Sustento Teórico: Son pocas las investigaciones previas específicamente
centradas sobre la comprensión de la distribución normal y las que he encontrado estudian sólo puntos aislados en su comprensión. Estos autores consideran que, para predecir la distribución final es preciso captar la simetría de las trayectorias posibles de los granos al caer por el orificio, la equivalencia entre las partes simétricas, la dispersión y el papel de la repetición del experimento en la regularidad final, que produce una distribución en forma de campana.
Hawkins, Jolliffe y Glickman describen errores en la aproximación de una
distribución binomial mediante la distribución normal, que se deben a la no diferenciación entre lo discreto y lo continuo, lo que lleva a aplicar la corrección por continuidad de una forma mecánica, sin entender su significado. En su experimento, los estudiantes podían cambiar la forma de la distribución teórica de la población y simular la distribución muestral de diferentes estadísticos para varios tamaños de muestra. Los autores sugieren que las nuevas actividades y la nueva información sobre el software pueden interferir con el aprendizaje de los estudiantes sobre las distribuciones muestrales, cuya comprensión requiere la integración de las ideas de distribución, promedio, dispersión, muestra y aleatoriedad. Aunque, en general, los sujetos de su investigación sabían resolver problemas relacionados con la distribución normal, no eran capaces de justificar el uso de la distribución normal en lugar de la de otro concepto o distribución, mostrando una acusada ansiedad epistemológica.
En todos estos trabajos se ponen de manifiesto dificultades en puntos aislados
sobre la comprensión de propiedades o teoremas relacionados con la distribución normal y se muestra el interés de diseñar cursos específicos encaminados a mejorar esas dificultades. Características de la distribución normal:
● Tiene forma de campana
● · Puede tomar cualquier valor (de menos infinito a más infinito), es decir, utiliza variables cuantitativas continuas. ● · Es simétrica. ● · La Media se sitúa en el centro de la Distribución Normal (en el punto máximo de la campana) y divide la campana en dos partes iguales. ● · En esa distribución de probabilidad, la Media Aritmética, la Mediana y la Moda son iguales ● · El área bajo la curva suma 1. (0.5 del lado izquierdo y 0.5 del lado derecho con respecto a la media) ● · El área encerrada bajo la curva equivale a la probabilidad buscada (o al porcentaje de la población si multiplicamos por 100). ● · La curva normal es asintótica, esto significa que se acerca cada vez más al eje de las X pero no llega a tocarla, por lo que se extiende de forma indefinida en ambos lados. ● Para definir que una variable sigue una distribución normal con una Media y una Desviación Estándar, se usa la siguiente expresión: Como habia comentado, son muchos los casos de la vida real que se comportan como una distribución normal y calcular el área bajo la curva para cada distribución resultaría tedioso y complicado. Para resolver este problema, todas las distribuciones normales se convierten a una distribución estándar normal. ¿Y cómo se hace? Lo primero que tenemos que hacer es calcular el estadístico Z que se obtiene restando: el dato de la variable menos la media y dividiendo la diferencia entre la desviación estándar. x−μ z= σ
Aplicaciones de la distribución normal: Esta distribución es frecuentemente
utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada por la frecuencia o normalidad con la que ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución.
Usos de la distribución normal: La distribución normal es un modelo teórico capaz
de aproximar satisfactoriamente el valor de una variable aleatoria a una situación ideal. En otras palabras, la distribución normal adapta una variable aleatoria a una función que depende de la media y la desviación típica. DISTRIBUCION BETA Distribución Beta: La distribución beta es posible para una variable aleatoria continua que toma valores en el intervalo [0,1], lo que la hace muy apropiada para modelar proporciones. En la inferencia bayesiana, por ejemplo, es muy utilizada como distribución a priori cuando las observaciones tienen una distribución binomial. Uno de los principales recursos de esta distribución es el ajuste a una gran variedad de distribuciones empíricas, pues adopta formas muy diversas dependiendo de cuáles sean los valores de los parámetros de forma α y β, mediante los que viene definida la distribución. Características: La distribución beta es una distribución continua definida por dos parámetros de forma. La distribución puede adoptar diferentes formas dependiendo de los valores de los dos parámetros. ... Cuando la primera forma es menor que la segunda forma, la distribución es asimétrica hacia la derecha. Aplicaciones en la ingeniería: Los gerentes de proyectos utilizan por lo general un método llamado PERT (Program Evoluation and Review Technique) para coordinar las diversas actividades que conforman un gran proyecto (Una aplicacion exitosa fue la construccion de la nave espacial Apolo). Una suposicion estándar en el análisis PERT, es que el tiempo necesario para completar cualquier actividad particular, una vez que se haya iniciado, tiene una distribucion Beta con A= tiempo optimista (Si todo va bien) y B= Tiempo pesimista (Si todo sale mal). Uso: La distribucion beta estandar se utiliza por lo comun para modelar la variación en la proporcion o porcentaje de una cantidad que se presenta en muestras diferentes, tales como la proporción de horas que duerme un individuo o la proporcion de cierto elemento de un compuesto químico.