20131MAT042S2 - Clase Segunda Parte

PROBABILIDAD
Y ESTADSTICA
R ENATO A LLENDE O LIVARES
HUMBERTO VILLALOBOS TORRES
UNIVERSIDAD TCNICA FEDERICO SANTA MARA
DEPARTAMENTO
02/05/2013
DE
MATEMTICAS
Familias de Distribuciones
DEFINICIN 1: Familias de Distribuciones. Sea
X una variable aleatoria, tal que su funcin
de masa, f(x / ), depende de un parmetro,
llmese , para un conjunto de posibles
valores de , f(x / ), satisface las condiciones
para ser funcin de masa, y sus valores
esperados, de existir, dependen de .
Es posible que , sea un vector paramtrico,
es decir, que existan ms de un parmetro
asociado a f(x / ). En este caso, se tendr
que los valores esperados asociados de la
variable aleatoria, de existir, dependen de un
o ms de los parmetros.
02/05/2013
Distribucin Bernoulli
DEFINICIN 2: Distribucin Bernoulli. Sea X
una variable aleatoria, tal que toma slo dos
posibles resultados: xito, cuando cumple con
la caracterstica que se mide; Fracaso, cuando
no cumple con la caracterstica que se mide.
Considere la probabilidad de xito por p.
Si: xito x = 1, y fracaso x = 0:

1 x
P[X = x] = p (1 p )
x
x = 0,1.
Donde: [X] = p; [X] = p(1 p) = pq,

02/05/2013
0 < p < 1.
Distribucin Bernoulli
APLICACIN 1: La Compaa GULOP Ltda. planea
02/05/2013
realizar visitar publicitarias a clientes potenciales

mediante presentaciones del producto, hasta que se
realice un venta considerable, el visitar a los cliente se
tiene un costo por traslados de $ 4.000 [US]. Adems,
cada montaje para la presentacin de venta del
producto cuesta la suma de $ 1.000 [US]. Sobre la base
de datos histricos de la compaa se ha logrado
determinar diez de cada cien clientes visitados han
realizado una compra. Cul es la probabilidad que
un visita a un cliente cualquiera resulte una compra?.
Ci: La visita del cliente i-simo resulta en una compra.
Ci B(0,10)
p = [Cliente visitado realice una compra] = 0,10
Proceso de Bernoulli
DEFINICIN 3: Proceso de bernoulli. Sean Xi una
variable aleatoria con distribucin bernoulli.
Entonces un proceso de bernoulli, es una coleccin de
stas variables que muestran un comportamiento
independiente entre si, tal que:
P[X1 = x1 , X 2 = x2 , ..., X k = xk ]
= p1x1 (1 p1 )1 x1 p2 x2 (1 p2 )1 x2 ... pk xk (1 pk )1 xk
,
k
xi
= p i=1 (1 p )
k x1
i =1
pi = p
, xi = 0,1.
02/05/2013
xi = 0,1.
Proceso de Bernoulli
APLICACIN 1: La Compaa GULOP Ltda. planea
realizar visitar, Si visita 15 clientes, Cul es la
probabilidad que en la primera visita se realice una
compra mientras que en la tercera visita no se
concrete la compra?.
Ci: La visita del cliente i-simo resulta en una compra.
Ci B(0,10)
[C1 = 1 (C2 = 1 C2 = 0) C3 = 0
(C4 = 1 C4 = 0) ... (C15 = 1 C15 = 0)].
[C1 = 1 C3 = 0] = 0,10 0,90 = 0,0900.
02/05/2013
Distribucin Binomial
Esta es una de las distribuciones ms tiles, pues
sus reas de aplicacin incluyen: medicina,
ventas, investigaciones de mercado, inspecciones
de calidad, etc.
Consideremos nuevamente una poblacin que
cumple con caractersticas dicotmicas, es decir,
un grupo de la poblacin cumple con tener la
caracterstica y otro no, xito y fracaso, que la
probabilidad de xito p se mantiene constate en
el curso de los ensayos.
02/05/2013
Si se Extiende ahora el problema para obtener
a xitos en n ensayos sin restriccin. Como se
puede apreciar en la figura anterior, esta muestra
slo un orden donde se cumple con el requisito a
xitos, pero no todos los posibles, ya que los xitos
pueden presentarse en distintas combinaciones en
los n ensayos. Luego probabilidad de obtener
a xitos en n ensayos, est dada por:
n a
P[X = a] = p (1 p) na
a
a = 0, 1, 2, ..., n
[X] = np;
02/05/2013
[X] = npq.
APLICACIN 1: La Compaa GULOP Ltda.
planea realizar visitar, Si el presupuesto
para publicidad es de slo $ 100.000 [US],
Cul es la probabilidad de que la suma
presupuestada sea suficiente para que se logre
algn pedido?
X: N de viajes donde se logra una venta.
02/05/2013
X B(20; 0,10)
[X 1] = 1 [X 0] = 1 [X = 0]
= 1 0,1216 = 0,8784
APLICACIN 1: La Compaa GULOP Ltda.
planea realizar visitar, Si la ganancia
esperada de la venta de un producto es de
$ 15.000 [US], deben efectuarse los viajes?.
Justifique con argumentos estadsticos.
V: Utilidad por venta de producto.
[V] = 15.000 x 0,1 5.000 x 0,9
= 4.500 [US]
02/05/2013
APLICACIN 2: En una caja hay 100
02/05/2013
artculos, de los cuales 10 tienen una marca

que los identifica. Se extrae una muestra de
tamao 5 y se observa si aparecen marcados
y luego, se devuelven a la caja. Despus de un
tiempo se repite el proceso de muestreo.
(Suponga que se repite 20 veces el proceso de
muestreo).
Cuntas muestras se debera esperar con
algn artculo marcado?.
X: N de muestreos con algn artculo
marcado.
X B(20; p)
artculos, Cuntas muestras se debera
esperar con algn artculo marcado?.
10 90

0 5
p = [Y 1] = 1 [Y = 0] = 1
100
5
= 1 0,5838 = 0,4162
02/05/2013
[X] = 20 0,4162 = 8,324
artculos, Cul es la probabilidad que 10 de
estas muestras no tengan artculos marcados?.
20
[X = 10] = 0, 416210 0,583810
10
= 0,1312
Cul es la probabilidad que se tengan a lo ms
seis muestras con artculos marcados?.
[X 6] = 0,2056
02/05/2013
(TABLA: 0,2500)
APLICACIN 3: Una investigacin a nivel nacional,
llevada a cabo por una universidad extranjera
(Michigan), de 17.000 estudiantes de ltimo ao revela
que el 70% desaprueba las medidas tomadas para el
control del consumo de drogas adictivas, de acuerdo
con un reporte de la revista Parade de septiembre 14
de 1.980. Si 18 de estos estudiantes se seleccionan al
azar y se les pregunta su opinin, Cul es la
probabilidad de que ms de nueve pero no ms de
catorce desaprueben esa medida?
Y: Nmero de alumnos que desaprueban las medidas
tomadas para el consumo de marihuana.
Y B(18; 0,70)
[9 < Y 14] = [Y 14] [Y 9]
= 0,8354 0,0596 = 0,7758
02/05/2013
APLICACIN 3: Una investigacin a nivel
nacional, llevada a cabo por una universidad
extranjera (Michican), Cul es la
probabilidad de que exactamente 5 alumnos
aprueben las medidas tomadas para el
control del consumo de drogas adictivas?
18
[Y = 13] = 0, 7013 0,305 = 0,2017
13
= [Y 13] [Y 12]
= 0,6673 0,4656 = 0,2017
02/05/2013
Distribucin Hipergeomtrica
Es una distribucin cuya caracterstica a
medir es discreta, til para poblaciones
finitas (pequeas).
Supongamos que se tiene una poblacin
donde:
N, es el nmero de elementos de la poblacin.
N1, es el numero de elementos de la poblacin que
cumplen con cierta cualidad observable (N1 < N).
Es posible observar que la poblacin de N
elementos ha sido dividida en dos grupos:
Aquellos que pertenecen al grupo 1, E1, poseen
la cualidad, y aquellos que pertenecen al grupo 2,
E2, como los que no poseen la cualidad.
Se extrae una muestra aleatoria de n elementos de
la poblacin.
02/05/2013
Entonces si se considera la variable aleatoria.
X:= Nmero de artculos en la muestra que
cumplen con la cualidad.
02/05/2013
N1 N N1

a n a
P[X = a] =
N

n
N1
E[X] = n ;
N
a = 0, 1, ... , min{N1 , n}
N1 N1 N n
V[X] = n 1
N
N N 1
APLICACIN 4: Considere un fabricante de
lanchas que compra motores a una compaa
donde se fabrican bajo estrictas normas de
especificacin. El fabricante recibe un lote de 40
motores. Su plan de muestreo para aceptar el lote
consiste en seleccionar ocho motores al azar y
someterlos a prueba. Si encuentra que ninguno
de los motores presenta serios defectos, el
fabricante acepta el lote, de otra forma lo
rechaza. Si el lote contiene dos motores con serios
defectos, Cul es la probabilidad de que el lote
sea aceptado?.
02/05/2013
APLICACIN 4: Considere un fabricante
de lanchas que compra motores
X: El nmero de motores que presentan
defectos en la muestra.
X H(40; 2; 8)
[X = 0] =
02/05/2013
2

0
40
38
8
= 0,6359
APLICACIN 5: El ingeniero de control de
calidad (ICC) de la empresa H&H ha
diseado el siguiente plan de muestreo de
aceptacin de lotes:
02/05/2013
Rechaza el lote si encuentra ms de 2 artculos

defectuosos en una muestra de 5 artculos.
Se acepta el lote si se encuentran menos de 2
artculos defectuosos en la muestra de 5
artculos.
Si se encuentran dos artculos defectuosos en la
muestra, se toma una segunda muestra de tres
artculos, y se rechaza el lote si se encuentra
algn defectuoso.
APLICACIN 5: El ingeniero Si se envan
lotes de 40 artculos de los cuales el 10% es
defectuoso, Determine:
Cul es la probabilidad de rechazo del lote?.
Xi : Nmero de artculos defectuosos en el lote en la
i-esima muestra
X H (Ni; N1i; ni)

e : {El lote se rechaza}
[e] = [X1 > 2 (X2 1 X1 = 2)]
= [X1 > 2] + [ X2 1 X1 = 2]
= [X1 > 2] + [ X2 1 / X1 = 2] [X1 = 2]
02/05/2013
= 0,0039 + 0,1663 0,0651 = 0,0147
APLICACIN 6: Se sabe que en una partida de 40
artculos hay 2 deteriorados. Determinar cuantos
artculos deben ser inspeccionados (seleccin
aleatoria), para que con una probabilidad de al menos
0,9 se encuentre por lo menos uno de los dos
deteriorados:
R: N de estufas que no cumplirn con el
nuevo
perodo de garanta. R H(40; 2; n)
2 38
n = 27

0 n
[R = 0] 0,1
0,1
40

(40 n)(39 n) 0,1
n

40 39
[R 1] 0,9
02/05/2013
DEFINICIN 4: Aproximacin de la distribucin
Hipergeomtrica por la Binomial. Cuando el
tamao de una poblacin (N) es grande, y el
cuociente entre el tamao de la muestra (n), y el
tamao de la poblacin (N) es menor al 5%, entonces
se acepta que la aproximacin es buena a travs de:
X H(N; N1; n) B(n, N1/N).
A modo de
simulacin
considere:
N = 100
N1 = 20
n = 10
02/05/2013
Distribucin Geomtrica
Considere un proceso de bernoulli, con
probabilidad de xito p. Suponga que el
proceso se repite hasta la ocurrencia del
primer xito, entonces si se define:
X: N de ensayos bernoulli necesarios hasta
la ocurrencia del primer xito.
Rec X : {1, 2, 3, 4,
}
Infinito
N de das hasta la primera lluvia.
N de derrotas hasta el primer triunfo.
etc
02/05/2013
Sobre la base de una probabilidad de xito
constante se puede determinar que su
funcin de masa est dad por:
P[X = x] = (1 p ) x 1 p,
x = 1, 2,...
Su nombre se debe a que la verificacin de la

propiedad de funcin de masa se debe al aporte
de la serie geomtrica, es decir:
2
P
[X
=
x
]
=
p
+
qp
+
q
p + ...
x =1
02/05/2013
= p (1 + q + q + ...
2
1
) = p
=1
1 q
De la misma forma se puede determinar la
esperanza en trminos de la sucesin:
E[X]= x q
x 1
x =1
p = p
x q
x 1
x =1
Consideremos a:
x =1
x =1
2 x 1
E[X 2 ]= x 2 q x 1 p = p x q
V[X] =
02/05/2013
1 p
p2
1
E[X] =
p
PROPIEDAD 1: Relacin Familia Geomtrica y
Familia Binomial. Considere una variable
aleatoria X, que tiene una distribucin
geomtrica, digamos X G(p), y Sea Y una
variable aleatoria con distribucin binomial,
digamos Y b(n; p). Entonces se tiene que:
Si tienen que ocurrir ms de n ensayos bernoulli
para la llegada del primer xito, Cuntos xitos
hay en n ensayos?
P[X > n] = P[Y = 0] = (1 p )

02/05/2013
FX ( x) = P[X n] = 1 (1 p )
APLICACIN 7: Un jefe de proyectos ha
comprobado que un subcontratista no falla en
entregar a tiempo las ordenes corrientes de
trabajos a realizar, en aproximadamente el
20% de las ocasiones. Cul es la probabilidad
de que tengan que llegar 15 ordenes hasta que
llegue la primera a tiempo?
X:= N de ordenes entregadas al subcontratista
hasta la primera que entrega a tiempo.
Rec X : {1, 2 , 3, }
Infinito
02/05/2013
X G(0,20)
comprobado Cul es la probabilidad de
que tengan que llegar 15 ordenes para que
llegue la primera orden a tiempo?
P[X = 15] = (1 0, 2)14 0,2 = 0,0088

Cul es la probabilidad de que tengan que
llegar dentro 10 y 17 ordenes hasta que llegue
la primera a tiempo?
P[10 < X < 17] = P[X 16] P[X 10]
= (1 0, 2)10 (1 0, 2)16 = 0,0792

02/05/2013
De la distribucin geomtrica tambin es
conocida una transformacin til de sta,
como lo es, ensayos hasta antes, :
X G(p)
Y=X1
Rec X: {1, 2, 3, },
Rec Y: {0, 1, 2, },
P[X 1 = y ] = P[X = y + 1]=(1 p )
P[Y = y ] = (1 p ) p,
y
02/05/2013
1 p
E[Y] =
p
y +11
y = 0,1,...
1 p
V[Y] = 2
p
E[Y]
=p
V[Y]
Distribucin Binomial Negativa

La Familia de distribuciones Binomial Negativa,
es una extensin razonables de la familia de
distribuciones geomtricas, en donde se tiene un
proceso de bernoulli, con probabilidad de xito
p. Ahora se suponga que el proceso se repite
hasta la ocurrencia del k-simo xito, entonces si
se define:
X:N de ensayos bernoulli necesarios hasta
la ocurrencia del k-simo xito.
Rec X : {k, k +1, k + 2,
}
Infinito
02/05/2013
X BN(k; p)

Es posible deducir la funcin de masa de
probabilidad como en el caso de la familia
binomial, slo con el detalle, con el detalle que el
ultimo ensayo tiene que ser xito, es decir:
02/05/2013
n 1 k 1
n 1( k 1)
P[X = n] =
p
(1
p
)
p
k 1
, n = k , k + 1, k + 2

Entonces de las definiciones anteriores se pueden
observar que:
X: N de ensayos bernoulli necesarios hasta
la ocurrencia del k-simo xito.
k
k
k
E[X] = E Xi = E[Xi ]
i=1 i=1
X = Xi
i=1
Xi G(p)
k
V[X] = V Xi =
i=1
02/05/2013
V[Xi ]
i=1
k
E[X] =
p
k (1 p )
V[X] =
p2

PROPIEDAD
2:
Relacin Familia Binomial

Negativa y Familia Binomial. Considere una
variable aleatoria X, que tiene una distribucin
binomial negativa, digamos X BN(k; p), y Sea Y
una variable aleatoria con distribucin binomial,
digamos Y b(n; p). Entonces se tiene que:
Si tienen que ocurrir ms de n ensayos bernoulli
para la llegada del k-simo xito, Cuntos xitos
hay en n ensayos?
P[X > n] = P[Y k 1]

02/05/2013
FX (n) = P[X n] = 1 P[Y k 1]

comprobado Cul es la probabilidad de
que tengan que llegar 15 ordenes para que
llegue la cuarta orden a tiempo?
X:= N de ordenes entregadas al subcontratista
hasta la cuarta que entrega a tiempo.
Rec X : {4, 5 , 6, }
Infinito
15 1
11
4
P[X = 15] =
(1
0,
2)
0,2
= 0,0500
4 1
02/05/2013

comprobado Cuntos proyectos esperara
que sean necesarios entregar al contratista
hasta encontrar el cuarto que llega a tiempo?
4
= 20 ordenes
E[X] =
0, 2
Cul es la probabilidad de que tengan que
llegar dentro 10 y 17 ordenes hasta que llegue
la cuarta a tiempo?
02/05/2013
P[10 < X < 17] = P[X 16] P[X 10]

= P[Y10 3] P[Y16 3] = 0,281
Yn B(n; 0,2)

De la distribucin Binomial Negativa se
conoce una transformacin til de sta,
como lo es, ensayos hasta antes, :
X BN(k; p) Rec X: {k, k + 1, },
Y=Xk
Rec Y: {0, 1, 2, },
Adems del efecto en la funcin de masa, se
tienen relaciones que se pueden deducir a partir
de los valores esperados, es decir:
k (1 p )
E[Y] =
p
02/05/2013
k (1 p )
V[Y] =
p2
E[Y]
(E[X]) 2
=p k=
V[Y]
V[X] E[X]

APLICACIN 8: Un sistema proyectado de
control de trfico, incluye un nuevo tipo de
carril para girar a la izquierda, con
capacidad de espera de carril de tres
vehculos (ver Figura), vigilado por un
instrumento.
02/05/2013

APLICACIN 8: Un sistema proyec ... Si en
promedio el nmero de vehculos necesarios
que van al norte, hasta antes que llegue el
tercer vehculos con desvo hacia el este es de
6,4 con una varianza de 18,2 Cul es la
probabilidad de que tenga que esperar ms
de veinte vehculos con direccin Norte, para
obtener ocho que se desven hacia el Este?.
Y: N de vehculos con direccin norte hasta
antes del tercero que se desva al este.
Rec Y : {0, 1 , 2, }
02/05/2013
E[X]
p=
V[X]
x
6, 4
2 =
18, 2
s
p 0,3516

APLICACIN 8: Un sistema proyectado ...
Cul es la probabilidad de que tenga que
esperar ms de veinte vehculos con direccin
Norte, para obtener ocho que se desven hacia
el Este?.
X: N de vehculos con direccin norte hasta
del octavo que se desva al este.
Rec X : {8, 9 , 10, }
X BN(8; 0,35)
P[X > 20] = P[Y20 7] = 0, 6010

Y20 B(20; 0,35)
02/05/2013
Proceso de Poisson
DEFINICIN 5: Proceso de Poisson. Un
proceso de conteo {N(t), t > 0}, es un Proceso
de Poisson, si:
Cumple
propiedad
de
independientes.
Cumple
propiedad
de
estacionarios.
Cumple propiedad de orden.
incrementos
incrementos
Sea N(t): Nmero de eventos que ocurren por

unidad de tiempo. Entonces:
exp{t} (t )n
P[N(t ) = n] =
,
n!
02/05/2013
n = 0,1, 2,...
Proceso de Poisson
Los cambios en las unidades de tiempo, rea
o volumen tienen su efecto en la tasa -, la
cual, en ciertos procesos, y bajo ciertas
condiciones se asume constante en el
perodo de estudio.
El la nica distribucin donde su tiempo
medio esperado y su varianza son iguales.
[N(t)] = -t ; [N(t)] = -t.
Posee un amplio uso en control estadsticos

de la calidad, particularmente en muestreo
de aceptacin.
02/05/2013
Proceso de Poisson
APLICACIN 9: Suponga que el nmero de
defectos en lminas de 1 metro por 2 metros se
distribuyen aleatoriamente en las lminas, con
una media de 6 defectos por lmina.
Cul es la probabilidad de que en una lmina
escogida al azar se encuentren ocho defectos?.
X(t):= Nmero de defectos en t lminas, luego
X(1) c(6
1)
exp{6} 68
[X(1) = 8] =
= 0,1033
8!
Probabilidades acumuladas se obtienen a travs
de tablas.
02/05/2013
Proceso de Poisson
APLICACIN 9: Suponga que el nmero de defectos
en lminas de 1 metro
Cul es la probabilidad de que en una lmina
escogida al azar se encuentren no ms de seis
defectos?.
exp{6} 6 x
[X(1) 6] =
= 0,6063
x
!
x =0
6
Cul es la probabilidad de que en media lmina

escogida al azar se encuentren no ms de tres
defectos?.
X(1/2) c(6 1/2 = 3)
exp{3} 3x
[X 3] =
= 0,6472
x!
x =0
3
02/05/2013
Proceso de Poisson
APLICACIN 9: Suponga que el nmero de
defectos en lminas de 1 metro
Cul es la probabilidad de que sea necesario
escoger ms de 15 lminas hasta encontrar la
octava con a lo ms seis defectos?.
Y: N de lminas hasta encontrar la octava
con a lo ms seis defectos.
Y BN(8; p) p = [X(1) 6] = 0,6063
[Y > 15] = [S15 7] = 0,2131
(S15 B(15; 0,60))
02/05/2013
Proceso de Poisson
PROPIEDAD 3: Considerando un Proceso de
Poisson {N(t), t > 0}, el cual se basa en las
propiedades de incrementos independientes y
estacionarios, entonces para 0 < s < t, se
puede establecer:
r
nr
n
s s
P[N(s) = r / N(t ) = n] = 1
r t t
02/05/2013
Proceso de Poisson
PROPIEDAD 4: Considerando un Proceso de
Poisson {N(t), t > 0}, el cual se basa en las
propiedades de incrementos independientes y
estacionarios, entonces para 0 < s < t, se
puede establecer:
P[N(t ) = n / N(s ) = r ] = P[N(t s ) = n r ]

n
02/05/2013
nr
Proceso de Poisson
APLICACIN 10: El nmero de pasajes areos
vendidos por da con direccin a la Isla de Pascua es
una variable aleatoria bien modelada por una
distribucin Poisson, con un promedio de ventas de 5
pasajes al da, considerando que se trabaja seis das
a la semana en turnos de ocho horas. Cul es la
probabilidad de que en dos das se vendan al menos
6 pasajes?.
N(t) : N de pasajes areos vendidos en t das.
N(1) c(5)
[N(2) 6] = 1 [N(2) 5] = 1 0,0671 = 0,9329
N(2) c(5 2 = 10)
02/05/2013
Proceso de Poisson
APLICACIN 10: El nmero de pasajes
areos vendidos por da Si despus de
medio da de trabajo no se han vendido
pasajes. Cul es la probabilidad que durante
ese da se vendan no ms de tres pasajes?.
[N(0,5 + 0,5) 3 / N(0,5) = 0]
= [N(0,5) 3] = 0,7576
Prdida de
memoria
N(0,5) c(5 0,5 = 2,5)

02/05/2013
Proceso de Poisson
APLICACIN 10: El nmero de pasajes areos
vendidos por da Cuantos das esperara que
fuesen necesarios hasta encontrar el cuarto da con
slo dos pasajes vendidos?.
Y: N de das hasta encontrar el cuarto con slo dos
pasajes vendidos.
Y BN(4; p2)
exp (5) 52
p2 = [N(1) = 2] =
= 0,0842
2!
4
[Y] =
= 47,5 [das]
0, 0842
02/05/2013
Proceso de Poisson
APLICACIN 8: Un sistema proyectado El
instrumento cede el paso para girar a la izquierda
en el momento que la capacidad del carril esta
completa o si el tiempo de espera es de 10 minutos
desde la ltima vez que el instrumento cedi el
paso. Se supone que la interrupcin en el trfico
O E es lo bastante grande para que al menos
Tres vehculos puedan
realizar su giro. Adems,
la probabilidad de que se
ocupe el carril justo
cuando han transcurrido
10 minutos desde la
ltima
vez
que
el
instrumento cedi el paso
es insignificante.
02/05/2013
Proceso de Poisson
APLICACIN 8: Un sistema proyectado Si
las llegadas al carril gobernado por el
instrumento estn siendo modeladas por un
proceso de Poisson con una media de cuatro
vehculos cada veinte y cinco minutos. Cul
es la probabilidad que el instrumento ceda el
paso de virar a la izquierda 5 minutos antes
del tiempo estipulado?.
N(t) : N de vehculos que llega al carril en t
minutos.
N(1) c(4/25)
02/05/2013
4
4
exp 5 5
25 25
[N(5) = 3] =
3!
= 0,0383
Proceso de Poisson
APLICACIN 8: Un sistema proyectado Si
un vehculo ha esperado slo, durante cinco
minutos el pase del instrumento y este lleg
justo antes que le instrumento negar el pase,
cul es la probabilidad que deba esperar tres
minutos para que el instrumento ceda el paso
de virar?.
[N(3) > 1] = 1 [N(3) 1]
= 1 ([N(3) = 0] + [N(3) = 1])
= 1 0,6188 0,2970 = 0,0842
[N(3) = 2] =
02/05/2013
4
4
exp 3 3
25 25
2!
= 0,0713
Proceso de Poisson
APLICACIN 8: Un sistema proyectado
Cul es la probabilidad que se debe esperar
menos de ocho minutos para la llegada del
primer vehculo al carril?.
T: Tiempo necesario hasta la llegada del
primer vehculo al carril.
[T > 8 ] = [N(8) = 0]
4
4
exp 8 8
25 25
=
0!
02/05/2013
= 0,2780
= 0,7220
Proceso de Poisson
APLICACIN 11: El nmero de vehculos que
pasan por cierta interseccin es una variable
aleatoria bien modelada por una Distribucin
Poisson, donde el tiempo medio entre llegadas
de vehculos es de 4 minutos. Suponga que se ha
instalado un contador automtico para evaluar
la cantidad de vehculos que pasa por el sector,
sin embargo, este contador no est funcionando
de manera apropiada, y cada vehculo tiene una
probabilidad 9 de no ser contabilizado.
9
19
02/05/2013
Proceso de Poisson
APLICACIN 11: El nmero ... Cul es la
probabilidad que pasen ms de 10 vehculos en 30
minutos?.
N(t) : N de vehculos que pasan por la interseccin
en t minutos. N(1) c((1/4)
1)
N1(t) : N de vehculos que pasan por la interseccin
no contabilizados en t minutos.
N1(1) c((1/4)
9
1)
[N(30) > 10] = 1 [N(30) 10]

= 1 0,8622 = 0,1378
02/05/2013
Proceso de Poisson
APLICACIN 11: El nmero ... Cul es la
probabilidad que tengan que pasar ms de 20
minutos para la llegada de 6 vehculo a la
interseccin?.
T: Tiempo necesario hasta la llegada del sexto
vehculo a la interseccin.
[T > 20] = [N(20) 5] = 0,6160
Cuntos vehculos, como mnimo, es
necesario que pasen por la interseccin en
2160 segundos para tener una probabilidad
de al menos 0,85?.
[N(36) n] = 0,85
02/05/2013
n=6
(Probar iterativamente Ver Tabla)
Proceso de Poisson
APLICACIN 11: El nmero ... Determine 9 si
se sabe que la probabilidad de que algn
vehculo no sea contabilizado por el contador
en ocho minutos es de 0,01.
[N1(8) 1] = 0,01
[N1(8) = 0] = 0,99
02/05/2013
Distribucin Poisson
DEFINICIN 6: Aproximacin de la distribucin
Hipergeomtrica por la Poisson. Cuando el tamao
de una poblacin (N) es grande, y el cuociente entre
el tamao de la muestra (n), y el tamao de la
poblacin (N) es menor al 5%, entonces se acepta
que la aproximacin es buena a travs de:
X H(N; N1; n) c(n N1/N).
A modo de
simulacin
considere:
N = 100
N1 = 20
n = 10
02/05/2013
Distribucin Exponencial
DEFINICIN 7: Considere una variable
aleatoria Continua, tal que su funcin de
densidad de probabilidad, sea expresada por:
x
f ( x / ) = exp ,
X exp(1/).
02/05/2013
x > 0, > 0
[X] = ; [X] = 2.
Su funcin de Distribucin es explicita y permite
determinar cualquier probabilidad y cuantil
asociado a esta distribucin:
Funcin de Distribucin (x > 0)
FX(x) = [X x] =
f T (t )dt = 1 exp{- x/}
Determinacin de Cuantiles
Pj FX(j)
02/05/2013
1 exp{- x/} = j
x = ln((1 j)-)
APLICACIN 12: Suponga que la duracin de
cierto componente electrnico, en horas, es

una variable aleatoria definida por T. Se
piensa que la funcin que modela
adecuadamente la duracin del componente,
en horas, est dada por:
fT (t) = exp { t} [0; [ (t),
Calcule la probabilidad de que la duracin del
componente, sobrepase su duracin esperada.
[T > -1] = exp {-1} = 0,3679
02/05/2013
(SIEMPRE)
Posee una estrecha relacin con la distribucin
Poisson:
N(t): Nmero de eventos en el intervalo (0, t)
Tiempo hasta la ocurrencia del primer evento.
T
Tiempo entre eventos
T exp(-)
02/05/2013
APLICACIN 13: En una planta industrial de ctodos de
cobre, se han dado cuenta que el chancador es un
elemento de vital importancia para la fabricacin de
stos. As, por estadsticas del equipo, se ha encontrado
que posee un tiempo promedio entre fallas de 100 [das].
Por condiciones del proceso de fabricacin del chancador,
producto del desgaste de las partes interiores, el
chancador debe funcionar a intervalos de 250 [das]. Si se
puede suponer que el tiempo de vida del chancador, se
encuentra modelada por una distribucin exponencial.
Determine el valor esperado de fallas que ocurre en un
intervalo de tiempo:
T: Tiempo de vida del chancador [das]. T exp(0,01)
N(t) : Nmero de fallas en intervalos de t das de
funcionamiento
[N(250)] = 250 0,01 = 2,5 [fallas/int. de funcionamiento]
02/05/2013
APLICACIN 13: En una planta industrial de ctodos
de cobre, se han dado cuenta Cul es la
probabilidad que tenga que esperar menos de 200
[horas] para la ocurrencia de alguna falla?.
[T < 200/24] = 1 [T > 200/24]
= 1 [N(200/24) = 0] = 0,07996
Cul es la probabilidad que en al menos 7 de 10
intervalos no ocurran ms de dos fallas?
Y: Nmero de Intervalos en que no ocurran ms de
dos fallas.
Y B(10; p)
p = [N(250) 2] = 0,5438 0,55 [Y 7] = 0,2660
02/05/2013
Familia Gamma
DEFINICIN 8: La distribucin Gamma se presenta en
mltiples formas, dependiendo de dos parmetros: ,
denominado parmetro de escala; y , denominado
parmetro de forma. Su funcin de densidad es:
x 1
f X ( x) =
exp{ x} I (0, ) ( x)
( )
donde: [X] = --1; [X] = --2.
La distribucin Gamma es un modelo muy popular
en aplicaciones de ingeniera de: Teora de colas
lneas de espera, Confiabilidad, Energa Elica,
Hidrologa, etc.
02/05/2013
Familia Gamma
Las formas asociadas a esta distribucin van
desde distribuciones totalmente asimtricas
hasta distribuciones completamente simtricas
02/05/2013
Familia Gamma
Su funcin de Distribucin es no es explicita,
salvo cuando su parmetro de forma es un
natural, lo cual permite determinar cualquier
probabilidad a travs de una distribucin de
Poisson de forma exacta:
1
exp{ x}( x)
FX(x) = [X x] = 1
j!
j =0
= 1 [N(x) 1]
02/05/2013
Familia Gamma
La relacin que existe en el calculo de
probabilidades antes sealada, se debe a:
N(t): Nmero de eventos en el intervalo (0, t)
Tiempo hasta la ocurrencia del primer evento.
T
Tiempo entre eventos
02/05/2013
Ti exp(-)
Ti G(; -)
Familia Gamma
APLICACIN 13: En una planta industrial de
ctodos de cobre, se han dado cuenta Cul es la
probabilidad que tenga que esperar al menos de 200
[das] para la ocurrencia de la quinta falla?.
T: Tiempo de vida del chancador hasta la

quinta falla [das]. T G(5; 0,01)
[T > 200] = [N(200) 4] = 0,9473
200
=1
0, 015 4
t exp{0, 01t} dt
(5)
Naturalmente, el desarrollo de la integral es ms

complejo.
02/05/2013
Familia Weibull
DEFINICIN 9: La distribucin Weibull, al igual
que la Gamma se presenta en mltiples formas,
dependiendo de dos parmetros: , denominado

parmetro de escala; y , denominado parmetro de
forma. Su funcin de densidad es:
f X ( x) = x 1 exp{ ( x) } I (0, ) ( x)
donde: [X] =
02/05/2013
1
1 +

1
1
2 1
[X] =
1 + 1 +
2

Familia Weibull
Las formas asociadas a esta distribucin van
desde distribuciones totalmente asimtricas
hasta distribuciones completamente simtricas,
al igual que la distribucin Gamma, solamente
que la Weibull decae rpidamente en el tiempo.
02/05/2013
Familia Weibull
asociado a esta distribucin:
FX(x) = [X x] =
f T (t )dt = 1 exp{(-x)}
Pj FX(j)
02/05/2013
1 exp{(-x)} = j
x = --1 (ln((1 j)-1))1/
Familia Weibull
APLICACIN 14: Un fabricante ofrece una
garanta de un ao para su producto. Si el
producto llega a fallar durante ese perodo, se
reemplaza. El tiempo (aos) hasta la falla se
modela aceptablemente con la f.d.p. dada por:
2
t
t
exp{ }, t > 0
f T (t ) =
8
16
Qu porcentaje de productos se espera usen la
garanta?
T W(
= 2; - = 0,25)
02/05/2013
[T 1] = 1 exp{(0,25
1)2} = 0,0606 6%
Familia Weibull
garanta de un ao para . El costo de
produccin de un artculo es de $500 (dlares), y la
utilidad por venta de una unidad es de $250
(dlares). Cul es el efecto sobre las utilidades
esperadas en la fabricacin de 100 productos, que
provocan las reposiciones debido al uso de la
garanta?
250
V(T) : Utilidad del producto
250
02/05/2013
Si T > 1
Si T 1
[V(T)] = 250 [T > 1] 250 [T 1] = 220 [dlares]

Utilidad esperada de 100 productos :
220 100 = 22.000 dlares
Efecto Neto 3.000

dlares
Familia Weibull
garanta de un ao para . Cul es la
probabilidad de que de 20 productos fabricadas
fallen no ms de 3?
Y : Nmero de productos que fallan de los 20.
Y B(20; 0,06)
[Y 3] = 0,9710
Cuntos aos se requieren como garanta tal que se
satisfaga la garanta en el 90% de las veces?
[T > t] = 0,90
t = 0,25-1 (ln((1 0,1 )-1))1/2

t = 1,30 [aos]
02/05/2013
Familia Uniforme
DEFINICIN 10: La distribucin Uniforme. Es
un caso particular de la distribucin Beta,
cuando sus parmetros de forma toman los
valores ! = = 1, en donde se tiene:
1
f X ( x) =
I (a , b ) ( x)
ba
a+b
donde: [X] =
2
02/05/2013
(b a ) 2
[X] =
12
Familia Uniforme
asociado a esta distribucin: m
Funcin de Distribucin (x > a)
x
FX(x) = [X x] =
xa
f T (t )dt =
ba
Pj FX(j)
xa
=j
ba
x = j (b a) + a
02/05/2013
Familia Normal
DEFINICIN 11: La distribucin Normal, es una
distribucin absolutamente simtrica, que depende
de dos parmetros: , denominado parmetro de

localizacin; y , denominado parmetro de escala. Su
funcin de densidad es:
1 x 2
1
f ( x) =
exp
I R ( x)
2
2
donde: [X] = ; [X] = 2.

02/05/2013
Familia Normal
Su funcin de distribucin es no es explicita, sin
embargo, mediante una transformacin, llamada
estandarizacin, permite determinar cualquier
probabilidad y cuantil asociada a una distribucin
normal, es decir:
X N(
, 2), entonces:
Z=
Z N(0, 1), cuyas probabilidades estn tabuladas o

se encuentran disponible en
calculadoras o excel.
02/05/2013
Familia Normal
Se establecen probabilidades en torno a la
distancia de la media con su desviacin
estndar, de gran aplicacin en control de
procesos.
0,9973
02/05/2013
Distribucin Normal
APLICACIN 15: El dimetro de un eje metlico
empleado en la unidad de disco de una computadora
se supone tiene distribucin normal. La media actual
del proceso de fabricacin de 0,1505 [plg.] y
coeficiente de variacin de 0,004. Se han
determinado los lmites de especificacin para el
dimetro del eje como 0,1500 0,0015 [plg.]. Calcule
la fraccin de ejes producidos que cumplen con las
especificaciones.
X: Dimetro de un eje metlico [plg.]
X N (0,1505, 2);CV = 0,004
= 0,004
= 0,000602
[X < 0,1485] = [Z -3,32] = 0,0005

[X < 0,1515] = [Z 1,66] = 0,9515
02/05/2013
0,9515
Familia Normal
APLICACIN 16: Las bandas de plstico que se
utilizan en un dispositivo electrnico para deteccin,
se fabrican de manera que satisfagan una
especificacin de valor mximo de 305,28 mm. y una
especificacin mnima de 304,55 mm. Si la dimensin
de las bandas es menor que la especificacin mnima,
se desechan, si son ms grandes que la especificacin
mximas, se reelaboran. Se ha probado que las
dimensiones de estas piezas estn distribuidas
normalmente con una desviacin estndar de 0,25
mm. y que slo el 5% de las bandas se desechan.
Cul es el tamao medio de las bandas de plstico?.
X: Dimensin de las bandas de plstico [en mm.]
02/05/2013
X N (
, (0,25)2)
[X < 304,55] = 0,05
Estandarizar es la clave
Familia Normal
APLICACIN 16: Las bandas de plstico que se
utilizan en un dispositivo electrnico Cul es el
tamao medio de las bandas de plstico?.
X: Dimensin de las X N (
, (0,25)2)
[X < 304,55] = 0,05
304,55
P Z
= 0, 05
0, 25
304,55
= 1, 645
0,25
= 304,96 [mm]
Qu porcentaje de bandas se reelabora?
[X > 305,28] = 1 [Z 1,28] = 0,1003
02/05/2013
Familia Normal
APLICACIN 17: El tiempo requerido, en
minutos, para reparar una mquina
automtica de carga en una operacin de
empaque de alimentos de un proceso de
produccin, se encuentra bien ajustada por un
modelo normal, donde el 2,28% de las
reparaciones tiene un tiempo inferior a 112,00
minutos, mientras que un 5% de las veces este
tiempo es superior a 126,58 minutos.
X : Tiempo en reparacin de
las mquinas [en minutos]
X
N(
, 2)
02/05/2013
[X > 126,58] = 0,05

[X 112,00] = 0,0228
Familia Normal
minutos, ... . Determine el tiempo medio en la
reparacin de la mquina y su varianza.
X 112
P
= 0, 0228
X 126,58
P
= 0,95
126,58
02/05/2013
= 1, 645
112
= 2, 00
= 120 [min.]
= 4 [min.]
126,58
112
=
2
1, 645
Familia Normal
minutos, ... . Si el proceso se interrumpe por ms
de 125 minutos, todo el equipo debe ajustarse.
Cul es la probabilidad que se requiera iniciar
ms de 20 veces el proceso para encontrar recin
la tercera que el equipo deba ajustarse?.
Y: N de veces que se inicia el proceso hasta
encontrar la tercera en que el equipo deba ser
ajustado.
Y bN(3; p)
p = [ X > 125] = 1 [Z 1,25] = 0,1056
125 120
4
[Y > 20] = [S20 2] = 0,6769
02/05/2013
S20 b(20; 0,10)
Familia Normal
minutos, ... . Si el costo de reparacin de la
mquina es CR [US], y el costo adicional
cuando debe ajustarse el equipo es de $ 10.000
[US]. Calcule el costo total esperado de
reparacin de una mquina.
C(X): Costo total en reparacin
CR
C (X)
10.000 + CR
X 125
X > 125
[C(X)] = CR [ X 125] + (10.000 + CR) [ X > 125]

= 0,8944 CR + 0,1056 (10.000 + CR)
02/05/2013
= CR + 1.056
Familia Normal
minutos, ... . La Gerencia se compromete a un
tiempo medio en reparacin de la mquina de
115 [minutos], utilizando ms personal de
mantenimiento, lo que conlleva a que CR
aumente a CR. Cul es el monto esperado
mximo requerido para aceptar este aumento
de personal?.
X N(115; 42)
[C(X)] = CR [ X 125] + (10.000 + CR) [ X > 125]
= CR [Z 2,5] + (10.000 + CR)
02/05/2013
(1 [Z 2,5])
Familia Normal
minutos, ... . La Gerencia se compromete a un
tiempo medio en reparacin de la mquina de
115 [minutos],
[C(X)] = 0,9938 CR + 0,0062 (10.000 + CR)
= CR + 62
02/05/2013
CR + 62 < CR + 1.056
CR CR < 994
Aplicaciones en Confiabilidad
La confiabilidad de un
sistema, sea simple o compuesto, en el tiempo
t, Simbolizada por e(t), est definida como:
DEFINICIN 12:
e(t) = [T > t],

donde T es la duracin del sistema y e(t) se
denomina funcin de confiabilidad. Adems
se puede expresar en:
e(t) = 1 [T t] = 1 FT(t), derivando
e(t) = fT(t).
02/05/2013
DEFINICIN 13: La tasa de falla de un sistema,
sea simple o compuesto, en el tiempo t,
Simbolizada por r(t), est definida como la
proporcin de unidades que fallan en el intervalo
de tiempo (t, t + t). cuyo clculo matemtico
esta dado por:
f T (t ) e'(t )
r (t ) =
=
e(t )
e(t )
DEFINICIN 14: El tiempo Medio hasta la falla
(MTTF, Mean time to failure) o vida esperada de
un producto se define por la cantidad:
=
02/05/2013
Inf
tf (t ) dt =
Inf
e(t ) dt
Las tasas de falla de un componente simple,
en el tiempo t, Simbolizada por r(t), para las
distribuciones ms usuales en la bibliografa
de confiabilidad
r(x) 5,0
4,0
3,0
2,0
1,0
0,0
r(t)
3,0
2,5
2,0
1,5
1,0
0,5
0,0
t
02/05/2013
Caso
Exponencial
Caso Weibull
(
< 1)
DEFINICIN 15: Sistemas con Componentes en
Paralelo, Suponga que un sistema est compuesto
por n componentes, que funcionan de manera
independiente, entonces un configuracin en
paralelo es aquella que se representa por la
siguiente figura:
es(t)= [T > t]
= [C1 > t ... Cn > t]
=1 [(C1 > t ... Cn > t)c]
= 1 [C1 < t ... Cn < t]
= 1 (1 e(t))n
02/05/2013
DEFINICIN 16: Sistemas con Componentes en
Serie, Suponga que un sistema est compuesto
por n componentes, que funcionan de manera
independiente, entonces una configuracin en
serie es aquella que se representa por la siguiente
figura :
es(t)= [T > t] = [C1 > t ... Cn > t]

= [C1 > t] ... [ Cn > t]
= (e(t))n
02/05/2013
DEFINICIN 17: Sistemas Mixtos , Suponga que
un sistema est compuesto por n

componentes, que funcionan de manera
independiente, entonces una configuracin
mixta es aquella donde un conjunto de
componentes
estn
configurados
en
paralelos, mientras que otro conjunto se
encuentra en serie.
Este tipo de sistemas, deben ser reducidos a
subsistemas que entre ellos trabajen con
alguna de las dos configuraciones clsicas, es
decir, en paralelo o en serie.
02/05/2013
APLICACIN 18: Suponga que el tiempo de vida T
(en das) de un componente electrnico esta
modelado en forma independiente por la
siguiente funcin de densidad:
f T (t ) = 20 t
( + 1)
t > 20, > 0
Suponga que un sistema esta compuesto por

cuatro componentes del mismo tipo que
funcionan
independientemente,
con
una
configuracin mixta. Determine e interprete la
tasa de falla del segundo componente y realice
un bosquejo aproximado de ella.
02/05/2013
APLICACIN 18: Suponga que el tiempo de
FT (t ) =
20
f T (t ) dt =
20 t ( +1) dt
20
t ( +1) +1 t
20
= 1
= 20
( + 1) + 1 20
t
02/05/2013
f T (t ) 20 t ( +1)
=
r (t ) =
=
t
e(t )
20 t
APLICACIN 18: Suponga que el tiempo de
Determine la funcin de confiabilidad del sistema y
determine la probabilidad de que el sistema dure
ms de 80 das si = 0,8.
[C1 > t ((C3 > t C4 > t) C2 > t)]
[C1 > t] (1 [(C3 < t C4 < t) C2 < t])
[C1 > t] (1 ([C3 < t C4 < t] [C2 < t]))
[C1 > t] (1 (1 [C3 > t C4 > t])
(1 [C2 > t])))
= [C1 > t] (1 (1 [C3 > t] [C4 > t])
(1 [C2 > t])))
= e(t) (1 (1 e2(t)) (1 e(t)))
es(t) =
=
=
=
02/05/2013
e(80) =
20

80
0,8
20 1,6 20 0,8
1 1 1
80 80

= 0,1329
APLICACIN 19: Suponga que el tiempo de vida T (en
decenas de aos) de un componente electrnico esta

modelado en forma independiente por la siguiente
funcin de densidad:
{ }
f T (t ) = 8 t exp 4t 2 ,
t >0
Suponga que un sistema esta compuesto por cuatro

componentes del mismo tipo que funcionan en forma
independientes, con la siguiente configuracin:
02/05/2013
decenas Determine la confiabilidad de sistema y
evalela a los tres aos.
T : Tiempo de vida de un componente.
e(t) = exp{4 t 2}
T ~ W(2, 2)
es(t) = [C1 > t C2 > t (C3 > t C4 > t)]

= [C1 > t] [C2 > t]) (1 (1 [C3 > t])
(1 [C4 > t]))
= e2(t) (1 (1 e(t))2)
= exp{8 t2} (1 (1 exp{4 t2})2)
= 2 exp{12 t2} exp{16 t2} es(3/10) = 0,4423
02/05/2013
decenas Cul es la probabilidad que el tiempo de
vida del sistema se encuentre entre los dos y cuatro
aos?.
Ts : Tiempo de vida del sistema.
[2/10 < Ts < 4/10]= [Ts < 4/10] [Ts < 2/10]
= 1 es(4/10) (1 es(2/10))
= 0,7103 0,2159 = 0,4944
Realice un bosquejo aproximado de la tasa de falla
del sistema
02/05/2013

20131MAT042S2 - Clase Segunda Parte

Hochgeladen von

Dokumentinformationen

Originaltitel

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

20131MAT042S2 - Clase Segunda Parte

Hochgeladen von

Copyright:

Verfügbare Formate

PROBABILIDAD

Si: xito x = 1, y fracaso x = 0:

Donde: [X] = p; [X] = p(1 p) = pq,

realizar visitar publicitarias a clientes potenciales

artculos, de los cuales 10 tienen una marca

[X] = 20 0,4162 = 8,324

Rechaza el lote si encuentra ms de 2 artculos

X H (Ni; N1i; ni)

= 0,0039 + 0,1663 0,0651 = 0,0147

Su nombre se debe a que la verificacin de la

P[X > n] = P[Y = 0] = (1 p )

P[X = 15] = (1 0, 2)14 0,2 = 0,0088

P[10 < X < 17] = P[X 16] P[X 10]

= (1 0, 2)10 (1 0, 2)16 = 0,0792

P[X 1 = y ] = P[X = y + 1]=(1 p )

Distribucin Binomial Negativa

Distribucin Binomial Negativa

Distribucin Binomial Negativa

Distribucin Binomial Negativa

Relacin Familia Binomial

P[X > n] = P[Y k 1]

FX (n) = P[X n] = 1 P[Y k 1]

Distribucin Binomial Negativa

Distribucin Binomial Negativa

P[10 < X < 17] = P[X 16] P[X 10]

Distribucin Binomial Negativa

Distribucin Binomial Negativa

Distribucin Binomial Negativa

Distribucin Binomial Negativa

P[X > 20] = P[Y20 7] = 0, 6010

Sea N(t): Nmero de eventos que ocurren por

Posee un amplio uso en control estadsticos

Cul es la probabilidad de que en media lmina

P[N(t ) = n / N(s ) = r ] = P[N(t s ) = n r ]

N(0,5) c(5 0,5 = 2,5)

[N(30) > 10] = 1 [N(30) 10]

(Probar iterativamente Ver Tabla)

f T (t )dt = 1 exp{- x/}

cierto componente electrnico, en horas, es

T: Tiempo de vida del chancador hasta la

Naturalmente, el desarrollo de la integral es ms

dependiendo de dos parmetros: , denominado

[V(T)] = 250 [T > 1] 250 [T 1] = 220 [dlares]

Efecto Neto 3.000

t = 0,25-1 (ln((1 0,1 )-1))1/2

de dos parmetros: , denominado parmetro de

donde: [X] = ; [X] = 2.

Z N(0, 1), cuyas probabilidades estn tabuladas o

[X < 0,1485] = [Z -3,32] = 0,0005

[X < 304,55] = 0,05

[X > 126,58] = 0,05

S20 b(20; 0,10)

[C(X)] = CR [ X 125] + (10.000 + CR) [ X > 125]

e(t) = [T > t],

es(t)= [T > t] = [C1 > t ... Cn > t]

un sistema est compuesto por n

t > 20, > 0

Suponga que un sistema esta compuesto por

decenas de aos) de un componente electrnico esta

Suponga que un sistema esta compuesto por cuatro

es(t) = [C1 > t C2 > t (C3 > t C4 > t)]

Das könnte Ihnen auch gefallen