Funcin gaussiana

Curvas gaussianas con distintos parmetros.

Forma tridimensional.

En estadstica, la funcin gaussiana (en honor a Carl Friedrich Gauss) es

una funcin definida por la expresin:
donde a, b y c son constantes reales (c > 0).
Las funciones gaussianas se utilizan frecuentemente en estadstica correspondiendo, en el
caso de que a sea igual a , a la funcin de densidad de una variable
aleatoria con distribucin normal de media =b y varianza 2=c2.

Propiedades[editar]

Las gaussianas se encuentran entre las funciones elementales, aunque no poseen

primitivas elementales. Sin embargo, el valor exacto de la integral impropia sobre todo
el rango real puede derivarse a partir del valor de la integral de Gauss obtenindose
que:
El valor de la integral es 1 si y solo si , en cuyo caso la funcin gaussiana es
la funcin de densidad de una variable aleatoria con distribucin
normal de media =b y varianza 2=c2. Se muestran varias grficas de funciones
gaussianas en la imagen adjunta.

Las funciones gaussianas con c2 = 2 son las autofunciones de la transformada

de Fourier. Esto significa que la transformada de Fourier de una funcin

gaussiana no es slo otra gaussiana, sino adems un mltiplo escalar de la

funcin original.

La grfica de la funcin es simtrica con forma de campana, conocida

como campana de Gauss. El parmetro a es la altura de la campana
centrada en el punto b, determinando c el ancho de la misma.

Adems
Las funciones gausianas aparecen en campos como:

En estadstica y teora de probabilidades, las funciones gaussianas aparecen

como la funcin de densidad de la distribucin normal, la cual es una distribucin de
probabilidad lmite de sumas complicadas, segn el teorema del lmite central.

Una funcin gaussiana es la funcin de onda del estado fundamental del oscilador
armnico cuntico.

Los orbitales moleculares usados en qumica computacional son combinaciones

lineales de funciones gaussianas llamados orbitales gaussianos.

Matemticamente, la funcin gaussiana juega un papel importante en la definicin

de los polinomios de Hermite.

Consecuentemente, estn tambin asociadas con el estado de vaco en la teora

cuntica de campos.

Los rayos gaussianos se usan en sistemas pticos y de microondas.

Las funciones gaussianas se utilizan como filtro de suavizado en el procesamiento

digital de imgenes.

http://www.ehu.eus/~mtpalezp/libros/07_3.pdf

Funcin de densidad de probabilidad

Diagrama de Caja y funcin de densidad de probabilidad de una distribucin normal N(0,2).

En la teora de la probabilidad, la funcin de densidad de probabilidad, funcin de

densidad, o, simplemente,densidad de una variable aleatoria continua describe la
probabilidad relativa segn la cual dicha variable aleatoriatomar determinado valor.
La probabilidad de que la variable aleatoria caiga en una regin especfica del espacio de
posibilidades estar dada por la integral de la densidad de esta variable entre uno y otro
lmite de dicha regin.
La funcin de densidad de probabilidad (FDP o PDF en ingls) es no-negativa a lo largo de
todo su dominio y suintegral sobre todo el espacio es de valor unitario.

Funcin de densidad de probabilidad para la distribucin normal.

ndice

[ocultar]

1Definicin
o

1.1Descripcin Intuitiva-Prctica

1.2Funciones de Distribucin de Probabilidad

2Propiedades

3Enlaces externos

4Vase tambin

Definicin[editar]
Una funcin de densidad de probabilidad caracteriza el comportamiento probable de una
poblacin en tanto especifica la posibilidad relativa de que una variable
aleatoria continua X tome un valor cercano a x.
Una variable aleatoria X tiene densidad f, siendo f una funcin no-negativa integrable de
Lebesgue, si:
Por lo tanto, si F es la funcin de distribucin acumulativa de X, entonces:
y (si f es continua en x)

Intuitivamente, puede considerarse f(x) dx como la probabilidad

de X de caer en el intervalo infinitesimal [x, x + dx].

Se define como el cociente entre la probabilidad de X de tomar un valor en

el intervalo [x, x + dx] y dx, siendo dx un infinitsimo.
La mayora de las funciones de densidad de probabilidad requieren uno o ms
parmetros para especificarlas totalmente.
Recprocamente respecto de la definicin ya desarrollada, pueden hacerse las
siguientes consideraciones.
La probabilidad de que una variable aleatoria continua X quede ubicada entre
los valores a y b est dada por el desenvolvimiento en el intervalo de la FDP;
de los valores comprendidos en el rango entre a y b.
La FDP es la derivada (cuando existe) de la funcin de distribucin:
As, si F es la funcin de distribucin acumulativa de X, entonces:
y (si f es continua en x)

Descripcin Intuitiva-Prctica[editar]
En situaciones prcticas, la FDP utilizada se elige entre un
nmero relativamente pequeo de FDP comunes, y la labor
estadstica principal consiste en estimar sus parmetros.
Por lo tanto, a los efectos del registro, es necesario saber qu
FDP se ha utilizado e indicarlo en la documentacin de
evaluacin de la incertidumbre.
La definicin formal de la funcin de densidad requiere de
conceptos de la teora de la medida.
Si una variable aleatoria X sigue una funcin de
probabilidad X*P su densidad con respecto a una medida de
referencia es la derivada de RadonNikodym
Una variable aleatoria continua X con valores en
un espacio de medida (habitualmente Rn con conjuntos
Borel como subconjuntos mesurables), tiene
como distribucin de probabilidad, la medida XP en :
la densidad de X con respecto a la medida de
referencia sobre es la derivada de RadonNikodym.
Siendo f/; toda funcin medible con la siguiente
propiedad:
para todo conjunto medible .
Es decir, es una funcin con la propiedad de
que...
...para cada conjunto medible A.
Funciones de Distribucin de
Probabilidad[editar]
A diferencia de la probabilidad,
una fdp puede tomar valores mayores
que uno. Por ejemplo, la distribucin
uniforme continua en el intervalo [0, ]
tiene una densidad de
probabilidad f(x) = 2 para 0 x
y f(x) = 0 fuera de tal intervalo.
Hay que advertir que la funcin de
densidad no es propiamente nica: dos
funciones distintas pueden representar la
misma distribucin de probabilidad si slo
difieren en un conjunto de medida nulo.
Adems, puede haber distribuciones de
probabilidad que carezcan de funcin de
densidad.
Esto ocurre cuando, sin ser discretas, no

le asignan probabilidad positiva a

algunos puntos individuales presentan
conjuntos de medida nula.
Esto sucede con la distribucin de
Cantor cuando se toma la de Lebesgue
como medida de referencia.
Cuando, como ocurre normalmente en
las aplicaciones, X es una variable
aleatoria real y es la medida de
Lebesgue, la funcin de densidad es una
funcin tal que
De modo que si F es la funcin de
distribucin de X, entonces
y
Intuitivamente, se puede
pensar que (x) dx es la
probabilidad de que X asuma
valores en
el intervalo infinitesimal [x, x
+ dx].

Propiedades[editar]
De las propiedades de la
funcin de densidad se
siguen las siguientes
propiedades de la fdp (a
veces visto como pdf del
ingls):

para toda .

El rea total encerrada

bajo la curva es igual a
1:

La probabilidad de
que tome un valor en el
intervalo es el rea bajo
la curva de la funcin de
densidad en ese
intervalo o lo que es lo
mismo, la integral
definida en dicho
intervalo. La grfica f(x)
se conoce a veces
como curva de densidad.

Algunas FDP estn

declaradas en rangos de a ,
como la de la distribucin
normal.

En estadstica y probabilidad se llama distribucin normal, distribucin de

Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable
continua que con ms frecuencia aparece aproximada en fenmenos reales.[cita requerida]
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto
de un determinado parmetro estadstico. Esta curva se conoce como campana de
Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran
parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observacin se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin explicacin
alguna. Para la explicacin causal es preciso el diseo experimental, de ah que al uso de
la estadstica en psicologa y sociologa sea conocido comomtodo correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de
la normal son:

caracteres morfolgicos de individuos como la estatura;

caracteres fisiolgicos como el efecto de un frmaco;

caracteres sociolgicos como el consumo de cierto producto por un mismo grupo

de individuos;

caracteres psicolgicos como el cociente intelectual;

nivel de ruido en telecomunicaciones;

errores cometidos al medir ciertas magnitudes;

etc.

La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por

ejemplo, la distribucin muestralde las medias muestrales es aproximadamente normal,
cuando la distribucin de la poblacin de la cual se extrae la muestra no es
normal.1 Adems, la distribucin normal maximiza la entropa entre todas las distribuciones
con media yvarianza 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. La
distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn
basados en una "normalidad" ms o menos justificada de la variable aleatoria bajo estudio.
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de
probabilidad continuas ydiscretas