Distribucin Normal

Histogramas y distribuciones
Lmite de una distribucin
La distribucin normal
Lmite de confidencia.

HISTOGRAMAS Y DISTRIBUCIONES
Veamos un ejemplo
Medimos la distancia
imagen de un objeto
usando
una
lente
convergente
L (cm)

26

24 26 28

23

24

25 24 26

25

No tenemos mucha informacin con los datos medidos en

esta tabla, ordenamos los datos
L (cm)

23

24 24 24

25

25

26 26 26

L (cm)

TABLA 1
23 24 25

26

27

28

Nro de veces

28

Notacin
,

denotamos los diferentes valores encontrados

,
,

denotamos el nmero de veces que se repiten los valores

hallados
,

=N

En

vez de decir que el resultado x = 24 se obtuvo en tres

ocasiones, podemos decir que x = 24 se obtuvo en 3/10 de
todas nuestras mediciones.
En otras palabras, en lugar de utilizar , el nmero de veces que
ocurri el
resultado, se introduce la fraccin

La media es entonces

Normalizado

0.25
0.20

Fk

La distribucin de las
mediciones se pueden
mostrar grficamente en
un histograma

0.30

Histograma de barras
Veamos otro ejemplo

0.15
0.10
0.05
0.00

23

24

Se realizan las siguientes medidas en cm

26,4

23,9

25,1 24,6 22,7 23,8 25,1

23,9

25

xk
25,3

26

27

28

25,4

Un histograma de barras de estos 10 valores constara de

10 barras separadas, todas de la misma altura, y
tendramos poca informacin.

Las medidas en intervalos

0.40
0.35
0.30
0.25

Fk

NOTA:
Hay que elegir el
intervalo
adecuado
para tener una buena
informacin de los
histogramas
de
barras

0.20
0.15
0.10

0.05
0.00
22

23

24

25

xk

= fraccin de la medida del ensimo k intervalo

26

27

28

LMITE DE UNA DISTRIBUCIN

Si realizramos ms medidas como cambia nuestra histograma?

Podemos

Se a reducido el intervalo a la
mitad
El histograma se ha vuelto ms
suave y regular

observar que si las mediciones aumentaran y si su

distribucin se aproxima a una curva continua definida. Cuando
esto sucede, la curva continua se llama LA DISTRIBUCIN
LMITE
Experimentalmente nuestras mediciones no pueden ser
infinitas, pero mientras ms mediciones hagamos nuestro
histograma se aproximar a la funcin lmite.

 La distribucin lmite es una construccin terica que no puede ser

medido con exactitud
Hay razones para creer que cada medida tiene una distribucin lmite a
medida que hagamos mas mediciones en un experimento.

Distribuciones lmites, una de alta y la otra de baja precisin

Como

LA DISTRIBUCIN NORMAL O DE
GAUSS
Los diferentes tipos de mediciones tienen diferentes
distribuciones limitantes.
No todas las distribuciones limitantes tienen la forma
de campana simtrica. Ejemplo la distribucin binomial
y la de Poisson por lo general no son simtricas

 Si nuestras mediciones tienen errores sistemticos

apreciables, no podemos esperar que la distribucin lmite
que se centra en el valor verdadero.
Los errores aleatorios son igualmente propensos a
empujar nuestras lecturas por encima o por debajo del
valor real.
Si todos los errores son aleatorios, despus de muchas
mediciones el nmero de observaciones por encima del
valor real ser el mismo que por debajo de ella, y por lo
tanto nuestra distribucin de los resultados se centra en el
valor verdadero.
Sin embargo, un error sistemtico (tal como la causada por
una cinta mtrica que se estira o un reloj que funciona
lento) empuja todos los valores en una direccin y por lo
empuja la distribucin de los valores observados fuera del
centro a partir del valor verdadero

 Ahora vamos a suponer que la distribucin se centra en el

valor verdadero. Esto es equivalente a suponer que todos los
errores sistemticos se han reducido a un nivel
insignificante.
Cul es el "verdadero valor" de una magnitud fsica?
Esta pregunta es una pregunta difcil que no tiene,
simple respuesta satisfactoria. Debido a que ninguna
medida se puede determinar con exactitud el verdadero
valor de cualquier variable continua (longitud, tiempo,
etc), si existe el verdadero valor de una magnitud tal, no
es an clara. Sin embargo, vamos a suponer que cada
magnitud fsica tiene un valor real.

 Podemos pensar en el verdadero valor de una magnitud

como el valor al que uno se acerca ms y ms cuando se
realizan un gran nmero de mediciones con mucho cuidado
Como tal, el valor real es una idealizacin similar al punto
matemtico (sin ancho).
Indicaremos los verdaderos valores de las medicines x,
y, ..., por sus correspondientes letras maysculas X, Y,. ...
Si las mediciones de x estn sujetas a pequeos errores
aleatorios, pero los errores sistemticos insignificantes, su
distribucin ser una curva en forma de campana simtrica
centrada en el verdadero valor X.

La

funcin de Gauss tiene forma de campana y centrada en

x = O. La curva de la campana es amplia si es grande y
estrecha si es pequeo.
La funcin matemtica que describe la curva en forma de
campana se llama distribucin normal, o la funcin de
Gauss y es:

Si la funcin centrada en x=X entonces:

Hay que normalizar esta

funcin

La integral que queda es muy conocida en fsica

Entonces

Por lo tanto la Funcin de Gauss o funcin de distribucin es

Gauss es:

Propiedades
Tiene un mximo en x=X
Es simtrica alrededor de X
Tiende a cero rpidamente si

VALOR MEDIO Y DESVIACIN ESTANDAR

Al realizar un gran nmero de medidas de una variable
aleatoria que tiene una distribucin de Gauss, qu valores
hay que esperar de el valor medio y la desviacin estandar?
VALOR MEDIO

DESVIACIN ESTANDAR

Usar integrales por partes y demostrar que:

Cul es la probabilidad de que una medida est

comprendida entre a y b

Cul es la probabilidad de que una medida est

comprendida dentro de una desviacin estndar?

Haciendo:
Lmites de integracin

Cul es la probabilidad de que una medida est

comprendida dentro de t desviacin estndar?

 La integral anterior es una integral estndar de la fsica

matemtica, y que a menudo se llama funcin error,
denotado por erf(t).
No puede evaluarse analticamente, ver apendices del Taylor

 La probabilidad de que una medida caiga dentro de una

desviacin estandar es del 68%

Una alternativa a la desviacin estandar es la desviacin

llamada ERROR PROBABLE (EP) en la cual una medida
tiene un 50% de estar entre

Algunos experimentadores les gusta citar el PE como la

incertidumbre en sus mediciones. No obstante, la desviacin
estndar es la opcin ms popular, ya que sus propiedades
son tan simples

JUSTIFICACIN DE LA MEDIA COMO MEJOR VALOR

Se realizan N medidas en una experiencia teniendo:

Queremos

obtener el mejor valor X y su desviacin estandar

Si

las medidas siguen la distribucin normal

y
conociramos X y podramos calcular la probabilidad de
obtener
Por

lo tanto la probabilidad de obtener en un pequeo

intervalo

Podemos escribir

La

probabilidad de obtener

La

probabilidad de obtener

Aplicando el principio de mxima verosimilitud

El mejor valor de se da cuando

Utilizando

este principio, podemos encontrar fcilmente

la mejor estimacin para el verdadero valor X.
Obviamente la es mxima si la suma en el exponente es
mnimo.

Diferenciamos respecto a X
e igualando a cero

Encontrar

el mejor valor de Hay que seguir el procedimiento

anterior derivando respecto a .

En la expresin anterior X no es conocido, reemplazando su

valor encontrado tenemos:

Definida

inicialmente en clase anterior,

vemos que no es la definicin mejorada
con