You are on page 1of 18

INSTITUTO POLITÉCNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA

PLANTEL AZCAPOTZALCO

Probabilidad y Estadística

Titular: Ing. Edmundo López Hernández

Presenta: Domínguez Castro Arturo Espinosa Espinosa Mario Eduardo García Ríos Luis Missael López Molina Diego Santos Ginés Roberto Hiram

6MM4

Distribución de Probabilidades Probabilidad
Fecha de entrega: 21/Mayo/2013

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO .

................................ 8 Distribución de probabilidad Weibull..................................................................6 Distribución de probabilidad ji-cuadrada ............................................................... gamma y Weibull ....................... 17 ............................... ...... .......................7 Distribución de probabilidad T ............................................................................... 15 4..........8 Distribución de probabilidad F ............................. 4 Distribución de probabilidad Gamma ...............................q) . 4 Distribución de probabilidad Beta (p........................................................................................................ ............5 Distribuciones de probabilidad beta.....................INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Contenido 4........ 11 4.................... 16 4................................................................

La distribución gamma deriva su nombre de la bien conocida función gama. gamma y Weibull . Las distribuciones exponencial y gamma juegan un papel importante en teoría de colas y problemas de confiabilidad. Resulta que la distribución exponencial es un caso especial de la distribución gamma. que se estudia en muchas áreas de las matemáticas. si su función de densidad está dada por: ( ) { ( ) Cuando α>0 y β>0 El siguiente teorema y corolario dan la media y la varianza de la función gamma y exponencial  La media y la varianza de la distribución gamma son Para encontrar la media de la distribución gamma. Ahora para la distribución gamma: La variable aleatoria X tiene una distribución gamma. La relación entre la gamma y la exponencial permite que la gamma se involucre en tipos de problemas similares. Los tiempos entre llegadas en instalaciones de servicio y tiempo de fallas de partes componentes y sistemas eléctricos. Distribución de probabilidad Gamma En la ciencia e ingeniería hay numerosas situaciones que requieren funciones de densidad. Dos de estas funciones reciben el nombre de gamma y exponencial. con parámetros de α y β.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO 4. Ambas encuentran un gran número de aplicaciones.5 Distribuciones de probabilidad beta. escribimos ( ) ( ) ∫ . a menudo quedan bien modeladas mediante la distribución exponencial.

β se llama tiempo medio entre fallas. donde la falla de equipo a menudo ajusta a este proceso de Poisson. procedemos como antes para obtener ( Y entonces: ( ) ( ) ) ( ( ) ) ( ) . En teoría de confiabilidad. Sea la variable aleatoria X el tiempo en minutos que transcurre antes de que lleguen dos llamadas la probabilidad que se requiere está dada por ( ) ∫ . que da ( ) ∫ ( ( ) ) Para encontrar la varianza de la distribución gamma.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Ahora bien sea y=x/β . ¿Cuál es la probabilidad de que pase más de un minuto hasta que lleguen dos llamadas al conmutador? Solución El proceso de Poisson se aplica al tiempo que pasa hasta la ocurrencia de dos eventos de Poisson que siguen una distribución gamma con β=1/5 y α=2 . El parámetro β importante es el tiempo medio entre eventos. Ejemplo: Suponga que las llamadas telefónicas que llegan a un conmutador particular siguen un proceso de Poisoon con un promedio de cinco llamadas que tengan por minuto. El siguiente es un ejemplo numérico del uso de la distribución gamma en una aplicación de tiempo de espera.

tiene una distribución gamma con α=5 y β=10. hay mucho ejemplos donde una distribución gamma trabaja muy bien aunque no exista una estructura de Poisson clara.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO ( ) ∫ . ¿Cuál es la probabilidad de que una rata no sobreviva más de 60 semanas? Solución Sea la variable aleatoria X el tiempo de sobrevivencia( tiempo para morir). El toxico es uno que se descarga con frecuencia en la atmosfera desde el combustible de los aviones. Esta función se escribe como: ( Si hacemos y= X/β. Esto es particularmente cierto para problemas de tiempo de sobrevivencia en aplicaciones de ingeniería y biomédicas. Ejemplo 2: En un estudio biomédico con ratas se usa una investigación de respuesta a la dosis para determinar el efecto de la dosis de un toxico en tu tiempo de sobrevivencia. Para cierta dosis del toxico el estudio determina que el tiempo de sobrevivencia. X=βy tenemos ( ) ∫ ( ) ) ∫ ( ) . en semanas. La probabilidad que se requiere es ( ) ∫ ( ) ∫ ( ) ( ) La integral anterior se puede resolver a través del uso de la función gamma incompleta que resulta ser la función de distribución acumulada para la distribución gama. ( ) ( )- Mientras el origen de la distribución gamma trata con el tiempo(o espacio) hasta la ocurrencia de α eventos de Poisson.

24 .4).INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO que se denota como F(6:5) en la tabla de la función gamma incompleta del apéndice A. para este problema la probabilidad de que la rata no sobreviva más de 60 días está dada por ( ) ( ) Ejemplo 3: Si una variable aleatoria X tiene una distribución gamma con α=2 y β=1 encuentre P(1.8<X<2. Nótese que esto permite un cálculo rápido de la probabilidad para la distribución gamma. En realidad. ( ) ∫ ∫ .

respectivamente La media y la varianza de esta distribución son. que se corresponde con una beta de parámetros p=1 y q=1.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Distribución de probabilidad Beta (p. p > 0 q: parámetro de forma.1). . denotada Beta(1.Campo de variación: 0≤x≤1 Parámetros: p: parámetro de forma. lo que la hace muy apropiada para modelar proporciones. Un caso particular de la distribución beta es la distribución uniforme en [0. mediante los que viene definida la distribución. pues adopta formas muy diversas dependiendo de cuáles sean los valores de los parámetros de forma p y q. es muy utilizada como distribución a priori cuando las observaciones tienen una distribución binomial.1]. Uno de los principales recursos de esta distribución es el ajuste a una gran variedad de distribuciones empíricas. q > 0 La función de densidad es Y la de distribución Siendo la función beta de Euler.q) La distribución beta es posible para una variable aleatoria continua que toma valores en el intervalo [0. por ejemplo. En la inferencia bayesiana.1].

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Y Ejemplo: .

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO .

36. una columna de acero se puede torcer o un dispositivo sensor de calor puede fallar.04265997 = 21. con parámetros α y β si su función de densidad esta dada por: ( ) Donde α>0 y β>0. Se quiere saber qué cantidad de dicho mineral se espera encontrar en una muestra de 500 gr. { . Otra distribución que se utiliza con amplitud en años recientes para tratar con tales problemas es la distribución de Wibull que introdujo el físico sueco Waloddi Weibull en 1939. Por ejemplo. Vimos el papel de distribuciones tales como gamma y el papel que juegan en estos tipos de problemas. un fusible se puede quemar. Se espera encontrar en la muestra referida 500 × E[X] = 500 × 0.63. La variable aleatoria continua X tiene una distribución de Weibull . La probabilidad que se solicita supera ligeramente a 0. así como la probabilidad de que la proporción supere el 3%.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Ejemplo: La fracción de cierto mineral presente en muestras geológicas sigue una distribución beta de parámetros a=0.34 y b=7. todos sujetos a idénticas condiciones ambientales fallaran en momentos diferentes e impredecibles.33 gr. Distribución de probabilidad Weibull. La tecnología moderna nos capacita para diseñar muchos sistemas complicados cuya operación. depende de la confiabilidad de los diversos componentes que forman los sistemas. o quizá seguridad.

Por tanto. medido de algún tiempo específico hasta que falla. si R(t) se define como la confiabilidad del componente dado en el tiempo t. La media y varianza de la distribución de Weibull se establecen en el siguiente teorema. De aquí: ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) . con función de densidad de probabilidad f(t). las curvas se vuelven un poco en forma de campana y recuerdan las curvas normales. la distribución de Weibull también se aplica a problemas de confiabilidad y de tiempos de vida como los del tiempo de falla o duración de la vida de un componente. Representemos este tiempo de falla mediante la variable aleatoria continua T. Para valores de β>1. La media y la varianza de la distribución de Weibull son: ( ) * ( ) [ ( )] + Como la distribución gamma y la exponencial. La probabilidad condicional de que un componente caiga en el intervalo de T=t a dado que sobrevive al tiempo t. es ( ) ( ) ( ) Al dividir esta proporción ente ∆t y tomar el limite cuando ∆t→0. donde f(t) es la distribución de Weibull. denotada por Z (t).INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO La media y varianza de la distribución de Weibul se reduce a la distribución exponencial. Para aplicar la distribución de Weibull a la teoría de confiabilidad definamos primero la confiabilidad de un componente o producto como la probabilidad de que funcione apropiadamente por al menos un tiempo específico bajo condiciones experimentales específicas. pero muestran asimetría. podemos escribir ( ) ( ) ∫ ( ) ( ) Donde F (t) es la distribución acumulada de T. obtenemos la tasa de falla.

( ) ∫ ( ) o ( ) ∫ ( ) ( ) ( ) . podemos escribir la ecuación diferencial ( ) Y entonces resolver. ( )- Donde c satisface la suposición inicial de que R (0)=1 o F (0)=1-R (0)=0. Ejemplo Muestre que la función de tasa falla está dada por ( ) Si y solo si la distribución del tiempo para la falla es la distribución de Weibull ( ) Solución. Del hecho de que R (t)=1-F8t) y entonces R´ (t)=-F (t). Suponga que ( ) . De aquí: ( ) Y .INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Que expresa la tasa de falla en términos de la distribución del tiempo de falla. Vemos así que un conocimiento de la función de densidad f (t) o la tasa de falla Z (t) determina unívocamente la otra . encontramos que c=1.Entonces podemos escribir ( ) Donde ( ) ∫ ) ∫ ( ) ( ) De la condición de que R(0)=1.

. del 95% restante. aplicar logaritmos y resolver la ecuación resultante. and Total Hydrocarbon Emission Factors". Ejemplo : Sea X = la pérdida de peso por corrosión para una pequeña placa cuadrada de aleación de magnesio inmersa durante 7 días en una solución acuosa al 20% de MgBr. El valor c. J. Al aislar el término exponencial en un lado. (g/gal) que emite un motor de cuatro tiempos elegido al azar..3 como el percentil 95 de la distribución de vida útil.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO ( ) Ahora si suponemos que ( ) Entonces Z(t) está determinada al escribir ( ) Donde ( ) Entonces ( ) Ejemplo: En años recientes. entonces la distribución está concentrada casi por completo en valores entre O y 25. satisface. que separa 5% de las máquinas que tienen las cantidades más grandes de emisiones de NO. Entonces . la distribución de Weibull se ha empleado para modelar emisiones de varios contaminantes de motores. ( ) ( ) . 2002: 435-448). se obtiene c = 17. . Sea X la cantidad de NO. / ( ) ( ) ´ ( ) ∫ ∫ De manera similar. of the Air and Wuste Manugement Assoc. ( ) . y suponga que X tiene una distribución de Weibull con = 2 y 𝜷 =10 (según se indica en la información del artículo "Quantification of Variability and Uncertainty en Lawn and Garden Equipment NO.

los valores para a y /3 se tomaron como 1. aunque en el artículo se usó una elección de parámetros un poco distinta.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Suponga que la pérdida de peso mínima posible es y = 3 y que el exceso X . La variable aleatoria continua X tiene una distribución ji cuadrada. La distribución tiene un solo parámetro .8 y 3. Industrial Quality Control. Este resultado se llama distribución ji cuadrada. donde v es un entero positivo. respectivamente. agosto de 1964: 71-78. si su función de densidad está dada por ( ) { ( ) La distribución ji cuadrada juega un papel vital en la inferencia estadística. v . la fda de X es ( Por lo tanto.67. con v grados de libertad. La media y varianza de la distribución ji cuadrada son . Se considera un caso especial de la distribución gamma se obtiene al hacer α=v/2 y β=2.) Entonces. Tiene una aplicación considerable en la metodología y en la teoría. (Este ejemplo se consideró en "Practica1 Applications of the Weibull Distribution".6 Distribución de probabilidad ji-cuadrada .3 sobre este mínimo tiene una distribución de Weibull con = 2 y 𝜷= 4. llamado grados de libertad. ( Y ( ) ) ( ( ) ) ) ( ) { 0 1 4.

Si Z y V son independientes.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO 4. pues ambas son simétricas alrededor de una media de cero. ̅ y . mientras que los valores Z dependen solo de los cambios de ̅ de una muetras a otra . Esta distribución desempeña un papel importante en la inferencia estadística asociada a la teoría de muestras pequeñas. debido al hecho de que los valores T dependen de las fluctuaciones de dos cantidades. A medida que aumentan los grados de libertad. o para comparar las medias de dos poblaciones. /√ 1 ( ) ( ) Corolario Sean variables aleatorias independientes que son todas normales con media μ y desviacion estandar σ . entonces la distribución de la variable aleatoria T . Sea . La distribución t de Student se construye como un cociente entre una normal y la raíz de una Ji-cuadrado independientes. LA distribucion T difiere en que que la varianza de T depende del tamaño de la muestra n y siempre es mayor que 1 . y viene definida por sus grados de libertad n. Se usa habitualmente en el contraste de hipótesis para la media de una población. donde: √ Esta dada por: 0 . Teorema Sea Z una variable aleatoria normal estándar y v una variable aleatoria ji cuadrada con v grados de libertad. Ambas distribuciones tienen forma de campana pero la distribución t es más variable. la distribución t de Student se aproxima a una normal de media 0 y varianza 1 (normal estándar).7 Distribución de probabilidad T También conocida como probabilidad t student esta distribución es similar a la distribución de z .

̅̅̅̅̅̅ √ tiene una distribución t con v=n-1 grados de Notación X: T(n) se lee "X tiene una distribución t de Student con n grados de libertad" Propiedades Si X:T(n ).INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO ̅̅̅̅̅̅̅̅̅̅̅̅̅ ∑ ( ̅) ∑ Entonces la variable aleatoria libertad.8 Distribución de probabilidad F La estadística F se define como la razón de dos variables aleatoria ji cuadrada independientes. . dividida cada una entre su número de grados de libertad de aquí podemos escribir: Donde U y V son variables aleatorias independientes que tienen distribuciones ji cuadradas con v1 y v2 grados de libertad. Entonces: ( ) 2 { 4. respectivamente.

tiene un papel importante en las técnicas del análisis de la varianza y del diseño de experimentos. / / . En este caso la variable aleatoria sigue una distribución F de Snedecor de parámetros n y m. /.INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERIA MECANICA ELECTRICA PLANTEL AZCAPOTZALCO Otra de las distribuciones importantes asociadas a la normal es la que se define como el cociente de dos variables con distribución Ji-cuadrado divididas por sus respectivos grados de libertad. / . Hay muchas aplicaciones de la F en estadística y. . en particular. n y m. La variable aleatoria X tiene la distribución F si su función de densidad de Probabilidad es: . ( ) { /.