Académique Documents
Professionnel Documents
Culture Documents
SIMULACION I
TIPOS DE DISTRIBUCIONES
ESPERANZA MARTINEZ CARLOS ARIEL
DISTRIBUCIN DE POISSON
Sus principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos
interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un intervalo de
tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro
de sus usos frecuentes es la consideracin lmite de procesos dicotmicos reiterados un gran
nmero de veces si la probabilidad de obtener un xito es muy pequea .
Proceso experimental del que se puede hacer derivar
Esta distribucin se puede hacer derivar de un proceso experimental de observacin en el que
tengamos las siguientes caractersticas
Se observa la realizacin de hechos de cierto tipo durante un cierto periodo de tiempo o a lo
largo de un espacio de observacin
Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de una manera no
determinstica.
La probabilidad de que se produzcan un nmero x de xitos en un intervalo de amplitud t no
depende del origen del intervalo (Aunque, s de su amplitud)
La probabilidad de que ocurra un hecho en un intervalo infinitsimo es prcticamente
proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo infinitsimo es un
infinitsimo de orden superior a dos.
En consecuencia, en un intervalo infinitsimo podrn producirse O 1 hecho pero nunca ms de
uno
Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o
designe el "nmero de hechos que se producen en un intervalo de tiempo o de espacio", la
variable X se distribuye con una distribucin de parmetro l . As :
El parmetro de la distribucin es, en principio, el factor de proporcionalidad para la
probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar como parmetro de
intensidad , aunque ms tarde veremos que se corresponde con el nmero medio de hechos que
cabe esperar que se produzcan en un intervalo unitario (media de la distribucin); y que tambin
coincide con la varianza de la distribucin.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de variacin de la
variable ser el conjunto de los nmero naturales, incluido el cero:
Funcin de cuanta
A partir de las hiptesis del proceso, se obtiene una ecuacin diferencial de definicin del
mismo que puede integrarse con facilidad para obtener la funcin de cuanta de la variable
"nmero de hechos que ocurren en un intervalo unitario de tiempo o espacio "
Que sera :
ir a programa de clculo
Su expresin ser :
dado que
tendremos que
luego :
Para la obtencin de la media y la varianza aplicaramos la F.G.M.; derivndola sucesivamente e
igualando t a cero .
As.
haciendo t = 0
por lo que
Y, en particular:
A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene que
verificar:
De manera que la moda ser la parte entera del parmetro l o dicho de
otra forma, la parte entera de la media
Podemos observar cmo el intervalo al que debe pertenecer la moda tiene una amplitud de una
unidad , de manera que la nica posibilidad de que una distribucin tenga dos modas ser que los
extremos de este intervalo sean nmeros naturales, o lo que es lo mismo que el parmetro l sea
entero, en cuyo caso las dos modas sern l -1 y l .
Teorema de adicin.
La distribucin de Poisson verifica el teorema de adicin para el parmetro l .
"La variable suma de dos o ms variables independientes que tengan una distribucin de Poisson
de distintos parmetros l (de distintas medias) se distribuir, tambin con una distribucin de
Poisson con parmetro l la suma de los parmetros l (con media, la suma de las medias) :
En efecto:
Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de Poisson de
distintos parmetros siendo adems x e y independientes
As
e
Debemos probar que la variable Z= x+y seguir una Poisson con parmetro igual a la suma
de los de ambas:
Para Y
De manera que la funcin generatriz de momentos de Z ser el producto de ambas ya que son
independientes :
Siendo
siempre que este producto sea una cantidad constante ( un valor finito)
realizando
tendremos que:
Poisson
P(l i)
0,5
0,25
0,25
Realizada la experiencia, las verosimilitudes de las tres alternativas nos vendrn dadas por la
funcin de cuanta de la distribucin de Poisson, con
li
0,180447
0,224042
0,140374
0,497572
0,308891
0,193536
Esta distribucin a posteriori nos dar cuenta de toda la informacin disponible acerca del
parmetro desconocido, (nmero medio de pacientes por hora); tanto de la informacin subjetiva
de los expertos (convenientemente ponderada) como de la informacin emprica suministrada por
la observacin.
A partir de esta distribucin a posteriori podemos plantear nos dar un valor concreto para la
estimacin de considerando una funcin de prdida cuadrtica . La estimacin adecuada sera la
media de la distribucin a posteriori:
DISTRIBUCIN EXPONENCIAL
A pesar de la sencillez analtica de sus funciones de definicin, la distribucin exponencial tiene
una gran utilidad prctica ya que podemos considerarla como un modelo adecuado para la
distribucin de probabilidad del tiempo de espera entre dos hechos que sigan un proceso de
Poisson. De hecho la distribucin exponencial puede derivarse de un proceso experimental de
Poisson con las mismas caractersticas que las que enuncibamos al estudiar la distribucin de
Poisson, pero tomando como variable aleatoria , en este caso, el tiempo que tarda en producirse
un hecho
Obviamente, entonces , la variable aleatoria ser continua. Por otro lado existe una relacin entre
el parmetro a de la distribucin exponencial , que ms tarde aparecer , y el parmetro de
intensidad del proceso l , esta relacin es a = l
Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los siguientes casos:
Distribucin del tiempo de espera entre sucesos de un proceso de Poisson
Distribucin del tiempo que transcurre hasta que se produce un fallo, si se cumple la condicin
que la probabilidad de producirse un fallo en un instante no depende del tiempo transcurrido
.Aplicaciones en fiabilidad y teora de la supervivencia.
Funcin de densidad.
A pesar de lo dicho sobre que la distribucin exponencial puede derivarse de un proceso de
Poisson , vamos a definirla a partir de la especificacin de su funcin. de densidad:
Dada una variable aleatoria X que tome valores reales no negativos {x 0} diremos que tiene
una distribucin exponencial de parmetro a con a 0, si y slo si su funcin de densidad tiene la
expresin:
Diremos entonces que
En consecuencia ,
la funcin de distribucin ser:
Si el significado de la variable aleatoria es "el tiempo que transcurre hasta que se produce el
fallo": la funcin de distribucin ser la probabilidad de que el fallo ocurra antes o en el instante X:
y , en consecuencia la funcin de supervivencia ser la probabilidad de que el fallo ocurra
despus de transcurrido el tiempo X ; por lo tanto, ser la probabilidad de que el elemento, la
pieza o el ser considerado "Sobreviva" al tiempo X ; de ah el nombre.
Grficamente, la funcin de distribucin para un modelo exponencial de parmetro a =0,05 sera :
La Funcin Generatriz de
Momentos ser :
Una vez calculada la F.G.M podemos, partiendo de ella , calcular la media y la varianza
As la media ser:
ya que
La mediana del modelo exponencial ser aquel valor de la variable x =Me que verifica que
F(Me) =
De manera que
por lo que
Y a la tasa media de fallo en un intervalo infinitsimo es decir, al lmite de la tasa media de fallo
cuando D t 0 se le llama Tasa Instantnea de Fallo (o, simplemente, tasa de fallo) en t:
La tasa de fallo es, en general, una funcin del tiempo, que define unvocamente la
distribucin.
Pues bien, puede probarse que el hecho de que la tasa de fallo sea constante es condicin
necesaria y suficiente para que la distribucin sea exponencial y que el parmetro es, adems, el
valor constante de la tasa de fallo.
en efecto:
si
de donde
entre 0 y x :
de manera que
As pues si un elemento tiene una distribucin de fallos exponencial su tasa de fallos se
mantiene constante a lo largo de toda la vida del elemento. La probabilidad de fallar en un
instante no depende del momento de la vida del elemento en el que nos encontremos; lo que
constituye la propiedad fundamental de la distribucin que ahora enunciamos:
Propiedad fundamental de la distribucin exponencial
La distribucin exponencial no tiene memoria :
Poseer informacin de que el elemento que consideramos ha sobrevivido un tiempo S (hasta el
momento) no modifica la probabilidad de que sobreviva t unidades de tiempo ms. La
probabilidad de que el elemento falle en una hora (o en un da, o en segundo) no depende del
tiempo que lleve funcionando. No existen envejecimiento ni mayor probabilidad de fallos al
principio del funcionamiento
LA DISTRIBUCIN DE WEIBULL
Se trata de un modelo continuo asociado a variables del tipo tiempo de vida, tiempo hasta que un
mecanismo falla, etc. La funcin de densidad de este modelo viene dada por:
que, como vemos, depende de dos parmetros: > 0 y > 0, donde es un parmetro de escala
y es un parmetro de forma (lo que proporciona una gran flexibilidad a este modelo).
La funcin de distribucin se obtiene por la integracin de la funcin de densidad y vale:
Su varianza vale:
LA DISTRIBUCIN NORMAL
Se trata, sin duda, del modelo continuo ms importante en estadstica, tanto por su aplicacin
directa, veremos que muchas variables de inters general pueden describirse por dicho modelo,
como por sus propiedades, que han permitido el desarrollo de numerosas tcnicas de inferencia
estadstica. En realidad, el nombre de Normal proviene del hecho de que durante un tiempo se
crey, por parte de mdicos y bilogos, que todas las variables naturales de inters seguan este
modelo.
Su funcin de densidad viene dada por la frmula:
que, como vemos, depende de dos parmetros (que puede ser cualquier valor real) y (que ha
de ser positiva). Por esta razn, a partir de ahora indicaremos de forma abreviada que una
variable X sigue el modelo Normal as: X ~ N(, ). Por ejemplo, si nos referimos a una
distribucin Normal con = 0 y = 1 lo abreviaremos N(0, 1).
A continuacin presentamos la grfica de esta funcin de densidad (donde se pueden cambiar los
parmetros):
Como se puede ver, la funcin de densidad del modelo Normal tiene forma de campana, la que
habitualmente se denomina campana de Gauss. De hecho, a este modelo, tambin se le conoce
con el nombre de distribucin gaussiana.
DISTRIBUCIN TRIANGULAR