ESCUELA SUPERIOR POLITÉCNICA

DE CHIMBORAZO

FACULTAD DE MECÁNICA

INGENIERÍA INDUSTRIAL

SIMULACIÓN DE PROCESOS
DOCENTE: ÁNGEL GUAMÁN

TEMA: TRABAJO DE INVESTIGACIÓN

1.- DATOS INFORMATIVOS

- NOMBRES Y APELLIDOS:

PALACIOS ALEXANDRA

-NIVEL: OCTAVO “1”

  Distribución normal

La distribución normal se trata, pues, de una

distribución de probabilidad de una variable
continua. [CITATION ABi \l 12298 ]Las
variables continuas son aquellas que pueden
adoptar cualquier valor en el marco de un
intervalo que ya está predeterminado. Entre
dos de los valores, siempre puede existir
otro valor intermedio, susceptible de ser
tomado como valor por la variable continua. Un ejemplo de variable continua es el peso.
[ CITATION Men \l 12298 ]

Características

Algunas de las características más representativas de la distribución normal son las

siguientes:

Media y desviación típica

A la distribución normal le corresponde una media cero y una desviación típica o

estándar de 1. La desviación típica o estándar indica la separación que existe entre un
valor cualquiera de la muestra y la media.

Porcentajes

En una distribución normal, se puede determinar con exactitud qué porcentaje de los
valores estará dentro de cualquier rango específico. Por ejemplo:[ CITATION Gor11 \l
12298 ]

Alrededor del 95% de las observaciones está dentro de 2 desviaciones estándar de la

media. El 95% de los valores se ubicará dentro de 1.96 desviaciones estándar con
respecto a la media (entre −1.96 y +1.96).

Aproximadamente el 68% de las observaciones está dentro de una 1 desviación estándar

de la media (-1 a +1), y alrededor del 99.7% de las observaciones estarían dentro de 3
desviaciones estándar con respecto a la media (-3 a +3).
 DISTRIBUCIÓN EXPONENCIAL

 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

Obviamente, 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 l, esta relación es a = l

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.

DISTRIBUCIÓN LOGÍSTICA

Es una distribución de probabilidad

continua cuya función de distribución es
la función logística, que aparece en el
contexto de la regresión logística y
determinados tipos de redes neuronales.
Se parece a la distribución normal en su
forma, pero tiene colas más pesadas (y,
por lo tanto, menor curtosis).[ CITATION
Gor11 \l 12298 ]
APLICACIONES

La distribución logística ha sido usada extensamente en áreas como:

 Biología: para describir cómo se comportan las especies en entornos competitivos.

 Epidemiología - para describir la propagación de epidemias.
 Sicología - para describir el proceso de aprendizaje.
 Tecnología - para describir cómo las tecnologías se popularizan y compiten entre
Sí.
 Márketing - para estudiar la difusión de nuevos productos.
 Energía - para estudiar la difusión y sustitución de unas fuentes de energía
primarias por otras

DISTRIBUCIÓN WEIBULL

En teoría de la probabilidad y estadística,
la distribución de Weibull es una distribución
de probabilidad continua. Recibe su nombre
de Waloddi Weibull, que la describió
detalladamente en 1951, aunque fue
descubierta inicialmente por Fréchet (1927) y
aplicada por primera vez por Rosin y
Rammler (1933) para describir la distribución
de los tamaños de determinadas partículas.
[ CITATION Mor12 \l 12298 ]

La función de densidad de una variable aleatoria con la distribución de Weibull x es:

donde K>0 es el parámetro de forma y λ  es el parámetro de escala de la distribución.

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.

Aplicaciones

La distribución de Weibull se utiliza en:

 Análisis de la supervivencia
 En ingeniería, para modelar procesos estocásticos relacionados con el tiempo de
fabricación y distribución de bienes
 Teoría de valores extremos
 Meteorología
 Para modelar la distribución de la velocidad del viento (frecuencia con la que se
dan diferentes velocidades de viento)
 En telecomunicaciones
 En sistemas de radar para simular la dispersión de la señal recibida
 En seguros, para modelar el tamaño de las pérdidas
 En la hidrología, se utiliza la distribución de Weibull para analizar variables
aleatorias como valores máximos de la precipitación y la descarga de ríos, y
además para describir épocas de sequía. [CITATION Rus \l 12298 ]

DISTRIBUCIÓN DE POISSON

Esta distribución es una de las más

importantes distribuciones de variable
discreta. Sus principales aplicaciones
hacen referencia a la modelización de
situaciones en las que nos interesa
determinar el número 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 consideración límite de
procesos dicotómicos reiterados un gran número de veces si la probabilidad de obtener
un éxito es muy pequeña. [ CITATION Pal \l 12298 ]
Proceso experimental del que se puede hacer derivar.

Esta distribución se puede hacer derivar de un proceso experimental de observación en

el que tengamos las siguientes características:

 Se observa la realización de hechos de cierto tipo durante un cierto periodo de

tiempo o a lo largo de un espacio de observación

 Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una

manera no determinística.

 La probabilidad de que se produzcan un número x de éxitos en un intervalo de

amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud)

 La probabilidad de que ocurra un hecho en un intervalo infinitésimo es

prácticamente proporcional a la amplitud del intervalo.

 La probabilidad de que se produzcan 2 o más hechos en un intervalo

infinitésimo es un infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse 0 ó 1 hecho, pero

nunca más de uno.

Distribución triangular

La distribución triangular continua se

caracteriza por estar acotada a dos
extremos como en el caso de la
rectangular, pero además tiene una
moda (o valor más probable) dentro de
ese intervalo. La probabilidad en
cualquier subintervalo de igual
longitud irá aumentando linealmente
hasta la moda y luego descenderá de la
misma forma hasta la cota superior.
Esta distribución es muy utilizada en
variables donde la información es limitada, como en el caso de la uniforme, pero donde
se tiene un conocimiento aproximado del valor Modal, es decir, donde, si bien no se
conoce el punto exacto de este valor, se tiene información de la región o subintervalo
donde encontrarlo.[ CITATION Mor12 \l 12298 ]

Importante: En el caso de MCM Alchimmia, solo está disponible la triangular

centrada, esto es, la Moda estadística corresponderá al valor medio del intervalo AB.

La ecuación general entonces, estará definida para el intervalo AB, mientras que fuera
de esos extremos la función distribución será 0. La fórmula entonces será:

Parámetros de entrada:

Media. Valor medio y valor modal de la variable aleatoria.

Semi intervalo. Corresponde a la mitad del intervalo al cual se aplica esta distribución,

esto es (B-A)/2, siendo A y B, las cotas superior e inferior del intervalo. Cuando esta
función es aplicada a la incertidumbre por resolución de un instrumento analógico, este
parámetro corresponderá a la apreciación (o estimación <e>). También en el área de
química es usual tomar la tolerancia del material volumétrico o incluso de los materiales
de referencia como contribuyentes de incertidumbre de distribución triangular
(EURACHEM/QUAM:2012 8.1.6). En ambos casos mencionados, el semi intervalo
corresponderá al valor e tolerancia del material.[ CITATION Mor12 \l 12298 ]

La distribución Uniforme

La distribución Uniforme es el modelo (absolutamente) continuo más simple.

Corresponde al caso de una variable aleatoria que sólo 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. También puede
expresarse como el modelo probabilístico correspondiente a tomar un número al azar
dentro de un intervalo (a, b).[ CITATION Rus \l 12298 ]

De la anterior definición se desprende que la función de densidad debe tomar el mismo

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

Gráficamente:

La función de distribución se obtiene integrando la función de densidad y viene dada

por:

Gráficamente:
Propiedades del modelo Uniforme

1. Su esperanza vale (b  + a)/2

2. Su varianza es (b − a)2/12

Bibliografía

Biggeri, A. (s.f.). Negative Binomial Distribution. En Encyclpedia of Biostatics (págs. 2962-7).

Gorgas, J., Cardiel, N., & Zamorano, J. (2011). Estadistica Básica para estudiantes de Ciencias.
Universidad Complutense de Madrid , Departamento de Astrofísica y Ciencias de la
Atmósfera.

Mendenhall, W., Beaver, R., & Barbara, B. (s.f.). Introducción a la probabilidad y estadística. (D.
t. edición, Ed.)

Morales, E. (2012). Estadistica y Probalidades. UNIVERSIDAD CATOLICA DE LA SANTISIMA

CONCEPCIÓN , Cgile.

Palmgren, J. (s.f.). Poisson Distribution . En Encyclopedia of Biostatics (págs. 3398-3402).

Rustom, A. (s.f.). ESTADISTICA DESCRIPTIVA, PROBABILIDAD E INFERENCIA Una visión

conceptual y aplicada. Universidad de Chile , Facultad de Ciencias Agronómicas-
Universidad de Chile.