Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema:
Carrera:
Ing. Mecatronica
Grupo: 2MT
Nombre de la Profesor:
Distribución Uniforme
Código: unifpdf(x,A,B)
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.
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.
rango = 29
media =15.5000
mediana = 15.5000
moda =1
desviacion =8.4149
maximo =30
minimo = 1
Distribución Log-Normal
rango = 49
media = 25.5000
mediana = 25.5000
moda = 1
desviacion = 14.1884
maximo = 50
minimo = 1
Distribución Gamma (Erlang)
Codigo: gamcdf(x,a,b);
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.
rango = 1
media = 0.5000
mediana = 0.5000
moda = 0
desviacion = 0.3317
maximo = 1
minimo = 0
histogram (Y)
plot (Y)
Distribución Chi-Cuadrado
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.
rango = 9 rangoV = 9
moda = 1 modaV = 11
maximo = 10 maximoV = 20
minimo = 1 minimoV = 11
histogram(x)
flot(Y)
DISTRIBUCIONES DISCRETAS
Distribución Uniforme
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
Codigo: binornd(N,P);
rango = 99
media = 50.5000
mediana = 50.5000
moda = 1
desviacion = 28.7953
maximo = 100
minimo = 1
Distribución Binomial Negativa
Codigo: nbinpdf(X,R,P)
rango =30
media =15
mediana =15
moda =0
desviacion =9.0921
maximo =30
minimo =0
Distribución de Poisson
Codigo: poisspdf(X,LAMBDA)
rango = 20
media = 10
mediana = 10
moda = 0
desviacion = 5.9896
maximo = 20
minimo = 0