Documentos de Académico
Documentos de Profesional
Documentos de Cultura
27 de enero de 2014
Unidad 3
Variables aleatorias discretas y distribuciones de probabilidad
Probabilidad y estadística
para ingenieros y ciencias.
Walpole, Myers, & Myers.
Editorial Pearson.
27 de enero de 2014
Distribuciones discretas de probabilidad
# de caras 0 1 2 3 caras
m 0 1 2 3
P (M = m ) 1/8 3/8 3/8 1/8
27 de enero de 2014
Distribuciones discretas de probabilidad
27 de enero de 2014
Distribuciones discretas de probabilidad
• Con frecuencia es conveniente representar todas las probabilidades de
una variable aleatoria X usando una fórmula, la cual necesariamente
sería una función de los valores numéricos x que denotamos con
f(x), g(x), r(x), y así sucesivamente.
• Escribimos entonces, f(x) = P(X = x). Por ejemplo, f(3) = P(X = 3).
• El conjunto de pares ordenados (x, f(x)) se llama función de
probabilidad o distribución de probabilidad de la variable aleatoria
discreta X.
El conjunto de pares ordenados (x, f(x)) es una función de
probabilidades, una función de masa de probabilidad o una
distribución de probabilidad de la variable aleatoria discreta X si, para
cada resultado posible x,
1. ||| f ( x) 0
|
2. ||| f ( x) 1
x
3. ||| P( X x) f ( x)
27 de enero de 2014
Distribuciones discretas de probabilidad
Ejemplo 3.8
• Un embarque de 8 computadores similares para una tienda al detalle
contiene 3 que están defectuosos. Si una escuela hace una compra al
azar de 2 de estos computadores, encuentre la función de probabilidad
para el número de defectuosos.
• Solución: Sea X una variable aleatoria cuyos valores x son los números
posibles de computadores defectuosos que la escuela compra.
Entonces, x puede ser cualquiera de los números 0, 1 y 2. Así:
3 5
f (0) P( X 0)
0 2 10
8 28
De manera que la función
2
3 5 de probabilidad de X es:
f (1) P( X 1)
1 1 15
8 28 x 0 1 2
2
f (x ) 10/28 15/28 3/28
3 5
f (2) P( X 2)
2 0 3
8 28
2
27 de enero de 2014
Distribuciones discretas de probabilidad
Ejemplo 3.9
Si una agencia automotriz vende el 50% de su inventario de cierto vehículo
extranjero equipado con bolsas de aire, encuentre una fórmula para la
distribución de probabilidad del número de automóviles con bolsas de aire
entre los siguientes 4 vehículos que venda la agencia.
f ( x) P( X x) ||| es :
4
f ( x) , ||| para _ x 0, : 1, : 2, : 3, : 4.
x
16
27 de enero de 2014
Distribuciones discretas de probabilidad
27 de enero de 2014
Distribuciones discretas de probabilidad
Ejemplo 3.10
Para el ejemplo 3.9, los valores de F(x) están dados por:
4
f ( x) , ___ para _ x 0, _ 1, _ 2, _ 3, _ 4.
x
16
1 0, para x < 0,
F (0) P( X 0)
16 1/16, para 0 <= x < 1,
1 1 5 5/16, para 1 <= x < 2,
F (1) P( X 1) F(X) =
16 4 16 11/16, para 2 <= x < 3,
1 1 3 11 15/16, para 3 <= x < 4,
F (2) P( X 2)
16 4 8 16 1, para x >= 4.
1 1 3 1 15
F (3) P( X 3)
16 4 8 4 16
1 1 3 1 1 16
F (4) P( X 4) 1.
16 4 8 4 16 16
27 de enero de 2014
Distribuciones discretas de probabilidad
3/8
1/4 1/4
1/16 1/16
27 de enero de 2014
Distribuciones discretas de probabilidad
HISTOGRAMA DE PROBABILIDAD
6/16
4/16
1/16
1 2 3 4 5
27 de enero de 2014
Distribuciones discretas de probabilidad
f ( x)
6/16
4/16
1/16
1 2 3 4 5
27 de enero de 2014
Distribuciones discretas de probabilidad
1.2000
1.0000
1.0000 0.9375
0.8000 0.6875
0.6000
0.4000 0.3125
0.2000
0.0625
0.0000 1 2 3 4 5
0 1 2 3 4
27 de enero de 2014
Distribuciones probabilidad
discretas especiales
Uniforme discreta
Binomial
Geométrica
Binomial negativa
Hipergeométrica
Poisson
27 de enero de 2014
Distribución uniforme discreta
f ( x)
x
Figura. Ejemplo de Función de Masa de Probabilidad para una variable
aleatoria discreta uniforme
27 de enero de 2014
Distribución uniforme discreta
b a 1 n
b a 12 1 1 n
E X
2 n
x
i 1
i
12
n i 1
xi
2
27 de enero de 2014
Distribución uniforme discreta
Ejemplo 3.11
Cuando se selecciona al azar una bombilla de luz de una caja
que contiene una bombilla de 40 watts, una de 60 watts, una
de 75 watts y una de 100 watts, cada elemento del espacio
muestral S = {40, 60, 75, 100} ocurre con probabilidad de ¼. Por
lo tanto tenemos una distribución uniforme, con
1
f ( x;4) , ____ x 40,60,75,100.
4
27 de enero de 2014
Distribución uniforme discreta
Ejemplo 3.12
Cuando se lanza un dado legal, cada elemento del espacio
muestral S = {1, 2, 3, 4, 5, 6} ocurre con probabilidad de 1/6.
Por lo tanto, tenemos una distribución uniforme con
1
f ( x;6) , ____ x 1,2,3,4,5,6.
6
27 de enero de 2014
Distribución uniforme discreta
Ejemplo 3.13
Para el problema 3.12 encontramos que
1 2 3 4 5 6 6 1 ba
3.5 3.5
6 2 2
1 3.52 2 3.52 3 3.52 4 3.52 5 3.52 6 3.52
17.5
35
1.7078
6 6 12
b a 12 1 6 1 12 1 35
1.7078
12 12 12
27 de enero de 2014
Distribución binomial
27 de enero de 2014
Distribución binomial
Ejemplo: Las probabilidades de que un bit transmitido a través de
un canal de transmisión digital se reciba con error es 0.1. Suponga
además que los ensayos de transmisión son independientes. Sea
X el número de bits con error en los siguientes 4 bits transmitidos.
Determine P(X = 2).
Solución: E = bit con error; O = bit correcto.
RESULTADO X RESULTADO X
OOOO 0 EOOO 1
OOOE 1 EOOE 2 P( EEOO) P( E ) P( E ) P(O) P(O)
OOEO 1 EOEO 2
P( EEOO) (0.1) 2 (0.9) 2 0.0081
OOEE 2 EOEE 3
OEOO 1 EEOO 2 p( X 2) 6(0.0081) 0.0486
OEOE 2 EEOE 3
OEEO 2 EEEO 3
OEEE 3 EEEE 4
27 de enero de 2014
Distribución binomial
Un experimento aleatorio que consta de n ensayos repetidos tales
que:
1. Los ensayos son independientes,
2. cada ensayo produce únicamente dos resultados posibles,
etiquetados como “éxito” o “fracaso”, y
3. la probabilidad de un éxito en cada ensayo, denotado como p,
permanece constante, se llama experimento binomial.
x
27 de enero de 2014
Distribución binomial
Si X es una variable aleatoria binomial con parámetros p y n,
EX n p 2 V X n p 1 p
x f(x) x
0 0,000000954 Distribución Binomial para Valores
1 0,000019073
2 0,000181198
seleccionados de n y p
3 0,001087189
4 0,004620552
5 0,014785767
6 0,036964417
7 0,073928833
8 0,120134354 f(x)
9 0,160179138
10 0,176197052
11 0,160179138
12 0,120134354
13 0,073928833
14 0,036964417
15 0,014785767
16 0,004620552
17 0,001087189
18 0,000181198 x
19 0,000019073
20 0,000000954 27 de enero de 2014
Distribución binomial
n x
f x p 1 p
n p n x
10 0,1 x
x f(x)
0 0,348678440
1 0,387420489
2 0,193710245
3 0,057395628
4 0,011160261
5 0,001488035
6 0,000137781
7 0,000008748
8 0,000000365
9 0,000000009
10 0,000000000
27 de enero de 2014
Distribución binomial
| p
n x
f x p 1 p
n x
10 0,9
x
x f(x)
0 0,000000000
1 0,000000009
2 0,000000364
3 0,000008748
4 0,000137781
5 0,001488035
6 0,011160261
7 0,057395628
8 0,193710245
9 0,387420489
10 0,348678440
27 de enero de 2014
Distribución binomial
Ejemplo 3.14
La probabilidad de que cierto componente sobreviva a una
prueba de choque es 3/4. Encuentre la probabilidad de que
sobrevivan exactamente 2 de los siguientes cuatro
componentes que se prueben
x 3 1 4! 32 27
2 2
n 4
f x p 1 p
n x
4
x 2 4 4 2!2! 4 128
27 de enero de 2014
Distribución binomial
Ejemplo 3.15
La probabilidad de que un paciente se recupere de una rara
enfermedad sanguínea es 0.4. Si se sabe que 15 personas
contraen tal enfermedad, ¿cuál es la probabilidad de que
27 de enero de 2014
Distribución binomial
Ejemplo 3.16
Una cadena grande de tiendas al detalle compra cierto tipo de
dispositivo electrónico de un fabricante. El fabricante indica
que la tasa de defectos del dispositivo es 3%.
a) El inspector de la cadena elige 20 artículos al azar de un
cargamento ¿Cuál es la probabilidad de que haya al menos
un artículo defectuoso entre estos 20?
b) Suponga que el detallista recibe 10 cargamentos en un mes y
que el inspector prueba aleatoriamente 20 dispositivos por
cargamento ¿Cuál es la probabilidad de que haya 3
cargamentos que contengan al menos un dispositivo
defectuoso?
27 de enero de 2014
Distribución binomial
Solución:
a) Denote con X el número de dispositivos defectuosos entre los 20. Esta
X sigue una distribución b(x; 20, 0.30). Por consiguiente:
X = número de dispositivos defectuosos entre los 20
n
P( X 1) 1 P( X 0) 1 p x 1 p
n x
x
20
P( X 1) 1 0.03 1 0.03 0.4562
0 20
0
b) Y = número de cargamentos que contienen al menos un artículo
defectuoso
Esta Y sigue una distribución b(y; 10, 0.4562).
n 10
P(Y 3) p y 1 p 0.4562 1 0.4562 0.1602
n y 3 7
y 3
27 de enero de 2014
Distribución binomial
27 de enero de 2014
Distribución binomial
27 de enero de 2014
Distribución geométrica
27 de enero de 2014
Distribución geométrica
Ejemplo 3.17: Las probabilidades de que un bit transmitido a
través de un canal de transmisión digital se reciba con error
es 0.1. Suponga además que los ensayos de transmisión son
independientes. Sea que la variable aleatoria X denote el
número de ensayos hasta el primer éxito. Determine P(X = 4).
Solución: E = bit con error; O = bit correcto.
f x 1 p
x 1
p, x=1, 2, ...
27 de enero de 2014
Distribución geométrica
Si X es una variable aleatoria geométrica con parámetros p
E X
1
V X
2 1 p
2
p p
p = 0,1000000
x f(x)
1 0,1000000
2 0,0900000
3 0,0810000
4 0,0729000
5 0,0656100
6 0,0590490
7 0,0531441
8 0,0478297
9 0,0430467
10 0,0387420
27 de enero de 2014
Distribución geométrica
f x 1 p
x 1
p
p = 0,9000000
x f(x)
1 0,9000000
2 0,0900000
3 0,0090000
4 0,0009000
5 0,0000900
6 0,0000090
7 0,0000009
8 0,0000001
9 0,0000000
10 0,0000000
27 de enero de 2014
Distribución geométrica
Ejemplo 3.18
• La probabilidad de que un bit transmitido a través de un canal de
transmisión digital se reciba con error es 0.1. Suponga que las
transmisiones son eventos independientes y sea que la variable
aleatoria X denote el número de bits transmitido hasta el primer
error.
• Entonces, P(X = 5) es la probabilidad de que los cuatro primeros
bits se transmitan correctamente y que el quinto tenga un error.
Este evento puede denotarse como {OOOOE}, donde O denota un
bit correcto. Como los ensayos son independientes y la
probabilidad de una transmisión correcta es 0.9.
P(X = 5) = P(OOOOE) = (1 - p)X-1 p = 0.940.1 = 0.066
• Obsérvese de que hay cierta probabilidad de que X sea igual a
cualquier valor entero. Así mismo, si el primer ensayo es un éxito,
entonces X = 1. Por lo tanto, el rango de X es {1, 2, 3,..}, es decir,
todos los enteros positivos.
27 de enero de 2014
Distribución geométrica
Ejemplo 3.19
La probabilidad de que una oblea contenga una partícula de
contaminación grande es 0.01. Si se supone que las obleas son
independientes, ¿cuál es la probabilidad de que sea necesario
analizar exactamente 125 obleas antes de detectar una
partícula grande?
Solución: Sea que X denote el número de muestras analizadas
hasta cuando se detecta una partícula grande. Entonces X es
una variable aleatoria geométrica con p = 0.01. La
probabilidad pedida es:
P(X = 125) = (0.99)1240,01= 0.0029
27 de enero de 2014
Distribución geométrica
Ejemplo 3.20
Considere la transmisión de bits del ejemplo 3.18.
Ahí, p = 0.1. El número promedio de transmisiones hasta
el primer error es 1/0.1 = 10. La desviación estándar del
número de transmisiones antes del primer error es
1 p 1 - 0.1
9.49
2 2
p 0.1
27 de enero de 2014
Distribución geométrica
27 de enero de 2014
Distribución geométrica
Taller en Clase 1
b) ¿Cuál es la probabilidad de que la primera alineación de éxito requiera a lo sumo cuatro ensayos?
c) ¿Cuál es la probabilidad de que la primera alineación de éxito requiera al menos cuatro ensayos?
• En el salón hay 8 alumnos de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10 de ojos verdes; si
extraemos 6 alumnos, calcular la probabilidad de que este ultimo tenga los ojos claros.
• Una maquina detecta fallas en los productos que elabora una fabrica. Si los productos tienen una
probabilidad de falla del 5%, calcular la probabilidad de que la maquina encuentre su primer
producto defectuoso cómo máximo en la cuarta ocasión que se selecciona un producto para su
inspección.
27 de enero de 2014
Distribución binomial negativa
27 de enero de 2014
Distribución binomial negativa
Ejemplo 3.21
Suponga que la probabilidad de que un bit transmitido a través de un canal de
transmisión digital se reciba con error es 0.1. Suponga que las transmisiones son
eventos independientes, y sea que la variable aleatoria X denote el número de bits
transmitido hasta el cuarto error.
27 de enero de 2014
Distribución binomial negativa
Ejemplo 3.21
Suponga que la probabilidad de que un bit transmitido a través de un canal de
transmisión digital se reciba con error es 0.1. Suponga que las transmisiones son
eventos independientes, y sea que la variable aleatoria X denote el número de bits
transmitido hasta el cuarto error.
3
Puesto que los ensayos son independientes, la probabilidad de que ocurran
exactamente 3 errores en los 9 primeros ensayos y que el ensayo 10 sea el cuarto
error es el producto de la probabilidad de estos dos eventos, es decir,
9 9
0.13
0.9 6
0.1 0.14
0.9 6
3 3 27 de enero de 2014
Distribución binomial negativa
El resultado del ejemplo 3.21 puede generalizarse así:
x 1
f x 1 p p
x r r
Para x = r, r+1, r+2, ...
r 1
27 de enero de 2014
Distribución binomial negativa
r 1 p
E X V X
r 2
2
p p
La distribución binomial negativa es una generalización de
la distribución geométrica en la que la variable aleatoria es
el número de ensayos Bernoulli requeridos para obtener r
éxitos.
27 de enero de 2014
Distribución binomial negativa
Ejemplo 3.22
En la serie de campeonato de la NBA, el equipo que gana 4
juegos de 7 será el ganador. Suponga que el equipo A tiene una
probabilidad de 0.55 de ganarle al equipo B, y que ambos
equipos A y B, se enfrentarán entre sí en los juegos de
campeonato.
a) ¿Cuál es la probabilidad de que el equipo A gane la serie en
el 6 juegos?
b) ¿ Cuál es la probabilidad de que el equipo A gane la serie?
c) Si ambos equipos se enfrentan entre sí en una serie regional
de play-off y el ganador es el que gana 3 de 5 juegos, ¿cuál
es la probabilidad de que el equipo A gane el juego de play-
off?
27 de enero de 2014
Distribución binomial negativa
Solución:
a) Se tiene:
x 1 5
f x 1 p p 1 0.5564 0.554 0.1853
xr r
r 1 3
3 3 3 3
0.0915 0.1647 0.1853 0.1668 0.6083
27 de enero de 2014
Distribución binomial negativa
Solución:
2 2 2
0.1664 0.2246 0.2021 0.5931
27 de enero de 2014
Distribución binomial negativa
Ejemplo 3.23
Un avión de alto rendimiento contiene tres computadoras
idénticas. Se utiliza únicamente una para operar el avión; las dos
restantes son repuestos que pueden activarse en caso de que el
sistema primario falle. Durante una hora de operación, la
probabilidad de una falla en la computadora primaria ( o de
cualquiera de los sistemas de repuesto activados) es 0.0005.
Suponiendo que cada hora representa un ensayo independiente,
a) ¿Cuál es el tiempo promedio para que fallen las tres
computadoras?
b) ¿Cuál es la probabilidad de que las 3 computadoras fallen en
un vuelo de 5 horas?
27 de enero de 2014
Distribución binomial negativa
Solución:
a) Sea que X denote el número de horas hasta cuando los tres
sistemas fallen, y sea que X1, X2 y X3 denoten el número de horas de
operación antes de una falla de la primera, la segunda y la tercera
computadoras usadas, respectivamente. Entonces X = X1 + X2 + X3.
Además que las horas comprenden ensayos independientes con
probabilidad constante de falla p = 0.0005. Por otra parte, una
computadora de repuesto no es afectada por la cantidad de tiempo
que transcurra antes de activarse. Por consiguiente, X tiene una
distribución binomial negativa con p = 0.0005 y r = 3. En
consecuencia,
E X
r
p
2 3 4
P X 5 1 0.0005 0.0005 1 0.0005 0.0005 1 0.0005 0.00053
0 3 1 3 2
2 2 2
P X 5 1.25 1010 3.75 1010 7.49 1010 1.249 109
56
27 de enero de 2014
Ejemplos
EJERCICIO
27 de enero de 2014
Sí la probabilidad de que un cierto dispositivo
de medición muestre una desviación excesiva
es de 0.05, ¿cuál es la probabilidad de que;
a) el sexto de estos dispositivos de medición
sometidos a prueba sea el tercero en mostrar
una desviación excesiva?,
b) el séptimo de estos dispositivos de medición
sometidos a prueba, sea el cuarto que no
muestre una desviación excesiva?.
27 de enero de 2014
a) k = 6 dispositivos de medición b) k = 7 dispositivos de medición
r = 3 dispositivos que muestran desviación excesiva r = 4 dispositivos que no muestran una desviación
p = p(dispositivo muestre una desviación excesiva) excesiva
= 0.05 p = p(dispositivo no muestre una desviación
q = p(dispositivo no muestre una desviación excesiva) = 0.95
excesiva) = 0.95 q = p(dispositivo muestre una desviación excesiva)
= 0.05
27 de enero de 2014
Distribución binomial negativa
Taller en Clase 1:
• Los registros de una compañía constructora de pozos, indican que la probabilidad de que uno
de sus pozos nuevos, requiera de reparaciones en el término de un año es de 0.20.
a) ¿Cuál es la probabilidad de que el sexto pozo construido por esta compañía en un año dado sea
el segundo en requerir reparaciones en un año?.
b) ¿Cuál es la probabilidad de que el octavo pozo construido por esta compañía en un año dado
sea el tercero en requerir reparaciones en un año?.
c) La obra se detendrá de manera indefinida una vez se obtengan tres pozos que requieran
reperaciones ¿Cuál es la probabilidad que se detenga dicha obra antes de construir 8 pozos ?
d) Obtenga E(X) y V(X) e interprételo
Suponga que X es una variable aleatoria binomial negativa con p = 0,2 y r = 4. Determine lo siguiente:
a) E(X)
b) V(X)
c) P(X=20)
d) P(X=19)
e) P(X=21)
60
27 de enero de 2014
Distribución hipergeométrica
• La producción de un día de 850 piezas manufacturadas contiene 50
piezas que no cumplen con los requerimientos del cliente. Se
seleccionan 2 piezas, al azar y sin reemplazo, de la producción de un día.
¿Cuál es la probabilidad de que en la muestra haya 2 piezas que no
cumplan con los requerimientos?
• Este experimento consta de 2 ensayos: se selecciona la primera pieza y
luego se selecciona la segunda. Si embargo, este experimento presenta
diferencias fundamentales con los ejemplos basados en la distribución
binomial.
• En este experimento, los ensayos no son independientes. Obsérvese
que en el inusual caso de que se hiciera el reemplazo de cada unidad
seleccionada antes de la siguiente selección, los ensayos serían
independientes y la probabilidad de que una pieza no cumpla en cada
ensayo sería constante.
• En tal caso, el número de piezas de la muestra que no cumplen, es una
variable aleatoria binomial.
27 de enero de 2014
Distribución hipergeométrica
27 de enero de 2014
Distribución hipergeométrica
Solución
Sea X igual al número de piezas de la muestra que no cumplen.
Entonces,
P(X = 0) = P(ambas piezas cumplen) = (800 / 850)(799 / 849)
= 0.886
P(X = 1) = P(la primera pieza cumple y la segunda no, o la
primera pieza no cumple y la segunda si)
= (800 / 850) (50 / 849) + (50 / 850)(800 / 849)
= 0.111
P(X = 2) = P(ambas partes no cumplen)
= (50 / 850)(49 / 849) = 0.003
27 de enero de 2014
Distribución hipergeométrica
K N K
x nx
f x x = máx {0, n + K – N} hasta mín. {K, n}
N
n
27 de enero de 2014
Distribución hipergeométrica
EX n p N n
V X n p 1 p
2
N 1
donde p = K / N.
N n
A la expresión
N 1
se le conoce como factor de corrección
para poblaciones finitas.
27 de enero de 2014
Distribución hipergeométrica
Ejemplo 3.25
En el ejemplo 3.24, la producción de un día de 850 piezas
manufacturadas contiene 50 piezas que no cumplen con los
requerimientos del cliente. Se seleccionan 2 piezas, al azar y sin
reemplazo, de la producción de un día. ¿Cuál es la probabilidad
de que en la muestra haya x piezas que no cumplan con los
requerimientos?
27 de enero de 2014
Distribución hipergeométrica
Solución:
x = 0, 1, 2
50 800
P( X 0) 0 2 319600
0.886
850 360825
2 K N K
50 800
x nx
1 1 40000 f x
P( X 1) 0.111 N
850 360825
n
2
50 800
P( X 2)
2 0 1225
0.003
850 360825
2
27 de enero de 2014
Distribución hipergeométrica
Ejemplo 3.26
Un lote contiene 100 piezas de un proveedor de tubería local y
200 unidades de un proveedor de otra ciudad. Si se seleccionan 4
piezas al azar y sin reemplazo,
K N K
100 200
x nx 4 0
f x P( X 4) 0.0119
N 300
n 4
27 de enero de 2014
Distribución hipergeométrica
Ejemplo 3.26
27 de enero de 2014
Distribución hipergeométrica
27 de enero de 2014
Distribución de Poisson
27 de enero de 2014
Distribución de Poisson
27 de enero de 2014
Distribución de Poisson
Si el número promedio de conteos en el intervalo es l > 0, la
variable aleatoria X, que es igual al número de conteos en el
intervalo, tiene una distribución de Poisson con parámetro l , la
función de masa de probabilidad de X es
el lx
f x , x = 0, 1, 2, ...
x!
= E(X) = l y 2 = V(X) = l
27 de enero de 2014
Distribución de Poisson y la Binomial
Ejemplo 3.28
• Se presentan imperfecciones aleatoriamente a lo largo de un
alambre delgado de cobre. Sea que X denote la variable aleatoria
que cuenta el número de imperfecciones en una longitud de L
milímetros de alambre, y suponga que el número promedio de
imperfecciones en L milímetros es l.
• Se hace la partición de la longitud del alambre en n subintervalos
de longitud pequeña, digamos, un micrón (milésima de milímetro)
cada uno. Si este subintervalo es lo suficientemente pequeño, la
probabilidad de que ocurra más de una imperfección en el
subintervalo es despreciable. Como se supuso que las
imperfecciones ocurren aleatoriamente, se puede interpretar de
que cada intervalo tiene la misma probabilidad de contener una
imperfección, digamos, p.
27 de enero de 2014
Distribución de Poisson y la Binomial TAREA
• Supóngase que la probabilidad de que un subintervalo contenga una
imperfección es independiente de otros subintervalos , entonces el
modelo de la distribución de X puede establecerse aproximadamente
como una variable aleatoria binomial. Puesto que
E(X) = l = np
se obtiene p=l/n
e l lx e2.3 2.32
f x , P( X 2) 0.265
x! 2!
27 de enero de 2014
Distribución de Poisson
b) Determine la probabilidad de 10 imperfecciones en 5 mm de
alambre.
Sea que X denote el número de imperfecciones en 5 mm de alambre.
Entonces, X tiene una distribución de Poisson con
E(X) = 5 mm * 2.3 imperfecciones/mm = 11.5 imperfecciones
Por lo tanto, P(x = 10) = e-11.5 11.510 / 10! = 0.113
c) Determine la probabilidad de al menos una imperfección en 2 mm
de alambre.
Sea que X denote el número de imperfecciones en 2 mm de alambre.
Entonces X tiene una distribución de Poisson con,
E(X) = 2 mm * 2.3 imperfecciones/mm = 4.6 imperfecciones
Por lo tanto,
P( X 1) 1 P( X 0) 1 e4.6 0.9899
27 de enero de 2014
Distribución de Poisson
Ejemplo 3.30
La contaminación constituye un problema en la fabricación de
discos de almacenamiento óptico. El número de partículas de
contaminación que ocurre en un disco óptico tiene una
distribución de Poisson y el número promedio de partículas
por centímetro cuadrado de superficie del disco es 0.1. El área
del disco bajo estudio es de 100 cm2.
a) Encuentre la probabilidad de que ocurran 12 partículas en
el área del disco bajo estudio.
b) Determine la probabilidad de que 12 o menos partículas
ocurran en el área del disco bajo estudio.
27 de enero de 2014
Distribución de Poisson
Solución
a) Sea que X denote el número de partículas en el área del disco bajo
estudio. Puesto que el número promedio de partículas es de 0.1 por cm2
La probabilidad es
12
e1010i
P( X 12) P( X 0) P( X 1) ... P( X 12) 0.791
i 0 i!
27 de enero de 2014