0 calificaciones0% encontró este documento útil (0 votos)
16 vistas1 página
Este documento describe cuatro distribuciones de probabilidad continuas: uniforme, exponencial, gamma y normal. La distribución uniforme asigna la misma probabilidad a todos los valores dentro de un rango. La distribución exponencial se usa para modelar eventos con una tasa constante de ocurrencia. La distribución gamma generaliza la exponencial y se usa para modelar variables positivas. La distribución normal tiene forma de campana y es útil para variables que tienden a agruparse alrededor de un promedio.
Este documento describe cuatro distribuciones de probabilidad continuas: uniforme, exponencial, gamma y normal. La distribución uniforme asigna la misma probabilidad a todos los valores dentro de un rango. La distribución exponencial se usa para modelar eventos con una tasa constante de ocurrencia. La distribución gamma generaliza la exponencial y se usa para modelar variables positivas. La distribución normal tiene forma de campana y es útil para variables que tienden a agruparse alrededor de un promedio.
Este documento describe cuatro distribuciones de probabilidad continuas: uniforme, exponencial, gamma y normal. La distribución uniforme asigna la misma probabilidad a todos los valores dentro de un rango. La distribución exponencial se usa para modelar eventos con una tasa constante de ocurrencia. La distribución gamma generaliza la exponencial y se usa para modelar variables positivas. La distribución normal tiene forma de campana y es útil para variables que tienden a agruparse alrededor de un promedio.
1.- La probabilidad de un suceso depende exclusivamente de la amplitud del intervalo considerado y no de su posición en A diferencia de las variables discretas, el campo de variación de la variable. las variables continuas pueden adoptar 2.-caracteriza los datos en un intervalo de 1.- La duración de una llamada. un numero infinito de valores posibles. manera uniforme, siendo a el valor más 2.- Volumen de agua en una piscina. Es una distribución continua que modela (a) =cota inferior Distribución Uniforme pequeño y b el valor más grande. 3.- El peso de una persona. un rango de valores con igual (b) =cota superior 3.- Para todos los valores la probabilidad es 4.- La velocidad a la que se mueve un tren. probabilidad. La distribución uniforme se la misma. 5.- Distancia que recorren los autos en una ciudad. especifica mediante cotas inferior y 4.- Es una distribucion continua por que superior. puede tomar cualquier valor y no unicamente un numero determinado. 5.- Tambien se conoce como distribucion rectangular.
Es una distribución de probabilidad
continua utilizada para modelar el tiempo que necesitamos esperar antes de que 1.-El rasgo principal de la distribución ocurra un evento determinado. Es la exponencial es que se utiliza para modelar el contraparte continua de la distribución comportamiento de los elementos con una Los tiempos entre los clientes que entran en una Distribución Exponencial geométrica,que en su lugar es tasa de error constante. cafetería o las personas que nacen o mueren se discreta.La distribución exponencial se 2.- Tiene una forma matemática bastante distribuyen exponencialmente utiliza para modelar el comportamiento simple, lo que hace que sea bastante fácil de de las unidades que tienen una tasa de manipular error constante (o unidades que no se θ= parámetro de escala degradan con el tiempo o el desgaste). λ= parámetro de valor umbral exp= base del logaritmo natural
Se le conoce tambien como una
1.- Tiene una función de distribución generalización de la distribucion 1.-Se utiliza comúnmente para modelar tiempos continua con dos parámetros positivos, α y β exponencial, ademas de la distribucion de espera. (alfa y beta). a= parámetro de forma (cuando a = 1, la de erlang y la distribucion ji-cudrada. 2.- Comúnmente como un modelo para pérdidas 2.- Las variables son positivas. PDF de gamma es la misma que la PDF Distribución Gamma Es una distribución de probabilidad financieras o tamaños de reclamos de seguros, 3.-Resultados sesgados. exponencial) continua adecuada para modelizar el principalmente porque es una distribución bastante 4.-Se produce naturalmente en los procesos b= parámetro de escala comportamiento variables aleatorias y flexible de sesgo positivo con propiedades donde los tiempos de espera entre eventos θ= parámetro de valor umbral experimentos en donde esta involucrado matemáticas convenientes. son relevantes. Γ= función gamma el tiempo. e= base del logaritmo natural
1.-Tiene una única moda, que coincide con su 1.-Curva de Maxwell
media y su mediana. Otro ejemplo que ilustra la distribución normal es la 2.-La curva normal es asintótica al eje de curva de Maxwell. La curva de Maxwell, dentro del abscisas. Por ello, cualquier valor entre y es campo de la física, indica cuántas partículas de teóricamente posible. El área total bajo la curva gas se mueven a una velocidad determinada. Es aquella distribución de la es, por tanto, igual a 1. 2.- Inteligencia probabilidad cuya gráfica adquiere forma 3.-Es simétrica con respecto a su media . Según media = μ En el caso de la inteligencia, la distribución normal de campana simétrica (de Gauss). Sirve esto, para este tipo de variables existe una Distribución Normal varianza = σ 2 se cumple a nivel mundial, para todas las para evaluar variables aleatorias que probabilidad de un 50% de observar un dato desviación estándar = σ sociedades y culturas. Esto implica que la mayor tendrán un comportamiento normal o mayor que la media, y un 50% de observar un dato menor. parte de la población tiene una inteligencia media, aproximadamente normal. 4.-La distancia entre la línea trazada en la media y que en los extremos (por debajo, personas con y el punto de inflexión de la curva es igual a una discapacidad intelectual, y por arriba, desviación típica (). Cuanto mayor sea , más superdotados), se encuentra menor parte de la aplanada será la curva de la densidad. población (el mismo % por debajo que por arriba, aproximadamente).