“Año del Fortalecimiento de la Soberanía

Nacional”

Universidad Nacional
“San Luis Gonzaga” de Ica
FACULTAD DE INGENIERÍA MECÁNICA ELÉCTRICA Y ELECTRÓNICA
ESCUELA DE INGENIERÍA MECÁNICA ELÉCTRICA

LA DISTRIBUCIÓN
NORMAL

DOCENTE: Román Munive, Wilder Enrrique

CURSO: Estadística y Probabilidades para Ingenieros.
INTEGRANTES: Ventura Paravecino Carlos Neri
Mendoza Flores Jerry Carlos

ICA – PERÚ

2022
DEDICATORIAS:

Este trabajo, se los dedicamos a Dios, gracias a él por darnos una oportunidad más. A nuestros padres.
A nuestras familias, que es el motor que nos impulsan a seguir adelante.
Al profesor e ingeniero, Wilder Román Munive, de quién hemos tenido
la oportunidad de aprender.
Estoy en deuda con mi padre por vivir, pero con mi maestro por vivir bien (ROMAN MUNIVE WILDER
ENNRIQUE)

VENTURA PARAVECINO, CARLOS NERI

MENDOZA FLORES JERRY

 INDICE

 DEDICATORIA
 INTRODUCCIÓN
 FUNCIÓN GAUSSIANA
 QUE ES LA DESVIACION ESTANDAR
 PROPIEDADES DE LA DISTRIBUCIÓN NORMAL
ESTÁNDAR
 DISTRIBUCIÓN NORMAL N(Μ, Σ)
 DISTRIBUCIÓN NORMAL ESTÁNDAR N(0, 1)
 TIPIFICACIÓN O NORMALIZACIÓN DE LA VARIABLE
 EJEMPLO DE UNA DISTRIBUCION
 PARÁMETROS, ESTIMACIONES DE PARÁMETROS Y
DISTRIBUCIONES DE MUESTREO
 DESVIACION ESTANDAR AGRUPADA

INTRODUCCCION

En estadística y probabilidad se llama distribución normal, distribución de

Gauss, distribución gaussiana o distribución de Laplace-Gauss, a una de
las distribuciones de probabilidad de variable continua que con más frecuencia
aparece en estadística y en la teoría de probabilidades.
La gráfica de su función de densidad tiene una forma acampanada y es simétrica
respecto de un determinado parámetro estadístico. Esta curva se conoce
como campana de Gauss y es el gráfico de una función gaussiana.
 FUNCION GAUSSIANA
En estadística, la función gaussiana o campana de Gauss (en honor a Carl

Friedrich Gauss) es una función definida por la expresión:

donde a, b y c son constantes reales (c > –1). El parámetro a es el valor del

punto más alto de la campana, b es la posición del centro de la campana y c (la
desviación estándar, a veces llamada media cuadrática o valor cuadrático
medio) controla el ancho de la campana.
Las funciones gaussianas se utilizan frecuentemente en estadística. En el caso
de que a sea igual a , la función de densidad de una variable
aleatoria corresponde con la distribución

normal de media μ = b y varianza σ2 = c2.
La importancia de esta distribución radica en que permite modelar numerosos
fenómenos naturales, sociales y psicológicos. Mientras que los mecanismos
que subyacen a gran parte de este tipo de fenómenos son desconocidos, por
la enorme cantidad de variables incontrolables que en ellos intervienen, el uso
del modelo normal puede justificarse asumiendo que cada observación se
obtiene como la suma de unas pocas causas independientes.
De hecho, la estadística descriptiva solo permite describir un fenómeno, sin
explicación alguna. Para la explicación causal es preciso el diseño experimental,
de ahí que al uso de la estadística en psicología y sociología sea conocido
como método correlacional.
La distribución normal también es importante por su relación con la
estimación por mínimos cuadrados, uno de los métodos de estimación más
simples y antiguos.
Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el
modelo de la normal son:

 caracteres morfológicos de individuos como la estatura;

 caracteres fisiológicos como el efecto de un fármaco;
 caracteres sociológicos como el consumo de cierto producto por un
mismo grupo de individuos;
 caracteres psicológicos como el cociente intelectual;
 nivel de ruido en telecomunicaciones;
 errores cometidos al medir ciertas magnitudes;
 etc.
 La distribución normal también aparece en muchas áreas de la propia
estadística. Por ejemplo, la distribución muestral de
las medias muestrales es aproximadamente normal, cuando la
distribución de la población de la cual se extrae la muestra no es
normal.4 Además, la distribución normal maximiza la entropía entre
todas las distribuciones con media y varianza conocidas, lo cual la
convierte en la elección natural de la distribución subyacente a una lista
de datos resumidos en términos de media muestral y varianza. La
distribución normal es la más extendida en estadística y muchos tests
estadísticos están basados en una "normalidad" más o menos
justificada de la variable aleatoria bajo estudio.
 En probabilidad, la distribución normal aparece como el límite de varias
distribuciones de probabilidad continuas y discretas.

¿QUÉ ES LA DESVIACIÓN ESTÁNDAR?

La desviación estándar es la medida de dispersión más común, que indica qué
tan dispersos están los datos con respecto a la media. Mientras mayor sea la
desviación estándar, mayor será la dispersión de los datos.

El símbolo σ (sigma) se utiliza frecuentemente para representar la desviación

estándar de una población, mientras que s se utiliza para representar la
desviación estándar de una muestra. La variación que es aleatoria o natural de
un proceso se conoce comúnmente como ruido.

La desviación estándar se puede utilizar para establecer un valor de referencia

para estimar la variación general de un proceso.

Hospital 1 Hospital 2

Tiempos de egreso de un hospital

Considere el ejemplo siguiente. Los administradores dan seguimiento al
tiempo de egreso de los pacientes tratados en las áreas de urgencia de dos
hospitales. Aunque los tiempos de egreso promedio son aproximadamente
iguales (35 minutos), las desviaciones estándar son significativamente
diferentes. La desviación estándar del hospital 1 es de aproximadamente 6. En
promedio, el tiempo para dar de alta a un paciente se desvía de la media (línea
discontinua) aproximadamente 6 minutos. La desviación estándar del hospital
2 es de aproximadamente 20. En promedio, el tiempo para dar de alta a un
paciente se desvía de la media (línea discontinua) aproximadamente 20
minutos.

PROPIEDADES DE LA DISTRIBUCIÓN NORMA ESTÁNDAR

 La distribución tiene la forma de una campana y la mayor parte del área

de esta campana (Bell) se encuentra donde la media.
 El área debajo de la campana es de 1, y se divide por 0.5 a la izquierda y
0.5 a la derecha de la media.
  Es simétrica con respecto a la media.
 La media, moda, y mediana coinciden.
 Hay dos parámetros que determinan su forma: la media y la desviación
estándar.

DISTRIBUCIÓN NORMAL N (Μ, Σ)

Recordando la definición de distribución normal.

Se dice que una variable aleatoria   tiene una distribución

normal con media   y desviación estándar  ,
si   tiene una distribución continúa cuya de densidad de probabilidad
(f.d.p) es la siguiente:

DISTRIBUCIÓN NORMAL ESTÁNDAR N (0, 1)

La distribución normal con media   y desviación típica   se

llama distribución normal estándar, o tipificada, o reducida. La función de
densidad de probabilidad (f.d.p) de la distribución normal tipificada
usualmente se denota por el símbolo   y la función de distribución (f.d) se
denota por el símbolo  . Entonces:

Su función de densidad de probabilidad es:

Y su función de distribución es:

donde el símbolo u se utiliza en la ecuación anterior como variable muda de
integración.

Además, la gráfica de la f.d.p es:

La
probabilidad de la variable   dependerá del área del recinto sombreado en la
figura. Y para calcularla utilizaremos una tabla.

TIPIFICACIÓN O NORMALIZACIÓN DE LA VARIABLE

Para poder utilizar la tabla tenemos que transformar la variable   que sigue
una distribución   en otra variable   que siga una
distribución  . Por lo que la operación necesaria es la siguiente:

EJEMPLO DE UNA DISTRIBUCIÓN NORMAL

La estatura de todos los adultos masculinos que residen en el estado de

Pennsylvania sigue aproximadamente una distribución normal. Por lo tanto, la
estatura de la mayoría de los hombres estará cerca de la estatura media de 69
pulgadas. Un número similar de hombres serán un poco más altos y un poco
más bajos que 69 pulgadas. Solo unos pocos serán mucho más altos o mucho
más bajos. La desviación estándar es de 2.5 pulgadas.
Aproximadamente, el 68% de los hombres de Pennsylvania tiene una estatura de entre

66.5 (μ - 1σ) y 71.5 (μ + 1σ) pulgadas.

Aproximadamente, el 95% de los hombres de Pennsylvania tiene una estatura de entre

64 (μ - 2σ) y 74 (μ + 2σ) pulgadas.

Aproximadamente, el 99.7% de los hombres de Pennsylvania tiene una estatura entre
61.5 (μ - 3σ) y 76.5 (μ + 3σ) pulgadas.

PARÁMETROS, ESTIMACIONES DE
PARÁMETROS Y DISTRIBUCIONES DE
MUESTREO

Cuando usted desea determinar información acerca de una característica

particular de la población (por ejemplo, la media), generalmente toma una
muestra aleatoria de esa población porque no es factible medir toda la
población. Utilizando esa muestra, usted calcula la característica de la muestra
correspondiente, que se usa para resumir información acerca de la
característica desconocida de la población. La característica de interés de la
población se conoce como parámetro y la característica correspondiente de la
muestra es el estadístico de la muestra o la estimación de parámetro. Debido
a que el estadístico es un resumen de información acerca de un parámetro
obtenido a partir de la muestra, el valor de un estadístico depende de la
muestra específica que fue extraída de la población. Sus valores cambian
aleatoriamente de una muestra aleatoria a la siguiente, por lo que un
estadístico es una cantidad aleatoria (variable). La distribución de probabilidad
de esta variable aleatoria se denomina distribución de muestreo. La
distribución de muestreo de un estadístico (de muestra) es importante porque
permite sacar conclusiones acerca del parámetro de población
correspondiente con base en una muestra aleatoria.
Por ejemplo, cuando tomamos una muestra de una población distribuida
normalmente, la media de la muestra es un estadístico. El valor de la media de
la muestra basado en la muestra en cuestión es una estimación de la media de
la población. Este valor estimado cambiará aleatoriamente si se toma otra
muestra de la misma población normal. La distribución de probabilidad que
describe esos cambios es la distribución de muestreo de la media de la
muestra. La distribución de muestreo de un estadístico especifica todos los
valores posibles de un estadístico y con qué frecuencia ocurre un rango de
valores del estadístico. En aquellos casos en los que la población de origen es
normal, la distribución de muestreo de la media de la muestra también es
normal.

Las siguientes secciones proporcionan más información sobre los parámetros,

las estimaciones de parámetros y las distribuciones de muestreo.

ACERCA DE LOS PARÁMETROS

Los parámetros son medidas descriptivas de una población completa que se
pueden utilizar como las entradas para que una función de distribución de
probabilidad (PDF, por sus siglas en inglés) genere curvas de distribución. Los
parámetros generalmente se representan con letras griegas para distinguirlos
de los estadísticos de muestra. Por ejemplo, la media de la población se
representa con la letra griega mu (μ) y la desviación estándar de la población,
con la letra griega sigma (σ). Los parámetros son constantes fijas, es decir, no
varían como las variables. Sin embargo, sus valores por lo general se
desconocen, porque es poco factible medir una población entera.

Cada distribución es definida totalmente por varios parámetros específicos,

generalmente entre uno y tres. La tabla siguiente incluye ejemplos de los
parámetros necesarios para tres distribuciones. Los valores de los parámetros
determinan la ubicación y la forma de la curva en la gráfica de distribución y
cada combinación única de valores de parámetros produce una curva de
distribución única.
Por ejemplo, una distribución normal es definida por dos parámetros: la media
y la desviación estándar. Si se especifican estos parámetros, se conoce con
precisión toda la distribución.

La línea continua representa una distribución normal con una media de 100 y
una desviación estándar de 15. La línea discontinua también es una
distribución normal, pero tiene una media de 120 y una desviación estándar
de 30.

Acerca de las estimaciones de parámetros (también

conocidas como estadísticos de muestra)
Los parámetros son medidas descriptivas de toda una población. Sin embargo,
sus valores por lo general se desconocen, porque es poco factible medir una
población entera. Por eso, usted puede tomar una muestra aleatoria de la
población para obtener estimaciones de los parámetros. Un objetivo del
análisis estadístico es obtener estimaciones de los parámetros de la población,
junto con la cantidad de error asociada con estas estimaciones. Estas
estimaciones se conocen también como estadísticos de muestra.

Existen diferentes tipos de estimaciones de parámetros:

  Las estimaciones de punto son el valor individual más probable de un
parámetro. Por ejemplo, la estimación de punto de la media de la
población (el parámetro) es la media de la muestra (la estimación del
parámetro).
 Los intervalos de confianza son un rango de valores que probablemente
contienen el parámetro de población.
Para un ejemplo de estimaciones de parámetros, supongamos que usted
trabaja para un fabricante de bujías que estudia un problema en la separación
entre electrodos. Sería demasiado costoso medir cada bujía que se fabrica. En
lugar de ello, toma una muestra aleatoria de 100 bujías y mide la separación
en milímetros. La media de la muestra es 9.2. Esta es la estimación de punto
para la media de la población (μ). Igualmente crea un intervalo de confianza de
95% para μ que es (8.8, 9.6). Esto significa que puede estar 95% seguro de que
el valor verdadero de la separación promedio de todas las bujías se encuentra
entre 8.8 y 9.6.

ACERCA DE LAS DISTRIBUCIONES DE MUESTREO

Una distribución de muestreo es la distribución de probabilidad de un
estadístico dado, como la media. Para ilustrar una distribución de muestreo,
examinemos un ejemplo sencillo donde se conoce toda la población. Por
ejemplo, la siguiente tabla muestra los pesos de toda la población de 6
calabazas. Las calabazas solo pueden tener uno de los valores de peso
incluidos en la siguiente tabla.

Calabaza 1 2 3 4 5 6

Peso 1 1 1 1 1 1
9 4 5 2 6 7

Incluso si se conoce toda la población, con fines ilustrativos, tomamos todas

las muestras aleatorias posibles de la población que contengan 3 calabazas (20
muestras aleatorias). Luego, calculamos la media de cada muestra. La
distribución de muestreo de las medias de las muestras es descrita por todas
las medias de muestra de cada muestra aleatoria posible de 3 calabazas, lo
cual se refleja en la siguiente tabla.
Muestra Pesos Peso medio Probabilidad

2, 3, 4 14, 15, 12 13.7 1/20

2, 4, 5 14, 12, 16 14 1/20

2, 4, 6 14, 12, 17
14.3 2/20
3, 4, 5 15, 12, 16

3, 4, 6 15, 12, 17 14.7 1/20

1, 2, 4 19, 14, 12

2, 3, 5 14, 15, 16 15 3/20

4, 5, 6 12, 16, 17

2, 3, 6 14, 15, 17
15.3 2/20
1, 3, 4 19, 15, 12

1, 4, 5 19, 12, 16
15.7 2/20
2, 5, 6 14, 16, 17

1, 2, 3 19, 14, 15

3, 5, 6 15, 16, 17 16 3/20

1, 4, 6 19, 12, 17

1, 2, 5 19, 14, 16 16.3 1/20

1, 2, 6 19, 14, 17 16.7 2/20

 Muestra Pesos Peso medio Probabilidad

1, 3, 5 19, 15, 16

1, 3, 6 19, 15, 17 17 1/20

1, 5, 6 19, 16, 17 17.3 1/20

La distribución de muestreo de los pesos medios se muestra en esta gráfica.

La distribución se centra alrededor de 15.5, que también es el valor verdadero
de la media de la población. Y las muestras aleatorias con medias de muestra
más cercanas a 15.5 tienen una mayor probabilidad de ocurrir que las
muestras con medias de muestra más alejadas de 15.5.

En la práctica, es prohibitivo y poco factible tabular la distribución de la

distribución de muestreo como en el ejemplo ilustrativo anterior. Incluso en el
mejor escenario, cuando usted conoce la población de origen de las muestras,
quizás no pueda determinar la distribución de muestreo exacta del estadístico de
muestra de interés. Sin embargo, en algunos casos probablemente pueda
aproximar la distribución de muestreo del estadístico de la muestra. Por ejemplo,
si toma una muestra de la población normal, entonces la media de la muestra
tiene exactamente la distribución normal.

Pero si usted toma una muestra de una población que no es normal, es probable
que no pueda determinar la distribución exacta de la media de la muestra. Sin
embargo, debido al teorema del límite central, la media de la muestra se
distribuye aproximadamente como una distribución normal, siempre y cuando
sus muestras sean lo suficientemente grandes. Entonces, si no se conoce la
población y las muestras son lo suficientemente grandes, usted podría afirmar,
por ejemplo, que existe aproximadamente un 85% de certeza de que la media de
la muestra esté dentro de un cierto número de desviaciones estándar de la media
de la población.

DESVIACIÓN ESTÁNDAR AGRUPADA

La desviación estándar agrupada es un método para estimar una sola
desviación estándar que represente a todas las muestras o los grupos
independientes incluidos en el estudio cuando se parte del supuesto de que
provienen de poblaciones con una desviación estándar común. La desviación
estándar agrupada es la dispersión promedio de todos los puntos de los datos
alrededor de su media grupal (no de la media general). Es un promedio
ponderado de la desviación estándar de cada grupo. La ponderación da a los
grupos más grandes un efecto proporcionalmente mayor sobre la estimación
general. Las desviaciones estándar agrupadas se utilizan en las pruebas t de 2
muestras, los ANOVA, las gráficas de control y el análisis de capacidad.

Ejemplo de una desviación estándar agrupada

Supongamos que un estudio tiene los cuatro grupos siguientes:

Desviación
Grupo Media estándar N

1 9.7 2.5 50

2 12.1 2.9 50

3 14.5 3.2 50
 Desviación
Grupo Media estándar N

4 17.3 6.8 200

Los primeros tres grupos tienen el mismo tamaño (n=50) con desviaciones
estándar de aproximadamente 3. El cuarto grupo es mucho más grande
(n=200) y tiene una desviación estándar mayor (6.8). Puesto que la desviación
estándar agrupada utiliza un promedio ponderado, su valor (5.486) está más
cerca de la desviación estándar del grupo más grande. Si usted utilizara un
promedio simple, entonces todos los grupos tendrían el mismo efecto.

CÁLCULO MANUAL DE LA DESVIACIÓN ESTÁNDAR

AGRUPADA
Supongamos que C1 contiene la respuesta y C3 contiene la media de cada
nivel de los factores. Por ejemplo:

C1 C2 C3

Respuesta Factor Media

18.95 1 14.5033

12.62 1 14.5033

11.94 1 14.5033

14.42 2 10.5567
 C1 C2 C3

Respuesta Factor Media

10.06 2 10.5567

7.19 2 10.5567

Utilice Calc > Calculadora con la siguiente expresión:

SQRT((SUM((C1 - C3)^2)) / (número de total de observaciones - número de

grupos))

Para el ejemplo anterior, la expresión para la desviación estándar agrupada

sería:

SQRT((SUM(('Respuesta' - 'Media')^2)) / (6 - 2))

El valor que almacena Minitab es 3.75489.

CONCLUCION:
La distribución normal es la más importante por su simplicidad, porque
aparece frecuentemente en la realidad y por una propiedad especial
llamada Teorema del Límite Central. La comprensión de su naturaleza y su
papel en la inferencia estadística es esencial.

La distribución normal sirve para conocer la probabilidad de encontrar un

valor de la variable que sea igual o inferior a un cierto valor, conociendo la
media, la desviación estándar, y la varianza de un conjunto de datos en
sustituyéndolos en la función que describe el modelo.
REFERENCIAS WEB
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/
statistics/basic-statistics/supporting-topics/data-concepts/what-is-the-
standard-deviation/

https://www.uv.es/ceaces/pdf/normal.pdf
GRACIAS