DISTRIBUCIN DE GAUSS

En estadstica y probabilidad se llama distribucin normal, distribucin de

Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable
continua que con ms frecuencia aparece aproximada en fenmenos reales.
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.
La importancia de esta distribucin radica en que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme
cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal
puede justificarse asumiendo que cada observacin se obtiene como la suma de unas
pocas causas independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de
ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo
correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo
de la normal son:

Caracteres morfolgicos de individuos como la estatura;

Caracteres fisiolgicos como el efecto de un frmaco;
Caracteres sociolgicos como el consumo de cierto producto por un mismo
grupo de individuos;
Caracteres psicolgicos como el cociente intelectual;
Nivel de ruido en telecomunicaciones;
errores cometidos al medir ciertas magnitudes;
Etc.

La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por

ejemplo, la distribucin muestral de las medias muestrales es aproximadamente
normal, cuando la distribucin de la poblacin de la cual se extrae la muestra no es
normal.1 Adems, la distribucin normal maximiza la entropa entre todas las
distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin
natural de la distribucin subyacente a una lista de datos resumidos en trminos de
media muestral y varianza. La distribucin normal es la ms extendida en estadstica y
muchos tests estadsticos estn basados en una "normalidad" ms o menos justificada
de la variable aleatoria bajo estudio.
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones
de probabilidad continuas y discretas.
La curva de distribucin normal o Campana de Gauss
La distribucin normal es una distribucin 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 variacin sigue una ley de distribucin normal. Esta condicin
que aparece con frecuencia en fenmenos naturales (de ah que se la denomine normal),
puede obtenerse en los procesos industriales si los procesos se llevan a un estado en el que
solo existen causas comunes de variacin. La representacin grfica es la curva de distribucin
normal tambin denominada campana de Gauss.

Una distribucin normal se caracteriza por:

1. Los valores de las mediciones tienden a agruparse alrededor de un punto central, la
media
2. La representacin de los datos es simtrica a ambos lados de la media
3. Las desviaciones estndares quedan situadas a igual distancia unas de otras
4. La proporcin de mediciones situada entre la media y las desviaciones es una
constante en la que:
La media 1 * desviacin estndar = cubre el 68,3% de los casos
La media 2 * desviacin estndar = cubre el 95,5% de los casos
La media 3 * desviacin estndar = cubre el 99,7% de los casos
Podemos analizar el comportamiento de los procesos grficos y determinar su
efectividad tomando como base su grado de aproximacin a la curva de distribucin
normal a partir de los datos generados y la creacin de histogramas que permitan la
comparacin con curva de distribucin normal.

Posibilidades:
La curva de distribucin normal del proceso coincide o est dentro de los lmites establecidos
por la industria (bien en las normas de calidad desarrolladas o bien en las
recomendaciones establecidas por las asociaciones).
En este caso el proceso opera con eficacia y se pueden realizar trabajos de alta
exigencia con respecto a la variable controlada.

La curva de distribucin supera los lmites establecidos por la industria.

En este caso puede que estn operando causas asignables de variacin o que existen
limitaciones debidas a los recursos y equipos empleados por lo que no es posible
realizar trabajos exigentes con respecto a la variable controlada hasta que no se
hayan eliminado las causas especiales de variacin o no se dispongan de los recursos
y equipos adecuados.
El histograma generado no muestra las caractersticas bsicas de una distribucin normal. En
este caso estn claramente actuando causas asignables de variacin que habr que
resolver si queremos conseguir un alto grado de fiabilidad del proceso y realizar
trabajos de alta exigencia.
SESGO CONDICIONAL

En general estos mtodos presentan un fenmeno conocido como sesgo condicional, es decir,
una sobre-estimacin de las leyes altas y una sub-estimacin de las leyes bajas.

El insesgo condicional es una propiedad deseada en un modelo de estimacin de recursos. Esta

propiedad indica que los recursos (leyes, tonelaje y metal) recuperados sobre cierta ley de corte,
son iguales a los recursos estimados. Los estimadores geoestadsticos como el kriging
generalmente producen estimaciones condicionalmente insesgados, dependiendo del tamao y
diseo de la vecindad de bsqueda. Poco se conoce sobre el sesgo condicional en un contexto
multivariable, cuando el inters recae en la estimacin conjunta de varias especies minerales.
Para abordar este problema se analiza un caso de estudio correspondiente a un yacimiento
ubicado en el norte de Chile. Los datos consisten en muestras de testigos de sondajes, con
informacin sobre las leyes de cobre y arsnico. Estas leyes se encuentran altamente
correlacionadas debido a que la mineralizacin ocurre principalmente en forma de enargita y
tenantita. Adems, a diferencia del cobre, falta la informacin de arsnico en algunos puntos de
muestreo, lo que hace que el enfoque multivariable (cokriging) particularmente adecuado para
esta estimacin de recursos. La metodologa considera los siguientes pasos. Primero las leyes de
cobre y de arsnico son simuladas de manera conjunta, para crear modelos de referencias con
los cuales se harn las comparaciones. Luego, usando las muestras de sondajes, las leyes sern
estimadas separadamente mediante kriging y en conjunto mediante cokriging, usando una
vecindad mvil que considera distintos nmeros de datos en cada estimacin. Tambin son
consideradas estimaciones mediante media de simulaciones y de cosimulaciones. Finalmente, el
sesgo condicional es cuantificado aplicando leyes de corte de cobre o de arsnico (o de ambas
especies) para mostrar la dependencia entre las variables estimadas. Para cuantificar el sesgo
condicional se utilizan dos curvas, la primera muestra la ley media (estimada y real) en funcin
de la ley de corte y la segunda muestra el tonelaje (estimado y real) en funcin de la ley de corte.
Los resultados indican que el sesgo condicional es considerable cuando la vecindad tiene pocos
datos, independiente del tipo de estimacin (kriging o cokriging). Tambin se observa una
disminucin del sesgo condicional cuando se utiliza cokriging en vez de kriging. Las
estimaciones realizadas mediante simulacin y cosimulacin muestran un bajo sesgo
condicional.