Académique Documents
Professionnel Documents
Culture Documents
ESTUDIANTES:
Arroyo Leyton, Yohairo.
Martínez Exebio, Miriam.
Salazar Aurich, Bruno.
Sandoval Quinde, Maricielo.
Venegas Cordova, Kevin.
Octubre, Lambayeque.
Introducción:
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.
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.
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:
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.
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
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:
𝑑
𝑧(𝑡) = 𝛼 = − 𝑑𝑡 (𝑙𝑛𝑆(𝑡)) De donde −𝛼𝑑𝑡 = 𝑑(𝑙𝑛𝑆(𝑡)) integrando esta ecuación
diferencial entre 0 y x:
Si 𝑥 → 𝐸𝑥𝑝(𝛼) → 𝑧(𝑥) = 𝛼
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:
Parámetros 𝜆>0
Dominio [0, ∞)
Media 1⁄
𝜆
Mediana ln(2)⁄
𝜆
Moda 0
Varianza 1⁄
𝜆2
Coeficiente de simetría 2
Curtosis 9
Entropía 1-ln(𝜆)
Función característica 𝑖𝑡
(1 − )−1
𝜆
Entonces:
Luego:
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
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