Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Weibull
Julin Felipe Zapata
Luis Carlos villa Monsalve
Nayareth Vallejo lzate
98762513
1035426964
1020460174
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
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
ensayos y
X
tiene
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
Las siguientes figuras representan algunas grficas para la distribucin binomial, con unos
valores asignados especficos.
E ( x )=
x P (x)
x
, donde nuestro
P( x)
es:
n!
x
nx
p (1 p)
que
( nx ) ! x !
E ( x )=
n
E ( x )=
n
x ( nxn !) ! x ! p x (1 p)nx
x=0
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
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
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
' 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 ( 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
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
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
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.
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 )
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
=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
()
()
()
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
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
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 ) }
R {( t ) }
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 )
( 1 )
E ( x )=1 1+
{( ) ( )}
V ( x ) 2 1+
2
1
2 1+
E ( x )= xf ( x ) dx
por definicin.
E ( x )= x ( x ) 1 e( x ) dx
0
Weibull.
E ( x )= ( x ) e( x ) dx
0
u= ( x )
1
du=
1 1
u du=dx
ue
1 1
u du .
(1+ )1
1
u eu du .
1
1+ )1
(
1
u eu du= 1+
Finalmente,
( )
E ( x )=
1
1
1+
( )
E( x )=
1
2
1+
2
( )
var ( x )=E ( x 2 )E 2 ( x )
1
2
1
1
1+ 2 2 1+
2
( )
( )
{( ) ( )}
1
2
1
1+ 2 1+
2
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
=5000
[ 3]
[ n ] =( n1 ) !
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.