2012 Guía Unid II Estad I

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.
0


1
MODELOS DE DISTRIBUCIN DE PROBABILIDADES

Los modelos de distribucin de probabilidades son funciones matemticas
especiales (de variables aleatorias) que sirven para modelar determinados
fenmenos aleatorios (fenmenos no Deterministicos) o fenmenos que
dependen de condiciones aleatorias o del azar.

MODELO UNIFORME

Si la variable aleatoria X toma los valores x1, x2, x3, , xn con igual
probabilidad, entonces la distribucin de probabilidades de X se modela a
travs de la funcin de distribucin de probabilidades definida por:

n
1
, si x = x1, x2, x3, , xn
p(x) = P(X = x) = p(x ; n) =
0 , si x toma otro valor

n: es el nmero de elementos de

X: Cuenta el # de elementos de espacio muestral

La media de este modelo es:
n
x
n
i
i
=
=
1
y la varianza es:
n
x
n
i
i
=

=
1
2
2
) (
o

Ejemplo 1: Supngase que se analiza el fenmeno del lanzamiento de un dado.
Modele este fenmeno, luego calcule y o
2
. Grafique tambin p(x) y F(x).

Desarrollo

Se sabe que el espacio muestral de este experimento es = {1, 2, 3, 4, 5, 6},
n = 6. y que cada elemento tiene la misma probabilidad, es decir,
6
1 1
=
n
. Por lo
tanto, la funcin de distribucin de probabilidades de X est definida por:

2
92 . 2
6
) 5 . 3 6 ( ) 5 . 3 5 ( ) 5 . 3 4 ( ) 5 . 3 3 ( ) 5 . 3 2 ( ) 5 . 3 1 (
6
) 5 . 3 (
2 2 2 2 2 2
6
1
2
2
=
+ + + + +
=
= i
i
x
o
5 . 3
6
6 5 4 3 2 1
6
6
1
=
+ + + + +
= =
= i
i
x

6
1
, si x = 1, 2, 3, 4, 5, 6
p(x) = P(X = x) = p(x ; 6) =

Esto es: P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4) = P(X = 5) = P(X = 6) =
6
1

Adems:

La grfica de p(x) es:

La grfica de F(x) = P(X s x) es:


3

MODELO DE BERNOULLI

Se dir que un fenmeno aleatorio se comporta de manera que puede
modelarse a travs del modelo de Bernoulli si en una ocurrencia, ste puede
generar solo dos resultados. La funcin de distribucin de probabilidades de este
modelo es:

p
x
(1 p)
1 x
, si x = 0 , 1
p(x) = P(X = x) p(x ; p) =

X: Cuenta el # de xitos en la nica ejecucin

p = La probabilidad de xito = P(xito)

1 p = La probabilidad de fracaso = P(Fracaso)

Nota: El xito de la ejecucin de acuerdo o en concordancia a la probabilidad pedida.

Luego, a travs del modelo, se puede calcular las probabilidades de fracaso
p(0;p) y xito p(1;p). En efecto:
P(Fracaso) = P(X = 0) = p(0 ; p) = p
0
(1 p)
1 0

P(xito) = P(X = 1) = p(1 ; p) = p
1
(1 p)
1 1

Grficamente se tiene (haciendo q = 1 p):

Fenmeno

Aleatorio
Ocurrencia de un evento: xito
No Ocurrencia de un evento: Fracaso

4

La media de este modelo es: = p

La varianza de este modelo es: o
2
= p(1 p) = pq

Ejemplo 2: Supngase que se analiza el fenmeno del lanzamiento de una
moneda. Modele este fenmeno aleatorio, si el xito es obtener cara. Calcule la
media y la varianza o
2
.

Desarrollo

Se tiene que p = P(xito) = P(Salga cara) =
2
1
p =
2
1
. De ah, que el
modelo queda de la forma:

X: Cuenta el # de caras en la nica ejecucin

Luego:

P(Sale sello) = P(X = 0) =
2
1
2
1
1
2
1
2
1
; 0
0 1 0
=
|
.
|
\
|

|
.
|
\
|
=
|
.
|
\
|

p

P(Sale cara) = P(X = 1) =
2
1
2
1
1
2
1
2
1
; 1
1 1 1
=
|
.
|
\
|

|
.
|
\
|
=
|
.
|
\
|

p

Lanzamiento
de una
moneda
Sale cara: xito
No sale cara: Fracaso

5

Grficamente se tiene:

Ejemplo 3: Supngase que se analiza el fenmeno del lanzamiento de un dado.
Modele este fenmeno aleatorio, si el xito es obtener cinco. Calcule la media y
la varianza o
2
.

Desarrollo

Se tiene que p = P(xito) = P(Salga Cinco) =
6
1
p =
6
1
. De ah, que el

Lanzamiento
de un Dado
Sale cinco: xito
No sale cinco: Fracaso

6
X: Cuenta el # de cincos en la nica ejecucin.

Luego:
P(No Sale Cinco) = P(X = 0) =
6
5
6
1
1
6
1
6
1
; 0
0 1 0
= |
.
|
\
|
|
.
|
\
|
= |
.
|
\
|

p

P(Sale Cinco) = P(X = 1) =
6
1
6
1
1
6
1
6
1
; 1
1 1 1
= |
.
|
\
|
|
.
|
\
|
= |
.
|
\
|

p

MODELO DE BINOMIAL

expresarse a travs del modelo Binomial si cumple en sentido general con lo
siguiente:

1.) Es un fenmeno de tipo Bernoulli, es decir, el fenmeno aleatorio tiene slo
dos resultados posibles (xito o fracaso).
2.) El fenmeno puede ocurrir (o se puede realizar) n veces y todas las
ocurrencias son independientes.
3.) La probabilidad de xito en cada una de las ocurrencias de fenmeno es la
misma, es decir, p.
La funcin de distribucin de probabilidades de este modelo es:

X: Cuenta el # ejecuciones favorables o xitos de las n ejecuciones

7

Nota: Se debe plantear el xito de acuerdo o en concordancia a la probabilidad pedida.

Grficamente, si n es par, aproximadamente se tiene (recurdese que q = 1 p):

La media de este modelo es: = np

2
= npq

Ejemplo 4: Se lanza una moneda cinco veces. Modele este fenmeno aleatorio
para luego calcular la probabilidad de obtener tres veces cara.

Desarrollo

Fenmeno

Aleatorio
No Ocurrencia de un evento: Fracaso
n es el nmero de veces que ocurre el fenmeno
o se realiza el experimento.

Lanzamiento
de una Moneda
Sale Cara: xito
No Sale Cara: Fracaso
n es el nmero de veces que se lanza la moneda,
es decir, n = 5.

8
Se tiene que p = P(xito) = P(Salga Cara) =
2
1
p =
2
1
. De ah, que el

X: Cuenta el nmero de caras (xitos) en los 5 lanzamientos de la moneda o
ejecuciones del experimento.

Luego: P(X = 3) =
16
5
2
1
1
2
1
2
1
, 5 ; 3
3 5 3
5
3
=
|
.
|
\
|

|
.
|
\
|
|
|
.
|
\
|
=
|
.
|
\
|

p

Ejemplo 5: Se lanza un dado doce veces. Modele este fenmeno aleatorio para
luego calcular la probabilidad de obtener cuatro veces cinco. Adems calcule la
media .
Desarrollo

Se tiene que p = P(xito) = P(Salga Cinco) =
6
1
p =
6
1
. De ah, que el

Lanzamiento
de un Dado
Sale Cinco: xito
No Sale Cinco: Fracaso
n es el nmero de veces que se lanza el dado, es
decir, n = 12.

9
X: Cuenta el nmero de cincos (xitos) en los 12 lanzamientos del dado o
ejecuciones del experimento.

Luego: P(X = 4) =
0883 . 0
6
1
1
6
1
6
1
, 12 ; 4
4 12 4 12
4
=
|
.
|
\
|

|
.
|
\
|
|
|
.
|
\
|
=
|
.
|
\
|

p

Por otro lado, al calcular la media se tiene:
2
6
1
) 12 ( =
|
.
|
\
|
=
, es decir, si se
lanza el dado 12 veces, muchas veces, en promedio saldr dos (2) veces el cinco.

Ejemplo 6: Se sabe que el 15% de los artculos escolares producidos por una
compaa tienen algn defecto. Modele esta situacin y calcule la probabilidad de
que al tomar 20 de estos artculos, se tenga que:

a) Cinco sean defectuosos
b) No ms de tres sean defectuosos
c) Por lo menos cuatro sean defectuosas

Desarrollo

Se tiene que p = P(xito) = P(Sea Defectuoso) = 0.15 p = 0.15. De ah, que
el modelo queda de la forma:

X: Cuenta el nmero de artculos defectuosos de los 20 artculos tomados.
Luego:

Artculo
Producido
por la
Compaa
Defectuoso: xito
No Defectuoso: Fracaso
n es el nmero de artculos que se toman, es
decir, n = 20.

10
a) P(X = 5) =
( ) ( ) ( )
5 20 5
20
5
15 . 0 1 15 . 0 15 . 0 , 20 ; 5

|
|
.
|
\
|
= p
= 0.1029

b) P(X 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =

=
( ) ( ) ( ) ( ) 15 . 0 , 20 ; 3 15 . 0 , 20 ; 2 15 . 0 , 20 ; 1 15 . 0 , 20 ; 0 p p p p + + +
=

=
( ) ( )
0 20 0
20
0
15 . 0 1 15 . 0

|
|
.
|
\
|
+
( ) ( )
1 20 1
20
1
15 . 0 1 15 . 0

|
|
.
|
\
|
+
( ) ( )
2 20 2
20
2
15 . 0 1 15 . 0

|
|
.
|
\
|
+

+
( ) ( )
3 20 3
20
3
15 . 0 1 15 . 0

|
|
.
|
\
|
= 0.0388 + 0.1368 + 0.2293 + 0.2428 = 0.6477

c) P(X 4) = P(X = 4) + P(X = 5) + P(X = 6) + ... + P(X = 20) = 1 P(X < 4)

= 1 P(X 3) = 1 [P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)] =

= 1 [0.0338 + 0.1368 + 0.2293 + 0.2428 ] = 1 0.6477 = 0.3523

Ejemplo 7: En una cierta rea de alta peligrosidad en la ciudad, se sabe que el
80% de los asaltos a mano armada, son por la necesidad de obtener dinero para
comprar drogas y alcohol. Encuentre la probabilidad de que en los prximos siete
asaltos a mano armada reportados en esta rea:

a) Exactamente tres se debieron para obtener dinero para drogas y alcohol.
b) Cuando mucho dos se debieron para obtener dinero para drogas y alcohol.
c) Al menos cinco se debieron para obtener dinero para drogas y alcohol.

Desarrollo

Se tiene que p = P(xito) = P(Dinero para Drogas y Alcohol) = 0.80 p = 0.80.
De ah, que el modelo queda de la forma:
Asalto a
Mano
Armada en
esa Cierta
rea de la
Ciudad
Dinero para Drogas y Alcohol: xito
Dinero para Otra Causa: Fracaso
n es el nmero de asaltos a mano armada
considerados, es decir, n = 7.

11

X: Cuenta el nmero de asaltos a mano armada de los siete 7, para obtener
dinero para drogas y alcohol.

Luego:
a) P(X = 3) =
( ) ( ) ( )
3 7 3
7
3
80 . 0 1 80 . 0 80 . 0 , 7 ; 3

|
|
.
|
\
|
= p
= 0.0287
b) P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) =
( ) 80 . 0 , 7 ; 0 p
+
+
( ) 80 . 0 , 7 ; 1 p
+
( ) 80 . 0 , 7 ; 2 p
=
( ) ( )
0 7 0
7
0
80 . 0 1 80 . 0

|
|
.
|
\
|
+

+
( ) ( )
1 7 1
7
1
80 . 0 1 80 . 0

|
|
.
|
\
|
+
( ) ( )
2 7 2
7
2
80 . 0 1 80 . 0

|
|
.
|
\
|
= 0.0000 + 0.0004 +

+ 0.0043 = 0.0047

c) P(X 5) = P(X = 5) + P(X = 6) + P(X = 7) =
( ) 80 . 0 , 7 ; 5 p
+
+
( ) 80 . 0 , 7 ; 6 p
+
( ) 80 . 0 , 7 ; 7 p
=
( ) ( )
5 7 5
7
5
80 . 0 1 80 . 0

|
|
.
|
\
|
+
( ) ( )
6 7 6
7
6
80 . 0 1 80 . 0

|
|
.
|
\
|
+
( ) ( )
7 7 7
7
7
80 . 0 1 80 . 0

|
|
.
|
\
|
= 0.8520

MODELO DE POISSON

modelarse a travs del modelo de Poisson si lo que se quiere es contar el nmero
de ocurrencias que se da de manera aleatoria en el tiempo o lugar del espacio.
Como ilustracin se puede citar lo siguiente:
- El nmero de clientes que llega a la taquilla de un banco un da de pago.

12
- El nmero de accidentes que ocurren en un cruce de vas en una semana.
- El nmero de insectos de una cierta especie encontrados por m
2

examinado.
- El nmero de llamadas que llegan a una central telefnica en una hora.

En los fenmenos anteriormente mencionados, slo es posible hablar de un
promedio de ocurrencias por unidad de tiempo () o promedio de ocurrencias en
un lugar del espacio ().

La funcin de distribucin de probabilidades de este modelo es:

X: Cuenta el # de ocurrencias por unidad de tiempo o lugar del espacio.

La media de este modelo es: =

2
=

Ejemplo 8: Se sabe que el nmero promedio de accidentes en una semana en
un cruce de vas es de 3. Modele este fenmeno y responda lo siguiente:

a) Cul es la probabilidad de que la prxima semana haya dos accidentes
en este cruce de vas?
b) Cul es la probabilidad de que en un mes no haya ms de siete
accidentes en este cruce de vas?
c) Cul es la probabilidad de que en un da haya al menos un accidente en
este cruce de vas?
Desarrollo

Se tiene que: = 3 Accidentes/Semana

a) X: Cuenta el nmero de accidentes que ocurren por semana
De ah que:
!
3
) 3 ; ( ) (
3
x
e
x p x X P
x
= = =
, x = 0, 1, 2, 3, Luego,
se tiene que:
! 2
3
) 3 ; 2 ( ) 2 (
2 3
= = =
e
p X P
= 0.2240
b) X: Cuenta el nmero de accidentes que ocurren por mes

13

El parmetro debe estar en las mismas unidades que la variable aleatoria
X que e define de acuerdo a la pregunta. De manera que:

3 accidentes 7 das (una semana)
x accidentes 28 das (cuatro semanas = un mes)

Luego x = 12 = 12 Accidentes/Mes

De ah que:
!
12
) 12 ; ( ) (
12
x
e
x p x X P
x
= = =
, x = 0, 1, 2, 3,

Luego, se tiene que:

= = + + = + = + = = s ) 7 ( ... ) 2 ( ) 1 ( ) 0 ( ) 7 ( X P X P X P X P X P

= + + + + = ) 12 ; 7 ( ... ) 12 ; 2 ( ) 12 ; 1 ( ) 12 ; 0 ( p p p p

= + + + + =

! 7
12
...
! 2
12
! 1
12
! 0
12
7 12 2 12 1 12 0 12
e e e e

0437 . 0 0255 . 0 012 . 0 0053 . 0 0018 . 0 0004 . 0 0001 . 0 0000 . 0 + + + + + + + = = 0.0895

c) X: Cuenta el nmero de accidentes que ocurren por da

El parmetro debe estar en las mismas unidades que la variable aleatoria
X que se define de acuerdo a la pregunta. De manera que:

3 accidentes 7 das (una semana)
x accidentes 1 da

Luego x = 0.43 = 0.43 Accidentes/Da

De ah que:
!
) 43 . 0 (
) 43 . 0 ; ( ) (
43 . 0
x
e
x p x X P
x
= = =
, x = 0, 1, 2, 3,
Luego, se tiene que:

= = = = < = > ) 43 . 0 , 0 ( 1 ) 0 ( 1 ) 1 ( 1 ) 1 ( p X P X P X P


14
6505 . 0 1
! 0
) 43 . 0 (
1
0 43 . 0
= =

e
= 0.3495

Ejemplo 9: El nmero promedio de clientes que entran a la sucursal de un
banco por hora es 120. Modele este fenmeno y responda lo siguiente:

a) Cul es la probabilidad de que lleguen tres clientes en un minuto?
b) Cul es la probabilidad de que en un minuto lleguen por lo menos dos
clientes?
c) Cul es la probabilidad de que lleguen a lo sumo tres clientes por
minuto?

Desarrollo

Se tiene que: = 120 Clientes/Hora. El parmetro debe estar en las
mismas unidades que la variable aleatoria X que se define de acuerdo a la
pregunta. De manera que:

120 clientes 60 minutos (una hora)
x clientes 1 minuto

Luego x = 2 = 2 Clientes/Minuto

X: Cuenta el nmero de clientes que entran a la sucursal del banco por minuto

De ah que:
!
2
) 2 ; ( ) (
2
x
e
x p x X P
x
= = =
, x = 0, 1, 2, 3,

a)
! 3
2
) 2 ; 3 ( ) 3 (
3 2
= = =
e
p X P
= 0.1805

b)
| | = = + = = s = < = > ) 1 ( ) 0 ( 1 ) 1 ( 1 ) 2 ( 1 ) 2 ( X P X P X P X P X P

| | =
(
|
|
.
|
\
|
+
|
|
.
|
\
|
= + =

! 1
) 2 (
! 0
) 2 (
1 ) 2 ; 1 ( ) 2 ; 0 ( 1
1 2 0 2
e e
p p

| | 4060 . 0 1 2707 . 0 1353 . 0 1 = + =
= 0.5940


15
c)
= = + = + = + = = s ) 3 ( ) 2 ( ) 1 ( ) 0 ( ) 3 ( X P X P X P X P X P

1805 . 0 2707 . 0 2707 . 0 1353 . 0 ) 2 ; 3 ( ) 2 ; 2 ( ) 2 ; 1 ( ) 2 ; 0 ( + + + = + + + = p p p p = 0.8572

Ejemplo 10: Se ha determinado que en una finca hay distribuidas en promedio
500 vacas pastando en un rea de un kilmetro cuadrado. Halle la probabilidad
de que en un rea de 10.000 m
2
:

a) No se encuentre ninguna vaca pastando.
b) Se encuentren a lo sumo cinco vacas pastando.
c) Se encuentren al menos cuatro vacas pastando.

Desarrollo

Se tiene que: = 500 Vacas Pastando/1 Km
2
. El parmetro debe estar
en las mismas unidades que la variable aleatoria X que de define de acuerdo a
la pregunta. De manera que:

500 vacas pastando 1.000.000 m
2
(1 Km
2
)
x vacas pastando 10.000 m
2

Luego: x = 5 = 5 Vacas Pastando/rea de 10.000m
2

X: Cuenta el nmero de vacas pastando por cada rea de 10.000 m
2

De ah que:
!
5
) 5 ; ( ) (
5
x
e
x p x X P
x
= = =
, x = 0, 1, 2, 3,

a)
! 0
5
) 5 ; 0 ( ) 0 (
0 5
= = =
e
p X P
= 0.0067

b)
= = + = + = + = + = + = = s ) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 ( ) 0 ( ) 5 ( X P X P X P X P X P X P X P

= + + + + + = ) 5 ; 5 ( ) 5 ; 4 ( ) 5 ; 3 ( ) 5 ; 2 ( ) 5 ; 1 ( ) 5 ; 0 ( p p p p p p

1755 . 0 1755 . 0 1404 . 0 0842 . 0 0337 . 0 0067 . 0 + + + + + = = 0.6160

c) | | = = + = + = + = = s = < = > ) 3 ( ) 2 ( ) 1 ( ) 0 ( 1 ) 3 ( 1 ) 4 ( 1 ) 4 ( X P X P X P X P X P X P X P

| |= + + + = ) 5 ; 3 ( ) 5 ; 2 ( ) 5 ; 1 ( ) 5 ; 0 ( 1 p p p p

2650 . 0 1 ) 1404 . 0 0842 . 0 0337 . 0 0067 . 0 ( 1 = + + + = = 0.7350

16
APROXIMACIN DEL MODELO BINOMIAL AL MODELO DE POISSON

Supngase que se tiene una distribucin binomial con una n muy
grande (n +) y una p muy pequea (p 0). Entonces esta distribucin
se puede aproximar a la distribucin de Poisson haciendo np = . Es decir:

!
) (
) 1 (
x
np e
p p
x np
x n x
n
x
~
|
.
|
\
|

Ejemplo 11: Se tiene la informacin de que la proporcin de inquilinos que
acude mensualmente a la junta de condominio a quejarse por algn problema es
de 0.03. Calcule la probabilidad de que en una muestra aleatoria de 200
inquilinos, como minino tres de ellos venga a reclamar.

Desarrollo

Se tiene que p = P(xito) = P(Acuda a Quejarse) = 0.03 p = 0.03. De ah,
que el modelo queda de la forma:

X: Cuenta el nmero de inquilinos de los 200, que acude a quejarse
mensualmente.

Luego, la aproximacin del Modelo Binomial al Modelo de Poisson queda:

!
6
!
)) 03 . 0 )( 200 ((
) 03 . 0 1 ( ) 03 . 0 (
6 ) 03 . 0 )( 200 (
200
200
x
e
x
e
x x
x x
x

= ~
|
.
|
\
|

!
6
) 6 ; ( ) (
6
x
e
x p x X P
x
= = =

; donde:

X: Cuenta el nmero de inquilinos que acude a quejarse mensualmente.

Inquilino del
Condominio
Acude a quejarse: xito
No acude a quejarse: Fracaso
n es el nmero de inquilinos considerados, es
decir, n = 200.

17
De ah que: | | = = + = + = = s = < = > ) 2 ( ) 1 ( ) 0 ( 1 ) 2 ( 1 ) 3 ( 1 ) 3 ( X P X P X P X P X P X P

| |= + + = ) 6 ; 2 ( ) 6 ; 1 ( ) 6 ; 0 ( 1 p p p
=
(
+ +

! 2
6
! 1
6
! 0
6
1
2 6 1 6 0 6
e e e

062 . 0 1 ) 0446 . 0 0149 . 0 0025 . 0 ( 1 = + + = = 0.9380

MODELO HIPERGEOMTRICO

Sea N el nmero total de elementos de una poblacin finita binomial, de
manera que k de stos es de un tipo y N k es de otro. Si se toma una
muestra aleatoria de tamao n la probabilidad de que x sea de un tipo y n
x sea de otro, esta dado por la funcin de distribucin de probabilidades:

X: Cuenta el # de xitos de la muestra de tamao n.

18
N
nk

2
=
) 1 (
) )( (
2

N N
n N k N nk

Ejemplo 12: En un curso hay 22 mujeres y 16 hombres. Si se toma una
muestra aleatoria de 10 estudiantes del curso. Cul es la probabilidad de que
este grupo tenga 6 mujeres?

Desarrollo

Se tiene que: N = 22 + 16 = 38 N = 38, n = 10 y k = 22

Luego el modelo queda:

X: Cuenta el nmero de mujeres de la muestra de tamao 10.

De ah que:

472733756
) 1820 )( 74613 (
) 22 , 10 , 38 ; 6 ( ) 6 (
38
10
16
4
22
6
38
10
22 38
6 10
22
6
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= = =
p X P
= 0.2873

Ejemplo 13: Se tiene un lote de 20 carros en donde 2 son defectuosos. Cul
es la probabilidad de que al tomar una muestra aleatoria de 5 carros, se tengan 0
carros defectuosos?
Desarrollo

Se tiene que: N = 20, n = 5 y k = 2


19

X: Cuenta el nmero de carros defectuosos de la muestra de 5.

De ah que:
15504
) 8568 )( 1 (
) 2 , 5 , 20 ; 0 ( ) 0 (
20
5
18
5
2
0
20
5
2 20
0 5
2
0
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= = =
p X P
= 0.5526

Ejemplo 14: Se tiene un lote de 10 proyectiles de los cuales 3 no explotan por
que estn defectuosos. Si se toma una muestra aleatoria de 4 proyectiles y se
disparan. Cul es la probabilidad de que:

a) los cuatro exploten?
b) al menos dos no exploten?
c) tres no exploten?

Desarrollo

a) Se tiene que: N = 10, n = 4 y k = 7



20
X: Cuenta el nmero de proyectiles buenos que explotan de la muestra de 4.

De ah que:

210
) 1 )( 35 (
) 7 , 4 , 10 ; 4 ( ) 4 (
10
4
3
0
7
4
10
4
7 10
4 4
7
4
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= = =
p X P
= 0.1666

b) Se tiene que: N = 10 , n = 4 y k = 3


X: Cuenta el nmero de proyectiles defectuosos que no explotan de la
muestra de 4.

De ah que:
| | = = + = = s = < = > ) 1 ( ) 0 ( 1 ) 1 ( 1 ) 2 ( 1 ) 2 ( X P X P X P X P X P

| |= + = ) 3 , 4 , 10 ; 1 ( ) 3 , 4 , 10 ; 0 ( 1 p p
=
(
(
(
(
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
+
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
10
4
3 10
1 4
3
1
10
4
3 10
0 4
3
0
1

6666 . 0 1
210
) 35 )( 3 (
210
) 35 )( 1 (
1 1
10
4
7
3
3
1
10
4
7
4
3
0
=
(
+ =
(
(
(
(
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
+
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= 0.3333

c) En esta pregunta se usa el mismo modelo que el usado en b)

De ah que:

21

210
) 7 )( 1 (
) 3 , 4 , 10 ; 3 ( ) 3 (
10
4
7
1
3
3
10
4
3 10
3 4
3
3
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= = =
p X P
= 0.0333

APROXIMACIN DEL MODELO HIPERGEOMTRICO AL MODELO BINOMIAL

Esta aproximacin es vlida si en el modelo hipergeomtrico n es pequeo
comparado con N. Se hace p
N
k
= ; de ah que:

x n x
n
x
N
n
k N
x n
k
x
N
k
N
k

|
.
|
\
|

|
.
|
\
|
|
.
|
\
|
~
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
1

Ejemplo 15: Un fabricante de microchips reporta que en un cargamento de
5000 que se manda a un distribuidor, 1000 son de un tipo ms avanzado. Si se
toma una muestra aleatoria de 10 microchips; Cul es la probabilidad de que
exactamente 3 sean del tipo ms avanzado?

Desarrollo

Se tiene que: N = 5000, n = 10 y k = 1000


X: Cuenta el nmero de microchips del tipo ms avanzado en la muestra de 10.

Luego, dado que n = 10 es pequeo comparado con N = 5000,
se puede aproximar el modelo Hipergeomtrico al modelo Binomial. Se
hace: p
N
k
= =
5000
1000
. Luego:
Hipergeomtrico
Binomial

22
=
|
.
|
\
|

|
.
|
\
|
|
.
|
\
|
~
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= = =

x x
x
x x
x p x X P
10
10
5000
10
1000 5000
10
1000
5000
1000
1
5000
1000
) 1000 , 10 , 5000 ; ( ) (

( ) ( ) ( ) 2 . 0 , 10 ; 2 . 0 1 2 . 0
10
10
x p
x x
x
=
|
.
|
\
|
=

. De ah, se tiene que:

( ) ( )
x x
x
x p x X P

|
.
|
\
|
= = =
10
10
2 . 0 1 2 . 0 ) 2 . 0 , 10 ; ( ) (

X: Cuenta el nmero de microchips del tipo ms avanzado en la muestra de 10.

Luego:
( ) ( )
3 10 3
10
3
2 . 0 1 2 . 0 ) 2 . 0 , 10 ; 3 ( ) 3 (

|
.
|
\
|
= = = p X P
= 0.2013

MODELO MULTINOMIAL

Considrese la sucesin de variables aleatorias X1, X2, X3, , Xk; que
representan el nmero de ocurrencias de R1, R2, R3, , Rk resultados con
probabilidades p1, p2, p3, , pk, en n pruebas independientes respectivamente.
La funcin de distribucin de probabilidades de esta sucesin de variables
aleatorias est dada por:

Ejemplo 16: Si se lanza 6 veces un par de dados, Cul es la probabilidad de
que las caras superiores sumen 7 o 11 dos veces, las caras superiores sean
iguales una vez y cualquier otra combinacin tres veces?

Desarrollo

Se tiene que: n = 6; Adems:

R1: Las caras superiores suman 7 o 11 p1 =
9
2
36
2
36
6
= + ; x1 = 2 (2 veces)


23
R2: Las caras superiores sean iguales p2 =
6
1
36
6
= ; x2 = 1 (1 vez)

R3: Las caras superiores no sean iguales
ni sumen 7 o 11 p3 =
18
11
6
1
9
2
1 =
(
+ ; x3 = 3 (3 veces)

Luego para x1, x2 y x3 el modelo queda:

X1: Cuenta el nmero de ocurrencias del primer resultado (R1) con probabilidad uno (p1).

X2: Cuenta el nmero de ocurrencias del segundo resultado (R2) con probabilidad dos (p2).

X3: Cuenta el nmero de ocurrencias del tercer resultado (R3) con probabilidad tres (p3).

MODELO BINOMIAL NEGATIVO

Considrese un fenmeno aleatorio (experimento aleatorio) que se comporta
de manera que puede modelarse de forma binomial. Sea X la variable aleatoria
que cuenta el nmero de realizaciones independientes necesarias del experimento
hasta que ocurra un nmero fijo de xitos (k simo xito) con probabilidad p.
La funcin de distribucin de probabilidades de esta sucesin de variables
aleatorias est dada por:

X: Cuenta el # de realizaciones para obtener un nmero fijo (k) de xitos.


24

Ejemplo 17: Supngase que se lanza una moneda. Cul es la probabilidad de
obtener 3 veces cara en 5 lanzamientos?

Desarrollo

Se tiene que p = P(xito) = P(Sale Cara) =
2
1
p =
2
1
. De ah, que el modelo
queda de la forma:

X: Cuenta el nmero de lanzamientos de la moneda (# de realizaciones), hasta
obtener el ksimo xito.

De ah que:
2 3
4
2
3 5 3
1 5
1 3 2
1
2
1
2
1
1
2
1
2
1
, 3 ; 5 ) 5 (
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|

|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
= =

p X P
= 0.1875

Fenmeno
Aleatorio
No ocurrencia de un evento: Fracaso

k es el nmero fijo de xitos en las n realizaciones
o ejecuciones del experimento o fenmeno aleatorio

Lanzamiento
de la
Moneda
Sale cara: xito
No sale cara: Fracaso
k es el nmero fijo de veces que sale cara en los
cinco lanzamientos de la moneda; k = 3.

25
Ejemplo 18: Se lanzan dos dados. Cul es la probabilidad de que la suma de
las caras superiores haya dado siete 7 cinco veces en el octavo lanzamiento?

Desarrollo

Se tiene que p = P(xito) = P(La Suma de las Caras Superiores da Siete) =
6
1
36
6
=
p =
6
1
. De ah, que el modelo queda de la forma:

X: Cuenta el nmero de lanzamientos de los dos dados (# de realizaciones), hasta
obtener el ksimo xito.

De ah que:
3 5
7
4
5 8 5
1 8
1 5 6
5
6
1
6
1
1
6
1
6
1
, 5 ; 8 ) 8 (
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|

|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
= =

p X P
= 0.0026

MODELO GEOMTRICO

Considrese un fenmeno aleatorio (experimento aleatorio) que se comporta
de manera que puede modelarse de forma binomial. Sea X la variable aleatoria
que cuenta el nmero de realizaciones necesarias del experimento hasta que
ocurre el primer xito con probabilidad p. La funcin de distribucin de
probabilidades de esta sucesin de variables aleatorias est dada por:

Lanzamiento
de los Dados
La suma de las caras superiores da siete: xito
La suma de las caras superiores no da siete: Fracaso
k es el nmero fijo de veces en la suma da siete
en los ocho lanzamientos de los dados; k = 5.

26

X: Cuenta el # de realizaciones para obtener el primer xito k = 1.

p
1

2
=
2
1
p
p

Ejemplo 19: Se sabe que 5 de cada 100 carros que circulan en una ciudad
presentan fallas que ocasionan contaminacin del are. Si se seleccionan carros
aleatoriamente uno tras otro: Cul es la probabilidad de que el dcimo carro
revisado sea el que presente este tipo de falla? y Cul es el promedio de carros
que presente este tipo de falla?
Desarrollo

Se tiene que p = P(xito) = P(Presente fallas que ocasionan contaminacin
del are) =
100
5
= 0.05 p = 0.05. De ah, que el modelo queda de la forma:

Fenmeno
Aleatorio

k = 1 es el primer xito en las n realizaciones o
ejecuciones del experimento o fenmeno aleatorio

Carro
Revisado

Presenta fallas que ocasionan contaminacin del are: xito
No presenta fallas que ocasionan contaminacin del are: Fracaso

27
X: Cuenta el nmero de carros revisados (# de realizaciones), hasta obtener el
primer carro con falla que ocasiona contaminacin del are (primer xito k = 1).

De ah que: ( ) ( )( )
1 10
05 . 0 1 05 . 0 05 . 0 ; 10 ) 10 (

= = = p X P = 0.0315

Por otro lado,
05 . 0
1 1
= =
p
= 20. Es decir, hay que revisar, en promedio,
20 carros uno tras otro, para encontrar el primero con falla que ocasiona
contaminacin del are.

Ejemplo 20: Se sabe que en cierto proceso de fabricacin, uno de cada 100
artculos esta defectuoso. Cul es la probabilidad de que el quinto artculo que se
inspecciona sea el primer defectuoso que se encuentra?

Desarrollo

Se tiene que p = P(xito) = P(Defectuoso) =
100
1
= 0.01 p = 0.01. De ah,
que el modelo queda de la forma:

X: Cuenta el nmero de articulo inspeccionados, hasta encontrar el primer
artculo defectuoso.

De ah que:
( ) ( )( )
1 5
01 . 0 1 01 . 0 01 . 0 ; 5 ) 5 (

= = = p X P = 0.0096

Artculo
Inspeccionado
Defectuoso: xito
No defectuoso: Fracaso

28

MODELOS CONTINUOS DE DISTRIBUCIN DE PROBABILIDADES

Modelo Uniforme

Si la variable aleatoria X est distribuida uniformemente sobre el intervalo
cerrado [a , b], entonces la distribucin de probabilidad de X se modela a travs
de la funcin de distribucin de probabilidades definida por:

a b
1
, si a s x s b
f(x) = f(x; a, b) =


Grficamente se tiene:

La media o promedio de esta distribucin es: =
2
b a +
y la varianza de
esta distribucin es: o
2
=
12
) (
2
a b
. Por otro lado, la funcin de distribucin de
probabilidades acumulativas es:

0 , si x < a
F(x) = P(X s x) = F(x; a, b) =
a b
a x
, si a s x s b
1 , si x > b


29
Ejemplo 21: Supngase que la concentracin de monxido de carbono a una
cierta hora de alta afluencia vehicular en un terminal de pasajeros, es una
variable aleatoria X que se distribuye uniformemente de 1 a 3 ppm. (Partculas
por milln). Si se considera como txica una concentracin que supere las ppm
2
5
.
Determine: a) La funcin de densidad de probabilidades de X, b) La grfica de
f(x), c) La funcin de distribucin de probabilidades acumulativas de X, d) La
grfica de F(x), e) Cual es la probabilidad de que la concentracin de monxido
de carbono se encentre entre 1 y 2 ppm.?, f) Cul la probabilidad de que una
persona que se encuentre en esta rea a estas horas de alta afluencia vehicular
sufra efectos txicos?, g) Calcule la media y la varianza o
2
.

Desarrollo

X: Concentracin de monxido de carbono a cierta hora de alta afluencia
vehicular.

a) La funcin de distribucin de densidad probabilidades de X para a = 1 y
b = 3 es:

1 3
1
, si 1 s x s 3
f(x) = f(x; 1, 3) =


b) La grfica de f(x) es:

c) La funcin de distribucin de probabilidades acumulativas de X es:

0 , si x < 1
F(x) = P(X s x) = F(x; 1, 3) =
1 3
1
x
, si 1 s x s 3

30
1 , si x > 3

d) La grfica de F(x) es:

e) P(1 X 2) = P(X 2) P(X 1) = F(2) F(1) =
1 3
1 2

1 3
1 1
=
2
1
= 0.5

f) P(X 5/2) = 1 P(X < 5/2) = 1 F(5/2) = 1
1 3
1
2
5
= 1
4
3
=
4
1
= 0.25

g) La media es: =
2
b a +
=
2
3 1+
= 2 y la varianza es: o
2
=
12
) (
2
a b
=
12
) 1 3 (
2
=
3
1

Modelo Normal

La distribucin normal, es la piedra angular de la mayora de los procesos de
generalizacin en estadstica. Las observaciones de un gran nmero de fenmenos
tienden a parecerse en su comportamiento a esta distribucin. En otras palabras,
cuando se tiene un conjunto de datos de una muestra tomada en forma aleatoria
de los datos u observaciones que generan el fenmeno o proceso en estudio, en la
mayora de los casos, estos datos tienen esta distribucin. Como ilustracin de lo
anterior, se puede citar algunos fenmenos naturales que se ajustan al modelo
normal: Caracteres morfolgicos de personas, animales o plantas de una
especie tales como: tallas, pesos, envergaduras, dimetros, permetros,
Caracteres fisiolgicos de personas, animales o plantas de una especie tales como:
efecto de una misma dosis de un frmaco, o de una misma cantidad de abono o

31
fertilizante,... Caracteres psicolgicos de personas, animales o plantas de una
especie tales como: cociente intelectual, o grado de adaptacin a un medio,... Las
distribuciones de muchas estadsticas muestrales tienden hacia la distribucin
normal conforme crece el tamao de la muestra. La distribucin de los promedios
muestrales de cualquier fenmeno, tienden a distribuirse en forma normal. Los
errores que se cometen al medir ciertas magnitudes fsicas, frecuentemente siguen
un patrn normal; y en general, cualquier caracterstica que se obtenga como
suma de muchos factores.

La curva normal fue descubierta por Abraham De Moivre (1697 1754) en
1733 como una forma lmite de una distribucin llamada binomial. Ms tarde fue
estudiada por La place (1749 1827) y Gauss (1777 1855) quien la cit
en un artculo que publico en 1809.

La frmula para la distribucin normal hallada por De Moivre fue la siguiente:

f(x; , o) =
2
2
1
2
1
|
.
|
\
|
o t
x
e
; < X < +

Grficamente se puede observar que es una curva simtrica con forma de
campana y la media est en el eje de simetra (en el centro).

oX
: es la media
o : es la desviacin estndar
e : es la base de los logaritmos naturales cuyo valor aproximado es: 2,718
t : es la relacin entre la longitud de una circunferencia y su dimetro cuyo
valor aproximado es: 3,142
X X

32
La desviacin estndar o indica la dispersin (desparramo) de los datos u
observaciones con respecto a la media . Mientras mayor es o, mayor es la
dispersin de los datos.

Para una misma desviacin estndar, pero medias diferentes se puede
observar:

Si se tiene una distribucin de datos, llmese X a los valores de esta
distribucin. Los valores de X de cualquier curva normal se pueden trasladar a
un sistema comn, es decir, a los de una curva normal particularizada porque
= 0 y o = 1. Esta curva normal particularizada se llama Curva Normal
Estndar. El proceso de llevar un valor x de X al valor z de Z, es decir,
al sistema comn de la curva normal estandarizada, se llama estandarizacin. El
mismo se realiza a travs de la ecuacin:
Z =
o
x

Uno de los objetivos de la aproximacin de una distribucin de datos a la curva
normal, es poder obtener probabilidades de este conjunto de datos. Las
probabilidades para esta curva vienen dadas en trminos de reas las cuales
estn calculadas para un gran nmero de valores de Z ilustrados en la tabla de

33
la curva normal estndar. Las probabilidades de Z, son reas que vienen
previamente calculadas, en la tabla de la curva normal estndar. Para calcular
probabilidades o posibilidades de ocurrencia de un evento, es decir, P(x1 < X < x2),
P(X < x), o P(X > x); se estandariza x en z lo cual se ilustra a continuacin:

Donde: P(X1 < X < X2) = P
o

1
x
< Z <
o

2
x
= P(Z1 < Z < Z2)

= P(Z < z2) P(Z < z1)

Ejemplo 22: Los sueldos de 500 empleados de una fbrica se distribuyen
normalmente con una media de 2.300 $ y con una desviacin estndar de 150 $.
Determine:

a) Cul es la probabilidad de que un empleado de la fbrica tomado al azar
tenga un sueldo inferior a 2400 $?
b) Cul es la probabilidad de que un empleado de la fbrica tomado al azar
tenga un sueldo superior a 2500 $?
c) Cul es la probabilidad de que un empleado de la fbrica tomado al azar
tenga un sueldo entre 2150 $ y 2450 $?, Qu cantidad de empleados
obtienen sueldos entre 2150 $ y 2450 $?
d) Cules son los sueldos de los empleados de la fbrica correspondientes al
80% central en torno a la media?


34
Desarrollo

Sea X: Los sueldos de los empleados

X ~ Normal

a) P(X < 2400) = ?
X = 2300 $
oX = 150 $

Se estandariza: z =
o
x
=
150
2300 2400
= 0.6666 ~ 0.67 z = 0.67

Luego: P(X < 2400) = P(Z < 0.67) = 0.7486.

La probabilidad de que un empleado tomado al azar de la fbrica tenga un
sueldo inferior a los 2400 $ es de un 74.86%.

b) P(X > 2500) = ?
X = 2300 $
oX = 150 $
La probabilidad est
representada por la
regin sombreada

La probabilidad est
representada por la
regin sombreada

P(Z < 0.67)
P(X < 2400)
La probabilidad est
representada por la
regin sombreada

P(X > 2500)

35

Se estandariza: z =
o
x
=
150
2300 2500
= 1.3333 ~ 1.33 z = 1.33

Luego: P(X > 2500) = P(Z > 1.33) =1 P(Z s 1.33) = 1 0.9082 = 0.0918

sueldo superior a los 2500 $ es de un 9.18%.

c) P(2150 X 2450) = ?
X = 2300 $
oX = 150 $

Se estandariza: z1 =
o

1
x
=
150
2300 2150
= 1.00 z1 = 1.00

z2 =
o

2
x
=
150
2300 2450
= 1.00 z2 = 1.00

La probabilidad est
representada por la
regin sombreada

P(Z > 1.33)
La probabilidad est
representada por la
regin sombreada

La probabilidad est
representada por la
regin sombreada

P(2150 X 2450)
P( 1.00 Z 1.00)

36

Luego: P(2150 X 2450) = P(1.00 Z 1.00) = P(Z 1.00) P(Z 1.00) =
0.8413 0.1587 = 0.6826

sueldo entre 2150 $ y 2450 $ es de un 68.26%.

Por otro lado:

500 empleados de la fbrica 100%.

x empleados de la fbrica 68.26%.

Luego: x =
100
) 26 . 68 )( 500 (
= 341.3 ~ 341 empleados.

El nmero de empleados que tiene un sueldo entre 2150 $ y 2450 $ es de
unos 341 empleados.

d) P(x1 X x2) = 0.80
X = 2300 $
oX = 150 $

Se estandariza: z1 =
o

1
x
=
150
2300
1
x
(1)

z2 =
o

2
x
=
150
2300
2
x
(2)

La probabilidad est
representada por la
regin sombreada

P(x1 X x2) = 0.80

37

Luego: z1 es el valor de Z que deja un rea de 0.10 a la izquierda del mismo.
Este valor, de acuerdo a la tabla es z1 = 1.285, luego, por simetra z2 = 1.285.
Por otro lado, z2 es el valor de Z que deja un rea de 0.80 + 0.10 = 0.90 a la
izquierda del mismo. Este valor, de acuerdo a la tabla es z2 = 1.285, luego,
por simetra z1 = 1.285.

Nota:

1.) z1 =
2
B A
z z +
=
2
) 29 . 1 ( ) 28 . 1 ( +
= 1.285 dado que el rea 0.10 no
est exacta en la tabla, se promedian los z que generan areas sobre 0.10 y
por debajo de 0.10. Dado que, zA deja un rea a la izquierda de 0.1003 y zB
deja un rea a la izquierda de de 0.0985.

2.) z2 =
2
B A
z z +
=
2
) 29 . 1 ( ) 28 . 1 ( +
= 1.285 dado que el rea 0.90 no est
exacta en la tabla, se promedian los z que generan areas sobre 0.90 y por
debajo de 0.90. Dado que, zA deja un rea a la izquierda de 0.8997 y zB
deja un rea a la izquierda de de 0.9015.

Luego de (1) y de (2) se tiene: z1 =
150
2300
1
x
= 1.285 x1 ~ 2107 $

z2 =
150
2300
2
x
= 1.285 x2 ~ 2493 $

Los sueldos de los empleados de la fbrica correspondientes al 80% central en
torno a la media, o que encierran el 80% de los sueldos de los empleados
alrededor de la media, est entre 2107 $ y 2493 $.

La probabilidad est
representada por la
regin sombreada

P(z1 Z z2) = 0.80

38

Aproximaciones de Otras Distribuciones a la Distribucin Normal Estndar

1.) P(X s x) ~
|
|
.
|
\
|

s
npq
np x
Z P , = np ; o = npq , donde q = 1 p. Se puede
usar cuando np y nq > 5. (Binomial ~ Normal Estndar)

2.) P(X s x) ~ |
.
|
\
|
s
x
Z P , = ; o = . Se puede usar cuando > 5.
(Poisson ~ Normal Estndar)

3.) P(X s x) ~
|
|
|
|
.
|
\
|
s
1 N
n N
npq
np x
Z P
, = np ; o =
1
N
n N
npq , donde
p =
N
k
y q = 1 p. Se puede usar cuando np y nq > 5. (Hipergeomtrica ~
Normal Estndar)

Ejemplo 23: Si p = 0.005 y n = 100000 son los parmetro de una distribucin
binomial. Calcule: P(X s 470) y P(X = 500).

Desarrollo

Se tiene que p = P(xito) = 0.005 y n = 100.000. Por otro lado:

np = (100.000)(0.005) = 500 > 5

nq = (100.000)(1 0.005) = 99500 > 5. De ah que:

Fenmeno

Aleatorio

39

a) P(X s 470) ~
|
|
.
|
\
|
s
) 005 . 0 1 )( 005 . 0 )( 000 . 100 (
) 005 . 0 )( 000 . 100 ( 470
Z P = |
.
|
\
|
s
5 . 497
500 470
Z P =

= ( ) 34 . 1 s Z P = 0.0901

b) P(X = 500) ~ P(500 0.5 X 500 + 0.5) = P(499.5 X 500.5) ~

~ |
.
|
\
|
s s
5 . 497
500 5 . 500
5 . 497
500 5 . 499
Z P = ( ) 02 . 0 02 . 0 s s Z P =

= ( ) ( ) 02 . 0 02 . 0 s s Z P Z P = 0.5080 0.4920 = 0.0160

Modelo Beta

Si la variable aleatoria X tiene una distribucin Beta. Entonces la funcin
de distribucin de probabilidades de X est dada por:

) ( ) (
) 1 ( ) (
1 1
| o
| o
| o
I I
+ I

x x
, si 0 < x < 1 ; o, | > 0
f(x) = f(x; o, |) =

0 , en otro caso

=
| o
o
+
y o
2
=
) 1 ( ) (
2
+ + + | o | o
o|

Nota:
0 , )! 1 ( ) (
0
1
> = = I
}
+

n n dx e x n
x n

Ejemplo 24: Supngase que en la zona cntrica del pas, la proporcin de
tramos de autopista que requieren de mantenimiento o reparacin anualmente es
una variable aleatoria X con distribucin beta con parmetros o = 3 y | = 2.
Halle lo siguiente:

a) Encuentre la funcin de distribucin de probabilidades de X.
b) Encuentre la funcin de distribucin de probabilidades acumulativas de
X.
Correccin por finitud

40
c) Calcule la probabilidad de que a lo sumo la mitad de los tramos de la
autopista requieran mantenimiento o reparacin anualmente.
d) Calcule la probabilidad de que al menos las tres cuartas partes de los
tramos de la autopista requieran mantenimiento o reparacin anualmente.
e) Calcule la probabilidad de que un mximo de un cuarto de los tramos de la
autopista requieran mantenimiento o reparacin anualmente.
f) En promedio, qu proporcin de tramos de autopista requieren
mantenimiento o reparacin anualmente?

Desarrollo

Sea X: Proporcin de tramos de autopista que requieren mantenimiento o
reparacin anualmente.

a) Se tiene que: 0 , )! 1 ( ) ( > = I n n n = I = + I = + I ) 5 ( ) 2 3 ( ) ( | o

24 ! 4 )! 1 5 ( = = =

2 ! 2 )! 1 3 ( ) 3 ( ) ( = = = I = I o
1 ! 1 )! 1 2 ( ) 2 ( ) ( = = = I = I |

Luego, la funcin de distribucin de densidad probabilidades de X para o = 3 y
| = 2 es:

1 2 1 3
) 1 (
) 1 )( 2 (
24

x x , si 0 < x < 1
f(x) = f(x; 3, 2) = ; es decir:


) 1 ( 12
2
x x , si 0 < x < 1
f(x) =


b) La funcin de distribucin de probabilidades acumulativas de X es:

F(x) = P(X s x) =
}

x
dt t f ) (
=
} }
+

x
dt t t dt
0
2
0
) 1 ( 12 0
= 4x
3
3x
4
. Es decir:

0 , si x 0
F(x) = P(X s x) = 4x
3
3x
4
, si 0 < x < 1

41
1 , si x > 1
c) P(X 1/2) = F(1/2) =
4 3
2
1
3
2
1
4
|
.
|
\
|
|
.
|
\
|
= 0.3125

d) P(X 3/4) = 1 P(X < 3/4) = 1 F(3/4) = 1
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
4 3
4
3
3
4
3
4 = 0.2617

e) P(X 1/4) = F(1/4) =
4 3
4
1
3
4
1
4
|
.
|
\
|
|
.
|
\
|
= 0.0508

f) =
| o
o
+
=
2 3
3
+
=
5
3
= 0.6. Se concluye que en promedio, el 60% de los
tramos de autopista requerirn mantenimiento o reparacin anualmente.

Modelo Gama

Si la variable aleatoria X tiene una distribucin Gama, entonces la
distribucin de probabilidades de X se modela a travs de la funcin de
distribucin de probabilidades definida por:

|
.
|
\
|
I
u o
o
u o
x
e x
1
) (
1
, si x > 0 ; o, u > 0

0 , en otro caso

La Media es: = ou y La Varianza es: o
2
= ou
2

Para hallar F(x) = P(X s x) = F(x; o, u), se hace u =
u
t
t = uu
du
dt
= u
dt = udu. Luego, para t = 0 se tiene u = 0 y para t = x se tiene u =
u
x
.

De ah que:

Funcin Gama Incompleta

42
F(x) = P(X s x) =
}

I
u
o
o
u u u
u o
x
u
d e u
0
1
) (
) (
1
=
}

I
u
o
o
x
u
du e u
0
1
) (
1

Por otro lado, se sabe que es el promedio de ocurrencias por unidad de
tiempo ( es el parmetro de la distribucin de Poisson). En el modelo Gama u es
el tiempo medio entre fallas el cual se define por
u
1
= , por otro lado se define a
o como un nmero especifico de eventos de Poisson. Por otro lado, si o
pertenece a los enteros positivos, el modelo Gama pasa a ser el modelo de Erlang.

Frmulas tiles

1.)
}
+ = C e
a
dx e
ax ax
1
2.)
}
+ = C ax e
a
dx xe
ax ax
) 1 (
1
2

3.)
} }

= dx e x
a
m
e x
a
dx e x
ax m ax m ax m 1
1

4.)
}
+ = C e x dx xe
x x
) 1 (

5.)
0 , )! 1 ( ) (
0
1
> = = I
}
+

n n dx e x n
x n

Ejemplo 25: Supngase que cierta pieza metlica se romper despus de sufrir
dos ciclos de esfuerzo. Si estos ciclos ocurren de manera independiente a una
frecuencia promedio de 1 por cada 50 horas. Realice lo siguiente:

a) Encuentre los parmetros o y u de la funcin de distribucin de
probabilidades de X.
b) Encuentre f(x) y F(x).
c) Obtenga la probabilidad de que el intervalo de tiempo hasta que ocurra el
segundo ciclo, se encuentre: i) Dentro de una desviacin estndar del
tiempo promedio y; ii) A ms de dos desviaciones estndar por encima de la
media.

Desarrollo

a) Sea X1: Cuenta el # de ciclos por unidad de tiempo.

Se tiene que o = 2 (# de eventos de Poisson). Por otro lado, se sabe que =
50
1
.

43
Luego, dado que
u
1
= , se tiene que
50
1
1
= u , es decir: u = 50.

b) Sea X2: Intervalo de tiempo que transcurre hasta que la pieza metlica sufre el
segundo ciclo de esfuerzo.

De ah que: f(x) = f(x; o, u) = f(x; 2, 50) =
0 ,
) 50 )( 2 (
1
50 1 2
2
>
I
|
.
|
\
|
x e x
x

En consecuencia: f(x) = f(x; 2, 50) =
|
.
|
\
|
I
50 1 2
2
) 50 )( 2 (
1
x
e x
, si x > 0

Por otro lado, para hallar F(x) = F(x; 2, 50) = P(X s x) =
}

x
dt t f ) (
=
}

+
0
0dt

dt e t
x
t
}
|
.
|
\
|
I
0
50 1 2
2
) 50 )( 2 (
1
; se hace:

u =
50
t
t = 50u
du
dt
= 50 dt = 50du. Luego:

- Para t = 0 se tiene u = 0
- para t = x se tiene u =
50
x

De ah que: F(x) = P(X s x) = F(x; 2, 50) =
dt e t
x
t
}

I
0
50
1 2
2
) 50 )( 2 (
1
=

}

I
50
0
) ( 1 2
2
) 50 ( ) 50 (
) 50 )( 2 (
1
x
u
du e u
=
}

50
0
x
u
du ue
. Luego:

Sean: w = u 1 =
du
dw
dw = du (Variables Temporales). De ah que:

}

50
0
x
u
du ue
=
}

50
0
) ( ) (
x
w
dw e w
=
}
50
0
x
w
dw we
= =

44

= = ( )
0
50
1 0 1
50

|
.
|
\
|
e e
x
x

F(x) = P(X s x) = 0 , 1
50
1
50
>
|
.
|
\
|
+

x e
x
x

c) Primeramente, se calculan y o

- La Media es: = ou = (2)(50) = 100

- La Varianza es: o
2
= ou
2
= (2)(50)
2
= 5000 o = ~ = 5000
2
o 70.7

Luego:

- P( o < X < + o) = P(X < + o) P(X < o) = P(X < (100) + (70.71))

P(X < (100) (70.7)) = P(X < 170.7) P(X < 29.3) = F(170.7) F(29.3) =

=
50
7 . 170
1
50
7 . 170
1

|
.
|
\
|
+ e

|
|
.
|
\
|
|
.
|
\
|
+

50
3 . 29
1
50
3 . 29
1 e
= 0.7376

- P( X > + 2o) = 1 P(X < + 2o) = 1 P(X < (100) + 2(70.7) = 1
P(X < 241.4) = 1 F(241.4) = 1
|
|
.
|
\
|
|
.
|
\
|
+

50
4 . 241
1
50
4 . 241
1 e
= 0.0466

Ejemplo 26: Supngase que las llamadas telefnicas que llegan a un
conmutador particular, siguen un proceso de Poisson con un promedio de 5
llamadas por minuto. Cul es la probabilidad de que no pase ms de un
minuto hasta que lleguen 2 llamadas al conmutador?

Desarrollo

a) Sea X1: Cuenta el nmero de llamadas por minuto

Se tiene que o = 2 (# de eventos de Poisson). Por otro lado, se sabe que
= 5 llamadas/minuto.

45

Luego, dado que
u
1
= , se tiene que
5
1
= u .
b) Sea X2: Intervalo de tiempo que tardan las llamadas en llegar al conmutador.
De ah que: f(x) = f(x; o, u) =
|
.
|
\
|
5
1
, 2 ; x f =
0 ,
5
1
) 2 (
1
5
1
1 2
2
>
|
.
|
\
|
I
x e x
x

x
e x
5 1 2
2
5
1
) 2 (
1

|
.
|
\
|
I
, si x > 0


Para hallar F(x) = P(X s x)

= |
.
|
\
|
5
1
, 2 ; x F =
}

x
dt t f ) (
=
}

+
0
0dt

dt e t
x
t
}

|
.
|
\
|
I
0
5 1 2
2
5
1
) 2 (
1
; se hace: u = 5t t =
5
u

du
dt
=
5
1
dt =
5
du
.

De ah que:
Para t = 0 se tiene u = 0

Para t = x se tiene u = 5x

Luego:

F(x) =
dt e t
x
t
}

|
.
|
\
|
I
0
5 1 2
2
5
1
) 2 (
1
= }
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
I

x
u
du
e
u
5
0
) (
1 2
2
5 5
5
1
) 2 (
1
= =
}

x
u
du ue
5
0
. Sean: w = u 1 =
du
dw
dw = du (Variables Temporales).

Ms tarde:

}

x
u
du ue
5
0
=
}

x
w
dw e w
5
0
) ( ) (
=
}
x
w
dw we
5
0
= =

En consecuencia: f(x) = |
.
|
\
|
5
1
, 2 ; x f =

46
= =
( ) ( )
) 0 ( 5 5
1 ) 0 ( 5 1 5

e e x
x

F(x) = P(X s x) =
( )
x
e x
5
1 5 1

+

Luego: P(X 1) = F(1) = ( )
) 1 ( 5
1 ) 1 ( 5 1

+ e = 0.9596

Modelo Exponencial

Si la variable aleatoria X tiene una distribucin Exponencial, entonces la
distribucin de probabilidades de X se modela a travs de la funcin de
distribucin de probabilidades definida por:

|
.
|
\
|
u
u
x
e
1
, si x > 0 , u > 0
f(x) = f(x; u) =

0 , en otro caso

La Media es: = u y La Varianza es: o
2
= u
2

Notas:

1.) El modelo Gama se transforma en el modelo exponencial cuando o = 1.
2.) Para valores grandes de o la distribucin Gama puede aproximarse a la
distribucin normal:
o u
|u
=
X
Z .
3.) A
u
1
= se le llama frecuencia constante por unidad de tiempo.

Ejemplo 27: Si el promedio de llegadas de camiones para ser descargados en
una bodega es de tres por hora. Hllese lo siguiente:

a) El parmetro u.
b) Las funciones f(x) y F(x).
c) Encuentre las probabilidades de que el tiempo de llegada consecutiva entre
los camiones (tomados uno tras de otro de a dos) sea: i) Menor a 5 minutos
y; ii) Al menos de 45 minutos.

Desarrollo


47
a) Sea X1: Cuenta el # de camiones para ser descargados por hora.
Se tiene = 3 camiones/hora. Luego, dado que
u
1
= , se tiene que
3
1
= u .

b) Sea X2: Intervalo de tiempo que transcurre entre la llegada de los camiones
(tomados uno tras otro, de a dos).

De ah que: f(x) = f(x ; u) =
|
.
|
\
|
3
1
; x f
=
0 ,
3
1
1
3
1
> x x
x

x
e
3
3

, si x > 0


Para hallar F(x) = |
.
|
\
|
3
1
; x F = P(X s x) =
}

x
dt t f ) (
=
dt
}

0
0
+
dt e
x
t
}

0
3
3
=
x
t
e
0
3
=
x
e
3
1

F(x) = P(X s x) = 0 , 1
3
>

x e
x
.

c) Dado que la unidad de tiempo es la hora, se tiene:

1 hora 60 minutos 1 hora 60 minutos

x 5 minutos x 45 minutos

x =
12
1
x =
4
3

Luego:

i) =
|
.
|
\
|
=
|
.
|
\
|
<
12
1
12
1
F X P
|
.
|
\
|
12
1
3
1 e = 0.2212

En consecuencia: f(x) =
|
.
|
\
|
3
1
; x f =

48
ii) =
|
.
|
\
|
=
|
.
|
\
|
< =
|
.
|
\
|
>
4
3
1
4
3
1
4
3
F X P X P
|
|
.
|
\
|

|
.
|
\
|
4
3
3
1 1 e
=

0.1054

Definicin: La frecuencia de falla de un componente o dispositivo electrnico es
una funcin que depende del tiempo h(t). La confiabilidad del componente o
dispositivo esta dado por la funcin:
R(t) =
}
t
dt t h
e
0
) (

Ejemplo 28: Un dispositivo electrnico presenta una frecuencia de falla de 0.05
por hora (h(t) = 0.05 por hora):

a) Cul es su confiabilidad para t = 100 horas?
b) Si se venden 3000 de estos dispositivos, y se ponen a funcionar
independientemente. Cuntos de ellos se espera seguirn funcionando
despus de 100 horas?
c) Si se conectan 40 de ellos en un sistema en paralelo, cul es la
confiabilidad del sistema transcurridas las 100 horas de funcionamiento?

Desarrollo
a) Se tiene que h(t) = 0.05 por hora. De ah que R(t) =
}
t
dt t h
e
0
) (
= =
}
t
dt
e
0
05 . 0
=
t
t
e
0
05 . 0
=
)) 0 ( 05 . 0 05 . 0 ( + t
e
=
t
e
05 . 0

R(t) =
t
e
05 . 0
. Luego, para t = 100 horas se tiene: R(100) =
) 100 ( 05 . 0
e
=
=
5
e
R(100) = 0.0067

Se concluye que la confiabilidad del dispositivo electrnico para que siga
funcionando a las 100 horas es de un 0.67%.

b)

Dispositivo
Electrnico
Funciona a las 100 horas: xito
n es el nmero de dispositivos que se venden y que se
ponen a funcionar independientemente, es decir, n = 3000.

49

Se tiene que p = P(xito) = P(Funcione a las 100 horas) = 0.0067 p
= 0.0067 . De ah, que el modelo queda de la forma:

X: Cuenta el nmero de dispositivos de los 3000, que siguen funcionando
cumplidas las 100 horas.

Luego: La media de este modelo es = np = (3000)(0.0067) ~ 20.

Se concluye que de cada 3000 dispositivos que se pongan a funcionar de forma
independiente, en promedio, seguirn funcionando 20 dispositivos electrnicos
cumplidas las 100 horas.

c)

Todas fallan a las 100 hora si falla la 1
era
,y falla la 2
da
, y falla la 3
era
, , y falla la
40
ava
. Es decir: P(F
C
) = (0.9933)(0.9933)(0.9933) (0.9933) = (0.9933)
40
=
No funciona a las 100 horas: Fracaso
Sistema
- P(El sistema funciones a las 100 horas) =

= P(Al menos una funcione a las 100 horas) =

= P(F) = P(X > 1).

- Se sabe que P(F) = 1 P(F
C
), donde:

P(El sistema no funcione a las 100 horas) =

P(Todas fallen a las 100 horas) = P(F
C
).

Luego:

50
= 0.7642 P(F
C
) = 0.7642. De ah que P(F) = 1 P(F
C
) = 1 0.7642 = 0.2358

Se concluye que la probabilidad de que el sistema siga funcionando cumplidas
las 100 horas es de un 23.58%.

Modelo Weibull

Si la variable aleatoria X tiene una distribucin Weibull, entonces la distribucin de
probabilidades de X se modela a travs de la funcin de distribucin de probabilidades
definida por:

o
u o
o
u
o
|
.
|
\
|
x
e x
1
, si x > 0 ; o , u > 0
f(x) = f(x; o, u) =
0 , en otro caso

La Media es: |
.
|
\
|
+ I =
o
u
1
1 y La Varianza es:
2 2 2
1
1
2
1 u
o o
o
(
|
.
|
\
|
+ I
|
.
|
\
|
+ I =

F(x) = P(X s x) =
}
|
.
|
\
|
x
t
dt e t
0
1
o
u o
o
u
o
=
o
u
|
.
|
\
|
x
e 1

El modelo de Weibull tiene aplicaciones en problemas de duracin de la vida,
tiempo de falla y confiabilidad de un componente o dispositivo electrnico.

Ejemplo 29: Supngase que la vida til de cierta clase de batera (en horas) es
una variable aleatoria de Weibull con o = 0.1 y u = 0.5. Hllese lo siguiente:

a) La funcin de densidad de probabilidad de X y la funcin de distribucin
de probabilidades acumuladas de X.
b) La probabilidad de que la batera dure ms de 300 horas.
c) La probabilidad de que la batera dure a lo sumo 200 horas.

Desarrollo

a) Sea X: Tiempo de duracin de la batera.


51
Luego, la funcin de distribucin de densidad probabilidades de X para
o = 0.1 y u = 0.5 es:

1 . 0
5 . 0 1 1 . 0
1 . 0
) 5 . 0 (
1 . 0
|
.
|
\
|
x
e x
, si x > 0


La funcin de distribucin de probabilidades acumulativas est dada por:

F(x) = P(X s x) =
o
u
|
.
|
\
|
x
e 1 =
1 . 0
5 . 0
1
|
.
|
\
|
x
e

b) P(X > 300) = 1 P(X 300) = 1 F(300) = 1
|
|
.
|
\
|
|
.
|
\
|
1 . 0
5 . 0
300
1 e
= 1 0.8498 =
= 0.1502

c) P(X s 200) = F(200) =
1 . 0
5 . 0
200
1
|
.
|
\
|
e = 1 0.1619 = 0.8381

f(x) = f(x; o, u) = f(x; 0.1, 0.5) =

2012 Guía Unid II Estad I

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2012 Guía Unid II Estad I

Uploaded by

Copyright:

Available Formats

Estadstica I: Guia de la Unidad # 2 Fernando A. Contreras J.

You might also like