Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1) ¿Qué se entiende por modelo o distribución de probabilidad de una variable aleatoria? Elaborar una opinión sobre
los motivos por los cuáles se trabaja con modelos y no con las verdaderas distribuciones de las variables.
En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable aleatoria es una función que
asigna a cada suceso definido sobre la variable la probabilidad de que dicho suceso ocurra. La distribución de probabilidad
está definida sobre el conjunto de todos los sucesos y cada uno de los sucesos es el rango de valores de la variable
aleatoria. También puede decirse que tiene una relación estrecha con las distribuciones de frecuencia
2) Resumir las principales propiedades del modelo Binomial y del modelo de Poisson. Destacar especialmente cuáles
son: Los principales supuestos de este modelo. Los Parámetros. La Función de Probabilidad. Las expresiones que
permiten determinar el valor esperado y la varianza de la variable. Las posibles asimetrías que puede representar el
modelo.
DISTRIBUCION BINOMIAL
DISTRIBUCION POISSON
3) Cuando una variable aleatoria tiene distribución aproximadamente Normal:
4) Distintas variables aleatorias, como por ejemplo la vida útil de una herramienta de corte o el tiempo entre llegadas
de dos vehículos sucesivos a una cabina de peaje, tienen comportamientos que pueden ser descriptos con el Modelo
Exponencial.
DISTRIBUCION EXPONENCIAL
5) Investigar sobre el Teorema Central del Límite y determinar cuáles son las propiedades que se demuestran con el
mismo. Determinar por qué razón el teorema explica, que distribuciones Discretas como Binomial y Poisson, tiendan a
comportarse como una Normal bajo ciertas condiciones.
Ejercicios Propuestos
1. El 10% de las llantas que produce una fábrica resultan con defectos. Si de la producción se forma un lote de diez unidades
seleccionadas al azar. Encontrar respuestas a las siguientes cuestiones:
Se pude representar mediante el modelo binomial porque la variable aleatoria es de tipo discreto. Además: Solo hay dos
resultados posibles: defectuosa o no defectuosa. Los resultados son independientes unos de otros. La probabilidad de
éxito es constante.
El éxito se considera cuando ocurre el evento de interés, en este caso es “se fabrica una llanta defectuosa” y su
probabilidad es del 10%
d) Calcular es la probabilidad que: Haya exactamente dos llantas defectuosas. Ninguna esté defectuosa. Haya más de 2
defectuosas.
𝑃(𝑋 = 2) = 0.1937
𝑃(𝑋 = 0) = 0.3487
𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2) = 1 − 0.9298 = 0.0702
𝑃(𝑋 ≤ 2) = 𝑃(0) + 𝑃(1) + 𝑃(2) = 0.3487 + 0.3874 + 0.1937 = 0.9298
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝑛 𝑦 𝑝 → 𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛, 𝑝)
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 𝑛𝑝 → 10 𝑥 0.1 = 1
Mirando el valor de p podemos asegurar que la distribución de probabilidad tiene una asimetría positiva.
2. Un examen del tipo “múltiple choice” consta de 10 preguntas y para aprobar, son necesarias como mínimo 6 respuestas
correctas.
a) Si cada una de las preguntas tiene 2 respuestas posibles, averiguar la probabilidad de aprobar el examen sólo por azar.
𝑋 = 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎𝑠 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎𝑠
𝑝 = 0.5
𝑛 = 10
𝑃(𝑋 ≥ 6) = 1 − 𝑃(𝑋 < 6) = 1 − 0.6231 = 0.377
P(X < 6) = P(0) + P(1) + P(2) + P(3) + P(4) + P(5) = 0.0010 + 0.0098 + 0.0439 + 0.1172 + 0.2051 + 0.2461 = 0.6231
b) Si el número de respuestas posibles para cada pregunta se eleva a 4, ¿cuál sería ahora la probabilidad de aprobar por
azar?
𝑋 = 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎𝑠 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎𝑠
𝑝 = 0.25
𝑛 = 10
𝑃(𝑋 ≥ 6) = 1 − 𝑃(𝑋 < 6) = 1 − 0.9803 = 0.0197
P(X < 6) = P(0) + P(1) + P(2) + P(3) + P(4) + P(5) = 0.0563 + 0.1877 + 0.2816 + 0.2503 + 0.1460 + 0.0584 = 0.9803
3. En un recinto policial, se estudian las llamadas recibidas por hora y se tienen los siguientes datos promedios:
b) Proponer un modelo de probabilidades que permita representar esta variable. Justificar detalladamente la
elección.
Teniendo en cuenta la variable aleatoria “llamados por minuto” decidimos representar la variable mediante el modelo de
distribución de probabilidades de Poisson, este modelo es especialmente útil cuando tenemos un numero de eventos en
este caso llamadas (N° de éxitos) en una unidad de tiempo o espacio en este caso minutos, durante un experimento de
Poisson.
c) Proponer valores adecuados para los parámetros del modelo.
𝑋 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠 𝑝𝑜𝑟 𝑚𝑖𝑛𝑢𝑡𝑜
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝜆 → 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆)
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 𝜆 → 3
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 = 𝑉(𝑋) = 𝜎 2 = 𝜆 → 3
𝑃(𝑌 = 2) = 0.0004
4. Una máquina sufre, en promedio, 3 desperfectos por mes que obligan a su detención para realizar
reparaciones.
a) Especificar cuál es la variable en estudio y proponer un modelo de probabilidades que permita representarla.
Justifique claramente su elección.
Teniendo en cuenta la variable aleatoria “defectos por mes” decidimos representar la variable mediante el modelo de
distribución de probabilidades de Poisson, este modelo es especialmente útil cuando tenemos un numero de eventos en
este caso defectos (N° de éxitos) en una unidad de tiempo o espacio en este caso mes, durante un experimento de Poisson.
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝜆 → 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆)
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 𝜆 → 3
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 = 𝑉(𝑋) = 𝜎 2 = 𝜆 → 3
Calcular:
b) La probabilidad de que durante un mes cualquiera no sufra ninguna detención.
𝑃(𝑋 = 0) = 0.0498
c) La probabilidad de que durante un mes cualquiera sufra al menos una detención.
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 < 1) = 1 − 0.0498 = 0.9502
𝑃(𝑋 < 1) = 𝑃(0) = 0.0498
d) La probabilidad de que durante un mes cualquiera sufra entre 1 y 3 detenciones (ambos valores incluidos).
𝑃(1 ≤ 𝑋 ≤ 3) = 𝑃(1) + 𝑃(2) + 𝑃(3) = 0.1494 + 0.2240 + 0.2240 = 0.5974
e) La probabilidad de que en dos meses sufra 5 detenciones.
𝑃(𝑌 = 6) = 0.1606
5. En un proceso productivo se produce un 1 % de piezas no conformes. Si se arman lotes de 250 piezas, calcular la
probabilidad de que ninguna pieza sea no conforme, de la siguiente manera:
𝑋 = 𝑝𝑖𝑒𝑧𝑎𝑠 𝑛𝑜 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑒
𝑝 = 0.01 𝑛 = 250
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝑛 𝑦 𝑝 → 𝑋~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛, 𝑝)
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 𝑛𝑝 → 250 𝑥 0.01 = 2.5
Sea X una variable aleatoria con distribución de probabilidad Binomial con parámetros n y p. Cuando 𝑛→∞ 𝑦 𝑝=0, y 𝜇=𝑛𝑝
permanece constante X~Binomial (n; p) → X~Poisson (μ) El criterio utilizado para decidir si podemos resolverlo aplicando
las aproximaciones de la Binomial es si 𝑛𝑝<5
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝜆 → 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆)
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 𝜆 → 2.5
Tenemos una variable continua, su media y desvió estándar, por lo que podemos usar un modelo de distribución normal.
𝜇 = 20
𝜎=2
𝑥−𝜇
𝑧=
𝜎
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝜇 𝑦 𝜎 → 𝑋~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇 , 𝜎 2 )
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 20
18 − 20 22 − 20
𝑃(18 < 𝑋 < 22) → 𝑃 (( )<𝑍<( )) → 𝑃(−1 < 𝑍 < 1)
2 2
𝑃(𝑍 ≤ 1) = 0.8413
𝑃(𝑍 ≤ −1) = 0.1587
𝑃(−1 < 𝑍 < 1) = 𝑃(𝑍 ≤ 1) − 𝑃(𝑍 ≤ −1) = 0.8413 − 0.1587 = 0.6826
7. Se regula una máquina despachadora de refrescos para que el contenido de cada vaso tenga distribución Normal con
media 200 ml. y con un desvío de 15 ml. Determinar:
Tenemos una variable continua, su media y desvió estándar, por lo que podemos usar un modelo de distribución normal.
𝜇 = 200
𝜎 = 15
𝑥−𝜇
𝑧=
𝜎
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝜇 𝑦 𝜎 → 𝑋~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇 , 𝜎 2 )
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 200
f) Determinar un contenido x1 tal que el 80% de los vasos contengan más de esa cantidad.
𝑧1 = −0.84
𝑥1 − 𝜇
𝑧1 = → 𝑥1 = (𝑧1 𝜎) + 𝜇 = (−0.84 𝑥 15) + 200 = 187.4
𝜎
g) Determinar un contenido x2 tal que el 99% de los vasos contengan menos de esa cantidad.
𝑧1 = 2.33
𝑥1 − 𝜇
𝑧1 = → 𝑥1 = (𝑧1 𝜎) + 𝜇 = (2.33 𝑥 15) + 200 = 234.95
𝜎
h) Determinemos dos valores de contenido x1 y x2 (simétricos respecto a la media) tal que el 95% de los vasos están
comprendidos entre esos extremos.
𝑥1 − 200 𝑥2 − 200
𝑃(𝑥1 < 𝑋 < 𝑥2) = 0.95 → 𝑃 ( <𝑍< ) = 0.95
15 15
𝑥1 − 200 𝑥2 − 200 𝑥2 − 200 𝑥1 − 200
𝑃( <𝑍< ) = 𝑃( )−𝑃( )
15 15 15 15
𝑥2 − 200
𝑃( ) = 0.9725
15
De la tabla obtenemos que el valor de z correspondiente a la probabilidad acumulada cercana a 0.9750 es:
𝑧2 = 1.96
𝑥2 − 𝜇
𝑧2 = → 𝑥2 = (𝑧2 𝜎) + 𝜇 = (1.96 𝑥 15) + 200 = 229.4
𝜎
𝑥1 − 200
𝑃( ) = 0.0250
15
De la tabla obtenemos que el valor de z correspondiente a la probabilidad acumulada cercana a 0.0250 es:
𝑧1 = −1.96
𝑥2 − 𝜇
𝑧1 = → 𝑥1 = (𝑧2 𝜎) + 𝜇 = (−1.96 𝑥 15) + 200 = 170.6
𝜎
Existe un 95% de posibilidades que las cantidades de cada vaso estén entre 170.6ml y 229.4ml
8. Se estudia una máquina que llena bolsas de cemento y para ello se define la variable aleatoria X: contenido de una
bolsa. Sabiendo que X tiene distribución Normal, con media 50 Kg. y desvío 0.5 Kg.
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 50
𝑧1 = 0.84
𝑥1 − 𝜇
𝑧1 = → 𝑥1 = (𝑧1 𝜎) + 𝜇 = (0.84 𝑥 0.5) + 50 = 50.42
𝜎
f) Calcular los contenidos x2 y x3, valores simétricos con respecto a la media que encierran un 50 % de la distribución.
𝑥2 − 50 𝑥3 − 50
𝑃(𝑥2 < 𝑋 < 𝑥3) = 0.50 → 𝑃 ( <𝑍< ) = 0.50
0.5 0.5
𝑥1 − 200 𝑥2 − 200 𝑥3 − 50 𝑥2 − 50
𝑃( <𝑍< ) = 𝑃( )−𝑃( )
15 15 0.5 0.5
𝑥3 − 50
𝑃( ) = 0.7500
0.5
De la tabla obtenemos que el valor de z correspondiente a la probabilidad acumulada cercana a 0.7500 es:
𝑧3 = 0.67
𝑥3 − 𝜇
𝑧3 = → 𝑥3 = (𝑧3 𝜎) + 𝜇 = (0.67 𝑥 0.5) + 50 = 50.33
𝜎
𝑥2 − 50
𝑃( ) = 0.2500
0.5
De la tabla obtenemos que el valor de z correspondiente a la probabilidad acumulada cercana a 0.2500 es:
𝑧2 = −0.67
𝑥2 − 𝜇
𝑧2 = → 𝑥2 = (𝑧2 𝜎) + 𝜇 = (−0.67 𝑥 0.5) + 50 = 49.66
𝜎
Existe un 50% de posibilidades que el contenido en una bolsa esté entre 49.66kg y 50.66kg
g) Al controlar el llenado, se planea desechar todas las bolsas que contengan más de 51 Kg. o menos de 49 Kg. Calcular
g 1). La probabilidad de que 3 bolsas fabricadas sucesivamente (de manera independiente) deban ser desechadas en el
control de llenado.
g 2). La probabilidad de que en un lote de 15 bolsas a las que se les va a controlar el llenado, 3 deban ser desechadas.
𝑃(𝑋 = 3) = 0.307
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝜆 → 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆)
𝑃(𝑋 = 3) = 0,0284
9. El tiempo que insume el armado de una componente de una aeronave tiene distribución Normal, con una media de 180
minutos y un desvío de 15 minutos. Calcular la probabilidad de que el armado de 3 componentes de ese tipo demande
más de 8 hrs. de trabajo.
Propiedad:
Si 𝑋~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇, 𝜎 2 ), a y b ∈ 𝑅 → 𝑎𝑋 + 𝑏~𝑁𝑜𝑟𝑚𝑎𝑙(𝑎𝜇 + 𝑏, 𝑎𝜎 2 + 𝑏)
𝑌 = 3𝑋 → 𝑎 = 3 𝑦 𝑏 = 0
𝑌 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑎𝑟𝑚𝑎𝑑𝑜 𝑑𝑒 𝑡𝑟𝑒𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 (𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎)
𝜇 = 540
𝜎 = 26
𝑦−𝜇
𝑧=
𝜎
𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 𝜇 𝑦 𝜎 → 𝑌~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇 , 𝜎 2 )
𝑀𝑒𝑑𝑖𝑎 = 𝐸(𝑋) = 𝜇 = 540
10. La variable Distancia entre dos baches en una ruta, tiene Distribución Exponencial con media 2 Km. Determinar:
𝑥1 = 0.446 𝑘𝑚
d) Si acabamos de pasar un bache, ¿cuál es la probabilidad de que hasta el próximo bache haya exactamente 1300 metros?
11. El Tiempo entre dos paradas consecutivas de una máquina tiene un promedio de 25 hrs. Averiguar la probabilidad de
que entre dos paradas consecutivas pasen más de 32 hrs.
12. Una máquina consume aproximadamente 15 KW por hora de energía, con un desvío de 1,2 KW. Si se tienen 30
máquinas de ese tipo operando:
a) ¿Cuál será la distribución del consumo total de las 30 máquinas? ¿Cuál será la media y el desvío del consumo total?
Por el teorema del límite central: Sea X1, X2,..., Xn variables aleatorias independientes e idénticamente distribuidas con
𝐸(𝑋𝑖) = 𝜇 y 𝑉(𝑋𝑖) = 𝜎 2 Entonces, la variable aleatoria suma 𝑌 = ∑ 𝑋𝑖 cuando 𝑛 → ∞ tiene distribución normal con
media 𝑛𝜇 y varianza 𝑛𝜎 2 (en la práctica con “n” igual o mayor a 30 se puede considerar que se cumplen las condiciones
del teorema, cualquiera sea la distribución de X). Es decir: 𝑌~𝑁𝑜𝑟𝑚𝑎𝑙(𝑛𝜇, 𝑛𝜎 2 )
𝑧1 = 1.28
𝑦1 − 𝜇
𝑧1 = → 𝑦1 = (𝑧1 𝜎) + 𝜇 = (1.28 𝑥 6.57) + 450 = 458.4𝐾𝑊
𝜎
13. Se conoce que entre los alumnos del nivel secundario aproximadamente un 25 % son lectores habituales. Calcule la
probabilidad de que en un grupo de 50 alumnos haya al menos 20 que sean lectores habituales.
Extensión del teorema del límite central: Aunque X1, X2,..., Xn no estén estrictamente “idénticamente distribuidas”, pero
todas sean del mismo orden de magnitud y ninguna prevalezca sobre las demás, cada una con 𝐸(𝑋𝑖) = 𝜇 y 𝑉(𝑋𝑖) = 𝜎 2 ,
lo mismo se demuestra que la suma 𝑌 = ∑ 𝑋𝑖 cuando 𝑛 → ∞ tiene distribución aproxima a la normal Es decir:
𝑌~𝑁(∑ 𝜇𝑖 , ∑ 𝜎 2 𝑖)
15. El tiempo de atención de un trámite, en una oficina pública, tiene distribución Exponencial con media 20 minutos. Se
entregan 25 turnos a primera hora. Calcular la probabilidad que en las 8 horas de trabajo se pueda atender a todos los
interesados.