Materia:

Estadística y ctrl. De calidad

Tema:

Distintos tipos de distribución de estadística

Equipo:

Osmir Vasquez Ortiz

Jorge David Flores Cruz
Manuel Alejandro Aguilar Guzman

Carrera:

Ing. Mecatronica

Grupo: 2MT

Nombre de la Profesor:

Dehesa Martínez José Manuel

DISTRIBUCIONES CONTINUAS

Distribución Uniforme

En teoría de probabilidad y estadística, la distribución uniforme continua es una familia de

distribuciones de probabilidad para variables aleatorias continuas, tales que para cada
miembro de la familia, todos los intervalos de igual longitud en la distribución en su rango
son igualmente probables.

 Se aplica con un conocimiento muy general o poco conocimiento sobre la

distribución. También para errores de redondeo en la medida, generación de
números aleatorios y llegadas (cuando son independientes y el número total está
determinado).

Código: unifpdf(x,A,B)

Valor de x= [1:.1:n]; Valor de A: 1 Valor de B: 2 Valor n: 40

rango = 39

media = 20.5000

mediana = 20.5000

moda = 1

desviacion = 11.3016

maximo = 40

minimo = 1
Distribución Normal (Gausiana)

Como se puede ver, la función de densidad del modelo Normal tiene forma de campana, la
que habitualmente se denomina campana de Gauss. De hecho, a este modelo, también se
le conoce con el nombre de distribución gaussiana.

Se aplica para describir atributos humanos o de objetos: peso, altura, etc. dentro de un
grupo (variaciones en las notas de exámenes), medidas de errores angulares o lineales,
generación de ruido y pequeñas perturbaciones, datos meteorológicos como temperatura y
precipitación pluvial, errores de instrumentación, etc.

Código: normpdf (x, MU, SIGMA);

Valor x= [0:0.1:n]; Valor de MU: 5 Valor de SIGMA:6 Valor de n: 50

rango = 50

media = 25

mediana = 25

moda = 0

desviacion = 14.4771

maximo = 50

minimo = 0
Distribución Exponencial (Negativa)

A pesar de que la distribución Normal puede utilizarse para resolver muchos problemas en
ingeniería y ciencias, existen aún 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.

 La variable aleatoria exponencial es el tiempo que transcurre hasta que se da el

primer evento de Poisson. Es decir, la distribución exponencial puede modelar el
lapso entre dos eventos consecutivos de Poisson que ocurren de manera
independiente y a una frecuencia constante.
 Se utiliza en sucesos independientes entre sí. Es apropiada para modelar tiempos de
espera cuando dicho tiempo se supone independiente del tiempo que haya
transcurrido hasta ese momento. Por ejemplo, la probabilidad de que una bombilla
deje de lucir en el próximo minuto es relativamente independiente del tiempo que
haya estado luciendo hasta ahora. Tiempos entre roturas, tamaño de pedidos,
tiempos de procesos, llegada de personas a una tienda y, en general, acciones por
unidad de tiempo.

Codigo= exppdf (x,MU);

Vector x=[1:0.1:n]; Valor de MU: 5 Valor de n: 30

rango = 29
media =15.5000
mediana = 15.5000
moda =1
desviacion =8.4149
maximo =30
minimo = 1
Distribución Log-Normal

La distribución lognormal es una distribución flexible que se relaciona estrechamente con la

distribución normal. Esta distribución puede resultar particularmente útil para modelar datos
que sean aproximadamente simétricos o asimétricos a la derecha. Al igual que la
distribución de Weibull, la distribución lognormal puede tener apariencias marcadamente
diferentes dependiendo de su parámetro de escala.

De hecho, a veces el modelo lognormal y el modelo de Weibull pueden ajustarse de forma

igualmente adecuada a un conjunto específico de datos de prueba de vida útil. Sin embargo,
hay una diferencia importante que debe considerarse. Al usar estas distribuciones para
extrapolar más allá del rango de datos de la muestra, la distribución lognormal predecirá
tasas promedio de fallas más bajas que la distribución de Weibull en los primeros momentos.

 Se utiliza para modelar tiempos de procesos y reparación, averías de un coche con

el tiempo, población de un sitio con respecto al dinero, estancia de tiempo en un
banco, etc.

Codigo: lognpdf (x,MU,SIGMA);

Vector x=[1:0.1:n]; Valor n: 50 Valor SIGMA: 6 Valor MU: 5

rango = 49
media = 25.5000
mediana = 25.5000
moda = 1
desviacion = 14.1884
maximo = 50
minimo = 1
Distribución Gamma (Erlang)

Es una distribución adecuada para modernizar el comportamiento de variables aleatorias

continuas con asimetría positiva. Es decir, variables que presentan una mayor densidad de
sucesos a la izquierda de la media que a la derecha.
En su expresión se encuentran dos parámetros, siempre positivos, (α) y (β) 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.

 La pdf gamma es útil en los modelos de dependencia de ciclos de vida. La distribución

gamma es más flexible que la exponencial. Los casos especiales de la función
gamma son las funciones exponencial y chi-cuadrado.
 Se aplica para tiempos de procesos, tiempos de reparación, tiempos entre llegadas
(con poca aleatoriedad), incluso ingresos familiares, edad del hombre al contraer
matrimonio por primera vez, etc.

Codigo: gamcdf(x,a,b);

Valor de n: 50 Vector x=[0:0.1:n] Valor de a: 5 Valor de b: 6

rango = 50
media =25
mediana =25
moda = 0
desviacion =14.4771
maximo =50
minimo =0
Distribución Beta

La distribución beta es posible para una variable aleatoria continua que toma valores en el
intervalo [0,1], lo que la hace muy apropiada para modelar proporciones. En la inferencia
bayesiana, por ejemplo, es muy utilizada como distribución a priori cuando las
observaciones tienen una distribución binomial.

Uno de los principales recursos de esta distribución es el ajuste a una gran variedad de
distribuciones empíricas, pues adopta formas muy diversas dependiendo de cuáles sean los
valores de los parámetros de forma αα y ββ, mediante los que viene definida la distribución.

 Permite generar una gran variedad de perfiles. Se puede usar para representar la
distribución de artículos defectuosos sobre un intervalo de tiempo específico, etc.

Codigo: betacdf (x,a,b);

Vector x= [0:0.1:1] Valor de a: 6 Valor de b: 7

rango = 1

media = 0.5000

mediana = 0.5000

moda = 0

desviacion = 0.3317

maximo = 1

minimo = 0
histogram (Y)

plot (Y)
Distribución Chi-Cuadrado

La distribución de chi-cuadrada es una distribución continua que se especifica por los

grados de libertad y el parámetro de no centralidad. La distribución es positivamente
asimétrica, pero la asimetría disminuye al aumentar los grados de libertad.

Comprueba qué tan bien se ajusta una muestra a una distribución teórica. Por ejemplo,
puede utilizar una prueba de bondad de ajuste de chi-cuadrada para determinar si los datos
de la muestra se ajustan a una distribución de Poisson.

Codigo: chi2cdf (x,v);

Vector x= [1 2 3 4 5 6 7 8 9 10] Vector v= [11 12 13 14 15 16 17 18 19 20]

rango = 9 rangoV = 9

media = 5.5000 mediaV = 15.5000

mediana = 5.5000 medianaV = 15.5000

moda = 1 modaV = 11

desviacion = 3.0277 desviacionV = 3.0277

maximo = 10 maximoV = 20

minimo = 1 minimoV = 11
histogram(x)

flot(Y)
DISTRIBUCIONES DISCRETAS

Distribución Uniforme

En teoría de probabilidad y estadística, la distribución uniforme continua es una familia de

distribuciones de probabilidad para variables aleatorias continuas, tales que para cada
miembro de la familia, todos los intervalos de igual longitud en la distribución en su rango
son igualmente probables.

Se usa para generar números aleatorios de entre N. Por ejemplo podemos calcular la
probabilidad de sacar un número X (del 1 al 6) al tirar un dado.

Codigo: unidpdf(X,N)

Valor x : 6 Valor N: 5

rango =5

media =3.5000

mediana =3.5000

moda =1

desviacion =1.8708

maximo =6

minimo =1
Histogram(Y)

Plot(Y)
Distribución Binomial

Describir un proceso donde los resultados se pueden etiquetar como un evento o un no

evento y cuando esté interesado en la ocurrencia de un evento y no en su magnitud. Por
ejemplo, un elemento pasa o no pasa una inspección o un partido político gana o pierde.
La distribución binomial se usa frecuentemente en control de calidad, sondeos de opinión
pública, investigaciones médicas y seguros.

Sus áreas de aplicación incluyen inspección de calidad, ventas, mercadotecnia, medicin,

investigación,de opiniones y otras. Por ejemplo, un proceso de manufactura produce un
determinado producto en el que algunas unidades son defectuosas; si la proporción de
unidades defectuosas producidas por este proceso es constante durante un periodo
razonable y, si como procedimiento de rutina, se seleccionan aleatoriamente un
determinado número de unidades, entonces las proposiciones de probabilidad con
respecto al número de artículos defectuosos puede hacerse mediante el empleo de la
distribución binomial.

Codigo: binornd(N,P);

Valor N: 100 Valor P: 0.5

rango = 99

media = 50.5000

mediana = 50.5000

moda = 1

desviacion = 28.7953

maximo = 100

minimo = 1
Distribución Binomial Negativa

La distribución binomial negativa es una distribución discreta que modela el número de

ensayos necesarios para producir un número específico de eventos. Cada ensayo tiene
dos resultados posibles. El evento es el resultado de interés en un ensayo. La distribución
binomial negativa también puede modelar el número de no eventos que deben ocurrir para
que se observe el número especificado de resultados.

La aplicación principal de esta distribución es una alternativa adecuada para el modelo de

Poisson cuando la frecuencia de ocurrencia no es constante en el tiempo o el espacio.
También se emplea para modelar las estadísticas de accidentes, datos psicológicos,
compras del consumidor y otras situaciones similares en donde la frecuencia de
ocurrencia entre grupos o individuos no se espera que sea la misma

Codigo: nbinpdf(X,R,P)

Valor x: 30 Valor R: 4 Valor P: 0.5

rango =30

media =15

mediana =15

moda =0

desviacion =9.0921

maximo =30

minimo =0
Distribución de Poisson

La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es

igual a la media y la varianza. Cuando lambda aumente a valores lo suficientemente
grandes, la distribución normal (λ, λ) podría utilizarse para aproximar la distribución de
Poisson.

Es el principal modelo de probabilidad empleado para analizar problemas de líneas de

espera. Se usa para estimar el número de personas que llegan a una tienda de autoservicio
en un tiempo estimado, el número de defectos en piezas similares para el material, el
número de bacterias en un cultivo, número de solicitudes de seguro procesadas por una
compañía en un período específico, etc.

Codigo: poisspdf(X,LAMBDA)

Valor X=[0:0.5:N]; Valor LAMBDA: 9 Valor N: 20

rango = 20

media = 10

mediana = 10

moda = 0

desviacion = 5.9896

maximo = 20

minimo = 0