DISTTRIBUCION NORMAL DE PROBABILIDADES Fue introducida por Carl Friedrich Gauss a principios del siglo XIX en su estudio de los

errores de medida. Desde entonces se ha utilizado como modelo en multitud de variables (peso, altura, calificaciones...), en cuya distribucin los valores ms usuales se agrupan en torno a uno central y los valores extremos son escasos. Una variable aleatoria continua sigue una distribucin normal si su funcin de densidad es:

donde y coinciden respectivamente con la media y la desviacin tpica de la variable aleatoria. Estos parmetros son los que determinan esta distribucin que designaremos por N ( , ).

http://descartes.cnice.mec.es/materiales_didacticos/distribuciones_probabilidad /dis_normal.htm ANTECEDENTES

La distribucin normal fue presentada por vez primera por Abraham de Moivre en un artculo del ao 1733,2 que fue reimpreso en la segunda edicin de su The Doctrine of Chances, de 1738, en el contexto de cierta aproximacin de la distribucin binomial para grandes valores de n. Su resultado fue ampliado por Laplace en su libro Teora analtica de las probabilidades (1812), y en la actualidad se llama Teorema de De Moivre-Laplace. Laplace us la distribucin normal en el anlisis de errores de experimentos. El importante mtodo de mnimos cuadrados fue introducido por Legendre en 1805. Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific rigurosamente en 1809 asumiendo una distribucin normal de los errores. El nombre de Gauss se ha asociado a esta distribucin porque la us con profusin cuando analizaba datos astronmicos3 y algunos autores le atribuyen un descubrimiento independiente del de De Moivre.4 Esta atribucin del nombre de la distribucin a una persona distinta de su primer descubridor es un claro ejemplo de la Ley de Stigler. El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell surface" (superficie campana) por primera vez en 1872 para una distribucin normal bivariante de componentes independientes. El nombre de "distribucin normal" fue otorgado independientemente por Charles S. Peirce, Francis Galton y Wilhelm Lexis hacia 1875. [cita requerida] A pesar de esta terminologa, otras distribuciones de probabilidad podran ser ms apropiadas en determinados contextos; vase la discusin sobre ocurrencia, ms abajo.
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal#Historia

IMPORTANCIA DE LA DISTRIBUCION NORMAL 1 La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos 2 tambin es importante por su relacin con la estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos. 3 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. CARACTERISTICAS

Algunas propiedades de la distribucin normal son:

1. Es simtrica respecto de su media, ;

Distribucin de probabilidad alrededor de la media en una distribucin N(, ). 2. La moda y la mediana son ambas iguales a la media, ; 3. Los puntos de inflexin de la curva se dan para x = y x = + . 4. Distribucin de probabilidad en un entorno de la media: 1. en el intervalo [ - , + ] se encuentra comprendida, aproximadamente, el 68,26% de la distribucin; 2. en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el 95,44% de la distribucin; 3. por su parte, en el intervalo [ -3, + 3] se encuentra comprendida, aproximadamente, el 99,74% de la distribucin. Estas propiedades son de gran utilidad para el establecimiento de intervalos de confianza. Por otra parte, el hecho de que prcticamente la totalidad de la distribucin se encuentre a tres desviaciones tpicas de la media justifica los lmites de las tablas empleadas habitualmente en la normal estndar.

5. Si X ~ N(, 2) y a y b son nmeros reales, entonces (aX + b) ~ N(a+b, a22). 6. Si X ~ N(x, x2) e Y ~ N(y, y2) son variables aleatorias normales independientes, entonces: o Su suma est normalmente distribuida con U = X + Y ~ N(x + y, x2 + y2) (demostracin). Recprocamente, si dos variables aleatorias independientes tienen una suma normalmente distribuida, deben ser normales (Teorema de Crmer). Su diferencia est normalmente distribuida con . Si las varianzas de X e Y son iguales, entonces U y V son independientes entre s. La divergencia de Kullback-Leibler,

o o o

2. Si

e son variables aleatorias independientes normalmente distribuidas, entonces: o Su producto XY sigue una distribucin con densidad p dada por

donde K0 es una funcin de Bessel modificada de segundo tipo. o Su cociente sigue una distribucin de Cauchy con X / YCauchy(0,X / Y). De este modo la distribucin de Cauchy es un tipo especial de distribucin cociente. son variables normales estndar independientes, sigue una distribucin con n grados de son variables normales estndar independientes, y la varianza

3. Si

entonces libertad. 4. Si

entonces la media muestral

muestral son independientes. Esta propiedad caracteriza a las distribuciones normales y contribuye a explicar por qu el test-F no es robusto respecto a la nonormalidad). CURVA NORMAL

Una variable aleatoria X cuya distribucin tiene la forma de una curva normal se llama una variable aleatoria normal.

La curva normal

Esta variable aleatoria X se dice que es una distribucin normal con la media y desviacin estndar si su distribucin de probabilidad viene dada por

AREAS BAJO LA CURVA NORMAL

La probabilidad de una variable continua X normal en un intervalo particular [a, b] es el rea bajo la curva limitada por x = a y x = b y est dada por

y el rea depende de los valores de y . Si tenemos media y desviacin estndar , entonces

Dado que todos los valores de X que estn entre x 1 y x 2 disponen de sus correspondientes valores de Z entre z 1 y z 2, que significa: El rea bajo la curva de X de X = x 1 y x = x 2 es igual a:

El rea bajo la curva entre Z = Z 1 y Z z = z 2. Por lo tanto, tenemos las siguientes probabilidades equivalentes:

P (x 1 <X <x 2) = P (z 1 <Z <z 2)

http://translate.google.com.mx/translate?hl=es&langpair=en %7Ces&u=http://www.intmath.com/Counting-probability/14_Normalprobability-distribution.php LA DISTRIBUCION NORMAL ESTANDARIZADA

Se hace la vida mucho ms fcil para nosotros si queremos normalizar nuestra curva normal, con una media de cero y una desviacin estndar de 1 unidad. a)Modelo de estandarizacin Si tenemos la situacin estandarizada de = 0 y = 1, entonces tenemos:

curva normal estndar = 0, = 1

Podemos transformar todas las observaciones de cualquier variable aleatoria normal X con media y la varianza a un nuevo conjunto de observaciones de otra variable aleatoria normal Z con media 0 y varianza 1, utilizando la siguiente transformacin:

a) USO DE LATABLA DE LA DISTRIBUCION NORMAL ESTANDAR

La distribucin normal estndar se usa en las pruebas de hiptesis diferentes incluidos ensayos sobre los medios individuales, la diferencia entre dos medias, y las pruebas sobre las proporciones. La distribucin normal estndar tiene una media de 0 y una desviacin estndar de 1. La animacin de arriba muestra diferentes (izquierda) reas de tamao reducido para esta distribucin. Para obtener ms informacin sobre la distribucin normal, ya que se utiliza en las pruebas estadsticas. Como se muestra en la ilustracin de abajo, los valores dentro de la tabla dada representan las reas bajo la curva normal estndar para los valores entre 0 y la relacin valor-z-. Por ejemplo, para determinar el rea bajo la curva entre 0 y 2,36, busque en la celda de interseccin de la fila denominada 2,30 y la columna etiquetada 0,06. El rea bajo la curva es 0.4909. Para determinar el rea entre 0 y un valor negativo, busque en la celda de interseccin de la fila y columna que resume en el valor absoluto del nmero en cuestin. Por ejemplo, el rea bajo la curva entre -1,3 y 0 es igual al rea bajo la curva entre el 1,3 y 0, as que busca en la celda en la fila y la columna 1,3 0,00 (el rea es 0.4032). rea comprendida entre 0 y z

http://translate.google.com.mx/translate?hl=es&langpair=en %7Ces&u=http://www.statsoft.com/textbook/distribution-tables/

Qu es la estadstica?
la ciencia que estudia cmo debe emplearse la informacin y cmo dar una gua de accin en situaciones prcticas que entraan incertidumbre. La Estadstica se ocupa de los mtodos y procedimientos para recoger, clasificar, resumir, hallar regularidades y analizar los datos, siempre y cuando la variabilidad e incertidumbre sea una causa intrnseca de los mismos; as como de realizar inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones. http://www.bioestadistica.uma.es/libro/node3.htm

Porque estudiar estadstica?

La primera razn es que la informacin numrica est en todas partes. Por ejemplo en los peridicos, revistas de noticias, revistas de negocios, revistas de inters general, revistas del hogar, revistas deportivas, revistas de coches, noticias de televisin, radio,etc.,se encuentra gran informacin numrica. Para ser consumidores educados en esta informacin, es necesario poder leer las tablas y grficas, as como entender el anlisis de la informacin numrica Una segunda razn para tomar un curso de estadstica es que las tcnicas estadsticas se utilizan para tomar decisiones que afectan nuestra vida diaria, que afectan nuestro bienestar personal. Una tercera razn es que el conocimiento de los mtodos estadsticos ayudar a entender cmo se toman las decisiones y a comprender de qu manera nos afectan. En cualquier lnea de trabajo habr que tomar decisiones en las que el entendimiento del anlisis de datos ser muy til. La estadstica nos va a ayudar a seleccionar las conclusiones generales ms adecuadas a partir de datos parciales y representativos. Distinguiremos los tres campos bsicos de la Estadstica: la estadstica descriptiva, el clculo de probabilidades y la estadstica inferencial.

http://www.buenastareas.com/ensayos/Por-Que-EstudiarEstadistica/27379.html CONCEPTOS BASICOS EN ESTADISTICA

Estadstica descriptiva: Describe, analiza y representa un grupo de datos utilizando mtodos numricos y grficos que resumen y presentan la informacin contenida en ellos.

Estadstica inferencial: Apoyndose en el clculo de probabilidades y a

partir de datos muestrales, efecta estimaciones, decisiones, predicciones u otras generalizaciones sobre un conjunto mayor de datos.

DIFERENCIA ENTRE ESTADISTICA DESCRIPTIVA E INFERENCIAL

La estadstica descriptiva trata del estudio de los datos particulares (la muestra). La estadstica inferencial se ocupa de lo referente a la seleccin de las conclusiones generales. http://www.buenastareas.com/ensayos/Por-Que-EstudiarEstadistica/27379.html INFERENCIA ESTADISTICA
Se basa en las conclusiones a la que se llega por la ciencia experimental basndose en informacin incompleta (de una parte de la poblacin). La inferencia estadstica es una parte de la Estadstica que permite generar modelos probabilsticos a partir de un conjunto de observaciones. Del conjunto se observaciones que van a ser analizadas, se eligen aleatoriamente slo unas cuantas, que es lo que se denomina muestra, y a partir de dicha muestra se

estiman los parmetros del modelo, y se contrastan las hiptesis establecidas, con el objeto de determinar si el modelo probabilstico es el adecuado al problema real que se ha planteado. La utilidad de la inferencia estadstica, consiste en que si el modelo se considera adecuado, puede usarse para la toma de decisiones o para la realizacin de las previsiones convenientes. ..

Razones para hablar de muestreo Formacin acadmica de la poblacin Comprender los datos que se van a utilizar Saber cmo obtener una muestra, si es necesario Realizar inferencias estadsticas

EL MUETREO ALEATORIO Consideremos una poblacin finita, de la que deseamos extraer una muestra. Cuando el proceso de extraccin es tal que garantiza a cada uno de los elementos de la poblacin la misma oportunidad de ser incluidos en dicha muestra, denominamos al proceso de seleccin muestreo aleatorio. El muestreo aleatorio se puede plantear bajo dos puntos de vista:

Sin reposicin de los elementos; Con reposicin.

METODOS DE MUESTREO Muestra aleatoria simple: muestra formulada de manera que cada elemento o persona en la poblacin tiene la misma oportunidad de quedar incluida. Muestra aleatoria sistemtica: los artculos o individuos de la poblacin se colocan en cierto orden. Se elige un punto de partida aleatorio y despus se selecciona uno cada k-simo elemento de la poblacin para la muestra. Muestreo aleatorio estratificado: se divide la poblacin en subgrupos, llamados estratos, y se selecciona una muestra de cada estrato. Muestreo por conglomeracin: primero se divide la poblacin en subgrupos (estratos), y se selecciona un estrato. La muestra se toma del estrato seleccionado. El error de muestreo es la diferencia entre un estadstico muestral y su parmetro correspondiente. OBJETIVOS DEL MUESTREO
Su funcin bsica es determinar que parte de una realidad en estudio (poblacin o universo) debe examinarse con la finalidad de hacer inferencias sobre dicha poblacin.

El objetivo del muestreo de suelo es la obtencin de informacin que se ajuste a la fase del proyecto en la que nos encontremos y cuyo valor sea conocido. El muestreo va a estar principalmente condicionado por la informacin previa (estudio preliminar) ya que, en definitiva, va a determinar el coste del proyecto PARAMETRO ESTADISTICO En estadstica se llama valor representativo de la poblacin parmetro estadstico, medida estadstica o parmetro poblacional a un valor representativo de una poblacin,1 como la

media aritmtica, la proporcin de individuos que presentan determinada caracterstica, o la desviacin tpica.2 Un parmetro es un nmero que resume la ingente cantidad de datos que pueden derivarse del estudio de una variable estadstica.3 El clculo de este nmero est bien definido, usualmente mediante una frmula aritmtica obtenida a partir de datos de la poblacin.4 5 Los parmetros estadsticos son una consecuencia inevitable del propsito esencial de la estadstica: modelizar la realidad. TEOREMA DEL LIMITE CENTRAL
Sean x1.x2.........xn, n variables aleatorias independientes idnticamente distribuidas con media y varianza 2 ambas finitas. La suma de esas variables S n = x1+x2+ ...+ xn es una variable aleatoria con media n y varianza n 2, entonces

Z=

n n
2

se distribuye como una normal N(0;1). En otras palabras, el teorema

expresa que cuando n crece sin lmite, la variable z tiende a distribuirse normalmente. Si las variables no son idnticamente distribuidas, se podra demostrar igualmente que: z =

x -
i 2 i

se distribuye como una normal N(0;1), es decir que la suma de

variables independientes tiende a ser normal con media suma de medias y varianza suma de varianzas. LA DISTRIBUCIN DE MUESTREO Es la distribucin de probabilidad que puede obtenerse como resultado de un nmero infinito de muestras aleatorias independientes, cada una de tamao n provenientes de la poblacin de inters.

................