ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

Riobamba, 2019

Concepto y explicación de la distribución

normal y log-normal en estadísitica
Vicente Coronel
Estudiante de EIM, ESPOCH

Ricardo Gualán
Estudiante de EIM, ESPOCH

Resumen
En este paper se recaba información relevante en el campo de la estadística centrandose en los tipos de
distribución como son la distribución normal y log-normal. Se hace énfasis en la explicación de estos dos
tipos de distrubción, las propieades que las diferencian frente a los demás tipos como la bionomial o de
Poisson.

Además, también se ejemplifica la teoría de estos dos tipos de distribuciones mediante 4 artículos con
relación a este tema y varios ejercicios en los que se pone en práctica las fórmulas mencionadas en este
tema. De esta manera se espera informar y explicar estos conceptos.

Palabras clave: estadística, distribución, distribución normal, distribución log-normal

Abstract
This paper collects relevant information in the field of statistics by focusing on the types of distribution
such as normal and log-normal distribution. Emphasis is placed on the explanation of these two types of
distribution, the propieades that differentiate them from the other types like the bionomial or Poisson.

In addition, the theory of these two types of distributions is also exemplified by 4 articles on this topic
and several exercises in which the formulas mentioned in this topic are put into practice. This is
expected to inform and explain these concepts.

Key words: estadistics, distribution, normal distribution, log-normal distribution

Distribución normal y log-normal 23/04/2019

Distribución en estadísitca
La distribución de un conjunto de datos estadísticos es una lista o función que muestra todos los
valores posibles de los datos y la frecuencia con que se producen. Cuando se organiza una
distribución de datos categóricos, se ve el número o porcentaje de individuos en cada grupo.
Cuando se organiza una distribución de datos numéricos, a menudo se ordenan desde el más
pequeño al más grande, se dividen en grupos de tamaño razonable, y luego se ponen en gráficos
para examinar la forma, centro, y la cantidad de variabilidad en los datos.

El mundo de las estadísticas incluye docenas de distribuciones diferentes para los datos
categóricos y numéricos; los más comunes tienen sus propios nombres. Una de las distribuciones
más conocidas se llama la distribución normal, también conocida como la curva de la campana.
La distribución normal se basa en datos numéricos que son continuos; sus valores posibles se
encuentran en toda la línea de números reales. Su forma general, cuando los datos se organizan
en forma gráfica, es una campana-forma simétrica. (Nieves Hurtado, A. 2009) En otras palabras, la
mayoría (alrededor del 68%) de los datos se centran alrededor de la media (que le da la parte
media de la campana), y a medida que se mueve más lejos en ambos lados de la media, usted
encuentra menos y menos valores (que representa los lados inclinados hacia abajo a cada lado
de la campana).

Distribución normal
Una distribución normal, a veces llamada curva de campana, es una distribución que ocurre
naturalmente en muchas situaciones.
Por ejemplo, la curva de la campana se ve en pruebas como el SAT y el GRE. El grueso de los
estudiantes anotará el promedio (C), mientras que el número más pequeño de los estudiantes
obtendrá un B o D. Un porcentaje aún más pequeño de los estudiantes puntúan un F o un A. Esto
crea una distribución que se asemeja a una campana (de ahí el apodo). La curva de la campana
es simétrica. La mitad de los datos caerá a la izquierda de la media; la otra mitad caerá a la
derecha.

Propieades
Este tipo de distribución tiene muchas características o propiedades que permiten diferenciar
esta de las otras, por ejemplo:

2|Página
Distribución normal y log-normal 23/04/2019

 La media, la moda y la mediana son todas iguales.

 La curva es simétrica en el centro (i.e. alrededor de la media, μ).
 Exactamente la mitad de los valores están a la izquierda del centro y exactamente la mitad
de los valores están a la derecha.
 El área total bajo la curva es 1.
Los gráficos de probabilidad normal constituyen otra importante herramienta gráfica para
comprobar si un conjunto de datos puede considerarse o no procedente de una distribución
normal. La idea básica consiste en enfrentar, en un mismo gráfico, los datos que han sido
observados frente a los datos teóricos que se obtendrían de una distribución gaussiana. Si la
distribución de la variable coincide con la normal, los puntos se concentrarán en torno a una línea
recta, aunque conviene tener en cuenta que siempre tenderá a observarse mayor variabilidad en
los extremos. (Nieves Hurtado, A. 2009)
Existen muchos ejemplos donde la estadística, y en especíico la distribució normal, tienen
muchisima relevancia como en el cálculo de errores, la medicina, psicología, biotecnología,
antropología, datos sobre calificaciones, anatomía humana, etc…
Historicamente se le ha asiagnado el nombre de normal a este tipo de distribución porque se
creía que los datos que han sido tomados correctamente o la proporción entre datos debían
concluir en una gráfica de la distribución estandar, constante y equitativa entre mitades. Por
todo, se la llamó distribución normal.
Considerando la distribución bionmial (q+p)^n con p = q = 1/2 . A medida que n aumente
indefinadamente, la forma del poli´gon ode frecuencias se parecerá a una curva suave, simeétrica
con respeceto a una línea vertical que atraviese la medi, y es posible considerar la curva normal
como el límite de la misma escala que el polígon de frecuecnias, esto es, el área que se encuentra
por debajo de una u otra lína, es la misma. (Kennedy, 1982)
Desarrollando los términos

1 1 2𝑛
(2 + 2) = 2−2𝑛 ( 1 +2𝑛 𝐶1 +2𝑛 𝐶2 + ⋯ + +2𝑛 𝐶𝑛+𝑟 + ⋯ + 1 ) (1)

Los términos sucesisovos que se encuentran entre paréntesis se representan como ordenadas a
intervalos Δx, empezando con el primer término en el origen x= 0. De manera que:
𝑥 =𝑥−𝜇
{
∆𝑋 = ∆𝑥

La coordenada y permanece inalterada. Considerando los puntos U y V (totalmente aribirtarios

para esta explicación):
𝑦𝑢 =2𝑛 𝐶𝑛+𝑟 & 𝑦𝑣 = 𝑦𝑢 + ∆𝑦 =2𝑛 𝐶𝑛+𝑟+1

3|Página
Distribución normal y log-normal 23/04/2019

Pero transformando:

2𝑛 𝐶𝑛+𝑟+1 (𝑛−𝑟)
2𝑛 𝐶𝑛+𝑟+1 =
𝑛+𝑟+1
(2)

Haciendo uso de la combinatoria, se puede simplificar por:

∆𝑦 = 𝑦𝑣 − 𝑦𝑢
∆𝑦 =2𝑛 𝐶𝑛+𝑟+1 −2𝑛 𝐶𝑛+𝑟
𝑛−𝑟
∆𝑦 =2𝑛 𝐶𝑛+𝑟 ( −1)
𝑛+𝑟+1
−2𝑟 − 1 2𝑟 + 1
∆𝑦 =2𝑛 𝐶𝑛+𝑟 ( ) = 𝑦 (− )
𝑛+𝑟+1 𝑛+𝑟+1
Esto se puede sustuir con las variaciones:
𝛥𝑦 𝑦 2𝑟 + 1
= (− )
𝛥𝑋 𝛥𝑥 𝑛+𝑟+1
La abscisa del punto U es:
X = r 𝛥𝑋r
𝑥
𝑟=
𝛥𝑥
Despejando de la ecuación previa a la susititución del punto u:
2𝑥
𝛥𝑦 𝑦 − (𝛥𝑥 ) − 1
= ( )
𝛥𝑋 𝛥𝑥 𝑛 + ( 𝑋 ) + 1
𝛥𝑥
𝛥𝑦 𝑦 −2 (𝑋+𝛥𝑥)
= ( ) (3)
𝛥𝑋 𝛥𝑥 𝑛𝛥𝑥+𝑋+𝛥𝑥
Volviendo al inicio para deducir la media de los términos y la varianza:
𝜇 = 𝑛𝛥𝑥 = 𝑛𝛥𝑋
𝑛 2 𝑛 2
𝜎2 = 𝛥𝑥 = 𝛥𝑋
2 2
Al sustituir estas ecuaciones en la ecuación (3):
𝛥𝑦 𝑦 −𝑦 (2𝑋 + 𝛥𝑋)
= ( 2 )
𝛥𝑋 𝛥𝑥 2𝜎 + 𝑋𝛥𝑋 + 𝛥𝑥 2

4|Página
Distribución normal y log-normal 23/04/2019

Considerando que n tiende a infinito

𝛥𝑦 𝑑𝑦
𝛥𝑋 → 0 & →
𝛥𝑋 𝑑𝑋
Por tanto,
𝑑𝑦 𝑋
= −𝑦 2
𝑑𝑋 𝜎

𝑑𝑦 𝑋𝑑𝑋
= − 2
𝑦 𝜎
Al integrar y,
2 /2𝜎 2 )
𝑦 = 𝐶𝑒 −(𝑥
Considerando:
1 1
ℎ = √2𝜎2 = (4)
𝜎√2

Aquí, h es la constante de precisión de la función gaussiana, es posible reformular de tal modo

que:
2 ℎ2 )
𝑦 = 𝐶𝑒 −(𝑥 (5)

La ecuación de la curva de la distribución normal se puede expresar de múltiples formas. Si se

requiere conocer la curva normal de ldistribución de frecuecnias, la ecuación puede satisfacer la
condición de qu eel área bajo la curva es igual al número total de observaciones N. (Kennedy,
1982)De esta manera:

+∞
2 /2𝜎 2
𝐶 ∫ 𝑒 −𝑥 𝑑𝑋 = √2𝜋𝜎 1
−∞

De ahí que la altura máxima de la curva sea:

𝑁
C=
√2𝜋𝜎1

5|Página
Distribución normal y log-normal 23/04/2019

Y finalmente, la ecuación de la curva normal de distribución de frecuencias se puede palntear

como:
𝑁 2 /2𝜎 2
𝑦= 𝑒 −𝑥 (6)
√2𝜋𝜎1

Como se señao, σ es la desviación estandar de la población. Si se opera en términos de las

observaciones reales x y se trabaja como la probalidad más que con la distribución de
frecuencias se puede obtiene:

𝑁 2 /2𝜎 2
𝑃(𝑥) = 𝑒 −(𝑥−µ) (7)
𝜎√2𝜋

Aquí, P(x) es la densidad de probabilidad para la desviación (x - µ) y representan la razón de

cambio de la probabilidad con respecto a x. Como la media µ es constante para cualquier
distribución, el efecto de µ es cambiar la posción de la curva normal a lo largo del eje x, pero no
modifcar la forma de la cual depende sólo el valor de la desviación estandar, σ. (Kennedy,
1982)Por lo tanto, se puede caluclar la desviación a partir de la media:
𝑥− µ
𝑧= (8)
𝜎

En consecuencia,
1
𝑑𝑧 = 𝑑𝑋
𝜎
Ahora bien, valiéndose de las deficiones de la desnidad de probabilidad y la distribución
probabilística de una variable. Se puede deducir del cálculo que:

𝑝 (𝑥)𝑑𝑥 = 𝑓(𝑧)𝑑𝑧
𝑝(𝑥)𝑑𝑥
𝑓(𝑧) =
𝑑𝑧
Por lo tanto,
𝑑𝑥 𝑁 2 /2𝜎
𝑓(𝑧) = 𝑝(𝑥) 𝑑𝑧 = 𝑒 −(𝑧) (9)
𝜎√2𝜋

Donde Px es la probabilidad de la función de densidad de una distribución normal con la

variable x
X pertenece al intervalo menos infinito e infinito cmo el dominio de esta función.
µ es la media, que es igual a la moda y la mediana.
σ2 es la varianza.

6|Página
Distribución normal y log-normal 23/04/2019

En el caso de la distribución normal se suele usar µ = 0 y σ2 =1.

En esta figura, la varianza varía desde un valor bajo (azul oscuro) hasta un valor más rgande (azul
claro), al tener en cuenta la figura anterior podremos ver que la probabilidad de encontrar los
valores ha variado en gran medida, siendo más probable que un valor esté en los extremos de la
distribución normal. (Nieves Hurtado, A. 2009)

La varianza determina la amplitud de la campana que se forma en la distribución normal. Cuanto

más grande es este valor más dispersos están los valores y la campana se hace más amplia, por
el contrario, cuando este valor es pequeño, la campana se hace más puntiaguada.

7|Página
Distribución normal y log-normal 23/04/2019

Cuando:
𝑋− 𝜇
𝑍=
𝜎

y µ = 0 y σ2 =1 entonces Z = X la función de prode la densidad de probabilidad se simplifica a:

1 −(𝑧)2
𝑃(𝑥) = 𝑒 2
(√2𝜋)

La función de distribución también se la puede reeinterpretar como:

𝑧2
1 𝑍 −
Φ (z) = P (Z < r) = ∫ 𝑒 2 𝑑𝑧
√2𝜋 −∞

El gráfico de la distribución normal muestra información como el area bajo la curva. Los valores
del area están defininidos mediante tablas. Cuando los valores que estamos buscando son
comuenes como z=1 o z=2 es sencillo encontrar estos valores pero cuando z toma valores no tan
comunes entonces se hace necesario el uso de una tabla con los valores de estas areas definidos
en base a los datos que estamos buscando.

Distribucion log-normal
Dentro del campo de la estadística y la probabilidad una de las distribuciones más usadas para
algunos de estos cálculos es la distribución log normal la cual se usa comúnmente para realizar
modelos de la vida de unidades cuyos modos de falla son de naturaleza, también es muy
comúnmente usada para los análisis de fiabilidad, o confiabilidad.
La distribución logarítmica normal es continua. Se suele utilizar a menudo en situaciones en las
que los valores se sesgan positivamente, por ejemplo, para determinar precios de acciones,
precios de propiedades inmobiliarias, escalas salariales y tamaños de depósitos de aceite.

Propiedades
La distribución log-normal se caracteriza por las siguientes propiedades:

8|Página
Distribución normal y log-normal 23/04/2019

● Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a las tasas y
probabilidades de fallo que de esta forma sólo pueden ser positivas.

● Como depende de dos parámetros, según veremos, se ajusta bien a un gran número de
distribuciones empíricas.

● Es idónea para parámetros que son a su vez producto de numerosas cantidades aleatorias
(múltiples efectos que influyen sobre la fiabilidad de un componente).

La distribución logarítmica normal se utiliza cuando se dan las siguientes condiciones:

 Los límites superiores e inferiores son ilimitados, pero la variable incierta no puede estar
por debajo del valor del parámetro de ubicación.
 La distribución se ha sesgado positivamente, con la mayoría de los valores próximos al
límite inferior.
 El logaritmo natural de la distribución es una distribución normal.

La distribución log-normal es importante en la descripción de los fenómenos naturales. Esto

sigue, porque muchos procesos de crecimiento natural son impulsados por la acumulación de
muchos pequeños cambios porcentuales. Estos se convierten en aditivos en una escala de
registro. Si el efecto de cualquier cambio es insignificante, el teorema del límite central dice que
la distribución de su suma es más normal que la de los sumandos. Cuando se transforma
nuevamente en la escala original, hace que la distribución de los tamaños sea aproximadamente
log-normal (aunque si la desviación estándar es suficientemente pequeña, la distribución normal
puede ser una aproximación adecuada). (Anderson et al. 2001)

Dentro de la vida cotidiana este tipo de distribución se aplica para algunos ámbitos, tales como
los que presentare a continuación: El comportamiento de los humanos, en biología y medicina,
química de polímeros, hidrología, ciencias demográficas y en la tecnología. (del Pino y la
Peña,2008)

La manera en la que se va poder encontrar la distribución log-normal es mediante la función que

tiende a la densidad de probabilidad (Sarabia Alegría, Gómez Déniz y Vázquez Polo 2007):

(𝑙𝑛𝑋−𝑀)2
1 −
𝑃(𝑋) = 𝑆√2𝜋𝑋 𝑒 2𝑆2 x

En donde las variables cumplirán con los siguientes parámetros:

µ es la media, que es igual a la moda y la mediana.

σ desviacion estandar

9|Página
Distribución normal y log-normal 23/04/2019

Esta distribución se pude normalizar si tomamos en cuenta la siguiente sustitución:

𝑦 = ln 𝑋

𝑑𝑥
𝑑𝑦 =
𝑥

𝑥 = 𝑒𝑦
∞
1 ∞ (𝑦−𝑀)2
−
∫ 𝑃(𝑋)𝑑𝑥 = ∫ 𝑒 2𝑆 2 𝑑𝑦 =1
0 𝑆√2𝜋𝑋 −∞

De esta fórmula para encontrar la esperanza y la varianza se usará la primera y segunda derivada
de la función anterior.

(𝑦−𝑀)2
−
𝜇1´ = 𝑒 2𝑆 2

(𝑦−𝑀)2
− 2
𝜇2´´ =𝑒 2𝑆 2 (𝑒 𝑆 − 1)

De estas fórmulas tendremos que:

𝑀+𝑠2
𝐸(𝑋) = 𝑒 2 𝐸𝑆𝑃𝐸𝑅𝐴𝑁𝑍𝐴

𝑆 2 +𝑀 2
𝑉(𝑋) = 𝑒 2 (𝑒 𝑆 − 1) 𝑉𝐴𝑅𝐼𝐴𝑁𝑍𝐴

10 | P á g i n a
Distribución normal y log-normal 23/04/2019

La esperanza matemática o media en la distribución lognormal es mayor que su mediana. De este

modo da más importancia a los valores grandes de las tasas de fallo que una distribución normal
con los mismos percentiles del 5% y 50% tendiendo, por tanto, a ser pesimista. Esta propiedad
se puede apreciar en la figura 1

Fig 1 Comparación entre una

distribución normal y una
lognormal con los mismos
percentiles del 5% y 50%.
(Distribución normal normalizada a
1, distribución lognormal con el
mismo factor)

Análisis de artículos sobre distribución normal

Explain of normal distribution
Por: Krithikadatta J.

Análisis comparativo

La manera en que Krithikadatta explica la distribución normal permite comprender perfectamente la

razón de su nombre. Mediante el uso del concepto de la desviación estándar se entiende perfectamente
que la distribución de los datos en una gráfica es totalmente simétrica a como es en teoría una distribución
de esta clase.

En la figura 1. se puede ver como se distribuyen los datos conforme nos vamos separando del punto 0 o
punto de referencia que está definido por la media. La media de los datos se puede calcular sumando
todos los datos y dividiéndola para el número de estos datos. (Nieves Hurtado, A. 2009)

11 | P á g i n a
Distribución normal y log-normal 23/04/2019

Como podemos comprobar en la representación simplificada de la distribución estándar, los datos estarán
repartidos uniformemente en ambas mitades, es decir, la curva es simétrica. De acuerdo a la teoría, la
mayoría de los datos se debe concentrar en los alrededores más cercanos a la media, es por ello por lo
que el 68% de los datos están, en este ejemplo, desde -1 hasta 1. (Nieves Hurtado, A. 2009)

En la figura 2. Tenemos un ejemplo claro de distribución normal, aquí podemos comprobar como las
clases toman valores simétricos a sus semejantes en la parte opuesta del eje. Es decir, la clase -1 tendrá
el mismo valor que la clase 1.

12 | P á g i n a
Distribución normal y log-normal 23/04/2019

Conforme se estipula en el libro de Hurtado Nieves, la cantidad de datos que tenemos sobre algo
determina en gran parte la precisión de las futuras predicciones. (Nieves Hurtado, A. 2009) Pero, además,
una cantidad de datos es siempre necesaria para que un estudio sea tomado en cuenta. Existen muchos
factores por los cuales un juicio puede ser emitido. Si hemos recabado la mayor información posible,
podremos ser mas precisos con nuestros cálculos. Esto toma una especial importancia a la hora de calcular
la desviación estándar puesto que, si no tenemos la cantidad adecuada, cabe la posibilidad de no ser
capaces de generar una distribución que se asemeje a la realidad, es decir, la desviación estándar puede
no estar tomando en cuenta todos los casos posibles en un estudio.

Análisis crítico

Mi opinión sobre este artículo se basa en la forma en la que se expresa el autor y la cantidad de
información que reflejan las páginas al autor. La explicación de este tema se ha condensado de tal manera
que cualquier persona que lo lea puede entender, leyendo un poco sobre estadística obviamente, lo que
está intentando transmitir el autor. De esta manera, la interpretación del artículo me resulto muy sencilla.
Los ejemplos que propone son de suma importancia ya que explican visualmente como se da este tipo de
distribución.

Veo necesario un poco más de importancia a la parte matemática del problema. Si bien es cierto que la
estadística se basa en datos y en cómo organizamos estos datos, existen muchas maneras de determinar
cómo serán las gráficas mediante operaciones aritméticas. El ejemplo más importante es la distribución
estándar. Si conocemos la teoría podemos calcular la desviación estándar de una base de datos para emitir
un juicio y prever su representación.

Conocer la teoría ahora muchísimo tiempo a la hora de interpretar datos. La manipulación de grandes
bases de datos conlleva un análisis monumental a tener en cuenta. Antiguamente, las bases de datos eran
interpretadas por profesionales del área a mano lo cual consumía muchísimo tiempo. Hoy en día, las
herramientas computacionales nos ayudan calculando parámetros tan importantes como son el sesgo o
la curtosis casi instantáneamente.

Evidence That Dyslexia May Represent the Lower Tail of a

Normal Distribution of Reading Ability
Por: Sally E. Shaywitz, M.D., Michael D. Escobar, Ph.D., Bennett A. Shaywitz, M.D.,
Jack M. Fletcher, Ph.D., and Robert Makuch, Ph.D.

Análisis comparativo

Los investigadores encargados de este proyecto aplicaron la teoría de la distribución normal para
identificar a los pacientes que presentaban problemas con la lectura. Esto se consiguió tras analizar los
datos y clasificarlos en base al nivel de lectura. Después de esto se puede calcular el número de pacientes

13 | P á g i n a
Distribución normal y log-normal 23/04/2019

que están ubicados en los extremos de esta gráfica. Estos pacientes no representan la mayoría de la
población a estudiar ni de lejos lo cuál concuerda perfectamente con la teoría estipulada. (Shaywitz, S. E,
2002)

La cantidad de niños con problemas de lectura y que fueron diagnosticados con dislexia fueron sólo 7.
Estos niños se ubicaban en el extremo de la gráfica de distribución. Es decir, de acuerdo con la figura 1.
el número de pacientes representan el 0.24% del total (414 pacientes). Lo cual los sitúa en el extremo de
la gráfica.

Se dice que muchos fenómenos en el campo de la salud se distribuyen normalmente. Esto significa que si
uno toma al azar un número suficientemente grande de casos y construye un polígono de frecuencias con
alguna variable continua, por ejemplo peso, talla, presión arterial o temperatura, se obtendrá una curva
de características particulares, llamada distribución normal. Es la base del análisis estadístico, ya que en
ella se sustenta casi toda la inferencia estadística. (Shaywitz, S. E, 2002)

Este artículo es un ejemplo más de como la estadística es útil en campos tan diferentes como la medicina
o la psicología. Y el poder de ésta para confirmer o refuter hipótesis que han estado por mucho tiempo
en nuestra Sociedad como es la de relacionar directamente a la falta de habilidad para la lectura con un
nivel bajo de IQ.

Análisis crítico

Este artículo es un poco más difícil de comprender ya que los términos que usa están ligados a la medicina.
No obstante, son términos que podemos consultar en un diccionario y nos quedarán bastante claros. Los
investigadores consiguieron mostrar cuán equivocados hemos estado respecto a las personas que
padecen esta enfermdad, pero no solo eso, sino que también consiguieron mostrarnos que es posible
aumentar o mejorar nuestra marca IQ con la lectura.

La información que presenta este artículo es muy útil para todo el público ya que desmiente muchos mitos
de la sociedad. También arroja esperanza a todas las personas que presentan problemas con la lectura ya
que la dislexia es una enfermdad complicada y con un tratamiento largo. Todas estas personas pueden
contemplar opciones alternativas a un diagnóstico de dislexia.

14 | P á g i n a
Distribución normal y log-normal 23/04/2019

MODELO LOG-NORMAL PARA PREDICCIÓN DEL PRECIO DE LAS

ACCIONES DEL SECTOR BANCARIO
Análisis Comparativo.

En el siguiente artículo científico se usa la Distribución Log-Normal para realizar el estudio de los activos
financieros ya que es un aspecto muy importante que se toma en cuenta para los inversionistas, ya que
esto ayuda a la toma de decisiones en el desarrollo de la economía. Mediante esta investigación se
posibilita el ejercicio de prueba y optimización de técnicas para mejorar la toma de decisiones
concernientes a la compra y venta de acciones en el mercado financiero colombiano.

Este artículo en primera instancia consta de una revisión literaria en la que se describen trabajos de
investigación en los que se aplican distintos métodos de pronóstico de precios de activos financieros,
seguidamente estableciendo una metodología para la implementación de la predicción.

Los resultados muestran que la acción que más se ajusta al modelo de pronóstico desarrollado, es la del
banco de Banco de Occidente, que en promedio la diferencia entre los valores pronosticados y los reales
es de 8,5361 y correspondientes al 0,1438%, lo que denota un buen modelo de pronóstico para este grupo
de acciones, que es la menos volátil de los tres grupos de acciones estudiados; por lo cual se puede resaltar
que si bien el modelo incorpora el factor aleatorio en la variable Z, aplicando las simulaciones, este no
alcanza a interpretar todos los eventos que se producen en el mercado, por lo que a los activos más
volátiles se les genera menor capacidad predictiva en la aplicación de este tipo de modelos. Es posible
construir modelos de pronóstico de activos financieros bajo el modelo log-normal utilizando parámetros
estadísticos para su estimación, realizando simulaciones para los valores pronosticados a partir de los
valores de series periódicas, como lo son las series diarias de las acciones de las entidades financieras
objeto de estudio. (Daniel, W.W., 1995)

En este sentido, es importante destacar que dicho modelo no genera pronóstico altamente certero para
estas series financieras, debido a que los resultados de la medida de bondad de ajuste MSE y MAPE
generan valores relativamente altos. Esta incapacidad predictiva del modelo, para este tipo de activos
financieros, está asociada al uso de parámetros como la media (µ) y la desviación estándar (σ), parámetros
que –por defecto- asignan igual importancia a todos los datos de la serie usada para su cálculo (en este
caso, la serie de rentabilidad). Es decir, que si se calcula la rentabilidad de estas acciones usando los
últimos 100 datos, el modelo aporta igual relevancia al dato de t-100 que el de t-1 sin importar si en el
momento t-1 la volatilidad es muy baja y en el t-100 ha sido muy alta.

Análisis Crítico.

Respecto al artículo analizado, mi opinión está centrada en la manera de cómo mediante el análisis de
bibliografía se puede determinar un modelo de distribución basada en datos estadísticos. En este caso
para la determinar la compra y venta de acciones se usa este modelo debido a que la distribución log-
normal es simple y fácil de usar, es altamente apropiado para intentar predecir y medir la volatilidad. Este

15 | P á g i n a
Distribución normal y log-normal 23/04/2019

modelo trabaja con los retornos logarítmicos de la serie financiera bajo estudio, y asume una distribución
normal de los mismos.

NTP 418: Fiabilidad: la distribución lognormal

Análisis comparativo

´´Las NTP son guías de buenas prácticas. Sus indicaciones no son obligatorias salvo que estén recogidas en
una disposición normativa vigente. A efectos de valorar la pertinencia de las recomendaciones contenidas
en una NTP concreta es conveniente tener en cuenta su fecha de edición.´´

Para la realización de este documento, en el cual se usa la distribución Log normal para la Fiabilidad dentro
de lo que es la prevención de fallos en instalaciones industriales de proceso ya que está basada en gran
parte en la aplicación de los probabilísticos de análisis de riesgos. Todo ello se ha llevado a cabo a través
de una disciplina denominada ingeniería de fiabilidad, para la cual se dispone de las adecuadas técnicas
de predicción y prevención, que han sido fundamentales para el aseguramiento de la calidad y la
seguridad de productos y procesos.

Para ello es imprescindible establecer un programa de mantenimiento que permita mantenerlos en

buenas condiciones de uso, renovándolos antes de que su tasa de fallos sea inaceptable. Todo ello
requiere conocer a priori la fiabilidad de los elementos de seguridad que se instalan en las instalaciones,
información que debería ser suministrada por los fabricantes, considerando como datos primordiales los
empíricos existentes en bancos de datos de fiabilidad de componentes, funcionando en condiciones y
ambientes determinados. Esta fiabilidad debe ser debidamente controlada y contrastada a través del
propio programa de mantenimiento, a fin de verificar que se está dentro de las condiciones de respuesta
del sistema esperadas. Sólo entonces se podrá afirmar que la probabilidad de fallo de un componente es
conocida y está controlada.

El objetivo de la presente NTP es dar a conocer un tipo de distribución estadística aplicable al estudio de
la fiabilidad de componentes técnicos que, dentro de una misma clase, presentan distintos valores como
consecuencia de la conjunción de una serie de factores tales como su procedencia, carga, temperatura de
su entorno, presión de trabajo, medio ambiente de trabajo (agua, aire, ácidos.) etc. Representa la
evolución con el tiempo de la tasa de fallos, λ(t), en la primera fase de vida de un componente, la
correspondiente a los fallos infantiles en la "curva de la bañera" entendiéndose como tasa de fallos la
probabilidad de que un componente que ha funcionado hasta el instante t, falle entre t y t + dt. En este

16 | P á g i n a
Distribución normal y log-normal 23/04/2019

caso la variable independiente de la distribución es el tiempo. Permite fijar tiempos de reparación de

componentes, siendo también en este caso el tiempo la variable independiente de la distribución.

Describe la dispersión de las tasas de fallo de componentes, ocasionada por diferente origen de los datos,
distintas condiciones de operación, entorno, bancos de datos diferentes, etc. En este caso la variable
independiente de la distribución es la tasa de fallos. La distribución log normal se obtiene cuando los
logaritmos de una Variable se describen mediante una distribución normal. Es el caso en el que las
variaciones en la fiabilidad de una misma clase de componentes técnicos se representan considerando la
tasa de fallos aleatoria en lugar de una variable constante.

Análisis crítico.

Como podemos observar este artículo está basado más en la manera de cómo podemos aplicar la
distribución log normal dentro de un campo laboral, en este caso en el campo industrial, para así prevenir
algunos fallos que se puedan encontrar al momento de realizar algún trabajo ya que esto esta va a estar
basado en análisis de riesgos, y lo que hará la distribución Log normal es tratar de reducir estos riesgos
con un una buena toma de decisiones al momento de que se esté laborando.

Bibliografía
1. Krithikadatta J. Normal Distribution. JConservDot 2014 17:96-7

2. Shaywitz, S. E., Escobar, M. D., Shaywitz, B. A., Fletcher, J. M., & Makuch, R. (2002). Evidence that
dyslexia may represent the lower tail of a normal distribution of reading ability. New England Journal of
Medicine, 326(3), 145-150.

3. ANDERSON, D.R., SWEENEY, D.J., WILLIAMS, T.A., ROA, M. del C.H. y ÁLVAREZ, T.L., 2001. Estadística
para administración y economía. S.l.: International Thomson.

4. DEL PINO, J.M. y LAPEÑA, A.C., [sin fecha]. NTP 418: Fiabilidad: la distribución lognormal.

5. Nieves Hurtado, A., & DOMÍNGUEZ SÁNCHEZ, F. C. (2009). Probabilidad y estadística para ingeniería
un enfoque moderno.

6. Pértegas Díaz, S., Pita Fernández, S. 2001 Representación gráfica en el análisis de datos. Cad Aten
Primaria 2001; 8: 112-117.

7. Daniel WW. Bioestadística. Base para el análisis de las ciencias de la salud. Mexico: Limusa; 1995.

8. SARABIA ALEGRíA, J.M., GÓMEZ DÉNIZ, E. y VÁZQUEZ POLO, F., 2007. Estadística actuarial: teoría y
aplicaciones. S.l.: Pearson Prentice Hall.

9. John B. Kennedy y Adam M. Neville (1982) Estadísitica para Ciencias e Ingenería. México: Harla

17 | P á g i n a
Distribución normal y log-normal 23/04/2019

Anexos
Ejercicio distribución normal

1. Se sabe que el peso de los sujetos de una determinada población sigue una distribución
aproximadamente normal, con una media de 80 Kg y una desviación estándar de 10 Kg.
¿Podremos saber cuál es la probabilidad de que una persona, elegida al azar, tenga un peso
superior a 100 Kg? ¿podemos obtener la probabilidad de que el peso de un sujeto esté entre 60
y 100 Kg? 𝑃(𝑧 ≤ 2) = 0.9772

2. Si x está distribuida de manera normal con una media de 100 y una desviación estandar de 24,
calcule la probabilidad e que una observación aleatoria quede dentro de:
a. 105 y 112
b. 75 y 92

3. La medici’on del di’ametro interno de u ntubuo de fundci’on est’a normalmente distribuido con
una mediad de 5.01 cm y uan desvaci’on estandar de 0.03 c. Los l’imtes de especifaciones son
5.00 + 0.05 cm. ¿Qué porcentaje de tubos de fundición es inaceptable?

4. El diámetro interno terminado de un arco de pistón está distribuido de manera normal con una
medi de 3.25 cm y una desviación estándar de 0,001cm. ¿Qué probabilidad hay de obtener un
diámetro que exceda dde 4.51 cm?

18 | P á g i n a
Distribución normal y log-normal 23/04/2019

Ejercicio distribución log-normal

La distribución lognormal es la mejor opción para describir la distribuición de los datos de máxima
profundidad de pozo de las tuberías de hierro fundido en el suelo. Considérese µ= 0.353 y σ= 0.754 para
la profundidad de pozo maxima(mm) de tuberias enterradas. Encontrar a) la media y la varianza de la
profundidad del pozo b) la probabilidad de que la máxima profundidad éste entre 1 y 2 mm.

a)

σ2
𝐸(𝑋) = 𝑒 µ+ 2

(0.754)2
0.353+
=𝑒 2

= 𝑒 0.63726 = 1.8913
2 2
V(X) = 𝑒 2µ+σ .(𝑒 σ − 1)
2 2
= 𝑒 2(0.353)+(0.754 ) .(𝑒 (0.754) − 1)

= 2.7387

b)

𝑷(𝟏 ≤ 𝑿 ≤ 𝟐) = 𝑃[ln(1) ≤ ln(2)]= 𝑃(0 ≤ ln(𝑥) ≤ 0.693)

0−0.353 0.693−2.353
=𝑃( ≤𝑍≤ )
0.754 0.754

0.693−2.353 0−2.353
= 𝑃(𝑍 ≤ ) - 𝑃(𝑍 ≤ )
0.754 0.754

= ∅(0.451)- ∅(−0.468) = 𝟎. 𝟑𝟓𝟒𝟐𝟐

19 | P á g i n a