ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS

DEPARTAMENTO DE MATEMÁTICA Y FÍSICA

PRÁCTICAS DE LABORATORIO*

UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE

HUAMANGA
FACULTAD DE INGENIERÍA QUÍMICA Y METALURGIA
E.F.P INGENIERIA EN INDUSTRIAS ALIMENTARIAS

PRACTICA Nº 02

“ESTADISTÍCA GAUSSIANA”
ASIGNATURA : FS 241 (Física I)

PROFESOR : ORE GARCÍA, Julio.

ALUMNOS : GOMEZ HUAMNI, Kevin j.

GRUPO : Jueves (5-7 pm)

SEMESTRE ACAD : 2015-I

FECHA DE EJECUCION : 30/04/15

FECHA DE ENTREGA : 30/04/15

AYACUCHO-PERU
2015
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

ESTADÍSTICA GAUSSIANA
OBJETIVOS
 Familiarizarse con ciertos términos estadísticos aplicados a mediciones físicas.
 Expresar un conjunto de medidas en un histograma.
 Aplicar la estadística gaussiana para valorar una medición.

INTRODUCCIÓN TEÓRICA
 HISTOGRAMAS Y CURVAS DE GAUSS
La distribución normal es una distribución de probabilidad de variable continua que
describe los datos que se agrupan en torno a un valor central. Todo proceso en el
que solo existan causas aleatorias de variación sigue una ley de distribución normal.
La representación gráfica es la curva de distribución normal también denominada
campana de Gauss en honor del renombrado científico alemán Carl Friedrich Gauss
Una de las características más importantes es que casi cualquier distribución de
probabilidad, tanto discreta como continua, se puede aproximar por una normal bajo
ciertas condiciones.

FIG.1 LA CURVA DE DISTRIBUCIÓN NORMAL O “CAMPANA DE GAUSS”

LA CURVA NORMAL ES ASIMÉTRICA

UNA DISTRIBUCIÓN NORMAL SE

CARACTERIZA POR:

1. Los valores de las mediciones tienden a

agruparse alrededor de un punto central, la
media.
2. La representación de los datos es
simétrica a ambos lados de la media
3. Las desviaciones estándares quedan
situadas a igual distancia unas de otras
4. La proporción de mediciones situada
entre la media y las desviaciones es una
constante en la que:
 La media ± 1 * desviación estándar =
cubre el 68,3% de los casos.
 La media ± 2 * desviación estándar =
cubre el 95,5% de los casos.
 La media ± 3 * desviación estándar =
cubreMEDIA=MEDIANA=MODA
el 99,7% de los casos.

Para indicar que una variable aleatoria (v.a.) sigue una

distribución normal de media μ y desviación estándar
σ usaremos la expresión: X ∼ N (μ, σ).
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

FIGURA 2. GRÁFICA DE UNA DISTRIBUCIÓN Tabla 1.

NORMAL Y SIGNIFICADO DEL ÁREA BAJO LA FIGURA 3. ÁREAS BAJO LA CURVA NORMAL
CURVA. ESTÁNDAR.

P¿

FIGURA 4. EJEMPLOS DE DISTRIBUCIONES NORMALES CON DIFERENTES

PARÁMETROS.

 FRECUENCIA, MODA, MEDIANA Y MEDIA

 FRECUENCIA:
Frecuencia es una repetición de un hecho o un suceso. Es también el número de veces que
se repite un proceso periódico en un intervalo de tiempo determinado. Número de
oscilaciones, vibraciones u ondas por unidad de tiempo en cualquier fenómeno periódico.

FRECUENCIA ABSOLUTA FRECUENCIA RELATIVA

La frecuencia absoluta es el La frecuencia relativa es el cociente entre
número de veces que aparece la frecuencia absoluta de un determinado
un determinado valor en un valor y el número total de datos.se puede
estudio estadístico.se
representar por ni.
representa por f i .
L a  sum a de la s fr ec uenc ia s
a bso luta s  es igual al núme r o
to tal de dato s, que se
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

re pr e se nta po r  N.
La suma de las frecuencias relativas es
igual a 1.

 MODA:
La moda corresponde al valor de la variable donde está la máxima frecuencia, o sea, que
en un histograma la moda corresponde al valor de la variable donde hay un pico máximo.
Si una distribución tiene dos máximos la denominamos distribución bimodal, si tiene tres
máximos trimodal y así sucesivamente.

La moda puede deducirse de una distribución de frecuencias o de un histograma a partir

de la fórmula:

Donde:
∆1 L 1 = frontera inferior de la clase modal (clase que contiene a la moda).
X =L1+
^
( ∆1 + ∆2
C) ∆ 1= exceso de la frecuencia modal sobre la de la clase inferior inmediata.
∆ 2 = exceso de la frecuencia modal sobre la clase superior inmediata.
c = anchura del intervalo de clase modal.

 MEDIANA:
La mediana es el valor de la variable que separa los datos entre aquellos que definen el
Donde:de los de la segunda mitad.
primer 50% de los valores
N L 1 = frontera inferior de la clase de la mediana.
~
X =L1+ (2
−∑ f 1
f mediana
C )N = número de datos (frecuencia total).
 MEDIA: ∑ f 1=suma de frecuencias de las clases inferiores a la de la mediana.
También denominada f mediana
promedio,= frecuencia
es la que de se lautiliza
clase principalmente
de la mediana. y se define como la
Lasuma
fórmula paravalores
de los cde
calcular=eltodas
anchura
lasdel
promedio esintervalo
entonces:de divididas
observaciones clase de lapor
mediana.
el número total de datos. Se
representa por x o por la letra μ según se calcule en una muestra o en la población,
respectivamente. n

∑ Xi
X́ = i =1 de frecuencias el promedio se calcula por:
En el ejemplo dado que se tiene una distribución
n

Donde:
n
 DESVIACIÓN n i = Representa
ESTÁNDAR DElaLAS
frecuencia
MEDIDASabsoluta
Y DEde LA
cadaMEDIA
grupo.
∑ X i ni X =Corresponde a la clase de cada grupo.
i=1 i
También
X́ = llamada desviación típica, es una medida de dispersión usada en estadística
n n=Cantidad total de datos.
que nos dice cuánto tienden a alejarse los valores puntuales del promedio en una
distribución. Específicamente, la desviación estándar es "el promedio de la distancia de
cada punto respecto del promedio". Se suele representar por una S o con la letra sigma,
según se calcule en una muestra o en la población.
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

Una desviación estándar grande indica que los puntos están lejos de la media, y una
desviación pequeña indica que los datos están agrupados cerca de la media.

La

fórmula para calcular la desviación estándar es:

por: √
 En el ejemplo dado que se tiene una distribución de frecuencias, la desviación se calcula
S= ∑ ¿¿ ¿ ¿
i=1

k k

√
2
k ( ∑ ∑ ni x i)
∑ ni x i2 − i=1 i=1
n
i=1
S=
n−1

MATERIALES: canicas, tablero “camino aleatorio”.

PROCEDIMIENTOS
1. Contar la cantidad de canicas cogidas en un puñado
2. Repetir el paso anterior 100 veces. Importante todos los puñados deben ser de la
misma persona y en las mismas condiciones. Tomar sus datos en una tabla como la
siguiente:
TABLA 1
Numero 6.   14
Cantidad de
de 7.   14
canicas
medida
8.   13
1.   15
9.   15
2.   14
10.   15
3.   15
11.   13
4.   10
12.   14
5.   16
13.   12
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

14.   16 55.   13
15.   13 56.   13
16.   12 57.   13
17.   14 58.   13
18.   13 59.   11
19.   15 60.   12
20.   11 61.   10
21.   13 62.   13
22.   12 63.   12
23.   11 64.   12
24.   15 65.   15
25.   15 66.   13
26.   14 67.   11
27.   11 68.   12
28.   12 69.   16
29.   13 70.   10
30.   12 71.   12
31.   13 72.   12
32.   13 73.   16
33.   15 74.   13
34.   13 75.   15
35.   10 76.   15
36.   11 77.   12
37.   12 78.   13
38.   14 79.   14
39.   12 80.   12
40.   14 81.   12
41.   13 82.   13
42.   12 83.   12
43.   13 84.   12
44.   11 85.   14
45.   13 86.   11
46.   12 87.   14
47.   13 88.   10
48.   11 89.   13
49.   12 90.   10
50.   11 91.   15
51.   10 92.   12
52.   12 93.   11
53.   11 94.   11
54.   11 95.   12
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

96.   10
97.   13
98.   12
99.   11
100.   13
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

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

TABLA 2

Numero de posición Cantidad de canicas

1.   2
2.   7
3.   2
4.   9
5.   4
6.   7
7.   12
8.   12
9.   12
10.   15
11.   14
12.   14
13.   11
14.   5
RESULTADOS
15.   10
16.   Con los datos de la tabla
11
1, calcular la frecuencia
17.   9 de cada medida. Con ello
18.   4 hacer un histograma
19.   2 frecuencia versus
20.   2 medida.

FRECUENCIA MEDIDAS
8 REPETIDAS
10
15
11
25
12
25 13
11 14
15
16
 0.08
0.15
ESCUELA
0.25 DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
0.25PRÁCTICAS DE LABORATORIO*
0.11
12 0.12
0.04
4
HISTOGRAMA 1

FRECUENCIA VS. MEDIDA

30
25
20
FRECUENCIA

15
25 25
10
15
5 11 12
8
4
0
10 11 12 13 14 15 16
MEDIDA

HISTOGRAMA FRECUENCIA VS. MEDIDA

0.3

0.25

0.2
FRECUENCIA

0.15

0.1

0.05

0
10 11 12 13 14 15 16
MEDIDAS
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

FRECUENCIA VS. MEDIDA

30

25

20
FRECUENCIA

15

10

0
9 10 11 12 13 14 15 16 17
MEDIDA

1. Calcule la moda, mediana y media del conjunto de medidas. Calcule también la

desviación standard de las medidas y de la media.
MODA MEDIANA MEDIA
18 14 12.72

desviación estándar de las medidas desviación estándar de la media

1.56 0.16

2. Analice su gráfica y trace a mano alzada una curva tipo gaussiana.

CAMAPANA GAUSSIANA
0.3

0.25
distribucion normal

0.2

0.15

0.1

0.05

0
9 10 11 12 13 14 15 16 17
medidas

3. Con los datos de la tabla 2, haga un histograma cuentas versus posición de la canica.
Calcule la desviación standard de las medidas y de la media.
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

0.1
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
0 2 4 6 8 10 12 14 16

desviación estándar de las medidas desviación estándar de la media

4.47 0.97

DISCUSIONES:

SEGÚN LA TEORÍA SEGÚN LA PRÁCTICA

 Al recoger con una mano en la
misma posición los daños, debe salir
las variaciones entre dos o tres
valores.
 Según la teoría en la gráfica del
histograma, deberá de salirnos
 Nos resultó más de siete valores
distintos, es decir, tomamos los
daños con la mano de diferentes
maneras.
 En la práctica, la gráfica nos resultó
similar a una campana.
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

CONCLUSIONES:

Como resultado de la práctica es posible concluir que se logró

familiarizarse con ciertos términos estadísticos aplicados a mediciones
físicas.
Así como la aplicación de la estadística gaussiana para valorar una
medición y llegar a expresar un conjunto de medidas en un histograma.
La aportación fundamental de este trabajo es poner de manifiesto los
conocimientos básicos para la estadística gaussiana, al mismo tiempo
permite el método, procedimiento y manejo del programa Excel a
seguir.

CUESTIONARIO
1. QUÉ SIGNIFICA UNA DISTRIBUCIÓN GAUSSIANA Y QUÉ
APLICACIONES TIENE EN LAS MEDICIONES FÍSICAS

Se trata, sin duda, del modelo continuo más

importante en estadística, tanto por su  Su función de densidad
aplicación directa, veremos que muchas viene dada por la
variables de interés general pueden describirse fórmula:
por dicho modelo, como por sus propiedades,
que han permitido el desarrollo de numerosas
técnicas de inferencia estadística. En realidad,
el nombre de Normal proviene del hecho de
que durante un tiempo se creyó, por parte de
médicos y biólogos, que todas las variables
naturales de interés seguían este modelo.

La distribución de una variable normal está completamente determinada por dos

parámetros, su media y su desviación estándar, denotadas generalmente por   y  Que,
como vemos, depende de dos parámetros μ (que puede ser cualquier valor real) y σ (que
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

ha de ser positiva). Por esta razón, a partir de ahora indicaremos de forma abreviada que
una variable X sigue el modelo Normal así: X ~ N (μ, σ). Por ejemplo, si nos referimos a
una distribución Normal con μ = 0 y σ = 1 lo abreviaremos N (0, 1).

APLICACIONES:
En resumen, la importancia de la distribución normal se debe principalmente a que hay
muchas variables asociadas a fenómenos naturales que siguen el modelo de la normal.
 Caracteres morfológicos de individuos (personas, animales, plantas,…) de una
especie. Por ejemplo: tallas, pesos, envergaduras, diámetros, perímetros, etc.
 Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un
fármaco, o de una misma cantidad de abono.
 Caracteres sociológicos, por ejemplo: consciente intelectual, grado de
adaptación a un medio.
 Errores cometidos al medir ciertas magnitudes.
 Valores estadísticos maestrales, por ejemplo: la media.
 Otras distribuciones como la binomial o la Poisson son aproximaciones
normales.
Y en general cualquier característica que se obtenga como suma de mucho
factores.

2. EN BASE A LOS RESULTADOS OBTENIDOS SOBRE LAS CURVAS

GAUSSIANA, ASÓCIELO CON EL CRITERIO DE ESTIMACIÓN DE
ERROR SISTEMÁTICO DE UNA MEDICIÓN DIRECTA CON UN
1
Δx s= u
INSTRUMENTO ANALÓGICO. ( 2 )

La variación de la probabilidad de que resulte el 75%, no resulto der así, porque

se obtuvo un porcentaje de 71,65%, debido a las siguientes causas:
 En el descenso de las canicas de los casilleros, seis no lograron descender.
 Las canicas no fueron soltadas a las mismas condiciones de tiempo y
posición.
 La distribución de los clavos no estaban perpendiculares al plano.

3. AVERIGÜE OTRAS DISTRIBUCIONES ESTADÍSTICAS USADAS EN LAS

MEDICIONES FÍSICAS.

DISTRIBUCION BINOMIAL: En estadística, la distribución binomial es

una distribución de probabilidad discreta. Definición de distribución binomial:
Si realizamos n veces un experimento en el que podemos obtener ´éxito, E, con
probabilidad p y fracaso, F, con probabilidad q (q = 1 − p), diremos que estamos
ante una distribución binomial de parámetros n y p, y lo representaremos por
Bin (n; p). En este caso la probabilidad de obtener k ´éxitos viene dada por:
p(X = k) = n k · pk · q
(n−k)
 ESCUELA DE CIENCIAS FÍSICO MATEMÁTICAS
DEPARTAMENTO DE MATEMÁTICA Y FÍSICA
PRÁCTICAS DE LABORATORIO*

NOTA: Observar que las probabilidades de ´éxito y fracaso son

complementarias, es decir, q = 1-p y p = 1-q, por lo que basta saber una de ellas
para calcular la otra.
La distribución binomial está asociada a experimentos del siguiente tipo:
 Realizamos n veces cierto experimento en el que consideramos solo la
posibilidad de éxito o fracaso.
 La obtención de éxito o fracaso en cada ocasión es independiente de la
obtención de éxito o fracaso en las demás ocasiones.
 La probabilidad de obtener éxito o fracaso siempre es la misma en cada
ocasión.

DISTRIBUCION DE POISSON: Esta distribución es una de las más

importantes distribuciones de variable discreta. Sus principales aplicaciones
hacen referencia a la modelización de situaciones en las que nos interesa
determinar el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas
circunstancias restrictivas. Otro de sus usos frecuentes es la consideración límite
de procesos dicotómicos reiterados un gran número de veces si la probabilidad
de obtener un éxito es muy pequeña.  
DISTRIBUCION HIPERGEOMÉTRICA: La distribución hipergeométrica es
especialmente útil en todos aquellos casos en los que se extraigan muestras o se
realizan experiencias repetidas sin devolución del elemento extraído o sin
retornar a la situación experimental inicial.
Modeliza , de hecho, situaciones en las que se repite un número determinado de
veces una prueba dicotómica de manera que con cada sucesivo resultado se ve
alterada la probabilidad de obtener en la siguiente prueba uno u otro resultado.
Es una distribución .fundamental en el estudio de muestras pequeñas de
poblaciones .pequeñas y en el cálculo de probabilidades de, juegos de azar y
tiene grandes aplicaciones en el control de calidad en otros procesos
experimentales en los que no es posible retornar a la situación de partida.
La distribución hipergeométrica puede derivarse de un proceso experimental
puro o de Bernoulli con las siguientes características:
 El proceso consta de n pruebas, separadas o separables de entre un
conjunto de N pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados
mutuamente excluyentes: A y no A.
 En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con
p+q=l.
Las probabilidades de obtener un resultado A y de obtener un resultado no A
varían en las sucesivas pruebas, dependiendo de los resultados anteriores.