Académique Documents
Professionnel Documents
Culture Documents
a, b
Uniforme:
a<b
a, b
µєR
Normal: a<b μ σ2
σ>0
Gamma: µєR
μ σ2
σ>0
a>0
Beta: B(a, b) b>0
α>0
Weibull: W(α,β)
β>0
a>0
Beta: B(a, b) θb>0
єR
Cauchy: C(θ,β) ,
β>0
Lognormal: α>0
µєR
Weibull: W(α,β)
LogN(µ,σ) β>0
σ>0
θєR
Cauchy: C(θ,β)
β>0
Lognormal: µєR
LogN(µ,σ) σ>0
Resumen funciones en r
R permite calcular probabilidades (incluyendo acumuladas), la evaluación de
funciones de densidad y probabilidad puntual y la generación de valores pseudo-
aleatorios. La tabla siguiente muestra los nombres en R de varias funciones, para
variables continuas, junto con argumentos adicionales.
Distribución Nombre en r Argumentos
Uniforme: unif min=a, max=b ; (0,1)
Normal: norm mean = , sd = σ; (0, 1)
Gamma: gamma
gamma shape=r,
shape=r, rate
rate == λλ (1/θ);
(1/θ); (λ=1)
(λ=1)
beta shape1=a,
shape1=a, shape2=b
Beta: B(a,
Beta: B(a, b)
b) beta shape2=b
Weibull: W(α,β) weibull
weibull shape=
shape= α,
α, scale=1/β;
scale=1/β; (β=1)
(β=1)
Weibull: W(α,β)
Cauchy: C(θ,β) cauchy
cauchy location=θ,
location=θ, scale=β;
scale=β; (θ=0,
(θ=0, β=1)
β=1)
Cauchy: C(θ,β)
Lognormal: LogN(µ,σ) lnorm
lnorm µ,
µ, σ
σ ;; (µ=0,
(µ=0, σ=1)
σ=1)
Lognormal: LogN(µ,σ)
A cada nombre de función dado por R (tabla anterior) se le agrega un prefijo ‘d’ para obtener la función
de densidad de probabilidad, ‘p’ para la función de distribución, ‘q’ para la función cuantil o percentil y
‘r’ para generar variables pseudo-aleatorias (random).
Distribución uniforme (a ,b)
Ejemplo 1. La función de densidad de probabilidad del tiempo requerido, en
segundos, para completar una operación de ensamble, es:
b) qunif(0.10, 30,40)
Distribución normal (µ , σ2)
Indudablemente la distribución normal es la más importante y de mayor uso.
Constituye un buen modelo para muchas variables aleatorias continuas. Parte de su
importancia se debe al teorema central del límite, del cual se hablará más adelante.
Algunos perfiles de la distribución normal los podemos trazar con ayuda del software
R, veamos para N(2, 1), N(2, 4) y N(5, 4).
es una variable aleatoria con E(Z)=0 y V(X)=1. Esto es Z es una variable aleatoria
normal estándar.
0.030054
9545
0.9973
La distribución normal (µ, σ2) como aproximación de otras distribuciones.
Si X es una variable aleatoria con distribución binomial de parámetros n y p,
Si µi = µ y =σ2 , entonces
Variables aleatorias deducidas de la normal (µ, σ2)
2. Variable aleatoria Chi-cuadrado de Pearson.
E(t) = 0, , n>2
E , V, m>4
La función en R es: f
Distribución gamma (r , λ)
Consideremos en un experimento de Poisson la variable aleatoria X:= tiempo que
transcurre hasta que ocurren r éxitos. Hallemos su distribución de probabilidad.
, V
La función gamma
, !, si r es entero
, (1/2)
Distribución gamma (r , λ)
Observación. La variable aleatoria X con función de densidad de
probabilidad
iii) Si r= n/2, con n valor entero y λ = ½, X tiene distribución Chi-cuadra, con n grados
de libertadgamma de parámetros r y,
Sea X el tiempo hasta que llegan cinco mensajes al nodo. X tiene distribución de
Erlang con r=5 y λ= 30 mensajes por minuto.
(d) E(X)= 10 seg, V(X)= 1/3 seg2
(e) P(X<10) = 0.5595; pgamma(10, 5, 0.5)
(f) P(X<5) = 0.1088; pgamma(5, 5, 0.5)
Actividad
Distribución de lognormal ( μ, σ )
4.9, 9.0, 2.1, 3.3, 0.8, 2.9, 1.3, 1.1, 2.0, 3.3,
2.4, 2.3, 2.8, 1.1, 2.5, 2.1, 4.5, 4.0, 4.7, 1.6,
5.8, 3.0, 1.5, 0.8, 4.6, 2.6, 1.9, 2.1, 3.1, 3.4,
1.5, 1.8, 2.7, 6.4, 2.3, 1.0, 3.5, 7.2, 4.5, 3.1,
1.2, 2.0, 1.8, 2.3, 3.1, 4.9, 8.4, 2.7, 2.7, 2.3