Sie sind auf Seite 1von 20

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

FACULTAD DE INGIENERIA CIVIL, SISTEMAS Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGIENERIA DE SISTEMAS

GENERACIÓN DE VARIABLES ALEATORIAS CONTINÚAS


DE DISTRIBUCIÓN EXPONENCIAL
Integrantes:
• Arroyo Leytón, Yojayro
• Martínez Excebio, Miriam de los Ángeles
• Salazar Aurich, Bruno Raúl
• Sandoval Quinde, Maricielo
• Venegas Córdova, Kevin

Curso: Investigación de Operaciones II


Docente: Ing. Oscar Enrique Salazar Carbonel
Conceptos básicos
Experimento Variables aleatorias
Espacio muestral Variables aleatorias
aleatorio continuas

Las probabilidades
Es la Es el conjunto de Se denomina
de una variable
reproducción todos los posibles variable aleatoria
aleatoria continua
controlada de un resultados de un (v.a) a una función
se calculan a partir
fenómeno, experimento X: Ω → R, que a
de una función f:
existiendo aleatorio. Se cada elemento ei ∈
R → [0, +∞)
incertidumbre denota por Ω = Ω le asigna un
denominada
sobre el resultado {e1, e2, . . ., en, . . valor numérico
función de
que se obtendrá. .} X(ei) = xi ∈ R.
densidad.
Distribución Exponencial
La distribución exponencial es aquella que
modela el tiempo transcurrido entre dos sucesos
que se producen de forma independiente,
separada y uniforme en el tiempo.

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.
Función de densidad de probabilidad
Puede derivarse de un proceso
experimental de Poisson con
las mismas características,
Es aquella que modela el pero tomando como variable
tiempo transcurrido aleatoria el tiempo que tarda Supone que los tiempos
entre dos sucesos que se en producirse un hecho. de servicio son
producen de forma aleatorios
independiente, separada
y uniforme en el tiempo.

Distribución
Exponencial

Tiene gran utilidad en la


La variable aleatoria distribución de tiempo que
siempre será continua. transcurre hasta que se
produce un fallo.
Función de densidad
Caracteriza el
Dada una variable aleatoria x que tome valores reales no comportamiento probable
negativos {x ≥ 0} diremos que tiene una distribución de una población en tanto
exponencial de parámetro α con {α≥0}, si y sólo si su especifica la posibilidad
función de densidad tiene la expresión: f(x)= α.e^(-αx) relativa de que una
variable aleatoria continua
Diremos entonces que x →Exp(x) X tome un valor cercano a
x.

Gráficamente como ejemplo


planteamos el modelo con
parámetro a =0,05

En consecuencia, la función de distribución será:


𝑥
𝑥
𝐹 𝑥 = න 𝛼𝑒 −𝛼𝑡 𝑑𝑥 = −𝑒 −𝛼𝑡 ቄ = 1 − 𝑒 −𝛼𝑡
0
0
Función de supervivencia
La función de Supervivencia se define cómo la probabilidad Mide la probabilidad de
de que la variable aleatoria tome valores superiores al valor que un sujeto sobreviva
más allá de un periodo
dado 𝑥:
de tiempo dado.

𝑆 𝑥 = 𝑃 𝑥 > 𝑋 = 1 − 𝐹 𝑥 = 1 − 1 − 𝑒 −𝛼𝑋 = 𝑒 −𝛼𝑋

La función de distribución será la probabilidad de que el fallo ocurra


antes o en el instante X: y , en consecuencia la función de
supervivencia será la probabilidad de que el fallo ocurra después de
transcurrido el tiempo X ; por lo tanto, será la probabilidad de que el
elemento, la pieza o el ser considerado "Sobreviva" al tiempo X ; de ahí
el nombre.
Gráficamente, la función de distribución para un modelo
exponencial de parámetro a =0,05 sería:

En la que se observa lo que sería la


diferencia entre función de distribución y
la de supervivencia

La función generatriz de este momento será:



𝜑 𝑡 = 𝐸 𝑒 𝑡𝑥 = ‫׬‬0 𝑒 𝑡𝑥 . 𝛼. 𝑒 −𝛼𝑥 𝑑𝑥
∞ ∞
𝛼
𝛼 න 𝑒− 𝛼−𝑡 𝑥 𝑑𝑥 =
න (𝛼 − 𝑡)𝑒 − 𝛼−𝑡 𝑥 𝑑𝑥
0 𝛼−𝑡 0
Tendremos así que la F.G.N será:
𝛼 1 𝑡 −1
𝜑 𝑡 = = = (1 − )
𝛼−𝑡 1− 𝑡 𝛼
𝛼
Así la media será:
−2
1 −1 1
𝜇 = 𝐸 𝑥 = 𝛼1 = 𝜑𝐼 (𝑡) 𝑡→0 = −1 1 − 𝑡 =
𝛼 𝛼 𝛼

La mediana del modelo exponencial será aquel


En cuanto a la varianza su expresión será:
valor de la variable x =Me que verifica que
2 1 1
𝐹 𝑀𝑒 =
1 𝜎𝑥 2 = 𝛼1 − 𝛼2 2 = − 𝛼2 = Ya que
2 𝛼2 𝛼2
1 −3
De manera que 𝐹 𝑀𝑒 = 1 − 𝑒 −𝛼𝑀𝑒 = 2 por 2 1 −1 2
𝑙𝑛2 𝛼1 = 𝜑𝐼𝐼 (𝑡)𝑡→0 =− 1− 𝑡 = 2
lo que 𝑒 𝛼𝑀𝑒 = 2 → 𝑀𝑒 = 𝛼 𝛼 𝛼 𝛼
𝛼
Tasa instantánea de fallo
Dentro del marco de la teoría de la fiabilidad si un
elemento tiene una distribución del tiempo para un fallo
con función de densidad 𝑓(𝑥), siendo x la variable tiempo
para que se produzca un fallo, y con una función de
supervivencia 𝑆(𝑥) La probabilidad de que un
superviviente en el instante t falle en un instante posterior
𝑡 + ∆𝑡 será una probabilidad condicionada que vendrá
dada por:

∆𝑡 𝑃(𝑡 < 𝑥 ≤ 𝑡 + ∆𝑡) 𝑆 𝑡 − 𝑆(𝑡 − ∆𝑡)


𝑡<𝑥≤𝑡+ >𝑡 = =
𝑥 𝑃(𝑥 > 𝑡) 𝑆(𝑡)
Al cociente entre esta probabilidad condicionada y la amplitud del intervalo considerado, t, se le llama tasa
media de fallo en el intervalo[𝑡; 𝑡 + ∆𝑡]:

𝑆 𝑡 − 𝑆(𝑡 + ∆𝑡)
𝑧 𝑡, 𝑡 + ∆𝑡 =
∆𝑡𝑆(𝑡)

Y a la tasa media de fallo en un intervalo infinitésimo es decir, al límite de la tasa media de fallo
cuando ∆𝑡 → 0 se le llama Tasa Instantánea de Fallo (o, simplemente, tasa de fallo) en t:

𝑆 𝑡 − 𝑆 𝑡 + ∆𝑡 1 𝑑𝑆 𝑥 𝑓 𝑡 𝑑
𝑧 𝑡 = lim = 𝑥=𝑡 = = − 𝑙𝑛𝑆 𝑡
∆𝑥→0 ∆𝑡𝑆 𝑡 𝑆 𝑡 𝑑𝑥 𝑆 𝑡 𝑑𝑡

La tasa de fallo es, en general, una función del tiempo, que define unívocamente la distribución.
Pues bien, puede probarse que el hecho de que la tasa
de fallo sea constante es condición necesaria y De modo que la función de distribución será:
suficiente para que la distribución sea exponencial y 𝐹 𝑥 = 1 − 𝑒 −𝛼𝑋
que el parámetro es, además, el valor constante de la Función de Distribución de una Exponencial
tasa de fallo.
En efecto: Si 𝑥 → 𝐸𝑥𝑝 𝛼 → 𝑧 𝑥 = 𝛼
Si 𝑧 𝑡 = 𝛼 𝑐𝑡𝑒 → 𝑥 → 𝐸𝑥𝑝(𝛼)
Si X tiene una distribución exponencial
𝑑
𝑧 𝑡 = 𝛼= − 𝑙𝑛𝑆 𝑡 𝑓 𝑥 = 𝛼𝑒 −𝛼𝑋 y 𝑆 𝑥 = 𝑒 −𝛼𝑋
𝑑𝑡

𝑓(𝑥) 𝛼𝑒 −𝛼𝑋
De manera que 𝑧 𝑥 = = = 𝛼(𝑐𝑡𝑒)
𝑆(𝑥) 𝑒 −𝛼𝑋
De donde −𝛼𝑑𝑡 = 𝑑 𝑙𝑛𝑆 𝑡 integrando esta
ecuación diferencial entre 0 y x:

−𝛼𝑥 = 𝑙𝑛𝑆 𝑥 − 𝑙𝑛𝑆 0 𝑆 0 = 1 → 𝑙𝑛𝑆 0 = 0

𝑆 𝑥 = 𝑒 −𝑎𝑥
Propiedad fundamental de la distribución
exponencial
La distribución exponencial no tiene memoria:

Poseer información de que el elemento que consideramos ha sobrevivido un tiempo S no modifica


la probabilidad de que sobreviva t unidades de tiempo más. La probabilidad de que el elemento
falle en una hora no depende del tiempo que lleve funcionando.

𝑡 𝑃(𝑥 > 𝑠 + 𝑡) 𝑆(𝑠 + 𝑡) 𝑒 −𝛼(𝑠+𝑡)


𝑃 𝑥>𝑠+ >𝑠 = = = = 𝑒 −𝛼𝑡
𝑥 𝑃(𝑥 > 𝑠) 𝑆(𝑠) −𝛼𝑠

Expresión que no depende, como se observa, del tiempo sobrevivido.


Parámetros 𝜆>0

Dominio [0,∞)

Función de densidad 𝜆𝑒 −𝑥𝜆

Función de distribución 1 − 𝑒 −𝜆𝑋


1ൗ
Media 𝜆
ln(2)ൗ
Mediana 𝜆
Moda 0
1ൗ
Varianza 𝜆2
Coeficiente de simetría 2

Curtosis 9

Entropía 1-ln(𝜆)
𝑡
Función generadora de momentos (1 − )−1
𝜆
𝑖𝑡
Función característica (1 − )−1
𝜆
Ejemplo 1 de Distribución Exponencial
En un experimento de laboratorio se utilizan 10 gramos de 84210 Po Sabiendo que la duración media de un
átomo de esta materia es de 140 días, ¿cuánto idas transcurrirán hasta que haya desaparecido el 90%de
este material?
Solución:
El tiempo T de desintegración de 84210 Po un átomo de es una v.a. de distribución exponencial:

Como el número de átomos de 84210 Po existentes en una muestra de 10 gramos es enorme, el histograma de
frecuencias relativas formado por los tiempos de desintegración de cada uno de estos átomos debe ser
extremadamente aproximado a la curva de densidad, f.
Del mismo modo, el polígono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su
función de distribución F. Entonces el tiempo que transcurre hasta que el 90% del material radiactivo se
desintegra es el percentil 90, t90, de la distribución exponencial, es decir:

Como el número de átomos (observaciones) es


extremadamente alto en 10 gramos de materia, el histograma
puede ser aproximado de modo excelente por la función de
densidad exponencial, y el polígono de frecuencias acumuladas
por la función de distribución.
Ejemplo 2 de Distribución Exponencial
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución
exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se le ha
implantado este marcapasos se le deba reimplantar otro antes de 20 años? Si el marcapasos lleva
funcionando correctamente 5 años en un paciente, ¿cuál es la probabilidad de que haya que cambiarlo
antes de 25 años?

Solución:

Sea T la variable aleatoria que mide la duración de un marcapasos en una persona. Tenemos que:
Entonces:

Luego:

Luego como era de esperar, por ser propio a un mecanismo exponencial:

O sea, en la duración que se espera que tenga el objeto, no influye en nada el tiempo que en la actualidad
lleva funcionando. Es por ello que se dice que ``la distribución exponencial no tiene memoria".
Ejemplo 3 de Distribución Exponencial
El tiempo entre fallas para una operación particular de manufactura puede ser descrito por una distribución
exponencial con una media de 100 horas. Simule el tiempo de 5 fallas. Use el proceso generador exponencial en su
análisis.
1/100 = .01 hora
x= tiempo entre fallas

FALTA NUMERO ALEATORIO X

1 0.4466 80.6

2 0.6427 44.2

3 0.5902 52.7

4 0. 0318 344.8

5 0. 5901 52.7
Ejemplo 4 de Distribución Exponencial
El tiempo entre arribos de los clientes que entran a una tienda puede ser descrito por una
distribución exponencial con media de 8 minutos. Simule el arribo de 10 clientes a la tienda. Use
un proceso generador exponencial en su análisis.

60/8 =7.5 clientes/hora


CLIENTE NUMERO ALEATORIO X

1 0.6279 0.062 horas = 3.72 min


2 0.8234 0.026 horas = 1.56 min
3 0.5273 0.085 horas = 5.1 min
4 0.1820 2.27 horas = 13.62 min
5 0.6383 0.060 horas = 3.60 min
6 0.1471 0.256 horas = 15.36 min
7 0.3208 0.152 horas = 9.12 min
8 0.8224 0.026 horas = 1.56 min
9 0.6331 0.061 horas = 3.66 min
10 0.5482 0.080 horas = 4.80 min