Lexicon Redes Neuronales

Distribución normal (Gaussiana)

La distribución más importante en estadística y machine learning

La distribución normal, también conocida como distribución gaussiana, describe cómo se distribuyen los datos alrededor de una media, formando la clásica curva en forma de campana.

👉 Es fundamental porque muchos fenómenos naturales y datos reales siguen (o se aproximan a) esta distribución.

Definición corta

La distribución normal es una distribución continua caracterizada por una media y una varianza, con forma simétrica de campana.

Definición matemática

f(x)=12πσ2 e−(x−μ)22σ2f(x)=\frac{1}{\sqrt{2\pi\sigma^2}}\,e^{-\frac{(x-\mu)^2}{2\sigma^2}}

👉 donde:

  • μ\mu: media
  • σ2\sigma^2: varianza

Intuición

La distribución normal responde:

👉 “La mayoría de los valores están cerca de la media, y los extremos son raros”

Centro → alta probabilidad  Extremos → baja probabilidad

📊 Propiedades clave

🔹 1. Simetría

  • alrededor de la media

🔹 2. Forma de campana

  • pico en μ\muμ

🔹 3. Parámetros

  • media (μ\muμ)
  • desviación estándar (σ\sigmaσ)

📊 Ejemplo conceptual

μ = 0 → centro  σ pequeño → curva estrecha  σ grande → curva ancha

🧠 Regla empírica (68–95–99.7)

  • 68% dentro de 1σ1\sigma1σ
  • 95% dentro de 2σ2\sigma2σ
  • 99.7% dentro de 3σ3\sigma3σ

📊 Interpretación

Más lejos de la media  ↓  Menos probable

🧠 Distribución normal estándar

Cuando:μ=0,σ=1\mu = 0, \quad \sigma = 1

👉 se llama normal estándar.

📐 Estandarización (Z-score)

Z=X−μσZ=\frac{X-\mu}{\sigma}

xx

μ\mu

σ\sigma

z=x−μσ≈1.2z=\frac{x-\mu}{\sigma}\approx 1.2

Φ(z)≈88.5%\Phi(z)\approx 88.5\%

👉 permite comparar valores en distintas escalas.

Ejemplo conceptual

Valor alto  ↓  Z-score alto  ↓  Evento raro

Relación con machine learning

La distribución normal aparece en:

  • ruido en datos
  • inicialización de pesos
  • errores de modelos
  • supuestos estadísticos

📊 Ejemplo conceptual

Datos  ↓  Distribución normal  ↓  Modelo aprende patrón

🧠 Teorema central del límite

👉 muchas variables independientes tienden a una distribución normal.

Suma de variables  ↓  Distribución normal

🧠 Uso en modelos

  • regresión
  • modelos bayesianos
  • redes neuronales (ruido, inicialización)

📊 Ejemplo en Python

import numpy as np
samples = np.random.normal(0, 1, 5)
print(samples)

Ejemplo con PDF

from scipy.stats import norm
import numpy as np
x = np.linspace(-3, 3, 5)
print(norm.pdf(x, 0, 1))

🧠 Qué muestra este ejemplo

  • generación de datos
  • forma de distribución
  • comportamiento probabilístico

⚠️ Errores comunes

Pensar que todos los datos son normales

No siempre es cierto.

Ignorar outliers

Afectan la distribución.

Confundir media con moda

En normal coinciden, pero no siempre.

📊 Ejemplo conceptual en ML

Distribución normal  ↓  Datos  ↓  Modelo  ↓  Predicción

🧠 Interpretación profunda

La distribución normal refleja un principio fundamental:

👉 El mundo real tiende a concentrarse alrededor de un valor promedio

Permite:

  • modelar incertidumbre
  • hacer inferencias
  • simplificar problemas complejos

Conclusión

La distribución normal es la distribución más importante en estadística, describiendo cómo se concentran los valores alrededor de una media.

👉 Es la base de muchos modelos y técnicas en machine learning.

Related Concepts