Trabajo Final de estadstica: distribucin binomial y distribucin de

Weibull
Julin Felipe Zapata
Luis Carlos villa Monsalve
Nayareth Vallejo lzate

98762513
1035426964
1020460174

Docente: Jorge Mario Saldarriaga

Licenciatura en matemticas y fsica
Universidad de Antioquia
Medelln
28 de mayo de 2016

Distribucin binomial
La distribucin binomial es una de las ms usadas en estadstica. Es de carcter discreto, se
puede establecer a partir de un experimento en el que se obtenga solo dos resultados
posibles; uno llamado xitos que se refiere a que suceda un evento dentro del
experimento, y otro llamado fracaso el cual no suceda el evento. La probabilidad de que
un evento sea exitoso se denomina p , y la probabilidad de que el evento sea fallido se
denomina

p 1 p .

experimento un nmero

Para llevar a cabo esta distribucin es necesario repetir el

n

de veces, donde cada uno de estas repeticiones es

X

independiente de las dems. Entonces se necesita una variable

la cual representa el

nmero de xitos que tiene el experimento. Por tanto, el punto central est en determinar la
probabilidad de obtener exactamente X =x xitos durante los n eventos.
De lo anterior, se hace necesario establecer una definicin la cual sea base fundamental
para sustentar la teora de la distribucin binomial:
X

sea
p

una variable aleatoria que representa el nmero de xitos en

la probabilidad de xito con cualquiera de stos. Se dice entonces que

ensayos y
X

tiene

una distribucin binomial con funcin de probabilidad

P(x; n, p) =
(90-91)

n!
p x (1 p)nx x=0,1,2, n
( nx ) ! x !
o para cualquier otro valor . o p 1, para n entero

Canavos. (Fecha) Pg.

Las siguientes figuras representan algunas grficas para la distribucin binomial, con unos
valores asignados especficos.

Esperanza de la funcin generadora para la distribucin

binomial
Por definicin de esperanza para una variable aleatoria discreta tenemos que

E ( x )=

x P (x)
x

, donde nuestro

P( x)

es:

n!
x
nx
p (1 p)
que
( nx ) ! x !

es la definicin de distribucin binomial.

De este modo definimos la esperanza para esta distribucin as:

E ( x )=
n

E ( x )=
n

x ( nxn !) ! x ! p x (1 p)nx
x=0

( nx )n! (!x1 ) ! p x (1 p)nx

E ( x )=

E ( x )=

x
x=1

n!
p x (1 p)nx
( nx ) ! x !

x=1

np
x=1

( n1)!
p x1 (1p)n x ,
( nx ) ! ( x1 ) !

Haciendo
entonces

y=x1 y

m=n1

Se cambian los limites ya que

E ( x )=
m

np

y=0

x=0

cuando

m!
p y (1 p)m y
( m y ) ! y !

trmino.
Cuando

(y;
m

np

y=0

m,

p )=

E ( x )=

m!
p y (1 p)n y
( m y ) ! y !

E ( x )=

p ( y ; m , p )=1
y=0

del

x=1 , se simplifica

numerador

np p ( y ; m, p )
y=0

E ( x )==np.
Definicin de esperanza y de D.
binomial.

x!

con

x
del

denominador
Factorizando

el cambio de variable para

expresar la sumatoria en trminos
de D. de probabilidad
Sustitucin de

E ( x )=

se anula el primer

en trminos de la funcin
de distribucin binomial, y
con parmetros m=n1
Definicin de esperanza
Por transitividad.
Quedando demostrado

Varianza de la funcin generadora para la distribucin

binomial
Para hallar la varianza debemos calcular el segundo momento alrededor de
cero, as:

' 2=E ( x 2 )=

x2 p ( x ; n , p)

Segundo momento

x=0

alrededor de cero

x 2=x ( x1 ) + x

Expresando

x2 .

x
E( 2)=E [ x ( x1 ) ] + E ( x)

Reemplazando

en la

definicin de V.A.D
Dado que

E( x ) ya esta demostrada, pasaremos a demostrar

n

E [ x ( x1 ) ]= x (x1)
x=0

E [ x ( x1 ) ]= x(x 1)
x=2

n!
px (1p)n x
( nx ) ! ( x1 ) !
n!
p x (1 p)n x
( nx ) ! ( x 1 ) !

E[ x ( x1)] .

Definicin de esperanza

...Se cambia los limites, ya

que cuando
anulan los
trminos.

x=0 y x=1 se
dos primeros

n!
p x (1 p)n x
x=2 ( nx ) ! ( x2 ) !

E [ x ( x1 ) ]=
con

Se simplifican

x (x1)

x!
n

E [ x ( x1 ) ]=n(n1) p 2
x=2

Haciendo

y=x2 y

(n2)!
p x2 (1 p)nx
( nx ) ! ( x2 ) !

m=n2

entonces

El

Se factoriza

cambio

de

n(n1) p2

variable

para

expresar la sumatoria en trminos

de D. de probabilidad

E [ x ( x1 ) ]=

n( n1) p

p y (1 p)m y
( mm!
y )! y !
y=0

Sustituyendo

E [ x ( x1 ) ]=

n( n1) p

p( y;m , p)
y=0

Definicin de funcin de
distribucin binomial en una
variable discreta

n( n1) p2

E [ x ( x1 ) ]=

E ( x )=

p ( y ; m , p )=1
y=0

' 2=n ( n1 ) p 2+np

E ( x 2) =

Concluyendo el segundo
momento

alrededor

de cero.
De esta manera la varianza de una distribucin binomial es:

Var ( x )= ' 22
Var ( x )=n ( n1 ) p 2+ np(np)2

E( x )

Reemplazando

E[ x (x1)]
Var ( x )=np [ ( n1 ) p+1np ]
Var ( x )=np(1 p)

Operando algebraicamente.

Concluyendo

de

esta

manera la varianza.

Funcin generadora de momento para la distribucin binomial.

Para hallar la funcin generadora de momento, debemos partir de la definicin
de esta:
n

e p
1 p x2 ++
e t p 2

mx ( t )=E ( e xt )= e xt p ( x )
x=0

x1
mx ( t )=E ( e xt )=(1 p)x +n ( e t p ) ( 1 p ) +
n

m x ( t )=E ( e xt )= e xt
x=0

m x ( t )=E ( e )=
xt

x=0

n!
px (1p)n x
( n x ) ! x !

n!
(e t p) x ( 1 p)nx
( nx ) ! x !

(1 p)+ etp x
mx ( t )=E ( e xt )=

n ( n1 )

 Definicin de funcin generadora

de momento.
Definicin de Probabilidad de
distribucin binomial.
Operaciones algebraicas.
desarrollando la sumatoria.

concluyendo el ene-simo
momento para la distribucin
binomial.

Ejemplos
1. Funcin de distribucin binomial: En una facultad la probabilidad de
que un alumno apruebe el semestre es del 80%. Si consideramos 8
alumnos cul es la probabilidad de que 2 ganen?
Datos: La probabilidad de xitos es p=80% = 0.8 entonces
La probabilidad de fracasos es q= 20% = 0.2
El nmero de ensayos n = 8
El nmero de xitos X =2
Reemplazando en la definicin de distribucin binomial tenemos que

()

P (2 )= 8 . 0,82 .0,28 2
2
P ( 2 )=

8!
2
6
0,8 . 0,2
2 ! ( 82 ) !

P (2 )=0.1146
Para hallar la media o esperanza tenemos que:

=n. p

Reemplazando nuestros datos tenemos:

= (8) (0.8)
Encontramos que la media es igual a =6.4
Para hallar la varianza tenemos que:
2

=n . p . q
Reemplazando los valores encontramos lo siguiente
2

=(8)(0.8)(0.2)
Encontramos que la varianza es igual a

2=1.28

Para hallar la funcin generadora de momento:

2. Funcin de distribucin binomial acumulada: Si el 20% de los
estudiantes de una universidad pierden el primer ao y se toma al azar
un grupo de seis estudiantes. Cul es la probabilidad de que mximo
dos pierdan?
Datos: La probabilidad de xitos es p=20% = 0.2 entonces
El nmero de ensayos n = 6
El nmero de qu mximo pierdan 2 X =0, 1, 2.

P ( x 2 ) =P ( x=0 ) P ( x=1 ) P ( X=2 )

Reemplazando en la definicin de distribucin binomial tenemos que

()

()

()

P ( x 2 ) = 6 . 0,80 . 0.26+ 6 . 0,81 . 0.25 + 6 . 0,82 . 0.24

0
1
2
P ( X 2 )=

6!
6!
6!
0
6
1
5
2
4
. 0,8 . 0.2 +
. 0,8 .0.2 +
.0,8 . 0.2
0 ! ( 60 ) !
1 ! ( 61 ) !
2! (62 ) !

P ( X 2 )=0.000064+0.001536+ 0.01536=0.01696=1.70
Para hallar la media o esperanza tenemos que:

=n. p

Reemplazando nuestros datos tenemos:

= (6) (0.2)
Encontramos que la media es igual a =1.2
Para hallar la varianza tenemos que:

2=n . p . q
Reemplazando los valores encontramos lo siguiente
2

=(6)(0.2)(0.8)
Encontramos que la varianza es igual a

2=0.96

Para hallar la funcin generadora de momento:

Distribucin Weibull
En la teora de la probabilidad y la estadstica, la distribucin de Weibull
es una distribucin de probabilidad continua, la cual se utiliz,
inicialmente, para describir la distribucin de los tamaos de
determinadas partculas.
En la actualidad, el modelo de Weibull es utilizado para determinar el
periodo de tiempo-fallo en componentes mecnicos y elctricos.
Lo que se busca principalmente en una distribucin de Weibull es la
distribucin de fallos del conjunto de donde proviene la muestra,
nicamente ajustando los parmetros del modelo al conjunto de
componentes ensayados. Al conocer la distribucin de los fallos, se
puede responder a preguntas del tipo: Cuntos componentes fallaran
durante el primer ao?
De lo anterior, la funcin de distribucin de Weibull es un modelo
estadstico que representa la probabilidad de fallo despus de un tiempo
tR {( t ) }

en funcin del tiempo transcurrido o de una variable anloga. O

dicho de otra forma

R {( t ) }

es la probabilidad de que los componentes

de un conjunto sobrevivan hasta el momento

Esta funcin de densidad viene dada por:

x
f ( x )=

1 x

()

( ) si x o

o si x o

}
equivalente a

f ( x )=

( x )

1 ( x )

e
si x o

o si x o

t .

Como se puede observar, depende de dos parmetros: >0 y >0, donde es un parmetro
de escala y es un parmetro de forma (lo que proporciona una gran flexibilidad a este
modelo). Si se integra la funcin de densidad, se obtiene la funcin de distribucin. No
obstante, se debe tener presente que si se realiza sea igual a y sea igual a segn la
notacin que se lleva anteriormente se llega a:

F ( x )=1e( x )

La figura siguiente muestra la grfica de la funcin de densidad de Weibull para =1 y

diferentes valores de . Se observa que las curvas cambian de forma para diferentes valores
de los parmetros, particularmente para . Si se hace =1, la distribucin de Weibull se
reduce a la distribucin exponencial. Para valores >0, las curvas adquieren una forma de
campana y se parecen a las curvas normales, pero muestran cierta simetria

Grafico extrado del libro de Liliana Blanco.

De lo anterior es claro establecer las siguientes propiedades que ayudan

a determinar una distribucin de Weibull:
1. Si tomamos =1 tenemos una distribucin exponencial.
2. Su esperanza y su varianza vale: (tomando que es igual a y

es igual a segn la notacin que se lleva anteriormente)

( 1 )

E ( x )=1 1+

{( ) ( )}

V ( x ) 2 1+

2
1
2 1+

Esperanza para la funcin de distribucin de Weibull.

Una variable aleatoria continua x tiene una funcin Weibull de parmetros y
ambos positivos entonces:

E ( x )= xf ( x ) dx

por definicin.

E ( x )= x ( x ) 1 e( x ) dx
0

sustituyendo por la funcin densidad

Weibull.

E ( x )= ( x ) e( x ) dx
0

por propiedades de exponentes.

u= ( x )
1

du=

1 1
u du=dx

por cambio de variable,

De tal forma que la anterior integral se convierte en

ue

1 1
u du .

(1+ )1
1
u eu du .

No obstante, la integral anterior es la definicin de

1
1+ )1
(
1
u eu du= 1+

Finalmente,

( )

E ( x )=

1
1
1+

( )

Varianza para la funcin de distribucin de Weibull

De manera similar se puede comprobar que el segundo momento es:

2

E( x )=

1
2
1+
2

( )

Por tanto, la varianza de la funcin de distribucin de Weibull est dada por

var ( x )=E ( x 2 )E 2 ( x )

1
2
1
1
1+ 2 2 1+
2

( )

( )

{( ) ( )}

1
2
1
1+ 2 1+
2

Funcin generadora de momento para la distribucin de Weibull.

tn 1
1
M ( t )=E ( e )=
1+
n

n=0 n !
tx

( )

Ejemplos
1. Distribucin de Weibull. Suponga que la vida til de cierto
elemento es una variable aleatoria que tiene distribucin Weibull
con =0.50 y =0.01.
Calcular:
a) La vida media til de ese artculo.
b) La variacin de la vida til.
Desarrollo:
Teniendo presente las propiedades anteriores se tiene:
1
( 3 )= 200
0.01

a.

E ( x )=

b.

1
V (x )=
0 . 01

( ) {(1+ 02. 5 ) ( 3) }=200000= entonces =447.21

2

2. Distribucin de Weibull. El tiempo para que ocurra una falla (en

horas) de un rodamiento en un eje mecnico se modela
satisfactoriamente como una variable aleatoria de Weibull con =
1
1
2 y =5000 horas.
Determine el tiempo promedio para que ocurra una falla.
De la expresin anterior se tiene que
1
E ( x )=5000 1+
0.5

=5000

[ 3]

Y teniendo presente que

Entonces:

[ n ] =( n1 ) !

( 5000 ) (2 ! )=10000 Horas .

Bibliografa
Canavos. George C. probabilidad y estadsttica, aplicaciones y mtodos.
Walpole. Ronald. Probabilidad y estadstica
Balnco, Liliana. probabilidad
https:/www.juntadeandalicia.es/funciones generadoras de momento.