You are on page 1of 44

8.

Distribuciones continuas
1
Transformaciones de variables aleatorias
¹
´
¦
s s ÷
=
resto el en
x x
x f
0
1 1 2 / 3
) (
2
1 1
1 1
) 1 ( 2 / 1
1 0
) (
3
s s ÷
¦
¹
¦
´
¦
>
+
÷ <
= x
x
x
x
x F
2 / ) ( ) (
2 ) (
2 ) (
1
y y w y u x
x x u y
X X u Y
= = =
= =
= =
÷
Densidad
Distribución
Transformación o cambio de
variable aleatoria
¿Cuál será la función de densidad de
probabilidad transformada g(y)?
2
2
1
) 2 / (
2
1
) 2 / ( ' ) ( ' ) (
) 2 / ( ) 2 / ( ) 2 ( ) ( ) (
y f y F y G y g
y F y X P y X P y Y P y G
= = =
= s = s = s =
¹
´
¦
s s ÷
=
resto el en
y y
y g
0
2 2 16 / 3
) (
2
2 2
2 1
] 1 ) 2 / [( 2 / 1
2 0
) (
3
s s ÷
¦
¹
¦
´
¦
>
+
÷ <
= y
y
y
y
y G
3
Probemos ahora con una transformación que no sea
biyectiva, como:
y y w y u x
x x u y
X X u Y
± = = =
= =
= =
÷
) ( ) (
) (
) (
1
2
2
y
y f
y
y f
y
y F
y
y F y G y g
y F y F
y X y P y X P y Y P y G
2
1
) (
2
1
) (
2
1
) ( '
2
1
) ( ' ) ( ' ) (
) ( ) (
) ( ) ( ) ( ) (
2
÷ + +
=
÷
÷ ÷ + = =
÷ ÷ + =
+ s s ÷ = s = s =
4
¹
´
¦
s s
=
resto el en
y y
y g
0
1 0 2 / 3
) (
1 0
1 1
0 0
) ( s s
¦
¹
¦
´
¦
>
<
= y
y
y y
y
y G
5
Distribución log-normal Log-N(µ,o)

Se trata de la densidad de probabilidad de una variable log x
distribuida según una función normal:



X
e Y N X = = ) , ( o µ
y
y f
y
y F y G y g
y F y X P y e P y Y P y G
X
1
) (log
1
) (log ' ) ( ' ) (
) (log ) log ( ) ( ) ( ) (
= = =
= s = s = s =
0 ;
2
) (log
exp
1
2
1
) (
2
2
>
|
|
.
|

\
|
÷
÷ = y
y
y
y g
o
µ
o t
6
7
8
9
Distribución exponencial Exp (ì)
La distribución exponencial es el equivalente continuo de
la distribución geométrica discreta. Que recordemos era:
( ) ... , , , x p p x X P p G
x
2 1 0 , 1 ) ( ) ( = ÷ = = =
Describe procesos en los que nos interesa saber el
tiempo hasta que ocurre un determinado evento,
sabiendo que el tiempo que puede transcurrir desde
cualquier instante dado t, hasta que ello ocurra en un
instante t
f
, no depende del tiempo transcurrido
anteriormente.
10
Distribución exponencial Exp (ì)
Ejemplos de este tipo de
distribuciones son: el tiempo que
tarda una partícula radiactiva
en desintegrarse (datación de
fósiles o cualquier materia
orgánica mediante la técnica del
carbono 14) o el tiempo que
puede transcurrir en un servicio
de urgencias, para la llegada de
un paciente.

11
Distribución exponencial Exp (ì)
En un proceso de Poisson donde
se repite sucesivamente un
experimento a intervalos de
tiempo iguales, el tiempo que
transcurre entre la ocurrencia de
dos "sucesos raros" consecutivos
sigue un modelo probabilístico
exponencial. Por ejemplo, el
tiempo que transcurre entre que
sufrimos dos veces una herida
importante (o una coz de burro,
recuerda...) 12
0 , 0 para ) ( > > =
÷
ì ì
ì
x e x f
x
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
0 1 2 3 4 5 6 7 8
ì = 2.0
ì = 1.0
ì = 0.5
ì = 0.2
1
) (
0
0
= ÷ =
=
· +
÷

÷

· ÷
} }
x
x
e
dx e dx x f
ì
ì
ì
Distribución exponencial Exp (ì)
ì
ì µ
ì
1
0
= =
}
· +
÷
dx e x
x
Vida media
13
x
x
t
x
t
e e dt e
ì ì ì
ì
÷ ÷ ÷
÷ = ÷ =
}
1
0 0
Distribución exponencial Exp (ì)
¹
´
¦
s
> ÷
=
÷
0 , 0
0 , 1
) (
x
x e
x F
x ì
14
15
16
Tippex de Powerpoint
17
18
20
21
22
23
En instalaciones o
aparatos con posibilidad
de accidentes graves:
centrales nucleares,
aviones, coches,... es
imprescindible conocer la
probabilidad de que éstos
acontezcan durante la
vida del sistema.
Fiabilidad
25

Definimos la variable aleatoria:

T = tiempo durante el que el elemento funciona
satisfactoriamente antes de que se produzca un
fallo.

La probabilidad de que el elemento proporcione
unos resultados satisfactorios en el momento t se
puede definir como la fiabilidad o confiabilidad:


R(t) = P(T > t)


Fiabilidad
26
La infiabilidad Q(t) es la probabilidad de que ocurra un
fallo antes del instante t: Q(t) = F(t) = 1 - R(t)
Sea λ(t) la tasa de fallos o averías por unidad de tiempo.
Supongamos que un elemento funciona en el instante t.
La probabilidad condicional de que se produzca una
avería entre el momento t y el t + dt puede escribirse:
( )
) (
) (
) (
); (
) (
) (
) (
1
) (
) ( ) (
) (
1
) (
) (
) ( ) (
) (
) ( ) (
) | (
t
t d
t R Ln d
t
t d
t dR
t R
t
t
t t R t R
t R
t t
t R
t t R t R
t R
t Q t t Q
t T t t T t P
ì ì
ì
ì
÷ = = ÷
=
A
A + ÷
A =
A + ÷
=
÷ A +
= > A + s s
|
.
|

\
|
÷ =
}
t
dt t Exp t R
0
) ( ) ( ì
27
La curva de la bañera
Curva típica de evolución de la tasa de fallos
Existencia inicial
de dispositivos
defectuosos o
instalados
indebidamente
con una tasa de
fallos superior a
la normal.
Esta tasa de fallos elevada
va disminuyendo
con el tiempo hasta alcanzar
un valor casi constante.
Fallos normales o aleatorios. El comportamiento de la
tasa es constante durante esta etapa y los fallos son
debidos a las propias condiciones normales de trabajo
de los dispositivos o a solicitaciones ocasionales
superiores a las normales.
La tercera etapa
de fallos de
desgaste es
debida a la
superación de la
vida prevista del
componente
cuando
empiezan a
aparecer fallos
de degradación
como
consecuencia
del desgaste. Se
caracteriza por
un aumento
rápido de la tasa
de fallos.
28
Si la tasa de fallos o averías por unidad de tiempo es
constante: λ(t) = λ, tendremos que la fiabilidad es:
|
.
|

\
|
÷ =
}
t
dt t Exp t R
0
) ( ) ( ì
) ( ) ( ) (
0
t Exp dt t Exp t R
t
ì ì ÷ =
|
.
|

\
|
÷ =
}
una densidad de probabilidad exponencial.
Esta fórmula de fiabilidad se aplica a todos los dispositivos
que han sufrido un rodaje apropiado que permita excluir los
fallos iniciales, y que no estén afectados aún por el
desgaste (la zona plana de la bañera).

29
En 1951 Weibull propuso que la expresión empírica más
simple capaz de ajustar a una gran variedad de datos reales:
|
.
|

\
|
÷ =
}
t
dt t Exp t R
0
) ( ) ( ì
(
(
¸
(

¸

|
|
.
|

\
| ÷
÷ = ¬
|
|
.
|

\
| ÷
=
}
| |
q q
ì
0 0
0
) ( ) (
t t
Exp t R
t t
dt t
t
(
(
¸
(

¸

|
|
.
|

\
| ÷
÷
|
|
.
|

\
| ÷
=
(
(
¸
(

¸

|
|
.
|

\
| ÷
÷ ÷ =
÷ | |
|
q q q
|
q
0
1
0
0
) (
1 ) (
t t
Exp
t t
t f
t t
Exp t F
¦
¦
¹
¦
¦
´
¦
÷ =
=
=
0
1
t t y
r
q
ì
|
30
Distribución de Weibull W(r, ì)
r
X Y Exp X
/ 1
) ( = = ì
1 1
/ 1
) ( ) ( ' ) ( ' ) (
) ( ) ( ) ( ) ( ) (
÷ ÷
= = =
= s = s = s =
r r
X
r r
X Y Y
r
X
r r
Y
ry y f ry y F y G y g
y F y X P y X P y Y P y G
0 ; ) (
1
> =
÷ ÷
y e ry y g
r
y r ì
ì
31
Función generatriz de momentos
}
¿
· +
· ÷
= =
= = =
dx x f e e E t g
x X P e e E t g
tx tX
i
i
tx tX
i
) ( ] [ ) (
) ( ] [ ) (
...
! 3 ! 2
1
) ( ...
! 3 ! 2
1 ] [ ) (
3
3
2
2
1
3
3
2
2
+ + + +
=
|
|
.
|

\
|
+ + + + = =
}
· +
· ÷
m
t
m
t
tm
dx x f x
t
x
t
tx e E t g
tX
0
) (
=
=
t
k
k
k
dt
t g d
m
Discreta
Continua
32
Función característica
}
¿
· +
· ÷
= =
= = =
dx x f e e E t
x X P e e E t
itx itX
i
i
itx itX
i
) ( ] [ ) (
) ( ] [ ) (
¢
¢
Observemos que:
}

· ÷
÷
= dt t e x f
itx
) (
2
1
) ( ¢
t
a partir de la anti-transformada de Fourier de la función
característica obtenemos la densidad de probabilidad.
33
Desarrollando en Taylor la función característica
alrededor de t = 0:
...
!
...
! 2
1 ) (
2
2
2
1
+ + + + + =
k
k
k
t m
k
i
t m
i
t im t ¢
...
!
) 0 (
...
! 2
) 0 ( ' '
) 0 ( ' ) 0 ( ) (
) (
2
+ + + + + =
k
k
t
k
t t t
¢ ¢
¢ ¢ ¢
k
k k k
k
k
itX k k
k
k
itX
itX
itX
m i X i E
dt
d
e X i E
dt
t d
m i X i E e X i E t
im iX E iXe E t
e E t
= = ÷ =
= = ÷ =
= = ÷ =
= ÷ =
] [
) 0 (
] [
) (
...
] [ ) 0 ( ' ' ] [ ) ( ' '
] [ ) 0 ( ' ] [ ) ( '
1 ) 0 ( ] [ ) (
2
2 2 2 2 2
1
¢ ¢
¢ ¢
¢ ¢
¢ ¢
0
) ( 1
=
=
t
k
k
k
k
dt
t d
i
m
¢
34
it
e
it
dx e
dx e e dx x f e e E t
x it x it
x itx itx itX
÷
=
÷
÷ =
= = = =
· +
÷ ÷
· +
÷ ÷

· ÷
÷

· ÷
}
} }
ì
ì
ì
ì
ì
ì ¢
ì ì
ì
0
) (
0
) (
) ( ] [ ) (
ì
¢
ì
¢
ì
ì
¢
1 ) 0 ( '
] [
) 0 ( '
) (
) ( '
2
= =
=
÷
=
i
X E
i
it
i
t
2 2 2
2 2 2
2 2
2
2
2
3
2
1 1 2
]) [ ( ] [
2 ) 0 ( ' '
] [
2
) 0 ( ' '
) (
2
) ( ' '
ì ì ì
o
ì
¢
ì
¢
ì
ì
¢
= ÷ = ÷ =
= =
=
÷
=
X E X E
i
X E
i
it
i
t
Calculemos la esperanza y la varianza de la distribución exponencial.
35
Sean {X
1
, X
2
, ... , X
N
} n variables aleatorias independientes
con funciones características {¢
1
(t), ¢
2
(t), ... , ¢
N
(t)

}, e
Y = X
1
+ X
2
+ ... + X
N
.

Entonces:
[
=
=
n
i
i Y
t t
1
) ( ) ( ¢ ¢
Ejemplo:
Sean X
1
= Exp(ì), X
2
= Exp(ì) ... , X
n
= Exp(ì) n variables
aleatorias independientes. ¿Cómo se distribuye Y = X
1
+
X
2
+ ... + X
n
?
n
n
k
Y
k
it it
t
n k
it
t
|
.
|

\
|
÷
=
÷
=
=
÷
=
[
=
ì
ì
ì
ì
¢
ì
ì
¢
1
) (
..., , 2 , 1 ; ) (
36
Distribución de Erlang Er(n, ì )
0 0 , ;
) (
) (
1
> >
I
=
÷ ÷
x n e x
n
x f
x n
n
ì
ì
ì
n
n
n
u n
n
n
u
n
n
x it n
n
x n
n
itx itx itX
it
n
it n
du e u
it n
du
it
e
it
u
n
dx e x
n
dx e x
n
e dx x f e e E t
|
.
|

\
|
÷
= I
÷ I
=
÷ I
=
÷
|
.
|

\
|
÷ I
=
I
=
I
= = =
}
} }
} }
· +
÷ ÷
· +
÷
÷
· +
÷ ÷ ÷
· +
· ÷
÷ ÷
· +
· ÷
ì
ì
ì
ì
ì
ì
ì ì
ì ì
ì
¢
ì
ì
) (
) (
1
) ( ) (
1
) (
1
) ( ) (
) (
) ( ] [ ) (
0
1
0
1
0
) ( 1
1
37
40
41
42
43
44