Las funciones matemticas que sirven como distribuciones pueden tener hasta tres parmetros que las
definan. Estos parmetros se clasifican en:
1 2
Este parmetro especifica la abcisa (eje x) o punto de localizacin del rango de valores de la distribucin.
Usualmente, es el punto medio o el punto m{s bajo; en este ltimo tambin se llama shift parameter. Si
este parmetro cambia, la distribucin se desplaza hacia la derecha o la izquierda en el eje x.
2
1
Este parmetro determina la escala o unidades de medida de los valores en el rango de la distribucin. Un
cambio en este parmetro expande o comprime la distribucin sin cambiar su forma.
Este parmetro determina la forma de la distribucin. Un cambio en este parmetro cambia caractersticas
como el coeficiente de asimetra y el coeficiente de afilamiento. Algunas distribuciones como la
exponencial no tienen este parmetro. Otras distribuciones como la Beta pueden tener 2.
Adems del valor medio y la varianza presentadas en el captulo anterior, existen otras medidas para
caracterizar las distribuciones.
Ninguna de estas medidas describe completamente la distribucin. nicamente las funciones de densidad
de probabilidad y de distribucin de probabilidad dan una descripcin completa de una variable
aleatoria.
El valor esperado, la mediana y la moda se denominan medidas de tendencia central pues dan un
pronstico de la localizacin en el eje x de la distribucin como un todo.
2.2.1 La mediana
f x ( x)
x
a
La mediana es el valor para el cual la probabilidad es del 50%. Ver la Figura 2.4. Una distribucin discreta
puede tener ms de un punto que satisfaga la definicin de mediana.
2.2.2 La moda
Se define como moda el valor de x para el cual la funcin de densidad de probabilidad o la funcin de
probabilidad de masa alcanzan su mayor altura.
f x ( x)
x
mod a
Para algunas distribuciones de probabilidad puede ser que no exista la moda o que existan varias. Ver la
Figura 2.6
f x ( x) f x ( x)
2
x x
Figura 2.6 Ejemplos de distribuciones de probabilidad sin moda o con varias modas
mr E[(X E( x))r ]
[ x E( X)] * f X ( x) * dx para variables aleatorias continuas
r
n
mr E[(X E( x))r ] [xi E(X)]r * p( xi ) para variables aleatorias discretas
i 1
r Descripcin
0 m0 1.0 La probabilidad total, rea bajo la curva de fx ( x) o sumatoria de las probabilidades puntuales
1 m1 0.0 pues E[X E( x)] 0
2 m2 VAR( x) se denomina varianza
3 m3 se denomina Skewness
4 m4 se denomina Kurtosis
STD( x)
cv * 100% si E( x) 0
E( x)
Mide la dispersin central de la distribucin. Permite comparar varias distribuciones, aunque las
unidades de las variables aleatorias no sean las mismas.
m3
ca
[STD( x)]3
Generalmente est entre -1 y +1. Si una distribucin es simtrica entonces el coeficiente de asimetra es
cero.
Si la cola de la distribucin est{ hacia la derecha, entonces el coeficiente de asimetra es positivo; si la
cola de la distribucin est{ hacia la izquierda, entonces el coeficiente de asimetra es negativo.
ca 0 ca 0 ca 0
m4
cp
[STD( x)]4
Se toma como referencia la distribucin Gausiana estndar (valor medio cero y varianza 1) la cual tiene un
cp 3 . Distribuciones con un cp mayor a 3 tendrn ms pico que esta distribucin; si el cp es menor que
3, la distribucin ser ms aplastada que la distribucin Gausiana estndar.
A continuacin se presentan algunas de las funciones matemticas mas utilizados para distribuciones de
probabilidad. Para un tratamiento ms detallado consultar el texto de Law y Kelton.
En los ejemplos presentados se asume que la distribucin utilizada es una representacin vlida del
proceso aleatorio bajo estudio. El procedimiento para obtener la distribucin que es una representacin
vlida de un proceso aleatorio dado se presenta en el Captulo 6.
Fx ( x)
f x ( x)
1.0
0.632
x
x
1
1 x
f x ( x) e h * e h* x
1
x
Fx ( x)
1 e 1 e h* x
1
E( x)
h
1
VAR(X) 2
h2
Rango x [0, )
La desviacin estndar es igual al valor esperado, por lo cual el coeficiente de variacin es del 100%; lo
cual indica que existe una gran dispersin de los valores de la variable con respecto al valor esperado.
Es un caso de las distribuciones Weibull y Gamma. Tambin aparece en los procesos estocsticos
homogneos de Markov y Poisson.
Algunas aplicaciones
Confiabilidad: Modelo de vida de componentes en periodo de vida til
Teora de colas: Tiempo entre llegada de llamadas a un conmutador o clientes a un banco, tiempo para servicio
EJERCICIO 2.1
Una cuadrilla que realiza mantenimiento preventivo a los circuitos primarios de distribucin areos debe
localizar los puntos donde hay acercamientos entre los {rboles y las fases de los circuitos primarios para
hacer poda.
Sea x la distancia que hay que recorrer desde la subestacin hasta el punto donde se encuentra un
acercamiento o la distancia entre el punto donde se encontr un acercamiento y se empieza a hacer el
recorrido para encontrar otro acercamiento.
1 acercamiento
h 0.1 acercamientos/km
10 km
Aqu el parmetro de la distribucin se define a partir de una estadstica. Faltara verificar si realmente la
tasa de eventos es constante; esto podra evaluarse grficamente o por medio de la varianza.
1 1
E( x) 10 km/acercamiento
h 0.1
Es decir, apenas hay una probabilidad del 63.21% de encontrar un acercamiento en 10 km que a su vez es
la distancia esperada para encontrarlo. Esto ilustra el cuidado que hay que tener al hacer inferencias a
partir de valores medios o esperados.
Cuntos km hay que recorrer para tener una probabilidad del 90% para encontrar un acercamiento?
x
a b
x
a b
1
f x ( x)
ba
xa
Fx ( x)
ba
ab
E( x)
2
( b a) 2
VAR(X)
12
Rango x [a, b]
El factor ms importante de esta distribucin es que todos los valores del rango de la variable aleatoria
tienen igual probabilidad.
Algunas aplicaciones
Generacin de nmeros aleatorios uniformes
Tiempo para llegada de eventos en un proceso de Poisson homogneo
Teora de colas: Tiempo para llegada de llamadas a un conmutador o clientes a un banco
Fugas en una tubera
EJERCICIO 2.2
Para una lnea de transmisin en particular, las fallas tienen igual probabilidad de ocurrir en cualquier
parte de su recorrido de 50 km.
Sea x la distancia en km medida de la subestacin a un punto de falla dado. Entonces, x es una variable
aleatoria uniformemente distribuida.
x 10km
F(10km) 0.2
50km 50km
(50km 0km)
E( x) 25km
2
x 25km
F(25km) 0.5
50km 50km
Es decir, apenas hay una probabilidad del 50% de encontrar una falla en los primeros 25 km que a
su vez es la distancia esperada para encontrarlo. De nuevo, esto ilustra la debilidad de los
anlisis de decisin que se basen en valores medios o esperados.
Es de aclarar que, para asumir este modelo uniformemente distribuido par ala distancia de falla x , es
necesario que todo el recorrido de la lnea est en una zona con iguales condiciones climticas (viento,
lluvia, descargas atmosfricas, etc.), vegetacin, resistividad del terreno, etc. Adems, el tipo constructivo
de la lnea y sus materiales deben ser los mismos para los 50 km .
Fx ( x)
f x ( x) 1.0
x x
( x )2
1
f x ( x) e 2*
2
2
Fx ( x) No tiene forma analtica
E( x)
VAR(X) 2
Rango x (, )
Algunas aplicaciones
Estudio de errores de varios tipos
Variables que resultan de la suma de grandes cantidades de otras cosas
Sobrevoltajes, voltajes de aguante de aislamientos
Altura de las personas, inflacin, tasas de reproduccin
Es usual, presentar el eje x en forma de desviaciones estndar y expresar como un porcentaje con
respecto a : % / * 100% .
El rea encerrada entre 3 es de 0.9972, por lo cual, se asume que estos valores encierran todos los
valores posibles de la variable.
Como los valores de la funcin de distribucin de probabilidad deben hallarse numricamente, para esto
se utiliza la distribucin normal estndar que se define con 0 y 1 . Ver la Figura 2.11.
1 1 z2 / 2
f ( z) e
2 Figura 2.11 Distribucin normal estndar
(x )
z
0 z
EJERCICIO 2.3
Un aislador tipo poste de un equipo que opera a 34.5 kV tiene un BIL de 170 kV.
El voltaje de aguante del aislador a los voltajes ocasionados por descargas atmosfricas sigue una
distribucin Gausiana con un valor medio llamado CFO (Critical Flashover) y una desviacin del 5%.
El BIL es el voltaje de aguante para sobrevoltajes producidos por descarga atmosfrica y es el valor que se
ubica a 3 desviaciones estndar por debajo del valor medio de la distribucin Gausiana.
x 200kV
z 1.67
0.05* 200
Qu valor de voltaje producido por descarga atmosfrica tiene un 90% de probabilidad de daar
el aislamiento?
Se busca en las tablas de la distribucin normal estndar los valores cercanos a 0.9
( z 1.28) 0.8997
( z 1.29) 0.9015
f x ( x) Fx ( x)
1 1.0
x x
f x ( x) * * x 1 * e * x
Fx ( x) 1 e * x
E( x) 1/ * (1 1 )
VAR(X) (2 / ) * [(1 2 * 1 ) ((1 1 ))2 ]
Rango x [0, )
El smbolo denota la funcin Gamma. Hay otras formas matemticas para definir esta distribucin.
Esta distribucin no tiene una forma definida. Segn el valor de su parmetro de forma puede tomar
diversas formas. Es muy utilizada en confiabilidad, pues puede ajustarse para modelar procesos de
deterioro y mejora de la vida del componente.
Algunas aplicaciones
Tiempos para falla
Tiempo para completar algn trabajo
Estudio de fatiga de materiales
Modelamiento de componentes en confiabilidad
La funcin Gamma ( x)
( x) 0 t x1e t dt para x 0
x ( x )
0.1 9.5135
0.5 1.77245
1 1
1.5 0.8862
2 1
3 2
4 6
5 24
EJERCICIO 2.4
La energa radiante del sol en una zona dada es una variable aleatoria con distribucin Weibull de
parmetros 3 [W/m2] y 2 .
VAR( x) (2 / ) * [(1 2 * 1 ) ((1 1 ))2 ] 3(2 / 2) * [(1 2 * 21 ) ((1 21 ))2 ] 0.0715 (W/m2)2
STD( x) 0.2675
CV * 100% * 100% 52.27%
E(X) 0.5117
Cul es la probabilidad de que la energa radiante sea menor o igual al valor esperado?
F( x 0.5117) P( x 0.5117) 1 e * x 1 e 3*(0.5117) 0.54
2
Si un equipo que funciona con energa solar requiere ms de 0.2 W/m 2 para operar, cul es la
probabilidad de que no funcione?
F( x 0.2) P( x 0.2) 1 e * x 1 e 3*(0.2) 0.11308
2
f x ( x)
Fx ( x)
1 1.0
x x
x
* x 1 * e
para x 0
( )
f x ( x)
x
Si 2 x*e / 2
no es un entero: No tiene forma analtica
1
(x / )j
es un entero positivo: 1 e x / * para x 0
Fx ( x) j 0 j!
x
Si 2 : 1 ex / ex /
E( x) *
VAR(X) * 2
Rango x [0, )
El smbolo denota la funcin Gamma. Al igual que la distribucin Weibull, no tiene una forma definida.
Segn el valor de su parmetro de forma puede tomar diversas formas.
Algunas aplicaciones
Tiempos para falla
Tiempo para completar algn trabajo: reparacin, atencin de clientes
Fenmenos metereolgicos
Esta distribucin es muy importante pues genera las dos siguientes distribuciones:
EJERCICIO 2.5
La resistividad del terreno en una zona dada es una variable aleatoria con distribucin Gamma de
parmetros 3 y 120 [ m ].
E( x) * 3 * 120 360 m
V ( x) * 2 3 * 1202 43200
43200 207.8461 [ m ]
Cul es la probabilidad de que la resistividad del terreno sea mayor que el valor medio?
Como se observa, la probabilidad de que la resistividad del terreno sea mayor al valor esperado,
es muy alta.
f x ( x) Fx ( x)
1.0
x x
b
b
a b a1
f x ( x) *( )
b x
1
Fx ( x) 1 * x * e[( a1)* Ln( b / x )]
b
b* a
E( x) si a 1
a1
a * b2
VAR(X) si a 2
( a 1)2 * ( a 2)
Rango x [b, )
Algunas aplicaciones
Economa: tamao de compaas, precio de acciones
Demografa: Tamao de poblaciones de ciudades
Confiabilidad
EJERCICIO 2.6
Un programa de computador (software) presenta errores o bugs una vez este es entregado al usuario.
Si el tiempo para que el usuario detecte el primer error es una variable aleatoria con distribucin Pareto de
parmetros a = 3 y b = 0.0833 aos (1 mes), hallar:
Cul es el valor tiempo esperado para que el usuario llame al fabricante para que corrijan un
error?
b * a 0.0833 * 3
E( x) 0.1250 aos (1.5 meses)
a 1 31
Cul es la probabilidad de que se encuentre un error en el primer mes de uso del software?
1
F( x 0.0833) 1 * 0.0833 * e[(31)* Ln(0.0833 / 0.0833)] 0
0.0833
Cul es la probabilidad de que se encuentre un error al mes y medio de uso del software?
1
F( x 0.1250) 1 * 0.1250 * e[(31)* Ln(0.0192 / 0.1250)] 0.7037
0.0192
Como se observa, la probabilidad de encontrar un error entre un mes y mes y medio de entregado
el programa se incrementa dramticamente.
2 Fx ( x)
ba f x ( x) 1.0
x x
a c b a b
Se define con tres parmetros a , b , c que son nmeros reales tal que: a c b , a es el parmetro de
localizacin, (b a) es el parmetro de escala y c es el parmetro de forma. a y b son el intervalo en el
cual se conoce est el rango de valores de la variable aleatoria y c es el valor que se estima ms probable.
2( x a)
si a x c
(b a)(c a)
f x ( x)
2(b x)
si c x b
(b a)(b c)
( x a) 2
si a x c
(b a)(c a)
Fx ( x)
( b x) 2
1 si c x b
(b a)(b c)
abc
E( x)
3
a2 b2 c 2 ab ac bc
VAR(X)
18
Rango x [a, b]
Esta distribucin se utiliza cuando no existe mayor informacin para construir el modelo probabilstico,
pero se conocen los lmites de la variable y el valor ms probable entre estos lmites.
Algunas aplicaciones
Modelos aproximados en ausencia de datos
EJERCICIO 2.7
Un sistema de potencia de una regin dada A se interconectar a otro sistema B por medio de una lnea de
transmisin cuya capacidad es de 200 MW.
El operador del sistema B considera que puede garantizar un soporte de generacin de 124 MW al sistema
A. Pero dependiendo de las condiciones de hidrologa y de demanda podra dar un soporte mayor.
Cul es el modelo probabilstico de los MW que puede importar el sistema A desde el sistema B?
Entonces, el modelo es una distribucin triangular con parmetros a=0 MW, c=124 MW y b=200
MW
a b c 0 200 124
E( x) 108 MW
3 3
f x ( x)
Fx ( x)
1.0
x
x
x1 1 (1 x)2 1
f x ( x)
B(1 , 2 )
Fx ( x) No tiene forma analtica
1
E( x)
1 2
1 2
VAR(X)
(1 2 )2 (1 2 1)
Rango x (0,1)
(1 )( 2 )
B(1 , 2 )
(1 2 )
Esta distribucin no tiene una forma definida. Segn el valor de sus parmetros de forma puede tomar
muy diversas formas. La tasa de eventos siempre es creciente.
Algunas aplicaciones
Para modelar proporciones
Modelos en ausencia de datos
La distribucin Beta con ambos parmetros iguales a 1 es la distribucin uniforme para valores de x entre
0 y 1.
EJERCICIO 2.8
Un sistema de potencia de una regin dada es deficitario en cuanto a generacin. Este dficit se atiende
con importacin de potencia desde los sistemas vecinos. Definiendo:
( Dmax Gdisponible )
Deficit
Dmax
Entonces, el dficit es una variable aleatoria cuyo rango son los nmeros reales entre 0 y 1.
Si la variable aleatoria que representa el dficit tiene distribucin Beta con ambos parmetros de forma
iguales a 2, hallar:
1 2
E( x) 0.5
1 2 2 2
1 2 2* 2
0.2236
(1 2 ) (1 2 1)
2
(2 2)2 (2 2 1)
p ( x) p ( x) p ( x)
p 0.5
p 0.5 p 0.5
x x x
1 Existen nicamente dos posibles resultados para cada ensayo: ocurrencia y no ocurrencia de un evento
2 La probabilidad de ocurrencia de cada evento es la misma para cada ensayo
3 Los ensayos sucesivos de un mismo tipo son independientes
n n
p( x) P( x k) p k qnk p k (1 p)nk
k k
k
n
Fx ( x) P( x k ) p k qni
i 0 i
E( x) np
VAR(X) npq
Rango x {0,1, 2...}
Algunas aplicaciones
Confiabilidad
Nmero de tems con una caracterstica dada en un grupo
Coeficientes Binomiales
n n!
k n! 1* 2 * 3 * * n 0! 1
k !(n k )!
EJERCICIO 2.9
Definiendo:
E( x) np 4 * 0.1 0.4
Obsrvese que el valor esperado no es un nmero entero. Este valor es imposible de obtener
fsicamente.
k P(x=k)
0 0.6561
1 0.2916
2 0.0486
3 0.0036
4 0.0001
1.0000
P( x 2) P( x 0) P( x 1) P( x 2) 0.9963
EJERCICIO 2.10
Se requiere que el control del mecanismo de disparo de un interruptor de potencia opere exitosamente el
99.99% de las veces.
Si la probabilidad de falla de una bobina de disparo es de 0.006, cul es el nmero requerido de bobinas
de disparo que se deben colocar en paralelo?
Definiendo:
P( x 0) P( x 1) P( x 2) P( x 3) 1 P( x 0) 0.9999
n
1 (0.994)0 (0.006) n 0 0.9999
0
n
(0.994)0 (0.006) n 0.9999 1
0
n
(0.994) (0.006) 0.0001
0 n
n!
*1* (0.006) n 0.0001
0!(n 0)!
n 1.8003 n 2
2
P( x 0) (0.994)0 (0.006) 2 0 0.000036 0.0001
0
EJERCICIO 2.11
La probabilidad p de que ocurra un evento en el ensayo de Bernoulli a partir del cual se define la
distribucin binomial, generalmente procede de otro modelo probabilstico, como se muestra a
continuacin:
En una subestacin elctrica existen 4 transformadores de potencia. Para atender la carga, se requiere
que al menos dos de los cuatro transformadores estn operando continuamente.
En este caso, se asume o conoce que la tasa de fallas de los transformadores es constante; entonces,
la distribucin de los tiempos para falla es exponencial y se define como:
Ft falla (t ) 1 e *t
Sea X la variable aleatoria que corresponde al nmero de trafos que se encuentran operando
p 0.60653 q 0.39347
4
4
Rsubestacion P( x 2) 0.60653i0.39347 4 i P( x 2) P( x 3) P( x 4) 0.82824
i 2 i
Sea X la variable aleatoria que corresponde a observar el nmero de ocurrencias de cada uno de los k
eventos en n ensayos.
n!
p( x) P(n1 , n2 , , nk ) p1n1 p2n2 pknk
n1 !* n2 !* * nk !
Algunas aplicaciones
Nmero de tems con una caracterstica dada en un grupo
EJERCICIO 2.12
El operador del sistema de distribucin de energa de una ciudad dada tiene dividida su rea geogrfica
en 4 zonas. La probabilidad de que se registren fallas en cada una de las zonas est dada por:
Zona Pi
1 Oriental 0.40
2 Central 0.30
3 Sur 0.20
4 Occidental 0.10
1.00
En este caso los eventos mutuamente exclusivos son las ocurrencias de las fallas en las
zonas 1, 2, 3 y 4. Una falla solo puede pertenecer a una de las zonas.
n1 2
n2 3
n3 5
n4 0
n n1 n2 nk 10
10!
P(n1 2, n2 3, n3 5, n4 0) * 0.42 * 0.33 * 0.25 * 0.10 0.087
2!*3!*5!* 0!
p ( x)
En este caso se observan los resultados de una secuencia de Bernoulli hasta que se obtiene un nmero
dado de ocurrencias de un evento. Obtener este nmero dado de ocurrencias del evento de inters puede
requerir N ensayos. El nmero de ensayos N es aleatorio.
N 1 R N R
p( x) P( x N ) p q con 0 R N
R 1
R
E( x)
p
R(1 p)
VAR(X)
p2
Rango x {0,1,2...}
Esta distribucin es sesgada a la derecha o, en otras palabras, tiene coeficiente de asimetra positivo.
Algunas aplicaciones
Nmero de ensayos para obtener un evento dado
EJERCICIO 2.13
El operador de un sistema de distribucin cree que en un sector donde hay 30 viviendas se generan
problemas de calidad de la potencia que afectan a los otros usuarios del sistema. La probabilidad de que
exista un problema de calidad del servicio en una vivienda es de 0.20.
Cul es valor esperado de ensayos para encontrar un problema de calidad del servicio?
R 1
E ( x) 5 Se espera que se tenga que inspeccionar 5 viviendas para encontrar un
p 0.20
problema de calidad del servicio
Cul es la probabilidad de que se tenga que inspeccionar 5 viviendas para encontrar un problema
de calidad del servicio?
N 1 R N R 5 1 5 1 4
P( x 5) p q 0.20 * 0.8 0.20 * 0.8 0.08192
1 1 4
R 1 1 1
0
Cul es la probabilidad de que se tenga que inspeccionar las 30 viviendas para encontrar un
problema de calidad del servicio?
N 1 R N R 30 1 30 1 29
P( x 30) p q 0.20 * 0.8 0.20 * 0.8 0.00031
1 1 29
R 1 1 1
0
En este caso se considera un espacio muestral que contiene un nmero finito de T elementos, los cuales se
dividen en K categoras mutuamente exclusivas, con T1 en la clase 1, T2 en la clase 2, etc.
Entonces, T1 T2 Tk T
T1 T2 Tk
n n n
P(n1 , n2 , , nk )
1 2 k
p( x)
T
N
Algunas aplicaciones
Nmero de tems con una caracterstica dada en un grupo
EJERCICIO 2.14
Tipo de generador Ti
1 Hidrulico 12
2 Gas natural 9
3 Diesel 6
4 Elico 3
30
Cul es la probabilidad de que si se seleccionen 10 generadores al azar para hacerles una inspeccin de
seguridad, resulten 2 hidrulicos, 3 de gas natural, 5 diesel y ninguno elico?
12 9 6 3
P(n1 2, n2 3, n3 5, n4 0) 0.0011
2 3 5 0
30
10
f x ( x)
Ln( x) x
Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos
transformados es normal, entonces los datos tienen distribucin lognormal.
La condicin de normalidad de los datos transformados puede deducirse del histograma, si este tiene
forma de campana.
( Ln[ x ] )2
1
f x ( x) e 2*
2
x 2
Fx ( x) No tiene forma analtica
2
E( x)
e 2
e 2 [e 1]
2 2
VAR(X)
Rango x [0, )
Algunas aplicaciones
Tiempos para ejecutar una tarea
Tiempos para reparacin
Tiempos para prestar un servicio
EJERCICIO 2.15
El tiempo esperado de servicio de una cuadrilla en una zona rural es 6 horas con una desviacin estandar
de 20%. Si la distribucin del tiempo de servicio es lognormal, cuales son los parmetros de la
distribucin?
2
VAR( X ) (6*0.2)2 1.44 e2 [e 1]
2 2
1. Las ecuaciones son E ( x) 6 e 2 y
6 6
E ( x) 0.25 VAR( X ) ( * 0.2)2 0.0025
24 24
=0.1980
=-1.4059
Quiere esto resultado decir que en esta distribucin el cambio de unidades no se logra nicamente
escalando el parmetro de escala. Ntese que no puede decir que los nuevos parmetros son:
=0.1980/24 y =1.7721/24 .
f x ( x)
Recibe este nombre por el hecho de que su funcin de distribucin de probabilidad pertenece a la familia
de funciones matem{tica llamada logsticas.
( x )
s
e
f x ( x) ( x )
s(1 e s 2
)
1
Fx ( x) ( x )
1 e s
E( x)
2
VAR(X) s2
3
Rango x (, )
Algunas aplicaciones
Tiempos para aprendizaje
Crecimiento de poblaciones
Propagacin de epidemias
Difusin de las ventas de un nuevo producto
Difusin de nuevas tecnologas en el mercado
Ln( x)
x
Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos
transformados es logistic, entonces los datos tienen distribucin log-logistic.
x
( ) 1
f x ( x)
x
[1 ( ) ]2
1
Fx ( x) x
[1 ( ) ]
E( x) cos c( ) Para 1 ,
VAR(X) 2 [2cos c(2 ) [cos c( )]2 ]
Rango x [0, )
Algunas aplicaciones
Tiempos para realizar una tarea
f x ( x)
( x )
xe z
f x ( x) donde z e
( x )
Fx ( x) e
e
E( x) donde 0.57721 es la constante Euler-Mascheroni
2 2
VAR(X)
6
Rango x (, )
Algunas aplicaciones
Anlisis de valores extremos
f x ( x)
Si el inverso de los datos de la muestra se ajustan a una distribucin Gamma con parmetros G y G ,
1
entonces, los datos tienen distribucin Pearson V con parmetros G y .
G
f x ( x) x( 1) e x
( )
1
Fx ( x) 1 FGAMMA ( ) donde FGAMMA es la funcin de distribucin de probabilidad Gamma
x
E( x) Para 1
1
2
VAR(X) Para 2
( 1)2 ( 2)
Rango x [0, )
Algunas aplicaciones
Tiempos para realizar una tarea
f x ( x)
xi
Si para cada dato xi una muestra x1, x2,, xn se obtiene y estos datos transformadores se ajustan a una
xi 1
distribucin Beta con parmetros 1B y 2 B , entonces, los datos tienen distribucin Pearson VI con
parmetros 1 1G y 2 2G .
x(1 1) (1 )( 2 )
f x ( x) donde B(1 , 2 ) es la funcin matemtica Beta
B(1 , 2 )[1 x]( 1 2 )
(1 2 )
x
Fx ( x) FBETA ( ) donde FBETA es la funcin de distribucin de probabilidad Beta
x1
1
E( x) Para 2 1
2 1
1 (1 2 1)
VAR(X) Para 2 2
( 2 1)2 ( 2 2)
Rango x [0, )
Algunas aplicaciones
Tiempos para realizar una tarea
2.22 BIBLIOGRAFA
[2] Anders G, Probability concepts in electric power systems, Wiley and Sons, 1990.
[3] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt Rinehart
and Wiston Inc, 1970.
[4] Viniotis Yannis, Probability and Random Processes for Electrical Engineers, Mc-Graw Hill, 1998.
[5] Papoulis Athanasios, Probability, Random Variables and Stochastic Processes, tercera edicin, Mc-
Graw Hill, 1991.
[6] Miller I, Freund J, Johnson R, Probabilidad y Estadstica para Ingenieros, cuarta edicin, Prentice
Hall, 1992.
[7] Law Averill M, Kelton W. David, Simulation Modeling and Analysis, Tercera edicin, Mc-Graw
Hill, 2000.
[8] Decisioneering Inc, Crystal Ball 2000 User Manual, Decisioneering Inc, 2001.
[9] Garcs L. P, Gmez O, C. J. Zapata, An{lisis de confiabilidad del sistema compuesto generacin-
transmisin de la ciudad de Pereira, II Congreso Internacional IEEE de la Regin Andina Andescon
2004, Agosto de 2004.