Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDAD
INTRODUCCIÓN.
Presentación sintética.
sintética. Expresión matemática (Modelo de probabilidad) que
que relaciona las
diversas variables y parámetros inmersos en una investigación.
i nvestigación.
MODELO PROBABILISTICO .
Los modelos que exponemos son las que adopta más comúnmente el ingeniero para su uso
empírico. Esto se debe a que son bien conocidos, están tabulados y se opera fácilmente con ellos.
Frecuentemente, lo único de que dispone el ingeniero es ese camino empírico. Con el fin de
que las conclusiones sean las más exactas y útiles posibles, y justificar cuando sea necesario la
extrapolación fuera de los datos observados, es preferible de que la selección del modelo se base,
siempre que sea posible, en un conocimiento de cómo la situación física pudo dar lugar a la distribución
de datos empíricos (* ).
La situación básica más simple, es aquella donde los resultados se pueden separar en dos
categorías mutuamente excluyentes. Por ejemplo:
- Satisfactorio o no satisfactorio.
- Dentro de las especificaciones o no.
Las siguientes distribuciones surgen en esta situación a partir de las variables aleatorias de
interés.
I) MODELO DE BERNOULLI:
Ensayo de Bernoulli.- Un ensayo de Bernoulli es un experimento que tiene dos posibles resultados
mutuamente excluyentes, generalmente llamado éxito y fracaso .
Nos interesa
interesa la clase de experimentos que
que tienen 2 resultados posibles mutuamente
mutuamente excluyentes,
excluyentes, uno
de los cuales denominaremos EXITO y el otro FRACASO. Por ejemplo:
- Probar una muestra de material para ver si satisface (éxito) o no (fracaso) las especificaciones de
fabricación.
- Tratar de cargar una componente hasta su capacidad final prevista y registrar su capacidad (éxito)
o falta de capacidad (fracaso) para soportar la carga.
x = 1; si se observa un éxito.
x = 0; si se observa un fracaso.
p; x=1
p(x) =
1-p; x=0
2
Modelo t-Student
Modelo Chi Cuadrada
Modelo F de Snédecor
La situación básica más simple, es aquella donde los resultados se pueden separar en dos
categorías mutuamente excluyentes. Por ejemplo:
- Satisfactorio o no satisfactorio.
- Dentro de las especificaciones o no.
Las siguientes distribuciones surgen en esta situación a partir de las variables aleatorias de
interés.
I) MODELO DE BERNOULLI:
Ensayo de Bernoulli.- Un ensayo de Bernoulli es un experimento que tiene dos posibles resultados
mutuamente excluyentes, generalmente llamado éxito y fracaso .
Nos interesa
interesa la clase de experimentos que
que tienen 2 resultados posibles mutuamente
mutuamente excluyentes,
excluyentes, uno
de los cuales denominaremos EXITO y el otro FRACASO. Por ejemplo:
- Probar una muestra de material para ver si satisface (éxito) o no (fracaso) las especificaciones de
fabricación.
- Tratar de cargar una componente hasta su capacidad final prevista y registrar su capacidad (éxito)
o falta de capacidad (fracaso) para soportar la carga.
x = 1; si se observa un éxito.
x = 0; si se observa un fracaso.
p; x=1
p(x) =
1-p; x=0
2
Esperanza o valor esperado de X
Varianza de X
V(X) = p.q
a) Defínase una variable X que asigne valores a los resultados del experimento.
b) Determine la F.M.P. de la variable X
c) Determine E(X) y V(X)
SOLUCION
a) Sea X v.a. discreta que asume x = 1 si el artículo es bueno (éxito) y x = 0 si es malo
(fracaso)
b) La F.M.P. de la variable X sería:
0.9 si x=1
p(x) =
0.1 si x=0
Secuencia de Bernoulli .- Es una sucesión fija de "n" pruebas simples donde cada prueba puede
puede
arrojar dos resultados (eventos) mutuamente excluyentes, arbitrariamente denominados éxito y
fracaso.
Ejemplo:
1.- Se ponen a prueba 5 componentes de un sistema para ver si funcionan correctamente (éxito)
o no funcionan correctamente (Fracaso), asumir que p= 0.9
Problemas como los descritos se denominan secuencia de Bernoulli, los cuales se basan en
las sgtes. suposiciones:
a) Un experimento simple se repite un número finito de veces, por decir "n" (pruebas) y sus
resultados son independientes.
() = ()
EJEMPLO:
solución
En primer lugar definimos la variable aleatoria X :
2 3
x
p(x) F(x)
0 0.9263 0.9263
1 0.4444 0.14074
2 0.2222 0.96296
3 0.0370 1.000
d) La varianza sería:
2.- En el planeamiento del sistema de control del flujo de un río, es de interés el máximo flujo
anual del río. Supóngase que la probabilidad de que el máximo flujo anual exceda algún nivel
"h" especificado en el diseño es 0.10 en cualquier año; ¿cuál es la probabilidad de que el nivel
"h" será excedido una vez en los próximos 5 años.
SOLUCION:
En este caso observamos que el intervalo de tiempo natural es un año, y dentro de cada año
5
hay sólamente un máximo flujo que puede o no puede exceder el nivel "h". Por lo tanto, las
series de flujos anuales pueden ser considerados (modelados) como una secuencia de Bernoulli.
Además asumiendo que "h" es bastante alto que no hay probabilidad de que sea excedido más
que una vez en un año, entonces el número de excedencias del nivel "h", tiene distribución
binomial.
Sobre esta base si X es el número de excedencias del nivel "h" en los próximos 5 años, entonces
tenemos:
= 5C0 (0.1)0 (0.9)5 + 5C1 (0.1)1(0.9)4
= 0.590 + 0.328
p(X≤1) = 0.918
El número promedio de flujos máximos anuales que exceden el nivel especificado durante
períodos de 10 años
Varianza de X:
En una secuencia de Bernoulli, el número N de pruebas realizadas hasta que ocurra el primer
éxito es gobernado o descrito por la Distribución Geométrica. Observamos que si el primer
éxito ocurre en la n-ésima prueba, es porque en las n-1 pruebas ocurrieron sólo fracasos.
Por lo tanto N es una v.a.d que tiene como función masa de probabilidad la s iguiente:
Nos proporciona la probabilidad de que haya al menos un éxito en "n" pruebas; es decir:
En un tiempo o espacio, problema que puede ser descrito como una secuencia de
Bernoulli, el número de intervalos de tiempo (o espacio) hasta la primera ocurrencia de un
evento, es llamado el tiempo de la primera ocurrencia
6
Observe que si las pruebas individuales ( o intervalos) en la secuencia son estadísticamente
independientes, el tiempo de la primera ocurrencia debe también ser el tiempo entre
cualesquiera 2 ocurrencias consecutivas del mismo evento, esto es, el tiempo de ocurrencia, es
igual al tiempo de la primera ocurrencia.
Por lo tanto el tiempo de ocurrencia en una Secuencia de Bernoulli tiene también una
distribución geométrica; el tiempo medio de ocurrencia, el cual es popularmente conocido en
Ingeniería como el Periodo de Retorno, por consiguiente es:
E(N) = 1/p ...(indica que para valores pequeños de p se necesitan muchas pruebas a fin de que
ocurra el primer éxito)
Varianza
V(N) = q/p2
() =
EJEMPLOS:
b) Determinar la probabilidad de que dentro de las cinco primeras obras haya al menos una
cotizada favorablemente.
c) Determine el número promedio de obras que se deben cotizar a fin de que ocurra una
cotización favorable.
solución:
2. Una estructura es diseñada para una altura de 8 metros sobre el nivel del mar. Hay un 10%
de probabilidad de que esta altura sea excedida por olas del mar en un año. ¿Cuál es la
probabilidad de que la estructura estará expuesta a olas del mar que exceden los 8 m. de
altura dentro del periodo de retorno?
solución
Por lo tanto:
7
p(x > 8 m. en 10 años) = 1-(1-p)10 = 1-(0.9)10 = 0.6513
Si asumimos que cuando ocurren olas que excedan la altura de diseño, hay una
probabilidad del 20% de que la estructura pueda ser dañada, la cual es la probabilidad de daños
a la estructura dentro de 3 años.
3. Una torre de transmisión de radio es diseñada para "50 años viento" esto es una velocidad
del viento teniendo un periodo de retorno de 50 años.
a) ¿Cuál es la probabilidad de que la velocidad de viento diseñada será excedida por primera
vez sobre los 5 años después de haber completado la estructura?
b) ¿Cuál es la probabilidad de que la primera velocidad del viento semejante ocurrirá dentro
de 5 años después del completamiento de la estructura?
solución:
a) En este caso la probabilidad de encontrar los 50 años viento en cualquier año es:
p = 1 / 50 = 0.02
5
Podemos reconocer que esto es lo mismo que el evento de " al menos un 50 años
viento dentro de 5 años". De este modo la probabilidad deseada puede ser obtenida como:
En una serie de ensayos de Bernoulli independientes, con una probabilidad constante de éxito
p, sea la variable aleatoria T el número de ensayos efectuados hasta que se tienen k éxitos. Esto
es, si T es el número de pruebas hasta la K-ésima ocurrencia del evento en una serie de pruebas de
Bernoulli, entonces:
8
P(Tk = t) = t 1
C k 1 pk qt-k ; t=k, k+1,....
Esperanza y Varianza de T
E(T) = K/p
V(T) = kq/p2
Donde:
N1 : Número de repeticiones necesarias hasta obtener el primer evento (éxito).
N2 : Número de repeticiones necesarias entre la primera ocerrencia hasta la segunda ocurrencia
del evento (éxito).
.
.
.
Nk : Número de repeticiones entre las (k-1) ocurrencias, hasta la ocurrencia del K-ésimo
evento(éxito)
1) P (T≤ n) = p (x>K)
2) P (T>n) = p (x<K)
() = 1
EJEMPLOS:
1.- En el ejemplo 3 anterior, ¿ Cuál es la probabilidad de que un segundo viento similar a 50 años
viento ocurrirá exactamente sobre el quinto año después del completamiento de la estructura?
solución
Sea T el número de pruebas hasta que ocurra el K-ésimo evento:
t=5yK=2
9
= 4C1 p1 q3 p
= 4(0.02)2 (0.98)3
= 0.0015
10
MODELO DE POISSON
En cada ejemplo los eventos ocurren según un proceso casual, denominado Proceso
de Poisson el que presenta las siguientes características:
1. El evento puede ocurrir aleatoriamente en algún intervalo de tiempo o espacio.
2. La ocurrencia de un evento en un intervalo de tiempo o espacio es independiente de
las ocurrencias en cualquier otro intervalo que no se superponga.
3. La probabilidad de ocurrencia de un evento en un intervalo pequeño es proporcional
a la magnitud del intervalo, se desprecia la probabilidad de más de 01 ocurrencia del
evento.
Definición. La variable aleatoria (v.a.d.) X que indica el número de veces que ocurre un
evento en un intervalo de tiempo o espacio, se denomina variable de Poisson y
su distribución es:
x
p ( X x) e
; x 0,1,2,...,
x!
donde:
p (x): Probabilidad de que el evento ocurra x veces en el intervalo predefinido.
: Tasa promedio de ocurrencias por intervalo unitario (Parámetro de la distribución)
Propiedades de la Distribución de Poisson.
1. El valor esperado de la v.a-X
E(X) = xp( x) =
x
2. Varianza de la v.a. X
V(X) = = µ
3. Se usa para aproximar las Probabilidades binomiales, Cuando = np ≤ 5. Sin embargo,
en la práctica, si n es muy grande, se admite hasta np = =30.
4. Sólo depende de un parámetro .
5. Cuando crece, la distribución de Poisson se aproxima a la Distribución Normal.
6. X es una variable entera y positiva ( valores de x N+ )
7. La función de distribución correspondiente es:
x x
e
p( X x)
x 0 x!
Solución
Definimos X como el número de bacterias en una muestra de 1 cm 3 de líquido.
b) P ( X 0)
= 0.0183
0!
c) P(X 2 ) = P(0) + P(1) + P(2) = 0.0183 + 0.0733 + 0.1465 = 0.2381
Ejemplo 2. Los registros de un hospital revelan que el número de admisiones diarias de emergencia
es aproximadamente de 03 durante este período. Asumiendo que el número de
admisiones de emergencia sugieren una distribución de Poisson, hallar:
Solución:
X: No. de admisiones de emergencia por día: X = 0, 1, 2, ...
: No. promedio de admisiones de emergencia por día = 3
x
X p( X , ) e
x!
3 32 0.050(9)
a) p( x 2) 0.225
e
2! 2 *1
4
b) p ( x 4) p ( x) p (0) p (1) p (2) p (3) p ( 4)
x 0
3 3
0
3 3
1
3 3
2 3 4
e 0.647
0! 1! 2! 3! 4!
Ejemplo 3. El 0.2% de los habitantes de una cuidad fallece por accidentes de
tránsito. Una compañía de seguros tiene 2000 asegurados contra
accidentes de tránsito. ¿ Cuál es la probabilidad de que la compañía
tenga que pagar durante un año al menos 2 de los 2000 asegurados?
Solución
Sea X = Número de asegurados que fallecen por accidentes de tránsito
durante un año.
La variable X tiene distribución Binomial con parámetros n = 2000 y p =
0.002
12
Cómo np = 4 < 5, la probabilidad pedida p ( X 2), se puede calcular
usando la aproximación del modelo Binomial mediante Poisson con
parámetro = 4.
1 4 x
e 4
Se tiene entonces que p ( X 2) = 1 – p (X < 2 ) = = 1 – ( e-4 + e-
x 0 x!
4
4 ) = 0.9084
Ejemplo 4. Supóngase que la razón anual de incidencia de leucemia en el
estado de Iowa es 11.2 casos por 100 000 habitantes en la población.
Si 100 000 ciudadanos son seguidos por un año:
a) ¿ Cuál es la probabilidad de ningún caso nuevo de leucemia ?
b) Si una población de 1000 son seguidos por un año, ¿ cuál es la probabilidad
de que no se encuentren nuevos casos de leucemia ?
Solución
Para responder las 02 proposiciones, nosotros debemos calcular la
razón de nuevos casos en un año para cada una de estas dos poblaciones
hipotéticas.
- Para la población de 100 000 nuevos casos la razón es 11.2 y entonces X será
definida como el número de nuevos casos en un año entre 100 000 pobladores:
11.2
0 e
p( x 0) (11.2) 0.0000137
0!
- Por otro lado, para la población de 1000 pobladores la razón de nuevos casos
de leucemia es 0.112 ( esto es (11.2 / 100 000 ) *1000), entonces para X
definido como el número de nuevos casos en un año entre 1000 pobladores:
0.112
0 e
p( x 0) (0.112) 0.89
0!
De este modo la razón de nuevos casos debe ser ajustado de acuerdo al tamaño
de la población.
Definición. Si X es una variable aleatoria uniforme en (a, b), entonces la media, la varianza
y la función generatriz de momentos son iguales a:
a)
(+)
µ =
13
b) 2 =
(−)
−
c) Mx(t) = (−)
Ejemplo. Sea X una variable aleatoria uniforme e el intervalo [2,4]; X U[ 2,4].
Calcular:
a) P(2.3≤ x≤ 3.4)
b) Graficar f(x)
c) La media de X
d) La varianza de X
e) La funci´´o generatriz de momentos.
Solución
14
MODELO EXPONENCIAL
El tiempo entre tales eventos (x) o tiempo de interarribo, está descrito por una
distribución o modelo exponencial, cuya función de densidad es:
f(x) = λ e-λ x ; x ≥ 0
Donde:
es el parámetro dela distribución
F(X ≥x) = −
Mx(t) =
− ; <
Aplicaciones En La Hidrología
La distribución exponencial se utiliza para describir los tiempos de interarribo
de choques aleatorios en sistemas hidrológicos, tales como volúmenes de escorrentía
contaminada que entran a los ríos a medida que la lluvia lava los contaminantes
15
localizados por la superficie del terreno.
Ejemplo.
Ejemplo:
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla
en años está dado por la variable aleatoria T, distribuida exponencialmente con
tiempo promedio de falla . Sí 5 de estos componentes se instalan en diferentes
sistemas, ¿cuál es la probabilidad de que al menos 2 continúen funcionando después
de 8 años?
Solución:
16
MODELO GAMA (DISTRIBUCION GAMMA)
Función Gamma
La función dada por la relación
1/
F(x) = (α) , para x>0, con α, β>0
= 0, en otro caso.
Teorema. Si X es una variable aleatoria que se distribuye como una Gamma con
parámetros α, y β, entonces la media, la varianza y la función generatriz de
momentos son:
a) µ= αβ
2
b) .= αβ
2
c) )-α ; Para
Mx(t) = (1-t β t< 1/β
17
a) La probabilidad de que X este entre 4 y 5
a) La media y la varianza de X
menos 20 kw-hora.
18
MODELO NORMAL GENERAL
El Modelo normal es la más importante en probabilidad y estadística. Muchas
poblaciones numéricas tienen distribuciones que se pueden ajustar con mucha
aproximación mediante una curva normal apropiada. Así por ejemplo:
Aun cuando la variable sea discreta, la curva normal proporciona con frecuencia
una aproximación excelente.
Además cuando las variables individuales no están normalmente distribuidas, en
condiciones apropiadas las sumas y promedios de las variables tendrán
aproximadamente una distribución normal
Definición. Una v.a.c X se dice que está distribuida normalmente, con med ia μ, y
varianza σ²>0, si su función de densidad de probabilidad, está dado por :
1 ( x ) 2 /( 2 2 )
f ( x) e ; - < x < +
2
Donde: f(x): función de probabilidad normal general
X : Variable normal general
, : Media y desviación estándar (parámetros de la distribución)
π : 3.14259
e : 2.71828
________________________________
-3 -2 - + +2 +3
2
x
k k
Nota. La curva normal estándar es utilizada para calcular áreas bajo una curva normal
general, teniendo en cuenta que tiene parámetros fijos: = 0 y = 1. La
dificultad para realizar cálculos bajo la curva normal general, una vez que se
tiene una variable normal general X, esta es estandarizada o transformada a una
variable Z, y luego usando un software o tablas elaboradas para la distribución
normal estándar se realiza el cálculo de probabilidades, es decir, el cálculo de
áreas bajo la curva normal estándar y éstas serán equivalentes a las de la curva
normal general.
1. P(0 < Z < 1.42) es igual al área bajo la curva normal estándar entre 0 y 1.42. O sea
que en la tabla, buscar hacia abajo en la primera columna hasta llegar a 1.4, y luego
continuar a la derecha hasta la columna 2. El elemento es 0.4222. Por
consiguiente, P(0 < Z <1.42) = 0.4222 = 42.22%
2. Por simetría,
P(-0.73 < Z < 0) = P (0 < Z < 0.73) = 0.2673 = 26.73%
3. P(- 1.37 < Z < 2.01) = P(-1.37 < Z <0) + P(0 < Z < 2.01) = 0.4147 + 0.4778 = 0.8295
4. P(0.65 < Z < 1.26) = P(0 < Z <1.26 ) - P( 0 < Z < 0.65) = 0.3962 – 0.2422 = 0.1540
5. P(-1.79 < Z < -0.54) = P ( 0.54 < Z < 1.79) = P(0 < Z <1.79) – P(0 < Z < 0.54)
= 0.4633 – 0.2054 = 0.2579
21
6. P( Z 1.13) = P( Z 0) – P(0 < Z <1.13) = 0.5000 – 0.3708 = 0.1292
B. Sea Z una variable aleatoria con distribución normal estándar. Determinar el valor
de Z si:
1. P( 0 < Z <z ) = 0.4236 2. P( Z z ) = 0.7967 3. P( z < Z < 2) = 0.1000
3. P (0 < Z < z) = P(0 < Z < 2) – P( z < Z < 2 ) = 0.4772 – 0.1000 = 0.3772
De la tabla obtenemos par Z = 1.161 ( por interpolación lineal) o simplemente Z =
1.16
Solución
Si X denota la cantidad distribuida N ( 64, 0.6084 )
La P( 0 < Z < z ) = 0.495, entonces z = 2.578, pero z= (c- 64)/0.78 = 2.58, despejando
el valor de “c”, se tendría: c = 64 + 2.58*0.78 = 66 onzas.
b. P(70 < X < 130) = P( -2 < Z < 2 ) = 2 P(0 < Z < 2 ) = 2( 0.47725) = 0.9545 = 95.45%
23
DISTRIBUCIÓN LOGNORMAL DE DOS PARÁMETROS
Esta distribución es muy usada para el calculo de valores extremos por ejemplo Qmax,
Qmínimos, Pmax, Pmínima (excelentes resultados en Antioquia). Tiene la ventaja que X>0 y
que la transformación Log tiende a reducir la asimetría positiva ya que al sacar logaritmos se
reducen en mayor proporción los datos mayores que los menores.
Limitaciones: tiene solamente dos parámetros, y requiere que los logaritmos de la variables
estén centrados en la media
Función de densidad:
y = ln x
donde,
y : media de los logaritmos de la población (parámetro escalar), estimado y :
Desviación estándar de los logaritmos de la población, estimado s y.
Estimación de parámetros:
PARAMETROS
Parámetros
Soporte
cdf
24
Media
Mediana eμ
Moda
Varianza
Asimetría
Curtose
Entropía
Factor de frecuencia:
Ln(XTr ) = xTr +KSy
de donde,
XTr = eln (xTr )
con K con variable normal estandarizada para el Tr dado, x y media de los logaritmos y S y es
la desviación estándar de los logaritmos.
2. Si se trabaja con los X sin transformar el K se calcula como
Limites de confianza:
En el campo transformado.
25
en donde, n numero de datos, Se error estándar, K T variable normal estandarizada.
Solución:
n=30
x= 15 m3/s xy=2.655
3
s = 5 m /s sy = 0.324
En el campo original
= 5/15 = 0.33
K T = 3.06
QTr = 15 + 5 * 3.028
QTr = 30.14 m 3/s
LnQTr100 = 3.40992
Limites de confianza
26
Ln (QTr) t(1-) Se
= 1.93
3.41 0.18095
[3.22905 3.59095]
[e3.22905 e3.59095 ]
[25.26 36.29] Intervalos de confianza para Q Tr100
b) Calcular la probabilidad de que un caudal de 45 m 3/s no se igualado o excedido P(Q 4.25).
Ln(42.5) = 3.75
t = (3.75 - 2.655)/0.324
P(Q 4.25) = 99.9%
Función de densidad:
27
Estimación de parámetros
Factor de frecuencia:
Donde Tr es el periodo de retorno. Para la distribución Gumbel se tiene que el caudal para un
período de retorno de 2.33 años es igual a la media de los caudales máximos.
Limites de confianza
K T es el factor de frecuencia y t (1-) es la variable normal estandarizada para una probabilidad
de no excedencia de 1- .
EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 años de periodo de retorno y los
intervalos de confianza. x= 15 m 3/s, s = 5 m3/s
QTr100 = x + K T s
K T = 3.14
QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s
Intervalos de confianza
= 3.93
28
Xt t(1-) Se
Esta distribución ha sido una de las mas utilizadas en hidrología. Como la mayoría de las
variables hidrológicas son sesgadas, la función Gamma se utiliza para ajustar la distribución
de frecuencia de variables tales como crecientes máximas anuales, Caudales mínimos,
Volúmenes de flujo anuales y estacionales, valores de precipitaciones extremas y volúmenes
de lluvia de corta duración. La función de distribución Gamma tiene dos o tres parámetros.
Función de densidad:
donde,
Factor de frecuencia:
29
3.4.4 Intervalos de confianza:
Xt t(1-) Se
EJEMPLO: Se tiene una estación con 30 años de registros de caudales máximos instantáneos
con Media de 4144 pie 3/s y desviación estándar de 3311 pie 3/s. Si el coeficiente de asimetría
de los caudales es de 1.981 pie 3/s cual es caudal para un periodo de retorno de 100 años y su
intervalo de confianza.
<!--[if !supportEmptyParas]--> <!--[endif]-->
QTr100 = X+ SK
K es F(1.981, 100) de tablas se obtiene K=3.595 (1.9,100) = 3.553
(2.0,100) = 3.605
QTr100 = 4144+ (3.595) (3311)
QTr100 = 16050 pie 3/s
Intervalos de confianza
Xt t(1-) Se
Si los logaritmos Y de una variable aleatoria X se ajustan a una distribución Pearson tipo III,
se dice que la variable aleatoria X se ajusta a una distribución Log Pearson Tipo III. Esta
distribución es ampliamente usada en el mundo para el análisis de frecuencia de Caudales
máximos. Esta se trabaja igual que para la Pearson Tipo III pero con X y y Sy como la media y
desviación estándar de los logaritmos de la variable original X.
30
Función de densidad:
donde,
Estimación de parámetros:
Factor de frecuencia:
Intervalos de confianza:
Xt t(1-) Se
31
EJERCICIOS
2. Un fabricante de piezas de motores garantiza que una caja de dichas piezas contendrá como máximo 2
piezas defectuosas. Si la caja contiene 20 piezas, y la experiencia ha demostrado que ese proceso de
fabricación produce 5% de piezas defectuosas, ¿Cuál es la probabilidad de que una caja satizfaga la
garantía?.
3. ¿Cuántas pruebas independientes hay que realizar con la probabilidad de que el suceso aparezca en cada
prueba igual a 0.4, para que el número más probable de apariciones del suceso en estas pruebas sea igual
a 25 ?.
4. Un dispositivo está compuesto por 1000 elementos que trabajan independientemente uno del otro. La
probabilidad de falla de cualquier elemento durante el tiempo T es igual a 0.002.Hallar la probabilidad
de que durante el tiempo "T" fallen exactamente 3 elementos.
5. Supóngase que la probabilidad de que un artículo producido por una máquina especial sea defectuoso
es igual a 0.2. Si 10 artículos producidos, se seleccionan al azar.¿Cuál es la probabilidad de que no se
encuentre más de un artículo defectuoso?.[Use la distrib. Binomial y la de Poisson, compare los
resultados?
7. El tiempo transcurrido hasta la falla para un cinescopio de televisión se estima que se distribuye
exponencialmente con media de tres años. Una compañía ofrece un seguro para este cinescopio para los
primeros cinco años de uso. ¿En qué porcentaje de las pólizas, tendrá la compañía que pagar recla-
maciones ?.
8. Establezca las condiciones bajo las cuales: Modelo binomial converge al modelo de Poisson; el M.
binomial converge a la normal; el M. Poisson converge a la normal.
9. Supóngase que Xt, el número de partículas emitidas en T horas por una fuente radiactiva, tiene
distribución de poisson con parámetro 20t. ¿Cuál es la probabilidad de que exactamente 5 partículas sean
emitidas durante un período de 15 minutos?.
10. Se han fabricado 20 probetas de un material particular, de las cuales por experiencia se sabe que el 20%
fallan a una tensión determinada. Se selecciona aleatoriamente (con reemplazo) cada probeta para some-
terlo a ensayo hasta encontrar la primera probeta que falla.
a. Calcular la probabilidad de que sean necesarios 5 ensayos
b. Calcular la probabilidad de que por lo menos 5 ensayos sean necesarios.
11. Supóngase que en un lote grande que contiene T ítems manufacturado 30% son defectuosos y el resto
buenos. Suponga que se seleccionan 10 ítems en forma aleatoria y sin reemplazo del lote de T ítems.
a. Determine una expresión para calcular la probabilidad de que exactamente "x" ítems sean defectuosos y
10-x sean buenos.
b. Determine una expresión exacta para la probabilidad de que a lo más se ha obtenido un ítem defectuoso.
12. Supóngase que el número de cierto tipo de accidentes en una fábrica se puede representar por un proceso
de Poisson, con un promedio de 2 accidentes por semana. ¿Cuál es la probabilidad de que:
a. El tiempo entre un accidente y el siguiente sea mayor de 3 días?.
b. El tiempo de un accidente al tercero sea mayor de una semana ?.
13. En un proyecto de construcción se midió la resistencia al esfuerzo cortante de 50 probetas del terreno,
observándose los siguientes valores (en KN/m²):
32
2450 3300 3400 3650 3800 2650 3150 3100 3500 2850 3050 4300 3300
3300 3150 2100 3300 3650 3150 3550 2900 3250 3000 3400 3750 3900
3600 3150 3600 3000 4200 3700 3050 3300 2350 4150 2950 3200 3900
3200 3450 2500 3050 2650 3050 2800 2700 3450 3400 3200.
a. Agrupe estas resistencias en una distribución de frecuencias con una amplitud de clase de 250 kN/m²,
empezando con 2000 kN/m².
b. Trace un histograma y un polígono de frecuencias, en base a estas gráficas decida si la distribución
empírica se aproxima a una normal
c. Calcule la media, la σ y el Coefic. variación. Qué grado de preci sión tiene la media ?.
d. ¿Cuál es la amplitud de variación de los datos anteriores? Encuentre el valor de la Moda y la mediana de
la distribución. En base a estas medidas determine aprox. el tipo de asimetría.
e. Mediante una gráfica de frecuencia acumulada relativa en un papel de probabilidad normal, verifique si
la distribución de los datos es aproximadamente normal.
f. suponiendo que la distribución es normal, encuentre la resistencia al esfuerzo cortante mínima que se
puede usar en el diseño, dando por hecho que existe un riesgo definido de que 1% de las muestras de
prueba presentaran una resistencia menor que dicho mínimo. Señale si alguna de las 50 probetas cae por
debajo de esta resistencia.
g. Obtenga las ecuaciones correspondientes a la curva de probabilidad normal y a la de frecuencias normal
para los datos dados. Trace la curva de probabilidad normal.
h. Estime la probabilidad de que el resultado de una prueba aleatoria tenga una desviación respecto de la
media que caiga entre -200 y + 500 kN/m².
i. Estime la probabilidad de que la media de 1 muestra de 36 probetas de terreno provenientes del mismo
lugar exceda de 3500 kN/m².
j. Encuentre los límites de la media de una muestra de 36 probetas de terreno al nivel de significación del
1 y 5%.
k. ¿Qué tamaño debería tener una muestra en pruebas futuras a fín de que la probabilidad de la media
muestral esté en error en mas de 400 kN/m² no sea mayor de 0.1 ?.
14. La vida o duración de cierto tipo de pila seca se distribuye normalmente con media 500 días y desviación
típica de 50 días. ¿Qué fracción de estas baterías puede esperarse que dure más de 580 días ? ¿Qué %
puede esperarse que falle antes de 450 días ?.
15. La resistencia eléctrica media de unas piezas metálicas es de 503 ohmios y su varianza vale 100.
Suponiendo que su distribución es normal. Calcular:
a. La proporción de piezas de resistencia exterior al intervalo [485, 520] ohmios.
b. Los límites de las resistencias entre las cuales se encontrarán el 95%, el 99%, el 99.8%.
c. La varianza que se debería tener para que con unas tolerancias de fabricación 500 ± 10 los desechos no
sobrepasasen el 3 por 1000.
d. La media y al varianza de las resistencias que se obtendrían empalmando en serie dos piezas.
16. Cierto tipo de transistor deberá utilizarse en cierta aplicación durante 50 h. Se dispone de dos marcas de
transistores, una que tiene una distribución de duración N(40,36) y la otra con una distribución de
duración N(48,9) ¿ Qué transistor deberá preferirse en esta aplicación ?.
17. Un proceso de producción produce artículos, de los cuales el 10% son defectuosos. Diariamente se
selecciona una muestra aleatoria de 200 artículos y se cuenta el número de defectuosos, denotada por X.
Utilizando la aproximación normal a la binomial obténgase:
a) p(X < 20) b) p(X=15) c) p( 15< X < 25) d) p(X=25)
18. La vida en años de un cierto tipo de componente de un sistema tiene distribución exponencial con
parámetro 1/10. Si en un sistema diferente se instalan 4 de estas componentes. ¿cuál es la probabilidad
de que al menos 3 de ellos continúen funcionando al término de 10 años ?.
19. Se sabe que la vida de bombillas eléctricas es una variable aleatoria distribuida normalmente con media
desconocida μ y desviación estándar 200 horas. El valor de un lote de 1000 bombillas es
$(1000)(1/5000)μ. Un posible co mprador propone tomar una muestra aleatoria de n bombillas y pagar al
productor $(1000)(1/5000)x por el lote de 1000 bombillas. ¿Cuál debe ser n para la probabilidad de que
el comprador no sobrepague ni subpague al productor en más de $ 20, sea de .95 ?.
33