2.-distribuciones de probabilidad introducción y conceptos
TRANSCRIPT
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
Procesos Industriales Área ManufacturaProcesos Industriales Área ManufacturaProcesos Industriales Área ManufacturaProcesos Industriales Área Manufactura
Distribuciones de ProbabilidadDistribuciones de ProbabilidadDistribuciones de ProbabilidadDistribuciones de Probabilidad
Profesor: Edgar Mata OrtizProfesor: Edgar Mata OrtizProfesor: Edgar Mata OrtizProfesor: Edgar Mata Ortiz
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
2° “B”2° “B”2° “B”2° “B”
Procesos Industriales Área ManufacturaProcesos Industriales Área ManufacturaProcesos Industriales Área ManufacturaProcesos Industriales Área Manufactura
Distribuciones de ProbabilidadDistribuciones de ProbabilidadDistribuciones de ProbabilidadDistribuciones de Probabilidad
Profesor: Edgar Mata OrtizProfesor: Edgar Mata OrtizProfesor: Edgar Mata OrtizProfesor: Edgar Mata Ortiz
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
Procesos Industriales Área ManufacturaProcesos Industriales Área ManufacturaProcesos Industriales Área ManufacturaProcesos Industriales Área Manufactura
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
2.-Distribución de Bernoulli
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). En realidad
no se trata más que de una variable dicotómica, es decir que únicamente puede tomar dos
modalidades, es por ello que el hecho de llamar éxito o fracaso a los posibles resultados de las
pruebas obedece más una tradición literaria o histórica, en el estudio de las v.a., que a la situación
real que pueda derivarse del resultado. Podríamos por tanto definir este experimento mediante
una v.a. discreta X que toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario, y que
se denota
Experimento de Bernoulli: solo son posibles dos resultados: éxito o fracaso. Podemos definir una
variable aleatoria discreta X tal que:
éxito → 1
fracaso → 0
Si la probabilidad de éxito es p y la de
fracaso 1 - p, podemos construir una función de probabilidad
1,0)1()(1
=−=−
xppxPxx
Distribución Binominal.
La distribución binomial aparece cuando estamos interesados en el
suceso A ocurre (éxitos) en n intentos independientes de un experimento
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 (se denotan como
Se designa por X a la variable que mide el número de éxitos que se han producido en
los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable
probabilidad binomial, y se denota
La distribución binomial aparece cuando estamos interesados en el
suceso A ocurre (éxitos) en n intentos independientes de un experimento
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
Distribución Binominal.
La distribución binomial aparece cuando estamos interesados en el número de veces que un
intentos independientes de un experimento.
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
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 (se denotan como p y q o p y 1-p).
a la variable que mide el número de éxitos que se han producido en
Cuando se dan estas circunstancias, se dice que la variable X sigue una distribución de
probabilidad binomial, y se denota B(n,p).
ece cuando estamos interesados en el número de veces que un
intentos independientes de un experimento.
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
número de veces que un
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
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
a la variable que mide el número de éxitos que se han producido en
sigue una distribución de
número de veces que un
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
Distribución Poisson.
Es una distribución de probabilidad que muestra la probabilidad de x ocurrencias de un evento en
un intervalo especificado de tiempo o e espacio
Las propiedades de un experimento de Poisson son:
La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera de igual longitud
La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no
ocurrencia en cualquier otro intervalo.
• La distribución de Poisson se expresa como:
(x = cantidad de ocurrencia)
• Se puede usar este distribución de probabilidad como una aproximación de la distribución
binomial cuando p, la probabilidad éxito es pequeña y n, la cantidad de intentos, es
grande. Tan sólo se iguala m=n·p
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
Distribución Normal.
Se 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 importancia de esta distribución radica en que permite modelar numerosos fenómenos
naturales, sociales y psicológicos. Mientras que los mecanismos que subyacen a gran parte de este
tipo de fenómenos son desconocidos, por la enorme cantidad de variables incontrolables que en
ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observación se
obtiene como la suma de unas pocas causas independientes.
De hecho, la estadística es un modelo matemático que sólo permite describir un fenómeno, sin
explicación alguna. Para la explicación causal es preciso el diseño experimental, de ahí que al uso
de la estadística en psicología y sociología sea conocido como método correlacional.
La distribución de Weibull es una
de Waloddi Weibull, que la describió detalladamente en 1951, aunque fue descubierta
inicialmente por Fréchet (1927) y aplicada por primera vez por
describir la distribucion de los tamaños de determinadas partículas.
La función de densidad de una variable aleatoria con la distribución de Weibull
donde es el parámetro de forma
La distribución modela la distribución de fallos (en sistemas) cuando la tasa de fallos es
proporcional a una potencia del tiempo:
Un valor k<1 indica que la tasa de fallos decrece con el tiempo.
Cuando k=1, la tasa de fallos es constante en el tiempo.
Un valor k>1 indica que la tasa de fallos crece con el tiempo.
En estadística la distribución gamma
parámetros y cuya función de densidad
es
Aquí es el número e y es la función gamma
(el factorial de ). En este caso
Erlang con un parámetro
El valor esperado y la varianza de una variable aleatoria
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
Distribución Weibull.
es una distribución de probabilidad continua. Recibe su nombre
, que la describió detalladamente en 1951, aunque fue descubierta
y aplicada por primera vez por Rosin y Rammler (1933
describir la distribucion de los tamaños de determinadas partículas.
de una variable aleatoria con la distribución de Weibull x es:
parámetro de forma y es el parámetro de escala de la distribución.
stribución modela la distribución de fallos (en sistemas) cuando la tasa de fallos es
proporcional a una potencia del tiempo:
k<1 indica que la tasa de fallos decrece con el tiempo.
k=1, la tasa de fallos es constante en el tiempo.
k>1 indica que la tasa de fallos crece con el tiempo.
Distribución Gamma.
distribución gamma es una distribución de probabilidad continua con dos
función de densidad para valores
función gamma. Para valores la aquella es
). En este caso - por ejemplo para describir un proceso de Poisson - se llaman la distribi
.
variable aleatoria X de distribución gamma son
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
continua. Recibe su nombre
, que la describió detalladamente en 1951, aunque fue descubierta
y Rammler (1933) para
es:1
de la distribución.
stribución modela la distribución de fallos (en sistemas) cuando la tasa de fallos es
continua con dos
se llaman la distribición distribución
La distribución t (de Student) es una
de estimar la media de una población
pequeño.
Aparece de manera natural al realizar la
diferencias entre dos medias muestrales y para la construcción del
diferencia entre las medias de dos poblaciones cuando se desconoce la
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
V tiene una distribución ji-cuadrado
Z y V son independientes
Si μ es una constante no nula, el cociente
la distribución t de Student no central
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
Distribución T-Student.
) es una distribución de probabilidad que surge del problema
población normalmente distribuida cuando el tamaño de la muestra
Aparece de manera natural al realizar la prueba t de Student para la determinación de las
diferencias entre dos medias muestrales y para la construcción del intervalo de confianza
tre las medias de dos poblaciones cuando se desconoce la desviación típica
población y ésta debe ser estimada a partir de los datos de una muestra.
tribución t de Student es la distribución de probabilidad del cociente
de media nula y varianza 1
cuadrado con grados de libertad
es una constante no nula, el cociente es una variable aleatoria que sigue
distribución t de Student no central con parámetro de no-centralidad .
José Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio ReyesJosé Armando Rubio Reyes
que surge del problema
tamaño de la muestra es
para la determinación de las
intervalo de confianza para la
desviación típica de una
es una variable aleatoria que sigue