MODELOS ANALTICOS DE FENMENOS ALEATORIOS

Inferencia Estadstica

Instituto IACC

Agosto 13 del 2017

 Desarrollo

INSTRUCCIONES: Sobre la base de las lecturas y de los contenidos revisados

en la semana (eventos aleatorios y variables aleatorias, distribucin de

probabilidades de una variable aleatoria, medidas descriptivas de variables

aleatorias, valor central, primer y segundo momento, distribucin binomial y

Bernoulli, distribucin geomtrica, probabilidad acumulada para una distribucin

geomtrica, tiempo de ocurrencia y periodo de retorno, el proceso de Poisson).

Dadas las siguientes problemticas resulvalas paso a paso de acuerdo a lo

trabajado en la semana:

1. Despus de una prueba de laboratorio muy rigurosa con cierto componente

elctrico, el fabricante determina que en promedio solo fallarn tres

componentes antes de tener 1.200 horas de operacin. Un comprador observa

que son 6 componentes los que fallan antes de las 1.200 horas. Si el nmero de

componentes que fallan es una variable aleatoria de Poisson existe suficiente

evidencia para dudar de la conclusin del fabricante? Argumente.

La distribucin de probabilidad de Poisson es una distribucin de probabilidad de una

variable aleatoria discreta que nos proporciona la probabilidad de que ocurra un

determinado suceso un nmero de veces K en un intervalo determinado de tiempo.

= 6, 1200 .

( = 3)

= [0,1,2,3, . ]

.
( = ) = = , = %
!
Por lo tanto la probabilidad de que fallarn 6 componentes antes de tener 1.200 horas

de operacin es de un 5%, lo cual es una probabilidad muy baja para que hace dudar la

conclusin del cliente.

2. Un agente de seguros vende plizas a 10 individuos, todos de la misma edad.

De acuerdo con las tablas actuariales, la probabilidad de que un individuo con

esa edad viva 30 aos ms es de 3/5. Determine la probabilidad de que dentro

de 30 aos vivan, al menos, 3 individuos.

En este ejemplo estamos frente a una variable Bernoulli, ya que dentro de 30 aos se

presentar dos situaciones, que la persona est viva (p=3/5) o que haya muerto (q=2/5).

Al considerar los 5 individuos, estamos frente a una variable aleatoria X binomial.

3
= 5; = = 0,6
5

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

10
( = 2) = ( ) (0, 6)2 (0, 4)102 = 0,010616832
2

10
( = 1) = ( ) (0, 6)1 (0, 4)101 = 0,001572864
1

10
( = 0) = ( ) (0, 6)0 (0, 4)100 = 0,000104858
0

( 3) = 1 0,012294554

( ) = ,
 3. La probabilidad que una muestra de aire contenga una molcula anmala es

0,03. Suponiendo independencia entre las muestras extradas con respecto a la

presencia de molculas anmalas.

1. En funcin de la informacin anterior, responda:

a) Escriba el modelo probabilstico

= 0,03

""

Por lo tanto x es una variable binomial

= 0,03 =

!
( = ) = 0,03 0,97
! ( )!

Suposicin

Objetivo: Se busca la probabilidad de que en 3 muestras se tengan exactamente 1 que

contenga las molculas anmalas.

Antecedentes:

= 3

= 1

= 0,03

= 1 0,03 = 0,97

( = ) = ( )

3
( = 1) = ( ) (0,03)1 (0, 97)31
1

( = ) = ,

Podemos decir tambin buscar la probabilidad de que en 5 muestras se tengan 2 muestras que

contengan las molculas anmalas.

Antecedentes:

= 5

= 2

= 0,03

= 1 0,03 = 0,97

( = ) = ( )

5
( = 2) = ( ) (0,03)2 (0, 97)52
2

( = ) = ,
 b) Calcule la esperanza y la varianza.

Ejemplo 1

= 3; = 0,03

() = = 3 0,03 = 0,09

() = = 3 0,03 0,97 = 0,0873

Ejemplo 2

= 5 ; = 0,03

() = = 5 0,03 = 0,15

() = = 5 0,03 0,97 = 0,1455

 Bibliografa

IACC (2013). Variable aleatoria discreta y distribuciones de probabilidad discretas.

Inferencia estadstica. Semana 1.