Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1- Introducción
Así como en el estudio de fenómenos determinísticos algunas funciones (como las lineales,
las cuadráticas, las exponenciales, etc.) desempeñan un papel más importante que otras; en
el estudio del comportamiento de una variable aleatoria hay ciertas distribuciones de
probabilidad que aparecen más a menudo que otras. Se trata de modelos relativamente
simples que sirven para describir un gran número de fenómenos aleatorios.
Para ambos tipos de variables, se define la función de distribución F X(x) = P(X ≤ x), la cual
1
2- Distribuciones de probabilidad de uso frecuente para variables aleatorias discretas
Considere una experiencia que admita sólo dos resultados posibles, A y su opuesto, A .
Esa experiencia se denomina “ensayo de Bernoulli”.
En el lenguaje corriente los resultados A y A se denominan respectivamente “éxito” y “fracaso”. El
término “éxito” no está asociado necesariamente con un resultado bueno, sino con lo que se quiere
observar o estudiar. Por ejemplo, en una empresa se está llevando a cabo una inspección y puede
definirse como “éxito” que una pieza sea defectuosa.
La población está compuesta por los infinitos ensayos de Bernoulli que pueden llevarse a
cabo.
La variable aleatoria X se puede definir como el nº de veces que aparece el éxito en un
único ensayo de Bernoulli (o bien en una muestra de tamaño n = 1).
RX = {0, 1} es decir que esta variable sólo puede asumir los valores 0 y 1:
ocurra A es (1 – π).
0 1–π
1 π
Total 1
2
Aplicando las definiciones de Esperanza y Variancia vistas en el MT 3, se obtiene que, para
variables con Distribución de Bernoulli, E(X) = π y V(X) = π(1-π).
πx(1-π)1-x
Bernoulli π π π ( 1 – π)
X Be(π)
Ejemplo 2.1. En una empresa se conoce que el 10 % de los componentes producidos por
cierto proceso son defectuosos. Se selecciona al azar un componente y se observa si este
es defectuoso o no.
Se define la variable X: nº de componentes defectuosos en una muestra de tamaño n = 1.
Entonces, X ~ Be(0,10). Su función de probabilidad (en forma tabular y en forma gráfica) y
algunas medidas de resumen, se presentan en la Tabla 2.2
0,8
(x) pX(x)
0,7
0 0,90
0,6
1 0,10
0,5
p(x)
Total 1
0,4
0,3
E(X) = 0,10 componentes defectuosos
0,2
V(X) = 0,10.0,90 = 0,09
0,1
(componentes defectuosos)2 0,0
0 1
D(X) = 0,3 componentes defectuosos X: N° de componentes defectuosos en una muestra de tamaño n = 1
3
2-2- Distribución Binomial
Considere n ensayos independientes de Bernoulli, de tal manera que la probabilidad (π) de
que se presente el resultado de interés (A) se mantiene constante de ensayo a ensayo.
Se define la variable aleatoria X: n° de ensayos de Bernoulli en los que se presenta A, entre
los n (o en una muestra de tamaño n).
La población asociada a esta variable está formada por los infinitos grupos o muestras de
tamaño n que se pueden generar.
n
expresión: pX(x) = πx(1-π)n-x.
x
(*) dos grupos son diferentes entre sí cuando difieren en al menos un elemento; pero
no importa en este caso el orden en que se ubican dichos elementos.
Binomial
n x
X Bi(n,π) π (1-π)n-x
x n, π nπ nπ( 1 – π)
A modo de ejemplo, obtenga e interprete E(X), V(X) y otros parámetros para el modelo
presentado en la primera columna y tercera fila de las Figuras 2.2, suponiendo que el
ensayo de Bernoulli consiste en seleccionar una pieza de un cierto proceso de
producción y analizar si es apta para cierto uso o no. El resultado de interés (éxito) es
que la pieza resulte apta.
Antes de realizar las interpretaciones, defina la población y la variable de interés.
5
Distribuciones con mismo n, pero Distribuciones con mismo valor de π, pero
distinto valor de π distinto n
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0,0 0,0
0 1 2 3 4 5 0 1 2 3 4 5
0,35
0,30
0,30
0,25
0,25
0,20
0,20
0,15 0,15
0,10
0,10
0,05
0,05
0,00
0 1 2 3 4 5
0,00
0 1 2 3 4 5 6 7 8 9 10
X ~ Bi(n = 5, π = 0,50)
X ~ Bi(n = 10,π = 0,20)
0,4 0,20
0,3
0,15
0,2
0,10
0,1
0,05
0,0
0 1 2 3 4 5
0,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
X ~ Bi(n = 5, π = 0,70)
X ~ Bi(n = 30,π = 0,20)
Figuras 2.2 Gráficas de distribuciones de probabilidad, correspondientes al Modelo Binomial,
con diferentes valores de π (primera columna) y con diferentes valores de n (segunda columna)
Ejemplo 2.2. Suponga que en una empresa que fabrica cierto tipo de piezas se conoce por
experiencia que el 3 % de las mismas resultan defectuosas. Las piezas se comercializan en
bolsas de 10 unidades. En la empresa desean estudiar el comportamiento del n° de piezas
defectuosas en cada bolsa.
6
X ~ Bi(10, 0,03) y su recorrido RX = {0,1, 2, 3, ….10}
Su función de probabilidad puntual se presenta en la Figura 2.3, junto con algunas medidas
de resumen.
0,7
x P( X = x )
0,6
0 0,737424
0,5
1 0,228069
2 0,031742 0,4
3 0,002618
0,3
4 0,000142
0,2
5 0,000005
6 0,000000 0,1
7 0,000000
0,0
8 0,000000 0 1 2 3 4 5 6 7 8 9 10
9 0,000000
E(X) = 0,3 piezas defectuosas
10 0,000000
V(X) = 0,291 (piezas defectuosas)2 D(X) = 0,54 piezas defectuosas
Figuras 2.3 Distribución de probabilidad puntual Binomial, Bi(10, 0,03)
7
2-3- Distribución Hipergeométrica
Considere un conjunto finito de N elementos (una población finita), cada uno de los cuales
RX = {0, 1, 2,… mín(n, NE)} es decir que esta variable asume valores enteros entre 0 y el
mínimo entre n y NE.
NE NF
x n x (*) N, NE, n NE NE NE N n
Hipergeométrica n n 1
N N N N N 1
n
8
Ejemplo 2.3 Suponga que a una empresa llega un embarque de 15 contenedores con
cierta sustancia química. Dado que dicha sustancia es un insumo importante en el proceso
de producción, en la empresa deciden llevar a cabo lo siguiente:
Seleccionar al azar 3 contenedores del embarque y evaluar el nivel de pureza de la
sustancia en cada uno de ellos. Si dicho nivel no es el apropiado, en por lo menos 1
contenedor de los 3, se devuelve el embarque completo.
Interesa evaluar las posibilidades de devolución del embarque.
(Ejemplo adaptado del libro “Probabilidad y Estadística aplicadas a la ingeniería” de D. Montgomery y
G. Runger, Mc Graw-Hill, México, 1996)
La población está conformada por los grupos de 3 contenedores que pueden seleccionarse
de entre los 15.
La variable en estudio es X: n° de contenedores con nivel inapropiado de pureza entre los 3
seleccionados.
X ~ Hipergeom(15, NE, 3) y su recorrido es RX = {0, 1, 2, mín (NE,3)}
Suponga que se sospecha que entre los 15 hay 2 con nivel inapropiado de pureza, de
donde NE = 2.
X ~ Hipergeom(15, 2, 3) y su recorrido es RX = {0, 1, 2}
Observe que, aunque se inspeccionan 3 contenedores, no puede haber 3 con nivel inapropiado porque
en la población sólo hay 2 con esas características.
9
Función de probabilidad puntual del Modelo Hipergeométrico(15,2,3)
Hipergeométrico
0,7
con N = 15, M = 2
y n = 3 0,6
0,5
x P( X = x )
Probabilidad
0 0,628571 0,4
1 0,342857
0,3
2 0,028571
0,2
La probabilidad 0,37 puede ser vista como un riesgo para el proveedor de esa
sustancia, ya que mide la chance de que le devuelvan el lote enviado, con todo lo que
ello implica.
La probabilidad 0,63 puede ser vista como un riesgo para el comprador, ya que mide
la chance de que un embarque (que tiene algunos contenedores inapropiados) pase a
producción. Estas cuestiones se discutirán con más detalle más adelante.
RY = {0, 1, 2,… } es decir que esta variable está definida para el conjunto No
10
Distribución o Función de
modelo probabilidad Esperanza Variancia
pY(y) E(YT) Var(YT)
Poisson
e αT
αT y αT αT
YT Po(αT)
y!
En el recuadro, se presenta una variable aleatoria YT, donde T es el tamaño de los intervalos
que se consideran y α es el número promedio de eventos por unidad.
Los intervalos de números reales en la práctica pueden ser períodos de tiempo, volúmenes,
superficies, etc. En el ejemplo 2.5, los intervalos se refieren a superficies.
Ejemplo 2.5. Se conoce que el número de partículas contaminantes que aparecen en discos
ópticos sigue una ley de Poisson con un promedio de 0,1 partículas por cm2. Se van a
revisar discos de 100 cm2 de superficie e interesa estudiar el comportamiento del número de
partículas contaminantes en dichos discos. Si este número es mayor que 12 unidades, en la
empresa considerarían hacer modificaciones en el proceso de producción de los discos.
(Ejemplo adaptado del libro “Probabilidad y Estadística aplicadas a la ingeniería” de Montgomery y Runger)
La población está conformada por los infinitos intervalos de 100 cm2 (en este caso, estos
intervalos son los discos ópticos con dicha superficie).
La variable en estudio es X100: n° de partículas contaminantes en intervalos de amplitud 100
(en discos).
X100 ~ Po(0,1 x 100) y su recorrido es RX = {0, 1, 2, …}
(recuerde que α = 0,1 partículas contaminantes por cm2)
Su función de probabilidad se presenta en la Figura 2.5, junto con algunas medidas de
resumen.
La probabilidad de interés, P(X100 > 12) se puede obtener de la siguiente manera:
P(X100 > 12) = 1 –P(X100 ≤ 12) = 1 – 0,79 = 0,21
11
Función de probabilidad puntual del Modelo Poisson(10)
Poisson con media =10
0,14
x P( X = x )
0 0,000045
1 0,000454 0,12
2 0,002270
3 0,007567
4 0,018917 0,10
5 0,037833
6 0,063055
0,08
7 0,090079
8 0,112599
9 0,125110 0,06
10 0,125110
11 0,113736
12 0,094780 0,04
13 0,072908
14 0,052077 0,02
15 0,034718
16 0,021699
17 0,012764 0,00
18 0,007091 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
…. x
V(X) =10 (partículas)2 D(X) = 3,16 (part por disco de 100 cm2.)
Figuras 2.5 Distribución de probabilidad Poisson
13
Tabla 2.4 Función de probabilidad puntual y parámetros
correspondientes a las distribuciones discretas consideradas en este material
Distribución o Función de Parámetros Parámetros
modelo probabilidad puntual matemáticos Esperanza Variancia
pX(x) E(X) V(X)
πx(1-π)1-x
Bernoulli π π π( 1 – π)
X Be(π)
Binomial
n x
X Bi(n,π) π (1-π)n-x
x n, π nπ nπ( 1 – π)
Hipergeométrica NE NF
X Hip(N, N, NE, n NE NE N n
x n x (*) NE n 1
NE,n) N n N N N 1
N
n
Poisson
e α αx α α α
X Po(α)
x!
(**) (***)
NE NF
(*) Si x > NE, tome = 0 y si (n-x) > NF, tome = 0. En cualquiera de las dos situaciones, pX(x) = 0.
x n x
(**) α es el número promedio de eventos por unidad de tiempo, espacio, etc.
(***) Cuando se piensa en el Proceso de Poisson, se consideran ∞ variables XT, definidas como el número de
eventos que se observan en períodos de T unidades, con T > 0. En ese caso, se dice que XT Po(αT) y la
esperanza de dicha variable es αT, lo mismo que su variancia. También en la expresión de la función de
probabilidad puntual se reemplaza α por αT. Se utiliza la letra T pensando en intervalos de tiempo; pero estos
“intervalos” pueden ser, por ejemplo, de volumen, entre otros.
14
3- Distribuciones de probabilidad de uso frecuente para variables aleatorias continuas
y a
La función de distribución para el modelo uniforme es: P(X ≤ y) = FY(y) =
b a
Ejemplo 3.1 Una empresa que vende productos por Internet conoce que el % de pedidos
diarios que requiere un envío especial oscila entre 5 y 15, de manera uniforme.
¿Cuál es el % promedio de pedidos con envío especial?
¿Qué proporción de los días se deben hacer entre un 10 y un 12 % de envíos especiales?
15
- el % promedio de pedidos que requieren envío especial es 10 %, y la desviación estándar
es 2,89 %
- aproximadamente en el 20 % de los días, el % de pedidos que requieren envío especial
está entre 10 y 12 %.
D(X) = 2,89 %
0,08
Densidad
0,06
0,04
0,02
0,00
5 10 12 15
X
µ σ2
2
Normal 1 1 y μ
fY ( y ) exp
Y de N(µ, σ) 2πσ 2 σ
densidad probabilidad es
(para valores de la variable entre -
∞ y +∞)
Distribución Función de densidad de Esperanza Variancia
o modelo probabilidad E(Y) Var(Y)
fY(y)
µ σ2
2
Normal 1 1 y μ
fY ( y ) exp
Y N(µ, σ) 2πσ 2 σ
16
La función de distribución para el modelo normal está tabulada para una variable
estandarizada Z, que se presentará más adelante.
Si sólo varía el valor de µ, cambia la posición de la campana, sin variar su forma, como se
observa en la Figura 3.3.a. Si sólo cambia el valor de σ, varía la forma de la campana, sin
variar su posición, como se observa en la Figura 3.3.b. Si cambian µ y σ, se modifica tanto
la posición de la curva como su forma, como se observa en la Figura 3.3.c.
17
Para obtener probabilidades en el caso del Modelo Normal, se requiere integrar la función
de densidad correspondiente, lo cual es una tarea compleja. Existen tablas donde se
presentan los valores de la función de distribución (probabilidad acumulada) para una
y μ
variable aleatoria Z, donde Z
σ
Ejemplo 3.2. Una empresa produce un tipo de piezas metálicas para la industria
automotriz. La característica de calidad más importante para este tipo de piezas es su
longitud (Y). Se conoce que la distribución de esta variable es normal con media 50 mm y
desviación estándar 5 mm. Interesa determinar lo siguiente:
1- La proporción de piezas con longitud inferior a 53,55 mm.
2- La proporción de piezas con longitud superior a 56,9 mm.
3- La proporción de piezas con longitud entre 42 y 52 mm.
4- La proporción de piezas con longitud entre:
d1) 45 y 55 mm d2) 40 y 60 mm d3) 35 y 65 mm
Para obtener FZ(0,71) se debe utilizar la tabla de la distribución normal estándar. En esa
tabla, primero se debe identificar el entero y el primer decimal en una fila; mientras que el
segundo decimal se encuentra en las columnas. Con una fila y una columna elegidas, se
obtiene el valor buscado. En la Figura 3.6.a se muestra la porción de la tabla de la
distribución normal estándar de la cual se obtiene el valor buscado.
En este caso, FZ(0,71) = 0,7611. Es decir, P(Y < 53,55 mm) = 0,7611 (Ver Figura 3.4.a)
56, 9 50
− P(Y > 56,9) = P Y = P(Z > 1,38) = 1 – FZ(1,38) = 1 – 0,9162 = 0,0838 (Ver
5
Figura 3.4.b)
42 50 52 50
− P(42 < Y < 52) = P Y = P(-1,60 < Z < 0,40) = P(Z < 0,40) - P(Z < -
5 5
50 53,55 y
50 56,9 y
P(X > 56,9) = 0,0838
42 50 52 y
19
Las probabilidades obtenidas en el punto anterior ponen de manifiesto la siguiente
propiedad de la distribución normal (o regla empírica de la distribución normal), que se
ilustra en la Figura 3.5:
Las probabilidades mencionadas son válidas para cualquier variable con distribución
normal, independientemente del valor de la media y la desviación estándar
e) Para el mismo ejemplo, ahora se busca conocer la longitud superada por el 20 % de las
piezas. En este caso, a partir de una probabilidad, se busca un valor de la variable.
P(Y > y*) = P(Z > z*) = 0,20; es decir, FZ(z*) = 0,80
y μ y 50
Recordando que , resulta 0, 84 .
σ 5
20
3-3- Distribución Exponencial
Se dice que una variable aleatoria continua tiene una distribución exponencial si su función
de densidad de probabilidad es fY(y) = αe-αy , para y ≥ 0 (y 0 en caso contrario).
Esta distribución es una de las que se puede utilizar para modelar duraciones de
componentes o sistemas (o tiempos hasta la falla) y constituye el modelo correcto siempre y
cuando la ocurrencia de los eventos se pueda modelizar según un proceso de Poisson. En
ese caso, el valor de α (o λ) representa el número promedio de eventos por unidad de
tiempo.
21
Relación entre la distribución de Poisson y la distribución exponencial
Tenga en cuenta que los intervalos de tiempo están medidos en la misma unidad de medida
(horas, minutos, segundos, etc.) para ambas variables y que el número promedio de eventos
por unidad de tiempo (α) es el mismo para ambas variables.
Ejemplo 3.3 Suponga que el tiempo (en segundos) que transcurre desde que un usuario
realiza un pedido a una terminal de computadora hasta que esta le brinda una respuesta,
sigue una ley exponencial con α = 0,2.
Para un pedido en particular, ¿cuál es la chance de que la terminal demore entre 5 y 10
segundos en responder?
¿Cuánto tiempo, demora, en promedio, la terminal en responder los pedidos? ¿Cuánto vale
la variancia de la distribución?
La población está conformada por los infinitos pedidos que un usuario realiza a una terminal
de computadora.
La variable en estudio es X: tiempo que demora la computadora en responder al pedido.
Su función de probabilidad se presenta en la Figura 3.7, junto con algunas medidas de
resumen y la probabilidad pedida.
La probabilidad pedida se obtiene de la siguiente manera:
P(5 < X < 10) = FX(10) – FX(5) = (1 – e-10x0,2) – (1 – e-5x0,2) = 0,23
22
Del análisis de la distribución de probabilidades se puede decir, para un gran número de
pedidos, que:
- el comportamiento del tiempo es asimétrico, a la derecha
- el tiempo promedio es de 5 segundos, lo mismo que la desviación estándar
- dada la asimetría, se obtiene la mediana y el rango intercuartílico como medidas de
centrado y variabilidad. Estas resultan respectivamente 3,5 segundos y (6,93 – 1,44) = 5,49
segundos.
- aproximadamente en el 23 % de los pedidos, el tiempo oscila entre 5 y 10 segundos
0,20
V(X)=1/0,22=25
(segundos)2
0,15
Densidad
D(X)=5 segundos
0,10
0,05 0,2325
0,00
0 5 10
X
23
3-4- A modo de síntesis
En la Tabla 3.1 se presentan la función de densidad de probabilidad, los parámetros
matemáticos y algunos parámetros para las variables aleatorias continuas consideradas en
ese material.
Tabla 3.1 Función de densidad de probabilidad, función de distribución, parámetros “matemáticos” y parámetros
correspondientes a las distribuciones continuas consideradas en este material
Distribución Función de densidad de Parámetros Parámetros
o modelo probabilidad matemáticos Esperanza Variancia
fX(x) E(X) V(X)
Uniforme 2
a b b a
X U(a,b) a,b 2 12
para a ≤ x ≤ b
Normal µ, σ µ σ2
X N(µ, σ)
para -∞ < x < +∞
Exponencial 1 1
X Exp(α) α α α2
para x ≥ 0
4- Actividades propuestas
Para los cálculos solicitados en todos los problemas propuestos en este material, puede
aplicar las fórmulas correspondientes, recurrir a las tablas estadísticas, utilizar calculadoras
o software específico. Explore las distintas posibilidades mencionadas. Se sugiere que
ejercite el uso tanto de las tablas como de las herramientas de software disponibles.
a) Complete la Tabla 1.
Tabla 1. Medidas de resumen para las distribuciones correspondientes a las variables X, Y y L
Variable X Y L
Media
Rango intercuartílico
25
3- Para cierta experiencia electromagnética las variables aleatorias fuerza (F) e
intensidad de corriente (X) se encuentran relacionadas mediante la siguiente
expresión:
250
F= X
3
Suponga que X está distribuida normalmente, con σ = 12 unidades.
a) ¿Cuál será el promedio de la intensidad de corriente si se sabe que F supera el valor
4980 con probabilidad 0,98?
b) Indique el valor del promedio y el de la variancia de la variable F.
26
0,14
0,12
0,10
0,08
p(x)
0,06
0,04
0,02
0,00
0 1 2 3 4 5 6 7 8 9 10 1 1 1 2 13 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 26 2 7 2 8 29 3 0 3 1 32 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0 4 1 42 4 3 4 4 45 4 6 4 7 48 4 9 5 0
x 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
FX(x) 0,00 0,00 0,00 0,01 0,02 0,05 0,10 0,19 0,31 0,44 0,58 0,71 0,81 0,89 0,94 0,97 0,99 0,99 1,00 1,00 1,00
27
7- Los diámetros interiores de arandelas fabricadas por una máquina A y otra
máquina B son variables aleatorias que pueden modelarse con una distribución
normal con parámetros μA =5 mm, σA= 0,8mm, μB = 5,5mm, σB= 0,5mm.
a) Para una aplicación donde se requieren arandelas cuyos diámetros sean mayores a 6,5
mm, ¿son preferibles las arandelas producidas por la máquina B? Justifique.
b) A un cliente importante sólo se le envían arandelas producidas por la máquina A y se le
reemplazan todas aquellas piezas con diámetro superior a un determinado valor. ¿Qué valor
máximo para el diámetro fue estipulado por el cliente si el fabricante sólo debe reemplazar
2% de las arandelas?
c) Un cliente necesita arandelas cuyos diámetros verifiquen las especificaciones 5+/-1,5 mm.
c-1) Si la máquina A produce 20 % de las arandelas y la B produce las restantes, ¿qué
porcentaje de arandelas de la producción total cumplirán las especificaciones del
cliente?
c-2) El fabricante considera que si las arandelas se envían en lotes de 100 unidades
habrá 3 arandelas defectuosas por lote. ¿Está Ud. de acuerdo con este razonamiento?
Justifique.
28
c) Suponga ahora que los ingenieros sospechan que habría un aumento en la variabilidad
de los diámetros de las piezas pero no en el promedio.
c-1) ¿Cuál es el máximo valor que se puede admitir para la desviación estándar del diámetro?
(Obtenga dicho valor suponiendo que el modelo que describe el comportamiento en
probabilidad de los diámetros de las piezas luego de las modificaciones sigue siendo el normal,
con μ = 7,505 mm).
c-2) Realice un gráfico comparativo que muestre la distribución de los diámetros antes y
después de las modificaciones (suponiendo en este último que se da el máximo valor admisible
para la desviación estándar). Incluya en dicho gráfico las especificaciones.
9- El tiempo hasta que se presenta una falla en un tipo de aparatos, tiene distribución
normal con promedio de 15 meses y desvío estándar de un mes.
a) A la empresa le interesa fijar un período de garantía T0 de manera tal que solo el 1 % de
los aparatos fallen durante el período de garantía. Obtenga el valor de T0.
b) La empresa decide vender estos aparatos en lotes de tamaño H. ¿Cuál deberá ser el
tamaño de los lotes para que el porcentaje de lotes que contienen a lo sumo 1 aparato que
no cumple la garantía sea del 90%?
10- Un artículo puede tener dos tipos de defectos, rayaduras y poros. El número de
rayaduras es una variable aleatoria (X) con distribución de Poisson con promedio 0,01
y el número de poros es una variable aleatoria (Y) con distribución de Poisson con
promedio 0,03. Rayaduras y poros se presentan de manera independiente.
Un artículo se considera defectuoso cuando presenta al menos uno de ellos.
a) Detalle claramente población física y poblaciones estadísticas bajo estudio. Grafique
ambas distribuciones.
b) Calcule la probabilidad de que un artículo se considere defectuoso (D).
Sugerencia: Considere los sucesos: A: la pieza tiene por lo menos 1 rayadura y B: la pieza tiene por lo
menos 1 poro. Obtenga P(A) y P(B) y luego P(D) en función de ambas.
c) Los artículos se venden en lotes de 50 unidades cada uno. ¿En qué porcentaje de los
lotes habrá a lo sumo 4 artículos defectuosos? Antes de hacer el cálculo explicite la variable
y la distribución bajo estudio. Grafíquela y señale en ella el porcentaje hallado según el
cálculo.
c) Si un comprador hace un pedido de tres lotes, ¿qué chance tiene de que haya a lo sumo
4 artículos defectuosos en cada uno de los tres lotes comprados?
29
11- El número de componentes electrónicas que fallan en un período se distribuye
según una ley de Poisson. Se conoce que el número promedio de transistores que
fallan por hora es 0,1.
a) ¿Cuál es la probabilidad de que una componente falle después de 10 horas de
funcionamiento?
b) ¿Cuál es la distribución de probabilidad de la variable T: tiempo entre dos fallas
sucesivas? Justifique su respuesta.
c) ¿Cuál es la P (T > 10 horas)? Indique la relación de este resultado con el obtenido en a)
d) Grafique la distribución de T e indique el área de la distribución calculado en c)
C1
A B
C2
a) Obtenga la probabilidad de que este circuito funcione sin fallas durante un mes.
b) Ambos componentes se reemplazarán por un único componente cuya duración es una
variable aleatoria distribuida exponencialmente con parámetro λ. ¿Qué valor debe tener λ
para que se mantenga la misma confiabilidad para el circuito en el período mencionado?
(Recuerde que la función de confiabilidad R(t) = P(T> t) )
c) ¿Cuál es el tiempo promedio de funcionamiento sin fallas para circuitos armados según el
ítem b)?
13- La distribución del tiempo de falla (en horas) durante la vida útil de un tipo de
componente sigue una ley uniforme en el intervalo (a, b).
a) Si a = 100 horas y b = 1500 horas, defina claramente la variable en estudio y grafique su
distribución de probabilidad.
b) ¿Qué porcentaje de componentes fallarán después de 500 horas de funcionamiento?
Señale en el gráfico el área hallada.
c) ¿Cómo se denomina la probabilidad calculada en a)? ¿Cuál es su interpretación?
30
14- Utilice tablas o herramientas de software para obtener y graficar las distribuciones
de probabilidad que se solicitan a continuación y responda los distintos ítems a partir
de la observación de los gráficos obtenidos.
1) Distribución Normal
a-1) Distribuciones con µ = 5, 10, 20 y σ = 1
a-2) Distribuciones con µ = 10 y σ = 0,3; 1 y 3
Comente sobre los cambios que se observan en cada uno de los casos.
2) Distribución Binomial
b-1) Distribuciones con n = 50 y π = 0,01; 0,15; 0,5 y 0,75
¿Para qué valor/es de π la distribución binomial es simétrica?
¿Para qué valor/es de π la distribución binomial es asimétrica a la derecha? ¿Y a la
izquierda?
b-2) Distribuciones con π = 0,10 y n = 10, 20, 50, 100, 200
¿Qué ocurre con la forma de la distribución a medida que n aumenta?
3) Distribución de Poisson
Distribuciones con λ = 0,1; 1; 5 y 10
¿Qué ocurre con la forma de la distribución a medida que n aumenta?
4) Distribución Exponencial
Distribuciones con λ = 0,1; 1; 5 y 10
Comente sobre los cambios que se observan al aumentar el valor del parámetro λ.
31
Suponga ahora que se conoce que la longitud de las barras sigue una ley normal y que en la
automotriz admiten como máximo 0,0027 para la proporción de barras fuera de
especificaciones…
a) ¿Podría decir cuáles son los valores apropiados para la media y la desviación estándar
de la longitud de las barras si se quiere cumplir con las exigencias de la industria
automotriz?
b) ¿Cambiaría su respuesta si la automotriz admite un máximo de 0,02 para la proporción de
barras fuera de especificaciones? Explique
c) Re-escriba el planteo del problema pensando ahora en la media y la desviación estándar
como parámetros de interés (considere que se admite un máximo de 0,0027 para la
proporción de barras fuera)
32
Para reflexionar:
5- Bibliografía
33