Distribuciones probabilsticas

Integrantes: Guillermo Nez Johan Martin Fecha: 25-03-2013

1.Distribuciones Continuas

Tiene aplicaciones importantes por la variedad de formas diferentes que puede tomar su funcin de densidad para diferentes valores de sus parmetros. Es ideal para modelar proporciones ya que toma valores en el intervalo [0,1]
Campo de variacin: 0 x1 Parmetros: a: parmetro de forma, a > 0 b: parmetro de forma, b > 0

Por ejemplo, la proporcin de impurezas en un producto qumico o la fraccin del tiempo que una maquina entra en reparacin.

1.2 Distribucin Uniforme

la probabilidad de un suceso depender exclusivamente de la amplitud del intervalo considerado y no de su posicin en el campo de variacin de la variable. Esto quiere decir que es aquella que puede tomar cualquier valor dentro de un intervalo, todos ellos con la misma probabilidad.
Campo de variacin: a x b Parmetros: a: mnimo del recorrido b: mximo del recorrido

Por ejemplo, el precio medio del litro de gasolina del prximo ao, si este oscilara entre $840 y $870. Saber la precipitacin media de ciudad de Santiago para el prximo ao.

1.3 Distribucin normal

Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una distribucin normal. Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribucin Definida mediante dos parmetros: la media (Mu) y la desviacin estndar. Campo de variacin: - < x < (Sigma) Parmetros: Mu: media de la distribucin, - < Mu < Sigma: desviacin estndar de la distribucin, Sigma > 0

La vemos , en el calculo de errores cometidos al medir ciertas magnitudes en laboratorios. Medidas morfolgicas de personas(altura, presin arterial, talla ,etc.) Valores estadsticos mustrales, como la media muestral.

1.4 DISTRIBUCIN LOGNORMAL

Si existe una variable aleatoria X tal que su logaritmo natural es una nueva variable aleatoria Y con distribucin normal, entonces X sigue el modelo probabilstico llamado logaritmo normal.
Campo de variacin: 0<x< Parmetros: Mu: parmetro de escala, - < Mu < Sigma: parmetro de forma, Sigma > 0
La distribucin lognormal es til para modelar datos de numerosos

estudios mdicos tales como el perodo de incubacin de una enfermedad. El tiempo de supervivencia en pacientes con cncer o SIDA, Tamao de un organismo bajo la accin de pequeos impulsos. Ciertas resistencias sometidas a esfuerzos.

1.5 DISTRIBUCIN GAMMA

Es la base de algunas de las ms importantes distribuciones e probabilidad utilizadas en estadsticas. Utilizada para modelos variables aleatorios continuos con asimetra positiva Esta distribucin presenta como propiedad interesante la falta de memoria. Por esta razn, es muy utilizada en las teoras de la fiabilidad, mantenimiento y fenmenos de espera .
Campo de variacin: 0<x< Parmetros: a: parmetro de escala, a > 0 p: parmetro de forma, p > 0

La distribucin gamma aparece cuando se realiza el estudio de la duracin de elementos fsicos (tiempo de vida). en una consulta mdica tiempo que transcurre hasta la llegada del segundo paciente.

1.6 DISTRIBUCIN EXPONENCIAL

Esta distribucin describe procesos en los que nos interesa saber el tiempo hasta que ocurre determinado evento. El tiempo transcurrido desde cualquier instante dado t0 hasta que ocurre el evento, no depende de lo que haya ocurrido antes del instante t0. Es decir, la probabilidad de que un individuo de edad t sobreviva x aos ms, hasta la edad x+t, es la misma que tiene un recin nacido de sobrevivir hasta la edad x.
Campo de variacin: 0<x< Parmetros: lambda: tasa, lambda > 0

Por ejemplo, tiempo que tarda una partcula radiactiva en desintegrarse. datacin de fsiles mediante carbono 14. tiempo entre llegada de clientes.

2.Distribuciones Discretas

2.1DISTRIBUCION DISCRETA
Describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad cada uno de ellos. La variable puede tomar valores entre a y b, debe ocurrir que b sea mayor que a, y la variable toma los valores enteros empezando por a, a+1, a+2, etc. hasta el valor mximo b.
Valores: x: a, a+1, a+2, ..., b, nmeros enteros Parmetros: a: mnimo, a entero b: mximo, b entero con a < b

Por ejemplo, Cuando se observa el nmero obtenido tras el lanzamiento de un dado perfecto, los valores posibles siguen una distribucin uniforme discreta en {1, 2, 3, 4, 5, 6}, y la probabilidad de cada cara es 1/6.

2.2DISTRIBUCIN POISSON
La distribucin de Poisson surge cuando un evento o suceso raro ocurre aleatoriamente en el espacio o el tiempo. La variable asociada es el nmero de ocurrencias del evento en un intervalo o espacio continuo, por tanto, es una variable aleatoria discreta que toma valores enteros de 0 en adelante (0, 1, 2,... )
Parmetros: Valores: x: 0, 1, 2, ... Parmetros: lambda: media de la distribucin, lambda > 0

Por ejemplo, Nmero de pacientes que llegan a un consultorio en un lapso dado. El nmero de llamadas que recibe un servicio de atencin a urgencias durante 1 hora. El nmero de clulas anormales en una superficie histolgica o el nmero de glbulos blancos en un milmetro cbico de sangre.

2.3DISTRIBUCIN CONTINUA
AGREGAR INFO

2.4 DISTRIBUCIN DE ERLANG

Una variable aleatoria de Erlang mide la distancia hasta que ocurran r conteos en un proceso de poisson. La variable aleatoria X que es igual a la longitud del intervalo hasta que suceden r ocurrencias en un proceso de poisson con media > 0 tiene una distribucin de Erlang con parmetros y r.

Por ejemplo, Se usa frecuentemente para representar el tiempo requerido para completar una labor. Para simular aquellos casos de lnea de servicio con estaciones, en cada estacin se realiza un proceso con tiempo exponencial.
.

2.5 DISTRIBUCIN DE JOHNSON

La flexibilidad de la distribucin Johnson permite ajustar muchos conjuntos de datos (Con limites y sin limites)

Dependiendo si el parmetro Delta () es positivo, se usar la forma con lmites; en caso contrario (<0), se escoger la forma sin lmites.
Rango (-,+) cuando no tiene limites (,+) cuando tiene limites