Documente Academic
Documente Profesional
Documente Cultură
ndice
! *+,*+
!
x
X
n i
P (X x) =
p (1 p)ni
i =0 i
X = np
2X
= np(1 p)
!* +!* *!+*
&
*+!* !
( ,
. ,
1. Variable aleatoria
1.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
4
5
6
7
7
8
9
9
10
11
11
11
6. Distribucin binomial
6.1. Esperanza matemtica y variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2. Propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
14
14
15
7. Distribucin de Poisson
7.1. Esperanza matemtica y variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2. La distribucin de Poisson como caso lmite de la distribucin Binomial . . . . . . . . .
7.3. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
16
16
17
8. Distribucin geomtrica
8.1. Esperanza matemtica y variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2. Perodo de retorno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
19
19
19
20
10.Distribucin hipergeomtrica
10.1.Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
21
11.Miscelnea de problemas
21
12.Soluciones
25
1. Variable aleatoria
Una variable aleatoria es una funcin que asigna a cada elemento del espacio muestral un nmero real.
La funcin X , definida por el estudiante, es una variable aleatoria. A la imagen de S por X , que
simbolizamos R X , la llamamos recorrido de la variable aleatoria X , y est formado por todos los
valores que asume la variable aleatoria X . En el ejemplo, R X = {0, 1, 2, 3}. El conjunto R X es el espacio
muestral asociado a la experiencia de observar la cantidad de respuestas correctas sobre un total de
tres preguntas. El conjunto R X es finito y por lo tanto, decimos que la variable aleatoria X es discreta.
I
C
Una variable aleatoria es discreta si su recorrido es un conjunto finito o infinito numerable (susceptible de ser contado). Si el recorrido es un intervalo
real, la variable aleatoria se dice continua.
Luego escribe el conjunto S formado por todos los posibles resultados (espacio muestral asociado a la experiencia de observar
la secuencia correcto-incorrecto en una serie de tres preguntas)
I
I
C
C
I
I
1.1. Ejemplos
C
I
I
S = {(I , I , I ), (I , I ,C ), (I ,C , I ), (C , I , I ), (I ,C ,C ), (C , I ,C ), (C ,C , I ), (C ,C ,C )} .
La terna ordenada (C , I ,C ), por ejemplo, representa haber contestado bien a las preguntas 1 y 3, y
respondido incorrectamente la pregunta 2, en cambio la terna (C ,C , I ) representa haber contestado
bien a las preguntas 1 y 2, y respondido incorrectamente la pregunta 3. En ambos casos, se respondieron bien a 2 preguntas. En total, hay tres formas diferentes de contestar bien a dos preguntas:
(I ,C ,C ), (C , I ,C ), (C ,C , I ). El estudiante encuentra til asociar a cada elemento de S , la cantidad de
respuestas correctas que representa.
1. Una fbrica produce lmparas de bajo consumo que para su distribucin son envasados en
cajas de 25 unidades cada una. El encargado del control de calidad de la produccin, selecciona
una caja al azar y registra la cantidad de lmparas que, al probarlas, no encienden. Sea
X 1 : cantidad de lmparas que no encienden en una caja de 25 lmparas.
En este caso
R X 1 = {0, 1, 2, . . . , 25} ,
y por lo tanto la variable aleatoria X 1 es discreta.
X
X (S )
S
(I , I , I )
(I , I ,C )
(I ,C , I )
(C , I , I )
(I ,C ,C )
(C , I ,C )
(C ,C , I )
(C ,C ,C )
En este caso
2
R X 2 = N = {1, 2, . . .} ,
y por lo tanto la variable aleatoria X 2 es discreta.
Calcular P ({(I , I , I )}), por ejemplo, equivale a calcular P (X = 0). Entonces resulta
P (X = 0) = P ({(I , I , I )}) =
3 3
4
R X 3 = N0 = {0, 1, 2, . . .} ,
27
64 .
P (X = 1) = P ({(I ,C , I ), (C , I , I ), (I , I ,C )}) = 3 14
27
64 .
4. Se registra la cantidad de artculos que produce una mquina hasta que se descompone. Sea
X 4 : cantidad de artculos que produce una mquina elegida al azar hasta que se descompone.
En este caso
El estudiante, para resolver el problema, asoci a cada elemento del espacio muestral un nmero.
Como veremos ms adelante, funciones de este tipo, que se conocen como variables aleatorias, facilitarn la resolucin de problemas de probabilidad.
R X 4 = N0 = {0, 1, 2, . . .} ,
5. Se observa el tiempo que transcurre hasta que una componente de una mquina falla. Sea
Ral Katz - Pablo Sabatinelli
Sea X una variable aleatoria y R X su recorrido. La funcin que a cada valor de la variable le hace corresponder la probabilidad de que la variable X
asuma ese valor, se denomina funcin de probabilidad puntual asociada a
la variable aleatoria X . En smbolos
X 5 : tiempo que transcurre hasta que una componente elegida al azar falla.
En este caso
R X 5 = R+
0 = [0, +),
y por lo tanto la variable aleatoria X 5 es continua.
pX : RX
x
[0, 1]
7
p X (x) = P (X = x)
En este caso
R X 6 = R+
0 = [0, +),
y por lo tanto la variable aleatoria X 6 es continua.
7. Se registra el consumo de combustible de un colectivo que realiza el recorrido Rosario-Santa
Fe. Sea
X 7 : consumo de combustible, en litros, para uno de esos viajes elegido al azar.
1. p X (x) 0, x R X .
X
p X (x) = 1.
2.
xR X
A los pares ordenados x, p X (x) con x R X , como a su representacin grfica, la llamamos indistintamente distribucin de probabilidad de la variable aleatoria X .
2.1. Ejemplos
En este caso
R X 7 = R+
0 = [0, +),
1. La siguiente tabla corresponde a la distribucin de probabilidad de la variable aleatoria D: demanda diaria de un artculo en un negocio.
P (D = d )
0.1
0.3
0.4
0.2
0.3
0.2
0.1
La siguiente tabla muestra los valores que asume la variable aleatoria X : cantidad de respuestas correctas en un examen de tres preguntas de opcin mltiple, con sus correspondientes probabilidades;
stas fueron calculadas en la introduccin.
P (X = x)
P (X = x)
27/64
27/64
9/64
1/64
d
0
1
2
3
x
0
1
2
3
P (D = d )
0.4
27
64
27
64
p Y (0) = P (Y = 0) = 0 0,
1
0,
3
2
p Y (2) = P (Y = 2) = 0;
3
9
64
p Y (1) = P (Y = 1) =
1
64
b) la suma de las probabilidades con que la variable aleatoria Y asume cada valor de su recorrido es 1:
X
1 2
p Y (y) = p Y (0) + p Y (1) + p Y (2) = 0 + + = 1.
3 3
yR y
Ral Katz - Pablo Sabatinelli
En algunas ocasiones resulta necesario calcular la probabilidad de que una variable aleatoria asuma
un valor menor o igual a un cierto valor dado. Esto motiva la siguiente definicin.
a) 0 FU (u) 1, para u R.
b) FU es no decreciente en R.
c) FU es discontinua en cada punto u donde P (U = u) > 0.
Sea X una variable aleatoria discreta con recorrido R X y funcin de probabilidad p X . La funcin F X tal que
3.2. Propuesta
1. Considere la variable aleatoria X : cantidad de cermicos defectuosos en una caja de 100 unidades, con la siguiente distribucin de probabilidad:
F X : R [0, 1]
7 F X (x) = P (X x) ,
x
0
1
2
3 o ms
Es decir, F X (x), representa la probabilidad de que la variable aleatoria X asuma un valor menor o
igual que x, para cada x R X . En smbolos
P (X x) =
p X (t ).
a) Calcule el valor de t .
t x
t RX
P (Y = y)
0.41
0.37
0.16
0.05
0.01
P (X = x)
t
0.05
0.03
0.02
d) Cul es la probabilidad de que al elegir una caja al azar, la misma contenga por lo menos
un cermico defectuoso?
e) Grafique la funcin de distribucin acumulada para la variable aleatoria X .
2. La funcin de distribucin acumulada para la variable aleatoria W : cantidad de veces por semana que un proceso de produccin necesita recalibrarse verifica
a) Cul es la probabilidad de que en una semana elegida
al azar, el proceso requiera recalibrarse 1 vez?
w
0
1
2
3
4
FW (w)
0.15
0.55
0.85
0.98
1.00
1.00 +
0.94 +
b) Cul es la probabilidad de que en una semana elegida al azar, el proceso requiera recalibrarse a lo sumo 2
veces?
c) Cul es la probabilidad de que en una semana elegida
al azar, el proceso requiera recalibrarse por lo menos 5
veces?
d) Grafique la funcin de probabilidad puntual asociada
a la variable aleatoria W .
0.78 +
3. Considere la variable R: nmero de bacterias por cm3 en una muestra de agua contaminada,
cuya funcin de probabilidad es
0.41 +
P (R = r ) = p R (r ) =
2r e 2
,
r!
r = 0, 1, 2, . . . .
c) Cul es la probabilidad de que haya por lo menos 3 bacterias en una muestra de 1 cm3 ?
y
0
3
5
1
2
4
Grfica de la funcin de distribucin acumulada
donde
Entonces
Y = 6 0.15 + 7 0.20 + 8 0.40 + 9 0.25 = 7.75 caracteres.
Observaciones:
Hemos visto tambin que para n + la frecuencia relativa correspondiente al valor x i tiende a la
probabililidad de ocurrencia de ese valor. Es decir
f r (x i ) p X (x i ) ,
n+
(2)
k
X
i =1
x i f r (x i ) X =
n+
k
X
i =1
1. En ninguno de los ejemplos el valor de la esperanza matemtica corresponde a un valor observable, es decir no forma parte del recorrido de la variabla aleatoria. Esto es siempre as?
Explique.
2. El equivalente mecnico de la esperanza matemtica de una variable aleatoria es el centro de
gravedad de una distribucin de masas.
4.2. Propuesta
x i p X (x i ) .
Cul es el significado del valor de X generado a partir de este lmite especial? Se trata de la media
aritmtica calculada en la poblacin. Esta poblacin est formada por todas las observaciones posibles de la variable aleatoria X . El valor X se genera a partir de la media aritmtica x para n tendiendo
a infinito.
xp X (x).
xR X
m
1
2
3
4
5
6
Si R X es infinito numerable, la suma de la definicin es una serie numrica. En tal caso, la esperanza
de la variable existe si la serie es absolutamente convergente.
4.1. Ejemplos
1. Sea X : nmero que se obtiene al lanzar un dado equilibrado. Su recorrido es R X = {1, 2, 3, 4, 5, 6}
y su funcin de probabilidad puntual es p X (x) = 16 , cualquiera sea x R X . Entonces
X =
6
X
k=1
xp X (x) = 1
1
1
1
1
1
1
+ 2 + 3 + 4 + 5 + 6 = 3.5.
6
6
6
6
6
6
P (M = m)
1/36
3/36
5/36
7/36
9/36
11/36
a) Cul es el recorrido de M ?
b) Verifique las probabilidades de la tabla.
P (Y = y)
0.15
0.20
0.40
0.25
y
6
7
8
9
c) Calcule E (M ).
d) Ubique el valor obtenido en la grfica de la distribucin de probabilidad de M .
e) Repita el ejercicio con la variable aleatoria que corresponde al menor valor que se obtiene
al tirar los dados rojo y azul.
10
k
k
k
2
2 n i
2
1 X
n X
n X
xi x ni =
xi x
x i x f r (x i ) .
=
n 1 i =1
n 1 i =1
n
n 1 i =1
(3)
Tambin hemos visto que para n + la frecuencia relativa correspondiente al valor x i tiende a la
probabililidad de ocurrencia de ese valor. Relacionando estas dos condiciones, resulta
s2 =
k
k
X
2
2
n X
x i x f r (x i ) 2X =
x i X p X (x i ) .
n+
n 1 i =1
i =1
V (X ) =
Cul es el significado del valor de 2X generado a partir de este lmite especial? Se trata de la variancia
calculada en la poblacin. Esta poblacin est formada por todas las observaciones posibles de la
variable aleatoria X . El valor 2X se genera a partir de la variancia muestral s 2 para n tendiendo a
infinito.
V (X ) = 2X =
xR X
x X
6. Distribucin binomial
Llamamos ensayo de Bernoulli a toda experiencia aleatoria en relacin a la cual observamos si ocurre
un suceso A, o si ocurre A. Los siguientes son ejemplos de ensayos de Bernoulli.
1. Observamos si la respuesta dada a una pregunta respondida al azar es o no correcta. En este
caso podramos considerar A: la respuesta es correcta, A: la respuesta es incorrecta.
3. Argumente por qu la variancia puede interpretarse como la esperanza matemtica de una variable aleatoria comparando las definiciones correspondientes. Cul es esa variable aleatoria?
Complete eligiendo una de las siguientes opciones
E (X E (X )), E (X E (X ))2 , E X 2 E (X ) .
p X (x) .
La variancia de una variable aleatoria cuantifica la variacin, en la poblacin, de los valores de la variable respecto de su media. La variancia resulta grande cuando la variable asume valores alejados de
la media con alta probabilidad.
p
El valor de V (X ) est expresado en unidades al cuadrado de X . Esto motiva a considerar V (X ) = X
que llamamos desvio estndar de la variable aleatoria X .
As como interpretamos la esperanza matemtica de una variable aleatoria como el centro de gravedad de una distribucin de masas, la variancia puede interpretarse como el momento de inercia de
esa distribucin de masas.
En relacin al ejemplo introductorio, de responder al azar una pregunta de opcin mltiple, nos interes observar si la respuesta dada es o no correcta. Tambin en este caso se trata de un ensayo de
Bernoulli. Veamos algunas condiciones que se cumplen al realizar las tres repeticiones del ensayo.
El suceso A: la respuesta a una pregunta es correcta tiene una probabilidad que permanece
invariante o constante en cada ensayo. Cada pregunta tiene 4 respuestas de las cuales una es la
correcta P (A) = 1/4 en cada ensayo.
Los ensayos son independientes. La respuesta dada a una pregunta no influye en la respuesta
dada a cualquier otra pregunta.
5.1. Ejemplo
Bajo tales condiciones definimos la variable aleatoria X : cantidad de respuestas correctas sobre un
total de 3 y se obtuvo la distribucin de probabilidad asociada a dicha variable aleatoria X . Nos proponemos generalizar ese resultado particular tratado en el ejemplo introductorio.
p
2.916 1.707.
5.2. Propuesta
1. Ordene de menor a mayor las variancias correspondientes a las variables aleatorias X 1 , X 2 y
X 3 con recorrido comn R cuyas distribuciones de probabilidad se muestran en los siguientes
grficos, que tienen la misma escala.
X1
X2
X3
11
n k veces
{z
n veces
12
entonces la variable aleatoria Y asume el valor k. La recproca no es cierta. La variable aleatoria puede
tomar el valor k, pero no darse necesariamente esta secuencia. Podra haber ocurrido por ejemplo
el tamao de la muestra o nmero de ensayos, n, las distribuciones cambian su forma. Observe que
la distribucin binomial con parmetros n = 40 y p = 0.2 es razonablemente simtrica a pesar de que
0.2 < 0.5. Ms adelante veremos una explicacin terica de esto.
A A} |A A {z
A A}
|A A {z
n k veces
k veces
{z
P (X = x)
n veces
0.156
o tal vez haberse intercalado los sucesos A y A, etc. Cualquiera de las secuencias dadas tiene una pro
nk
. Para determinar la probabilidad P (Y = k) necesitamos
babilidad de ocurrencia igual a p k 1 p
conocer de cuntas formas diferentes se puede presentar k veces el suceso A en n ensayos indepen
dientes de Bernoulli. Usando anlisis combinatorio podemos deducir que la respuesta es nk . Adems
las diferentes secuencias son mutuamente excluyentes (no pueden presentarse simultneamente dos
secuencias diferentes).
Sea A un suceso con probabilidad p. Entonces, la variable aleatoria Y : cantidad de veces que se presenta el suceso A en n repeticiones independientes
tiene un comportamiento o distribucin binomial con parmetros n y p. En
smbolos Y B n, p ; es decir
!
n k
p (1 p)nk ,
p Y (k) = P (Y = k) =
k
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 31 32 33 34 35 36 37 38 39 40 x
para k = 0, 1, 2, . . . , n.
Observemos que podemos considerar la variable aleatoria Z : cantidad de veces que se presenta A en
n repeticiones independientes de un ensayo de Bernoulli. Obviamente Z tambin tiene distribucin
binomial pero con parmetros n y (1 p) y verifica que Y + Z = n. En consecuencia P (Y = k) = P (Z =
n k). A continuacin se presentan algunas distribuciones binomiales con diferentes valores para n
y p. Por qu las distribuciones binomiales con p = 0.50 son simtricas?
X B(5, 0.1)
X B(5, 0.5)
X B(5, 0.95)
P (X = x)
P (X = x)
0.59
E (X ) = np,
0.773
V (X ) = np(1 p).
P (X = x)
5
16
6.1.1. Ejemplo
La probabilidad de que el vapor se condense en un tubo de aluminio de cubierta delgada a 10 atm de
presin es 0.40. Se prueban 12 tubos de ese tipo y bajo esas condiciones, elegidos al azar.
5
32
1
32
X B(10, 0.1)
P (X = x)
0.387
0
P (X = x)
X B(10, 0.5)
P (X = x)
Definimos X : cantidad de tubos que condensan el vapor a 10 atm de presin, en una muestra de 12
tubos. Entonces X B(12, 0.40). Segn lo visto,
X B(10, 0.95)
0.599
0.246
P (X = x)
10
X B(20, 0.1)
0.270
P (X = x)
10
X B(20, 0.5)
P (X = x)
0.3585
10
X B(20, 0.95)
0.176
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x
Es decir, si tomamos sucesivas muestras de 12 tubos con estas caractersticas y en cada una de ellas,
registramos la cantidad de tubos que condensan vapor, obtendremos en general valores distintos. La
media aritmtica de estos valores es un nmero en general cercano a 4.8 tubos.
El valor 1.697 cuantifica la variacin de la cantidad de tubos de aluminio que condensan vapor respecto de la esperanza matemtica de 4.8 tubos.
En este problema, el coeficiente de variacin es aproximadamente 35 %; es decir, el desvo estndar
representa el 35 % de la esperanza matemtica.
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 x
Las distribuciones binomiales con p 6= 0.50 no son simtricas. Sin embargo, a medida que se aumenta
Ral Katz - Pablo Sabatinelli
13
14
1. Un sistema est formado por 10 componentes conectadas en paralelo. Las componentes que
conforman el sistema provienen de un proceso del cual se conoce que 95 % de las mismas sobreviven el instante t . Suponga que las componentes funcionan en forma independiente.
3. El nmero de bacterias por centmetro cbico en un lquido es una variable aleatoria W con
distribucin de Poisson y = 4 bacterias por cada cm3 . La probabilidad de encontrar al menos
una bacteria es
+
X 4k e 4
P (W 1) =
.
k=1 k!
6.2. Propuesta
P (W 1) = 1 P (W = 0) = 1
3. En la fabricacin de una pieza ocurren en forma independiente dos tipos de fallas: abolladuras
y roturas. La probabilidad de que una pieza presente una abolladura es 0.05 y la probabilidad
de que presente rotura es 0.08. Halle la probabilidad de que al tomar 8 piezas al azar
a) a lo sumo una tenga ambos defectos;
k=0
k e
k!
y V (X ) =
+
X
k=0
(k )2
k e
.
k!
7. Distribucin de Poisson
Decimos que una variable aleatoria X tiene una distribucin de Poisson con parmetro > 0 y notamos X P () cuando
k e
k = 0, 1, 2, . . . , n, . . . .
P (X = k) =
k!
Una variable con distribucin de Poisson es discreta porque su recorrido es infinito numerable (N0 ).
Se puede probar que
+
X k e
= 1.
k!
k=0
1. La cantidad de llamadas telefnicas que recibe un centro de atencin al cliente de una determinada empresa tiene una distribucin de Poisson con = 5 llamadas por minuto. Sea Y :
cantidad de llamadas por minuto que recibe el centro de atencin al cliente. La probabilidad
de que se reciban 2 llamadas en un minuto es
P (Y = 2) =
52 e 5
= 0.084.
2!
1 0.4
0.4 e
1!
l1
l2
l3
l4
l n1
ln = L
2. El nmero de burbujas de aire en una placa de vidrio sigue un proceso de Poisson con = 0.4
burbujas por cada m2 . Sea X : cantidad de burbujas de aire por metro cuadrado en una placa
de vidrio. La probabilidad de encontrar una burbuja en un metro cuadrado es
+
X
P (X = 1) =
40 e 4
= 1 e 4 0.9817.
0!
= 0.268.
La probabilidad de que en cada seccin (de longitud L/n ) haya una imperfeccin es proporcional a la longitud de la seccin. En particular
L
P XL =1 = .
n
n
La probabilidad de que en cada seccin (de longitud L/n) haya ms de una imperfeccin es
aproximadamente 0.
15
16
Bajo los supuestos realizados, podemos considerar que estamos en presencia de n ensayos independientes de Bernoulli (cada ensayo consiste en observar si una seccin presenta una o ninguna imperfeccin) porque en cada seccin puede haber cuanto mucho 1 imperfeccin (es decir, 1 o ninguna
imperfeccin). Adems la probabilidad de encontrar 1 imperfeccin en cada seccin es constante
(en cada caso vale nL ). Consideramos la variable Y : cantidad de secciones de longitud L/n sobre un
L k
L nk
n
1
, k = 0, 1, 2, . . . , n.
P (Y = k) =
n
n
k
Si aproximamos el clculo utilizando una distribucin de Poisson, resulta para la misma variable aleatoria pero ahora con una distribucin de Poisson de parmetro = E (X ) = 1000.02 = 2
Observemos que la probabilidad de que haya k secciones con una imperfeccin es aproximadamente
igual a la probabilidad de que en un alambre de longitud L haya k imperfecciones. Cuando n +
las probabilidades se igualan.
lm P (Y = k) =
n+
n
L k
L nk
1
n+ k
n
n
lm
n+
(L)k L
e
= P (X L = k) .
k!
7.3. Ejemplos
1. La cantidad de bacterias que aparecen en el agua se distribuyen segn una ley de Poisson a
razn de 2 bacterias/cm3 .
a) Cul es la probabilidad de que en una muestra de 3 cm3 haya por lo menos 1 bacteria?
b) Cual es la probabilidad de que en una muestra de 5 cm3 no haya bacterias?
3
2. La probabilidad de que una viga falle por compresin 0.02. Cul es la probabilidad de que en
una muestra de 100 vigas fallen a lo sumo 4 vigas?
Llamamos X : cantidad de vigas que fallan por compresin en una muestra aleatoria de 100
vigas Entonces X B(100, 0.02). Luego
!
4 100
X
0.02i 0.98100i 0.9491.
P (X 4) =
i
i =0
Ral Katz - Pablo Sabatinelli
8. Distribucin geomtrica
Consideremos el experimento de lanzar un dado equilibrado hasta que se presenta por primera vez
el nmero cuatro. Sea la variable aleatoria X : cantidad de lanzamientos realizados hasta que el nmero cuatro aparece por primera vez. Por ejemplo, si la secuencia de resultados del lanzamientos del
dado es: 3,2,1,3,5,4 entonces la variable aleatoria X asume el valor 6 porque el nmero 4 aparece por
primera vez en el 6 lanzamiento.
Una variable aleatoria as definida slo puede asumir valores enteros positivos y por lo tanto se trata
de una variable aleatoria discreta.
El razonamiento anterior es cierto para todo k entero no negativo. En consecuencia, X L tiene una
distribucin de Poisson con parmetro = L. Como la esperanza de una variable con distribucin
L)
de Poisson de parmetro es igual al propio , resulta que E (X L ) = L o equivalentemente = E (X
L ;
es decir, representa la media poblacional de imperfecciones por unidad de longitud.
P (X 5 = 0) =
4 2i e 2
X
0.9473.
i =0 i !
Nos interesa calcular con qu probabilidad la variable aleatoria X asume cada valor de su recorrido;
es decir, queremos determinar su distribucin de probabilidad. Para esto, razonamos de la siguiente
manera.
L n
L k
n n 1 n k + 1 (L)k
=
lm
1
1
n+ n
n
n
k!
n
n
lm
P (X 4) =
17
5 k1
6
16 decimos que
2. Se realizan repeticiones independientes del ensayo hasta que el suceso A se presenta por primera vez.
Ral Katz - Pablo Sabatinelli
18
Para deducir la ley de probabilidad de una variable aleatoria X con distribucin binomial negativa,
razonamos a partir de este ejemplo.
Bajo estas consideraciones se define la variable aleatoria X : cantidad de ensayos que se realizan hasta
que el suceso A se presenta por primera vez. Calculamos la probabilidad de que la variable aleatoria
X asuma el valor k; es decir, que el suceso A se presente por primera vez en el k-simo ensayo.
k1
A A} A) = P A
P (A) = (1 p)k1 p.
P (X = k) = P (A
| A {z
k 1 veces
Sea X la variable aleatoria definida como cantidad de ensayos independientes de Bernoulli que se realizan hasta que el suceso A se presenta por
primera vez, y sea P (A) = p. Entonces X tiene una distribucin geomtrica
con parmetro p y
P (X = k) = p(1 p)k1 ,
Sea X : cantidad de veces que se lanza un dado equilibrado hasta que el nmero 6 se presenta por
cuarta vez. En primer lugar, destacamos que el menor valor que puede asumir X es 4 (porque son
necesarios como mnimo 4 tiradas para que el nmero 6 aparezca por cuarta vez.)
Cul es la probabilidad de que en el octavo lanzamiento, el nmero 6 aparezca por cuarta vez? Para
responder, observamos que en los primeros 7 lanzamientos debe aparecer tres veces el nmero 6, y
en el octavo lanzamiento aparecer el 6 por cuarta vez.
La probabilidad de que en 7 lanzamientos aparezca 3 veces el nmero 6 es
!
7 1 3 5 4
por qu?
3 6
6
En consecuencia,
k = 1, 2, . . . .
P (X = 8) =
Sea X la variable aleatoria definida como cantidad de ensayos independientes de Bernoulli que se realizan hasta que el suceso A se presenta por
r -sima vez, y sea P (A) = p. Entonces X tiene una distribucin binomial
negativa con parmetros p y r .
!
k 1 r
P (X = k) =
p (1 p)kr , k = r, r + 1, r + 2, . . . .
r 1
+
X
k=1
kp(1 p)k1 =
1
.
p
+
X
k=1
1
p
p(1 p)k1 =
!
!
7 1 3 5 4 1
7 1 4 5 4
=
0.013
6
6
6
3 6
3 6
Adems,
1p
.
p2
E (X ) =
r
,
p
V (X ) =
r (1 p)
.
p2
La probabilidad de que al comprar un automvil se lo pida de color negro es 0.40. Cul es la probabilidad que el octavo cliente en comprar un automvil sea el tercero en solicitarlo de este color? Cal
es la cantidad media de ventas hasta que tres clientes demanden un automvil de color negro?
Sea Y :cantidad de ventas que se realizan hasta que tres clientes demanden un automvil de color
negro Entonces Y tiene una distribucin binomial negativa con parmetros p = 0.40 y r = 3.
!
7
P (Y = 8) =
0.403 0.605 0.10.
2
E (Y ) =
3
= 7.5 ventas.
0.40
9.1. Ejemplo
19
Se tiene un lote de N artculos de los cuales r son defectuosos (N r no lo son). Se eligen al azar y sin
reposicin n artculos del lote (n N ). Sea X la cantidad de artculos defectuosos en la muestra de
tamao n. Entonces R X = {0, 1, 2, . . . , mn (n, r )}. En el captulo correspondiente a la Introduccin a la
Probabilidad, hemos calculado en base a un razonamiento combinatorio,
r N r
P (X = k) =
nk
N
k
k = 0, 1, 2, . . . , mn (n, r ) .
20
3. El nmero de cortes de luz, con una duracin superior a una hora, que se produce en un distrito
de una ciudad sigue una ley de Poisson a razn de 10 cortes por ao.
a) Calcule la probabilidad de que en medio ao se produzcan a lo sumo dos cortes.
10.1. Ejemplos
b) Una empresa de suministro de energa afirma que ha renovado sus equipos e implementado un nuevo sistema de mantenimiento que les permite un mejor abastecimiento. Despus de la renovacin de sus equipos se han producido en un ao tres cortes. Calcule la
probabilidad de que se produzcan a lo sumo tres cortes an cuando el promedio sigue
siendo de 10 cortes por ao.
c) A la luz del clculo efectuado en 3b considera que ha mejorado el servicio de abastecimiento? Justifique.
De 800 piezas fabricadas por una mquina, 25 resultaron defectuosas. Se eligen al azar 5 piezas del
lote de 800 piezas. Calcule la probabilidad de que en la muestra de tamao 5 haya al menos una
defectuosa, suponiendo que
4. Sean X e Y dos variables aleatorias discretas tales que x < y para todo x R X , para todo y
R Y . Analice la veracidad de los siguientes enunciados. Justifique.
Solucin:
1. Sea X : cantidad de elementos defectuosos en la muestra de tamao 5 extrada sin reposicin.
Entonces X tiene distribucin hipergeomtrica.
77525
P (X 1) = 1 P (X = 0) = 1
5
0
800
5
0.147.
800 25 0 775 5
P (Y 1) = 1 P (Y = 0) = 1
0.146.
0
800
800
3. La variable X tiende a comportarse como la variable Y cuando el tamao de la poblacin es
grande respecto al tamao de la muestra. Esto se debe a que las probabilidades calculadas en
el primer caso no difieren sustancialmente de la probabilidad de xito para la variable Y . La
distribucin hipergeomtrica se aplica cuando se realiza un muestro sin reposicin en una poblacin finita. En cambio, la distribucin binomial se aplica cuando se realiza un muestreo con
reposicin en una poblacin finita o sin reposicin en una poblacin infinita.
21
a) V (X ) < V (Y ).
b) E (X ) < E (Y ).
5. Sea U : nmero mximo que se obtiene al lanzar dos dados equilibrados y T : nmero mnimo
que se obtiene al lanzar dos dados equilibrados. Verifique que V (U ) = V (T ).
6. Una empresa compra una gran cantidad de bulones a un mismo proveedor. Cada vez que se
recibe un envo se realiza un control de calidad por muestreo. Se prueban 80 bulones seleccionados al azar del total. Si se encuentra ms de un buln defectuoso se rechaza el envo; en caso
contrario, se lo acepta. Sea p la probabilidad de producir un buln defectuoso en el proceso de
fabricacin. De acuerdo a los estndares de calidad, se desea satisfacer la condicin p 0.005.
a) Halle la probabilidad de rechazar un lote cuando p = 0.004.
b) Halle la probabilidad de aceptar un lote cuando p = 0.05.
c) Si fuera usted el proveedor, cul de las probabilidades obtenidas en los puntos anteriores
le preocupara? Justifique su respuesta.
7. Una fabricante realiza un control de sus artculos antes de que se embarquen. De cada caja de
25 unidades, se seleccionan al azar y sin reposicin 3 artculos. Si se encuentra al menos uno
defectuoso, se verifica toda la caja. Si no se encuentran defectuosos, la caja se embarca.
a) Calcule la probabilidad de que se embarque una caja que contiene tres defectuosos.
b) Calcule la probabilidad de que una caja que contiene slo un artculo defectuoso se regrese para su revisin total.
c) Qu comentario le merecen las probabilidades calculadas en los apartados anteriores?
8. En un sistema de atencin al cliente, el nmero de solicitudes que se reciben por da sigue una
ley de Poisson a razn de 3 solicitudes diarias.
a) Calcule la probabilidad de que transcurran ms de 5 das para recibir la primera solicitud.
b) Calcule la probabilidad de que se reciba una solicitud antes de los 10 das, si ya han pasado
5 das y no se han recibido solicitudes.
9. El departamento de seleccin de personal de una empresa sabe que ante cada convocatoria
para cubrir un puesto gerencial, slo el 20 % de los aspirantes cumple con todos los requisitos
exigidos. Se hace una convocatoria para cubir el puesto de un gerente por una reciente jubilacin, y se entrevista a los aspirantes uno a uno.
22
a) Calcule la probabilidad de que el cuarto entrevistado sea el primer aspirante que cumpla
con todos los requisitos de la convocatoria.
d) la probabilidad de que en una muestra de 10 placas a lo sumo una de las mismas no cumpla con ambas especificaciones.
15. En un taller de fabricacin de una pieza seriada, hay dos tornos automticos que producen una
misma pieza. El torno T1 produce 97 % de unidades buenas mientras que el torno T2 95 %. Un
lote se compone de 80 % de piezas trabajadas con el torno T1 y 20 % de piezas trabajadas por el
torno T2 . Se forman lotes con 1000 piezas. Un cliente acepta un lote cuando en una muestra de
5 piezas elegidas al azar no encuentra piezas defectuosas.
10. El cuerpo de bomberos de una ciudad es capaz de atender hasta un mximo de 30 servicios por
da. La demanda diaria de servicios sigue una ley de Poisson con una media igual a 25 servicios.
a) Calcule la probabilidad de que en un da cualquiera no se puedan atender todos los servicios requeridos.
b) Calcule la probabilidad de que en 31 das haya al menos un da en el que no se puedan
atender todos los servicios requeridos.
11. Una empresa desea comprar un lote de envases de vidrio y quiere asegurarse de que la proporcin de envases con la rosca defectuosa no supere 0.01. Para verificar si un lote entregado
cumple con el requerimiento se extrae una muestra de 250 envases y se inspeccionan. Sea X el
nmero de envases inspeccionados con la rosca defectuosa. Se aceptar el lote si X c, (para
algn valor cuidadosamente elegido de c) y si X > c, el lote ser devuelto.
a) Cmo debe elegirse c, si se quiere tener una probabilidad de a lo sumo 0.1 de aceptar el
lote cuando la verdadera proporcin de roscas defectuosas es 0.02?
b) Para ese valor de c, halle la probabilidad de rechazar un lote con una proporcin de roscas
defectuosas de 0.005.
12. Dos equipos A y B llevan a cabo un trabajo similar. La siguiente tabla muestra la distribucin de
probabilidad de la variable aleatoria tiempo para la finalizacin del trabajo, en das, para cada
equipo.
Equipo A
Equipo B
6
0.15
0.08
Das
7
0.65
0.70
8
0.20
0.22
Calcule para cada equipo el tiempo medio y la desviacin estndar del tiempo para la finalizacin del trabajo.
13. El nmero de fallas de un instrumento de prueba debido a las partculas contaminantes de un
producto, es una variable aleatoria de Poisson con media 0.02 fallas por hora. Se desea que la
probabilidad de que un instrumento de tal tipo falle en un perodo de 4 horas sea a lo sumo
0.05.
b) Los anclajes se empaquetan en cajas de 300 unidades. Cul es la probabilidad de que una
caja tenga ms de un 10 % de anclajes con algn defecto?
19. Sean X y Y dos variables aleatorias con distribucin de Poisson con parmetros 5 y 6.5 respectivamente. Los siguientes 30 datos corresponden a una muestra de una de las dos variables
aleatorias.
5
7
6
23
3
9
8
2
7
0
6
5
7
6
3
4
7
12
6
3
6
5
3
10
6
6
7
3
7
2
5
A cul de las dos variables cree que corresponde esta muestra? Por qu? Cul de las dos variables tiene ms chances de generar estos datos? Justifique.
20. Veinte por ciento de los telfonos de cierto tipo se envan a reparacin cuando todava est
vigente su garanta. De stos, el 60 % se puede reparar y el otro 40 % debe sustituirse con aparatos nuevos. Si una compaa compra diez de estos telfonos, cul es la probabilidad de que
exactamente se cambien dos dentro del periodo de garanta?
21. Un lote muy grande de componentes ha llegado a un distribuidor. El distribuidor decide seleccionar al azar 10 componentes y aceptar el lote si el nmero de componentes defectuosas en la
muestra es a lo sumo 2.
Ral Katz - Pablo Sabatinelli
24
En MS-EXCEL #
a) Cul es la probabilidad de que el lote sea aceptado cuando la proporcin real de piezas
defectuosas es 0.01? 0.05?, 0.10?, 0.20?, 0.25?
b) Sea p la proporcin de piezas defectuosas del lote. La grfica que representa la probabilidad de aceptar el lote en funcin de p se llama curva caracterstica de operacin para el
plan de muestreo de aceptacin del lote. Utilice los resultados del apartado anterior para
trazar esta curva para p [0, 1].
c) Repita los dos primeros apartados cambiando 2 por 1 en el plan de muestreo de aceptacin del lote.
En R 3
4.
a) Falso.
b) Verdadero.
5. 1.97 puntos2 .
6.
a) 0.041
En MS-EXCEL
En R 89
b) 0.086
En MS-EXCEL
En R
7.
a) 0.670
En MS-EXCEL#
En R 8
b) 0.120
En MS-EXCEL#
En R 8
8.
En R 389
b) 0.264
12. Soluciones
En R 3
Presentamos a continuacin algunas respuestas a los problemas de la miscelnea, junto con los comandos de MS-EXCEL o R que permiten reproducirlas.
1.
a) 0.736
9.
a) 0.102
En MS-EXCEL
En R
a) 0, 632
En MS-EXCEL #
b) 5 aspirantes.
En R 389
b) Y B n = 40, p = 0, 607
10.
a) 0.137
En MS-EXCEL #
En MS-EXCEL #
En R 389
En R 3
2.
b) 0.990
a) 0.096
En MS-EXCEL #
En MS-EXCEL
En R 38989
En R 89
13.
b) 0.590
En R 389
En MS-EXCEL
b) 0.381
En R
3.
En R 389
a) 0.125
15.
En MS-EXCEL #
a) 0.841
En R
En R 3
b) 0.010
a) No.
16.
25
a) 0.567
26
En R %
b) 0.590
En R
18.
b) 0.452
En R
20. 0.148
En R
22.
a) 0.185
En MS-EXCEL
En R
b) 0.292
En MS-EXCEL
En R
c) 0.337
En MS-EXCEL
En R
27