Documente Academic
Documente Profesional
Documente Cultură
CHIMBORAZO
FACULTAD DE MECÁNICA
ESCUELA DE INGENIERÍA INDUSTRIAL
NOMBRE: CÓDIGO:
Aguirre Manzaba Yeliber Alfredo 2193
FECHA DE ENTREGA:
2020-06-19
CURSO:
8Vo “1”
MATERIA:
INGENIERÍA ECONÓMICA
DOCENTE:
Ing. García Alcides
PERIODO:
ESPECIAL ABRIL - SEPTIEMBRE 2020, RESOLUCIÓN 221. CP.2020,
RESOLUCIÓN 240. CP.2020
Riobamba-Ecuador
TIPOS DE DISTRIBUCIONES
DISTRIBUCIÓN NORMAL
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".
[ CITATION Gon11 \l 12298 ]
DISTRIBUCIÓN LOGÍSTICA
Utilice la distribución logística para modelar distribuciones de datos que tengan colas
más grandes y curtosis más alta que la distribución normal.
La distribución logística es una distribución continua que se define por sus parámetros
de escala y ubicación. La distribución logística no tiene parámetro de forma, lo que
significa que la función de densidad de probabilidad solo tiene una forma. La forma de
la distribución logística es similar a la forma de la distribución normal. Sin embargo, la
distribución logística tiene colas más grandes.
Efecto del parámetro de escala
La siguiente gráfica muestra el efecto de los diferentes valores del parámetro de
escala en la distribución logística.
Efecto del parámetro de ubicación
La siguiente gráfica muestra el efecto de los diferentes valores del parámetro de
ubicación en la distribución logística.
[ CITATION Min191 \l
12298 ]
DISTRIBUCIÓN DE WEIBULL
derecha. [ CITATION
Min192 \l 12298 ]
DISTRIBUCIÓN DE POISSON
Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:
Los datos son conteos de eventos (enteros no negativos, sin límite superior).
Lambda = 3
Lambda = 10
La tasa de ocurrencia es igual a la media (λ) dividida entre la dimensión del espacio de
observación. Es útil para comparar conteos de Poisson recolectados en diferentes
espacios de observación. Por ejemplo, la central telefónica A recibe 50 llamadas
telefónicas en 5 horas y la central telefónica B recibe 80 llamadas en 10 horas. Usted no
puede comparar directamente estos valores, porque sus espacios de observación son
diferentes. Debe calcular la tasa de ocurrencia para comparar estos conteos. La tasa de
la central telefónica A es (50 llamadas / 5 horas) = 10 llamadas/hora. La tasa de la
central telefónica B es (80 llamadas / 10 horas) = 8 llamadas/hora.[ CITATION Min193
\l 12298 ]
DISTRIBUCIÓN TRIANGULAR
Utilice la distribución triangular para describir una población sobre la cual existen datos
de muestra limitados. Por ejemplo, en la industria petrolera es costoso recolectar datos y
es casi imposible modelar la población.
Una distribución triangular es una distribución continua que se describe por sus valores
mínimos, máximos y su moda. La distribución tiene una forma triangular. Comienza en
el valor mínimo, aumenta de manera lineal hasta alcanzar el valor pico en la moda y
luego disminuye de manera lineal hasta alcanzar el valor máximo. La forma del
triángulo puede ser simétrica o asimétrica. Por ejemplo, la siguiente gráfica ilustra una
distribución triangular con parámetros mínimo = 10, moda = 50 y máximo = 150.
DISTRIBUCIÓN UNIFORME
Utilice la distribución uniforme para describir variables continuas que tienen una
probabilidad constante. Por ejemplo, una población de partes varía de 0.5 a 0.6 cm de
largo. Si cada valor entre 0.5 y 0.6 cm tiene la misma probabilidad de ocurrir, estos
datos siguen una distribución uniforme.
Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:
p: Vector de probabilidades.
n: Números de observaciones.
lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son P[X
≤ x], de lo contrario, P [X > x].
EJEMPLO:
Sea Z una variable aleatoria normal con una media de 0 y una desviación estándar igual
a 1. Determinar:
b) P(-2 ≤ Z ≤ 2).
c) P(0 ≤ Z ≤ 1.73).
d) P(Z ≤ a) = 0.5793.
Apartado a)
Para resolver este apartado, necesitamos resolver: P( Z > 2), por lo tanto, usamos la
función acumulada de distribución indicando que la probabilidad de cola es hacia la
derecha:
> pnorm(2, mean = 0, sd = 1, lower.tail = F)
[1] 0.02275013
Apartado b)
Apartado c)
Apartado d)
Por lo tanto, el valor a para que satisfazga la probabilidad de 0.5793 es: 0.2001030,
aproximádamente, 0.20.
Apartado e)
La curiosidad de este apartado es que no tenemos una normal estándar, pero no hay
problema, simplemente, debemos especificar los valores de la media y desviación
estándar en los argumentos de la función de distribución acumulada para que la
tipificación la realice automáticamente la función de R.
Otra cosa importante a tener en cuenta, es que debemos indicar que la probabilidad de
cola es hacia la derecha.
Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:
p: Vector de probabilidades.
n: Números de observaciones.
EJEMPLO:
Apartado a)
Para resolver este apartado, necesitamos resolver: P( X > 3.0), empleamos para tal
propósito, la función de distribución con el área de cola hacia la derecha:
Por lo tanto, la probabilidad de rebase los 3.0 grados en la escala Richter, es: 0.2865048.
Apartado b)
Para resolver este apartado, necesitamos resolver: P(X <. 2.0), empleamos para tal
propósito, la función de distribución con el área de cola hacia la izquierda:
Por lo tanto, la probabilidad de que sea inferior a los 2.0 grados en la escala Richter, es:
0.5654018.
Apartado c)
Por lo tanto, la magnitud, en grados, en la escala Richter que sea inferior para obtener
una probabilidad de 1/5 es: 3.862651.
Apartado d)
Necesitamos obtener el valor de x (magnitud en grados en la escala Richter) para
satisfacer: P( X > x) = 2/5, empleamos para tal propósito, la función de cuantiles con el
área de cola hacia la derecha:
Por lo tanto, la magnitud, en grados, en la escala Richter que se debe rebasar para
obtener una probabilidad de 2/5 es: 1.225981.
[ CITATION BAR091 \l 12298 ]
Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:
p: Vector de probabilidades.
n: Números de observaciones.
Ejemplo:
Una cierta pieza de vida útil, en horas, de un automóvil sigue una distribución de
Weibull con parámetros: α = 4.5 y β = 4.
Determinar:
Dicha variable aleatoria, sigue una distribución Weibull, adaptando los parámetros a R:
X ~ W(4.5, 4.5√4)
Apartado a)
Para resolver este apartado, necesitamos resolver: P( X > 0.75), empleamos para tal
propósito, la función de distribución con el área de cola hacia la derecha:
Por lo tanto, la fiabilidad a las 0.75 horas es de: 0.9337898, bastante alta.
Apartado b)
Por lo tanto, las horas que son necesarias para una fiabilidad del 95% son: 0.7032956.
Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla, son:
x: Vector de cuantiles (valor entero positivo).
q: Vector de cuantiles.
p: Vector de probabilidades.
n: Números de valores aleatorios a devolver.
prob: Probabilidad de éxito en cada ensayo.
lambda: Vector de medias (valor no negativo).
log, log.p: Parámetro booleano, si es TRUE, las probabilidades p son devueltas como
log (p).
lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son P[X ≤
x], de lo contrario, P [X > x].
Ejemplo:
Sea la variable aleatoria discreta X, el número de llamadas por minuto que recibe una
centralita telefónica de un hostal.
Dicha variable aleatoria, sigue una distribución de Poisson: X ~ P(0.5)
Apartado a)
Para resolver este apartado, necesitamos resolver: P( X = 1), por lo tanto, sólo
necesitamos el valor que toma X en el punto 1 de la función de densidad:
> dpois(c(1), 0.5)
[1] 0.3032653
Por lo tanto, la probabilidad de que en un minuto al azar, se reciba una única llamada es:
0.3032653.
Apartado b)
Para resolver este apartado, necesitamos resolver: P( X ≤ 2), por lo tanto, necesitamos
obtener la suma de las probabilidades: P(X = 0) + P(X = 1) + P(X = 2), y para obtenerlo
de forma automática, usamos la función de distribución acumulada:
Apartado c)
Para resolver este apartado, necesitamos resolver: P( X > 3), operando la desigualdad,
es lo mismo que: 1 - P( X ≤ 3). Pero realmente, la función ppois() dispone del
argumento tower.tail para definir la cola de probabilidad:
Apartado d)
> dpois(c(5), 1)
[1] 0.003065662
Por lo tanto, la probabilidad de que en dos minuto al azar, se reciban cinco llamadas es:
0.003065662.
Apartado e)
Esto quiere decir, que el número de llamadas por minuto mínimas que se necesitan para
obtener una probabilidad del 98.5% es de dos llamadas por minuto.
Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:
x, q: Vector de cuantiles.
p: Vector de probabilidades.
n: Números de observaciones.
min, max: Límites inferior y superior respectivamente de la distribución. Ambos deben
ser finitos.
log, log.p: Parámetro booleano, si es TRUE, las probabilidades p son devueltas como
log (p).
lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son P[X ≤
x], de lo contrario, P [X > x].
Sea la variable aleatoria discreta X, la baja licitación de embarque del próximo contrato
nacional.
Dicha variable aleatoria, sigue una distribución Uniforme: X ~ U(20, 25)
Apartado a)
Para resolver este apartado, necesitamos resolver: P( X <. 22), empleamos para tal
propósito, la función de distribución con el área de cola hacia la izquierda:
Por lo tanto, la probabilidad de que la baja licitación de embarque del próximo contrato
nacional sea inferior a 20 000 dólares es: 0.4.
Apartado b)
Para resolver este apartado, necesitamos resolver: P( X > 24), empleamos para tal
propósito, la función de distribución con el área de cola hacia la derecha:
Por lo tanto, la probabilidad de que la baja licitación de embarque del próximo contrato
nacional rebase los 24 000 dólares es: 0.2.
Apartado c)
Por lo tanto, la cantidad de dólares que sea inferior para obtener una probabilidad de 1/5
son: 21 000 dólares.
Apartado d)
Por lo tanto, la cantidad de dólares que se debe rebasar para obtener una probabilidad de
2/5 son: 23 000 dólares.
Bibliografía
1. MiniTab. soporte de minitab . [En línea] 2019. [Citado el: 18 de 06 de 2020.]
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/normality/what-is-the-normal-distribution/.