You are on page 1of 14

DISTRIBUCION DE LA PROBABILIDAD.

Como ya dijimos en la Seccin 2.12, una variable aleatoria es una funcin de valor real definida sobre un
espacio muestral. Por tanto, una variable aleatoria se puede usar para identif car
eventos numricos que son de inters en un experimento. Por ejemplo, el evento de inters
en un sondeo de opinin con respecto a las preferencias de votantes no suele ser la persona
particular muestreada o el orden en el que se obtuvieron las preferencias, sino Y = el nmero
de votantes que estn a favor de cierto candidato o tema. El valor observado de esta variable
86
W-cap-03.indd 86 27/7/09 02:01:54
aleatoria debe ser cero o un entero entre 1 y el tamao muestral. Entonces, esta variable aleatoria puede
tomar slo un nmero f nito de valores con probabilidad diferente de cero. Se dice
que una variable aleatoria de este tipo es discreta.

LA DISTRIBUCIN DE PROBABILIDAD BINOMIAL.


Algunos experimentos consisten en la observacin de una secuencia de intentos idnticos e
independientes, cada uno de los cuales puede resultar en una de dos salidas. Cada artculo que sale de
la lnea de produccin de manufacturas es defectuoso o no defectuoso. Cada disparo en una secuencia
de tiros a un blanco puede resultar en un acierto o en no acierto y cada una de
W-cap-03.indd 100 27/7/09 02:01:58 las n personas entrevistadas antes de una eleccin local est a
favor del candidato Jones o no lo est. En esta seccin estamos interesados en experimentos, conocidos
como experimentos binomiales, que presentan las siguientes caractersticas.

Un experimento binomial presenta las siguientes propiedades:


1. Consiste en un nmero fijo, n, de pruebas idnticas.
2. Cada prueba resulta en uno de dos resultados: xito, S, o fracaso, F.
3. La probabilidad de xito en una sola prueba es igual a algn valor p y es el mismo de una prueba a la
otra. La probabilidad de fracaso es igual a q = (1 p).
4. Las pruebas son independientes.
5.La variable aleatoria de inters es Y, el nmero de xitos observado durante las n pruebas.

EJEMPLOS APLICADOS.
Se supone que el voluminoso lote de fusibles elctricos del Ejemplo 3.7 contiene slo 5% de defectuosos.
Si n = 20 fusibles se muestrean al azar de este lote, encuentre la probabilidad de que se
observen al menos cuatro defectuosos.

Solucin Si se denota con Y el nmero de defectuosos de la muestra, suponemos el modelo binomial


para Y, con p = .05. Entonces,
P(Y 4) = 1 P(Y 3),
y usando la Tabla 1, Apndice 3 [o el comando pbinom(3,20,.05) ]de R, obtenemos
P(Y 3) =3
y=0
p(y) = .984.
El valor .984 se encuentra en la tabla marcada n = 20 en la Tabla 1, Apndice 3. Especf camente,
aparece en la columna marcada p = .05 y en la f la marcada a = 3. Se deduce que
P(Y 4) = 1 .984 = .016.
Esta probabilidad es muy pequea. Si en realidad observamos ms de tres defectuosos de entre 20
fusibles, podramos sospechar que el porcentaje reportado de 5% es errneo.

EJEMPLOS.
1. Un fabricante de cera para pisos ha creado dos nuevas marcas, A y B, que desea someter a evaluacin
de propietarios de casas para determinar cul de las dos es superior. Ambas ceras, A y B, se aplican a
superf cies de pisos en cada una de 15 casas. Suponga que en realidad no hay diferencia en la calidad de
las marcas. Cul es la probabilidad de que diez o ms propietarios de casas expresen preferencia por
a la marca A?,
b ya sea la marca A o la marca B?

2. Una empresa de exploracin petrolera se forma con suf ciente capital para f nanciar diez exploraciones. La
probabilidad de que una exploracin particular sea exitosa es .1. Suponga que las exploraciones son
independientes. Encuentre la media y la varianza del nmero de exploraciones exitosas.
3. De los donadores voluntarios de sangre en una clnica, 80% presentan factor Rhesus (Rh) en su sangre.
a Si cinco voluntarios se seleccionan al azar, cul es la probabilidad de que al menos uno no presente
el factor Rh?
b Si cinco voluntarios se seleccionan al azar, cul es la probabilidad de que a lo sumo cuatro presenten el factor
Rh?
c Cul es el nmero ms pequeo de voluntarios que deben seleccionarse si deseamos tener certeza
de al menos 90% de obtener al menos cinco donadores con factor Rh?

LA DISTRIBUCIN DE PROBABILIDAD GEOMTRICA.

La variable aleatoria con distribucin de probabilidad geomtrica est asociada con un


experimento que comparte algunas de las caractersticas de un experimento binomial.
Este experimento tambin comprende pruebas idnticas e independientes, cada una de
las cuales puede arrojar uno de dos resultados: xito o fracaso. La probabilidad de xito
es igual a p y es constante de una prueba a otra. No obstante, en lugar del nmero de xitos que
se presentan en n pruebas, la variable aleatoria geomtrica Y es el nmero de prueba en la
que ocurre el primer xito. Entonces, el experimento consiste en una serie de pruebas que concluye con el
primer xito. En consecuencia, el experimento podra terminar con la primera prueba si se observa un xito en
la misma o el experimento podra continuar de manera indefinida.

EJEMPLOS APLICADOS.

1.
2.

EJEMPLOS.
1. Suponga que 30% de los solicitantes para cierto trabajo industrial posee capacitacin avanzada en programacin
computacional. Los candidatos son elegidos aleatoriamente entre la poblacin y entrevistados en forma sucesiva.
Encuentre la probabilidad de que el primer solicitante con capacitacin avanzada
en programacin se encuentre en la quinta entrevista

2. Dado que ya hemos lanzado al aire una moneda balanceada diez veces y no obtuvimos caras, cul es la
probabilidad de que debemos lanzarla al menos dos veces ms para obtener la primera cara?

3. Dos personas, por turnos, tiran un dado imparcial hasta que una de ellas lanza un 6. La persona A tir
primero, la B en segundo, A en tercero y as sucesivamente. En vista de que la persona B tir el primer
6, cul es la probabilidad de que B obtenga el primer 6 en su segundo tiro (es decir, en el cuarto tiro
total)?
LA DISTRIBUCIN DE PROBABILIDAD
BINOMIAL NEGATIVA.
Una variable aleatoria con distribucin binomial negativa se origina de un contexto semejante
al que da la distribucin geomtrica. De nuevo nos concentramos en intentos independientes e
idnticos, cada uno de los cuales conduce a uno de dos resultados: xito o fracaso. La probabilidad p de
xito sigue siendo igual de un intento a otro. La distribucin geomtrica maneja el
caso donde estamos interesados en el nmero de intento en el que ocurre el primer xito. Qu
pasa si estamos interesados en conocer el nmero de intento en el que ocurre el xito segundo,
tercero o cuarto? La distribucin que se aplica a la variable aleatoria Y igual al nmero del intento en el
que ocurre el rsimo xito (r = 2, 3, 4, etc.) es la distribucin binomial negativa.
Los pasos siguientes se asemejan estrechamente a los de la seccin anterior. Seleccionemos
valores f jos para r y y y consideremos los eventos A y B, donde
A = {los primeros (y 1) intentos contienen (r 1) xitos}
y
B = {el intento y resulta en un xito}

EJEMPLOS APLICADOS.
EJEMPLOS.
1. Las lneas telefnicas que dan servicio a la of cina de reservaciones de una aerolnea estn todas ocupadas
alrededor de 60% del tiempo.
a Si una persona llama a esta of cina, cul es la probabilidad de que complete su llamada en el primer
intento? En el segundo intento? En el tercero?
b Si usted y un amigo deben ambos completar llamadas a esta of cina, cul es la probabilidad de que
un total de cuatro intentos sean necesarios para que los dos terminen su comunicacin?

2. Consulte el Ejercicio 3.92. Cul es la probabilidad de que el tercer motor no defectuoso sea hallado
a en el quinto intento?,
b en el quinto intento o antes?

3. Diez por ciento de los motores fabricados en una lnea de ensamble son defectuosos. Si los motores se
seleccionan al azar uno a la vez y se prueban, cul es la probabilidad de que el primer motor no defectuoso
sea hallado en el segundo intento?
LA DISTRIBUCIN DE PROBABILIDAD
HIPERGEOMTRICA.

La distribucin de probabilidad hipergeomtrica se puede obtener usando los teoremas


combinatorios dados en la Seccin 2.6 y el mtodo de punto muestral. Un punto muestral del
espacio muestral S corresponder a una seleccin nica de n elementos, algunos rojos y el
resto negros. Al igual que en el experimento binomial, cada punto muestral puede ser caracte
rizado por un n arreglo cuyos elementos correspondan a una seleccin de n elementos del total
de N. Si cada elemento de la poblacin fuera a ser numerado de 1 a N, el punto muestral que
indique la seleccin de artculos 5, 7, 8, 64, 17,, 87 aparecera como n arreglo.
( 5, 7, 8, 64, 17, . . . , 87 n posiciones).

El nmero total de puntos muestrales en S, por tanto, ser igual al nmero de formas de seleccionar un
subconjunto de n elementos de entre una poblacin de N, o sea nN . Como la
seleccin aleatoria implica que todos los puntos muestrales sean igualmente probables,
la probabilidad de un punto muestral en S es

EJEMPLOS APLICADOS.

1.
2.1. Un producto industrial particular se enva en lotes de 20. Hacer pruebas para determinar
si un artculo es defectuoso o costoso; por tanto, el fabricante muestrea la produccin
en lugar de usar un plan de inspeccin del 100%. Un plan de muestreo construido para
reducir al mnimo el nmero de piezas defectuosas, enviadas a los clientes, exige muestrear
cinco artculos de entre cada lote y rechazar el lote si se observa ms de una pieza defectuosa.
(Si el lote es rechazado, cada artculo del lote se prueba entonces.) Si un lote
contiene cuatro defectuosos, cul es la probabilidad de que sea aceptado?
Solucin Sea x el nmero de defectuosos en la muestra. Entonces N 20, M 4,
(N M) 16 y n 5. El lote ser rechazado si x 2, 3 o 4. Entonces

LA DISTRIBUCIN DE PROBABILIDAD DE POISSON.


Suponga que deseamos hallar la distribucin de probabilidad del nmero de accidentes automovilsticos
ocurridos en un crucero particular durante un periodo de una semana. A primera
vista esta variable aleatoria, el nmero de accidentes, no parece estar ni remotamente relacionada con
una variable aleatoria binomial, pero veremos que existe una relacin interesante.
Considere el periodo, una semana en este ejemplo, como dividido entre n subintervalos,
cada uno de los cuales es tan pequeo que a lo sumo un accidente podra ocurrir en l con
probabilidad diferente de cero. Denotando con p la probabilidad de un accidente en cualquier
subintervalo, tenemos, para todos los f nes prcticos,
P(no ocurren accidentes en un subintervalo) = 1 p,
P(ocurre un accidente en un subintervalo) = p,
P(ocurre ms de un accidente en un subintervalo) = 0.
Entonces el nmero total de accidentes en la semana es precisamente el nmero total de subintervalos
que contienen un accidente. Si la ocurrencia de accidentes puede ser considerada
como independiente de un intervalo a otro, el nmero total de accidentes tiene una distribucin
binomial.

EJEMPLOS APLICADOS.
1. Suponga que se disea un sistema aleatorio de patrulla de polica para que un of cial de patrulla
pueda estar en un lugar de su ruta Y = 0, 1, 2, 3, . . . veces por periodo de media hora, con
cada lugar visitado un promedio de una vez por periodo. Suponga que Y posee, aproximadamente,
una distribucin de probabilidad de Poisson. Calcule la probabilidad de que el of cial
de patrulla no llegue a un lugar determinado durante un periodo de media hora. Cul es la
probabilidad de que el lugar sea visitado una vez? Dos veces? Al menos una vez?

Para este ejemplo el periodo es media hora y el nmero medio de visitas por intervalo de
media hora es l = 1. Entonces
2. Cierto tipo de rbol tiene plantas que han crecido de semillas dispersas al azar en una superf cie
grande, con la densidad media de plantas siendo aproximadamente de cinco por yarda
cuadrada. Si esa zona un guardabosques localiza al azar diez regiones de muestreo de 1 yarda
cuadrada, encuentre la probabilidad de que ninguna de las regiones contenga plantas que
hayan crecido de semillas.
Solucin Si las plantas realmente estn dispersas al azar, el nmero de plantas por regin, Y, se
puede
modelar como una variable aleatoria de Poisson con l = 5. (La densidad promedio es de
cinco por yarda cuadrada.) Entonces,

La probabilidad de que Y = 0 en diez regiones seleccionadas de manera independiente es


(e5)10 porque la probabilidad de la interseccin de eventos independientes es igual al producto de las
probabilidades respectivas. La probabilidad resultante es en extremo pequea.
Entonces, si este evento ocurriera en realidad, cuestionara seriamente la suposicin de aleatoriedad, la
densidad promedio de plantas expresada o ambos.

EJEMPLOS.

1. El nmero de errores mecanogrf cos hechos por una secretaria tiene una distribucin de Poisson con
un promedio de cuatro errores por pgina. Si en una pgina se dan ms de cuatro errores, la secretaria
debe volver a escribir toda la pgina. Cul es la probabilidad de que una pgina seleccionada al azar no
tenga que volver a ser escrita?

2. Llegan autos a una caseta de pago de peaje de acuerdo con un proceso de Poisson con media de 80 autos
por hora. Si el empleado hace una llamada telefnica de 1 minuto, cul es la probabilidad de que al
menos 1 auto llegue durante la llamada?

3. El nmero de nudos en un tipo particular de madera tiene una distribucin de Poisson con un promedio
de 1.5 nudos en 10 pies cbicos de madera. Encuentre la probabilidad de que un bloque de 10 pies c-
bicos de madera tenga a lo sumo 1 nudo.
LA DISTRIBUCIN DE PROBABILIDAD UNIFORME.
Suponga que un autobs llega siempre a una parada particular entre las 8:00 y las 8:10 a.m.
y que la probabilidad de que llegue en cualquier subintervalo dado es proporcional slo a la
duracin del subintervalo. Esto es, es igual de probable que llegue entre las 8:00 y 8:02 a que
llegue entre las 8:06 y las 8:08. Denote con Y el tiempo que una persona deba esperar para
que llegue el autobs si lleg a la parada exactamente a las 8:00. Si con cuidado medimos en
minutos cunto tiempo despus de las 8:00 lleg el autobs en varias maanas, podramos
desarrollar un histograma de frecuencia relativa para los datos.
A partir de la descripcin que acabamos de dar, debe ser evidente que la frecuencia relativa con la cual
observamos un valor de Y entre 0 y 2 sera aproximadamente la misma que
la frecuencia relativa con la cual observamos un valor de Y entre 6 y 8. Un modelo razonable
para la funcin de densidad de Y se muestra en la Figura 4.9. Como las reas bajo las curvas
representan probabilidades para variables aleatorias continuas y A1 = A2 (por inspeccin), se
deduce que P(0 Y 2) = P(6 Y 8), como se desea.

La variable aleatoria Y que acabamos de examinar es un ejemplo de una variable aleatoria


que tiene una distribucin uniforme. La forma general para la funcin de densidad de una
variable aleatoria con una distribucin uniforme es como sigue.
EJEMPLOS APLICADOS.
1. La llegada de clientes a una caja en un establecimiento sigue una distribucin de Poisson.
Se sabe que durante un periodo determinado de 30 minutos, un cliente llega a la caja. Encuentre
la probabilidad de que el cliente llegue durante los ltimos 5 minutos del periodo de 30
minutos.
Como acabamos de citar, el tiempo real de llegada sigue una distribucin uniforme en el in
tervalo de (0, 30). Si Y denota el tiempo de llegada, entonces

La probabilidad de que la llegada ocurra en cualquier otro intervalo de 5 minutos tambin es


1/6.

EJEMPLOS.
1. Al estudiar bajas cotizaciones para contratos de embarques, una empresa fabricante de microcompu
tadoras encuentra que los contratos interestatales tienen bajas cotizaciones que estn uniformemente
distribuidas entre 20 y 25, en unidades de miles de dlares. Encuentre la probabilidad de que la baja
cotizacin en el siguiente contrato interestatal
a est por debajo de $22,000.
b sea de ms de $24,000
2. Una llamada telefnica llega a un conmutador al azar en un intervalo de no ms de un minuto. El
conmutador estuvo totalmente ocupado durante 15 segundos en este periodo de un minuto. Cul es la
probabilidad de que la llamada llegara cuando el conmutador no hubiera estado totalmente ocupado?
3. Empezando a las 12:00 de la noche, un centro de computadoras funciona durante una hora y deja de
operar dos horas en un ciclo regular. Una persona que desconoce este horario marca al centro en una
hora al azar entre las 12:00 de la noche y las 5:00 a.m. Cul es la probabilidad de que el centro est
funcionando cuando entre la llamada de la persona?