You are on page 1of 13

02/05/2011

Función de Densidad f(x)
Se utiliza para describir la distribución de probabilidad de una variable aleatoria continua X. Si es factible que un intervalo contenga un valor de X, entonces su probabilidad es grande y corresponde a valores grandes de f(x). La probabilidad de que X esté entre a y b se determina como la integral de f(x) de a a b
P(a < X < b)

f(x)

a

b

x

1

b]. Función de Distribución Acumulada La distribución de probabilidad de una variable aleatoria es una función que asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra.b] con la probabilidad de cualquier otro intervalo de longitud igual o diferente. La forma de f(x) determina la manera en que se compara la probabilidad de que X asuma un valor en el intervalo [a. Mediante la elección apropiada de la forma de f(x). es posible representar las probabilidades asociadas con cualquier variable aleatoria X.02/05/2011 El punto importante es que f(x) se usa para calcular un área que representa la probabilidad de que X asuma un valor en [a. 2 .

La media o valor esperado de X. es La varianza de X. denotada por V(X) o σ2 . denotada como µ o E(X). es Distribución Continua Uniforme 3 .02/05/2011 Media y Varianza de una variable aleatoria continua Suponga que X es una variable aleatoria continua con función de densidad de probabilidad f(X).

El interés esta en el tiempo entre conteos de falla que es una variable aleatoria. 4 .02/05/2011 Distribución Exponencial La variable aleatoria X que es igual a la distancia entre conteos sucesivos de un proceso de Poisson con media λ > 0 tiene una distribución exponencial con parámetro λ. Sea que X denote el tiempo desde cualquier punto inicial hasta que se detecta una falla.

e-λ(75) El tiempo promedio hasta la siguiente falla es: µ = 1 / λ (horas) Entonces el parámetro λ tendrá unidades de [fallas/hora] 5 . Por ejemplo: Determinar el intervalo de tiempo tal que la probabilidad de que no haya falla en la máquina durante el intervalo sea de 0.9.9 La probabilidad de que se produzca una falla en un lapso de 75 horas será: P(X ≤ 75) = 1.P(X ≤ x) = e-λx = 0. medias y varianzas en las que intervengan variables aleatorias exponenciales.02/05/2011 Es importante usar unidades consistentes en el cálculo de probabilidades. Ahora bien: P(X>x)= 1. Se pide el tiempo X tal que P(X>x)=0.9.

02/05/2011 Distribución Gamma 6 .

Distribución Weibull 7 . pero p > 0. Si teniendo una variable aleatoria exponencial que describe la longitud del intervalo hasta que se obtiene el primer conteo en un proceso de Poisson. Si el parámetro p de una variable aleatoria de Erlang no es un entero. entonces la variable aleatoria tiene una distribución gamma. Una generalización de la distribución Exponencial es la longitud hasta que ocurran p conteos en un proceso de Poisson es una variable aleatoria de Erlang.02/05/2011 La distribución de Erlang es un caso especial de la distribución gamma.

Si X tiene una distribución de Weibull con parámetros α y β. disminuye con el tiempo (algunos semiconductores) o permanece constante con el tiempo ( fallas causadas por interferencias externas al sistema). Los parámetros de la distribución confieren una gran flexibilidad para modelar sistemas en los que el número de fallas aumenta con el tiempo (desgaste por rodamientos).02/05/2011 Como se mencionó anteriormente. Es común usa la función de distribución acumulada para calcular probabilidades. La variable aleatoria X con función de densidad de probabilidad Tiene una distribución de Weibull con parámetro de escala β > 0 y parámetro de forma α > 0. entonces la función de distribución acumulada de X es: 8 . la distribución Weibull se usa con frecuencia para modelar el tiempo hasta que ocurre una falla en muchos sistemas físicos diferentes.

02/05/2011 Si X tiene una distribución de Weibull con parámetros α y β. Determinar el tiempo promedio para que ocurra una falla. entonces la media y la varianza de x son: Por ejemplo: El tiempo para que ocurra una falla (en horas) de un rodamiento en un eje mecánico se modela satisfactoriamente como una variable aleatoria de Weibull con α = 0.5 y β = 5000 horas. 9 .

02/05/2011 Determinar la probabilidad de que un rodamiento dure por lo menos 6.F(6000) = 0.301 En consecuencia.1 % de todos los rodamientos duran al menos 6000 horas. 30. Distribución Log-Normal 10 .000 horas. Ahora bien: P(X>6000)= 1.

a partir de los parámetros especificados. Lo hace con el método de máxima verosimilitud. especificando los parámetros.02/05/2011 Comandos Utilizados en MatLab *pdf : calcula la función de densidad de probabilidad para la distribución deseada. *rnd: genera números aleatorios provenientes de una distribución específica. evaluando el parámetro estimado y los datos. *inv: calcula el inverso de la función de distribución acumulada . especificando los parámetros de la función. 11 . *cdf: calcula la función de distribución de probabilidad acumulada deseada. especificando los parámetros y el correspondiente valor de probabilidad en P. especificando los parámetros. *like: calcula el negativo del logaritmo natural de máxima verosimilitud. *fit: estima el valor de los parámetros de la función especificada. *stat: retorna la media y la varianza para la función de distribución.

02/05/2011 12 .

02/05/2011 Test Bondad de Ajuste Chi-Cuadrado Test Bondad de Ajuste de Smirnov-Kolmogorov 13 .