Este documento describe varias distribuciones de probabilidad comúnmente usadas en estadística, incluyendo la distribución de Bernoulli, binomial, Poisson, normal, gamma y T de Student. Explica las características clave de cada distribución como sus parámetros, funciones de probabilidad asociadas, y cómo calcular medidas como la media y varianza.
Este documento describe varias distribuciones de probabilidad comúnmente usadas en estadística, incluyendo la distribución de Bernoulli, binomial, Poisson, normal, gamma y T de Student. Define cada distribución y explica sus parámetros clave, funciones de probabilidad, media y varianza. También proporciona ejemplos para ilustrar cómo modelar diferentes tipos de datos usando estas distribuciones.
Este documento describe varias distribuciones de probabilidad comúnmente usadas en estadística. Introduce la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica cómo cada una se define, sus parámetros y cómo calcular la media y varianza. También proporciona ejemplos para ilustrar el uso de estas distribuciones.
Este documento presenta un resumen de trabajo sobre distribuciones de probabilidad realizado por un estudiante llamado Oscar Torres Rivera para su clase de Estadística impartida por el profesor Gerardo Edgar Mata Ortiz. El trabajo explica seis distribuciones comunes: Bernoulli, binomial, Poisson, normal, gamma y t-student.
Este documento introduce conceptos básicos de estadística como variables aleatorias discretas y continuas, función de distribución de probabilidad, esperanza matemática, varianza y desviación estándar. Luego describe distribuciones de probabilidad discretas como Bernoulli, binomial, geométrica y Poisson, así como distribuciones continuas como uniforme, exponencial y normal. Finalmente concluye que la estadística se divide en descriptiva e inferencial para analizar y resumir datos de poblaciones y muestras.
El documento resume diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson, normal, gamma y T de Student. Explica cada una de estas distribuciones definiendo sus parámetros y cómo se utilizan para modelar diferentes tipos de fenómenos aleatorios como ensayos de Bernoulli, número de éxitos en una secuencia de ensayos, ocurrencia de eventos, variables asociadas a fenómenos naturales, variables con asimetría positiva y estimación de medias poblacionales con muestras pequeñas.
Las distribuciones Bernoulli, binomial y de Poisson describen el número de éxitos o eventos que ocurren. La distribución normal describe variables continuas simétricas. La distribución gamma modela variables continuas con asimetría positiva. La distribución t se usa para estimar medias cuando las desviaciones estándar se desconocen.
Este documento presenta definiciones y descripciones de varias distribuciones de probabilidad importantes como la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución gamma y la distribución t de Student. Cada una se describe en uno o dos párrafos detallando sus características fundamentales y cómo modelan diferentes tipos de fenómenos aleatorios.
Este documento describe conceptos básicos de probabilidad y estadística como variables aleatorias, funciones de probabilidad, distribuciones de probabilidad discretas y continuas. Explica las distribuciones de Bernoulli, binomial, Poisson y normal, incluyendo sus parámetros y usos comunes. También cubre conceptos como valor esperado, varianza, tipificación y cómo la distribución normal emerge de estimaciones muestrales a pesar de la distribución original de los datos.
Este documento describe varias distribuciones de probabilidad comúnmente usadas en estadística, incluyendo la distribución de Bernoulli, binomial, Poisson, normal, gamma y T de Student. Define cada distribución y explica sus parámetros clave, funciones de probabilidad, media y varianza. También proporciona ejemplos para ilustrar cómo modelar diferentes tipos de datos usando estas distribuciones.
Este documento describe varias distribuciones de probabilidad comúnmente usadas en estadística. Introduce la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica cómo cada una se define, sus parámetros y cómo calcular la media y varianza. También proporciona ejemplos para ilustrar el uso de estas distribuciones.
Este documento presenta un resumen de trabajo sobre distribuciones de probabilidad realizado por un estudiante llamado Oscar Torres Rivera para su clase de Estadística impartida por el profesor Gerardo Edgar Mata Ortiz. El trabajo explica seis distribuciones comunes: Bernoulli, binomial, Poisson, normal, gamma y t-student.
Este documento introduce conceptos básicos de estadística como variables aleatorias discretas y continuas, función de distribución de probabilidad, esperanza matemática, varianza y desviación estándar. Luego describe distribuciones de probabilidad discretas como Bernoulli, binomial, geométrica y Poisson, así como distribuciones continuas como uniforme, exponencial y normal. Finalmente concluye que la estadística se divide en descriptiva e inferencial para analizar y resumir datos de poblaciones y muestras.
El documento resume diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson, normal, gamma y T de Student. Explica cada una de estas distribuciones definiendo sus parámetros y cómo se utilizan para modelar diferentes tipos de fenómenos aleatorios como ensayos de Bernoulli, número de éxitos en una secuencia de ensayos, ocurrencia de eventos, variables asociadas a fenómenos naturales, variables con asimetría positiva y estimación de medias poblacionales con muestras pequeñas.
Las distribuciones Bernoulli, binomial y de Poisson describen el número de éxitos o eventos que ocurren. La distribución normal describe variables continuas simétricas. La distribución gamma modela variables continuas con asimetría positiva. La distribución t se usa para estimar medias cuando las desviaciones estándar se desconocen.
Este documento presenta definiciones y descripciones de varias distribuciones de probabilidad importantes como la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución gamma y la distribución t de Student. Cada una se describe en uno o dos párrafos detallando sus características fundamentales y cómo modelan diferentes tipos de fenómenos aleatorios.
Este documento describe conceptos básicos de probabilidad y estadística como variables aleatorias, funciones de probabilidad, distribuciones de probabilidad discretas y continuas. Explica las distribuciones de Bernoulli, binomial, Poisson y normal, incluyendo sus parámetros y usos comunes. También cubre conceptos como valor esperado, varianza, tipificación y cómo la distribución normal emerge de estimaciones muestrales a pesar de la distribución original de los datos.
Si quiere descargar la presentación, dirijase a:
http://probestunalmzl.wikispaces.com/temario
Le agradecería si me reporta los errores que encuentre en la diapositiva (daalvarez arroba unal punto edu punto co)
Este documento describe diferentes distribuciones de probabilidad, incluyendo la distribución de Bernoulli, binomial, y Poisson. La distribución de Bernoulli modela experimentos con dos resultados posibles, como lanzar una moneda. La distribución binomial se usa para contar el número de éxitos en múltiples pruebas de Bernoulli. La distribución de Poisson modela el número de eventos que ocurren en un periodo de tiempo, cuando la probabilidad de cada evento es baja.
Este documento presenta un resumen de las distribuciones de probabilidad continuas. Explica que las variables aleatorias continuas toman valores en intervalos en lugar de valores específicos. Introduce conceptos como densidad continua, distribución acumulativa, valor esperado y parámetros. Luego describe varias distribuciones continuas importantes como uniforme, gamma, exponencial, normal y binomial. Concluye que el cálculo integral es fundamental para evaluar funciones de probabilidad en intervalos.
Este documento describe las principales distribuciones de probabilidad para variables aleatorias continuas, incluyendo la distribución uniforme, exponencial, Weibull y normal. Explica que una distribución de probabilidad indica los posibles valores de un experimento aleatorio y provee ejemplos para ilustrar cada distribución.
Este documento resume tres distribuciones de probabilidad: binomial, Poisson y normal. La distribución binomial describe eventos de "éxito/fracaso" que ocurren en una serie de ensayos independientes con la misma probabilidad de éxito. La distribución de Poisson modela eventos aleatorios que ocurren continuamente en el tiempo o espacio. La distribución normal es ampliamente utilizada y aproxima la distribución binomial para grandes valores de n. El documento también presenta fórmulas clave como funciones de probabilidad y generadoras de momentos para cada distribución.
Procesos industriales área manufacturaYovana Marin
Este documento proporciona información sobre varias distribuciones de probabilidad, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución gamma y la distribución t de Student. Define cada distribución y proporciona ejemplos para ilustrar sus características y cómo se pueden usar para modelar diferentes tipos de datos.
Este documento introduce varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica que cada distribución modela la probabilidad de resultados aleatorios en diferentes tipos de experimentos y que tienen aplicaciones estadísticas como realizar pruebas de hipótesis.
Este documento presenta resúmenes breves de varias distribuciones de probabilidad comunes, incluidas las distribuciones de Bernoulli, binomial, Poisson, normal y t-Student. Explica los conceptos clave de cada distribución, como los parámetros involucrados y cómo modelan diferentes tipos de fenómenos aleatorios.
Este documento presenta conceptos básicos sobre modelos probabilísticos. Introduce las nociones de variable aleatoria, función de probabilidad para variables discretas y densidad para variables continuas. Explica distribuciones como la binomial, de Poisson y normal, dando ejemplos de cada una. Finalmente, describe el proceso de tipificación para comparar valores de distribuciones diferentes.
El documento describe varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Para cada distribución, se proporciona una breve definición y ejemplos ilustrativos. El documento parece ser apuntes de una clase sobre distribuciones de probabilidad.
El documento resume varias distribuciones de probabilidad importantes, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución de Weibull, la distribución gamma y la distribución t-Student. Cada distribución se describe brevemente con sus propiedades fundamentales.
Este documento presenta conceptos básicos sobre probabilidad y distribuciones de probabilidad. Define variables aleatorias discretas y continuas, y describe distribuciones discretas como la binomial, geométrica, hipergeométrica y Poisson. También cubre distribuciones continuas como la uniforme, normal, exponencial y t-student. Finalmente, presenta un estudio de caso sobre el uso de la distribución normal para evaluar los resultados de una prueba de depresión administrada a personas sin hogar.
Las distribuciones de probabilidad describen la probabilidad de que una variable aleatoria tome diferentes valores. Este documento describe distribuciones de probabilidad continuas y discretas, y analiza las distribuciones binomial y de Poisson, indicando cómo calcular la probabilidad de diferentes resultados y los parámetros que las caracterizan como la media y la desviación típica.
La distribución normal es una distribución de probabilidad muy importante en estadística. Tiene forma de campana y describe fenómenos naturales como las características físicas y psicológicas de personas. Se define por su función de densidad de probabilidad, que depende de dos parámetros: la media y la desviación típica.
Este documento resume varias distribuciones de probabilidad comúnmente usadas, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución exponencial, la distribución normal y la distribución gamma. Cada distribución se describe brevemente con su fórmula y una gráfica ilustrativa.
Este documento describe las distribuciones normal y binomial. Explica que la distribución normal fue reconocida por primera vez por Abraham de Moivre y posteriormente desarrollada por Carl Friedrich Gauss. La distribución normal tiene parámetros μ y σ2 y es frecuentemente utilizada en aplicaciones estadísticas. La distribución binomial es una distribución discreta que mide el número de éxitos en una secuencia de ensayos de Bernoulli independientes con probabilidad fija p.
Este documento presenta diferentes distribuciones de probabilidad continuas como la gamma, exponencial y Weibull. Describe sus usos, gráficas y provee ejemplos para cada una. La distribución gamma modela la suma de variables independientes distribuidas exponencialmente, mientras que la exponencial describe procesos donde se analiza el tiempo hasta que ocurre un evento.
Este documento discute cuatro distribuciones de probabilidad continuas comunes (normal, binomial, exponencial y gamma) y sus propiedades. Explica que la distribución normal se utiliza con frecuencia debido a que muchas variables naturales la siguen. También describe las distribuciones binomial, exponencial y gamma, y sus usos. Concluye que analizar la distribución de datos es importante para describir el comportamiento de variables aleatorias continuas.
1) La distribución Erlang describe el tiempo de espera hasta el suceso número k en un proceso de Poisson.
2) Se aplica en modelos de sistemas masivos de servicio como centrales telefónicas y call centers.
3) Las fórmulas Erlang B y C calculan la probabilidad de bloqueo y espera usando esta distribución.
Este documento presenta seis distribuciones de probabilidad comunes: distribución de Bernoulli, distribución binomial, distribución de Poisson, distribución gamma, distribución normal y distribución t de Student. Explica brevemente cada distribución y proporciona ejemplos numéricos para ilustrar sus propiedades. También incluye ejercicios de práctica relacionados con cada distribución.
Este documento presenta varios ejemplos de distribuciones de probabilidad como la binomial y Poisson. Incluye problemas sobre la probabilidad de eventos en situaciones que involucran lanzar monedas y dados, seleccionar elementos defectuosos de una muestra, y el número de bits en un patrón aleatorio. Se piden determinar probabilidades como la de obtener cierto número de "éxitos" o que el número de éxitos sea mayor o menor que un valor.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.leonardo19940511
Este documento presenta ejemplos de las principales distribuciones de probabilidad: Bernoulli, binomial, Poisson y normal. Incluye 5 ejemplos para cada distribución ilustrando cómo calcular la probabilidad de diferentes eventos. Por ejemplo, calcula la probabilidad de obtener determinados resultados al lanzar una moneda o sacar boletos de una urna usando la distribución de Bernoulli o binomial.
Si quiere descargar la presentación, dirijase a:
http://probestunalmzl.wikispaces.com/temario
Le agradecería si me reporta los errores que encuentre en la diapositiva (daalvarez arroba unal punto edu punto co)
Este documento describe diferentes distribuciones de probabilidad, incluyendo la distribución de Bernoulli, binomial, y Poisson. La distribución de Bernoulli modela experimentos con dos resultados posibles, como lanzar una moneda. La distribución binomial se usa para contar el número de éxitos en múltiples pruebas de Bernoulli. La distribución de Poisson modela el número de eventos que ocurren en un periodo de tiempo, cuando la probabilidad de cada evento es baja.
Este documento presenta un resumen de las distribuciones de probabilidad continuas. Explica que las variables aleatorias continuas toman valores en intervalos en lugar de valores específicos. Introduce conceptos como densidad continua, distribución acumulativa, valor esperado y parámetros. Luego describe varias distribuciones continuas importantes como uniforme, gamma, exponencial, normal y binomial. Concluye que el cálculo integral es fundamental para evaluar funciones de probabilidad en intervalos.
Este documento describe las principales distribuciones de probabilidad para variables aleatorias continuas, incluyendo la distribución uniforme, exponencial, Weibull y normal. Explica que una distribución de probabilidad indica los posibles valores de un experimento aleatorio y provee ejemplos para ilustrar cada distribución.
Este documento resume tres distribuciones de probabilidad: binomial, Poisson y normal. La distribución binomial describe eventos de "éxito/fracaso" que ocurren en una serie de ensayos independientes con la misma probabilidad de éxito. La distribución de Poisson modela eventos aleatorios que ocurren continuamente en el tiempo o espacio. La distribución normal es ampliamente utilizada y aproxima la distribución binomial para grandes valores de n. El documento también presenta fórmulas clave como funciones de probabilidad y generadoras de momentos para cada distribución.
Procesos industriales área manufacturaYovana Marin
Este documento proporciona información sobre varias distribuciones de probabilidad, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución gamma y la distribución t de Student. Define cada distribución y proporciona ejemplos para ilustrar sus características y cómo se pueden usar para modelar diferentes tipos de datos.
Este documento introduce varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica que cada distribución modela la probabilidad de resultados aleatorios en diferentes tipos de experimentos y que tienen aplicaciones estadísticas como realizar pruebas de hipótesis.
Este documento presenta resúmenes breves de varias distribuciones de probabilidad comunes, incluidas las distribuciones de Bernoulli, binomial, Poisson, normal y t-Student. Explica los conceptos clave de cada distribución, como los parámetros involucrados y cómo modelan diferentes tipos de fenómenos aleatorios.
Este documento presenta conceptos básicos sobre modelos probabilísticos. Introduce las nociones de variable aleatoria, función de probabilidad para variables discretas y densidad para variables continuas. Explica distribuciones como la binomial, de Poisson y normal, dando ejemplos de cada una. Finalmente, describe el proceso de tipificación para comparar valores de distribuciones diferentes.
El documento describe varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Para cada distribución, se proporciona una breve definición y ejemplos ilustrativos. El documento parece ser apuntes de una clase sobre distribuciones de probabilidad.
El documento resume varias distribuciones de probabilidad importantes, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución de Weibull, la distribución gamma y la distribución t-Student. Cada distribución se describe brevemente con sus propiedades fundamentales.
Este documento presenta conceptos básicos sobre probabilidad y distribuciones de probabilidad. Define variables aleatorias discretas y continuas, y describe distribuciones discretas como la binomial, geométrica, hipergeométrica y Poisson. También cubre distribuciones continuas como la uniforme, normal, exponencial y t-student. Finalmente, presenta un estudio de caso sobre el uso de la distribución normal para evaluar los resultados de una prueba de depresión administrada a personas sin hogar.
Las distribuciones de probabilidad describen la probabilidad de que una variable aleatoria tome diferentes valores. Este documento describe distribuciones de probabilidad continuas y discretas, y analiza las distribuciones binomial y de Poisson, indicando cómo calcular la probabilidad de diferentes resultados y los parámetros que las caracterizan como la media y la desviación típica.
La distribución normal es una distribución de probabilidad muy importante en estadística. Tiene forma de campana y describe fenómenos naturales como las características físicas y psicológicas de personas. Se define por su función de densidad de probabilidad, que depende de dos parámetros: la media y la desviación típica.
Este documento resume varias distribuciones de probabilidad comúnmente usadas, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución exponencial, la distribución normal y la distribución gamma. Cada distribución se describe brevemente con su fórmula y una gráfica ilustrativa.
Este documento describe las distribuciones normal y binomial. Explica que la distribución normal fue reconocida por primera vez por Abraham de Moivre y posteriormente desarrollada por Carl Friedrich Gauss. La distribución normal tiene parámetros μ y σ2 y es frecuentemente utilizada en aplicaciones estadísticas. La distribución binomial es una distribución discreta que mide el número de éxitos en una secuencia de ensayos de Bernoulli independientes con probabilidad fija p.
Este documento presenta diferentes distribuciones de probabilidad continuas como la gamma, exponencial y Weibull. Describe sus usos, gráficas y provee ejemplos para cada una. La distribución gamma modela la suma de variables independientes distribuidas exponencialmente, mientras que la exponencial describe procesos donde se analiza el tiempo hasta que ocurre un evento.
Este documento discute cuatro distribuciones de probabilidad continuas comunes (normal, binomial, exponencial y gamma) y sus propiedades. Explica que la distribución normal se utiliza con frecuencia debido a que muchas variables naturales la siguen. También describe las distribuciones binomial, exponencial y gamma, y sus usos. Concluye que analizar la distribución de datos es importante para describir el comportamiento de variables aleatorias continuas.
1) La distribución Erlang describe el tiempo de espera hasta el suceso número k en un proceso de Poisson.
2) Se aplica en modelos de sistemas masivos de servicio como centrales telefónicas y call centers.
3) Las fórmulas Erlang B y C calculan la probabilidad de bloqueo y espera usando esta distribución.
Este documento presenta seis distribuciones de probabilidad comunes: distribución de Bernoulli, distribución binomial, distribución de Poisson, distribución gamma, distribución normal y distribución t de Student. Explica brevemente cada distribución y proporciona ejemplos numéricos para ilustrar sus propiedades. También incluye ejercicios de práctica relacionados con cada distribución.
Este documento presenta varios ejemplos de distribuciones de probabilidad como la binomial y Poisson. Incluye problemas sobre la probabilidad de eventos en situaciones que involucran lanzar monedas y dados, seleccionar elementos defectuosos de una muestra, y el número de bits en un patrón aleatorio. Se piden determinar probabilidades como la de obtener cierto número de "éxitos" o que el número de éxitos sea mayor o menor que un valor.
Cinco ejemplos de aplicación de las distribuciones de probabilidad.leonardo19940511
Este documento presenta ejemplos de las principales distribuciones de probabilidad: Bernoulli, binomial, Poisson y normal. Incluye 5 ejemplos para cada distribución ilustrando cómo calcular la probabilidad de diferentes eventos. Por ejemplo, calcula la probabilidad de obtener determinados resultados al lanzar una moneda o sacar boletos de una urna usando la distribución de Bernoulli o binomial.
Este documento presenta conceptos básicos de probabilidad y estadística como variables aleatorias, funciones de probabilidad, momentos estadísticos y distribuciones de probabilidad. Explica que una variable aleatoria es una variable cuyo valor depende de un experimento aleatorio, y define funciones de densidad y distribución para variables discretas y continuas. También define conceptos como el valor esperado, varianza, covarianza y coeficiente de correlación para medir tendencias centrales y dispersión de variables aleatorias, así como propiedades de estas medidas estadísticas.
Este documento presenta diferentes tipos de distribuciones de probabilidad, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson y la distribución exponencial. Para cada distribución, se proporciona una breve explicación, la fórmula y ejemplos ilustrativos. También se plantean problemas para practicar el cálculo de probabilidades usando cada distribución.
Instagram has 5.9 million users aged 13 and older in Thailand as of November 2015. The largest age group of users are ages 18-24, making up 41% of Thai Instagram users, while ages 13-17 make up 14% and ages 25-34 comprise 29% of users. Slightly more than two-thirds of Thai Instagram users are female.
Este documento presenta cuatro problemas de probabilidad que involucran distribuciones de Poisson. El primer problema calcula la probabilidad de que 3 ml de una solución con 6 partículas por ml contengan exactamente 15 partículas. El segundo determina la probabilidad de que una muestra de 5,000 piezas tenga cierto número defectuosas. El tercero calcula la probabilidad de que un blog reciba entre 12 y 20 visitas en 3 minutos. Y el cuarto encuentra la probabilidad de que una galleta contenga cierto número de chispas de chocolate cuando se agregaron 300 chispas
Este documento explica cómo calcular la probabilidad en una distribución binomial. Presenta un ejemplo de calcular la probabilidad de que llantas de un cargamento tengan imperfecciones si se seleccionan 4 llantas al azar. Calcula la probabilidad de que ninguna, una, o una o más llantas tengan imperfecciones usando la fórmula binomial y sumando las probabilidades individuales cuando sea necesario.
La inferencia estadística comprende métodos para obtener conclusiones sobre una población a partir de una muestra. Incluye estimación de parámetros como la media y pruebas de hipótesis. Los estimadores deben ser insesgados, consistentes y eficientes. Los intervalos de confianza miden la precisión de los estimadores con un grado de confianza.
El documento presenta información sobre intervalos de confianza. Explica que un intervalo de confianza es un rango de valores posibles para un parámetro poblacional basado en una muestra de datos, con un cierto grado de confianza. Define conceptos como límites de confianza, grado de confianza y nivel de significación. Incluye fórmulas para calcular intervalos de confianza para la media poblacional, proporciones poblacionales, y muestras pequeñas con desviación estándar desconocida. Presenta ej
Intervalos de confianza para la diferencia de proporcionesYazmin Venegas
El documento describe los intervalos de confianza para estimar parámetros poblacionales como proporciones. Explica que un intervalo de confianza del 95% indica que el verdadero valor del parámetro se encuentra dentro de ese rango con un 95% de probabilidad. Luego detalla cómo construir intervalos de confianza para una proporción poblacional o la diferencia entre dos proporciones, basándose en el tamaño muestral y el valor crítico z.
Este documento presenta ejemplos de distribuciones de probabilidad discretas como la distribución de Bernoulli, binomial y Poisson. Incluye cálculos de probabilidades, medias y varianzas para variables aleatorias con estas distribuciones.
Este documento presenta varios ejercicios y problemas relacionados con distribuciones binomiales en el contexto de probabilidades de éxito o fracaso. Incluye cálculos de probabilidades para diferentes escenarios como los tiros libres de un jugador de basquetbol o la tasa de defectos en una fábrica. También analiza los resultados de inspecciones de calidad a lotes provenientes de un proveedor para determinar si la tasa de defectos reportada es correcta.
1) El documento describe los conceptos de estimación puntual y por intervalo en inferencia estadística. 2) La estimación puntual involucra dar un valor numérico que aproxime al parámetro poblacional, mientras que la estimación por intervalo especifica un método para calcular los límites de un intervalo que contenga al parámetro. 3) Se discuten propiedades deseables de los estimadores puntuales como insesgabilidad, eficiencia y consistencia, y cómo construir intervalos de confianza para estimar parámetros como la media, varianza y
Este documento presenta ejemplos y ejercicios resueltos sobre las distribuciones de probabilidad Gamma y Weibull. Explica cómo calcular la media, desviación estándar y probabilidades para valores dados de estas distribuciones. Los ejercicios involucran aplicaciones como la duración de motores eléctricos y cojinetes modelados con estas distribuciones.
El documento habla sobre los intervalos de confianza. Explica que un intervalo de confianza es un rango de valores que probablemente incluya el verdadero valor de un parámetro poblacional, calculado a partir de una muestra. También define conceptos como nivel de confianza, error aleatorio, y cómo construir intervalos de confianza para la media y la proporción.
Distribuciones poisson, rayleigh y studentRosa E Padilla
El documento presenta tres distribuciones de probabilidad: Poisson, Rayleigh y Student. La distribución de Poisson describe la probabilidad de eventos que ocurren a un ritmo constante. La distribución de Rayleigh modela variables aleatorias con valores positivos. La distribución t de Student generaliza la distribución normal para cuando la varianza es desconocida.
Este documento presenta 5 ejemplos para ilustrar la aplicación de las distribuciones de Bernoulli, binomial, Poisson y normal. Explica conceptos como probabilidad de éxito, probabilidad de fracaso, variables aleatorias y parámetros asociados a cada distribución. Los ejemplos incluyen lanzar monedas, dados y otros experimentos aleatorios para calcular probabilidades bajo cada distribución.
Este documento describe la distribución de Poisson y cómo se usa para calcular la probabilidad de sucesos aleatorios discretos. Explica que la distribución de Poisson se aplica cuando los eventos son impredecibles, independientes y ocurren con baja frecuencia dentro de un intervalo de muestra grande. Proporciona ejemplos y fórmulas para calcular la probabilidad, promedio, varianza y desviación estándar usando esta distribución.
Este documento introduce varias distribuciones de probabilidad comúnmente usadas, incluyendo la distribución de Bernoulli, binomial, Poisson, normal, gamma y T de Student. Define cada distribución y explica sus propiedades fundamentales como la media, varianza y funciones de densidad de probabilidad.
Las distribuciones de probabilidad discutidas incluyen la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución lognormal, la distribución gamma y la distribución de Weibull. Cada una describe la probabilidad de eventos discretos o continuos bajo ciertas condiciones y parámetros.
Este documento presenta diferentes tipos de distribuciones de probabilidad, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, y la distribución gamma. Define cada distribución y proporciona fórmulas y ejemplos para ilustrar sus propiedades fundamentales.
La distribución de Bernoulli describe la probabilidad de éxito o fracaso en un único experimento dicotómico. La distribución binomial se aplica a múltiples experimentos de Bernoulli independientes, mientras que la distribución de Poisson se usa para eventos raros cuando la distribución binomial no se puede aplicar. Otras distribuciones comunes incluyen la normal, gamma y t de Student.
Este documento presenta información sobre diferentes distribuciones de probabilidad, incluyendo distribuciones Bernoulli, binomial, Poisson, normal, lognormal, gamma y Weibull. Define cada distribución y explica conceptos clave como la función de densidad de probabilidad y cómo se pueden usar estas distribuciones para modelar diferentes tipos de datos aleatorios.
Este documento describe varias distribuciones de probabilidad, incluyendo la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica las fórmulas y parámetros clave de cada distribución, así como ejemplos de su aplicación.
Este documento presenta varias distribuciones de probabilidad importantes, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, la distribución gamma y la distribución t de Student. Define cada distribución y explica sus parámetros clave y cómo se usan para modelar experimentos aleatorios y calcular probabilidades.
El documento describe diferentes tipos de distribuciones de probabilidad, incluyendo distribuciones continuas como la normal y exponencial, así como la distribución de Student. Explica que las distribuciones de probabilidad describen la probabilidad de posibles valores de variables aleatorias y que pueden ser continuas o discretas. También proporciona ejemplos y propiedades clave de cada distribución.
Este documento presenta una introducción a las variables aleatorias y distribuciones de probabilidad. Explica las diferencias entre variables aleatorias discretas y continuas, y describe varias distribuciones de probabilidad discretas como la binomial, geométrica, hipergeométrica y de Poisson. También cubre conceptos clave como el valor esperado y la varianza. Finalmente, introduce la distribución uniforme continua.
El documento describe varias distribuciones de probabilidad discretas, incluyendo la binomial, geométrica, hipergeométrica y de Poisson. La distribución binomial modela el número de éxitos en una secuencia de ensayos de Bernoulli independientes. La distribución geométrica modela el número de ensayos necesarios para obtener el primer éxito. La distribución hipergeométrica se aplica a muestreos aleatorios sin reemplazo. Finalmente, la distribución de Poisson modela el número de eventos que ocurren en un intervalo de tiempo dado una t
El documento describe diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson, normal y gamma. La distribución de Bernoulli describe experimentos con dos resultados posibles, la binomial describe una secuencia de ensayos de Bernoulli independientes, y la Poisson se usa para procesos de conteo con un promedio conocido. La distribución normal es común en fenómenos naturales y la gamma se usa para procesos de Poisson.
La distribución de Poisson describe la probabilidad de que ocurran cierta cantidad de eventos en un intervalo de tiempo, cuando dichos eventos ocurren con una frecuencia media conocida. Fue descubierta por Siméon-Denis Poisson en 1838. Tanto la media como la varianza de una variable aleatoria con distribución de Poisson son iguales al parámetro λ, que representa la frecuencia media de ocurrencia de los eventos. La distribución de Poisson se aplica a fenómenos como el número de clientes que llegan a una caja en un supermercado en un interval
La distribución de Poisson describe la probabilidad de que ocurran un número k de eventos en un intervalo de tiempo, cuando el promedio de ocurrencia de eventos es λ. La distribución gamma generaliza la distribución exponencial para variables aleatorias continuas con asimetría positiva, determinada por los parámetros α y β. La distribución normal aparece en muchos fenómenos naturales y su curva en forma de campana la hace útil para aproximar otras distribuciones.
Este documento presenta varias distribuciones de probabilidad especiales como la distribución binomial, de Poisson y normal. Explica las características de cada distribución y cómo se pueden usar para modelar diferentes tipos de experimentos aleatorios. También discute cómo el tamaño de la muestra afecta la aproximación a la distribución normal y cómo calcular el tamaño de muestra mínimo necesario para estimar parámetros poblacionales con un cierto nivel de confianza.
Este documento describe diferentes tipos de distribuciones de probabilidad, incluyendo distribuciones discretas como la de Bernoulli y binomial, distribuciones continuas como la normal, y la distribución de Poisson para sucesos raros. Explica conceptos clave como función de probabilidad, función de densidad, función de distribución, valor esperado y varianza. También describe cómo la distribución normal surge de manera natural en muchos procesos y cómo estimadores estadísticos calculados en muestras tienden a distribuciones normales debido al teorema del límite central.
Este documento presenta una introducción a los modelos probabilísticos. Explica conceptos como variable aleatoria, función de probabilidad, función de densidad y función de distribución para variables discretas y continuas. También introduce algunos modelos de variables aleatorias comunes como la distribución de Bernoulli, binomial, Poisson y normal.
Este documento presenta resúmenes breves de varias distribuciones de probabilidad comunes, incluidas las distribuciones de Bernoulli, binomial, Poisson, normal y t-Student. Explica los conceptos clave de cada distribución, como los parámetros involucrados y cómo modelan diferentes tipos de fenómenos aleatorios.
El documento describe tres distribuciones de probabilidad:
1) La distribución binomial, que modela el número de éxitos en una serie de ensayos independientes con dos resultados posibles.
2) La distribución de Poisson, que describe eventos aleatorios que ocurren con una frecuencia media conocida e independientemente del tiempo.
3) La distribución normal, que se aplica a variables continuas simétricas y en forma de campana, y se usa para aproximar la binomial cuando n es grande.
Este documento describe varias distribuciones de probabilidad importantes, incluyendo la distribución binomial, hipergeométrica, Poisson, normal, t-student y chi cuadrada. Explica las propiedades y aplicaciones de cada distribución, así como ejemplos ilustrativos. Las distribuciones son herramientas estadísticas útiles para modelar una variedad de fenómenos aleatorios.
El documento describe diez distribuciones estadísticas comunes (Uniforme, Exponencial, Binomial, Bernoulli, Poisson, Normal, Lognormal, Weibull, Gamma y Triangular) y proporciona información sobre sus usos y cómo generar números aleatorios para cada una.
Este documento proporciona una introducción al programa estadístico Minitab. Explica que Minitab puede ejecutar funciones estadísticas básicas y avanzadas de una manera amigable para el usuario. También describe las características principales de Minitab como hojas de trabajo, ventanas de datos, ventanas de sesión y gráficas. Luego, guía al lector a través de un ejemplo práctico de cómo usar la herramienta estadística básica "Z de 1 muestra" en Minitab para
MANUAL DE PRUEBA DE HIPÓTESIS EN MINITAB Roza Meza
Este documento proporciona una introducción al programa estadístico Minitab. Explica que Minitab es un programa diseñado para realizar análisis estadísticos básicos y avanzados de manera amigable para el usuario. Además, describe algunas de las funciones principales de Minitab como hojas de trabajo, ventanas de datos y resultados, y herramientas para crear gráficas y generar informes. Finalmente, ofrece instrucciones básicas sobre cómo comenzar a utilizar algunas de las herramientas estadí
Este documento proporciona una introducción al uso del programa estadístico Minitab. Explica que Minitab permite realizar análisis estadísticos básicos y avanzados de manera amigable para el usuario. Además, describe las características principales del programa como hojas de trabajo, ventanas de datos y resultados, y herramientas para crear gráficas y generar informes. Finalmente, ofrece instrucciones paso a paso para realizar un ejercicio práctico utilizando la herramienta estadística Z de
La autora Rosa Helida Yaneth Meza Reyes presenta un documento sobre Estadística Aplicada a la Ingeniería para la Universidad Tecnológica de Torreón. El documento explora cómo los ingenieros pueden aplicar métodos estadísticos para resolver problemas, tomar decisiones informadas y mejorar procesos.
La autora Rosa Heñida Yaneth Meza Reyes presenta un documento sobre Estadística Aplicada a la Ingeniería para la Universidad Tecnológica de Torreón. El documento explora cómo aplicar conceptos estadísticos a problemas de ingeniería para analizar datos y tomar decisiones informadas.
El balanced scorecard es una herramienta útil para la gestión estratégica que traduce la estrategia de una empresa en objetivos medibles a través de cuatro perspectivas: financiera, clientes, procesos internos y aprendizaje-crecimiento. Permite alinear los recursos de una organización hacia su estrategia y mejorar la comunicación de los objetivos a todo el personal. Uno de sus principales beneficios es convertir la estrategia en acciones concretas que impulsen el crecimiento sostenible y la creación de valor a largo plazo
Este documento discute los problemas causados por los malos jefes en las empresas y las características que los distinguen de los buenos jefes. Los malos jefes generan graves problemas debido a su falta de liderazgo efectivo y trato inapropiado hacia los empleados. Esto reduce la productividad y competitividad de la empresa. Para mejorar, las empresas deben capacitar a los jefes en habilidades gerenciales y liderazgo, y asegurarse de que apliquen estos conocimientos para crear una cultura donde florezca el
El documento explica los conceptos de histograma de frecuencias, capacidad potencial de proceso (Cp) y habilidad de proceso (Cpk). Cp mide la variabilidad del proceso en relación a los límites de especificación, mientras que Cpk también considera la posición del promedio con respecto a los límites. Valores más altos de Cpk indican menor variabilidad y mayor probabilidad de cumplir la especificación.
El documento explica los conceptos de histograma de frecuencias, capacidad potencial del proceso (Cp) y habilidad del proceso (Cpk). Cp mide la variabilidad del proceso en relación a los límites de especificación, mientras que Cpk también considera la posición del promedio con respecto a los límites. Valores altos de Cpk indican baja variabilidad y alta probabilidad de cumplir la especificación.
El documento explica los conceptos de histograma de frecuencias, capacidad potencial de proceso (Cp) y habilidad de proceso (Cpk). Cp mide la variabilidad del proceso en relación a los límites de especificación, mientras que Cpk también considera la posición del promedio con respecto a los límites. Valores más altos de Cp y Cpk indican menor variabilidad y mayor probabilidad de cumplir la especificación.
Este documento discute los costos negativos de tener malos jefes en las organizaciones y propone soluciones. Argumenta que los malos jefes desmotivan a los empleados y reducen su productividad, lo que aumenta los costos y disminuye la competitividad de la empresa. Propone que las empresas deben capacitar mejor a los jefes sobre liderazgo efectivo y hacer un seguimiento para asegurar que apliquen estas habilidades, con el fin de mejorar el desempeño de la organización.
Este documento describe la hoja de control, una herramienta para recopilar y clasificar datos según categorías predefinidas. Explica que la hoja de control registra frecuencias de datos para facilitar su recolección y análisis. Luego detalla funciones como distribución de variaciones, clasificación de defectos y localización de causas. Finalmente resume tipos de hojas de control como numéricas, alfanuméricas y gráficas.
Este documento describe la hoja de control, una herramienta para recopilar y clasificar datos según categorías predefinidas. Las hojas de control permiten registrar frecuencias de datos de forma que puedan analizarse automáticamente. Sirven para investigar procesos, artículos defectuosos, localizar defectos y causas de efectos. Se deben definir claramente el objetivo de recopilación, tipo de datos, método de recolección, análisis y responsables. Existen hojas alfanuméricas, numéricas y gráficas.
APLICACIONES DE LOS HISTOGRAMAS Y TABLA DE DISTRIBUCIONES DE FRECUENCIA Roza Meza
El documento presenta los resultados de tres proveedores de rodamientos para una fábrica de microscopios. Se muestran tablas de distribución de frecuencias y histogramas del diámetro de 150 piezas de cada proveedor. Tras analizar los datos, se concluye que el proveedor "Elodio S. de R.L." es la mejor opción, ya que sus resultados cumplen mejor con los requisitos solicitados al tener una distribución más razonable y no presentar remontajes ni limitaciones.
APLICACIONES DE LOS HISTOGRAMAS Y TABLAS DE DISTRIBUCIÓN DE FRECUENCIASRoza Meza
El documento presenta información sobre aplicaciones de histogramas y tablas de distribución de frecuencias. Proporciona datos sobre cómo se pueden usar estos métodos para organizar y resumir conjuntos de datos, así como identificar patrones y tendencias.
Este documento habla sobre el chisme en el lugar de trabajo. Explica que el chisme sirve para combatir el aburrimiento y poner en su lugar a aquellos que se sienten orgullosos. También señala que una oficina funciona como una familia donde ocurren todo tipo de eventos humanos e interacciones, incluyendo el chisme. Finalmente, advierte que aunque los chismes pueden ser ciertos, también pueden destruir a las personas y sus relaciones si se hacen públicos.
La variabilidad en los procesos es importante de medir y controlar para garantizar la calidad del producto o servicio. Múltiples factores como el mantenimiento de maquinaria, condiciones de trabajo y factores internos y externos pueden causar variabilidad. La desviación estándar es una forma sencilla de medir la variabilidad y detectar cuando un proceso está fuera de control. Las reglas de Western Electric y de Nelson se utilizan para analizar gráficos de control y determinar si la variabilidad actual es normal o si hay causas que requieren corre
¿Qué cosas importantes crees que deberías aprender y no estas aprendiendo par...Roza Meza
El documento destaca la importancia de que los estudiantes aprendan a utilizar herramientas tecnológicas, desarrollen independencia en la investigación, y habilidades de trabajo en equipo. También enfatiza la responsabilidad, compromiso, dedicación y la capacidad de comunicarse efectivamente.
Ofrecemos herramientas y metodologías para que las personas con ideas de negocio desarrollen un prototipo que pueda ser probado en un entorno real.
Cada miembro puede crear su perfil de acuerdo a sus intereses, habilidades y así montar sus proyectos de ideas de negocio, para recibir mentorías .
Soluciones Examen de Selectividad. Geografía junio 2024 (Convocatoria Ordinar...Juan Martín Martín
Criterios de corrección y soluciones al examen de Geografía de Selectividad (EvAU) Junio de 2024 en Castilla La Mancha.
Soluciones al examen.
Convocatoria Ordinaria.
Examen resuelto de Geografía
conocer el examen de geografía de julio 2024 en:
https://blogdegeografiadejuan.blogspot.com/2024/06/soluciones-examen-de-selectividad.html
http://blogdegeografiadejuan.blogspot.com/
Business Plan -rAIces - Agro Business Techjohnyamg20
Innovación y transparencia se unen en un nuevo modelo de negocio para transformar la economia popular agraria en una agroindustria. Facilitamos el acceso a recursos crediticios, mejoramos la calidad de los productos y cultivamos un futuro agrícola eficiente y sostenible con tecnología inteligente.
En la ciudad de Pasto, estamos revolucionando el acceso a microcréditos y la formalización de microempresarios informales con nuestra aplicación CrediAvanza. Nuestro objetivo es empoderar a los emprendedores locales proporcionándoles una plataforma integral que facilite el acceso a servicios financieros y asesoría profesional.
1. Universidad Tecnológica De Torreón
Estadística
Distribuciones Comúnmente Usadas
Bernoulli
Binomial
Poisson
Normal
Gamma
T Student
ROSA HELIDA YANETH MEZA REYES
2. DISTRIBUCIONES COMUNMENTE USADAS.
INTRODUCCION
La inferencia estadística consiste en extraer una muestra de una población y
analizar sus datos con el propósito de aprender acerca de ello. Muchas veces se
tiene un conocimiento superficial de la función de masa de probabilidad o de la
función de densidad de probabilidad de la población. En estos casos la función de
masa o de densidad de probabilidad se aproxima mediante una de muchas
familias comunes de curvas o funciones. En este capítulo se describen algunas de
estas funciones comunes y las condiciones en que es apropiado utilizar cada una.
DISTRIBUCION DE BERNOULLI
Imagine un experimento que tenga dos resultados. Al primero se le llama “éxito” y
al otro “fracaso”. La probabilidad de éxito se denota por p. por consecuencia, la
probabilidad de fracaso es 1-p. lo anterior representa un ensayo de Bernoulli con
probabilidad de éxito p. El más sencillo de este tipo es el lanzamiento al aire de
una moneda. Los posibles resultados son “cara” o “cruz”. Si “cara” se define como
éxito, entonces p constituye esa probabilidad. En una moneda, P= ½. Otro ejemplo
de ese ensayo es la selección de un componente a partir de una población de
componentes, pero algunos están defectuosos. Si se define como “éxito” a uno de
estos, entonces p significa la proporción de componentes defectuosos en la
población.
Para cualquier ensayo de Bernoulli se define a la variable aleatoria X asi: si el
experimento propicia “éxito”, entonces X=1. De lo contrario, X=0. De ahí que X
sea una variable aleatoria discreta, con función de masa de probabilidad p(x)
definida por.
p(0)= P(X=0)=1-p
p(1)= P(X=1)=p
p(x)=0 para cualquier valor de x diferente a 0 o 1
Se dice que la variable aleatoria X sigue una distribución de Bernoulli con
parámetro P. La notación es X~ Bernoulli (p). La figura muestra histograma de
3. probabilidad para las funciones de masa de probabilidad de Bernoulli (0.5) y de
Bernoulli (0.8).
MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA DE
BERNOULLI
Es fácil calcular la media y la varianza de una variable aleatoria Bernoulli. Si X~
Bernoulli (p), entonces, al usar las ecuaciones (2.29) y (2.30) se calcula:
μx= (0)(1-p)+(1)(p)
=p
Resumen Si X~ Bernoulli (p), entonces
μx =p
4. LA DISTRIBUCION BINOMIAL
Extraer un solo componente de una población y determinar si está o no defectuoso
es ejemplo de un ensayo de Bernoulli. En la práctica, es posible extraer varios
componentes de una gran población y contar el número de elementos
defectuosos. Esto implica realizar diversos ensayos de Bernoulli independientes y
contar el número de éxitos. El número de éxitos es una variable aleatoria, que
tiene una Distribución binomial.
Ahora se presenta una descripción formal de la distribución binomial. Suponga que
se lleva a cabo una serie de n ensayos de Bernoulli, cada uno con la misma
probabilidad de éxito p. además, suponga que los ensayos son independientes;
esto es, que el resultado de un ensayo no influye en los resultados de alguno de
los otros ensayos. Sea la variable aleatoria X igual al número de éxitos en N
ensayos, entonces X tiene la distribución binomial con parámetros n y p. la
notación es X~Bin(n,p ).X es una variable aleatoria discreta y sus posibles valores
son 0,1,…, n.
Si se realiza un total de n ensayos de Bernoulli y si
Los ensayos son independientes
Cada ensayo tiene la misma probabilidad de éxito p
X es el número de éxitos en los n ensayos.
Entonces X tiene la distribución binomial con parámetros n y p, que se denota
como X~ Bin(n, p).
La media y varianza de una variable aleatoria binomial
5. LA DISTRIBUCIÓN DE POISSON
La distribución de poisson se utiliza con frecuencia en el trabajo científico. Una
manera de considerarla es como una aproximación de la distribución binomial
cuando n es grande y p es pequeña. Esto último se muestra con un ejemplo.
Una masa contiene 10000 átomos de una sustancia radiactiva. La probabilidad de
que cierto átomo decaiga en un periodo de un minuto es de 0.0002. Sea X el
número de átomos que decae en un minuto. Se puede considerar a cada átomo
como un ensayo de Bernoulli, en los que el éxito ocurre si el átomo decae. Por
tanto, X es el numero de éxitos en 10 000 ensayos de Bernoulli de3 X es Bin
(10000,0.0002). La media de X es µx= (10000) (0.0002)=2.
Otra masa contiene 5000atomos y cada uno de estos tiene probabilidad de 0.0004
de decaer en un intervalo de un minuto. Sea él Y el número de átomos de esta
masa que decae en un minuto. Siguiendo la lógica del párrafo anterior, X~Bin
(5000,0.0004) y µY= (5000) (0.0004)=2.
En cada uno de estos casos, el número de ensayos n y la probabilidad de éxito p
son diferentes, pero el número promedio de éxitos, que es igual al producto np, es
el mismo. Ahora suponga que se quiere calcular la probabilidad de que solo tres
átomos decaigan en un minuto para cada una de estas masas. Mediante la
función de masa de probabilidad binomial, se calcula de la siguiente manera:
P(X=3)
P (Y=3)=
Estas probabilidades sin casi iguales entre sí. Aunque a partir de la formula de la
función de masa de probabilidad binomial esto no es obvio, cuando n es grande y
p es pequeña la función de nada depende por completo de la media np, y muy
pocos de los valores específicos de n y p. por consiguiente, se puede aproximar la
función de masa binomial con una cantidad que dependa solo del producto np.
Específicamente, si n es grande y p es pequeña, y λ=np, se puede demostrar
mediante métodos avanzados que para todas las x.
Esto conduce a la definición de una nueva función de probabilidad, denominada
función de masa de probabilidad de poisson, que se define mediante
P(x)= P(X=x)= { si x es un entero no negativo de otro modo
6. Si X es una variable aleatoria cuya función de masa de probabilidad esta dad por
la ecuación, entonces X sigue una distribución de poisson con parámetro λ. La
notación es X~Poisson (λ).
MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA DE
POISSON
Para calcular la media y la varianza de una variable aleatoria de poisson, se
emplea la función de masa de probabilidad junto con las definiciones dadas por las
ecuaciones. Aquí se presenta un enfoque intuitivo. Si X~ Poisson (λ) se puede
considerar X como una variable aleatoria binomial es np, se tiene que la media de
una variable aleatoria de Poisson es λ. La varianza de una variable aleatoria
binomial es np (1-p). Puesto que p es muy pequeña, se puede reemplazar 1-p con
1, y concluir que la varianza de una variable aleatoria de Poisson es np=λ.
Si X~ Poisson (λ), entonces la media y la varianza de X están dadas por{
µx= λ
7. DISTRIBUCIÓN NORMAL
La distribución normal también conocida como distribución Gauss es la
distribución más utilizada en la estadística. Constituye un buen modelo para
muchas, aunque no para todas las poblaciones continuas. Parte de esto último se
debe al teorema del límite central.
La distribución normal es continua en vez de discreta. La media de una variable
aleatoria normal puede tener cualquier valor y la varianza cualquier valor positivo.
La función de densidad de probabilidad de una variable aleatoria normal puede
tener cualquier valor y la varianza cualquier valor positivo. La función de densidad
de probabilidad de una variable normal con media µ y varianza .
La gráfica de su función de densidad tiene una forma acampanada y es simétrica
respecto de un determinado parámetro. Esta curva se conoce como campana de
Gauss y e es el gráfico de de una función gaussiana.
Ejemplo de alguna grafica seria:
8. DISTRIBUCIÓN GAMMA
La distribución gammas es una distribución continua, uno de sus propósitos es
ampliar la utilidad de la distribución exponencial en el modelado de tiempos de
espera. La función de densidad de probabilidad gamma tiene dos parámetros, r y λ
que son caracteres positivos
Si X es una variable aleatoria cuya función de densidad de probabilidad gamma
con parámetros r y λ
Cuando α = 1, la función de densidad gamma se denomina distribución
exponencial. Esta importante función de densidad se emplea como modelo para la
distribución de frecuencias relativa del tiempo entre llegadas a un mostrador de
servicio (centros de cómputo, caja de súper mercado, clínica hospitalaria, etc.)
Cuando la probabilidad de que un cliente llegue en cierta unidad de tiempo es
igual a la probabilidad de que llegue en cualquier otra. La función también se
utiliza como modelo para la duración de equipos o productos industriales cuando
la probabilidad de que un componente viejo opere por lo menos t unidades de
tiempo adicionales, dado que está funcionando ahora. Es igual a la probabilidad
de que un componente nuevo opere al menos t unidades de tiempo. El equipo
sujeto a mantenimiento periódico y recambio de piezas a menudo exhibe esta
propiedad de nunca envejecer.
9. Cuando el parámetro r es un entero la distribución gamma es una extensión
directa de la distribución exponencial. Para ser más específicos, recuerde que si
los eventos seguían un proceso de poisson con parámetro con parámetro de
razón λ el tiempo de espera hasta que ocurriera un evento se distribuía como
exp(λ). Si r es cualquier entero positivo, entonces el tiempo espera hasta que haya
ocurrido r eventos se distribuye como.
10. DISTRIBUCIÓN T (DE STUDENT)
Es una distribución de probabilidad que surge del problema de estimar la media de
una población normalmente distribuida cuando el tamaño de la muestra es
pequeño. Aparece de manera natural al realizar la prueba t de Student para la
determinación de las diferencias entre dos medias muéstrales y para la
construcción del intervalo de confianza para la diferencia entre las medias de dos
poblaciones cuando se desconoce la desviación típica de una población y ésta
debe ser estimada a partir de los datos de una muestra.
La distribución t de Student es la distribución de probabilidad del cociente
Donde
Z tiene una distribución normal de media nula y varianza 1
V tiene una distribución ji-cuadrado con grados de libertad
Z y V son independientes
Si μ es una constante no nula, el cociente es una variable aleatoria
que sigue la distribución t de Student no central con parámetro de no-
centralidad .
Supongamos que X1,..., Xn son variables aleatorias independientes distribuidas
2
normalmente, con media μ y varianza σ . Sea
La media muestral. Entonces
Sigue una distribución normal de media 0 y varianza 1.
11. Sin embargo, dado que la desviación estándar no siempre es conocida de
antemano, Gosset estudió un cociente relacionado,
Donde
es la varianza muestral y demostró que la función de densidad de T es
Donde es igual a n − 1.
La distribución de T se llama ahora la distribución-t de Student.
El parámetro representa el número de grados de libertad. La distribución
depende de , pero no de o , lo cual es muy importante en la práctica
El procedimiento para el cálculo del intervalo de confianza basado en la t de
Student consiste en estimar la desviación típica de los datos S y calcular el error
estándar de la media , siendo entonces el intervalo de confianza para la
media = .
Es este resultado el que se utiliza en el test de Student: puesto que la diferencia
de las medias de muestras de dos distribuciones normales se distribuye también
normalmente, la distribución t puede usarse para examinar si esa diferencia puede
razonablemente suponerse igual a cero. Para efectos prácticos el valor esperado y
la varianza son: E (t(n))= 0 y Var (t(n-1)) = n/(n-2) para n > 3