U2A7

setwd("~/PYE1112ITSON")

library(pacman)
p_load("readr","tidyverse","DT","prettydoc","gridExtra")

Distribución normal

Distribución Normal Estandarizada

Una curva de densidad normal (o de Gauss) describe la densidad de probabilidades en la distribución de valores de observaciones (muestra) de una variable aleatoria, cuando el número de observaciones es bastante grande. Se aplica a muchas de las variables usualmente medidas en biología, aunque hay otras curvas de distribución de densidad, con formas parecidas a la normal (tipo campana), por ejemplo la t de Student.

Su forma general para una población, con la fórmula correspondiente, es la siguiente:

Distribución normal

La densidad de probabilidad para un valor x, en una población inmensamente grande (X

), es 0, pues la probabilidad de un valor único, entre un número infinito de valores posibles de la variable, tiende a 0.

Debemos pensar en la densidad de probabilidad como la frecuencia de ocurrencia de un valor en un intervalo de valores de la variable continua $X, [x y x+dx] $

Si el valor de dx es infinitamente pequeño, entonces la función \(f_X(x)\) es la probabilidad de X en ese intervalo.

La curva de distribución de valores con μ=0 y σ=1 se conoce como la curva normal estandarizada, y su función de densidad de probabilidades es:

\[ Y_i = \frac{1}{\sqrt{2\pi}}.e^\frac{-X_i{^2}}{2}\qquad(1) \]

Tamaño de muestra y distribución normal

La curva normal estandarizada describe exactamente la densidad de probabilidades para un infinito número de valores de la variable; sin embargo usualmente nuestra muestra (o la población completa) contiene un número finito de valores, y esto produce desviaciones de los valores esperados según la curva normal estandarizada.

Vamos a visualizar cómo compara la curva normal, con histogramas de la frecuencia de valores de una variable aleatoria, con 30, 300, 3000, 30000, y 300000 valores.

#valores al azar de la distribución normal
randNorm <- rnorm(3000)
#calculo de su densidad
randDensity <- dnorm(randNorm)
#gráfica
library(ggplot2)
ggplot(data.frame(x = randNorm, y = randDensity)) + 
  aes(x = x, y = y) +
geom_point() + 
  labs(x = "Random Normal Variable", y = "Densidad")

ggplot(data.frame(x = randNorm), aes(x = x)) +
    geom_histogram(binwidth = 0.1) +
  labs(x = "Random Normal Variable", y = "Frecuencia")

Probabilidad a partir de una distrubución normal

Utilizando los valores acumulados de la curva normal (integral) podemos calcular la proporción (o probabilidad) de observaciones que se encuentran antes o después de la medida de una observación.

Usando tabla de Z para distribución normal

Pero antes debemos estandarizar la escala de las mediciones a la curva normal estándar (μ=0 y σ=1); para esto usamos el valor Z: (Ecuación 2)

\[ Z = \frac{X_i - \mu}{\sigma}\qquad(2) \]

Tabla de probabilidades: https://drive.google.com/file/d/15JejXWAuKlln8Or5oSdYE6QqWC6m4jNo/view

Función pnorm para predecir probabilidades en R

La función pnorm nos permite calcular la proporción (probabilidad) de valores de una muestra que se encuentran antes o después de un valor Xi, siempre que conozcamos la media y desviación estándar de la muestra (¡asumiendo que los valores se distribuyen normalmente!). La función tiene la siguiente sintáxis:

pnorm(xi, mean = Xbarra, sd = s, lower.tail = TRUE o FALSE) xi: valor (cuantil) que divide los datos Xbarra: media de la muestra s: desviación estándar de la muestra lower.tail TRUE o FALSE: si queremos proporción antes o después del valor xi

#Calcular la proporción (o probabilidad) de valores menores de 6.6 mm en una distribución normal de tamaños de semillas, con media = 6.0 mm y desviación estándar = 1.1 mm:

pnorm(6.6, mean=6, sd=1.1, lower.tail = TRUE)

## [1] 0.7072795

#y la proporción de valores mayores de 5.4 mm:
pnorm(5.4, mean=6, sd=1.1, lower.tail = FALSE)

## [1] 0.7072795

#también podemos calcular la proporción de valores entre dos valores (o fuera de esos dos valores)
props <- pnorm( c(5.4,6.6), mean=6.0, sd=1.1, lower.tail = TRUE  )
props

## [1] 0.2927205 0.7072795

#proporción de valores entre 5.4 mm y 6.6 mm
props[2] - props[1]

## [1] 0.4145591

Asignación:

• ¿cuáles son las principales aplicaciones (en su carrera) de la distribución normal?

La distribución normal en la ingeniería en mecatrónica es utilizada para mas la parte administratiba como para costos, procesos pero tambien nos sirbe para crear sistemas de control entre otras cosas. Ya que la probabilidad se utiliza mucho en la automatizacion y basicamente nuestra carrera es casi puro automatizar procesos

• Realice un caso de estudio aplicado (con datos) en el cual se requiera del cálculo de probabilidad con distribución normal.

p_load("readr","modeest")
datos <- read_csv("pozos.csv")

## Parsed with column specification:
## cols(
##   PH = col_double(),
##   TEMP = col_double()
## )

ESCALA.jpg

hist(datos$PH)

Media y Moda

}

mean(datos$PH)

## [1] 6.890444

mfv(datos$PH, method = "discrete")

## [1] 7

Desviación estandar y varianza

var(datos$PH)

## [1] 0.04908645

sd(datos$PH)

## [1] 0.2215546

Calcule la probabilidad de que un pozo tenga menor ph de 6.5, con una media de 6.890444 y desviacion estándar de = 0.2215546.

pnorm(6.5, mean=6.890444 , sd=0.2215546, lower.tail = TRUE)

## [1] 0.03900995

Calcule la probabilidad de que un pozo tenga mayor ph que 6.5, con una media de 6.890444 y desviacion estándar de = 0.2215546.

pnorm(6.5, mean=6.890444 , sd=0.2215546, lower.tail = FALSE)

## [1] 0.9609901

Conclusion

como podemos observar con la distribucion normal podemos calcular rangos de probabilidad como en los ejrcicios anteriores. Con ella podemos calcular probabilidades de multiples eventos.