ANÁLISIS DE DATOS EN

INGENIERÍA
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE
PROBABILIDADES
Ing. Daniel O. Rivera R., M. Sc.

1
Bibliografía
• WALPOLE, Ronald E.,
MYERS, Raymond H.,
MYERS, Sharon L.,
YE, Keying.
Probabilidad y Estadística para Ingeniería y Ciencias.
Octava edición
Editorial PEARSON Educación.
• MONTOMERY, DOUGLAS C. y GEORGE C.
RUNGER. Probabilidad y estadística aplicadas a
la ingeniería. Editorial Limusa Wiley.

2
DISTRIBUCIONES DE PROBABILIDAD (10HT, 5 HP)
• Variables aleatorias discretas y sus distribuciones de
probabilidad, distribución de probabilidad acumulada.
• Valor esperado y varianza de una variable aleatoria discreta,
propiedades.
• Distribuciones de probabilidad discreta especiales
(Binomial, Hipergeométrica, Poisson, Binomial Negativa,
Geométrica, Uniforme Discreta).
• Distribuciones de probabilidad continua y sus distribuciones
de probabilidad.
• Valor esperado y varianza de una variable aleatoria continua,
función de distribución.
• Distribuciones de probabilidad continua especiales (Normal,
Exponencial, Uniforme continua).
• Aproximaciones entre las distribuciones de probabilidad.
• Relación entre las distribuciones de Poisson y Exponencial.
3
DISTRIBUCIÓN UNIFORME
DISCRETA
4
DISTRIBUCIÓN UNIFORME DISCRETA (continuación)
Una variable aleatoria X es una variable aleatoria discreta
uniforme si cada uno de los n valores de su rango, por ejemplo,
x1, x2, x3,..., xn, tiene la misma probabilidad, por lo tanto
1
f  x; n  
para x = x1, x2, x3,..., xn
n
Suponga que X es una variable aleatoria uniforme discreta en
los números enteros consecutivos a, a+1, a+2, ..., b, para a  b
 b  a 1 n  b  a  1  1
2
1 n
 
  E X  
2
  xi
n i 1

12
  i
n i 1
x  
2

Figura. Función de masa

de probabilidad para una
variable aleatoria discreta
uniforme
5
 DISTRIBUCIÓN UNIFORME DISCRETA
(continuación)
Ejemplo 5.1 W
• Cuando se selecciona al azar una bombilla
de luz de una caja que contiene una bombilla
de 40 watts, una de 60 watts, una de 75
watts y una de 100 watts, cada elemento del
espacio muestral S = {40, 60, 75, 100}
ocurre con probabilidad de ¼. Por lo tanto
tenemos una distribución uniforme, con
1
f ( x;4)  , ____ x  40,60,75,100.
4
6
 DISTRIBUCIÓN UNIFORME DISCRETA
(continuación)
Ejemplo 5.2 W
• Cuando se lanza un dado legal, cada
elemento del espacio muestral
S = {1, 2, 3, 4, 5, 6} ocurre con probabilidad
de 1/6. Por lo tanto, tenemos una
distribución uniforme con
1
f ( x;6)  , ____ x  1,2,3,4,5,6.
6

7
 DISTRIBUCIÓN UNIFORME DISCRETA
(continuación)
Ejemplo 5.3 W
• Para el problema 5.2 W encontramos
que 1  2  3  4  5  6 6  1
   3.5
6 2


 b  a  1 2  1   6  1  1 2  1  35
 1.7078
12 12 12


1  3.5 2   2  3.5 2   3  3.5 2   4  3.5 2   5  3.5 2   6  3.5 2 
17.5

35
 1.7078
6 6 12
8
DISTRIBUCIÓN BINOMIAL

9
 DISTRIBUCIÓN BINOMIAL (continuación)
Un experimento aleatorio que consta de n ensayos repetidos
tales que:
1. Los ensayos son independientes,
2. cada ensayo produce únicamente dos resultados posibles,
etiquetados como “éxito” o “fracaso”, y
3. la probabilidad de un éxito en cada ensayo, denotado como p,
permanece constante,
se llama experimento binomial .
X: número de ensayos que producen un éxito en una muestra de n
parámetros p y n = 1, 2,....
La distribución de probabilidad de X es

 n x
f  x      p  1  p  ,
n x
x = 0, 1, ..., n
 x
10
 DISTRIBUCIÓN BINOMIAL (continuación)
• Si X es una variable aleatoria binomial con parámetros
p y n,
  E X   n  p  2  V  X   n  p  1  p 

. Figura. Ejemplo de una

distribución binomial con
n = 20 y p = 0.5

11
DISTRIBUCIÓN BINOMIAL (continuación)
 n x
f  x      p  1  p 
n x

 x

Distribución Binomial para Valores

seleccionados de n y p
f(x)

12
DISTRIBUCIÓN BINOMIAL (continuación)
n x
f  x      p  1  p 
n x

 x

13
DISTRIBUCIÓN BINOMIAL (continuación)
n x
f  x      p  1  p 
n x

 x

14
 DISTRIBUCIÓN BINOMIAL (continuación)

Ejercicio 1. Binomial
La probabilidad de que cierto componente sobreviva a una
prueba de choque es 3/4. Encuentre la probabilidad de que
sobrevivan exactamente 2 de los siguientes cuatro
componentes que se prueben.

15
 DISTRIBUCIÓN BINOMIAL (continuación)
• Solución: Supongamos que las pruebas son
independientes y como p = ¾ para cada una de
las 4 pruebas, obtenemos
2 2
  x
n  4     
3 1  4!   3 2
 27
f  x      p  1  p         
n x
 4  
 x  2  4   4   2!2!  4  128

16
 DISTRIBUCIÓN BINOMIAL (continuación)
• Ejercicio 3. Binomial La probabilidad de que un paciente
se recupere de una rara enfermedad sanguínea es 0.4. Si
se sabe que 15 personas contraen tal enfermedad, ¿cuál
es la probabilidad de que
a) sobrevivan al menos 10
b) sobrevivan de 3 a 8;
c) sobrevivan exactamente 5.

17
 DISTRIBUCIÓN BINOMIAL (continuación)
Ejemplo 5.5 W
• La probabilidad de que un paciente se recupere de una rara
enfermedad sanguínea es 0.4. Si se sabe que 15 personas contraen
tal enfermedad, ¿cuál es la probabilidad de que a) sobrevivan al
menos 10; b) sobrevivan de 3 a 8; y c) sobrevivan exactamente 5.
• Solución:
 Respuesta a)
15  9
P ( X  10)  1  P( X  10)  1     0.4  1  0.4 
x 15 x

x 0  x 

P ( X  10)  1  P( X  10)  1  0.9662  0.0338

8
15  2
15 

P (3 Respuesta  0.4  x 1  0.4  15 x     0.4  x 1  0.4  15 x
X  8)    b)
x 0  x  x 0  x 

P (3  X  8)  0.9050  0.0271  0.8779

5
15  4
15 
P( X  5)     0.4  1  0.4      0.4  1  0.4 
x 15 x x 15 x

x 0  x  x 0  x 

P( X Respuesta
 5)  0.4032 c) 0.2173  0.1859

18
 DISTRIBUCIÓN BINOMIAL (continuación)
Asignación 1. Binomial
Una cadena grande de tiendas al detalle compra cierto
tipo de dispositivo electrónico de un fabricante. El
fabricante indica que la tasa de defectos del dispositivo
es 3%.
a) El inspector de la cadena elige 20 artículos al azar de
un cargamento ¿Cuál es la probabilidad de que haya al
menos un artículo defectuoso entre estos 20?
b) Suponga que el detallista recibe 10 cargamentos en un
mes y que el inspector prueba aleatoriamente 20
dispositivos por cargamento ¿Cuál es la probabilidad
de que haya 3 cargamentos que contengan al menos
un dispositivo defectuoso?
19
 DISTRIBUCIÓN BINOMIAL
(continuación)
Asignación 2. Binomial
Cada muestra de aire tiene 10% de probabilidades
de contener una molécula rara particular. Suponga
que las muestras son independientes con respecto
a la presencia de la molécula rara X.
1. Encuentre la probabilidad de que en las
siguientes 18 muestras, exactamente dos
contengan la molécula rara.
2. Determine la probabilidad de que al menos
cuatro muestras contengan la molécula rara.
3. Determine la probabilidad de que 3 ≤ X ≤ 7.
20
DISTRIBUCIÓN BINOMIAL (continuación)
• Asignación 3. Binomial
Se conjetura que hay impurezas en 30% del total de
pozos de agua potable de cierta comunidad rural. Para
obtener algún conocimiento del problema, se determina
que debería realizarse algún tipo de prueba. Es muy
costoso probar todos los pozos del área, por lo que se
eligieron 10 aleatoriamente para una prueba.
a) Utilizando la distribución binomial, ¿cuál es la
probabilidad de que exactamente 3 pozos tengan
impurezas considerando que la conjetura es
correcta?
b) ¿Cuál es la probabilidad de que más de 3 pozos
tengan impurezas. 21
DISTRIBUCIÓN GEOMÉTRICA

22
 DISTRIBUCIÓN GEOMÉTRICA
(continuación)
1. En una serie de ensayos Bernoulli
2. Independientes
3. Probabilidad constante p de un éxito,
X: número de ensayos hasta el primer éxito.
parámetro p

f  x   1  p 
x 1
 p, x=1, 2, ...
23
 DISTRIBUCIÓN GEOMÉTRICA

• Si X es una variable aleatoria geométrica con

parámetros p
  E X  
1
 2
V X  
 1 p
2
p p

. Figura. Distribución
geométrica para un valor
del parámetro p de 0.1.

24
DISTRIBUCIÓ
N
GEOMÉTRICA
(continuación
)

25
DISTRIBUCIÓN GEOMÉTRICA
(continuación)

26
DISTRIBUCIÓN GEOMÉTRICA
(continuación)

27
 DISTRIBUCIÓN GEOMÉTRICA
(continuación)
Ejercicio 1. Geométrica
• La probabilidad de que un bit transmitido a través de un canal
de transmisión digital se reciba con error es 0.1. Suponga que
las transmisiones son eventos independientes y sea que la
variable aleatoria X denote el número de bits transmitido hasta
el primer error.
• 1. Calcule la probabilidad de realizar 5 transmisiones hasta
encontrar el un bit con error.

P(X = 5) = P(OOOOE) = (1 - p)X-1 p = 0.940.1 = 0.066

28
 DISTRIBUCIÓN GEOMÉTRICA
(continuación)
Ejercicio 2. Geométrica
• La probabilidad de que una oblea contenga una
partícula de contaminación grande es 0.01. Si se
supone que las obleas son independientes, ¿cuál
es la probabilidad de que sea necesario analizar
exactamente 125 obleas antes de detectar una
partícula grande? Calcule el valor esperado de x y
la varianza

• Solución: P(X = 125) = (0.99)1240,01= 0.0029

29
 DISTRIBUCIÓN GEOMÉTRICA
(continuación)
• Ahí, p = 0.1. El número promedio de
transmisiones hasta el primer error
es 1/0.1 = 10.
• La desviación estándar del número
de transmisiones antes del primer
error es


1  p  
1 - 0.1
 9.49
2 2
p 0.1
30
 DISTRIBUCIÓN GEOMÉTRICA (continuación)
• Asignación 1.
La probabilidad de una alineación óptica de éxito en el
ensamble de un producto de almacenamiento óptico de
datos es 0,8. Suponga que los ensayos son
independientes.
a) ¿Cuál es la probabilidad de que la primera alineación
de éxito requiera exactamente cuatro ensayos?
b) ¿Cuál es la probabilidad de que la primera alineación
de éxito requiera a lo sumo cuatro ensayos?
c) ¿Cuál es la probabilidad de que la primera alineación
de éxito requiera al menos cuatro ensayos?

31
DISTRIBUCIÓN BINOMIAL
NEGATIVA
32
DISTRIBUCIÓN BINOMIAL NEGATIVA (continuación)
1. En una serie de ensayos Bernoulli
2. Independientes
3. probabilidad constante p de un éxito
X: número de ensayos hasta obtener r éxitos.
Parámetros: p y r = 1, 2, 3, ...

 x  1
f  x      1  p   p
xr r Para x = r, r+1, r+2, ...

 r  1

33
DISTRIBUCIÓN BINOMIAL NEGATIVA (continuación)

• Si X es una variable aleatoria binomial

negativa con parámetros p y r,
entonces
r r 1  p 
  E X    V X  
2
2
p p

34
34
 DISTRIBUCIÓN BINOMIAL NEGATIVA
(continuación)
• Ejercicio 1. Binomial Negativa
• En la serie de campeonato de la NBA, el equipo que gana 4
juegos de 7 será el ganador. Suponga que el equipo A tiene
una probabilidad de 0.55 de ganarle al equipo B, y que
ambos equipos A y B, se enfrentarán entre sí en los juegos
de campeonato.
a) ¿Cuál es la probabilidad de que el equipo A gane la serie
en 6 juegos?
b) ¿Cuál es la probabilidad de que el equipo A gane la serie?
c) Si ambos equipos se enfrentan entre sí en una serie
regional de play-off y el ganador es el que gana 3 de 5
juegos, ¿cuál es la probabilidad de que el equipo A gane el
juego de play-off?

35
 DISTRIBUCIÓN BINOMIAL NEGATIVA
• Solución:
(continuación)
 x  1  5
f  x      1  p   p     1  0.55 6 4  0.554  0.1853
x r r
a) Se tiene:
 r  1  3

b) P(el equipo A gane la serie de campeonato) es:

b * (4 : 4,0.55)  b * (5 : 4,0.55)  b * (6 : 4,0.55)  b * (7 : 4,0.55) 
 3  4  5  6
   1  0.55 4 4  0.55 4     1  0.55 5 4  0.554     1  0.55 6 4  0.554     1  0.55 7  4  0.554
 3  3  3  3
 0.0915  0.1647  0.1853  0.1668  0.6083

c) P(el equipo A gane el juego de play-off) es:

b * (3 : 3,0.55)  b * (4 : 3,0.55)  b * (5 : 3,0.55)

 2  3  4
   1  0.55  0.55     1  0.55  0.55     1  0.55 53  0.553
3 3 3 4 3 3

 2  2  2
 0.1664  0.2246  0.2021  0.5931 36
 DISTRIBUCIÓN BINOMIAL NEGATIVA
• Ejemplo 4.24 M (continuación)
• Un avión de alto rendimiento contiene tres computadoras idénticas. Se
utiliza únicamente una para operar el avión; las dos restantes son
repuestos que pueden activarse en caso de que el sistema primario falle.
Durante una hora de operación, la probabilidad de una falla en la
computadora primaria ( o de cualquiera de los sistemas de repuesto
activados) es 0.0005. Suponiendo que cada hora representa un ensayo
independiente.
• ¿cuál es el tiempo promedio para que fallen las tres computadoras?
• ¿Cuál es la probabilidad de que las 3 computadoras fallen en un vuelo de
5 horas?

37
 DISTRIBUCIÓN BINOMIAL NEGATIVA
• Solución (continuación)

r
1. E(X) = 3 / 0.0005 = 6000 horas   E X  
p

2. P(X <= 5) = P(X = 3) + P(X = 4) + P(X = 5)

 2  3  4
P X  5     1  0.0005  0.0005     1  0.0005  0.0005     1  0.0005  0.00053
0 1 2
  3
  3

 2  2  2
P X  5  1.25  10 10  3.75 10 10  7.49 10 10  1.249 10 9

38
 DISTRIBUCIÓN BINOMIAL NEGATIVA
(continuación)
Asignación
Suponga que X es una variable
aleatoria binomial negativa con p = 0,2
y r = 4. Determine lo siguiente:
a) E(X)
b) V(X)
c) P(X=20)
d) P(X=19)
e) P(X=21)
39
DISTRIBUCIÓN
HIPERGEOMÉTRICA
40
 DISTRIBUCIÓN HIPERGEOMÉTRICA (continuación)

1,. Un conjunto de N objetos contiene

K objetos clasificados como éxitos y
N – K objetos clasificados como fracasos
2. Se seleccionan una muestra con tamaño de n objetos al
azar (sin reemplazo) de los N objetos, donde K ≤ N y n≤ N.
No son independientes y la probabilidad no es constante.

X: número de éxitos en la muestra.

K  N  K
    
 x  nx 
f  x  x = máx {0, n + K – N} hasta mín. {K, n}
N
 
n

41
 DISTRIBUCIÓN HIPERGEOMÉTRICA
(continuación)
Si X es una variable aleatoria hipergeométrica con parámetros
N, K y n, entonces la media y la varianza de X son:
 N n
  E X   n  p   V  X   n  p  1  p   
2

 N 1 
donde p = K / N.

 N n
A la expresión  
 N 1 
se le conoce como factor de corrección
para poblaciones finitas.
42
 DISTRIBUCIÓN HIPERGEOMÉTRICA
• Ejercicio 1 (continuación)
• La producción de un día de 850 piezas manufacturadas contiene 50
piezas que no cumplen con los requerimientos del cliente. Se
seleccionan 2 piezas, al azar y sin reemplazo, de la producción de un
día. ¿Cuál es la probabilidad de que en la muestra haya x piezas que
no cumplan con los requerimientos? x = 0, 1, 2

43
 DISTRIBUCIÓN HIPERGEOMÉTRICA
• Ejercicio 1 (continuación)
• La producción de un día de 850 piezas manufacturadas contiene 50
piezas que no cumplen con los requerimientos del cliente. Se
seleccionan 2 piezas, al azar y sin reemplazo, de la producción de un
día. ¿Cuál es la probabilidad de que en la muestra haya x piezas que
no cumplan con los requerimientos? x = 0, 1, 2

 50  800 
  
 0  2  319600
P ( X  0)    0.886
 850  360825
 
 2  K  N  K 
 50  800      
    x  nx 
P ( X  1)   1  1 

40000
 0.111  
f x 
 850  360825 N

2
  
 
n
 50  800 
  
 2  0  1225
P ( X  2)    0.003
 850  360825
  44
 2 
 DISTRIBUCIÓN HIPERGEOMÉTRICA
(continuación)
• Ejercicio 2
• Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de
un proveedor de otra ciudad. Si se seleccionan 4 piezas al azar y sin reemplazo,
a) ¿Cuál es la probabilidad de que todas sean del proveedor local?

b) ¿Cuál es la probabilidad de que dos o más piezas sean del proveedor

local?

c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del

proveedor local?
45
 DISTRIBUCIÓN HIPERGEOMÉTRICA
(continuación)
• Ejercicio 2
• Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de
un proveedor de otra ciudad. Si se seleccionan 4 piezas al azar y sin reemplazo,
a) ¿Cuál es la probabilidad de que todas sean del proveedor local?
K  N  K   100  200 
       
 x  nx   4  0   0.0119
f  x  P ( X  4 ) 
N  300 
   
n  4 

b)  100 de
¿Cuál es la probabilidad  200  dos
que  100 o más
200  piezas
 100 sean
200  del proveedor
        
local?  2  2   3  1   4  0   0.408
P ( X  2)   
 300   300   300 
     
 4   4   4 

 100  200 
  
 0  4 
c) P ( X  1)  1 deP (que
¿Cuál es la probabilidad X al0)menos
 1  una pieza de la
0.804
muestra sea del
proveedor local?  300 
 
 4 
46
 DISTRIBUCIÓN HIPERGEOMÉTRICA
(continuación)
• Ejercicio 3
• Un lote contiene 100 piezas de un proveedor de tubería local
y 200 unidades de un proveedor de otra ciudad. Si se
seleccionan 4 piezas al azar y sin reemplazo,
a) ¿Cuál es la media?
b) ¿Cuál es la varianza?

47
 DISTRIBUCIÓN HIPERGEOMÉTRICA
(continuación)
• Ejercicio 3
• Un lote contiene 100 piezas de un proveedor de tubería local
y 200 unidades de un proveedor de otra ciudad. Si se
seleccionan 4 piezas al azar y sin reemplazo,
a) ¿Cuál es la media?
b) ¿Cuál es la varianza?

• La variable aleatoria X es el número de piezas de la

muestra del proveedor local. Entonces p = 100 / 300 = 1/3.
por lo tanto
a)   E  X   n  p E(X) = 4(1/3) = 1.33
N n
b)   V  X   n  p  1  p   
2

 N 1 
V(X) = 4(1/3)(2/3)[(300 – 4) / (300 - 1)] = 0.88
48
APROXIMACIÓN BINOMIAL
-POISSON
49
 DISTRIBUCIÓN DE POISSON
• Considere la transmisión de n bits en un canal de comunicación
digital.
• X: número de bits con error.
• p: probabilidad de que un bit tenga un error.
• X~B(n,p), E(X) = pn.
• E(X) = pn= constante
• l = pn, entonces p = l / n
• Se puede demostrar que:

50
 DISTRIBUCIÓN DE POISSON (continuación)

X~B(n,p), E(X) = pn.

y => l = pn, p = l / n
X: número de éxitos por unidad de medida,
Parámetro: λ: número esperado de éxitos por unidad de medida
x n x
n  n  l   l
P( X  x)    p x (1  p ) n  x     1  
 x  x  n   n

e l lx
lím n P( X  x )  , _____ x  0,1,2,....
x!
e  l  lx
f  x  , x=0,1,2,….
x!
51
DISTRIBUCIÓN DE POISSON (continuación)

52
DISTRIBUCIÓN DE POISSON (continuación)

53
DISTRIBUCIÓN DE POISSON (continuación)

54
DISTRIBUCIÓN DE POISSON
(continuación)

55
DISTRIBUCIÓN DE POISSON
(continuación)

56
DISTRIBUCIÓN DE POISSON (continuación)

57
DISTRIBUCIÓN DE POISSON (continuación)

58
 DISTRIBUCIÓN DE POISSON
(continuación)
Si X es una variable aleatoria de Poisson
con parámetro l , entonces la media y la
varianza de X son.

 = E(X) = l y  2 = V(X) = l

59
 DISTRIBUCIÓN DE POISSON
(continuación)
• Es importante usar unidades consistentes en el
cálculo de probabilidades, medias y varianzas
cuando se trabaja con variables aleatorias de Poisson.
• Por ejemplo, si el número promedio de imperfecciones
por mm de alambre es 3.4, entonces:
– el número promedio de imperfecciones en 10 mm de alambre
es 34, y
– el número promedio de imperfecciones en 100 mm de
alambre es 340.
• Si una variable aleatoria de Poisson representa el
número de conteo en cierto intervalo, entonces la
media de la variable aleatoria debe ser igual al
número esperado de conteos en la misma longitud del
intervalo. 60
 DISTRIBUCIÓN DE POISSON
Ejercicio 1. Poisson
(continuación)
• Para el caso del alambre delgado de cobre, suponga que el número de
imperfecciones sigue una distribución de Poisson con una media de 2.3
imperfecciones por milímetro. Determine la probabilidad de exactamente 2
imperfecciones en un milímetro de alambre.

• Determine la probabilidad de 10 imperfecciones en 5 mm de alambre

• Determine la probabilidad de al menos una imperfección en 2 mm de alambre.

61
 DISTRIBUCIÓN DE POISSON
Ejercicio 1. Poisson
(continuación)
• Para el caso del alambre delgado de cobre, suponga que el número de
imperfecciones sigue una distribución de Poisson con una media de 2.3
imperfecciones por milímetro.
• Determine la probabilidad de exactamente 2 imperfecciones en un milímetro de
alambre.
e l  lx
f  x  , P ( X  2) 
e 2.3 2.32
 0.265
x! 2!
• Determine la probabilidad de 10 imperfecciones en 5 mm de alambre.
E(X) = 5 mm * 2.3 imperfecciones/mm = 11.5 imperfecciones
P(x = 10) = e-11.5 11.510 / 10! = 0.113

• Determine la probabilidad de al menos una imperfección en 2 mm de alambre

E(X) = 2 mm * 2.3 imperfecciones/mm = 4.6 imperfecciones

P( X  1)  1  P( X  0)  1  e 4.6  0.9899

62
 DISTRIBUCIÓN DE POISSON
Ejercicio 2. Poisson (continuación)
• La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre en un
disco óptico tiene una distribución de Poisson y el número promedio de partículas
por centímetro cuadrado de superficie del disco es 0.1. El área del disco bajo
estudio es de 100 cm2.
• Encuentre la probabilidad de que ocurran 12 partículas en el área del disco bajo
estudio.

• La probabilidad de que ocurran cero partículas en el área del disco bajo estudio es

• Determine la probabilidad de que 12 o menos partículas ocurran en el área del disco

bajo estudio.

63
 DISTRIBUCIÓN DE POISSON
Ejercicio 2. Poisson (continuación)
• La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre en un
disco óptico tiene una distribución de Poisson y el número promedio de partículas
por centímetro cuadrado de superficie del disco es 0.1. El área del disco bajo
estudio es de 100 cm2.
• Encuentre la probabilidad de que ocurran 12 partículas en el área del disco bajo
estudio.
E(X) = 100 cm2 x 0.1 partículas/cm2 = 10 partículas
l
l x 10 12
e e 10
f  x  , P( X  12)   0.095
x! 12!
• La probabilidad de que ocurran cero partículas en el área del disco bajo estudio es
P(X = 0) = e-10 = 4.54 x 10-5
• Determine la probabilidad de que 12 o menos partículas ocurran en el área del disco
bajo estudio.
12
e 1010i
P( X  12)  P ( X  0)  P( X  1)  ...  P( X  12)    0.791
i 0 i!
64