UNIVERSIDAD NACIONAL “PEDRO RUIZ GALLO”

FACULTAD DE INGENIERÍA CIVIL, SISTEMAS Y

ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE

SISTEMAS

ESTUDIANTES:
Arroyo Leyton, Yohairo.
Martínez Exebio, Miriam.
Salazar Aurich, Bruno.
Sandoval Quinde, Maricielo.
Venegas Cordova, Kevin.

DOCENTE: Salazar Carbonel Oscar.

Octubre, Lambayeque.
Introducción:

GENERACIÓN DE VARIABLES ALEATORIAS CONTINUAS DE

DISTRIBUCIÓN EXPONENCIAL

Mientras que la distribución de Poisson describe las llegadas por unidad de

tiempo, la distribución 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 distribución de Poisson es discreta la distribución
exponencial es continua porque el tiempo entre llegadas no tiene que ser un
número entero. Esta distribución se utiliza mucho para describir el tiempo
entre eventos. Más específicamente la variable aleatoria que representa al
tiempo necesario para servir a la llegada.

Ejemplos típicos de esta situación son el tiempo que un médico dedica a una
exploración, el tiempo de servir una medicina en una farmacia, o el tiempo de
atender a una urgencia.

El uso de la distribución 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
formándose. Otra característica de este tipo de distribución es que no tienen
"edad" o en otras palabras, "memoria". Por ejemplo. Supongamos que el tiempo
de atención de un paciente en una sala quirúrgica sigue una distribución
exponencial. Si el paciente ya lleva 5 horas siendo operada, la probabilidad de
que esté una hora más es la misma que si hubiera estado 2 horas, o 10 horas o
las que sean. Esto es debido a que la distribución exponencial supone que los
tiempos de servicio tienen una gran variabilidad. A lo mejor el próximo paciente
operado tarda 1 hora porque su cirugía era mucho más simple que la anterior.
Conceptos básicos:

Experimento aleatorio: Proceso de observar un fenómeno del que se conocen

de antemano todos sus posibles resultados, pero a partir de las condiciones
iniciales no puede predecirse exactamente cuál de estos resultados se producirá.

Espacio muestral: Es el conjunto de todos los posibles resultados de un

experimento aleatorio. Se denota por Ω = {e1, e2, . . ., en, . . .} y cada uno de sus
elementos se denomina suceso elemental o punto muestral.
Variables aleatorias

Sea Ω el espacio muestral asociado a cierto experimento aleatorio y F el

correspondiente conjunto de sucesos. Se denomina variable aleatoria (v.a) a una
función X: Ω → R, que a cada elemento ei ∈ Ω le asigna un valor numérico X(ei)
= xi ∈ R.

Intuitivamente, una variable aleatoria es una medida o cantidad que varía en

función del resultado concreto ei que se observa al realizar el experimento
aleatorio.

La v.a se denota con letras mayúsculas, mientras que las letras minúsculas
indican el valor concreto que toma la v.a. cuando se evalúa en un punto muestral.

Ejemplo: Lanzar un dado una vez. Considerar la v.a X = “resultado de la tirada”.

¿Cuantos sucesos elementales hay? ¿Qué valores puede tomar X?
Variables aleatorias continuas

Función de densidad Las probabilidades de una variable aleatoria continua se

calculan a partir de una función f: R → [0, +∞) denominada función de densidad.
Esta función cumple las propiedades siguientes:
Propiedades

 f (x) ≥ 0 para todo x ∈ R.

 R ∞ −∞ f (x) dx = 1, es decir, el área total de la función de densidad es 1.
 Para todo a, b ∈ R, P(a ≤ X ≤ b) = P(X ∈ [a, b]) = R b a f (x) dx es el área
que determina la función de densidad de X sobre el intervalo [a, b].
 Los intervalos [a, b], (a, b), (a, b] y [a, b) tienen la misma probabilidad.
Distribución Exponencial:

La distribución exponencial es aquella que modela el tiempo transcurrido entre

dos sucesos que se producen de forma independiente, separada y uniforme en
el tiempo.

A pesar de la sencillez analítica de sus funciones de definición, la distribución

exponencial tiene una gran utilidad práctica ya que podemos considerarla como
un modelo adecuado para la distribución de probabilidad del tiempo de espera
entre dos hechos que sigan un proceso de Poisson. De hecho, la distribución
exponencial puede derivarse de un proceso experimental de Poisson con las
mismas características que las que enunciábamos al estudiar la distribución de
Poisson, pero tomando como variable aleatoria, en este caso, el tiempo que tarda
en producirse un hecho.

Entonces, la variable aleatoria será continua. Por otro lado existe una relación
entre el parámetro a de la distribución exponencial, que más tarde aparecerá, y
el parámetro de intensidad del proceso 𝜆, esta relación es 𝜆 = 𝛼.

Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los
siguientes casos:

 Distribución del tiempo de espera entre sucesos de un proceso de Poisson

 Distribución del tiempo que transcurre hasta que se produce un fallo, si se
cumple la condición que la probabilidad de producirse un fallo en un
instante no depende del tiempo transcurrido. Aplicaciones en fiabilidad y
teoría de la supervivencia.

Se dice que una v.a. X sigue una distribución exponencial de parámetro λ, y se

denota por X ∼ exp(λ), si su función de densidad es: f(X) = 𝜆 . 𝑒 −𝜆𝑥 , si x ≥ 0.
Observad que X toma valores en el conjunto S = [0, +∞).
Ejemplos:

 Tiempo entre llegadas de camiones al punto de descarga.

 Tiempo entre llamadas de emergencia.
 Tiempo de vida de una bombilla.

El uso de la distribución 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
formándose. Otra característica de este tipo de distribución es que no tienen
"edad" o en otras palabras, "memoria". Por ejemplo. Supongamos que el tiempo
de atención de un paciente en una sala quirúrgica sigue una distribución
exponencial. Si el paciente ya lleva 5 horas siendo operado, la probabilidad de
que esté una hora más es la misma que si hubiera estado 2 horas, o 10 horas o
las que sea. Esto es debido a que la distribución exponencial supone que los
tiempos de servicio tienen una gran variabilidad. A lo mejor el próximo paciente
operado tarda 1 hora porque su cirugía era mucho más simple que la anterior.
Propiedades

 E(X) = 1 / λ2
 var(X) = 1 / λ2
−𝜆𝑥
 Función de distribución: F(x) = {𝜆 . 𝑒 , si x ≥ 0
0 , si x < 0
 λ es el número medio de ocurrencias del suceso por unidad de tiempo.


Función de densidad.

A pesar de lo dicho sobre que la distribución exponencial puede derivarse de un

proceso de Poisson, vamos a definirla a partir de la especificación de su función
de densidad:

Dada una variable aleatoria 𝑥 que tome valores reales no negativos

{x ≥ 0} diremos que tiene una distribución exponencial de
parámetro 𝛼 con {𝛼 ≥ 0}, si y sólo si su función de densidad tiene la
expresión: 𝑓(𝑥) = 𝛼. 𝑒 −𝛼𝑥
Diremos entonces que 𝑥 → 𝐸𝑥𝑝(𝑥)

Gráficamente como ejemplo planteamos

el modelo con parámetro  =0,05

En consecuencia, la función de distribución será:

𝑥
𝑥
𝐹(𝑥) = ∫ 𝛼𝑒 −𝛼𝑡 𝑑𝑥 = (−𝑒 −𝛼𝑡 ) { = 1 − 𝑒 −𝛼𝑡
0
0

En la principal aplicación de esta distribución, que es la Teoría de la Fiabilidad,

resulta más interesante que la función de distribución la llamada Función de
Supervivencia o Función de Fiabilidad.

La función de Supervivencia se define cómo la probabilidad de que la variable

aleatoria tome valores superiores al valor dado 𝑥:

𝑆(𝑥) = 𝑃(𝑥 > 𝑋) = 1 − 𝐹(𝑥) = 1 − ( 1 − 𝑒 −𝛼𝑋 ) = 𝑒 −𝛼𝑋

Si el significado de la variable aleatoria es "el tiempo que transcurre hasta que

se produce el fallo": la función de distribución será la probabilidad de que el fallo
ocurra antes o en el instante X: y , en consecuencia la función de supervivencia
será la probabilidad de que el fallo ocurra después de transcurrido el tiempo X ;
por lo tanto, será la probabilidad de que el elemento, la pieza o el ser considerado
"Sobreviva" al tiempo X ; de ahí el nombre.

Gráficamente, la función de distribución para un modelo exponencial de

parámetro a =0,05 sería:
 En la que se observa lo que sería
la diferencia entre función de
distribución y la de supervivencia

La función generatriz de este momento será:

∞
𝜑(𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∫0 𝑒 𝑡𝑥 . 𝛼. 𝑒 −𝛼𝑥 𝑑𝑥
∞ ∞
−(𝛼−𝑡)𝑥
𝛼
𝛼∫ 𝑒 𝑑𝑥 = ∫ (𝛼 − 𝑡)𝑒 −(𝛼−𝑡)𝑥 𝑑𝑥
0 𝛼−𝑡 0

Tendremos así que la F.G.N será:

𝛼 1 𝑡
𝜑(𝑡) = = 𝑡 = (1 − )−1
𝛼−𝑡 1− 𝛼
𝛼
Así la media será:

1 −2 −1 1
𝜇 = 𝐸[𝑥] = 𝛼1 = 𝜑 𝐼 (𝑡)𝑡→0 = −1 (1 − 𝑡) ( ) =
𝛼 𝛼 𝛼
En cuanto a la varianza su expresión será:
2 1 1
𝜎𝑥 2 = 𝛼1 − 𝛼2 2 = − 𝛼2 = Ya que
𝛼2 𝛼2

𝐼𝐼
2 1 −3 −1 2
𝛼1 = 𝜑 (𝑡)𝑡→0 = − (1 − 𝑡) ( ) = 2
𝛼 𝛼 𝛼 𝛼
La mediana del modelo exponencial será aquel valor de la variable x =Me que
1
verifica que 𝐹(𝑀𝑒) = 2

1 𝑙𝑛2
De manera que 𝐹(𝑀𝑒) = 1 − 𝑒 −𝛼𝑀𝑒 = 2 por lo que 𝑒 𝛼𝑀𝑒 = 2 → 𝑀𝑒 = 𝛼

Tasa instantánea de fallo.

Dentro del marco de la teoría de la fiabilidad si un elemento tiene una distribución
del tiempo para un fallo con función de densidad 𝑓(𝑥), siendo x la variable tiempo
para que se produzca un fallo, y con una función de supervivencia 𝑆(𝑥) La
probabilidad de que un superviviente en el instante t falle en un instante posterior
𝑡 + ∆𝑡 será una probabilidad condicionada que vendrá dada por:
∆𝑡 𝑃(𝑡 < 𝑥 ≤ 𝑡 + ∆𝑡) 𝑆(𝑡) − 𝑆(𝑡 − ∆𝑡)
𝑃 (𝑡 < 𝑥 ≤ 𝑡 + > 𝑡) = =
𝑥 𝑃(𝑥 > 𝑡) 𝑆(𝑡)

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 + ∆𝑡]:
𝑆(𝑡) − 𝑆(𝑡 + ∆𝑡)
𝑧([𝑡, 𝑡 + ∆𝑡]) =
∆𝑡𝑆(𝑡)

Y a la tasa media de fallo en un intervalo infinitésimo es decir, al límite de la tasa

media de fallo cuando ∆𝑡 → 0 se le llama Tasa Instantánea de Fallo (o,
simplemente, tasa de fallo) en t:
𝑆(𝑡) − 𝑆(𝑡 + ∆𝑡) 1 𝑑𝑆(𝑥) 𝑓(𝑡) 𝑑
𝑧(𝑡) = lim = [𝑥 = 𝑡] = = − 𝑙𝑛𝑆(𝑡)
∆𝑥→0 ∆𝑡𝑆(𝑡) 𝑆(𝑡) 𝑑𝑥 𝑆(𝑡) 𝑑𝑡

La tasa de fallo es, en general, una función del tiempo, que define unívocamente
la distribución.

Pues bien, puede probarse que el hecho de que la tasa de fallo sea constante
es condición necesaria y suficiente para que la distribución sea exponencial y
que el parámetro es, además, el valor constante de la tasa de fallo.

En efecto:

Si 𝑧(𝑡) = 𝛼(𝑐𝑡𝑒) → 𝑥 → 𝐸𝑥𝑝(𝛼)

𝑑
𝑧(𝑡) = 𝛼 = − 𝑑𝑡 (𝑙𝑛𝑆(𝑡)) De donde −𝛼𝑑𝑡 = 𝑑(𝑙𝑛𝑆(𝑡)) integrando esta ecuación
diferencial entre 0 y x:

−𝛼𝑥 = 𝑙𝑛𝑆(𝑥) − 𝑙𝑛𝑆(0)𝑆(0) = 1 → 𝑙𝑛𝑆(0) = 0

𝑆(𝑥) = 𝑒 −𝑎𝑥 De modo que la función de distribución será 𝐹(𝑥) = 1 − 𝑒 −𝛼𝑋

Función de Distribución de una Exponencial

Si 𝑥 → 𝐸𝑥𝑝(𝛼) → 𝑧(𝑥) = 𝛼

Si X tiene una distribución exponencial 𝑓(𝑥) = 𝛼𝑒 −𝛼𝑋 y 𝑆(𝑥) = 𝑒 −𝛼𝑋

𝑓(𝑥) 𝛼𝑒 −𝛼𝑋
De manera que 𝑧(𝑥) = = = 𝛼(𝑐𝑡𝑒)
𝑆(𝑥) 𝑒 −𝛼𝑋
Así pues si un elemento tiene una distribución 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 distribución que ahora enunciamos:

Propiedad fundamental de la distribución exponencial

La distribución exponencial no tiene memoria:

Poseer información 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 más. La probabilidad de que el elemento falle en una hora
(o en un día, o en segundo) no depende del tiempo que lleve funcionando. No
existen envejecimiento ni mayor probabilidad de fallos al principio del
funcionamiento.

𝑡 𝑃(𝑥 > 𝑠 + 𝑡) 𝑆(𝑠 + 𝑡) 𝑒 −𝛼(𝑠+𝑡)

𝑃 (𝑥 > 𝑠 + > 𝑠) = = = = 𝑒 −𝛼𝑡
𝑥 𝑃(𝑥 > 𝑠) 𝑆(𝑠) −𝛼𝑠

Expresión que no depende, como se observa, del tiempo sobrevivido.

Datos necesarios para la Distribución Exponencial:

Parámetros 𝜆>0

Dominio [0, ∞)

Función de densidad 𝜆𝑒 −𝑥𝜆

Función de distribución 1 − 𝑒 −𝜆𝑋

Media 1⁄
𝜆

Mediana ln(2)⁄
𝜆

Moda 0

Varianza 1⁄
𝜆2

Coeficiente de simetría 2
 Curtosis 9

Entropía 1-ln(𝜆)

Función generadora de momentos 𝑡

(1 − )−1
𝜆

Función característica 𝑖𝑡
(1 − )−1
𝜆

EJEMPLO 1 DE DISTRIBUCION EXPONENCIAL:

En un experimento de laboratorio se utilizan 10 gramos de 84210 Po Sabiendo

que la duración media de un átomo de esta materia es de 140 días, ¿cuánto
idas transcurrirán hasta que haya desaparecido el 90%de este material?

Solución: El tiempo T de desintegración de 84210 Po un átomo de es una v.a. de

distribución exponencial:

Como el número de átomos de 84210 Po existentes en una muestra de 10

gramos es enorme, el histograma de frecuencias relativas formado por los
tiempos de desintegración de cada uno de estos átomos debe ser
extremadamente aproximado a la curva de densidad, f. Del mismo modo, el
polígono de frecuencias relativas acumuladas debe ser muy aproximado a la
curva de su función de distribución F. Entonces el tiempo que transcurre hasta
que el 90% del material radiactivo se desintegra es el percentil 90, t90, de la
distribución exponencial, es decir:

Figura: Como el número de átomos (observaciones) es extremadamente alto en

10 gramos de materia, el histograma puede ser aproximado de modo excelente
por la función de densidad exponencial, y el polígono de frecuencias acumuladas
por la función de distribución.
EJEMPLO 2 DE DISTRIBUCION EXPONENCIAL:

Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una

distribución exponencial con media de 16 años. ¿Cuál es la probabilidad de que
a una persona a la que se le ha implantado este marcapasos se le deba
reimplantar otro antes de 20 años? Si el marcapasos lleva funcionando
correctamente 5 años en un paciente, ¿cuál es la probabilidad de que haya que
cambiarlo antes de 25 años?

Solución: Sea T la variable aleatoria que mide la duración de un marcapasos en

una persona. Tenemos que:

Entonces:

Luego:

Luego como era de esperar, por ser propio a un mecanismo exponencial:

O sea, en la duración que se espera que tenga el objeto, no influye en nada el
tiempo que en la actualidad lleva funcionando. Es por ello que se dice que ``la
distribución exponencial no tiene memoria".

EJEMPLO 3 DE DISTRIBUCION EXPONENCIAL:

El tiempo entre fallas para una operación particular de manufactura puede ser
descrito por una distribución exponencial con una media de 100 horas. Simule
el tiempo de 5 fallas. Use el proceso generador exponencial en su análisis.
1/100 = .01 hora
x= tiempo entre fallas

NUMERO
FALTA X
ALEATORIO
1 0.4466 80.6
2 0.6427 44.2
3 0.5902 52.7
4 0. 0318 344.8
5 0. 5901 52.7

EJEMPLO 4 DE DISTRIBUCION EXPONENCIAL

El tiempo entre arribos de los clientes que entran a una tienda puede ser descrito
por una distribución exponencial con media de 8 minutos. Simule el arribo de 10
clientes a la tienda. Use un proceso generador exponencial en su análisis.
60/8 =7.5 clientes/hora
CLIENTE NUMERO X
ALEATORIO
1 0.6279 0.062 horas = 3.72 min
2 0.8234 0.026 horas = 1.56 min
3 0.5273 0.085 horas = 5.1 min
4 0.1820 2.27 horas = 13.62 min
5 0.6383 0.060 horas = 3.60 min
6 0.1471 0.256 horas = 15.36 min
7 0.3208 0.152 horas = 9.12 min
8 0.8224 0.026 horas = 1.56 min
9 0.6331 0.061 horas = 3.66 min
10 0.5482 0.080 horas = 4.80 min