Distribucin uniforme:

La probabilidad se distribuye uniformemente a lo largo de un intervalo. As: dada una variable aleatoria continua, x, definida en el intervalo [a, b] de la recta real, diremos que x tiene una distribucin uniforme en el intervalo [a, b] cuando su funcin de densidad es: para x [a, b].

Su representacin grfica ser:

A= mnimo; b=mximo Se usa cuando dan oscilaciones de intervalo teniendo como referencia un valor mnimo y un valor mximo Integrando la funcin densidad de a hasta x y diferenciando respecto a x tenemos

Generador de la uniforme:
(x-a/b-a)=R; donde R= # aleatorio despejando x queda:

Xn=R (b-a)+a

Distribucin exponencial:
Se utiliza para modelar el tiempo entre los eventos que ocurren a una tasa promedio constante, o la distribucin se puede utilizar para modelar la ocurrencia de eventos en una distancia por unidad. El tiempo hasta que ocurre el prximo accidente automovilstico en una interseccin, el tiempo entre que se ven dos estrellas fugaces en el cielo y la distancia entre dos baches en una calle, representan ejemplos de cmo se puede utilizar la distribucin exponencial. Con cada uno de estos ejemplos, a medida que el tiempo o la distancia aumenta, hay una probabilidad exponencialmente mayor de que cambie el estado u ocurra el evento. Las ocurrencias de los eventos son independientes entre s.

Distribucin exponencial La frmula para la distribucin exponencial es la siguiente:

Frmula de distribucin exponencial Integrando para x >0 y despejando la misma tenemos:

Generador de la exponencial: Xn=-*ln(1-R);donde R= # aleatorio

Distribucin binomial:,
Siempre se esperan dos tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc., etc., denominados arbitrariamente xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito) Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no cambian. Cada uno de los ensayos o repeticiones del experimento son independientes entre s.

Generador binomial: xn=binom.crit(n;p;R); donde n= # ensayos, p=probabilidad de xito , R= #

aleatorio

Distribucin bernoulli:
Consiste en realizar un experimento aleatorio una sola vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso)

Generador de bernoulli:
Xn= si(R0,5;exito;fracaso)

Distribucin poisson:
Modela la cantidad de eventos que ocurren en un perodo de tiempo fijo a partir de un valor medio conocido. Los eventos son independientes de la ltima vez que ocurrieron.. Los eventos pueden comprender la cantidad de accidentes en una interseccin, la cantidad de defectos de nacimiento, o la cantidad de alces en un kilmetro cuadrado.

Distribucin Poisson

Generador poisson: Xn=binom.crit ( /0,0001; 0,0001; R); =media

Distribucin normal:
Una variable aleatoria continua, X, sigue una distribucin normal de parmetros ; y su funcin de densidad es: X N (; ); donde, =media ; = desviacin.

La distribucin normal modela variables aleatorias continuas que ocurren con frecuencia. Se construye en el teorema del lmite central, basado en el principio de que la suma de las variables aleatorias se distribuye normalmente si hay un gran nmero de observaciones. Por ejemplo, la cantidad de veces en que sale "cara" en una secuencia de tiros de una moneda se aproxima a la normalidad cuando la moneda se tira muchas veces.

Generador de la normal: Xn= + *Z(R); donde z=distr.norm.estand.inv (R)

Distribucin lognormal:
Es la distribucin natural a utilizar cuando las desviaciones a partir del valor del modelo estn formadas por factores, proporciones o porcentajes ms que por valores absolutos como es el caso de la distribucin normal. Es idnea para parmetros que son a su vez producto de numerosas cantidades aleatorias Se usa para ciertos tipos de fallas (fatiga de componentes metlicos), vida de los aislamientos elctricos, procesos continuos (procesos tcnicos) y datos de reparacin y puede ser una buena representacin de la distribucin de los tiempos de reparacin, valoracin de sistemas con reparacin. Algunos fallos en el programa de mantenimiento

Generador de la lognormal: F(x)=(1/*raz 2)*exp[-0,5*(ln(x)-/)elevado 2] ;para x>0

Nota: Despejando x se obtiene el generador

Distribucin weibull:
Se trata de un modelo continuo asociado al tiempo de vida til , tiempo hasta que un mecanismo falla, etc. La funcin de densidad de este modelo viene dada por:

que, como vemos, depende de dos parmetros: > 0 y > 0, donde es un parmetro de escala y es un parmetro de forma (lo que proporciona una gran flexibilidad a este modelo).

Generador de la weibull: Xn=*-[ln(1-R)]elevado(1/)

Distribucin gamma:
La distribucin Gamma es una distribucin de probabilidad continua. La distribucin Gamma modela la suma de mltiples variables independientes, distribuidas exponencialmente. Se puede ver como un caso especial de distribucin exponencial.

Para un valor de alfa 1, la distribucin Gamma equivale a la distribucin exponencial. Cuando el valor de alfa es un nmero entero, la distribucin Gamma se convierte en la distribucin Erlang. Para un valor de alfa entero y uno de beta equivalente a 2, la distribucin Gamma se convierte en distribucin de chi-cuadrado con 2 grados de libertad de alfa. Las variables resultantes son mayores o iguales a 0,0. Los valores de alfa y beta deben ser superiores a 0,0.

Distribucin triangular:
tiene un valor mnimo a, un valor mximo b y una moda c, de modo que la Funcin de densidad de probabilidad es cero para los extremos (a y b). slo se cuenta con una cantidad limitada de datos mustrales y, especialmente en casos en que la relacin entre variables es conocida pero los datos son escasos (posiblemente porque es alto el costo de recolectarlos).

Generador de la triangular: Xn=[c+a+(b-a)R-C]*raz de R

Distribucin geomtrica:

La distribucin geomtrica es una distribucin de probabilidad discreta. Existen dos tipos principales de fenmenos que modela: (1) la probabilidad de la cantidad de veces que conlleva un xito (por ejemplo, la cantidad de veces que se tira el dado para que salga el nmero 6 o (2) la probabilidad de la cantidad de errores antes del xito (por ejemplo, la cantidad de senderos que hay en un camino hasta ver un venado). La probabilidad de no ver un venado en el primer sendero del camino es (1 - p). Para el segundo sendero, la probabilidad de no ver un venado es (1 - p) (1 - p). Con ms senderos en el camino, la probabilidad de no ver un venado disminuye exponencialmente, y finalmente se ver uno. Los eventos son independientes entre s.

Distribucin geomtrica

Generador de la geomtrica:
X=[(1-P)elevado a (n-1)]*p Donde: p es la probabilidad de xito. n es la cantidad de ensayos.