Trabajo de Investigación

Simulación

Distribución exponencial
La distribución exponencial es el equivalente continuo de la distribución geométrica
discreta.

Esta ley de distribución describe procesos en los que:

 Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo
que,
 el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello
ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el
que no ha pasado nada.

Ejemplos de este tipo de distribuciones son:

 El tiempo que tarda una partícula radiactiva en desintegrarse. El conocimiento

de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la
datación de fósiles o cualquier materia orgánica mediante la técnica del
carbono 14, C14;
 El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de
un paciente;
 En un proceso de Poisson donde se repite sucesivamente un experimento a
intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos
sucesos consecutivos sigue un modelo probabilístico exponencial. Por ejemplo,
el tiempo que transcurre entre que sufrimos dos veces una herida importante.

Concretando, si una v.a. continua X distribuida a lo largo de , es tal que su función

de densidad es

se dice que sigue una distribución exponencial de parámetro , .

Figura: Función de densidad, f, de una .

Un cálculo inmediato nos dice que si x>0,

luego la función de distribución es:

Figura: Función de distribución, F, de , calculada como el área que

deja por debajo de sí la función de densidad.
Para calcular el valor esperado y la varianza de la distribución exponencial,
obtenemos en primer lugar la función característica

para después, derivando por primera vez

y derivando por segunda vez,

Entonces la varianza vale

6.8.4.1 Ejemplo

En un experimento de laboratorio se utilizan 10 gramos de . Sabiendo que la

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

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

distribución exponencial:

Como el número de átomos de 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 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.

6.8.4.2 Ejemplo

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 años?

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

persona. Tenemos que

Entonces

En segundo lugar

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".

Distribución Normal

. Una distribución normal de media µ y desviación típica σ se designa por N (µ, σ).

Su gráfica es la campana de Gauss:

El área del recinto determinado por la función y el eje de abscisas es igual a la unidad. Esto es porque la
probabilidad de que un suceso ocurra entre todas las posibilidades es un 100%, o sea 1. La integral,
entre menos y más infinito, de la función de densidad de probabilidad es 1. Al ser simétrica respecto al
eje que pasa por x = µ, deja un área igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha. Esta función
de densidad de probabilidad tiene una expresión parecida a ݃: ݃ሺ‫ݔ‬ሻ ൌ ݃ି௫మ . La distribución
Normal o curva Normal de Gauss es ݃: ݃ሺ‫ݔ‬ሻ ൌ ‫ܥ‬1/2 ݃ି .ሺೣషഋሻమ ഑మ . En ésta función C es el
valor que hace posible que se cumpla que ݃഑ ሺ‫ݐ‬ሻ݃‫ ݐ‬ൌ 1 ାஶ ିஶ . El valor de C es: ‫ ܥ‬ൌ ଵ
ఙ√ଶగ Entonces, para calcular la probabilidad de que ocurra un suceso, entre -∞ y a, sólo hay que
calcular: ݃ሺ݃‫ ݔ‬഑ ሻ =഑ ଵ ఙ√ଶగ ݃ ½ ି ሺೣషഋሻమ ഑మ ௔ ିஶ ݃‫ ݔ‬Esto representa el área debajo de la
campana de Gauss para los valores menores que a. 2 Podría suceder que no se quiera calcular esta
integral en todos los ejercicios. Para evitar su cálculo, existen tablas donde la integral ya está calculada.
Pero para cada valor de la media µ y para cada valor de la desviación estándar σ se necesitarían tablas
diferentes. Son demasiadas. Para evitar esto, se hace una sustitución o cambio de variable. Eso lo
veremos ahora. Distribución normal estándar N (0, 1) La distribución normal estándar, o tipificada o
reducida, es aquella que tiene por media el valor cero, µ =0, y por desviación típica la unidad, σ =1. La
probabilidad de la variable X dependerá del área del recinto sombreado en la figura. Y para calcularla
utilizaremos una tabla, que se encuentra al final de este repartido. Tipificación de la variable Para poder
utilizar la tabla tenemos que transformar la variable X que sigue una distribución N(µ, σ) en otra variable
Z que siga una distribución N(0, 1). cambio de variable. X Z Promedio o media µ 0 1 desviación standard
µ + σ 1 2 desviaciones standard µ + 2σ 2 3 desviaciones standard µ + 3σ 3 1 desviación standard µ - σ -1
2 desviaciones standard µ - 2σ -2 Por ejemplo, hagamos el cambio de variable para X = entonces queda:
µ + 3σ 3 ( 3) 3 3 X Z µ µσµ σ σ σ σ − +− = = == Si tenemos un ejercicio con valores de X, µ y σ hacemos el
cambio de variable y encontramos Z, luego vamos a la tabla y con el valor de Z hallamos la probabilidad
= área. Cálculo de probabilidades en distribuciones normales La tabla (al final de este repartido) nos da
las probabilidades de P(z ≤ k), siendo z la variable tipificada. Estas probabilidades nos dan la función de
distribución Φ(k). Φ(k) = P(z ≤ k) En la tabla de valor de k se ubican las unidades y décimas en la columna
de la izquierda y las centésimas en la fila de arriba. Ejemplo 1. La temperatura durante setiembre está
distribuida normalmente con media 18,7ºC y desviación standard 5ºC. Calcule la probabilidad de que la
temperatura durante setiembre esté por debajo de 21ºC. Resolución. µ = 18,7ºC σ = 5ºC X = 21ºC ൌ
ଶଵିଵ,଼ ഑ ହ ൌ ଶ,ଷ ହ ൌ 0,46 Ahora vamos a la tabla y para el valor de Z = 0,46 tenemos que la
probabilidad es de 0,6772.

DISTRIBUCIÓN DE POISSON.

Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de
área, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo,
área, o producto, la fórmula a utilizar sería:

donde:
p(x, ) = probabilidad de que ocurran x éxitos, cuando el número promedio de
ocurrencia de ellos es 
 = media o promedio de éxitos por unidad de tiempo, área o producto
 = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra

Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es
independiente de otra área dada y cada producto es independiente de otro
producto dado.

Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?
Solución:
a) x = variable que nos define el número de cheques sin fondo que llegan
al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
 = 6 cheques sin fondo por día
 = 2.718

b)
x= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
 = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
días consecutivos
Nota:  siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.