Distribución Normal: Propiedades y Aplicaciones Estadísticas

Curso de Estadística Computacional con Python

Contenido del curso

Introducción

1
Programación Dinámica y Estocástica: Optimización y Modelado de Datos
01:56 min

Programación Dinámica

Caminos Aleatorios

Programas Estocásticos

Simulaciones de Montecarlo

Muestreo e Intervalos de Confianza

Datos Experimentales

Conclusiones

24
Optimización de Programas con Programación Dinámica y Simulaciones
02:54 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:008:19

Distribución Normal: Propiedades y Aplicaciones Estadísticas

Curso de Estadística Computacional con Python

Clase 15 de 24

Clase 15 / 24

Recursos

¿Qué es la distribución normal y por qué es tan relevante?

La distribución normal, también conocida como curva de Gauss o campana de Gauss, es crucial en el campo de la estadística. Su importancia radica en su ubicuidad: aparece en diversos fenómenos en la naturaleza, desde las alturas de una población hasta los ingresos económicos. Esta distribución es definida completamente por su media y desviación estándar, lo que facilita su análisis y aplicación.

¿Por qué la distribución normal es tan común?

Simetría y simplicidad: La distribución normal es simétrica respecto a su media, lo que la hace visualmente similar a una campana, facilitando su entendimiento.
Propiedades estadísticas: Es capaz de describir de manera precisa muchos fenómenos naturales, motivando su uso en estadística inferencial.

¿Cómo se utilizan la media y la desviación estándar?

La media mide el centro de la distribución, mientras que la desviación estándar indica la dispersión o variabilidad de los datos. Dos distribuciones pueden tener la misma media, pero una con menor desviación estándar tendrá datos más concentrados alrededor de la media. Esto es crucial en campos como las finanzas para medir el riesgo de inversiones.

¿Qué es la regla empírica y cómo se aplica?

La regla empírica, conocida también como el 68-95-99.7, permite predecir con qué frecuencia ocurren los eventos en una distribución normal. Esta regla establece:

68% de los datos se encuentran a una desviación estándar de la media.
95% de los datos están dentro de dos desviaciones estándar.
99.7% de los datos se ubican dentro de tres desviaciones estándar.

¿Cómo se emplea la regla empírica en diferentes campos?

Ciencias Sociales: Se conforman generalmente con intervalos de confianza basados en dos o tres desviaciones estándar.
Física de Partículas: Exige más precisión, comúnmente cinco desviaciones estándar, para garantizar la certeza de las observaciones.

¿Cómo ha influido la distribución normal en el avance científico y tecnológico?

El uso de técnicas que manejan la distribución normal ha sido fundamental para el desarrollo de múltiples disciplinas científicas:

Electrónica y Física Cuántica: Estas áreas han sido significativamente impactadas por la capacidad de medir y predecir fenómenos con gran precisión, contribuyendo a avances tecnológicos como las computadoras cuánticas y la detección de ondas gravitacionales.

Con cada aplicación y estudio, la distribución normal sigue demostrando su valía, no solo en la teoría, sino también, y principalmente, en la práctica de la vida cotidiana y los desarrollos científicos más revolucionarios. Te invitamos a reflexionar y comentar sobre dónde has identificado distribuciones normales en tu entorno y cómo contribuyen a mejorar nuestra comprensión del mundo.

Camilo Quiceno Quintero

Hace 6 años

Modifiqué el código para graficar la distribución normal del ejemplo que hemos venido trabajando.

from bokeh.plotting import figure, show
import random
import math

def media(X):
    return sum(X) / len(X)


def varianza(X):
    mu = media(X)

    acumulador = 0
    for x in X:
        acumulador += (x - mu)**2

    return acumulador / len(X)


def desviacion_estandar(X):
    return math.sqrt(varianza(X))

def distribucion_normal(X,mu,sigma):
    valores_y = []
    for x in X:
        y = (1/(sigma*math.sqrt(2*math.pi)))*math.exp(-1/2*((x-mu)/(sigma))**2)
        valores_y.append(y)
    return valores_y

def graficar(X,valores_y,media,sigma):
    
    grafica = figure(title=f'Distribución normal', x_axis_label='x', y_axis_label='y')
    
    grafica.line(X, valores_y, legend=f'Distribución normal',line_color='blue')

    media_y = [min(valores_y),max(valores_y)]
    media_x = [media,media]

    grafica.line(media_x, media_y, legend=f'Media',line_color='red')

    desviacion_estandar_1_y = [min(valores_y),max(valores_y)]
    desviacion_estandar_1_x = [media+sigma,media+sigma]

    grafica.line(desviacion_estandar_1_x, desviacion_estandar_1_y, legend=f'Desviación estándar',line_color='green')

    desviacion_estandar_2_y = [min(valores_y),max(valores_y)]
    desviacion_estandar_2_x = [media-sigma,media-sigma]

    grafica.line(desviacion_estandar_2_x, desviacion_estandar_2_y,line_color='green')

    show(grafica)

if __name__ == '__main__':

    X = sorted([random.randint(0, 100) for i in range(100)])
    mu = media(X)
    Var = varianza(X)
    sigma = desviacion_estandar(X)

    valores_y = distribucion_normal(X,mu,sigma)
    graficar(X,valores_y,mu,sigma)

    print(f'Arreglo X: {X}')
    print(f'Media = {mu}')
    print(f'Varianza = {Var}')
    print(f'Desviacion estandar = {sigma}')```

Raymundo Soto Soto

Hace 6 años

Los datos generados con randint provienen de una distribución uniforme, eso hay que aclararlo, no se usó un generador de números aleatorios basados en una distribución normal. Sino hubiéramos usado la media y la desviación éstandar.

Davis Álvarez

Hace 6 años

Muy bueno.

Comentarios (161)161 comentarios

Daniel Felipe Galvis Ballesteros

JAVIER SANTIAGO SALGADO

Luis Fernando Pedroza Taborda

Iván Ricardo Bohórquez Basto

Alfredo Gómez Delgado

Edgar Leonardo García Zavala

Miguel Torres

Aaron Joel Limachi Quispe

Daniel Andrés Giraldo Benites

Ariadna B

Clayton Jhordan Iliquin Zavaleta

Karl Behrens Gil

Patricia Calisto Gutierrez

Fredy Alberto Orozco Loaiza

Hace 7 años

Angelica Landazabal

Diego Cesar Lerma Torres

Dax Collas Maldonado

Hace 2 años

Jaime Eduardo González Meléndez

Alex Jesús Huamanvilca Ichocán

Maria Aurora Molina Vilchis

Wilson Delgado

Ricardo San Martín Hidalgo

Renzo Flores Ugarte

Omar Daniel Centeno

Germán Danilo Forero Vargas

johan Stever Rodriguez Molina

Joel Ricci López

Mario Alberto Vásquez Arias

Jose Reinaldo Roca Cruz

Arturo Baduna

Carli Code

Profesor

Platzi Nauta

Danilo Valenzuela

EDWIN CAN

Introducción

Programación Dinámica y Estocástica: Optimización y Modelado de Datos

Programación Dinámica

Programación Dinámica: Optimización de Problemas con Memorización

Optimización de Algoritmos con Programación Dinámica en Python

Caminos Aleatorios

Simulaciones con Caminos Aleatorios en Programación

Camino Aleatorio en Programación Orientada a Objetos

Algoritmo de Caminata Aleatoria en Python: Clase Borracho

Simulación de Caminata Aleatoria con Python

Visualización de Caminatas Aleatorias con Python y Bokeh

Programas Estocásticos

Programación Estocástica: Aplicaciones y Ejemplos Prácticos

Cálculo de Probabilidades y Simulación de Montecarlo

Simulaciones de Probabilidades con Dados en Python

Inferencia Estadística: Conceptos y Aplicaciones Prácticas

Cálculo de la Media Aritmética en Python paso a paso

Media, Varianza y Desviación Estándar en Estadística

Distribución Normal: Propiedades y Aplicaciones Estadísticas

Simulaciones de Montecarlo

Simulaciones de Montecarlo: Historia y Aplicaciones Prácticas

Simulación de Montecarlo para Probabilidades en Juegos de Cartas

Simulaciones de Montecarlo para Aproximar Pi

Estimación de Pi mediante Monte Carlo y Simulación Estadística

Muestreo e Intervalos de Confianza

Muestreo Estadístico: Aleatorio y Estratificado

Teorema del Límite Central: Transformación de Distribuciones

Datos Experimentales

Validación de teorías científicas con datos experimentales

Regresión Lineal con NumPy y Matplotlib en Google Colab

Conclusiones

Optimización de Programas con Programación Dinámica y Simulaciones

Distribución Normal: Propiedades y Aplicaciones Estadísticas