Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Lectura 11: Distribución exponencial y uniforme Estadística Diciembre 3, 2014 1. Distribución Exponencial (Parte de este material ha sido adoptado de [2].) Una de las aplicaciones más útiles de la distribución exponencial es el modelado de tiempos para falla de un componente. Con la distribución de Poisson podíamos determinar la cantidad de fallas en un dispositivo durante un periodo t. En dicha lectura, encontramos tambien que la probabilidad de que no se presentaran fallas era P (X = 0) = e−λt, que luego se definió como la confiabilidad R(t) en función de t. En ese caso, la variable aleatoria es el número de fallas X en el periodo (0, t); sin embargo, ahora en la distribucion exponencial haremos que la variable T sea aleatoria. Por lo tanto, si definimos que T es el tiempo necesario para observar la primera falla, entonces podemos decir que el evento {T > t} = {X = 0} con X ∼ Poi(λt). Observen la Fig. 1 para mayor claridad. Si durante t dias no han ocurrido eventos (fallas), esto quiere decir que el tiempo para el primer evento (falla) T ocurrirá después de los t días. P (T > t) = e−λt Entonces, la probabilidad de que el primer evento ocurra antes de t días es: P (T ≤ t) = FT (t) = 1− e−λt, t ≥ 0 1 Primera falla T t ) ( 0 Figura 1: Eventos que representa la cdf de la variable aleatoria T . Dado que FT es derivable, podemos entonces determinar la pdf fT de T como: fT (t) = λe −λt, t ≥ 0. Definición. Una variable aleatoria continua tiene una distribución exponencial con paráme- tro λ si su función de densidad es fX(x) = 0 si x < 0 y fX (x) = λe −λx, x ≥ 0. Se escribe que X ∼ Exp(λ). La función acumulada de probabilidad es entonces FX(x) = 1− e−λx, x ≥ 0 La Fig. 2 muestra la pdf y cdf de una variable exponencialmente distribuida para dos valores diferentes del parámetro λ en eventos por unidad de tiempo. Si λ representa una tasa de fallas (número de fallas en un año), entonces X representa el tiempo en ocurrir una falla. Observen entonces en la Fig. 2 que a medida que λ es mayor, las probabilidades de que una falla ocurra más pronto son también mayores, lo cual es intuitivo. Esta distribución también cumple con la propiedad de no memoria. Es decir, siempre la probabilidad de falla en un periodo en particular sera la misma a pesar de que no se hayan presentado fallas antes del inicio de dicho periodo. Es como si a la distribución exponencial 2 0 2 4 6 8 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 x P df lambda = 1 lambda = 5 0 2 4 6 8 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 x C df lambda = 1 lambda = 5 Figura 2: Distiribución exponencial se le olvidara la historia del elemento, sólo recuerda lo que ocurre en el periodo bajo estudio. Ejemplo 1. Pruebe la propiedad de no memoria de la distribución exponencial, i.e., es decir pruebe que P (X > s+ t|X > s) = P (X > t). Ejemplo 2. De acuerdo a las estadísticas de movilidad de la ciudad mostradas en el sitio web http://medellincomovamos.org, se registraron 23,426 accidentes de tránsito en 2012. Suponga que el tiempo transcurrido para observar un accidente esta distribuido exponencialmente. (a) Determine la probabilidad de que pase más de media hora sin ocurrir un accidente. R/ 0.263 (b) Determine el tiempo que tiene que transcurrir para el cual la probabilidad de que ocurra un accidente es de .99. 3 1.1. Valor esperado y Varianza El valor esperado determina, en promedio, el tiempo necesario para observar un evento cuando λ está dada en eventos por unidad de tiempo. E [X] = 1 λ . Y la varianza está dada por Var(X) = 1 λ2 . Observen que la desviación estándar SD(X) y E [X] son iguales. Para el ejemplo anterior, tenemos entonces que X ∼ Exp(2,67) donde X está medida en horas; por lo tanto, E [X] es un poco más de 22 minutos por accidente en promedio. 2. Distribución uniforme La distribución uniforme permite asignar la misma densidad a cada valor de la variable aleatoria. Esta puede ser empleada cuando hay certeza de que todos los posibles valores de la varaiable bajo estudio tienen la misma probabilidad de ocurrencia. Definición. Una variable aleatoria continua tiene una distribución uniforme con parámetros a y b si su función de densidad es fX(x) = 0 si x < a o x > b y fX (x) = 1 b− a , a ≤ x ≤ b. Se escribe que X ∼ Unif(a, b). En la Fig. 3 se ilustra la cdf de una distribución uniforme cuando a = −1 y b = 1. La función acumulada de probabilidad es entonces 4 −2 −1 0 1 2 0. 0 0. 1 0. 2 0. 3 0. 4 0. 5 x fX (x ) Figura 3: pdf de X ∼ Unif(−1, 1) FX(x) = x−a b−a , a ≤ x ≤ b, 1, x > b, 0, en caso contrario. En la Fig. 4 se ilustra la cdf de una distribución uniforme cuando a = −1 y b = 1. Ejemplo 3. (Problema 7 Cap. 4 de [1].) Se cree que el tiempo X (en minutos) para que un ayudante de laboratorio prepare el equipo para cierto experimento tiene una distribución uniforme con a = 25 y b = 35. 1. Cuál es la probabilidad de que el tiempo de reparación exceda de 33 minutos? 2. Calcule p95 e interprete su resultado. 5 −2 −1 0 1 2 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 x F X (x ) Figura 4: cdf de X ∼ Unif(−1, 1) Referencias [1] Jay L. Devore. Probabilidad y estadistica para ingenieria y ciencias, Octava edicion. Cengage Learning, Julio 2011. [2] James McCalley. Reliability evaluation of power systems (class notes). http://www.ee.iastate.edu/∼jdm/ee653/ee653schedule.htm, 2005. 6
Compartir