UNIVERSIDAD CATOLICA BOLIVIANA “SAN PABLO”

FACULTAD DE CIENCIAS EXACTAS E INGENIERÍA

SIMULACIÓN - MAT 347

PRÁCTICA No. 6

DISTRIBUCIONES
DOCENTE:

Ing. Juan Carlos Flores López

ESTUDIANTE:

Joel Andy Rojas Valencia

GESTION:

2018
 DISTRIBUCION DE POISSON
La distribución de Poisson se emplea para describir varios procesos, entre otros la distribución de
las llamadas telefónicas que llagan a un conmutador, la demanda (necesidades) de servicios en
una institución asistencial por parte de los pacientes, los arribos de los camiones y automóviles a
la caseta de cobro y el número de accidentes en un cruce. Los ejemplos citados tienen un elemento
en común, pueden ser descritos por una variable aleatoria discreta que asume valores enteros
(0,1,2,3,4,5 y así sucesivamente).
La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781-1840), francés
que desarrolló esta distribución basándose en estudios efectuados en la última parte de su vida.

Ejercicio 1 - Ejercicio 2 – Se pide comprobar que el número de plantas tiene

distribución poisson.
N. de plantas - xi ni xi ni
0 9 0
1 9 9
2 10 20
3 14 42
4 2 8
5 2 10
6 2 12
Total: 48 101
CODIGO
xi<-c(0,1,2,3,4,5,6)
ni<-c(9,9,10,14,2,2,2)
multi<-xi*ni
sumfio<-sum(ni)
sumxn<-sum(multi)
lambda<-round((sumxn/sumfio), 2)
i=0
nie<-c()
for (i in 0:(length(xi)-1)) {
aux=round(((exp(-lambda)*(lambda^i))/factorial(i)), 5)
aux2=aux*sumfio
result<-c(aux2)
nie<-c(nie,result)
}
sumatoria = 0
for (i in 1:length(xi)) {
prueba=((ni[i]-nie[i])^2)/nie[i]
sumatoria = sumatoria + ((ni[i]-nie[i])^2/nie[i])
chi=6.31
}
chiteorico<-qchisq(0.95,3)
if (chi > chiteorico){
print('Se rechaza la hipotesis nula')
print('No tiene una distribucion de poisson')
} else{
print('Se acepta la hipotesis nula')
print('Tiene una distribucion de poisson')
}
RESULTADO
 DISTRIBUCIÓN EXPONENCIAL
En estadística la distribución exponencial es una distribución de probabilidad continua ƛ >0
cuya función de densidad es:

Su función de distribución acumulada es:

Ejercicio 2 – Se pide comprobar que el tiempo de arribo tiene distribución

exponencial
Tiempo de arribo Fio Xi Fi
0 – 0.042 19 0.021 19
0.042 – 0.089 28 0.066 47
0.089 – 0.142 26 0.116 73
0.142 – 0.204 12 0.173 85
0.204 – 0.277 25 0.241 110
0.277 – 0.366 14 0.322 124
0.366 – 0.480 22 0.423 146
0.480 – 0.642 29 0.561 175
0.642 – 0.919 20 0.781 195
0.919 - Inf 24 0.919 219
Total: 219

Tiempo<-c("-inf - 0.042","0.042 - 0.089","0.089 - 0.142","0.142 - 0.204","0.204 - 0.277","0.277

- 0.366","0.366 - 0.480","0.480 - 0.642","0.642 - 0.919","0.919 - inf")
xi<-c(0.021,0.066,0.116,0.173,0.241,0.322,0.423,0.561,0.781,0.919)
Fio<-c(19,28,26,12,25,14,22,29,20,24)
fi<-c(19,47,73,85,110,124,146,175,195,219)
n<-sum(Fio)
Me<-0.204+(((n/2)-85)/25)*0.073
Delta1<-29-22 ; Delta2<-29-20
Mo<-0.480+(Delta1/(Delta1+Delta2))*0.162
media<-(3*Me-Mo)/2
Extremos<-c(0,0.042,0.089,0.142,0.204,0.277,0.366,0.480,0.642,0.919)
Fie<-c()
for(i in 1:largo){
if(i<largo){
Fieaux<-n*(beta*(((-1/beta)*exp(-beta*Extremos[i+1]))-((-1/beta)*exp(-beta*Extremos[i]))))
}else{
Fieaux<-n*(beta*(-((-1/beta)*exp(-beta*Extremos[i]))))}
aux<-c(Fieaux)
Fie<-c(Fie,aux)}
Fie; ajustebondad=0
for(i in 1:largo){
suma=((Fio[i]-Fie[i])^2)/Fie[i]
ajustebondad=ajustebondad+suma}
tabla<-data.frame(TiempoArrivo=Tiempo, Fio=Fio, xi=xi, Fi=fi)
chiteorico<-qchisq(0.95,7)
if (ajustebondad < chiteorico){
print('Se rechaza la hipotesis nula')
print('No tiene una distribucion exponencial')
} else{
print('Se acepta la hipotesis nula')
print('Tiene una distribucion de exponencial')}

RESULTADO
 DISTRIBUCIÓN GEOMÉTRICA
En teoría de probabilidad y estadística, la distribución geométrica es cualquiera de las
dos distribuciones de probabilidad discretas siguientes:

 la distribución de probabilidad del número X del ensayo de Bernoulli necesaria para obtener
un éxito, contenido en el conjunto { 1, 2, 3,...} o
 la distribución de probabilidad del número Y = X − 1 de fallos antes del primer éxito,
contenido en el conjunto { 0, 1, 2, 3,... }.

Ejercicio 3 – Se pide comprobar que el siguiente ejercicio tengo una distribución geométrica.

X N
1 72
2 88
3 97
4 42
5 5
6 2
Total: 306
CODIGO
x<-c(1,2,3,4,5,6)
n<-c(72,88,97,42,5,2)
sumn<-sum(n)
media=(3*me-mo)/2
p=round(1/media, 2)
for(i in 1:length(x)){
if( i == length(x) ){
sumatoriafinal= 1 - sumatoria
result = sumn * sumatoriafinal
nieaux<-c(result)
nie<-c(nie, nieaux)
} else {
result = sumn*((1-p)^(i-1)*p)
nieaux<-c(result)
nie<-c(nie, nieaux)
aux = ((1-p)^(i-1)*p)
sumatoria = sumatoria + aux
print(result)
}
}
for(i in 1:length(x)){
aux = (n[i]-nie[i])^2/nie[i]
chisum = chisum + aux
}
chiteo<-qchisq(0.95,4)
RESULTADO

DISTRIBUCIÓN UNIFORME
En teoría de probabilidad y estadística, la distribución uniforme 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 distribución en su rango son igualmente probables. El
dominio está definido por dos parámetros, a y b, que son sus valores mínimo y máximo. La
distribución es a menudo escrita en forma abreviada como U(a,b).
La función de densidad de probabilidad de la distribución uniforme es:

Ejercicio 4 - Se pide comprobar que el siguiente ejercicio tengo una distribución uniforme.
Intervalo ni xi xi ni
1–2 8 1.5 12
2–3 3 2.5 7.5
3–4 4 3.5 14
4–5 5 4.5 22.5
5 -6 6 5.5 33
6–7 3 6.5 19.5
Total: 29 495.25

CODIGO
intervalo<-c("1-2","2-3","3-4","4-5","5-6","6-7")
nio<-c(8,3,4,5,6,3)
xi<-c(1.5, 2.5, 3.5, 4.5, 5.5, 6.5)
xn<-nio*xi
sumxn = sum(xn)
mu<-sumxn/sum(nio)
xn2<-xi*xn
sumxn2<-sum(xn2)
sigma=((sumxn2-sum(nio)*((mu)^2)))/(sum(nio)-1)
sigma
a=((2*mu)-sqrt(3*(sigma)))
b=((2*mu)+sqrt(3*(sigma)))
nie<-c()
for(i in 1:length(nio)){
resultado = 29*( ((i+1)/(b-a)) - ((i)/(b-a)) )
aux<-c(resultado)
nie<-c(nie,aux)
}
chicuadrado=sum((nio-nie)^2/nie)
chiteo<-qchisq(0.95,3)
if (chicuadrado > chiteo){
print('Se rechaza la hipotesis nula')
print('No tiene una distribucion uniforme')
} else{
print('Se acepta la hipotesis nula')
print('Tiene una distribucion uniforme')
}
RESULTADO