DISTRIBUCIONES DE PROBABILIDAD

Variable Aleatoria:
Es el número real asignado a las salidas (cuantitativas o cualitativas) de un
experimento y forman una colección de variables indexadas { X
i
}
Se utilizan estas variables para calcular parámetros como la: salida esperada,
media, varianza y desviación estándar.
Tipos de variables aleatorias:
Discretas (valores enteros)
Continuas (valores enteros y fraccionarios)
Ejemplos de variables aleatorias:
Rango Tipo
Inspeccionar 600 focos X
i
= focos buenos 0 a 600 Discreta
Probar la duración de los X
i
= horas de encendido que dura el foco t > X
i
≥ 0 Continua
focos fabricados
Checar avance de la X
i
= % de departamentos terminados 1 ≥ X
i
≥ 0 Continua
construcción de 200
departamentos
Registrar el estado de 0 y 1 Discreta
la máquina en producción
Encuestar la opinión de 1 a 3 Discreta
los estudiantes
Distribución de Probabilidades:
Dependiendo del tipo de variable aleatoria que se utilice, las distribuciones pueden
ser: Discretas y Continuas
Reglas para las Distribuciones de Probabilidad:
1. Las variables aleatorias X deben ser "mutuamente excluyentes y colectivamente
exhaustivas"
2. La probabilidad individual de cada variable está entre 0 y 1
3. La sumatoria de las probabilidades individuales es 1
Experimento Variable Aleatoria
¹
´
¦
=
=
=
trabajando
ta descompues
X
i
1
0
¦
¹
¦
´
¦
=
=
=
=
acuerdo
neutral
desacuerdo
X
i
3
2
1
1 ) (
1
=
¿
=
n
i
i
X P
0 ) ( 1 > >
i
X P
Objetivo: Conocer las características del comportamiento de las variables aleatorias (perfíl
de la distribución de probabilidades).
Para visualizar esta distribución es necesario conocer la Media y la Varianza (o la
Desviación Estándar)
Muestra Población
Media:
Varianza: Var(X)
Desviación Estándar:
Conociendo la varianza se puede calcular la "Desviación Estándar"
Distribuciones de Probabilidades "Discretas":
Para conocer la media y varianza de una distribución discreta, se
utilizan:
Valor Esperado (Media):
Varianza:
Desviación Estándar:
Ejemplos
1. Un profesor pregunta a 100 estudiantes a través de un cuestionario, sobre su
libro de estadísticas si "realmente ayudó al alumno a pasar el curso"
Procesando las encuestas, se obtuvo la siguiente información:
Salida Variable Respuestas
Aleatoria
Muy de acuerdo (MA) 5 10
De acuerdo (A) 4 20
Neutral (N) 3 30
Desacuerdo (D) 2 30
Muy en desacuerdo (MD) 1 10
¿Cuál es la opinión de los estudiantes?
2
S S =
X µ
2
o
S o
) ( ) (
1
i
n
i
i
X P X X E
¿
=
=
| |
¿
=
÷ =
n
i
i i
X P X E X X Var
1
2
) ( ) ( ) (
| |
¿
=
÷ =
n
i
i i
X P X E X
1
2
) ( ) ( o
2
S
Solución:
X
i
f
i
p
i
[X
i
- E(X)]
2
p
i
MA 5 10 0.10 0.441
A 4 20 0.20 0.242
N 3 30 0.30 0.003
D 2 30 0.30 0.243
MD 1 10 0.10 0.361
100 1.00 1.29
E(X) = 5(0.10) + 4(0.20) + 3(0.30) + 2(0.30) +1(0.10)
E(X) = 2.9
La opinión de los estudiantes es que el libro del profesor "no sirvió"
para pasar el curso.
S
2
= 1.29
S = 1.14
2. Se quiere hacer la comparación de las ganancias potenciales entre dos
productos nuevos que se van a diseñar. El departamento de comercialización
considera que la ganancia del diseño "A" se puede predecir con mucha precisión
en $3 millones pero la ganancia del diseño "B" tiene más incertidumbre para
determinarse. Comercialización concluye que hay una probabilidad de 0.3 de que
la ganancia del diseño "B" sea de $7 millones y 0.7 de que ganacia sea de sólo $2
millones. ¿Cuál de los dos diseños se debe elegir?
Solución:
Variable aleatoria: X = Ganancia del diseño "A"
Diseño "A":
Como no se tiene incertidumbre en la ganancia del diseño "A", la distribución de l
a variable X se puede establecer como:
E(X) = 3(1) = $3 millones
V(X) = (3 - 3)
2
(1) = 0
Diseño "B": Y = Ganancia del diseño "B"
E(Y) = 7(0.3) + 2(0.7) = $3.5 millones
V(Y) = (7 - 3.5)
2
(0.3) + (2 - 3.5)
2
(0.7) = 5.25 millones de $
2
¿
=
=
n
i
i i
X p X E
1
) (
p
i
X
i
0.1
0.2
0.3
5 4 3 2 1
Para facilitar la interpretación se obtiene la "desviación estándar" que tiene las
mismas unidades que la variable aleatoria:
σ = $2.29 millones
Conclusión: para una persona que no quiere riesgo, va a decidirse por el diseño
"A". Si se acepta el riesgo, se decide por el diseño "B".
3. El número de mensajes por hora enviados en una red de computadoras tiene la siguiente
distribución de probabilidades (función de masa):
Números de Distribución
mensajes Probabilidad
(X) f(X)
10 0.08
11 0.15
12 0.30
13 0.20
14 0.20
15 0.07
Calcule la media y la desviación estándar para el problema.
Solución:
(X) f(X) E(X) V(X)
10 0.08 0.80 0.50
11 0.15 1.65 0.34
12 0.30 3.60 0.08
13 0.20 2.60 0.05
14 0.20 2.80 0.45
15 0.07 1.05 0.44
12.50 1.85
E(X) = 12.5 mensajes/hora 12.5
S = 1.36 mensajes/hora 1.36
Tipos de "Distribuciones de Probabilidades Discretas":
Uniforme
Binomial
Poisson
Distribuciones de Probabilidades "Continuas":
Las variables continuas tienen valores enteros o fraccionarios como por ejemplo:
tiempo, peso, longitud, temperatura, etc.
Las distribuciones de probabilidad continuas se caracterizan por:
"Hay una f(X) que describe la distribución de probabilidades llamada función de
densidad (función de masa o de probabilidades) que sirve para calcular cualquier
probabilidad con el área bajo la curva"
Tipos de "Distribuciones de Probabilidadades Continuas":
Normal
Exponencial
DISTRIBUCIÓN UNIFORME
"Una variable aleatoria X
i
es uniforme si cada uno de los n valores
consecutivos de su rango tiene la misma probabilidad de ocurrir"
Función de Probabilidad:
Valor Esperado (Media):
Desviación Estándar:
Ejemplos
1. El primer dígito del número de serie de una pieza fabricada puede ser
cualquiera de 0 a 9. Si se selecciona una pieza al azar de un lote grande y X es el
primer dígito del número de serie, ¿cuál es la función de masa de probabilidad o
la distribución de probabilidad?
Solución
Función de Probabilidad: f(x) = 0.1 para cada valor de su rango
2. Se tiene un conmutador con 48 líneas. Si se considera X como el número de
líneas en uso en un tiempo dado, ¿cuál es el valor esperado y la desviación
estándar?
Solución
líneas/unidad de "tiempo"
líneas/unidad de "tiempo"
Si todos los valores del rango de X se multiplican por una "constante" (sin cambiar ninguna de
las probabilidades), entonces la media y la desviación estándar de X se multiplican por la
constante.
Para el caso del conmutador, si se define una nueva variable aleatoria como:
Y = Proporción de las líneas en uso en un tiempo dado (48 horas)
entonces:
Y = X/48
E(y) = E(x)/48 = 24/48 = 0.5
σ = 14.14/48 = 0.295
2
) (
a b
x E
+
= = µ
12
1 ) 1 (
2
÷ + ÷
=
a b
o
24
2
0 48
) ( =
+
= x E
14 . 14
12
1 ) 1 0 48 (
2
=
÷ + ÷
= o
a b
P(x)
f(x)
x
n
x P x f
1
) ( ) ( = =
DISTRIBUCIÓN BINOMIAL
"Cualquier experimento aleatorio de "n" ensayos repetidos que se ajuste a un tipo Bernoulli
que tiene las siguientes características:
Cada ensayo produce únicamente dos posibles resultados (éxito ó fracaso)
Los resultados de los ensayos son independientes
La probabilidad de éxito "p" en cada ensayo es constante ya que se considera
que el proceso es estacionario o estable.
Cada experimento es una serie de ensayos aleatorios repetidos donde la variable aleatoria X
i
es un conteo del número de ensayos que satisfacen el criterio especificado (probabilidad de
éxito "p")
Los términos de éxito (p) y fracaso (q) son meras "etiquetas" que no necesariamente están
relacionados con los efectos positivos y negativos.
Algunos ejemplos de experimentos aleatorios que se ajustan a una Distribución Binomial:
Máquina herramienta desgastada que influye en la calidad de las piezas fabricadas.
Lanzar una moneda una cierta cantidad de veces para ver sus resultados.
Muestras de aire para analizar si contienen una molécula rara contaminante.
La calidad de los bits trasmitidos en una canal de transmisión digital.
Un examen de opción múltiple con 10 preguntas, cada una con cuatro opciones
que contesta un alumno adivinando.
Nacimientos de niños y niñas en un hospital.
Pacientes con una cierta enfermedad donde se experimenta la mejoría del paciente
por tomar un medicamento específico.
La variable aleatoria X
i
(número de ensayos que cumplen con la probabilidad de éxito) tiene una
Distribución Binomial con parámetros n y p :
Función de Probabilidad:
(Función de Masa)
donde :
X = Número de "éxitos"
n = número de observaciones o ensayos
p = probabilidad de "éxito"
q = probabilidad de "fracaso"
donde: p + q = 1
Algunas nomenclaturas para expresar el cálculo de la probabilidad (función de
probabilidad) son: P(X /n,p) = P(X = x
i
) = P(X)
Valor Esperado (Media):
Varianza:
Desviación estándar:
X n X
X n
q p C X P x f
÷
= = ) ( ) (
)! ( !
!
X n X
n
C
X n
÷
=
np X E = ) (
npq X V = ) (
npq = o
Ejemplos
1. La probabilidad de que un prospecto de ventas, seleccionado al azar, haga una
compra es de 0.20. Si un vendedor visita a 6 prospectos calcule:
a. ¿La probabilidad de hacer 4 ventas?
b. ¿La probabilidad de hacer 4 o más ventas?
c. ¿La probabilidad de hacer menos de 4 ventas?
d. Valor Esperado, la Varianza y la Desviación Estándar?
Solución
a. ¿La probabilidad de hacer 4 ventas?
0.01536
b. ¿La probabilidad de hacer 4 o más ventas?
P(X ≥ 4) = P(4) + P(5) + P(6)
P(4) = 0.0154 0.01536
P(5) = 0.0015 0.001536
P(6) = 0.0001 0.0001
0.0170
P(X ≥ 4) = 0.0170
Otra forma de solución:
P(X ≥ 4) = 1- P(X ≤ 3)
P(0) = 0.2621
P(1) = 0.3932
P(2) = 0.2458
P(3) = 0.0819
0.9830
P(X ≥ 4) = 1- 0.9830 = 0.0170
c. ¿La probabilidad de hacer menos de 4 ventas?
P(X < 4) = P(X ≤ 3) = P(0) + P(1) +P(2) + P(3)
P(X ≤ 3) = 0.9830 solucionado en inciso anterior
d. Valor Esperado, la Varianza y la Desviación Estándar?
E(X) = 6(0.20) = 1.2 prospectos que compran
Var(X) = 6(0.20)(0.80) = 0.96
S = 0.98 prospectos que compran
2. Se lanzan 5 monedas al mismo tiempo
a. ¿Cuál es la probabilidad de que salgan 4 sellos?
b. ¿Menos de 3 sellos?
c. ¿Más de 3 aguilas?
d. Calcule la media, varianza y desviación estándar (respecto a sellos)
01536 . 0 ) 80 . 0 ( ) 20 . 0 ( ) 4 (
2 4
4 6
= = C P
Solución
a. ¿Cuál es la probabilidad de que salgan 4 sellos?
0.1563
b. ¿Menos de 3 sellos?
P(X < 3) = P(X ≤ 2) = P(0) + P(1) + P(2)
P(0) = 0.0313
P(1) = 0.1563
P(2) = 0.3125
0.5000
P(X ≤ 2) = 0.5
c. ¿Más de 3 aguilas?
P(X > 3) = P(X ≥ 4) = P(4) + P(5)
P(4) = 0.1563
P(5) = 0.0313
0.1875
P(X > 3) = 0.1875
d. Calcule la media, varianza y desviación estándar (respecto a sellos)
E(X) = 5(0.5) = 2.5 sellos
Var(X) = 5(0.5)(0.5) = 1.25
S = 1.1 sellos
3. Una empresa electrónica está experimentando un nuevo prototipo que requiere
un alto nivel de calidad. Cada hora el supervisor de la línea de producción toma
una muestra de 5 transistores. La probabilidad de que cualquier transistor sea
defectuoso es de 0.15
a. ¿Cuál es la probabilidad de encontrar 3 o más defectuosos?
b. Calcular la media y la desviación estándar.
Solución
a. ¿cuál es la probabilidad de encontrar 3 o más defectuosos?
P(X ≥ 3) = P(3) + P(4) + P(5)
P(3) = 0.02438
P(4) = 0.00215
P(5) = 0.00008
P(X ≥ 3) = 0.0266
b. Calcular la media y la desviación estándar.
E(X) = 0.75 transistores
V(X) = 0.6375
S = 0.7984 transistores
4. Un fabricante utiliza un proceso de producción que da el 20% de artículos
defectuosos. Si se produce 5 unidades:
1563 . 0 ) 5 . 0 ( ) 5 . 0 ( ) 4 (
4
4 5
= = C P
a. ¿Cuál es la probabilidad de que ninguna de ellas sea defectuosa?,
¿de que tres lo sean?, ¿de las cinco salgan defectuosas?
b. ¿Cuál es la probabilidad de que cuando mucho una unidad sea
defectuosa?
c. ¿De que dos o tres lo sean?
d. ¿De que al menos tres sean defectuosas?
Solución
a. ¿Cuál es la probabilidad de que ninguna de ellas sea defectuosa?,
¿de que tres lo sean?, ¿de las cinco salgan defectuosas?
0.3277
0.0512
0.0003
b. ¿Cuál es la probabilidad de que cuando mucho una unidad sea
defectuosa?
P(X ≤ 1) = P(0) + P(1)
P(0) = 0.3277
P(1) = 0.4096
0.7373
P(X ≤ 1) = 0.7373
c. ¿De que dos o tres lo sean?
P(2 ó 3) = P(2) + P(3)
P(2) = 0.2048
P(3) = 0.0512
0.2560
P(2 ó 3) = 0.2560
d. ¿De que al menos tres sean defectuosas?
P(X ≥ 3) = P(3) + P(4) + P(5)
P(3) = 0.0512
P(4) = 0.0064
P(5) = 0.0003
0.0579
P(X ≥ 3) = 0.0579
3277 . 0 ) 80 . 0 ( ) 20 . 0 ( ) 0 (
5 0
0 5
= = C P
0512 . 0 ) 80 . 0 ( ) 20 . 0 ( ) 3 (
2 3
3 5
= = C P
0003 . 0 ) 80 . 0 ( ) 20 . 0 ( 5 ) 5 (
0 5
5 5
= = C P
DISTRIBUCIÓN DE "POISSON"
"Se utiliza para determinar la probabilidad de que ocurra un número de eventos en un cierto intervalo
que puede ser de tiempo, longitud, superficie, volumen, etc."
El proceso "Poisson" es similar a un proceso "Binomial", es decir, considera que:
Los resulatados son independientes
El proceso es estacionario haciendo que λ sea constante.
Distribución de Probabilidad:
(Función de masa)
λ = Número promedio de eventos por unidad del intervalo
e = 2.7183…
X = Eventos de éxito
Valor Esperado:
Varianza:
Desviación Estándar:
Ejemplos
1. Un departamento que repara máquinas recibe en promedio 5 solicitudes de servicio
por hora
a. ¿Qué probabilidad se tiene de recibir exactamente 3 solicitudes en una
hora seleccionada al azar?
b. ¿Cuál es la probabilidad de que se reciban menos de 3 servicios en una
hora elegida en forma aleatoria?
Solución
a. ¿Qué probabilidad se tiene de recibir exactamente 3 solicitudes en una
hora seleccionada al azar? solicitudes/hora
solicitudes/hora
0.1404
b. ¿Cuál es la probabilidad de que se reciban menos de 3 servicios en una
hora elegida en forma aleatoria?
P(X < 3) = P(X ≤ 2) = P(0) + P(1) + P(2)
P(0) = 0.00674 0.0067
P(1) = 0.03369 0.0337
P(2) = 0.08422 0.0842
0.1247 0.1247
P(X < 3) = 0.1247
!
) ( ) (
X
e
X P X f
X ì
ì
÷
= =
ì = ) (X E
ì = ) (X Var
ì o =
1404 . 0
! 3
5
) 3 (
5 3
= =
÷
e
P
5 = ì
3 = X
2. El número promedio de personas que realizan transacciones en el mostrador de "servicios
especiales" es 5 por hora. Considere que las llegadas de esas personas son independientes
e igualmente probables en el período,
¿cuál es la probabilidad de que más de 10 personas deseen realizar
transacciones en el mostrador de servicios especiales en la siguiente hora?
Solución
P(X > 10) = P(11) + P(12) + P(13) + P(14) + P(15) + …
0.00824
P(12) = 0.00343 0.00343
P(13) = 0.00132 0.00132
P(14) = 0.00047 0.00047
P(15) = 0.00016 0.00016
0.01363 0.01363
P(X > 10) = 0.01363
3. En un cierto muelle, en promedio, llega un barco cada dos días,
¿cuál es la probabilidad de que lleguen 2 o más barcos en un día que se seleccione al azar?
Solución
un barco cada dos días barcos/día
P(X ≥ 2) = P(2) + P(3) + P(4) + P(5) + …
0.07582
P(3) = 0.01264 0.01264
P(4) = 0.00158 0.00158
P(5) = 0.00016 0.00016
0.0902 0.09019
P(X ≥ 2) = 0.09019
Otra forma:
P(X ≥ 2) = 1 - P(X ≤ 1) = 1 - {P(0) + P(1)}
P(0) = 0.6065
P(1) = 0.3033
0.9098
P(X ≥ 2) = 0.09019 0.0902
00824 . 0
! 11
5
) 11 (
5 11
= =
÷
e
P
5 . 0 = ì
07582 . 0
! 2
5 . 0
) 2 (
5 . 0 2
= =
÷
e
P
DISTRIBUCIÓN "NORMAL"
Se aplica a muchos fenómenos naturales, económicos y sociales donde la variable aleatoria X
i
tiene una frecuencia mínima en ambos extremos y va creciendo simétricamente desde ambos
extremos hasta llegar a un valor central con la frecuencia máxima
Es la más popular y poderosa de las distribuciones continuas.
Función de Densidad:
Se necesita conocer "μ" y "σ" para definir la función de densidad (función de
probabilidad ó función de masa)
Datos "No agrupados" Datos "Agrupados"
Media:
Varianza:
Desviación Estándar:
Si n ≥ 30, usar "n"
Si n < 30, usar "Factor de Correcciòn n -1"
La Distribución Normal es "simétrica (respecto a la media) y asintótica" por lo que la probabilidad
de un evento será el área bajo la curva (área ≈ 1)
Transformación de "Variables Reales" a "Variables Estandarizadas " (normalizadas ó
tipificadas):
Cuando se conoce que se tiene una "Distribución Normal", entonces se puede aplicar la
2
2
2
) (
2
1
) (
o
µ
t o
÷ ÷
=
x
e x f
µ = ) (X E
2
) ( o = X V
f(X)
X
μ
o
µ ÷
=
X
Z
Variable Real (X)
μ = 0
σ = 1
Z
Variable Estandarizada (σ)
3 2 1 0 -1 -2 -3
Distribucción Normal Estandarizada
2
2
2
1
Z
e Y
÷
=
t
donde:
n
X
n
i
i ¿
=
=
1
µ
¿
¿
=
=
=
n
i
i
n
i
i i
f
X f
1
1
µ
( )
1
1
2
÷
÷
=
¿
=
n
X X
S
n
i
i
( )
1
1
2
÷
÷
=
¿
=
n
X X f
S
n
i
i i
siguiente "Regla Empírica":
μ ± σ = 68% de los datos de la población
μ ± 2σ = 95.4%
μ ± 3σ = 99.7%
Pueden existir una infinidad de curvas normales, cuyas diferentes posiciones y elongaciones
dependerán exclusivamente de su media y su desviación estándar. Se pueden tener dos
situaciones:
1. Cuando se tienen "μ" diferentes pero con la "σ" iguales.
2. Cuando se tienen "μ" iguales pero con la "σ" diferentes.
Ejemplos:
1. Una empresa manufacturera ha recibido un pedido para la fabricación de un nuevo
producto. La empresa estimó que este nuevo proyecto tiene una media de 23.3
semanas con una desviación estándar de 1.196 semanas. Si se considera que el tiempo
de duración tiene una distribución normal, calcule la probabilidad de terminar el proyecto
en:
a. 25.6 semanas ó menos
b. En 20 o menos semanas
c. Entre 21 y 22.5 semanas
d. Entre 21 y 25.6 semanas
e. Entre 24 y 25.6 semanas
f. 25.6 semanas ó más
g. En 30 semanas ó menos
h. En 30 semanas ó más
i. 18 semanas ó menos
j. Como máximo 23.3 semanas
k. Calcular la duración del proyecto con un "nivel de confianza" del 95%
l. Con un NC = 97%, ¿cuál es la duración esperada del proyecto?
Solución
40 60 50
50
a. 25.6 semanas ó menos
Área = 0.4726
0.9726 =DISTR.NORM.ESTAND(1.92)
b. En 20 o menos semanas
Área = 0.4971
c. Entre 21 y 22.5 semanas
Área 1 = 0.4726
Área 2 = 0.2486
d. Entre 21 y 25.6 semanas
Calculados en incisos anteriores:
Z
1
= -1.92 Área = 0.4726
Z
2
= 1.92 Área = 0.4726
e. Entre 24 y 25.6 semanas
Área = 0.2224
Z
2
= 1.92 Área = 0.4726
f. 25.6 semanas ó más
Z = 1.92 Área = 0.4726
g. En 30 semanas ó menos
Área 0 0.5
h. En 30 semanas ó más
92 . 1
196 . 1
3 . 23 6 . 25
=
÷
= Z
9726 . 0 4726 . 0 5 . 0 ) 6 . 25 ( = + = s X P
76 . 2
196 . 1
3 . 23 20
÷ =
÷
= Z
0029 . 0 4971 . 0 5 . 0 ) 20 ( = ÷ = s X P
9452 . 0 4726 . 0 4726 . 0 ) 6 . 25 21 ( = ÷ = s s X P
92 . 1
196 . 1
3 . 23 21
1
÷ =
÷
= Z
67 . 0
196 . 1
3 . 23 5 . 22
2
÷ =
÷
= Z
2240 . 0 2486 . 0 4726 . 0 ) 5 . 22 21 ( = ÷ = s s X P
59 . 0
196 . 1
3 . 23 24
1
=
÷
= Z
2502 . 0 2224 . 0 4726 . 0 ) 6 . 25 24 ( = ÷ = s s X P
0274 . 0 4726 . 0 5 . 0 ) 6 . 25 ( = ÷ = > X P
6 . 5
196 . 1
3 . 23 30
=
÷
= Z
1 5 . 0 5 . 0 ) 30 ( = + = s X P
Z = 5.6 Área = 0.5
i. 18 semanas ó menos
Área = 0.5
j. Como máximo 23.3 semanas
Área = 0
k. Calcular la duración del proyecto con un "nivel de confianza" del 95%
Como el NC = 0.95, el área a buscar en la tabla es de: 0.95 - 0.5 = 0.45
Buscando el valor de Z más cercano, se tiene que:
Área = 0.4495 Z = 1.64
Área = 0.4505 Z = 1.65
Como el área de 0.45 está exactamente a la mitad, se puede
considerar Z = 1.645
X = 23.3 + 1.645(1.196) = 25.3 semanas ó menos
25.3 =DISTR.NORM.INV(0.95,23.3,1.196)
l. Con un NC = 97%, ¿cuál es la duración esperada del proyecto?
NC = 0.97 Área a buscar = 0.97 - 0.5 = 0.47
Z = 1.88
X = 23.3 + 1.88(1.196) = 25.5 semanas ó menos 25.5
2. El "cociente de inteligencia (IQ)" de la población tiene una media de 100 puntos y una
desviación estándar de 15 puntos. Se conoce que la variable aleatoria IQ sigue una
distribución normal.
a. ¿Cuáles son los límites superior e inferior de cada intervalo respecto al IQ?
b. ¿Cuál es la probabilidad de que una persona tenga un IQ menor a 130
puntos?
Solución
a. ¿Cuáles son los límites superior e inferior de cada intervalo respecto al IQ?
El 68% de la población tiene un IQ entre 85 y 115 puntos y solo el 16% de
la gente tiene un IQ mayor a 115 puntos
¹
´
¦
=
=
= ± = ±
85
115
15 100
LI
LS
o µ
3 2 1 0 -1 -2 -3
115 85
68% 16% 16%
0 5 . 0 5 . 0 ) 30 ( = ÷ = > X P
43 . 4
196 . 1
3 . 23 18
÷ =
÷
= Z
0 5 . 0 5 . 0 ) 18 ( = ÷ = s X P
0
196 . 1
3 . 23 3 . 23
=
÷
= Z
5 . 0 ) 3 . 23 ( = s X P
El 95.4% de la gente está con un IQ entre 70 y 130 puntos.
El 99.7% de la población está con un IQ entre 55 y 145 puntos.
b. ¿Cuál es la probabilidad de que una persona tenga un IQ menor a 130
puntos?
=DISTR.NORM.ESTAND(2)
P(X ≤ 130) = P(Z ≤ 2) = 0.977 0.9772
3. Una constructora hace departamentos de 2 y 3 recámaras. La media es de 100 días
y la desviación estándar es de 20 días para hacer un departamento de 3 recámaras.
a. La empresa ha firmado un contrato con una multa severa de no hacer un
departamento de 3 recámas en 125 días, ¿cuál es la probabilidad de hacerlo
en ese tiempo o menos?
b. Si termina en 75 días o menos, recibe un bono de $50,000, ¿cuál es la
probabilidad de recibir el bono?
c. ¿Cuál es la probabilidad de hacerlo entre 110 y 125 días?
Solución
Área = 0.3944 (Tabla Parcial)
P(X ≤ 125 días) = 0.5 + 0.3944 = 0.8944
0.8944
b. Si termina en 75 días o menos, recibe un bono de $50,000, ¿cuál es la
probabilidad de recibir el bono?
Área = 0.3944 (Tabla Parcial)
P(X ≤75) = 0.5 - 0.3944 = 0.1056 0.1056 =DISTR.NORM.ESTAND(-1.25)
¹
´
¦
=
=
= ± = ±
70
130
) 15 ( 2 100 2
LI
LS
o µ
3 2 1 0 -1 -2 -3
130 70
95.4% 2.3% 2.3%
¹
´
¦
=
=
= ± = ±
55
145
) 15 ( 3 100 3
LI
LS
o µ
3 2 1 0 -1 -2 -3 145 55
99.7% 0.15% 0.15%
2
15
100 130
=
÷
= Z
125
días
0.3944 0.5
25 . 1
20
100 125
=
÷
= Z
75
días
25 . 1
20
100 75
÷ =
÷
= Z
c. ¿Cuál es la probabilidad de hacerlo entre 110 y 125 días?
A
1
= 0.1915
A
2
= 0.3944
P(125 ≥ X ≥ 110) = 0.3944 - 0.1915 = 0.2029
=DISTR.NORM.ESTAND(0.5) =DISTR.NORM.ESTAND(1.25)
0.6915 0.8944 0.89435
P(125 ≥ X ≥ 110) = 0.8944 - 0.6915 = 0.2029
4. Un fabricante afirma que sus lámparas tienen una vida media de 68 meses con una
desviación típica de 5. Considere que la duración de las lámparas sigue una distribución
normal. En un lote de 10000 lámparas:
a. ¿Qué porcentaje de lámparas superarán los 75 meses?
b. ¿Cuántas lámparas se fundirán antes de los 60 meses?
Solución
a. ¿Qué porcentaje de lámparas superarán los 75 meses?
A = 0.4192
P(X > 75) = 0.5 - 0.4192 = 0.0808
Utilizando Excel: 0.9192
P(X > 75) = 1 - 0.9192 = 0.0808
El 8.08% de las lámparas (808 lámparas) probablemente excederán los 75
meses de duración
b. ¿Cuántas lámparas se fundirán antes de los 60 meses?
P(X ≤ 60) = 0.0548
El 5.48% (548 lámparas) probablemente no llegarán a durar 60 meses
5. El consumo medio de electricidad en una ciudad es de 59 kwh, con una desviación
estándar de 6 kwh. Se supone que este consumo se distribuye normalmente.
a. ¿Cuántos kwh tendría que consumir bimestralmente para estar en el 5%
de la población que más consume?
b. Si consume 45 kwh, ¿qué porcentaje de la población consume menos de
ésto?
110 125
días
5 . 0
20
100 110
1
=
÷
= Z
25 . 1
20
100 125
2
=
÷
= Z
4 . 1
5
68 75
=
÷
= Z
75
meses
60 meses
6 . 1
5
68 60
÷ =
÷
= Z
Solución
a. ¿Cuántos kwh tendría que consumir bimestralmente para estar en el 5%
de la población que más consume?
Se busca en la tabla el valor de"Z" para un
área de 0.4500:
Z = 1.645
X = 59 + 1.645(6) = 68.87 kwh 68.86912
Se tendrá que consumir más de 67.87 kwh bimestralmente para estar en el 5% de la
población que más consume.
b. Si consume 45 kwh, ¿qué porcentaje de la población consume menos de
ésto?
A = 0.4901
P(X ≤ 45) = 0.5 - 0.4901 = 0.0099
Otra forma con Excel: P(X ≤ 45) = 0.0099
El 0.99% de la población consume menos de 45 kwh
6. Una empresa instala en una ciudad 20,000 lámparas para su iluminación. La duración
de las lámparas siguen una distribución normal con media de 302 días y una desviación
estándar de 40 días.
a. ¿Cuántas lámparas es de esperar que se fundan entre 320 y 365 días?
b. ¿Cuántas lámparas durarán más de 400 días?
c. Con un nivel de confianza del 97%, calcule la duración de las lámparas?
Solución
a. ¿Cuántas lámparas es de esperar que se fundan entre 320 y 365 días?
A
1
= 0.1736
A
2
= 0.44235
P(365 ≥ X ≥320) = 0.44235 - 0.1736 = 0.26875
Utilizando Excel: 0.9424 0.6736
P(365 ≥ X ≥320) = 0.26873
b. ¿Cuántas lámparas durarán más de 400 días?
P(X > 400) = 0.5 - 0.4929 = 0.0071
Excel: P(X > 400) = 1 - 0.9929 = 0.0071
0.9929
kwh
0.95 0.05
6
59
645 . 1
÷
=
X
33 . 2
6
59 45
÷ =
÷
= Z
45 kwh
45 . 0
40
302 320
1
=
÷
= Z
575 . 1
40
302 365
2
=
÷
= Z
320 365
días
400 días
45 . 2
40
302 400
=
÷
= Z
P(X > 400) = 0.0071
c. Con un nivel de confianza del 97%, calcule la duración de las lámparas?
Con NC = 0.97 se busca Área = 0.47 que da
una Z = 1.88
X = 302 + 1.88(40) = 377.2 días ó menos
Con Excel: X = 377.2 días ó menos
=DISTR.NORM.INV(0.97,302,40)
días
0.97 0.03
X
o Z X X + =
DISTRIBUCIÓN "EXPONENCIAL"
Si se presentan eventos en el contexto de un proceso de "Poisson" (proceso
estacionario y con una probabilidad igual de que el evento ocurra a lo largo del intervalo
de tiempo "t" donde "t" es la variable aleatoria), entonces la distribución "Exponencial"
se aplica en:
1. Intervalo de tiempo dentro del cual debe ocurrir el evento.
¿Cuál es la probabilidad de que la primera solicitud de servicio llegue entre
5 y 10 minutos?
2. El tiempo que hay entre la ocurrencia de dos eventos sucesivos.
¿Cuál es la probabilidad de que el tiempo sea más de 20 minutos entre la
primera solicitud y la segunda?
3. Tiempo que transcurre hasta que se presenta el primer evento después de
cualquier punto de tiempo elegido al azar.
¿Cuál es la probabilidad de que la primera solicitud llegue antes de 5
minutos?
La variable aleatoria X
i
es la distancia entre los conteos sucesivos de una Distribución
de Poisson forma una Distribución Exponencial si:
Función de Densidad:
Valor Esperado: i
Varianza:
Desviación Estándar:
Por ejemplo, si X
i
es el número de imperfecciones en"x" milímetros de alambre. El número
promedio de imperfecciones es "λ" por milímetro, entonces X
i
tiene una Distribución de Poisson
con media "λx". Se supone que el alambre es más largo que el intervalo de x y que X
i
= 0 en el
intervalo de x. Entonces:
Probabilidad de que el primer evento "ocurra fuera del intervalo x "
f(X)
X
ì µ
1 1
) ( = = x E
2 2
1 1
) (
ì µ
= = x V
ì µ
o
1 1
= =
X
e X f
ì
ì
÷
= ) ( · < s X 0
X
e x X P
ì ÷
= > ) (
X
X
e
o
e x
X P
ì
ì
ì
÷
÷
= = =
!
) (
) 0 (
0
donde: x = Intervalo (tiempo, longitud, etc.)
X = Evento
λ = Ocurrencias promedio
Probabilidad de que el primer evento "ocurra dentro de intervalo de x "
Probabilidad Acumulada
Si se adecua el valor de λ al intervalo que se requiere, entonces λx se puede considerar como λ
y las ecuaciones quedarán:
Fuera del intervalo:
Dentro del intervalo:
Ejemplos
1. En un departamento de reparación de maquinaria se reciben 5 solicitudes de servicio
por hora en promedio. Comenzando la observación en cualquier punto del tiempo
a. ¿Cuál es la probabilidad de recibir la primera solicitud de servicio dentro de
la siguiente media hora?
b. Calcule la media y la desviación estándar
Solución
a. ¿Cuál es la probabilidad de recibir la primera solicitud de servicio dentro de
la siguiente media hora?
λ = 5 solicitudes/hora x = 30/60 = 0.5 horas
λx = 5(0.5) = 2.5 solicitudes en media hora
P(X ≤ 0.5) = 1 - e
-2.5
= 1 - 0.08208 = 0.9179
=1-EXP(-2.5) =DISTR.EXP(1,2.5,VERDADERO)
0.9179 0.9179
Otra forma:
Si el valor de λ se adecua al intervalo que se quiere en la pregunta, se tiene
λ = 5(0.5) = 2.5 solicitudes en media hora
P(X ≤ 0.5) = 1 - e
-2.5
= 1 - 0.08208 = 0.9179
b. Calcule la media y la desviación estándar
E(X) = 1/5 =0.2 horas/solicitud = 12 minutos/solicitud
σ = 12 minutos/solicitud
Otra forma:
Considerando λ = 5(0.5) = 2.5 solicitudes en media hora
E(x) = 1/2.5 = 0.4(30) = 12 minutos/solicitud
σ = 12 minutos/solicitud
2. Considere el proceso de Poisson en el que llegan aviones a razón de 4 por hora.
a. ¿Cuál es la probabilidad de que haya más de un cuarto de hora entre las
llegadas?
X
e x X P X F
ì ÷
÷ = s = 1 ) ( ) (
ì ÷
= > e x X P ) (
ì ÷
÷ = s e x X P 1 ) (
b. ¿Cuál es la probabilidad de tiempos menores a 6 minutos entre llegadas?
c. ¿Cuál es la probabilidad para que haya tiempos de 6 a 15 minutos entre
llegadas?
Solución
a. ¿Cuál es la probabilidad de que haya más de un cuarto de hora entre las
llegadas?
λ = 4 aviones/hora
x = 1/4 = 0.25 horas es el intervalo promedio entre llegadas consecutivas
λx = 4(0.25) = 1 llegada en 15 minutos
Fuera del intervalo P(X > 0.25) = e
-4(0.25)
= e
-1
= 0.3679
b. ¿Cuál es la probabilidad de tiempos menores a 6 minutos entre llegadas?
x = 6 minutos = 0.1 horas
λx = 4(0.1) = 0.4 llegadas en 6 minutos
Dentro del intervalo P(X < 0.1) = 1 - e
-4(0.1)
= 1 - 0.67032 = 0.3297
c. ¿Cuál es la probabilidad para que haya tiempos de 6 a 15 minutos entre
llegadas?
Cuando se pregunta la ocurrencia del evento entre ciertos valores, se tiene que:
P(0.1 < X < 0.25) = e
-4(0.1)
- e
-4(0.25)
= 0.67032 - 0.3679 = 0.3024
3. En una red de computadoras de una gran corporación, el acceso de usuarios al
sistema puede modelarse como un proceso de Poisson con una media de 25
accesos por hora.
a. ¿Cuál es la probabilidad de que no haya accesos en un intervalo de 6
minutos?
b. ¿Cuál es la probabilidad de que el tiempo hasta el siguiente acceso esté
entre 2 y 3 minutos?
c. Determine el intervalo de tiempo tal que la probabilidad de que no haya
accesos en el intervalo sea de 0.90
d. Calcule el tiempo promedio y la desviación estándar hasta el siguiente
acceso
Solución
a. ¿Cuál es la probabilidad de que no haya accesos en un intervalo de 6
minutos?
λ = 25 accesos / hora
x = 6/60 = 0.1 horas desde el principio del intervalo hasta el primer acceso
λx = 25(0.1) = 2.5 accesos en 6 minutos
Fuera del intervalo P(X > 0.1) = e
-25(0.1)
= 0.0821
b. ¿Cuál es la probabilidad de que el tiempo hasta el siguiente acceso esté
entre 2 y 3 minutos?
x = 2/60 = 0.0333 horas
λx = 25(0.0333) = 0.8333 accesos en 2 minutos
x = 3/60 = 0.05 horas
λx = 25(0.05) = 1.25 accesos en 3 minutos
P(0.0333 < X < 0.05) = F(0.05) - F(0.0333) = {1 - e
-25(0.05)
} - {1 - e
-25(0.0333)
}
P(0.0333 < X < 0.05) = 0.7135 - 0.5650 = 0.1485
c. Determine el intervalo de tiempo tal que la probabilidad de que no haya
accesos en el intervalo sea de 0.90
P(X < x) = e
-25x
= 0.90
ln(e
-25x
) = ln 0.90
-25x = -0.10536
x = 0.10536/25 = 0.00421 horas (60) = 0.25 minutos
d. Calcule el tiempo promedio y la desviación estándar hasta el siguiente acceso
E(X) = 1/λ = 1/25 = 0.04 horas (60) = 2.4 minutos
o = 2.4 minutos
La Distribución Exponencial "no tiene memoria"
Esta propiedad de "falta de memoria" solo la tiene la Distribución Exponencial.
Para una variable aleatoria exponencial X, la probababilida condicional
queda: P(X < t
1
+ t
2
/ X > t
1
) = P(X < t
2
)
La falta de memoria se puede ver en el propio desarrollo del proceso de Poisson. En el
desarrollo se considero que se podía hacer la partición de un intervalo en intervalos más
pequeños que fueran independientes. Estos subintervalos son simillares a los ensayos
de Bernoulli independientes que comprenden un proceso Binomial por lo que se
concluye que:
"conocer resultados previos no afecta las probabilidades de los eventos en subintervalos
futuros"
Si se aplica para "estudios de confiabilidad" como modelo para el tiempo hasta la falla
de un dispositivo, se considera que independientemente del tiempo que haya estado
trabajando el dispositivo, la probaiblidad de falla en las 1000 horas siguientes es igual
que la probabilidad de una falla en las primeras 1000 horas de operación
Ejemplo
Considere X como el tiempo entre la detección de una partícula rara en el contador
Geiger y que sigue una distribución exponencial con λ = 1.4 minutos.
a. ¿Cuál es la probabilidad de que se detecte una partícula en un lapso de
30 segundos después de activar el contador?
b. Demuestre la "falta de memoria" calculando la probabilidad de detectar
una partícula en un lapso de 3.5 minutos dado que ya han transcurrido 3
minutos sin haber detectado ninguna?
Solución
a. ¿Cuál es la probabilidad de que se detecte una partícula en un lapso de
30 segundos después de activar el contador?
x = 30/60 = 0.5 minutos
Como sigue una Distribución Exponencial y no Poisson se tiene que:
λx =0.5(1/1.4) = 0.5/1.4 = 0.3571
Dentro del intervalo P(X < 0.5 minutos) = 1 - e
-0.5/1.4
= 0.3003 0.3003
b. Demuestre la "falta de memoria" calculando la probabilidad de detectar
una partícula en un lapso de 3.5 minutos dado que ya han transcurrido 3
minutos sin haber detectado ninguna?
P(X < 3.5 / X > 3) = P(3 < X < 3.5) / P(X > 3) = P(X < 0.5)
x = 3 x = 3.5
λx = 3(1/1.4) = 3/1.4 = 2.1429 λx = 3.5(1/1.4) = 3.5/1.4 = 2.5000
P(3 < X < 3.5) = F(3.5) - F(3) = {1- e
-3.5/1.4
} - {1 - e
-3/1.4
} = 0.9179 - 0.8827 = 0.0352
P(X > 3) = e
-3/1.4
= 0.1173
P(X < 3.5 / X > 3) = 0.0352/0.1173 = 0.3003
Forma directa:
P(X < 3.5 / X > 3) = P(X < 0.5) = 0.3003
Conclusión:
Queda demostrada la "falta de memoria" y que:
P(X < t
1
+ t
2
/ X > t
1
) = P(X < t
2
)

Objetivo:

Conocer las características del comportamiento de las variables aleatorias (perfíl de la distribución de probabilidades). Para visualizar esta distribución es necesario conocer la Media y la Varianza (o la Desviación Estándar) Muestra Media: Varianza: Var(X) Desviación Estándar: Población

X S2 S
S S2

 2 

Conociendo la varianza se puede calcular la "Desviación Estándar"

Distribuciones de Probabilidades "Discretas": Para conocer la media y varianza de una distribución discreta, se utilizan: Valor Esperado (Media):

E ( X )   X i P( X i )
i 1

n

Varianza:

Var ( X )    X i  E ( X ) P( X i )
2 i 1

n

Desviación Estándar:

 

 X
i 1

n

i

 E ( X ) P ( X i )
2

Ejemplos 1. Un profesor pregunta a 100 estudiantes a través de un cuestionario, sobre su libro de estadísticas si "realmente ayudó al alumno a pasar el curso" Procesando las encuestas, se obtuvo la siguiente información: Salida Muy de acuerdo (MA) De acuerdo (A) Neutral (N) Desacuerdo (D) Muy en desacuerdo (MD) Variable Aleatoria 5 4 3 2 1 Respuestas 10 20 30 30 10

¿Cuál es la opinión de los estudiantes?

30) + 2(0.3 0.361 1.3) + 2(0.5)2(0.30) +1(0. Se quiere hacer la comparación de las ganancias potenciales entre dos productos nuevos que se van a diseñar. ¿Cuál de los dos diseños se debe elegir? Solución: Variable aleatoria: X = Ganancia del diseño "A" Diseño "A": Como no se tiene incertidumbre en la ganancia del diseño "A".00 [X i .3. El departamento de comercialización considera que la ganancia del diseño "A" se puede predecir con mucha precisión en $3 millones pero la ganancia del diseño "B" tiene más incertidumbre para determinarse.242 0.5 millones V(Y) = (7 .3.3)2 (1) = 0 Diseño "B": Y = Ganancia del diseño "B" E(Y) = 7(0.29 S = 1.20) + 3(0.7) = 5.10 1.E(X)] 2 p i 0.3) + (2 .7) = $3. Comercialización concluye que hay una probabilidad de 0. la distribución de l a variable X se puede establecer como: E(X) = 3(1) = $3 millones V(X) = (3 .9 La opinión de los estudiantes es que el libro del profesor "no sirvió" para pasar el curso.7 de que ganacia sea de sólo $2 millones.5)2(0.30 0.10) + 4(0.29 5 4 3 2 1 Xi 5 4 3 2 1 E ( X )   pi X i i 1 n E(X) = 5(0. S2 = 1.10 0.25 millones de $2 .14 2.003 0.2 0.243 0.30 0.20 0.441 0.10) E(X) = 2.3 de que la ganancia del diseño "B" sea de $7 millones y 0.1 fi 10 20 30 30 10 100 pi 0.Solución: Xi MA A N D MD pi 0.

3.44 1.60 2.30 0.80 1.05 12.34 0.85 12.5 mensajes/hora S = 1.08 11 0.05 0. se decide por el diseño "B". Solución: (X) 10 11 12 13 14 15 f(X) 0.60 2. Las distribuciones de probabilidad continuas se caracterizan por: "Hay una f(X) que describe la distribución de probabilidades llamada función de densidad (función de masa o de probabilidades) que sirve para calcular cualquier . longitud.80 1.30 13 0.Para facilitar la interpretación se obtiene la "desviación estándar" que tiene las mismas unidades que la variable aleatoria: σ = $2.36 mensajes/hora Tipos de "Distribuciones de Probabilidades Discretas": Uniforme Binomial Poisson Distribuciones de Probabilidades "Continuas": Las variables continuas tienen valores enteros o fraccionarios como por ejemplo: tiempo. El número de mensajes por hora enviados en una red de computadoras tiene la siguiente distribución de probabilidades (función de masa): Números de Distribución mensajes Probabilidad (X) f(X) 10 0. etc. peso.50 V(X) 0.07 E(X) 0.29 millones Conclusión: para una persona que no quiere riesgo.20 14 0.20 0.36 E(X) = 12. temperatura.08 0.07 Calcule la media y la desviación estándar para el problema.20 0. va a decidirse por el diseño "A".15 12 0.65 3.45 0. Si se acepta el riesgo.08 0.5 1.20 15 0.15 0.50 0.

probabilidad con el área bajo la curva" Tipos de "Distribuciones de Probabilidadades Continuas": Normal Exponencial .

14 12 líneas/unidad de "tiempo" Si todos los valores del rango de X se multiplican por una "constante" (sin cambiar ninguna de las probabilidades). Si se selecciona una pieza al azar de un lote grande y X es el primer dígito del número de serie. Si se considera X como el número de líneas en uso en un tiempo dado.DISTRIBUCIÓN UNIFORME "Una variable aleatoria Xi es uniforme si cada uno de los n valores consecutivos de su rango tiene la misma probabilidad de ocurrir" P(x) f(x) Función de Probabilidad: f ( x)  P( x)  1 n a b x Valor Esperado (Media):   E ( x)  ba 2 Desviación Estándar:  (b  a  1) 2  1 12 Ejemplos 1. entonces la media y la desviación estándar de X se multiplican por la constante.5 σ = 14.1 para cada valor de su rango 2. ¿cuál es el valor esperado y la desviación estándar? Solución E ( x)  48  0  24 2 líneas/unidad de "tiempo"  (48  0  1) 2  1  14. El primer dígito del número de serie de una pieza fabricada puede ser cualquiera de 0 a 9. Para el caso del conmutador.14/48 = 0.295 . Se tiene un conmutador con 48 líneas. si se define una nueva variable aleatoria como: Y = Proporción de las líneas en uso en un tiempo dado (48 horas) entonces: Y = X/48 E(y) = E(x)/48 = 24/48 = 0. ¿cuál es la función de masa de probabilidad o la distribución de probabilidad? Solución Función de Probabilidad: f(x) = 0.

Cada experimento es una serie de ensayos aleatorios repetidos donde la variable aleatoria X i es un conteo del número de ensayos que satisfacen el criterio especificado (probabilidad de éxito "p") Los términos de éxito (p) y fracaso (q) son meras "etiquetas" que no necesariamente están relacionados con los efectos positivos y negativos. La calidad de los bits trasmitidos en una canal de transmisión digital. La variable aleatoria X i (número de ensayos que cumplen con la probabilidad de éxito) tiene una Distribución Binomial con parámetros n y p : Función de Probabilidad: (Función de Masa) f ( x)  P( X )  n C X p X q n  X donde : n CX  n! X !(n  X )! X = Número de "éxitos" n = número de observaciones o ensayos p = probabilidad de "éxito" q = probabilidad de "fracaso" donde: p+q=1 Algunas nomenclaturas para expresar el cálculo de la probabilidad (función de P(X /n.DISTRIBUCIÓN BINOMIAL "Cualquier experimento aleatorio de "n" ensayos repetidos que se ajuste a un tipo Bernoulli que tiene las siguientes características: Cada ensayo produce únicamente dos posibles resultados (éxito ó fracaso) Los resultados de los ensayos son independientes La probabilidad de éxito "p" en cada ensayo es constante ya que se considera que el proceso es estacionario o estable. Algunos ejemplos de experimentos aleatorios que se ajustan a una Distribución Binomial: Máquina herramienta desgastada que influye en la calidad de las piezas fabricadas.p) = P(X = x i ) = P(X) probabilidad) son: Valor Esperado (Media): Varianza: Desviación estándar: E ( X )  np V ( X )  npq   npq . Muestras de aire para analizar si contienen una molécula rara contaminante. Nacimientos de niños y niñas en un hospital. cada una con cuatro opciones que contesta un alumno adivinando. Lanzar una moneda una cierta cantidad de veces para ver sus resultados. Pacientes con una cierta enfermedad donde se experimenta la mejoría del paciente por tomar un medicamento específico. Un examen de opción múltiple con 10 preguntas.

9830 P(X ≥ 4) = 1. Calcule la media.20)(0.20 ) 4 (0. la Varianza y la Desviación Estándar? Solución a.20) = 1.01536 0.0001 solucionado en inciso anterior d. ¿Más de 3 aguilas? d.2621 0.01536 b.20.2 prospectos que compran Var(X) = 6(0.9830 = 0. ¿La probabilidad de hacer 4 ventas? P ( 4)  6 C 4 (0.80) = 0.80 ) 2  0. haga una compra es de 0. ¿La probabilidad de hacer menos de 4 ventas? d.3932 0. Valor Esperado. la Varianza y la Desviación Estándar? E(X) = 6(0.Ejemplos 1. La probabilidad de que un prospecto de ventas. seleccionado al azar. ¿La probabilidad de hacer 4 ventas? b.0001 0. Valor Esperado. ¿La probabilidad de hacer menos de 4 ventas? P(X < 4) = P(X ≤ 3) = P(0) + P(1) +P(2) + P(3) P(X ≤ 3) = 0. Si un vendedor visita a 6 prospectos calcule: a.0154 P(5) = 0. varianza y desviación estándar (respecto a sellos) .0170 P(X ≥ 4) = 0.2458 0.98 prospectos que compran 2.001536 0.0015 P(6) = 0. ¿Menos de 3 sellos? c. ¿Cuál es la probabilidad de que salgan 4 sellos? b.01536 0.9830 P(0) = P(1) = P(2) = P(3) = 0. ¿La probabilidad de hacer 4 o más ventas? P(X ≥ 4) = P(4) + P(5) + P(6) P(4) = 0.0170 Otra forma de solución: P(X ≥ 4) = 1.P(X ≤ 3) 0.96 S = 0.0819 0. Se lanzan 5 monedas al mismo tiempo a.0. ¿La probabilidad de hacer 4 o más ventas? c.0170 c.

5) 4 (0.25 S = 1. ¿Menos de 3 sellos? P(X < 3) = P(X ≤ 2) = P(0) + P(1) + P(2) P(0) = 0.0313 P(1) = 0. Calcule la media. Calcular la media y la desviación estándar.1875 P(X > 3) = 0. Solución a. ¿Cuál es la probabilidad de que salgan 4 sellos? P (4)  5 C 4 (0.75 V(X) = 0.02438 0.5 sellos Var(X) = 5(0.1563 P(2) = 0.00215 0.6375 S = 0. La probabilidad de que cualquier transistor sea defectuoso es de 0.5000 P(X ≤ 2) = 0. Cada hora el supervisor de la línea de producción toma una muestra de 5 transistores. Si se produce 5 unidades: . ¿Más de 3 aguilas? P(X > 3) = P(X ≥ 4) = P(4) + P(5) P(4) = 0. ¿cuál es la probabilidad de encontrar 3 o más defectuosos? P(X ≥ 3) = P(3) + P(4) + P(5) P(3) = P(4) = P(5) = P(X ≥ 3) = 0.5)(0.1 sellos 3.0313 0. E(X) = 0.1563 b. Un fabricante utiliza un proceso de producción que da el 20% de artículos defectuosos.7984 transistores transistores 4.1563 0.00008 0.3125 0.5) = 1. Una empresa electrónica está experimentando un nuevo prototipo que requiere un alto nivel de calidad. ¿Cuál es la probabilidad de encontrar 3 o más defectuosos? b.0266 b.Solución a.15 a.1875 d.5 c.5) = 2. Calcular la media y la desviación estándar.5)  0. varianza y desviación estándar (respecto a sellos) E(X) = 5(0.1563 P(5) = 0.

0512 0. ¿Cuál es la probabilidad de que cuando mucho una unidad sea defectuosa? P(X ≤ 1) = P(0) + P(1) P(0) = 0.7373 c.0512 P(4) = 0. ¿de que tres lo sean?.20 ) 0 (0.0512 0. ¿De que dos o tres lo sean? P(2 ó 3) = P(2) + P(3) P(2) = 0.3277 P (3)  5 C 3 (0.80 ) 0  0.2048 P(3) = 0.a.0003 0.20 ) 5 (0.2560 d.3277 P(1) = 0. ¿Cuál es la probabilidad de que cuando mucho una unidad sea defectuosa? c.0579 P(X ≥ 3) = 0.80 ) 5  0.0064 P(5) = 0.0512 P (5)  5 C 5 5 (0.2560 P(2 ó 3) = 0.4096 0.0579 .0003 b.7373 P(X ≤ 1) = 0. ¿de las cinco salgan defectuosas? b. ¿Cuál es la probabilidad de que ninguna de ellas sea defectuosa?.3277 0.20 ) 3 (0. ¿De que al menos tres sean defectuosas? P(X ≥ 3) = P(3) + P(4) + P(5) P(3) = 0.80 ) 2  0. ¿Cuál es la probabilidad de que ninguna de ellas sea defectuosa?. ¿de que tres lo sean?. ¿De que al menos tres sean defectuosas? Solución a. ¿De que dos o tres lo sean? d. ¿de las cinco salgan defectuosas? P (0)  5 C 0 (0.0003 0.

considera que: Los resulatados son independientes El proceso es estacionario haciendo que λ sea constante.00674 P(1) = 0.1247 .0337 0. Un departamento que repara máquinas recibe en promedio 5 solicitudes de servicio por hora a. ¿Qué probabilidad se tiene de recibir exactamente 3 solicitudes en una hora seleccionada al azar? b. etc.08422 0.03369 P(2) = 0.1404 b.1247 0. Distribución de Probabilidad: f ( X )  P( X )  X! (Función de masa) λ = Número promedio de eventos por unidad del intervalo e = 2. es decir. longitud. ¿Qué probabilidad se tiene de recibir exactamente 3 solicitudes en una hora seleccionada al azar?   5 solicitudes/hora X  3 solicitudes/hora 5 3 e 5 P(3)   0.DISTRIBUCIÓN DE "POISSON" "Se utiliza para determinar la probabilidad de que ocurra un número de eventos en un cierto intervalo que puede ser de tiempo.1247 P(X < 3) = 0." El proceso "Poisson" es similar a un proceso "Binomial". volumen. superficie. ¿Cuál es la probabilidad de que se reciban menos de 3 servicios en una hora elegida en forma aleatoria? P(X < 3) = P(X ≤ 2) = P(0) + P(1) + P(2) P(0) = 0.0067 0.0842 0. ¿Cuál es la probabilidad de que se reciban menos de 3 servicios en una hora elegida en forma aleatoria? Solución a.1404 3! 0.7183… X = Eventos de éxito Valor Esperado: Varianza: Desviación Estándar:  X e  E( X )   Var( X )      Ejemplos 1.

{P(0) + P(1)} P(0) = 0.09019 P(X ≥ 2) = 0.09019 Otra forma: P(X ≥ 2) = 1 .3033 0.5  0.5 barcos/día P(2)  0. llega un barco cada dos días.00047 0.6065 P(1) = 0. en promedio.01363 P(X > 10) = 0.0902 .00343 0. ¿cuál es la probabilidad de que lleguen 2 o más barcos en un día que se seleccione al azar? Solución un barco cada dos días P(X ≥ 2) = P(2) + P(3) + P(4) + P(5) + …   0.07582 0.00016 0.9098 P(X ≥ 2) = 0.P(X ≤ 1) = 1 .00132 0.09019 0.00016 0.01264 P(4) = 0. Considere que las llegadas de esas personas son independientes e igualmente probables en el período.00016 0.01264 0.00824 0. En un cierto muelle.00047 0.00343 0. El número promedio de personas que realizan transacciones en el mostrador de "servicios especiales" es 5 por hora.00824 11! P(12) = P(13) = P(14) = P(15) = 0.00132 0.01363 0.00158 0.2.01363 3. ¿cuál es la probabilidad de que más de 10 personas deseen realizar transacciones en el mostrador de servicios especiales en la siguiente hora? Solución P(X > 10) = P(11) + P(12) + P(13) + P(14) + P(15) + … P (11)  511 e 5  0.0902 0.00158 P(5) = 0.52 e 0.07582 2! P(3) = 0.00016 0.

entonces se puede aplicar la . usar "Factor de Correcciòn n -1" La Distribución Normal es "simétrica (respecto a la media) y asintótica" por lo que la probabilidad de un evento será el área bajo la curva (área ≈ 1) Transformación de "Variables Reales" a "Variables Estandarizadas " (normalizadas ó tipificadas): n 1 Distribucción Normal Estandarizada μ Variable Real (X) Y 1 2 e  Z 2 2 donde: μ=0 σ=1 Z X   -3 -2 -1 0 1 2 3 Z Variable Estandarizada (σ) Cuando se conoce que se tiene una "Distribución Normal". usar "n" Si n < 30.DISTRIBUCIÓN "NORMAL" Se aplica a muchos fenómenos naturales. f(X) Función de Densidad: 1 f ( x)  e  2  ( x ) 2 2 2 X Se necesita conocer "μ" y "σ" para definir la función de densidad (función de probabilidad ó función de masa) Datos "No agrupados" Datos "Agrupados" Media: E( X )   V (X )   2   Xi i 1 n  f i 1 n i 1 n i Xi i n f n i 1 Varianza: Desviación Estándar: S  X i 1 n i  X 2 n 1 S  f X i i  X 2 Si n ≥ 30. económicos y sociales donde la variable aleatoria X i tiene una frecuencia mínima en ambos extremos y va creciendo simétricamente desde ambos extremos hasta llegar a un valor central con la frecuencia máxima Es la más popular y poderosa de las distribuciones continuas.

18 semanas ó menos j.3 semanas con una desviación estándar de 1. En 30 semanas ó más i.6 semanas e. ¿cuál es la duración esperada del proyecto? Solución .6 semanas f. Se pueden tener dos situaciones: 1. Como máximo 23.7% Pueden existir una infinidad de curvas normales.196 semanas. 50 Ejemplos: 1.6 semanas ó menos b. 25. La empresa estimó que este nuevo proyecto tiene una media de 23. Entre 21 y 22. calcule la probabilidad de terminar el proyecto en: a. Calcular la duración del proyecto con un "nivel de confianza" del 95% l. Una empresa manufacturera ha recibido un pedido para la fabricación de un nuevo producto. 25. Cuando se tienen "μ" diferentes pero con la "σ" iguales.siguiente "Regla Empírica": μ ± σ = 68% de los datos de la población μ ± 2σ = 95.3 semanas k. Entre 24 y 25. 40 50 60 2.6 semanas ó más g. Cuando se tienen "μ" iguales pero con la "σ" diferentes.4% μ ± 3σ = 99. En 30 semanas ó menos h. En 20 o menos semanas c. Con un NC = 97%. Si se considera que el tiempo de duración tiene una distribución normal. Entre 21 y 25.5 semanas d. cuyas diferentes posiciones y elongaciones dependerán exclusivamente de su media y su desviación estándar.

5 P( X  30)  0.2502 f.196 P( X  20)  0.5)  0.2486  0.3 Z2   0.3  1.6 semanas ó menos Z 25. En 20 o menos semanas 20  23.5  0.92 Área 1 = 0.ESTAND(1.5  0.2486 1.6)  0.0274 g.92 Área = 0.5 semanas Z1  21  23. Entre 21 y 22.2240 d.2224 Área = 0.4726 1. 25.6 semanas Calculados en incisos anteriores: Z 1 = -1.NORM.5  23.4726  0.67 Área 2 = 0.4726 P( X  25.0029 Z c.59 1. Entre 24 y 25.9726 0.3  2.4726  0. Entre 21 y 25.4726  0.196 Área = 0.9726 =DISTR.6 semanas ó más Z = 1.92 P(24  X  25.6  23.6)  0.4726  0.196 Área 0 0.5  1 h.4726  0.5  0.92 Área = 0.9452 e.4726 Z 2 = 1.3  5. 25.6 semanas Z1  24  23.3  1.4726 P(21  X  25.3  0.6)  0.92 Área = 0. En 30 semanas ó menos Z 30  23.6 1.196 Área = 0. En 30 semanas ó más .92) b.4971 1.196 22.4726  0.2224  0.4971  0.a.4726 P( X  25.4726 Z 2 = 1.76 Área = 0.5  0.92 1.196 P(21  X  22.6)  0.

97 . Con un NC = 97%. Se conoce que la variable aleatoria IQ sigue una distribución normal.47 Z = 1.3 + 1.45 Buscando el valor de Z más cercano.5 semanas ó menos 25. a.3 semanas ó menos 25.196) = 25.3  4.5  0.196) l.0.5 2.196 P( X  23.645 X = 23. ¿cuál es la duración esperada del proyecto? NC = 0. 18 semanas ó menos Z 18  23.3 + 1. Calcular la duración del proyecto con un "nivel de confianza" del 95% Como el NC = 0.196 Área = 0.3 semanas 23.5  0.5 = 0. se tiene que: Área = 0. ¿Cuáles son los límites superior e inferior de cada intervalo respecto al IQ? b. ¿Cuáles son los límites superior e inferior de cada intervalo respecto al IQ? El 68% de la población tiene un IQ entre 85 y 115 puntos y solo el 16% de la gente tiene un IQ mayor a 115 puntos     100  15   LS  115 LI  85 16% -3 -2 -1 85 68% 0 1 115 16% 2 3 .95.5 P( X  30)  0.5 P( X  18)  0.45 está exactamente a la mitad.3)  0.5 Z Área = 0 k.43 1.88(1.5 = 0.1.3.NORM.95 .88 X = 23.3  23.97 Área a buscar = 0.3 0 1.23.INV(0.4505 Z = 1.95.65 Como el área de 0.0.64 Área = 0.5  0 j.5  0 i.4495 Z = 1.Z = 5. ¿Cuál es la probabilidad de que una persona tenga un IQ menor a 130 puntos? Solución a.196) = 25.3 =DISTR.645(1. el área a buscar en la tabla es de: 0. El "cociente de inteligencia (IQ)" de la población tiene una media de 100 puntos y una desviación estándar de 15 puntos.6 Área = 0. Como máximo 23. se puede considerar Z = 1.

3% 2 3 130 El 99. Si termina en 75 días o menos.3944 días 125 P(X ≤ 125 días) = 0.El 95.3944 = 0.4% de la gente está con un IQ entre 70 y 130 puntos.5 + 0.9772 3. ¿cuál es la probabilidad de hacerlo en ese tiempo o menos? b. La empresa ha firmado un contrato con una multa severa de no hacer un departamento de 3 recámas en 125 días.3944 = 0.NORM.1056 0.25 20 Área = 0.25 20 Área = 0.5 0. recibe un bono de $50. a. Una constructora hace departamentos de 2 y 3 recámaras.5 . Si termina en 75 días o menos.8944 b.NORM. ¿Cuál es la probabilidad de que una persona tenga un IQ menor a 130 puntos? Z 130  100 2 15 P(X ≤ 130) = P(Z ≤ 2) = 0. ¿Cuál es la probabilidad de hacerlo entre 110 y 125 días? Solución Z 125  100  1.25) .15% 55 -3 -2 -1 0 1 2 145 3 b.ESTAND(2) 0. ¿cuál es la probabilidad de recibir el bono? c.3944 (Tabla Parcial) 75 días P(X ≤75) = 0.   3  100  3(15)   LS  145 LI  55 0.   2  100  2(15)   LS  130 LI  70 2.3% -3 -2 -1 70 95. La media es de 100 días y la desviación estándar es de 20 días para hacer un departamento de 3 recámaras.4% 0 1 2. recibe un bono de $50.7% de la población está con un IQ entre 55 y 145 puntos.0.3944 (Tabla Parcial) 0.977 =DISTR. ¿cuál es la probabilidad de recibir el bono? Z 75  100  1.000.1056 =DISTR.000.7% 0.8944 0.ESTAND(-1.15% 99.

1915 = 0.0.3944 .2029 =DISTR.25 20 A1 = 0.25) 0.6915 = 0.8944 .6915 =DISTR.6 5 P(X ≤ 60) = 0.5) 0.NORM. En un lote de 10000 lámparas: a. ¿Qué porcentaje de lámparas superarán los 75 meses? b. Un fabricante afirma que sus lámparas tienen una vida media de 68 meses con una desviación típica de 5. ¿Cuántas lámparas se fundirán antes de los 60 meses? Solución a. Si consume 45 kwh.0808 75 meses Utilizando Excel: 0.ESTAND(0.0548 60 meses El 5.9192 P(X > 75) = 1 . ¿Qué porcentaje de lámparas superarán los 75 meses? Z 75  68  1.89435 P(125 ≥ X ≥ 110) = 0.1915 A2 = 0.0.5 .5 20 125  100  1.ESTAND(1.08% de las lámparas (808 lámparas) probablemente excederán los 75 meses de duración b.4 5 A = 0. ¿Cuántos kwh tendría que consumir bimestralmente para estar en el 5% de la población que más consume? b.NORM.0.8944 0. ¿Cuál es la probabilidad de hacerlo entre 110 y 125 días? Z1  Z2  110  100  0.c. ¿Cuántas lámparas se fundirán antes de los 60 meses? Z 60  68  1.0.2029 4. con una desviación estándar de 6 kwh. a.4192 = 0. El consumo medio de electricidad en una ciudad es de 59 kwh.48% (548 lámparas) probablemente no llegarán a durar 60 meses 5.3944 110 125 días P(125 ≥ X ≥ 110) = 0.0808 El 8.4192 P(X > 75) = 0.9192 = 0. Considere que la duración de las lámparas sigue una distribución normal. Se supone que este consumo se distribuye normalmente. ¿qué porcentaje de la población consume menos de ésto? .

4901 = 0.0.4500: Z = 1.1736 A2 = 0. a.6736 b. Una empresa instala en una ciudad 20.5 .645 0.87 kwh 68.45 40 P(X > 400) = 1 .645(6) = 68.1736 = 0. Si consume 45 kwh. ¿Cuántos kwh tendría que consumir bimestralmente para estar en el 5% de la población que más consume? Se busca en la tabla el valor de"Z" para un área de 0.575 40 Utilizando Excel: P(365 ≥ X ≥320) = A1 = 0.000 lámparas para su iluminación.99% de la población consume menos de 45 kwh 6. b. La duración de las lámparas siguen una distribución normal con media de 302 días y una desviación estándar de 40 días.5 .0071 Excel: 400 .95 0.33 6 A = 0.44235 . ¿Cuántas lámparas es de esperar que se fundan entre 320 y 365 días? Z1  Z2  320  302  0.645  X  59 6 X = 59 + 1.0.Solución a.9929 días P(X > 400) = 0. calcule la duración de las lámparas? Solución a.26873 0.05 kwh 1.44235 320 365 días P(365 ≥ X ≥320) = 0.86912 Se tendrá que consumir más de 67. ¿Cuántas lámparas durarán más de 400 días? c.45 40 365  302  1. ¿Cuántas lámparas es de esperar que se fundan entre 320 y 365 días? b.0099 45 kwh Otra forma con Excel: P(X ≤ 45) = 0.87 kwh bimestralmente para estar en el 5% de la población que más consume.9424 0. ¿Cuántas lámparas durarán más de 400 días? Z 400  302  2.4901 P(X ≤ 45) = 0. ¿qué porcentaje de la población consume menos de ésto? Z 45  59  2.26875 0.4929 = 0.0.0. Con un nivel de confianza del 97%.9929 = 0.0099 El 0.0071 0.

88 X  X  Z X = 302 + 1. Con un nivel de confianza del 97%.97 se busca Área = 0.97.47 que da una Z = 1.NORM.03 días .0071 c.2 días ó menos Con Excel: X= 377.40) 0. calcule la duración de las lámparas? Con NC = 0.97 X 0.302.INV(0.2 días ó menos =DISTR.88(40) = 377.P(X > 400) = 0.

.

.

¿Cuál es la probabilidad de que la primera solicitud llegue antes de 5 minutos? La variable aleatoria Xi es la distancia entre los conteos sucesivos de una Distribución de Poisson forma una Distribución Exponencial si: f(X) Función de Densidad: f ( X )   e  X Valor Esperado: 0 X  E ( x)  1 X   1   1 i Varianza: V ( x)   1 1  2 2 Desviación Estándar:   1  Por ejemplo. Intervalo de tiempo dentro del cual debe ocurrir el evento. ¿Cuál es la probabilidad de que el tiempo sea más de 20 minutos entre la primera solicitud y la segunda? 3. El número promedio de imperfecciones es "λ" por milímetro. si Xi es el número de imperfecciones en"x" milímetros de alambre. Tiempo que transcurre hasta que se presenta el primer evento después de cualquier punto de tiempo elegido al azar. entonces Xi tiene una Distribución de Poisson con media "λx". Se supone que el alambre es más largo que el intervalo de x y que Xi = 0 en el intervalo de x. entonces la distribución "Exponencial" se aplica en: 1. Entonces: Probabilidad de que el primer evento "ocurra fuera del intervalo x " (  x ) 0 e  X P( X  0)   e  X o! P ( X  x )  e  X . El tiempo que hay entre la ocurrencia de dos eventos sucesivos. ¿Cuál es la probabilidad de que la primera solicitud de servicio llegue entre 5 y 10 minutos? 2.DISTRIBUCIÓN "EXPONENCIAL" Si se presentan eventos en el contexto de un proceso de "Poisson" (proceso estacionario y con una probabilidad igual de que el evento ocurra a lo largo del intervalo de tiempo "t" donde "t" es la variable aleatoria).

entonces λx se puede considerar como λ y las ecuaciones quedarán: Fuera del intervalo: P ( X  x)  e   Dentro del intervalo: P( X  x)  1  e   Ejemplos 1.5) = 1 . ¿Cuál es la probabilidad de que haya más de un cuarto de hora entre las llegadas? . En un departamento de reparación de maquinaria se reciben 5 solicitudes de servicio por hora en promedio.5 solicitudes en media hora P(X ≤ 0.08208 = 0.5) = 2.5.5) = 2.5 solicitudes en media hora P(X ≤ 0. Calcule la media y la desviación estándar Solución a.e -2.2. Considere el proceso de Poisson en el que llegan aviones a razón de 4 por hora.5) 0. ¿Cuál es la probabilidad de recibir la primera solicitud de servicio dentro de la siguiente media hora? λ = 5 solicitudes/hora x = 30/60 = 0.5) = 1 .9179 =DISTR.VERDADERO) 0.EXP(1.5) = 2. Calcule la media y la desviación estándar E(X) = 1/5 =0.9179 b. etc.5 = 1 .5 horas λx = 5(0.08208 = 0. ¿Cuál es la probabilidad de recibir la primera solicitud de servicio dentro de la siguiente media hora? b.5 solicitudes en media hora E(x) = 1/2.e =1-EXP(-2.5 = 1 .0. longitud.2 horas/solicitud = 12 minutos/solicitud σ = 12 minutos/solicitud Otra forma: Considerando λ = 5(0.4(30) = 12 minutos/solicitud σ = 12 minutos/solicitud 2. a.donde: x = Intervalo (tiempo.) X = Evento λ = Ocurrencias promedio Probabilidad de que el primer evento "ocurra dentro de intervalo de x " F ( X )  P ( X  x )  1  e  X Probabilidad Acumulada Si se adecua el valor de λ al intervalo que se requiere.5 = 0.9179 Otra forma: Si el valor de λ se adecua al intervalo que se quiere en la pregunta. se tiene λ = 5(0.9179 -2.0. Comenzando la observación en cualquier punto del tiempo a.

e-4(0.1 horas desde el principio del intervalo hasta el primer acceso λx = 25(0.1) = 0. ¿Cuál es la probabilidad de que no haya accesos en un intervalo de 6 minutos? λ = 25 accesos / hora x = 6/60 = 0.67032 .5 accesos en 6 minutos Fuera del intervalo P(X > 0.8333 accesos en 2 minutos .3679 = 0. Calcule el tiempo promedio y la desviación estándar hasta el siguiente acceso Solución a. a.1) = 0. ¿Cuál es la probabilidad de tiempos menores a 6 minutos entre llegadas? x = 6 minutos = 0.4 llegadas en 6 minutos Dentro del intervalo P(X < 0.0821 b.3679 b.25 horas es el intervalo promedio entre llegadas consecutivas λx = 4(0.25) = 0.25) = 1 llegada en 15 minutos Fuera del intervalo P(X > 0. ¿Cuál es la probabilidad de que el tiempo hasta el siguiente acceso esté entre 2 y 3 minutos? x = 2/60 = 0.0333) = 0. Determine el intervalo de tiempo tal que la probabilidad de que no haya accesos en el intervalo sea de 0. ¿Cuál es la probabilidad de tiempos menores a 6 minutos entre llegadas? c. el acceso de usuarios al sistema puede modelarse como un proceso de Poisson con una media de 25 accesos por hora.1) = 2.3024 3.1) .0. En una red de computadoras de una gran corporación.1) = 1 .25) = e-1 = 0. ¿Cuál es la probabilidad para que haya tiempos de 6 a 15 minutos entre llegadas? Solución a.1) = 1 .3297 c.25) = e-4(0.90 d. ¿Cuál es la probabilidad de que haya más de un cuarto de hora entre las llegadas? λ = 4 aviones/hora x = 1/4 = 0. ¿Cuál es la probabilidad de que no haya accesos en un intervalo de 6 minutos? b.1) = e-25(0. ¿Cuál es la probabilidad para que haya tiempos de 6 a 15 minutos entre llegadas? Cuando se pregunta la ocurrencia del evento entre ciertos valores.1 < X < 0. se tiene que: P(0.e-4(0.b.0333 horas λx = 25(0.1 horas λx = 4(0.25) = e-4(0.0.67032 = 0. ¿Cuál es la probabilidad de que el tiempo hasta el siguiente acceso esté entre 2 y 3 minutos? c.

00421 horas (60) = 0.e-25(0.05 horas λx = 25(0.0333)} P(0. Para una variable aleatoria exponencial X.0.90 -25x = -0.5650 = 0.1485 c.0333 < X < 0. Demuestre la "falta de memoria" calculando la probabilidad de detectar una partícula en un lapso de 3.04 horas (60) = 2.F(0.7135 .5 minutos dado que ya han transcurrido 3 minutos sin haber detectado ninguna? Solución a. a. Determine el intervalo de tiempo tal que la probabilidad de que no haya accesos en el intervalo sea de 0. la probaiblidad de falla en las 1000 horas siguientes es igual que la probabilidad de una falla en las primeras 1000 horas de operación Ejemplo Considere X como el tiempo entre la detección de una partícula rara en el contador Geiger y que sigue una distribución exponencial con λ = 1.e-25(0.5 minutos . En el desarrollo se considero que se podía hacer la partición de un intervalo en intervalos más pequeños que fueran independientes.05) = 1.25 minutos d.05) = F(0.05) .90 ln(e-25x) = ln 0.05) = 0.05)} . ¿Cuál es la probabilidad de que se detecte una partícula en un lapso de 30 segundos después de activar el contador? x = 30/60 = 0. Calcule el tiempo promedio y la desviación estándar hasta el siguiente acceso E(X) = 1/λ = 1/25 = 0. ¿Cuál es la probabilidad de que se detecte una partícula en un lapso de 30 segundos después de activar el contador? b.0333) = {1 .90 P(X < x) = e-25x = 0.25 accesos en 3 minutos P(0. Estos subintervalos son simillares a los ensayos de Bernoulli independientes que comprenden un proceso Binomial por lo que se concluye que: "conocer resultados previos no afecta las probabilidades de los eventos en subintervalos futuros" Si se aplica para "estudios de confiabilidad" como modelo para el tiempo hasta la falla de un dispositivo.10536 x = 0. se considera que independientemente del tiempo que haya estado trabajando el dispositivo.4 minutos  = 2.4 minutos.{1 .10536/25 = 0. la probababilida condicional P(X < t1 + t2 / X > t1) = P(X < t2) queda: La falta de memoria se puede ver en el propio desarrollo del proceso de Poisson.x = 3/60 = 0.4 minutos La Distribución Exponencial "no tiene memoria" Esta propiedad de "falta de memoria" solo la tiene la Distribución Exponencial.0333 < X < 0.

0. Demuestre la "falta de memoria" calculando la probabilidad de detectar una partícula en un lapso de 3.5(1/1.F(3) = {1.5/1.5 / X > 3) = 0.4) = 3.0352/0.1173 = 0.5 λx = 3(1/1.5/1.3571 -0.9179 .5(1/1.4 = 0.4 = 2.5) .5 / X > 3) = P(X < 0.4 = 0.5000 P(3 < X < 3.1173 P(X < 3.5) = 0.5) / P(X > 3) = P(X < 0.4 = 0.5 minutos dado que ya han transcurrido 3 minutos sin haber detectado ninguna? P(X < 3.5) x=3 x = 3.4) = 0.5/1.4} .3003 Forma directa: P(X < 3.4 = 2.8827 = 0.4) = 3/1.5 minutos) = 1 .0352 P(X > 3) = e-3/1.4} = 0.e-3.3003 b.{1 .1429 λx = 3.e 0.3003 Conclusión: Queda demostrada la "falta de memoria" y que: P(X < t1 + t2 / X > t1) = P(X < t2) .5 / X > 3) = P(3 < X < 3.5) = F(3.3003 Dentro del intervalo P(X < 0.e-3/1.Como sigue una Distribución Exponencial y no Poisson se tiene que: λx =0.5/1.

 .47.

8    84.  47. .9:/080320/.47.

! ^    0        - .O3089E3/.! ^    0  !           $%# !    '##  97..570:39.:..7   .... 809030    84./08.:0.20/.1472.3907.46:0806:07003..47. $0./0.47/080..9:/080320/.

 47.8.

84.9:/23:948.

84.9:/ ƒ23:948.

3/4   84.84.9:/080320/.9:/ 97.1472.47. 438/07.   .

    23:948.

9:/ ƒ23:948.84.

.03970.-/.6:0.8 $4:.8 .  ..574-.03970./5.902548/0.23:948039700.9:/  438/0700574.  :E08.7.84.  :E08.O3/054747.O3 .8 0.2E8/0:3.-/.4308./..574-.2E8/0:3.:.084/0!488430306:00.4308.8 .23:94803970 0../..-/.//06:0.8 -  :E08.:.3.794/047.7.//09025482034708.574-././.  :E08.8 0.//06:0.-/.794/047.574-.

.47.

...3/480570:39.6:0..O3089E3/.574-./.780.. ./08..-/..084 $4:.:009025457420/4..23:948039700./..039403970...3.  :E08.08480303907.574-.084803:33907.457420/4039700.O3 .4/0 23:948 -  :E08.23:94803970 0...08:0390 .//06:034...//06:0090254..424:3574. ..6:0.084854747.902548/0./5..20/..8.574-.4/0 23:948 .8    0.7..43:3.:7703./.-/.4 !   0   0   -  :E08.-/.-/.. 090723003907.7.084/0:8:.. 47.80803907.4..574-.89.084089F 0397023:948 .  :E08.8 :./00.084/0!48843.748.574-.0848.4708 8090306:0 !   0    0           3:3.../0 ..70//0..47547..O3 0.480.  :E08..7..8   0..4/0902549.8/0:3.084803:33907./03907..425:9.4 !    0        .89.4380.//06:034.-/.574-./0  / ..:9..-/.5:0/024/0.80323:948 03974/03907..08:0390.07948..0323:948 :07. 88902././47../.8 23:948 47.//06:034.//09025482034708.

.47.

.057207..084089F 0397023:948 .4 !   0     -  :E08..89..08:0390..08480323:948 :07.-/...54/03907.574-.//06:0090254.084    .4..89.  47.8/08/00573./03907.

08480323:948 ...  47.8     .

  47...6:0. .08480323:948 !         0   <  0   < !         .08480303907.../0   !  0   3 0  3      .//06:034.480..574-.4/0902549...-/.8      . 090723003907.

  .

.89.8   23:948 / .:009025457420/4.08:0390.O3089E3/.084   ./08...7. 47...

.

897-:./020247...897-:..0. ..//01.O354303.-..-0.054303. 89..947.:3.9030.7.8   23:948 9 23:948 . 47.57450/.574-. !.844.43/.7.34903020247.9.O354303.43.-/. ! 9 9 .

.574-.42424/045.1.//01.7./47 0076:08:0:3.439.397.79J.9 ! 9  6:0/.03:3.-/.431.089:/48/0.6:03/0503/039020390/0902546:0./08/0480.90:3.54746:080 .43.48 /00734:3/0503/039086:0.07.88:0390808:.4033907..70.  :E08.-/. 6:0.9...089.5.7.8 47. /0:3/85489..03:3../020247.O3 0254 438/070.574-.584/0 23:948/.07708:9.4 ..4884382.48 1:9:748 $80./433:3.9.42409025403970././090.574-.-/.438/07.. .38.//06:080/090.8/04507.:./4 97.//0/090..5.79J.4 80.084342..9.03948038:-3907.48038.7 :3./897-:..33/0503/03908 89488:-3907.-.5.89.43 23:948 .5.774480.584/0  80:3/48/085:F8/0.03.79J.-/.1.79.5.10.438/0746:08054/J.  :E08.5.03:3.5.574-..030.7744/0574.....7. $4:.:77/4 23:94883.9.574-.9.434.9.-/.482E8 506:0N486:01:07.03.0703057454/08.:06:0 .3/4.1./47 - 02:08970./47  .-/.8 47.//0:3.425703/03:3574./48570.O3 .805:0/0.857207.....O3/0:3.3/40/85489.:.79J./020247.-07/090.1.584/0  80:3/48/085:F8/0.O3054303.7.:.4834.708.9.90:3..:..:....70.439.439.8574-..090254.-/.//06:080/090./46:0.084/0!48843 30 /08.O3/0:33907.

O354303.  23:948 4248:0:3..897-:.34!488438090306:0   .

   .

   .

1.9.       03974/03907.3/4.-/.:77/4 23:94883./020247.79J.//0/090.7 :3.4 !  23:948  0 - 02:08970..38..9.397.. !  .-07/090.5.574-./46:0.9..584/0 23:948/.:.03:3../433:3.:.

 !   .

!  !       .

  .

     .

   .

    !          0  .

  <  0 .

  <     !  0 .

    !  .

  .

 !  ./70.    472.9.

6:0 ! 9 9 . !      43../020247././024897.1.:8O3 ":0/.9.

9 ! 9  .