You are on page 1of 12

Distribuciones de Probabilidad en Arena

Arena posee una amplia gama de funciones o distribuciones estadsticas incorporadas para la generacin de nmeros aleatorios. Estas distribuciones aparecen cuando, en varios mdulos en los que stas se puedan necesitar, se hace clic en algunas de las listas desplegables de los mens. En este trabajo se describen todas las distribuciones de Arena. Cada distribucin de Arena tiene sus propios parmetros asociados. Para poder especificar una distribucin se deben introducir los valores a todos los parmetros. El nmero, el significado y el orden de los valores de los parmetros dependen de la distribucin utilizada. A continuacin se presenta un pequeo resumen de las distribuciones que posee Arena y de sus respectivos parmetros. Cuadro de las Distribuciones de probabilidad existentes en el software Arena Distribucin Valores Beta BETA Beta, Alpha Continuous CONT CumP1,Val1, . . . CumPn,Valn Discrete DISC CumP1,Val1, . . . CumPn,Valn Erlang ERLA ExpoMean, k Exponential EXPO Mean Gamma GAMM Beta, Alpha Johnson JOHN Gamma, Delta, Lambda, Xi Lognormal LOGN LogMean, LogStd Normal NORM Mean, StdDev Poisson POIS Mean Triangular TRIA Min, Mode, Max Uniform UNIF Min, Max Weibull WEIB Beta, Alpha

Para ingresar una distribucin en Arena (cuando no aparezca una lista desplegable) se debe introducir la abreviatura correspondiente a cada distribucin seguida de los parmetros encerrados entre parntesis. Se pueden dejar espacios entre los parmetros para hacer que la lectura de stos sea ms fcil

1. DISTRIBUCIONES CONTINUAS
1.1. DISTRIBUCION BETA La distribucin beta es posible para una variable aleatoria continua que toma valores en el intervalo [0,1], lo que la hace muy apropiada para modelar proporciones. En la inferencia bayesiana, por ejemplo, es muy utilizada como distribucin a priori cuando las observaciones tienen una distribucin binomial.

Uno de los principales recursos de esta distribucin es el ajuste a una gran variedad de distribuciones empricas, pues adopta formas muy diversas dependiendo de cules sean los valores de los parmetros de forma p y q, mediante los que viene definida la distribucin. Un caso particular de la distribucin beta es la distribucin uniforme en [0,1], que se corresponde con una beta de parmetros p=1 y q=1, denotada Beta(1,1). Campo de variacin: 0 x 1 Parmetros: p: parmetro de forma, p > 0 q: parmetro de forma, q > 0

1.2. DISTRIBUCION UNIFORME La distribucin uniforme es til para describir una variable aleatoria con probabilidad constante sobre el intervalo [a,b] en el que est definida. Esta distribucin presenta una peculiaridad importante: la probabilidad de un suceso depender exclusivamente de la amplitud del intervalo considerado y no de su posicin en el campo de variacin de lavariable. Cualquiera sea la distribucin F de cierta variable X, la variable transformada Y=F(X) sigue una distribucin uniforme en el intervalo [0,1]. Esta propiedad es fundamental por ser la base para la generacin de nmeros aleatorios de cualquier distribucin en las tcnicas de simulacin. Campo de variacin: axb Parmetros: a: mnimo del recorrido b: mximo del recorrido

1.3. DISTRIBUCIONES NORMAL La distribucin normal es, sin duda, la distribucin de probabilidad ms importante del Clculo de probabilidades y de la Estadstica. Fue descubierta por De Moivre (1773), como aproximacin de la distribucin binomial. De todas formas, la importancia de la distribucin normal queda totalmente consolidada por ser la distribucin lmite de numerosas variables aleatorias, discretas y continuas, como se demuestra a travs de los teoremas centrales del lmite. Las consecuencias de estos teoremas implican la casi universal presencia de la distribucin normal en todos los campos de las ciencias empricas: biologa, medicina, psicologa, fsica, economa, etc. En particular, muchas medidas de datos continuos en medicina y en biologa (talla, presin arterial, etc.) se aproximan a la distribucin normal. Junto a lo anterior, no es menos importante el inters que supone la simplicidad de sus caractersticas y de que de ella derivan, entre otras, tres distribuciones (Ji-cuadrado, t y F) que se mencionarn ms adelante, de importancia clave en el campo de la contrastacin de hiptesis estadsticas. La distribucin normal queda totalmente definida mediante dos parmetros: la media (Mu) y la desviacin estndar (Sigma). Campo de variacin: - < x < Parmetros: Mu: media de la distribucin, - < Mu < Sigma: desviacin estndar de la distribucin, Sigma > 0

1.4. DISTRIBUCIN LOGNORMAL La variable resultante al aplicar la funcin exponencial a una variable que se distribuye normal con media Mu y desviacin estndar Sigma, sigue una distribucin lognormal con parmetros Mu (escala) y Sigma (forma). Dicho de otro modo, si una variable X se distribuye normalmente, la variable lnX, sigue una distribucin lognormal. La distribucin lognormal es til para modelar datos de numerosos estudios mdicos tales como el perodo de incubacin de una enfermedad, los ttulos de anticuerpo a un virus, el tiempo de supervivencia en pacientes con cncer o SIDA, el tiempo hasta la seroconversin de VIH+, etc. Campo de variacin: 0<x< Parmetros: Mu: parmetro de escala, - < Mu < Sigma: parmetro de forma, Sigma > 0

1.5. DISTRIBUCIN GAMMA La distribucin gamma se puede caracterizar del modo siguiente: si se est interesado en la ocurrencia de un evento generado por un proceso de Poisson de media lambda, la variable que mide el tiempo transcurrido hasta obtener n ocurrencias del evento sigue una distribucin gamma con parmetros a= nlambda (escala) y p=n (forma). Se denota Gamma(a,p). Por ejemplo, la distribucin gamma aparece cuando se realiza el estudio de la duracin de elementos fsicos (tiempo de vida). Esta distribucin presenta como propiedad interesante la falta de memoria. Por esta razn, es muy utilizada en las teoras de la fiabilidad, mantenimiento y fenmenos de espera (por

ejemplo en una consulta mdica tiempo que transcurre hasta la llegada del segundo paciente). Campo de variacin: 0<x< Parmetros: a: parmetro de escala, a > 0 p: parmetro de forma, p > 0

1.6. DISTRIBUCIN EXPONENCIAL La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de distribucin describe procesos en los que interesa saber el tiempo hasta que ocurre determinado evento; en particular, se utiliza para modelar tiempos de supervivencia. Un ejemplo es el tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza, por ejemplo, para la datacin de fsiles o cualquier materia orgnica mediante la tcnica del carbono 14. Una caracterstica importante de esta distribucin es la propiedad conocida como falta de memoria. Esto significa, por ejemplo, que la probabilidad de que un individuo de edad t sobreviva x aos ms, hasta la edad x+t, es la misma que tiene un recin nacido de sobrevivir hasta la edad x. Dicho de manera ms general, el tiempo transcurrido desde cualquier instante dado t0 hasta que ocurre el evento, no depende de lo que haya ocurrido antes del instante t0. La distribucin exponencial se puede caracterizar como la distribucin del tiempo entre sucesos consecutivos generados por un proceso de Poisson; por ejemplo, el tiempo que transcurre entre dos heridas graves sufridas por una persona. La media de la distribucin de Poisson, lambda, que representa la tasa de ocurrencia del evento por unidad de tiempo, es el parmetro de la distribucin exponencial, y su inversa es el valor medio de la distribucin.

Tambin se puede ver como un caso particular de la distribucin gamma(a,p), con a=lambda y p=1. El uso de la distribucin exponencial ha sido limitado en bioestadstica, debido a la propiedad de falta de memoria que la hace demasiado restrictiva para la mayora de los problemas. Campo de variacin: 0<x< Parmetros: lambda: tasa, lambda > 0

2. DISTRIBUCIONES DISCRETAS
2.1. DISTRIBUCION DISCRETA Describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad cada uno de ellos. Un caso particular de esta distribucin, que es la que se incluye en este mdulo de Epidat 3.1, ocurre cuando los valores son enteros consecutivos. Esta distribucin asigna igual probabilidad a todos los valores enteros entre el lmite inferior y el lmite superior que definen el recorrido de la variable. Si la variable puede tomar valores entre a y b, debe ocurrir que b sea mayor que a, y la variable toma los valores enteros empezando por a, a+1, a+2, etc. hasta el valor mximo b. Por ejemplo, cuando se observa el nmero obtenido tras el lanzamiento de un dado perfecto, los valores posibles siguen una distribucin uniforme discreta en {1, 2, 3, 4, 5, 6}, y la probabilidad de cada cara es 1/6.

Valores: x: a, a+1, a+2, ..., b, nmeros enteros Parmetros: a: mnimo, a entero b: mximo, b entero con a < b

2.2. DISTRIBUCIN POISSON La distribucin de Poisson, que debe su nombre al matemtico francs Simen Denis Poisson (1781-1840), ya haba sido introducida en 1718 por Abraham De Moivre como una forma lmite de la distribucin binomial que surge cuando se observa un evento raro despus de un nmero grande de repeticiones10. En general, la distribucin de Poisson se puede utilizar como una aproximacin de la binomial, Bin(n, p), si el nmero de pruebas n es grande, pero la probabilidad de xito p es pequea; una regla es que la aproximacin Poisson-binomial es buena si n20 y p0,05 y muy buena si n100 y p0,01. La distribucin de Poisson tambin surge cuando un evento o suceso raro ocurre aleatoriamente en el espacio o el tiempo. La variable asociada es el nmero de ocurrencias del evento en un intervalo o espacio continuo, por tanto, es una variable aleatoria discreta que toma valores enteros de 0 en adelante (0, 1, 2,...). As, el nmero de pacientes que llegan a un consultorio en un lapso dado, el nmero de llamadas que recibe un servicio de atencin a urgencias durante 1 hora, el nmero de clulas anormales en una superficie histolgica o el nmero de glbulos blancos en un milmetro cbico de sangre son ejemplos de variables que siguen una distribucin de Poisson. En general, es una distribucin muy utilizada en diversas reas de la investigacin mdica y, en particular, en epidemiologa. El concepto de evento raro o poco frecuente debe ser entendido en el sentido de que la probabilidad de observar k eventos decrece rpidamente a medida que k aumenta. Supngase, por ejemplo, que el nmero de reacciones adversas tras la administracin de un frmaco sigue una distribucin de Poisson de media lambda=2. Si se administra este frmaco a 1.000 individuos, la probabilidad de que se produzca una reaccin adversa (k=1) es 0,27; los valores de dicha probabilidad para k=2, 3, 4, 5, 6 reacciones, respectivamente, son: 0,27; 0,18; 0,09; 0,03 y 0,01. Para k=10 o mayor, la probabilidad es virtualmente 0. El rpido descenso de la probabilidad de que se produzcan k reacciones adversas a medida que k aumenta puede observarse claramente en el grfico de la funcin de densidad obtenido con Epidat 3.1:

Para que una variable recuento siga una distribucin de Poisson deben cumplirse varias condiciones:

a) En un intervalo muy pequeo (p. e. de un milisegundo) la probabilidad de que ocurra un evento es proporcional al tamao del intervalo. b) La probabilidad de que ocurran dos o ms eventos en un intervalo muy pequeo es tan reducida que, a efectos prcticos, se puede considerar nula. c) El nmero de ocurrencias en un intervalo pequeo no depende de lo que ocurra en cualquier otro intervalo pequeo que no se solape con aqul. Estas propiedades pueden resumirse en que el proceso que genera una distribucin de Poisson es estable (produce, a largo plazo, un nmero medio de sucesos constante por unidad de observacin) y no tiene memoria (conocer el nmero de sucesos en un intervalo no ayuda a predecir el nmero de sucesos en el siguiente). El parmetro de la distribucin, lambda, representa el nmero promedio de eventos esperados por unidad de tiempo o de espacio, por lo que tambin se suele hablar de lambda como la tasa de ocurrencia del fenmeno que se observa. A veces se usan variables de Poisson con "intervalos" que no son espaciales ni temporales, sino de otro tipo. Por ejemplo, para medir la frecuencia de una enfermedad se puede contar, en un perodo dado, el nmero de enfermos en cierta poblacin, dividida en "intervalos" de, por ejemplo, 10.000 habitantes. Al nmero de personas enfermas en una poblacin de tamao prefijado, en un instante dado, se le denomina prevalencia de la enfermedad en ese instante y es una variable que sigue una distribucin de Poisson. Otra medida para la frecuencia de una enfermedad es la incidencia, que es el nmero de personas que enferman en una poblacin en un periodo determinado. En este caso, el intervalo es de personastiempo, habitualmente personas-ao, y es tambin una variable con distribucin de Poisson. Habitualmente, ambas medidas se expresan para intervalos de tamao unidad o, dicho de otro modo, en lugar de la variable nmero de enfermos, se usa el parmetro lambda (el riesgo, en el caso de la prevalencia, y la densidad de incidencia, en el de incidencia). La distribucin de Poisson tiene iguales la media y la varianza. Si la variacin de los casos observados en una poblacin excede a la variacin esperada por la Poisson, se est ante la presencia de un problema conocido como sobredispersin y, en tal caso, la distribucin binomial negativa es ms adecuada. Valores: x: 0, 1, 2, ... Parmetros: lambda: media de la distribucin, lambda > 0

2.3. DISTRIBUCIN CONTINUA La distribucin emprica se utiliza frecuentemente para agregar de manera directa al modelo de datos actuales variables aleatorios continuas. Esta distribucin se puede usar como una alternativa para una distribucin terica cuando se tienen los valores que se acomodan a los datos. Rango: [ X1, Xn]

Parmetros: L a funcin continua en arena devuelve una muestra de una distribucin que define el usuario. Las parejas formadas por las probabilidades acumuladas (CumP) y los valores asociados (Val) se necesitan especificar. La muestra que retorna ser un nmero real comprendido entre X1 y Xn

2.4. DISTRIBUCIN DE ERLANG Erlang Se usa en situaciones en las que las actividades toman lugar en frases sucesivas y cada fase se tiene una distribucin exponencial. Para un nmero grande de k, Erlang se aproxima a la distribucin normal. Se usa frecuentemente para representar el tiempo requerido para completar una labor, esta distribucin es un caso especial de la distribucin Gamma, en la cual el parmetro de la Gamma es el entero k de la Erlang. Parmetros: Si X1, X2,.Xn son variables aleatorias exponencialmente distribuidas de manera independiente e idntica, entonces, la suma de estas n muestras tiene una distribucin Erlang k. La medida () de cada uno de los componentes y el nmero exponencial de variables aleatorias (k) son los parmetros para esta distribucin. La media exponencial se debe definir como un nmero entero positivo real, y k se define como un entero positivo. Rango: [ 0, + )

2.5. DISTRIBUCIN DE JOHNSON La flexibilidad de la distribucin Johnson permite ajusta muchos conjuntos de datos. Arena puede simular ambas clases de estilo (con y sin lmites), y para decidir cundo se quiere usar una y cundo se desea usar otra, simplemente se debe alterar el parmetro Delta (). En caso de que el valor de este parmetro sea positivo, se usar al forma con lmites; en caso contrario (<0), se escoger la forma sin lmites. Parmetros: El parmetro de forma (Y), los parmetros Delta (>0) y Lambda (>0) y el parmetro de ubicacin X1 ().