POLITECNICO GRAN COLOMBIANO

PROBALILIDAD: PROYECTO AULA FINAL

PROFESOR: ING. ALBERTO BOADA

ALUMNO: JOHAN VARGAS

YEIMY RAMOS
 DISTRIBUCION EXPONENCIAL

Una de las distribuciones de variable continua más importantes es la

distribución exponencial, se la utiliza para representar el tiempo de
funcionamiento o de espera, tiene como función expresar también el tiempo
transcurrido entre eventos que se contabilizan por medio de la distribución de
Poisson.
CARACTERISTICAS:
La distribución exponencial es un caso particular de distribución
gamma con k = 1. Además, la suma de variables aleatorias que siguen una
misma distribución exponencial es una variable aleatoria expresable en
términos de la distribución gamma.
Toda variable aleatoria continua que sigue una norma de distribución
exponencial posee las siguientes características:

• El valor esperado es:

Aquel Valor cuya probabilidad de que sea tomado por una variable dada es
máxima.

• La varianza es:

La esperanza del cuadrado de la desviación de dicha variable respecto a su

media o valor esperado.

VENTAJAS Y DESVENTAJAS:
La teoría de colas es el estudio de las colas en base a la teoría de
probabilidad, estadística y otros sub campos de las matemáticas. La idea
detrás de ella es proponer modelos a aplicar para describir las colas y los
procesos subyacentes. En la teoría de colas, las mismas tienden a ser
modeladas por procesos estocásticos, los cuales son funciones arbitrarias
basadas en las distribuciones de probabilidad. La teoría tiene muchas maneras
de aplicación; entre ellas, el diseño de sistemas computarizados, servicio al
cliente y la administración de bases de datos en Internet.
EJEMPLOS:
 El tiempo que tarda una partícula radioactiva en desintegrarse, además
la dotación de fósiles o cualquier materia orgánica mediante el método
del carbono 14.
 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.

 Supongamos una máquina que produce hilo de alambre, la cantidad de

metros de alambre hasta encontrar una falla en el alambre se podría
modelar como una exponencial.

DISTRIBUCION BETA

Utilice la distribución beta para variables aleatorias entre 0 y 1. La distribución

beta suele utilizarse para modelar la distribución de estadísticos de orden (por
ejemplo, el estadístico de orden k de una muestra de variables n uniformes (0,
1) tiene una distribución beta (k, n + 1 – k) y para modelar eventos que se
definen por valores mínimos y máximos. La escala de la distribución beta suele
modificarse para modelar el tiempo hasta la culminación de una tarea. La
distribución beta también se usa en estadísticas bayesianas, por ejemplo, como
la distribución de valores previos de una probabilidad binomial.
CARACTERISTICAS:
 En estadística la distribución beta es una distribución de probabilidad
continua con dos parámetros y cuya función de densidad para valores
es:

 El valor esperado y la varianza de una variable aleatoria X con

distribución beta son:

EJEMPLOS:
La proporción media de tubos defectuosos es del 20%. Dicha proporción se
modeliza como una b(p,8). Calcular p.

Sabemos que E(X)=0.2 = p / (p+8), de donde p=2.

 Campo de variación: Campo de variación:

0≤x≤1
0≤x≤1

Parámetros: Parámetros:

α: parámetro de forma, α>0

α: parámetro de forma, α>0

β: parámetro de forma, β>0

β: parámetro de forma, β>0

Si y solo si la función densidad de X está representada por la expresión:

f(x)=⎧⎩⎨⎪⎪xα−1(1−x) β−1B (α, β),0,0< x <1en cualquier otro caso.

f(x)={xα−1(1−x) β−1B (α, β),0< x <10, en cualquier otro caso.

donde una función beta es definida por

B (α, β) =∫10xα−1(1−x) β−1dx=Γ(α)Γ(β)Γ(α+β), para α, β>0

B (α, β) =∫01xα−1(1−x) β−1dx=Γ(α)Γ(β)Γ(α+β), para α, β>0

La media y la varianza de una distribución beta en la que los parámetros

y son

μ=αα+βyσ2=αβ(α+β)2(α+β+1)

APLICACIONES:
La distribución beta es posible para una variable aleatoria continua que toma
valores en el intervalo [0,1], lo que la hace muy apropiada para modelar
proporciones. En la inferencia bayesiana, por ejemplo, es muy utilizada como
distribución a priori cuando las observaciones tienen una distribución binomial.

DISTRIBUCION GAMMA

Es una distribución adecuada para modelizar el comportamiento de variables

aleatorias continuas con asimetría positiva. Es decir, variables que presentan
una mayor densidad de sucesos a la izquierda de la media que a la derecha.
En su expresión se encuentran dos parámetros, siempre positivos, (α) y (β) de
los que depende su forma y alcance por la derecha, y también la función
Gamma Γ(α), responsable de la convergencia de la distribución.

CARACTERISTICAS:
Si se tiene un parámetro α de valores elevados y β pequeña, entonces la
función Gamma converge con la distribución normal. De media, y varianza.
Cuando y β la distribución Gamma es exactamente la distribución exponencial
con parámetro (α=1). Cuando la proporción entre parámetros es entonces la
variable aleatoria se distribuye como una Chi-cuadrado con grados de libertad.
Si α=1, entonces se tiene la distribución exponencial negativa de parámetro
λ=1/β.

VENTAJAS:
De esta forma, la distribución Gamma es una distribución flexible para
modelizar las formas de la asimetría positiva, de las más concentradas y
puntiagudas, a las más dispersas y achatadas. Como ejemplos de variables
que se comportan así:
 Número de individuos involucrados en accidentes de tráfico en el área
urbana: es más habitual que la mayoría de partes abiertos den la
proporción de 1 herido por vehículo, que otras proporciones superiores.
 Altura a la que se inician las precipitaciones; sucede de forma más
habitual precipitaciones iniciadas a una altura baja, que iniciadas a gran
altitud.
 Tiempo o espacio necesarios para observar X sucesos que siguen una
distribución de Poisson. - Distribución de la finura de fibras de lana: la
mayoría presentan una menor finura que unas pocas fibras más gruesas.

DESVENTAJAS:
Problemas en la complejidad de algunos cálculos, especialmente respecto a la
función Gamma cuando el parámetro α es un valor no entero. También
problemas de cálculo en la estimación de los parámetros muéstrales. Ambos
inconvenientes se pueden abordar satisfactoriamente con ordenador. Para
valorar la evolución de la distribución al variar los parámetros se tienen los
siguientes gráficos. Primero se comprueba que para α=1 la distribución tiene
similitudes con la exponencial.

EJEMPLO:
En un estudio de la guardia urbana de Barcelona se toma una distribución
gamma para modelizar el número de víctimas en accidentes de tráfico. Como
es más habitual la proporción de 1 ocupante por vehículo siniestrado, y es más
rara la probabilidad de 4 ó 5 ocupantes por vehículo siniestrado, se crea una
distribución gamma para modelizar el número de víctimas por accidente de
tráfico. El 38% de la distribución lo acumula la proporción 1 accidentado por
accidente, el 36% 2:1, 16% la 3:1, 6% el 4:1 y finalmente un 3% para 5:1. La
media del modelo es 1,5 víctimas por accidente, pero no indican el valor de los
parámetros α y β tomados en cuenta.

DISTRIBUCIÓN DE WEIBULL

La distribución de Weibull es una distribución versátil que se puede utilizar para

modelar una amplia gama de aplicaciones en ingeniería, investigación médica,
control de calidad, finanzas y climatología. Por ejemplo, la distribución se utiliza
frecuentemente con análisis de fiabilidad para modelar datos de tiempo antes
de falla. La distribución de Weibull también se utiliza para modelar datos
asimétricos del proceso en el análisis de capacidad.

CARACTERISTICAS:

La distribución modela la distribución de fallos (en sistemas) cuando la tasa de

fallos es proporcional a una potencia del tiempo:

 Un valor k<1 indica que la tasa de fallos decrece con el tiempo.

 Cuando k=1, la tasa de fallos es constante en el tiempo.

 Un valor k>1 indica que la tasa de fallos crece con el tiempo.