Modelos de probabilidad para variables discretas y continuas

Una variable discreta es aquella que puede tomar determinados

valores y en la práctica generalmente son números enteros.
Vamos a poner un ejemplo de una distribución de probabilidad para
una variable discreta:

X: gastos de mantenimiento de una PC ($ / semana)

X($) P(X)
0 0,35
50 0,25
100 0,15
150 0,10
200 0,08
250 0,05
300 0,02
1 condición de cierre

Una distribución de probabilidad para una variable discreta es una

función, es decir, una entrada y una salida, la entrada son los
valores de la variable y la salida son las probabilidades, o sea, [X;
P(X)]
P (X = 150) = 0,10 = 10% probabilidad puntual
P (X ≤ 100) = 0,75 = 75% probabilidad acumulada (hasta 100)
P (X ≥ 200) = 0,15 = 15% probabilidad acumulada (200 o más)

Una variable discreta tiene una esperanza matemática, o sea un

promedio, que se calcula sumando los productos X. P(X)
Promedio: μ = E (X) = Σ X. P(X) =
= 0.0,35+50.0,25+100.0,15+150.0,1+200.0,08+250.0,05+300.0,02=
E(X) = $77 gasto promedio semanal

X: demanda diaria de autos para alquilar

X: 13 14 15 16 17 18
P(X): 0,08 0,15 0,22 0,25 0,21 0,09

Consignas:
a) Probabilidad de que la demanda de un día supere los 15 autos
P (X > 15) = P (X ≥ 16) = 0,55 = 55%
b) Probabilidad de que la demanda diaria sea máximo 16 autos
P (X ≤ 16) = 0,7 = 70%
c) Número medio de autos alquilados por día
E(X) = 15,6 autos alquilados por día

Se sabe que cada auto recorre 200 km/día y el costo es de 100 $/km. Calcular
el ingreso esperado para un mes de 22 días.

E(Ingreso) = 15,6 autos/día. 200 km/día. 100 $/km. 22 días = $6.864.000

Ingreso esperado mensual en concepto de alquiler de autos
Modelo Binomial
Este modelo aparece cuando se realizan pruebas independientes entre sí, en
cada prueba hay 2 resultados posibles y la probabilidad de éxito en cada
prueba es siempre la misma.

Ejemplo 1: Se sabe que el 70% de los mensajes que se envían resultan ser
SPAM. Se eligen 30 mensajes y se quiere calcular las siguientes
probabilidades:

Variable aleatoria
X: cantidad de mensajes que son spam - Binomial
n = 30 Población infinita
Dominio: entre 0 y 30
p = 0,7 probabilidad de spam

a) que 10 sean spam

Pbi (X = 10 / n = 30; p = 0,7) = 0,00003 muy poco probable

b) que al menos 8 sean spam

Pbi (X ≥ 8 / n = 30; p = 0,7) = 1 certeza

c) máximo 6 sean spam

Pbi (X ≤ 6 / n = 30; p = 0,7) = 0 imposible

d) más de la mitad no sean spam

Pbi (X’ ≥ 16 / n = 30; p = 0,3) = 0,00637 = Pbi (X ≤ 14 / n = 30; p = 0,7)

e) al menos 15 no lo sean
Pbi (X’ ≥ 15 / n = 30; p = 0,3) = Pbi (X ≤ 15 / n = 30; p = 0,7) = 0,01694

f) número medio y desvío estándar de los mensajes que son spam

μ = E (X) = n. p = 30. 0,7 = 21 spam
σ2 = n. p. q = 30. 0,7. 0,3 = 6,3
σ = √ (n. p. q) = √6,3 = 2,51
Ejemplo 2: se sabe que el 60% de los usuarios de internet hacen compras por
ese medio. Se toma una muestra de 25 usuarios y se quieren calcular las
siguientes probabilidades:
a) exactamente 12 hagan compras
b) por lo menos 15 hagan compras
c) menos de 8 hagan compras
d) 7 o más no hagan compras
e) Número esperado de usuarios que hacen compras

X: número de usuarios que compran por internet – variable aleatoria

n = 25 tamaño de la muestra
p = 0,6 probabilidad de que un usuario compre x internet

a) P (X = 12) = 0,07597
b) P (X ≥ 15) = 0,58577
c) P (X < 8) = P (X ≤ 7) = 0,00121
d) P (X’ ≥ 7 / n = 25; p = 0,4) = P (X ≤ 18 / n = 25; p = 0,6) = 0,92643
e) μ = E(X) = n. p = 25. 0,6 = 15 compradores
σ2(X) = n. p. (1- p) = 25. 0,6. 0,4 = 6 c2
σ(X) = 2,45 compradores

4) De un proceso tecnológico que produce piezas con un 10% de defectuosas

se toma una muestra de 15 piezas.

X: número de piezas defectuosas - Binomial

n = 15
p = 0,1 probabilidad de defectuosa

a) ¿Cuál es la probabilidad de encontrar 2 o menos defectuosas?

 P (X ≤ 2) = 0,81594

b) Exactamente 2 defectuosas

P (X = 2) = 0,2669
c) Menos de 12 buenas

P (X’ < 12 buenas) = P (X’ ≤ 11 / n = 15; p = 0,9) = 0,05556

P (X ≥ 4 / n = 15: p = 0,1)

5) Dos ambulancias se mantienen listas para emergencias. Debido a la

demanda y a la posibilidad de fallas mecánicas, la probabilidad de que una
ambulancia esté disponible cuando se la necesite es de 0,9.

X: número de ambulancias disponibles

n=2
p = 0,9 probabilidad de que esté disponible

a) ¿Cuál es la probabilidad de que ambas ambulancias estén

disponibles?

P (X = 2) = 0,81

b) ¿Cuál es la probabilidad de que ninguna esté disponible?

P (X = 0) = 0,01

c) ¿Cuál es la probabilidad de que haya una disponible?

P (X = 1) = 0,18

6) Se ha comprobado que el 28% de las personas toman café después de

almorzar. Se seleccionan al azar 17 personas.
¿Cuál es la probabilidad de encontrar exactamente 8 personas que tomen
café luego de almorzar?
X: número de personas que toman café luego del almuerzo
n = 17
p = 0,28
P (X = 8) = 0,04776
MODELO DE POISSON
Esta distribución se utiliza cuando ocurre una sucesión de eventos puntuales
en un medio continuo y ese medio continuo puede ser un intervalo de tiempo,
una longitud, un área, etc. Es un proceso que no tiene memoria.
Ejemplos:
- Clientes que llegan a un banco de 10 a 10.15
- Clientes que llegan a un super cada 30 minutos
- Llamadas por minuto que se reciben en un call center
- Pacientes que llegan cada 10’ a una guardia
- Autos que llegan por minuto a una estación de peaje
- Fallas accidentales por metro en un proceso de fabricación tela
- Fallas accidentales por metro en un proceso de fabricación de cable
plástico
-
X: el número de eventos o éxitos en un continuo
E(X) = λ (lambda) expresa el número medio de éxitos – tasa de arribos

1) X: llamadas que se reciben en un call center

λ = 5 llamadas / segundo
t = 5” ; m = λ. t = 5 llam /”. 5” = 25 llamadas

Calcular las siguientes probabilidades:

a) que no entren llamadas

m = λ.t = 25 llamadas
P (X = 0) = 0 imposible

La máxima probabilidad se da para m y para m – 1, en este caso para x = 25 y

para x = 24 cuya probabilidad es 0,07952

b) que entren por lo menos 20

P (X ≥ 20) = 0,86643
c) que entren más de 15
P (X > 15) = P (X ≥ 16) = 0,97771

d) número esperado de llamadas en una hora

E(X) = 5. 60. 60 = 18.000 llamadas / hora

2) Una computadora que opera las 24 horas sufre paradas accidentales a

razón de 0,25 fallas por hora, 1 falla cada 4 horas.

X: detenciones x hora
λ = 0,25 d / hora

a) Probabilidad de que en una semana hábil (5,5 días) sufra más de 25

detenciones
m = 0,25. 24. 5,5 = 33 detenciones
P (X > 25) = P (X ≥ 26) = 0,90825

b) Probabilidad de que en un día se detenga como mínimo 8 veces

m = 0,25. 24 = 6 detenciones por día
P (X ≥ 8) = 0,25602

c) Si hace 2 horas que no falla, ¿qué probabilidad hay de que no falle en las
próximas 2 horas?

A: hace 2 horas que no falla

B: no falla en las próximas 2 horas
t = 2 horas
m = 0,25. 2 = 0,5
Estos procesos de POISSON no tienen memoria
El evento A no influye ni condiciona al evento B
P (B / A) = P(B) = P (X = 0) = 0,60653

d) número esperado de fallas en 3 días

E(X) = 0,25. 24. 3 = 18 fallas en 3 días

3) A una estación de peaje llegan en promedio 10 autos por minuto. En los

próximos 2 minutos, calcular la probabilidad de que:
λ = 10 autos / minuto
t = 2’
m = 10. 2 = 20 autos

a) lleguen más de 15 autos

P (X > 15) = P (X ≥ 16) = 0,84349

b) máximo 12 autos
P (X ≤ 12) = 0,0391

c) número esperado de autos de 7.00 a 7.40

E(X) = 10 autos / ‘. 40’ = 400 autos

4) Se desea hacer una encuesta de mercado para estudiar cuál será la

repercusión de un producto que será lanzado en los próximos días. Se conoce
por estudios anteriores que el porcentaje de aceptación sobre productos
similares es del 60%. Si se toma una muestra de 20 personas:

a) ¿Cuál es la probabilidad que exactamente diez personas compren el

producto?
b) ¿Cuál es la probabilidad de que a lo sumo 12 personas compren el
producto?

c) ¿Cuál es la probabilidad de que más de 9 personas no lo adquieran?

d) ¿Cuántas personas se espera que no compren el producto?

a) X: clientes que compran - Binomial

n = 20

p = 0,6

Pbi (X = 10) = 0,11714

b) Pbi (X ≤ 12) = 0,58411

c) X’: clientes que no compran - Binomial

n = 20

p = 0,4

Pbi (X’ ≥ 10 / n = 20; p = 0,4) = 0,24466 = Pbi (X ≤ 10 / n = 20; p = 0,6)

d) E(X’) = n. p = 20. 0,4 = 8 personas

5) En una central telefónica se reciben en promedio 5 llamadas por minuto.

a) ¿Cuál es la probabilidad de que en 2 minutos se reciban más de 8 llamadas?

b) ¿Cuántas llamadas en promedio se reciben en 4 horas?

a) X: cantidad de llamadas en 2 minutos

λ = 5 llamadas / minuto

t = 2’

m = λ. t = 10 llamadas

Ppo (X > 8) = Ppo (X ≥ 9) = 0,66718

b) m = 5 ll / ‘. 60’. 4 horas = 1.200 llamadas

6) Se sabe por experiencias anteriores, que el 30% de los alumnos

universitarios, trabaja más de 4 horas por día. Si seleccionamos al azar 10
alumnos universitarios, ¿cuál es la probabilidad de hallar:

a) 4 alumnos que trabajan más de 4 horas.

b) Más de 2 alumnos que trabajen más de 4 horas.

c) A lo sumo 8 alumnos en iguales condiciones.

X: alumnos que trabajan más de 4 horas - Binomial

n = 10

p = 0,3

a) Pbi (X = 4 / n = 10; p = 0,3) = 0,20012

b) Pbi (X ≥ 3 / n = 10; p = 0,3) = 0,6172

c) Pbi (X ≤ 8 / n = 10; p = 0,3) = 0,99986

7) Suponga que la probabilidad de que un vendedor ambulante logre realizar
alguna venta con la modalidad puerta a puerta, es de 0,15. Si una mañana
ofrece su producto en 18 casas:

a) ¿Cuál es la probabilidad de que logre realizar por lo menos una venta?

b) ¿Cuál es la probabilidad de que logre entre 4 y 8 ventas?

X: número de ventas - Binomial

n = 18

p = 0,15

a) Pbi (X ≥ 1 / n = 18; p = 0,15) = 0,94635

b) Pbi (4 ≤ X ≤ 8 / n = 10; p = 0,15) = P (4) + P (5) + P (6) + P (7) + P (8) =

= 0,1592 + 0,07867 + 0,03008 + 0,0091 + 0,00221 = 0,27925

8) El número de personas que ingresan a la unidad de cuidados intensivos de

un hospital en cualquier día es variable con un promedio de 5 personas.

a) ¿Cuál es la probabilidad de que el número de personas que ingresan a la

unidad de cuidados intensivos en un día particular sea igual a 2?

b) ¿Y a lo sumo 2?

c) ¿Cuántas personas se espera que entren durante 15 días?

a) X: cantidad de personas que llegan x día - Poisson

λ = 5 personas / día

t = 1 día

m = λ. t = 5 personas
a) Ppo (X = 2) = 0,08422

b) Ppo (X ≤ 2) = 0,12465

a) m = 5. 15 = 75 personas

MODELO DE GAUSS – DISTRIBUCIÓN NORMAL

- es un modelo para variables continuas que son aquellas que pueden tomar
cualquier valor y se miden en $, Kg, tn, etc.

- la probabilidad de que una persona pese exactamente 60 kg es un valor muy

poco probable 0,00000.. dado que siempre va a haber una pequeña fracción
por encima o por debajo de 60. Entonces las probabilidades puntuales para
variables continuas valen 0 y no tiene sentido calcularlas. Entonces se calculan
sólo probabilidades acumuladas

- tiene forma de campana

- es una distribución simétrica

- predominan los valores medios

- poco en los extremos

- el área total bajo la curva vale 1

- Parámetros del modelo: Media y desvío estándar

- se utiliza para variables homogéneas, con poca dispersión

- estaturas de personas

- pesos de personas

- coeficiente intelectual

- variables tecnológicas: diámetros de piezas que produce una máquina,

longitud de piezas, volúmenes que dosifica una máquina, pesos de paquetes
que salen de un proceso de envasado, etc.

- el promedio, la mediana y la moda coinciden

- en general el CV = σ / μ < 0,2 = 20%

Problema 8) del TP3

X: consumo mensual de combustible en una planta

Normal con μ = 20.000 litros

σ = 2.500 litros

CV = 2.500 / 20.000 = 0,125 = 12,5%

a) P (X < 24.000) = 0,9452 = 94,52%

b) P (X > 18.000) = 0,78814 = 78,81%

c) P (18.000 < X < 24.000) = P (X < 24.000) – P (X < 18.000) =

= 0,9452 – 0,21186 = 0,7333 = 73,33%

Otra manera es P (X > 18.000) – P (X > 24.000)

d) ¿Qué capacidad debe tener un tanque para cubrir el consumo mensual con
95% de probabilidad?
Fractil 95: X95 = 24.112,13 litros

e) ¿Cuál es el consumo superado por el 10% de los meses?

Fractil 90: X90 = 23.203,87 litros

f) ¿Cuál es el consumo superado por el 90% de los meses?

Fractil 10: X10 = 16.796,12 litros
9) En un molino harinero, una máquina automática envasa el producto en
bolsas cuyo peso neto tiene una distribución Normal de media 800 gramos y
desvío estándar de 20 gramos. Un organismo de control realiza una inspección
y elige al azar una bolsa, calcular
a) Porcentaje de bolsas que pesa menos de 750 g.
b) Porcentaje de bolsas con peso superior a 820 g.
c) Porcentaje de bolsas con peso entre 780 y 820 g.
d) Porcentaje de bolsas con peso entre 760 y 840 g.
e) Peso mínimo del 10% de las bolsas de mayor peso
f) Peso máximo del 5% de las bolsas de menor peso

X: peso de las bolsas – Normal (μ = 800; σ = 20)

a) P (X < 750) = 0,00621 = 0,6%

b) P (X > 820) = 0,15866 = 15,87%

c) P (780<X<820) = P (X<820)–P (X<780) = 0,84234–0,15866 = 0,68268 =

68,3%

Para una variable Normal el 68,3% de los valores está en el intervalo μ ± 1σ

d) P (760 < X < 840) = P (X < 840) – P (X < 760) = 0,97725 – 0,02275 = 0,9545
= 95,45%

Para una variable Normal el 95,45% de los valores está en el intervalo μ ± 2σ

P (740 < X < 860) = P (X < 860) – P (X < 740) = 0,9973 = 99,73%

Para una variable Normal casi el 100% de los valores está en el intervalo μ ±
3σ

e) X90 = 825,63 g

f) X5 = 767,1 g
10) El volumen neto de botellas de agua mineral producidas por una
embotelladora es una variable normal de media 980 cm 3. y desvío estándar 20
cm3.

a) ¿Qué porcentaje de los envases supera los 950 cm 3?

b) ¿Cuál es el volumen superado por el 10% de los envases?

X: volumen de botellas – Normal [μ = 980; σ = 20]

a) P (X > 950) = 0,93319 = 93,3%

b) X90 = 1005,63 cm3

11) Las ventas mensuales de un determinado producto son variables con

distribución normal de media $60.000 y desvío estándar $5.000.
a) ¿Qué porcentaje de los meses las ventas exceden los $70.000?
b) La empresa necesita vender mensualmente por lo menos $49.000 para
cubrir sus costos fijos. ¿Qué porcentaje de los meses no los puede
cubrir?
c) ¿Cuál es la venta mínima del 20% de los meses que más vende?

X: ventas mensuales – Normal [μ = 60.000; σ = 5.000]

a) P (X > 70.000) = 0,02275 = 2,3%
b) P (X < 49.000) = 0,014 = 1,4%
c) X80 = $64.208

12) Una manera para obtener predicciones económicas es utilizar un enfoque

de consenso. Se obtiene una predicción de cada uno de un gran número de
analistas, y el promedio de estos pronósticos es la predicción de consenso.
Supongamos que las predicciones individuales acerca de la tasa de interés
para el próximo mes de junio de todos los analistas económicos representan
una variable aleatoria distribuida normalmente con media 14% y desvío
estándar 2,6%. Si se selecciona al azar un solo analista de este grupo:
a) ¿cuál es la probabilidad de que la predicción de la tasa de interés de
este analista sea mayor de 18%?
b) ¿cuál es la probabilidad de que sea menor de 16%?

X: tasas de interés – Normal [μ = 14%; σ = 2,6%]

a) P (X > 18) = 0,06 = 6%
b) P (X < 16) = 0,77912 = 77,9%

Temas del parcial:

Estadística descriptiva: calcular para una serie de frecuencias las medidas de

posición y de dispersión.

Probabilidades: cuadro de doble entrada, regla de la suma, regla del producto,

probabilidad condicional.

Distribuciones de probabilidad: esperanza matemática y desvío estándar,

modelos Binomial, de Poisson y Normal.

Repaso

1) En una encuesta surge que el 60% de las amas de casa compran en

hipermercados, el 20% compran en almacenes y de éstos el 10% compran
también en hipermercados.
a) Porcentaje que compra en alguno de los 2 lugares
b) Porcentaje que compra sólo en hipermercados
c) De las que compran en hipermercados, ¿qué porcentaje compra en
almacenes?
d) Si se eligen al azar 20 amas de casa, ¿qué probabilidad hay de que más de
la mitad compre en almacenes?
e) Si se eligen 500 amas de casa, ¿cuál es el número esperado que compran
en hipermercados?
H noH
A 0,02 0,18 0,2

noA 0,58 0,22 0,8 P (H / A) = 0,1 = P (H y A) / P(A) = P (H y A) / 0,2

0,6 0,4 1

a) P (H o A) = 1 – P (noH y noA) = 1 – 0,22 = 0,78 = 78%

b) P (H y noA) = 0,58 = 58%

c) P (A / H) = P (A y H) / P(H) = 0,02 / 0,6 = 0,03333 = 3,3333%

d) X: cantidad que compra en almacenes - Binomial

n = 20

p = 0,2

Pbi(X ≥ 11/ n = 20; p = 0,2) = 0,00056

e) E(H) = 500 * 0,6 = 300 amas de casa

2) Se desea evaluar cuánto tiempo tarda un atleta en realizar una prueba en los
juegos olímpicos. Se sabe por olimpíadas anteriores que la duración de la
misma prueba para un grupo de 50 individuos fue la siguiente:

X (minutos) Atletas PM F

10-15 8 12,5 8

15-20 21 17,5 29

20-25 10 22,5 39

25-30 7 27,5 46

30-35 4 32,5 50

a) ¿Los datos son homogéneos? Justificar la respuesta. Indicar el tipo de

asimetría.

Ẋ = 20,3’ S = 5,817 CV = 29% dispersión levemente alta

Mo = 17,5’ hay una moderada asimetría (+)

b) ¿Cuánto tiempo tarda el competidor más rápido del 15% de los

competidores más lentos?
X85 = 25 + ((42,5 – 39) / 7) * 5) = 27,5’

c) Sabemos que hay 10 medallas para ser entregadas a los competidores más
veloces, indicar cuál será el tiempo máximo que deberá tardar un competidor
parta recibir una de ellas.
X20 = 15 + ((10 – 8) / 21) * 5) = 15,48’

3) Una empresa dedicada al transporte de mercadería fue consultada acerca

de los kilómetros recorridos por sus camiones y proporcionó la siguiente
información:
kilómetros recorridos cantidad de camiones PM F
600 – 800 6 700 6
800 – 1000 8 900 14
1000 – 1200 5 1100 19
1200 – 1400 3 1300 22
1400 – 1600 2 1500 24
1600 – 1800 1 1700 25

a) Determinar el promedio y el desvío de kilómetros recorridos. ¿Podría

concluirse que la media aritmética es representativa?
Ẋ = 1020 km S = 282,84 CV = 28% dispersión levemente alta
Mo = 900 km hay una moderada asimetría (+), el modo es más
representativo que el promedio

b) ¿Cuál es el porcentaje de camiones que recorren más de 1200 km?

% (X > 1200) = 24%
c) ¿Cuál es la cantidad de kilómetros recorridos superado por el 10 % de los
camiones? Interpretar.
X90 = 1400 + ((22,5 – 22) / 2 * 200) = 1450 km

d) ¿Cuántos camiones recorren a lo sumo 1080 km?

16 camiones

e) Suponiendo que en realidad los camiones recorren 100 km. más, determinar
el nuevo promedio y desvío.
Hay que aplicar una propiedad del promedio y del desvío:

Ẋ (x ± a) = Ẋ ± a S (x ± a) = S

Ẋ = 1120 km S = 282,84 km

4) Sabiendo que la recaudación diaria de cierto comercio minorista se

distribuye normalmente con un monto promedio de $830 y un desvío estándar
de $125:

a) ¿Cuál es la probabilidad de que mañana se recaude menos de $885?

b) ¿Cuál es la probabilidad de que mañana se recaude más de $600?

c) ¿En qué porcentaje de los días se recauda entre $700 y $800?

d) ¿En qué porcentaje de los días se recauda entre $900 y $1500?

e) ¿Cuál es el monto no superado en el 20% de los días?

f) ¿Cuál es el monto sólo superado en el 30% de los días?

Respuestas: a) 0,67003 b) 0,96712 c) 25,60% d) 28,774% e) $724,75 f)

$895,50

5) En una empresa automotriz se ha determinado que el consumo de

combustible promedio es de 18.5 litros para 150 km. en camino de tierra, con
un desvío de 1.8 litros. El consumo de combustible se encuentra normalmente
distribuido.

a) ¿Cuál es la probabilidad de que un vehículo tenga un consumo entre 15,15 y

22,42 litros en los 150 km?

b) ¿Cuál es el consumo no superado por el 95% de los vehículos?

c) Si se sabe que el consumo de combustible fue mayor a los 17.5 litros, ¿cuál
es la probabilidad de que haya superado a la media?

A: supera 17,5

B: supera la media

P (B / A) = P (X > 18,5 / X > 17,5) = P (X>18,5 y X>17,5) / P (X > 17,5) =

= P (X > 18,5) / P (X > 17,5) = 0,5 / 0,71074 = 0,7035

d) Si se sabe que el consumo de combustible fue inferior a los 19 litros, ¿cuál

es la probabilidad de que dé más de 18.3 litros?

A: menor a 19

B: mayor a 18,3

P (B / A) = P (X > 18,3 / X < 19) = P (18,3 < X < 19) / P (X < 19) =

= [P (X < 19) – P (X < 18,3)] / P (X < 19) = (0,60941 – 0,45576) / 0,60941 =

0,2521

6) Una máquina dosificadora de café llena bolsas que deben contener en

promedio 250grs con un desvío estándar de 20grs.cuando trabaja en
condiciones normales. Suponga que los pesos de las bolsas de café tienen
distribución Normal.

a) ¿Cuál es la probabilidad de que al sacar una bolsa al azar ésta pese menos
de 244,36 grs. ó más de 255,64 grs.?

P (X < 244,36) + P (X > 255,64) = 0,38897 + 0,38897 = 0,77794

b) ¿Cuál es el peso superado por el 5% de las bolsas

Respuestas: a) 0.7795 b) 282,9 grs.

7) En un proceso de control de calidad se efectúa una revisión periódica

examinando 20 piezas. Si el proceso trabaja con un 20% de defectuosas, ¿cuál
es la probabilidad de encontrar:

a) exactamente 12 defectuosas?;

b) 8 ó menos buenas?;

c) 12 ó más buenas?

a) X: piezas defectuosas - binomial

n = 20

p = 0,2

P (X = 12) = 0,00009

b) X: piezas buenas - binomial

n = 20

p = 0,8

P (X ≤ 8) = 0,0001

c) P (X ≥ 12) = 0,99002

8) En una central telefónica se reciben en promedio 5 llamadas por minuto.

a) Definir la variable aleatoria, identificar su distribución y parámetros.

b) ¿Cuál es la probabilidad de que en 2 minutos se reciban más de 8 llamadas?

c) ¿Cuántas llamadas en promedio se reciben en 24 horas?
Respuestas: a) X: llamadas por minuto

λ = 5 llamadas / minuto

t = 2 minutos

m = 10

b) P (X ≥ 9) = 0.66718

c) m = 5. 60. 24 = 7200 llamadas

9) En cierta estación de servicio cargan combustible a un promedio de 14

vehículos por hora.

¿Cuál es la probabilidad de que entre las 11 las 11:20 hs carguen combustible

al menos a 5 vehículos?

X: autos que llegan a una estación de servicio

λ = 14 autos / hora

t = 20 minutos

m = 4,67 autos

P (X ≥ 5) = 0,49983

10) El promedio mensual de demandas por siniestros de autos que recibe una
aseguradora es de 2.4. En un período de 2 meses:

a) ¿cuál es el número esperado de demandas que recibirá la compañía?

b) ¿cuál es la probabilidad de que reciba a lo sumo tres demandas?

c) ¿cuál es la probabilidad de que reciba una o cuatro demandas?

Respuestas: a) 4,8 b) 0,29423 c) 0,03950 + 0,18203 = 0,22153