La herramienta Stat: :Fit de ProModel se utiliza para analizar y determinar el

tipo de distribucin de probabilidad de un conjunto de datos. Esta utilera

permite comparar los resultados entre varias distribuciones analizadas
mediante una calificacin. Entre sus procedimiento: emplea las pruebas Chicuadrada, de Kolmogorov-Smirnov y de Anderson-Darlng. Adems calcula los
parmetros apropiados para cada tipo de distribucin,e incluye informacin
estadstica adicional como media, moda, valor mnimo, valor mximo y
varianza, entre otros datos. Ajuste de datos con Stat::Fit Stat: :Fit se puede
ejecutar desde la pantalla de inicio de ProModel o bien desde el comando
Stat: :fit del men Tools Una vez que comience a ejecutarse el comando
Stat::Ft, Haga clic en el icono de la hoja en blanco de la barra de herramientas
Estndar. para abrir un nuevo documento (tambin puede abrir el men File y
hacer clic en New). Enseguida se desplegar una ventana con el nombre Data
Table, en la que deber introducir los datos de la variable a analizar, ya sea
utilizando el teclado o mediante los comandos Copiar y Pegar (Copy/ Paste)
para llevar dichos datos desde otra aplicacin, como puede ser Excel o el bloc
de notas de Windows. Introduzca los datos de la variable que desea analizar en
esta ventana de Stat fit. Una vez introducida la informacin es posible
seleccionar una serie de opciones de anlisis estadstico, entre ellas las de
estadstica descriptiva y las de pruebas de bondad de ajuste, de las cuales nos
ocuparemos en los siguientes ejemplos. Ejemplo Los datos del nmero de
automviles que entran a una gasolinera por hora son: Determinar la
distribucin de probabilidad con un nivel de significancia de 5 por ciento.
Despus de introducir estos datos en Stat: :Fit, despliegue el men Statistics y
seleccione el comando Descriptive. Enseguida aparecer una nueva ventana
con el nombre de Descriptive Statistics, en donde se muestra el resumen
estadstico de la variable Ventana de resultados estadsticos de Stat:fit Para
determinar el tipo de distribucin de probabilidad de los datos, seleccione el
comando AutoFit del men Fit en la pantalla principal de Stat::Fit. A
continuacin se desplegara un cuadro de dilogo similar al que se ilustra abajo
en el cual se tiene que seleccionar el tipo de distribucin que se desea probar,
si dicha distribucin es no acotada en ambos extremos (unbounded). o si el
limite inferior est acotado: en este ltimo caso se puede aceptar la propuesta

de que la cota del limite inferior sea el dato ms pequeo de la muestra (Lower
bound). o seleccionar explcitamente otro valor como limite inferior (assigned
bound). Para este ejemplo seleccionamos una distribucin de tipo discreto:
discrete

distributions,

ya

que

los

datos

de

la

variable

aleatoria

(automviles/hora) tienen esa caracterstica. Figura Este cuadro de dilogo

permite seleccionar el tipo de variable aleatoria Haga clic en el botn OK para
que el proceso de ajuste se lleve a cabo. El resultado se desplegar en la
ventana AutomaticFittng. donde se describen las distribuciones de probabilidad
anaLizadas. suposicin de acuerdo con el ajuste, y si los datos siguen o no
alguna de las distribuciones. En la figura 3.10 se observa el resultado del
anlisis de ajuste del ejemplo, el cual nos indica que no se puede rechazar la
hiptesis de que los datos provengan de cualquiera de dos distribuciones.
Binomial. con N= 104 y p = 0.145, o de Poisson, con media 15.0 Figura
Ventana de resultados del anlisis de la variable aleatoria Haga clic con el
ratn en cualquiera de las dos distribuciones y enseguida se desplegar el
histograma presentndole un histograma: las barras azules representan la
frecuencia observada de los datos; la linearoja indica la frecuencia esperada de
la distribucin terica.
El formato del histograma puede ser modificado mediante el comando
Graphicsstyledel men Graphics(esta opcin solamente est disponible cuando
se tiene activala ventanaComparison Graph) Figura Histogramas terico y real
de la variable aleatoria: USO DEL STAT:FIT

DISTRIBUCIN BETA

La distribucin Beta es una distribucin continua que tiene ambos lmites finitos
superior e inferior. Debido a que muchas situaciones reales pueden ser
delimitadas de este modo, la distribucin Beta se puede utilizar empricamente
para estimar la distribucin real es mucho antes de datos disponibles. Incluso
cuando se dispone de datos, la distribucin Beta debe adaptarse a la mayora
de datos de una manera razonable, aunque puede que no sea el mejor ajuste.
La distribucin uniforme es un caso especial de la distribucin Beta con p, q =
1.
Como se puede ver en los ejemplos anteriores, la distribucin Beta puede
aproximarse a cero o infinito en cualquiera de sus lmites, con el control de la p
q lmite inferior y el control de la cota superior. Los valores de p, q <1 causa
La distribucin Beta de abordar el infinito en ese lmite. Los valores de p, q> 1
causa la distribucin Beta para ser finito en ese lmite.
Distribuciones Beta tienen muchos, muchos usos. Como se resume en
Johnson et al 1, las distribuciones beta tienen ha utilizado para modelar

distribuciones de las variables hidrolgicas, logaritmo de tamaos de aerosoles,

el tiempo de actividad en Anlisis PERT, los datos de aislamiento en el anlisis
del sistema fotovoltaico, la porosidad / relacin de vacos del suelo, derivados
de fase en teora de la comunicacin, el tamao de la progenie en Escherchia
Coli, de disipacin en los modelos de rotura, proporciones en las mezclas de
gases, la reflectividad de estado estable, el desorden y la potencia de las
seales de radar, construccin duracin, tamao de partcula, desgaste de la
herramienta, y otros. Muchos de estos usos se producen debido a la
doblemente limitada naturaleza de la distribucin Beta.
DISTRIBUCION BINOMIAL
La distribucin binomial es una distribucin discreta delimitada por [0, n]. Por lo
general, se utiliza en un nico ensayo se repite una y otra vez, como el
lanzamiento de una moneda. El parmetro, p, es la probabilidad del evento, ya
sea cara o cruz, ya sea que ocurren o no ocurren. Cada ensayo solo se supone
que es independiente de todos los dems. Para n grande, la distribucin
binomial se puede aproximar por la distribucin normal, por ejemplo cuando
np> 9 y p <0,5 o cuando np (1-p)> 9.
Como se muestra en los ejemplos anteriores, bajos valores de p dan altas
probabilidades para valores bajos de x, y viceversa, por lo que el pico en la
distribucin puede aproximarse bien atado. Tenga en cuenta que las
probabilidades son en realidad los pesos en cada nmero entero, pero estn
representados por barras ms amplias para la visibilidad.
La distribucin binomial ha tenido un amplio uso en los juegos, pero tambin es
til en la gentica, la toma de muestras de las piezas defectuosas en un
proceso estable, y otras pruebas de muestreo de eventos donde se sabe que la
probabilidad de que el evento sea constante o casi. Ver Johnson et al.

CHI CUADRADA
El Chi cuadrado es una distribucin continua acotada delimitada en la parte
inferior. Tenga en cuenta que la distribucin Chi cuadrado es un subconjunto de
la distribucin Gamma con beta = 2 y alfa = n / 2. Al igual que la distribucin

Gamma, tiene tres regiones distintas. Para n = 2, la distribucin Chi cuadrado

se reduce a la distribucin exponencial, a partir de un valor finito en x mnimas
y disminuir montonamente a partir de entonces.
Para n <2, la distribucin Chi cuadrado tiende a infinito, como mnimo, x y
disminuye montonamente para aumentar x. Para n> 2, la distribucin Chi
cuadrado es 0 como mnimo x, picos a un valor que depende de n,
disminuyendo montonamente a partir de entonces.
Debido a la distribucin Chi cuadrado no tiene un parmetro de escala, su
utilizacin es algo limitada.
Con frecuencia, esta distribucin va a tratar de representar los datos con una
distribucin agrupada con n menor que 2. Sin embargo, puede ser visto como
la distribucin de la suma de los cuadrados de unidad independiente variables
normales con n grados de libertad y se utiliza en muchas pruebas estadsticas .
Los ejemplos de cada una de las regiones de la distribucin Chi cuadrado
aparecen arriba. Tenga en cuenta que el pico de la distribucin se aleja del
valor mnimo para el aumento de n, pero con una distribucin mucho ms
amplia.

DISTRIBUCION UNIFORME
La distribucin uniforme discreta es una distribucin discreta limita [min, max]
con probabilidad constante en cada valor en o entre los lmites. A veces
llamada la distribucin rectangular discreta, que surge cuando un evento puede
tener un nmero finito e igualmente probable de los resultados. (vase Johnson
et al1
Tenga en cuenta que las probabilidades son en realidad los pesos en cada
nmero entero, pero estn representados por barras ms amplias para
visibilidad.

DISTRIBUCION ERLANG

La distribucin Erlang es una distribucin continua delimitada en la parte

inferior. Se trata de un caso especial de la
Distribucin Gamma donde el parmetro, m, est restringido a un nmero
entero positivo. Como tal, la distribucin Erlang
no tiene ninguna regin donde f (x) tiende a infinito en el valor mnimo de x [m
<1], pero tiene una
caso especial en m = 1, donde reduce a la distribucin exponencial.
La distribucin Erlang se ha utilizado ampliamente en la fiabilidad y en la teora
de colas, por tanto, en discreta simulacin de eventos, porque puede ser vista
como la suma de m distribucin exponencial variables aleatorias, cada uno con
media beta. Se puede generalizar an ms.
Como se puede ver en los ejemplos anteriores, la distribucin Erlang sigue la
distribucin exponencial en m = 1, tiene una asimetra positiva con un pico
cerca de 0 para m entre 2 y 9, y tiende a una distribucin simtrica
desplazamiento desde el mnimo al ms grande m.
DISTRIBUCION EXPONENCIAL
La distribucin exponencial es una distribucin continua delimitada en la parte
inferior Se forma es siempre la misma, a partir de un valor finito en el mnimo y
disminuyendo continuamente a grandes x. Como se muestra en los ejemplos
anteriores, la distribucin exponencial disminuye rpidamente para aumentar x.
La distribucin exponencial se utiliza con frecuencia para representar el tiempo
entre sucesos aleatorios, tales como el tiempo entre llegadas a una ubicacin
especfica en un modelo de gestin de colas o el tiempo entre fallos en
modelos de fiabilidad. Tambin se ha utilizado para representar los servicios de
tiempos de una operacin especfica. Adems, sirve como una manera explcita
en el que la dependencia del tiempo sobre el ruido puede ser tratado. Como
tales, estas
modelos estn haciendo uso explcito de la falta de dependencia de la historia
de la distribucin exponencial; tiene el mismo conjunto de probabilidades
cuando se desplaza en el tiempo. Incluso cuando se conocen modelos

exponenciales ser inadecuadas para describir la situacin, su maleabilidad

matemtica proporciona un buen punto de partida. Ms tarde, una distribucin
ms compleja tal como Erlang o Weibull puede investigarse
DISTRIBUCION DE VALOR EXTREMO
La distribucin de valor extremo 1A es una distribucin continua sin lmites. Su
forma es siempre el mismo, pero puede ser desplazada o escalado a necesitar.
Tambin se conoce la distribucin de Gumbel.
La distribucin de valor extremo 1A describe la distribucin limitante de los
valores extremos de muchos tipos de muestras. En realidad, la distribucin
Valor Extremo dado anteriormente que normalmente se conoce como Tipo 1,
con tipo 2 y tipo 3 que describe otros casos lmite. Si x se sustituye por -x,
entonces la distribucin resultante describe la distribucin limitante para los
menos valores de muchos tipos de muestras. Estos reflejada par de
distribuciones se refiere a veces como Tipo 1A y 1B Tipo.
La distribucin de valor extremo se ha utilizado para representar parmetros en
los modelos de crecimiento, la astronoma, vidas humanas, las emisiones
radiactivas, fuerza de materiales, anlisis de inundaciones, anlisis ssmico, y
lluvia anlisis. Tambin est directamente relacionada con muchos modelos de
aprendizaje (vase Johnson1).
La distribucin de valor extremo 1A comienza a continuacin , es sesgada en
la direccin positiva alcanzando un mximo de , entonces monotnicamente
decreciente a partir de entonces. determina la amplitud de la distribucin.

La distribucin de valor extremo 1B es una distribucin continua sin lmites. Su

forma es siempre el mismo, pero puede ser desplazada o escalado a necesitar.
La distribucin de valor extremo 1B describe la distribucin limitante de los
mnimos valores de muchos tipos de las muestras. En realidad, la distribucin
Valor Extremo dado anteriormente que normalmente se conoce como Tipo 1,
con Tipo 2 y tipo 3 que describe otros casos lmite. Si x se sustituye por -x,
entonces la distribucin resultante describe la distribucin limitante para los
mayores valores de muchos tipos de muestras. Estos par reflejado de las

distribuciones se refiere a veces como Tipo 1A y 1B Tipo. Tenga en cuenta que

la distribucin de cortesa puede ser utilizado para representar las muestras
con asimetra positiva.
La distribucin de valor extremo se ha utilizado para representar parmetros en
los modelos de crecimiento, la astronoma, vidas humanas, las emisiones
radiactivas, fuerza de materiales, anlisis de inundaciones, anlisis ssmico, y
lluvia anlisis. Tambin est directamente relacionada con muchos modelos de
aprendizaje. (ver. Johnson et al4) 1
La distribucin de valor extremo 1B comienza debajo , es sesgada en la
direccin

negativa

alcanzando

un

mximo

de

luego

disminuye

montonamente a partir de entonces. , determina la amplitud de la

distribucin.

DISTRIBUCION GAMMA
La distribucin Gamma es una distribucin continua delimitada en el lado
inferior. Cuenta con tres distintas
regiones. Para = 1, la distribucin Gamma se reduce a la distribucin
exponencial, a partir de un nmero finito
valor mnimo x y disminuir montonamente a partir de entonces. Para <1, la
distribucin gamma tiende
hasta el infinito, como mnimo, x y disminuye monotnicamente para aumentar
x. Para > 1, la distribucin Gamma
es 0, como mnimo, x, picos a un valor que depende tanto de alfa y beta,
disminuyendo monotnicamente
a partir de entonces. Si alpha se limita a nmeros enteros positivos, la
distribucin Gamma se reduce a la Erlang
distribucin.
Tenga en cuenta que la distribucin Gamma tambin reduce a la distribucin
Chi-cuadrado para min = 0, = 2, y

 = n / 2. Se puede entonces ser visto como la distribucin de la suma de

cuadrados de las variables normales unidad independiente,
con grados n de libertad y se utiliza en muchas pruebas estadsticas.

La distribucin Gamma tambin se puede utilizar para aproximar la distribucin

Normal, para grandes alfa, mientras
el mantenimiento de sus valores estrictamente positivos de x [en realidad (xmin)].
La distribucin Gamma se ha utilizado para representar vidas, los plazos de
entrega, los datos de ingresos personales, una poblacin
alrededor de un equilibrio estable, tiempos entre llegadas y tiempos de servicio.
En particular, puede representar curso de la vida con redundancia (ver
Johnson1, Shooman2).
Los ejemplos de cada una de las regiones de la distribucin gamma se
muestran arriba. Tenga en cuenta el pico de la distribucin alejndose desde el
valor mnimo para aumentar alfa, pero con una distribucin mucho ms amplia.

DISTRIBUCION GEOMETRICA
La distribucin geomtrica es una distribucin discreta delimitada en 0 e
ilimitado en la parte alta. Es un caso especial de la distribucin binomial
negativa. En particular, es el anlogo discreta directa para la distribucin
exponencial continuo. La distribucin geomtrica no tiene ninguna dependencia
de la historia, su probabilidad en cualquier valor que es independiente de un
cambio a lo largo del eje.
La distribucin geomtrica se ha utilizado para la demanda de inventario,
devoluciones de encuestas de marketing, un control de entradas problema, y
los modelos meteorolgicos. Varios ejemplos con la disminucin de la
probabilidad se muestran arriba. Tenga en cuenta que las probabilidades son

en realidad pesas en cada entero, pero estn representados por barras ms

amplias para la visibilidad.

DISTRIBUCION DE GAUSS
La distribucin gaussiana inversa es una distribucin continua de un salto en el
lado inferior. Es singularmente cero en los x mnimos, y siempre positivamente
sesgada. La distribucin gaussiana inversa es tambin conocido como la
distribucin Wald.
La distribucin Inversa de Gauss originalmente se utiliz para modelar los
procesos de movimiento y de difusin browniano con condiciones de contorno.
Tambin se ha utilizado para modelar la distribucin de tamao de partcula en
agregados, fiabilidad y tiempos de vida, y el tiempo de reparacin (ver
Johnson1)
Ejemplos de distribuciones gaussianas inversas aparecen arriba. En particular,
observe el drsticamente aumento de cola superior para aumentar .

LA DISTRIBUCIN DE WEIBULL INVERSE

La distribucin de Weibull Inverse es una distribucin continua de un salto en el
lado inferior. Es singularmente cero en los x mnimos, y siempre positivamente
sesgada. En general, la distribucin inversa de Weibull encaja datos acotados,
pero muy puntiagudos, con una cola larga positiva.
La distribucin de Weibull inversa se ha usado para describir varios procesos
de fallo como una distribucin de Vida. Tambin se puede utilizar para ajustar
los datos con grandes valores atpicos anormales en el lado positivo del pico.
Ejemplos de Inverse distribucin de Weibull aparecen arriba. En particular,
observe el aumento peakedness y el movimiento desde el mnimo para
aumentar .
LA DISTRIBUCIN JOHNSON SB

La distribucin Johnson SB es una distribucin continua tiene dos lmites

superior e inferior finitos, similar a la distribucin Beta. La distribucin Johnson
SB, junto con la lognormal y Johnson SU distribuciones, son transformaciones
de la distribucin normal y se pueden utilizar para describir ms natural se
producen conjuntos unimodales de datos. Sin embargo, el Johnson SB y
distribuciones SU son mutuamente excluyentes,
f () x

2y () 1 - y --------------------------------- () -1 2/ + 1n y
1 - y ----------- 2
= exp
y
x min = ----------------74
Johnson SB Distribucin (min, lambda, gamma, delta)
cada dato que describen en rangos especficos de asimetra y curtosis. Esto
deja algunos casos en lo natural acotacin de la poblacin no puede ser
igualada.
La familia de distribuciones Johnson se han utilizado en el control de calidad
para describir los procesos no normales, que luego se puede transformar a la
distribucin normal para el uso con las pruebas estndar. Como puede verse
en los siguientes ejemplos, la distribucin Johnson SB va a cero en ambos de
sus lmites, con control la asimetra y el control de la forma. La distribucin
puede ser unimodal o bimodal.
DISTRIBUCION JOHNSON SU

La distribucin Johnson SU es una distribucin continua sin lmites. La

distribucin Johnson SU, junto con la lognormal y las distribuciones Johnson
SB, se puede utilizar para describir ms natural
f () x

2 y
2
+1
--------------------------------- -1/2 1ny y
2
++1+
2
= exp
y
x-
= ----------76
Johnson SU Distribucin (xi, lambda, gamma, delta)
se producen conjuntos unimodales de datos. Sin embargo, el Johnson SB y
distribuciones SU son mutuamente excluyentes, cada dato que describen en
rangos especficos de asimetra y curtosis. Esto deja algunos casos en lo
natural acotacin de la poblacin no puede ser igualada.
La familia de distribuciones Johnson se han utilizado en el control de calidad
para describir los procesos no normales, que luego se puede transformar a la
distribucin normal para el uso con las pruebas estndar.

La distribucin Johnson SU puede ser utilizado en lugar de la distribucin

notoriamente inestables Pearson IV, con fidelidad razonablemente buena sobre
el rango ms probable de valores.
Como se puede ver en los ejemplos anteriores, la distribucin Johnson SU es
una de las pocas distribuciones sin lmites que puede variar su forma, con
control de la asimetra y delta controlar la forma. Los escala es controlado por
, y .
DISTRIBUCION LOGISTICA
La distribucin Logistic es una distribucin continua sin lmites que es simtrica
alrededor de su media (y parmetro de desplazamiento), . Como se muestra
en el ejemplo anterior, la forma de la distribucin logstica es muy al igual que la
distribucin Normal, excepto que la distribucin logstica tiene colas ms
amplios.
La funcin logstica es la ms utilizada como un modelo de crecimiento; para la
poblacin, para el aumento de peso, para los negocios fracaso, etc .. La
distribucin logstica se puede utilizar para comprobar la idoneidad de un
modelo de este tipo, con transformacin para volver a los valores mnimos y
mximos para la funcin logstica. ocasionalmente, la funcin logstica se utiliza
en lugar de la funcin normal casos excepcionales donde juegan un mayor
papel.
DISTRIBUCION LOG-LOGISTIC
La distribucin Log-Logistic es una distribucin continua delimitada en la parte
inferior. Al igual que el Gamma distribucin, que tiene tres regiones distintas.
Para p = 1, la distribucin Log-Logistic se asemeja a la exponencial
distribucin, a partir de un valor finito en x mnimos y disminuir montonamente
a partir de entonces. Por p <1, la distribucin Log-Logistic tiende a infinito,
como mnimo, x y disminuye montonamente para el aumento de x. Para p> 1,
la distribucin Log-Logistic es 0, como mnimo, x, picos a un valor que depende
de tanto p como , disminuyendo monotnicamente a partir de entonces.

Por definicin, el logaritmo natural de una variable aleatoria Log-Logistic es una

variable aleatoria Logstica, y puede estar relacionado con la distribucin
logstica incluido en mucho la misma manera que la distribucin lognormal
puede estar relacionado con la distribucin normal incluido. Los parmetros
para la distribucin logstica incluida, Lalpha y Lbeta, se dan en trminos de los
parmetros-Log Logstica, LLP y LL, por
Lalpha = ln (LL)
Lbeta = 1 / LLp
La distribucin Log-Logistic se utiliza para modelar la salida de los procesos
complejos, tales como falta de negocio, tiempo de ciclo de producto, etc.
Nota para p = 1, la distribucin Log-Logistic disminuye ms rpidamente que la
distribucin exponencial pero
tiene una cola ms amplia. Para grandes p, la distribucin se hace ms
simtrica y se aleja de la mnimo.
DISTRIBUCION LOGARITMICA NORMAL
La distribucin logartmica normal es una distribucin continua delimitada en la
parte inferior. Siempre es 0 en x mnimas, el aumento de un pico que depende
tanto de y , entonces disminuyen montonamente para aumentar
X.
Por definicin, el logaritmo natural de una variable aleatoria Lognormal es una
variable aleatoria Normal. Su parmetros se dan generalmente en trminos de
esta normal incluido.
La distribucin logartmica normal tambin se puede utilizar para aproximar la
distribucin Normal, para la pequea , mientras el mantenimiento de sus
valores estrictamente positivos de x [en realidad (x-min)].
La distribucin logartmica normal se utiliza en muchas reas diferentes,
incluyendo la distribucin de tamao de partcula en agregados naturales, la
concentracin de polvo en ambientes industriales, la distribucin de los
minerales presente en bajas concentraciones, la duracin de las bajas por

enfermedad, tiempo de consultor de los mdicos, la distribucin de toda la vida

en la fiabilidad, la distribucin de la renta, la retencin de empleados, y muchas
aplicaciones de modelado peso, talla, etc.
La distribucin lognormal puede proporcionar distribuciones muy puntiagudos
para aumentar , de hecho, mucho ms alcanz su punto mximo que puede
ser fcilmente representado en forma grfica.

LA DISTRIBUCION BINOMIAL NEGATIVA

La distribucin binomial negativa es una distribucin discreta limitado en el lado
de baja a 0 y sin lmites en la parte alta. La distribucin binomial negativa se
reduce a la distribucin geomtrica para k = 1. La distribucin binomial negativa
da el nmero total de ensayos, x para obtener eventos k (fallos ...),
cada uno con la probabilidad constante, p, de ocurrir.
La distribucin binomial negativa tiene muchos usos; algunos se producen
debido a que proporciona una buena aproximacin la suma o mezcla de otras
distribuciones discretas. Por s mismo, que se utiliza para modelar tics STATIS
accidente, los procesos de nacimiento y muerte, los datos de la biblioteca de
investigacin de mercado y los gastos de consumo, prstamos, datos
biomtricos, y muchos otros
Varios ejemplos con el aumento de k se muestran arriba. Con menor
probabilidad, p, el nmero de clases es tan grande que la distribucin es mejor
representa como un polgono relleno. Tenga en cuenta que las probabilidades
son en realidad pesas en cada entero, pero estn representados por barras
ms amplias para la visibilidad.

DISTRIBUCION NORMAL
La distribucin normal es una distribucin continua sin lmites. A veces se llama
una distribucin de Gauss o la curva de campana. Debido a su caracterstica
de que representa una suma cada vez mayor de pequeas, independientes
errores, la distribucin normal encuentra muchos, muchos usos en las

estadsticas. Se utiliza errneamente en muchas situaciones. Posiblemente, la

prueba ms importante en el ajuste de las distribuciones de anlisis es la
eliminacin de la distribucin normal como posible candidato.
La distribucin normal se utiliza como una aproximacin para la distribucin
binomial cuando los valores de n, p estn en el rango apropiado. La distribucin
normal se utiliza con frecuencia para representar simtrica datos, pero sufre de
ser ilimitada en ambas direcciones. Si se sabe que los datos a tener un lmite
inferior, Puede ser mejor representado por parametrizacin adecuada de las
distribuciones Lognormal, Weibull o gamma.
Si se sabe que los datos para tener ambos lmites superior e inferior, la
distribucin Beta se puede utilizar, aunque mucho se ha trabajado en las
distribuciones normales truncadas (no admitido en Stat :: Fit).
La distribucin normal, mostrado anteriormente, tiene la forma de campana
familiar. Es sin cambios en forma con cambios en o .

DISTRIBUCION DE PARETO
La distribucin de Pareto es una distribucin continua delimitada en la parte
inferior. Tiene un valor finito en el mnimo x y disminuye monotnicamente para
aumentar x. Una variable aleatoria de Pareto es la exponencial de una variable
aleatoria exponencial, y posee muchas de las mismas caractersticas.
La distribucin de Pareto ha, histricamente, ha utilizado para representar la
distribucin de los ingresos de una sociedad. Ello tambin se utiliza para
modelar muchos fenmenos empricos con colas muy largo adecuadas, tales
como la poblacin de la ciudad tamaos ocurrencia de los recursos naturales,
las fluctuaciones de precios de las acciones, tamao de las empresas, el brillo
de los cometas, y agrupacin error en los circuitos de comunicacin (ver
Johnson1).
La forma de la curva de Pareto cambia lentamente con , pero la cola de los
aumentos de distribucin dramticamente con la disminucin de .

DISTRIBUCION PEARSON 5
La distribucin Pearson 5 es una distribucin continua de un salto en el lado
inferior. El Pearson 5 distribucin a veces se llama la distribucin Gamma
inversa debido a la relacin recproca entre una variable aleatoria Pearson 5 y
una variable aleatoria Gamma.
La distribucin Pearson 5 es til para retrasos de tiempo de modelado donde
algn valor mnimo retraso es casi asegurado y el tiempo mximo es ilimitado y
variable de largo, como el tiempo para completar una tarea difcil tarea, el
tiempo para responder a una emergencia, el tiempo para reparar una
herramienta, etc. Tambin existen situaciones espaciales similares tales como
el espacio de fabricacin durante un determinado proceso (ver Ley y Kelton1.
La distribucin Pearson 5 comienza lentamente cerca de su mnimo y tiene un
pico un poco retirado, como mostrado anteriormente. Con la disminucin de ,
el pico se hace ms plana (ver escala vertical) y la cola se hace mucho ms
amplio.
DISTRIBUCION PEARSON 6
La distribucin Pearson 6 es una distribucin continua delimitada en la parte
baja. La distribucin Pearson 6
a veces es llamada la distribucin Beta de la segunda clase debido a la relacin
de un Pearson 6 variable aleatoria de una variable aleatoria Beta. Cuando min
= 0, = 1, p = nu1 / 2, q = nu2, / 2, la distribucin de Pearson 6 reduce a la
distribucin F de nu1, nu2 que se utiliza para muchas pruebas estadsticas de
bondad de ajuste Al igual que la distribucin Gamma, tiene tres regiones
distintas. Para p = 1, los Pearson 6 asemeja distribucin la distribucin
exponencial, a partir de un valor finito, como mnimo, x y disminuir
montonamente a partir de entonces. Para p <1, la distribucin de Pearson 6
tiende a infinito, como mnimo, x y disminuye montonamente para aumentar x.
Para p> 1, la distribucin de Pearson 6 es 0, como mnimo, x, picos a un valor
que depende tanto de p y q, disminuyendo monotnicamente a partir de
entonces.

La distribucin Pearson 6 parece haber encontrado poco uso directo, excepto

en su forma reducida como la distribucin F donde sirve como la distribucin de
la relacin de los estimadores independientes de varianza y ofrece la prueba
final para el anlisis de la varianza.
Las tres regiones de la distribucin de Pearson 6 en demostrado anteriormente.
Tambin tenga en cuenta que la distribucin se hace fuertemente tocado techo
junto a la mnima para el aumento de q.
DISTRIBUCION DE POISSON
La distribucin de Poisson es una distribucin discreta limitada a 0 en el lado
bajo y sin lmites en el zona alta. La distribucin de Poisson es una forma lmite
de la distribucin hipergeomtrica.
La distribucin de Poisson encuentra uso frecuente, ya que representa la
ocurrencia poco frecuente de eventos cuya tasa es constante. Esto incluye
muchos tipos de eventos en el tiempo o en el espacio, como las llegadas de
telfono llamadas, los defectos en la fabricacin de semiconductores, los
defectos en todos los aspectos de control de calidad, distribuciones
moleculares,
distribuciones estelares, distribuciones geogrficas de las plantas, el ruido de
disparo, etc .. Es un importante punto de partida de la teora de colas y
fiabilidad theory.1 Tenga en cuenta que el tiempo entre llegadas (defectos) es
Exponencialmente distribuida, lo que hace esta distribucin de punto de partida
particularmente conveniente incluso cuando el proceso es ms complejo.
Los picos distribucin de Poisson cerca de y se cae rpidamente a cada lado.
Tenga en cuenta que las probabilidades son en realidad pesos en cada nmero
entero, pero estn representados por barras ms amplias para la visibilidad.

DISTRIBUCION FUNCION POWER

La distribucin Funcin Power es una distribucin continua que tiene tanto
superior e inferior finito lmites, y es un caso especial de la distribucin Beta

con q = 1. La distribucin uniforme es un caso especial de la funcin de

distribucin de potencia con p = 1.
Como puede verse a partir de los ejemplos anteriores, la distribucin de
funciones Poder puede aproximarse a cero o infinito en su lmite inferior, pero
siempre tiene un valor finito en su lmite superior. Alfa controla el valor de la
parte inferior unida, as como la forma.

DISTRIBUCION DE RAYLEIGH
La distribucin de Rayleigh es una distribucin continua delimitada en el lado
inferior. Se trata de un caso especial de la distribucin de Weibull con alfa y
beta = 2 / sqrt (2) = sigma. Debido a el parmetro de forma fija, la distribucin
Rayleigh no cambia de forma a pesar de que se puede escalar.
La distribucin de Rayleigh se utiliza con frecuencia para representar vidas
porque sus aumentos de las tasas de riesgo linealmente con el tiempo, por
ejemplo, la vida til de los tubos de vaco. Esta distribucin tambin encuentra
aplicacin en problemas de ruido en las comunicaciones.
DISTRIBUCION TRIANGULAR
La distribucin triangular es una distribucin continua delimitada por ambos
lados. La distribucin triangular se utiliza a menudo cuando no hay o hay pocos
datos disponibles; rara vez es una representacin exacta de un conjunto de
datos (ver Ley y Kelton1 ). Sin embargo, se emplea como la forma funcional de
las regiones para la lgica difusa debido a su facilidad de uso.
La distribucin triangular puede tomar formas muy sesgadas, como se muestra
arriba, incluyendo asimetra negativa. Para los casos excepcionales en que el
modo es ya sea el mnimo o mximo, la distribucin triangular se convierte en
un tringulo rectngulo.

La distribucin uniforme es una distribucin continua delimitada por ambos

lados. Su densidad no lo hace depender del valor de x. Es un caso especial
de la distribucin Beta. Se le llama con frecuencia la rectangular distribucin

(ver Johnson1). La mayora de los generadores de nmeros aleatorios

proporcionan muestras del Uniforme distribucin en (0,1) y luego convertir
estas muestras de variables aleatorias al azar de otras distribuciones.
La distribucin uniforme se utiliza para representar una variable aleatoria con
probabilidad constante de estar en cualquier pequeo intervalo entre mnimo y
mximo. Tenga en cuenta que la probabilidad de que o bien el valor max min o
es 0; el puntos finales no se produzcan. Si los puntos finales son necesarios,
intente la suma de dos que se opongan a la derecha Triangular distribuciones.

La Distribucin uniforme Es Una Distribucin continua delimitada por Ambos

Lados. Su densidad No Hace lo dependera del valor de x. Es Un Caso especial
de la Distribucin Beta. Se le llama con la Frecuencia rectangular Distribucin
(ver Johnson1). La Mayora de los generadores de numeros aleatorios
proporcionan Muestras del Uniforme
Distribucin en (0,1) Y LUEGO convertir Estas Muestras de las variables
aleatorias col Azar de Otras distribuciones.
La Distribucin uniforme se utilizaci prrafo representar Una variable de
aleatoria con probability constante de estar en any pequeo Intervalo Entre
Mnimo y Mximo. Tenga en Cuenta Que la probability de que o bien el valor
mximo o mnimo es 0; el de Puntos de los finales no se produzcan. De Si los
de Puntos de Finales Necesarios hijo, intente La Suma de dos Que se opongan
a la Derecha Triangular distribuciones.
camente para aumentar x. Para > 1, la distribucin de Weibull es 0, como
mnimo, x, picos a un valor que depende tanto de y , disminuyendo
monotnicamente a partir de entonces. Excepcionalmente, la distribucin de
Weibull tiene asimetra negativa para > 3,6. La distribucin de Weibull tambin
se puede utilizar para aproximar la distribucin normal para = 3,6, mientras
el mantenimiento de sus valores estrictamente positivos de x [en realidad (xmin)], aunque la curtosis es ligeramente menor de 3, el valor normal.

La distribucin de Weibull derivado su popularidad de su uso para modelar la

resistencia de los materiales, y tiene puesto que ha utilizado para modelar casi
todo. En particular, la distribucin de Weibull se usa para representar
vidas wearout en fiabilidad, temas velocidad del viento, intensidad de la lluvia,
relacionados con la salud, la germinacin, duracin de los paros industriales,
sistemas migratorios, y los datos de tormenta