ESTADÍSTICA Y

CONFIABILIDAD

PROBABILIDAD.

VARIABLES ALEATORIAS.

MODELOS ESTADÍSTICOS PARA CONFIABILIDAD

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.

Supóngase que se ha determinado según registros que en una empresa el 67% de

los productos a los que se les ha calificado como defectuosos presentan realmente
defectos de fabricación, pero también se detecta que un 1% de los que son
calificados sin defectos, son clasificados incorrectamente. Se ha calculado que uno
de cada 20 productos que se producen son defectuosos. Presente la información
anterior utilizando un cuadro de contingencia.
En un dispositivo de almacenamiento magnético, se hacen tres intentos para leer
datos antes de invocar el procedimiento de recuperación de error, el cual se encarga
de volver a posicionar la cabeza de lectura/escritura. El procedimiento de
recuperación de error intenta posicionar la cabeza tres veces antes de enviar un
mensaje de “operación abortada” al operador. Se definen las siguientes
posibilidades: A: Éxito en la operación de lectura; B: Falla en la operación de lectura;
C: Falla en el procedimiento de recuperación de error; D: Éxito en el procedimiento
de recuperación de error; E: Mensaje de operación abortada enviado por el
operador. Con la información anterior, construya el espacio muestral del
experimento.
Lista de eventos Colectivamente Exhaustiva
Cuando una lista de las posibilidades que pueden resultar de un experimento incluye a todos
los sujetos, objetos o entidades que observa en forma mutuamente excluyente, se dice que es
colectivamente exhaustiva.
La lista de eventos E1, E2, E3, E4, E5, son una lista colectivamente exhaustiva de eventos si
verifica que:
1.Ei∩ Ej=ɸ para cualquier 𝒊, 𝒋, 𝒊 ≠ 𝒋
2.E1U E2UE3UE4U E5=S

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,

m # de eventos favorables a A en el espacio muestral

Pr( A)  
k m # de eventos totales en el espacio muetral

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

Si un experimento perfectamente definido se hace n veces (que frecuentemente se

llama n ensayos) y si para un evento A se observa que m veces de las n efectuadas
ocurre, entonces la probabilidad de que el evento A ocurra se determina como:

m # de veces que ocurre A durante el proceso de ensayar

Pr( A)  
n Total de ensayos efectuados

La aplicación del concepto anterior presenta las siguientes características:

 No se requiere que los resultados sean mutuamente excluyentes.
 No se requiere que cada resultado sea igualmente probable.
 Se requiere del experimento físico, con la observación que, a más ensayos,
mayor exactitud. Una dificultad del enfoque de la frecuencia relativa consiste
en que la gente a menudo lo utiliza sin evaluar un número suficiente de
ensayos.
Definición Subjetiva De Probabilidad.

Dado un experimento, las probabilidades de ocurrencia de un evento A asociado

con el experimento es el grado de creencia asignado a la ocurrencia de A por un
individuo particular. Las únicas exigencias son:

 Pr(A) = 0, Representa la certeza absoluta que el evento A no ocurrirá.

 Pr(A) = 1, Representa la certeza absoluta que el evento A ocurrirá.
 0 ≤ Pr(A) ≤ 1, Representa el grado de certeza de que el evento A ocurra.
 EVENTOS COMPUESTOS Y SUS PROBABILIDADES
Evento Condicional

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.

Para dos eventos A y B la probabilidad condicional de que ocurra A dado que B

ya sucedió se calcula mediante la relación…

𝑁ú𝑚𝑒𝑟𝑜 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑡𝑎𝑛𝑡𝑜 𝑎𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴 𝑐𝑜𝑚𝑜 𝑎𝑙 𝐵 𝑒𝑛 𝑒𝑙 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜

Pr 𝐴 𝐵 =
𝑁ú𝑚𝑒𝑟𝑜 𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑞𝑢𝑒 𝑓𝑎𝑣𝑜𝑟𝑒𝑐𝑒𝑛 𝑙𝑎 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐵 𝑒𝑛 𝑒𝑙 𝑒𝑥𝑝.
 Evento Conjunto.

Entre dos eventos, surge por la relación de ocurrencia en sucesión o

simultánea que podrían generar dos o más eventos.

Para dos eventos A, B se nota “A∩B” o también “AyB”; y se lee

“ocurrencia tanto de A como de B”.

En general, para dos eventos A y B la probabilidad de que ocurra A y B se

calcula mediante la relación…

𝑁ú𝑚𝑒𝑟𝑜 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑡𝑎𝑛𝑡𝑜 𝑎𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴 𝑐𝑜𝑚𝑜 𝑎𝑙 𝐵 𝑒𝑛 𝑒𝑙 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜

Pr 𝐴 ∩ 𝐵 =
𝑁ú𝑚𝑒𝑟𝑜 𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑜

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.

Para dos eventos A, B se nota “AUB” y se lee “ocurrencia de A o de B”.

Para este caso, La probabilidad de ocurrencia del evento se calcula

mediante La relación:

𝐏𝐫(𝐀 ∪ 𝐁) = 𝐏𝐫 𝐀 + 𝐏𝐫(𝐁)
Evento “o” No Excluyente

entre dos eventos, surge por la relación de ocurrencia de un evento o del

otro o de los dos al mismo tiempo.

Para dos eventos A,B, se nota “AUB” y se lee “ocurrencia de A o de B”.

AyB

Para este caso, La probabilidad de ocurrencia del evento se calcula

mediante la relación:
𝐏𝐫(𝐀 ∪ 𝐁) = 𝐏𝐫 𝐀 + 𝐏𝐫 𝐁 − 𝐏𝐫(𝐀 ∩ 𝐁)
Eventos Independientes. Dos eventos A y B son clasificados como
estadísticamente independientes si se verifica una de las siguientes
condiciones:

Pr (A|B) = Pr (A) Pr (A ∩ B) = Pr (A).Pr (B)

Regla de la probabilidad total

Pr( A)  Pr( E  A)  Pr( E  A)  Pr( E  A)
1 2 3
 EJEMPLO.
En la fabricación de un adhesivo químico, 8% de todas las corridas de
producción tienen materias primas de dos lotes diferentes. Esto ocurre
cuando se rellenan los tanques de almacenamiento y la porción restante
de un lote es insuficiente para llenar los tanques. Sólo 10% de las corridas
con materias primas de un solo lote requieren reprocesamiento. Sin
embargo, es más difícil controlar la viscosidad de las corridas en que se
usan dos o más lotes de materia prima, y 40% de las mismas requieren
procesamiento adicional a fin de conseguir la viscosidad requerida.

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.

El circuito ilustrado abajo sólo opera si hay una trayectoria de dispositivos

funcionales de izquierda a derecha. La probabilidad de que cada
dispositivo falle se indica en la ilustración. Suponga que los dispositivos
fallan independientemente. ¿Cuál es la probabilidad de que el circuito
opere?’
Experimento: se tiene un grupo con 30 artículos de los cuales se sabe que 10 son
defectuosos y se pretende observar en forma aleatoria cuatro de ellos con el propósito de
establecer si son o no defectuosos. Si se asume los eventos
D  x / x es artículo defectuoso  N  x / x No es artículo defectuoso 

 
S 
DDDD - DDDN - DDND - DDNN - DNDD - DNDN - DNND - DNNN -


 NDDD - NDDN - NDND - NDNN - NNDD - NNDN - NNND - NNNN


Sea X= Número de artículos defectuosos

DISTRIBUCIONES DE PROBABILIDAD
Variable Aleatoria
Si S es el espacio muestral asociado con un experimento aleatorio, se denomina variable
aleatoria a toda función del espacio muestral S en el conjunto de los números reales R.
X= Número de artículos defectuosos

Para representar variables

aleatorias se utilizan letras
mayúsculas X, Y, Z; y para
representar los valores de la
variable, letras minúsculas:
x, y, z.
Ejemplo:

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)

X: Número de tornillos defectuosos en dos extracciones

Ω ={ }

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
Puede tomar un número finito o infinito
numerable de valores
Número de pozos secos perforados
Número de piezas defectuosas en un
proceso de producción
Número de accidentes en una avenida
Número de aciertos en un proceso de
observación
Se habla de Función de Probabilidad o
de masa de Probabilidad
CONTINUA
Puede tomar un número infinito no
numerable de valores (cualquier valor en
un intervalo de números reales)
Costo de perforación
Grados api del crudo
Temperatura del horno
Tiempo secado
Edad, peso, estatura, presión
Se habla de Función de Densidad
 Gráficamente:
n=20 E(X) = 3 Var(X) =2,55

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)

Medidas de Escala para una Variable Aleatoria Discreta

Sea X una v.a. discreta con esperanza matemática E(X) se define a la
varianza de esa variable aleatoria V(X) a:
𝐕 𝐗 = 𝝈𝟐 = 𝐄 𝐗 𝟐 − [𝑬 𝑿 ] 𝟐

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

Pr(X=x) 0,25 0,50 0,25

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

Variable Aleatoria + Distribución de Probabilidad

Las distribuciones discretas mas usadas son:

1. Distribución Uniforme Discreta
2. Distribución Bernoulli
3. Distribución Binomial
4. Distribución Hipergeométrica
5. Distribución de Poisson
6. Distribución Geométrica
1. Distribución Uniforme Discreta
Se dice que una V.A.D. se distribuye Uniforme si todos las k observaciones tienen
la misma probabilidad de ocurrencia
1
Pr X = 𝑥 = x = 1,2, … , k 𝑿~𝑼(𝒌)
k

Propiedades:
P(x)

- Depende del número de observaciones que se tengan 1/k

- E(X) = µ

- Var(X)= σ2X =E(X2) - µ2 x1 x2 … xk

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)

- Registrar el resultado del examen de un alumno como: aprobar o reprobar

- Introducir una solicitud de crédito en un banco y esperar la decisión de “aprobado” o
“negado”
- Controlar la calidad de un producto y determinar si es “defectuoso” o “no defectuoso”
- Medir la estatura de una persona y registrar si mide “mas de 1.60mt.” o “menos de
1,60mt.)
III. La probabilidad de ocurrencia en un ensayo de uno cualquiera de los resultados
permanece constante o fija en el tiempo
 3. Distribución Binomial

- Un Experimento Binomial consiste:

- n repeticiones de ensayos Bernoulli
- La probabilidad de éxito “p” se mantiene constante en los n ensayos Bernoulli
- Los ensayos Bernoulli son independientes entre sí

- Lanzar diez veces una moneda legal

- Responder al azar un cuestionario de 20 preguntas y del tipo verdadero y

falso
- Examinar 6 artículos de una fábrica para saber la probabilidad de que un
número de ellos están defectuosos sabiendo que el 1% de todos lo está.
Para La variable aleatoria discreta X que representa el número de éxitos en n
ensayos de un experimento binomial donde la probabilidad de éxito es p, la función
de probabilidad está dada por:
𝒏 𝒙
𝐏𝐫 𝐗 = 𝒙 = 𝒑 . (𝟏 − 𝒑)𝒏−𝒙 𝐱 = 𝟎, 𝟏, 𝟐, … , 𝐧
𝒙

𝒏 𝒏!
=
𝒙 𝒙! (𝒏 − 𝒙)!

Si la variable X se ajusta a una distribución Binomial, esto se nota: 𝐗 ~ 𝐁(𝐧; 𝐩)

Propiedades:

- E(X) = µ= np

- Var(X)= σ2X =np(1-p)

Ejemplo:
Desde el aeropuerto de Palonegro/B-manga salen 5 vuelos diarios a Panamá. Si
la probabilidad de que alguno de los vuelos se retrase es de 0.20. Elaborar el
modelo de esta situación. ¿Qué probabilidad hay que se retrasen más de 2
vuelos?
 Distribución de Poisson

Representa el número de eventos que ocurren por unidad (unidad de tiempo, de

espacio, unidad de volumen).

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

Entonces X es llamada variable aleatoria de tipo continuo y 𝑓 𝑥 es llamada la

función de densidad de probabilidad (fdp) de la variable aleatoria X
 Función de densidad

𝑎) 0 ≤ න 𝑓 𝑥 ≤ 1, 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑥 ∈ ℝ
∞
𝑏) න 𝑓 𝑥 𝑑𝑥 = 1
−∞

Para cualesquiera reales a y b, tales que

𝑏
𝑎 ≤ 𝑏, 𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = ‫𝑥𝑑)𝑥(𝑓 𝑎׬‬

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

MODELOS MAS USADOS DE V.A´S CONTINUAS EN FIABILIDAD

1. Distribución LogNormal
2. Distribución Exponencial
3. Distribución Weibull
4. Distribución de Valor extremo más pequeño
5. Distribución logística
 Parámetro de Forma

El parámetro de forma de una distribución determina la forma de la función de

distribución.

La forma se estima a partir de los datos o se especifica con base en el conocimiento

histórico del proceso.

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

El parámetro de escala de una distribución determina la escala de la función de

distribución.
La escala se estima a partir de los datos o se especifica con base en el conocimiento
histórico del proceso.

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.

Efecto del parámetro de escala en

una distribución logística
 Parámetro de Ubicación

Afecta la ubicación de una distribución. La ubicación se estima a partir de los datos o

se especifica con base en el conocimiento histórico del proceso.

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.

La distribución normal es la distribución estadística más común debido a que la

normalidad aproximada ocurre naturalmente en muchas situaciones de mediciones físicas,
biológicas y sociales.

Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el modelo de

la normal son:
• Caracteres morfológicos de individuos como la estatura;
• Caracteres fisiológicos como el efecto de un fármaco;
• Caracteres sociológicos como el consumo de cierto producto por un mismo grupo de
individuos;
• Caracteres psicológicos como el cociente intelectual;
• Nivel de ruido en telecomunicaciones;
• Errores cometidos al medir ciertas magnitudes;
 Una v.a. X se dice que sigue una distribución normal de parámetros  y 2, y se denota por
X~N(,2) o X~N(,)

Función de densidad de probabilidad Función de distribución

𝑥
1 𝑥−𝜇 2
−1Τ2 𝜎 𝐹 𝑥 = Pr 𝑋 ≤ 𝑥 = න 𝑓 𝑡 𝑑𝑡
𝑓 𝑥; 𝜇, 𝜎 = 𝑒
𝜎 2𝜋 −∞
𝑥−𝜇
1 𝑥−𝜇
Bajo la transformación 𝑍 = ~𝑁(0,1) 𝐹 𝑥 = Pr 𝑋 ≤ 𝑥 = 1 + 𝑒𝑟𝑓
𝜎 2 𝜎

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 normal logarítmica es una distribución de probabilidad de una variable

aleatoria cuyo logaritmo está normalmente distribuido; es decir, si 𝑋 es una variable
aleatoria cuyos logaritmos Y = ln 𝑋 tiene una distribución normal, se dice que tiene una
distribución logNormal.
Utilice la distribución lognormal si el logaritmo de la variable aleatoria está distribuida
normalmente. Utilícese cuando las variables aleatorias sean mayores que 0. Por ejemplo, la
distribución lognormal se usa para el análisis de fiabilidad y en aplicaciones financieras,
como modelar el comportamiento de las acciones.

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:

1. Se estudia la proporción de rentistas por encima de 18.000€ anuales para un sector

económico cuya distribución salarial medida en miles de euros sigue un modelo logaritmo
normal con parámetros 𝜇𝑦 = 2 y 𝜎𝑦 = 1,2. Modele esta situación. Con el modelo diseñado,
responda 𝑃(𝑥 ≥ 18) =?
2. Se ha determinado que el tiempo de reparación en un taller de mantenimiento sigue una
distribución lognormal de media 2.3 horas y desviación típica 1.5 horas.
a) ¿Con que probabilidad una reparación superaría las 40 horas?
b) ¿Qué proporción de reparaciones tienen un tiempo de ejecución entre 20 y 30 horas?
 3- Distribución Exponencial: X~exp(𝝀)
Se Utiliza para modelar el tiempo entre eventos en un proceso continuo de Poisson. Se
presupone que eventos independientes ocurren a una tasa constante.
La distribución exponencial se puede utilizar para modelar:

• 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

Su función de distribución es de la forma:

𝑥
𝐹 𝑥 = Pr 𝑋 ≤ 𝑥 = න 𝑓 𝑡 𝑑𝑡 = 1 − 𝑒 −𝜆𝑥
−∞

Debe tenerse en cuenta que 𝜆 es un parámetro de localización y representa el

promedio de ocurrencias en un proceso de Poisson.
𝟏 𝟏
El valor esperado es 𝐄 𝒙 = , 𝝀=
𝝀 𝐄 𝒙
𝟏
La varianza es 𝐕𝐚𝐫 𝒙 =
𝝀𝟐
La distribución exponencial de 2 parámetros se define por sus parámetros de escala y valor
umbral. El parámetro de valor umbral, θ, si es positivo, desplaza la distribución una
distancia θ a la derecha. Por ejemplo, usted está interesado en estudiar la falla de un
sistema con θ = 5 horas. Esto significa que las fallas comienzan a ocurrir solo después de 5
horas de funcionamiento y no pueden ocurrir antes.
Propiedad de no tener memoria.
La probabilidad de un evento no depende de los ensayos anteriores. Por lo tanto, la tasa de
ocurrencia se mantiene constante.

La propiedad de ausencia de memoria indica que la vida útil restante de un componente no

depende de su antigüedad actual.

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.

5. Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una

distribución exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una
persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes
de 20 años? Si el marcapasos lleva funcionando correctamente 5 años en un paciente,
¿cuál es la probabilidad de que haya que cambiarlo antes de 25% años?
 4- Weibull: X~W(𝛉, 𝜷, 𝜶)

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.

Función de densidad de probabilidad 3 parámetros Función de distribución

𝛼 𝛼−1 − 𝑥−𝜃 Τ𝛽 𝛼
𝑓 𝑥 = 𝛼 𝑥−𝜃 𝑒𝑥𝑝 F 𝑥 =1−𝑒 − 𝑥−𝜃 Τ𝛽 𝛼
𝛽
𝑥: Variable aleatoria que, para el caso de la confiabilidad, representa el tiempo entre fallas.
𝛼: Parámetro de forma, 𝛼 > 0. determina la forma — o perfil— de la distribución, la cual
es función del valor de éste.
𝛽: Parámetro de escala. 𝛽 > 0. Indica la escala de la distribución, es decir, muestra que tan
aguda o plana es la función.
𝜃: Parámetro de Inicio o valor umbral; localiza la abscisa a partir del cual se inicia la
distribución. indica, en el tiempo, el momento a partir del cual se genera la distribución.

Cuando el parámetro de inicio θ se fija en cero, se genera la distribución de Weibull de 2

parámetros.
 4-1 Weibull: X~W(𝜷, 𝜶)

función de densidad de probabilidad Función de distribución

𝛼 𝛼 𝛼
𝑓 𝑥 = 𝛼 𝑥 𝛼−1 𝑒𝑥𝑝 −𝑥Τ𝛽 𝐹 𝑥; 𝛼, 𝛽 = 1 − 𝑒 − 𝑥Τ𝛽
𝛽
para 𝑥 ≥ 0, siendo nula cuando 𝑥 < 0.
Weibull. Escala=1 . Valor umbral=0
2,0 Forma
0,5
1
1 ,5
5
1 ,5
Densidad

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 función Gamma completa es indefinida cuando la variable a es igual a un entero

negativo o cero.

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.

 Cuando 𝜶=1, La tasa de fallos es constante en el tiempo. En este caso, se obtiene la

función exponencial con dos parámetros.
1
1 − 𝑥−𝜃 Τ𝛽 , 𝑑𝑜𝑛𝑑𝑒 𝑠𝑖𝑒𝑛𝑑𝑜 𝛽=𝜆
𝑓 𝑥 = 𝑒𝑥𝑝 entonces 𝑓 𝑥 = 𝜆𝑒𝑥𝑝 −𝜆 𝑥−𝜃 ,
𝛽

 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

Respecto a las unidades, el parámetro 𝛼 es un

número adimensional, pero los parámetros 𝛽 y
𝜃, tienen las mismas unidades que 𝑥, tales como
horas, ciclos, etc. Así mismo, 𝜃 con valor
negativo, indica fallas antes del inicio de la
prueba.
(Kececioglu, 1991)

La distribución de Weibull de 2 parámetros se define solo para variables positivas. Una

distribución de Weibull de 3 parámetros puede funcionar con ceros y datos negativos, pero
todos los datos para una distribución de Weibull de 2 parámetros deben ser mayores que
cero.
Ejemplos:
1. El tiempo T en segundos que tarda en conectarse a un servidor durante un día laborable
sigue una distribución de Weibull de parámetros β = 0.6 y α = 1/4, mientas que un fin de
semana es una Weibull de parámetros β = 0.24 y α = 1. Se quiere saber:
(a) Tiempo medio que tardaremos en conectarnos en ambos tipos de día;
(b) Calcula, para ambos tipos de día, la probabilidad de tardar más de 10 segundos en
realizar la conexión
(c) Si llevamos ya 5 segundos esperando a que se efectué la conexión, ¿cual es la
probabilidad de que la conexión se demore aun 10 segundos más?
(d) ¿Era de esperar el resultado que se obtiene en (c)?

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

Función de densidad de probabilidad

X2

n 2  1  2 
n    X n1e X dX

X .e
f (X )  X 0
n
  2 n 0

2
Distribución chi cuadrado para diferentes grados de libertad
 PROPIEDADES DE LA DISTRIBUCIÓN CHI CUADRADO

1. 2 es una variable aleatoria continua

2. Para cada tamaño de muestra corresponde una distribución 2 específica.
Por lo anterior se podrá interpretar también que la distribución 2 depende
sólo de los grados de libertad.
3. La distribución 2 es sesgada a la derecha, con la condición que a mayor
tamaño de muestra (mayor número de grados de libertad) se hará menos
sesgada y tiende a la normalidad.
4. La media de la distribución 2 está dada por los grados de libertad. ( = n);
así como la varianza está determinada por el doble de los grados de libertad.
(2 = 2n)
 DISTRIBUCION t DE STUDENT
Sea “U” una variable aleatoria que sigue una distribución N(0,1). Sea "V" una variable
aleatoria que sigue una distribución Chi-cuadrado con "n" grados de libertad. Ambas
variables, U y V, son independientes.
La nueva variable definida como
𝑈
𝑋=
𝑉ൗ
𝑛
Sigue una distribución t de student con n-1 grados de libertad
Función de densidad de probabilidad

 n  1
   n 1 
2  2 
2   X   n  1 
f (X )       , n   x n1e  x dx
 n   n 
1 , X R ,
n .   2 
0
2
 PROPIEDADES DE LA DISTRIBUCIÓN
DISTRIBUCION t DE STUDENT

1. t es una variable aleatoria continua

2. Para cada tamaño de muestra posible, existe una distribución t. “Existe una
distribución t para cada uno de los posibles grados de libertad”
3. La distribución t es simétrica con respecto a la media, con la condición que a
mayor tamaño de muestra (mayor número de grados de libertad) tiende a
ser como la normal.
4. Teóricamente, la variable t toma valores desde - a +
5. La distribución t es una distribución de probabilidad continua, por lo tanto el
área bajo la curva es igual a 1.
6. 6. La media de la distribución t está dada por la
varianza está determinada por

  E( X )  0
n
2  ,n  2
n2
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.

a) Calcular la probabilidad de que el componente C1 dure más de 3000 horas.

b) Calcular la probabilidad de que el componente C1 dure más de 6000 horas, si ha durado
ya 3000 horas.
c) Calcular la probabilidad de que el sistema dure más de 3000 horas.
d) Para reforzar el componente C3 se instala un componente gemelo en paralelo. Calcular la
probabilidad de que el sistema dure más de 3000 horas.
a) Pr(T1 > 3000) = e −3/28 = 0.898
b) Pr(T1 > 6000|T > 3000) = e
−3/28 = 0.898
c) Pr(Ts > 3000) = 1 2 e −6/28 =
0.4036
d) Pr(T ′ s > 3000) = 3 4 e−6/28 =
0.6053
En esta práctica se van a analizar una serie de muestras de duración de procesos.

• Ajustar un modelo para los datos. Construya su análisis

• Haga cálculos de probabilidad según el modelo ajustado.
Presentación realizada por Edwin Dugarte Peña – Profesor
Asociado. UPB Seccional Bucaramanga, Febrero de 2017