1

1. Distribuciones de probabilidad
2
Tipos de variables aleatorias
Tipos de variables aleatorias
Discretas

Continuas
Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un numero
real.
Se denotan con letras Maysculas: X,Y,Z,etc....
3
Variables aleatorias discretas
Es aquella variable que nicamente toma valores
susceptibles de contarse.
Ejemplo 1: Considere el experimento de tomar al azar una
ficha de asistencia de un numero de empleados. Sea X la
variable numero de ausencias al ao de un empleado. Note
que X toma valores 0,1,2,...,250.

Ejemplo 2: Considere un experimento que consiste en
medir el numero de artculos defectos de un lote de
producto. Si Y es la variable numero de defectos , toma
valores 0,1,2,...

4
Distribuciones y funciones de
probabilidad
Toda variable aleatoria tiene asociada una funcin de
probabilidades
Ejemplo : Se lanzan dos monedas y observamos el
numero Y de caras.

Espacio muestral:{a, as, sa, ss}
Y toma valores 0,1,2.

5
Funcin de probabilidades para Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4
-0.2 0.3 0.8 1.3 1.8
y
0.26
0.31
0.36
0.41
0.46
0.51
p

Grfica
Y
P(Y=y)
6
La distribucin de probabilidades puede ser una Tabla, una
Grfica o una formula.
Formula para la distribucin de
probabilidades de la tabla anterior
y y
y
y Y P y P ) 5 (. ) 5 (.
3
) ( ) (
3
|
|
.
|

\
|
= = =
7
Requisitos para una distribucin
de probabilidad discreta
) ( ) (
). ( . 2
1 ) ( 0 . 1
x X P x f
y P
y P
X
y
toda
= =
s s

En algunas ocasiones la notacin

usada es:
8
Funciones de distribucin acumulativa
La funcin de distribucin de probabilidades
acumulativa es calcula sumando las probabilidades obtenidas
hasta un determinado valor de la variable aleatoria.
) ( ) ( x X P x F
X
s =
Esta funcin tiene propiedades.
0 ) (
1 ) (
1 ) ( 0
=
=
s s


x F Lim
x F Lim
x F
x
x
9
Funcin de distribucin acumulativa para Y=#de caras
-0.2 0.3 0.8 1.3 1.8
y
0.3
0.5
0.7
0.9
F
(
x
)

0 1 2
10
Valor Esperado o Media de una
variable aleatoria discreta
La media o valor esperado de una variable aleatoria
discreta X , denotada como o E(X), es
X

= = = =
x x
X X
x X xP x xf X E ) ( ) ( ) (
La media es el centro de la masa del rango de los
valores de X.
11
Calculo de la media para la variable de No. De defectos
X

215 . 0
0 4 003 . 0 3 014 . 0 2 178 . 0 1 805 . 0 0
) (
4
0
=
+ + + + =
= = =

= x
X
X X xP
En este caso note que esta media no toma un valor entero
como X
12
0 1 2 3 4
x
0.0
0.2
0.4
0.6
0.8
p
r
o
b
Media
X

13
Ejercicio:
La demanda de un producto es -1,0,1,2 por dia (-1
significa devolucin). Con probabilidades dadas por
1/5,1/10,2/5,3/10. Calcular la demanda esperada.
X

14
Varianza de una variable aleatoria
Sea Y una variable aleatoria discreta con distribucin de
probabilidades P(X=x). Entonces , la varianza de Y es:

= = =
x
X X X
x X P x X E ) ( ) ( ] ) [(
2 2
2
o
Medida de dispersin
15
2147 . 0
0 ) 215 . 0 4 ( 003 . 0 ) 215 . 0 3 (
014 . 0 ) 215 . 0 2 (
178 . 0 ) 215 . 0 1 ( 805 . 0 ) 215 . 0 0 (
) ( ) (
2 2
2
2 2
2
2
=
+ +
+ +
+ =
= =

x
X X
x X P x o
16
La desviacin estndar de una variable aleatoria es
simplemente la raz cuadrada de la varianza
2
X X
o o =
17
2. Distribuciones de
probabilidad discretas
18
Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero finito
de n valores , cada uno con igual
probabilidad.
n
x X P x f
1
) ( ) ( = = =
19
0 2 4 6 8 1e+001
x
0.05
0.07
0.09
0.11
0.13
0.15
p
r
o
b
Uniforme discreta con n=10
20
12
1
2
) 1 (
2
2

=
+
=
n
n
X
X
o

La media y varianza de la distribucin

Uniforme discreta son:
Aplicaciones
21
Distribucin hipergeomtrica
Se aplica cuando la muestra (n) es una porporcin
relativamente grande en relacin con la poblacin (n >
0.1N).
El muestreo se hace sin reemplazo

P(x,N,n,D) es la probabilidad de exactamente x xitos
en una muestra de n elementos tomados de una
poblacin de tamao N que contiene D xitos. La
funcin de densidad de distribucin hipergeomtrica:

N
n
D N
x n
D
x
C
C C
x P

= ) (
)! ( !
!
x n x
n
C
n
x

=
22
Distribucin hipergeomtrica
La media y la varianza de la distribucin
hipergeomtrica son:
N
nD
=
|
.
|

\
|

|
.
|

\
|

|
.
|

\
|
=
1
1
2
N
n N
N
D
N
nD
o
23
Distribucin hipergeomtrica
Ejemplo:
De un grupo de 20 productos, 10 se seleccionan al
azar para prueba. Cul es la probabilidad de que 10
productos seleccionados contengan 5 productos
buenos? Los productos defectivos son 5 en el lote.

N = 20, n = 10, D = 5, (N-D) = 15, x = 5

P(x=5) = 0.0183 = 1.83%
0183 . 0
! 10 ! 10
! 20
! 10 ! 5
! 15
! 0 ! 5
! 5
) 5 ( =
|
.
|

\
|
|
.
|

\
|
= P
24
Distribucin Binomial
Ensayo Bernoulli. Es un experimento aleatorio que solo
tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli
independientes.
Suponga que la variable X de inters es el numero de
xitos.
X toma valores 0,1,2,...,n
25
Distribucin binomial
Se utiliza para modelar datos discretos y se aplica
para poblaciones grandes (N>50) y muestras
pequeas (n<0.1N).
El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva es
mayor o igual a 0.1.
La binomial es una aproximacin de la
hipergeomtrica
La distribucin normal se paroxima a la binomial
cuando np > 5
26
n x p p
x
n
x X P x f
x n x
,..., 1 , 0 ) 1 ( ) ( ) ( =
|
|
.
|

\
|
= = =

La variable aleatoria X tiene una distribucin binomial

) 1 ( ) (
) (
2
p np X V
np X E
X
X
= =
= =
o

Tiene media y varianza.

27
Distribucin de Poisson
Se utiliza para modelar datos discretos
Se aproxima a la binomial cuando p es igual o menor
a 0.1, y el tamao de muestra es grande (n > 16)
por tanto np < 5

28
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin Poisson si
toma probabilidades con.
,... 1 , 0
!
) ( = =

x
x
e
x f
x

p n
p n
= =
=
o

29
3. La Distribucin Normal
Los primeros industriales frecuentemente se basaban en el
conocimiento de limites normales para clasificar artculos o
procesos como correctos o de otro modo.
Por ejemplo, el colesterol arriba de 250 mg/dl es ampliamente
conocido que incrementa el riesgo de un paro cardiaco. Una
determinacin precisa - pudiera ser asunto de vida o muerte.
Sin embargo , no todas las variables son normales. Por
ejemplo: urea y ph
IMPORTANCIA DE LA DISTRIBUCIN NORMAL
Abraham Simon de Carl Francis
de Moivre Laplace Gauss Galton
CARACTERISTICAS DE UNA
DISTRIBUCIN NORMAL
La distribucin normal es simtrica alrededor de su
media.
Es asintotica - la curva se acerca a eje x pero nunca lo
toca.
La curva normal es acampanada y tiene un solo pico en
toda la distribucin.

La media, mediana, y moda de la distribucin son las
mismas y estn localizadas en el pico.

La mitad del rea de la curva esta arriba del punto central
(pico), y la otra mitad esta abajo.
CARACTERISTICAS DE UNA DISTRIBUCION NORMAL
Tericamente, la
curva se extiende a
- infinito
Tericamente, la
curva se extiende a
+ infinito
Media, mediana, y
moda son iguales
Cola
Cola
La Normal is simtrica -
-
33
34
f t
t
( ) e x p =

|
\

|
.
|

(
1
2
1
2
2
o t

o
Distribucin de
la Funcin Normal
Funcin de Densidad de Probabilidad Normal
Distribucin Normal
= 500
o = 30
o = 50
o = 70
0.0000
0.0020
0.0040
0.0060
0.0080
0.0100
0.0120
0.0140
200 400 600 800 1000
Tiempo
f
(
t
)

Curvas Normales con Medias iguales pero
Desviaciones estndar diferentes
= 20
o = 3.1
o = 3.9
o = 5.0
Normales con Medias y
Desviaciones estndar diferentes
= 5, o = 3
= 9, o = 6
= 14, o = 10
37
La distribucin Normal estndar
La distribucin normal estndar es una distribucin de
probabilidad que tiene media 0 y desviacin estndar de 1.

El rea bajo la curva o la probabilidad desde menos infinito a
ms infinito vale 1.

La distribucin normal es simtrica, es decir cada mitad de curva
tiene un rea de 0.5.

La escala horizontal de la curva se mide en desviaciones
estndar, su nmero se describe con Z.

Para cada valor Z se asigna una probabilidad o rea bajo la curva
mostrada en la Tabla de distribucin normal
38
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
39
x x+s x+2s x+3s x-s x-2s x-3s
X
3o 2o o +o +2o +3o
Para la poblacin - se incluyen TODOS los datos
Para la muestra
La Distribucin Normal
40
z
0 1 2 3 -1 -2 -3
x x+o x+2o x+o3 x-o x-2o x-3o
X
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
La Distribucin Normal Estndar
Alrededor de 68 % del area bajo la curva normal
est entre ms una y menos una desviacin
estndar de la media. Esto puede ser escrito como:
m 1s.
Cerca del 95 % del rea bajo la normal est entre
ms y menos 2 desviaciones estndar de la media,
m 2s.
Prcticamente toda (99.74 %) el rea bajo la normal
esta entre 3 desviaciones de la media m 3s.
AREA BAJO LA CURVA NORMAL
42
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area


2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)
se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

Clculos con Excel Dist. Normal Estndar
+1o +2o +3o 1o 2o
+3o
Entre:

1. 68.26%

2. 95.44%

3. 99.97%
44
68%
34% 34%
95%
99.73%
+1s
+2s
+3s
Caractersticas de la Distribucin Normal
El valor de Z
Determina el nmero de desviaciones estndar
entre algn valor x y la media de la poblacin, mu
Donde sigma es la desviacin estndar de la
poblacin.

En Excel usar Fx, ESTADISTICAS, NORMALIZACIN,
para calcular el valor de Z
z = x -
68%
34% 34%
95%
68
%
99.73%
68%
2.356% 2.356%
Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
90 110
80 120
70 130
47
reas bajo la curva normal
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area


2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)
se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

Clculos con Excel Dist. Normal Estndar
Distribucin normal, dadas una media y desviacin estndar:
1. rea desde menos infinito a X se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS, DISTR.NORM,
dar el valor de X, Media, Desviacin Estndar s, VERDADERO y se
obtendr el rea requerida
X
Area


2. Un valor de X especfico para una cierta rea (por ejemplo 0.05) se
obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin Estndar
y se obtendr el valor de la X

Clculos con Excel Distr. Normal
1. Identificar la variable de inters.
2. Identificar los parmetros de la variable (su media y
desv. estndar).
3. Cual es la pregunta rea bajo la curva de
probabilidad normal?
4. Convertir los valores a la distribucin normal estndar
(estandarizacin Z = (X-Media)/S) .
5. Encuentre la probabilidad en tabla de la normal
estndar o por Excel.
Calculo de Probabilidades normales
El agua usada diariamente por persona en Mxico est
distribuida normalmente con media 20 litros y una
desviacin de 5 lts..

Entre que valores cae cerca del 68% el agua usada
por una persona en Mexico?

m 1s = 20 1(5). Esto es, cerca del 68% de la
cantidad usada por persona cae entre 15 lts. y 25 lts..

De manera similar para 95% y 99%, el intervalo ser
de 10 lts a 30 lts y 5 lts a 35 lts.
Ejemplo
El agua usada diariamente por persona en Mxico es
distribuida normalmente con media 20 litros y una
desviacin de 5 lts. Sea X el uso diario de agua.

Cual es la probabilidad que una persona
seleccionada al azar use menos de 20 lts./dia?

El valor z asociado es z = (20 - 20)/5 = 0.
entonces,

P(X < 20) = P(z < 0) = 0.5.

Ejemplo
Que porciento usa entre 20 y 24 lts?
El value z asociado con X = 20 es z = 0 y con X =
24, z = (24 - 20)/5 = 0.8.
Entonces, P(20 < X < 24) = P(0 < z < 0.8) = P(0.8) -
P(0) = 0.7881- 0.5 = 0.2881 o 28.81%.

Que porciento usa entre 16 y 20 lts?

El valor z1 para X = 16 es z1 = (16 - 20)/5 = -0.8,
y para X = 20, z2 = 0. Entonces, P(16 < X < 20) =
P(-0.8 < z < 0) = P(0) - P(-0.8) = 0.5 - 0.2119 =
0.2881 = 28.81%.
Ejemplo
0.8
P(0 < z < 0.8)
= 0.2881.
Cual es la probabilidad que una persona
seleccionada al azar use mas de 28 lts?

El valor z asociado a X = 28 es
z = (28 - 20)/5 = 1.6. Ahora, P(X > 28) = P(z > 1.6)
= 1 - P(z < 1.6) = 1 - 0.9452 = 0.0548.

Ejemplo
P(z > 1.6) =
1 - 0.9452=
0.0548
Area =
0.9452
1.6
z
Que porcentaje usa entre 18 y 26 lts?

El valor z asociado con X = 18 es z = (18 - 20)/5 = -
0.4, y para X = 26, z = (26 - 20)/5 = 1.2.
entonces, P(18 < X < 26)= P(-0.4 < z < 1.2) =
F(1.2) - F(-0.4)= 0.8849 - 0.3446 = 0.5403.
Ejemplo
58
El tiempo de vida de las bateras del conejito tiene una
distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.

Qu porcentaje de las bateras se espera que duren 80
horas o menos?

Cul es la probabilidad de que una batera dure entre
86.0 y 87.0 horas?

Cul es la probabilidad de que una batera dure ms de
87 horas?
Ejemplos




Que porcentaje de las bateras se espera que duren 80 horas
o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
85.36
80
-1.42 0
rea bajo la curva normal
0 1


86 87
85.36
Cul es la probabilidad de que una batera dure
entre 86.0 y 87.0 horas?
rea bajo la curva normal
85.36 87

Cul es la probabilidad de que una batera dure ms
de 87 horas?
1.67 = .33 33% de las veces una batera durar ms
de 87 horas
rea bajo la curva normal
62
Considere una media de peso de estudiantes de 75 Kgs.
con una desviacin estndar de 10Kgs. Contestar lo
siguiente:
Cul es la probabilidad de que un estudiante pese ms
de 85Kgs.?
2. Cul es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. Cul es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. Cul es la probabilidad de que pese entre 55 y 70
Kgs.?
5. Cul es la probabilidad de que pese entre 85 y
100Kgs.?
Ejercicios
63
4. Distribuciones muestrales
Distribuciones muestrales
1. Introduccin a las distribuciones muestrales

2. Distribucin Chi cuadrada

3. Distribucin t de student

4. Distribucin F
64
65
A las distribuciones de los estadsticas muestrales
se les llama distribuciones muestrales.
POBLACION
66
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Poblacin
Muestra
Aparecen distribuciones muestrales:
Normal, Chi-cuadrada, t-student, F
67
Distribucin de la Media:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye normal con media y varianza
n
X X X ,..., ,
2 1
) , (
2
o n
X
,
n /
2
o
) / , (
2
n n X o
68
Distribucin Chi Cuadrada

Esta distribucin se forma al sumar los cuadrados de
las variables aleatorias normales estndar.

Si Z es una variable aleatoria normal, entonces el
estadstico Y siguiente es una variable aleatoria Chi
cuadrada con n grados de libertad.

2 2
3
2
2
2
1
....
n
z z z z y + + + + =
69
Distribucin de la varianza.
Repaso de la distribucin ji-cuadrada.

La funcin de densidad de probabilidad con k grados de
libertad y la funcin gama es:
. 0 ,
2
2
1
) (
2
1
2
2
>
(

I
=

x e x
k
x f
x k
k
k=grados de libertad. (1,2,...)
70
K=1
K=5
K=25
K=50
Grficas de la distribucin ji-cuadrada
Con k grande ji-cuadrada se hace normal
71
Media y varianza de una ji-cuadrada.
E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de ji-
cuadrada

o _
o
= > ) (
2
,k
X P
72
Ejemplo: Calcule el valor critico que satisface
05 . ) (
2
20 , 05 . 0
= > _ X P
41 . 31
2
20 , 05 . 0
= _
De tablas de ji-cuadrada con alfa=.05 y k=20
73
Resultado:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye ji-cuadrada con k= n-1 grados de libertad.
Donde S cuadrada es la varianza muestral.
n
X X X ,..., ,
2 1
) , (
2
o n
2
2
) 1 (
S
n
o

2
1
2
2
) 1 (

n
S
n
_
o
74

Distribucin t-student
Si es una muestra aleatoria de una
Poblacin (X) con distribucin normal .
Entonces se distribuye
t-student con n-1 grados de libertad. Se utiliza en
vez de la distribucin normal cuando sigma es
desconocida (que la aproxima con n > 100)

n
X X X ,..., ,
2 1
) , (
2
o n
) / ( ) ( n s X
1
) / ( ) (

n
t n s X
75
) , (
] 1 2 / ][ 2 / [
] 2 / ) 1 [(
) (
2 / ) 1 ( 2
e
+ I
+ I
=
+
x
x k k
k
x f
k
t
Funcin de Distribucin t-student
K=1
K=10
K=100
76
Funcin de Distribucin t-student
77
Distribucin t de Student
La media y la varianza de la distribucin t son:


De una muestra aleatoria de n artculos, la
probabilidad de que



Caiga entre dos valores especificados es igual al rea
bajo la distribucin de probabilidad t de Student con
los valores correspondientes en el eje X, con n-1
grados de libertad

0 =
3 ;
2
>

= k
k
k
o
3 ;
2
>

= k
k
k
o
n s
x
t
/

=
78
Distribucin t de Student
Ejemplo:
La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501, 500,
486, 499, 479, 496, 499, 504, 501, 496, 498

Cul es la probabilidad de que la resistencia promedio
de los sellos sea mayor a 500?. La media es 495.13 y
la desviacin estndar es de 8.467.

t = -2.227 y el rea es 0.0214



3 ;
2
>

= k
k
k
o
227 . 2
15 / 467 . 8
500 13 . 495
=

= t
79
Distribucin F
Surge de dividir dos ji-cuadradas independientes

F=(W/u)/(Y/v)

W se distribuye ji-cuadrada con u g.l.
Y se distribuye ji-cuadrada con v g.l.
El uso de esta distribucin es para
comparar varianzas (Recuerde el anlisis de
varianza)
80
Distribucin F.
( )
) , 0 (
] 1 ][ 2 / [ ) 2 / (
/ ] 2 / ) [(
) (
2 / ) (
1 ) 2 / (
2
e
+ I I
+ I
=
+

x
x
v
u
v u
x v u v u
x f
v k
u
u
u=10
v=5
u=20
v=20
Funcin de densidad de la Distribucin F
81
Distribucin F.
Funcin de densidad de la Distribucin F
82
Distribucin F
Para determinar la otra cola de la distribucin F se
determina con la expresin.

Falfa, k1, k2 = 1 / F(1-alfa), k2, k1

Dado K1 = 8 y K2 = 10, F0.05 = 3.07, encontrar el
valor de F0.05 con K1 = 10 y K2 = 8

F0.05,10,8 = 1/ F0.95,8,10 = 1/ 3.07 = 0.326
83
Distribucin F.
Funcin de densidad
de la Distribucin F
84
V.E.3 Otras distribuciones de
probabilidad
Otras distribuciones de
probabilidad
1. Distribucin bivariada

2. Distribucin exponencial

3. Distribucin Lognormal

4. Distribucin de Weibull
85
86
Distribucin Bivariada
La distribucin conjunta de dos variables es llamada
una distribucin bivariada. El coeficiente de
correlacin es :
87
Distribucin Exponencial
Se usa para modelar artculos con una tasa de falla
constante y est relacionada con la distribucin de
Poisson.

Si una variable aleatoria x se distribuye
exponencialmente, entonces el recproco de x,
y = 1/x sigue una distribucin de Poisson y viceversa.

La funcin de densidad de probabilidad exponencial
es: Para x >= 0
x
x
e e x f

= =
1
) (
88
Distribucin Exponencial
Donde Lambda es la tasa de falla y theta es la media
La funcin de densidad de la distribucin exponencial
89
Distribucin Exponencial
Es usada como el modelo, para la parte de vida
til de la curva de la baera, i.e., la tasa de falla
es constante
Los sistemas complejos con muchos componentes
y mltiples modos de falla tendrn tiempos de
falla que tiendan a la distribucin exponencial
Desde una perspectiva de confiabilidad, es la
distribucin ms conservadora para prediccin.
Distribucin Exponencial
La forma de la
exponencial siempre es
la misma
El modelo exponencial, con un solo parmetro, es el ms simple
de todo los modelos de distribucin del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
Distribucin Exponencial
h







=
~
=
=
=
=



) ( : FALLA DE TASA
1
: VARIANZA
693 . 0 2 ln
: MEDIANA
1
: MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
2
t
m
e t f
e t R
e t F
t
t
t
Funcin de Densidad de Probabilidad Exponencial
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
Tiempo
f
(
t
)
= 0.003, MEDIA = 333
= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
91
R(t) = e
(-t)
(Confiabilidad)
Funcin de Confiabilidad Exponencial
0.000
0.200
0.400
0.600
0.800
1.000
1.200
0 500 1,000 1,500 2,000
Tiempo
R
(
t
)
= 0.003, MTBF = 333
= 0.002, MTBF = 500
= 0.001, MTBF = 1,000
Distribucin Exponencial
92
h(t) = = 1 / MEDIA (Velocidad de Falla)
Funcin de la Tasa de Falla Exponencial
0.000
0.001
0.002
0.003
0.004
0 500 1,000 1,500 2,000
Tiempo
h
(
t
)
= 0.001, MTBF = 1,000
= 0.002, MTBF = 500
= 0.003, MTBF = 333
Distribucin Exponencial
Note que la tasa de
falla tiende a ser una
constante para
cualquier tiempo. La
distribucin exponencial
es la nica que tiene
una velocidad de falla
constante
93
Distribucin Lognormal
La transformacin ms comn se hace tomando el
logaritmo natural, pero tambin se puede hacer con
los logaritmos base 2 y base 10.

Y = x1 x2 x3
Ln y = ln x1 + ln x2 + ln x3

La funcin de densidad de probabilidad lognormal es
con Y = ln(t):


2
2
1
2
1
) (
|
|
.
|

\
|

=
y
y
y
y
e
t
t f
o

t o
94
Distribucin Lognormal
La media y la varianza de la distribucin lognormal
son las siguientes:
) 2 / (
2
o +
= e Media
) 1 )( (
2 2
) 2 (
=
+ o o
e e Var
95
Un tiempo de falla se distribuye segn una Lognormal
si el logaritmo del tiempo de falla est normalmente
distribuido.

La Distribucin Lognormal es una distribucin sesgada
hacia la derecha.

La PDF comienza en cero, aumenta hasta su moda y
diminuye despus.
Distribucin Lognormal
96
Si un tiempo t est distribuido Lognormal, t~LN(
t
, o
t
) y si Y =
ln(t) entonces Y~N(
y
, o
y
)
Distribucin Lognormal
2
2
1
2
1
) (
|
|
.
|

\
|

=
y
y
y
y
e
t
t f
o

t o
2
2
1
2
1
) (
|
|
.
|

\
|

=
y
y
y
y
e y f
o

t o
|
|
.
|

\
|

u =
y
T t
t F
o
) ln(
) (
50
|
|
.
|

\
|
u =
y
y
y
y F
o

) (
|
|
.
|

\
|
+ =
2
exp
2
50
y
y t
T
o
) ln(
50
T
y
=
2
2
50
1
) exp(
t
t
t
y
T

+
= =
y
=
PDF
CDF
MEDIA
MEDIANA
t y = ln(t)
|
|
.
|

\
|
+
2
2
1 ln
t
t

o
( ) 1 ) exp( ) exp(
2 2 2
50

y y
T o o
VARIANZA
u(z) es la CDF de la Normal estndar
97
La Distribucin de vida Lognormal, como la Weibull, es
un modelo muy flexible que puede empricamente
ajustar a muchos tipos de datos de falla.

En su forma de dos parmetros tiene los parmetros
s
ln(t)
= s
y
parmetro de forma, y T
50
= la mediana
(un parmetro de escala)

Si el tiempo para la falla t, tiene una distribucin
Lognormal, entonces el logaritmo natural del tiempo de
falla (y =ln(t)) tiene una distribucin normal con media
m
y
= ln T
50
y desviacin estndar s
y
.
Distribucin Lognormal
98
Esto hace a los datos lognormales convenientes para
trabajarlos as:

Determine los logaritmos naturales de todos los tiempos
de falla y de los tiempos censurados (y = ln(t)) y analice
los datos normales resultantes.

Posteriormente, haga la conversin a tiempo real y a los
parmetros lognormales usando o
y
como la forma
lognormal y T
50
= exp(
y
) como (mediana) el parmetro
de escala.
Distribucin Lognormal
99
Distribucin Lognormal
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
Calculemos los valores que nos permiten usar
la tabla normal estndar







Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T
50
)]/ o
y
] = P{Z<[ln(18/24.7)]/0.159} =
P(Z<-1.99) = 0.023

68 . 24
25
4
1 25 1
2
2
2
50
= |
.
|

\
|
+ = + =
t
t
t
T

02527 . 0
25
4
1 ln 1 ln
2
2
2
2
=
|
|
.
|

\
|
|
.
|

\
|
+ =
|
|
.
|

\
|
+ =
t
t
y

o
o
1589 . 0 02527 . 0 = =
y
o
100
Funcin de
Distribucin
Lognormal

f t
t
t
( ) exp
ln( )
=

|
\

|
.
|

(
1
2
1
2
2
o t

o
donde y o son funciones de lns
Funcin de Densidad de Probabilidad Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0 1 2 3 4 5 6 7
Tiempo
f
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
Distribucin Lognormal
101
R t f t d t f t d t z d z
t t z t
( ) ( ) [ ln ( ) ] [ ln ( ) ] ( )
ln ( ) [ ln ( ) ]
= = =

} } }
|
Funcin de Distribucin
Lognormal donde z[ln(t)] = [ln(t)-)/o]
|(z) = normal estandarizada normal pdf
Funcin de Confiabilidad Lognormal
0.000
0.200
0.400
0.600
0.800
1.000
0 1 2 3 4 5 6 7
Tiempo
R
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
Distribucin Lognormal
102
h ( )
( )
( )
t
f t
R t
=
Funcin de Distribucin Lognormal
Funcin Tasa de Falla Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0 1 2 3 4 5 6 7
Tiempo
h
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
Distribucin Lognormal
103
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, en niveles de tensin mucho menores que sus lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso

La resistencia de materiales frecuentemente sigue una distribucin
Lognormal
Las variables de peso son frecuentemente bien representadas con
una distribucin Lognormal

Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
Distribucin Lognormal
104
Distribucin de Weibull
La distribucin de Weibull es una de las ms
utilizadas en confiabilidad y estadstica.

La versin de dos parmetros forma y escala (que
representa la vida caracterstica) no incluye el
parmetro de localizacin es cero.

La versin de tres parmetros tiene una parmetro
de localizacin cuando hay un tiempo de falla
diferente de cero para la primera falla
105
Distribucin de Weibull
La funcin de densidad de probabilidad de Weibull de
3 parmetros es:



Para x >o
| es el parmetro de forma
u es el parmetro de escala
o es el parmetro de localizacin
| |
u
o
u
o
u
|
|
.
|

\
|

|
.
|

\
|

x x
x f exp ) (
1
106
Distribucin de Weibull
La funcin de densidad de probabilidad de Weibull de
3 parmetros tambin se puede expresar como:



Para t >0
| es el parmetro de forma
q es el parmetro de escala
es el parmetro de localizacin diferente de cero
q Tambin es la vida caracterstica si el parmetro de
localizacin es cero, de otra forma ser u+ o

| |
q

q
|
|
|
.
|

\
|
|
|
.
|

\
|
=

t y
t f exp ) (
1
107
Distribucin de Weibull
La media y la varianza de la distribucin de Weibull
es:


|
|
.
|

\
|
+ I =
|
u
1
1
(

|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I =
| |
u o
1
1
2
1
2 2 2
108
Distribucin de Weibull
Efecto del parmetro de forma Beta con Theta = 100
y Delta = 0


109
Distribucin de Weibull
Efecto del parmetro de escala Theta


110
Distribucin de Weibull
Efecto del parmetro de escala Delta


111
El Modelo Weibull
En muchas aplicaciones de confiabilidad, el supuesto
de tasa de riesgo constante no es apropiado.

Los artculos mecnicos tienen Failure Rate Creciente.
Otros artculos pueden ser Failure Rate Decreciente.


0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
Failure Rate Constante
Failure Rate
Creciente
Failure Rate
Decreciente
112
Un modelo que puede representar un amplio espectro
de comportamientos es el modelo Weibull.



La densidad del modelo Weibull puede tomar
muchas y diferentes formas.




Note que si = 1 entonces se tiene el modelo exponencial
como caso particular del modelo Weibull.

( ) | |
1
1
) (
) (
exp ) (
) (

=
=
=


o
o
o o

t t h
t t t f
e t S
t
0
0.2
0.4
0.6
0.8
1
1.2
0 0.5 1 1.5 2
Time (t)
f
(
t
)
= 0.5
= 2
= 3
= 1
Modelo Weibull
113
Modelo Weibull
El modelo Weibull es
FRC si = 1
FRI si > 1
FRD si < 1







Entonces el parmetro muestra la forma de la funcin de riesgo.
0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
= 0.5
= 3
= 1
FRC
FRI FRD
114
Modelo Weibull
Que es o ?










Entonces o presenta la escala de h(t).
0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
o = 3 o = 2 o = 1
115
Modelo Weibull
Los momentos de la distribucin Weibull son:
(

|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I = =
=
|
|
.
|

\
|
+ I = =
}
}

o
o
1
1
2
1
1
] [ ] [ ) (
) ( ] [
1
1
1
) ( ] [
2
2
2 2
0
2 2
0
T E T E T Var
dt t f t T E
dt t tf T E
( ) ( )
}

= I
0
1
exp dx x x k
k
116
El tiempo de vida (sobre horas) de cierto tipo de
resorte usado continuamente bajo condiciones de
funcionamiento, es sabido que tiene una distribucin
de Weibull con parmetro de forma 0.00022 y de
escala 1.28.

Cul es el tiempo medio de falla?

Cul es la probabilidad de que un resorte funcionar por 500
horas?

Cul es la probabilidad que un resorte que ha funcionado
por 200 horas funcione por otras 500 horas?
Modelo Weibull
117
Se tiene un sistema de n componentes.
Los componentes son independientes e
idnticamente distribuidos de acuerdo a una
distribucin Weibull.
Cual es la distribucin del tiempo de vida del
sistema?

Se sabe que


Entonces
} , , min{
1 n
T T T =
( )
=
> = > ) } , , (min{
1
t T T P t T P
n

Modelo Weibull
118
Distribucin Weibull
La distribucin de Weibull
es un modelo de
distribucin de vida til
muy flexible, para el caso
de 2 parmetros:
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF

|
|
.
|

\
|

|
|
.
|

\
|

|
|
.
|

\
|

|
|
.
|

\
|
(

|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I =
|
|
.
|

\
|
=
=
=
|
|
q
|
q
q
| q
|
|
q
|
q
q
|
q
q q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Donde h (etha) es un
parmetro de escala (la
vida caracterstica) y
beta se conoce como el
parmetro de forma
(pendiente) y G es la
funcin Gamma con
G(N)=(N-1)! para N entero
119
Distribucin Weibull
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF

|
|
.
|

\
|

|
|
.
|

\
|

|
|
.
|

\
|

|
|
.
|

\
|
(

|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I
+
|
|
.
|

\
|
+ I + =
|
|
.
|

\
|
=
=
=
|
|
q
|
q

q
|
|
q
|
q
q
|
q
q

q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Una forma ms general
de 3 parmetros de la
Weibull incluye un
parmetro de tiempo
de espera localizacin
desplazamiento).
Las frmulas se obtienen
reemplazando t por (t-g).
No puede ocurrir una
falla antes de g horas, el
tiempo comienza en g no
en 0.
120
Funcin de Distribucin Weibull
f t
t t
( ) exp =
|
\

|
.
|

|
\

|
.
|

(
(

|
q q q
| | 1
Funcin de Densidad de Probabilidad Weibull
0.0000
0.0010
0.0020
0.0030
0 500 1000 1500 2000 2500 3000
Tiempo
f
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
121
Funciones de Distribucin Weibull
R t
t
( ) exp =
|
\

|
.
|

(
(

q
|
Funcin de Confiabilidad Weibull
0.000
0.200
0.400
0.600
0.800
1.000
0 500 1000 1500 2000 2500 3000
Tiempo
R
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
122
Funciones de Distribucin Weibull
h
|
q q
|
( ) t
t
=
|
\

|
.
|

1
Funcin Tasa de Falla Weibull
0.0000
0.0020
0.0040
0.0060
0 500 1000 1500 2000 2500 3000
Tiempo
h
(
t
)
| = 3.4
q = 1000
| = 1.0
q = 1000
| = 0.5
q = 1000
Distribucin Weibull
123
Distribucin Weibull
La funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas, la
Weibull modela la caracterstica de vida de los
componentes y partes
Modela fatiga y ciclos de falla de los slidos
Es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una
distribucin de la confiabilidad de los elementos
de una muestra
Muy flexible y puede tomar diferentes formas
Distribucin Weibull
124
Distribucin Weibull
Tiene usted una Distribucin Weibull con |=2 y q=2,
Cul es la media y la varianza?
2
2
1
1
2
1 varianza
1
1
(

|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I =
|
|
.
|

\
|
+ I =
|
q
|
q
|
q m
1
2
3
Archivo
Weibull.xls
125
tiempo
Tiempo de vida til
Fallas
tempranas
Desgaste

decreciente
| < 1

constante
| = 1

creciente
| > 1
| < 1 disminuye la tasa de riesgo, implica mortalidad infantil
| = 1 tasa de riesgo constante, fallas aleatorias
1< | < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
| > 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
Las tres porciones de la curva
de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
constante y el desgaste se
caracteriza por un ndice de
falla creciente. La distribucin
de Weibull puede modelar
matemticamente estas tres
situaciones.

Distribucin
Weibull
| < 1 (Tasa de riesgo decreciente)

Implica mortalidad infantil

Si esto ocurre, puede existir:
-Carga, inspeccin o prueba inadecuada
-Problemas de Manufactura
-Problemas de reparacin

Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
| = 1 (Tasa de riesgo constante)

Implica fallas aleatorias(Distribucin
Exponencial)

Una parte vieja es tan buena como una
nueva

Si esto ocurre:
-Mezcla de modos de falla
-Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
-Fundido y removido antes de su
desgaste
1 < | < 4 (Tasa de Riesgo creciente)

Si esto ocurre
-La mayora de los baleros y engranes
fallan
-Corrosin o Erosin
-El reemplazo programado puede ser
efectivo en costo
| =3.44aprox. Normal, | =2Rayleigh
| > 4 (La tasa de riesgo crece rpidamente)

Implica edad avanzada y rpido desgaste

Si esto ocurre, sospeche de:
-Propiedades del material
-Materiales frgiles como la cermica
-Variabilidad pequea en manufactura o
material
La Distribucin Weibull - Interpretacin
127
Cuando | = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando | = 5 la Weibull se aproxima a una Normal
puntiaguda.
Distribucin Weibull
128
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse adecuadamente
mediante la Weibull. Algunos ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrnicos.
3.El tiempo de falla para artculos que se desgastan, tales
como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa una
distribucin de valor extremo).
Distribucin Weibull
129
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = q?
Distribucin Weibull
6321 . 0 ) ( 1 ) (
3678 . 0 exp ) (
t si
exp ) (
1
= = = =
= =

(
(

|
|
.
|

\
|
= =
=

(
(

|
|
.
|

\
|
=

q q
q
q
q
q
q
|
|
t R t F
e t R
t
t R
Al llegar al tiempo
de vida igual a la
vida caracterstica el
63.2% de los
elementos habr
fallado. Este hecho
se usa en las
grficas para
identificar el valor
de h (eta)
Este mismo resultado se obtiene para el caso
exponencial, recordando que la Weibull se puede
reducir a una exponencial cuando b = 1.
130
V.F Capacidad de procesos
131
V.F Capacidad de procesos
1. ndices de capacidad de procesos
2. ndices de desempeo de procesos

3. Capacidad a corto y a largo plazo
4. Capacidad de proceso de datos no normales

5. Capacidad de proceso para datos por atributos

6. Capacidad de procesos bajo Seis Sigma