# Fórmula de la distribució normal en estadística
La distribució normal, també coneguda com a distribució gaussiana o corba de campana, és un dels conceptes més fonamentals de l'estadística. La seva existència sovint es considera la base de diverses anàlisis estadístiques i de probabilitat. Aquesta distribució no només s'utilitza amb freqüència en teoria, sinó també en diverses aplicacions pràctiques, com ara la gestió de riscos financers, les ciències socials, la medicina i més.
## Definició de distribució normal
La distribució normal és una distribució de probabilitat contínua que és simètrica respecte a la seva mitjana. En altres paraules, un gràfic d'aquesta distribució formarà una corba de campana que s'eixampla a la mitjana i s'estreny a les cues. Aquesta distribució té dos paràmetres principals: la mitjana (μ) i la desviació estàndard (σ).
La mitjana determina la ubicació del centre de la distribució, mentre que la desviació estàndard mesura com de disperses estan les dades al voltant de la mitjana. Com més gran sigui la desviació estàndard, més ampla i curta serà la corba de distribució; com més petita sigui la desviació estàndard, més estreta i pronunciada serà la corba.
## Funció de densitat de probabilitat
La funció de densitat de probabilitat (pdf) per a la distribució normal té la següent forma matemàtica:
\[ f(x | μ, σ) = \frac{1}{\sigma \sqrt{2 π}} e^{ -\frac{(x-μ)^2}{2\sigma^2} } \]
Aquí:
– \(x \) és una variable aleatòria.
– \( \mu \) és la mitjana de la distribució.
– \( \sigma \) és la desviació estàndard de la distribució.
– \(e \) és la base del logaritme natural, aproximadament 2.71828.
La funció anterior crea una corba de campana simètrica. La integral d'aquesta funció entre dos punts dóna la probabilitat que la variable aleatòria es trobi entre aquests dos valors.
## Distribució normal estàndard
La distribució normal estàndard és una distribució normal amb mitjana μ = 0 i desviació estàndard σ = 1. La funció de densitat de probabilitat per a la distribució normal estàndard és:
\[ f(z) = \frac{1}{\sqrt{2 \pi}} e^{ -\frac{z^2}{2} } \]
Aquí:
– \(z\) és una variable aleatòria que segueix una distribució normal estàndard.
La distribució normal estàndard s'utilitza sovint perquè ens permet estandarditzar altres distribucions normals mitjançant un procés anomenat "estandardització". L'estandardització implica transformar els valors (x) de la distribució normal (N(μ, sigma)) als valors (z) de la distribució normal estàndard (N(0, 1)), utilitzant la fórmula següent:
\[ z = \frac{x – \mu}{\sigma} \]
Aquest procés facilita la comparació de valors de diferents distribucions normals mapejant-los a una sola escala.
## Aplicació i rellevància
### 1. Teorema del límit central
La distribució normal és particularment rellevant en el context del Teorema del Límit Central (TCC). El TCC estableix que un nombre prou gran de variables aleatòries independents tindran una distribució aproximadament normal, independentment de la forma de la distribució original. Això significa que la distribució normal es pot utilitzar per aproximar la distribució de la mitjana mostral, sempre que la mostra sigui prou gran.
### 2. Inferència estadística
La distribució normal permet l'aplicació de proves d'hipòtesi, com ara la prova z i la prova t. Ambdós mètodes utilitzen la distribució normal estàndard per determinar la significació estadística dels resultats observats. La prova z s'utilitza normalment quan la mida de la mostra és gran o es coneix la desviació estàndard de la població, mentre que la prova t s'aplica quan la mida de la mostra és petita o es desconeix la desviació estàndard de la població.
### 3. Anàlisi de regressió
En l'anàlisi de regressió lineal, la suposició que les dades d'error tenen una distribució normal és crucial. Aquesta suposició permet el càlcul d'intervals de confiança i les proves de significació dels paràmetres del model de regressió. De la mateixa manera, la detecció d'errors de dades o valors atípics sovint es fa examinant la distribució residual per a desviacions significatives de la normalitat.
### 4. Medicina i Biologia
En medicina, la distribució normal s'utilitza per descriure la distribució de diversos fenòmens biològics. Per exemple, l'alçada, la pressió arterial i certs resultats de proves de laboratori sovint segueixen una distribució normal. Això facilita la determinació de valors de tall per a diagnòstics mèdics.
### 5. Finances i Economia
En finances, la distribució normal s'utilitza per modelar molts fenòmens, com ara la rendibilitat de les accions, els tipus d'interès i més. Tot i que a la pràctica, les accions sovint presenten una asimetria i una curtosi més elevades, la suposició d'una distribució normal encara proporciona una base analítica sòlida.
## Implementació i càlcul
### Ús de Python
Python, amb biblioteques com NumPy i SciPy, proporciona diversos mètodes per treballar amb la distribució normal. Aquí teniu un exemple de com podem generalitzar i representar gràficament la distribució normal utilitzant aquestes biblioteques:
"`pitó
importar numpy com a np
importa matplotlib.pyplot com a plt
de la norma d'importació scipy.stats
# Paràmetres de distribució normal
mu = 0 # mitjana
sigma = 1 # desviació estàndard
# Dades per a la distribució normal
x = np.linspace(-5, 5, 1000)
y = norma.pdf(x, mu, sigma)
# Gràfic de distribució normal
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('Densitat')
plt.title('Distribució normal N(0, 1)')
plt.show ()
“
A l'exemple anterior, hem generat dades de distribució normal amb mitjana 0 i desviació estàndard 1, i després hem representat gràficament la seva funció de densitat de probabilitat.
## Conclusió
La distribució normal juga un paper crucial en estadística i probabilitat. El seu ús universal, des del teorema del límit central fins a diverses aplicacions pràctiques com l'anàlisi de regressió i les proves d'hipòtesis, la converteix en una de les distribucions de probabilitat més populars i importants. Comprendre la fórmula de la distribució normal i com utilitzar-la de manera efectiva és una habilitat essencial per a qualsevol persona que treballi en ciència de dades, recerca, economia i molts altres camps.
Amb aquest coneixement, podem abordar i resoldre diversos tipus de problemes analítics de manera més eficaç, cosa que ens permet prendre millors decisions basades en les dades i probabilitats disponibles.
