FACULTAD DE INGENIERA EN INFORMTICA Y SISTEMAS

DISTRIBUCIONES CONOCIDAS

Profesor

ING. Brian PANDO SOTO

Curso

SIMULACION DISCRETA DE SISTEMAS

Alumnos

DELGADO POZO, Antony Marlon LOPEZ BENSAQUEN, Danny

Tingo Mara PERU

DISTRIBUCIONES CONOCIDAS
1. DISTRIBUCIN EXPONENCIAL DEFINICIN Mientras que la distribucin de Poisson describe las llegadas por unidad de tiempo, la distribucin exponencial estudia el tiempo entre cada una de estas llegadas. Si las llegadas son de Poisson el tiempo entre estas llegadas es exponencial. Mientras que la distribucin de Poisson es discreta la distribucin exponencial es continua porque el tiempo entre llegadas no tiene que ser un nmero entero. Esta distribucin se utiliza mucho para describir el tiempo entre eventos. Ms especficamente la variable aleatoria que representa al tiempo necesario para servir a la llegada. Ejemplos tpicos de esta situacin son el tiempo que un mdico dedica a una exploracin, el tiempo de servir una medicina en una farmacia, o el tiempo de atender a una urgencia. El uso de la distribucin exponencial supone que los tiempos de servicio son aleatorios, es decir, que un tiempo de servicio determinado no depende de otro servicio realizado anteriormente ni de la posible cola que pueda estar formndose. Otra caracterstica de este tipo de distribucin es que no tienen "edad" o en otras palabras, "memoria". Por ejemplo. Supongamos que el tiempo de atencin de un paciente en una sala quirrgica sigue una distribucin exponencial. Si el paciente ya lleva 5 horas siendo operado, la probabilidad de que est una hora ms es la misma que si hubiera estado 2 horas, o 10 horas o las que sea. Esto es debido a que la distribucin exponencial supone que los tiempos de servicio tienen una gran variabilidad. A lo mejor el prximo paciente operado tarda 1 hora porque su ciruga era mucho ms simple que la anterior. La funcin de densidad de la distribucin exponencial es la siguiente: Se dice que la variable aleatoria continua X tiene distribucin exponencial con parmetro

Su grfica es un modelo apropiado a vida til de objetos.

Par calcular la esperanza matemtica y la varianza, se hallara primero el momento de orden r respecto del origen:

PRCTICA El tiempo durante el cual cierta marca de batera trabaja en forma efectiva hasta que falle (tiempo de falla) se distribuye segn el modelo exponencial con un tiempo promedio de fallas igual a 360 das. a) qu probabilidad hay que el tiempo de falla sea mayor que 400 das?. b) Si una de estas bateras ha trabajado ya 400 das, qu probabilidad hay que trabaja ms de 200 das ms? c) Si se estn usando 5 de tales bateras calcular la probabilidad de que ms de dos de ellas continen trabajando despus de 360 das.

Solucin Sea X=el tiempo que trabaja la batera hasta que falle. El tiempo promedio de falla es de 360 das. Entonces, X ~Exp (=1/360) y su funcin de densidad es:

2.

DISTRIBUCIN NORMAL DEFINICIN La distribucin de probabilidad normal ocupa un lugar prominente en la estadstica por dos razones: Tiene algunas propiedades que la hacen aplicable un gran nmero de situaciones en las que es necesario hacer inferencias mediante la toma de muestras. La distribucin normal casi se ajusta a las distribuciones de frecuencia reales observadas en muchos fenmenos, incluyendo caractersticas humanas (pesos, altura, IQ, etc.), resultados de procesos fsicos (dimensiones y rendimientos) y muchas otras medidas de inters para los administradores, tanto en el sector pblico como en el privado.

CARACTERSTICAS a) La curva tiene un solo pico, por lo tanto se dice que es unimodal.

b) La media, la mediana y la moda de los datos se encuentran en el centro de la curva y tienen el mismo valor.

c)

Los dos extremos de la distribucin normal de probabilidad se extienden indefinidamente y nunca tocan el eje horizontal.

Nota: La mayor parte de las poblaciones reales no se extienden de manera indefinida en ambas direcciones, pero para estas poblaciones, la distribucin normal es una aproximacin conveniente. EN RESUMEN: LA CURVA DE DISTRIBUCIN NORMAL: ES UNIMODAL. LA MAYOR CANTIDAD DE DATOS DE LA DISTRIBUCION CAE EN EL CENTRO DE LA CURVA. LA MEDIA, LA MEDIANA Y LA MODA SE ENCUENTRAN EN EL MISMO PUNTO. LOS DOS EXTREMOS DE LA DISTRIBUCION SE EXTIENDEN INDEFINIDAMENTE.

Para definir, entender y aplicar una distribucin normal de probabilidad es necesario conocer dos parmetros: La media ( ): Es la suma de los datos divididos entre el nmero de datos. La desviacin estndar(): Es la variacin de los datos con respecto a la media ():

No importa cuales sean los valores de y s para una distribucin de probabilidad normal, el rea total bajo la curva es 1.00, de manera que podemos pensar en reas bajo la curva como si fueran probabilidades.

En resumen: entre ms grande es el valor de sigma () el nivel de defectos permitido es menor.

Uso de la tabla de distribucin de probabilidad normal estndar.

x = Valor de la variable aleatoria que nos preocupa. = Media de la distribucin de la variable aleatoria. = Desviacin estndar de la distribucin. z = Nmero de desviaciones estndar que hay desde x a la media de la distribucin. 3. DISTRIBUCION UNIFORME Es una distribucin en el intervalo [a,b] en la cual las probabilidades, son las mismas para todos los posibles resultados, desde el mnimo de a hasta el mximo de b. El experimento de lanzar un dado es un ejemplo que cumple la distribucin uniforme, ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de ocurrencia.

DISTRIBUCION DE PROBABILIDAD UNIFORME DEL LANZAMIENTO DE UN DADO

La funcin de densidad de una distribucin uniforme (altura de cada rectngulo en la grfica anterior) es:

Dnde: a = mnimo valor de la distribucin b = mximo valor de la distribucin

b a = Rango de la distribucin La media, valor medio esperado o esperanza matemtica de una distribucin uniforme se calcula empleando la siguiente frmula:

La varianza de una distribucin uniforme se calcula empleando la siguiente frmula:

La probabilidad de que una observacin caiga entre dos valores se calcula de la siguiente manera:

Ejemplo: Supngase una variable que se distribuye uniformemente entre 380 y 1.200. Determnese: 1. La probabilidad de que el valor de la variable sea superior a mil. 2. La media y la desviacin estndar de dicha variable. A Epidat se le proporcionar el lmite superior e inferior del campo de variacin de la variable [380, 1.200] y, adems, el punto a partir del cual se quiere calcular la probabilidad. Resultados con Programa Epidat 4.0

La probabilidad de que la variable sea superior a mil se sita en un entorno de 0,24, la media es 790 y la desviacin estndar, raz cuadrada de la varianza, es aproximadamente 237.

4.

DISTRIBUCION TRIANGULAR Triangular; La distribucin triangular es til como una aproximacin inicial en situaciones par las que no se dispone de datos confiables. Nos permite estimar las duraciones de las actividades de un proyecto usando las tres estimaciones: optimista, muy pesimista, y pesimista.

Ejemplo: Uno de los problemas de salud que afectan en mayor medida a la poblacin en los meses de verano son los golpes de calor; por ese motivo, es necesario llevar un control de la temperatura atmosfrica que alerta, entre otros indicadores, de la presencia de una ola de calor. Durante el mes de Agosto del ao 2010, en Santiago de Compostela, las temperaturas mnima y mxima absolutas fueron de 12,2 C y 35,8C, respectivamente, y el valor ms probable fue de 19,8C. Si se asume que la temperatura sigue una distribucin triangular de parmetros a=12,2, c=19,8 y b=35,8, cul es la probabilidad de que supere los 30C? Resultados con Epidat 4.0: