Академический Документы
Профессиональный Документы
Культура Документы
CONFIABILIDAD
PROBABILIDAD.
VARIABLES ALEATORIAS.
ESPECIALIZACIÓN EN GERENCIA DE
MANTENIMIENTO Y CONFIABILIDAD
PROBABILIDAD
Espacio Muestral
Es el conjunto de todos los resultados posibles, eventos o sucesos de un
experimento aleatorio. Se nota con la letra S
Ejemplos
Un experimento consiste en observar un proceso de producción cuatro veces y
clasificar el producto como defectuoso (D) o no defectuoso (N). Determine todas
las posibilidades compuestas que se pueden generar en el proceso de
observación.
Probabilidades
Son números entre cero y uno que cuantifican o miden el grado de incertidumbre
de la ocurrencia de un evento en un experimento.
Probabilidad
Teoría que pretende interpretar la incertidumbre ante la ocurrencia o no de un
evento o grupo de eventos en un experimento
Definición Clásica “A Priori” o Regla de Laplace
Considérese algún experimento potencial (no se ha realizado), para el cual es posible
determinar su espacio muestral S y en él un evento A.
Si hay m eventos en el espacio muestral que indicarían la ocurrencia de A.
Si hay k eventos en el espacio muestral que indicarían la no ocurrencia de A.
Si los eventos son equiprobables y mutuamente excluyentes,
Se debe conocer la naturaleza explícita del experimento; esta, se determina, a partir del
conocimiento de los casos posibles o total de eventos. Bajo este concepto, el experimento no
se ejecuta para hacer la lista de los eventos; este se hace hipotéticamente; y como esto es
posible antes de hacer físicamente el experimento, esta definición de probabilidad es
llamada a menudo “ A PRIORI “
Definición por frecuencias relativas “a posteriori” o empírico
Entre dos eventos, surge por la relación de carácter condicional que ejerce un
evento A ya ocurrido, sobre otro que se espera suceda después o al mismo
tiempo que el.
Para dos eventos A, B se nota al evento condicional: “A|B” y se lee “Ocurrencia del
evento A condicionada por la ocurrencia del evento B”. La expresión
condicionada puede ser sustituida por expresiones como: dado que, si, si se sabe
que, a partir de, que en todo caso revelan la presencia de una condición.
𝑷𝒓 𝑨 ∩ 𝑩
𝐏𝐫 𝑨 𝑩 =
𝐏𝐫(𝑩)
Evento “o” Excluyente
Entre dos eventos, surge por la relación de ocurrencia de un evento o del otro, más
no los dos al mismo tiempo.
𝐏𝐫(𝐀 ∪ 𝐁) = 𝐏𝐫 𝐀 + 𝐏𝐫(𝐁)
Evento “o” No Excluyente
AyB
Sea que A denote el evento “una carga de producción está constituida por
dos lotes diferentes” y sea que B denote el evento “un lote requiere
procesamiento adicional”, determine las siguiente probabilidades:
a. Pr(AUB) b. Pr(Ac) c. Pr(B|Ac) d. Pr(A∩B) e. Pr(A∩Bc)
EJEMPLO.
Muestras de hule espuma de dos proveedores se clasifican de acuerdo a si
cumplen o no con las especificaciones. Al observar un lote de 252 muestras
se encontró lo siguiente: 168 muestras son del proveedor 1 y de estas 8 no
cumplen con las especificaciones. En total 12 muestras no cumplen con las
especificaciones. Si A denota el evento de que una muestra es del
proveedor 1 y sea que B denote el evento que una muestra cumple con las
especificaciones
¿Son independientes A y B?
¿Son independientes Ac y B?
¿Cuáles son las probabilidades de A∩B?
¿Cuáles son las probabilidades de AUBc?
¿Cuáles son las probabilidades de (AUB)c?
EJEMPLO.
S
DDDD - DDDN - DDND - DDNN - DNDD - DNDN - DNND - DNNN -
NDDD - NDDN - NDND - NDNN - NNDD - NNDN - NNND - NNNN
Experimento aleatorio: “lanzar un dado".y asignar 1 a las caras que son múltiplos
de tres y 0 a las que no lo son
- V.a. Y : asignar 1 a las caras que son múltiplos de tres y 0 a las que no lo son,
1.
3.
5. 0.
2.
4. 1.
6.
Ejemplo:
Proceso de Producción de Tornillos
Experimento aleatorio: Extraer dos tornillos en forma aleatoria de un
recipiente que almacena la producción y calificarlos como defectuosos (d)
ത
o no defectuosos (d)
f:Ω→R
Ω R
0.
1.
2.
FUNCIÓN DE PROBABILIDAD. FUNCIÓN DE DISTRIBUCIÓN.
Si se tiene una variable aleatoria X y una lista colectivamente exhaustiva de
eventos x1, x2,.....,xn con probabilidades respectivas de ocurrencia Pr(X=x1),
Pr(X=x2), .......Pr(X=xn) entonces la asociación que resulta de relacionar cada evento
con su respectiva probabilidad de ocurrencia se denomina Distribución de
Probabilidad. Es importante recordar que entre listas colectivamente exhaustivas
Pr(xi) = 1.
Función de Probabilidad Función de Distribución de Probabilidad
La Función de distribución o función de
X f(xi)=Pr(X=xi) distribución
𝐹(𝑥𝑖 ) = 𝑃(X ≤acumulada
𝑥𝑖 ) (fda) de una variable
aleatoria describe la probabilidad de que
x1 Pr(X=x1) 𝑃𝑟(X ≤ 𝑥 ) • Es una función no decreciente
una variable1 aleatoria real X sujeta a cierta ley
x2 Pr(X=x2) 𝑃𝑟(X ≤ 𝑥2 ) de probabilidad,
de distribución sees
• Valor mínimo sitúe
ceroen
(0) la zona
. . de valores. menores o iguales a 𝑥. La función de
• Valor máximo es uno (1)
. . distribución
. asocia a cada valor x, la probabilidad
xn Pr(X=xn) 1 "la variable X toma valores menores o
del evento:
iguales a 𝑥", es decir, F 𝑥 = 𝑃(X ≤ 𝑥).
1
TIPOS DE VARIABLE ALEATORIA
DISCRETA CONTINUA
Puede tomar un número finito o infinito Puede tomar un número infinito no
numerable de valores numerable de valores (cualquier valor en
un intervalo de números reales)
Número de pozos secos perforados
Número de piezas defectuosas en un Costo de perforación
proceso de producción Grados api del crudo
Número de accidentes en una avenida Temperatura del horno
Número de aciertos en un proceso de Tiempo secado
observación Edad, peso, estatura, presión
30,00%
25,00%
20,00%
Pr(X)%
15,00%
10,00%
5,00%
0,00%
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X=Variable
Medidas de localización para una Variable Aleatoria Discreta
Sea X una v.a. discreta, con función de probabilidad dada por P(X=x), entonces
la Esperanza Matemática de X, E(X) viene dada por:
𝐄 𝐗 = 𝛍 = 𝐱. 𝐏(𝐗 = 𝐱)
Desviación estándar
𝐃𝐄 𝐗 = 𝝈 = 𝐕(𝐗) = 𝐄 𝐗 𝟐 − [𝑬 𝑿 ] 𝟐
Ejemplo:
Para la v.a.
X: Número de caras al lanzar dos monedas
X=x 0 1 2
𝝈𝟐 = 𝐕 𝐗 = 𝐄 𝐗 𝟐 − [𝑬 𝑿 ] 𝟐
𝐄 𝐗 =𝟏
E X 2 = 02 × 0,25 + 12 × 0,50 + 22 × 0,25 = 1,5
𝝈𝟐 = 𝐕 𝐗 = 𝟏, 𝟓 − 𝟏 𝟐 = 𝟎, 𝟓
Modelos de Probabilidad de V.A´s Discretas
Modelo de Probabilidad
Propiedades:
P(x)
- E(X) = µ
Ejemplo
Sea la v.a. X: Nº de puntos que sale al lanzar un dado. Modele el experimento
asociado
Experimento Bernoulli: proceso que consiste de n ensayos o repeticiones que deben
verificar las siguientes condiciones
I. Los ensayos son estadísticamente independientes
II. Cada ensayo en la variable que se observe a través del experimento solo puede asumir
dos posibles resultados (Se les denomina a estas variables dicotómicas) (éxito y
fracaso)
𝒏 𝒏!
=
𝒙 𝒙! (𝒏 − 𝒙)!
- E(X) = µ= np
Condiciones:
- El número de veces que ocurre el evento en cualquier unidad de tiempo o
espacio determinado es independiente del número de veces que ocurre en
cualquier otra unidad de tiempo o espacio
- La probabilidad de que un evento ocurra dos o mas veces simultáneamente en
la misma unidad de tiempo o espacio es muy pequeña, por lo que se asume
nula
- El número promedio de veces que ocurre el evento en una determinada unidad
de tiempo o espacio es constante pero varía al cambiar dicha unidad.
Ejemplos:
•Nº de defectos por unidad de superficie o volumen
•Nº de artículos defectuosos que ocurren en un proceso productivo durante
un periodo de tiempo
•Nº de impurezas en un litro liquido
•Nº de accidentes por hora
La v.a. X: número de veces que ocurre un evento en una unidad de tiempo o
espacio, se le denomina v.a. Poisson, y su función de masa se define como:
𝑒 −𝜆 𝜆𝑥
Pr 𝑋 = 𝑥 = 𝑥 = 0; 1; 2; … ,
𝑥!
Se denota 𝐗 ~ 𝐏(𝛌)
Donde representa el promedio de veces que sucede el evento en la unidad de
espacio o de tiempo considerada
Propiedades:
𝐸 𝑋 =𝜆
𝑉𝑎𝑟 𝑋 = 𝜆
Ejemplo: Se sabe que una fuente radiactiva emite partículas alfa a un ritmo de 1.5 por
minuto. Modele esta situación. ¿Qué probabilidad hay que emita más de 3 partículas por
minuto?
Distribuciones discretas, Rango y Uso común
VARIABLE ALEATORIA CONTINUA
Función de densidad de Probabilidad:
Sea X una variable aleatoria con un espacio unidimensional 𝒜, que consiste de
un intervalo o la unión de varios intervalos. Sea 𝑓(𝑥) una función no negativa
tal que
න 𝑓 𝑥 𝑑𝑥 = 1
𝒜
La probabilidad de que ocurra un evento A se puede calcular entonces como
𝑃 𝐴 = 𝑃 𝑋 ∈ 𝐴 = න 𝑓 𝑥 𝑑𝑥
𝒜
𝑎) 0 ≤ න 𝑓 𝑥 ≤ 1, 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑥 ∈ ℝ
∞
𝑏) න 𝑓 𝑥 𝑑𝑥 = 1
−∞
Función de distribución
𝑥
𝐹 𝑥 = Pr 𝑋 ≤ 𝑥 = න 𝑓 𝑡 𝑑𝑡
−∞
Ejemplo:
Sea X una variable aleatoria cuya función de densidad viene dada por 𝑓(𝑥),
Encuentre su función de distribución:
ESPERANZA MATEMÁTICA Y VARIANZA
Sea X una v.a. continua, con función de probabilidad dada por P(X=x),
entonces la Esperanza Matemática de X, E(X) viene dada por:
∞
𝐄 𝐗 = 𝛍 = න 𝒙. 𝒇 𝒙 𝒅𝒙
−∞
𝐕𝐚𝐫 𝐗 = 𝝈𝟐 = 𝐄 𝐗 𝟐 − [𝐄 𝐗 ]𝟐
Donde,
∞
𝐄 𝐗 𝟐 = න 𝒙𝟐 . 𝒇 𝒙 𝒅𝒙
−∞
Ejemplo:
Con la función de probabilidad,
calcular media y varianza de la variable aleatoria X:
∞
𝐄 𝐗 = 𝛍 = න 𝒙. 𝒇 𝒙 𝒅𝒙
−∞
∞ 2 2 2
𝑥 𝑥 𝑥 3 23 8
𝛍 = 𝐸 𝑥 = න 𝑥. 𝑓 𝑥 𝑑𝑥 = න 𝑥. . 𝑑𝑥 = න 𝑑𝑥 = = = = 1,33
−∞ 0 2 0 2 6 6 6
𝐕𝐚𝐫 𝐗 = 𝐄 𝐗 𝟐 − [𝐄 𝐗 ]𝟐
∞ 2 2 3 4 4
𝑥 𝑥 𝑥 2 16
𝐸 𝑋2 = න 𝑥 2 . 𝑓 𝑥 𝑑𝑥 = න 𝑥 2 . . 𝑑𝑥 = න 𝑑𝑥 = = = =2
−∞ 0 2 0 2 8 8 8
𝐕𝐚𝐫 𝐗 = 𝐄 𝐗 𝟐 − 𝐄 𝐗 𝟐 = 𝟐 − 𝟏, 𝟑𝟑 𝟐 = 𝟐 − 𝟏, 𝟕𝟕 = 𝟎, 𝟐𝟐𝟐𝟐
MODELOS MAS USADOS DE V.A´S CONTINUAS
1. Distribución Uniforme Continua o Rectangular
2. Distribución Normal
3. Distrbución chi cuadrado
4. Distribución t-student
5. Distribución F-Snedecor (Fisher)
6. Distribución Exponencial
1. Distribución LogNormal
2. Distribución Exponencial
3. Distribución Weibull
4. Distribución de Valor extremo más pequeño
5. Distribución logística
Parámetro de Forma
Interpretación
El parámetro de forma de una distribución dada puede afectar qué tan simétricos o
asimétricos son los datos.
Efecto del parámetro de forma en una distribución de Weibull
Parámetro de Escala
Interpretación
El parámetro de escala puede afectar qué tan dispersos son los datos. Por lo general,
un valor de escala más grande puede hacer que la distribución luzca más expandida
horizontalmente. Un valor de escala más pequeño puede hacer que la distribución
luzca más comprimida horizontalmente.
Interpretación
El parámetro de ubicación puede afectar la ubicación de los datos al desplazarlos a
lo largo del eje X. Un valor de ubicación positivo desplaza la distribución hacia la
derecha, mientras que un valor de ubicación negativo desplaza la distribución hacia
la izquierda.
Efecto del parámetro de ubicación en una distribución logística
Parámetro de Valor umbral
Proporciona una estimación del valor mínimo de una variable aleatoria. El valor
umbral se estima a partir de los datos o se especifica con base en el conocimiento
histórico del proceso.
Interpretación
El parámetro de valor umbral define la ubicación del mínimo valor que es
teóricamente posible para los datos de una distribución.
Efecto del parámetro de valor umbral en una distribución de Weibull
1- Normal: X~N(,2)
La distribución normal es una distribución continua que se especifica por la media (μ) y la
desviación estándar (σ). La media es el pico o centro de la curva en forma de campana. La
desviación estándar determina la dispersión de la distribución.
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
https://es.wikipedia.org/wiki/Función_error
Ejemplo:
La temperatura durante septiembre está distribuida normalmente con media 18,7 C° y
desviación standard 5 C°. Modele esta situación. Calcule la probabilidad de que la
temperatura durante septiembre esté por debajo de 21 C°.
Ejemplo:
El tiempo medio en realizar una misma tarea por parte de los empleados de una empresa se
distribuye según una distribución normal, con media de 5 días y desviación típica 1 día.
Modele esta situación. Calcular el porcentaje de empleados que realizan la tarea en un
tiempo inferior a 7 días.
Ejemplo:
La vida media de una lámpara, según el fabricante, es de 68 meses, con una desviación
típica de 5. Se supone que se distribuye según una distribución normal. Modele esta
situación. Si se tiene un lote de 10.000 lámparas. a) ¿Cuántas lámparas superarán
previsiblemente los 75 meses?. b) ¿Cuántos lámparas se estropearán antes de 60 meses?
Ejemplo:
El rendimiento de un proceso de producción es una variable que se ajusta a una
distribución normal. Si en promedio el rendimiento es de 75 Kg/Ha con una desviación
estándar de 20 Kg/Ha. Modele esta situación. Calcule la probabilidad de que el
rendimiento esté entre 90 y 120 Kg/Ha.
2- Distribución LogNormal o distribución de Cobb-Douglas X~N(,2)
La distribución lognormal es una distribución continua que se define por sus parámetros de
ubicación y escala. La distribución lognormal de 3 parámetros se define por sus parámetros
de ubicación, escala y valor umbral.
En la hidrología, se utiliza la distribución log-normal para analizar variables aleatorias como
valores máximos de la precipitación y la descarga de ríos, y además para describir épocas de
sequía.
La aplicación más importante de la distribución lognormal es la descripción de la dispersión
existente en los datos de tasas de fallos de componentes.
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_log-normal
Función de densidad de probabilidad
ln( 𝑥)−𝜇𝑦 2
1 −1Τ2 𝜎𝑦
𝑓 𝑥; 𝜇𝑦 , 𝜎𝑦 = 𝑒 ,𝑥 > 0
𝑥𝜎𝑦 2𝜋
Función de distribución
𝑥
𝐹 𝑥 = Pr 𝑋 ≤ 𝑥 = න 𝑓 𝑡 𝑑𝑡
−∞
Para 𝑥 > 0, donde 𝜇 y 𝜎 son la media y la desviación estándar del logaritmo de la variable
𝜇𝑦 +𝜎𝑦 𝟐
𝟐 𝟐
El valor esperado es 𝐄 𝒙 = 𝒆 𝟐 , y la varianza es 𝐕𝐚𝐫 𝒙 = (𝒆𝜎𝑦 −𝟏)𝒆𝟐𝜇𝑦 +𝜎𝑦
ln 𝑥−𝜇𝑦
En este caso la variable aleatoria 𝑍 = ~𝑁(0,1)
𝜎𝑦
Ejemplos:
• El tiempo transcurrido en un centro de llamadas hasta recibir la primera llamada del día.
• El intervalo de tiempo entre terremotos (de una determinada magnitud).
• Supongamos una máquina que produce hilo de alambre. La cantidad de metros de
alambre hasta encontrar una falla en el alambre.
• En fiabilidad de sistemas, un dispositivo con tasa de fallo constante sigue una
distribución exponencial.
• Tiempo que tarda en fallar un componente electrónico
• El intervalo de tiempo entre las llegadas de clientes a una terminal
• El tiempo que esperan los clientes en fila hasta recibir servicio
• El tiempo hasta que se declara el incumplimiento de un pago (modelos de riesgo de
crédito).
• El tiempo para desintegración de un núcleo radiactivo
Su función de densidad es de la forma:
𝜆𝑒 −𝜆𝑥 𝑝𝑎𝑟𝑎 𝑥 ≥ 0 𝜆 > 0
𝑓 𝑥 =𝑃 𝑥 =ቊ
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑎𝑟𝑖𝑜
Ejemplo:
La duración de un componente eléctrico sigue una distribución exponencial con media
10000 horas. Se pide:
a) Calcular la probabilidad de que si el componente ha durado más de 20000 horas, dure
más de 21000 horas. Comparar esta probabilidad con la probabilidad de que dure entre 0 y
1000 horas. Comentar razonadamente el resultado.
b) Si se instalan 4 de esos componentes en serie en un aparato, calcular la probabilidad de
que el aparato siga funcionando al cabo de 10000 horas.
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en
años está dado por la variable aleatoria T, distribuida exponencialmente con tiempo
promedio de falla 5. S í 5 de estos componentes se instalan en diferentes sistemas,
¿cuál es la probabilidad de que al menos 2 continúen funcionando después de 8 años?
2. El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta que
falle (tiempo de falla) se distribuye según el modelo exponencial con un tiempo
promedio de fallas igual a 360 días.
a) ¿qué probabilidad hay que el tiempo de falla sea mayor que 400 días?
b) Si una de estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay que trabaje más
de 200 días más?
c) Si se están usando 5 de tales baterías calcular la probabilidad de que más de dos de ellas
continúen trabajando después de 360 días.
3. Suponga que la vida de cierto tipo de tubos electrónicos tiene una distribución
exponencial con vida media de 500 horas. Si X representa la vida del tubo (tiempo q
dura el tubo).
a) Hallar la probabilidad que se queme antes de las 300 horas.
b) ¿Cuál es la probabilidad que dure por lo menos 300 horas?
c) Si un tubo particular ha durado 300 horas. ¿cuál es la probabilidad de que dure otras 400
horas?
4. El tiempo de funcionamiento hasta que se avería el transmisor de señal de un satélite
de telecomunicaciones sigue una distribución exponencial de media 10000 días. Para
que el lanzamiento del satélite y la inversión realizada sea rentable se exige que la
duración sea, al menos, de 10 años.
a) Calcular la probabilidad de que un transmisor elegido al azar, resulte rentable.
b) Si una instalación industrial fabrica 10 transmisores, ¿cuál es la probabilidad de
que los diez cumplan las especificaciones?
c) Cuál es la probabilidad de que haya al menos una avería en un año?
d) Mantener un servicio de reparaciones para los transmisores cuesta 1000 euros
anuales, ¿cuánto debe cobrar como mínimo dicho servicio por reparación para
obtener beneficios en un año (es decir que el beneficio esperado en un año sea
positivo)? a) 0.694; b) 0.026; c) 0.0358; d) Tarifa > 27397.26 euros/avería.
Se utiliza frecuentemente con análisis de fiabilidad para modelar datos de tiempo antes de
falla. También se utiliza para modelar datos asimétricos del proceso en el análisis de
capacidad. Para determinar si un proceso es capaz de producir una salida que satisfaga los
requisitos del cliente cuando el proceso esté bajo control estadístico.
1 ,0
0,5
0,0
0 2 4 6
X
𝟏
El valor esperado es μ = 𝐄 𝒙 = 𝜷. 𝚪 + 𝟏 , denotando por Γ(. ) a la función Gamma.
𝜶
𝟏ൗ
𝟐 𝟏 𝟐 𝟐
Desviación estándar = DesvStand 𝒙 = 𝜷. 𝚪 +𝟏 −𝚪 +𝟏
𝜶 𝜶
La función Gamma completa, también es conocida como función factorial generalizada y
∞
se define como: Γ 𝑎 = 0 𝑡 𝑎−1 𝑒 −𝑡 𝑑𝑡.
La distribución Weibull modela la distribución de fallos (en sistemas) cuando la tasa de fallos
es proporcional a una potencia del tiempo:
Un valor 0<α<1 indica que la tasa de fallos decrece monótonamente con el tiempo y es
convexa.
Un valor 𝜶>1 indica que la tasa de fallos crece con el tiempo. En este caso f(x) asume
formas parecidas a la distribución normal, cuyas aplicaciones más frecuentes son para la
de tasa de falla de componentes que han sufrido desgaste.
Un cambio en el parámetro de escala 𝛽 tiene el mismo efecto en la distribución que un
cambio de escala de la abscisa, esto es, para un mismo valor de 𝛼 y 𝜃 en una
distribución normal, si 𝛽 se incrementa, la distribución se contrae y si 𝛽 disminuye, la
distribución se expande.
El parámetro de inicio 𝜃 sirve para ubicar el inicio de la distribución a lo largo del eje X
2. Sea X una variable aleatoria de Weibull de parámetro α > 1 que representa la duración de
un componente hasta que se averíe. Para montar un circuito, buscamos componentes que
nos duren al menos 500 unidades de tiempo. Para seleccionar esos componentes nos dan
a elegir entre 2 tipos. Los componentes del Tipo 1 están sin estrenar, mientras que los
componentes del Tipo 2 no son nuevos. ¿Que tipo de componentes es el más adecuado
para nosotros?
OTRAS
DISTRIBUCIONES DE
PROBABILIDAD
DISTRIBUCIÓN CHI CUADRADO
Sean 𝑋1 , 𝑋2 , … , 𝑋𝑛 variables independientes que siguen una distribución N(0,1). Sea X una
nueva variable definida como la suma
X=𝑋12 + 𝑋22 + ⋯ + 𝑋𝑛2 = σ𝑛𝑖=1 𝑋𝑖2
En este caso, se dice que X se distribuye como una CHI-CUADRADO, con n grados de
libertad. Se representa como: 𝑋~𝜒𝑛2
2
Distribución chi cuadrado para diferentes grados de libertad
PROPIEDADES DE LA DISTRIBUCIÓN CHI CUADRADO
n 1
n 1
2 2
2 X n 1
f (X ) , n x n1e x dx
n n
1 , X R ,
n . 2
0
2
PROPIEDADES DE LA DISTRIBUCIÓN
DISTRIBUCION t DE STUDENT
E( X ) 0
n
2 ,n 2
n2
Distribuciones Continuas, Rango y Uso común
EJERCICIO.
1. Un sistema está formado por 3 componentes conectados en serie. El sistema falla
cuando falla uno de los componentes. Los componentes C1 y C2 tienen tiempo de vida
T1 y T2 que se distribuyen como una exponencial de media 28000 horas. La distribución
de probabilidad de la vida, T3, del componente C3 es N(3000, 200). Los tiempos de vida
de los tres componentes son independientes.