Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de Química
Ingeniería en biotecnología
Abril Montes Hernández
Expediente: 250792
P(X=0) = q = 1-p
P(X=1)= p .
3.DISTRIBUCIÓN HIPERGEOMÉTRICA
4. DISTRIBUCIÓN DE POISSON
MODELOS CONTINUOS
1.DISTRIBUCIÓN UNIFORME (DE V. CONTINUA)
Dada una variable aleatoria continua, X, definida en el intervalo [a,b] de la recta real,
diremos que X tiene una distribución uniforme en el intervalo [a,b] cuando su función
de densidad sea: X ~ U([a,b])
0 para x < a
1 para x ³ b
Es fácil comprobar que m =(b+a)/2 y que s2 = (b-a)2/12
2. DISTRIBUCIÓN EXPONENCIAL
Dada una variable aleatoria continua, X , definida para valores reales positivos.
=0 para x < 0
F(x) = {
F.G.M.
Si derivamos la F.G.M. en el punto t=0 obtendremos que m = 1/a
Una variable aleatoria continua, X, definida en [-¥ ,¥ ] seguirá una distribución normal de
parámetros m y s , ( X ~ N(m ; s ) ) , si su función de densidad es :
para x Î [-¥ ,¥ ]
a) Enorme número de fenómenos que puede modelizar: Casi todas las características
cuantitativas de las poblaciones muy grades tienden a aproximar su distribución a una
distribución normal.
b) Muchas de las demás distribuciones de uso frecuente, tienden a distribuirse según una
Normal, bajo ciertas condiciones.
c) (En virtud del teorema central del límite).Todas aquellas variables que pueden
considerarse causadas por un gran número de pequeños efectos (como pueden ser los
errores de medida) tienden a distribuirse según una distribución normal.
Y~ N(a+bm ; bs ) :
La distribución N(0,1) se conoce con el nombre de Normal tipificada o reducida y tiene una
importancia teórica y práctica fundamental. Su Función de distribución está tabulada y
ello nos permite calcular directamente cualquier probabilidad de cualquier intervalo de
cualquier distribución normal ( X ~ N(m ; s )), sin necesidad de integrar.
Bibliografía
http://www4.ujaen.es/~mjolmo/EstadI/LADE_DCHO/Distribuciones.pdf
https://www.uv.es/ceaces/base/modelos%20de
%20probabilidad/MODEPR1.htm#:~:text=Los%20modelos%20discretos%2C%20son
%20modelos,1.&text=Si%20una%20variable%20aleatoria%20X,X%20~%20D(p).
DISEÑOS EXPERIMENTALES
Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo objetivo es
averiguar si unos determinados factores influyen en una variable de interés y, si existe
influencia de algún factor, cuantificar dicha influencia.
Al planificar un experimento hay tres principios básicos que se deben tener siempre en
cuenta:
— El principio de aleatorización.
— El bloqueo.
Los dos primeros (aleatorizar y bloquear) son estrategias eficientes para asignar los
tratamientos a las unidades experimentales sin preocuparse de qué tratamientos
considerar. Por el contrario, la factorización del diseño define una estrategia eficiente para
elegir los tratamientos sin
Bloquear: “Se deben dividir o particionar las unidades experimentales en grupos llamados
bloques de modo que las observaciones realizadas en cada bloque se realicen bajo
condiciones experimentales lo más parecidas posibles”.
Bloquear es una buena estrategia siempre y cuando sea posible dividir las unidades
experimentales en grupos de unidades similares.
La ventaja de bloquear un factor que se supone que tienen una clara influencia en la
respuesta, pero en el que no se está interesado, es la siguiente: Convierte la variabilidad
sistemática no planificada en variabilidad sistemática planificada.
Bibliografía
http://www.est.uc3m.es/esp/nueva_docencia/getafe/ciencias_estadisticas/diseno_experi
mentos/materialest/IntroDE.pdf