8.

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

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 tf, no depende del tiempo transcurrido
anteriormente.
10
 Distribucin exponencial Exp ()
Ejemplos de este tipo de
distribuciones son: el tiempo que
tarda una partcula radiactiva
en desintegrarse (datacin de
fsiles o cualquier materia
orgnica mediante la tcnica del
carbono 14) o el tiempo que
puede transcurrir en un servicio
de urgencias, para la llegada de
un paciente.

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

Entre las distribuciones de Poisson y Exponencial existen

importantes relaciones.
Distribucin de Poisson: Sea Y una P( ) que representa el
nmero de llegadas en un intervalo de tiempo fijo. Recuerda que
es la esperanza de esta distribucin.
Distribucin exponencial: En este mismo problema
consideramos ahora el tiempo que transcurre entre dos llegadas.
Sea X la v.a que representa dicho tiempo. Se puede demostrar
que entonces X se distrubuye como una Exponencial().
 Pst|X
(X t)Ps).
(X
Propiedad de falta de memoria de la
distribucin exponencial
Se dice que la distribucin exponencial no tiene memoria.
Esto es

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 la propiedad de ausencia de memoria de las

distribuciones exponenciales sabemos que

Por tanto

P ( X 10) 1 P ( X 10) 1 (1 e 10*8

)e 10*8
Tippex de Powerpoint

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:

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) 29

 La infiabilidad Q(t) es la probabilidad de que ocurra un
fallo antes del instante t: Q(t) = F(t) = 1 - R(t)

Sea (t) la tasa de fallos o averas por unidad de tiempo.

Supongamos que un elemento funciona en el instante t.
La probabilidad condicional de que se produzca una
avera entre el momento t y el t + dt puede escribirse:

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.

Fallos normales o aleatorios. El comportamiento de la

Esta tasa de fallos elevada
va disminuyendo
con el tiempo hasta alcanzar
un valor casi constante.
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.
31
 R (t ) Exp (t )dt
t

Si la tasa de fallos o averas por unidad de tiempo es

constante: (t) = , tendremos que la fiabilidad es:

R(t ) Exp (t )dt Exp(t )

t

una densidad de probabilidad exponencial.

Esta frmula de fiabilidad se aplica a todos los dispositivos
que han sufrido un rodaje apropiado que permita excluir los
fallos iniciales, y que no estn afectados an por el
desgaste (la zona plana de la baera).

32
 R (t ) Exp (t )dt
t

En 1951 Weibull propuso que la expresin emprica ms

simple capaz de ajustar a una gran variedad de datos reales:

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

a partir de la anti-transformada de Fourier de la funcin

caracterstica obtenemos la densidad de probabilidad.
36
Desarrollando en Taylor la funcin caracterstica
alrededor de t = 0:
' ' ( 0) 2 ( 0) k (k )
(t ) (0) ' (0)t t ... t ...
2! k!
(t ) E[e itX ] (0) 1
' (t ) E[iXe itX ] ' (0) E[iX ] im1
' ' (t ) E[i 2 X 2 eitX ] ' ' (0) E[i 2 X 2 ] i 2 m2
...
d k (t ) d k (0)
k
E[i k
X k itX
e ] k
E[i k
X k
] i k
mk
dt dt
2 k
i i
(t ) 1 im1t m2t ... mk t ...
2 k

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