Optativa II

Integrante: Mara Paulina Horta Segura.

Definicin:
Es una distribucin

continua cuya
densidad tiene forma
de campana.

Es muy importante
tanto en la
estadstica como en
la aplicada.

Si X es la variable aleatoria,
entonces su funcin de densidad
de probabilidad esta dada por:
=

1
2

<

<

Propiedades de la distribucin normal

Si

X es una variable
aleatoria con distribucin
normal con media
y
varianza
, N( ,
),
entonces se cumple que:

1.
2.
3.
4.

<
=

<

<

<

<

<

+ )= .
+

= .

= .

Estas propiedades sealan

la distribucin normal que
se localiza en torno a la media .

Teorema del limite

La

distribucin es importante debido a este

teorema, que en casos particulares afirma: sea
, ,.
una muestra aleatoria de cualquier
poblacin, y sea la media muestral; entonces,
independientemente como se extrajo la muestra y
como sea la distribucin de la poblacin, la
distribucin de
se a prxima a la normal
conforme n crece.

Calculo de probabilidades
Si una variable aleatoria X se distribuye normal con

media y varianza
y se quiere encontrar la
probabilidad de que esta variable tome valores entre
don nmeros cualquiera, a y b, entonces lo que se tiene
que hacer es calcular el rea bajo la curva entre a y b, y
esto se realiza mediante mtodos numricos
La distribucin normal no tiene una solucin analtica

 La

distribucin normal con parmetros = 0

como una distribucin normal estndar ( 0,1 )

Estandarizar

= 1 se conoce

una variable es difcil ya que si X tiene una distribucin

normal con
=
=
entonces la variable
(estandarizada)

se distribuye de una manera normal estndar. La ventaja de

estandarizar es que cualquier probabilidad de inters, por ejemplo
( ), se puede escribir en trminos de la variable estndar Z como:

= ( )

Ejemplo:
La dimensin de una pieza se distribuye normal con

= 82.0 mm, y

=0.5 . Se desea calcular el porcentaje de piezas que cumplan con

especificaciones 82 1 lo cual se obtiene calculando la siguiente
diferencia de probabilidades
81 <

< 83 =

< 83

< 81

Para calcular cada una de estas probabilidades se estandarizan:

< 83 =

<

83

83 82
<
=
0.5

< 2.0

 Se localiza en la tabla A2
Se ubica en la columna de z en el valor de 2.00
Y la columna 0.00, donde aparece esta probabilidad que

es de 0.023

Para obtener
es decir :

< 2.0 solo se realiza una resta 1-0.023

< 2.0 = 1 0.023 = 0.977

Por lo tanto la probabilidad de que X este dentro de las

especificaciones es
0.977 0.023 = 0.954
Se espera que el 95.4% de las piezas cumplan con las
especificaciones

Medel picazo Andres Margarito

111450
Sistemas productivos
Isp-905
Optativa II
Unidad 2 practica no.1

El nmero combinatorio
n
k
p
q

es
es
es
es

el
el
la
la

nmero de pruebas.
nmero de xitos.
probabilidad de xito.
probabilidad de fracaso.

Media

Varianza

Desviacin tpica

Distribucin exponencial.
PI 905
ARENAS MUOZ JESS ANTONIO.
MATERIA: OPTATIVA2
PROFESOR: ARMANDO MARES.

Distribucin exponencial
A pesar de la sencillez analtica de sus funciones de
definicin, la distribucin exponencial tiene una gran
utilidad practica ya que podemos considerarla como un
modelo adecuado para la distribucin de probabilidad del
tiempo de espera entre dos hechos que sigan un proceso de
Poisson.

Definicin Poisson.
La distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de
una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado nmero de
eventos durante cierto perodo de tiempo. Concretamente, se especializa en la probabilidad de
ocurrencia de sucesos con probabilidades muy pequeas, o sucesos "raros".
Mientras que la distribucin de Poisson describe las llegadas por unidad de tiempo, la
distribucin exponencial estudia el tiempo entre cada una de estas llegadas.
Mientras que la distribucin de Poisson es discreta la distribucin exponencial es continua
porque el tiempo entre llegadas no tiene que ser un nmero entero. Esta distribucin se utiliza
mucho para describir el tiempo entre eventos.

Codificacin.
La varianza de una variable aleatoria es una medida de dispersin.
Si la variable mide una distancia en metros la varianza se expresa en metros cuadrados.
Media de una variable X , es el numero que formaliza la idea de valor medio de un fenmeno
aleatorio.
Funcin de densidad una variable aleatoria continua describe la probabilidad relativa segn la
cual dicha variable aleatoria tomara determinado valor.
Distribucin acumulada describe la probabilidad de que una variable aleatoria X sujeta a cierta
ley de distribucin de probabilidad se situ en la zona de valores menores o iguales ax.

EJEMPLO
Suponga que la vida de cierto tipo de tubos electrnicos tiene una distribucin exponencial con
vida media de 500 horas. Si X representa la vida del tubo (tiempo q dura el tubo).
a) Hallar la probabilidad que se queme antes de las 300 horas.
b) Cul es la probabilidad que dure por lo menos 300 horas?
c) Si un tubo particular ha durado 300 horas. cual es la probabilidad de que dure otras 400
horas?

POISSON

Martnez Sarabia Jorge Alberto

ISP-905

HISTORIA

Esta distribucin debe su nombre al matemtico

francs Simn Poisson (1781-1840), quien
estableci su modelo.

CARACTERSTICAS DE LA DISTRIBUCIN
DE POISSON

Un modelo de probabilidad de Poisson tiene las

siguientes caractersticas:

1. El espacio muestral se genera por un nmero

muy grande (puede considerarse infinito) de
repeticiones de un experimento cuyo modelo de
probabilidad es el de Bernoulli, con probabilidad
de xito muy pequea. Por esta razn, a la
distribucin de Poisson suele llamrsele de
eventos raros. Las repeticiones del experimento
de Bernoulli se realizan en cada uno de los
puntos de un intervalo de tiempo o espacio.

La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

3. La probabilidad de que se tengan dos o ms xitos en

el mismo punto del intervalo es cero.
4. El nmero promedio de xitos en un intervalo es una
constante , que no cambia de intervalo a intervalo.
Para aclarar el significado de estos 4 postulados,
se presenta el siguiente ejemplo

MENCIONA QUE

Existen fenmenos o experimentos en los que los

eventos ocurren en intervalos continuos de
tiempo o espacio (reas y volmenes), donde slo
importa la ocurrencia del fenmeno, ya que la no
ocurrencia no tiene sentido. Por ejemplo, si en
cierta regin ocurren en promedio 2 terremotos
por ao, la variable aleatoria ser el nmero de
terremotos por ao y es claro que no tiene sentido
hablar del nmero de no terremotos por ao. Lo
mismo sucede para otros fenmenos, como el
nmero de errores en una pgina, derrumbes
anuales en una regin montaosa

Tambin es de importancia mencionar que cada

ocurrencia puede considerarse como un evento en
un intervalo de tiempo determinado.
Si consideramos que:

1. La esperanza de ocurrencia de un evento en un

intervalo es la misma que la esperanza de
ocurrencia del evento en otro intervalo
cualesquiera, sin importar donde empiece el
intervalo
2.
Que las ocurrencias de los eventos son
independientes, sin importar donde ocurran

3.
Que la probabilidad de que ocurra un
evento en un intervalo de tiempo depende de la
longitud del intervalo
4.
Que las condiciones del experimento no
varan, y
5.
Que nos interesa analizar el nmero
promedio de ocurrencias en el intervalo
entonces se puede afirmar, que la variable
aleatoria mencionada en los fenmenos descritos
es una variable de Poisson.

FUNCIN DE DENSIDAD
La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

Donde:

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da

la probabilidad de que el evento suceda precisamente k veces).
es un parmetro positivo que representa el nmero de veces que se
espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo,
si el suceso estudiado tiene lugar en promedio 4 veces por minuto y
estamos interesados en la probabilidad de que ocurra k veces dentro de
un intervalo de 10 minutos, usaremos un modelo de distribucin de
Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)

FUNCIN DE DISTRIBUCIN
ACUMULADA
Si X es una variable aleatoria que tiene
distribucin de Posson con parmetro l,
entonces:
La funcin de distribucin acumulada
correspondiente es:

La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

VALOR ESPERADO Y VARIANZA

Tanto la media o valor esperado como la varianza de una

variable aleatoria con distribucin de Poisson son iguales
a
La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

PARMETROS
Varianza
Media
Funcin de densidad,
Funcin de distribucin acumulada

EJEMPLO

Ejemplo 5. 17. Un entomlogo examina una

planta de algodn y cuenta el nmero
de huevecillos de un insecto por planta. De
estudios anteriores se sabe que bajo las
condiciones del experimento el nmero
de huevecillos por planta puede representarse
por una distribucin de Poisson con l = 0.9. Si se
selecciona una planta al azar, calcular la
probabilidad de que se encuentren cuando mucho
3 huevecillos.

SOLUCIN.

Las probabilidades de que el entomlogo

encuentre 0, 1, 2, 3, huevecillos por planta son:
La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

La parte de imagen con el identificador de relacin rId2 no se encontr en el archiv o.

BIBLIOGRAFA

http://www.ub.edu/stat/GrupsInnovacio/Statmedi
a/demo/Temas/Capitulo3/B0C3m1t6.htm
http://148.204.211.134/polilibros/portal/polilibros/
P_Terminados/Probabilidad/doc/Unidad%202/2.9.
htm
http://www.uv.es/montes/NHD/PoissonAcumulad
a.pdf

Distribucin
triangular

Distribucin Triangular
La distribucin triangular, describe una
situacin donde se conocen los valores
mnimos, los valores mximos y los valores
que con mayor probabilidad pueden suceder.

Su Uso
Se utiliza principalmente para describir una
poblacin, sobre la cual existen datos de muestras
limitados.
La distribucin triangular, adems se utiliza a
menudo para modelar procesos fortuitos, o de riesgo
comercial.
Se puede aplicar para pronosticar el nivel de utilidad
en el estado de resultado y un sin numero de casos
donde no exista informacin muy extensa.

La distribucin triangular comienza bsicamente en el valor

mnimo y aumenta de manera lineal hasta encontrar el valor
cumbre en el valor modal

Posteriormente disminuye de manera lineal

hasta alcanzar el valor mximo

Ejemplo
Un analista o evaluador, podra describir el numero de autos vendidos por semana, cuando las
ventas anteriores muestran el numero mnimo, mximo y el numero habitual o mas probable de
autos vendidos.
En este caso, el numero mnimo y mximo de autos vendidos es fijo, y el numero mayor de
probabilidad de autos vendidos, se va a ubicar entre los valores mnimos y mximos, formando
una distribucin triangular.
En dicha distribucin, se va a mostrar que los valores que se aproximan al mnimo y al mximo,
estos tienden a ocurrir con menos frecuencia, que aquellos que se encuentran cerca del valor
mas probable.
Condiciones.
1. el numero mnimo de artculos es fijo.
2. el numero mximo de artculos es fijo.
3. el numero mas probable de artculos cae entre los valores mximos y mnimos, formando una
distribucin en forma de triangulo, la cual muestra que los valores cerca del mnimo y el mximo
son menos probables de ocurrir, que aquellos cerca del valor mas probable.

Construcciones matemticas

Esta distribucin tiene 3

parmetros, A es el limite inferior,
B es el modo y C es el limite
superior de la variable

Se define as por el hecho de que la

funcin de densidad tiene una
forma triangular.

Se denomina triangular cuando

viene definida por dos parmetros,
que representan el valor mnimo y
el valor mximo de la variable.

En este caso el triangulo es

equiltero. Se denomina triangular,
cuando viene dada por tres
parmetros, que representan el
valor mnimo y el valor mximo de
la variable, y el valor del punto en
el triangulo toma su altura
mxima.

UNIVERSIDAD TECNOLOGICA DE LEON.

REYNOSO RAMIREZ PAULO DE JESUS
13000134
Optativa I
Prof: armando mares castro

DISTRIBUCION UNIFORME
DISCRETA

Caracteristicas
Tenemos esta distribucin cuando el resultado
de una experiencia aleatoria puede ser un
conjunto finito de n posibles resultados, todos
ellos igualmente probables.
Resultados igualmente posibles.

En la distribucion de probabilidad uniforme discreta, la variable aleatoria

toma cada uno de sus valores con idntica probabilidad.
El parmetro de la distribucin de probabilidad uniforme discreta, viene
dado por la inversa de los valores que puede tomar la variable
aleatoria.
La variable aleatoria que describe el numero de caras obtenidas al
lanzar dos monedas legales sigue una probabilidad de distribucin
uniforme.
La media de una variable aleatoria discreta uniforme, f(x;k), siempre
coincide con uno de los valores de la misma observados en el
experimento.

La varianza de una variable aleatoria discreta uniforme, f(x;k), no

depende del numero de valores que pueda tomar la variable.

PARAMETROS

La esperanza matemtica o valor

esperado de una variable aleatoria
discreta es la suma del producto de la
probabilidad de cada suceso por el
valor de dicho suceso.
Sea n el nmero de valores equiprobables
posibles:
1) Esperanza:

a desviacin estndar o desviacin tpica es la raz

cuadrada de la varianza.
Es decir, la raz cuadrada de la media de los cuadrados de las
puntuaciones de desviacin.
La desviacin estndar se representa por

 f(k) = P[X = k] = 1/k

k = 1, 2, 3, 4, 5, 6

DISTRIBUCIN
ACUMULADA

Ejercicio.
Se selecciona una bombilla al azar de una caja
que contiene 4 bombillas, una de 40 w, una de
60w,una de 75w y una de 100

NOMBRE: RAUL VELAZQUEZ VALLE

MATERIA: OPTATIVA II

CARRERA: INGENIERIA EN SISTEMAS

PRODUCTIVOS

GRUPO: 905

Es una familia de distribuciones de

probabilidad para variables aleatorias
continuas, tales que para cada miembro
de la familia, todos los intervalos de igual
longitud en la distribucin en su rango son
igualmente probables. El dominio est
definido por dos parmetros, a y b, que son
sus valores mnimo y mximo. La
distribucin es a menudo escrita en forma
abreviada como U(a,b).

Una variable aleatoria continua X con la

funcin de densidad de probabilidad
Fx(X)=1/(b-a), a x b

EJEMPLO:

DISTRIBUCION
LOGNORMAL
Integrante:
Mauricio Arroyo
Oscar Daniel Venegas Hernndez

Distribucin Lognormal
La distribucin lognormal es aquella en que el
logaritmo de la variable est distribuida
normalmente.

Distribucin Lognormal
Se ajusta a ciertos tipos de fallos (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. Es tambin una distribucin
importante en la valoracin de sistemas con reparacin.

Distribucin Lognormal
La distribucin lognormal es importante en la
representacin de fenmenos de efectos proporcionales,
tales como aquellos en los que un cambio en la variable
en cualquier punto de un proceso es una proporcin
aleatoria del valor previo de la variable. Algunos fallos en
el programa de mantenimiento entran en esta categora.

Parmetros
La distribucin lognormal posee una funcin de densidad dada en
la siguiente ecuacin:
f ( x) =

1
x 2

exp

1 ln( x ) 2

x es una variable aleatoria continua

Con x, , > 0

es la media muestral de un parmetro continuo de localizacin.

es la desviacin estndar de un parmetro continuo de escala. Por defecto
=1

Parmetros
ln x
F ( x ) =

lnx
C ( x ) = 1 -

Funcin de distribucin

Funcin de confiabilidad

E ( x) = e
2 media

t p = exp 1 ( p )
La funcin cuantil

Parmetros

E (x) = exp
2

media

V (x) = e 2 . e 1
2

varianza

Distribucin acumulativa
Dado que ln (X) tiene una distribucin normal, la funcin de
distribucin acumulativa de X puede relacionarse con la
distribucin acumulativa (z) de una variable aleatoria normal
estndar Z.
F ( x; , ) = P ( X x) Pln( X ) ln( x)

ln x
ln( x)
= P( Z
)

x0

Para obtener la probabilidad de Z se emplean las tablas de distribucin normal.

Ejemplo

ISP 905
Presenta:
Gutirrez Venegas Irma Fernanda
Rangel Saavedra Celia Miroslava

DISTRIBUCIN GEOMTRICA

DEFINICIN
Esta distribucin toma en cuenta el

nmero de veces que debe repetirse el

experimento hasta que ocurra xito por
primera vez, en cuyo caso, termina de
realizarse el experimento. Aqu slo ocurre
xito una sola vez. No interesa cuntos
veces se deba repetir el ensayo.

CARACTERSTICAS
El proceso consta de un nmero no definido

de pruebas o experimentos separados o

separables. El proceso concluir cuando se
obtenga por primera vez el resultado deseado
(xito).
Cada prueba puede dar dos resultados
mutuamente excluyentes : A y no A
La probabilidad de obtener un resultado A
en cada prueba es p y la de obtener un
resultado
no
A
es
q
siendo (p + q = 1).

FUNCIN DE DENSIDAD

Densidad:
Sea A un suceso de probabilidad P(A)=p, y sea X la variable aleatoria que
expresa el numero de fracasos que tiene lugar en las repeticiones
independientes de pruebas de Bernoulli, hasta que ocurre A por primera
vez. La variable X toma los valores de 0,1,2,.(numero de fracasos).
Decimos que una variable aleatoria X sigue una distribucin geomtrica
de parmetros p si su funcin de probabilidad es:

dnde :
P= probabilidad de xito en cada ensayo
x= ensayos que sean necesarios para obtener un xito, para x = 1, 2, 3,..

Lo anterior solo se cumple si y solo si:

Las pruebas son idnticas e independientes entre s.
La probabilidad de xito es p y se mantiene constante de prueba en
prueba

FUNCIN DE DISTRIBUCIN
ACUMULADA

MEDIA O VALOR ESPERADO

VARIANZA

PARAMETROS DE LA
DISTRIBUCIN
La variable aleatoria al igual que en la

distribucin binomial, slo puede tomar dos

valores (xito o fracaso).
Las pruebas son tambin idnticas e
independientes entre s.
La probabilidad de xito es p y se mantiene
constante de prueba en prueba

Ejemplo:
Un jugador de baloncesto se dispone a tirar hasta anotar una canasta. S se
supone que sus tirosson independientes y la probabilidad de anotar una
canasta es de 0.8.Cual es la probabilidad de necesitar efectuar dos tiros?,
tres tiros?, cuatro tiros?, cinco tiros?, n tiros?.
Solucin
Sea Y = nmero de tiros necesarios para anotar una canasta
p= 0.8 q = 0.2
P( Y=2 ) =q p =(0.2)*(0.8) = 0.16
P( Y=3 ) = q q p = (0.2)(0.2)(0.8)= 0.032
P( Y=4 ) = q q q p = (0.2)(0.2)(0.2)(0.8) = 0.0064
P( Y=5) = q q q q p= (0.2)(0.2)(0.2)(0.2)(0.8)= 0.00128

b) Cul es la probabilidad de necesitar a lo ms 5 tiros?

P(Y >-5)=P(1)+P(2)+P(3)+P(4)+P(5)

=0.99968

Distribucin BETA
Esteban Lpez Rogelio
Rodrguez Lpez Adalberto

Distribucin beta
O Devuelve la probabilidad para una variable aleatoria continua

siguiendo una funcin de densidad de probabilidad beta

acumulativa. La distribucin beta se usa generalmente para
estudiar las variaciones, a travs de varias muestras, de un
porcentaje que representa algn fenmeno, por ejemplo, el
tiempo diario que la gente dedica a mirar televisin.

O IMPORTANTE: Esta funcin se ha sustituido por una o ms

funciones nuevas que pueden proporcionar una precisin

mejorada y cuyos nombres reflejan mejor su uso. Aunque esta
funcin sigue estando disponible para la compatibilidad con
versiones anteriores, a partir de ahora debe considerar el uso
de las funciones nuevas, ya que puede que esta funcin no
est disponible en futuras versiones de Excel.

Distribucin Beta
O La probabilidad para una variable aleatoria que toma

valores sobre un intervalo de 0 a 1, y la mas

apropiada para este propsito es la distribucin beta
cuya densidad de probabilidad es:

O
O

=
0

(1 )

0<

< 1,

> 0,

>0

La media y la varianza
O La media y la varianza de esta distribucin

esta dada por:

O Media
O Varianza

Ejemplo
O En cierto pas, la proporcin de tramos de

autopista que requieren reparacin en un ao

determinado es una variable aleatoria con
distribucin beta, con =3 y =2 calclese:
O A) en promedio, que porcentaje de tramos en
autopista requieren reparacin en un ao
cualquiera.
O B) La probabilidad de que a lo sumo la mitad de
los tramos de autopista requieren reparacin en
un ao cualquiera.

Distribucin
Gamma
INTEGRANTES:

CARRANZA CHVEZ LUIS IVN

Distribucin Gamma

La distribucin Erlang es un caso especial de la distribucin gamma.

Si el parmetro r de una variable aleatoria Erlang no es un entero,
pero r > 0, entonces la variable aleatoria tiene una distribucin
gamma. Sin embargo, en la funcin de densidad Erlang, el
parmetro r aparece como r factorial. Por tanto, para definir una
variable aleatoria gamma, es necesario generalizar la funcin
factorial.

Puede demostrarse que la integral en la definicin de

es finita.
Por otra parte, si se emplea la integracin por partes puede
demostrarse que:

Por consiguiente, si r es un entero positivo (como sucede en la

distribucin Erlang),

Asimismo,
y tambin puede demostrase que
.
Es posible interpretar la funcin gamma como una generalizacin a
valores no enteros de r del trmino (r-1)! Que se emplea en la
funcin de densidad de probabilidad Erlang.

Con esto es posible establecer la funcin de densidad de

probabilidad gamma.

Parmetros de distribucin
El primer parmetro () sita la mxima intensidad de probabilidad y por este motivo en algunas
fuentes se denomina la forma de la distribucin: cuando se toman valores prximos a cero
aparece entonces un dibujo muy similar al de la distribucin exponencial. Cuando se toman
valores ms grandes de () el centro de la distribucin se desplaza a la derecha y va
apareciendo la forma de una campana de Gauss con asimetra positiva. Es el segundo
parmetro ()el que determina la forma o alcance de esta asimetra positiva desplazando la
densidad de probabilidad en la cola de la derecha. Para valores elevados de ()la distribucin
acumula ms densidad de probabilidad en el extremo derecho de la cola, alargando mucho su
dibujo y dispersando la probabilidad a lo largo del plano. Al dispersar la probabilidad la altura
mxima de densidad de probabilidad se va reduciendo; de aqu que se le denomine escala.
Valores ms pequeos de () conducen a una figura ms simtrica y concentrada, con un pico
de densidad de probabilidad ms elevado. Una forma de interpretar () es tiempo promedio
entre ocurrencia de un suceso. Relacionndose con el parmetro de la Poisson como =1/.
Alternativamente ser el ratio de ocurrencia: =1/. La expresin -1tambin ser necesaria
ms adelante para poder llevar a cabo el desarrollo matemtico. Relacin con otras
distribuciones Si se tiene un parmetro de valores elevados y pequea, entonces la funcin
Gamma converge con la distribucin normal. De media = * , y varianza 2 = * 2. Cuando
=1y =0 la distribucin Gamma es exactamente la distribucin exponencial con parmetro
=1Cuando la proporcin entre parmetros es [ = 2 , = ] entonces la variable aleatoria se
distribuye como una Chi-cuadrado con grados de libertad. Si =1,entonces se tiene la
distribucin exponencial negativa de parmetro =1/.

Distribucin continua Gamma en

ProModel

Valores de la funcin Gamma

Bibliografa:

Douglas C. Montgomery y George C. Runger, Probabilidad y

Estadstica aplicadas a la Ingeniera, Mc Graw Hill. Mxico.

Garca E. Garca H. Cardenas L. Simulacin y Anlisis de sistemas

con Promodel, Pearson, Mxico.

Distribucin Weibull

Distribucin Weibull
Modelo muy verstil debido a que su funcin de riesgo puede ser
decreciente, constante o crecente (figura 13.5b), dependiendo del
valor de su parmetro de forma.
Fu funcin esta dada por:

 Con t > 0, B > 0, n > 0. esta distribucin esta dada por dos
parmetro: el de la forma (B) y el de escala n. El primero tiene efecto
sobre la forma que toma la distribucin y el segundo afecta la escala
del tiempo de vida.
La distribucin acumulada esta dada por:

Mientras que las funciones de confiabilidad y riesgo son,

 La vida media de la distribucin Weibull es E (t) = nT(1+1/B) y la

funcin cuantil esta dada por,

Donde T(x) es la funcin gamma. En la figura 13.5a se presentan tres

posibles formas de la distribucin Weibull, dependiendo del valor del
parmetro de forma, B mientras se mantiene fijo el parmetro de
escala en el valor n=1. En general para valores de 0 < B < 1, la
funcin de riesgo es decreciente y para valores de B > 1 La funcin de
riesgo es creciente. Se puede verificar de la funcin de densidad que
cuando B = 1, la distribucin Weibull se reduce a la distribucin
exponencial (tasa de riesgo contante).

Figura 13.5

Ejemplo

Distribucin Weibull con tres parmetros

En ocasiones las fallas no empiezan a verse desde el tiempo cero, sino
hasta despus de un periodo, y. es hasta despus de dicho tiempo
que la ocurrencia de fallas tiene probabilidad mayor que cero. Este
desfase en la aparicin de fallas se introduce a la funcin de la
densidad Weibull mediante el parmetro y de localizacin, cuyo
efecto es que recorre hacia la derecha el inicio de la distribucin, con
esto las funciones del modelo Weibull (B, n, y) toman la siguiente
forma:

 Donde t y. La vida media es E (t)= y { nT (1 +1 / B) y la funcin

cuantil es tp= y + n [1n(1 P)] /

K Erlang
Vctor Alejandro Rocha Florido
Bibiana Segura Mena
ISP-905
06/06/16

Que es K Erlang??

es una unidad adimensional utilizada en telefona como una medida

estadstica del volumen de trfico. Recibe el nombre del
ingeniero dans A. K. Erlang

K- Erlamg
Unidad de intensidad de trfico, cuyo smbolo es E. Un erlang es la
intensidad de trfico en un conjunto de rganos, cuando slo uno
de ellos est ocupado de manera continua. Cuando el trfico es de
un (1) erlang significa que el elemento de red est totalmente
ocupado durante el tiempo de medicin, normalmente una hora

Definiciones de Trfico en Telecomunicaciones

Trfico ofrecido Trfico que podra cursar una cantidad muy grande de
elementos de red. Es el trfico que se cursara si no hubiesen llamadas
perdidas
Trfico cursado Es el trfico atendido por un grupo de elementos de la red
Trfico de desbordamiento La parte del trfico ofrecida a un conjunto de
elementos de red que no es cursada por dicho conjunto de rganos
Trfico Bloqueado La parte del trfico de desbordamiento que no es
cursada por conjuntos subsiguientes de rganos
Trfico rechazado o perdido La parte de trfico bloqueado que no da
como resultado reintentos de llamada. Es la diferencia entre el trfico ofrecido y
el trfico cursado y se puede reducir aumentando la capacidad del sistema

USOS Y APLICACIONES
Se utiliza para simular aquellos casos de lineas de servicios con estaciones,
en cada estacin se utiliza un proceso con tiempo exponencial. Aplicar:

Lneas telefnicas
juegos de Multijugador
Video llamadas
Web
Messenger.
Otras redes sociales.
Aplica

Unidad de Trfico

Si una lnea est ocupada durante una hora entonces cursa un

trfico de 3600 llamadas-segundos que a 36 llamadas de 100 seg
de duracin cada una, o a cualquier otra combinacin que resulte
en 3600 llamadas-segundo. Si 100 usuarios solicitan una llamada
con una duracin promedio de 3 minutos entonces el trfico es:

1 CCS equivale a una llamada con duracin de cien segundos,

de esta forma el trfico en una lnea ocupada totalmente
durante una hora es de 36 CCS, por lo tanto:

CARACTERISTICAS DE LA DISTRUBUCIN

El total de trfico transportado en un periodo de tiempo T es el volumen de trfico, y

se mide en erlang-hora (Eh). Es igual a la suma de todos los tiempos de ocupacin
dentro del periodo T.
A es la intensidad total del trfico ofrecido en unidades de Erlangs.
N es la cantidad de servidores [nmero de troncales].
PW es la probabilidad de que un cliente tenga que esperar para ser atendido.

Funcin de densidad, Funcin de distribucin a

cumulada, media o valor esperado, varianza

La distribucin K Erlang es una distribucin continua, que tiene un valor positivo

para todos los nmeros reales mayores que cero, y est dada por dos parmetros:

K: es un nmero entero no negativo

: la tasa que es un nmero real no negativo
: Inverso de la tasa, la escala.

Funcin de densidad de probabilidad para la

distribucin de Erlang
Esta definida cuando el parmetro k es un numero
entero positivo

parmetros

Trfico de 5 E y P0.01, Cuantos circuitos se necesitan?

Circuitos

Prob. De bloqueos

Ejemplos

Erlang B
Primero nos ubicamos en la columna correspondiente a
P0.01, es decir B=1% y luego nos desplazamos hasta
ubicar el trfico en erlang que sea igual o
inmediatamente superior a 5 E, en este caso 5.160, y as
leemos en la columna de la izquierda la cantidad de 11
lneas necesarias para cursar el trfico.

Se dispone de un comunicador telefnico que cursa un trafico de 21.90 erlong se desea optener
un grado de servicio (G 0 s) de P=.15 ( probabilidad de Bloqueo).
Determine el numero de circuitos de los que debe disponer el sistema de trafico final. Repetir el
calculo para (G o S) P=.05

Bibliografas
http://clusterfie.epn.edu.ec/ibernal/html/CURSOS/2008_Marzo_Sept/Trafico/Libros/handbook.
pdf
http://catarina.udlap.mx/u_dl_a/tales/documentos/lem/garduno_a_f/capitulo1.pdf
http://www.pitt.edu/~dtipper/2110/erlang-table.pdf

Software
http://www.teleco.com.br/es/es_erlangb.asp
http://www.elektro-energetika.cz/calculations/distrerlang.php

Universidad Tecnolgica de Len

Integrantes:

Hernndez Prez Moiss Ulises

Martinez Montejo Victor Manuel

Distribucin Pearson
tipo V
Gamma Inversa

Definicin de la distribucin
La

distribucin de Pearson en una familia

de distribuciones probabilsticas continuas. Fue
publicada por primera vez por Karl Pearson en
1895 y subsecuentemente extendida por l en
1901 y 1916 en una serie de artculos de
bioestadstica.

Utilizacin

La distribucin Pearson tipo V, es aplicable para

determinar los retardos de un proceso u operacin tales
como:
Tiempo para completar una tarea difcil
Tiempo para responder a una emergencia
Tiempo para preparar una maquina

Funcin Pearson V

Parmetros

Determinada por:

Ejemplo

Pearson vI

La distribucin de Pearson en una familia

de
distribuciones
probabilsticas
continuas. Fue publicada por primera vez
por
Karl
Pearson
en
1895
y
subsecuentemente extendida por l en
1901 y 1916 en una serie de artculos de
bioestadstica.

El
sistema
Pearson
fue
originalmente ideado en un
esfuerzo
para
modelar
observaciones
visiblemente
asimtricas.

DEFINICIN PEARSON 6
Una funcin de densidad de Pearson, p, est definida para ser una solucin vlida a
una ecuacin diferencial.

PEARSON ESTABLECE COMO DIRECCIN TERICA DEL

PROCESO LA SUCESIN A G I L QUE PUEDE
VARIAR EN EL ORDEN EMPRICO SEGN LA
FLUCTUACIN DE LOS INPUTS PROCEDENTES DEL
EXTERIOR.
AESPECIFIDAD
GEFECTIVIDAD
IDIFUSIVIDAD
LCUALIDAD

PEARSON ESTABLECE LA CONTINUIDAD DE

AMBOS MODELOS EL RAZONAMIENTO DE
PEARSON DESTACA UN SISTEMA DE ACCIN, NO
CONSTA SOLAMENTE DE ORIENTACIONES Y
MODALIDADES DE OBJETOS, SINO TAMBIN DE
SUS
DIMENSIONES
ESTRUCTURALESTAL
DIMENSIN CORRESPONDE A LOS PROBLEMAS
INTERROGATIVOS DEL AMBIENTE DEL SISTEMA.

PARMETROS PEARSON 6

PARAMETROS