10 - La distribución Gaussiana (o Normal)
Lección 10 del curso Probabilidad Nivel Intermedio.
En la lección anterior hablamos de las funciones densidad de probabilidad y de distribución acumulada que resultan relevantes para las situaciones en las cuales tengamos variables aleatorias continuas.
Generalmente es la función densidad de probabilidad (PDF) la que más comúnmente usaremos y es precisamente la que usaremos en esta lección para definir una distribución de probabilidades que resulta fundamental en Ciencia De Datos y Machine Learning: la distribución Gaussiana (también conocida como distribución normal).
Entonces comenzaremos viendo un poco de historia acerca de esta distribución así como algunos ejemplos de esta distribución en el mundo real. Luego hablaremos en detalle de la definición matemática de la función densidad de probabilidad y veremos dos de sus parámetros característicos: la media y la desviación estándar.
Y para finalizar veremos las principales áreas de aplicación de esta distribución en Ciencia de Datos y Machine Learning así como un ejemplo de cálculo de probabilidades con esta distribución.
¡Así que comencemos!
Suscríbete y accede al código fuente y al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Muy bien acabamos de ver las principales características de la distribución Gaussiana así como la importancia que tiene en la Ciencia de Datos y el Machine Learning, en aplicaciones que van desde la estandarización de datos, pasando por la inferencia estadística y la detección de valores extremos hasta su uso para la construcción de diferentes modelos de clasificación, entre otras.
Además entendimos los dos parámetros que caracterizan esta distribución: la media (una medida de tendencia central) y la desviación estándar (una medida de dispersión).
Con todos estos elementos ya estamos listos para poner en práctica lo aprendido. Así que en la próxima lección, la última del curso, veremos una aplicación práctica de la distribución Gaussiana y en detalle veremos cómo construir un modelo de detección de anomalías, una aplicación muy común en el Machine Learning.