Una distribución normal es una distribución de probabilidad utilizada para modelar fenómenos que tienen un comportamiento predeterminado y posibles desviaciones acumulativas de ese comportamiento. Por ejemplo, se espera que las flechas de un arquero competente aterricen alrededor de la diana del objetivo; sin embargo, debido a las imperfecciones acumuladas en la técnica del arquero, la mayoría de las flechas fallarán en el blanco por cierta distancia. El promedio de esta distancia se conoce en tiro con arco como precisión , mientras que la cantidad de variación en las distancias como precisión . En el contexto de una distribución normal, la exactitud y la precisión se conocen como la media y ladesviación estándar , respectivamente. Por lo tanto, una medida estrecha de la competencia de un arquero se puede expresar con dos valores: una media y una desviación estándar. En una distribución normal, estos dos valores significan: hay una probabilidad de ~68 % de que una flecha caiga dentro de una desviación estándar de la precisión promedio del arquero; una probabilidad de ~95% de que una flecha caiga dentro de dos desviaciones estándar de la precisión promedio del arquero; ~99.7% dentro de tres; y así sucesivamente, aumentando lentamente hacia el 100%.
Más rigurosamente, en la teoría de la probabilidad , una distribución normal (también conocida como distribución de Gauss , Gauss o Laplace-Gauss ) es un tipo de distribución de probabilidad continua para una variable aleatoria de valor real . La forma general de su función de densidad de probabilidad es
El parámetro es la media o expectativa de la distribución (y también su mediana y moda ), mientras que el parámetro es su desviación estándar . La varianza de la distribución es . [1] Se dice que una variable aleatoria con una distribución gaussiana tiene una distribución normal y se denomina desviación normal .
Las distribuciones normales son importantes en estadística y se utilizan a menudo en las ciencias naturales y sociales para representar variables aleatorias de valor real cuyas distribuciones no se conocen. [2] [3] Su importancia se debe en parte al teorema del límite central . Establece que, bajo algunas condiciones, el promedio de muchas muestras (observaciones) de una variable aleatoria con media y varianza finitas es en sí misma una variable aleatoria, cuya distribución converge a una distribución normal a medida que aumenta el número de muestras. Por lo tanto, las cantidades físicas que se espera que sean la suma de muchos procesos independientes, como los errores de medición, a menudo tienen distribuciones que son casi normales. [4]
Además, las distribuciones gaussianas tienen algunas propiedades únicas que son valiosas en los estudios analíticos. Por ejemplo, cualquier combinación lineal de una colección fija de desviaciones normales es una desviación normal. Muchos resultados y métodos, como la propagación de la incertidumbre y el ajuste de parámetros por mínimos cuadrados , se pueden derivar analíticamente en forma explícita cuando las variables relevantes se distribuyen normalmente.