Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDAD
Ing. Jos Manuel Garca Pantigozo
calidadtotal@hotmail.com
2017 - 0
OBJETIVOS ESPECIFICOS
DE APRENDIZAJE
despus de este tema, usted podr:
Definir los trminos distribucin de probabilidad y variable
aleatoria.
Distinguir entre distribuciones de probabilidad continua y
discreta.
Calcular la media, varianza y desviacin estndar de una
distribucin de probabilidad discreta.
Describir las caractersticas de la distribucin de probabilidad
binomial y su aplicacin en el clculo de probabilidades.
Describir las caractersticas de la distribucin de probabilidad
hipergeomtrica y su aplicacin en el clculo de probabilidades.
Describir las caractersticas de la distribucin de probabilidad
de Poisson y su aplicacin en el clculo de probabilidades.
DISTRIBUCION DE
PROBABILIDAD
Listado de
todos los
resultados de
un
experimento
y la
Ejemplo de Distribucin de
Probabilidad
Ejemplo 01:01 Suponga que le interesa el nmero de
caras que aparecen en tres lanzamientos de una
moneda. Tal es el experimento. Los posibles
resultados son: cero caras, una cara, dos caras y tres
caras. Cul es la distribucin de probabilidad del
nmero de caras?
Solucin: Hay ocho posibles resultados. En el
primer lanzamiento puede aparecer una cara, una
cruz en el segundo lanzamiento y otra cruz en el
tercer lanzamiento de la moneda. O puede obtener
cruz, cruz y cara, en ese orden. Para obtener los
resultados del conteo (5.8), aplique la formula de la
multiplicacin: (2)(2)(2), es decir, 8 posibles
resultados. Estos resultados se listan enseguida.
Ejemplo de Distribucin de
Probabilidad
Ejemplo de Distribucin de
Probabilidad
Observe que el resultado cero caras
ocurre slo una vez; una cara ocurre tres
veces; dos caras, tres veces, y el resultado
tres caras ocurre una sola vez. Es decir,
cero caras se present una de ocho veces.
Por consiguiente, la probabilidad de cero
caras es de un octavo; la probabilidad de
una cara es de tres octavos, etc. La
distribucin de probabilidad se muestra en
la tabla siguiente. Como uno de estos
resultados debe suceder, el total de
probabilidades de todos los eventos
posibles es 1.000. Esto siempre se cumple.
La grfica a continuacin contiene la
misma informacin
Ejemplo de Distribucin de Probabilidad
Distribuci
n de
probabilid
ad de los
eventos
relativos a
cero, una,
dos y tres
Ejemplo de Distribucin de Probabilidad
Presentaci
n grfica
del nmero
de caras
que
resultan de
tres
lanzamient
Caractersticas de una
Distribucin de Probabilidad
1.La probabilidad de
un resultado en
particular se
encuentra entre 0 y
1, inclusive.
2. Los resultados
son eventos
mutuamente
Distribucin
La
Probabilstica
distribucin de una variable X se
define como una descripcin del conjunto
de valores posibles de X, junto con la
probabilidad asociada con cada uno de
estos valores.
Para una variable aleatoria discreta la
distribucin de probabilidad se describe
mediante una funcin de probabilidad,
representada por f(x). Donde esta
funcin define la probabilidad de cada
valor de la variable analizada.
Ejemplo de Distribucin de
Probabilidad
Distribucin Discreta de
Probabilidad:
Probabilidad
Repase el ejemplo del
lanzamiento de una moneda de la
segunda tabla. La probabilidad de
x se representa P(x). De esta
manera, la probabilidad de cero
caras es P(0 caras) = 0.125, y la
probabilidad de una cara es P(1
cara) = 0.375, etc. La suma de
estas probabilidades mutuamente
excluyentes es de 1; es decir, de
acuerdo con la tabla 6.1, 0.125 +
0.375 + 0.375 + 0.125 = 1.00.
Condiciones Requeridas Para
Una Distribucin Discreta
Probabilidad
f ( x) P( X x)
fx ( x ) 0
n
fx( x) 1
i 1
Cantidad discreta
Funcin de probabilidad
Uniforme Discreta
Es la representacin ms sencilla de
distribucin de probabilidad, se
define como:
f ( x) x / n
Variables aleatorias
Es una descripcin numrica del resultado
de un experimento aleatorio.
De acuerdo a lo anterior las podemos
clasificar como discretas o continuas.
Las discretas son variable aleatorias con un
rango finito (o infinito contable).
Las continuas son variables que pueden
asumir cualquier valor en un intervalo o
conjunto de intervalos.
Una forma de determinar si una variable es
continua o discreta es imaginarse que los
valores de esa variable son los puntos en una
recta numrica.
Variables aleatorias
En cualquier experimento aleatorio, los resultados se presentan
al azar; as, a este se le denomina variable aleatoria. Por
ejemplo, lanzar un dado constituye un experimento: puede
ocurrir cualquiera de los seis posibles resultados. Algunos
experimentos dan origen a resultados de ndole cuantitativa
(como dlares, peso o numero de nios); otros dan origen a
resultados de naturaleza cualitativa (como el color o la afiliacin
religiosa).
Cada valor de la variable aleatoria se relaciona con una
probabilidad que indica la posibilidad de un resultado
determinado. Unos cuantos ejemplos aclararan el concepto de
variable aleatoria.
21
VARIABLE ALEATORIA CONTINUA
Definicin
Es una funcin no negativa de
integral 1.
Pinsalo como la generalizacin
del histograma con frecuencias
relativas para variables
continuas.
Para qu lo voy a usar?
Nunca lo vas a usar directamente.
Sus valores no representan
probabilidades.
23
PARA QU SIRVE LA FUNCION DENSIDAD?
Muchos procesos aleatorios vienen descritos por variables de
forma que son conocidas las probabilidades en intervalos.
24
FUNCIN DE DISTRIBUCIN
Es la funcin que asocia a cada valor de una variable,
la probabilidad acumulada de los valores inferiores o
iguales.
Pinsalo como la generalizacin de las frecuencias
acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden
valores de la funcin de distribucin cercanos a cero.
A los valores extremadamente altos les
corresponden valores de la funcin de distribucin
cercanos a uno.
Lo encontraremos en los artculos y aplicaciones en
forma de p-valor, significacin,
25
FUNCIN DE DISTRIBUCIN
28
MEDIA DE UNA DISTRIBUCION
PROBABILISTICA
La media o esperanza matemtica es una
medida de localizacin, que indica el valor
alrededor del cual flucta la variable aleatoria;
si sta es continua, la media se define como:
= E(X) = [x*P(X)]
29
VARIANCIA DE UNA DISTRIBUCION
PROBABILISTICA
2 2
= E(X) = [(X - ) *P(X)]
Ejemplo 4
Una persona vende autos nuevos para una empresa. Generalmente
negocia el mayor numero de autos los sbados. Ha establecido la
siguiente distribucin de probabilidad para el numero de autos que espera
vender en un sbado en particular.
34
Ejemplo 6: (continua)
Solucin 2. Cantidad media cobrada por el refresco.
X P(x) xP(x)
50 0.30 15.00
75 0.50 37.50
90 0.20 18.00
Solucin 3: 70.50
X P(x) (X - ) (X - )*(X - )*P(x)
50 0.30 -20.5 126.075
75 0.50 4.5 10.125
90 0.20 19.5 76.05
VARIANCIA
212.25 35
36
DISTRIBUCION PROBABILISTICA BINOMIAL
1ERA CARACTERISTICA:
Se ocupa de experimentos en donde cada
resultado puede tomar solo una de dos formas.
La respuesta de una pregunta del tipo
verdadero-falso.
Cada resultado es mutuamente excluyente (esto
quiere decir que la respuesta no puede ser
verdadero y falso al mismo tiempo).
Tambin puede ser denotado como xito y
fracaso.
DISTRIBUCION PROBABILISTICA BINOMIAL
EJEMPLO DE EXPERIMENTOS:
Experimento: seleccionar juguete de una lnea
de produccin
Resultado:
El juguete funciona (xito)
El juguete no funciona (fracaso)
Experimento: preguntar a un consumidor si le
gusta la coca cola
Resultado:
Le gusta la coca cola (xito)
No le gusta la coca cola(fracaso)
DISTRIBUCION PROBABILISTICA BINOMIAL
2DA CARACTERISTICA:
Los datos recopilados son resultado de conteos.
Es por esta razn que la distribucin binomial
se clasifica como discreta.
3RA CARACTERISTICA:
Que la probabilidad de un xito permanece igual
de un ensayo a otro.
DISTRIBUCION PROBABILISTICA BINOMIAL
Ejemplo 7:
La probabilidad que se adivine la 1era pregunta
de una prueba de verdadero o falso en forma
correcta (xito) es 0.5;la probabilidad de
adivinar la 2da pregunta (2do ensayo) es 0.5; la
probabilidad de xito en el 3er ensayo es 0.5, y
as sucesivamente.
La probabilidad que salga 6 al lanzar un dado es
1/6;la probabilidad de que salga 6 de nuevo
(2do ensayo) tambin es 1/6; la probabilidad de
xito en el tercer ensayo es 0.5, y as
40
sucesivamente.
DISTRIBUCION PROBABILISTICA BINOMIAL
4TA CARACTERISTICA:
Es que un ensayo es independiente de otro. No
existe un patrn rtmico con respecto a los
resultados.
41
Ejemplo 8: Experimento aleatorio: n = 3 lanzamientos de una
moneda. Probabilidad de xito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.
3 p 2 (1 p )
3 p (1 p ) 2
42
DISTRIBUCION PROBABILISTICA BINOMIAL
n!
Pr = (p) (q)
r n-r
r!(n r)!
DISTRIBUCIN BINOMIAL
Funcin de probabilidad n k nk
P[ X k ] p q , 0 k n
k
Problemas de clculo si n es grande y/o p cercano a
0 o 1.
Media: =n p
Varianza: 2 = n p q
44
Propiedades de la Distribucin Binomial
Promedio Np
Varianza Npq
2
1 6 pq
Curtosis 4 3
Npq
Ejemplo 9: Cul es la probabilidad de que en una
familia de 4 hijos exactamente 2 sean nias?
n x n x
p(x) p ( 1 p)
x
p 0.5; n 4; x2
4
p( 2 ) ( 0.5 ) ( 1-0.5 )
2 4- 2
2
46
Ejemplo10: Si una dcima parte de personas tiene
cierto grupo sanguneo, cul es la probabilidad de que
entre 100 personas escogidas al azar exactamente 8 de
ellas pertenezcan a este grupo sanguneo?
n x n x
p(x) p ( 1 p)
x
p 0.1; n 100; x 8
100
p( 8 ) ( 0.1 ) ( 1-0.1 )
8 92
8
47
Ejemplo 11: Y si la pregunta es 8 como mximo?
n x
8
p(x 8 ) p ( 1 p)
n x
x 0 x
8
100
(0.1) ( 0.9 )
x 100 x
x 0 x
48
Ejemplo 12: Calcula la probabilidad de obtener al menos
dos seises al lanzar un dado cuatro veces.
n k nk
P (k ) p q (k 0,1,....n)
k
p = 1/6, q = 5/6, n = 4
Al menos dos seises, implica que nos valen k = 2, 3, 4.
P(2) + P(3) + P (4)
4 1 2 5 2
4 1 3 5 4 1 4
2 6 6 3 6 6 4 6
1 171
4 (6 25 4 5 1) 0.132
6 1296 49
Ejemplo 13: Supongamos que la probabilidad de
encontrar una estrella de masa m * >10 M en un cmulo
estelar joven es del 4%. Cul es la probabilidad de
que en una muestra escogida al azar, entre 10
miembros del cmulo encontremos 3 estrellas con m *
>10 M?
n x n x
p(x) p ( 1 p)
x
p 0.04; n 10; x3
10
p( 3 ) ( 0.04 )3( 1-0.04 )10 - 3 0.043 0.967 0.006
3
50
Ejemplo 14: Elige un nmero entre 1 y 6. Lanzas 3
dados. Si el nmero que has elegido sale en los 3
dados cobras 3 euros. Si sale en 2 cobras 2 euros. Si
sale en un dado cobras 1 euro. Y si no sale en ninguno,
pagas 1 euro. Es un juego justo?
3 0 2
3 1 5 3 1 5
3 2
3 6 6 2 6 6
1 2 3
3 1 5 3 5
1 (1) 0.08
1 6 6 0 6 51
52
53
54
55
Supongamos que un experimento aleatorio tiene las
siguientes caractersticas:
En cada prueba del experimento slo son posibles dos
resultados: el suceso A (xito) y su contrario`A (fracaso).
El resultado obtenido en cada prueba es independiente de
los resultados obtenidos anteriormente.
La probabilidad del suceso A es constante, la representamos
por p, y no vara de una prueba a otra. La probabilidad de
`A es 1- p y la representamos por q .
El experimento consta de un nmero n de pruebas.
Todo experimento que tenga estas caractersticas
diremos que sigue el modelo de la Distribucin
Binomial. A la variable X que expresa el nmero de
xitos obtenidos en cada prueba del experimento, la
llamaremos Variable Aleatoria Binomial.
56
La variable binomial es una variable aleatoria
discreta, slo puede tomar los valores 0, 1, 2, 3,
4, ..., n suponiendo que se han realizado n
pruebas. Como hay que considerar todas las
maneras posibles de obtener k-xitos y (n-k)
fracasos debemos calcular stas por
combinaciones (nmero combinatorio n sobre
k).
La distribucin Binomial se suele representar
por B(n,p) siendo n y p los parmetros de
dicha distribucin.
57
CARACTERSTICAS DE LA
DISTRIBUCIN BINOMIAL
Media
= E(X) = n p P(X) n = 5 p = 0.1
.6
.4
= 5 0.1 = 0.5 .2
0 X
= 5 0.5 = 0.25
0 1 2 3 4 5
Desviacin estndar
P(X) n = 5 p = 0.5
np (1 p ) .6
.4
5 0.1 (1 0.1) 0.67 .2
X
0
5 0.5 (1 0.5) 1.1 0 1 2 3 4 5
58
Parmetros de la Distribucin Binomial
59
Sea X una variable aleatoria discreta correspondiente
a una distribucin binomial.
60
Ejemplo 15: Una mquina fabrica una
determinada pieza y se sabe que produce un 7
por 1000 de piezas defectuosas. Hallar la
probabilidad de que al examinar 50 piezas slo
haya una defectuosa.
Solucin :
Se trata de una distribucin binomial de
parmetros B(50, 0'007) y debemos calcular la
probabilidad p(r=1).
Ejemplo 16: La probabilidad de xito de una
determinada vacuna es 0,72. Calcula la
probabilidad de a que una vez administrada a
15 pacientes:
64
Ejemplo 18: Se dice que el 75% de los
accidentes de una planta se atribuyen a errores
humanos. Si en un perodo de tiempo dado, se
suscitan 5 accidentes, determine la
probabilidad de que;
a) dos de los accidentes se atribuyan a errores
humanos,
b) como mximo 1 de los accidentes se
atribuya a errores de tipo humano,
c) tres de los accidentes no se atribuyan a
errores humanos.
Solucin a)
r = variable que nos define el nmero de
accidentes debidos a errores humanos.
65
r = 0, 1, 2,...,5 accidentes debidos a errores de
tipo humano
p = p (xito) = p (un accidente se deba a errores
humanos) = 0.75
q = p(fracaso) = p(un accidente no se deba a
errores humanos) = 1-p = 0.25
Solucin a)
P(r) = 5! = 0.08789
(0.75 )(0.25 )
2 5-2
2!(5 2)!
66
Solucin b)
P(r) = 5! 5-0 +
(0.75 )(0.25 )
0
0!(5 0)!
5! 5-1 = 0.015624
(0.75 )(0.25 )
1
1!(5 1)!
Solucin c)
En este caso cambiaremos el valor de p;
n =5
r = variable que nos define el nmero de
accidentes que no se deben a errores de tipo
humano
r = 0, 1, 2,...,5 accidentes debidos a errores
humanos
p = p(probabilidad de que un accidente no se
deba a errores humanos) = 0.25
q = p(probabilidad de que un accidente se deba
a errores humanos) = 1-p = 0.75
3!(5 3)!
68
Ejemplo 19 Si la probabilidad de que el vapor se
condense en un tubo de aluminio de cubierta
delgada a 10 atm de presin es de 0.40, si se
prueban 12 tubos de ese tipo y bajo esas
condiciones, determine la probabilidad de que: a)
el vapor se condense en 4 de los tubos, b) en
ms de 2 tubos se condense el vapor, c) el vapor
se condense en exactamente 5 tubos.
Solucin a)
n =12
r = variable que nos define el nmero de tubos
en que el vapor se condensa
r = 0, 1, 2, 3,...,12 tubos en el que el vapor se
condensa 69
r = 0, 1, 2, 3,...,12 tubos en el que el vapor se
condensa
p =p(se condense el vapor en un tubo de Al a 10
atm)= 0.40
q = p(no se condense el vapor en un tubo de Al a
10 atm) = 1-p=0.60
Solucin a)
P(r) = 12!
(0.404)(0.6012-4) = 0.21284
4!(12 4)!
70
Solucin b)
p(r=3,4,..,12,n=12,p=0.4)=p(r=3)+p(r=4)+.+p(r=12)=1-p(r=0,1,2)=
12! = 0.91656
(0.752)(0.2512-2)
2!(12 2)!
Solucin c)
12!
P(r) = (0.405)(0.6012-5) = 0.22703
5!(12 5)!
Ejemplo 20: La probabilidad de que el nivel de
ruido de un amplificador de banda ancha
exceda de 2 dB (decibeles) es de 0.15, si se
prueban 10 amplificadores de banda ancha,
determine la probabilidad de que;
a) en solo 5 de los amplificadores el nivel de
ruido exceda los 2 dB,
b) por lo menos en 2 de los amplificadores, el
ruido exceda de 2 dB,
c)que entre 4 y 6 amplificadores no se excedan
de los 2 dB,
d)encuentre el nmero esperado de
amplificadores que se exceden de un nivel de
ruido de 2dB y su desviacin estndar.
Solucin a)
n =10
r =variable que nos define el nmero de
amplificadores de banda ancha que su nivel de
ruido excede de 2 dB.
r = 0, 1, 2,...,10 amplificadores en los que el
nivel de ruido excede de los 2 dB
p = P(un amplificador exceda su nivel de ruido
de 2 dB) = 0.15
q = p(un amplificador no exceda su nivel de
ruido de 2 dB =1-p= 0.85
10!
P(r) = (0.155)(0.8510-5) = 0.00849
5!(10 5)!
Solucin b)
p(r=2,3,4,5,6,7,8,9,10, n=10, p=0.15)= 1- p(x = 0,1) =
P(r) = 0.455705
Solucin c)
n=10
r= variable que nos define el nmero de
amplificadores de banda ancha que su nivel de
ruido no excede de 2 dB
r= 0, 1, 2,...,10 amplificadores que su nivel de
ruido no excede de los 2 dB
p = p(un amplificador no exceda su nivel de ruido
de 2 dB) = 0.85
q = p(un amplificador exceda su nivel de ruido de
2 dB) = 1- p = 0.15
Solucin c)
10! = 0.01374897
(0.856)(0.1510-6)
6!(10 6)!
Solucin d)
n=10, p=0.15, q=1-p=0.85
x!(n x )!
18! 18 2
b(2,18,0.1) 2
* 0.1 * 0.9 0.2835
2!(18 2)!
Ejemplo 27: Representar la calidad de fumador;
- Y=1, adulto actualmente fumador
- Y=2, adulto no fumador
N-S S
86
DISTRIBUCION HIPERGEOMETRICA
(sCr)*(N-SCn-r)
Pr =
(NCn)
N Tamao de la poblacin
S Nmero de xitos en la poblacin
r Nmero de xitos que interesan (0,1,2,3,...)
n Tamao de la muestra
C Smbolo de la combinacin
87
ESPERANZA MATEMATICA DE UNA VARIABLE
HIPERGEOMETRICA
= E(X) = n*S
N
2= E[(X - )2]
88
Ejemplo 1:
Una empresa durante la semana fabric 50
DVDs (N=50). Operaron sin problemas
40 (S=40) y 10 tuvieron al menos un
defecto. Se selecciona al azar una
muestra de 5 (n=5). Utilizando la
frmula hipergeomtrica Cul es la
probabilidad que cuatro (r=4) de los cinco
operarn sin problemas? (Observar que
se hace sin reposicin y que el tamao de
muestra de 5 es de 10% de la poblacin.
Esto es mayor que la condicin de 5%).
89
Solucin:
N = 50
S = 40 (40C4)*(50-40C5-4)
r =4 Pr = = 0.431
n =5 (50C5)
NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD
0 0.000
1 0.004
2 0.044
3 0.210
4 0.431
5 0.311 90
91
Ejemplo 2:
Una empresa durante la semana fabric 50 DVDs
(N=50). Operaron sin problemas 40 (S=40) y 10 tuvieron
al menos un defecto. Se selecciona al azar una muestra
de 5 (n=5). Utilizando la frmula hipergeomtrica Cul
es la probabilidad que cuatro (r=3) de los cinco operarn
sin problemas? (Observar que se hace sin reposicin y
que el tamao de muestra de 5 es de 10% de la
poblacin. Esto es mayor que la condicin de 5%).
N=50;S= 40;r= 3; n = 5
Solucin:
(40C3)*(50-40C5-3)
Pr = = 0.210
(50C5)
92
Ejemplo 3:
0 0.0666667
1 0.466667
2 0.466667
94
Ejemplo 4:
95
Solucin:
N = 10 (3C2)*(10-3C4-2)
S = 3 Pr = = 0.30
r = 4 (10C4)
n = 2
0 0.166667
1 0.500000
2 0.300000
96
Ejemplo 5:
Solucin:
N = 10; S= 7 ; r = 4 ;n = 4
a)
(35)*(1)
Pr = =0.16667
(210)
99
b) (3C2)*(10-3C4-2) + (3C3)*(10-3C4-3)
Pr =
(10C4)
(3)*(21) + (1)*(7)
Pr =
(210)
63 + 7
Pr = = 0.333333
210
100
Ejemplo 7: a)Cul es la probabilidad de que una
mesera se rehse a servir bebidas alcohlicas
nicamente a dos menores de edad si verifica
aleatoriamente solo 5 identificaciones de entre 9
estudiantes, de los cuales 4 no tienen la edad
suficiente?, b) Cal es la probabilidad de que como
mximo 2 de las identificaciones pertenezcan a
menores de edad?
Solucin:
N = 9;S = 4 ;r = 2;n = 5
a) (4Cr)*(9-4C5 - 2)
Pr = = 0.47619
(9C5)
101
b) N= 9; S = 4; r = 0,1 y 2; n = 5
(4C0)*(9-4C5-0) + (4C1)*(9-4C5-1) + (4C2)*(9-4C5- 2)
Pr =
(9C5)
NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD
0 0.00793
1 0.15873
2 0.47619
SUMAMOS Y 0.64285
102
EjERCICIO PROPUESTO:
Una compaa manufacturera utiliza un esquema
para la aceptacin de los artculos producidos
antes de ser embarcados. El plan es de dos
etapas. Se preparan cajas de 25 para embarque
y se selecciona una muestra de 3 para verificar
si tienen algn artculo defectuoso. Si se
encuentra uno, la caja entera se regresa para
verificarla al 100%. Si no se encuentra ningn
artculo defectuoso, la caja se embarca. a)Cul
es la probabilidad de que se embarque una caja
que tiene tres artculos defectuosos?, b)Cul es
la probabilidad de que una caja que contiene
solo un artculo defectuoso se regresa para
verificacin?
103
104
DISTRIBUCIN DE POISSON
Tambin se denomina de sucesos raros.
Se obtiene como aproximacin de una distribucin
binomial con la misma media, para n grande (n>30)
y p pequeo (p<0,1).
Queda caracterizada por un nico parmetro (que
es a su vez su media y varianza.)
Funcin de probabilidad:
k
P[ X k ] e , k 0,1,2,...
k!
DISTRIBUCIN DE POISSON
e X X
p( X )
X!
Propiedades de la distribucin Poisson
Promedio
Varianza
2
Desviacin Estndar
1
Coef. De Asimetra 3
1
4 3
Curtosis
EJEMPLOS DE VARIABLES DE POISSON
111
Ejemplo 1:
Si un banco recibe en promedio 6 cheques sin fondo por
da, cules son las probabilidades de que reciba, a)
cuatro cheques sin fondo en un da dado, b) 10 cheques
sin fondos en cualquiera de dos das consecutivos?
Solucin: a)
x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc.
= 6 cheques sin fondo por da
e = 2.718
x 64
P(x)= = = 0.13392
X!e 4!e6 112
Solucin: b)
x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al
banco en dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho
de otra forma, debe hablar de lo mismo que x.
x 1210
P(x)= = = 0.104953
X!e 10!e12
113
Ejemplo 2:
En la inspeccin de hojalata producida por un proceso
electroltico continuo, se identifican 0.2 imperfecciones en
promedio por minuto. Determine las probabilidades de identificar
a) una imperfeccin en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando ms una imperfeccin
en 15 minutos.
Solucin: a)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3
minutos en la hojalata
x 0.61
P(x)= = = 0.329307
X!e 1!e0.6 114
Solucin: b)
x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos
en la hojalata.
10 11
P(x)= 1 - + = 0.26416
0!e1 1!e1
115
Solucin: c)
x = variable que nos define el nmero de imperfecciones en
la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15
minutos en la hojalata
30 31
P(x)= 1 - + = 0.1992106
0!e3 1!e3
116
Ejemplo 3: Cierta enfermedad tiene una probabilidad de ocurrir,
p=1/100.000. Calcular la probabilidad de que en una ciudad con
500.000 habitantes haya ms de 3 personas con dicha
enfermedad.
Solucin :
Si consideramos la v.a. X que contabiliza el nmero de
personas que padecen la enfermedad, es claro que sigue un
modelo binomial, pero que puede ser muy bien aproximado
por un modelo de Poisson, de modo que
X->B (n=500000,p=1/100000) ->X ->Poi(=5)
As el nmero esperado de personas que padecen la
enfermedad es E [X] = 5 .Como Var [X] = 5 ,existe una gran
dispersin, y no sera extrao encontrar que en realidad hay
muchas ms personas o menos que estn enfermas. La
probabilidad de que haya ms de tres personas enfermas es:
117
Solucin : (continua)
P [X>3] = 1 P[ X 3 ]
P [X>3] = 1 P[ X = 0] - P[X=1] - P[ X = 2 ] - P[ X = 3 ]
P [X>3] = 0,735
118
Ejemplo 4: El nmero de enfermos que solicitan atencin de
urgencia en un hospital durante un periodo de 24 horas tiene una
media de m = 43.2 pacientes. Unas obras en las instalaciones
mermarn las capacidades de atencin del servicio, el cual se
sabe que colapsar si el nmero de enfermos excede de 50. Cual
es la probabilidad de que colapse el servicio de urgencias del
hospital? .
Solucin :
Bajo las condiciones del modelo de Poisson, se trata de una
distribucin P(43.2). La probabilidad solicitada es
Pr(X>50) = 0.1343
119
Ejemplo 5: Un equipo tiene dos componentes: A y B. El
componente A se rompe, en promedio, cada 400hs; el
componente B, cada 600hs. El equipo deja de funcionar
cuando se rompe cualquiera de esos dos componentes.
Cul es la probabilidad de que ese equipo funcione por
menos de 800hs?
Solucin :
pedacito de chocolate?
Solucin :
Se puede considerar un proceso Bernoulli el agarrar una galletita y
comprobar si tiene algn copito o no.
La p de que no tenga copitos es la P de que no tenga blancos Y
no tenga negros. Son independientes, as que esa interseccin es
el producto de ambas probabilidades . Otra opcin es considerar
una variable que represente el total de copitos ( ); su distribucin
tambin ser de Poisson y su media ser la suma de las media.
122
Solucin :
En este caso,
El nmero de veces que se lleva a cabo el
experimento es 8 (n=8). Como piden que AL MENOS 2
no tengan copitos, conviene sacar la P de que ninguna
tenga copitos y la de que 1 no tenga copitos, sumarlas,
y restarlas a 1.
Resultado: 5,44x10-5
123
Ejemplo 7: Determinar la cantidad de personas
de una poblacin de 10,000 que se involucra en
un accidente vehicular cada ao.
Solucin: El nmero de personas implicadas
sera la siguiente la cual tambin es la varianza:
np
(10000)(0.00024)
2. 4
La probabilidad de que nadie en esta poblacin tenga
un accidente en un ao en particular es
2.4 0
e ( 2 .4 )
P ( X 0)
0!
0.091
P ( X 7) 1 P ( X 7)
1 (0.091 0.218 0.261 0.209 0.125 0.060 0.024)
0.012
Ejercicio Propuesto: El nmero de llamadas que
llegan a cierta Central Telefnica en determinado periodo
de tiempo sigue un proceso de Poisson de tasa 180
llamadas la hora. La capacidad de la Central Telefnica
permite atender un mximo de 5 llamadas por minuto.
Calcular:
a) La probabilidad de que en un minuto determinado se
reciban mas llamadas de las que se pueden atender.
b) La probabilidad de que en un intervalo de 5 minutos se
produzcan mas de 10 llamadas.
c) La probabilidad de que en 2 minutos se produzcan
exactamente 4 llamadas.
d) El nmero medio de minutos por hora en que la Central
Telefnica podr atender todas las llamadas recibidas.
e) La probabilidad de que no se produzca saturacin en
ningn minuto a lo largo de una hora.
127
Tema N 04: DISTRIBUCIONES DE
PROBABILIDAD
2009 - II Ing. Jos Manuel Garca Pantigozo
calidadtotal@hotmail.com