INGENIERIA INDUSTRIAL

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

Cuya representacin grfica para un modelo

de media 11 sera la adjunta .
Obsrvense los valores prximos en la media y
su forma parecida a la campana de Gauss , en
definitiva , a la distribucin normal

La funcin de distribucin vendr dada

por :
Funcin Generatriz de Momentos

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.

Una vez obtenida la media , obtendramos la varianza en base a :

haciendo t = 0

por lo que

as se observa que media y varianza coinciden con el parmetro del

modelo siendo , l
En cuanto a la moda del modelo tendremos que ser el valor de la variable que tenga mayor
probabilidad , por tanto si Mo es el valor modal se cumplir 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:

En base a las F.G.M para X

Para Y
De manera que la funcin generatriz de momentos de Z ser el producto de ambas ya que son
independientes :

Siendo

la F.G.M de una Poisson

Convergencia de la distribucin binomial a la Poisson

Se puede probar que la distribucin binomial tiende a converger a la distribucin de Poisson

cuando el parmetro n tiende a infinito y el parmetro p tiende a ser cero, de manera que el
producto de n por p sea una cantidad constante. De ocurrir esto la distribucin binomial tiende a
un modelo de Poisson de parmetro l igual a n por p
Este resultado es importante a la hora del clculo de probabilidades , o , incluso a la hora de
inferir caractersticas de la distribucin binomial cuando el nmero de pruebas sea muy
grande

y la probabilidad de xito sea muy pequea

El resultado se prueba , comprobando como la funcin de cuanta de una distribucin

binomial con
con

tiende a una funcin de cuanta de una distribucin de Poisson

siempre que este producto sea una cantidad constante ( un valor finito)

En efecto : la funcin de cuanta de la binomial es

Y llamamos

realizando

tendremos que:

que es la funcin de cuanta de una distribucin de

Poisson

Estimacin Bayesiana sobre muestras de poisson.

Anlogamente a como plantebamos el problema de necesitar estimar la proporcin de una
caracterstica ,en el caso de un modelo binomial , en alguna situacin prctica , podemos estar
interesados en determinar el parmetro desconocido de una distribucin de Poisson. Por ejemplo
podramos estar interesados en determinar el nmero medio de clientes que acuden a una
ventanilla de una oficina pblica.
El planteamiento de la estimacin podra hacerse utilizando informacin suministrada por una
experiencia {la observacin de cuntos hechos se producen en un intervalo
experimental),conjuntamente con algn otro tipo de informacin a priori .En este caso, estaramos
,como ya comentbamos en el caso binomial ante un planteamiento bayesiano del problema.
La solucin requerir que dispongamos de una informacin inicial que puede especificarse a
travs de una distribucin a priori de probabilidad. De manera que la funcin de cuanta de esta
distribucin a priori (o su f. de densidad si fuera continua) nos asigne probabilidades a cada
posible valor del parmetro l .
Utilizando nicamente la informacin inicial la estimacin sera la media de la distribucin a priori.

Pero realizando una experiencia podremos mejorar la informacin acerca de l Si observamos la

realizacin de hechos durante un intervalo experimental y se producen x hechos, para cada
posible valor de lpodremos calcular su verosimilitud definida como la probabilidad de que se d
ese resultado si el valor de l es el considerado:

Obviamente esta probabilidad condicionada ser la funcin de cuanta de una distribucin de

Poisson con

. para el valor de la variable x.

Finalmente podemos calcular las probabilidades de cada valor alternativo de , condicionada al

resultado de la experiencia aplicando el teorema de Bayes:

Estas probabilidades finales (a posteriori) constituirn la funcin de cuanta de la distribucin a

posteriori que nos dar cuenta de toda la informacin disponible (tanto muestral como no
muestral) .
La estimacin mejorada del parmetro ser, entonces, la media de la distribucin a posteriori.
Planteamos un ejemplo:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que llegan a cierto
servicio nocturno de guardia durante una hora es 2 , segn el primero, 3 , segn el segundo, y 5
segn el tercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el doble de
experiencia profesional que los otros dos.
Para tomar una decisin de asignacin de personal en ese servicio quieren estimar el nmero
medio de pacientes, sin despreciar sus opiniones , por lo que realiza una experiencia controlando
una hora de actividad en el servicio en la que acuden 3 pacientes .Esta informacin la van a
combinar con la inicial a travs de un proceso Bayesiano :cmo lo haran?
La distribucin a priori ser tal que deber asignarse el doble de probabilidad a la alternativa
propuesta por el primer experto que a las de los otros dos. As que ser:
li

P(l i)

0,5

0,25

0,25

De manera que la estimacin inicial de sera,la media de la distribucin a priori:

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

La funcin de cuanta de la distribucin a posteriori la obtendremos aplicando el Teorema de

Bayes y resultar ser:
li
2

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

Grficamente como ejemplo planteamos el

modelo con parmetro a =0,05

En consecuencia ,
la funcin de distribucin ser:

En la principal aplicacin de esta distribucin , que es la Teora de la Fiabilidad, resulta ms

interesante que la funcin de distribucin la llamada Funcin de Supervivencia o Funcin de
Fiabilidad.
La funcin de Supervivencia se define cmo la probabilidad de que la variable aleatoria
tome valores superiores al valor dado X:

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 :

En la que se observa lo que sera la diferencia

entre funcin de distribucin y la de
supervivencia

La Funcin Generatriz de
Momentos ser :

tendremos as que la F.G.M ser :

Una vez calculada la F.G.M podemos, partiendo de ella , calcular la media y la varianza
As la media ser:

En cuando a la varianza su expresin 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

Tasa instantnea de fallo.

Dentro del marco de la teora de la fiabilidad si un elemento tiene una distribucin del tiempo
para un fallo con una funcin de densidad f(x) , siendo x la variable tiempo para que se produzca
un fallo , y con una funcin de supervivencia S(X) La probabilidad de que un superviviente en el
instante t falle en un instante posterior t + D t ser una probabilidad condicionada que vendr
dada por:

Al cociente entre esta probabilidad condicionada y la amplitud del intervalo considerado, t , se

le llama tasa media de fallo en el intervalo [t , t+D t] :

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 :

integrando esta ecuacin diferencial

de modo que la funcin de distribucin ser

Funcin de Distribucin de una Exponencial

Si X tiene una distribucin exponencial

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

Expresin que no depende , como se observa , del tiempo sobrevivido s.

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:

El siguiente programa permite visualizar la forma de la funcin de densidad de este modelo y el

valor de la funcin de distribucin:

Propiedades de la distribucin Weibull

Si tomamos = 1 tenemos una distribucin Exponencial.
Su esperanza vale:

Su varianza vale:

donde (x) representa la funcin Gamma de Euler definida anteriormente.

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.

Propiedades del modelo Normal

Su esperanza es .
Su varianza es 2 y, por tanto, su desviacin tpica es .
Es simtrica respecto a su media , como puede apreciarse en la representacin anterior.
Media, moda y mediana coinciden ().
Cualquier transformacin lineal de una variable con distribucin Normal seguir tambin el
modelo Normal. Si X ~ N(, ) y definimos Y = aX + b (con a 0), entonces Y ~ N(a + b, |a|
). Es decir, la esperanza de Y ser a + b y su desviacin tpica, |a|.
Cualquier combinacin lineal de variables normales independientes sigue tambin una
distribucin Normal. Es decir, dadas n variables aleatorias independientes con
distribucin Xi ~ N(i, i) para i = 1, 2, ..., n la combinacin lineal: Y = anXn + an1Xn1+ ...
+ a1X1 + a0 sigue tambin el modelo Normal:

DISTRIBUCIN TRIANGULAR

En probabilidad y estadstica, la distribucin triangular es la distribucin de probabilidad continua

que tiene un valor mnimo a, un valor mximo b y una moda c, de modo que la funcin de
densidad de probabilidad es cero para los extremos (a y b), y afn entre cada extremo y la moda,
por lo que su grfico es un tringulo.
Caractersticas de la distribucin
1. Distribucin Triangular Esta distribucin tiene 3 parmetros, a (lmite inferior de la variable); b
(el modo) y c (lmite superior de la variable). Triangular TR(a,b,c) Funcin de densidad f(x)= 2(xa)/(c-a)*(b-a) si a =< x <=b f(x)= 2(c-x)/(c-a)(c-b) si b =< x <=c Distribucin acumulada F(x)= (xa)^2/(c-a)(c-b) si a =< x <=b F(x)= 1-[(c-x)^2/(c-a)*(c-b) si b =< x <=c Parmetros parmetro de
localizacin: u parmetro de escala: p Rango a,b Media (a+b+c)/3 Varianza (a^2+b^2+c^2+ac-abbc)/18 F( x)= 8 7 6 5 4 3 2 1 0 x 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10 .5 11 .5 F( x)= Se denomina as por
el hecho de que la funcin de densidad tiene una forma triangular, que viene definida en la tabla
de anterior Se denomina triangular cuando viene definida por dos parmetros, que representan el
valor mnimo y el valor mximo de la variable. En este caso el tringulo es equiltero. Se
denomina triangular (triangular general), cuando viene dada por tres parmetros, que representan
el valor mnimo y el valor mximo de la variable, y el valor del punto

Uso de la distribucin triangular

La distribucin triangular es habitualmente empleada como una descripcin subjetiva de una
poblacin para la que slo se cuenta con una cantidad limitada de datos muestrales y,
especialmente en casos en que la relacin entre variables es conocida pero los datos son
escasos (posiblemente porque es alto el costo de recolectarlos). Est basada en un conocimiento
del mnimo y el mximo y un "plpito inspirado"1 como el del valor modal. Por estos motivos, la
Distribucin Triangular ha sido denominada como la de "falta de precisin" o de informaci

Uso de la distribucin triangular

La distribucin triangular es habitualmente empleada como una descripcin subjetiva de una
poblacin para la que slo se cuenta con una cantidad limitada de datos muestrales y,
especialmente en casos en que la relacin entre variables es conocida pero los datos son

escasos (posiblemente porque es alto el costo de recolectarlos). Est basada en un conocimiento

del mnimo y el mximo y un "plpito inspirado"1 como el del valor modal. Por estos motivos, la
Distribucin Triangular ha sido denominada como la de "falta de precisin" o de informaci