You are on page 1of 6

Variables aleatorias

:
Es aquella variable que toma valores numéricos de
acuerdo a alguna (s) distribución (es) de probabilidad.

Las variables aleatorias pueden ser:
• Continuas (Adquieren valores numéricos reales)
• Discretos (Adquieren valores íntegros no negativos).

La distribución de probabilidad que asigna la probabilidad
de cada valor (en el caso de datos discretos) ó de un
intervalo de valores (en el caso de valores continuos) se
describe como:
.- PMF (Probability mass function) p(x) (V. Discretas)
.- PDF (Probability Density function) f(x) (V. Continua)
Las mismas describen la forma de la distribución de
probabilidades.

Para ambos casos se define la función de distribución
acumulada (CDF), F(x) la cual provee la probabilidad
acumulada. Se denota de la siguiente manera:
F(x) = Pr {X ≤ x}.
Por convención, la denotación en mayúsculas representa
la variable aleatoria mientras que, la denotación en
minúscula representa el valor particular que la variable
aleatoria pudiera asumir.
A continuación se indican algunos ejemplos de variables
aleatorias:
T= La variable aleatoria continua que representa el
tiempo de falla de un componente.
Y= La variable aleatoria discreta que representa el
número de fallas que ocurren en algún tiempo t.
W= La variable aleatoria continua que representa el
tiempo de reparación de un equipo ó sistema.
X= La variable aleatoria discreta que representa el
número de ciclos (on-off)

Distribuciones Discretas:
Para cualquier distribución discreta definiremos a
p(x) = Pr{ X = x} como la función de probabilidad de
masa (PMF) además podremos definir lo siguiente:
x
F ( x) = Pr{ X ≤ x} = ∑ p( ξ )
all
como la CDF. (1)
ξ

F(x) es monótonamente creciente con 0 ≤ F(x) ≤ 1 ;
particularmente F(0) = 0 y F(∞) = 1.
Además se tiene que:
1.- 0 ≤ p(x) ≤ 1

2.- ∑ p( x ) = 1
todax

3.- µ = ∑xp( x )
todax
define la media de la distribución.

4.- σ 2 = ∑ ( x − µ ) 2 p( x) es la varianza de la
distribución.
De las distribuciones discretas más utilizadas en
confiabilidad tenemos la distribución binomial y la
distribución Poisson.

Distribución Binomial:
Supongamos que X es la Vad (Variable aleatoria
discreta) que representa el número de aciertos en n
intentos independientes donde la probabilidad de éxito
en cada intento se define como una constante p.
X = 0,1,2,3,....,n. La PMF se define así:

n x n− x
; x = 0,1,2,....,n ; p(x) =   p (1 − p )
x

n n!
donde   =
 x  (n − x)! x!
La media, o valor esperado es E(X) = np
La varianza es Var(X) = np(1-p).
Ejemplo:
Una línea de envasado de productos farmacéuticos
contiene 5 componentes idénticos e independientes en
los que cada uno de ellos tiene el chance de 1 en 100
de fallar. Supongamos que X es la Vad que representa
el número de componentes que fallaron de esos cinco.
Suponiendo que el fenómeno puede ser representado
por una distribución Binomial. Determine el número
promedio de fallas, su varianza y la probabilidad de
obtener exactamente una falla, ¿Cuál sería la
probabilidad de obtener exactamente dos fallas?
Solución:
X= 0,1,2,....,5
P= 1/100 = 0.01 y n = 5.
Por lo tanto el número promedio de fallas es E(X) = np,
Sustituyendo se obtiene que E(X) = 5(0.01)=0.05
fallas.
La varianza es Var(X) = np(1-p)
Var(X) = 0.05(0.99)= 0.0495.
La probabilidad de tener exactamente una falla es:

n x n− x
p(x) =   p (1 − p )
x

5 1 5−1
p(1) =  0.01 (0.99) = 0.048.
1
La probabilidad de tener exactamente dos fallas es:

5 2 5− 2
p(2) =  0.01 (0.99) = 2.42 x10 −4
2
Distribución Poisson:
Supongamos que X es la Vad (Variable aleatoria
discreta) que representa el número de ocurrencias
(eventos) aleatorios en un número específico de
tiempo;X = 0,1,2,3,....; La PMF se define como:

e − λ (λ ) x
p( x) = x= 0,1,2,....
x!
La media, o valor esperado es E(X) = λ
La varianza es Var(X) =λ.
Ejemplo:
Suponga que X es una Vad que representa el número
de fallas y las consecuentes reparaciones de una línea
de ensamblaje de equipos mecánicos en un año de
producción. Suponga que X tiene una distribución
Poisson con una media de λ= 2 fallas por año.
Calcule la probabilidad de tener no más de 1 falla al
año.

1
e −2 2 x
Pr{x ≤1}= F(1)= ∑ = 0.406
x =0 x!