Grupo #2
Funciones •Jesús Fernández
Probabilísticas •Evelyn Paniagua
•Pablo Aguilera
Distribuciones Discretas de Probabilidad: Su
Media y Varianza
Una distribución discreta de probabilidad describe la
probabilidad de ocurrencia de cada valor posible de
una variable aleatoria discreta.
Media (Esperanza Matemática): La media de una
distribución discreta de probabilidad es el valor
promedio esperado de la variable aleatoria.
Varianza: La varianza mide la dispersión de los
valores de la variable aleatoria alrededor de la
media.
Distribución Acumulada Discreta
La función de distribución acumulada (FDA) de una
FDA:
variable aleatoria discreta X es una función que da la
probabilidad de que X sea menor o igual a un cierto
valor x:
La FDA es una función escalonada que aumenta a
medida que x aumenta y tiene un valor de 1 cuando
x incluye todos los posibles valores de la variable
aleatoria.
Distribución Acumulada Discreta
Ejemplo:
Lanzamiento de un dado
Valores posibles: 1, 2, 3, 4, 5, 6.
Probabilidad de cada valor:
Función de distribución acumulada (FDA):
Distribución Uniforme Discreta
La distribución uniforme discreta asigna la misma
probabilidad a cada uno de los n valores posibles de
una variable aleatoria. Si X toma los valores {x1, x2,
…, xn}, la probabilidad de cada valor es:
Media: Varianza:
Distribución Uniforme Discreta
Ejemplo:
Selección aleatoria de un día de la semana.
Valores posibles: Lunes, Martes, Miércoles, Jueves, Viernes, Sábado, Domingo.
Probabilidad de cada valor:
Distribución Binomial o de Bernoulli
La distribución binomial modela el número de éxitos
en n ensayos independientes, cada uno con una
probabilidad de éxito p.
Media: Varianza:
Distribución Binomial o de Bernoulli
Ejemplo:
Lanzamiento de una moneda 3 veces.
Número de ensayos: n = 3.
Probabilidad de éxito (cara): p = 0.5.
Probabilidad de obtener exactamente 2 caras:
Distribución Binomial Negativa
La distribución binomial negativa modela el número
de fracasos antes de obtener r éxitos en ensayos
independientes con probabilidad de éxito p.
Media: Varianza:
Distribución Binomial Negativa
Ejemplo:
Número de lanzamientos de un dado hasta obtener 3 seises.
Número de éxitos deseados: r = 3.
Probabilidad de éxito (seis): p = 1/6.
Probabilidad de que haya exactamente 5 fracasos antes de obtener 3 seises:
*La probabilidad de tener exactamente 5 fracasos antes de obtener 3 éxitos (seises) es
aproximadamente 0.0391, o 3.91%.
Distribución Geométrica
La distribución geométrica modela el número de
ensayos hasta el primer éxito en una serie de ensayos
de Bernoulli independientes con probabilidad de
éxito p.
Media: Varianza:
Distribución Geométrica
Ejemplo:
Número de lanzamientos de una moneda hasta obtener la primera cara.
Probabilidad de éxito (cara): p = 0.5.
Probabilidad de obtener la primera cara en el tercer lanzamiento:
Distribución Hipergeométrica
La distribución hipergeométrica es una de las
distribuciones discretas más relevantes en
estadística. Se utiliza cuando se trabaja con
una población finita y se extrae una muestra
sin reemplazo. Es especialmente útil en
situaciones en las que estamos interesados en
contar el número de éxitos en la muestra.
Distribución Hipergeométrica
Distribución de Poisson
La distribución de Poisson es una
distribución de probabilidad discreta que se
aplica a las ocurrencias de algún evento
durante un periodo determinado. Es decir, es
una distribución de probabilidad discreta en
la que solo es necesario conocer los eventos
y cuál es su frecuencia media de ocurrencia
para poder conocer la probabilidad de que
ocurran.
Función de densidad de probabilidad
La función de densidad de probabilidad en estadística es la que
describe la probabilidad relativa según la cual dicha variable
aleatoria tomará determinado valor. Esta función se puede
dividir en dos grupos:
•Discretas: son aquellas que solo pueden tomar valores dentro
de un conjunto finito (Cara/Cruz, Oros/Bastos/Espadas/Copas).
Se pueden representar con números enteros (1,2,3,4….).
•Continuas: son aquellas que pueden tomar cualquier valor,
números reales.
Distribución normal o de Gauss
La distribución de Gauss, también conocida como distribución normal, es un concepto
estadístico que describe cómo se distribuyen los datos alrededor de un valor
promedio. Es como una «campana» simétrica que muestra cómo los valores se
agrupan alrededor de un punto central.
La regla empírica, también conocida como la regla del 68-95-99.7, es una propiedad
importante de la distribución Gaussiana. Según esta regla, aproximadamente el 68% de
los datos se encuentra dentro de una desviación estándar del valor medio,
aproximadamente el 95% se encuentra dentro de dos desviaciones estándar y
aproximadamente el 99.7% se encuentra dentro de tres desviaciones estándar.
La distribución Gaussiana tiene una
forma característica de campana. Esto
significa que la mayoría de los datos se
concentran cerca del valor medio y la
frecuencia de los datos disminuye a
medida que nos alejamos del centro.
La forma de campana está determinada
por la media y la desviación estándar.
Distribución Exponencial
Distribución continua que se utiliza para modelar tiempos de espera para la
ocurrencia de un cierto evento. Esta distribución al igual que la distribución
geométrica tiene la propiedad de pérdida de memoria. La distribución
exponencial es un caso particular de la distribución gamma.
La distribución exponencial tiene la propiedad de pérdida de memoria y está
relacionada con la distribución discreta de Poisson. En un proceso de
Poisson, los eventos ocurren de manera continua e independiente a una tasa
constante llamada lambda (λ). Los valores de una variable aleatoria
exponencial se producen de manera que hay menos valores grandes y más
valores pequeños
Distribución de Erlang
La distribución Erlang fue desarrollada por AK Erlang para encontrar la cantidad
de llamadas telefónicas que se pueden realizar simultáneamente a los operadores
de estaciones de conmutación. Erlang era ingeniero de telecomunicaciones de la
Compañía Telefónica de Copehagen; muchas compañías telefónicas, incluida la
oficina de correos británica, utilizaron sus fórmulas para la pérdida y el tiempo
de espera. Desde entonces, la distribución de Erlang se ha ampliado para su uso
en la teoría de colas, el estudio matemático de las colas de espera. También se
utiliza en procesos estocásticos y en biología matemática. La distribución Erlang
es un caso específico de la distribución Gamma .
Distribución Gamma
La distribución Gamma es el modelo de referencia para variables
continuas y positivas, como pueden ser los flujos de agua, consumos de
productos a granel, rentas, recogidas de basuras, entre otros. Sus dos
parámetros, uno de forma y otro de escala, le dan una gran versatilidad, y
de hecho contiene como casos particulares otros modelos de distribución
tan famosos como la exponencial.
La distribución gamma es una distribución continua que se define por sus
parámetros de forma y escala. La distribución gamma de 3 parámetros se
define por sus parámetros de forma, escala y valor umbral. Por ejemplo, en
la gráfica, la distribución gamma se define según valores de forma y escala
diferentes cuando el valor umbral se establece en 0.0. La mayoría de los
valores en una distribución gamma ocurren cercanos entre sí, pero algunos
valores quedan al final de la cola superior.
Distribución Weibull
La distribución de Weibull es una distribución de probabilidad
continua y versátil que se puede utilizar para modelar una
amplia gama de aplicaciones en ingeniería, investigación
médica, control de calidad, finanzas y climatología. Por
ejemplo, la distribución se utiliza frecuentemente con análisis
de fiabilidad para modelar datos de tiempo antes de falla. La
distribución de Weibull también se utiliza para modelar datos
asimétricos del proceso en el análisis de capacidad.
