Distribución

Exponencial
Distribución exponencial
 Esta distribución se utiliza como
modelo para la distribución de
tiempos entre la presentación de
eventos sucesivos.
 Existe un tipo de variable aleatoria
que obedece a una distribución
exponencial la cuál se define como
EL TIEMPO QUE OCURRE DESDE UN
INSTANTE DADO HASTA QUE OCURRE
EL PRIMER SUCESO
Distribución exponencial
 Se dice que una variable aleatoria
continua tiene una distribución
exponencial con parámetro λ > 0 si:
su función de densidad es:

…
Distribución exponencial
su esperanza o valor esperado
Su varianza
Su función de distribución acumulada
es:
Distribución exponencial
 Sea X una distribución exponencial,
entonces: P(X > a+t | X > a)=P( X >t
)
Supongamos que la duración de cierto
componente en estado sólido X es
exponencial. Entonces la probabilidad
de que X dure t unidades después de
haber durado a unidades es la misma
que la probabilidad de que X dure t
unidades cuando X estaba nuevo.
Distribución exponencial: ejemplo
 Suponga que el tiempo de
respuesta X en cierta terminal de
maquina en línea (el tiempo
transcurrido entre el fin de la
consulta del usuario y el principio
de la respuesta del sistema a esa
consulta) tiene una distribución
exponencial con tiempo esperado
de respuesta igual a 5 s. ¿Cuál es la
probabilidad de que el tiempo de
respuesta sea a lo sumo 10 s?
Distribución exponencial: ejemplo
 Datos:
E ( X ) = 1 / λ = 5 s :. λ =.2

• Obteniendo la distribución acumulada:

– F(10)=1- e ^ - ( 0.2 * 10 )= 1 – e ^ -2 =.865
–.
P(X<=10)=F(10)=.86
• La probabilidad de que el tiempo de respuesta esté
entre 5 y 10s es:
P ( 5 <= X <=10) = F(10) – F(5) =
( 1 - e ^ -2) – ( 1 - e ^ -1) =.233
Relación con el proceso de
Poisson
 La relación viene de que con el uso de la
distribución de Poisson encontramos que la
probabilidad de que no ocurra algún evento, en
el periodo hasta el tiempo t está dada por:

•La probabilidad de que la duración del tiempo

hasta el primer evento exceda x es la misma que
la probabilidad de que no ocurra algún evento de
Poisson en x, está dado por:
 Entonces:
P(X>=x)=E^-x

 Y la función de distribución acumulada está

dada por:
P(0<=X<=x)=1 – e ^- λx

 Obteniendo la función de densidad:

f(x)= λe^-λx la cual es la función de densidad
exponencial con: λ=1/β
Comparación
 La distribución de Poisson en un
experimento nos dice la frecuencia
con la que puede ocurrir un
determinado error y la exponencial
nos dice luego de que evento-
tiempo ocurre este error.
Distribución weibull
Distribución

weibull
, la distribución de
Weibull es una 
distribución de probabilidad
 continua. Recibe su nombre
de Waloddi Weibull, que la
describió detalladamente en
1951, aunque fue descubierta
inicialmente
por Fréchet (1927) y aplicada
por primera vez por Rosin y
Rammler (1933) para describir
la distribucion de los tamaños
de determinadas partículas
 DISTRIBUCIÓN DE WEIBULL
La prevención de pérdidas o seguridad industrial
aplicada con rigor científico está basada, en gran
parte, en la aplicación de los métodos probabilísticos
a los problemas de fallos en los procesos industriales.
Todo ello se ha llevado a cabo a través de una
disciplina denominada ingeniería de fiabilidad,
para la cual se disponen de las adecuadas técnicas de
predicción, que han sido fundamentales para el
El objetivo de de
aseguramiento la lapresente esproductos
calidad de exponer yun tipo de
procesos.
distribución estadística aplicable al estudio de la
fiabilidad en problemas
relativos a la fatiga y vida de componentes y
materiales. La distribución de Weibull,se caracteriza por
considerar la tasa de fallos variable, siendo utilizada
por su gran flexibilidad, al ajustarse a una variedad de
funciones de fiabilidad.
PAPEL DE
WEIBULL
Aunque existen dos tipos de
soluciones analíticas de la
distribución de Weibull
(método de los momentos y
método de máxima
verosimilitud), ninguno de
los dos se suele aplicar por
su complejidad. En su lugar
se utiliza la resolución
gráfica a base de determinar
un parámetro de origen (t0).
Un papel especial para
gráficos, llamado papel de
Weibull, hace esto posible
 La función de densidad de una variable aleatoria
con la distribución de Weibull x es:1

donde k > 0 es el parámetro de forma y λ > 0 es

el parámetro de escala de la distribución.
La distribución modela la distribución de fallos (en
sistemas) cuando la tasa de fallos es proporcional a
una potencia del tiempo:
Un valor k<1 indica que la tasa de fallos decrece
con el tiempo.
Cuando k=1, la tasa de fallos es constante en el
tiempo.
Un valor k>1 indica que la tasa de fallos crece con
el tiempo
Distribución de weibull : ejemplo
La técnica de Weibull puede ser usada para
estimar la probabilidad en numerosos casos.
Es frecuente emplearla en estimar la vida de los
rodamientos. La vida B-10 (falla del 10%)
se obtiene cuando se prueban rodamientos nuevos
bajo condiciones de carga, velocidad y
lubricación específicas, con un resultado de falla
del 10% de los rodamientos.
Suponga que usted ha probado 4 rodamientos y
registrado la vida útil de cada uno de ellos:
55, 70, 40, y 65 horas. Usted puede obtener la vida
B-10 graficando los datos mediante la
técnica de Weibull
DISTRIBUCION WEIBULL
SOLUCION:

La vida B-10 se obtiene localizando el 10% en la

línea de ocurrencia
sobre el eje vertical y encontrando el punto en el
eje horizontal correspondiente. Así, para
el ejemplo, la vida B-10 es de 34 horas (Ver Fig.
4). Esto quiere decir, que a las 34 horas
de operación, y para esos rodamientos en
particular, fallarán un 10% de ellos.
 DISTRIBUCION
PROBABILIDAD GAMA
Es una distribución adecuada para modelizar el comportamiento de
variables aleatorias continuas con asimetría positiva. Es decir, variables
que presentan una mayor densidad de sucesos a la izquierda de la
media que a la derecha. En su expresión se encuentran dos
parámetros, siempre positivos, (α) y (β) de los que depende su forma y
alcance por la derecha, y también la función Gamma Γ(α), responsable
de la convergencia de la distribución
La distribución gamma es una distribución de probabilidad continua
condos parámetros(α) y (β)
El primer parámetro (α) sitúa la máxima intensidad de probabilidad y por
este motivo en algunas fuentes se denomina “la forma” de la
distribución. El segundo parámetro (β) es el que determina la forma o
alcance de esta asimetría positiva desplazando la densidad de
probabilidad en la cola de la derecha,de aquí que se le denomine
“escala”,debido a la multiplicación de una variable aleatoria con
distribución gamma por una constante positiva.
El modelo Gamma se ha utilizado frecuentemente en variables
tales como:
– El tiempo ( ó espacio) requerido para observar ? ocurrencias
del evento A en el intervalo t ( ó región del espacio ),
sucesos del tipo Poisson.
– Problemas de tráfico en líneas telefónicas, ERLANG, 1900.
– Flujos máximos, MARKOVIC, 1965.
– Resistencia de componentes del concreto reforzado,
TICHY VARLIETK, 1965.
– Altura de la precipitación mensual, WHITCOMB, 1940.
– Tiempo de falla de un sistema de α componentes, cada uno
falla con frecuencia λ.
– Ingresos familiares.
– Edad del hombre al contraer matrimonio por primera vez.
– Tiempo total para completar una operación, sí ésta se lleva
a cabo en αsubestaciones a una frecuencia λ.
Para valores no enteros, el valor de la función
Gamma se obtiene a partir de,

La función de densidad de la distribución

Gamma es,
Propiedades
:

5. La esperanza matemática
será,E(X)= α.β
6. La varianza será, VAR(X)=
α .β2
7. La desviación estándar
será, D(X)=√var(x)
Relación con otras distribuciones:

Si se tiene un parámetro α de valores elevados y β pequeña, entonces la

función Gamma converge con la distribución normal. De media
E(X)= α .β , y varianza VAR(X)2= α .β2
Cuando α=1y β =1 la distribución Gamma es exactamente la distribución
exponencial con parámetro (α=1).
Si α=1, entonces se tiene la distribución exponencial negativa de
parámetro λ=1/β.
Fuentes de información
 Instituto Tecnológico de Chihuahua
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/
_private/03Distribucion%20Exponencial.htm
 Wikipedia. http://es.wikipedia.org/wiki/Portada 25 de enero del
2008.
 Devore, Jay. Probabilidad y estadística para ingeniería y
ciencias. México: Thomson learning, 2001.
 ITESM. Probabilidad y estadística. Material de apoyo. México:
1992.
 Lipschutz, Seymour. Probabilidad. Colombia: Mc Graw Hill,
2001.
 http://www.ucm.es/info/genetica/Estadistica/estadistica_basica
%201.htm#Distribución Gamma (Γ)
 http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/
lecciones/cap3/cap_3_pag_13.html
 http://es.scribd.com/doc/59893378/18/DISTRIBUCION
%C2%A0GAMMA
