ESCUELA SUPERIOR POLITÉCNICA DE
CHIMBORAZO
FACULTAD DE INFORMÁTICA Y ELECTRÓNICA
SOFTWARE
DISTRIBUCIÓN
NORMAL
INTEGRANTES: CÓDIGOS:
Rojas Dennys 6574
Tapia María José 6573
Urquizo Héctor 6571
Yerovi Mishell 6575
ESTADÍSTICA
Tercero B
[Fecha]
1
TABLA DE CONTENIDO
INTRODUCCIÓN...........................................................................................................2
OBJETIVOS
GENERAL Y ESPECÍFICOS........................................................................................3
MARCO TEÓRICO........................................................................................................9
APLICACIONES..........................................................................................................10
IMPLEMENTACIÓN...................................................................................................10
CONCLUSIONES.........................................................................................................11
RECOMENDACIONES...............................................................................................11
BIBLIOGRAFÍA...........................................................................................................11
[Fecha]
2
1. INTRODUCCIÓN
A tomar en cuenta que la distribución normal pertenece al grupo de distribución
continua esta describe las probabilidades de los posibles valores de una variable
aleatoria continua. Una variable aleatoria continua es una variable aleatoria con un
conjunto de valores posibles (conocido como el rango) que es infinito y no se puede
contar. Las probabilidades de las variables aleatorias continuas (X) se definen como el
área por debajo de la curva. Por lo tanto, solo los rangos de valores pueden tener una
probabilidad diferente de cero. La probabilidad de que una variable aleatoria
continua equivalga a algún valor siempre es cero . Al iniciar el análisis estadístico de
una serie de datos, y después de la etapa de detección y corrección de errores, un
primer paso consiste en describir la distribución de las variables estudiadas y, en
particular, de los datos numéricos. Una de las distribuciones teóricas mejor
estudiadas en los textos de bioestadística y más utilizada en la práctica es la
distribución normal, también llamada distribución gaussiana. El uso extendido de la
distribución normal en las aplicaciones estadísticas puede explicarse, además, por
otras razones. Muchos de los procedimientos estadísticos habitualmente utilizados
asumen la normalidad de los datos observados. Aunque muchas de estas técnicas no
son demasiado sensibles a desviaciones de la normal y, en general, esta hipótesis
puede obviarse cuando se dispone de un número suficiente de datos, resulta
recomendable contrastar siempre si se puede asumir o no una distribución normal.
Cuando los datos no sean normales, podremos o bien transformarlos o emplear otros
métodos estadísticos que no exijan este tipo de restricciones (los llamados métodos
no paramétricos). A continuación, se describirá la distribución normal, su ecuación
matemática y sus propiedades más relevantes, proporcionando algún ejemplo sobre
sus aplicaciones a la inferencia estadística, juntamente con la implementación del
Método de Simpson que ayuda a la generación de la llamada tabla de distribución
normal, en la cual nos da valores porcentuales de acuerdo con algunos
parámetros(Díaz & Fernández, 2001).
[Fecha]
3
TEMA: Distribución Normal
2. OBJETIVOS
OBJETIVO GENERAL
Construir, calcular y aplicar probabilidades a la distribución Normal y esto al
poder construir un código informático para poder asociarlo al Software.
OBJETIVOS ESPECÍFICOS
Identificar las propiedades de una distribución normal.
Encontrar el área bajo una distribución normal estándar.
Implementar y asociar las áreas debajo de una curva normal de acuerdo
con la situación problemática.
Retornar la probabilidad mediante la petición de ciertos parámetros.
3. MARCO TEÓRICO
Distribución Normal
La distribución normal fue reconocida por primera vez por el francés Abraham
de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855)
elaboró desarrollos más profundos y formuló la ecuación de la curva; de ahí que
también se la conozca, más comúnmente, como la "campana de Gauss". La
distribución de una variable normal está completamente determinada por dos
parámetros, su media y su desviación estándar, denotadas generalmente por la μ
yσ (Observaciones Totales Promedios & an Y Fuente Hines Montgomery, n.d.) . Con
esta notación, la densidad de la normal viene dada por la ecuación:
2
1 x−μ
1 { (
2 σ
)}
Ecuación 1: f ( x )= e −∞ < x< ∞
σ √2
[Fecha]
4
De acuerdo con Hines y Montgomery (1993), la distribución normal es en
muchos aspectos la piedra angular de la estadística, así, se dice que una variable
aleatoria xsigue una distribución normal de media μy varianza σ 2 , y se denota
comox ≈ N (μ ,σ ), si su función de densidad viene dada por la Ecuación 1.
Hoy en día, se pueden dar muchos argumentos para defender que es una de las
distribuciones s más importantes; sin embargo, nos centraremos en lo que
propone DeGroot (1998): Desde un punto de vista científico, la distribución
normal aproxima en muchas ocasiones los valores obtenidos para variables que
se miden con errores, que no son sistemáticos, sino aleatorios. Por ejemplo, se
ha observado que muchas características físicas frecuentemente tienen
distribuciones que son aproximadamente normales, como estaturas o pesos de
los individuos, beneficios medios de las empresas, la duración de un producto
perecedero, el tiempo necesario para llevar a cabo un trabajo, etc.
Por otro lado, Tauber (2001) nos recuerda que la distribución normal describe
bien muchas variables biológicas, psicológicas y sociales, además de servir de
aproximación a otras distribuciones, como la binomial o Poisson o bien la t de
Student.
[Fecha]
5
Método de Simpson
Este método consiste en la aproximación del cálculo del área plana bajo una
curva utilizando trapecios curvilíneos a partir una interpolación con una función
cuadrática:
b
∫ f ( x )dx= b−a
6
[f (a)+ af (
a+b
2
)+f (b)]
a
Esta aproximación es denominada “simple” debido a que utiliza tan solo un
polinomio. Requiere el conocimiento de tres puntos equiespaciados: los
extremos y un punto central(“El método de Simpson,” n.d.).
Aplicando esta expresión utilizando mayor cantidad de puntos intermedios (es
decir, realizando más de un Simpson 1/3 dentro del intervalo) puede definirse la
variante “compuesta” del método para el cual se utilizan N puntos que
corresponden a n = N − 1 subintervalos. Este caso requiere que la cantidad de
subintervalos sean pares (el caso simple utiliza dos, por lo tanto, este debe ser un
múltiplo) (Métodos Numéricos, n.d.). Por lo tanto, se define un valor h que
corresponde a el ancho del subintervalo o el paso que hay entre puntos. Se
calcula como h = b−a n. Finalmente, la aproximación del área se puede calcular
como:
n−2 n−2
2 2
h
f (x) dx= [f (a)+ f (b)+ 4 ∑ f ( x2 k +1)+2 ∑ f (x 2 k )]
3 k=0 k=0
A modo de interpretación, las sumatorias corresponden a los valores de la
función en los puntos impares y pares respectivamente sin contar los extremos.
Esto es debido a que, en los puntos impares, se encuentra el factor de 4 que
introduce la fórmula de Simpson 1/3 simple para los puntos intermedios y, en
los puntos pares, el factor de 2 se debe a que ese punto es compartido por los
trapecios curvilíneos adyacentes
Visual Studio
En el mundo de la programación informática, uno de los lenguajes más
populares y conocidos es el de Visual Studio . Creado en 1991 por Alan Cooper
para Microsoft, este paquete permite programar contenidos informáticos gráficos
de manera simple y accesible.
El Visual Studio ha sido desarrollado con el objetivo de entregar a los usuarios
de programación informática un paquete de utilidades simples y accesibles. Es
por esto que el Visual Basic puede ser usado y fácilmente comprendido por
expertos como también por usuarios principiantes. Su base parte del dialecto
BASIC, pero con componentes novedosos que lo adaptan a los lenguajes
informáticos modernos. A esto se suma que el Visual Studio es además un
[Fecha]
6
lenguaje de programación guiado por eventos que permite mayor operatividad y
mejores resultados (“MARCO TEORICO | bolg de visual studio,” n.d.).
Tabla de la distribución normal
z 0.00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
[Fecha]
7
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .4878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
[Fecha]
8
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
4. APLICACIONES
[Fecha]
9
5. IMPLEMENTACIÓN
Crearemos una clase base abstracta denominada Simpson, que defina la función
miembro integral que calcula la integral definida de cualquier función f(x) por el
procedimiento de Simpson.
Código:
public abstract class Simpson {
public double integral(double a, double b, int n){
if(n%2==1) n++; //n es par
double h=(b-a)/n;
double suma=f(a)+f(b);
for(int i=1; i<n; i+=2){
suma+=4*f(a+i*h);
}
for(int i=2; i<n; i+=2){
suma+=2*f(a+i*h);
}
return (suma*h/3);
}
abstract public double f(double x);
}
En la clase derivada Función definiremos la función f(x) cuya integral deseamos.
public class Funcion extends Simpson{
public double f(double x){
return Math.cos(x);
}
}
public class Aplicacion {
public static void main(String[] args) {
double resultado=new Funcion().integral(0.0, Math.PI/2, 10);
System.out.println("integral "+resultado);
}
}
6. CONCLUSIONES
[Fecha]
10
7. RECOMENDACIONES
En base a lo aprendido en este proceso, se recomienda entender o
comprender todo lo que se refiere a distribución normal, es decir tener
nociones básicas de este tema para que al momento de lanzar resultados
pertenecientes a áreas de por debajo de la curva, estos se los pueda hacer
una revisión manual, comparando ambos resultados obtenidos.
En el momento de codificación se recomienda usar un ID de
programación adecuado, que nos permite hacer diversos cambios y con
una mejor compresión (que sea visual para el usuario en la medida de lo
posible), usando un lenguaje de programación que todos aquellos que
integren el grupo conozcan para un mejor desarrollo del proyecto.
Tener nociones básicas de lo que es el Método de Simpson para la
generación de la tabla en la cual se comparan valores dentro de un rango,
lo llamados límites superiores e inferiores, así para un resultado correcto.
Tomar con tiempo y paciencia la codificación ya que el cálculo, es un
tema que en la programación es difícil de implementar a la primera vez,
hay que ser autocríticos para un programa bien desarrollado.
[Fecha]
11
8. BIBLIOGRAFÍA
Díaz, P., & Fernández, P. (2001). La distribución normal. Cad Aten Primaria, 8, 268–
274. Retrieved from http://www3.fi.mdp.edu.ar/metodos/apuntes/simpson.pdf
El método de Simpson. (n.d.). Retrieved June 23, 2019, from
http://www.sc.ehu.es/sbweb/fisica_/numerico/integral/simpson.html
MARCO TEORICO | bolg de visual studio. (n.d.). Retrieved June 23, 2019, from
https://progvisualestudio.wordpress.com/marco-teorico/
Métodos Numéricos. (n.d.). Retrieved from
http://www3.fi.mdp.edu.ar/metodos/apuntes/simpson.pdf
Observaciones Totales Promedios, T., & an Y Fuente Hines Montgomery, Y. Y.
(n.d.). Tabla 2.1 Análisis de varianza. Retrieved from
http://catarina.udlap.mx/u_dl_a/tales/documentos/lii/zaldo_a_r/capitulo2.pdf
[Fecha]
12
