Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Distribuciones continuas
1
Transformaciones de variables aleatorias
Densidad
3 / 2 x2 1 x 1
f ( x)
0 en el resto
Distribucin 0 x 1
F ( x) 1 / 2 ( x 3 1) 1 x 1
1 x 1
Y u( X ) 2 X
Transformacin o cambio de
variable aleatoria y u( x ) 2 x
1
Cul ser la funcin de densidad de
probabilidad transformada g(y)?
x u ( y ) 2 w( y ) y / 2
G ( y ) P(Y y ) P (2 X y ) P( X y / 2) F ( y / 2)
1 1
g ( y ) G ' ( y ) F ' ( y / 2) f ( y / 2)
2 2
3 / 16 y 2 2 y 2
g ( y)
0 en el resto
0 y 2
G ( y ) 1 / 2 [( y / 2) 3 1] 2 y 2
1 y2
3
Probemos ahora con una transformacin que no sea
biyectiva, como:
Y u( X ) X 2
y u( x ) x 2
1
x u ( y ) w( y ) y
G ( y ) P(Y y ) P ( X 2 y ) P( y X y )
F ( y ) F ( y )
1 1
g ( y ) G ' ( y ) F ' ( y ) F ' ( y )
2 y 2 y
1 1
f ( y) f ( y )
2 y 2 y 4
3/ 2 y 0 y 1
g ( y)
0 en el resto
0 y0
G( y) y y 0 y 1
1 y 1
5
Distribucin log-normal Log-N(,)
Se trata de la densidad de probabilidad de una variable log x
distribuida segn una funcin normal:
X N ( , ) Y e X
G ( y ) P (Y y ) P (e X y ) P( X log y ) F (log y )
1 1
g ( y ) G ' ( y ) F ' (log y ) f (log y )
y y
1 1
(log y ) 2
g ( y) exp ; y0
2 y 2 2
6
7
8
9
Distribucin exponencial Exp ()
La distribucin exponencial es el equivalente continuo de
la distribucin geomtrica discreta. Que recordemos era:
G ( p ) P ( X x) 1 p p, x 0 ,1, 2 , ...
x
11
Distribucin exponencial Exp ()
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 probabilstico
exponencial. Por ejemplo, el
tiempo que transcurre entre que
sufrimos dos veces una herida
importante (o una coz de burro,
recuerda...) 12
Distribucin exponencial Exp ()
x
f ( x ) e para x 0, 0
2.0
1.8
1.6
f ( x)dx e x
1.4
dx
1.2 0
x
1.0
0.8 e 1
0.6 0
0.4
0.2
0.0
0 1 2 3 4 5 6 7 8
1
Vida media xe x
dx
0 13
Distribucin exponencial Exp ()
x
t x
t x
e dt e 1 e
0 0
1 e x , x 0
F ( x)
0, x0
14
15
16
Relacin entre la distribucin de Poisson y la
exponencial
para todo s, t 0.
Interpretacin: Supongamos que queremos determinar la
probabilidad de que llegue un cliente en la prxima media
hora. Esta propiedad nos dice que nos da igual conocer
cuando lleg el ltimo cliente o calcular directamente cul
es la prob. De que llegue en los prox. 30 min SIN tener en
cuenta el pasado.
piden: P
(
X
|P
(X 105
X
105|X 5)
5)P10).
(X
El tiempo en que un producto est de moda en su mercado
se distribuye como una exponencial de parmetro 8 meses.
Si sabemos que ya lleva 5 de moda, cul es la
probabilidad de que dure 10 ms?
Sea X: tiempo que el producto est de moda. Nos
Por tanto
20
21
23
24
25
26
Fiabilidad
En instalaciones o
aparatos con posibilidad
de accidentes graves:
centrales nucleares,
aviones, coches,... es
imprescindible conocer la
probabilidad de que stos
acontezcan durante la
vida del sistema.
28
Fiabilidad
Definimos la variable aleatoria:
Q(t t ) Q(t ) R (t ) R (t t )
P (t T t t | T t ) (t )t
R (t ) R (t )
1 R (t ) R (t t )
(t )
R (t ) t
1 dR (t ) d Ln R (t )
(t ); (t )
R(t ) d (t ) d (t )
t
R (t ) Exp
30
0 (t ) dt
La curva de la baera La tercera etapa
de fallos de
Curva tpica de evolucin de la tasa de fallos
desgaste es
debida a la
superacin de la
vida prevista del
componente
cuando
empiezan a
aparecer fallos
Existencia inicial de degradacin
de dispositivos como
defectuosos o consecuencia
instalados del desgaste. Se
indebidamente caracteriza por
con una tasa de un aumento
fallos superior a rpido de la tasa
la normal. de fallos.
32
R (t ) Exp (t )dt
t
t t t0
t t
0 (t )dt R (t ) Exp 0
t t
F (t ) 1 Exp 0
r
1
t t0
1
t t0
f (t ) Exp
33 y t t0
Distribucin de Weibull W(r, )
X Exp( ) Y X 1/ r
GY ( y ) P (Y y ) P ( X 1/ r y ) P ( X y r ) FX ( y r )
gY ( y ) G 'Y ( y ) F ' X ( y r )ry r 1 f X ( y r )ry r 1
r 1 y r
g ( y ) ry e ; y0
34
Funcin generatriz de momentos
Discreta g (t ) E[e ] e P ( X xi )
tX txi
i
Continua g (t ) E[e ] e f ( x)dx
tX tx
2
t 2 t 3 3
g (t ) E[e ] 1 tx x x ... f ( x)dx
tX
2! 3!
2 3
t t
1 tm1 m2 m3 ... k
d g (t )
2! 3! mk k
dt t 0
35
Funcin caracterstica
(t ) E[e ] e P ( X xi )
itX itxi
i
(t ) E[e ] e f ( x)dx
itX itx
Observemos que:
1
e (t )dt
itx
f ( x)
2
2! k!
1 d k (t )
mk k k
37 i dt t 0
Calculemos la esperanza y la varianza de la distribucin exponencial.
(t ) E[e ] e f ( x)dx e e
itX itx itx x
dx
( it ) x
( it ) x
e dx e
0 it 0 it
i 2i 2
' (t ) ' ' (t )
( it ) 2 ( it ) 3
2
i 2i
' ( 0) ' ' ( 0) 2
' ( 0) 1 ' ' ( 0) 2
E[ X ] E[ X ] 2 2
2
i i
2 1 1
E[ X ] ( E[ X ])38 2 2 2
2 2 2
Sean {X1, X2, ... , XN } n variables aleatorias independientes
con funciones caractersticas {1(t), 2(t), ... , N(t) }, e
Y = X1+ X2+ ... + XN.
n
Entonces:
Y (t ) i (t )
i 1
Ejemplo:
Sean X1 = Exp(), X2 = Exp() ... , Xn = Exp() n variables
aleatorias independientes. Cmo se distribuye Y = X1+
X2+ ... + Xn?
k (t ) ; k 1, 2, ..., n
it
n
n
Y (t )
k 1 it it 39
Distribucin de Erlang Er(n, )
n
n 1 x
f ( x) x e ; n, 0 x 0
( n)
n
(t ) E[e itX ] e itx f ( x)dx eitx x n 1e x dx
( n)
n 1
n
n
u
1
n 1 ( it ) x u
x e dx e du
( n) 0 ( n) 0
it it
n
n
1 n
1
n 1 u
u e du ( n)
(n) ( it ) n 0 (n) ( it ) n
it
40
41
42
43
45
46
47
50