Extracto Tomo I. Disciplinas (Pág 51-62)

49
SECCION 2. Estadsticas para la Confiabilidad

Estadstica para la
Confiabilidad
Seccin 2
MedardoYaez
HernadoGomezdelaVega

Esta seccin presenta los conceptos y aplicaciones bsicas de Probabilidad y Estadistica Descriptiva, como herramientas
matemticas fundamentales de la Ingeniera de Confiabilidad y del Anlisis de Riesgo.

50

Captulo II. Disciplinas
Seccin 2. Estadsticas para la Confiabilidad

51
1. Introduccin.
Los trminos Confiabilidad y Riesgo, objeto de estudio de este texto, son ambos de naturaleza probabilstica. Por esta
razn, en esta seccin se discuten conceptos y aplicaciones bsicas de Probabilidad. Adicionalmente el Anlisis de Riesgo y
la Ingeniera de Confiabilidad tienen como objetivo fundamental hacer inferencias cuantificadas sobre futuros eventos, en
forma de predicciones o pronsticos, basados en el anlisis de toda la informacin disponible (histrica y tcnica) del pasado
y del presente. La Estadstica Descriptiva, provee las herramientas y modelos necesarios para organizar, describir y
representar matemtica y grficamente, tanto la informacin disponible como las predicciones o pronsticos resultantes del
anlisis. De manera pues, que la Probabilidad y la Estadstica Descriptiva se convierten en las herramientas matemticas
fundamentales de la Ingeniera de Confiabilidad y del Anlisis de Riesgo.

2. Definiciones de Probabilidad.
El trmino probabilidad es comnmente utilizado por las personas para describir su percepcin sobre el nivel de
posibilidad (alto, medio o bajo) de ocurrencia de un evento en particular. La palabra probabilidad tambin en la
cotidianidad es utilizada para calificar eventos de cuya ocurrencia (y las caractersticas de esta ocurrencia) no se puede
estar seguro; es decir, eventos con varios posibles resultados o cuyo resultado es incierto.
Existen situaciones donde motivado al desconocimiento de algunos de los factores o variables que afectan la dinmica del
proceso bajo estudio o debido a la propia naturaleza aleatoria del proceso estudiado, es imposible definir la ocurrencia de
un evento en particular con plena certeza. Bajo estas condiciones se habla de que existe cierto nivel de incertidumbre en
las apreciaciones o resultados.
El Webster's Unabridget New Universal Dictionary define incertidumbre como el estado o calidad de no estar seguro,
estar falto de conocimiento o con duda. De ahora en adelante se emplearn las palabras incertidumbre y probabilidad
asociadas en muchas situaciones debido a que las estimaciones sobre eventos inciertos slo pueden hacerse en trminos
de probabilidad. La permanente relacin entre ambos trminos se hace muy evidente cuando se refieren a eventos que
estn ubicados en el futuro. Para ilustrar este ltimo punto, obsrvese el siguiente anlisis:
Cuando se viaja en avin, se est consciente de la incertidumbre sobre los posibles resultados del vuelo; se supone que
puede ser un vuelo normal que llegar a su destino en forma rpida y segura; pero al mismo tiempo se considera que
tengan lugar diferentes escenarios, cuya ocurrencia no se puede determinar con precisin, y, que el vuelo puede ser
accidentado e inclusive se piensa en la idea que el avin se caiga. No obstante, muchas personas con frecuencia viajan en
aviones para trasladarse de un lugar a otro, y lo hacen sobre la base de que "la probabilidad de que un avin se caiga es
muy baja. Intuitivamente se manejan todos los posibles escenarios relacionados con el vuelo y se estima en base a la
experiencia y por la informacin pblica disponible sobre vuelos, que el resultado ms probable ser un vuelo seguro y sin
inconvenientes. Mientras que otros, por el contrario, evitan viajar en aviones por temor, ya que su percepcin y
posiblemente sus experiencias y la informacin que manejan, les hacen estimar que el ms probable resultado del vuelo
ser una catstrofe.
De manera general, se define probabilidad como una medida de la posibilidad de ocurrencia de un evento.
Para definir formalmente probabilidad existen dos escuelas de pensamiento que regulan el significado y en consecuencia
la aplicacin de probabilidad. Estas escuelas son conocidas como Escuela Frecuentista o Clsica de Probabilidad y la
Escuela Subjetivista o Bayesiana de Probabilidad (Ver Figura 2.2).

EnfoqueFrecuentista
(Basadaendatos
histricos)
Enfoque
Clsico
EnfoqueSubjetivo
(BasadoenelGradode
Conocimiento)
Enfoque
Bayesiano
P
r
o
b
a
b
i
l
i
d
a
d
0 1
Probabilidad
El Evento o escenario
se presentar
El Evento o escenario
no se presentar

Figura 2.2 Probabilidad

52
2.1. Definicin Frecuentista o Clsica.
Esta definicin se apoya en la idea de que la frecuencia de ocurrencia de un evento es un indicador de probabilidad de
dicho evento, es decir, si el evento A es muy frecuente se asume que dicho evento tiene alta probabilidad de ocurrencia
(su probabilidad tiende a 1); si por el contrario, el evento A es poco frecuente se asume que su probabilidad de
ocurrencia es baja (su probabilidad tiende a 0).
Es importante diferenciar los dos conceptos frecuentistas que maneja la Escuela Clsica de probabilidad: el concepto
frecuentista de resultados igualmente probables y el concepto frecuentista emprico.

2.1.1. Concepto Resultados Igualmente Probables.
Segn este concepto, la probabilidad de un evento E (Pr(E)) se puede estimar mediante la expresin:
=
N
E
N
Pr(E)
(2.13)
donde:
Pr(E)= Probabilidad de un evento E.
N

= Nmero de todos los posibles resultados o escenarios.
N
E
= Nmero de resultados o escenarios donde el evento E tiene lugar.
Ejemplo 2.1:
Para explicar esta definicin, se ilustra con el ampliamente conocido ejemplo del dado perfecto, en el que todos los
resultados son igualmente probables. Usando la ecuacin 2.13 se puede calcular la probabilidad de diferentes eventos
como sigue:
Evento A: Obtener un 6:
=
N
A
N
Pr(A)

donde:
N

= Nmero de todos los posibles resultados o escenarios = 6
N
A
= Nmero de veces que el evento A est repetido en el espacio de resultados =1
1666 . 0
6
1
N
N
Pr(A)
A
=
=

Evento B: Obtener un nmero impar:
=
N
N
Pr(B)
B , donde:
N

= Nmero de todos los posibles resultados o espacio de resultados = 6
N
B
= Nmero de veces que el evento B esta repetido en el espacio de resultados = 3
5 . 0
6
3
N
N
Pr(B)
B
=
=

Esta definicin permite estimar, por ejemplo, que al lanzar una moneda al aire, la probabilidad de obtener cara es de
=0.5 y consecuentemente la de obtener sello es de =0.5. Inferencias similares pueden hacerse para diferentes juegos
de azar; (siempre y cuando stos no estn trucados), ya que siempre es posible conocer el espacio de posibles resultados.
En este ejemplo en particular, no es necesario repetir indefinidamente el experimento para determinar la probabilidad de
ocurrencia del evento o escenario estudiado (salida 3, 4 o 6), ya que si se parte de la asuncin lgica y vlida de que todas
las salidas (escenarios) son igualmente probables, la probabilidad de cualquier evento en particular, viene dado por la
ecuacin 2.13.
Ejemplo 2.2:
Considerando las 13 cartas de corazones de un juego de barajas: S = { As, 2,3,4,5,6,7,8,9,10,J,Q, K}. Se pide estimar la
probabilidad de ocurrencia de los siguientes eventos:
E1: Seleccionar una carta vestida

53
E 2: Seleccionar un as, un 10 o una reina
E3: Seleccionar una carta de valor menor a 6
E4: Seleccionar una carta cuyo valor sea divisible por 15
E5: Seleccionar cualquier carta
Evento E1: Seleccionar una carta vestida: E1 = {J, Q, K}
=
N
N
Pr(E1)
E1 , donde:
N
E1
= Nmero de cartas que componen el evento E1 =3
N

= Nmero de todas las posibles cartas = 13
23 . 0
13
3
N
N
Pr(E1)
E1
=
=

Evento E2: Seleccionar un As, un 10 o una reina: E2 = {A, 10, Q}
=
N
N
Pr(E2)
E2 , donde:
N
E2
N

23 . 0
13
3
N
N
Pr(E2)
E2
=
=

Evento E3: Seleccionar una carta de valor menor a 6: : E3 = {A, 2, 3, 4, 5}
=
N
N
Pr(E3)
E3 , donde:
N
E3
N

385 . 0
13
5
N
N
Pr(E3)
E3
=
=

Evento E4: Seleccionar una carta cuyo valor sea divisible por 15: E4=
=
N
N
Pr(E4)
E4 , donde:
N
E4
N

0
13
0
N
N
Pr(E4)
E4
=
=

Evento E5: Seleccionar cualquier carta: E5 = {As,2,3,4,5,6,7,8,9,10,J, Q, K}
=
N
N
Pr(E5)
E5 , donde:
N
E5
N

1
13
13
N
N
Pr(E5)
E5
=
=

Esta definicin tiene dos serias limitaciones, una de ellas, es la necesidad de conocer todo el espacio de posibles resultados;
lo cual es perfectamente factible para cierto tipo de fenmeno como es el caso del lanzamiento de los dados, el
lanzamiento de una moneda, etc., pero no est explcitamente definida para otro tipo de fenmeno ampliamente existente
alrededor; y la otra, es la idea de resultados igualmente probables que es frecuentemente inadecuada como es el caso
del fenmeno de lluvia o no lluvia, perforar un pozo seco vs. un pozo con ciertas caractersticas de produccin.

54
2.1.2. Concepto Frecuentista Emprico de Probabilidad.
El concepto emprico de probabilidad que presenta la escuela clsica define la probabilidad de observar el evento E
(Pr(E)), como el lmite al que tiende el cociente del nmero de veces que se observa el evento E (N
E
) entre el nmero
total de observaciones (N
T
), cuando (N
T
) es suficientemente grande.
Matemticamente esta definicin se expresa:
=

T
E
T
N N
N
lim Pr(E)
(2.14)
donde:
Pr(E)= Probabilidad de observar el evento E
N
E
= Nmero de observaciones en las que ocurre el evento E
N
T
= Nmero total de observaciones
Esta definicin remueve una de las limitaciones de la ecuacin 2.13, especficamente la relacionada con la necesidad de
conocer todos los posibles resultados, introduciendo el concepto de nmero total de observaciones o tamao de muestra
y enfatiza adicionalmente que la estimacin realizada slo ser valedera si el nmero total de observaciones o el tamao
de muestra es suficientemente grande como para ser representativo de la poblacin. Adicionalmente remueve la
condicin de que todos los escenarios deben ser igualmente probables, ya que aquellos escenarios con mayor probabilidad
de ocurrencia se presentarn un mayor nmero de veces.
Ejemplo 2.3:
Para ilustrar esta definicin, se propone el siguiente caso: Se conduce un estudio sobre el rendimiento de los jvenes que
ingresan a las universidades nacionales. A tal fin, los especialistas sostienen la hiptesis de que el bajo rendimiento
acadmico de los recin ingresados a las universidades nacionales pudiera estar relacionado con inmadurez de los
estudiantes debido a que en los ltimos aos han ingresado muchos alumnos de corta edad.
Por otra parte, estudios previos han probado que la madurez requerida para soportar las responsabilidades y presiones
universitarias se alcanza a una edad promedio de 18 aos.
Para probar esta hiptesis, es necesario calcular la probabilidad de cuntas personas menores de 18 aos ingresan a la
universidad.
En este caso, es imposible inferir el espectro de todos los posibles resultados, ya que un nmero no determinado de
personas intentarn entrar a las universidades, y adicionalmente, el espectro de posibles edades es muy amplio. Para esta
situacin no puede aplicarse la ecuacin 2.13.
Para hacer este clculo, se disea un experimento, que consiste en seleccionar aleatoriamente 200 planillas de ingreso en
cada universidad nacional (para el presente ejemplo se consider que hay 20 universidades nacionales), lo cual significa
que se seleccionarn aleatoriamente 4000 planillas de ingreso a dichas universidades.
Si la muestra es seleccionada en forma aleatoria, el espectro de posibles resultados en la muestra debe ser representativo
del espectro de posibles resultados de la poblacin en estudio.
Usando la ecuacin 2.14 se puede calcular la probabilidad de inters, contando cuntas de las 4000 planillas de ingreso,
corresponden a personas menores de 18 aos. (Es obvio que la edad debe ser uno de los requisitos de informacin de la
planilla).
N
E
= Nmero de planillas correspondientes a edades < 18 aos = 2234
N
T
= Nmero total de planillas seleccionadas como muestra = 20*200=4000
% 9 . 55 5585 . 0
4000
2234
aos) 18 Pr(Edad
N
N
lim Pr(E)
T
E
T
N

=

Una prueba que debe hacerse para validar este clculo se relaciona con demostrar que la muestra de 4000 personas es
suficientemente grande como para representar la poblacin total. Los anlisis de tamao de la muestra se explicarn ms
adelante en este texto, por ahora, se asume que si es suficientemente grande y que es vlido pensar que si
=
T T
N 4000 N .
Este resultado soporta parcialmente la hiptesis de los expertos, ya que la probabilidad de entrar a la universidad a edades
menores a 18 aos result bastante alta; no obstante, sera necesario hacer otros estudios para complementar el anlisis.
Uno de stos podra ser un clculo de la probabilidad de que personas menores a 18 aos, sean en efecto inmaduras para
manejar las responsabilidades y presiones universitarias. Para ello habra que disear un test de suficiencia, y aplicarlo a
una muestra aleatoria de personas menores a 18 aos.
Ms adelante, se analizarn las herramientas para combinar ambas probabilidades y finalmente probar la hiptesis de los
expertos.

55
Ejemplo 2.4:
La empresa NRC (Notso Reliable Company), fabricante de Bombas Electro Sumergibles argumenta que el tiempo de servicio
sin fallas (TSSF) de sus bombas no debe ser menor a 8000 hrs continuas. A tal fin, la empresa NTNOC (Nottos Tupid
National Oil Company) usuaria de las mencionadas bombas decide probar si el TSSF que ofrece NRC es del todo real.
En este caso, al igual que en el anterior, es imposible inferir el espectro de todos los posibles resultados, por lo cual no
puede aplicarse la ecuacin 2.13.
NTNOC tiene aproximadamente 200 bombas NRC en servicio, y recientemente ha ejecutado el reemplazo de 40 de estas
bombas (por problemas de fallas recurrentes), por bombas NRC nuevas.
Para probar su hiptesis, el personal de produccin de NTNOC decide registrar el tiempo de servicio hasta la primera falla
de esta poblacin de 40 bombas nuevas, obteniendo los siguientes resultados:
N
E
= No. de Bombas NRC en estudio que fallaron antes de las 8000 Hrs = 9
N
A
= No. de Bombas NRC en estudio que superaron las 8000 Hrs sin fallar = 31
N
T
= No. de Bombas NRC en estudio (tamao de muestra) = 40
% 5 . 22 225 . 0
40
9
hrs) 8000 Pr(TSSF
N
N
lim Pr(E)
T
E
T
N

=

% 5 . 77 775 . 0 . 0
40
31
hrs) 8000 Pr(TSSF
N
N
lim Pr(A)
T
A
T
N

=

Igual que para el ejercicio 2.3, para validar estas estimaciones debe probarse que la muestra de 40 bombas electro-
sumergibles es suficientemente grande como para representar la poblacin total. Los anlisis de tamao de muestra se
explicarn mas adelante en el texto.
No obstante, los resultados preliminares permitiran a NTNOC someter un reclamo a NRC por incumplimiento de
especificaciones tcnicas, ya que aunque el porcentaje de 22.5% podra lucir bajo, las producciones impactadas por fallas
de estos dispositivos son muy altas y afectan la rentabilidad de NTNOC.
En estos casos un buen nmero sera que NRC garantizar una % 1 0.01 hrs) 8000 Pr(TSSF .
La definicin frecuentista emprica de probabilidad es la ms usada hoy da, sin embargo, la misma est limitada a casos en
los que puede disearse un experimento y repetir un evento muchas veces o a casos con suficiente data histrica del
evento. Para analizar eventos en los que hay muy poca o no hay data histrica y adicionalmente no puede repetirse el
evento muchas veces a manera de experimento, se hace necesario usar una tercera definicin de probabilidad, como lo es
la definicin subjetivista o Bayesiana de probabilidad.

2.2. Definicin Subjetivista o Bayesiana.
De acuerdo con la Escuela Subjetivista o Bayesiana la probabilidad se define como el grado de confianza en la
veracidad de una proposicin.
Una proposicin es una hiptesis que puede ser probada como verdadera o falsa.
El grado de confianza es una medida de la creencia personal o una indicacin de cunto conoce una persona acerca de la
proposicin o hiptesis analizada, en consecuencia, el grado de confianza es personal y subjetivo. Sin embargo, en teora,
dos personas con el mismo nivel de conocimiento e informacin asignarn el mismo valor de probabilidad a la veracidad de
una proposicin.
La frase maana llover, es una proposicin o hiptesis que puede ser probada por observacin directa.
Si se supone que en los ltimos 10 aos (3650 das), ha llovido 200 veces y sta es toda la informacin de la que se
dispone.
Segn la definicin frecuentista emprica, la probabilidad de lluvia cualquier da podra calcularse con la ecuacin 2.14,
como sigue:
P (llueva maana)= 200/3650 = 0.055 = 5.5%.
Es necesario mencionar que este enfoque no considera las condiciones climatolgicas del da bajo consideracin. Incluso se
podra reorientar el problema para determinar la probabilidad de ocurrencia de un mes o da en particular del ao, tomando
segn el caso la estadstica de lluvia en los ltimos diez aos para cada mes o da en particular, pero el enfoque igualmente
no es capaz de incorporar las condiciones climatolgicas propias del da de inters.
Sin embargo, si los ltimos das han estado nublados, la lgica permite pensar que esta probabilidad debera ser mayor a
5.5%. Segn la escuela clsica, esta estimacin no puede modificarse; pero segn la escuela subjetivista o Bayesiana, el
da nublado es una informacin o evidencia que modifica el grado de conocimiento o grado de creencia en la proposicin

56
y que por lo tanto debe ser tomada en cuenta para re-evaluar la probabilidad del evento llover maana.
Esta re-evaluacin de la probabilidad se puede hacer usando el Teorema de Bayes que se discutir en detalle ms
adelante en la seccin 4 de este captulo.
Los conceptos y escuelas de probabilidad son ampliamente discutidos en las referencias
[10], [14], [23], [25], [26], [37], [48], [49], [50]
.
3. Leyes y axiomas de probabilidad.
3.1. I ntroduccin.
La probabilidad, ya sea estimada por la Escuela Clsica o por la Escuela Subjetivista o Bayesiana, obedece y est sujeta a
ciertos axiomas y reglas.
Para el mejor entendimiento e introduccin a los axiomas de probabilidad, se har una analoga entre el trmino
probabilidad y el concepto de espacio o rea, con el siguiente ejercicio:
Ejemplo 2.5:
Si se lanzan dardos a un blanco como el que se muestra en la Figura 2.3, la probabilidad de dar con el dardo en cada una
de las sub-reas E
1
o E
2
ser proporcional al tamao de cada sub-rea.
Se denotan dichas probabilidades de la forma siguiente:
Pr(E
1
)= Probabilidad de dar con el dardo en E
1
.
Pr(E
2
2
.
Pr(S) = Probabilidad de dar con el dardo en S.
Es necesario mencionar que en este ejercicio, se asume que el sistema de lanzamiento de dardos est concebido de forma
tal que todos los dardos estn limitados al caer en el rea S, en otras palabras, nuestro universo de posibles escenarios
es S.
Haciendo uso de la ecuacin 2.13, estas probabilidades pueden estimarse como:
Pr(E
1
1
= (E
1
/S)
Pr(E
2
2
= (E
2
/S)
Pr(S) = Probabilidad de dar con el dardo en S = (S/S) =1
E1
E2
E3
S
S: rea del cuadrado externo
E3: Complementos de las reas E1 y E2
Por relacin de reas
E3: S (E1 + E2)

Figura 2.3 Eventos I ndependientes
Adicionalmente se considera que acertar en cada una de las reas tiene los siguientes valores:
Si el dardo cae en la parte gris (E
1
o E
2
) vale 5 Pts.
Si el dardo cae en la parte blanca (E
3
) vale 3 Pts.
Analizando la Figura 2.3 se puede deducir lo siguiente: la probabilidad de obtener 5 puntos en un slo lanzamiento, es
decir, de dar con el dardo en el rea gris (E
1
o E
2
), ser proporcional al tamao de ambas reas unidas. En trminos de
probabilidad esto se expresa como:
Pr (obtener 5 Pts)=Pr(E
1
U E
2
)= Pr(E
1
)+Pr(E
2
) = (E
1
/S)+ (E
2
/S) =
( )
S
E E
2 1
+

donde:
U significa unin.
Si estimamos la probabilidad de obtener al menos 3 Pts, puede deducirse que si el dardo cae en E
1
o en E
2
o en E
3
; se
estaran obteniendo los 3 Pts. Es decir, con tan slo caer dentro del rea S, se consigue el objetivo.
En trminos de probabilidad lo anterior puede expresarse como sigue:
Pr(obtener al menos 3 puntos)= Pr(S) = Pr(E1

U E
2
U E
3
)= Pr(E
1
)+Pr(E
2
)+Pr(E
3
)

57
Pr(obtener al menos 3 puntos)=
=
n
1 i
)
i
E Pr( = (E
1
/S)+(E
2
/S)+(E
3
/S) =
( )
S
3
E
2
E
1
E + +

En otras palabras, dondequiera que caiga el dardo (E
1
, E
2
o E
3
), se estarn obteniendo al menos 3 Pts, es decir, la
probabilidad de obtener 3 Pts es 100%. En trminos de probabilidad lo anterior se expresa como sigue:
Pr(obtener al menos 3 puntos)= Pr(S)= 1 =>
Pr(obtener al menos 3 puntos)=

=
n
1 i
)
i
E Pr(
=
( )
S
E E E
3 2 1
+ +
=1
Por otra parte, se sabe que el rea blanca (E
3
), es el complemento del rea gris (E
1
U E
2
), y entonces, la probabilidad de
obtener 5 Pts en un slo tiro, tambin puede expresarse como la probabilidad de no caer en el rea blanca. En trminos
de probabilidad, lo anterior se expresa como sigue:
Pr(dar en el rea gris) + Pr(dar en el rea blanca) = 1 = Pr(S) =>
Pr(E
1
U E
2
) + Pr(E
3
) =1 =>
Pr(E
1
U E
2
) = Pr (obtener 5 Pts)= 1 - Pr(E
3
)= 1- (E
3
/S)
Obsrvese ahora la Figura 2.4. Recordando la teora de conjuntos, se sabe que el rea de interseccin o rea comn a las
sub-reas E
1
y E
2
se denota como
2
E
1
E I , donde el smbolo I se lee como interseccin. Si se mantienen las
puntuaciones anteriores; es decir: 5 Pts si el dardo cae en la parte gris (E
1
o E
2
); 3 Pts, si el dardo cae en la parte blanca
(E
3
).

E1 E2
E1
E2
E3
S

Figura 2.4 Eventos Dependientes

Entonces, para esta nueva figura, la probabilidad de obtener 5 puntos en un slo tiro ser proporcional al rea gris:
Pr (obtener 5 Pts)= Pr(E
1
U E
2
)= Pr(E
1
)+Pr(E
2
) - Pr
) E E (
2 1
I

Vale la pena destacar que esta ecuacin es tambin vlida para la Figura 2.3; solo que en dicha figura la ) E E (
2 1
I = =>
Pr ) E E (
2 1
I = 0
Al igual que para la Figura 2.4, la probabilidad de obtener 5 Pts en el primer tiro, tambin puede expresarse usando la idea
del complemento, es decir:
Pr (obtener 5 Pts)= 1 - Pr(E
3
) =1- (E
3
/S)
La segunda parte del ejercicio 2.5, introduce a uno de los ms importantes conceptos del campo de la probabilidad:
Dependencia Probabilstica.

3.2. I ndependencia y Dependencia Probabilstica.
Se dice que dos eventos E
1
y E
2
son probabilsticamente independientes si la ocurrencia o no ocurrencia de E
1
no tiene
efecto alguno en la probabilidad de ocurrencia o no ocurrencia de E
2
.
Si por el contrario, la probabilidad de ocurrencia de E
1
se afecta o est condicionada por la probabilidad de ocurrencia de E
2
,
entonces, se dice que E
1
y E
2
son probabilsticamente dependientes. Grficamente la dependencia o independencia
probabilstica se representan como se muestra a continuacin:


58
E1 y E2 tienen puntos en comn
E1
E2
Dependencia
E1
E2
E1 y E2 no tienen puntos en comn
Independencia

Figura 2.5 Dependencia e I ndependencia Probabilstica
Ejemplos prcticos de dependencia o independencia probabilstica son los siguientes:
Dependencia probabilstica.
Devaluacin y Altas Tasas de Inters.
Porosidad y Saturacin.
Tiempo en Operacin y N de Fallas.
Independencia probabilstica.
Altura de los seres humanos y % de Personas contagiadas de SIDA.
Tiempo en Operacin de equipos y Precios de la Accin de Mantenimiento.
Porosidad de la Formacin Petrolfera y Densidad del Crudo.

3.3. Axiomas y Leyes de Probabilidad.

Pr(A
c
) = 1 Pr(A) (Donde A
c
= Complemento de A) (2.15)
Pr (A U B) = P(A) + P(B) P(A B) (Adicin) (2.16)
0 Pr(A) 1 (2.17)
P(A B) = P(A).P(B) (Multiplicacin(Eventos Independientes)) (2.18)

=
P(B)
B) P(A
Pr(A/B)
(Probabilidad Condicional) (2.19)
Pr(A B) = P(B).P(A/B) = P(A).P(A/B) (Multiplicacin (Eventos Dependientes)) (2.20)
P(A B) = P(A) * P(B/A) = P(B) * P(A/B) (2.21)

Probabilidad Condicional: El concepto de probabilidad condicional est ntimamente relacionado al concepto de
independencia. Para designar que la probabilidad de un evento A est condicionada a la ocurrencia o no ocurrencia de un
evento B, se utiliza la siguiente nomenclatura:
P(B/A) (2.22)
La cual debe leerse como la probabilidad de B dada la ocurrencia de A. Similarmente la expresin:
P(B/) (2.23)
Debe leerse como la probabilidad de B dada la no ocurrencia de A.
En el caso de que los eventos A y B sean independientes, de forma que la ocurrencia de uno de ellos no afecta la ocurrencia
del otro, se cumple:
P(B/A) = P(B/) = P(B) (2.24)
En el caso de eventos que puedan ocurrir en forma simultnea, se indic en prrafos anteriores que la probabilidad de que A
y B se presenten en forma simultnea viene dado por:
P(A B) = P(A) * P(B) (2.25)

59
No obstante, cuando los eventos no son independientes, la expresin anterior se transforma en:
P(A B) = P(A) * P(B/A) = P(B) * P(A/B) (2.26)

Ejemplo 2.6: Aplicacin Axiomas de Probabilidad.
El juego CRAPS consiste en lanzar un par de dados en una secuencia de varios tiros, considerando que el resultado de
cada lanzamiento ser la suma de los nmeros obtenidos en cada dado. Las reglas para ganar o perder son las siguientes:
Se gana con un 7 o un 11 en el primer tiro.
Se pierde con un 2, un 3 o un 12 en el primer tiro.
Si no se gana o se pierde en el primer tiro, entonces el nmero obtenido (4,5,6,8,9 o 10) se llama marca, y se
contina lanzando los dados hasta que ocurra alguno de los siguientes eventos:
Si se obtiene la marca otra vez, entonces se gana el juego.
Si se obtiene un siete antes de obtener la marca otra vez, entonces se pierde.
Cul es la probabilidad de ganar en el primer tiro?
Cul es la probabilidad de ganar eventualmente?
Solucin:
Probabilidad de ganar en el primer tiro:
P(ganar en el 1er tiro) = P(7 en 1er tiro) + P(11 en 1er tiro)
N de probables resultados cuando se lanzan dos dados=6x6 = 36
N de probables resultados para obtener 7= 6:[(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)]
N de probables resultados para conseguir un 11 = 2: [(5,6),(6,5)]
P(7 en 1er tiro)= 6/36
P(11 en 1er tiro) = 2/36
P(ganar en el 1er tiro) = P(7 en 1er tiro) + P(11 en 1er tiro)
P(ganar en el 1er tiro) = 6/ 36 + 2/ 36 = 0.222
Probabilidad de ganar eventualmente:
P(ganar) = P(ganar en el 1er tiro) + P(ganar despus del 1er tiro)
P(ganar) = P(ganar en el 1er tiro) + P(fijar una marca y obtenerla de nuevo antes de obtener un 7)
P(fijar una marca y obtenerla de nuevo antes de obtener un 7) = P(A)xP(B);
donde:
P(A) = P (fijar una marca f
i
)
P(B) = P(obtener f
i
antes de obtener un 7)
Estimacin de P(A):
P(A) = N probables resultados para obtener fi/ N total de probables resultados
P(A) = N probables resultados para obtener fi/ 36.
Tabla 2.1 Aplicacin Axiomas de Probabilidad P(A)
Posibles
marcas (fi)
N prob.resultados para
obtener fi
P(A)
4 3 3/36
5 4 4/36
6 5 5/36
8 5 5/36
9 4 4/36
10 3 3/36
Estimacin de P(B):

60

Despus de obtener una marca especfica (f
i
), el juego se transforma en un juego ganar perder, en el que hay slo dos
importantes eventos: obtener la marca (f
i
) para ganar, u obtener un 7 para perder. Todas las dems combinaciones
posibles no cuentan en la estimacin de probabilidad porque no afectan el resultado del juego.
P(B)= N probables resultados para obtener fi/ (N probables resultados para obtener fi+N probables resultados para
obtener un 7)
Tabla 2.2 Aplicacin Axiomas de Probabilidad P(B).
Posibles
marcas (fi)
N prob.resultados
para obtener fi
N prob.resultados
para obtener 7
P(B)
4 3 6 3/(3+6) = 3/9
5 4 6 4/(4+6) = 4/10
6 5 6 5/(5+6) = 5/11
8 5 6 5/(5+6) = 5/11
9 4 6 4/(4+6) = 4/10
10 3
6
3/(3+6) = 3/9
P(ganar) = P(ganar en el 1er tiro) + P(fijar una marca y obtenerla de nuevo antes de obtener un 7) =>
P(ganar)= P(ganar en el 1er tiro) + P(fijar un 4 y obtener un 4 de nuevo antes de obtener un 7) + P(fijar un 5 y obtener
un 5 de nuevo antes de obtener un 7) + P(fijar un 6 y obtener un 6 de nuevo antes de obtener un 7) + P(fijar un 8 y
obtener un 8 de nuevo antes de obtener un 7) + P(fijar un 9 y obtener un 9 de nuevo antes de obtener un 7) + P(fijar un
10 y obtener un 10 de nuevo antes de obtener un 7) =>
P(ganar)= 2/9 + (3/36)*(3/9) + (4/36)*(4/10) + (5/36)*(5/11) + (5/36)*(5/11) + (4/36)*(4/10) + (3/36)*(3/9)
P(ganar) = 0.4928 = 49.28%
Los conceptos y escuelas de probabilidad son ampliamente discutidos en las referencias
[10], [14], [23], [25], [26], [37], [48], [49], [50]
.

4. Estadstica descriptiva.
La Estadstica Descriptiva se ocupa fundamentalmente del estudio de la variacin o dispersin, y para ello se apoya en
herramientas matemticas conocidas como Distribuciones de Probabilidad que permiten organizar, describir, representar
matemtica y grficamente la informacin sobre las variables y cuantificar su incertidumbre.
Las variable objeto de estudio de la Estadstica Descriptiva, se conoce como Variable Random, Aleatorias o Distribuidas.

4.1. Variable Random, Aleatoria o Distribuida.
Se denomina variable random, aleatoria o distribuida, a una variable X que por sus caractersticas pueda tomar un
conjunto de valores (x
1
, x
2
, x
3
, x
4
,... x
n-1
,) cada uno de los cuales tiene una probabilidad de ocurrencia (p
1
, p
2
, p
3
, p
4
,... p
n-1
,),
sin que se pueda asegurar especficamente cul de todos estos probables valores tomar la variable. Las variables aleatorias
pueden ser continuas o discretas.
0
0.04
0.08
0.12
0.16
0.2
1 2 3 4 5 6
P
r
o
b
a
b
i
l
i
d
a
d
P(X)
X = (x1, x2, x3 x4, x5, x6) = (1, 2, 3, 4, 5, 6)
P(X) = (p1, p2, p3 p4, p5, p6) = (1/6, 1/6, 1/6, 1/6, 1/6, 1/6)

Figura 2.6 Ejemplo de Variable Aleatoria

61
Por convencin, se denotarn las variables aleatorias con letras maysculas (X por ej.) y los probables valores que esta
variable pueda tomar, se indicarn con letras minsculas (x
1
, x
2
, x
3
, x
4
,... x
n-1
,). Normalmente se denomina a un x
i
como
una realizacin o probable resultado de la variable aleatoria X.
En la experiencia de lanzar un dado, los resultados posibles son 1, 2, 3, 4, 5, 6 y sus probabilidades de ocurrencia estimados
segn la ecuacin 2.13 son 1/6, 1/6, 1/6, 1/6, 1/6, 1/6, respectivamente.
Si se lanzan dos dados a la vez, existen 36 probables combinaciones diferentes (6
2
), la variable random Suma de los puntos
obtenidos en cada dado puede tomar cualquiera de los siguientes 11 probables resultados: 2,3,4,5,6,7,8,9,10,11 y 12; sus
probabilidades de ocurrencia estimados segn la ecuacin 2.13 son 1/36, 2/36, 3/36, 4/36, 5/36, 6/36, 5/36, 4/36, 3/36,
2/36 y 1/36, respectivamente.
0.00
0.04
0.08
0.12
0.16
0.20
2 3 4 5 6 7 8 9 10 11 12
P
r
o
b
a
b
i
l
i
d
a
d
P(X)
X = (x1, x2, x3 x4, x5, x6, x7, x8, x9, x10, x11) = (2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12)

Figura 2.7 Ejemplo de Variable Aleatoria
Convenio de Notacin:
(X=x
i
) representa el evento, se lee: "la variable aleatoria X toma el valor x
i
.
p(X=xi) representa la probabilidad que la variable aleatoria X tome el valor x
i
.
En el primer ejemplo, la variable aleatoria X (resultado del lanzamiento de un dado) se dice que est uniformemente
distribuida, ya que todos los resultados tienen la misma probabilidad. Sin embargo, en el ltimo ejemplo, la variable
aleatoria X (suma de los puntos obtenidos en cada dado), no est uniformemente distribuida, es decir, existen probables
valores de la variable aleatoria que tienen mayor probabilidad de ocurrencia que otros; por ej.: Pr(X=x6=7) > Pr(X=x5=6).
Existen variables random, como las analizadas en los ejemplos 2.3 y 2.4 (estudio sobre el rendimiento de los jvenes.y el
caso de las bombas electrosumergibles, respectivamente), para las cuales es posible inferir el espectro de todos los posibles
resultados, y por ende tambin se puede calcular la probabilidad de ocurrencia de cada uno de estos probables resultados,
haciendo uso de la ecuacin 2.13. Sin embargo, tal como se discuti en el apartado 2.1.2 de este capitulo, existen muchas
variables para las cuales no es posible inferir todos los probables valores que stas puedan tomar. En estos casos es
necesario trabajar con el concepto de experimento, es decir, se toma una muestra representativa de la realidad, y en este
espacio muestral se analizan todos lo valores que tom la variable en estudio, se calcula la frecuencia absoluta y relativa con
que ocurri cada uno de los valores observados usando la ecuacin frecuentista emprica (ecuacin 2.14), y se construye un
grfico similar a los mostrados en las Figuras 2.6 y 2.7. Estos grficos se conocen como histogramas de frecuencia relativa
y se discutirn en detalle en el apartado 4.2.1 de este captulo.
Adicionalmente es importante hacer otra clasificacin de las variables random, en variables continuas y variables
discretas. Si una variable random slo puede tomar valores enteros, es decir, un nmero finito o infinito de valores
numerables o contables se dice, que es discreta. Si tericamente, puede tomar todos los valores de un intervalo dado,
entonces es continua. Para el mejor entendimiento de estos conceptos. Obsrvense los siguientes ejemplos:
Recordando el experimento aleatorio tratado en el ejemplo 2.4, que consiste en lanzar dos dados. El espacio de resultados
de la variable aleatoria suma de los puntos aparecidos en cada dado est compuesto por un nmero limitado de
probables resultados (2,3,4,5,6,7,8,9,10,11,12), y no se debe esperar que tome valores como 7.5, 9.8 o 2.2. Por esta razn,
esta variable se clasifica como variable random discreta.
Considrese ahora el experimento que consiste en elegir al azar a 500 personas y medir su estatura. El espectro de
probables resultados es infinito, y aunque se podra definir un rango (entre 0.25m y 3.5m) la variable puede tomar cualquier
valor en ese rango. Por esta razn, esta variable se clasifica como variable random continua.
Cuando existe duda acerca de la naturaleza discreta o contina de una variable aleatoria se podr usar la siguiente regla del
dedo gordo: si los diferentes valores de la variable aleatoria se obtienen a travs de un proceso de medicin (medicin de

62
peso, volumen, longitud, tiempo, etc.) la variable es continua. Por otra parte, si los diferentes valores de la variable aleatoria
se obtienen a travs de un proceso de conteo (nmero de vehculos, nmero de pozos secos, eventos por unidad de tiempo,
etc.) la variable es discreta. Fundamentalmente, se identifican las variables aleatorias discretas porque para cuantificar su
frecuencia hay que contar; mientras que para las variables aleatorias continuas hay que medir.
Ejemplos adicionales de variables aleatorias discretas: nmero de carros que pasan por un puente por da, nmero de
defectos por tem producido, nmero de bombillos que fallan en un ao, nmero de estudiantes aplazados, etc.
Ejemplos adicionales de variables aleatorias continuas: Temperatura corporal al momento del nacimiento, Tiempo para fallar
de un lote de bombillos, Tasa inicial de produccin de un pozo de petrleo, Profundidad de la corrosin en un tramo de un
oleoducto en un perodo de 5 aos, etc.

Extracto Tomo I. Disciplinas (Pág 51-62)

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Extracto Tomo I. Disciplinas (Pág 51-62)

Hochgeladen von

Copyright:

Verfügbare Formate

49

SECCION 2. Estadsticas para la Confiabilidad

Das könnte Ihnen auch gefallen