1. Distribución Lognormal:

La distribución lognormal describe una variable cuyo logaritmo sigue una distribución normal. Es útil para modelar fenómenos donde los valores crecen de manera multiplicativa, como el precio de acciones.

set.seed(1)
data_lognormal <- rlnorm(1000, meanlog = 0, sdlog = 1)
hist(data_lognormal, breaks = 30, main = "Distribución Lognormal", col = "skyblue")

  1. Distribución Gaussiana (Normal):

La distribución normal es simétrica y tiene forma de campana. Es central en estadística, ya que describe muchos fenómenos naturales y sirve como base para diversos métodos inferenciales.

set.seed(1)
data_normal <- rnorm(1000, mean = 0, sd = 1)
hist(data_normal, breaks = 30, main = "Distribución Normal", col = "lightgreen")

  1. Distribución Chi-cuadrado:

La distribución chi-cuadrado es asimétrica y positiva, y se utiliza principalmente en pruebas de hipótesis, como las pruebas de bondad de ajuste y de independencia.

set.seed(1)
data_chisq <- rchisq(1000, df = 5)
hist(data_chisq, breaks = 30, main = "Distribución Chi-cuadrado", col = "lightcoral")

  1. Distribución de Poisson:

La distribución de Poisson describe el número de eventos en un intervalo de tiempo o espacio fijo cuando estos ocurren de manera aleatoria y con una tasa promedio conocida.

set.seed(1)
data_poisson <- rpois(1000, lambda = 3)
hist(data_poisson, breaks = 30, main = "Distribución de Poisson", col = "lightpink")

  1. Distribución Exponencial:

La distribución exponencial modela el tiempo entre eventos en un proceso de Poisson. Es útil para describir el tiempo de espera entre eventos independientes.

set.seed(1)
data_exponencial <- rexp(1000, rate = 1)
hist(data_exponencial, breaks = 30, main = "Distribución Exponencial", col = "lightyellow")