Documente Academic
Documente Profesional
Documente Cultură
KASSANDRA GMEZ
2 C
DISTRIBUCIN DE BERNOULLI
Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso). podramos por tanto definir este experimento mediante una v.a. discreta X que toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario, y que se denota X~Ber(p) P (0)= P(X=0) =1-P (FRACASO) P (1)= P(X=1) = P (XITO)
DISTRIBUCIN BINOMIAL
Slo puede tener dos posibles resultados A y A'. Usualmente A recibe el nombre de xito, adems representaremos como p = p(A) y q = 1-p=p(A'). A la funcin de probabilidad de una variable aleatoria X resultado de contar el nmero de xitos al repetir n veces una experiencia aleatoria dicotmica con probabilidad de xito p la llamamos distribucin binomial y la representamos por B (n, p)
DISTRIBUCION DE POISSON
El numero d ensayos n y la probabilidad de xito p son
diferentes, pero el nmero promedio de xitos, que es igual al producto np, es el mismo. en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado
x!
T- STUDENT
la distribucin t (de Student) es una distribucin de
probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo.
del cociente
Donde:
Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin ji-cuadrado con grados de libertad Z y V son independientes Si es una constante no nula, el cociente es una variable
aleatoria que sigue la distribucin t de Student no central con parmetro de no-centralidad .
EJEMPLO:
Sea T ~ Weibull(0.5,3)
a) Determinar
b) Determinar c) Determinar P(T P (T>5) =1-P(T1) = 1 e-
GAMMA
Si se est interesado en la ocurrencia de un evento generado por un proceso de Poisson de media lambda, la variable que mide el tiempo transcurrido hasta obtener n ocurrencias del evento sigue una distribucin gamma con parmetros a= n lambda(escala) y p=n (forma). Se denota Gamma(a,p).
EJEMPLO:
Suponiendo que el tiempo de supervivencia, en aos, de pacientes que son sometidos a una cierta intervencin quirrgica en un hospital sigue una distribucin Gamma con parmetros a=0,81 y p=7,81, calclese: 1. El tiempo medio de supervivencia. 2. Los aos a partir de los cuales la probabilidad de supervivencia es menor que 0,1. Clculo de probabilidades. Distribuciones continuas Gamma (a,p) a : Escala 0,8100 p : Forma 7,8100 Cola Izquierda Pr [X<=k] Cola Derecha Pr [X>=k] Punto X Media Varianza Moda 0,9000 0,1000 14,2429 9,6420 11,9037 8,4074
DISTRIBUCION NORMAL
Una distribucin normal de media y desviacin
El rea del recinto determinado por la funcin y el eje de abscisas es igual a la unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha. La probabilidad equivale al rea encerrada bajo la curva.
reducida, es aquella que tiene por media el valor cero, =0, y por desviacin tpica la unidad, =1.
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una distribucin N (, ) en otra variable Z que siga una distribucin N (0, 1).
distribucin (k).
(k) = P (z k)
EJEMPLO:
La resistencia de una aleacin de aluminio se
distribuye normalmente con media de 10 giga pascales (Gpa) desviacin estndar de 1.4 Gpa. Cul es la probabilidad de que una muestra de esta aleacin tenga resistencia mayor a 12 GPa?
Determine el primer cuartil de la resistencia de
RESULTADOS
= 10
= 1.4
es 1 0.9236 = 0.0764
B)
CONCLUSIN:
Con ayuda de stas distribuciones podemos resolver
problemas que se nos presenten, ya sea laborales (produccin, etc.) y de otras situaciones (juegos de azar: tirar una moneda, los tiros que hagamos para anotar en un juego, actividades de la casa), siempre y cuando sepamos como usarlas, ser mas fcil y sencillo encontrar la solucin.