CARRERA

INGENIERIA QUIMICA

ANALISIS DE DATOS EXPERIMENTALES

GRUPO

20213-5536D

CUADRO COMPARATIVO

GONZALEZ SANCHEZ ALEXIA BERENICE

NO. DE CONTROL 20070894

CATEDRATICO

VICTOR MANUEL RENDON SOLIS

11/10/2021
 VARIABLES
DISCRETAS
Descripción Una variable discreta es aquella que solo puede
tomar un número finito de valores entre dos valores
cualesquiera de una característica.
Funciones de UNIFORME DISCRETA
distribución de Describe el comportamiento de una variable discreta
probabilidad que puede tomar n valores distintos con la misma
probabilidad cada uno de ellos.
Parametros a: mínimo, a entero b: máximo, b
entero con a < b
Valores de x k: a, a+1, a+2, ..., b, números enteros
Funciones 𝑘
1 𝑘
de ( )
𝑓 𝑥𝑘 = ∑ =
probabilidad 𝑛 𝑛
𝑖=1
Media 𝑛+1
𝜇=
2
Varianza 2
2
𝑛 −1
𝜎 =
12

Histograma

BINOMIAL
La distribución binomial es una distribución discreta
muy importante que surge en muchas aplicaciones
bioestadísticas.
Parámetros n: número de pruebas, n ≥ 1 entero p:
probabilidad de éxito, 0 < p < 1
Valores de x k: 0, 1, 2, ..., n
Funciones (𝑛! 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 )
de 𝑓𝑏 (𝑥) =
𝑥! (𝑛 − 𝑥)!
probabilidad
Media 𝜇 =𝑛∙𝑝
Varianza 𝜎2 = 𝑛 ∙ 𝑝 ∙ 𝑞
Histograma

HIPERGEOMÉTRICA
Suele aparecer en procesos muestrales sin
reemplazo, en los que se investiga la presencia o
ausencia de cierta característica
Parámetros N: tamaño de la población, N ≥ 1
entero R: número de éxitos en la
población; 1 ≤ R ≤ N, N entero n:
número de pruebas; 1 ≤ n ≤ N, n
entero
Valores de x k: max{0,n-(N-R)}, ..., min{R,n},
donde max{0,n-(N-R)} indica el valor
máximo entre 0 y n- (N-R) y min{R,n}
indica el valor mínimo entre R y n.
Función de 𝑘
( )∙(
𝑁−𝑘
)
probabilidad 𝑝(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥
𝑁
𝑚
Media 𝜇 = 𝑛𝑝
Varianza 𝑁−𝑛
𝜎 2 = 𝑛𝑝𝑞 ∙
𝑁−1

Histograma

GEOMETRICA
Permite calcular la probabilidad de que tenga que
realizarse un número k de repeticiones antes de
obtener un éxito por primera vez; esta probabilidad
decrece a medida que aumenta k con lo que la función
de masa de probabilidad es siempre decreciente
Parámetros probabilidad de éxito, 0 < p < 1
Valores de x k: 0, 1, 2, ...
Función 𝑓 (𝑘) = (1 − 𝑝)𝑘−1 ∙ 𝑝
probabilidad
Media 1
𝜇=
𝑝
Varianza 𝜎 2 = (1 − 𝑝)/𝑝2
Histograma

PASCAL
El número de pruebas necesarias para obtener r
éxitos, siendo p la probabilidad de éxito, es una
variable aleatoria que sigue una distribución Pascal
de parámetros r y p.
 Parámetros r: número de éxitos, r > 1 entero p:
probabilidad de éxito, 0 < p < 1
Valores de x k: r, r+1, r+2, ..
Función 𝑃(𝑥) = 𝑞𝑛−1 𝑝
probabilidad
Media 𝑟(1 − 𝑝)
𝜇=
p
Varianza 𝜎 2 = (1 − 𝑝)/𝑝2
Histograma

POISSON
Se puede utilizar como una aproximación de la
binomial, Bin(n, p), si el número de pruebas n es
grande, pero la probabilidad de éxito p es pequeña
Parámetros λ: tasa de ocurrencia, λ > 0
Valores de x k: 0, 1, 2, ...
Función de 𝑒 −𝑎 𝑎 𝑥
probabilidad 𝑓𝑝 (𝑥) =
𝑥!
Media 𝜇 = 𝑃(𝜆)
Varianza 𝜎2 = 𝜆
Histograma

CONTINUAS
Descripción Una distribución continua describe las
probabilidades de los posibles valores de una
 variable aleatoria continua. Una variable aleatoria
continua es una variable aleatoria con un conjunto
de valores posibles (conocido como el rango) que es
infinito y no se puede contar
Funciones de UNIFORME
distribución de La distribución uniforme es útil para describir una
probabilidad variable aleatoria con probabilidad constante sobre el
intervalo (a,b) en el que está definida y se denota por
U(a,b). También es conocida con el nombre de
distribución rectangular por el aspecto de su función
de densidad.
Parametros a: mínimo, -∞ < a < ∞ b: máximo, -∞ <
b < ∞ con a < b
Valores de x a < x < b
Funciones 1
( )
𝑓 𝑥 =
de 𝑏−𝑎
probabilidad
Media 𝑎+𝑏
𝜇=
2

Varianza (𝑏 − 𝑎 )2
𝜎2 =
12

Histograma

NORMAL
La distribución normal es, sin duda, la distribución
de probabilidad más importante del Cálculo de
probabilidades y de la Estadística
Parámetros : media, - <  <  : desviación
estándar,  > 0
Valores de x  < x < 
Funciones 1
( )
𝑓 𝑥 =
de 𝜎√2𝜋
probabilidad
Media 𝜇=0
Varianza 𝜎2 = 1
Histograma

LOGNORMAL
La distribución lognormal es útil para modelar datos
de numerosos estudios médicos tales como el
período de incubación de una enfermedad, los
títulos de anticuerpo a un virus, el tiempo de
supervivencia en pacientes con cáncer o SIDA, el
tiempo hasta la seroconversión de VIH+, etc.
Parámetros : escala, - <  <  : forma,  > 0
Valores de x 0 < x < 
Función de 1
𝑓 (𝑥) =
probabilidad 𝑥𝜎√2𝜋

Media 1
𝜋+ 𝜎 2
𝐸 (𝑥) = 𝑒 2
Varianza 2 2
𝑉𝑎𝑟(𝑥) = 𝑒 2𝜇+𝜎 (𝑒 𝜎 − 1)

Histograma

LOGISTICA
La distribución logística se utiliza en el estudio del
crecimiento temporal de variables, en particular,
demográficas. En biología se ha aplicado, por
ejemplo, para modelar el crecimiento de células de
levadura, y para representar curvas de dosis-
respuesta en bioensayos
Parámetros a: situación, - < a <  b: escala, b > 0
Valores de x - < x < 
Función 𝑒 −𝑥−𝜇)/𝑠
probabilidad 𝑓(𝑥) = 𝑥−𝜇 2
−
𝑠 (1 + 𝑒 𝑠 )
Media 𝜇
Varianza 𝜋 2
𝜎2 = 𝑠
3

Histograma

BETA
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 p y q, mediante los que viene
definida la distribución, denotada por Beta (p,q).
Parámetros p: forma, p > 0 q: forma, q > 0
Valores de x 0 < x < 1
Función 𝑥 ∝−1 (1 − 𝑥)𝛽−1
probabilidad 𝑃(𝑥) =
𝐵(𝛼, 𝛽)
Media ∝
𝜇=
∝ +β
Varianza 2
∝𝛽
𝜎 =
(∝ +β)2 (∝ +β + 1)
Histograma

GAMMA
La distribución gamma se puede caracterizar del
modo siguiente: si se está interesado en la ocurrencia
de un evento generado por un proceso de Poisson de
media , la variable que mide el tiempo transcurrido
hasta obtener n ocurrencias del evento sigue una
distribución gamma con parámetros a = n (escala) y
p = n (forma). Se denota por Gamma(a,p)
Parámetros a: escala, a > 0 p: forma, p > 0
Valores de x 0 < x < 
 Función de 𝜆(𝜆𝑥)𝑎−1 𝑒 −𝜆𝑥
probabilidad 𝑓𝑝 (𝑥) =
𝑟(𝛼)
Media 𝑎
𝜇=
𝜆

Varianza 𝛼
𝜎2 =
𝜆

Histograma

Funciones de JI-CUADRADO
distribución de Es fundamental en inferencia estadística y en los tests
probabilidad estadísticos de bondad de ajuste. Se emplea, entre
otras muchas aplicaciones, para realizar la prueba de
hipótesis de homogeneidad, de independencia o la
prueba de bondad de ajuste (todas ellas denominadas
pruebas ji-cuadrado) y para determinar los límites de
confianza de la varianza muestral de una población
normal.
Parametros n: grados de libertad, n ≥ 1 entero
Valores de x 0 < x < 
Funciones 𝑘
1 2
de ( ) 𝑘 𝑥
𝑓(𝑥) = 2 −1 −
probabilidad 𝑘
𝑥 𝑒 2
2
𝑟( )
2
Media 𝑘
Varianza 2
𝜎 = 2𝑘

Histograma

T DE STUDENT
Esta distribución desempeña un papel muy
importante en la inferencia estadística asociada a la
teoría de muestras pequeñas y es usada
habitualmente en el contraste de hipótesis para la
media de una población o para comparar medias de
dos poblaciones.
Parámetros n: grados de libertad, n ≥ 1 entero
Valores de x  < x < 
Funciones 𝑟 (𝑣 + 1)
de 2 𝑥 2 −𝑥+1
𝑓(𝑥) = 𝑣 (1 + ) 2
probabilidad √𝑣𝜋𝑟 (2) 𝑣

Media 𝜇=0
Varianza 2
𝑣
𝜎 =
𝑣−2
Histograma

CAUCHY
La distribución de Cauchy depende de dos
parámetros: escala () y situación (); en el caso
particular de que  = 1 y  = 0, recibe el nombre de
distribución de Cauchy estándar. Una característica
destacable de esta distribución es que carece de
momentos, por lo que no existen la media, varianza,
asimetría y curtosis de esta distribución. Su función
de densidad es simétrica respecto al parámetro de
situación 
Parámetros : escala,  > 0 : situación, -∞ <  < ∞
Valores de x - < x < 
Función de 1
𝑓 (𝑥) =
probabilidad 𝑥 − 𝑥0 2
𝜋𝛾(1 + ( )
𝛾

Media 𝑛𝑜 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎
Varianza 𝑛𝑜 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎
Histograma

WEIBULL
Esta distribución se utiliza para modelar situaciones
del tipo tiempo-fallo, modelar tiempos de vida o en el
análisis de supervivencia, a parte de otros usos como,
por ejemplo, caracterizar el comportamiento
climático de la lluvia en un año determinado.
Parámetros a: forma, a > 0 b: escala, b > 0
Valores de x 0 < x < 
𝛼
Función 𝑓 (𝑥) = 𝜆𝛼(𝜆𝑥)𝛼−1 𝑒 −(𝜆𝑥)
probabilidad
Media 1
𝜇 = 𝜆𝑟 (1 + )
𝛼
Varianza 𝑛𝑜 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎

Histograma

LAPLACE
La distribución de Pareto fue introducida por el
economista italiano Vilfredo Pareto (1848- 1923)
como un modelo para explicar la distribución de las
rentas de los individuos de una población, siempre y
cuando se partiera de dos supuestos, la existencia de
un umbral inferior (x0) de forma que no haya rentas
inferiores a dicho umbral y el decrecimiento de
manera potencial del porcentaje de individuos con
una renta superior o igual a un cierto valor de renta a
medida que dicho valor de renta crece. El uso de esta
distribución se ha ido ampliando a diferentes ámbitos
de estudio.
Parámetros : forma,  > 0 x0: situación, x0 > 0
Valores de x x0  x < 
Función 1 |𝑥 − 𝜇 |
probabilidad 𝑃 (𝑥 ) = exp ( )
2𝑏 𝑏
Media 𝜇
Varianza 𝜎 2 = 2𝑏
Histograma

PARETO
La distribución gamma se puede caracterizar del
modo siguiente: si se está interesado en la ocurrencia
de un evento generado por un proceso de Poisson de
media , la variable que mide el tiempo transcurrido
hasta obtener n ocurrencias del evento sigue una
distribución gamma con parámetros a = n (escala) y
p = n (forma). Se denota por Gamma(a,p)
Parámetros : forma,  > 0 x0: situación, x0 > 0
Valores de x xo  x < 
 𝛼
Función de 𝛼𝑥𝑚
probabilidad 𝑓𝑝 (𝑥) = 𝛼+1
𝑥
Media 𝑎𝑥𝑚
𝜇=
𝛼−1

Varianza 𝛼𝑥 2
𝑚
𝜎2 =
(𝛼 − 1)2 (𝛼 − 2)

Histograma