2.2.4 DISTRIBUCIN F DE FISHER.

-Cundo usar esta distribucin?

Esta es la distribucin de probabilidad de la razn de dos varianzas provenientes de
dos poblaciones diferentes. Por medio de esta distribucin es posible determinar la
probabilidad de ocurrencia de una razn especfica con v1=n1-1 y v2=n2-1 grados
de libertad en muestras de tamao n1 y n2.
Es la distribucin ms importante en experimentacin pues permite hacer clculos
sobre varianzas diseminadas determinando si las diferencias mostradas son
significativas y por lo tanto atribuibles a cambios importantes en el comportamiento
de las poblaciones en estudio.

- Definicin.
Sean U y V dos variables aleatorias independientes, tal que:
U

X2m

y V

X 2n

Sea una variable X definida como:

X as definida, sigue una distribucin F DE FISHERSNEDECOR de m y n grados de

libertad, que representamos como:
Tiene distribucin F con 1 y 2 , grados de libertad. Observe que los grados
de libertad son los de las variables ji-cuadrada que estn en el numerador y en el
denominador respectivamente.
La funcin de densidad F tiene una grfica semejante a la grfica de la funcin jicuadrada, como se puede observar en la siguiente figura:

Tambin se publican tablas para la obtencin de los valores de la probabilidad:

P (F> x)
Algunas de ellas consignan los valores de 0.1,0.05,0.01 y 0.001.
En el primer rengln de la tabla se tienen los grados de libertad del numerador (V 1)
y en la primera columna de la izquierda estn los grados de libertad del
denominador (V2), Los valores de la tabla se denotan por F.
Frmulas
La funcin acumulada est tabulada.

Funcin densidad
v1
2

f ( x)

v1
1
v1 v2 v1
2

* * x
2 v2

v1 v2 v1
* * * x 1
2 2 v2

v1 v2
2

x0

Forma de la curva de esta

Distribucin segn v1 y
v2

Cmo usar las tablas?

La tabla da valores de probabilidad acumulados de izquierda a derecha. Para
extraer valores de probabilidad de esta tabla se sigue el siguiente procedimiento:
1. Extraer muestras de dos poblaciones y estimar las desviaciones estndar.
2. Determinar los grados de libertad (v1 y v2) tal que v1=n1-1 y v2=n2-1.
3. Calcular el valor de F=s12/ s22. Si se conocen las varianzas entonces F=(s12
*22) / (s22 * 12)
4. Localizar en tablas, la probabilidad asociada a los valores de F, v1 y v2. En
algunos casos se puede interpolar, de lo contrario, se escoge el que ms se
aproxime. Por ejemplo, si F es igual 3.28 con v1=12 y v2=8 grados de libertad, el
valor de la probabilidad menor que el es 0.95, pues se localiza en la segunda
columna a la izquierda tal y como se muestra a continuacin.

EJEMPLO
En un proceso hay dos mquinas cortadoras diferentes en antigedad lo que hace
pensar que las varianzas de corte no son iguales. Se toma una muestra de 16
partes de cada mquina, cul es la probabilidad de que la razn de varianzas
sea:
a.

mayor a 1.97?

b.

menor a 3.52?

SOLUCIN
a.

P ( F 1.97 ) 1 0.9 0.1

para v1 15 y v 2 15

La probabilidad de que la razn de varianzas sea mayor a 1.97 es 0.1.

b.

P ( F 3.52) 0.99

para v1 15 y v 2 15

La probabilidad de que la razn de varianzas sea menor a 3.52 es 0.99.

Distribucin F de Fisher-Snedecor. Si la variable X es una F de Fisher-Snedecor con u y v grados de libertad, entonces la

tabla contiene los valores F,u,v tales que P(x> F,u,v ) ==0,05

Sirve de modelo para numerosos experimentos en donde interviene el

tiempo como sucede en la llegadas de aviones a un aeropuerto y en
general a los problemas de teora de colas1

Ejemplo:
Problemas de trfico en lneas telefnicas, ERLANG,
1900.
Problemas de Teora de la confiabilidad
Ejemplo
Tiempo de falla de un sistema de componentes, cada uno falla con
frecuencia .
El tiempo ( espacio) requerido para observar ? ocurrencias del evento A en el
intervalo t ( regin del espacio ), sucesos del tipo Poisson.
Flujos mximos, MARKOVIC, 1965.
Resistencia de componentes del concreto reforzado, TICHY VARLIETK, 1965.
Altura de la precipitacin mensual, WHITCOMB, 1940.
Ingresos familiares.
Edad del hombre al contraer matrimonio por primera vez.
Tiempo total para completar una operacin, s sta se lleva a cabo
en subestaciones a una frecuencia2.

CARACTERISTICAS
Algunas variables aleatorias son no negativas siempre y tienen distribuciones
sesgadas a la derecha, es decir, la mayor parte del rea bajo la grafica de la funcin
de densidad se encuentra cerca del origen y los valores de la funcin de densidad
disminuyen gradualmente cuando x aumenta

DEFINICIN
Una variable aleatoria x tiene una distribucin Gamma si su densidad de
probabilidad esta dada por:

k 1 kx
F ( x)
x e
( )

0 x , 0, k 0

Esta distribucin continua depende de dos parmetros

parmetro que varia la forma de la distribucin
k parmetro que varia la escala de la distribucin
Parmetros en R

A continuacin veremos una breve explicacin de la funcin gamma que interviene

en la definicin de la distribucin gamma

ALGUNAS VARIACIONES DE LA DISTRIBUCIN GAMMA

Distribucin Erlang
Fue desarrollada para examinar el nmero de las llamadas telefnicas que se
pudieron hacer al mismo tiempo a los operadores de las estaciones de conmutacin.
Este trabajo sobre el telfono (Ingeniera de trafico) se ha ampliado para considerar
tiempos de espera dentro de sistemas que hacen cola en general. La distribucin
ahora se utiliza en el campo de procesos estocsticos.
Se aplica en modelos de sistemas de servicio masivo,
Ejemplo: En situaciones donde el servicio tiene que realizar dos operaciones c/u
con tiempo de servicio exponencial.

PROPIEDADES
Media y varianza de la distribucin gamma
= E[X] = ,

2 = V[X] = 2

Ejemplo
El tiempo en horas que semanalmente requiere una mquina
para mantenimiento es una variable aleatoria con distribucin
Gamma con parmetros =3, =2
a) Encuentre la probabilidad que en alguna semana el tiempo de mantenimiento
sea mayor a 8 horas
Solucin
Sea X duracin del mantenimiento en horas (variable aleatoria)

Su densidad de probabilidad es:

x

1
1
F(X )
x e
( )
x

1
31
3
x e 2
2 (3)

1 2 2x

x e
16
Probabilidad de que el tiempo de mantenimiento sea mayor a 8 horas

El rea Resaltada
corresponde a P(x>8)

1
1 P( x 8) 1 x 2 e 2 dx 0.2381
16 0

2.2.6 DISTRIBUCIONES WEIBULL

POR QU USAMOS WEIBULL?
El uso de la funcin de distribucin de Weibull en los estudios de fiabilidad de
componentes se debe principalmente a la gran diversidad de formas que este
modelo puede tomar, dependiendo de los valores de los parmetros caractersticos.
Esto nos permite usar un mismo modelo, independientemente de en qu forma
vare la tasa de fallos del componente estudiado, simplificando en gran medida la
tarea de anlisis de los resultados. Si no usramos este modelo, cualquier anlisis
de los resultados obtenidos durante el ensayo de los componentes implicara
necesariamente un estudio previo de los datos, para determinar cul de los
diferentes modelos existentes se asemeja ms a los datos obtenidos. Esto
conllevara un mayor tiempo de anlisis y una mayor probabilidad de error, debido
a que una mala eleccin del modelo implicara dar un resultado errneo.
QU OBTENEMOS AL APLICAR EL MODELO DE WEIBULL?
Al aplicar Weibull, el estudio previo de los datos se reduce nicamente a una
inspeccin visual en busca de posibles datos anmalos que distorsionen los
resultados.
Al conocer la distribucin de los fallos, se puede responder a preguntas del tipo:
Cuantos componentes fallarn durante el primer ao?, Cuanto tiempo de garanta
tendr que tener el componente para que nicamente fallen el 1% durante ese
periodo?. etc. A parte de las preguntas anteriores, el modelo obtenido tambin
permite responder a una pregunta tan importante para nuestro departamento como:
El 5% de los componentes del lote fallarn por encima o por debajo del target?
que es el criterio usado par decidir si un lote es OK o NG.
REPRESENTACIN GRFICA
Una forma simple de ver la distribucin de los fallos y de esta forma poder analizar
y decidir sobre los resultados, es representar grficamente la funcin de Weibull.
Esta grfica muestra como varia F(t) respecto al tiempo ( o en nuestro caso, el
numero de ciclos ).
Para representar grficamente esta funcin se deben seguir los siguientes pasos:
1- Clasificar el tiempo o ciclos de cada muestra (ti) de menor a mayor.
2- Determinar los valores de probabilidad acumulada de fallo ( Fi ). Estos
valores se determinan usando la siguiente formula:

Aunque otros autores dan la frmula:

Dnde: i es el nmero de orden de fallo y n el tamao de la muestra.

3- Conocidos ti y Fi, se representan el en grfico. 4 Una vez se ha hecho el grfico,
puede pasar que salga directamente una lnea recta (en cuyo caso = 0) o que
salga una curva ( 0). En este segundo caso existe un periodo de tiempo entre t =
0 y t = en que ningn componente falla (si es positivo) o parte de las muestras
fallan antes de ensayarlas (caso de negativo). El parmetro es aquel valor que
se le tiene que restar a todos los ti para que los puntos representados sigan una
recta.
METODOS DE ESTIMACIN DE LOS PARMETROS
Para estimar los parmetros de la funcin de Weibull se puede recurrir a diferentes
mtodos, tanto analticos como grficos. Estos mtodos se pueden usar para
calcular los parmetros de forma manual, sobre todo los grficos, pero normalmente
se usan como base para desarrollar programas o aplicaciones informticas.
MTODOS GRFICOS
Los mtodos grficos se basan en obtener los parmetros directamente con el
grfico, relacionando estos con caractersticas fcilmente medibles en el grfico.
Estos mtodos son los ms ampliamente usados en los diferentes programas o
aplicaciones informticas que se usan para determinar la distribucin de Weibull a
partir de un conjunto de muestras.

Posibles aplicaciones se encuentran en los modelos de confiabilidad del tiempo de

vida de artefactos, tiempos para completar alguna tarea (la funcin densidad toma
forma similares a la funcin densidad Gamma).

1. Las distribuciones expo() y la Weibull (1, ) son las mismas.

2. X Weibull (, ) si y solo si X expo()
3. El Log natural de una V. A Weibull tiene una distribucin conocida como
distribucin de Gumbel o valor extremo.
4. A medida que la distribucin Weibull llega a ser degenerada en . Asi,
la densidad Weibull para grandes tiene tiene una forma de pico en la
moda.
5. Las distribuciones U(0, 1) y beta (1, 1) son las mismas.
6. Si X1 y X2 son V. A. independientes con Xi Gamma (i, ) entonces, X1
/(X! +X2) beta (1, 2)
7. Una V. A. beta en (0, 1) puede ser rescala y movida para obtener una V.
A. beta en (a, b) de la misma manera por la transformacin a + (b-a)X.
8. X beta (1, 2) si y solo si (1 X) beta ((2, 1)

PROBLEMAS WEIBULL
Ejemplo. Se tiene un conjunto de componentes que han roto a los siguientes
ciclos: 115000, 88360 y 338130 (caso real con target de 85000). Si aplicamos el
Weibull (en este caso se ha usado el paquete estadstico Minitab) obtenemos el
siguiente resultado:

Como se puede ver en los resultados que da el Minitab, el valor de los ciclos al 5%
(0,05) es de 37384 y por tanto el lote sera NG. Pero si miramos los valores que da
el programa como extremos del intervalo de confianza donde se encuentra F(t),5%
con un nivel de confianza del 95%, estos son: 5981 y 233663. Por lo tanto,
teniendo en cuenta que el target es de 85000 ciclos, no podemos asegurar que el
lote sea NG, ni tampoco que sea OK.

=Bibliografa=
Estadstica descriptiva e Inferencial, Antonio Vargas Sabadias
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones/c
ap3/cap_3_pag_13.html(03/04/16 5:15 a.m)
http://www.worldlingo.com/ma/enwiki/es/Erlang_distribution(02/04/16
5:00a.m)
http://office.microsoft.com/en-us/excel-help/gammadistHP005209101.aspx?CTT=1(02/04/16 1:00 am)
http://es.slideshare.net/search/slideshow?searchfrom=header&q=+++PROB
LEMAS+WEIBULL (03/04/16 6:00 a.m)
=Libros de consulta=
1.Walpole- Myers. Probabilidad y Estadstica para Ingenieros. ED. Prentice- Hall
2. William Mendenhall. Probabilidad y Estadstica (Schaum). ED. Learning
Thomson.
3. Luis Magaa Cullar. Estadstica y Probabilidad. Coleccin Bachiller. ED. Nueva
Imagen S.A. de C.V.