ESTADO DEL ARTE

Distribuciones de Probabilidad Continua

Distribucin Normal

Universidad Politcnica Salesiana
Cuenca-Ecuador

Abstract -- En el siguiente documento se realizara el anlisis sobre la
distribucin continua de probabilidad, especficamente sobre la distribucin
normal, caractersticas, anlisis sobre el rea bajo la curva, etc. Se ver los
conceptos principales sobre la distribucin, como lo es; La distribucin
normal general, la distribucin normal reducida y unos breves conceptos
sobre la funcin de densidad as como su media y varianza de la distribucin
normal

Todos los conceptos que se revisara en este documento trataran de ser lo ms
especifico y concreto sobre el tema de la distribucin normal, no se buscara
profundizar mucho estos temas, lo suficiente para poder resolver y razonar
los problemas y ejercicios planteados sobre este tema.

Tambin se realizara el anlisis de la distribucin normal por medio del
software matlab, el cual nos servir para la comprobacin de ejercicios y el
anlisis de los mismos, se analizara a ms de estos, las graficas resultantes de
la distribucin normal (rea bajo la curva).


I. INTRODUCCIN.
Variables aleatorias continuas.
Por medio del estudio de las variables aleatorias continuas las
cuales nos permiten establecer correspondencia de los resultados
obtenidos en experimentos cuyos valores deben medirse en una
escala continua y los nmeros reales. Estos resultados pueden
provenir de la medicin de la duracin de alguna actividad.
Debido a que los experimentos se realizan de una manera
continua debemos utilizar este tipo de distribucin como lo es la
normal. [10]

La distribucin normal fue reconocida por primera vez por el
francs Abraham de Moivre (1667-1754). Posteriormente, Carl
Friedrich Gauss (1777-1855) elabor desarrollos ms profundos
y formul la ecuacin de la curva; de ah que tambin se la
conozca, ms comnmente, como la "campana de Gauss". La
distribucin de una variable normal est completamente
determinada por dos parmetros, su media y su desviacin
estndar, denotadas generalmente por y . [1] [2] [3]

Una de las distribuciones tericas mejor estudiadas en los textos
de estadstica y ms utilizada en la prctica es la distribucin
normal, tambin llamada distribucin gaussiana. Su
importancia se debe fundamentalmente a la frecuencia con la que
distintas variables asociadas a fenmenos naturales y cotidianos
siguen, aproximadamente, esta distribucin.

Caracteres morfolgicos (como la talla o el peso), o psicolgicos
(como el cociente intelectual) son ejemplos de variables de las
que frecuentemente se asume que siguen una distribucin
normal. No obstante, y aunque algunos
autores han sealado que el comportamiento de muchos
parmetros en el campo de la salud puede ser descrito mediante
una distribucin normal, puede resultar incluso poco frecuente
encontrar variables que se ajusten a este tipo de
comportamiento. [2] [3] [4] [5]

El uso extendido de la distribucin normal en las aplicaciones
estadsticas puede explicarse, adems, por otras razones.
Muchos de los procedimientos estadsticos habitualmente
utilizados asumen la normalidad de los datos observados.
Aunque muchas de estas tcnicas no son demasiado sensibles a
desviaciones de la normal y, en general, esta hiptesis puede
obviarse cuando se dispone de un nmero suficiente de datos,
resulta recomendable contrastar siempre si se puede asumir o
no una distribucin normal. La simple exploracin visual de
los datos puede sugerir la forma de su distribucin. No
obstante, existen otras medidas, grficos de normalidad y
contrastes de hiptesis que pueden ayudarnos a decidir, de un
modo ms riguroso, si la muestra de la que se dispone procede
o no de una distribucin normal. Cuando los datos no sean
normales, podremos o bien transformarlos o emplear otros
mtodos estadsticos que no exijan este tipo de restricciones
(los llamados mtodos no paramtricos). [2] [3] [4] [5]

La grfica de su funcin de densidad tiene una forma
acampanada y es simtrica respecto de un
determinado parmetro estadstico. Esta curva se conoce
como campana de Gauss y es el grfico de una funcin
gaussiana. [10]

II. DESARROLLO.
La distribucin normal.
La Normal es la distribucin de probabilidad ms importante.
Multitud de variables aleatorias continuas siguen una
distribucin normal o aproximadamente normal. Una de sus
caractersticas ms importantes es que casi cualquier
distribucin de probabilidad, tanto discreta como continua, se
puede aproximar por una normal bajo ciertas condiciones. [6]

Al igual que ocurra con un histograma, en el que el rea de
cada rectngulo es proporcional al nmero de datos en el rango
de valores correspondiente si, tal y como se muestra en
la figura 1, en el eje horizontal se levantan perpendiculares en
dos puntos a y b, el rea bajo la curva delimitada por esas
lneas indica la probabilidad de que la variable de inters, X,
tome un valor cualquiera en ese intervalo.
Puesto que la curva alcanza su mayor altura en torno a la media,
mientras que sus "ramas" se extienden asintticamente hacia los
ejes, cuando una variable siga una distribucin normal, ser
mucho ms probable observar un dato cercano al valor medio
que uno que se encuentre muy alejado de ste. [1] [2] [10]


Fig. 2 Grafica de una distribucin normal y significado del rea
bajo la curva.

Una variable aleatoria continua x que tiene la distribucin con
forma de campana de la figura 2 se denomina variable aleatoria
normal. La ecuacin matemtica para la distribucin de
probabilidad de la variable normal depende de los dos
parmetros y , su media y su desviacin estndar
respectivamente. De aqu, denotamos los valores de densidad de
x con n(x; , ). [7]

La densidad de la variable aleatoria normal x, con media y su
varianza
2
, es:


Donde =3.14159.. y e=2.71828.

Como graficar la distribucion normal.
Para poder realizar la grafica de la distribucion normal nos
tenemos que bazar en dos parametros importantes de la
distribucion como lo son; y , su media y su desviacin
estndar respectivamente. Con estos dos factores se puede
realizar la grafica de la distribucion normal como podemos
observar en la figura 3. La distribucin normal es una curva con
forma de campana, con eje de simetra en el punto
correspondiente al promedio del universo . La distancia entre el
eje de simetra de la campana y el punto de inflexin de la curva
es igual a , la desviacin standard de la poblacin. [8] [9]

El rea total debajo de la curva es igual a 1. El rea debajo de la
curva comprendida entre - y + es aproximadamente igual
a 0,68 del rea total; entre - 2 y + 2 es aproximadamente
igual a 0,95 del rea total. [8] [9]

Es importante ver que los nicos parmetros necesarios para
dibujar el grfico de la distribucin normal son y (Media y
desviacin standard de la poblacin). Con estos dos parmetros
sabemos donde situar la campana de Gauss (En el punto
correspondiente a la media) y cual es su ancho (Determinado por
la desviacin standard). [8] [9]

Cuando nos encontramos con una poblacin de observaciones,
si podemos afirmar que la distribucin correspondiente es
normal, slo hace falta estimar la media y la desviacin
standard para tener toda la informacin necesaria acerca de
dicha poblacin. [8] [9]


Fig. 3 Parmetros para graficar la distribucin normal.

Una vez especificado y , la curva normal queda determinada
por completo.
Por ejemplo. Si =50 y =5, entonces se puede calcular las
ordenadas n(x; 50, 5) para diferentes valores de x y dibujar la
curva. En la figura 4 podemos observar curvas normales que
tienen la misma desviacin estndar pero diferentes medias.
Las dos curvas son idnticas en forma, pero estn centradas en
diferentes posiciones a lo largo del eje horizontal. [8] [9]

En la figura 5 podemos observar dos curvas normales con la
misma media pero con diferentes desviaciones estndar. Esta
vez observamos que las dos curvas estn centradas
exactamente en la misma posicin sobre el eje horizontal; pero
la curva con la mayor desviacin estndar es ms baja y se
extiende ms lejos. Recuerde que el rea bajo una curva de
probabilidad debe ser igual a 1 y por lo tanto cuando mas
variable sea el conjunto de observaciones ms bajo y ms
ancho ser la curva correspondiente. [8] [9]

La figura 6 muestra el resultado de trazar dos curvas normales
que tienen diferentes medias y diferentes desviaciones
estndar. Evidentemente, estn centradas en posiciones
diferentes sobre el eje horizontal y sus formas relejan los dos
valores diferentes de . [8] [9]


Fig. 4 Curvas normales con
1
<
2
y
1
=
2



Fig. 5 Curvas normales con
1
=
2
y
1
<
2



Fig. 6 Curvas normales con
1
<
2
y
1
<
2



Observando las figuras 2 y la figura 6 y al examinar la primera y
la segunda derivaba de n(x; , ), listamos las siguientes
propiedades de la curva normal: [8] [9]

1. La moda, que es el punto sobre el eje horizontal donde la
curva es un mximo, ocurre en x = .
2. La curva es simtrica alrededor de un eje vertical a travs
de la media .
3. La curva tiene sus puntos de inflexin en x = , es
cncava hacia abajo si < X < + y es cncava
hacia arriba en cualquier otro caso.
4. La curva normal se aproxima al eje horizontal de manera
asinttica, conforme nos alejamos de la media en cualquier
direccin.
5. El rea total bajo la curva y sobre el eje horizontal es igual
a 1.


Fig. Propiedades de la distribucin normal.

rea bajo la curva normal.

La curva de cualquier distribucin continua de probabilidad o
funcin de densidad se construye de manera que el rea bajo la
curva limitada por las dos ordenadas x=x
1
y x=x
2
sea igual a la
probabilidad de que la variable aleatoria x tome un valor entre
x=x
1
y x=x
2
.

As, para la curva normal de la figura 7, est
representada por el rea de la regin sombreada.


Fig. 7 P(x
1
< x <

x
2
) = rea de la regin sombreada.

El rea bajo la curva entre cualesquiera dos ordenadas tambin
debe depender de los valores y . Esto es evidente el la figura
8, donde se observa areas sombreadas que correponden a P(x
1
< x <

x
2
) para dos curvas con diferentes valores de y . La
P(x
1
< x <

x
2
) donde x es la variable aleatoria que describe la
distribucin A, se indica por el rea sombreada ms oscura. Si
x es la variable aleatoria que describe la distribucin B,
entonces P(x
1
< x <

x
2
) est dada por toda la regin sombreada.
Evidentemente las dos regiones sombreadas tienen tamaos
diferentes, por lo tanto, la probabilidad que se asocie con cada
distribucin ser diferente para los dos valores dados de x. [8]
[12]


Fig. 8 P(x
1
< x <

x
2
) para diferentes curvas normales.

Una parte imprtate sobre el tema de lo que es el rea bajo la
curva normal, se encuentra en la dificultad al intentar resolver
las integrales de funcin de densidad normal, necesita de la
tabulacin de las areas de la curva normal para una referencia
rpida. Sin embargo seria una tarea tediosa intentar establecer
tablas separadas para cada valor concebible de y . [8] [12]

En pocas palabras la funcion de distribucion de la normal
general, la integral no se puede resolver analiticamente, por lo
tanto esto complica notablemente el calculo de probabilidades,
por ello se pasa de la distribucion normal general a la normal
tipificada o standard. [8] [12]

Distribucion normal Tipificada o Standard.
La funcion de distribucion de una variable normal general X en
un punto x se puede calcular a partir de la normal tipificada del
siguiente modo: [8] [12]


Podemos escribir la frmula de la distribucin normal de la siguiente
manera:


Esta es la frmula de la Distribucin Normal Standard o
Tipificada. Como podemos observar, en ella hay un slo
parmetro, Z, que incluye al promedio y la desviacin standard
de la poblacin. Esta funcin est tabulada. [8] [9]

Al calcular Z, lo que estamos haciendo, en realidad, es un
cambio de variable por el cual movemos la campana de Gauss
centrndola en el 0 del eje X, y modificamos el ancho para que la
desviacin standard sea 1. [8] [9]

De esta manera tenemos tabulada una funcin de Gauss que no
depende de cual sea el promedio y la desviacin standard de
nuestra poblacin real. El cambio de variable hace que se
conserve la forma de la funcin y que sirva para cualquier
poblacin, siempre y cuando esa poblacin tenga una
distribucin normal. [8] [9]
Cuando queremos calcular las probabilidades para una poblacin
real, calculamos Z y entramos en la tabla de la funcin normal
estandard. [8] [9]


Fig. 9 Equivalente de la normal general a la tipificada.

Por lo tanto tipificando la normal general, obtendremos los
valores deseados, logrando asi realizar calculos de probabilidad
de la normal mas sencillos, porque la funcion de distribucion de
la normal tipificada, los valores se encuentran tabulados,
reduciendo asi y facilitando el calculo de probabilidad. [8] [9]
[10]

La distribucion de una variable aleatoria normal con media 0 y
varianza 1 se llama distribucion normal estandar. [8]


Donde Z se ve como una variable aleatoria normal con media 0
y varianza 1.

Las distribuciones normal y transformada se ilustra en la figura
9. Como todos los valores de x caen entre x
1
y

x
2
tiene valores
z correspondientes entre z
1
y

z
2
, el rea bajo la curva

x entre
las ordenadas x=x
1
y x=x
2
de la figura 9 es igual al rea bajo la
curva z entre las ordenadas transformadas z=z
1
y z=z
2.


Ahora hemos reducido el nmero requerido de tablas de areas
de curva normal a una, la de la distribucin estndar. La tabla
del anexo A.1 indica el rea bajo la curva normal estndar que
corresponde a P (Z<z) para valores de z que van desde -3.49 a
3.49. Para ilustrar el uso de esta tabla se ver el siguiente
ejemplo:

Ejemplo 1.
Dada una distribucin normal estndar, encuentre el rea bajo
la curva que yace:
a) A la derecha de z=1.84.
b) Entre z1=-1.97 y z2=0.87.

Primeramente localizamos el valor de z=1.8 en la columna
izquierda de la tabla A.1 despus nos movemos a lo largo del
regln a la columna bajo 0.04 donde leemos 0.9671 y tenemos
nuestro valor. De la misma manera lo realizamos para el inciso
b).
( ) ( )
( ) ( ) ( )



Grfica del Ejemplo 1.

Ejemplo de estandarizacin.
Supongamos que los datos de una muestra van de 80 a 90 (en
el plano cartesiano se traza la recta en una escala de 10 en 10).

En la muestra, la media aritmtica es 60 y la desviacin
estndar es 10.
Estandarizar cada uno de los datos de la recta del plano
cartesiano; es decir, cul es el valor de Z de cada dato desde 80
hasta 90.





Ejercicio en Matlab.
Para la realizacin del programa por medio del software matlab
tuvimos que revisar la teora vista previamente en el paper.
A ms de la teora se investigo algunos comandos necesarios
para realizar el programa, con estos comandos se logrando
reducir de una manera considerable el cdigo del programa ya
que se evito realizar la integral (por medio de cdigo) vista en las
formulas anteriores de la distribucin normal.

Cambiando algunas lneas de cdigo podemos obtener las
graficas de la curva de la normal, tanto su grafica general como
su grafica tipificada.

Se pudo comprobar los ejercicios realizados en el libro de
Probabilidad y Estadstica de Walpole y se compar con las
respuestas del programa y se puede concluir que el programa
trabaja de una manera satisfactoria.


Fig. 11 Guide del programa.

Para la realizacin del cdigo se ocupa los siguientes
comandos:
- normspec()
Genera un grafico de densidad para una distribucin normal.
Sintaxis p = normspec (limites, mu, sigma). Devuelve el
grafico junto con la probabilidad p, correspondiente al rea de
inters, es decir, la ubicada dentro de los lmites definidos en el
vector que lleva el mismo nombre. [13]

Dentro del vector lmites al menos uno de los valores debe ser
real, no se acepta que el intervalo vaya desde infinito a infinito.
Error: limites = [-Inf Inf] Mu y sigma, corresponden a los
parmetros propios de cada muestra. [13]
Ejemplo:
Tenemos una distribucin normal estndar, y deseamos saber
cunta probabilidad existe:
a) Antes de 0.5
a = normspec([-Inf 0.5],0,1)
a = 0.6915

b) Entre - 0.3 y 0.5
c = normspec([-0.3 0.5],0,1)
c = 0.3094

- normcdf()
p = normcdf (x,mu,sigma)
Calcula el valor de la integral para la distribucin normal con
los respectivos parmetros, donde x,mu,sigma pueden ser un
vector o una matriz, sigma debe ser positivo. [13]


La funcin normcdf puede ser usada de la misma manera que
una tabla de distribucin normal estndar en la cual
especificamos la media y la varianza. [13]

Comprobaremos el Ejemplo 1 con el programa realizado.
Ingresamos el dato en el cuadro indicado y procedemos a
pulsar el botn de la funcin requerida. Y como podemos
observar y comparar las respuestas, podemos cerciorarnos que
el ejercicio est bien resuelto, de igual manera lo podemos
hacer la comparacin de los graficas.
a)




b)







REFERENCIAS.
[1]http://www.fisterra.com/mbe/investiga/distr_normal/distr_n
ormal.asp
[2] Altman DA. Practical statistics for medical research. 1th
ed., repr. 1997. London: Chapman & Hall; 1997.
[3] Daniel WW. Bioestadstica. Base para el anlisis de las
ciencias de la salud. Mexico: Limusa; 1995.
[4] Elston RC, Johnson WD. Essentials of Biostatistics.
Philadelphia: F.A. Davis Company; 1987.
[5] Altman DG, Bland JM. Statistics notes: The normal
distribution. BMJ 1995; 310: 298-298.
[6] http://www.uoc.edu/in3/emath/docs/Distrib_Normal.pdf
[7] Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers,
Keying Ye Probabilidad y Estadistica para ingeniera y
ciencia, Libro, capitulo 6, pg. 173.
[8] Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers,
Keying Ye Probabilidad y Estadistica para ingeniera y
ciencia, Libro, capitulo 6, pg. 172-181.
[9]http://www.matematicasypoesia.com.es/Estadist/ManualCP
E04.htm
[10] http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
[11] http://www.vitutor.net/1/55.html
[12] http://polimedia.upv.es/visor/?id=4b9a5c82-5827-6d45-
88a8-582136ff21e2
[13]http://www.fce.unal.edu.co/wiki/images/e/e6/EntregaFinal
Matlab.pdf











ANEXO.

Tabla A.1 Tabla de la Distribucin Normal Estndar N(0 ,1)