Distribución normal

De Wikipedia, la enciclopedia libre Saltar a: navegación, búsqueda
Distribución normal Función de densidad de probabilidad

La línea verde corresponde a la distribución normal estándar

Función de distribución de probabilidad

Parámetros σ>0 Dominio Función de densidad (pdf)

Función de distribución (cdf)

Media Mediana Moda Varianza Coeficiente de simetría 0 Curtosis Entropía Función generadora de momentos (mgf) Función característica 0

En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad de variable continua que con más frecuencia aparece en fenómenos reales. La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de un determinado parámetro. Esta curva se conoce como campana de Gauss. 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 es un modelo matemático que sólo 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.1 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 supuesta "normalidad". En probabilidad, la distribución normal aparece como el límite de varias distribuciones de probabilidad continuas y discretas.

Contenido
[ocultar]
 

 

1 Historia 2 Definición formal o 2.1 Función de densidad o 2.2 Función de distribución  2.2.1 Límite inferior y superior estrictos para la función de distribución o 2.3 Funciones generadoras  2.3.1 Función generadora de momentos  2.3.2 Función característica 3 Propiedades o 3.1 Estandarización de variables aleatorias normales o 3.2 Momentos o 3.3 El Teorema del Límite Central o 3.4 Divisibilidad infinita o 3.5 Estabilidad 4 Desviación típica e intervalos de confianza o 4.1 Forma familia exponencial 5 Distribución normal compleja

3.3 Características físicas de especímenes biológicos o 8.3 Estimación de parámetros  7.1 Resultados o 7.5 Distribuciones en tests de inteligencia o 8.2 Tests de normalidad o 7.1 Generación de valores para una variable aleatoria normal o 9.1 Sorprendente generalización  7.2 que fue reimpreso en la segunda edición de su The Doctrine of .1 Recuento de fotones o 8.1 Estimación de parámetros de máxima verosimilitud  7.       6 Distribuciones relacionadas 7 Estadística descriptiva e inferencial o 7.4 Variables financieras o 8.2 Estimación insesgada de parámetros 8 Incidencia o 8.1.6 Ecuación de difusión 9 Uso en estadística computacional o 9.3.2 Medida de errores o 8.3.2 Aproximaciones numéricas de la distribución normal y su función de distribución 10 Véase también 11 Referencias 12 Enlaces externos [editar] Historia Abraham de Moivre. descubridor de la distribución normal La distribución normal fue presentada por vez primera por Abraham de Moivre en un artículo del año 1733.

σ) si su función de densidad está dada por: . De forma equivalente. de 1738. El nombre de Gauss se ha asociado a esta distribución porque la usó con profusión cuando analizaba datos astronómicos3 y algunos autores le atribuyen un descubrimiento independiente del de De Moivre. [editar] Función de densidad Se dice que una variable aleatoria continua X sigue una distribución normal de parámetros μ y σ y se denota X~N(μ. Laplace usó la distribución normal en el análisis de errores de experimentos.[cita requerida] A pesar de esta terminología. véase la discusión sobre ocurrencia. la función característica y la función generatriz de momentos. Gauss. y en la actualidad se llama Teorema de De Moivre-Laplace. La forma más visual es mediante su función de densidad. Su resultado fue ampliado por Laplace en su libro Teoría analítica de las probabilidades (1812). más abajo. [editar] Definición formal Hay varios modos de definir formalmente una distribución de probabilidad. El nombre de "campana" viene de Esprit Jouffret que usó el término "bell surface" (superficie campana) por primera vez en 1872 para una distribución normal bivariante de componentes independientes. los momentos.4 Esta atribución del nombre de la distribución a una persona distinta de su primer descubridor es un claro ejemplo de la Ley de Stigler. Francis Galton y Wilhelm Lexis hacia 1875. El nombre de "distribución normal" fue otorgado independientemente por Charles S. en el contexto de cierta aproximación de la distribución binomial para grandes valores de n.Chances. El importante método de mínimos cuadrados fue introducido por Legendre en 1805. lo justificó rigurosamente en 1809 asumiendo una distribución normal de los errores. otras distribuciones de probabilidad podrían ser más apropiadas en determinados contextos. entre otros. Peirce. que afirmaba haber usado el método desde 1794. también pueden darse para su definición la función de distribución.

. [editar] Función de distribución La función de distribución de la distribución normal está definida como sigue: Por tanto.tablas para el cálculo de los valores de su distribución.5 Se llama distribución normal "estándar" a aquélla en la que sus parámetros toman los valores μ = 0 y σ = 1. En este caso la función de densidad tiene la siguiente expresión: Su gráfica se muestra a la derecha y con frecuencia se usan ..donde μ (miu) es la media y σ (sigma) es la desviación típica (σ2 es la varianza). la función de distribución de la normal estándar es: Esta función de distribución puede expresarse en términos de una función especial llamada función error de la siguiente forma: .

También se usan ocasionalmente otras definiciones de la función Q. Existen varios métodos exactos para aproximar la función cuantil mediante la distribución normal (véase función cuantil). el límite superior se obtiene como sigue: . expresarse así: El complemento de la función de distribución de la normal estándar. se denota con frecuencia Q(x). series asintóticas y fracciones continuas. y es referida. 1 − Φ(x). las cuales son todas ellas transformaciones simples de Φ. No hay una primitiva elemental para la función probit. [editar] Límite inferior y superior estrictos para la función de distribución Para grandes valores de x la función de distribución de la normal estándar próxima a 1 y está muy cerca de 0. como simplemente función Q. especialmente en textos de ingeniería. tales como integración numérica.8 La inversa de la función de distribución de la normal estándar (función cuantil) puede expresarse en términos de la inversa de la función de error: y la inversa de la función de distribución puede.y la propia función de distribución puede. series de Taylor. Los límites elementales es muy en términos de la densidad son útiles.6 7 Esto representa la cola de probabilidad de la distribución gaussiana. sino que se ha probado la inexistencia de tal función. Usando el cambio de variable v = u²/2. Esto no quiere decir meramente que no se conoce. Los valores Φ(x) pueden aproximarse con mucha precisión por distintos métodos. por consiguiente. por consiguiente. a veces. expresarse como: Esta función cuantil se llama a veces la función probit.

usando y la regla del cociente. la función característica se obtiene reemplazando t por it en la función generadora de momentos. donde i es la unidad imaginaria. Resolviendo para proporciona el límite inferior. la función generadora de momentos es: como puede comprobarse completando el cuadrado en el exponente. Para una distribución normal. la función característica es9 . [editar] Función característica La función característica se define como la esperanza de eitX. Para una distribución normal. [editar] Funciones generadoras [editar] Función generadora de momentos La función generadora de momentos se define como la esperanza de e(tX). De este modo.De forma similar.

μ. a2σ2). en el intervalo [μ -3σ. si dos variables aleatorias independientes . μ + 2σ] se encuentra. 4. 3. 5. σ). en el intervalo [μ . Distribución de probabilidad en un entorno de la media: 1. el 68.2σ. Distribución de probabilidad alrededor de la media en una distribución N(μ. μ + 3σ] se encuentra comprendida. 6. Por otra parte. σy2) son variables aleatorias normales independientes. aproximadamente. μ. entonces (aX + b) ~ N(aμ+b. σx + σy ) (demostración). en el intervalo [μ . Recíprocamente.44% de la distribución. el 99. Si X ~ N(μ. La moda y la mediana son ambas iguales a la media. por su parte. Si X ~ N(μx. entonces: 2 2 o Su suma está normalmente distribuida con U = X + Y ~ N(μx + μy.74% de la distribución. 3. 2. el hecho de que prácticamente la totalidad de la distribución se encuentre a tres desviaciones típicas de la media justifica los límites de las tablas empleadas habitualmente en la normal estándar. σ2) y a y b son números reales. Estas propiedades son de gran utilidad para el establecimiento de intervalos de confianza. aproximadamente. Es simétrica respecto de su media.[editar] Propiedades Algunas propiedades de la distribución normal son: 1. aproximadamente.26% de la distribución. Los puntos de inflexión de la curva se dan para x = μ − σ y x = μ + σ. σx2) e Y ~ N(μy.σ. el 95. 2. μ + σ] se encuentra comprendida.

entonces: o Su producto XY sigue una distribución con densidad p dada por donde K0 es una función de Bessel modificada de segundo tipo. La transformación de una distribución X ~ N(μ. . deben ser normales (Teorema de Crámer). Si X ~ N(μ. entonces U y V son independientes entre sí. Si e son variables aleatorias independientes normalmente distribuidas. Su diferencia está normalmente distribuida con .σX / σY). entonces la media y la varianza muestral muestral son independientes. 7. estandarización o tipificación de la variable X. son variables normales estándar independientes. Si 9. entonces es una variable aleatoria normal estándar: Z ~ N(0. Si Su cociente sigue una distribución de Cauchy con X / Y˜Cauchy(0. o 8. Esta propiedad caracteriza a las distribuciones normales y contribuye a explicar por qué el test-F no es robusto respecto a la no-normalidad). De este modo la distribución de Cauchy es un tipo especial de distribución cociente. La divergencia de Kullback-Leibler. es posible relacionar todas las variables aleatorias normales con la distribución normal estándar.1).o o o tienen una suma normalmente distribuida. entonces sigue una distribución χ² con n grados de libertad. [editar] Estandarización de variables aleatorias normales Como consecuencia de la Propiedad 1. 1) se llama normalización. son variables normales estándar independientes.σ2). σ) en una N(0. Si las varianzas de X e Y son iguales.

Una consecuencia importante de esto es que la función de distribución de una distribución normal es.1). entonces X = σZ + μ es una variable aleatoria normal tipificada de media μ y varianza σ2. La distribución normal estándar está tabulada (habitualmente en la forma de el valor de la función de distribución Φ) y las otras distribuciones normales pueden obtenerse como transformaciones simples. como se describe más arriba. De este modo se pueden usar los valores tabulados de la función de distribución normal estándar para encontrar valores de la función de distribución de cualquier otra distribución normal. [editar] Momentos Los primeros momentos de la distribución normal son: Número Momento Momento central Cumulante 0 1 1 1 μ 0 μ 2 μ2 + σ2 σ2 σ2 3 μ3 + 3μσ2 0 0 4 μ4 + 6μ2σ2 + 3σ4 3σ4 0 5 μ5 + 10μ3σ2 + 15μσ4 0 0 . por consiguiente. Z ~ N(0. A la inversa. de la distribución estándar. si Z es una distribución normal estándar.

la suma de un gran número de variables aleatorias se distribuye aproximadamente como una normal. más allá del segundo. . Los momentos centrales de orden superior (2k con μ = 0) vienen dados por la fórmula [editar] El Teorema del Límite Central Artículo principal: Teorema del límite central Gráfica de la función de distribución de una normal con μ = 12 y σ = 3. son cero.6 μ6 + 15μ4σ2 + 45μ2σ4 + 15σ6 15σ6 0 7 μ7 + 21μ5σ2 + 105μ3σ4 + 105μσ6 0 0 8 μ8 + 28μ6σ2 + 210μ4σ4 + 420μ2σ6 + 105σ8 105σ8 0 Todos los cumulantes de la distribución normal. aproximando la función de distribución de una binomial con n = 48 y p = 1/4 El Teorema del límite central establece que bajo ciertas condiciones (como pueden ser independientes e idénticamente distribuidas con varianza finita).

 La exactitud de estas aproximaciones depende del propósito para el que se necesiten y de la tasa de convergencia a la distribución normal. al menos. la suma X1 + . [editar] Divisibilidad infinita Artículo principal: Divisibilidad infinita (probabilidad) Las normales tienen una distribución de probabilidad infinitamente divisible: dada una media μ. Esto se conoce como la "regla 68-95-99. μ. Se da el caso típico de que tales aproximaciones son menos precisas en las colas de la distribución. σ2 = np(1 − p). una varianza σ 2 ≥ 0. La normal aproximada tiene parámetros μ = np. La distribución normal aproximada tiene parámetros μ = σ2 = λ.La importancia práctica del Teorema del límite central es que la función de distribución de la normal puede usarse como aproximación de algunas otras funciones de distribución. [editar] Desviación típica e intervalos de confianza Alrededor del 68% de los valores de una distribución normal están a una distancia σ < 1 (desviación típica) de la media. y un número natural n. 5. úsese la función característica de convolución y la inducción matemática).7% están a tres desviaciones típicas de la media. . . . [editar] Estabilidad Las distribuciones normales son estrictamente estables. alrededor del 95% de los valores están a dos desviaciones típicas de la media y alrededor del 99. + Xn de n variables aleatorias independientes tiene esta específica distribución normal (para verificarlo.7" o la "regla empírica". Una distribución de Poisson con parámetro λ es aproximadamente normal para grandes valores de λ. en este caso se debería aplicar una corrección de continuidad). y p no demasiado cercano a 1 ó 0 (algunos libros recomiendan usar esta aproximación sólo si np y n(1 − p) son ambos. El Teorema de BerryEsséen proporciona un límite superior general del error de aproximación de la función de distribución. Por ejemplo:  Una distribución binomial de parámetros n y p es aproximadamente normal para grandes valores de n.

999999998027 La siguiente tabla proporciona la relación inversa de múltiples σ correspondientes a unos pocos valores usados con frecuencia para el área bajo la campana de Gauss.999936657516 5 0. Con 12 decimales.Para ser más precisos.28155 .997300203937 4 0.999999426697 6 0.80 1. Estos valores son útiles para determinar intervalos de confianza para los niveles especificados basados en una curva normalmente distribuida (o estimadores asintóticamente normales): 0.682689492137 2 0. el área bajo la curva campana entre μ − nσ y μ + nσ en términos de la función de distribución normal viene dada por donde erf es la función error.954499736104 3 0. 2-. hasta 6-σ son: 1 0. los valores para los puntos 1-.

999 3.64485 0.80703 0.9999 3. y estadísticos naturales X y X2.995 2.998 3.90 1.4172 donde el valor a la izquierda de la tabla es la proporción de valores que caerán en el intervalo dado y n es un múltiplo de la desviación típica que determina la anchura de el intervalo. [editar] Forma familia exponencial La distribución normal tiene forma de familia exponencial biparamétrica con dos parámetros naturales.8906 0.29052 0.99999 4.0.09023 0. La forma canónica tiene como parámetros y y estadísticos suficientes y [editar] Distribución normal compleja Considérese la variable aleatoria compleja gaussiana .99 2.98 2.95996 0.95 1. μ y 1/σ2.57583 0.32635 0.

la función de distribución resultante para la variable gaussiana [editar] Distribuciones relacionadas  R˜Rayleigh(σ) es una distribución de Rayleigh si y independientes. .1) para y son independientes. entonces Y tiene una distribución normal doblada.θ = 1) es una distribución de Cauchy si Y = X1 / X2 para X1˜N(0. si entonces truncando X por debajo de A y por encima de B dará lugar a una variable aleatoria de media donde y  es la función de densidad de una variable normal estándar. entonces    Distribución normal truncada.σ2).1) y X2˜N(0. donde  Y˜Cauchy(μ = 0. son dos distribuciones normales donde  es una distribución χ² con ν grados de libertad si Xk˜N(0. Y˜Log-N(μ.σ2) es una distribución log-normal si Y = eX y X˜N(μ.donde X e Y son variables gaussianas reales e independientes con igual varianza función de distribución de la variable conjunta es entonces .σ2). Relación con una distribución estable: si X˜N(μ. Si X es una variable aleatoria normalmente distribuida e Y = | X | . La Como compleja Z es .1) son dos distribuciones normales independientes.

La hipótesis nula es. [editar] Tests de normalidad Artículo principal: Test de normalidad Los tests de normalidad se aplican a conjuntos de datos para determinar su similitud con una distribución normal.[editar] Estadística descriptiva e inferencial [editar] Resultados De la distribución normal se derivan muchos resultados. stanines. curvas normales equivalentes. basándose en las valores observados de esta muestra. La gradación de la curva campana asigna grados relativos basados en una distribución normal de resultados. En términos estadísticos los valores observados de estas n variables aleatorias constituyen una "muestra de tamaño n de una población normalmente distribuida. La función de densidad conjunta de estas n variables aleatorias independientes es . si el conjunto de datos es similar a una distribución normal. Se desea estimar la media poblacional μ y la desviación típica poblacional σ. un número de procedimientos de estadísticos de comportamiento están basados en la asunción de que esos resultados están normalmente distribuidos. por lo que un P-valor suficientemente pequeño indica datos no normales.         Prueba de Kolmogórov-Smirnov Test de Lilliefors Test de Anderson–Darling Test de Ryan–Joiner Test de Shapiro–Wilk Normal probability plot (rankit plot) Test de Jarque–Bera Test omnibús de Spiegelhalter [editar] Estimación de parámetros [editar] Estimación de parámetros de máxima verosimilitud Véase también: Máxima verosimilitud Supóngase que son independientes y cada una está normalmente distribuida con media μ y varianza σ 2 > 0. incluyendo rangos de percentiles ("percentiles" o "cuantiles"). en estos casos. z-scores. Además. el test de Student y el análisis de varianza (ANOVA) (véase más abajo). Por ejemplo. y T-scores.

.. la función de verosimilitud basada en las observaciones X1. Nótese que . entonces se sustituye por μ en la función de verosimilitud y finalmente encontramos el valor de σ que maximiza la expresión resultante. No obstante. Xn es con alguna constante C > 0 (de la cual. En el método de máxima verosimilitud. Pero aquí se explota el hecho de que el valor de μ que maximiza la función de verosimilitud con σ fijo no depende de σ. se permitiría incluso que dependiera de X1.. véase más abajo).. se podrían considerar derivadas parciales.. los valores de μ y σ que maximizan la función de verosimilitud se toman como estimadores de los parámetros poblacionales μ y σ.. . encontramos que ese valor de μ. aunque desapareciera con las derivadas parciales de la función de logverosimilitud respecto a los parámetros tenidos en cuenta..Como función de μ y σ. en general. Habitualmente en la maximización de una función de dos variables. Sea la media muestral basada en las n observaciones. Xn. Es evidente que la función de verosimilitud es una función decreciente de la suma Así que se desea el valor de μ que minimiza esta suma.

.Sólo el último término depende de μ y se minimiza por Esta es la estimación de máxima verosimilitud de μ basada en las n observaciones X1. Xn. lo cual sólo ocurre con probabilidad cero. el logaritmo de la función de verosimilitud... = Xn. o si X1 = . (Si hay solamente una observación. . cero o negativa según σ2 esté entre 0 y o sea igual a esa cantidad.. con una minúscula ℓ. esto es. .. y tenemos entonces Esta derivada es positiva. o mayor que esa cantidad. lo que significa que n = 1. Cuando sustituimos esta estimación por μ en la función de verosimilitud. obtenemos Se conviene en denotar la "log-función de verosimilitud".

[editar] Estimación insesgada de parámetros El estimador de máxima verosimilitud de la media poblacional μ. Un estimador insesgado de la varianza σ2 es la cuasi varianza muestral: que sigue una distribución Gamma cuando las Xi son normales independientes e idénticamente distribuidas: con media y varianza La estimación de máxima verosimilitud de la desviación típica es la raíz cuadrada de la estimación de máxima verosimilitud de la varianza. Cuando disponemos de una muestra y no sabemos nada de la media o la varianza de la población de la que se ha extraído. pero en la práctica esto no ocurre. y su raíz cuadrada es el estimador de máxima verosimilitud de σ basado en las n observaciones.) Consecuentemente esta media de cuadrados de residuos es el estimador de máxima verosimilitud de σ2. [editar] Sorprendente generalización La derivada del estimador de máxima verosimilitud de la matriz de covarianza de una distribución normal multivariante es despreciable. que es n/(n − 1) veces este estimador. entonces el estimador de máxima verosimilitud de la varianza es sesgado. . Véase estimación de la covarianza de matrices. es un estimador insesgado de la media poblacional. refleja el hecho de que en estos casos la función de verosimilitud es ilimitada cuando σ decrece hasta cero. No obstante. como se asumía en la derivada de máxima verosimilitud de arriba. El estimador de máxima verosimilitud de la varianza es insesgado si asumimos que la media de la población es conocida a priori. Este estimador es sesgado. pero tiene un menor error medio al cuadrado que el habitual estimador insesgado.entonces por esta fórmula. ni la raíz cuadrada de la cuasivarianza muestral proporcionan un estimador insesgado para la desviación típica (véase estimación insesgada de la desviación típica para una fórmula particular para la distribución normal. Involucra el teorema espectral y la razón por la que puede ser mejor para ver un escalar como la traza de una matriz 1×1 matrix que como un mero escalar. ni ésta.

Ello está relacionado con la teoría de errores (véase más abajo). Esto es cierto incluso si. o variables aleatorias de Poisson. En medidas fisiológicas de especímenes biológicos: o El logaritmo de las medidas del tamaño de tejidos vivos (longitud. normalmente distribuidas. Hay causas que pueden actuar de forma multiplicativa (más que aditiva). como queda explicado por el teorema central del límite. son multiplicativas.[editar] Incidencia Las distribuciones aproximadamente normales aparecen por doquier. dientes) de especímenes biológicos en la dirección del crecimento. . por ejemplo. En este caso. en el modelo Black-Scholes: o Cambios en el logaritmo de Cambios en el logaritmo de tasas de cambio. el test de KolmogorovSmirnov. cuando la variable externa se mantiene constante. Cuando en un fenómeno se sospecha la presencia de un gran número de pequeñas causas actuando de forma aditiva e independiente es razonable pensar que las observaciones serán "normales". o Otras medidas fisiológicas podrían estar normalmente distribuidas. A continuación se muestran una lista de situaciones que estarían. garras. tales como: o variables aleatorias binomiales. Se asume con frecuencia que los errores de medida están normalmente distribuidos y cualquier desviación de la normalidad se considera una cuestión que debería explicarse. que no es en general normal. rabos. peso). la asunción de normalidad no está justificada y es el logaritmo de la variable en cuestión el que estaría normalmente distribuido. donde el teorema central del límite incluye una aproximación de discreta a continua y donde las distribuciones infinitamente divisibles y descomponibles están involucradas. las distribuciones marginales resultantes son. altura. aunque no hay razón para esperarlo a priori. asociadas con preguntas sí/no. o La longitud de apéndices inertes (pelo. no como el interés simple. Variables financieras. Hay métodos estadísticos para probar empíricamente esta asunción. en efecto. La distribución de las variables directamente observadas en este caso se denomina log-normal. Más abajo puede encontrarse una discusión detallada de cada una de ellas:     En problemas de recuento. Finalmente. la asunción de normalidad no está tampoco justificada. índices de existencias de mercado. La distribución completa será una superposición de variables normales. estas variables se comportan como el interés compuesto. aproximadamente. superficie de piel. índices de precios. por tanto. asociadas con eventos raros. si hay una simple influencia externa que tiene un gran efecto en la variable en consideración. normales.

así como las fluctuaciones térmicas que pueden observarse si la luz se analiza a una resolución suficientemente alta. la aproximación Poisson . La asunción es que cualquier desviación de la normalidad necesita ser explicada. por consiguiente. Una famosa observación atribuida a Gabriel Lippmann dice:[cita requerida] . Puede debatirse si esta asunción es válida. un indicador de la bondad del ajuste es que el error residual (así es como se llaman los errores en esta circunstancia) sea independiente y normalmente distribuido. en realidad estas variables exhiben colas pesadas. Intensidad de la luz: o La intensidad de la luz láser está normalmente distribuida. En ese sentido. si siguen una distribución de Cauchy. como puede verse en crash de las existencias de mercado. o La luz térmica tiene una distribución de Bose-Einstein en escalas de tiempo muy breves y una distribución normal en grandes escalas de tiempo debido al teorema central del límite. si los datos originales no están normalmente distribuidos (por ejemplo. en ambos. La mecánica cuántica interpreta las medidas de la intensidad de la luz como un recuento de fotones. o Otras variables financieras podrían estar normalmente distribuidas. entonces los residuos tampoco estarán normalmente distribuidos. ajuste de modelos y teoría de errores. Este hecho es ignorado habitualmente en la práctica. De forma similar en el ajuste de modelos estadístico. normal. sino que es esperada. Cuando la intensidad de la luz se integra a lo largo de grandes periodos de tiempo mayores que el tiempo de coherencia. Mientras que el modelo Black-Scholes presupone normalidad.  o Es relevante para la biolgía y la economía el hecho de que los sistemas complejos tienden a mostrar la ley de potencias más que normal. Si todas las fuentes principales de errores se han tomado en cuenta. la normalidad es la única observación que no necesita ser explicada. pero no hay razón para esperarlo a priori. Las desviaciones de la normalidad se interpretan como indicaciones de errores sistemáticos que no han sido tomados en cuenta. donde la asunción natural es usar la distribución de Poisson. se asume que el error que queda debe ser el resultado de un gran número de muy pequeños y aditivos efectos y. Las medidas repetidas de la misma cantidad se espera que cedan el paso a resultados que están agrupados entorno a un valor particular.Normal es apropiada. [editar] Medida de errores La normalidad es la asunción central de la teoría matemática de errores. No obstante. [editar] Recuento de fotones La intensidad de la luz de una sola fuente varía con el tiempo.

Esta asunción sólo es posible tras separar a hombres y mujeres en distintas poblaciones. por otro lado. A la inversa. por ejemplo. porque piensan que es un hecho experimental. cada una de las cuales está normalmente distribuida. [editar] Variables financieras . masa corporal u otras) debería estar normalmente distribuida. como la división social de las abejas en obreras. La asunción de que el tamaño lineal de los especímenes biológicos es normal (más que lognormal) nos lleva a una distribución 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 sólo mantienen las transformaciones lineales). Las diferencias de tamaño debido a dimorfismos sexuales u otros polimorfismos de insectos. Por otra parte. se mantienen entre potencias. a priori. hay algunas medidas biológicas donde se asume normalidad. porque suponen que es un teorema matemático Otra fuente podría ser Henri Poincaré. zánganos y reinas. asumir que el peso sigue una distribución normal implica longitudes no normales. de 1932. y los experimentadores. [editar] Características físicas de especímenes biológicos Los tamaños de los animales adultos siguen aproximadamente una distribución log-normal. no hay razón por la que cualquiera de ellas (longitud. por Julian Huxley. Las distribuciones lognormales. tales como la presión sanguínea en humanos adultos. Esto es un problema porque. hace que la distribución de tamaños se desvíe hacia la lognormalidad.Todo el mundo cree en la ley normal de los errores: los matemáticos. así que el "problema" se desvanece si se asume la lognormalidad. La evidencia y explicación basada en modelos de crecimiento fue publicada por primera vez en el libro Problemas de crecimiento relativo.

no puede observarse directamente. sus cambios periódicos (por ejemplo. Ya en 1900 Louis Bachelier propuso representar los precios de cambio usando la distribución normal. Más aún. la suma de muchos de tales cambios sigue una distribución de log-Levy. el teorema central del límite no puede aplicarse. por consiguiente. las puntuaciones "en crudo" se convierten a valores que marcan el cociente intelectual ajustándolas a la distribución normal.El modelo normal de movimiento de activos no incluye movimientos extremos tales como quiebras financieras. . la dificultad y número de preguntas en un test de inteligencia se selecciona de modo que proporcionen resultados normalmente distribuidos. Más aún. A causa de la naturaleza multiplicativa del interés compuesto. la cuestión acerca de si la inteligencia en sí está normalmente distribuida es más complicada porque se trata de una variable latente y. Esta es todavía la hipótesis más comúnmente aceptada en economía. por consiguiente. Sin embargo. sino lognormales. Como tales. Se han sugerido correcciones a este modelo por parte de matemáticos como Benoît Mandelbrot. quien observó que los cambios en el logaritmo durante breves periodos de tiempo (como un día) se aproximan bien por distribuciones que no tienen una varianza finita y. Esta aproximación se ha modificado desde entonces ligeramente. los indicadores financieros como valores de mercado y precios de las materias primas exhiben un "comportamiento multiplicativo". la asunción de normalidad infravalora la probabilidad de eventos extremos como quiebras financieras. en realidad las variables financieras exhiben colas pesadas y así. cambios anuales) no son normales. No obstante. [editar] Distribuciones en tests de inteligencia A veces. En cualquier caso se trata de un resultado causado deliberadamente por la construcción del test o de una interpretación de las puntuaciones que sugiere normalidad para la mayoría de la población.

y tal proceso en un tiempo t también resultará normal con varianza creciendo linealmente con t'. Esta ecuación diferencial parcial describe el tiempo de evolución de una función de densidad bajo difusión. Ambos se discuten más abajo. Hay varios métodos y el más básico de ellos es invertir la función de distribución de la normal estándar. también con la ecuación de calor. Las desviaciones aleatorias resultantes están limitadas al rango (−6. son elegidos 12 para dar a la suma una varianza de uno. esencialemente que toda la masa está inicialmente concentrada en un punto.[editar] Ecuación de difusión La función de densidad de la distribución normal está estrechamente relacionada con la ecuación de difusión (homogénea e isótropa) y. Un algoritmo incluso más rápido es el algoritmo zigurat. La suma de esos 12 valores sigue la distribución de Irwin-Hall. la función de densidad de masa para la distribución normal con esperanza 0 y varianza t satisface la ecuación de difusión: Si la densidad de masa para un tiempo t = 0 viene dada por la delta de Dirac. generar valores que podrían seguir una distribución normal. Esto es bastante útil en muchas aplicaciones. [editar] Uso en estadística computacional [editar] Generación de valores para una variable aleatoria normal Para simulaciones por ordenador es útil. exactamente. por tanto.10 . uno de los cuales es la transformacion de Box-Muller.1) y réstense 6 (la mitad de 12). entonces la densidad de masa en un tiempo t vendrá dada por la convolución de φ y una función de densidad normal. Una aproximación simple a estos métodos es programarlos como sigue: simplemente súmense 12 desviaciones uniformes (0. con varianza creciendo linealmente con t. si la densidad de masa inicial viene dada por una función φ(x). Esta conexión no es coincidencia: la difusión se debe a un movimiento Browniano que queda descrito matemáticamente por un proceso de Wiener. lo cual significa. Se conocen otros métodos más eficientes. Más generalmente. En particular. 6) y tienen una densidad que es una doceava sección de una aproximación polinomial de undécimo orden a la distribución normal . en ocasiones. entonces la función de densidad de masa en el tiempo t tendrá la forma de la función de densidad de la normal.

(por ejemplo. Así. Sólo un 3% de los casos donde la combinación de estos dos cae fuera del "corazón del zigurat". Un método mucho más rápido que la transformación de Box-Muller.356563782.821255978.781477937.2316419. la salida de un generador de números aleatorios). 1]. entonces X e Y son dos variables aleatorias estándar normalmente distribuidas. Abramowitz y Stegun (1964) dan la conocida como "mejor aproximación de Hastings" para Φ(x) con x > 0 con un error absoluto |ε(x)| < 7. más arriba) es una variable aleatoria exponencial fácilmente generada (la cual corresponde a la cantidad lnU en estas ecuaciones).2. En esta visión se pueden combinar una serie de transformaciones de Hadamard con permutaciones aleatorias para devolver conjuntos de datos aleatorios normalmente distribuidos. exponenciales y números aleatorios más uniformes deberían ser empleados. en virtud de que la transformación emplea sólo adición y sustracción y por el teorema central del límite los números aleatorios de casi cualquier distribución serán transformados en la distribución normal. Hay también alguna investigación sobre la conexión entre la rápida transformación de Hadamard y la distribución normal. donde: Esta formulación aparece porque la distribución χ² con dos grados de libertad (véase la propiedad 4. b5 = 1. si tienes dos números aleatorios U y V uniformemente distribuidos en (0. desarrollado por George Marsaglia. b1 = 0. ha sido implementada de varias formas. un ángulo elegido uniformemente alrededor de un círculo vía la variable aleatoria V y un radio elegido para ser exponencial se transforman entonces en coordenadas x e y normalmente distribuidas. En alrededor del 97% de los casos usa sólo dos números aleatorios.319381530.5·10−8 (algoritmo 26. b4 = −1. y las constantes son b0 = 0. [editar] Aproximaciones numéricas de la distribución normal y su función de distribución La función de distribución normal se usa extensamente en computación científica y estadística. un entero aleatorio y un uniforme aleatorio. una multiplicación y un test-si . b3 = 1. b2 = −0. Por consiguiente. . pero que sigue siendo exacto es el llamado algoritmo Zigurat.330274429.El método de Box-Muller dice que. un tipo de rechazo muestral usando logaritmos.17): donde ϕ(x) es la función de densidad de la distribución normal estándar.

de The Art of Computer Programming (El arte de la programación por ordenador). Desenfoque gaussiano y convolución usando la distribución normal como núcleo. [editar] Véase también                            Carl Friedrich Gauss.La Biblioteca Científica GNU calcula valores de la función de distribución normal estándar usando aproximaciones por funciones racionales a trozos. Para una discusión más detallada sobre cómo calcular la distribución normal.11 El artículo sobre el lenguaje de programación bc proporciona un ejemplo de cómo computar la función de distribución en GNU bc. Distribución χ². Distribución gaussiana inversa Distribución logística Distribución log-normal Distribución Normal-gamma Distribución normal matriz Distribución normal multivariante Distribución normal torcida Distribución normal truncada Distribución t de Student Distribuciones Tweedie Función gaussiana (campana de Gauss). esto no ocurriría en presencia de una distribución conjunta).1C. Función logit.4. Distribución de Pearson Familia general de distribuciones de probabilidad que extienden la distribución gaussiana para incluir diferentes valores de asimetrías y curtosis. véase la sección 3. de Knuth. Función probit Gradación de la curva campana Iannis Xenakis. Suma de variables aleatorias normalmente distribuidas Tabla distribución normal tipificada . distribución gaussiana en música. Método no paramétrico que aproxima a una normal. Problema de Behrens–Fisher Proceso de Gauss o Puente Browniano o Proceso de Ornstein-Uhlenbeck o Proceso de Wiener Prueba de Mann-Whitney. Integral del Gausss Normalmente distribuidas e incorreladas no implica independencia (un ejemplo de dos variables aleatorias normalmente distribuidas e incorreladas que no son independientes. Otro método de aproximación usa polinomios de tercer grado en intervalos. Cociente intelectual.

Wolfram Research. reimpresión: Nueva York. Nueva York: McGraw-Hill.48) 11. ↑ Abraham de Moivre.es/books?id=IG3_b5Xm8PMC.com/NormalDistribution. Eric W. ↑ http://www. Consultado el 05-12-2008. http://mathworld. S. 1738. ↑ Havil. Archibald (1926) “A rare pamphlet of Moivre and some of his discoveries. Walker. consultado el 18 de marzo. quien la descubrió -igual que Laplace. Kotz S. «Normal Distribution» (en inglés). (4) Florence N. vol.wolfram.) [Londres: A Millar. "Approximatio ad Summam Terminorum Binomii (a + b)n in Seriem expansi" (impreso el 12 de noviembre de 1733 en Londres para una edición privada). MathWorld.eng. 2. Técnicas simples de transformación de datos en una distribución normal. 10. Equation(26. ↑ Wussing. 6. http://mathworld. Woodfall. ↑ Andy Salter. ↑ Weisstein. sobre la ocurrencia de la distribución normal en teoría de números.tau.. MathWorld.google. pp. «B-Spline curves». Games. «"La distribución normal y sus aplicaciones a la teoría de errores se asocia a menudo con el nombre de Gauss. «Characteristic function of the univariate normal distribution». 1967].A.. 3.html. 1756. Balakrishnan N.ac. ↑ Johnson NL. Transformación de datos (Estadística). Nueva York: Dover. The Doctrine of Chances (2ª ed. Consultado el 06-03-2009. ↑ Weisstein. Sanders. [editar] Enlaces externos . (1995) Continuous Univariate Distributions Volume 2. David.) [Londres: H. http://books.il/~jo/academic/Q. 1967]. Eric W.” Isis. ISBN 84-323-09664. Gods and Gambling: A History of Probability and Statistical Ideas [Londres: Griffin. Wolfram Research. 1959]. Wiley.com/NormalDistributionFunction. Hans.    Tamaño de la muestra Teorema Central del Límite. 190. 8. 1929. A Source Book in Mathematics [Nueva York. Teorema de Erdős-Kac. 2003 4.A. páginas 235-243. ↑ Es una consecuencia del Teorema Central del Límite 2.wolfram. Lecciones de Historia de las Matemáticas (1ª (castellano) edición).html. 1962]. vol. Siglo XXI de España Editores. “De Moivre on the law of normal probability” en David Eugene Smith. páginas 243-254. Nueva York: Chelsea. «Lección 10».independientemente.pdf 8. páginas 566-575. 9. páginas 671683. (3) Abraham De Moivre. reimpresión: Nueva York. reimpresión: Londres: Cass. no obstante ya había sido estudiada por de Moivre» 5. «Normal Distribution Function» (en inglés). (3ª ed. (2) Helen M. Este panfleto se reimprimió en: (1) Richard C. ↑ M. ↑ La función Q 7. Apéndice 5. [editar] Referencias 1.. páginas 254-267..

a una serie de datos:         Easy fit. "data analysis & simulation" MathWorks Benelux ModelRisk. automatically fit distributions and parameters to samples StatSoft distribution fitting CumFreq [1] . raíznormal. Tabla de la distribución normal Tabla de la distribución normal en formato PDF Se puede usar software y un programa de computadora para el ajuste de una distribución de probabilidad. cuadrado-normal.wikipedia.   Áreas bajo la curva normal Tabla conteniendo los valores de la función normal Calculadora de probabilidades en una distribución Normal. e intervalos de confianza a base de la distribución binomial Calculadora Distribución normal Obtenido de «http://es. "risk modelling software" Ricci distributions. 2005 Risksolver.org/wiki/Distribuci%C3%B3n_normal» Categoría: Distribuciones continuas Categoría oculta: Wikipedia:Artículos con pasajes que requieren referencias Herramientas personales  Iniciar sesión / crear cuenta Espacios de nombres   Artículo Discusión Variantes Vistas    Leer Editar Ver historial Acciones Buscar . incluye la distribución normal. Permite hacer cálculos directos e inversos. la lognormal. fitting distrubutions with R . incluyendo la normal. Vito Ricci. libre sin costo.

Navegación          Portada Portal de la comunidad Actualidad Cambios recientes Páginas nuevas Página aleatoria Ayuda Donaciones Notificar un error Imprimir/exportar    Crear un libro Descargar como PDF Versión para imprimir Herramientas       Lo que enlaza aquí Cambios en enlazadas Subir archivo Páginas especiales Enlace permanente Citar este artículo En otros idiomas        ‫ال عرب ية‬ Azərbaycanca Български Català Česky Cymraeg Dansk .

                                            Deutsch Ελληνικά English Esperanto Euskara ‫ف ار سی‬ Suomi Français Galego ‫עברית‬ Hrvatski Magyar Bahasa Indonesia Íslenska Italiano 日本語 ქართული Қазақша 한국어 Latina Lietuvių Nederlands Norsk (bokm l) Polski Piemontèis Português Русский Srpskohrvatski / Српскохрватски Simple English Slovenčina Slovenščina Српски / Srpski Basa Sunda Svenska ไทย Türkçe Українська ‫اردو‬ Tiếng Việt ‫יי י‬ 中文 Bân-lâm-gú .

0. Lee los términos de uso para más información. El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3. Política de privacidad Acerca de Wikipedia Limitación de responsabilidad Versión para móviles       . podrían ser aplicables cláusulas adicionales. a las 13:28.  Esta página fue modificada por última vez el 18 ago 2011.

Sign up to vote on this title
UsefulNot useful