Page 1

SEP S.E.I.T .G.E.S.T.

CATEDRATICO:
ING.ROLANDO GMEZ MENDO

ESPECIALIDAD:
Ing. petrolera

MATERIA:
Probabilidad y estadstica al campo
petrolero.

PRESENTAN:
Crdenas Gonzales Aldo Yair
Castro Bentez Kenia Lizet
Castro Hernndez Mara Jos
Cruz Hernndez Idalia Mayeni
De la Cruz Gonzlez Hctor
Francisco Fuentes Flor Samanta


INSTITUTO TECNOLOGICO
DE CERRO AZUL, VER.


Cerro Azul, Ver., 03/Abril/ 2014
2. Distribuciones de probabilidad.
2.2 Distribuciones de probabilidad continuas
Page 2
2. Distribuciones de
probabilidad.

Page 3
2.2 Distribuciones de
probabilidad continuas.
Variable aleatoria continua
(x). Es aquella que puede
asumir cualquier valor en
un intervalo especfico;
significa entonces que entre
cualquiera de dos valores
que puede tomar la V. A.
continua, existe un nmero
infinito de valores.
Page 4
Caractersticas

1.- Es generada por una variable continua (x).
x Es una variable que puede tomar tanto valores enteros
como fraccionarios.

2.- f(x)0 Las probabilidades asociadas a cada uno de los
valores que toma x deben ser mayores o iguales a cero. Dicho
de otra forma, la funcin de densidad de probabilidad deber
tomar solo valores mayores o iguales a cero.

3.- La sumatoria de las probabilidades asociadas
a cada uno de los valores que toma x debe ser igual a 1. El rea
definida bajo la funcin de densidad de probabilidad deber
ser de 1.
Page 5

2.2.1Distribucin de
probabilidad normal

*Caractersticas de la distribucin de probabilidad
normal:
La curva normal es acampanada y presenta slo un
pico en el centro de la distribucin.
La media aritmtica, la mediana y la moda de la
distribucin son iguales y estn localizadas en el
pico. De esta forma, la mitad del rea bajo la curva
se encuentra por arriba de este punto central, y la
otra mitad por abajo.
Page 6
Caractersticas de la distribucin de
probabilidad normal
La distribucin de probabilidad normal es simtrica
con respecto a su media.
La curva normal decrece uniformemente en ambas
direcciones a partir del valor central. Es asinttica,
esto significa que la curva se acerca cada vez ms al
eje x, pero en realidad nunca llega a tocarlo. Esto es,
los puntos extremos de la curva se extienden
indefinidamente en ambas direcciones.
Page 7
Caractersticas de la distribucin de
probabilidad normal
La curva normal es simtrica.
Media, mediana y moda son iguales.
Page 8
La distribucin de probabilidad
normal estndar

La distribucin normal estndar es una distribucin
normal con media cero y desviacin estndar de 1.
Tambin es llamada distribucin z.
Un valor z es la distancia entre un valor
seleccionado llamado x, y la media de la poblacin ,
dividida entre la desviacin estndar, . La frmula
es:

Z = (x )/
Page 9
Ejemplo:
El salario inicial de los primeros dos meses de los
recin graduados de MBA siguen la distribucin
normal con una media de $2,000 y una desviacin
estndar de $200. Cul es el valor z para un salario
de $2,200?

z = (x )/ = (2,200 2,000)/200 = 2.00
Page 10
(Continuacin)
Cul es el valor z de $1,700?

Z = (x )/ = (1,700 2,000)/200 = -1.50

Un valor z de 1 indica que el valor de $2,200 es una
desviacin estndar arriba de la media de $2,000.

Un valor z de -1.50 indica que $1,700 es 1.5 desviacin
estndar debajo de la media de $2,000.

Page 11
2.2.2 Distribucin t-student.
Definicin: la variable aleatoria continua T tiene
distribucin t de student con n grados de libertad
si su funcin de densidad de probabilidad es:

Page 12
Consideremos una muestra x1, x2,,xn tomada de una
distribucin normal cuya media = y varianza =
Sea:

Tenemos que y es normal con media cero y varianza 1.
A continuacin fijemos


Utilizando esta y y u , elaboramos el estadstico t
como sigue:


Page 13
W. S. Gossett demostr que esta t tenia una distribucin
exacta, que dependa de t y de . Se denomina
distribucin de student o distribucin t.




Observemos que el denominador es la raz cuadrada del
estimador insesgado de la varianza. Es decir

Page 14
De las n desviaciones al cuadrado en el numerador de
Hemos visto que n-1 sern independientes, y por tanto ,
tiene grados de libertad. Pero, como en la distribucin
de t depende tambin de diremos que t tiene
grados de libertad.
Definamos ahora la distribucin de t del modo siguiente:
supongamos que y se distribuye normalmente con E(y)=0, var
(y)=1. Adems u presenta una distribucin de con grados
de libertad. Si y y u estn distribuidas independientemente,
entonces el estadstico


Es una distribucin de t con grados de libertad.

Page 15
Aplicacin a la media muestral.
Apliquemos ahora esta distribucin a la media muestral. Sea x1,
x2,xn una muestra extrada de una distribucin normal con
media y varianza . Formemos el estadstico y.
Entonces y es normal con media 0 y varianza unidad.
Sustituyendo tenemos:



Para ver el efecto cuando escribamos esta t como

Page 16
Caractersticas.
Es una distribucin exacta
Esta distribucin es completamente simtrica y acampanada.
Es ms aplastada que la distribucin normal y adopta diferentes
formas, segn el nmero de grados de libertad.
Cuando el tamao de la muestra n (grados de libertad) aumenta,
la distribucin t se aproxima en su forma a la distribucin
normal.
Surge del problema de estimar la media de una poblacin
normalmente distribuida cuando el tamao de la muestra es
pequeo.
Page 17

Page 18
Ejemplo:
Una fabrica de azcar la envasa en pequeas bolsas de papel.
Cada bolsa contiene 10 onzas. Cuando el proceso de
fabricacin esta bajo control, se encuentra que cada bolsa
debe contener 10 bolsas como promedio. Peridicamente se
toma una muestra de 9 bolsas para comprobar el proceso. Se
la media de la muestra se desva significativamente de 10
onzas, el proceso se considera que esta fuera de control.se
toma una muestra de 9 bolsas y se encuentra que la media
muestral es de . La Pr tanto, la
prueba ser
Hiptesis nula, H0
Hiptesis alternativas, H1

Page 19
Y tenemos que una prueba de 2 extremos o bilateral. El
estadstico es


Page 20
Page 21
Antecedentes histricos
Karl Pearson hacia 1900 propuso uno de los primeros Tests
Estadsticos que desde la ptica de las distribuciones de la
probabilidad sirve para calcular si los resultados estadsticos de
un experimento se alejan significativamente o no de los
resultados esperados del modelo terico, test que actualmente es
conocido como el Test Chi Cuadrado.

Page 22
Qu es?

La distribucin ji cuadrada es una de las distribuciones de
probabilidad ms ampliamente utilizada en la estadstica. Es
una distribucin cuadrtica de la probabilidad que utiliza
bsicamente variables aleatorias continuas.

Utilidad

Su utilidad reside en que existen variables que al calcularse
pueden dar lugar a la distribucin ji-cuadrada. La
distribucin ji-cuadrada esta asociada a un parmetro
conocido como grado de libertad.(gl)
La forma de la distribucin depende del valor de este
parmetro.


Page 23
Propiedades de la distribucin
ji-cuadrada












Se simboliza por : x
Los valores de x2 son mayores o iguales que 0.
El rea bajo una curva ji-cuadrada y sobre el eje
horizontal es 1.
La Chi-Cuadrada se calcula a travs de una Tabla de
contingencia o Tabulacin cruzada, que constituye
una Tabla de dos dimensiones o matriz de dos x dos.
Cada dimension contiene una variable.






Page 24
Cada variable se subdivide en dos o mas categorias.
Las distribuciones x2 no son simtricas. Estn
sesgadas a la derecha.






Page 25

Teorema
Si (X1,X2,...,Xn) son n variables aleatorias normales
independientes de media 0 y varianza 1, la variable definida
como

Se dice que tiene una distribucin CHI con n grados de
libertad. Su funcin de densidad es :


FUNCIN DE DENSIDAD MEDIA Y VARIANZA.
=
1
2
/2

2
1
.
/2

0


=
2
= 2

=
1

2
+ +

2
=
2

1

Page 26
La Prueba Ji-Cuadrado
n 2 1
Z , ... , Z , Z
Supngase que se tiene una serie de variables aleatorias
independientes con distribucin normal estndar, ,
entonces la variable aleatoria , sigue una
distribucin Ji-Cuadrado.


2
n
2
1
Z ... Z X + + =
2

Page 27
Distribuciones Chi-Cuadrado para diferentes
tamaos muestrales
Page 28
Ejemplo
Suponga que los tiempos requeridos por un cierto autobs
para alcanzar uno de sus destinos en una ciudad grande
forman una distribucin normal con una desviacin
estndar= 1 minuto. Si se elige al azar una muestra de 17
tiempos , encuentre la probabilidad de que la varianza
muestral sea mayor que 2.

solucion:
Se encontrara el valor de ji.cuadrada correspondiente a
como sigue:
Page 29
La necesidad de disponer de mtodos estadsticos
para comparar las varianzas de dos poblaciones es
evidente a partir del anlisis de una sola poblacin.
Frecuentemente se desea comparar la precisin de
un instrumento de medicin con la de otro, la
estabilidad de un proceso de manufactura con la de
otro o hasta la forma en que vara el procedimiento
para calificar de un profesor universitario con la de
otro.
2.2.4-Distribucin F de Fisher
Page 30
Intuitivamente, podramos comparar las varianzas de
dos poblaciones, 1
2
y 2
2
, utilizando la razn de las
varianzas mustrales s
1
2
y s
2
2
. Si s
1
2
y s
2
2
es casi igual a
1, se tendr poca evidencia para indicar que 1
2
y 2
2
no
son iguales. Por otra parte, un valor muy grande o muy
pequeo para s
1
2
y s
2
2
, proporcionar evidencia de una
diferencia en las varianzas de las poblaciones.

Definiremos sta como la distribucin muestral de la
relacin de dos variables aleatorias ji-cuadrado
independientes, cada una dividida entre sus respectivos
grados de libertad.


Page 31


Esto es:



Si y son variables aleatorias independientes que
tienen distribuciones ji-cuadrada con
1
y
2
grados de
libertad respectivamente, entonces la distribucin de la
variable aleatoria continua se denomina distribucin F
con
1
y
2
grados de libertad.
=
/
1
/
2

Page 32
Entonces la distribucin de la variable aleatoria esta
dada por:





y se dice que sigue la distribucin F
1
con grados de
libertad en el numerador y
2
grados de libertad en el
denominador.
Page 33
Si s12 y s22 son las varianzas mustrales independientes de
tamao n1 y n2 tomadas de poblaciones normales con
varianzas 12 y 22, respectivamente, entonces:


Page 34
Ejemplo:
Un fabricante de automviles pone a prueba dos nuevos
mtodos de ensamblaje de motores respecto al tiempo en
minutos. Los resultados se muestran el la tabla:




Construya un intervalo de confianza del 90% para 12/
22.

Solucin:
Por la recomendacin de que la varianza muestral mayor va
en el numerador se tiene la siguiente frmula;



Mtodo 1 Mtodo 2
n
1
= 31 n
2
= 25
s
1
2
= 50 s
2
2
= 24
Page 35
Se tiene:
Despejando tenemos:
F toma dos valores dependiendo del nivel de confianza y
de los grados de libertad. En este caso los grados de
libertad uno valen 30 y los grados de libertad dos 24.
Page 36

Page 37
Estos resultados los podemos interpretar de la siguiente
manera:

Con un nivel de confianza del 90% se sabe que la
relacin de varianzas 12/22 esta entre 1.07 y 3.93.
Esto supondra que la varianza de la poblacin 1 es
mayor a la varianza de la poblacin 2 entre 1.07 y 3.93.
Page 38
Page 39
La distribucin gamma se puede caracterizar del modo siguiente: si se
est interesado en la ocurrencia de un evento generado por un
proceso de Poisson de media lambda, la variable que mide el tiempo
transcurrido hasta obtener n ocurrencias del evento sigue una
distribucin gamma con parmetros a= n lambda(escala) y p=n
(forma). Se denota
Gamma(a,p).

Por ejemplo, la distribucin gamma aparece cuando se realiza el
estudio de la duracin de elementos fsicos (tiempo de vida).
Esta distribucin presenta como propiedad interesante la falta de
memoria. Por esta razn, es muy utilizada en las teoras de la
fiabilidad, mantenimiento y fenmenos de espera (por ejemplo en
una consulta mdica tiempo que transcurre hasta la llegada del
segundo paciente).

Page 40

Una variable aleatoria x tiene una distribucin
Gamma si su densidad de probabilidad esta dada
por:






0 k 0, , x 0
) (
) (
1
> > < <
I
=

kx
e x
k
x F
Page 41
Esta distribucin continua depende de dos
parmetros
parmetro que varia la forma de la distribucin
k parmetro que varia la escala de la distribucin
Parmetros en R

A continuacin veremos una breve explicacin de la
funcin gamma que interviene en la definicin de la
distribucin gamma
Page 42
Funcin Gamma
o Funcin factorial o Integral Euleriana de Segunda
especie
Es una funcin que extiende el concepto de factorial a
los nmeros complejos.




Si k es un numero entero positivo entonces





)! 1 ( ) ( = I
}

> > = I
0
1
0 x 0 ) ( k dx e x
x k

Page 43
Distribucin exponencial caso particular
cuando =1 y sabiendo que I(1)=1

kx
kx
kx
kx
ke X F
e x
k
X F
e x
k
X F
e x
k
X F

=
=
I
=
I
=
) (
1
) (
) 1 (
) (
) (
) (
0
1 1
1
1

Page 44
MEDIA Y VARIANZA DE LA DISTRIBUCIN
GAMMA


= E[X] = o|, o
2
= V[X] = o|
2

Page 45
El tiempo en horas que semanalmente requiere
una mquina
para mantenimiento es una variable aleatoria con
distribucin
Gamma con parmetros o=3, |=2

a)Encuentre la probabilidad que en alguna
semana el tiempo de mantenimiento sea mayor a
8 horas

Page 46
2
2
2
1 3
3
1
16
1
) 3 ( 2
1
) (
1
) (
x
x
x
e x
e x
e x X F

=
I
=
I
=
| o
o
o |
Solucin
Sea X duracin del mantenimiento en horas (variable
aleatoria)
Su densidad de probabilidad es:

Page 47
Probabilidad de que el tiempo de
mantenimiento sea mayor a 8 horas
El rea
Resaltada
correspond
e a P(x>8)

2381 . 0
16
1
1 ) 8 ( 1
8
0
2
2
= = s
}

dx e x x P
x
Page 48
2.2.6 Distribuciones de
Probabilidad Weibull

La funcin de distribucin de Wiebull es un modelo
estadstico que representa la probabilidad de fallo despus
de un tiempo t (R(t)) en funcin del tiempo transcurrido o de
una variable anloga. O dicho de otra manera, R(t) es la
probabilidad de que los componentes de un conjunto
sobrevivan hasta el momento t.
Esta funcin de probabilidad de fallo o funcin de fiabilidad
R(t), viene dada por:

Page 49
Donde , y son parmetros que definen la funcin:
- es el parmetro de escala o vida caracterstica. Este
parmetro representa el tiempo ( o el valor de la variable
anloga usada ).
- es el parmetro de translacin, y se usa cuando inicialmente,
durante un periodo de tiempo T, no se producen fallos y a partir
de ese instante la fiabilidad del producto se puede aproximar
por la distribucin de Weibull (caso > 0); o cuando hay fallos
antes de empezar los ensayos (caso <0).
- es el parmetro de forma o perfil y determina la forma de la
distribucin.
Page 50
A partir de R(t) se puede definir la probabilidad de que un
componente falle antes del momento t, que se indica como
F(t). Esta funcin es muy til en el estudio de fiabilidad de
componentes y se puede representar como:



A parte de la funcin de distribucin F(t), tambin se puede
definir la funcin de densidad de probabilidad f(t), que
muestra la probabilidad que tiene un componente genrico
de fallar en un tiempo dado. Esta funcin coincide con la
derivada temporal de F(t) y su expresin es:

Page 51
Representacin grafica
Una forma simple de ver la distribucin de los fallos y de
esta forma poder analizar y decidir sobre los resultados, es
representar grficamente la funcin de Weibull. Esta
grfica muestra como varia F(t) respecto al tiempo ( o en
nuestro caso, el numero de ciclos ).
Para representar grficamente esta funcin se deben seguir
los siguientes pasos:
1- Clasificar el tiempo o ciclos de cada muestra (ti) de
menor a mayor.
2- Determinar los valores de probabilidad acumulada de
fallo ( Fi ).
Page 52
Estos valores se determinan usando la siguiente
formula:


Aunque otros autores dan la formula:


Donde: i es el nmero de orden de fallo y n el tamao
de la muestra.
3- Conocidos ti y Fi, se representan el en grfico.


Page 53
Representacin grafica
Una vez se ha hecho el grfico, puede pasar que salga
directamente una lnea recta (en cuyo caso = 0) o que
salga una curva ( 0). En este segundo caso existe un
periodo de tiempo entre t = 0 y t = en que ningn
componente falla ( si es positivo) o parte de las
muestras fallan antes de ensayarlas (caso de
negativo). El parmetro es aquel valor que se le tiene
que restar a todos los ti para que los puntos
representados sigan una recta.
Page 54
Ejemplo:
Tenemos un conjunto de componentes que
fallan en el siguiente numero de horas: 0.22;
0.5; 0.88; 1; 1.32; 1.33; 1.54; 1.76; 2.5 y 3. A
partir de estos valores se nos pide calcular los
siguientes apartados:
- % de fallos a las 3 horas.
- tiempo en el que habrn fallado el 5% de los
componentes.

Page 55
Para resolver este problema, primero vamos a dibujar
el grfico (ti,Fi), para ello calculamos los valores de
Fi. Como se puede ver en la siguiente tabla tambin
se adjuntan los valores de Ln(ti), en previsin de que
los necesitaremos para calcular los parmetros con
el mtodo analtico implcito.

Page 56
A continuacin se muestra el grfico de los resultados
con la recta de regresin que aproxima los puntos:

Page 57
BIBLIOGRAFA
Estadstica
Yamane, Taro
Probabilidad y estadstica para ingeniera
y ciencias
Velasco Sotomayor, Gabriel.