TERCERA UNIDAD DE APRENDIZAJE (continuación)

TEMA: MODELOS PROBABILISTICOS

PROFESORA: LIC.FLOR NORMA QUIÑONEZ CUYUBAMBA

1
MA611I.H_______________________________________________________________________________________F.N.Q.C
 MODELOS PROBABILISTICOS
INTRODUCCIÓN
Son modelos matemáticos apropiados para situaciones reales en condiciones específicas,
son importantes porque nos ayudan a predecir la conducta de futuras repeticiones de un
experimento aleatorio. Los modelos pueden ser discretos o continuos.

Los modelos o distribuciones discretas más comunes son: La Uniforme, Binomial, Poisson
y la Hipergeometrica. Vamos a presentar los modelos más usados en investigación, y más
específicamente en áreas sociales y humanísticas, acá se abordarán los temas de la
Binomial, la cual es base para definir los tamaños muéstrales y la Poisson, de gran utilidad
en teoría de colas o fenómenos de espera.

En cuanto a las continuas, se utilizan fundamentalmente las siguientes:Uniforme,

exponencial,Normal , Normal Estandarizada, las cuales serán objeto de estudio.

2
MA611I.H_______________________________________________________________________________________F.N.Q.C
 MODELOS DISCRETOS
ENSAYO DE BERNOULLI

Consiste en realizar un sólo experimento (ensayo) en el cual existen únicamente dos

posibles resultados mutuamente excluyentes, generalmente llamados éxito ( E) y fracaso
(F).

Por ejemplo: probar una muestra de una material para ver si satisface las especificaciones,
observar un vehículo en un cruce para ver si dobla a la izquierda o no, tratar de cargar una
componente hasta su capacidad final prevista y registrar su capacidad o falta de capacidad
para soportar la carga.

El espacio muestral asociado al experimento aleatorio de Bernoulli se puede escribir como

{ }.

DISTRIBUCIÓN DE BERNOULLI

Definimos a la variable aleatoria definida en de la siguiente forma:

se denominada variable aleatoria de Bernoulli.

Luego la distribución de probabilidad de Bernoulli se obtiene, si al éxito E se asigna la

probabilidad donde , entonces el fracaso F tiene probabilidad
. Luego la distribución de probabilidad de Bernoulli de parámetro esta
definida por

y en forma resumida por el modelo queda:

Esta es la forma más usual de representar a la distribución de Bernoulli.

3
MA611I.H_______________________________________________________________________________________F.N.Q.C
La variable aleatoria de Bernolulli tiene media

 ∑

y varianza

Se sabe que ∑

reemplazando en (I)

1. MODELO BINOMIAL

Se denomina experimento binomial a un número fijo ensayos o pruebas de un

experimento aleatorio de Bernoulli, y cumple las siguientes propiedades:

1) De cada ensayo solo puede presentarse uno de los dos resultados. Un éxito o un fracaso.

2) La probabilidad de éxito y la probabilidad de fracaso son constante para cada

ensayo de Bernoulli.

3) Cada ensayo de Bernoulli es independiente de todas las demás, es decir, lo que ocurre en
una prueba cualquiera, no afecta los resultados de los otros ensayos.

Por ejemplo, estamos interesados en observar cinco vehículos sucesivos, cada uno de los
cuales cruza a la izquierda con probabilidad ; si se supone que la decisión de cruzar de un
conductor, no se afecta por las acciones de los otros cuatro conductores entonces el
conjunto de los comportamientos de cruce de los cinco vehículos representan ensayos de
Bernoulli. De una mezcla de concreto se extrae tres cilindros de muestreo, cada uno con
probabilidad de fallar a un esfuerzo por debajo de la resistencia especificada. Estos
experimentos representan ensayos de Bernoulli, si la probabilidad condicional de que uno
cualquiera falle, permanece inalterada, dado que uno cualquiera de los otros falle. En una

4
MA611I.H_______________________________________________________________________________________F.N.Q.C
sucesión de 30 años, la ocurrencia o no de un caudal mayor que la capacidad de un
vertedero, si las magnitudes del caudal anual máximo son independientes y la probabilidad
de una ocurrencia en cualquier año no cambia a través de los 30 años, representa un
conjunto de 30 ensayos de Bernoulli.

1. FUNCION DE PROBABILIDAD DE LA BINOMIAL

Supongamos que se realizan “n” ensayos, con probabilidades de éxito y fracaso

respectivamente, la distribución de la variable aleatoria Binomial X para n =2, 3 ó 4 es:

Se observa que el término genérico es repetido un determinado número de veces.

¿Cuántas?

Supongamos que se obtienen consecutivamente primero los éxitos y luego los

fracasos:

Para encontrar el número de formas en que se pueden obtener los éxitos y luego los
fracasos, recordemos la expresión para el cálculo de permutaciones con grupos de objetos
iguales:

5
MA611I.H_______________________________________________________________________________________F.N.Q.C
hagamos y

Es decir que el número de formas en que se pueden ordenar los éxitos y los fracasos es
.

Finalmente, tenemos que el término se repite un número de n veces igual a

En forma resumida, la función de probabilidad de la variable aleatoria binomial es:

( )

siendo:

: probabilidad de éxito : probabilidad de fracaso

6
MA611I.H_______________________________________________________________________________________F.N.Q.C
 : Número de ensayos de Bernoulli.

Número de éxitos deseados.

2. DISTRIBUCION ACUMULADA BINOMIAL

La distribución de probabilidad acumulativa de la variable aleatoria binomial es:

∑( )

nos indica el cálculo de probabilidad de que ocurra a lo más éxitos.

Observación. Sean , n variables aleatorias independientes cada una con

distribución Bernoulli . Entonces, la suma de esta n variable aleatoria independiente
es el número de éxitos en n ensayos de Bernoulli y su distribución es binomial de
parámetros y .Esto es, la variable aleatoria:

3. CARACTERISTICAS DE LA DISTRIBUCIÓN BINOMIAL

Si , entonces:

i) Media o Valor esperado:



ii) Varianza


Prueba

La variable aleatoria X, número de éxitos en n ensayos de Bernoulli se puede escribir como

una suma de n variables aleatorias independientes de Bernoulli X, esto es,

∑ donde, y

Por lo tanto

7
MA611I.H_______________________________________________________________________________________F.N.Q.C
 i) ∑ ∑ ∑
ii) ∑ ∑ ∑

EJEMPLOS:

1. Un fabricante de cierto tipo de cerámicos garantiza que una caja de sus cerámicos
contendrá como máximo dos defectuosas. Si las cajas contienen 20 cerámicos y la
experiencia ha demostrado que su proceso de fabricación produce 5 % de piezas
defectuosas. ¿Cuál es la probabilidad que una caja satisfaga la garantía?

Solución:

Éxito: Cerámica defectuosa

=probabilidad de producir una pieza defectuosa. (probabilidad de éxito).

probabilidad de producir una pieza no defectuosa.(probabilidad de fracaso)

; , (número de ensayos)

Sea Número de cerámicas defectuosas. (V.A. Binomial)

La probabilidad que una caja satisfaga la garantía será:

( ) ( ) ( )

Por lo tanto la respuesta es:

Ejemplo 2:

Si 6 de 18 viviendas infringen el código de construcción, ¿Cuál es la probabilidad de que

un inspector de viviendas, que selecciona aleatoriamente a cuatro de ellas, descubra que :

a. Ninguna de las viviendas infringen el código de construcción.

b. Una infringe el código de construcción.
c. Al menos tres infringen el código de construcción.

Solución

Éxito: vivienda que infringe el código de construcción.

=probabilidad de que una vivienda infringe el código de construcción (probabilidad de

éxito).

8
MA611I.H_______________________________________________________________________________________F.N.Q.C
 probabilidad de que una vivienda no infringe el código de vivienda.(probabilidad de
fracaso)

; (número de ensayos)

Número de viviendas que infringen el código de construcción.

a. ( )

b. ( )

c.

=0.8918

Ejemplo3:

Una empresa constructora ha ganado una licitación para ensamblar 10 puentes peatonales
prefabricados (similares), en diferentes puntos de la ciudad. Se sabe que el 10% de las
veces no puede ensamblar el puente dentro del plazo establecido. Si se demora más del
plazo, la pérdida por puente es de $1,000.00 y si lo hace dentro del plazo la ganancia por
puente es de $3,000.00. ¿Cuál es la utilidad esperada?

Solución:

Éxito: Puente ensamblado en el plazo establecido.

; ,

Sea Número de puentes ensamblados en el plazo establecido.

Vamos a plantear la variable utilidad:

Nos piden valor esperado de la variable aleatoria utilidad entonces

( ) entonces aplicando propiedad de valor esperado

( )

( )

( )

9
MA611I.H_______________________________________________________________________________________F.N.Q.C
Se sabe que luego reemplazando en (I)

( )

MODELO DE POISSON

Es una distribución discreta, tiene su principal aplicación en teoría de colas o fenómenos de

espera y en control estadístico de calidad, así, como para calcular probabilidades en eventos
escasos , en intervalos de tiempo y espacio.

Es decir los experimentos que resulten en valores numéricos de una variable aleatoria X, la
misma que representa el número de resultados durante un intervalo de tiempo dado, o
región específica, frecuentemente se llaman experimentos de poisson.

Ejemplo. Llamadas por minuto, clientes por hora, toneladas por hectárea, baches por
kilómetro, etc.

De un experimento de Poisson, surge el proceso de Poisson que tiene las siguientes

propiedades:

1. El número de resultados que ocurren en un intervalo de tiempo o región específicos

es independiente del número que ocurre en cualquier otro intervalo o región.
2. La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo corto
o una región pequeña es proporcional a la longitud del intervalo de tiempo o al
tamaño de la región y no depende del número de resultados del número de
resultados que ocurren fuera de éste intervalo o región.
3. La probabilidad de que más de un resultado ocurra en ese intervalo de tiempo tan
corto o en esa región tan pequeña es despreciable.

1. FUNCIÓN DE PROBABILIDAD DE POISSON

Definamos una variable aleatoria X como el número de eventos independientes que ocurren
a una rapidez constante.

, ; para

donde:

: es el número promedio de ocurrencias del evento por unidad de tiempo o espacio

= 2.72782 base de los logaritmos neperianos.

10
MA611I.H_______________________________________________________________________________________F.N.Q.C
2. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE POISSON

Características de modelo de Poisson

i) Valor Esperado o Media

ii) Varianza

Ejemplo 1:

El número promedio de individuos que llegan a solicitar información sobre un nuevo

producto es de 5 por hora. Determine la probabilidad de que, en una hora determinada,
lleguen: a) exactamente 2 usuarios, b) a lo más 4, c) más de 4, d) 2 en media hora.

Solución

Sea X= número de personas que solicitan información sobre el producto.

Lo primero a determinar es si cumple los requerimientos del modelo Poisson.

 Las personas llegan de manera aleatoria y sus llegadas son independientes.

 Los sucesos ocurren en un intervalo determinado.
Al cumplir los requerimientos, entonces,
donde = 5 personas/hora
reemplacemos los valores en la fórmula.
a)
b)
c)
d) Dado que se cambió la unidad de medida, el promedio se altera.
= 2.5 personas/30 minutos.

11
MA611I.H_______________________________________________________________________________________F.N.Q.C
Ejemplo 2:

Los coches que llegan a un semáforo siguen un proceso de Poisson, con media de 4
vehículos por minuto. El semáforo está 40 segundos en rojo y 80 segundos en verde.

a. ¿Cuál es la probabilidad de que haya 4 coches en cola cuando el semáforo se pone

en verde?
b. ¿Cuál es el promedio de coches en cola?

Solución

Sea Número de coches que llegan al semáforo.

a. Los coches están en cola cuando el semáforo esta en rojo entonces el promedio es
, pues la unidad de medida cambió a 40 segundos.

=0.1466

b. El promedio es

DISTRIBUCIÓN DE POISSON COMO LÍMITE DE LA BINOMIAL

La distribución de Poisson se obtiene a partir de la distribución binomial, considerando que
“n” tiende a ∞ ( el número de experimentos de Bernoulli) mientras que “p” tiende a cero
(probabilidad de éxito).Se le interpreta como la variable aleatoria que representa el número
de eventos independientes que ocurren a una velocidad constante en el tiempo o el espacio.

Sea X una VA con distribución binomial con parámetros n y p

( )

Es el número promedio de resultados por unidad de tiempo o región (velocidad o

rapidez de cambio).

La distribución de Poisson puede sustituir a la binomial para un “n” grande y una “p”
pequeña

12
MA611I.H_______________________________________________________________________________________F.N.Q.C
Vamos a demostrar:

Considerando la expresión general para la probabilidad binomial:

( )

Sea ; por tanto y sustituyendo:

= [ ( )( ) ][ ]

= [ ( )( ) ][ ] [ ]

Sea de tal forma que permanezca constante. Esto significa que

cuando (de igual forma que y de tal forma que ).

En la última expresión, los términos de la forma

( )( )

tienden a 1 si , al igual que [ ]

Por otra parte la definición es cuando

[ ]

Finalmente

Ejemplo 1:

Si el 2% de los transistores producidos por una fábrica salen defectuosos encontrar la

probabilidad de que en un lote de 200 transistores haya cuando más 5 transistores
defectuosos.

Solución

13
MA611I.H_______________________________________________________________________________________F.N.Q.C
Por binomial

n=200 p =0.2

=( ) ( )

Por Poisson:

{ }=0.78

Ejemplo 2:

Si la probabilidad de que una viga de concreto falle a la compresión es de 0.05.Obtener la

probabilidad de que en 50 vigas:

a) Ninguna falle
b) Cuando más 2 fallen
c) 5 fallen

Solución

P=0.05 n=50

a) entonces

b) ∑

entonces ∑ { }=0.5437

c)

14
MA611I.H_______________________________________________________________________________________F.N.Q.C
 MODELOS CONTINUOS
DISTRIBUCIÓN EXPONENCIAL

Anteriormente estudiamos la distribución Poisson X P(λ) como modelo para el número

de sucesos raros, X, en una unidad del tiempo. Ahora, supongamos que queremos estudiar
la distribución del tiempo Y entre un suceso y el siguiente.

En este caso, la distribución de Y es una distribución exponencial con parámetro λ.

Notación: Y

La función de distribución de Y es:

Demostración:

[ ]

LA MEDIA Y VARIANZA

Si Y ) entonces:

i)
ii)

Demostración parcial

Recordamos que es el número de sucesos esperado en una unidad de tiempo.Entonces el

tiempo esperado entre suceso debe ser es decir que

15
MA611I.H_______________________________________________________________________________________F.N.Q.C
Ejemplo1:

El tiempo de funcionamiento de una bombilla se distribuye como exponencial con una

media de 10 días.

a) ¿Cuál es la probabilidad de que una bombilla funciona más de 10 días?

b) Suponiendo que cada vez que falla una bombilla se la cambia por una nueva, hallar
la probabilidad de que haya más de 1 fallo en un mes (30 días).

Solución:

a) Sea el tiempo de funcionamiento. Hallamos el valor de .Sabemos que

E(T)= .Luego :

{ }

b) El número de fallos X en 30 días tiene una distribución Poisson

{ }

Ejemplo 2:

El tiempo T entre llegadas sucesivas de coches a un punto en la carretera se distribuye

como una exponencial con parámetro λ = 0,01 segundos.

a) Hallar la media y varianza de T.

b) Un viejecillo empieza a cruzar la calle inmediatamente después de que un coche pasa por
allí. Si tarda 50 segundos en cruzar la calle¿ Cuál es la probabilidad de que lo atropelle el
siguiente coche que pasa (suponiendo que no para, igual que la mayoría de conductores
españoles)?

Solución:

a) ⁄ y ⁄

b) ∫

16
MA611I.H_______________________________________________________________________________________F.N.Q.C
Diferencias entre Poisson y Exponencial

 La distribución de probabilidad Poisson relaciona probabilidades con números de

acontecimientos de algún evento, dentro de intervalos especificados de tiempo o
espacio.

“En 5 minutos, ¿Cuántos coches pasan por el semáforo?”

 La distribución exponencial, por el contrario, relaciona probabilidades con los

diversos espacios, entre los eventos Poisson.

“¿Cuál es la probabilidad de que pase un coche cada 5 minutos por ese semáforo?”

DISTRIBUCIÓN UNIFORME

Supongamos que una variable X puede tomar valores al azar en un rango (a, b). En este
caso, se dice que X tiene una distribución uniforme entre a y b y se escribe X U(a, b).

En este caso, la probabilidad de que X caiga en cualquier zona es la misma, y entonces la

función de densidad es constante.

La función de distribución

Si X U(a, b), luego, si a < x ≤ b,

[ ]

17
MA611I.H_______________________________________________________________________________________F.N.Q.C
LA MEDIA Y DESVIACI´ON TÍPICA

Sea X U(a, b).Luego,

i)

ii)

Ejemplo1:

Juego con una rueda de fortuna como en la ilustración

¿Cuál es la probabilidad de que gane?

Solución

Sea X el ángulo a la vertical de la flecha. Luego X U(0, 360).La probabilidad que gane es

18
MA611I.H_______________________________________________________________________________________F.N.Q.C
DISTRIBUCION NORMAL

Es el modelo continuo más utilizado en inferencia estadística, dado que muchos fenómenos
socio demográfico y de otra índole tienen un comportamiento acampanado y por ende
cumplen la teoría de la distribución normal, sin embargo, es importante aclarar que antes de
proceder a aplicar los métodos sugeridos por la teoría estadística, es imprescindible
identificar primero si en realidad los datos si se comportan como tal, es decir, se debe saber
a ciencia cierta si los datos son aproximadamente acampanados, para ello se disponen de
procedimientos descriptivos ya descritos, como son: el histograma, comparar las medidas
de posición relevantes (media, mediana y moda), calcular los coeficientes de asimetría y
curtosis. Además, de otras pruebas más avanzadas como la de Smirnov Kolmogorov y la de
Shapiro Wilks.

CARACTERISTICAS DE LA DISTRIBUCION NORMAL

1. Forma
 Es una campana simétrica con respecto a su centro
 La curva tiene un solo pico; por tanto, es unimodal.
 La media de una población distribuida normalmente cae en el centro de su curva
normal.
 Debido a la simetría de la distribución normal de probabilidad, la mediana y la
moda de la distribución se encuentran también en el centro; en consecuencia, para
una curva normal, la media, la mediana y la moda tienen el mismo valor.
 Los dos extremos de la distribución normal de probabilidad se extienden
indefinidamente y nunca tocan el eje horizontal.
 Parámetros
2. Está caracterizada por dos parámetros
a) Parámetro de localización: La media

b) Parámetro de forma: La varianza

19
MA611I.H_______________________________________________________________________________________F.N.Q.C
3. FUNCIÓN DE DENSIDAD DE LA DISTRIBUCION NORMAL

Empleando cálculos bastante laboriosos, puede demostrarse que el modelo de la función de

densidad que corresponde a tales distribuciones viene dado por la fórmula

donde

: Media

: Varianza

= 3.1415

REPRESENTACIÓN GRÁFICA DE LA FUNCION DE DENSIDAD

Dominio:

Máximo: ( )
√

Punto de inflexión: en

Asíntotas: el eje OX es una asíntota horizontal

20
MA611I.H_______________________________________________________________________________________F.N.Q.C
Simetría: respecto a la recta

Monotonía: creciente y decreciente

Signo: es siempre positiva.

Punto de corte: OY ( )
√

La distribución normal queda definida por dos parámetros, su media y su varianza. Lo

representamos así

4. FUNCIÓN DE DISTRIBUCIÓN ACUMULADA DE LA NORMAL

F(x) es el área sombreada de esta gráfica

Característica de la función de distribución:

 Puede tomar cualquier valor (-  , +  ) Son más probables los valores cercanos a
uno central que llamamos media
 Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual
forma a derecha e izquierda (es simétrica).
 Conforme nos separamos de ese valor , la probabilidad va decreciendo de forma
más o menos rápida dependiendo de un parámetro , que es la desviación estándar.

21
MA611I.H_______________________________________________________________________________________F.N.Q.C
TEOREMA DE TIPIFICACION O ESTANDARIZACION DE LA NORMAL

Si la variable entonces la variable tipificada de es y sigue

también una distribución normal pero de y , es decir

Por tanto su función de densidad es

y su función de distribución es

Siendo la representación gráfica de esta función

Característica de la distribución normal tipificada (estándar)

 No depende de ningún parámetro

 Su media es 0, su varianza es 1 y su desviación estándar es 1.
 La curva f(x) es simétrica respecto del eje OY
 Tiene dos puntos de inflexión en z =1 y z = -1

USO DE LA TABLA ACUMULADA NORMAL

Si la variable

a) P(x>155) = )

donde

22
MA611I.H_______________________________________________________________________________________F.N.Q.C
Se busca el valor de 1.53en la tabla, encontrando el valor de 0.9370 sombreado en la tabla.
Por lo tanto:

entonces 1 – 0.9370= 0.063.

b)

luego

Al ser un valor , la probabilidad se calcula de manera directa, es decir, se ubica el valor

de correspondiendo la probabilidad de 0.0166.

c)

tipificando y

0.7673 – 0.0359 = 0.7324

Siempre los valores de Z, se ubican en la tabla normal.

Ejemplo1:

El caudal de cierto río sigue una distribución normal con media de 540 m3/seg y desviación
160 m3/seg. Determinar el caudal mínimo que se da el 2% de las veces.

Solución
Sea Caudal donde X ~ N (540, (160)2)
equivale a entonces

( )

Se busca en la tabla el área de probabilidad 0.98 y que valor de acumulado le

corresponde en este caso es 2.053 .Por lo tanto

entonces el caudal mínimo es 868.48

23
MA611I.H_______________________________________________________________________________________F.N.Q.C
TABLA ACUMULADA NORMAL

24
MA611I.H_______________________________________________________________________________________F.N.Q.C
 EJERCICIOS PROPUESTOS

1. Se afirma que 30% de la producción de ciertos instrumentos se realiza con material

nacional y los demás con material importado. Si se toma una muestra aleatoria con
reemplazo de 25 de estos instrumentos:

a) ¿cuál es la probabilidad de que 3 de ellos sean de material nacional?

b) ¿cuál es la probabilidad de que no más de 3 de ellos sean de material nacional?

c) ¿cuál es la probabilidad de que al menos 3 sean de material nacional?

25
MA611I.H_______________________________________________________________________________________F.N.Q.C
d) ¿Cuántos instrumentos fabricados con material nacional se esperaría encontrar en la
muestra?

2. Se sabe que 10 es el número promedio de camiones tanque que llegan por día a una
cierta estación; las instalaciones sólo pueden atender cuando mucho 15 camiones por día.
¿Cuál es la probabilidad de que en un determinado día se tengan que regresar los camiones?

3. En un sorteo que se realiza diariamente de lunes a viernes, la probabilidad de ganar es

0,1. Vamos a jugar los cinco días de la semana y estamos interesados en saber cuál es la
probabilidad de ganar 0, 1, 2, 3, 4 ó 5 días.

a. Construir una tabla con las probabilidades.

b. Calcula la media y la desviación típica.

4. Explica para cada una de estas situaciones si se trata de una distribución binomial. En
caso afirmativo, identifica los valores de n y p:

a. El 2% de las naranjas que se empaquetan en un cierto lugar están estropeadas. Se

empaquetan en bolsas de 10 naranjas cada una. Nos preguntamos por el número de naranjas
estropeadas de una bolsa elegida al azar.

b. En una urna hay 2 bolas rojas, 3 blancas y 2 verdes. Sacamos una bola, anotamos su
color y la devolvemos a la urna. Repetimos la experiencia 10 veces y estamos interesados
en saber el número de bolas blancas que hemos extraído.

5. Una empresa constructora ha ganado una licitación para montar 10 puentes peatonales
prefabricados (similares), en diferentes puntos de la ciudad. Se sabe que el 10% de las
veces no puede ensamblar el puente dentro del plazo establecido. Si se demora más del
plazo, la pérdida por puente es de $1,000.00 y si lo hace dentro del plazo la ganancia por
puente es de $3,000.00. ¿Cuál es la utilidad esperada?

6. Una fábrica produce cierto tipo de ladrillos, en tres hornos. El horno A produce 50 %; el
horno B produce 30 % y el horno C produce 20 % de la producción total. Además se
sabe que el 0.1%, 0.2% y 0.3% de lo que producen los hornos respectivamente son
defectuosos. El control de calidad se realiza del siguiente modo: se elige aleatoriamente
100 ladrillos y se acepta el lote si hay 5 o menos defectuosos. ¿Qué probabilidad hay de
rechazar el lote?

7. Aproximádamente el 5% de los clavos de acero de cierta marca son defectuosos.

a. ¿Cuántos clavos, como máximo debe tener la muestra para que la probabilidad de que al
menos uno sea defectuoso, no sea mayor que 0.9?

26
MA611I.H_______________________________________________________________________________________F.N.Q.C
b. Hallar el menor valor de “n” para que sea mayor o igual que 0.99, la probabilidad de
que al menos uno de los clavos sea defectuoso?

8. El número de defectos que tiene cierto tipo de locetas, sigue una distribución de Poisson
con un promedio de 3 defectos/ loceta. El precio de cada loceta es S/. 3.00 si no tiene
defectos, de S/.2.00 si tiene 1 o 2 defectos y S/. 1.00 si tiene más de 2 defectos. Si se
compran 100 locetas, elegidas al azar. ¿Cuál es el precio esperado de las 100 locetas?
9. Se lanza un dado 7 veces, ¿cuál es la probabilidad de obtener al menos 4 números iguales
en los 7 lanzamientos
10. El artículo “Reliability-Based Service –Life Assesment of Aging Concrete Structures”.
(J. Structural Engr., 1993: 1600-1621) sugiere que un proceso de Poisson puede ser
utilizado para representar la ocurrencia de cargas estructurales en el transcurso del tiempo.
Suponga que λ=0.5/año

a. ¿Cuántas cargas se espera que ocurra durante um período de 2 años?

b. ¿Qué tan largo debe ser un período de modo que la probabilidad de que no ocurran
cargas durante ese período sea cuando mucho de 0.1?
11. Una empresa electrónica observa que el número de componentes que fallan antes de
cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el número
promedio de estos fallos es ocho,

a. ¿cuál es la probabilidad de que falle un componente en 25 horas?

b. ¿y de que fallen no más de dos componentes en 50 horas?
c. ¿cuál es la probabilidad de que fallen por lo menos diez en 125 horas?
12. Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue
una distribución Poisson con una media de 2.3 imperfecciones por milímetro.

a. Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.

b. Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.

c. Determine la probabilidad de al menos una imperfección en 2mm de alambre

13. Cierto tipo de batería tiene una duración de 3 años con una desviación estándar típica de
0,5 años. Suponiendo que la duración de las baterías sigue una distribución normal.

a. ¿Qué porcentaje de baterías se espera que duren entre 2 y 4 años?

b. Si una batería lleva funcionando 3 años, cuál es la probabilidad de que dure menos de 4,5
años?

27
MA611I.H_______________________________________________________________________________________F.N.Q.C
14. Si la distribución de los periodos de duración de los postes telefónicos es tal que 9.51%
tiene un periodo de duración que excede los 35 años y que 62.55% tiene periodo de
duración que excede los 20 años ¿Cuál es la media y desviación estándar de la duración de
estos postes si se admite que la distribución es normal?

15. Un conjunto habitacional es abastecida de agua, llenando su tanque cada 2 días; el

volumen que consumen sigue una distribución normal. Si se sabe que el volumen que
consumen con mayor frecuencia es 20000 litros y además el 2.28% de las veces el
consumo fue a lo más 18,000 litros. ¿Cuál es la capacidad del tanque para que sea de solo
0.01, la probabilidad de que en un periodo de 2 días el agua no sea suficiente para satisfacer
toda la demanda?

16. El material empleado en las redes de desagüe es tal que el 9.512% de las tuberías de
desagüe tienen periodo de duración que exceden a las 15 años y el 52.556% tienen periodos
de duración que exceden a los 9 años. Suponiendo que los periodos de duración tienen una
distribución normal. ¿Cuál es el tiempo máximo de duración que está por encima del 75%
de los periodos de duración?

17. El caudal de cierto río sigue una distribución normal con media de 540 m3/seg y
desviación 160 m3/seg. Determinar el caudal mínimo que se da el 2% de las veces.

18. El artículo “Monte Carlo Simulation-Tool for Better Understanding of LRFD”( J.

Structural Engr., 1993: 1586-1599) sugiere que la resistencia a ceder (lb/pulg2) de un acero
grado A36 esta normalmente distribuida con media de 43 lb/pulg2 y una desviación
estándar de 4.5 lb/pulg2.

a. ¿Qué valor de resistencia a ceder separa al 75% más resistente del resto?

b. ¿Entre qué resistencias a ceder se encuentra el 50% de los valores centrales?

28
MA611I.H_______________________________________________________________________________________F.N.Q.C