You are on page 1of 42

ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA

CONTIENE: CAPÍTULO 4

AUTORES: NEWBOLD, P., W. L. CARLSON Y B. THORNE.

FOTOCOPIADO DE: ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA. 6TA EDICIÓN. MADRID: PEARSON PRENTICE HALL.

SEMESTRE: SEGUNDO SEMESTRE DE 2013

“USO EXCLUSIVO ALUMNOS FACEA, PARA FINES DE DOCENCIA E INVESTIGACIÓN”

VARIABLES ALEATORIAS DISCRETAS Y DlSTRlBUClONES DE PROBABILIDAD

V 4.1

VARIABLES ALEATORIAS
Supongamos que se realiza un experimento aleatorio y a cada resultado posible se le asigna un numero. En experimentos tales como lanzar un dado o medir la renta familiar, 10s resultados posibles son valores numdricos. Cuando dste no es el caso, tambidn es habitual asignar numeros a 10s posibles resultados, especialmente en experimentos con d l o dos resultados posibles. Por ejemplo, un componente producido en un proceso industrial puede clasificarse como "defectuoso" o "no defectuoso". Podemos asignar el valor 1 a la primera posibilidad y 0 a la segunda. Antes de realizar el experimento, habri incertidumbre sobre el resultado del mismo, y, como vimos en el Capitulo 3, esta incertidumbre se puede cuantificar en tdrminos de probabilidades. Si 10s resultados son valores numCricos, estas probabilidades pueden resumirse convenientemente a travts de la noci6n de variable aleatoria.

Una variable aleatoria es una variable que toma valores numtricos determinados por el resultado de un experiment~ aleatorio.

Es importante distinguir entre una variable aleatoria y 10s posible valores que Csta puede tomar. Usaremos letras maylisculas, tales como X, para designar la variable aleatoria y la co~~espondiente minuscula x para designar un valor posible. Por ejemplo, antes de observar el resultado del lanzamiento de un dado, puede usarse la variable aleatoria X para designar el resultado. Esta variable aleatoria puede tomar 10s valores concretos x = 1, x = 2, ...,x = 6, cada uno con probabilidad 116.

4.5 LA DISTRIBUCI~N BINOMIAL
Supongamos que un experimento aleatorio tiene s610 dos resultados posibles que son mutuamente excluyentes y conjuntamente exhaustivos, y que por conveniencia llamaremos "Cxito" y "fracaso". Sea p la probabilidad de Cxito; la probabilidad de fracaso es, por tanto, (1 -p). Definamos ahora la variable aleatoria X que toma el valor 1 si el resultado del experiment0 es Cxito y 0 en caso contrario. La funci6n de probabilidad de esta variable aleatoria es, entonces, Esta distribuci6n se conoce como la distribuci6n de Bernoulli. Su media y su varianza pueden calcularse mediante la aplicaci6n directa de las definiciones de la Secci6n 4.3. La media de una variable aleatoria$ernoulli es
PX

= E(X) = C xPx(x) = (ON1 - p )
X

+ (l)(p) = p

y la varianza

CT? = E[(X - rn)'] = C (X - k)'PX(x)
I

a

= (0 - p)'(l - p)

+ (1 - P)$

= p ( 1 - p)

EJEMPLO

4.8

Un agente de seguros piensa que en un contact0 concreto, la probabilidad de conseguir una venta es 0,4. Si definimos la variable aleatoria X que toma el valor 1 si consigue una venta y 0 si no, entonces, X tiene distribucidn Bernoulli con probabilidad de Cxito p igual a 0,4, es decir, la funci6n de pro.,babilidad de X es Px(0) = 0,6 Px(1) = 0.4 La media de esta distribuci6n es p = 0,4, y la varianza

Una generalizaci6n importante de la distribuci6n Bernoulli consiste en considerar el caso en el que un experimento aleatorio, con dos resultados posibles, se repite varias veces. Supongamos de nuevo que la probabilidad de Cxito en cada repetici6n es p y que se realizan n ensayos independientes, con lo que el resultado de un ensayo no influye en el resultado de cualquier otro. El n6mero de Cxitos X en las n repeticiones puede ser cualquier ndmero entero entre 0 y n, y estamos interesados en la probabilidad de obtener exactamente X = x Cxitos en n repeticiones. > ~esarrollaremos el resultado en dos partes. Primero, observemos que el resultado de las n repeticiones es una secuencia de n resultados, cada uno de 10s cuales debe ser Cxito (S) o fracaso (F). Una secuencia con x Cxitos y (n - x) fracasos es

,

S,S.....S , ,
x veces

F , F..... F '(n - x) vecesl

Es decir, en las x primeras repeticiones el resultado es Cxito, mientras que en las restantes el resultad0 es siempre fracaso. La probabilidad de Cxito en cada repetici6n es p, y la probabilidad de fallo (1 - p). Puesto que las n repeticiones son independientes, la probabilidad de cualquier secuencia de resultados es, por la regla de multiplicaci6n de probabilidades (Secci6n 3.6), igual al product0 de las probabilidades de 10s resultados individuales. Por tanto, la probabilidad de observar la secuencia de resultados descrita es P'P'"

'p' x veces
'

(l-p)~(l-p)'~~.'(l-p)=px(l-p)"-x I I (n - X) veces

LA DISTRIBUCI~NBINOMLAL

13 1

Este argument0 establece que la probabilidad de observar una secuencia concreta que contenga x Cxitos y (n - x) fracasos es pK(l - p)"-". Nuestro inter& original no era determinar la probabilidad de ocurrencia de una secuencia particular sin0 la probabilidad de obtener exactamente x Cxitos, sin tener en cuenta el orden de 10s resultados. Existen varias secuencias en las que pueden aparecer x Cxitos intercalados enhe (n - x) fracasos. De hecho, el numero de secuencias de este tipo es precisamente el ndmero de combinaciones de n elementos tornados de x en x, puesto que podemos elegir x posiciones de un total de n en las que colocar 10s Cxitos. Por tanto, como vimos en la Secci6n 3.5 n! Numero5 de secuencias que contienen x Cxitos en n repeticiones = .CK = x!(n - x)! AdemAs, estas secuencias son mutuamente excluyentes, puesto que no pueden ocurrir dos de ellas simulthneamente. Hemos visto que el suceso "se obtienen x Cxitos en n repeticiones" puede ocumr de .C, maneras mutuamente excluyentes, cada una con probabilidad p ' (1 -p)'-'. Por tanto, por la regla de la adici6n de probabilidades (Secci6n 3.6), la probabilidad buscada es la suma de estas .CK probabilidades individuales, es decir, n! P(x Cxitos en n repeticiones) = pK(l - p)"LK x!(n - x)!
,

La distribucion binomial ,' Supongamos que un experiment0 aleatorio tiene s610 dos resultados posibles mutuamente excluyentes y conjuntamente exhaustivos, "Cxito" y "fracaso", y que p es la probabilidad de obtener Cxito en cada repetici6n. ~1 se realizan n repeticiones independientes, la distribuci6n del nlimero de Cxitos, X, resultante se denomina distribucion binomial. Su funci6n de probabilidad es n! parax= 0, 1 , 2 , . . . , n pY1 - p)"-" px(x) = x!(n -

EJEMPLO

4.9

Supongamos ahora que el agente de seguros del Ejemplo 4.8 tiene cinco contactos, y piensa que para cada uno la probabilidad de conseguir una venta es 0,4. La distribuci6n del numero de ventas X es, entonces, binomial, con n = 5 y q , = 0,4, es decir, 1

Las probabilidades para el ndmero de Cxitos (ventas logradas) son 5! P(0 Cxitos) = Px(0) = -(0,4)'(0,6)~ = (0,6)~= 0,078 01 5! P ( l txito) = .Px(l) = 5! (0,4)1(0.6)4 = (5)(0,4)(0,6)4 = 0,259 11 41 P(2 txitos) = Px(2)
=

5! -(0,4)'(0,6)'
2! 3! 3! 2!

= (10)(0,4)'(0,6)'

= 0.346

P(3 txitos) = Px(3) =

5! (0,4)'(0.6)'

= (10)(0,4)~(0,6)' = 0.230

N6tese que en esta expresidn definimos O! = 1.

132

VARIABLES ALEATOW

DISCRETAS Y DlSTRlBUClONES DE PROBABlLlDAD

FIGURA 4.5

Funcidn de probabilidad binomial del Ejemplo 4.9 (n = 5, p = 0.4)

P(4 Cxitos) = Px(4) = 5! (0,4)~(0,6)'= (~)(0,4)~(0,6) = 0,077 4! l! P(5 Cxitos) = Px(5) = ' 5! (0,4)5(0,6)0= ( 0 9 7 = 0,010 5! O! En la Figura 4.5 se representa la funci6n de probabilidad. Tiene la forma tipica de las probabilidades binomiales cuando p no es muy grande ni muy pequeiio. En 10s extremos (0 y 5 Cxitos), las probabilidades son bastante bajas, puesto que en ambos casos s610 hay una secuencia de resultados que da lugar a ese suceso. Las probabilidades alcanzan su punto m k alto en el centro de la distribuci6n (la posici6n del mhimo depende de p), donde el nlimero de posibles secuencias es mayor. Para encontrar la media y la varianza de la distribuci6n binomial, conviene volver sobre la distribucidn Bernoulli. Consideremos n ensayos independientes, cada uno con probabilidad de Cxito p, y sea Xi = 1 si el resultado del i-Csimo ensayo es Cxito y 0 si no. Las variables aleatorias XI, X2, . . . ,Xn son, entonces, n variables Bernoulli independientes, cada una con probabilidad de Cxito p. Ademh, el n h e r o total de Cxitos X es

x=x1+xz+ - . .+xn
Lo que significa que la variable aleatoria binomial puede expresarse como suma de variables aleatorias Bernoulli independientes. Ahora, puesto que ya conocemos la media y la varianza de la variable aleatoria Bernoulli, pueden utilizarse 10s resultados de la Seccidn 4.4 para encontrar la media y la varianza de la distribuci6n binomial. Recordemos que para una variable Bernoulli E(Xi)=p y Vx(Xi)=p(l'~p) Por tanto, para la distribuci6n binomial parai=1,2,

...,n

E(X) = E(Xl + XZ + + Xn) = E(X1) + E(X2) E(Xn) = np Como las variables aleatorias Bernoulli son independientes, la covarianza entre ellas es 0, y

...

+ .. +

LA DISTRIBUC16N BINOMIAL
-

133

Media y varianza de la distribuci6n binomial
Sea X el ndmero de dxitos en n repeticiones independientes, cada una con probabilidad de dxito p. Entonces, X sigue una distribuci6n binomial con media
PX = E(X) = np

y varianza
a x ' = E[(X - b)'] = np(1 - p)

EJEMPLO

4-10

Volvamos al Ejemplo 4.9. La media (o esperanza) del ndmero de ventas del agente de seguros que hace cinco contactos, cada uno con probabilidad 0,4 de convertirse en venta, es

px = np = (5)(0,4)= 2
y la varianza

a2 = np(1 - p) = (5)(0,4)(0,6)= 1,2
luego la desviaci6n tipica del nhmero de ventas es
ax =

*

=

1,lO

Puesto que conocemos la forma de la funci6n de probabilidad binomial, es sencillo hallar la probabilidad de que el ndmero de dxitos estt en un intervalo concreto. Como 10s sucesos "0 Cxitos", " 1 Cxito", etc., son mutuamente excluyentes, la probabilidad que buscamos es exactamente la suma de las probabilidades sobre todos 10s ndmeros de dxitos en ese intervalo.

EJEMPLO

4-11

Volvamos a1 Ejemplo 4.9. iCuhl es la probabilidad de que el ndmero de txitos estC entre 2 y 4 (ambos inclusive)? Buscamos

P(2 I X 1 4 ) = P(X = 2 )
$3

+ P(X = 3 ) + P(X = 4 )

= Px(2)

+ Px(3) + Px(4)

que, usando 10s resultados del Ejemplo 4.9, vale

0,346

+ 0,230 + 0,077 = 0,653

iCu6l es la probabilidad de a1 menos"n dxito? Podemos hallar

P(X 2 1 ) = Px(1) + Px(2) + Px(3) + Px(4) + Px(5) directamente, per0 es innecesariamente tedioso. Las probabilidades de una distribuci6n discreta suman 1 , luego P(X 2 1 ) = 1 - P(X = 0 ) = 1 - Px(0) = 1 - 0,078 = 0,922
A menos que el ndmero de repeticiones n sea muy pequefio, el chlculo de probabilidades binomiales puede hacerse extremadamente pesado. Sin embargo, en las aplicaciones reales, 10s chlculos pueden realizarse rhpidamente en un ordenador o con una calculadora programable. Ademh, como veremos en la Secci6n 4.7 y en el Capitulo siguiente, cuando el n6mero de repeticiones n es bastante grande, las probabilidades pueden obtenerse mediante aproximaciones adecuadas a la distribuci6n binomial. Con el fin de facilitar la soluci6n de 10s problemas, en la Tabla 1 del Aptindice se proporcionan las probabilidades binomiales para valores de n hasta 20 y algunos valores seleccionados de p hasta p = 0.5 inclusive. Para valores mayores de pipuede usarse la siguiente regla 6:
Para comprobar que esta regla es cierta basta intercarnbiar x y (n - x) en la funci6n de probabilidad binomial.

P(x Cxitos en n enbyos cuando la probabilidad de Bxito en cada ensayo es p) = P[(n - x) Cxitos en n ensayos cuando la probabilidad de Bxito en cada ensayo es (1 -p)]. Por ejemplo, la probabilidad de siete Bxitos en doce ensayos conp = 0,6 es la misma que la probabilidad de cinco Bxitos en doce ensayos con p = 0,4. Es decir, tomando x = 7, n = 12 y p = 0.6 en la Mrmula, se obtiene P(7 Bxitos en 1E ensayos cuando la probabilidad de Bxito en cada ensayo es 0,6) = P(5 Cxitos en 12 ensayos cuando la probabilidad de dxito en cada ensayo es 0,4). En la Tabla 1 puede verse directamente que esta probabilidad es 0,2270. Este valor se obtiene hscando en las dos primeras columnas de la tabla, la fila correspondiente a n = 12 y x = 5; una vez hecho esto, se localiza la probabilidad buscada en la colurnna correspondiente a p = 0.40.

EJEMPLO

4-12

Se envian invitaciones para cenar a 10s 20 delegados que asisten a una convencibn, y se Cree que para cada delegado invitado, la probabilidad de que acepte es 0,9. Si se asume que toman la decisi6n de aceptar la invitaci6n independientemente, jcuil es la probabilidad de que corn? mucho 17 delegados acepten la invitacih? Sea X la variable aleatoria que representa el ndmero de delegados que aceptan la invitaci6n. Entonces, X tiene distribuci6n binomial, con n = 20 y p = 0,9. Buscamos P(X r 17) = 1 - P(X = 18) - P(X = 19) - P(X = 20) = 1 - Px(18) - Px(19) - Px(20) Asi, con n = 20, la probabilidad de 18 Cxitos para p = 0,9 es la misma que la probabilidad de dos Cxitos para p = 0,l. En la Tabla 1 del ApCndice encontramos que Px(18) = 0,2852. AnAlogamente, comprobamos que Px(19) = 0,2702 y Px(20) = 0,1216. Por tanto, la probabilidad de que acepten como mucho 17 es P(X 5 17) = 1 - 0,2852 - 0,2702 - 0,1216 = 0,323 Una aplicaci6n importante de la distribuci6n binomial es el muestreo de aceptacion. Cuando una compaiiia recibe un cargamento de mercancias muy grande, debe decidir, a partir de la informaci6n sobre la calidad de estos productos, si aceptar el pedido. Normalmente, una inspecci6n minuciosa de todo el cargamento resulta demasiado cara, por lo que se selecciona y examina una pequeiia muestra ale@oria7. A partir de 10s resultados de este examen, se toma una decisi6n sobre la aceptaci6n o no del cargamento. Para cada regla particular de decisi6n de este tipo, es posible calcular la probabilidad de aceptar un cargamento con una proporci6n dada de defectuosos. En efecto, s i p es la proporci6n de articulos defectuosos en el cargamento y n es el tamaiio de la muestra8,el ndmero de articulos defectuosos en la muestra X sigue una distribuci6n binomial con funci6n de probabilidad Px(x) = n! px(1 - p)"-" x! (n - x)! parax = 0, l , 2 , . . . , n

El siguiente ejemplo ilustra c6mo pueden calcularse las probabilidades de aceptar un envio.

EJEMPLO

4.13

Una compaiiia recibe un gran cargamento de articulos, y decide aceptar el envio si en una muestra aleatoria de veinte articulos no hay mis de uno defectuoso. Es decir, se acepta el cargamento si el nli-

'Se entiende por muestra aleatoria de n elementos la que se selecciona de manera que cualquier conjunto de n elementos del cargamento tiene la misma probabilidad de ser elegido. Este concept0 se ektudiari mAs ampliamente en el Ca ltulo 6. '~stamos asvmiendo que el nUmero de articulos n de la muestra es una proporcidn muy pequefia del-nUmerototal de artlculos en el cargamento. En la pr6xima secci6n, veremos c6mo se puede proceder si esta hip6tesis no es apropiada.

mew de articulos defectuosos es cero o uno, por lo que si Px(x) es la funci6n de probabilidad del numero X de articulos defectuosos en la muestra, tenemos P(aceptar el cargamento) = Px(0)

+ Px(1)

Supongamos que la proporci6n de articulos defectuosos en el cargamento es p = 0,l. Para n = 20, en la Tabla 1 del ApCndice, encontramos que las probabilidades de cero y un articulos defectuosos en la muestra son, respectivamente, Px(0) = 0,1216 y Px(l) = 0,2702. Por tanto, con esta regla de decisi6n, la probabilidad de que la compaiiia acepte el envio es P(aceptar el cargamento) = 0,1216

+ 0,2702 = 0,3918

Anilogamente, si el 20% de 10s articulos dercargamento son defectuosos, es decir, si p = 0,2, entonces, P(aceptar el cargamento) = 0,0115 0,0576 = 0,0691

+

y para p = 0,3
P(aceptar el cargamento) = 0,0008

+ 0,0068 = 0,0076

Como puede verse en el Ejemplo 4.13, a mayor proporci6n de articulos defectuosos en el cargamento, se hace menos verosimil la aceptaci6n del envio. Podemos representar en un grifico la probabilidad de aceptaci6n en funci6n de la proporci6n de articulos defectuosos en el cargamento, como en la Figura 4.6. Este grhfico nos permite conocer inmediatamente las probabilidades de aceptaci6n para cualquier proporci6n de articulos defectuosos. Ti Evidentemente, se pueden construir un gran numero de curvas que proporcionen las probabilidades de aceptaci6n para cada proporci6n de defectuosos en el cargamento, eligiendo diferentes tarnaiios muestrales n y diferentes reglas que determinen la aceptaci6n. En este sentido, una compaiiia debe buscar un equilibrio entre el coste de aceptar cargamentos con una proporci6n concreta de defectuosos y el de realizar controles de calidad.

En el Ejemplo 4.13, considerhbamos una situaci6n en la cual se analizaba una muestra de articulos de una gran remesa. Asumiendo que el tarnaiio de la muestra era extremadamente pequeiio en relaci6n a1

FIGURA 4.6 Probabilidad de aceptaci6n como funci6n de la proporci6n de articulos defectuosos cuando se acepta el cargamento si hay menos de dos articulos defectuosos en una muestra aleatoria de veinte

numero total de articulos de la remesa, pudimos abordar el problema mediante la distribucion binomial. Sin embargo, en 10s casos en 10s que el numero de elementos de la muestra no es una proporcion muy pequeiia del numero total de articulos en la poblacibn, la distribucion binomial es inapropiada. La razon es que en estas situaciones no hay independencia entre el resultado de un elemento particular de la muestra y 10s restantes. Para ilustrar, supongamos que un envio contiene diez articulos, tres de 10s cuales son defectuosos. Si se elige un articulo aleatoriamente, la probabilidad de que sea defectuoso es simplemente 3/10. Supongamos ahora que se elige un segundo articulo. Si el primero fue defectuoso, entonces quedan dos defectuosos entre 10s nueve restantes, con lo cual la probabilidad de que el segundo articulo sea defectuoso dado que el primero fue defectuoso, sera 219. La probabilidad de que este segundo articulo sea defectuoso dado que el primero no lo fue sera, por un argument0 similar, 319. Por tanto, 10s sucesos "el primer articulo es defectuoso" y "el segundo articulo es defectuoso" no son estadisticamente independientes. Recordemos que para que la distribucion del numero de Cxitos en n ensayos sea binomial, es necesario que 10s resultados de Cstos sean independientes. Como hemos visto, Cste no sera el caso si el muestreo se realiza sobre una poblacion pequeiia de elementos. Si el numero total de elementos en la poblacion es muy grande en relacion a1 tamaiio de la muestra, la influencia de la dependencia es tan pequeiia que puede ser ignorada, y en este caso puede usarse la distribucion binomial con total garantia. Sin embargo, esto no es cierto cuando el numero de elementos de la poblacion no es muy grande. No obstante, podemos encontrar una distribucion de probabilidad apropiada para una situaci6n de este tipo. En general, supongamos que un conjunto de N elementos, cada uno de 10s cuales puede etiquetarse como "exito" o "fracaso", contiene S Cxitos y (N- S)fracasos. Se elige una muestra aleatoria de 11 elementos de este conjunto, y buscamos la probabilidad de que la muestra contenga x Cxitos. En primer lugar, el numero total de posibles muestras de 11 elementos que pueden elegirse de un total de N es el numero de combinaciones

,

El numero de posibles maneras de obtener s Cxitos en la muestra de un total de S Cxitos es

n-x) fracasos, y el numero de maPuesto que la muestra contiene s txitos, tambiCn debe contener ( neras de elegirlos entre un total de (N- S)fracasos es N-5Cn-r= (N - S)! (n - x)!(N - S - 11

+ .Y)!

El numero total de muestras de 11 elementos que contienen exactamente s exitos y (11 - s)fracasos es, por tanto,

S! (N - S)! S C ~ N - S= C~-~ X! (S- s ) ! (11 - x)! (N - S - n

+ x)!

Por ultimo, puesto que el numero de posibles muestras es K,,, la probabilidad de obtener x exitos en la muestra es

S! P(xtxitos)
=

SCtN-Sen-r NC,,

x! (S- x )!

(11 - .v)! (N -

(N - S ) ! S- rz + x ) !

N!
IL! (N - n ) !

L a distribucion hipergeometrica Supongamos que se elige una muestra aleatoria de tamafio n de un conjunto de N elementos, S de 10s cuales son Cxitos. La distribucion del numero de Cxitos, X, en la muestra se denomina distribucion hipergeometrica. Su funcion de probabilidad es

--. S!
Px(s)
=

sC,~l-sC,,-,- .r!(S-x)!
kcll

N-S)! (tl-s)!(N-S-n+x)!
N! tl! (N - I!)!

donde .v puede tomar valores enteros entre el maximo de 0 y [rl - (N- S)] y el minimo de t~ y S. La media y la varianza de esta distribucion son
FX

=

E(X) = np
=

Y
a \ ' =

E[(X -

)'I

(

-

1

ty(1

-

1,)

donde p = SIN es la proporcidn de Cxitos en la poblacibn.

-

Si el tamafio muestral n es muy pequefio en relacion al nurnero total de elementos, N, las probabilidades hipergeometricas son muy parecidas a las binomiales, y puede usarse la distribucion binomial en lugar de la hipergeometrica. En este caso, (N - n)l(N - 1 ) esta muy proximo a 1, por lo que la varianza de la distribucion hipergeonletrica esta proxima a np(1 -p), la varianza de la distribucion binomial.

EJEMPLO

4.14

Una compaiiia recibe un pedido de veinte articulos. Dado que la inspeccion de cada articulo eb cara, se sigue la politica de analizar una muestra aleatoria de seis articulos de cada envio, aceptando la remesa si no hay mas de un articulo defectuoso en la muestra. i,Cual es la probabilidad de que sea aceptado un pedido con cinco articulos defectuosos? Si identificamos "defectuoso" con "Cxito" en este ejemplo, el pedido contiene N = 30 elementos, S = 5 de 10s cuales son exitos. Se selecciona una muestra de tl = 6 elementos. El numero de exitos X en la muestra tiene una distribucion hipergeometrica con funcion de probabilidad 5! x! (5 - x)! 15! (6 - x)! (9 + x)!

Py(.v) =

s C ~ N - ~ C ,~-L 5CL1 5 C b 9 =

-

-

-

20!

Se acepta el envio si la muestra contiene cero o un Cxito (defectuoso), luego la probabilidad de aceptarlo es P(aceptar el envio) = PdO) + P.41) La probabilidad de que no haya defectuosos en la muestra es 5! 15! -.-

(Recordar que O! = 1 .) La probabilidad de que haya un defectuoso en la nluestra es

6! 14! Por tanto, la probabilidad de que un pedido de veinte articulos que contiene cinco defectuosos sea aceptado es P(aceptar el envio) = Px(0) + Px(1) = 0,129 + 0,387 = 0,516

4.7 LA DISTRIBUCIONDE POISSON
Consideremos las siguientes variables aleatorias:
O

El nlimero de accidentes de trafico rnortales en una ciudad durante una sernana coilcreta El nurnero de llamadas telef6nicas que se reciben en un dia en la centralita de una ernpresa durante 10s quince rninutos anteriores al rnediodia El numero de 6rdenes de devoluci6n de piezas que recibe una empresa en una semana El nlin~ero de veces que falla una pieza de un equipo durante un periodo de tres lneses

Cj

U

O El nurnero de huelgas anuales en una fabrica Cada una de estas cinco variables aleatorias se caracteriza por ser el numero de ocurrencias de cierto suceso durante un period0 de tiempo. La experiencia indica que para una anlplia gama de problemas de este tipo, la ciistr-ihucidtzde pr.obahilidad Poissotl representa adecuadamente la estructura de probabilidad de la variable aleatoria. Considerenlos la situacion ilustrada en la Figura 4.7, donde se mide el tiempo a lo largo de la linea horizontal, y supongamos que estamos interesados en el periodo que conlienza en 0 y termina en t. Las oci~rrenciasde sucesos a lo largo del eje temporal se indican mediante * * * , por tanto, en esta ilustracion, ocurren seis sucesos en el periodo de tiempo relevante. Supongamos que pueden asumirse las siguientes afirmaciones: 1. Para cada intervalo de tiernpo pequeiio, representado mediante un pequeiio segrnento entre 0 y r del eje
temporal de la Fipura 4.7, la probabilidad de que ocurra un suceso en ese intervalo es aproximadamente proporcional a la arnplitud del intervalo. 2. La probabilidad de ocurrencia de dos o mas sucesos en un intervalo como el descrito es despreciable en comparaci6n con la probabilidad de una ocurrencia. 3. Hay independencia entre el nlirnero de ocurrencias en intervalos no solapados.

Si estas afirmaciones son ciertas, puede probarse que la probabilidad de a ocurrencias en el interval~ de 0 a t es e-AA' P ( s ocurrencias) = x!

donde h es el numero medio de ocurrencias entre 0 y t, y e = 2,7 1828 . . . es la base de 10s logaritmos naturales. (En la Tabla 2 del ApCndice se dan 10s valores de e-Apara valores de h entre 0 y 10.) La distribucion con estas probabilidades se denomina distribution de Poisson. FIGURA 4.7 Ilustracion del nunlero aleatorio de ocurrencias de un suceso sobre el tiempo

La distribucion de Poisson
Se dice que la variable aleatoria X sigue una distribucion de Poisson si tiene funcion de probabilidad
P , ~ ( S= ) I-*" .r!

parar = 0 , 1 . 2 , . . .

donde h es cualquier numero tal que h > 0. La media de esta distribucion es
p~= E(X) = A

y la varianza
u r z = E[(X -

px)']

=

A

La forma de la funcion de probabilidad de Poisson depende de la media, h. En la Figura 4.8 se representan las funciones de probabilidad para h = 0,5, 1, 2, y 4.

EJEMPLO

4.15

Un estudio indica9 que el numero de huelgas anuales en una fabrica br~tanica tipica con 2.000 empleados, se puede representar por una distribucion de Poisson con media h = 0,4. La funcion de probabilidad del ndmero de huelgas anuales X es, entonces,

P,(a)

=

e-"J(0,4)' . Y!

para x. = 0, I, 2,

Podemos calcular ahora probabilidades para numeros concretos de huelgas anuales, usando (a partir de la Tabla 2 del Apindice) e-* = 0,6703.

FIGURA 4.8

Funciones de probabilidad para la distribucion de Poisson

(a)h = 0,5

(b) h = 1

'Este ejemplo r s t i adaptado de S.J. Prais, "The strike-proneness of large plants in Britain". .lorrrntrl ofthe R o ~ Sml
risricnl Socien A. 141 (1978). 368-84.

140

VAMARLES ALEATOMAS

DISCRETAS Y DISTMBUCIONES DE PRORABlLIDAD

FIGURA 4.8 (Cont.)

(c) h = 2

(d) A = 4

La probabilidad de que no haya huelgas es P ( 0 huelgas) Analogamente P ( l huelga)
= Px(l) =

Px(0)

=

e-"4(074)0 - (0!6703)(1) O! 1

=

0,6703

- (0,6703)(0,4) = 0,268 = e-"'(0,4)' - -

l!

1

P(2 huelgas)
P ( 3 huelgas)

=

- (0.6703)(0,16) Px(2) = e-"'(0,4)' -2! 2

=

0,0536

= Px(3) = e-0'4(0.4)' - -

3!

(0.6703)(0,064) - 0,0071 6

P(4 huelgas) = Px(4)

=

e-0,4(0,4)4- (0,6703)(0,0256) - 0,0007 -4! 24

Estas probabilidades pueden usarse para hallar la probabilidad de que el numero de huelgas estC en un interval0 concreto. Por ejemplo, la probabilidad de que haya mas de una huelga en un aiio es P(n1Bs de 1 huelga)
=

1 - P ( 0 huelgas) - P ( l huelga) = 1 - Px(0) - Px(1) = 1 - 0,6703 - 0,268 1 = 0,06 16

EJEMPLO

4.16

La distribucidn de Poisson ha resultado ser muy util en problemas de lineas de espe1.a o colas. Los clientes llegan a una maquina fotocopiadora a una tasa media de dos cada cinco minutos. En la practica, se pueden representar 10s pr-ocesos de llegada de esta clase mediante una distribucion de Poisson. Asumiendo que Cste es el caso, representaremos por X el numero de llegadas de clientes en un periodo de cinco minutos, con lo cual X tiene distribucidn de Poisson con media A = 2; y funcion de probabilidad

e-2(2)" Px(x) = x!

para x = 0, I , 2,

.

[ ~ s t es a la funci6n de probabilidad que se dibuja en la Figura 4.8(c).] Usando (de la Tabla 2 del Aptndice) e-2 = 0,135335, las probabilidades para el nlimero de llegadas en un periodo de cinco minutos son e-'(2I0 - (0,135335)(1) = 0,1353 P ( 0 Ilegadas) = PX(0) = -O! 1 e-2(2)1 (0?135335)(2) = 0,2707 P ( l llegada) = P x ( l ) = l! 1 e-'(2I2 (0.135335)(4) = 0,2707 P ( 2 llegadas) = Px(2) = 2! 2 y asi sucesivamente. Asi, por ejemplo, la probabilidad de que se produzcan mas de dos llegadas en un periodo de cinco minutos es Como hemos visto, la distribucion de Poisson aparece de manera natural para representar el numero de ocurrencias de un suceso en un period0 de tiempo. Esta distribucion tiene tambiCn otro uso. En la Seccion 4.5, vimos que si el numero de ensayos n es muy grande, el cornputo de las probabilidades para la variable aleatoria binomial puede ser muy tedioso. Dado que estas probabilidades suelen ser necesarias en la practica, es conveniente disponer.de aproximaciones faciles de calcular cuando n es grande. La distribuci6n de Poisson puede usarse para este prop6sito cuando el numero de ensayos es grande, pero, a1 mismo tiempo, la probabilidad de exito p en cada ensayo es muy pequeiia, con lo cual rip tiene un tamaiio moderado lo. (La aproximaci6n que presentamos aqui es, en general, satisfactoria si np 5 7.) Las situaciones siguientes satisfacen estas condiciones:
I . Una compaiiia aseguradora mantiene un gran nlimero de p6lizas de seguro de vida en individuos de determinada edad, y la probabilidad de que durante el aiio se produzca una reclamaci6n en una p6liza es muy pequeiia. La distribuci6n del nlimero de reclamaciones es binomial, con n grande y p muy pequefio. 2. Una compaiiia puede tener un gran nlimero de miquinas trabajando en un proceso simultinearnente. Si la probabilidad de que cada una de ellas se avene en un dia concreto es muy pequeiia. La distribucion del nurnero diario de averias es binomial, con n grande y p pequeiio.

En estos casos, la distribucion binomial puede aproximarse bien mediante la distribucion de Poisson con media h = np. Es decir, la media, h, de la distribucion de Poisson aproximada esta fija en el valor de la media conocida, np, de la distribucion binomial que se quiere aproximar.

Aproximacion Poisson de la distribucion binomial Sea X el ilumero de txitos resultante de n ensayos independientes, cada uno con probabilidad de txito p. La distribucion del numero de Cxitos X es binomial con media np. Sin embargo, si el ndmero de ensayos 11 es grande y np tiene un tamaiio moderado (preferiblernente np 5 7), esta distribucion puede aproximarse bien por la distribucion de Poisson de media h = np. La funci6n de probabilidad de la distribucion aproximada es entonces
px(x) =

e

"p(llp).L

,r!

p a r a x = 0, 1 , 2 , . . .

'" En el Capitulo 5, presentaremos una aproximaci6n de la disrribuci6n binomial apropiada para valores grandes de rrp.

' .
EJEMPLO

4-17

Un analista predice que el 3 3 % de las pequeiias empresas quebrarkn durante el proximo afio. Asumiendo que la prediction del analista es correcta, estimar la probabilidad de que a1 menos tres empresas de una muestra aleatoria de 100 quiebren durante el proximo afio. La distribucion del numero X de quiebras es binomial, con n = I00 y p = 0,035, luego la media de la distribucion es
p x = tzp = (100)(0,035) = 3,5

Usaren~os la distribucion de Poisson, con media h = 3 3 , para aproximar nuestra distribucion binomial. Aproximamos entonces la funcion de probabilidad del numero X de quiebras por e-3.5(3,5).' para . K = 0, 1, 2, . Px(.v) =

s!

De este modo, usando e-3.5= 0,0301 97 de la Tabla 2 del Aptndice, tenemos

Por tanto, la probabilidad de que quiebren a1 menos tres de estas 100 empresas es

(Invitamos a1 lector a que especule sobre la magnitud del trabajo de calcular esta probabilidad directamente a partir de la funcion de probabilidad de la distribucion binomial. De hecho, con tres decimales se obtiene 0,684. Nuestra aproximacion esta suficientemente cerca de la probabilidad exacta.)

EJERCICIOS 28. Un director de produccion sabe que el 5% de las piezas producidas en cierto proceso de fabricacion tiene algun defecto. Se examinan seis de estas piezas. cuyas caracteristicas se asumen independientes. a) iCual es la probabilidad de que ninguna de estas piezas tenga un defecto? b) ~Cukl es la probabilidad de que una de estas piezas tenga un defecto? c) iC&l es la probabilidad de que a1 menos dos de estas piezas tengan un defecto? 29. Un politico Cree que el 25% de 10s macroeconomistas que ocupan altos cargos apoyark una propuesta que quiere presentar. Supongarnos que esta creencia es correcta y que se eligen cinco altos cargos aleatoriamente.
a) iCukl es la probabilidad de que al menos uno de 10s cinco apoye la propuesta? b) iCual es la probabilidad de que la mayoria de ellos apoye la propuesta? 30. Una asociacion benCfica contrata estudiantes para que soliciten donaciones por teltfono. Desputs de un breve period0 de preparacion. 10s estudiantes telefonean a 10s potenciales donantes y se les paga una cornision. La experiencia indica que, normalmente. estos estudiantes logran so10 un Cxito moderado, y el ' 70% de ellos deja el trabajo en las dos primeras semanas. La asociacion contrata seis estudiantes, que pueden considerarse una muestra aleatoria. a) ~ C u aes l la probabilidad de que al menos dos de 10s seis estudiantes dejen el trabajo en las dos primeras semanas?
, ,

31.

. 32.

33.

34.

b) jCuil es la probabilidad de que a1 menos dos de 10s seis estudiantes no dejen el trabajo en las dos primeras semanas? Supongamos que la probabilidad de que el valor del dolar americano suba en relacion al yen japones durante una semana es 0,5, y lo que ocurra una semana es independiente de lo que ocurra en cualquier otra. jCuil es la probabilidad de que el valor del dolar suba en relacion al yen la mayoria de las semanas durante un periodo de siete meses? Una compafiia se dedica a la instalacion de nuevos sistemas de calefacci6n central.'Se ha comprobado que en el 15% de las instalaciones es necesano volver para realizar algunas modificaciones. En una semana deteminada se realizaron seis instalaciones. Asumir independencia en 10s resultados de esas instalaciones. a) jCuil es la probabilidad de que sea necesario volver en todos 10s casos? b) jCud es la probabilidad de que no sea necesario volver en ninguno de 10s casos? C) jCual es la probabilidad de que sea necesario volver en mas de uno? El equipo de baloncesto del Real Madrid va a jugar una sene de cinco partidos contra el Barcelona. Se estima que, en cada partido, la probabilidad de que gane el Real Madrid es 0,4. Los resultados de 10s cinco partidos son independientes. a) jCuil es la probabilidad de que el Real Madrid gane 10s cinco partidos? b) ~ C u a es l la probabilidad de que el Real Madrid gane la mayoria de 10s partidos? C) Si el Real Madrid gana el primer partido, jcuil es la probabilidad de que gane la mayoria de 10s partidos? d) Antes de que comience la serie, jcual es el numero esperado de partidos que ganara el Real Madrid? e) Si el Real Madrid gana el primer partido, jcuil es el numero esperado de partidos que ganara el Real Madrid en la serie? Una pequeiia compafiia aCrea vuela con aviones que tienen capacidad para ocho pasajeros. La compafiia ha comprobado que la probabilidad de que un pasajero con billete no se presente en el avi6n es 0,2. Para cada vuelo, la compaiiia pone a la venta diez billetes. La distribucion de probabilidad del numero de billetes vendidos en un vuelo aparece en la tabla adjunta. iPara quC proporcidn de vuelos se presentaran mas pasajeros con billete que el numero de asientos? (Asumir independencia entre el numero de pasajes vendidos y la probabilidad de que un pasajero con billete se presente.)

NUMERO DE BILLETES PROBABILIDAD

6 0,25

7
0,35

8 0,25

9
0.10

10 0,05

35. DespuCs de un ensayo, el entrenador de un equipo de futbol americano tiene la opcion de intentar una "conversion de dos puntos", es decir, sumaria dos puntos adicionales si el intento tiene exito, y ninguno si fracasa. El entrenador Cree que la probabilidad de que su equipo consiga 10s dos puntos en cada intento concreto es 0,4. Hay independencia entre 10s resultados de diferentes intentos. En un partido concreto, el equipo logra cuatro ensayos y en cada ocasion intenta la conversion de dos puntos. a) jCual es la probabilidad de que tenga exito en al menos dos intentos? b) Hallar la media y la desviacion tipica del numero total d e puntos resultante de estos intentos. 36. Un concesionario de automoviles monta una nueva campaiia de promotion, en la que promete que 10s compradores de automdviles nuevos pueden, si estan descontentos por algun motivo, devolver el coche antes de dos dias y recibir el importe integro. Se ha estimado que el coste que debe soportar el concesionario por cada devolucion es de 25.000 pesetas. El concesionario estima que el 15% de 10s compradores devolverhn 10s automoviles. Supongamos que durante el periodo de carnpafia se venden 50 automoviles. a) Hallar la media y la desviacion tipica del numero de automoviles que se devolveran. b) Hallar la media y la desviacion tipica del coste total que se derivara de estas 50 ventas. 37. Una entidad bancaria mantiene un servicio que permite a sus clientes hacer transferencias de sus cuentas por telefono. Se ha estimado que un 3,2%, de 10s clientes que realizan estas lla~nadas encuentran la linea ocupada o cuelgan despues de un tiempo sin que nadie atienda el telkfono. La direccion estirna una pCrdida de diez dolarzs en clientela cada vez que ocurre esto. Supongamos que durante cierto penodo se producen 2.000 llamadas. a) Hallar la media y la desviacion tipica del numero de clientes que encontraran la linea ocupada o que colgaran porque nadie atiende su Ilamada. b) Hallar la media y la desviacion tipica de la perdida total en clientela de la entidad pol. estas 2.000 llamadas. 38. Hemos visto que, para una distribucion binomial con n repeticiones, cada una con probabilidad de exito p, la media es p x = np

144

VARIABLES ALEATONAS

DlSCRETAS

Y DISTNBUCIONES DE PROBABlLIDAD

Cornprobar este resultado para 10s datos del Ejernplo 4.9. calculando la media directarnente a partir de

39.

40.

41.

42.

43.

y viendo que. para la distribucion binomial. las dos formulas dan el rnisrno resultado. El encargado del aparcarniento de una universidad halla que se pagan el 78% de las rnultas de aparcarniento emitidas. La rnulta es de 200 pesetas. En la ultirna sernana, se emitieron 620 rnultas de aparcarniento. a ) Hallar la media y la desviacion tipica del nhrnero de lnultas que se pagaran. b) Hallar la media y la desviacion tipica de la cantidad de dinero total que se obtendri por el pago de estas rnultas. Una compaiiia recibe un pedido muy grande. Se analiza una rnuestra aleatoria de diecisCis articulos, y se acepta el pedido si menos de dos resultan defectuosos. C u d es la probabilidad de aceptar un envio que contenga: a) Un 5% de articulos defectuosos b) Un 15% de articulos defectuosos C ) Un 25% de articulos defectuosos Se estrin considerando las dos reglas siguientes para decidir si aceptar un gran cargamento: (i) Se analiza una rnuestra aleatoria de diez piezas, y solo se acepta el cargamento si no hay ninguna defectuosa. ( i ~ Se ) analiza una muestra aleatoria de 20 piezas. y solo se acepta el envio si no hay lnis de una defectuosa. ;,CuaI de estas reglas tiene una probabilidad menor de aceptar un cargamento que contenga un 20% de piezas defectuosas? Una cornpaiiia recibe grandes cargamentos de articulos procedentes de dos lugares. El 70% de 10s cargamentos proceden de un proveedor cuyos envios suelen contener un 10% de defectuosos, mientras que el resto proceden d e un proveedor cuyos envios suelen contener un 20% de defectuosos. Un administrador recibe un cargamento per0 desconoce su procedencia. Analiza una rnuestra aleatoria de veinte articulos del cargal la rnento y encuentra uno defectuoso. ~ C u a es probabilidad de que el cargarnento proceda del proveedor mas fiable? (Sugerencia: Usar el teorerna de Bayes.) Una compaiiia recibe un cargamento de 60 articu10s. Se selecciona una rnuestra aleatoria de cuatro articulos y se rechaza el cargamento si alguno de ellos resulta defectuoso.

44.

45.

46.

47.

48,

49.

50.

a) LCual es la probabilidad de aceptar un cargarnento que contenga cuatro articulos defectuosos? b) LCual es la probabilidad de aceptar un cargarnento que contenga dos articulos defectuosos? l la probabilidad de rechazar un cargaC) i C ~ a es mento que contenga un articulo defectuoso? Se va a forrnar un comitC de ocho rniernbros elegidos entre un grupo de ocho hombres y ocho mujeres. Si 10s miernbros del comite se eligen de manera aleatoria, jcual es la probabilidad de que exactamente la mitad de 10s miembros sean n~ujeres? Una analista financiera ha recibido una lista de 10s bonoq de doce compaiiias. La analista selecciona tres empresas de la lista cuyos bonos Cree que estan en peligro de caer en el proximo aiio. En realidad, cuatro de las empresas de la lista veran caer sus bonos el proximo aAo. Supongamos que la analista ha elegido las tres empresas de la lista aleatoriamente. ~ C u aes l la probabilidad de que al rnenos dos de las elegidas estCn entre aquellas cuyos bonos bajaran en el proximo aiio? El director de un banco esta considerando la concesion de un prCstarno a diez personas que lo han solicitado. El perfil de todos 10s solicitantes es similar. except0 en que cinco son menores de edad y el resto no. Al final, el director aprueba seis solicitudes. Si estas seis solicitudes han sido elegidas aleatoriamente del total, ~cuitl es la probabilidad de que rnenos de la mitad de las aprobadas sean solicitudes de menores de edad? Los clientes llegan a un rnostrador ocupado a una tasa media de tres por minuto. Si la distribucion de las llegadas es Poisson. hallar la probabilidad de que en un rninuto dado se produzcan dos llegadas o menos. El numero de accidentes rnensuales en una cadena de produccion tiene una distribucion de Poisson con media 2,6. a) Para un rnes concreto, jcu8l es la probabilidad de que haya menos de dos accidentes? b) Para un mes concreto. jcuil es la probabilidad de que haya m8s de tres accidentes? Un profesor recibe, por tCrmino rnedio. 4,2 Ilarnadas telefonicas de estudiantes el dia anterior al examen final. Si la distribuci6n de las llamadas es Poisson, j c ~ i i l es la probabilidad de que reciba a1 menos lres llarnadas uno de esos dias? Los estudios indican que. en prornedio, se producen 3.2 averias diarias en las carreteras urbanas durante las horas punta de la maiiana. Asu~namos que la distribucion es Poisson.

,

a) Hallar la probabilidad de que en un dia concreto, se produzcan menos de dos averias en estas carreteras durante las horas punta de la maiiana. b) Hallar la probabilidad de que en un dia concreto, se produzcan mas de cuatro avenas en estas carreteras durante las horas punta de la maiiana. 51. Hacienda inform6 que el 5,5% de 10s contribuyentes comete.errores al rellenar 10s impresos para la declaration de la renta. Si se eligen aleatoriamente 100 de ellos, ~ c u a es l la probabilidad de que menos de tres contengan errores? Usar la aproximacion Poisson a la distribucion binomial. 52. Una compaiiia tiene 250 ordenadores personales. La probabilidad de que uno de ellos necesite una reparacion en una semana concreta es 0,Ol. Hallar la probabilidad de que en una semana concreta menos de cuatro ordenadores necesiten una reparacion. Usar la aproximacion Poisson a la distribucion binomial.

53. Una compaiiia aseguradora mantiene polizas de
seguro contra estafa con 6.000 empresas. En un aiio concreto. la probabilidad de que se produzca una reclamation en una de estas polizas es 0,001. Hallar la probabilidad de que se produzcan al menos tres reclamaciones en un aiio concreto. Usar la aproximacion Poisson para la distribucion hinon~ial.

51. Iln estado promulga una ley que exige a 10s rnolovistas tener un seguro. Se ha estinlado que, a pesar de esta ley, el 7 3 % de 10s motoristas tlel estado no estan asegurados. Se toma una muestrn aleatoria de 60 motoristas. Usar la aproximacion Poisson a la distribucidn binomial para estin~nr la probabilidad de que al menos tres de 10s motoristas de la muestra no esten asegurados. Asirnismo, indicar quk calculos serian necesarios para encontrar la probabilidad exacta si no se usara la aproximacion Poisson.

EJERClClOS D E REPASO
55. Explicar cuidadosamente, con un ejemplo ilustrativo, que se entiende por valor esperado de una variable aleatoria. iPor q u i es importante este concept~? 56. Como asesor financiero, informas a un cliente de que una inversion en un fondo tendri (a lo largo del proximo aiio) un rendimiento esperado mayor que una inversion en el mercado monetario. El cliente formula entonces las siguientes preguntas: a) iImplica esto que el fondo dara con tocla seguridad un rendimiento mayor que el mercado monetario? b) isignifica esto que deb0 invertir en el fondo en lugar de en el mercado monetario? ;,QuC responderias? 57. Elaborar un ejemplo realista en el imbito de la economia (distinto de 10s que se han presentado a lo largo de la exposicion o en 10s ejercicios) para el que sea apropiada cada una de las siguientes distribuciones de probabilidad. a) La distribucidn binomial. b) La distribucion hipergeomktrica. C) La distribucion de Poisson. 58. Explicar quC conclusiones pueden extraerse cuando se halla: a) Un grafico de la funcion de probabilidad de u n ; ~ variable aleatoria. b ) Un grafico de la funcion de probabilidad ncurnulada de una variable aleatoria. c ) La desviacion tipica de una variable aleatoria d ) La covarianza entre un par de variables aleatorias. 59. Un contratista estima las probabilidades del numero de dias necesarios para concluir un proyecto corno sigue:
TIEMPO (DIAS) PROBABILIDAD 1
0,OS

2
0,?0

3
0.35

4

5 0,lO

0,30

a) ~ C u a es l la probabilidad de que un proyecto elegido aleatoriamente necesite menos de tres dias para su conclusi6n? .b j Hallar el tiempo esperado necesario para ternlinar un proyecto. C ) Hallar la desviacion tipica del tiempo necesario para terminal- un proyecto. d) El coste del proyecto se divide en dos partes -un coste fijo de 2.000.000 de pesetas, mas 700.000 pesetas por cada dia de duraciori del proyecto. Hallar la media y la desviacion tipica del coste total del proyecto.

e ) Si se emprenden tres proyectos y se asume independencia entre la duraci6n de cada uno de ellos, jcual es la probabilidad de que a1 menos dos de ellos necesiten a1 menos cuatro dias para su conclusi6n? 60. Un vendedor de coches estima las siguientes probabilidades para el numero de coches que vender& la pr6xima semana.
NUMERO DE COCHES
0 1 0.20 2 0.35 3 4 5

PROBABILIDAD 0.10

0,16

0.12

0.07

a) Hallar el numero esperado de coches que venderi la proxima semana. b) Hallar la desviaci6n tipica del numero de coches que venderi la pr6xima semana. C) El vendedor recibe un salario semanal de 25.000 pesetas. m&s 30.000 pesetas adicionales por cada coche vendido. Hallar la media y la desviacidn tipica de su salario semanal total. d ) i C u i l es la probabilidad de que el salario semanal del vendedor sea mayor de 100.000 pesetas? 61. Un test consta de nueve preguntas. Para cada pregunta se puede elegir entre cuatro posibles respuestas. Se concede un punto por cada respuesta correcta, y no se restan puntos por respuestas incorrectas. El profesor concede una bonificacion de un punto si el estudiante escribe su nombre correctamente. Un estudiante que no ha estudiado para el exarnen decide elegir aleatoriamente la respuesta a cada pregunta. a) Hallar el n6mero esperado de respuestas correctas del estudiante en esas nueve preguntas. b) Hallar la desviaci6n tipica del n6mero de respuestas correctas del estudiante en esas nueve preguntas. C) El estudiante escribe su nombre correctamente. (i) Hallar la puntuaci6n total esperada en el test de este estudiante. (ii) Hallar la desviaci6n tipica de la puntuaci6n total en el test. 62. Inventar ejemplos realistas d e pares de variables aleatorias para las cuales pueda esperarse encontrar: a) Covarianza positiva. b) Covarianza negativa. C) Covarianza nula. 63. Un servicio de taxis para grandes distancias posee cuatro vehiculos. Estos tienen diferentes edades y diferente numero de reparaciones. Las probabilidades de que en un dia concreto cada vehiculo estC disponible son 0,95. 0.90, 0.90, y 0,80. La disponi-

bilidad de un vehiculo es independiente de la de 10s demis. a) Hallar la funci6n de probabilidad del numero de vehiculos disponibles en un dia concreto. b) Hallar el numero esperado de vehiculos disponibles en un dia concreto. C) Hallar la desviaci6n tipica del numero de vehiculos disponibles en un dia concreto. 64. Los estudiantes de una universidad se clasifican de acuerdo a sus aiios en la universidad (X) y el numero de visitas a un museo en el ultimo ~o ( Y = 0 si no hizo ninguna visita, y = 1 si hizo una visita, y = 2 si hizo m i s de una visita). En la tabla adjunta aparecen las probabilidades conjuntas que se estimaron para estas variables aleatorias.
N.QDE VISITAS (Y)

ANOS EN LA UNIVERSIDAD (X) I 2 3 4

a) Hallar la probabilidad de que un estudiante elegido aleatoriamente no haya visitado un museo en el ultimo aiio. b) Hallar las medias de las variables aleatorias X e Y. c) Hallar e interpretar la covarianza entre las variables aleatorias X e Y. 65. La estrella de un equipo de baloncesto, especialista en lanzamientos de tres puntos, realiza seis de estos lanzamientos durante un partido. Histbricamente, consigue encestar el 40% de 10s lanzamientos de tres puntos. Contestar alas siguientes cuestiones sobre el resultado de 10s seis lanzamientos del partido, explicando quC hip6tesis deben asumirse. a) i C ~ i es l la probabilidad de que enceste a1 inenos dos? b) iCu&les la probabilidad de que enceste exactamente tres? c) Hallar la media y la desviaci6n tipica del numero de lanzamientos encestados. d) Hallar la media y la desviacion tipica del numero total de puntos conseguidos como resultad0 de estos lanzamientos. 66. Se estima que el 55% de 10s estudiantes de primer curso de cierta universidad se graduara en cuatro alios. a) Para una muestra aleatoria de cinco estudiantes de primer curso. jcuil es la probabilidad de que exactamente tres se graduen en cuatro aiios? b) Para una muestra aleatoria de cinco estudiantes de primer curso. jcual es la probabilidad de que la mayoria se gradue en cuatro aiios?

C) Se digen ochenta estudiantes de primer curso al azar. Hallar la media y la desviacion tipica de la proporcion de ellos que se graduara en cuatro aiios. 67. Un campeonato de balonmano se disputari entre el equipo A y el equipo B. El primer equipo que gane cuatro partidos ganari el campeonato. Supongamos que el equipo A es el rnejor, en el sentido de que en cada partido hay una probabilidad de 0.6 de que gane el equipo A. Asumir tarnbiCn que el resultado de un partido es independiente del de cualquier otro. a) i C u i l es la probabilidad de que el equipo A gane el campeonato? b) iCual es la probabilidad de que se necesite jugar un sCptimo partido para determinar quiCn es el carnpeon? C) Supongarnos que cada equipo gana dos de 10s cuatro primeros partidos. (i) i,Cuil es la probabilidad de que el equipo A gane el campeonato? (ii) iCual es la probabilidad de que sea necesan o jugar un skptimo partido? 68. Usando la informacion sobre el flujo de caja, un analista financier0 Cree ser capaz de descubrir quC compaiiias son candidatas a entrar en quiebra. Se le proporcionan datos de quince compaiiias en el pasado y se le informa de que cinco de ellas quebraron. El analista elige cinco compaiiias del grupo de quince como candidatas a la quiebra. Tres de las compaiiias de las cinco seleccionadas por el analista estan entre las que quebraron. Evaluar la habilidad del analista para detectar compaiiias en peligro de quiebra. 69. Un equipo de cinco analistas esta estudiando las perspectivas de ganancias de veinte compaiiias. Cada uno de 10s cinco analistas exarnina cuatro ernpresas. Los analistas no son igualrnente competentes. De hecho, uno de ellos es una estrella, con un excelente rCcord de previsiones en el cambio de tendencias. Si fuera posible, la direccion querria encargar a este analista el estudio de las cuatro compaiiias cuyas ganancias se desviaran mas de la tendencia en el pasado. Sin embargo, en ausencia de

70.

71.

72.

73.

esta informacion, la direccion asigna las compaiiias a 10s analistas aleatoriamente. iCua1 es la probabilidad de que se asignen al analista estrella al menos dos de las cuatro ernpresas cuyas ganancias se desviaran mas de la tendencia en el pasado? En promedio, llegan 2,4 clientes por ininuto al inostrador de una compaiiia aCrea durante el period0 de maxima actividad. Asurnir que la distribucion de las llegadas es Poisson. l la probabilidad de que no llegue nadie a) ~ C u i es en un rninuto? b) i C u i l es la probabilidad de que se produzcan mas de tres llegadas en un rninuto? Una reciente estirnacion sugiere que entre 10s indtviduos y 10s rnatrimonios con renta superior a 10s 20.000.000 de pesetas, el 6,5% no paga irnpuestos o paga una tasa menor del 15%. Se toma una muestra aleatoria de 100 de estos individuos. ~ C u a es l la probabilidad de clue mas de dos miembros de la muestra no paguen irnpuestos o paguen ineiios del 15%? Una fabrica tiene dos cadenas de montaje, c, 1 ' d a una de las cuales se para un prornedio de 7,4 veces aemanales, de acuerdo a una distribucion de Poisson. Asumir que el comportamiento de una cadena es independiente del de la otra. ~ C u a es l la probabilidad de que una cadena se pare a1 rnenos una vez durante una semana concreta? Se lanza una rnoneda tres veces. Estamos interesados en el nurnero, X, de caras resultante. a) Hallar la funcion de probabilidad de la variable aleatoria X. b) Hallar la media y la desviacicin tipica de la variable aleatoria X. c) Considerar un juego en el cual se ganan dos (16lares si salen una o tres caras, se pierden cuatro dolares si salen dos caras y no se gana ni se pierde nada si no sale ninguna cara. Sea Y la variable aleatoria que toma 10s valores -4.0 o 7. y representa la ganancia del juego. Hallar la funcion de probabilidad, la media y la desviaci6n tipica de la variable aleatoria Y.