Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Eloy Distribuciones
Eloy Distribuciones
CRHISTIAN ALEJANDRO
170851
[DISTRIBUCIONES DE
PROBABLILIDAD]
En teora de la probabilidad y estadstica, la distribucin de probabilidad de
una variable aleatoria es una funcin que asigna a cada suceso definido
sobre la variable aleatoria, la probabilidad de que dicho suceso ocurra.
Distribucin beta
(a , b, p, q)
La distribucin beta,
, se utiliza como modelo probabilstico en un gran nmero de problemas
econmicos: fidelidad a una marca, anlisis de inversiones , valoracin, duracin de un trabajo complejo,
etc..., debido, entre otras cosas, a su tremenda maleabilidad para representar situaciones harto diferentes. As
p q 1
la distribucin uniforme o rectangular es un caso particular de distribucin beta (
p 1
obtienen las distribuciones triangulares (
q2
y
p2
q 1
y
pq
pq2
mximo en el punto (0,5; 1,5) se obtiene para
distribucin que tiene una densidad tipo baera,
), tambin se
y en el caso de que
5
6
resulta una
En estadstica la distribucin beta es una distribucin de probabilidad continua con dos parmetros
cuya funcin de densidad para valores
Aqu
es
es la funcin gamma.
El valor esperado y la varianza de una variable aleatoria X con distribucin beta son
.
Un caso especial de la distribucin beta es cuando
la distribucin uniforme en el intervalo
Distribucin binomial
n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
El nmero combinatorio
En las empresas tenemos muchas situaciones donde se espera que ocurra o no
un evento especfico. ste puede ser de xito o fracaso sin dar paso a un punto
medio. Por ejemplo, en la produccin de un artculo, ste puede salir bueno o
malo. Para situaciones como stas se utiliza la distribucin binomial.
Distribucin k-erlang
En estadstica, la distribucin Erlang, es una distribucin de probabilidad continua con dos
parmetros
es
. Para
utiliza la distribucin Erlang para describir el tiempo de espera hasta el suceso nmero en
un proceso de Poisson.
Esta funcin recibe su nombre del matemtico e ingeniero dans Agner Krarup Erlang que la
introdujo en 1909.
Distribucin exponencial
A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en
ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de
funciones de densidad, tales como la exponencial y la gamma y algunas otras como la
weibull, etc., etc., de momento solo trataremos sobre el uso de la exponencial.
Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen
un gran nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel
importante tanto en teora de colas como en problemas de confiabilidad. El tiempo entre
las llegadas en las instalaciones de servicio y el tiempo de falla de los componentes y
sistemas elctricos, frecuentemente involucran la distribucin exponencial. La relacin
entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos
similares de problemas.
La variable aleatoria x tiene una distribucin exponencial, con parmetro b, si su funcin
de densidad es:
,x>0
donde b > 0
La media y la variancia de la distribucin exponencial son:
m=b
Relacin con el proceso de Poisson.
s2 = b2
Distribucin de Pearson V y VI
La distribucin de Pearson en una familia de distribuciones probabilsticas
continas. Fue publicada por primera vez por Karl Pearson en 1895 y
subsecuentemente extendida por l en 1901 y 1916 en una serie de artculos
de bioestadstica.
El sistema Pearson fue originalmente ideado en un esfuerzo para modelar
observaciones visiblemente asimtricas. Era bien conocido en aquel tiempo
cmo ajustar un modelo terico para acomodar los primeros dos cumulantes o
los momentos de observados datos. Los ejemplos de Pearson incluyen datos de
supervivencia, cules son usualmente asimtricos. En su escrito original,
Pearson (1895, p. 360) identific cuatro tipos de distribuciones (numeradas del
I al IV) adems de la distribucin normal (la cual era originalmente conocida
como tipo V). La clasificacin dependi en si las distribuciones estaban
definidas en un intervalo definido, en una semirrecta, o en los reales y si
estaban potencialmente asimtricas o necesariamente simtricas. Un segundo
escrito (Pearson 1901) arregl dos omisiones: Redefini la distribucin de tipo V
(originalmente inclua la distribucin normal, ahora incorporaba la distribucin
gamma inversa) e introdujo la distribucin de tipo VI. Conjuntamente los
primeros dos documentos de identificacin cubren los cinco tipos principales
del sistema Pearson (I, III, VI, V y IV). En un tercer escrito, Pearson (1916)
introdujo an ms casos especiales y subtipos (del VII al XII).
Sigue una
La distribucin de Pearson tipo V es una distribucin gamma inversa.
sigue una :
La distribucin de Pearson tipo VI es una distribucin beta prima o
una Distribucin F.
Distribucin triangular
Distribucin uniforme
Una de las formas para simular una distribucin Uniforme sobre el intervalo
que va de a a b es usar la transformacin inversa de la funcin de densidad.
La distribucin uniforme se utiliza al modelar las concentraciones de un gas en
un modelo de simulacin o del tiempo entre accidentes en una interseccin,
como tambin para ubicar los puntos en la herramienta Crear puntos
aleatorios.
Con frecuencia, la distribucin uniforme se utiliza para modelar eventos
aleatorios cuando cada instancia o resultado potencial tiene la misma
probabilidad de ocurrencia.
Distribucin de weibull
Anlisis de la supervivencia
Reliability engineering
Meteorologa
En telecomunicaciones
Distribucin gamma
En estadstica la distribucin
gamma es
Aqu
una distribucin
de
es
es el nmero e y
gamma es
la funcin
Distribucin geomtrica
Esta distribucin sirve para calcular la probabilidad de que ocurra un xito por
primera y nica vez en el ltimo ensayo que se realiza del experimento.
Funcin de densidad:
Sea A un suceso de probabilidad P(A)=p, y sea X la variable aleatoria que
expresa el nmero de fracasos que tiene lugar en las repeticiones
independientes de pruebas de Benouili, hasta que ocurre A por primera vez. La
variable X toma los valores de 0, 1,2,. (Nmero de fracasos). Decimos que
una variable aleatoria X sigue una distribucin geomtrica de parmetros p si
su funcin de probabilidad es
Dnde:
P= probabilidad de xito en cada ensayo
x= ensayos que sean necesarios para obtener un xito, para x = 1, 2, 3,..
Lo anterior solo se cumple si y solo si:
Las pruebas son idnticas e independientes entre s.
Funcin de distribucin:
Esperanza:
Varianza:
Distribucin Lognormal
para
, donde
y la varianza es
.
Distribucin normal
Una variable aleatoria continua, X, sigue una distribucin
normal de media y desviacin tpica , y se designa por N(, ), si
se cumplen las siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin
matemtica de la curva de Gauss:
Distribucin de poisson
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad
de rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:
Dnde:
p(x, l) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es l
l = media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren
por unidad de tiempo, rea o producto es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, as como cada
rea es independiente de otra rea dada y cada producto es independiente de
otro producto dado.