en el futuro.

Uno de mis objetivos principales ser ir entendiendo los conceptos y asumirlos hasta que yo mismo pueda plantear
ejemplos de la vida cotidiana e ir resolvindolos en esta Exploracin.

2. Entendiendo de la observacin de Abraham de Moivre

Caso en estudio: tiradas de una moneda al aire y observar el resultado.

Llamando n el nmero de tiradas, he experimentado con: n=2 y despus n= 4. Seguidamente se va a mostrar la


distribucin Binominal de las probabilidades para que salga cruz.

Cmo he intentado entender el planteamiento?: Inicialmente estaba tratando de calcular mentalmente las
probabilidades y conseguir la representacin grfica con el programa informtico MS-Excel. Aunque fue sencillo con
n=2 tena ms problemas cuando n=4. Despus pens en acudir al sistema del rbol de probabilidades para
realizarlo de forma ms organizada.

Notacin utilizada: Dp = densidad de probabilidades ; n = nmero de tiradas ; CA = cara ; CZ = cruz

Resultando:

1 Alvy, Daniel Civantos (2014)http://www.cookingideas.es/formulas-de-exito-20140423.html


2
Fig1- rbol, tabla de probabilidades y representacin Grfica de la densidad de probabilidades para n=2 (MS-Excel). Fuente propia.

Fig2- rbol, tabla de probabilidades y representacin Grfica de la densidad de probabilidades para n=4 (MS-Excel). Fuente propia.

Cuando mentalmente calculado las probabilidades para n=4, tena dudas sobre el resultado, puesto que inicialmente
haba supuesto que la probabilidad en 4 tiradas para obtener 2 cruces eran del 50% aplicando el clculo mental y el
sentido comn. Pero, finalmente con el mtodo del rbol de probabilidades he podido comprobar que mentalmente
haba calculado mal, ya que en realidad hay 16 posibilidades de combinaciones posibles y solo hay 6 posibilidades
de 16 en los que se obtiene dos cruces.

Para darme cuenta de todo ello hice las siguientes tablas que me permitieron salir de mi error:

Nmero de tiradas (n) Posibilidades distintas


1 2
2 4
3 8
4 16
... ...
N (generalizacin)
2n
Razonamiento matemtico de las probabilidades segn el rbol:

Nmero de CZ en Observacin resultados posibles Clculo Dp (%)


4 tiradas
0 CACACACA 1
100 = 6,25%
16
1 CACZCACA, CZCACACA, CACACZCA, CACACACZ 4
100 = 25%
16
2 CZCZCACA, CZCACZCA, CZCACACZ, CACACZCZ, 6
100 = 37,5%
CACZCACZ, CACZCZCA 16
3 CZCZCZCA, CACZCZCZ, CZCACZCZ, CZCZCACZ 4
100 = 25%
16
4 CZCZCZCZ 1
100 = 6,25%
16

3
Sin embargo, aunque Moivre confirm esta observacin, no tuvo xito para encontrar la ecuacin de la grfica. Su
observacin inici estudios posteriores importantes por parte de grandes matemticos como Laplace o Gauss, que
finalmente acabaron determinando el concepto de distribucin normal, mientras que a la grfica que la
representa se la denomin como Campana de Gauss.

3. La funcin de la distribucin normal, la campana de Gauss y la distribucin


binomial
Ahora voy a intentar comprender cmo emplear la funcin de la distribucin normal de probabilidades desarrollada
por matemticos posteriores en el tiempo a Abraham de Moivre.

La notacin matemtica que emplear:

X : Este signo representa una variable continua de la campana de Gauss

(sigma): es la desviacin tpica como los valores dispersos respecto a un valor medio

: Se refiere a la media que sigue la variable X

X
La frmula de la distribucin normal es Z , donde Z es un parmetro que se debe encontrar para despus

utilizar en la tabla de la distribucin normal que se calcul de forma emprica para realizar el clculo de
probabilidades de una serie de datos que siguen una distribucin normal.

La campana de Gauss es la representacin grfica de la distribucin normal, se puede expresar mediante la siguiente
funcin obtenida de forma emprica2 3.

Estos valores de probabilidades se han obtenido de forma totalmente emprica.

Me he propuesto entender el porqu de los porcentajes de la Campana de Gauss, mediante la frmula para calcular
el parmetro Z. Si la variable X puede ser cualquier valor de la distribucin < < de N(,). Calcular las
probabilidades del caso p( X +). Voy a intentar demostrar nicamente el porqu del rea del 68,26%,
puesto que las otras reas se podran demostrar con el mismo procedimiento. Teniendo en cuenta que debera
calcular las probabilidades p( X +) , entonces vamos a emplear la siguiente frmula de Z.

2
http://www.ecured.cu/index.php/Campana_de_Gauss
3
http://www.monografias.com/trabajos60/tamano-muestra-archivistica/tamano-muestra-archivistica2.shtml
4
Si sabemos que el valor que buscamos est en el intervalo X +, la ecuacin que deberamos resolver
sera:

p( X +)

X = p Z
Z p Z


p Z p(1 Z 1)

Partiendo de este intervalo encontrado, calculamos las probabilidades mediante la tabla de distribucin normal.

p(1 Z 1) p(Z 1) p(Z 1) = p(Z 1) 1 p(Z 1) p(Z 1) 1 p(Z 1)


0.8413 1 0.8413 0.6826 68,26%
En consecuencia podemos decir que hay 68,26% de probabilidades que el valor de x est en el intervalo ( X
+), lo cual, lo podramos corroborar en la grfica de la Campana de Gauss.

Para demostrar la efectividad de la Distribucin Normal y de la Campana de Gauss, y al mismo tiempo entender yo
el concepto que representa, he pensado plantear un problema adaptado a la distribucin normal.

Problema propuesto:

Parto de que tenemos acceso a la informacin de los resultados que obtienen una serie de alumnos al efectuar un
examen, por ejemplo uno que he realizado yo mismo recientemente, denominado SAT. (Ver tabla)

Pretendo calcular y entender:

-Qu porcentaje de candidatos obtienen entre 1600p y 2000p?


5
-cul la representacin grfica de los alumnos que obtienen entre 1520p-1680p?

-Teniendo en cuenta hay 2millones de estudiantes que han realizado el examen de SAT en este ao cuntos
estudiantes han sacado entre 1800-2000p?

-Adems, se sabe que un alumno quiere acceder a la Michigan State University y el mnimo de SAT requerido es de
2000 puntos.

-Afortunadamente el examen SAT se puede realizar de manera ilimitada. Entonces si un alumno intenta hacer el
examen 5 veces, cul es la probabilidad que al menos una vez su puntuacin sea mayor de 1600 para poder
obtener la mnima puntuacin requerida?

Soluciones propuestas:

En primer lugar, tendra que calcular la P(probabilidad) {1600 X 2000} .

Pero se debera encontrar la y el . Por eso he creado la siguiente tabla mediante MS-Excel para facilitar el
clculo.

Donde defino: Xi = Puntuacin ; Fi= es el nmero de alumnos que ha obtenido esa puntuacin

6
Veamos la frmula para calcular y y la aplicamos4:

320000
= = = 1600
200

2
=

2 =
520000800
200
(1600)2 = 40004 200

Creo la Campana de Gauss general para los datos = 1600 y = 200 y los introduzco en la App (Apple Store) de
Larry Feldman denominada Bell Curve (http://www.lfeldman.com), obteniendo:

Por lo tanto sabiendo que = 1600 y = 200, aplicamos la frmula para calcular la distribucin normal. Con
X=2000 (El valor ms alto en el intervalo entre 1600 y 2000), entonces el resultado que se obtiene para el
parmetro Z es:

X 2000 1600
Z 2
200
Hay un valor de la tabla que nos dice las probabilidades para cada valor de Z obtenido. Esta tabla de distribucin
normal est dividida en filas y columnas. La columna de esta tabla indica el valor Z hasta el primer decimal, mientras
que la primera columna de la tabla indica el segundo decimal del valor obtenido de Z. A partir de los dos decimales
iniciales del valor de Z, se obtiene el porcentaje de una probabilidad. Por lo tanto, en nuestro caso la tabla siguiente
nos indica que el porcentaje de Z = 2 es 97,72%. Por un lado, para buscar el valor la fila apropiada se debe fijar
hasta el primer decimal del valor obtenido que en nuestro caso es 2. Por otro lado, el nmero de fila se encuentra
mediante el segundo decimal que en nuestro caso es 0. 5

z 0.00 0.01 0.02 0.03 0.04 0.05

2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798

2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842

4
https://www.youtube.com/watch?v=6BZCZIVYEs4
5
http://eva.universidad.edu.uy/mod/resource/view.php?id=140635%E2%80%8E
7
Por lo tanto, hay un 97,72% de probabilidades que los alumnos saquen entre 1600-2000 puntos en este examen.

P{1600 X 2000} 0,9772 *100 97.72%

Mi reflexin es que inicialmente no haba comprendido el significado de la tabla. Despus busqu informacin sobre
su uso, lo apliqu y finalmente entend el significado.

Y adems lo voy a validar con la App f-Graph de Modular & Services GmbH (http://www.mood4apps.com). Se
puede observar en el crculo marcado en negro que se confirma el 0,9772 que he obtenido por clculo:

A continuacin muestro una tabla y una representacin grfica de la campana de Gauss los alumnos entre 1520-
1680p. Aqu presento un ejemplo de clculo de la funcin cuando un alumno haya sacado 2000 puntos. He utilizado
MS-Excel para la representacin de la forma, donde se intuye la Campana de Gauss.

2 16001600 2
1( ) 1( )
1 1 200 1 1
(1600) = 2 = 2 = 0 = (1600) = 0.01994711
2 2002 2002 2002

Con el objetivo de validar mis resultados, he descargado una App que trabaja la campana de Gauss: Bell Curves de
Yoroslav Mironov (http://www.ioptioneer.ftware%com/differentiate/). He probado dos de los casos, introduciendo en la
aplicacin los datos de entrada para X=1520 y X= 1600 se obtienen los resultados:
8
Podemos ver que para estos dos casos, se confirman los resultados. PDF son la iniciales de Probability Distributed
Variable. Y sus valores (marcaos con un crculo) coinciden con los que he obtenido con la tabla y la calculadora.

En cuanto al 2 apartado de la pregunta, sabemos que =1600 y = 200 y nos aportan el dato de N(N de
candidatos) = 2000000. Teniendo en cuenta X1= 1800 y X2= 2000 (valores ms bajo y ms alto respectivamente
entre 1800-2000), entonces las probabilidades del valor de X se encontrar entre P(X1 X X2), es decir, p
(1800X2000).

Se calcula las probabilidades de ambos sustituyendo los valores indicados. De esta manera que [1,2].

1800 1600 2000 1600 200 400


p Z p p Z p p(1 Z 2)
200 200 200 200

As, se calcula la diferencia de probabilidades de los dos resultados, pero para calcular bien las probabilidades se
debe restar 1 a las probabilidades del primero (X1). Finalmente mediante la tabla de valores de Z expuesta
anteriormente, vemos que se obtiene una probabilidad de 81.85%, lo que sera 1637000 estudiantes.

p(Z 2) 1 p(Z 1) 0.9772 1 0.8413 0.9772 0.1587 0.8185 2000000 =1637000

En consecuencia, hay 1.637.000 estudiantes que han sacado entre 1800 y 2000p. en el examen SAT sobre los
dos millones, que es un 81.85%.

En cuanto a la ltima pregunta propuesta, para saber la probabilidad de que un alumno pueda llegar al mnimo de
puntuacin requerida en una Universidad concreta repitiendo el examen de SAT 5 veces, es decir , al menos en una
convocatoria superar la puntuacin de 2000, tengo que utilizar la distribucin Binomial de Bernouli 6 :

6
http://es.ncalculators.com/statistics/binomial-distribution-calculadora.htm

9
1 1
Aplicando a los datos que tengo: p ; p(nota < 2000 ) p(nota 2000 ) ; K=1,2,3,4,5 ; n5
2 2
As, de momento sabemos que las probabilidades para nota>2000 y nota<2000 sern iguales, es decir, 50% y que el
nmero de pruebas de exmenes es de 5. Utilizo la calculadora a la hora de utilizar la funcin binomial. Calcular
para cada caso de k, debido a que ya sea superando la puntuacin 1 o hasta 5 veces la puntuacin mnima podr
tener cumplido ese requerimiento. Finalmente sumar las probabilidades.

51
5 1
1 5
1 5! 1
Con k 1 P(5) 3.75 %
1 2 2 1! 2

5 2
5 1 1
2 5
5! 1
Con k 2 P(5) 1.875 %
2 2 2 2! 2

5 3
5 1
3 5
1 5! 1
Con k 3 P(5) 0.625 %
3 2 2 3! 2

5 4
5 1 1
4 5
5! 1
Con k 4 P(5) 0.15625 %
4 2 2 4! 2

5 5
5 1
5 5
1 5! 1
Con k 5 P(5) 0.03125 %
5 2 2 5! 2

Posibilidades=3,75+1,875+0,625+0.15625+0.03125=6.4275%. Que son las posibilidades en % de que el alumno


obtenga una puntuacin mayor de 2000p. y que tenga la oportunidad de llegar al mnimo de la puntuacin requerida
por la Universidad.

4. Conclusiones

El aprendizaje de un nuevo tema matemtico como la distribucin y la campana de Gauss fue interesante cuando
se explic en clase y a la vez un poco complicado al inicio.

En mi opinin se trata de una ecuacin cuyo origen es bastante complicado porque ha sido desarrollado por
diferentes grandes matemticos hasta llegar a su estado actual, pero tambin muy atractivo, ya que es increble que
una ecuacin tan importante en la estadstica se form originariamente a partir de una observacin de las
probabilidades de cara o cruz en el lanzamiento de monedas gracias a Abraham Moivre. Me he dado cuenta de que
mi cabeza pensaba slo guiada por el sentido comn o la intuicin y la estadstica en esta Exploracin Matemtica
me lo desmenta continuamente con nmeros.

He podido entrar tambin en contacto con el software que trabaja con la Campana de Gauss. En concreto he
descargado y aprendido a utilizar y aplicar algunas Apps que descargu de la Apple Store. Corroborando algunos de
los resultados obtenidos.

Uno de los objetivos lo consegu ampliamente, que era tratar de entender nomenclaturas y conceptos que no suelo
utilizar normalmente, propiedades de los grficas, el uso de la tabla de la distribucin normal y especialmente crear
problemas sencillos para comprobar la eficacia de las ecuaciones y teoremas.

10
Adems, espero estudiar en el futuro una carrera relacionada con la estadstica, o investigacin operativa, o el
Marketing Sociolgico, por lo tanto, me ha sido muy til para aprender a utilizar conceptos y clculos estadsticos
tiles sobre los cules sin duda ampliar conocimiento en el futuro.

En conclusin, he alcanzado mi objetivo ya que no tan slo he aprendido sobre el origen de las ecuaciones y
teoremas, sino que tambin sobre las propiedades y aplicaciones de la distribucin normal, la distribucin binomial y
la campana de Gauss.

Tanto la distribucin normal como la Campana de Gauss no slo son de utilidad en medicina y en economa, sino
que tambin es aplicable en reas como ingeniera de procesos, marketing, investigacin operativa, fsica y otros
campos en los que se manejan muchos datos, puesto que tiene mucha influencia en la toma de decisiones. Ejemplos
claros del uso podran ser las propiedades fsicas de las muestras biolgicas, variables financieras, esperanza de
vida, y uno de los ms utilizados es la medicin de la probabilidad de error en medidas.

En definitiva, no ha sido una Exploracin Matemtica con grandes y profundos clculos matemticos, pero he
cumplido mi objetivo que era entender la estadstica bsica y ser capaz de generarme yo mismo situaciones a
resolver con estos conocimientos que iba asimilando.

5. Bibliografa/Webgrafa y Apps
https://www.fisterra.com/mbe/investiga/distr_normal/distr_normal.asp Annimo. Uso de la tabla de la distribucin tpica (n.d.). ltima
consulta(11/5/2014)

http://eva.universidad.edu.uy/mod/resource/view.php?id=140635%E2%80%8E Annimo. Distribucin Binomial. Actualizada en el 10 de


septiembre del 2012. ltima consulta (11/6/2014)

https://www.youtube.com/watch?v=PXx4pUiPIhQ Jose Antonio Hervs. Controles Estadsticos de procesos (n.d.). ltima consulta(8/11/2014)

http://www.matematicasypoesia.com.es/Estadist/ManualCPE04.htm ltima consulta(12/11/2014)

App Bell Curves de Yoroslav Mironov (http://www.ioptioneer.ftware%com/differentiate/). Descargada de la Apple Store (Free App)

App f-Graph de Modular & Services GmbH (http://www.mood4apps.com) Descargada de la Apple Store (Free App)

Larry Feldman denominada Bell Curve (http://www.lfeldman.com Descargada de la Apple Store (Free App)

11