TRABAJO FINAL ESTADISTICA

ESTEBAN RODRIGUEZ G 1088339757

JHON ALEXANDER HOYOS ORTIZ 1088327534

UNIVERSIDAD TECNOLOGICA DE PEREIRA

RISARALDA

15/12/16
 DISTRIBUCIÓN BINOMIAL

Una distribución binomial o de Bernoulli tiene las siguientes características:

1. En cada prueba del experimento sólo son posibles dos

resultados: éxito y fracaso.

2.La probabilidad de éxito es constante, es decir, que no varía de una prueba a

otra. Se representa por p.

3.La probabilidad de fracaso también es constante, Se representa por q, q = 1 – p

4.El resultado obtenido en cada prueba es independiente de los resultados

obtenidos anteriormente.

5.La variable aleatoria binomial, X, expresa el número de éxitos obtenidos en

las n pruebas. Por tanto, los valores que puede tomar X son: 0, 1, 2, 3, 4, ..., n.

La distribución bimomial se expresa por B(n, p)

Este tipo de distribución sirve para calcular el número de éxitos, en una secuencia
de(n) ensayos independientes de Bernoulli, con una probabilidad fija (P) de
ocurrencia del éxito entre los ensayos.

1 9
(
P ( X=2 )=f ( 2 )=b 2 ; 3 , )=
4 64

Un experimento de Bernoulli puede tener como resultado un éxito con probabilidad

p y un fracaso con probabilidad q = 1 – p. Entonces, la distribución de probabilidad
de la variable aleatoria binomial X, el número de éxitos en n ensayos
independiente es

( nx ) p q
b ( x ; n , p) = x n− x
, x=0,1,2…n

Observe que cuando n = 3 y p = 1/4, la distribución de probabilidad de X, el

número de artículos defectuosos, se escribe como
 x 3−x
1 3 1 3
(
b x;3,
4) ( )( ) ( )
=
x 4 4
, x=0,1,2,3

Es decir; (n) eventos que solo sabemos si suceden o no suceden, los (n) eventos
tienen probabilidad p que sucedan. Estos eventos son independientes entre sí. La
función de probabilidad de una distribución binomial es la probabilidad de que
los(n) eventos sucedan (X), donde X es claramente menor que N.

Las distribuciones binomiales son las más útiles dentro de las distribuciones de
probabilidad discretas. Dentro del campo de aplicación se encuentra inspección de
calidad, ventas, mercadotecnia, medicina, investigación, etc. En las empresas se
dan situaciones donde se espera que ocurra o no un evento específico. Éste
puede ser de éxito o fracaso. Por ejemplo, en la producción de un artículo, éste
puede salir bueno o malo. Casi bueno no es un resultado de interés. Para
situaciones como éstas se utiliza la distribución binomial

Ejercicios

5.4 En cierto distrito de la ciudad se establece que la causa de 75% de todos los
robos es la necesidad de dinero para comprar drogas. Calcule la probabilidad de
que entre los siguientes cinco casos de robo que se reporten en este distrito.

a) exactamente 2 sean resultado de la necesidad de dinero para comprar

drogas;
b) al menos 3 resulten de la necesidad de dinero para comprar drogas.

Solución

N=5 P=0.75 Q=0.25

X f(x) Funcion Probabilidad
0 0,00097656 0,00097656 0,00097656
1 0,01464844 0,01464844 0,015625
2 0,08789063 0,08789063 0,10352563
3 0,26367188 0,26367188 0,3671875
4 0,39550781 0,39550781 0,76269531
5 0,23730469 0,23730469 1

a) Dos resulten de la necesidad de dinero para comprar drogas.

5
 2   0, 75   0, 25 
2 3

 

Respuesta

La probabilidad de que resulten dos que usen el dinero para comprar drogas es
de

0,08789.

PQRS

b) Al menos tres resulten de la necesidad de dinero para comprar drogas.

5 5 5

 3   0, 75   0, 25    4   0, 75   0, 25    5   0, 75   0, 25 
3 2 4 1 5 0

     
La probabilidad de que al menos tres resulten de la necesidad de dinero para
comprar drogas

0,8964.

Ejercicio

5.7 Un destacado médico afirma que el 70% de las personas con cáncer de
pulmón son fumadores empedernidos. Si su aseveración es correcta, a) calcule la
probabilidad de que, de 10 de estos pacientes, que ingresaron recientemente a un
hospital, menos de la mitad sean fumadores empedernidos;

b) calcule la probabilidad de que, de 20 de estos pacientes, que ingresaron

recientemente a un hospital, menos de la mitad sean fumadores empedernidos

Solución

Todos Tienen cáncer n=10

70% por fumar

30% por otras causas

b ( x ; n; p )=¿
b ( x ; 10 ; 0.70 )=¿

4
P ( X <5 ) =∑ b (x ; 10 ; 0.70)
x=0

P ( X <5 ) =0,0474

Respuesta

La probabilidad de que, de 10 de estos pacientes, que ingresaron recientemente a

un hospital, menos de la mitad sean fumadores empedernidos es 4.74%

PQRS

b)

b ( x ; n; p )=¿

b ( x ; 20 ; 0.70 )=¿
 9
P ( X <10 ) =∑ b ( x ; 20 ; 0.70)
x=0

P ( X <10 ) =0,0171

Respuesta: la probabilidad de que menos de la mitad sean fumadores

empedernidos. Es 1.71%

PQRS

5.8 De acuerdo con un estudio publicado por un grupo de sociólogos de la

Universidad de Massachusetts, aproximadamente 60% de los consumidores de
Valium en el estado de Massachusetts empezaron a consumirlo a causa de
problemas psicológicos. Calcule la probabilidad de que entre los siguientes 8
consumidores entrevistados de este estado,

a) exactamente 3 comenzaron a consumir Valium por problemas psicológicos;

b) al menos 5 comenzaron a consumir Valium por problemas que no fueron

psicológicos.

SOLUCION

X = 0, 1, 2, 3,4;
n= 8 consumidores

P= 60% =0,6

f ( x ; n ; p )=¿

Para x =0, 1,.., n

8
(f (0;0.6,8) =( 0 ¿ 0.6 ∗¿
0

8
f ( 1 ; 0.6,8 )=( ) 0.61∗¿
1

8
f ( 2 ; 0.6,8 ) =( ) 0.62∗¿
2

8
f ( 3 ; 0.6,8 ) =( ) 0.63∗¿
3

8
f ( 4 ; 0.6,8 ) =( ) 0.64∗¿
4

p ( x ≥ 5 )=1− p ( x ≤ 4 )=1−0,4059=0,5941

Respuestas

a) La probabilidad de que exactamente 3 comenzaron a consumir valium por

problemas psicológicos es 0,1239 = 12,39%
b) La probabilidad de que por lo menos 5 comenzaron a consumir Valium por
problemas psicológicos es 0,5941=59,41%
 LA DISTRIBUCIÓN BINOMIAL NEGATIVA
c)  
d) Puede definirse como una generalización del modelo Geométrico o de Pascal.
Así, dado un suceso A y su complementario Ac, cuando X representa el número
de veces que se da Ac(ausencias, fallos, etc.) hasta que se produce r veces el
suceso A, en una serie de repeticiones de la experiencia aleatoria en condiciones
 independientes, decimos que X sigue la distribución Binomial negativa. Nótese
que, cuando r = 1, tenemos exactamente el modelo geométrico.
e) Este modelo queda definido por dos parámetros p (la probabilidad de A: p = P(A))
y r (el número de veces que debe producirse A para que detengamos la
experiencia).
f) La función de densidad viene dada por

f ( k )=P [ X=k ] = k +r −1 =p r qk =¿
( r −1 )
1) Esperanza: E(X) = r  q/p

2) Varianza: V(X) = r  q/p2

3)Este modelo se ajusta bien a contajes (números de individuos por unidad de

superficie) cuando se produce una distribución contagiosa (los individuos tienden a
agruparse).

4)  La distribución Binomial negativa puede definirse con mayor generalidad si

tomamos r como un número real positivo cualquiera (no necesariamente entero).
Pero, en dicho caso, se pierde el carácter intuitivo del modelo y se complican
ligeramente los cálculos. Por dichas razones, se ha excluido dicha posibilidad en
esta presentación.

Ejercicios binomiales negativa

5.52 Un científico inocula a varios ratones, uno a la vez, el virus que produce una
enfermedad, hasta que encuentra a 2 que contraen la enfermedad. Si la
probabilidad de contraer la enfermedad es de 1/6, ¿cuál es la probabilidad de que
tenga que inocular a 8 ratones?

Solución

X= número de ratones inoculados hasta observar dos que contraen la enfermedad

Éxito= cuando un ratón contrae la enfermedad.

P (éxito)=1/6
2
1 7 1 5 6
(
b∗ 8 ; 2,
6) ( )( ) ( )
=
1 6 6
=0,0651
5.92 Una pareja decide que continuará procreando hijos hasta tener dos hombres.
Suponiendo que P(hombre) = 0.5, ¿cuál es la probabilidad de que su segundo
niño sea su cuarto hijo?

SOLUCCION

P= Hombre

X= Su cuarto hijo

k= su segundo hijo

b∗( 4 ; 2,05 )= ( 31 )∗( 0,5 ) ∗( 0,5) =3∗( 0,25 )∗( 0,25)=0,1875

2 2

Respuesta

La probabilidad de que su segundo niño sea su cuarto hijo es de 0,1875=18,7

 LA DISTRIBUCIÓN HIPERGEOMÉTRICA DE PROBABILIDAD

La distribución hipergeométrica es una distribución discreta que expone el número

de eventos en una muestra de tamaño fijo cuando se conoce el número total de
componentes de la población de la cual proviene la muestra. Cada elemento de la
muestra tiene dos resultados posibles (o es un evento o un no evento). Las
muestras no tienen reemplazo, por lo que cada elemento de la muestra es
diferente. Cuando se elige un elemento de la población, no se puede volver a
elegir. Por lo tanto, la probabilidad de que un elemento en particular sea
seleccionado aumenta con cada ensayo, suponiendo que aún no ha sido
seleccionado.

Los experimentos que tienen este tipo de distribución tienen las siguientes
características:
a)      Al realizar un experimento con este tipo de distribución, se
esperan dos tipos de resultados.
b)      Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c)      Cada ensayo o repetición del experimento no es independiente de
los demás.
d)      El número de repeticiones del experimento (n) es constante.
Supongamos estamos en la selección de los componentes de una población y
estamos registrando si estos componentes tienen o no tienen cierta característica.
La característica que estamos registrando es: “éxito” o “fracaso”

Sabiendo que el número de elementos de la población es grande con respecto al

número en la muestras, la probabilidad de seleccionar un éxito en un solo intento
es igual a la proporción p de éxitos en la población. Debido a que la población es
grande con respecto al tamaño muestral, esta probabilidad permanecerá
constante (para todos los fines prácticos) de un intento a otro y el número x de
éxitos en la muestra seguirá una distribución binomial de probabilidad. No
obstante, si el número de elementos en la población es pequeño con respecto al
tamaño muestral (n/N ≥ 0.5), la probabilidad de un éxito para un intento
determinado depende de los resultados de intentos precedentes. Entonces el
número x de éxitos sigue lo que se conoce como una distribución hipergeométrica
de probabilidad. Es fácil visualizar la variable hipergeométrica aleatoria x si se
considera un tazón que contenga M esferas rojas y N-M esferas blancas, para un
total de N esferas en el tazón. Usted selecciona n esferas del tazón y registra x, el
número de esferas rojas que vea. Si ahora define un “éxito” como una esfera roja,
tendrá un ejemplo de la variable aleatoria x hipergeométrica. La fórmula para
calcular la probabilidad de exactamente k éxitos en n intentos se da a
continuación.

Una población contiene M éxitos y N M fracasos. La probabilidad de exactamente

k éxitos en una muestra aleatoria de tamaño n es:

C MK C Nn−k
−M

P(x=k) =
c Nn

Para valores de k que dependen de N, M y n con:

N!
C Nn =
n! (N−n) !

La media y la varianza de una variable aleatoria hipergeométrica son muy

semejantes a las de una variable aleatoria binomial con una corrección para el
tamaño fi nito de población:

μ=n ( MN )
σ 2=n ( MN )( N−M
N )( N−n
N −1 )
Ejemplo:

Un recipiente tiene 12 botellas de vinos, 3 de las cuales contienen vino que se ha

echado a perder. Una muestra de 4 botellas se selecciona al azar de entre la caja.
1. Encuentre la distribución de probabilidad para x, el número de botellas de vino
echado a perder de la muestra.

2. ¿Cuáles son la media y la varianza de x?

Para este ejemplo, N= 12, n= 4, V= 3 y (N- M)= B= 9. Entonces. p(x)

C3x C 94− x
P (x) =
C 12
4

1. Los valores posibles para x son 0, 1, 2 y 3, con probabilidades:

C30 C 94−0 1(126)

P (0) = C4
12 = 495 = 0.25
C31 C93 3(84)
P (1) = C4
12 = 495 = 0.51
C32 C92 3(36)
P (2) = C4
12 = 495 = 0.22
C33 C91 1(9)
P (3) = C4
12 = 495 = 0.02

2. La media:
μ=4 ( 123 )= 1
3. La varianza

σ 2=4 ( 12 ) ( 12−3
12 )( 12−4
11 )
=0.5455
Un producto industrial particular se envía en lotes de 20. Hacer pruebas para
determinar si un artículo es defectuoso o costoso; por tanto, el fabricante muestrea
la producción en lugar de usar un plan de inspección del 100%. Un plan de
muestreo construido para reducir al mínimo el número de piezas defectuosas,
enviadas a los clientes, exige muestrear cinco artículos de entre cada lote y
rechazar el lote si se observa más de una pieza defectuosa. (Si el lote es
rechazado, cada artículo del lote se prueba entonces.) Si un lote contiene cuatro
defectuosos, ¿cuál es la probabilidad de que sea aceptado?

C40 C 16 C41 C 16
P (sea aceptado) =p (0) +p (1) = C5
20
5
+ C5
20
4
=
0.7513

Ejercicios

5.55 Credenciales para enseñanza En el sur de California, un creciente número de

personas que buscan una credencial para enseñanza están escogiendo
internados pagados en los tradicionales programas estudiantiles para enseñanza.
Un grupo de ocho candidatos para tres posiciones locales de enseñanza estaba
formado por cinco candidatos, que se habían inscrito en internados pagados y tres
candidatos que se habían inscrito en programas tradicionales estudiantiles para
enseñanza. Supongamos que los ocho candidatos están igualmente calificados
cados para las posiciones. Represente con x el número de candidatos capacitados
en un internado que son contratados para estas tres posiciones.
 a. ¿La x tiene una distribución binomial o una distribución hipergeométrica?
Apoye su respuesta.

b. Encuentre la probabilidad de que tres candidatos capacitados en internado

sean contratados para estas posiciones.

c. ¿Cuál es la probabilidad de que ninguno de los tres contratados sea capacitado

en internado?

d. Encuentre P(x ≤ 1).

a) Tiene una distribución hipergeométrica. Ya que:

-Al realizar un experimento con este tipo de distribución, se esperan dos
tipos de resultados.
-      Las probabilidades asociadas a cada uno de los resultados no son
constantes.

N=8 M=5 n=3

C MK C Nn−k
−M

P(x=k) = N
cn

C5x C 33−x
P (x) = C3
8
 C53 C30
b)P (x=3) = C3
8 =10/56=0.1786

C50 C33
c) P (x=0) = C3
8 =1/56=0.01786
 C50 C33 C51 C32
d)P (x≤1) = C83 + C83 =1+15/56=0.2857

5.56 Tratamiento a semillas Es frecuente que las semillas sean tratadas con un
fungicida para protegerlas de ambientes mal drenados, húmedos. En un intento a
pequeña escala antes de un experimento a gran escala para determinar qué
dilución del fungicida aplicar, cinco semillas tratadas y cinco no tratadas se
plantaron en suelo arcilloso y se registró el número de plantas que emergieron de
las semillas tratadas y de las no tratadas. Suponga que la dilución no fue eficcaz y
sólo emergieron cuatro plantas. Represente con x el número de plantas que
emergieron de semillas tratadas.

a. Encuentre la probabilidad de que x= 4.

b. Encuentre P(x ≤ 3).

c. Encuentre P (2 ≤ x ≤ 3).

N=10 M=5 n=4

C MK C Nn−k
−M

P(x=k) =
c Nn

C5x C 54− x
P (x) = C 10
4
para x= 0 1 2 3 4
 C54 C 50
a) P (x=4) = C4
10 = 5/210= 0.023

C53 C51
b) Y *P (x=3) = C4
10 = 50/210= 0.2380
 *
C52 C52
P(x=2) = C4
10 = 100/210= 0.4761

C51 C53
*P(x=1) = C4
10 = 50/210= 0.2380

C50 C54
*P(x=0) = C4
10 = 5/210= 0.02380
DISTRIBUCIÓN GAMMA
Y DISTRIBUCIÓN EXPONENCIAL

La distribución exponencial es un caso especial de la distribución gamma, y

ambas tienen un gran número de aplicaciones. La distribución exponencial y la
distribución gamma desempeñan un papel importante en la teoría de colas y en
problemas de confiabilidad. Los tiempos entre llegadas en instalaciones de
servicio y los tiempos de operación antes de que partes componentes y sistemas
eléctricos empiecen a fallar a menudo se representan bien mediante la distribución
exponencial. La relación entre la distribución gamma y la exponencial permite que
la gamma se utilice en problemas similares

Ejemplos.
∞
α −1 −x
Γ (α)=∫ x e dx , para α >0
0

La variable aleatoria continua X tiene una distribución gamma, con parámetros α y

β, si su función de densidad está dada por:
 1

{ α
F (x;α,β) = β Γ (α )
x α −1 e−x/ β , x >0

0,

Donde α>0 y β>0

En la siguiente figura se muestran gráficas de varias distribuciones gamma para

ciertos valores específicos de los parámetros α y β. La distribución gamma
especial para la que α= 1 se llama distribución exponencial.

La variable aleatoria continua X tiene una distribución exponencial, con parámetro

β,si su función de densidad es dada por

1 −x / β
{ β
e , x >0
0 , en otro caso
Donde β >0

RELACIÓN CON EL PROCESO DE POISSON

Las aplicaciones más importantes de la distribución exponencial son situaciones

donde se aplica el proceso de Poisson. Recuerde que la distribución de Poisson
se utiliza para calcular la probabilidad de números específicos de “eventos”
durante un periodo o espacio particulares.
La relación entre la distribución exponencial y el proceso de Poisson es muy
simple. La distribución de Poisson se desarrolló como una distribución de un solo
parámetro con parámetro λ, donde λ se interpreta como el número medio de
eventos por unidad de “tiempo”. Considere ahora la variable aleatoria descrita por
el tiempo que se requiere para que ocurra el primer evento. Si utilizamos la
distribución de Poisson, vemos que la probabilidad de que no ocurra algún evento,
en el periodo hasta el tiempo t, es dada por:

p(0 ; λt)=e− λt ¿ ¿

Podemos utilizar lo anterior y hacer que X sea el tiempo para el primer evento de
Poisson. La probabilidad de que la duración del tiempo hasta el primer evento
exceda x es la misma que la probabilidad de que no ocurra algún evento de
Poisson en x. Esto último, por supuesto, es dado por e− λt
Como resultado

P( X > x)=e−λt

Así, la función de distribución acumulativa para X es dada por:

P ( 0 ≤ X ≤ x )=1−e−λt

Ahora, para poder reconocer la presencia de la distribución exponencial, podemos

diferenciar la función de distribución acumulativa anterior con el fin de obtener la
función de densidad

f (x)= λ e−λx

1
Que es la función de densidad de la distribución exponencial con λ=
β

APLICACIONES DE LA DISTRIBUCIÓN EXPONENCIAL

Ilustraremos algunas aplicaciones de modelado y después procederemos analizar

el papel que la distribución gamma desempeña en ellas. Observe que la media de
la distribución exponencial es el parámetro β, el recíproco del parámetro en la
distribución de Poisson. El lector debería recordar que con frecuencia se dice que
la distribución de Poisson no tiene memoria, lo cual implica que las ocurrencias en
periodos sucesivos son independientes. El importante parámetro β es el tiempo
promedio entre eventos. En la teoría de confiabilidad, donde la falla de equipo con
frecuencia se ajusta a este proceso de Poisson, β se denomina tiempo medio
entre fallas. Muchas descomposturas de equipo siguen el proceso de Poisson y
por ello se aplica la distribución exponencial.
En el siguiente ejemplo mostramos una aplicación de la distribución exponencial
incluyendo la distribución binomial.

 Suponga que un sistema contiene cierto tipo de componente cuyo tiempo

de operación antes de fallar, en años, está dado por T. La variable aleatoria
T se modela bien mediante la distribución exponencial con tiempo medio de
operación antes de fallar β= 5. Si se instalan 5 de estos componentes en
diferentes sistemas, ¿cuál es la probabilidad de que al final de 8 años al
menos dos aún funcionen?

Solución:
La probabilidad de que un componente determinado siga funcionando
después de 8 años es dada por
∞
1
P(T >8)= ∫ e−1 /5 dt=e−8 /5 ≈ 0.2
58

Representemos con X el número de componentes que todavía funcionan

después de 8 años. Entonces, utilizando la distribución binomial tenemos
5 1
P( X ≥ 2)=∑ b (x ; 5,0.2)=1−∑ b(x ; 5,0.2)=1−0.7373=0.2627 .
x=2 x=0

LA PROPIEDAD DE FALTA DE MEMORIA

Y SU EFECTO EN LA DISTRIBUCIÓN EXPONENCIAL.

En los tipos de aplicación de la distribución exponencial en los problemas de

confiabilidad y de tiempo de vida de una máquina o de un componente influye la
propiedad de falta de memoria de la distribución exponencial.

 Ejemplo: En el caso de, digamos, un componente electrónico, en el que la

distribución del tiempo de vida es exponencial, la probabilidad de que el
componente dure, por ejemplo, t horas, es decir,P(x ≥t ) es igual que la
probabilidad condicional

P( X ≥ t 0+ t∨ X ≥t 0)
Entonces, si el componente “alcanza” las t 0 horas, la probabilidad de que dure
otras t horas es igual que la probabilidad de que dure t horas. No hay “castigo” a
través del desgaste como resultado de durar las primeras t 0 horas. Por lo tanto,
cuando la propiedad de falta de memoria es justificada es más adecuada la
distribución exponencial. Pero si la falla del componente es resultado del desgaste
lento o gradual (como en el caso del desgaste mecánico), entonces la distribución
exponencial no es aplicable y serían más adecuadas la atribución gamma o la de
Weibull. la distribución exponencial describe el tiempo que transcurre hasta la
ocurrencia de un evento de Poisson (o el tiempo entre eventos de Poisson), el
tiempo (o espacio) que transcurre hasta que ocurre un número específico de
eventos de Poisson es una variable aleatoria, cuya función de densidad es
descrita por la distribución gamma. Este número específico de eventos es el
parámetro α en la función de densidad gamma. De esta manera se facilita
comprender que cuando α=1, ocurre el caso especial de la distribución
exponencial.

 Ejemplos:
1. En un estudio biomédico con ratas se utiliza una investigación de
respuesta a la dosis para determinar el efecto de la dosis de un
tóxico en su tiempo de supervivencia. El tóxico es producido por el
combustible que utilizan los aviones y, en consecuencia, descargan
con frecuencia a la atmósfera. Para cierta dosis del tóxico, el estudio
determina que el tiempo de supervivencia de las ratas, en semanas,
tiene una distribución gamma con α=5 y β=10.

¿Cuál es la probabilidad de que una rata no sobreviva más de 60

semanas?

Solución: Sea la variable aleatoria X el tiempo de supervivencia (tiempo

hasta la muerte). La probabilidad que se requiere es
60
1 x α −1 e− x/ β
P( X ≤ 60)= 5 ∫ dx
β 0 Γ (5)
La integral anterior se puede resolver mediante la función gamma incompleta, que
se convierte en la función de distribución acumulativa para la distribución gamma.
Esta función se escribe como
x
y α −1 e− y
F (x ; α )=∫ dy
0 Γ (α )

Si permitimos que y=x/β, de modo que x=βy, tenemos

6
y 4 e− y
P( X ≤ 60)=∫ dy
0 Γ (5)
Que se denota como F(6; 5) en la tabla de la función gamma incompleta del
apéndice A.23. Observe que esto permite un cálculo rápido de las probabilidades
para la distribución gamma. De hecho, para este problema la probabilidad de que
la rata no sobreviva más de 60 días es dada por

P( X ≤ 60)=F (6 ; 5)=0 .715

2. A partir de datos previos se sabe que la longitud de tiempo, en

meses, entre las quejas de los clientes sobre cierto producto es una
distribución gamma con α=2 y β=4. Se realizaron cambios para
hacer más estrictos los requerimientos del control de calidad
después de los cuales pasaron 20 meses antes de la primera queja.
¿Parecería que los cambios realizados en el control de calidad
resultaron eficaces?

Solución: Sea X el tiempo para que se presente la primera queja, el

cual, en las condiciones anteriores a los cambios, seguía una
distribución gamma con α=2 y β=4. La pregunta se centra alrededor
de qué tan raro es X≥20 dado que α y β permanecen con los valores
2 y 4, respectivamente. En otras palabras, en las condiciones
anteriores ¿es razonable un “tiempo para la queja” tan grande como
20 meses? Por consiguiente, si seguimos la solución del ejemplo
6.19,
20
1 x α −1 e−x/ β
P( X ≥ 20)=1− α ∫ dx
β 0 Γ(α)

De nuevo, usando y=x/β tenemos

5
y e− y
P( X ≥ 20)=1−∫ dy=1−F(5 ; 2)=1−0.96=0.04
0 Γ (2)

Donde F(5; 2) = 0.96 se obtiene de la tabla A.23.Como resultado, podríamos

concluir que las condiciones de la distribución gamma con α=2 y β=4 no son
sustentadas por los datos de que un tiempo observado para la queja sea tan
extenso como 20 meses. Entonces, es razonable concluir que el trabajo de control
de calidad resultó eficaz.

3. Considere el ejercicio 3.31 de la página 94. Con base en abundantes

pruebas se determinó que el tiempo Y en años antes de que se
 requiera una reparación mayor para cierta lavadora se caracteriza
por la función de densidad

1 − y/ 4
{
F ( y)= 4
e , y ≥0,
0. en otro caso .

Observe que Y es una variable aleatoria exponencial con μ=4 años.

Se considera que la lavadora es una ganga si no hay probabilidades
de que requiera una reparación mayor antes de cumplir 6 años de
haber sido comprada. ¿Cuál es la probabilidad de P(Y> 6)?
¿Cuál es la probabilidad de que la lavadora requiera una reparación
mayor durante el primer año?

Solución: Considere la función de distribución acumulativa F(y) para la

distribución exponencial
y
1
F ( y)= ∫ e−1 / β dt=1−e− y/ β
β 0

De manera que

P(Y >6)=1−F (6)=e−3 /2=0.2231

Por lo tanto, la probabilidad de que la lavadora requiera una reparación mayor
después de seis años es de 0.223. Desde luego, la probabilidad de que requiera
reparación antes del sexto año es de 0.777. Así, se podría concluir que la lavadora
no es realmente una ganga. La probabilidad de que se requiera una reparación
mayor durante el primer año es

P(Y <1)=1−e−1/ 4=1−0.779=0.221

Ejercicios

El tiempo de respuesta de una computadora es una aplicación importante de las

distribuciones gamma y exponencial. Suponga que un estudio de cierto sistema de
cómputo revela que el tiempo de respuesta, en segundos, tiene una distribución
exponencial con una media de 3 segundos.

a) ¿Cuál es la probabilidad de que el tiempo de res-

puesta exceda 5 segundos?
b) ¿Cuál es la probabilidad de que el tiempo de res-
puesta exceda 10 segundos?

Respuesta
 µ=3 segundos
1 − x/3 por x>0
F(X)= e
3
∞
1 − x/3 1 −x/ 3
a) P( x >5)=∫ e dx= [− 3 e ] evaluado entre 5 y ∞
5 3 3

¿ e−5 /3=0.1889

b) P( X > 10)=e−10/ 3=0.0357

6.66 Cierto tipo de dispositivo tiene una tasa de fallas anunciada de 0.01 por
hora. La tasa de fallas es constante y se aplica la distribución exponencial.

a) ¿Cuál es el tiempo promedio que transcurre antes de la falla?

b) ¿Cuál es la probabilidad de que pasen 200 horas

antes de que se observe una falla?

Respuesta

a) µ= β = 100 horas
 ∞
−0.01 x
b) P (X ≥ 200) =¿ 0.01 ∫ e dx=e−2=0.1353
200