Documentos de Académico
Documentos de Profesional
Documentos de Cultura
8 Distribuciones Continuas
8 Distribuciones Continuas
Distribuciones continuas
1
Transformaciones de variables aleatorias
Densidad
3 / 2 x 2 1 x 1
f ( x)
0 en el resto
Distribución 0 x 1
F ( x) 1 / 2 ( x 3 1) 1 x 1
1 x 1
Y u( X ) 2 X
Transformación o cambio de
variable aleatoria y u( x ) 2 x
¿Cuál será la función de densidad de
probabilidad transformada g(y)?
x u 1 ( y ) w( y ) y2 / 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 transformación que no sea
biyectiva, como:
Y u( X ) X 2
y u( x ) x 2
x u 1 ( y ) w( y ) y
G ( y ) P(Y y ) P( X y ) P( y X y )
2
F ( y ) F ( y )
1 1
g ( y ) G ' ( y ) F ' ( y ) F ' ( y )
2 y 2 y
1 1
f ( y) f ( y ) 4
2 y 2 y
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
Distribución log-normal Log-N(,)
Se trata de la densidad de probabilidad de una variable log x
distribuida según una función normal:
X N ( , ) Y e X
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
Distribución exponencial Exp ()
La distribución exponencial es el equivalente continuo de
la distribución geométrica discreta. Que recordemos era:
G ( p) P( X x) 1 p p, x 0,1, 2, ...
x
11
Distribución 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 probabilístico
exponencial. Por ejemplo, el
tiempo que transcurre entre que
sufrimos dos veces una herida
importante (o una coz de burro,
recuerda...) 12
Distribución exponencial Exp ()
x
f ( x) e para x 0, 0
2.0
1.8
f ( x)dx e
1.6
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 dx x
0 13
Distribución exponencial Exp ()
x
t t x x
e dt e 0
1 e
0
1 e x , x 0
F ( x)
0, x0
14
15
16
Relación entre la distribución de Poisson y la
exponencial
10*8 10*8
P( X 10) 1 P( X 10) 1 (1 e )e
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 éstos
acontezcan durante la
vida del sistema.
28
Fiabilidad
Definimos la variable aleatoria:
0
La curva de la bañera La tercera etapa
Curva típica de evolución de la tasa de fallos de fallos de
desgaste es
debida a la
superación de la
vida prevista del
componente
cuando
empiezan a
aparecer fallos
Existencia inicial de degradación
de dispositivos como
defectuosos o consecuencia
instalados del desgaste. Se
indebidamente caracteriza por
con una tasa de un aumento
fallos superior a rápido de la tasa
la normal. de fallos.
0
R(t ) Exp (t )dt Exp(t )
t
0
32
R(t ) Exp (t )dt
t
0
t t t0 t t0
0 (t )dt R(t ) Exp
t t
F (t ) 1 Exp 0
r
1
t t0
1
t t0
f (t ) Exp
y t 33t0
Distribución de Weibull W(r, )
X Exp( ) YX 1/ r
GY ( y) P(Y y) P( X 1/ r y) P( X y r ) FX ( y r )
r 1 r 1
gY ( y) G'Y ( y) F ' X ( y )ry
r
f X ( y )ry
r
r 1 y r
g ( y) ry e ; y0
34
Función 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 3
t 2 t 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
Función característica
(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
2! k!
(t ) E[eitX ] (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 distribución exponencial.
(t ) E[e ] e f ( x)dx e e dx
itX itx itx x
( 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
i i 2
2
2 138 1
E[ X ] ( E[ X ])
2 2 2
2
2
2
Sean {X1, X2, ... , XN } n variables aleatorias independientes
con funciones características {1(t), 2(t), ... , N(t) }, e
Y = X1+ X2+ ... + XN.
n
Y (t ) i (t )
Entonces:
i 1
Ejemplo:
Sean X1 = Exp(), X2 = Exp() ... , Xn = Exp() n variables
aleatorias independientes. ¿Cómo se distribuye Y = X1+
X2+ ... + Xn?
k (t ) ; k 1, 2, ..., n
it
n n
Y (t )
k 1 it it 39
Distribución de Erlang Er(n, )
n
n 1 x
f ( x) x e ; n, 0 x 0
(n)
n
(t ) E[eitX ] eitx f ( x)dx eitx x n 1e x dx
( n)
n 1
n
n
u 1
( n) ( n)
n 1 ( it ) x u
x e dx e du
0 0
it it
n n n
1 1
n 1 u
u e du ( n)
(n) ( it ) n 0 (n) ( it ) n
it
40
41
42
43
45
46
47
50