Este documento introduce varias distribuciones de probabilidad comúnmente usadas. Describe la distribución de Bernoulli como una distribución discreta que toma valores de 1 o 0 dependiendo de si ocurre o no un suceso con probabilidad p. Luego explica la distribución binomial para experimentos repetidos con dos resultados posibles. Finalmente, resume las distribuciones de Poisson y normal, indicando que Poisson modela eventos aleatorios en el tiempo y que la normal tiene una forma de campana.
La distribución de Bernoulli describe experimentos con dos resultados posibles (éxito o fracaso), asignando una probabilidad fija p al éxito. La distribución binomial se aplica a experimentos repetidos independientes con dos resultados posibles, como lanzar una moneda varias veces. La distribución de Poisson modela el número de eventos aleatorios que ocurren en un intervalo, cuando la tasa de ocurrencia es constante. La distribución normal describe muchos fenómenos naturales y se caracteriza por una curva en forma de campana.
Este documento presenta varias distribuciones de probabilidad discretas y continuas. Brevemente describe la distribución de Bernoulli, binomial, Poisson, normal, gamma y t student, incluyendo sus parámetros clave y usos comunes. También proporciona ejemplos y gráficos para ilustrar estas distribuciones.
1) El documento describe varias distribuciones de probabilidad discretas y continuas como la Bernoulli, binomial, Poisson, normal y gamma. 2) Explica conceptos clave como probabilidad de éxito y fracaso, y cómo se aplican estas distribuciones a experimentos aleatorios simples y complejos. 3) Proporciona ejemplos numéricos para ilustrar cómo calcular la probabilidad de diferentes resultados usando cada distribución.
Este documento presenta información sobre diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson y normal. Explica conceptos clave como probabilidad de éxito y fracaso. También describe características de cada distribución como el número de resultados posibles y cómo modelar eventos aleatorios.
Este documento describe varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Cada una tiene propiedades únicas que la hacen adecuada para modelar diferentes tipos de fenómenos aleatorios.
La distribución de Bernoulli describe experimentos con dos resultados posibles, llamados éxito y fracaso, con probabilidades constantes p y q=1-p, respectivamente. Se usa para modelar situaciones como lanzar una moneda o dados, donde cada prueba es independiente.
Este documento proporciona una breve introducción a varias distribuciones de probabilidad comunes, incluidas las distribuciones de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica las características clave de cada distribución y proporciona ejemplos ilustrativos.
La distribución de Bernoulli describe experimentos con dos resultados posibles (éxito o fracaso), asignando una probabilidad fija p al éxito. La distribución binomial se aplica a experimentos repetidos independientes con dos resultados posibles, como lanzar una moneda varias veces. La distribución de Poisson modela el número de eventos aleatorios que ocurren en un intervalo, cuando la tasa de ocurrencia es constante. La distribución normal describe muchos fenómenos naturales y se caracteriza por una curva en forma de campana.
Este documento presenta varias distribuciones de probabilidad discretas y continuas. Brevemente describe la distribución de Bernoulli, binomial, Poisson, normal, gamma y t student, incluyendo sus parámetros clave y usos comunes. También proporciona ejemplos y gráficos para ilustrar estas distribuciones.
1) El documento describe varias distribuciones de probabilidad discretas y continuas como la Bernoulli, binomial, Poisson, normal y gamma. 2) Explica conceptos clave como probabilidad de éxito y fracaso, y cómo se aplican estas distribuciones a experimentos aleatorios simples y complejos. 3) Proporciona ejemplos numéricos para ilustrar cómo calcular la probabilidad de diferentes resultados usando cada distribución.
Este documento presenta información sobre diferentes distribuciones de probabilidad como la distribución de Bernoulli, binomial, Poisson y normal. Explica conceptos clave como probabilidad de éxito y fracaso. También describe características de cada distribución como el número de resultados posibles y cómo modelar eventos aleatorios.
Este documento describe varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Cada una tiene propiedades únicas que la hacen adecuada para modelar diferentes tipos de fenómenos aleatorios.
La distribución de Bernoulli describe experimentos con dos resultados posibles, llamados éxito y fracaso, con probabilidades constantes p y q=1-p, respectivamente. Se usa para modelar situaciones como lanzar una moneda o dados, donde cada prueba es independiente.
Este documento proporciona una breve introducción a varias distribuciones de probabilidad comunes, incluidas las distribuciones de Bernoulli, binomial, Poisson, normal, gamma y t de Student. Explica las características clave de cada distribución y proporciona ejemplos ilustrativos.
El documento resume varias distribuciones de probabilidad comunes como la distribución de Bernoulli, binomial, Poisson, normal y gamma. Explica las características clave de cada distribución, incluyendo sus parámetros y cómo modelan diferentes tipos de experimentos aleatorios. También proporciona ejemplos numéricos para ilustrar el cálculo de probabilidades usando estas distribuciones.
Este documento presenta diferentes distribuciones de probabilidad como la binomial, Bernoulli, Gamma, Poisson, normal y T de Student. Explica las características de cada distribución y provee ejemplos para ilustrar su aplicación. También incluye notas sobre los conceptos estadísticos de regularidad y cuantificación de probabilidades para fenómenos aleatorios.
La distribución de Poisson describe la probabilidad de que ocurran ciertos números de eventos en intervalos de tiempo o espacio, cuando dichos eventos ocurren con una tasa media conocida e independientemente unos de otros. La distribución normal (o Gauss) modela muchos fenómenos naturales y se caracteriza por una curva en forma de campana. La distribución t de Student surge al estimar la media de una población normal con muestras pequeñas.
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.
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.
El documento trata sobre probabilidad, variables aleatorias y distribuciones. Explica que la probabilidad se calcula como el número de casos favorables dividido por el número total de casos posibles. Luego define variable aleatoria y da ejemplos de variables aleatorias discretas y continuas. Finalmente describe distribuciones como la uniforme continua, exponencial y binomial.
Las distribuciones de probabilidad discutidas en el documento incluyen:
1) Distribución de Bernoulli, que modela experimentos con dos resultados posibles.
2) Distribución binomial, que extiende Bernoulli a múltiples ensayos independientes.
3) Distribución de Poisson, que modela el número de eventos en un intervalo de tiempo, cuando estos ocurren con una tasa media conocida.
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 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.
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 teoría de la probabilidad tiene sus orígenes en los juegos de azar de los romanos hace 2000 años. Se define como la proporción de casos favorables entre el total de casos posibles. Existen tres tipos de espacios muestrales: finitos, infinitos numerables y continuos. La probabilidad clásica se calcula como el número de resultados favorables dividido entre el total de resultados posibles. La probabilidad frecuentista se define como el límite de la frecuencia relativa al repetir infinitas veces el experimento. La probabilidad condicionada calcula la probabilidad de un su
La distribución de Poisson describe la probabilidad de que ocurran un número determinado de eventos aleatorios en un intervalo de tiempo o espacio, cuando la tasa promedio de ocurrencia de eventos es conocida. La función de probabilidad de Poisson depende de un parámetro λ que representa la tasa promedio de ocurrencia. Tanto la media como la varianza de una variable aleatoria de Poisson son iguales a λ. La distribución de Poisson se aplica a muchos procesos naturales donde los eventos ocurren con una tasa constante.
Este documento presenta información sobre diferentes distribuciones de probabilidad como la normal, binomial, de Poisson y sus características. Explica que la distribución normal es importante para modelar fenómenos naturales y que sigue la curva de Gauss. También describe las características de la distribución binomial como el número de ensayos n y la probabilidad de éxito p. Finalmente, indica que la distribución de Poisson se aplica cuando n es grande y p es pequeña en una distribución binomial.
El documento describe la distribución binomial y normal. La distribución binomial modeliza el número de éxitos que pueden ocurrir en una serie de ensayos independientes con una probabilidad constante de éxito. La distribución normal es muy importante y puede aproximar la distribución de muchas variables. Representa fenómenos causados por pequeños efectos aleatorios que tienden a sumarse.
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 resume tres distribuciones estadísticas comunes: la distribución normal, la distribución binomial y la distribución de Poisson. Explica las fórmulas y procedimientos para cada una, y provee ejemplos ilustrativos. También ofrece consejos para diferenciar entre las tres distribuciones basadas en sus características. Al final, presenta ejercicios de práctica para cada distribución.
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 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.
Este documento resume las características principales de tres distribuciones de probabilidad:
1) La distribución normal, descrita por Gauss, que tiene forma de campana y depende de los parámetros media y desviación estándar.
2) La distribución binomial, que modela experimentos con dos resultados posibles y probabilidad constante.
3) La distribución de Poisson, que describe eventos aleatorios en el tiempo o espacio con probabilidad proporcional al intervalo.
El documento presenta las distribuciones binomial, de Poisson y normal, que son distribuciones de probabilidad importantes en estadística. Explica que la binomial modela experimentos dicotómicos con probabilidad fija, la de Poisson eventos discretos con probabilidad constante, y la normal aproxima muchos fenómenos naturales. Proporciona ejemplos y fórmulas clave de cada distribución.
Este documento describe el establecimiento y manejo técnico de dos lotes de setenta pollos de engorde en la Concentración de Desarrollo Rural. El proyecto busca promover el consumo de pollo por sus nutrientes y superar el consumo de comidas chatarras. Se establecen dos lotes de pollos de la raza Ross y se describen las etapas de limpieza y acondicionamiento del galpón, instalación de los pollos, selección del alimento y objetivos del proyecto.
Un tutor brinda orientación académica y apoyo a los estudiantes, monitorea su desempeño y progreso, y promueve estrategias efectivas de aprendizaje. Un programa de tutoría beneficia a los estudiantes al mejorar su rendimiento escolar y prevenir problemas que puedan impedir su formación. Los estudiantes deben comprometerse activamente con su educación y desarrollar la autonomía y responsabilidad necesarias.
El documento resume varias distribuciones de probabilidad comunes como la distribución de Bernoulli, binomial, Poisson, normal y gamma. Explica las características clave de cada distribución, incluyendo sus parámetros y cómo modelan diferentes tipos de experimentos aleatorios. También proporciona ejemplos numéricos para ilustrar el cálculo de probabilidades usando estas distribuciones.
Este documento presenta diferentes distribuciones de probabilidad como la binomial, Bernoulli, Gamma, Poisson, normal y T de Student. Explica las características de cada distribución y provee ejemplos para ilustrar su aplicación. También incluye notas sobre los conceptos estadísticos de regularidad y cuantificación de probabilidades para fenómenos aleatorios.
La distribución de Poisson describe la probabilidad de que ocurran ciertos números de eventos en intervalos de tiempo o espacio, cuando dichos eventos ocurren con una tasa media conocida e independientemente unos de otros. La distribución normal (o Gauss) modela muchos fenómenos naturales y se caracteriza por una curva en forma de campana. La distribución t de Student surge al estimar la media de una población normal con muestras pequeñas.
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.
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.
El documento trata sobre probabilidad, variables aleatorias y distribuciones. Explica que la probabilidad se calcula como el número de casos favorables dividido por el número total de casos posibles. Luego define variable aleatoria y da ejemplos de variables aleatorias discretas y continuas. Finalmente describe distribuciones como la uniforme continua, exponencial y binomial.
Las distribuciones de probabilidad discutidas en el documento incluyen:
1) Distribución de Bernoulli, que modela experimentos con dos resultados posibles.
2) Distribución binomial, que extiende Bernoulli a múltiples ensayos independientes.
3) Distribución de Poisson, que modela el número de eventos en un intervalo de tiempo, cuando estos ocurren con una tasa media conocida.
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 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.
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 teoría de la probabilidad tiene sus orígenes en los juegos de azar de los romanos hace 2000 años. Se define como la proporción de casos favorables entre el total de casos posibles. Existen tres tipos de espacios muestrales: finitos, infinitos numerables y continuos. La probabilidad clásica se calcula como el número de resultados favorables dividido entre el total de resultados posibles. La probabilidad frecuentista se define como el límite de la frecuencia relativa al repetir infinitas veces el experimento. La probabilidad condicionada calcula la probabilidad de un su
La distribución de Poisson describe la probabilidad de que ocurran un número determinado de eventos aleatorios en un intervalo de tiempo o espacio, cuando la tasa promedio de ocurrencia de eventos es conocida. La función de probabilidad de Poisson depende de un parámetro λ que representa la tasa promedio de ocurrencia. Tanto la media como la varianza de una variable aleatoria de Poisson son iguales a λ. La distribución de Poisson se aplica a muchos procesos naturales donde los eventos ocurren con una tasa constante.
Este documento presenta información sobre diferentes distribuciones de probabilidad como la normal, binomial, de Poisson y sus características. Explica que la distribución normal es importante para modelar fenómenos naturales y que sigue la curva de Gauss. También describe las características de la distribución binomial como el número de ensayos n y la probabilidad de éxito p. Finalmente, indica que la distribución de Poisson se aplica cuando n es grande y p es pequeña en una distribución binomial.
El documento describe la distribución binomial y normal. La distribución binomial modeliza el número de éxitos que pueden ocurrir en una serie de ensayos independientes con una probabilidad constante de éxito. La distribución normal es muy importante y puede aproximar la distribución de muchas variables. Representa fenómenos causados por pequeños efectos aleatorios que tienden a sumarse.
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 resume tres distribuciones estadísticas comunes: la distribución normal, la distribución binomial y la distribución de Poisson. Explica las fórmulas y procedimientos para cada una, y provee ejemplos ilustrativos. También ofrece consejos para diferenciar entre las tres distribuciones basadas en sus características. Al final, presenta ejercicios de práctica para cada distribución.
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 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.
Este documento resume las características principales de tres distribuciones de probabilidad:
1) La distribución normal, descrita por Gauss, que tiene forma de campana y depende de los parámetros media y desviación estándar.
2) La distribución binomial, que modela experimentos con dos resultados posibles y probabilidad constante.
3) La distribución de Poisson, que describe eventos aleatorios en el tiempo o espacio con probabilidad proporcional al intervalo.
El documento presenta las distribuciones binomial, de Poisson y normal, que son distribuciones de probabilidad importantes en estadística. Explica que la binomial modela experimentos dicotómicos con probabilidad fija, la de Poisson eventos discretos con probabilidad constante, y la normal aproxima muchos fenómenos naturales. Proporciona ejemplos y fórmulas clave de cada distribución.
Este documento describe el establecimiento y manejo técnico de dos lotes de setenta pollos de engorde en la Concentración de Desarrollo Rural. El proyecto busca promover el consumo de pollo por sus nutrientes y superar el consumo de comidas chatarras. Se establecen dos lotes de pollos de la raza Ross y se describen las etapas de limpieza y acondicionamiento del galpón, instalación de los pollos, selección del alimento y objetivos del proyecto.
Un tutor brinda orientación académica y apoyo a los estudiantes, monitorea su desempeño y progreso, y promueve estrategias efectivas de aprendizaje. Un programa de tutoría beneficia a los estudiantes al mejorar su rendimiento escolar y prevenir problemas que puedan impedir su formación. Los estudiantes deben comprometerse activamente con su educación y desarrollar la autonomía y responsabilidad necesarias.
Este documento es una carta escrita en el año 2070 que describe cómo el sobreuso y contaminación del agua llevó al colapso de la sociedad y el medio ambiente. La persona que escribe la carta recuerda cómo era el mundo cuando era joven, con abundante agua y vegetación, en comparación con el mundo actual donde escasea el agua potable, la población sufre enfermedades y la vida promedio es corta. Expresa remordimiento por la generación pasada que no tomó medidas para proteger el agua y el medio ambiente, dejando
Paula1, realidad virtual y realidad aumentada rPaula123456987
La realidad virtual crea mundos virtuales generados por ordenador en los que el usuario interactúa de forma inmersiva o semiinmersiva, mientras que la realidad aumentada complementa el mundo real con elementos virtuales. Ambas se usan para entrenamiento, educación, tratamiento de fobias, simulaciones, juegos y más, y se espera que en el futuro sustituyan dispositivos como teléfonos y pantallas mediante interfaces de visualización avanzadas.
Verónica Galeana Castellanos nació el 22 de septiembre de 1993. Estudió en la primaria "Gregorio Torres Quintero", donde tuvo buenos recuerdos y amigas. Terminó la primaria con una misa y una clausura donde soltaron palomas y globos. Después estudió en la secundaria "Antonio Caso", también conocida como "la 4", donde tuvo otros amigos y maestros con los que todavía se lleva bien, como Manuel Adan Pedrote, Emmanuel, Daniel y Bernardo.
Un niño llamado Javier quería atrapar al fantasma que vivía en una casa abandonada cerca de su pueblo. Acompañado por sus amigos Juan y Pedro, Javier entró en la casa y se enfrentó al fantasma. Juan y Pedro lograron atrapar al fantasma con una red. El fantasma propuso jugar un partido de fútbol contra Javier y sus amigos, con la condición de que si ganaba el fantasma se quedaría en la casa y si ganaba Javier se iría con ellos. A pesar de estar seguro de ganar, Javier perdió el
Este documento describe los efectos del tabaco en la salud, su uso y abuso. Explica que la nicotina es la principal sustancia activa del tabaco y que fumar cigarrillos es la forma habitual de consumo. También detalla las razones psicológicas por las que la gente empieza a fumar y las consecuencias a corto y largo plazo del consumo de tabaco, como enfermedades como cáncer y dependencia física.
La telemedicina es un recurso tecnológico que permite optimizar los servicios de atención médica a través de la telediagnosis, el monitoreo remoto, las teleconferencias y el almacenamiento digital de datos, ahorrando tiempo y dinero y facilitando el acceso a especialistas para pacientes en zonas distantes. La telemedicina también se puede utilizar en la práctica médica y la educación a distancia de pacientes y profesionales.
Este documento discute los posibles efectos negativos de los celulares en la salud y la seguridad. Señala que las radiaciones de los celulares pueden ser cancerígenas y dañinas para el ADN, y recomienda limitar su uso, especialmente entre niños y jóvenes. También advierte sobre los riesgos de conducir mientras se habla por teléfono. El autor opina que aunque los celulares son omnipresentes hoy en día, es posible vivir sin ellos.
Este documento contiene una lista de sitios web educativos sobre discapacidad visual, auditiva y física, así como sobre accesibilidad web y teclado braille. También incluye una cita de Gandhi sobre los logros requiriendo esfuerzo y una lista de cuatro nombres de estudiantes de terapia ocupacional del año 2011.
El documento habla sobre la etiqueta y la netiqueta. Define la etiqueta como un código de comportamiento social que gobierna las expectativas dentro de una sociedad o grupo. Luego explica que la netiqueta son las convenciones que rigen el comportamiento en espacios virtuales, dando 10 reglas básicas como recordar las ideas de los demás, comportarse como en la vida real y escribir brevemente. Finalmente incluye 3 enlaces sobre el tema.
Anestesia y reanimación del gran quemado pediátricoanestesiahsb
Este documento describe la fisiopatología y el manejo anestésico y de reanimación de pacientes pediátricos con quemaduras graves. Las quemaduras graves en niños conllevan una alta mortalidad debido a la complejidad de los mecanismos fisiopatológicos involucrados, como la inflamación sistémica, la hipovolemia y la afectación multiorgánica. El tratamiento debe enfocarse en controlar la vía aérea, iniciar fluidoterapia para preservar órganos vitales, evitar la hipotermia,
Este documento contiene la información de una estudiante llamada Carmela Garrido Flores para la clase de Informática para negocios 1 impartida por el Licenciado José Raymundo Muñoz Islas.
Slideshare es un servicio para compartir presentaciones de diapositivas en línea de manera similar a cómo YouTube comparte videos y Flickr comparte fotos. Para crear una cuenta, los usuarios deben registrarse introduciendo su dirección de correo electrónico, nombre de usuario y contraseña. Una vez creada la cuenta, los usuarios pueden subir y acceder a sus presentaciones cargadas.
Marketing de atracción multinivel estrategias exitosasHector Castellares
VISITA: http://www.ComoEmprenderUnNegocio.net
Durante un tiempo, y hasta el día de hoy, donde quiera que miremos para obtener información sobre los negocios multinivel, encontramos mucha información relacionada al marketing de atracción multinivel.
¿Es esta la última moda dentro del marketing multinivel? ¿Es una nueva estrategia o algún tipo de programa que utilizan los empresarios para generar metas? Vamos a ver.
VISITA: http://www.ComoEmprenderUnNegocio.net
VISITA: http://www.Wasanga.com/hectorcastellares
El documento describe cómo los Goldsmith crearon las primeras monedas de oro y comenzaron a prestar dinero con intereses, estableciendo efectivamente uno de los primeros bancos. Los aldeanos comenzaron a depositar su oro en la caja fuerte de los Goldsmith y a retirar cheques o billetes contra sus depósitos, marcando el inicio de la banca moderna. El documento también explica cómo los bancos centrales y los gobiernos ahora crean dinero y regulan el sistema bancario para mantener la estabilidad económica.
La informática se refiere al procesamiento automático de información mediante dispositivos electrónicos y sistemas computacionales. Su historia comenzó con el descifrado de mensajes alemanes durante la Segunda Guerra Mundial y ha evolucionado a través de cinco generaciones de computadoras, desde las primeras basadas en válvulas hasta las actuales basadas en circuitos integrados. La informática ahora está presente en casi todos los aspectos de la vida diaria y ha transformado la sociedad en una "sociedad de la información".
Este documento describe los virus informáticos, incluyendo qué son, cómo infectan las computadoras, los tipos de virus, y cómo prevenir y eliminar virus. Explica que los virus son programas maliciosos que se replican a sí mismos e interfieren con computadoras. Se propagan a través de medios como correo electrónico, medios de almacenamiento y la web. Los antivirus son programas diseñados para detectar y eliminar virus.
Asesoria para el uso de las tic´s taller 1Darsi Tobon
El documento discute el uso de las tecnologías de la información y la comunicación (TIC) en la educación. Explica la diferencia entre redes sociales y servicios de redes sociales, y cómo Internet ha cambiado los métodos de enseñanza tradicionales al permitir que los estudiantes accedan a contenido e investigaciones de todo el mundo. También describe un caso en el que un profesor usa computadores prestados en clase pero los estudiantes usan Facebook, y la decisión de la escuela de bloquear redes sociales. Finalmente, argumenta que
La distribución de Bernoulli describe experimentos con dos resultados posibles, llamados éxito y fracaso, con probabilidades constantes p y q=1-p, respectivamente. Un ejemplo es lanzar una moneda, donde p es la probabilidad de cara. La distribución de Poisson modela el número de eventos aleatorios que ocurren en un intervalo, cuando la probabilidad de cada evento es baja e independiente de los demás. La distribución normal describe fenómenos que tienden a agruparse alrededor de una media, tomando valores en un rango continuo de forma simétrica.
Este documento describe varias distribuciones de probabilidad, incluyendo la distribución de Bernoulli, la distribución binomial, la distribución de Poisson, la distribución normal, y la distribución gamma. Proporciona definiciones, fórmulas y ejemplos para cada distribución. También explica cómo se pueden usar estas distribuciones para modelar diferentes tipos de fenómenos aleatorios.
El documento resume 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-student. Para cada distribución, se define brevemente y se proporciona un ejemplo ilustrativo. El documento explica cuándo es apropiado usar cada distribución y cómo modelar diferentes tipos de fenómenos aleatorios.
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 importantes como la binomial, Poisson, normal, t student y gamma. Explica que la distribución de probabilidad de una variable aleatoria asigna probabilidades a los posibles resultados y está definida por la función de distribución. También provee ejemplos para ilustrar cómo se aplican estas distribuciones en diferentes contextos estadísticos y de toma de decisiones.
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.
La distribución de Poisson describe la probabilidad de que ocurran un número determinado de eventos en un intervalo de tiempo, cuando la frecuencia promedio de ocurrencia de los eventos es conocida. La función de masa de Poisson depende del número de ocurrencias k y del parámetro λ, que representa la frecuencia promedio de eventos. La distribución de Poisson es útil para predecir la probabilidad de sucesos como el número de clientes que llegan a un banco o fallas en una tubería, cuando los eventos son independientes y ocurren a una tasa constante en
La probabilidad es un método para determinar la frecuencia de un evento aleatorio mediante experimentos repetidos bajo condiciones estables. Se usa ampliamente en áreas como estadística, física y ciencias. La estadística estudia muestras de datos para explicar fenómenos naturales y se usa en investigación, negocios y gobierno. Las distribuciones de probabilidad asignan probabilidades a resultados de variables aleatorias, como las distribuciones de Bernoulli, binomial, Poisson, y exponencial.
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 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 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.
La distribución de Poisson describe la probabilidad de que ocurran un número determinado de eventos en un intervalo de tiempo, cuando la frecuencia media de ocurrencia es conocida. La función de masa de Poisson depende del número de ocurrencias k y del parámetro λ, que representa la frecuencia media esperada. Tanto la media como la varianza de una variable aleatoria de Poisson son iguales a λ.
probabilidad y diferencia entre Poisson y Bernoulli.Belen Dominguez
La distribución de Poisson describe la probabilidad de que ocurran cierta cantidad de eventos en un período de tiempo, cuando la tasa promedio de ocurrencia es conocida. Fue descubierta por Siméon-Denis Poisson en 1838. La distribución de Bernoulli modela la probabilidad de éxito o fracaso en un único experimento binario.
probabilidad de Poisson y Bernoulli, y su comparación.Belen Dominguez
La distribución de Poisson describe la probabilidad de que ocurran cierta cantidad de eventos en un período de tiempo, cuando dichos eventos son independientes y ocurren con baja frecuencia. Fue descubierta por Siméon-Denis Poisson en 1838. La distribución de Bernoulli modela la probabilidad de éxito o fracaso en un único experimento binario.
Este documento resume varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson y normal. Explica que una distribución de probabilidad indica los posibles valores de un experimento aleatorio y sus probabilidades. Luego describe las características y fórmulas de cada distribución, incluyendo ejemplos para ilustrar su aplicación.
Procesos industriales área manufacturaYovana Marin
Este documento resume varias distribuciones de probabilidad importantes como la distribución de Bernoulli, binomial, Poisson y normal. Explica que una distribución de probabilidad indica los posibles valores de un experimento aleatorio y sus probabilidades. Luego describe las características y fórmulas clave de cada distribución.
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.
1) El documento presenta información sobre la teoría de Poisson, incluyendo su definición, propiedades y ejemplos. 2) Explica que la distribución de Poisson describe la probabilidad de que ocurran un número determinado de eventos en un intervalo, si dichos eventos ocurren a una tasa promedio conocida de forma independiente. 3) Proporciona ejemplos para ilustrar cómo calcular las probabilidades usando la distribución de Poisson.
Este documento resume los hallazgos de una práctica de mejora continua en una empresa. Identificó varias "mudas", o desperdicios, en los procesos de la empresa a través de acciones correctivas. Aunque no se cumplió el objetivo de tiempo y calidad en la primera corrida, las mejoras de otros equipos mejoraron la situación y mostraron cómo identificar y eliminar desperdicios en una empresa.
Una hoja de control o checklist es una lista de verificación que contiene criterios de comprobación en forma de lista para garantizar que nada salga mal en un proceso industrial u otro tipo de proceso. Lo mejor es elaborar la lista de comprobación de forma secuencial para asegurarse de que ningún detalle importante quede sin verificar marcando o incluyendo los diversos puntos en la lista.
Este documento presenta un resumen de tres oraciones sobre el tema de Control Estadístico del Proceso. El profesor es el Lic. Edgar Mata Ortiz y el alumno es Christian Michel Álvarez Ramírez de la clase 3 "c". El documento contiene una lista de 50 palabras en inglés con sus traducciones al español relacionadas con estadística y procesos de control.
El documento presenta un resumen de las reglas de Nelson y Western Electric para detectar cuando un proceso está fuera de control. Las reglas de Western Electric incluyen cuando un punto está fuera del límite de 3σ, dos de tres puntos consecutivos están fuera del límite de 2σ, cuatro de cinco puntos están fuera del límite de 1σ, y nueve puntos consecutivos están del mismo lado de la línea central. Las reglas de Nelson identifican cuando un punto está a más de 3 desviaciones estándar de la media, nueve puntos consecutivos están del mismo lado de
El documento habla sobre los intervalos de confianza. Explica que un intervalo de confianza es un rango de valores en el que se espera que se encuentre un parámetro poblacional desconocido, con una determinada probabilidad de acierto. Luego detalla cómo se construyen los intervalos de confianza para la media de una población y para una proporción, basándose en datos muestrales y en el nivel de confianza deseado.
Este documento explica los conceptos básicos de las pruebas de hipótesis. Se define una prueba de hipótesis como un procedimiento para determinar si una propiedad de una población es compatible con una muestra observada. Explica los errores tipo I y II y cómo diseñar pruebas para minimizarlos. También cubre temas como hipótesis nulas, alternativas, estadísticos de prueba, regiones de rechazo y potencia de una prueba.
1. El documento presenta ejemplos de diferentes distribuciones de probabilidad incluyendo distribución de Bernoulli, distribución de Poisson, distribución binomial, distribución gamma y distribución t-Student.
2. Se proporcionan ejemplos numéricos para calcular probabilidades usando cada una de estas distribuciones.
3. Los ejemplos cubren temas como lanzar dados, sacar boletos premiados, problemas en registros contables, tiempo de reparación y supervivencia de pacientes.
El documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal y gamma. Incluye un ejemplo de una variable aleatoria binomial para calcular la probabilidad de obtener más caras que cruces al lanzar una moneda cuatro veces. También presenta un ejemplo de Poisson para calcular la probabilidad de recibir un cierto número de cheques sin fondos.
El documento presenta ejemplos de diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson, normal y gamma. Incluye un ejemplo de una variable aleatoria normal donde se analiza si la duración promedio de 25 focos cumple con las afirmaciones del fabricante.
1. El documento presenta ejemplos de diferentes distribuciones de probabilidad incluyendo distribución de Bernoulli, distribución binomial, distribución de Poisson, distribución gamma y distribución t-Student.
2. Se resuelven problemas estadísticos utilizando estas distribuciones como calcular probabilidades con diferentes parámetros.
3. Los ejemplos cubren temas como lanzar dados, sacar boletos premiados, problemas de producción y tiempo de reparación.
Este documento presenta los pasos para calcular medidas estadísticas como la media aritmética, desviación estándar, varianza y desviación media a partir de datos agrupados. Primero se muestra una tabla con intervalos de clases, marcas de clase, frecuencias absolutas y relativas. Luego se explica cómo calcular la media aritmética agregando una columna para multiplicar la marca de clase por la frecuencia. También se calcula la desviación media sumando las diferencias absolutas entre cada marca de clase y la media. Finalmente, se determin
Los mapas mentales son un método eficaz para extraer y memorizar información mediante la creación de diagramas coloridos y organizados radialmente en torno a un núcleo central. Permiten convertir listas de datos en representaciones visuales lógicas y creativas que reflejan cómo funciona el cerebro humano para procesar y retener información. Todos los mapas mentales comparten una estructura orgánica que utiliza líneas, símbolos, palabras e imágenes para ilustrar conceptos sencillos.
Este documento presenta información sobre conceptos básicos de probabilidad y estadística, así como métodos para contar posibilidades y calcular probabilidades. Explica definiciones de probabilidad y estadística, métodos de conteo como diagramas de árbol, permutaciones, combinaciones y cómo calcular probabilidades para experimentos simples y compuestos. También cubre cómo aplicar el principio de multiplicación para determinar el número total de posibilidades en situaciones compuestas.
El documento explica los pasos para calcular las frecuencias de datos agrupados. Primero se determinan las marcas de clase y los intervalos de cada clase. Luego se cuentan las frecuencias absolutas de cada clase. Después se calculan las frecuencias acumuladas sumando las frecuencias absolutas. Finalmente, se dividen las frecuencias absolutas entre el número total de datos para obtener las frecuencias relativas.
El documento explica los pasos para calcular las frecuencias de un conjunto de datos agrupados: 1) calcular las marcas de clase para cada intervalo, 2) determinar las frecuencias absolutas contando los datos en cada intervalo, 3) calcular las frecuencias acumuladas sumando las frecuencias absolutas, y 4) determinar las frecuencias relativas dividiendo las frecuencias absolutas por el número total de datos. Estos cálculos permiten representar gráficamente la distribución de frecuencias de los datos.
Este documento explica cómo obtener intervalos reales a partir de intervalos aparentes mediante el cálculo de la mitad de la diferencia entre el límite inferior del segundo intervalo y el límite superior del primero. Esto se resta y suma a los límites de cada intervalo para generar una tabla de intervalos reales.
Este documento explica cómo obtener intervalos reales a partir de intervalos aparentes. Primero se resta el segundo dato del límite inferior al primer dato del límite superior para cada intervalo, y se divide el resultado entre dos. Luego, ese valor se resta y suma a los límites inferiores y superiores respectivamente para generar la tabla de intervalos reales.
El documento explica paso a paso cómo obtener los intervalos aparentes a partir de una tabla de datos. Primero se identifican el valor máximo y mínimo, luego se calcula el rango como la diferencia entre estos valores. El rango se divide entre el número de intervalos para determinar el tamaño de cada intervalo, y con esto se genera la tabla de intervalos aparentes con sus límites inferior y superior.
1. Introducción y conceptos de las
distribuciones comúnmente usadas
Christian Michel Álvarez Ramírez
2. Concepto de Bernoulli
DISTRIBUCIÓN DE BERNOULLI
En teoría de probabilidad y estadística, la distribución de
Bernoulli (o distribución dicotómica), nombrada así por el
matemático y científico suizo Jakob Bernoulli, es una
distribución de probabilidad discreta, que toma valor 1 para la
probabilidad de éxito p y valor 0 para la probabilidad de
fracaso q = 1 − p. Por lo tanto, si X es una variable aleatoria
con esta distribución.
Consiste en realizar un experimento aleatorio una sóla vez y
observar si cierto suceso ocurre o no, siendo p la probabilidad
de que esto sea así (éxito) y q=1-p el que no lo sea (fracaso).
Existen muchas situaciones en las que se presenta una
experiencia binomial. Cada uno de los experimentos es
independiente de los restantes (la probabilidad del resultado
de un experimento no depende del resultado del resto). El
resultado de cada experimento ha de admitir sólo dos
categorías (a las que se denomina éxito y fracaso). Las
probabilidades de ambas posibilidades han de ser constantes
en todos los experimentos
3. Explicación
Un experimento que tenga dos resultados. Al primero se le
llama éxito y al otro fracaso. La probabilidad por 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 mas el mas sencillo de este es el
lanzamiento de una moneda. Los posibles resultados son dos
“cara o cruz” si cara se define como éxito, entonces p
constituye esa probabilidad. En una moneda p= ½
N=número de elementos.
P=éxito.
q=fracaso.
X=variable aleatoria.
La distribución Bernoulli estada por los únicos dos valores
posibles que deben ser 1 y 0; de no cumplirse esta regla es
decir si se quebranta se estaría ablando de que no es una
distribución Bernoulli sino otra de las tantas distribuciones.
Ejemplo:
X p
1 .5
0 .5
Suma 1
Si se lanza una moneda 5 veces ¿Probabilidad de que
se obtenga 3 veces cruz?
N=5
5. Distribución Binomial
La distribución binomial esta asociada a experimentos del siguiente
tipo:
- Realizamos n veces cierto experimento en el que consideramos solo
la posibilidad de éxito o fracaso.
- La obtención de éxito o fracaso en cada ocasión es independiente de
la obtención de éxito o
Fracaso en las demás ocasiones.
- La probabilidad de obtener ´éxito o fracaso siempre es la misma en
cada ocasión.
Veámoslo con un ejemplo
Tiramos un dado 7 veces y contamos el numero de cincos que
obtenemos. ¿Cual es la probabilidad de obtener tres cincos?.
Este es un típico ejemplo de distribución binomial, pues estamos
repitiendo 7 veces el experimento de lanzar un dado. ¿Cual es nuestro
´éxito?.
Evidentemente, sacar un 5, que es en lo que nos fijamos.
El fracaso, por tanto, seria no sacar 5, sino sacar cualquier otro
número.
Por tanto, Éxito = E = “sacar un 5” = ´ ⇒p(E) =
1
6
Fracaso = F = “no sacar un 5” =⇒p(F) =
5
6
Para calcular la probabilidad que nos piden, observemos que nos
dicen que sacamos 3 cincos y por lo tanto tenemos 3 ´éxitos y 4
fracasos, ¿de cuantas maneras pueden darse estas posibilidades?.
6. Podríamos sacar 3 cincos en las 3 primeras tiradas y luego 4 tiradas
sin sacar cinco, es decir: EEEFFFF
Pero también podríamos sacar EFEFFFE, es decir que en realidad
estamos calculando la E es éxito y la F es fracaso
7. Concepto de Poisson
En teoría de probabilidad y estadística, la distribución de Poisson es
una distribución de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad que ocurra un
determinado número de eventos durante cierto periodo de tiempo.
La función de masa de la distribución de Poisson es
DONDE k es el número de ocurrencias del evento o fenómeno (la
función nos da la probabilidad de que el evento suceda
precisamente k veces).
λ es un parámetro positivo que representa el número de veces que
se espera que ocurra el fenómeno durante un intervalo dado. Por
ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por
minuto y estamos interesados en la probabilidad de que
ocurra k veces dentro de un intervalo de 10 minutos, usaremos un
modelo de distribución de Poisson con λ = 10×4 = 40.
e es la base de los logaritmos naturales (e = 2,71828 ...)
Tanto el valor esperado como la varianza de una variable aleatoria con
distribución de Poisson son iguales a λ. Los momentos de orden
superior son polinomios de Touchard en λ cuyos coeficientes tienen
una interpretación combinatoria. De hecho, cuando el valor esperado
de la distribución de Poisson es 1, entonces según la fórmula de
Dobinski, el n-ésimo momento iguala al número de particiones de
tamaño n.
La moda de una variable aleatoria de distribución de Poisson con un λ
no entero es igual a , el mayor de los enteros menores que λ (los
símbolos representan la función parte entera). Cuando λ es un
entero positivo, las modas son λ y λ − 1.
La función generadora de momentos de la distribución de Poisson con
valor esperado λ es
8. Las variables aleatorias de Poisson tienen la propiedad de
ser infinitamente divisibles.
La divergencia Kullback-Leibler desde una variable aleatoria de
Poisson de parámetro λ0 a otra de parámetro λ es
Para qué sirve conocer que algo es Poisson?
Porque si se tiene caracterizado el comportamiento probabilístico de
un fenómeno aleatorio, podemos contestar preguntas como:
Qué probabilidad hay de que lleguen más de 15 clientes al
banco en un intervalo de 5 minutos de duración?
Qué probabilidad hay de que suceda por lo menos una falla en
un tramo de 1km de tubería de gas?
Qué probabilidad hay de que en un estanque de cultivo de
camarón, haya más de media tonelada?
Qué probabilidad hay de que en un área de 1km se encuentren
más de 3 brotes de una enfermedad?
Por qué algunas cosas supimos de antemano que iban a ser Poisson y
que otras no?
Porque los fenómenos que son procesos de Poisson en la línea o en
el tiempo, en la superficie, o en el espacio, tienen algunas
características que matemáticamente la delatan, como son:
Que se está contando el número de eventos que suceden en un
área (o intervalo de tiempo, o volumen) determinada.
Que la probabilidad de que suceda un evento sobre un área muy
pequeña, es también muy pequeña.
Que en un mismo lugar (o en el mismo tiempo), no pueden
suceder más de uno solo de los eventos que se están contando.
Que si se duplica el tamaño de la superficie (intervalo de tiempo,
etc.), entonces se duplica la probabilidad de registrar ahí un
evento.
9. Notas y conclusiones
Los ejemplos vistos de procesos de Poisson,
son homogéneos en el sentido de que la probabilidad de que
suceda un evento no varía según la posición sobre el espacio.
Existen también procesos de Poisson que son heterogéneos.
Se concluye que los fenómenos aleatorios no son tan
impredecibles como se pudiera pensar. Que en efecto, muestran
un concepto llamado regularidad estadística, que es la que hace
que éstos se puedan estudiar matemáticamente.
Que un observador de un fenómeno aleatorio, no puede esperar
más que cuantificar la posibilidad de que el mismo suceda.
10. Distribución normal
Se le llama distribución normal, distribución de Gauss o distribución gaussiana, a
una de las distribuciones de probabilidad de variable continua que con más
frecuencia aparece aproximada en fenómenos reales.
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:
Distribución Gamma
Es una distribución adecuada para modelizar el comportamiento de
variables aleatorias continuas con asimetría positiva. Es decir,
variables que presentan una mayor densidad de sucesos a la
11. izquierda de la media que a la derecha. En su expresión se
encuentran dos parámetros, siempre positivos, (α) alfa y (β) beta de
los que depende su forma y alcance por la derecha, y también la
función Gamma Γ(α), responsable de la convergencia de la
distribución.
Los parámetros de la distribución
El primer parámetro (α) situa la máxima intensidad de probabilidad y
por este motivo en algunas fuentes se denomina “la forma” de la
distribución: cuando se toman valores próximos a cero aparece
entonces un dibujo muy similar al de la distribución exponencial.
Cuando se toman valores más grandes de (α) el centro de la
distribución se desplaza a la derecha y va apareciendo la forma de
una campana de Gauss con asimetría positiva. Es el segundo
parámetro (β) el que determina la forma o alcance de esta asimetría
positiva desplazando la densidad de probabilidad en la cola de la
derecha. Para valores elevados de (β) la distribución acumula más
densidad de probabilidad en el extremo derecho de la cola, alargando
mucho su dibujo y dispersando la probabilidad a lo largo del plano. Al
dispersar la probabilidad la altura máxima de densidad de probabilidad
se va reduciendo; de aquí que se le denomine “escala”. Valores más
pequeños de (β) conducen a una figura más simétrica y concentrada,
con un pico de densidad de probabilidad más elevado. Una forma de
interpretar (β) es “tiempo promedio entre ocurrencia de un suceso”.
Relacionándose con el parámetro de la Poisson como β=1/λ.
Alternativamente λ será el ratio de ocurrencia: λ=1/β. La expresión
también será necesaria más adelante para poder llevar a cabo el
desarrollo matemático.
La distribución gamma se puede caracterizar del modo siguiente: si se
está interesado en la ocurrencia de un evento generado por un
proceso de Poisson de media lambda, la variable que mide el tiempo
transcurrido hasta obtener n ocurrencias del evento sigue una
distribución gamma con parámetros a=n×lambda (escala) y p=n
(forma). Se denota Gamma(a,p).
12. Por ejemplo, la distribución gamma aparece cuando se realiza el
estudio de la duración de elementos físicos (tiempo de vida).
Esta distribución presenta como propiedad interesante la “falta de
memoria”. Por esta razón, es muy utilizada en las teorías de la
fiabilidad, mantenimiento y fenómenos de espera (por ejemplo en una
consulta médica “tiempo que transcurre hasta la llegada del segundo
paciente”), la teoría de la cola, electricidad, procesos industriales.
T STUDENT
La distribución normal es una distribución de probabilidad. Lo que
significa que podemos decir cuál es la probabilidad de ocurrencia de un
evento aleatorio proveniente de una población normal.
Por ejemplo, mirando el gráfico 1, podemos decir que la probabilidad de
extraer aleatoriamente un caso que se encuentre entre la media y -1
desviación estandar es de 34,13%. ¿Cierto? Si lo que se sabe es la
probabilidad de un evento, digamos que sabemos que el caso elegido
tenía menos de un 2,15% de probabilidades de ocurrir eso significa que
debe haber obtenido una puntuación Z mayor a 2 o menor que -2.
Siguiendo esta lógica y usando el Gráfico 1, ¿Cuál sería la probabilidad
de ocurrencia de un caso con una puntuación Z igual 1,5? ¿Cuál sería el
puntaje z de un caso que está encima del 84.26% del resto de la
población? ¿Cuál es la probabilidad de ocurrencia de dicho caso?
Estas estimaciones pueden hacerse con mucha mayor precisión si se
ocupan las computadoras o las tablas de probabilidades y puntuaciones
Z. Abajo tenemos una de estas tablas (Tabla 1). Esta tabla permite
identificar el puntaje Z para una probabilidad dada. La probabilidad se
obtiene sumando al valor de la columna izquierda el valor del
encabezado de la columna. Por ejemplo, la probabilidad del 8% se
obtiene al elegir el valor .00 de la columna izquierda y buscar el valor .08
en el encabezado de la columna. Se considera este 8% distribuido en los
dos extremos de la desviación, 4% en el extremo inferior y 4% en el
extremo superior.