Ajustes A Una Distribucion de Probabilidad

Taller de Simulacin - USS
31/03/2015
TALLER DE SIMULACION
Mg. Jos Rodrguez L.

Docente
Unidad III
Ajustes a una distribucin de
probabilidad
Mg. Jos Rodrguez l.

Docente
Mg. Jos Rodrguez L.
31/03/2015
Objetivos Unidad II
Identificar y seleccionar la
familia de distribuciones de
probabilidad adecuada a la
situacin en estudio.
Seleccionar
por
medio
de
software especfico los test de
bondad de ajuste.
Cmo
enfrentar
situaciones
reales en ausencia de datos.
Mg. Jose Rodrguez L.
GRAFICO DE CORRELACION
1. Si las observaciones 1 , 2 , . . . , , (listados en orden de
tiempo) son independientes.
2. En un grfico de correlacin, es el estimador de la
muestra para = 1,2, . . . ( ).
3. =
4. =
2
()

=1
5. 2 =
() [ + ()]

2
=1 [ ()]
Mg. Jos Rodrguez L.
31/03/2015
1. La correlacin de la muestra , es un estimador de la
correlacin verdadera ( 1 1), entre
dos observaciones que son separadas en el tiempo.
2. Si las observaciones 1 , 2 , . . . , son independientes,
entonces = 0 , para = 1,2, 1.
3. Sin embargo, los no son exactamente 0 incluso
cuando los son independientes, esto se debe a que
es una observacin de una variable aleatoria cuya
media no es igual a cero.
1. Si lo son diferentes de 0 por una cantidad

significativa, entonces esta es una evidencia poderosa de
que los no son independientes.
Mg. Jos Rodrguez L.
31/03/2015
GRAFICO DE DISPERSIN
1. Grficos dispersin (Scatter diagram), de las

observaciones 1 , 2 , . . . , , es un grafico de pares
ordenados ( , +1 ) para = 1,2, 1.
2. Por simplicidad suponga que los son no negativos. Si
los son independientes, se esperara que los pares
ordenados ( , +1 ) estn dispersos aleatoriamente a
lo largo del primer cuadrante de los plano.
3. La naturaleza de la dispersin depende de la distribucin
subyacentes de .
Mg. Jos Rodrguez L.
31/03/2015
1. Si los tienen correlacin positiva, entonces, los puntos
tendrn una tendencia a agruparse en el primer
cuadrante, sobre una lnea con pendiente positiva.
2. Si los tienen correlacin negativa, entonces los
puntos tendrn una tendencia a agruparse en el primer
cuadrante, sobre una lnea con pendiente negativa.
Mg. Jos Rodrguez L.
10
31/03/2015
Box Plot
http://www.slideshare.net/ddalgleish/how-tocreate-a-box-plot-box-whisker-chart-in-excel
11
Ejemplo Quantil y Box Plot
Mg. Jos Rodrguez L.
12
31/03/2015
FAMILIA DE DISTRIBUCIONES
HIPTESIS
1. Parece razonable pensar que el primer paso debe ser
seleccionar una distribucin de probabilidades en base a
su forma aparente, sin preocuparse an de los
parmetros relevantes.
2. Otro aspecto que facilita una identificacin de la
distribucin de probabilidad es el tipo de sistema que se
trate y la experiencia que se tenga para analizarlos.
3. A continuacin se sugieren mtodos ms formales para
lograr un anlisis acabado de cada situacin en estudio.
13
RESUMEN ESTADISTICA
Mg. Jos Rodrguez L.
14
31/03/2015
HIPTESIS
1. Estadstica descriptiva., Algunas distribuciones son
caracterizadas parcialmente por funciones de sus
verdaderos parmetros, como son;
a. Mximo,
b. Mnimo,
c. Media,
d. Mediana,
e. Varianza,
f. Coeficiente de variacin ( =
g. Razn Lexis ( =
h. Oblicuidad =
),
),
[ 3 ]
3
( 2 ) 2
15
HIPTESIS
1. Estas funciones pueden ser usadas en algunos casos para
sugerir una apropiada familia de distribuciones. Para una
distribucin continua simtrica (Ej., Normal), la media y
la mediana son iguales. (Para una distribucin discreta
simtrica, la media de la poblacin y la mediana pueden
slo ser aproximadamente iguales. De esta manera si el
estimador
y 0.5 son casi iguales hay un
indicio que la distribucin subyacente puede ser
simtrica.
Mg. Jos Rodrguez L.
16
31/03/2015
HIPTESIS
1. Hay que tener presente que y 0.5 son
observaciones de variables aleatorias sus relaciones no
necesariamente proveen informacin definitiva acerca
de la verdadera relacin entre y 0.5
2. Coeficiente de variacin. (cv), algunas veces puede
proveer informacin til acerca de la forma de la
distribucin continua. En particular, para la distribucin
exponencial, = 1, ahora, sin tener en cuenta el
parmetro de escala , () es prxima al valor 1
sugiriendo esto que la distribucin subyacente es
exponencial.
17
HIPTESIS
1. Para las distribuciones, Gamma y Weibull los valores de
pueden ser mayores, iguales o menores que 1,
cuando el parmetro de forma es mayor, igual o menor
que 1, estas distribuciones tendrn una forma similar a
las distribuciones de densidad.
2. Por otra parte, la distribucin Lognormal tiene una
forma caracterstica pero su puede ser cualquier
nmero real positivo. As, si la distribucin subyacente
(observada en el histograma) tiene esta forma y
> 1 la Lognormal puede ser un mejor modelo que
la distribucin Gamma o Weibull.
Mg. Jos Rodrguez L.
18
31/03/2015
HIPTESIS
1. Para el resto de
particularmente til.
distribuciones
el
no
2. Para una distribucin discreta, el Lexis ratio, ( =
es
2
),
juega el mismo rol que el para distribuciones

continuas, esta relacin es til para discriminar entre
distribucin de Poisson, Binomial,y Binomial negativa,
pues, = 0, < 1, y > 1, respectivamente. ( la
distribucin Geomtrica es un caso especial de la
Binomial negativa).
19
HIPTESIS
1. La Oblicuidad es una medida de simetra de una
distribucin. Para distribuciones simetricas como la
Normal, = 0, si > 0 (Ej., = 2 para la distribucin
exponencial). La distribucin es oblicua a la derecha
si < 0, la distribucin es oblicua a la izquierda si el
estimador puede ser usado para comprobar la
forma de la distribucin subyacente.
2. La experiencia indica que muchas de las distribuciones
encontradas en la prctica son oblicuas a la derecha y,
adems, para muchos ejemplos, es algo menor
que .
Mg. Jos Rodrguez L.
20
10
31/03/2015
HIPTESIS
1. La Kurtosis es una medida de que tan punteaguda es la

distribucin de probabilidad.
2. No se ha encontrado que la kurtosis sea muy usada para
discriminar entre distribuciones de probabilidad (Law &
Kelton).
21
HIPTESIS
1. Histograma. Para un conjunto de datos continuos el

histograma es esencialmente una estimacin grafica de
los puntos de la funcin correspondiente a la
distribucin de nuestros datos 1 , 2 , . . . , .
2. La funcin densidad, en muchos casos, tiende a dar una
pista de la forma de la distribucin subyacente.
Mg. Jos Rodrguez L.
22
11
31/03/2015
IDENTIFICACIN DISTRIBUCIN DE PROBABILIDAD

Cuando los datos ya estn disponibles, el primer paso en su
procesamiento es la construccin de un histograma para cada
variable X. Para ello, se deben
determinar:
El tamao de la muestra .
Valor mnimo .
Valor mximo .
El rango =
La cantidad de intervalos o clases : la cantidad aconsejable es
, una cantidad menor o mayor puede distorsionar la forma
del histograma, se recomienda 8 12 .
El ancho ( Amplitud) de los intervalos : es igual a /.
La frecuencia absoluta de los datos en cada intervalo : se
obtiene contando cuntos datos estn dentro del intervalo
considerado.
Determinados estos parmetros, el histograma surge de
graficar columnas con alturas y ancho para cada intervalo.
23
El siguiente paso es determinar la familia de distribuciones que
se probar para representar el conjunto de datos en estudio.
Para ello se cuenta con la forma del histograma y tambin se
cuenta con la naturaleza del proceso. En efecto, se han
desarrollado numerosas distribuciones tericas para procesos
determinados, por ejemplo:
Despus de haber seleccionado una familia de distribuciones,
el prximo paso es la estimacin de los parmetros
correspondientes.
Mg. Jos Rodrguez L.
24
12
31/03/2015
ESTIMACION DE LA
DISTRIBUCIONES DE PROBABILIDAD
Veamos un ejemplo: la tabla siguiente muestra los

tiempos entre llegada.
25
ESTIMACION DE LA
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,01
0,02
0,02
0,03
0,03
0,03
0,04
0,04
0,04
0,04
0,04
0,04
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,05
0,06
0,06
0,06
0,06
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,08
0,08
0,08
0,08
0,09
0,09
0,1
0,1
0,1
0,1
0,1
0,1
0,1
0,1
0,1
0,11
0,11
0,11
0,11
0,11
0,12
0,12
0,12
0,12
0,13
0,14
0,14
0,14
0,14
0,15
0,15
0,15
0,15
0,15
0,15
0,17
0,18
0,19
0,19
0,19
0,2
0,21
0,21
0,21
0,21
0,21
0,22
0,22
0,22
0,23
0,23
0,23
0,23
0,23
0,24
0,25
0,25
0,25
0,25
0,25
0,26
0,26
0,26
0,26
0,26
0,27
0,28
0,28
0,29
0,29
0,3
0,31
0,31
0,32
0,35
0,35
0,35
0,36
0,36
0,36
0,37
0,37
0,38
0,38
0,38
0,38
0,38
0,39
0,4
0,4
0,41
0,41
0,43
0,43
0,43
0,44
0,45
0,46
0,47
0,47
0,47
0,48
0,49
0,49
0,49
0,49
0,5
0,5
0,5
0,51
Mg. Jos Rodrguez L.
0,51
0,51
0,52
0,52
0,53
0,53
0,53
0,54
0,54
0,55
0,55
0,56
0,57
0,57
0,6
0,61
0,61
0,63
0,63
0,64
0,65
0,65
0,65
0,69
0,69
0,7
0,72
0,72
0,72
0,74
0,75
0,76
0,77
0,79
0,84
0,86
0,87
0,88
0,88
0,9
0,93
0,93
0,95
0,97
1,03
1,05
1,05
1,06
1,09
1,1
1,11
1,12
1,17
1,18
1,24
1,24
1,28
1,33
1,38
1,44
1,51
1,72
1,83
1,96
26
13
31/03/2015
ESTIMACION DE LA
Usando MS Excel se obtuvo, Estadstica descriptiva

Estadistica descriptiva
Media
Error tpico
Mediana
Moda
Desviacin estndar
Varianza de la muestra
Curtosis
Coeficiente de asimetra
Rango
Mnimo
Mximo
Suma
Cuenta
0,40
0,03
0,27
0,05
0,38
0,15
2,21
1,47
1,95
0,01
1,96
86,76
217,00
27
ESTIMACION DE LA
HISTOGRAMA
1. Numero de datos = N
n=
217
2. Calculo del RANGO = Maximo (Xi)-Minimo(Xi)

Maximo
Mnimo
Rango =
1,96
0,01
1,95
Mg. Jos Rodrguez L.
28
14
31/03/2015
ESTIMACION DE LA
HISTOGRAMA
3. Calculo del nmero de Clase o Intervalos (K)
Mtodo 1.
K=Ln(n)/Ln(2), donde el Ln logaritmo natural y n numero de datos a agrupar.
K=
Mtodo 2.
K=1+3.322log(N), donde el Log, logaritmo base 10 y N numero de datos a
agrupar. (aqui hay que decidir - comentario)
K=
8,76
Mtodo 3.
Escoger K de la tabla siguiente segun el numero de muestra n
n
K
n < 50
5a7
50<= n <100 6 a 7
100<= n <250 7 a 12
n>=250
10 a 20
29
ESTIMACION DE LA
HISTOGRAMA
4. Amplitud del intervalo (A)
A= Rango/nmero de clase = R/K
(aqui hay que decidir - ver comentario)
A=
0.2 0.21666667
5. Lmites de clases (Li-Ls)

Li = mnimo (n)
Ls= Li + A
Li =
Ls
0.01
0.2267
Li
0.01
0.23
0.44
0.66
0.88
1.09
1.31
1.53
1.74
Ls
0.23
0.44
0.66
0.88
1.09
1.31
1.53
1.74
1.96
Mg. Jos Rodrguez L.
30
15
31/03/2015
ESTIMACION DE LA
HISTOGRAMA
a sumar =
0.5
Li
Ls
Lri
Lrs
0.0
0.2
0.4
0.7
0.9
1.1
1.3
1.5
1.7
0.2
0.4
0.7
0.9
1.1
1.3
1.5
1.7
2.0
-0.5
-0.3
-0.1
0.2
0.4
0.6
0.8
1.0
1.2
0.7
0.9
1.2
1.4
1.6
1.8
2.0
2.2
2.5
6. Clculo de los lmites reales de clase Lri , Lrs

Agregue ceros despues de la coma, segn decimales contenga los nmeros de la
muestra. esto es; 0.__5 unidades a sumar al limite superior y reste estos
decimales al lmite inferior.
Para el caso particular de este ejemplo; los datos no tienen decimales, por lo
que slo se debe sumar y restar 0.5 unidades al limite superior(Ls) y lmite
31
ESTIMACION DE LA
HISTOGRAMA
Li
Ls
Lri
Lrs
Xj
0,01
0,23
0,44
0,66
0,88
1,09
1,31
1,53
1,74
0,23
0,44
0,66
0,88
1,09
1,31
1,53
1,74
1,96
-0,49
-0,27
-0,06
0,16
0,38
0,59
0,81
1,03
1,24
0,73
0,94
1,16
1,38
1,59
1,81
2,03
2,24
2,46
0,12
0,34
0,55
0,77
0,99
1,20
1,42
1,64
1,85
7. Clculo de Marca de Clase (M) o punto medio de clase (Xj)

Xj=(Li-0.5 + Ls+0.5)/2
Mg. Jos Rodrguez L.
32
16
31/03/2015
ESTIMACION DE LA
HISTOGRAMA
Li
Ls
Lri
Lrs
Xj
ni
0,01
0,23
0,44
0,66
0,88
1,09
1,31
1,53
1,74
0,23
0,44
0,66
0,88
1,09
1,31
1,53
1,74
1,96
-0,49
-0,27
-0,06
0,16
0,38
0,59
0,81
1,03
1,24
0,73
0,94
1,16
1,38
1,59
1,81
2,03
2,24
2,46
0,12
0,34
0,55
0,77
0,99
1,20
1,42
1,64
1,85
n=
92
47
37
14
12
8
4
1
2
217
8. Clculo de la Frecuencia Absoluta ; ni
33
ESTIMACION DE LA
HISTOGRAMA
Li
Ls
Lri
Lrs
Xj
ni
fi
0,0
0,2
0,4
0,7
0,9
1,1
1,3
1,5
1,7
0,2
0,4
0,7
0,9
1,1
1,3
1,5
1,7
2,0
-0,5
-0,3
-0,1
0,2
0,4
0,6
0,8
1,0
1,2
0,7
0,9
1,2
1,4
1,6
1,8
2,0
2,2
2,5
0,1
0,3
0,6
0,8
1,0
1,2
1,4
1,6
1,9
n=
92
47
37
14
12
8
4
1
2
217
0,4
0,2
0,2
0,1
0,1
0,0
0,0
0,0
0,0
1,00
Mg. Jos Rodrguez L.
9. Clculo de la Frecuencia Relativa; fi
34
17
31/03/2015
ESTIMACION DE LA
HISTOGRAMA
10. Clculo de la Frecuencia Absoluta acumulada; Ni
Li
Ls
Lri
Lrs
Xj
ni
fi
Ni
0,0
0,2
0,4
0,7
0,9
1,1
1,3
1,5
1,7
0,2
0,4
0,7
0,9
1,1
1,3
1,5
1,7
2,0
-0,5
-0,3
-0,1
0,2
0,4
0,6
0,8
1,0
1,2
0,7
0,9
1,2
1,4
1,6
1,8
2,0
2,2
2,5
0,1
0,3
0,6
0,8
1,0
1,2
1,4
1,6
1,9
n=
92,0
47,0
37,0
14,0
12,0
8,0
4,0
1,0
2,0
217
0,4
0,2
0,2
0,1
0,1
0,0
0,0
0,0
0,0
1,00
92,0
139,0
176,0
190,0
202,0
210,0
214,0
215,0
217,0
35
ESTIMACION DE LA
HISTOGRAMA
11. Clculo de la Frecuencia Relativa acumulada; Fi
Li
Ls
Lri
Lrs
Xj
ni
fi
Ni
Fi
0,0
0,2
0,4
0,7
0,9
1,1
1,3
1,5
0,2
0,4
0,7
0,9
1,1
1,3
1,5
1,7
-0,5
-0,3
-0,1
0,2
0,4
0,6
0,8
1,0
0,7
0,9
1,2
1,4
1,6
1,8
2,0
2,2
0,1
0,3
0,6
0,8
1,0
1,2
1,4
1,6
n=
92,0
47,0
37,0
14,0
12,0
8,0
4,0
1,0
217
0,4
0,2
0,2
0,1
0,1
0,0
0,0
0,0
1,00
92,0
139,0
176,0
190,0
202,0
210,0
214,0
215,0
0,4
0,6
0,8
0,9
0,9
1,0
1,0
1,0
Mg. Jos Rodrguez L.
36
18
31/03/2015
ESTIMACION DE LA
HISTOGRAMA
0,49
0,49
0,5
0,5
0,5
0,51
0,51
0,51
0,52
0,52
0,53
0,53
0,53
0,54
0,54
0,55
0,55
0,56
0,57
0,57
12. Grafico de Hstograma
Frecuencia
Histograma
100,0
90,0
80,0
70,0
60,0
50,0
40,0
30,0
20,0
10,0
0,0
0,2
0,4
0,7
0,9
1,1
0,0
0,2
0,4
0,7
0,9
37
ESTIMACION DE LA
El siguiente paso es determinar la familia de

distribuciones que se probar para representar el
conjunto de datos en estudio.
Para ello se cuenta con la forma del histograma y tambin

se cuenta con la naturaleza del proceso.
En efecto, se han desarrollado numerosas distribuciones

tericas
para
procesos
determinados,
vistas
anteriormente.
ESCOJA UNA FAMILIA DE DISTRIBUCIN

PROBABILIDADES, LA MAS APROPIADA.
Mg. Jos Rodrguez L.
DE
38
19
31/03/2015
ESTIMACION DE LA
0,49
0,49
0,5
0,5
0,5
0,51
0,51
0,51
0,52
0,52
0,53
0,53
0,53
0,54
0,54
0,55
0,55
0,56
0,57
0,57
12. Grafico de Hstograma
Frecuencia
Histograma
100,0
90,0
80,0
70,0
60,0
50,0
40,0
30,0
20,0
10,0
0,0
Forma de distribucin estimada

EXP(Beta)
0,2
0,4
0,7
0,9
1,1
0,0
0,2
0,4
0,7
0,9
39
ESTIMACION DE LA
A continuacin se listan los estimadores sugeridos para

las distribuciones mas empleadas:
Para los apuntes entregados el estimador es MLE (Maximum
Likelihood Estimation), Exponencial: = ()
La media = 0.40 beta (estimador)= 0.40
Mg. Jos Rodrguez L.
40
20
31/03/2015
ESTIMACION DE LA
La funcin densidad de probabilidad

consideraremos una primera aproximacin.
f(x)
No obstante hay que verificar si el parmetro de 0.4 es el

ajuste correcto, esto se validara ms adelante con otras
tcnicas que se desarrollaran en clases.
la
41
Grfico: quantile - quantile
Una alternativa al empleo de

histogramas para identificar la
distribucin de los datos es el
grafico quantile-quantile.
Este tipo de grfico puede
utilizarse aun cuando los datos
son escasos (menos de 30), y al
no depender de parmetros
arbitrarios , como el numero de
clases y el ancho de los
intervalos, facilita la evaluacin
del grado de ajuste de la
distribucin
propuesta
al
conjunto de datos analizados.
Mg. Jos Rodrguez L.
42
21
31/03/2015
GRFICO q-q
Grafico q-q:
Sea una variable aleatoria con distribucin
acumulada (), el q-quantile de es el valor
talque = = para 0 < < 1.
Cuando () tiene inversa, el quantile es igual a
= 1 ()
43
GRFICO q-q
Sea X una variable aleatoria con distribucin
acumulada F(x), el q-quantile de X es el valor
talque F()=P(X)=q para 0<q<1. Cuando F(x)
tiene inversa, el quantile es igual a =F-1 (q)
Sea {xi, i=1,2,n} una muestra de X. dicha lista
ordenada de menor a mayor origina una
nueva lista {yj, j=1,2,,n} donde y1 y2 yn
el grfico q-q se basa en que yj es una
estimacin de (j-0.5)/n quantile de X.
Mg. Jos Rodrguez L.
44
22
31/03/2015
GRFICO q-q
y1 ~ F-1 ((j-0.5)/n).
Suponga que se esta probando una
distribucin con funcin de probabilidad
acumulada F(X) para presentar los datos en
estudio, si F(X) es de la familia de
distribuciones adecuada; entonces el grfico,
yj vs. F-1 ((j-0.5)/n) ser aproximadamente una
lnea recta.
45
GRFICO q-q
Considere los datos mostrados a continuacin:
99.79, 100,26, 100.23, 99.55, 99.96, 99.56,
100.41, 100.27, 99.62, 99.60, 100.17, 99.98,
100.02, 99.65, 100.06, 100.33, 99.83, 100.47,
99.82, 99.85.
Mg. Jos Rodrguez L.
46
23
31/03/2015
CALCULOS GRFICO q-q

Estadstica descriptiva.
47
Histograma
Usando SW ARENAS imput Analyzer, se obtuvo
el histograma.
Mg. Jos Rodrguez L.
48
24
31/03/2015
Histograma
Usando SW ARENAS imput Analyzer, se obtuvo
el histograma.
No es fcil determinar que los datos pueden

ser representados por una distribucin
NORMAL
49
CALCULOS GRFICO q-q

Estadstica descriptiva.
Mg. Jos Rodrguez L.
50
25
31/03/2015
CALCULOS GRFICO q-q

Usando MS Excel se genera una tabla:
51
CALCULOS GRFICO q-q
Mg. Jos Rodrguez L.
52
26
31/03/2015
CALCULOS GRFICO q-q
53
CALCULOS GRFICO q-q
Mg. Jos Rodrguez L.
54
27
31/03/2015
CALCULOS GRFICO q-q
55
CALCULOS GRFICO q-q
Mg. Jos Rodrguez L.
56
28
31/03/2015
CALCULOS GRFICO q-q

Los puntos estn alineados a lo largo de una
recta con pendiente 45, por lo tanto, se
puede concluir que los datos tienen una
distribucin normal con valor medio 99.99 y
varianza 0.08.
57
CALCULOS GRFICO q-q

Note que es posible realizar un grfico
equivalente que no emplee la funcin inversa
de la distribucin acumulada, la cual puede no
existir, para ello, se grafica F(yj) vs. qj
Mg. Jos Rodrguez L.
58
29
31/03/2015
GRFICO q-q MODIFICADO

1.20
1.00
F(yj)
0.80
0.60
Lineal (Grafico
0.40
0.20
0.00
0.00
0.20
0.40
0.60
qj
0.80
1.00
1.20
59
GRFICO q-q MODIFICADO

Generalmente los puntos ubicados en los
extremos pueden alejarse de la lnea recta.
Sin embargo, la atencin debe ser puesta en
los puntos centrales para decidir si la
distribucin que esta siendo probada es la
correcta.
Mg. Jos Rodrguez L.
60
30
31/03/2015
Otro criterio.
Es posible tambin detectar si una variable X
tienen una misma distribucin que otra Z.
Para ello se grafican los valores ordenados de
la primera variable vs los valores ordenados
de la segunda variable.
Si el grfico resulta una lnea recta ambas
variables pueden ser representadas con la
misma distribucin.
61
Seleccin de una distribucin sin

datos: consideraciones.
Si no existe an el sistema o el
proceso de medicin no puede
realizarse por algn motivo,
ser necesario contar con una
distribucin sin contar con los
datos del sistema.
La informacin para ello puede
obtenerse de distintas fuentes,
como ser:
Especificaciones
tcnicas,
generalmente se cuenta con
datos tcnicos de un producto o
proceso, Ej, tiempo medio entre
fallas, velocidad de impresin,
consumo promedio, etc.
Mg. Jos Rodrguez L.
62
31
31/03/2015
Distribucin sin datos.
63
Unidad III
Ajustes a una distribucin de
probabilidad
Mg. Jos Rodrguez l.

Docente
Mg. Jos Rodrguez L.
32

Ajustes A Una Distribucion de Probabilidad

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ajustes A Una Distribucion de Probabilidad

Cargado por

Copyright:

Formatos disponibles

Taller de Simulacin - USS

Mg. Jos Rodrguez L.

Mg. Jos Rodrguez l.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.

1. Si lo son diferentes de 0 por una cantidad

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.

1. Grficos dispersin (Scatter diagram), de las

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.

Ejemplo Quantil y Box Plot

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

2. Para una distribucin discreta, el Lexis ratio, ( =

juega el mismo rol que el para distribuciones

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

1. La Kurtosis es una medida de que tan punteaguda es la

Mg. Jose Rodrguez L.

1. Histograma. Para un conjunto de datos continuos el

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

IDENTIFICACIN DISTRIBUCIN DE PROBABILIDAD

Mg. Jose Rodrguez L.

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Veamos un ejemplo: la tabla siguiente muestra los

Mg. Jose Rodrguez L.

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Usando MS Excel se obtuvo, Estadstica descriptiva

Mg. Jose Rodrguez L.

2. Calculo del RANGO = Maximo (Xi)-Minimo(Xi)

Mg. Jose Rodrguez L.

Mg. Jos Rodrguez L.

Taller de Simulacin - USS

Mg. Jose Rodrguez L.