TEORIA DE COLAS

TIPO DE DISTRIBUCIN DE UN CONJUNTO DE DATOS

Una recopilacin de datos se puede distribuir o dispersar de muchas maneras
diferentes. Por ejemplo, los datos de lanzar un dado pueden variar
uniformemente de 1 hasta 6. Los datos de un proceso de manufactura pueden
estar centrados en un valor objetivo. Los datos de la industria de la salud
pueden incluir valores que se encuentren muy alejados del valor central.
Puede evaluar una distribucin de datos por medio de grficas, estadsticos
descriptivos o una herramienta de identificacin de distribucin:

Evaluaciones visuales
Las grficas como los histogramas pueden proveer instantneamente
informacin sobre la distribucin de un conjunto de datos. Los histogramas
pueden ayudarle a observar:
Si los datos se agrupan en torno a un valor individual o si los datos
tienen mltiples picos o modas.
Si los datos estn diseminados con poca densidad en un rango amplio o
si los datos se encuentran dentro de un rango pequeo.
Si los datos son asimtricos o simtricos.
Mtricas de las distribuciones
Los estadsticos descriptivos que describen la tendencia central (media,
mediana) y la dispersin (varianza, desviacin estndar) de los datos con
valores numricos agregan un nivel de detalle y se pueden utilizar para hacer
comparaciones con otros conjuntos de datos.

Definiciones formales o tericas

Finalmente, algunas distribuciones comunes se pueden identificar y nos
referimos a ellas por su nombre, como distribucin normal, de Weibull y

exponencial. La distribucin normal, por ejemplo, siempre tiene forma de

campana y se centra en un valor medio. Los porcentajes de valores uniformes
de una distribucin normal se encuentran dentro de cualquier nmero de
desviaciones estndar con respecto a la media; por ejemplo, el 68.26% de las
observaciones siempre estar dentro de una desviacin estndar con respecto a
la media.
Conocer la distribucin de un conjunto de datos puede proporcionar
informacin sobre los datos en s y puede ser crtico al seleccionar los anlisis
apropiados e interpretar los resultados.
Sus datos reales probablemente solo se aproximarn a estas distribuciones
perfectas. Si hay un ajuste cercano, puede decir que los datos son modelados
adecuadamente por una distribucin dada. Puede utilizar un ajuste cercano
para calcular las probabilidades de datos futuros si la distribucin de los datos
sigue siendo la misma. Utilice Estadsticas > Herramientas de calidad >
Identificacin de la distribucin individual para identificar la distribucin que
se ajuste mejor a sus datos.

Ejercicios Distribucin Poisson

1. En una tienda los clientes llegan al mostrador conforme una
distribucin de poisson con un promedio de 10 por hora. En una
hora dada, Cul es la probabilidad de que lleguen al menos 5
clientes?
Formula de poisson:
t

P ( x=k )=

( t )
k!

Solucin: definimos a la variable aleatoria X= cantidad

de clientes que llegan a la tienda.
Un promedio de clientes por hora,

=10

clientes
hora

En un intervalo de una hora dada, es decir, t=1 hora

Por tanto,
= t=10

clientes
1 hora=10 clientes
hora

p ( x 5 )=1 p ( x 4 )=
1[ p ( x=0 )+ p ( x=1 ) + p ( x=2 ) + p ( x =3 ) + p ( x=4 ) ]
10

1[

10

10

10

10

( 10) e (10) e (10) e (10) e (10)

+
+
+
+
]
0!
1!
2!
3!
4!

10.0293=0.9707

Rta: la probabilidad de que lleguen 10 clientes en una hora es

del 97.07%.
2. Los reportes de crmenes recientes indican que 3.2
de los robos de vehculos motorizados ocurren
cada minuto en Estados Unidos. Suponga que la
distribucin de los robos por minuto puede
calcularse con la distribucin de poisson.
a) Calcule la probabilidad de que ocurra un robo en
un minuto.
=3.2

robos
minuto
t

P ( x=k )=

P ( x=k )=

( t ) e ()
=
k!
k!

e3.2 (3.2)1
=0.13043
1!

Rta: la probabilidad de que ocurra 1 robo en un

minuto es de 13.043%
b) Calcule la probabilidad de que ocurran 45 robos
en un cuarto de hora.

=3.2

robos
48 robos
==3.2 ( 15 ) =
minuto
cada15 minuto s

=48

P ( x=45 )=

e48 (48)k 45
=0.0539
45 !

Rta: la probabilidad de que ocurran 45 robos en un

cuarto de hora es de 5.39%