Simulacin

Trabajo de Investigacin Unidad 3

INTEGRANTES:
Areli Yeraldin Matamoros Escobar.
Karen Gonzlez Paxtian
Yurani Hiplito Cruz.

Trabajo de Investigacin para evaluar la

unidad 3.
Cruz.

1.- Hacer una sntesis o cuadro resumen, de las

distribuciones de probabilidad con:
Distribuciones continuas.
INTRODUCCIN:
Una distribucin de probabilidad es continua cuando los
resultados posibles del experimento son obtenidos de variables
aleatorias continuas, es decir, de variables cuantitativas que
pueden tomar cualquier valor, y que resultan principalmente del
proceso de medicin.
A)

Distribucin uniforme continua:

En teora
de
probabilidad y estadstica,
la distribucin
uniforme continua es una familia de distribuciones de
probabilidad para variables aleatorias continuas, tales que cada
miembro de la familia, todos los intervalos de igual longitud en
la distribucin en su rango son igualmente probables. El dominio
est definido por dos parmetros, a y b, que son sus valores
mnimo y mximo. La distribucin es a menudo escrita en forma
abreviada como U(a,b).
Una de las distribuciones continuas ms simples en Estadstica
es la Distribucin Uniforme Continua. Esta se caracteriza por una
funcin de densidad que es plana, y por esto la probabilidad es
uniforme en un intervalo cerrado [A,B].

La funcin de densidad de la v.a.c. X en el intervalo [A,B]

es y cero en otro caso.

Esta densidad forma un rectngulo con base B-A y altura 1/(BA).

A esta distribucin a menudo se llama distribucin rectangular
B)

Distribucin normal:

La distribucin continua de probabilidad ms importante en todo

el campo de la estadstica es la distribucin normal. Su grfica,
que se denomina curva normal, es la curva con forma de
campana, la cual describe aproximadamente muchos fenmenos
que ocurren
en
la
naturaleza, la
industria y
la

investigacin. Las mediciones fsicas en reas como los

experimentos meteorolgicos, estudios de la lluvia y mediciones
de partes fabricadas a menudo se explican ms adecuadamente
con la distribucin normal. Adems, los errores en las
mediciones cientficas se aproximan extremadamente bien
mediante una distribucin normal.

C) Aproximacin normal a la binomial:

La distribucin binomial se aproxima bien por la normal en
problemas prcticos cuando se trabaja con la funcin de
distribucin acumulada.
Si X es una v.a. binomial con media =np y varianza 2=npq,
entonces la forma limitante de la distribucin de conforme n,
es
la

distribucin normal estndar n(z;0,1)

D) Distribucin Gama:
Aunque la distribucin normal se puede utilizar para resolver
muchos problemas en la ingeniera y las ciencias, hay
numerosas situaciones que requieren diferentes tipos de
4

funciones de densidad. Tal es

caso de las distribuciones
gamma y exponencial. Estas

el

distribuciones
juegan
un
rol
fundamental en los
problemas
de
confiabilidad.
Los
tiempos
entre
llegadas
en
instalaciones
de
servicio, y tiempos de fallas de partes componentes y
sistemas elctricos, frecuentemente son bien modelados
mediante la distribucin exponencial.
La distribucin gamma deriva su nombre de la conocida
funcin gamma, que se estudia en muchas reas de la
matemtica.
La funcin gamma se define como:

Distribucin gama

E)Distribucin exponencial:

F)

La
distribucin de Ji cuadrado:

G)

D
i
s
t
r
i
b
u
c
i

n
de weibull:

Distribucin weibull


Distribuciones discretas.

En R es posible calcular valores relacionados con las distribuciones de probabilidad de

las principales variables aleatorias discretas. Los nombres reservados a algunas de esas
distribuciones son:
Binomial: binom
Hipergeomtrica: hyper
10

 Poisson: pois
Binomial negativa: nbinom
Geomtrica: geom.
Los nombres anteriores, sin embargo, no son sentencias de R que produzcan una salida
vlida. Es necesario anteponerles los prefijos d para la funcin de masa o funcin de
probabilidad, p para la funcin de distribucin acumulada, r para generar valores
aleatorios y q para la funcin cuantil (inversa de la funcin de distribucin). A
continuacin vemos algunos ejemplos.
- Calcular la probabilidad de que una variable aleatoria binomial de parmetros n=10,
p=0.3 tome el valor 4: > dbinom(4,size=10,prob=0.3) [1] 0.2001209
> dbinom(4,10,0.3) [1] 0.2001209
- Probabilidad acumulada en el valor 5 (se incluye la probabilidad de este valor) de una
variable aleatoria de Poisson de parmetro l=2: > ppois(5,2) [1] 0.9834364
- Generar 10 valores aleatorios de una distribucin de Poisson de parmetro 3,52: >
rpois(10,3.52) [1] 4 3 3 3 4 5 4 1 2 1 Es de hacer notar que cada vez que se ejecuta la
sentencia anterior salen, evidentemente, valores diferentes.
- Calcular la probabilidad de conseguir 4 ases al extraer 4 cartas de una baraja (se
supone que hay 8 ases). Aqu la variable aleatoria que representa el nmero de ases
entre las 4 cartas elegidas es una variable aleatoria hipergeomtrica de parmetros:
N=40; n=4; p(probabilidad inicial de xito)=0.2
Esta distribucin hipergeomtrica se expresa en algunos casos como H(40,4,0.2). En
otros, como es el caso de R, se pone en la forma H(8,32,4), siendo 8 el nmero de
bolas blancas, 32 el nmero de bolas negras y 4 el nmero de extracciones, y xito
equivale a bola blanca. Por tanto, para calcular P(X=4) hacemos:
> dhyper(4,8,32,4) [1] 0.0007659481
Este valor se podra haber obtenido de forma alternativa mediante la frmula de la
distribucin hipergeomtrica:
>choose(0.2*40,4)*choose(40-0.2*40,4- +4)/choose(40,4) [1] 0.0007659481
Para dibujar la funcin de masa de una distribucin discreta debemos utilizar la funcin
dbinom. A continuacin aparece la correspondiente a una B(10,0.25). Debajo de esta
funcin puede verse el histograma de 1000 valores elegidos al azar de esta misma
variable aleatoria. Vase el parecido entre ambos grficos:
> par(mfrow=c(2,1))
> z<-0:10
> plot(z,dbinom(z,10,0.25),type="h")
> x<-rbinom(1000,10,0.25)
> hist(x)
> par(mfrow=c(1,1))

11

12

 Definir las distribuciones empricas.

13

14

Diagrama:

El cajero
recibe al
cliente y
solicita el
pedido

El cajero
ingresa la
orden a la
caja
registradora
verificando la
informacion

El cajero
realiza la
gestion de
cobranza
indicando en
el recibo si el
pedido es
para l evar o
para comer
en el lugar

el backup se
dirige a la
maquina de
helados

Verifica el
recibo del
pedido y
entrega el
pedido al
cliente

Objetivo:
Uno de los objetivos principales de este estudio de simulacin es investigar acerca del sistema de
servicios de McDonalds en plaza valle Orizaba para tomar algunos datos como son los tiempos
entre llegadas de las entidades al sistema, tiempos de servicio al atender a un cliente o de
fabricacin de las entidades y tiempos de estancia o de demora en las filas del sistema. Con el fin
de conocerlos con claridad o mejorar su funcionamiento.
15

Esta informacin se utilizara para determinar las 2 distribuciones de probabilidad que se ajustan a
los datos de tiempos tomados para tratar de simularlo. Con esta prctica realizando un anlisis,
obtenemos los resultados estadsticos, lo cual puede servir para deteccin de mejoras posibles y
plantear acciones que optimicen el desempeo del mismo para implementarlo.

Las entidades son los clientes

La actividad es el tiempo en que son atendidos los clientes

Datos:

16

17

McDonald

Software STAT::FIT
Tiempo de llegada

18

Tiempo de servicio

19

Tiempo de estancia

20

21