8.

Distribuciones continuas
1
Transformaciones de variables aleatorias

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

>
+
<
= 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
Distribucin
Transformacin o cambio de
variable aleatoria
Cul ser la funcin 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 =

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

>
+
<
= y
y
y
y
y G
3
Probemos ahora con una transformacin 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

s s
=
resto el en
y y
y g
0
1 0 2 / 3
) (
1 0
1 1
0 0
) ( s s

>
<
= y
y
y y
y
y G
5
Distribucin log-normal Log-N(,o)

Se trata de la densidad de probabilidad de una variable log x
distribuida segn una funcin normal:



X
e Y N X = = ) , ( o
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

o t
6
7
8
9
Distribucin exponencial Exp ()
La distribucin exponencial es el equivalente continuo de
la distribucin geomtrica 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
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
0 , 0 para ) ( > > =



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
= 2.0
= 1.0
= 0.5
= 0.2
1
) (
0
0
= =
=
+

+

+

} }
x
x
e
dx e dx x f

Distribucin exponencial Exp ()

1
0
= =
}
+

dx e x
x
Vida media
13
x
x
t
x
t
e e dt e

= =
}
1
0 0
Distribucin exponencial Exp ()

s
>
=

0 , 0
0 , 1
) (
x
x e
x F
x
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 stos
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 (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:
( )
) (
) (
) (
); (
) (
) (
) (
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

= =
=
A
A +
A =
A +
=
A +
= > A + s s
|
.
|

\
|
=
}
t
dt t Exp t R
0
) ( ) (
27
La curva de la baera
Curva tpica de evolucin 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
superacin de la
vida prevista del
componente
cuando
empiezan a
aparecer fallos
de degradacin
como
consecuencia
del desgaste. Se
caracteriza por
un aumento
rpido de la tasa
de fallos.
28
Si la tasa de fallos o averas por unidad de tiempo es
constante: (t) = , tendremos que la fiabilidad es:
|
.
|

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

29
En 1951 Weibull propuso que la expresin emprica ms
simple capaz de ajustar a una gran variedad de datos reales:
|
.
|

\
|
=
}
t
dt t Exp t R
0
) ( ) (
(
(

|
|
.
|

\
|
=
|
|
.
|

\
|
=
}
| |
q q

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

=
=
=
0
1
t t y
r
q

|
30
Distribucin de Weibull W(r, )
r
X Y Exp X
/ 1
) ( = =
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

31
Funcin 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
Funcin caracterstica
}

+

= =
= = =
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 funcin
caracterstica obtenemos la densidad de probabilidad.
33
Desarrollando en Taylor la funcin caracterstica
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

=
= = = =
+

+

+


+

}
} }

0
) (
0
) (
) ( ] [ ) (

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
) ( ' '

o

= = =
= =
=

=
X E X E
i
X E
i
it
i
t
Calculemos la esperanza y la varianza de la distribucin exponencial.
35
Sean {X
1
, X
2
, ... , X
N
} n variables aleatorias independientes
con funciones caractersticas {
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(), X
2
= Exp() ... , X
n
= Exp() n variables
aleatorias independientes. Cmo se distribuye Y = X
1
+
X
2
+ ... + X
n
?
n
n
k
Y
k
it it
t
n k
it
t
|
.
|

\
|

=
=

=
[
=

1
) (
..., , 2 , 1 ; ) (
36
Distribucin de Erlang Er(n, )
0 0 , ;
) (
) (
1
> >
I
=

x n e x
n
x f
x n
n

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
= = =
}
} }
} }
+

+

+

+


+

) (
) (
1
) ( ) (
1
) (
1
) ( ) (
) (
) ( ] [ ) (
0
1
0
1
0
) ( 1
1
37
40
41
42
43
44