Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Guía de estudio
1. Definiciones básicas
2. Distribución de Bernoulli
3. Distribución binomial
4. Distribución geométrica
5. Distribución hipergeométrica
6. Distribución de Poisson
7. Ejercicios
holger.benalcazar@epn.edu.ec
enero - 2018
1. Definiciones básicas
Cada experimento aleatorio tiene asociado un conjunto muestral que contiene todos los resultados posibles
del experimento. Una variable aleatoria (va) es una función que asigna un número real a cada elemento
del conjunto muestral; de esta manera, la probabilidad de un evento se traducirá por la probabilidad de que
la va tome determinados valores. Se distinguen dos tipos de va, las variables aleatorias discretas y las
variables aleatorias continuas, cuyas denominaciones obedecen a la naturaleza del conjunto muestral
asociado. En lo que sigue, las va se identificaran con letras mayúsculas y los valores que toman con letras
minúsculas.
Una variable aleatoria discreta (vad) es aquella que toma un número contable de valores, esto es, el
experimento aleatorio asociado tiene un número finito o infinitamente numerable de resultados.
Ejemplo 1:
- En el experimento de lanzar una moneda podemos definir la vad X de la siguiente manera: X=0, si sale
cara; y, X=1, si sale sello. En este caso, la vad X toma solo dos valores, uno por resultado posible, ya que
el conjunto muestral es de cardinalidad finita.
- Si fuese el caso, podemos definir la vad Y que mide la vida útil de una máquina en días. Entonces, la vad Y
tomará valores desde cero días en adelante: 0, 1, 2, ....; aquí, no conocemos el límite superior de los valores
de Y, aunque los podemos contar.
Si X es una vad que toma los valores: x1, x2, x3 ..., la función de probabilidad de X asigna a cada uno de
sus valores la probabilidad de que ocurran. En adelante, utilizaremos la notación pk, para referirnos a la
probabilidad de que la vad X tome exactamente el valor xk, esto es:
pk = P(X= xk)
Para asegurarnos que la función de probabilidad de cualquier vad X está bien definida, debemos verificar que
cumple con las propiedades:
0 pk 1 para cualquier k
2- Como la unión de todos los eventos simples reconstruye el conjunto muestral, la suma de las probabilidades
asignadas a los valores de X, debe ser uno:
p1 + p2 + p3 +...... = 1
Ejemplo 2: Si X es una vad que describe el resultado de lanzar una moneda; entonces, X tomará dos valores: x1
= 0 cuando salga cara y x2 = 1 cuando salga sello. Aquí los valores escogidos son solo etiquetas, pues los
resultados de lanzar la moneda no son numéricos. Si la moneda es legal, la función de probabilidad es: p1
= P(X=0)=0.50 y p2 = P(X= 1)=0.50.
Para definir una vad basta con conocer los valores que puede tomar la variable y la probabilidad con que
toma dichos valores, por lo que existen infinitas vad.
entonces Y es una vad. El gráfico de su función de probabilidad respecto a los valores de la variable, es:
0.3 0.3
0.2
0.1
0.05 0.05
-5 -2 0.5 4 8 11.2
F(w) = P( X w )= p
xk w
k
Como los valores que toma la vad X representan eventos simples, los cuales a su vez son disjuntos, se tiene que
la función de distribución evaluada en w no es más que la acumulación de las probabilidades correspondientes
a todos los valores de X que son menores o iguales a w. Además, los valores de la función de distribución, por
ser una probabilidad, siempre se encontrarán en el intervalo [0,1].
Si x1,x2,x3...xm, son los valores que toma la vad X, ordenados en forma ascendente, la función de
distribución se comportará de la siguiente forma:
Si w < x1, entonces F(w)= P( X w ) = 0, ya que X recién empieza a tomar valores a partir
de x1
- Cuando w= -1.4, la probabilidad de que X tome un valor menor o igual a w es 0, ya que X recién empieza
a tomar valores a partir del valor x1 =0. Igual razonamiento se puede hacer para cualquier valor w<0,
para los cuales la función de distribución será 0.
- Cuando w=0, existe ya un valor de X que es menor o igual a w, y este valor es x1 =0; luego, en este punto
tenemos que: F(0)= P(X 0) = P(X=0)=0.5.
- Cuando w=0.3, el valor x1 =0 sigue siendo el único valor de X que es menor o igual a w, por lo que no
existe ninguna probabilidad que acumular y se tiene que: F(0.3)= P(X 0.3) = P(X=0)=0.5.
- Cuando w=1, existen dos valores de X que son menores o iguales a w, x1 =0 y x2=1; de donde, el valor de
la función de distribución en uno, es: F(1)= P(X 1) = P(X=0) + P(X=1) =0.5 + 0.5 = 1.
- Cuando w=1.8, los dos valores de X son menores o iguales a w; por lo que en este punto tenemos que:
F(1.8)= P(X 1.8) = P(X=0) + P(X=1) =0.5 + 0.5 = 1. Igual razonamiento merece cualquier valor w>1,
para los cuales la función de distribución valdrá 1.
acumula 0.5
acumula 0.5
0 1
tk -1.5 0 2
Pk = P(T= tk ) 0.35 0.25 0.4
acumula 0.40
acumula 0.25
acumula 0.35
-1.5 0 2
Ejemplo 6: Si x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , son los valores que toma una vad X, ordenados en forma ascendente,
se tienen los siguientes resultados generales:
P(X ≤ x6 ) = F( x6 )
P(X x6 ) = 1- F( x5 )
P(X > x6 ) = 1- F( x6 )
P(x3 ≤ X ≤ x7 ) = F( x7 ) - F( x2 )
P(x3 ≤ X < x7 ) = F( x6 ) - F( x2 )
P(x3 < X ≤ x7 ) = F( x7 ) - F( x3 )
El valor esperado o esperanza de X es la suma de los productos entre los valores que toma la vad y la
probabilidad de que los tome. La esperanza de X, se asimila como el promedio de los valores de X que se
obtendría al repetir muchas veces el experimento respectivo. La manera de calcularla, es:
Este valor lo podemos interpretar de la siguiente manera. Si una persona lanza 1000 veces la moneda, se
esperaría que obtenga aproximadamente 500 caras y 500 sellos. Si además, cada vez que sale cara anota
un 0, y cada vez que sale sello lo registra con 1, la suma de sus 1000 registros estaría cerca de 500; y el
promedio por lanzamiento, la suma dividida por 1000, estaría cerca del valor esperado = 0.5. Si luego,
la persona realizara 10000 lanzamientos de la moneda y los registrara de la manera descrita, la suma
sería aproximadamente 5000 y el promedio que obtendría estaría mucho más cerca de = 0.5 que cuando
realizó solo 1000 lanzamientos. Es en este sentido, que el valor esperado de una vad se interpreta como el
promedio que se obtendría al repetir muchas veces un experimento.
Con relación a este mismo experimento, si asignamos a la vad X otro par de valores distintos a 0 y 1; por
ejemplo, el valor de –2 si la moneda sale cara y el valor de 5 si sale sello, el valor esperado es:
El cambio en el valor esperado es debido al cambio en los valores asignados a la vad X y no a una variación
en el concepto del mismo. En los 1000 lanzamientos seguiríamos esperando aproximadamente 500 caras
y 500 sellos, por lo que la suma de los registros estaría cerca de 1500 (500*(-2)+ 500*5), de donde el
promedio por lanzamiento estaría cerca de 1.5=1500/1000. Es decir, para este experimento, podemos
escoger cualquier par de números para asignarlos como valores de la vad X sin que esto altere la esencia
del análisis, aunque por facilidad se acostumbra a escoger valores más sencillos, tales como elegidos, 0
y 1.
El valor esperado para cualquier vad es un valor constante, sea que se lo conozca o no. Además, el concepto de
valor esperado es distinto del concepto de valor más probable, aunque en algunos casos pueden coincidir; el
valor esperado es el promedio que se obtendría al repetir muchas veces el experimento, mientras que el valor
más probable, es el valor al que apostaríamos al realizar una sola vez el experimento.
tk -1.5 0 2
Pk = P(T= tk) 0.35 0.25 0.4
Cualquier variable Z que se obtenga como una función de la vad X es también una vad. Esto es, si g(X) es
una función real de la vad X, entonces Z=g(X), es una vad.
tk -1 0 1 2
Pk = P(T= tk) 0.15 0.25 0.2 0.4
Entonces, la vad W= 3X-2, tomará los valores: -5, -2, 1 y 4, y tiene por función de probabilidad:
wk -5 -2 1 4
Pk= P(W= wk) 0.15 0.25 0.2 0.4
La función de probabilidad de W resulta del razonamiento siguiente: cuando la vad X toma el valor de -1, la
nueva vad vale W=3X-2 = 3(-1)-2= -5, y esto sucede con una probabilidad de 0.15; cuando X=0 se tiene que
W= 3(0)-2= -2, con una probabilidad de 0.25; cuando X=1 se tiene que W= 3(1)-2= 1, con una probabilidad
de 0.2; y cuando X=2, se tiene que W= 3(2)-2= 4, con una probabilidad de 0.4.
zk 0 1 4
Pk= P(Z= zk) 0.25 0.35 0.4
Podemos ver que la vad Z toma solo 3 valores, ya que cuando X=-1 o X=1, se tiene el mismo valor para la vad
Z, Z=(-1)2 = 12 =1; por tanto, Z=1 cuando X=-1 o X=1, lo que sucede con una probabilidad de 0.35=0.15+0.2.
1- Si Z es la vad construída mediante Z=g(X), donde g(X) es una función real de la vad X, entonces:
En especial:
2- El valor esperado de la combinación lineal de dos variables aleatorias es la combinación lineal de los valores
esperados; entonces, si a y b son constantes, se tiene que E(aX + bY)= a E(X) + bE(Y)
5- Para cualquier vad X con valor esperado y desviación típica , se cumple la desigualdad de Chebyshev.
Esta desigualdad asegura que para cualquier valor k>0, la probabilidad de que un valor cualquiera de la vad
X caiga en el intervalo [ -k , +k ] es mayor o igual a (1-1/k2):
P(X -k X + k ) (1-1/k2)
Asi, para cualquier vad, la probabilidad de que el valor esperado se encuentre dentro de k desviaciones
típicas medidas desde cualquier valor de la vad X, es mayor o igual a (1-1/k2).
Cuando además de conocer que X es una vad cualquiera, tengamos mayor información sobre la función
de probabilidad, comprobaremos que la probabilidad de la desigualdad crecerá.
Aunque hay infinitas vad, existen vad especiales que han demostrado su utilidad en la creación de modelos
matemáticos para estudiar la realidad en diversos campos y se las identifica por un nombre, como las vad de
Bernoulli, binomial, geométrica, hipergeométrica, Poisson, etc. Pasemos entonces a revisar algunas de ellas.
2. Distribución de Bernoulli
Consideremos un experimento que consiste en una sola prueba con dos resultados posibles: obtener un éxito
con probabilidad p u obtener un fracaso con probabilidad q =1-p. Si X es la va que representa el resultado
de la prueba, X es una va de Bernoulli.
Por facilidad se asume que X=1 si el resultado es un éxito y X=0 si el resultado es un fracaso, aunque es
válido tomar cualquier par de valores para representar el éxito y el fracaso. Entonces, la función de
probabilidad de X tiene solo dos valores: P(X=1)= p y P(X=0)= q.
Para una vad de Bernoulli, se tiene que su valor esperado es = p y su varianza es 2= pq.
3. Distribución binomial
Se dice que se realiza un experimento binomial si se tiene que:
2- La probabilidad de éxito p permanece constante en todas las pruebas, y por tanto, también la probabilidad
de fracaso.
En la práctica, es muy común que estemos interesados en estimar la proporción de elementos p de una población
que tienen una característica de interés, como la proporción de clientes morosos, o la proporción de artículos
defectuosos que genera un proceso de manufactura, o la proporción de votos que alcanzará un candidato, etc.;
en estos casos, tomamos una muestra aleatoria simple (por sorteo) para estimar la proporción poblacional. El
proceso de extracción de la muestra no es completamente un experimento binomial, aunque se lo puede
considerar como tal, si la fracción de muestreo es menor a 0.1; esto es, si existe N elementos en la población y
la muestra aleatoria es de tamaño n, la fracción n/N debe ser inferior a 0.1 para suponer un experimento binomial
con n pruebas, una por cada elemento que se sortea para la muestra, y con probabilidad de éxito p en cada
prueba.
Entonces, la selección de los 50 propietarios serán las 50 pruebas del experimento; diremos que obtenemos
un éxito en una prueba, si el propietario respectivo venderá el producto, y que obtenemos un fracaso en
caso contrario.
- Antes de seleccionar el primer propietario para la muestra, primera prueba, existirán 400 vendedores
en la población que venderán el producto; luego, la probabilidad de un éxito en la primera prueba es
p1= 400/1000 = 0.4.
Podemos observar que la probabilidad de éxito no permanece constante en todas las 50 pruebas, por lo
que este no sería completamente un experimento binomial; sin embargo, que la fracción de muestreo sea
n/N = 50/1000 = 0.05, hace que las variaciones de la probabilidad de éxito, aún en las situaciones
extremas, no varíe más allá de un 8%, por lo que en la práctica, esta selección de muestra la
consideraríamos un experimento binomial.
El caso anterior contrasta con el siguiente. Un comprador recibe un furgón con 20 grandes computadoras;
el comprador quiere revisar 3 computadoras para ver si trabajan bien antes de aceptar todo el cargamento.
Dos de las computadoras, lo que el comprador no sabe, tienen desperfectos. Nos preguntamos lo mismo,
¿La extracción de las 3 computadoras es un experimento binomial?
La selección de las 3 computadoras serán las 3 pruebas del experimento; la prueba será un éxito si la
computadora está dañada, y será un fracaso en caso contrario. En este caso, notemos que la fracción de
muestreo es n/N = 3/20 = 0.15, mayor a 0.10.
- La probabilidad de que la segunda computadora esté dañada dependerá de si la primera prueba fue
un éxito o un fracaso. Si la primera computadora fue defectuosa, la probabilidad de que la segunda lo
sea es p2= 1/19 = 0.053; si la primera computadora es buena, la probabilidad de que la segunda sea
defectuosa es p2= 2/19 = 0.105.
- La probabilidad de que la tercera prueba sea un éxito dependerá de si las dos pruebas anteriores fueron
éxitos o fracasos. Consideremos igualmente, solo los casos extremos. Si las dos primeras computadoras
fueron defectuosas, no habrá más defectuosas en el furgón, luego, la probabilidad de obtener un éxito
en la tercera prueba es p3= 0/18 = 0; mientras que si, las dos primeros pruebas fueron un fracaso, la
probabilidad de éxito en la tercera prueba es p3= 2/18 = 0.111.
Aquí, la probabilidad de éxito no permanece constante en las 3 pruebas; y además, por tratarse de una
fracción de muestreo mayor a 0.10, las variaciones que sufre la probabilidad de éxito pueden llegar al
100%, por lo que esta selección de muestra no podemos considerarla un experimento binomial.
Ejemplo 11: La compañía XYZ tiene planes de presentación de venta para una docena de productos. Se estima
que la probabilidad de recibir una orden como resultado de una de esas presentaciones es 0.3.
Cada presentación de un producto es una prueba, por lo que tenemos n=12 pruebas. Si llamamos éxito a
recibir una orden en una presentación, lo tendremos con una probabilidad de 0.3 en cada prueba. Luego, si la
vad X cuenta el número de éxitos, lo que buscamos es:
12
P(X=8) = C8 *0.38 * 0.74= 0.008
Ejemplo 12: Un proveedor entrega lotes con 2000 transistores, los cuales tienen una fracción de defectuosos
del 9%. El departamento de adquisiciones de la empresa compradora acostumbra tomar muestras
aleatorias de tamaño 60 y rechaza aquellos lotes que proporcionen muestras con más de 2 defectuosos.
Determínese la probabilidad de que un lote sea rechazado.
La fracción de muestreo es 60/2000=0.03, por lo que este tipo de muestreo puede considerarse un experimento
binomial, donde cada prueba consiste en revisar un transistor de la muestra. Luego, se realizan n=60 pruebas,
con probabilidad de éxito de 0.09, si encontrar un transistor defectuoso se denomina éxito. Si la vad D cuenta
el número de defectuosos en la muestra, el lote será rechazado con una probabilidad de:
En la práctica no es frecuente que el vendedor comunique la fracción real de defectuosos que tienen sus lotes
de artículos, lo más probable es que asegure que son 100% buenos. Un plan de muestreo facilitará al comprador
la identificación de lotes de productos con una fracción prohibitiva de artículos defectuosos para rechazarlos.
Un plan de muestreo simple se define por la dupla (n,c) y se lo aplica de la siguiente manera: en cada lote que
llega se toma una muestra de tamaño n, si el número de artículos defectuosos encontrados en la muestra es
mayor que el valor c se rechaza el lote, caso contrario, se acepta el lote. El valor c, se denomina valor de
aceptación.
Ejemplo 13: Consideremos el plan de muestreo simple (n=110, c=3). Si los lotes tienen una fracción defectuosa
de 0.01 o menos, el plan aceptará el 97.5% o más de estos lotes:
En la terminología del muestreo para aceptación, la fracción 0.01 se denomina Nivel de Calidad Aceptable,
y la fracción 0.06 se conoce como el Nivel de Calidad Rechazable.
4. Distribución geométrica
Esta distribución está también relacionada con un experimento binomial, excepto que el número de pruebas no
es fijo y lo que interesa es el número de pruebas requeridas para lograr el primer éxito. Si la vad X indica el
número de prueba en la que se obtiene el primer éxito, tendrá una distribución geométrica; su función de
probabilidad es:
El valor esperado y la varianza de la vad X son = 1/p y 2= q/p2, respectivamente. La función de
distribución es F(w) = 1 – qw, para cualquier entero w 1.
Ejemplo 14: Un lote de artículos tiene una proporción de defectuosos de 0.05. Se inspeccionan al azar, de uno
en uno los artículos.
Llamando éxito, el encontrar un artículo defectuoso, tendremos que en una prueba la probabilidad de obtener
un éxito es p= 0.05 y la probabilidad de obtener un fracaso es q=0.95. Si X es la vad geométrica que cuenta el
número de artículos que debemos revisar hasta encontrar el primer defectuoso, la probabilidad pedida es:
P(X=1) = q0 p1 = 0.05
Lo que buscamos ahora, es la probabilidad de que el primer defectuoso asome en cualquiera de las 2 primeras
revisiones, entonces:
¿Cuántos artículos en promedio habrá que revisar para encontrar el primer defectuoso?
Si nos fijamos, la respuesta es el valor esperado de X; entonces, tendríamos que revisar en promedio un número
de artículos igual a = 1/p = 1/0.05 = 20. Recordemos que el valor esperado es el promedio de repetir muchas
veces el experimento. Para este caso, si se inspeccionan 5000 lotes, por ejemplo, y cada vez se anota el número
de la prueba donde se encontró el primer defectuoso, tendremos 5000 registros; si se suman estos registros y
el resultado se divide por 5000, el resultado estará cerca de 20.
¿Cuál es la probabilidad de que el primer defectuoso se encuentre en las revisiones 18, 19, 20, 21 o 22?
5. Distribución hipergeométrica
Supóngase que en una población de tamaño N, existe un número D de elementos que tienen una
característica de interés (por ejemplo, artículos defectuosos). Cuando se selecciona de la población una
muestra de tamaño n, sin que haya reposición de los elementos extraídos, la vad X que cuenta el número
de elementos en la muestra con la característica de interés tiene una distribución hipergeométrica. La
función de probabilidad es:
C Dk C Nn kD
P(X=k)=
C Nn
Si denotamos por X a la vad que cuenta el número de microscopios defectuosos, la probabilidad de aceptar el
lote es:
Ejemplo 16: Si en el ejemplo anterior, el lote de microscopios fuese de tamaño 100, ¿qué tan satisfactoria sería
la aproximación binomial para calcular la probabilidad de tener a lo más 2 microscopios defectuosos?
En este caso tiene sentido usar la aproximación por la distribución binomial ya que, la fracción de muestreo
es n/N= 5/100 = 0.05, inferior al 10%. Entonces, tomando n=5 y p= 4/100, el valor aproximado es:
6. Distribución de Poisson
Esta distribución permite representar la distribución de frecuencias del número de ocurrencias por unidad de
medida de ciertos eventos; por ejemplo, llegadas a una unidad de servicio por minuto, número de fallas por
metro cuadrado, número de impurezas por litro, etc. Si es la tasa promedio de ocurrencia de los eventos por
unidad de medida, la función de probabilidad de la vad X que cuenta el número de eventos que ocurren en la
unidad de medida es:
Sean X1, X2, ..., Xm vad distribuidas independientemente, cada una con distribución de Poisson de parámetro
i, para i=1,2,..,m, y sea la vad Y= X1 + X2 + ...+ Xm, entonces Y también tiene una distribución de Poisson
con parámetro = 1 + 2 + ...+ m.
Ejemplo 17: Las lesiones graves que ocurren en una planta siderúrgica tienen una media anual de 2.7. Si las
condiciones de seguridad serán iguales en la planta durante los próximos años,
¿Cuál es la probabilidad de que el número de lesiones graves sea menor que dos el próximo año?
Aquí debemos aplicar el último resultado. Sean X1, X2 y X3, las vad que cuentan el número de lesiones en cada
uno de los próximos 3 años, respectivamente. Estas vad son independientes, en el sentido de que el número de
lesiones en un año no es influenciado por el obtenido en otro año; y además, como las condiciones de seguridad
se mantienen, cada vad tiene una distribución de Poisson con parámetro =2.7. Entonces, la vad que cuenta
el número de lesiones durante los próximos 3 años es Y= X1 + X2 + X3, que tiene una distribución de Poisson
con parámetro = 1 + 2 + 3 = 2.7+ 2.7 + 2.7 = 8.1. Luego:
7. Ejercicios
1- Una agencia de arrendamiento de automóviles recibe cada día de regreso 0, 1, 2, 3, 4 o 5 automóviles, con
probabilidades de 1/6, 1/6, 1/3, 1/12, 1/6 y 1/12, respectivamente.
2- Dos tetraedros regulares tienen las caras numeradas 1, 2, 3 y 4, respectivamente. Se arrojan los dos. Sea X
la va que registra la suma de las caras que quedan hacia abajo.
3- Supóngase que se inspeccionan los grandes lotes de productos que llegan a una planta manufacturera a fin
de encontrar artículos defectuosos. El plan de muestreo utilizado emplea n=10 y a=1. Si los lotes contienen
exactamente un 5% de artículos defectuosos, ¿Cuál es la probabilidad de que los lotes sean aceptados?
¿Cuál es la probabilidad de que los lotes sean rechazados? [la probabilidad de aceptar el lote es 0.914, a
pesar de contener un 5% de defectuosos]
4- Dibuje las curvas características de operación de los siguientes planes de muestreo para aceptación de grandes
lotes de artículos.
a) n=10 y a=0
b) n=10 y a=1
c) n=10 y a=2
d) n=25 y a=0
e) n=25 y a=1
f) n=25 y a=2
g) Para un tamaño de muestra fijo, ¿qué sucede al aumentar el valor de aceptación a?
h) Para un valor de aceptación fijo, ¿qué sucede al aumentar el tamaño de muestra n?
5- Un proceso de producción de transistores opera, en promedio, con una fracción de defectos del 2%. Cada
2 horas se selecciona del proceso una muestra aleatoria de tamaño 50. Si la muestra contiene más de 2
defectos, el proceso deberá detenerse. Determínese la probabilidad de que el proceso tenga que ser detenido.
[0.078]
7- Un agente de bienes raíces estima que sus probabilidades de vender una casa son de 0.25. Tiene que ver 4
clientes el día de hoy. Si tiene éxito en las primeras 3 visitas, cuál es la probabilidad de que no tenga éxito
en su cuarta visita? [0.253*0.75]
8- Cierto experimento deberá repetirse hasta obtener un resultado exitoso. Los ensayos son independientes y el
costo de realizar un experimento es de $25000; sin embargo, si se presenta un fracaso, cuesta $5000 poner en
orden las cosas para la siguiente prueba. La probabilidad de éxito en una prueba es de 0.25.
b- Supóngase que el experimentador dispone de máximo $500000. ¿Cuál es la probabilidad de que el costo
del trabajo experimental sobrepase esta cantidad? [0.01]
9- La compañía XYZ planea enviar un agente a visitar a posibles clientes hasta lograr una venta. Cada
presentación de ventas cuesta $500. El costo de viajar adonde se encuentra el siguiente cliente, incluido el
primero, y realizar una nueva presentación es de $100.
a- Cuál es el costo esperado de realizar una venta, si la probabilidad de realizar una venta después de
cualquier presentación es 0.1?
c- Si el presupuesto para promoción es solamente de $7000, ¿cuál es la probabilidad de que se gaste esta
cantidad sin obtener una orden?
10- Un furgón contiene 20 computadoras de las cuales 2 están defectuosas. Si se selecciona al azar 3
computadoras, ¿Cuál es la probabilidad de que 2 de ellas tengan desperfectos? [0.016]
11- Los lotes de cierto producto que llegan a una planta manufacturera constan de 100 unidades. En el
departamento de compras se utiliza el siguiente plan de muestreo de aceptación: se seleccionan al azar 20
unidades, sin reemplazo, y se acepta el lote si la muestra no contiene más de un elemento defectuoso.
b- Dibuje la curva característica de operación para n=10 y a=1. Compárela con la respectiva curva obtenida
utilizando una distribución binomial. ¿Qué puede concluir?
12- Una fábrica recibe pequeños lotes (N=25) de un dispositivo de alta precisión. Se desea rechazar un lote el
95% de las veces si éste contiene 3 dispositivos defectuosos. Suponga que se decide que la presencia de un
dispositivo defectuoso es suficiente para rechazar el lote. ¿Cuál debe ser el tamaño mínimo de muestra?
[16]
13- El número de glóbulos rojos por unidad cuadrada visible bajo un microscopio sigue una distribución de
Poisson con media 4. Obténgase la probabilidad de que más de 5 glóbulos rojos sean visibles para el
observador. [0.215]
14- Las cuadrillas de mantenimiento llegan por la mañana a la bodega pidiendo cierto repuesto y siguiendo una
distribución de Poisson con parámetro 2. Normalmente se tienen a mano 3 de esos repuestos. Si se presentan
15- Cada 10 horas un telar experimenta la ruptura de un hilo. Se está produciendo cierto tipo de tela que tomará
25 horas de trabajo en este telar. Si 3 o más rupturas hacen que el producto se vuelva no satisfactorio,
obténgase la probabilidad de que este tipo de tela se termine con calidad aceptable.
16- La probabilidad de que una persona se involucre en un accidente de auto es 0.01 durante cualquier año.
Cuál es la probabilidad de que alguien tenga 2 o más accidentes manejando durante un lapso de 10 años?
17- Un detallista ha determinado que el número de órdenes para un cierto artículo en un mes tiene una
distribución de Poisson con media 3. Calcular el nivel de almacenamiento K para el inicio del mes, de
manera que exista una probabilidad de al menos 0.95 de satisfacer a todos los clientes que ordenan el
artículo durante el mes. No se desea tener que devolver mercadería o volver a abastecer la bodega durante
el mes. [6]
18- Supóngase que la va X tiene una distribución binomial con n=30 y p=0.1. Halle el valor exacto de P(X3)
y su aproximación mediante la distribución de Poisson.
19- En una línea de control de calidad se revisan 10 artículos, determinándose que hay 3 que no cumplen con
las especificaciones. Si se escogen al azar 4 artículos, halle la esperanza de la variable aleatoria que describe
el número de artículos correctos entre los 4 seleccionados.
21- Una aeronave dispone de 2 motores que funcionan independientemente. La aeronave puede seguir volando
aún si ha perdido uno de los motores. La probabilidad de que un motor falle durante el vuelo es de 0.01.
Calcular la probabilidad de que en un vuelo:
a- No se observen fallas.
b- Falle un motor.
c- El avión caiga a tierra por falla en sus 2 motores.
22- La ganancia en 20 días de trabajo de un distribuidor al menoreo está dada por G= 1000- 200 Y2 , donde Y
representa el número de días en que su vehículo sufre algún desperfecto que le impide efectuar el reparto
diario. Si el vehículo, en promedio, se daña 2 días de cada 20 días, calcular la ganancia esperada del
distribuidor durante un período de 20 días.
23- Una compañía petrolera va a perforar 5 pozos, donde cada uno de ellos tiene una probabilidad de 0,1 de
producir petróleo de manera rentable. El costo de perforar un pozo es de $10.000, y si resulta rentable,
genera $150.000, ya descontado el costo de perforación.