Documente Academic
Documente Profesional
Documente Cultură
En la prctica, habrn pequeas variaciones en las medidas, debidas a diversas causas. La medida ser naturalmente representada como una variable aleatoria X en el mbito de los nmeros reales.
3
Funciones de densidad son comnmente usadas en diversos sistemas de ingeniera. Por ejemplo, considere la densidad de una carga a lo largo de una viga. Para cualquier punto a lo largo de x, la densidad puede ser descrita por una funcin (kilogramos/metro, gramos/cm, etc.)
Intervalos con grandes cargas corresponden a valores grandes de la funcin. La carga total entre a y b es determinada por la integral de la funcin de densidad entre los puntos a y b.
De manera similar, la funcin de densidad de probabilidad f(x) describe la distribucin de probabilidad de una variable aleatoria continua X. La probabilidad de que X est entre a y b viene dada por la integral de f(x) entre a y b.
Para una variable aleatoria continua X, la funcin de densidad de probabilidad es tal que:
Para cada intervalo del histograma, el rea de la barra se iguala a la frecuencia relativa (proporcin) de medidas en el intervalo. La frecuencia relativa es una estimativa de la probabilidad.
9
Podra parecer que un modelo basado en una variable continua es intil. En la prctica, medir una corriente, por ej. 14.47 mA, se puede interpretar como un redondeo en el rango: Debido a que la probabilidad de un punto es cero:
10
Sea una variable aleatoria continua X correspondiente a la corriente medida en mA. El rango de X es [0, 20 mA], adems f(x)=0.05 en dicho rango. Cual es la probabilidad de que una medida sea menor a 10mA?
11
12
Sea X el dimetro de un agujero taladrado en una pieza de metal. El dimetro deseado es 12.5 mm. Diversas perturbaciones hacen que el dimetro siempre sea mayor. Datos histricos muestran que la distribucin de X puede ser modelada por: Si una pieza con dimetro mayor a 12.60 mm es desechada Qu porcentaje se desecha?
13
14
15
16
Considerando la medicin de corriente del ej. 1. La funcin de distribucin acumulativa de X consiste de 3 expresiones:
17
18
La funcin de densidad de probabilidad puede ser obtenida de la funcin de distribucin acumulativa a travs de la siguiente diferenciacin:
19
20
Para una variable aleatoria continua X con funcin de densidad de probabilidad f(x). La media o valor esperado de X es:
La varianza de X es:
22
Si X es una variable aleatoria continua con funcin de densidad de probabilidad f(x), el valor esperado de una funcin h(X) es dado por:
23
24
25
26
27
Sea X la variable aleatoria continua correspondiente a la corriente medida en mA. Asumiendo el rango de X entre [0, 20 mA], adems f(x)=0.05. Cul es la probabilidad de que la corriente medida este entre 5 y 10 mA?
28
29
30
6. Distribucin normal
31
6. Distribucin normal
Indiscutidamente, el modelo ms ampliamente usado para la distribucin de una variable aleatoria continua. Toda vez que un experimento aleatorio es replicado, la variable aleatoria del resultado medio de todas las rplicas tiende a tener una distribucin normal, conforme el nmero de rplicas aumenta.
32
6. Distribucin normal
De Moivre descubri este resultado fundamental conocido como Teorema del Lmite Central en 1733. Lamentablemente su trabajo fue olvidado por un tiempo, hasta que Gauss lo descubri independientemente 100 aos despus. Por ello, la distribucin normal muchas veces tambin es llamada distribucin Gausiana.
33
6. Distribucin normal
Variables aleatorias con diferentes medias y varianzas pueden ser modeladas por funciones de densidad de probabilidad normal. Para ello se requiere elegir apropiadamente el centro y el ancho de la curva. El valor de determina el centro y el valor de determina el ancho.
34
6. Distribucin normal
36
6. Distribucin normal
Para valores encima/debajo de 3, el rea bajo la funcin de densidad es muy pequea. Ya que ms de 0.9973 de la probabilidad est en el intervalo es considerado frecuentemente como el ancho de la distribucin normal.
37
38
Suponiendo que Z es una variable aleatoria normal estndar. Usando la Tabla III (pg. 708), halle: El valor ser 0.933193. El valor ser 0.936992.
39
41
42
Ya que a cero.
43
Debido a la simetra, el rea en la cola de la distribucin deber ser igual a 0.005. Por tanto, deberemos hallar el valor de z que corresponde a una probabilidad de 0.995. De tablas el valor ms cercano es
44
La Tabla III de la pg. 708 tambin puede ser usada para hallar las probabilidades de distribuciones normales no estndares.
La variable aleatoria Z representa la distancia entre X y su media en trminos desviaciones estndar. Este paso es esencial para calcular probabilidades de variables aleatorias normales arbitrarias.
46
Suponiendo que las mediciones de corriente en un conductor de cobre siguen una distribucin normal con media 10 mA y varianza 4 mA2. Cul es la probabilidad de que la medida sea mayor a 13 mA?
47
48
En el ej. anterior, 13 es transformado en 1.5 usando la frmula de estandarizacin. El valor 1.5 usualmente se denomina valor z. Si X es una variable aleatoria normal:
Continuando con el ej. 13. Cul es la probabilidad de que la medida est entre 9 y 11 mA? Determine la corriente para la cual la probabilidad de que una medida sea menor a dicho valor es 0.98.
50
Para corriente con probabilidad menor a 0.98. De tablas, el valor mas cercano es:
A
51
En la deteccin de una seal digital, el ruido de fondo tiene una distribucin normal con =0 volt y =0.45 volt.
El sistema asume que un 1 ha sido transmitido cuando el voltaje excede 0.9 volt.
Cul es la probabilidad de detectar un 1 cuando nada fue enviado? Halle las fronteras simtricas en torno a cero que incluyen el 99% de las mediciones de ruido. Cuando un 1 es transmitido, la media de la distribucin del ruido se desplaza a 1.8 volts Cul es la probabilidad de que un 1 no sea detectado?
52
Detectando un 1 cuando nada fue enviado. N representa el voltaje del ruido (noise). Probabilidad de un falso positivo:
53
54
El dimetro del eje de un dispositivo tiene distribucin normal con media 0.2508 y desviacin estndar 0.0005.
56
57
En muchos sistemas fsicos, un modelo binomial con un valor extremadamente grande de n, puede ser apropiado. En esos casos, es complicado calcular las probabilidades usando la frmula de la distribucin binomial. Afortunadamente, una respuesta aproximada usando la distribucin normal puede ser fcilmente calculada.
58
El rea de cada barra es igual a la probabilidad binomial de x. El rea de las barras puede puede ser aproximada por el rea bajo la distribucin normal. Esto se llama correccin de continuidad.
59
En un canal de comunicacin digital, el nmero de bits errneos sigue una distribucin binomial. La probabilidad de que un bit errneo sea recibido es 1x10-5. Si fueron transmitidos 16 millones de bits Cul es la probabilidad de tener 150 menos errneos?
60
Sea X una variable aleatoria binomial con parmetros n y p, y con media y varianza:
62
Para aproximar una probabilidad binomial con una distribucin normal, aplicamos una correccin de continuidad:
Volviendo al ej. 17, donde fueron transmitidos 16 millones de bits y se pide calcular la probabilidad de tener 150 menos errneos:
Considerando nuevamente el ej. 17. Para juzgar que tan bien trabaja la distribucin normal, se asume que n=50 y p=0.1. La probabilidad exacta de que 2 errores o menos ocurran es:
65
Calculando ahora
66
Finalmente, calculando
67
En el caso de tener valores de np o n(1-p) pequeos, la distribucin binomial no es simtrica, por lo cual la distribucin normal no es una buena aproximacin.
68
La dist. de Poisson fue concebida como el lmite de la dist. binomial cuando el nmero de ensayos tiende al infinito. Si X es una variable aleatoria de Poisson, donde :
El nmero de partculas de asbesto por m2 de polvo sobre una superficie sigue la distribucin de Poisson con =1000.
70
71
8. Distribucin exponencial
72
8. Distribucin exponencial
La distribucin de Poisson se relaciona a una variable aleatoria que nos informa del nmero de fallas a lo largo de un alambre. La distancia entre fallas tambin es otra variable aleatoria de inters. Sea X la variable aleatoria que denota la distancia hasta encontrar una falla, respecto a un punto cualquiera.
73
8. Distribucin exponencial
La distribucin de X puede obtenerse de la distribucin del nmero de fallas. La clave para obtener esta relacin es la siguiente. La distancia a la primera falla excede, por ej. 3 mm, si y solo si no hay fallas dentro de los 3 mm de longitud.
74
8. Distribucin exponencial
Sea la variable aleatoria N el nmero de fallas en x mm en un alambre. Si la media del nmero de fallas por mm es , N tiene una distribucin de Poisson con media x. Asumimos que el alambre es ms largo que la longitud x.
75
8. Distribucin exponencial
Usando la distribucin de Poisson donde, el nmero de fallas x esta vez es N: Por tanto: F(x) es la distribucin acumulativa de X. Derivndola obtenemos la densidad de probabilidad de X:
76
La variable aleatoria X que describe la distancia entre eventos sucesivos de un proceso de Poisson , con media por intervalo unitario >0, es una variable aleatoria exponencial con parmetro . La funcin de densidad de probabilidad es:
77
8. Distribucin exponencial
La distribucin toma su nombre por la funcin exponencial presente. Para cualquier valor de , la distribucin exponencial es bastante asimtrica. La media y varianza correspondientes son:
78
El nmero de usuarios conectados a la red de una compaa puede ser modelado como un proceso de Poisson, con una media de 25 conexiones por hora. Cul es la probabilidad de no haber conexiones en un intervalo de 6 ms min? Cul es la probabilidad de que el tiempo hasta la prxima conexin est entre 2 y 3 min? Halle el tiempo a partir del cual la probabilidad que ninguna conexin ocurra es de 0.9.
79
Sea X el tiempo en horas desde el inicio del intervalo hasta la primera conexin. Ya que =25 conexiones por hora, expresamos todo en horas, 6 min=0.1 horas.
80
81
Una solucin alternativa sera: El tiempo a partir del cual la probabilidad que ninguna conexin ocurra es de 0.9: Tomando el logaritmo natural:
82
Sea X el tiempo entre detecciones de una partcula con un contador Geiger (detecta radiacin ionizante, ej. Rayos gamma). X tiene una distribucin exponencial con media igual a 1.4 min. Hallar la probabilidad de detectar una partcula dentro de los 30 primeros seg. de prender el contador. Ahora prendemos el contador y esperamos 3 min sin detectar una partcula, hallar la probabilidad de detectar una en los prximos 30 seg.
83
Probabilidad de detectar en los primeros 30 seg: Ahora calculando la probabilidad de detectar en los primeros 30 seg., luego de 3 min. La probabilidad solicitada se puede expresar como:
84
Por tanto:
85
La distribucin exponencial es la nica distribucin continua con la siguiente propiedad. Para una variable aleatoria exponencial X:
86
El rea de la regin C dividida por (C+D) es igual a P(X<t1+t2X>t1). La propiedad de falta de memoria implica que la proporcin del rea total que est en A, es igual a la proporcin de (C+D) que est en C.
87
Distribuciones exponenciales son frecuentemente usadas en estudios de confiabilidad, para modelar el tiempo que toma en ocurrir la falla de un dispositivo. La falta de memoria de la distribucin implica que el dispositivo no se desgasta. Ello es apropiado cuando el dispositivo est sujeto a accidentes aleatorios. El tiempo de vida L de un dispositivo que sufre de desgaste, ej. engranaje, es mejor modelado cuando aumenta con t.
88
89
La funcin Gamma es una extensin de la funcin factorial a nmeros reales y complejos. Si n es un entero positivo: La funcin Gamma es definida para todos lo nmeros complejos, excepto enteros no positivos:
90
91
Las fallas de CPUs en grandes sistemas de computadoras siguen procesos de Poisson. Las fallas no son usualmente causadas por desgaste de componentes, pero s por fallas aleatorias de grandes nmeros de circuitos en las unidades. Las unidades que fallan son inmediatamente reparadas y la media por hora es 0.0001. Sea X el tiempo que toma en ocurrir 4 fallas. Halle la probabilidad de que X exceda las 40 mil horas.
92
Sea N el nmero de fallas en 40 mil horas de operacin. El tiempo que toma hasta ocurrir 4 fallas excede 40 mil horas si y solo si el nmero de fallas en 40 mil horas es 3 menos. N seguir una distribucin de Poisson con: Por tanto:
93
Generalizando el resultado anterior, donde X es el tiempo requerido hasta el r-simo evento en un proceso de Poisson:
94
Para r=1 la distribucin de Erlang se reduce a la distribucin exponencial. Es conveniente generalizar la distribucin de Erlang para que r pueda asumir cualquier valor no negativo. El factorial (r-1)! debe ser generalizado para ser aplicado a cualquier r no negativo.
95
Siendo que la integral es finita. Usando integracin por partes se muestra que:
Si r es un entero positivo:
Adicionalmente: y
96
X es una variable aleatoria Gamma con parmetros >0 y r>0. Si r es entero tendremos que X tiene una distribucin de Erlang.
97
Los parmetros y r son comnmente llamados escala y forma. La media y varianza sern:
98
El tiempo necesario para fabricar una pieza sigue un proceso de Poisson, con media de 2 horas por pieza.
99
Sea X el tiempo requerido para fabricar 10 piezas. X tiene una distribucin Gamma con =1/2 y r=10. Usando probabilidades acumulativas de Poisson:
Usando el R obtenemos:
100
101
La distribucin de Weibull es comnmente usada para modelar el tiempo que toman en fallar diversos sistemas fsicos. Los parmetros de la distribucin proveen gran flexibilidad para modelar sistemas en los cuales el nmero de fallas: - (>1) aumenta con el tiempo (rodamientos) - (<1) disminuye con el tiempo (algunos semiconductores) - (=1) constante en el tiempo (fallas debidas a impactos aleatorios).
102
104
105
El tiempo requerido (horas) para la falla del rodamiento de un eje mecnico es modelado con una variable aleatoria de Weibull con:
Halle la media del tiempo requerido hasta ocurrir la falla. Halle la probabilidad de que el rodamiento dure al menos 6000 horas.
106
107