ESCUELA SUPERIOR POLITCNICA DE CHIMBORAZO

FACULTAD DE MECNICA

ESCUELA DE INGENIERA AUTOMOTRIZ

ESTADSTICA Y DISEO EXPERIMENTAL

CONSULTA

Datos informativos
Nombre: Dominic Torres
Fecha:18/06/17
Nivel: Cuarto A
Cdigo: 1768

Riobamba-Ecuador
 Distribucin de Poisson
Esta distribucin es una de las ms importantes distribuciones de variable discreta.
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:

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 y tiende a una funcin de cuanta de una
distribucin de Poisson con siempre que este producto sea una cantidad
constante ( un valor finito)

En efecto : la funcin de cuanta de la binomial es

Y llamamos tendremos que:

realizando 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 l podremos 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:

l i P(l i)
2 0,5
3 0,25
4 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

l i

2 0,180447
3 0,224042
5 0,140374

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

Teorema de Bayes y resultar ser:

l i

2 0,497572
3 0,308891
5 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:

pacientes la hora

La distribucin Hipergeomtrica
La distribucin hipergeomtrica es especialmente til en todos aquellos casos en los
que se extraigan muestras o se realizan experiencias repetidas sin devolucin del
elemento extrado o sin retornar a la situacin experimental inicial.

Modeliza , de hecho, situaciones en las que se repite un nmero determinado de

veces una prueba dicotmica de manera que con cada sucesivo resultado se ve
alterada la probabilidad de obtener en la siguiente prueba uno u otro resultado. Es una
distribucin .fundamental en el estudio de muestras pequeas de poblaciones
.pequeas y en el clculo de probabilidades de, juegos de azar y tiene grandes
aplicaciones en el control de calidad en otros procesos experimentales en los que no
es posible retornar a la situacin de partida.

La distribucin hipergeomtrica puede derivarse de un proceso experimental puro o

de Bernouilli con las siguientes caractersticas:

El proceso consta de n pruebas , separadas o separables de entre un conjunto de N

pruebas posibles.

Cada una de las pruebas puede dar nicamente dos resultados mutuamente
excluyentes: A y no A.

En la primera prueba las probabilidades son :P(A)= p y P(A)= q ;con p+q=l.

Partimos de un conjunto formado por N individuos divididos en dos categoras

mutuamente excluyentes: A y Ac; de manera que N1 individuos pertenecen a la
categora A y N2 individuos, a la categora Ac. Por tanto, se cumple que

N = N1 + N2

Si del conjunto anterior extraemos n individuos sin reemplazamiento (n N),

la variable X que representa el nmero k de individuos que pertenecen a la
 categora A (de los n extrados) tiene por funcin de densidad:

La dependencia se debe al hecho de que N es finito y las extracciones se efectan sin

reemplazamiento. El caso de extracciones con reemplazamiento sera equivalente al
de N infinito y se resolvera mediante el modelo Binomial.

El programa siguiente nos muestra la forma de la funcin de densidad de esta variable

y el valor de la funcin de densidad y de la funcin de distribucin en el punto que
elijamos:

Propiedades: 1) Esperanza: E(X) = n N1 / N 2.

2) Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )

Propiedades:

1) Esperanza: E(X) = n N1 / N 2.

2) Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )

 La distribucin Uniforme

La distribucin Uniforme es el modelo (absolutamente) continuo ms simple.

Corresponde al caso de una variable aleatoria que slo puede tomar valores
comprendidos entre dos extremos a y b, de manera que todos los intervalos de una
misma longitud (dentro de (a, b)) tienen la misma probabilidad. Tambin puede
expresarse como el modelo probabilstico correspondiente a tomar un nmero al azar
dentro de un intervalo (a, b).

De la anterior definicin se desprende que la funcin de densidad debe tomar el

mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir,

Grficamente:

La funcin de distribucin se obtiene integrando la funcin de densidad y viene dada

por:

Grficamente:

Propiedades del modelo Uniforme

1. Su esperanza vale (b + a)/2

2. Su varianza es (b a)2/12


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:

Usamos Weibull

Se debe principalmene a la gran diversidad de formas que este modelo puede tomar,
dependiendo de los valores de los parametros caracteristicos. Esto nos permite usar
un mismo modelo, independientemente de en que forma varie la tasa de fallos del
compenente estudiado, simplificando en gran medida la taera de analisis de los
resultados

Aplicar el modelo de weibull

Se obtiene la distribucion de fallos del conjunto de donde proviene la muestra,

unicamente ajustando los prametros del modelo al conjunto de componentes
ensayados. Al conocer la dsitribucion de los fallos.cunto componentes fallaran
durante el primer ao?.cuanto tiempo de garantia tendra que tener el componente
para unicamente fallen el 1% durante ese periodo?.etc

Descripcion del modelo

La funcion de distribucion de Wiebull es un modelo estadistico que representa la

probabilidad de fallo despues de un tiempo t (R(t)) en funcion del tiempo transcurrido
o de una variable analoga. O dicho de otra manera R(t) es la probabilidad de que los
componentes de un conjunto sobrevivan hasta el momento t

Propiedades de la distribucin Weibull

1. Si tomamos = 1 tenemos una distribucin Exponencial.

2. Su esperanza vale:

3. Su varianza vale:

Bibliografa
Nio, L. (2014). Distribucin de Weibull. Recuperado 19 de junio de 2017,

a partir de https://prezi.com/rhhfkdtdotf6/distribucion-de-weibull/

Alvarado, J. (2004). La distribucin de Weibull. Recuperado 19 de junio de

2017, a partir de

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/

B0C4m1t9.htm

Alvarado, J. (2004). La distribucin Hipergeomtrica. Recuperado 19 de

junio de 2017, a partir de

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo3/

B0C3m1t9.htm
 Semper, T. (2010). Distribucin de Poisson. Recuperado 19 de junio de

2017, a partir de http://www.virtual.sepi.upiicsa.ipn.mx/mdid/poisson.pdf

CDPYE-UGR. (2012). Distribucin uniforme continua. Recuperado 19 de

junio de 2017, a partir de

http://www.ugr.es/~proman/Probabilidad/PDF/P_T05_TablaUniformeConti

nua.pdf