Variables Discretas y Continuas.

Universidad Politcnica
del Estado de Morelos
VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Proyecto Final
PROBABILIDAD Y ESTADSTICA
3 DE ABRIL DE 2017
2 A IIN
2A Variables Aleatorias Discretas y Continuas IIN
Integrantes de Equipo
ndice
Tabla de contenido
Integrantes de Equipo .................................................................................................................................................0
ndice ..........................................................................................................................................................................1
Resumen de Obra .......................................................................................................................................................2
I. Distribucin Binomial ...............................................................................................................................................3
I. I. Marco Terico...................................................................................................................................................3
I. II. Problemario .....................................................................................................................................................4
II. Distribucin Hipergeomtrica .............................................................................................................................. 13
II. I. Marco Terico............................................................................................................................................... 13
II. II. Diferencia entre distribucin Binominal y Hipergeomtrica ........................................................................ 13
II. III. Problemario ................................................................................................................................................ 14
III. Distribucin de Poisson ....................................................................................................................................... 19
III. I. Marco Terico.............................................................................................................................................. 19
III. II. Diferencias entre la distribucin de Poisson y la distribucin binomial ...................................................... 19
III. III. Qu es la tasa de ocurrencia? .................................................................................................................. 20
III. IV. Problemario ............................................................................................................................................... 20
IV. Distribucin Normal ............................................................................................................................................ 25
IV. I. Marco terico .............................................................................................................................................. 25
IV. Il. Problemario ................................................................................................................................................ 26
V. Compilacin de Problemas de Distribucin ......................................................................................................... 32
IV. Infografa............................................................................................................................................................. 48
1
Probabilidad y Estadstica
Resumen de Obra
En la presente obra se presentan un compilado de problemas de variables aleatorias y discretas, los cuales,
se encuentran resueltos mediante el software operativo de probabilidad y estadstica Minitab, esto,
mediante la representacin de los problemas propuestos mediante grficos de distribucin explicados y
desglosados para comprensin del lector.
Con esto, se espera el fomento de las tecnologas informticas y de comunicacin en la formacin de los
aspirantes a ingenieros industriales, todos esto como parte de un proyecto final focalizado en una de las
ramas de las matemticas ms importantes y apasionantes la probabilidad y estadstica.
Finalmente, se espera despertar el inters del lector por la maravillosa rama de la matemtica
mencionada, como ya se mencion, fusionadas con las nuevas tecnologas de informacin y comunicacin.
Sin ms por el momento, se espera que el lector disfrute de la presente obra.
2
I. Distribucin Binomial
I. I. Marco Terico
Utilice la distribucin binomial para describir un proceso donde los resultados se pueden etiquetar como un evento
o un no evento y cuando est interesado en la ocurrencia de un evento y no en su magnitud. Por ejemplo, un
elemento pasa o no pasa una inspeccin o un partido poltico gana o pierde. La distribucin binomial se usa
frecuentemente en control de calidad, sondeos de opinin pblica, investigaciones mdicas y seguros.
Por ejemplo, utilice la distribucin binomial para calcular la probabilidad de que 3 o ms elementos defectuosos se
encuentren en una muestra de 25 elementos si la probabilidad de un elemento defectuoso es 0.02. El nmero de
elementos defectuosos (X) sigue una distribucin binomial con n = 25 y p = 0.02.
Una distribucin binomial es una distribucin discreta que modela el nmero de eventos en un nmero fijo de
ensayos. Cada ensayo tiene dos resultados posibles, y evento es el resultado de inters en un ensayo.
El nmero de eventos (X) en n ensayos sigue una distribucin binomial si se cumplen las siguientes condiciones:
El nmero de ensayos es fijo.

Cada ensayo es independiente.
Cada ensayo tiene uno de dos resultados: evento o no evento.
La probabilidad de un evento es igual para cada ensayo.
Una de las propiedades de la distribucin binomial es que cuando n es grande y p est cerca de 0.5, la distribucin
binomial puede ser aproximada por la distribucin normal estndar.
Dicha distribucin se representa mediante la frmula:

( = ) = [ ]

Donde:
K es el evento deseado.
n es el tamao de muestra.
P la probabilidad de xito.
3
q la probabilidad de fracaso.
I. II. Problemario
1. Un fabricante de una unidad de disco de una conocida marca de computadoras espera que 2 % de las unidades
funcionen mal durante el periodo de garanta. En una muestra de 10 unidades de disco, Cul es la probabilidad de
que exactamente una funcione mal durante el periodo de prueba?
Grfica de distribucin
Binomial, n=10, p=0.02
0.9
0.8
0.7
0.6
Probabilidad
0.5
0.4
0.3
0.2 0.1667
0.1
0.0
0 1 2
X
El problema nos habla de una compaa de discos cuyo 2 % de unidades funciona de manera errnea, por lo que,
nos pide calcular la probabilidad de que, en una muestra de 10 al azar, obtengamos exactamente una muestra
errnea. Primeramente, tenemos que determinar del tipo de distribucin de la que se trata la problemtica, esto,
se determina mediante los datos que ya hemos mencionado. Habiendo como lo dice el problema una posibilidad
del 2 % que sea funcional, que en este caso vamos a sealar como nuestro xito, ya que, es lo que buscamos que
pase. El hecho de que tangamos un 2 % de posibilidades de xito implica que tendremos un 98 % de probabilidades
de fracasar en el evento buscado; considerando que la muestra es de 10 elementos, sabemos que podemos hablar
de una distribucin binominal.
4
Para encontrar la probabilidad podemos emplear la frmula o bien, en este caso hemos de emplear el software
MInitab para crear una grfica de barras para encontrar la probabilidad del evento. Donde se ha dicho que N es
igual a 10, p a 0. 02 (xito) y q a 0. 98 (fracaso). La grfica superior es producto de estos datos, en donde, el eje de
las x nos muestra el nmero de veces que puede suceder el evento buscado, y en el eje de las y nos muestra la
probabilidad de que sucedan esos eventos en consideracin de la posibilidad de xito. Finalmente observamos que
la posibilidad de xito con el uso de la grfica corresponde a un 0. 1667, o bien, 16. 67 %.
2. Se sabe que el 10 % de las pantallas LED de cierta marca fallarn antes de que expire su garanta. Calcular la
probabilidad de que 30 pantallas, 5 o ms fallen antes de que termine su garanta.
0.25
0.20
Probabilidad
0.102
0.15 305
0.10
0.047
0.042
0.018
4
4
0.05 0.005
0
0.001
80.1755
6
0.00
0 5
X
Mediante el anlisis de los datos del problema dado, sabemos que hay una muestra aleatoria de 30 pantallas LED
de una marca, de las cuales, tenemos una posibilidad del 10 % de que algunas de ellas fallen, solicitndose la
probabilidad de que, de la muestra de 30, 5 o ms de las mismas fallen. Tomando en cuenta esto, sabemos que se
trata de una distribucin binominal. Ya que, tenemos una probabilidad de xito y de fracaso. Donde, con respecto
a lo solicitado sabemos que nuestro xito es que falle 5 o ms pantallas LED de nuestra muestra; correspondiendo
al 10 %, mientras que nuestro fracaso corresponde al 90 %, que es el que las pantallas estn funcionando
correctamente.
Para obtener la probabilidad del evento solicitado, tendremos que calcular la posibilidad mediante el uso de la
distribucin binominal para la posibilidad de que salgan 5, 6, 7, 8, y 30 pantallas LED defectuosas, y finalmente,
se sumarn esas posibilidades para determinar la posibilidad de obtener 5 o ms pantallas LED que no funcionen
correctamente. En este caso, el software empleado, se encarga de la obtencin de la misma de manera automtica.
Como se observa en el grfico, las barras marcadas en rojo corresponden a la posibilidad de xito, en donde, se
obtienen 5 o ms pantallas LED defectuosas. Pero, este es un caso especial, ya que, el 0 forma parte de nuestra
5
posibilidad de obtener 5 o ms pantallas defectuosas siendo nuestro complemento para la sumatoria previa, por lo
que, para obtener la posibilidad de obtener 5 o ms pantallas LED defectuosas tenemos que sumar los valores de
las barras rojas ms la posibilidad de que no salga ninguna de ellas. Ya que, nuestro software no est considerando
que el xito y el fracaso cambien en el valor 0. Finalmente, la probabilidad de obtener 5 o ms pantallas LED
defectuosas corresponde al 0. 2175 o 21. 75 %.
3. Minuciosos estudios han permitido establecer que el 20 % de tornillos fabricados por una cierta mquina son
defectuosos. Si se elige al azar 7 tornillos fabricados por ella, hllese la probabilidad de que:
a) Ninguno sea defectuoso.
0.4
0.3
Probabilidad
0.2
0.1
0.0000128
0.0
0 7
X
Nuestro problema nos indica que se tomar una muestra de 7 tornillos de una mquina, de la cual, se sabe que el
20 % de los tornillos fabricados est en malas condiciones o es disfuncional. Siendo estos datos correspondientes a
una distribucin binominal.
Ahora bien, el software empleado con los datos que tenemos crea la grfica superior, en donde, para entontar la
posibilidad de que no haya ningn tornillo defectuoso, debemos de tomar como posibilidad de xito 80 %, mientras,
que la posibilidad de fracaso como un 20 %; esto, se explica por qu lo esperado es que sean funcionales, por lo
que solo en este caso y solo para este caso, no se tomar como xito el que los tornillos salgan defectuosos por lo
solicitado. Siendo la posibilidad de que no salga ningn defectuoso, como lo muestra la grfica generada por
nuestro programa, del 0. 00001 o bien del 0 %.
6
b) Por lo menos 3 sean defectusos.
0.4
0.3
0. 2097
Probabilidad
0.2
0. 1147
0. 0287
0.1
0. 0043
0. 0003
0.1480
0.0
0 3
X
En este caso tenemos los mismos datos, pero ahora, se nos solicita la posibilidad de que de la muestra al azar de
los 7 tornillos obtengamos al menos 3 defectuosos, lo que, nos dice que pueden haber 4, 5, 6 o 7 defectuosos en
nuestra muestra. Si observamos la grfica generada por nuestro programa, es muy diferente a la anterior que se
mostr en el inciso a; esto, es debido a que, en el inciso anterior, nuestro xito es que todos los tornillos fueren
funcionales, es decir, un 80 % de xito. Mientras que, en el presente inciso, nuestro xito cambia a que sean
defectuosos, es decir, nuestro xito ahora es del 20 %. Pero esto, no lo toma en consideracin nuestro software
como ya se haba mencionado.
Atendiendo a esto, el software nos dar la sumatoria de que salgan al menos 3 tornillos defectuosos, pero, sin
consideran que las posibilidades en el 0 cambian, como lo podemos observar en la grfica superior. Para solucionar
esta problemtica, tenemos que sumar la sumatoria de las barras rojas que es de 0. 1480 como queda explcito en
la grfica, ms la posibilidad que arroja en el 0 como complemento, ya que, sabemos que la posibilidad se invierte
en el 0, como en el inciso anterior correspondiendo a una posibilidad casi de 0 %. Con esto se sabe que, nuestra
posibilidad de obtener 3 o ms tornillos defectuosos corresponde al 0. 3577 o 35. 77 %.
7
c) Haya entre 3 y 5 defectuosos.
0.4
0.3
Probabilidad
0.2
0. 1147
0. 0287
0.1
0. 0043
0.1477
0.0
0 3 5
X
En el siguiente paso, se nos solicita encontrar la posibilidad de que en la muestra de 7 tornillos haya entre 3 y 5
tornillos defectuosos. Para ello tenemos que considerar como nuestro xito que se encuentren tornillos
defectuosos, siendo una posibilidad del 20 % de xito, por ende, una posibilidad del 80 % de fracaso.
Como se muestra en la grfica de distribucin binominal en la parte superior, se tiene que sumar las probabilidades
de los eventos de obtener 3, 4 y 5 tornillos defectuosos respectivamente. Siendo nuestra posibilidad de obtener
entre 3 y 5 tornillos defectuosos del 0. 1477 o 14. 77 % como se muestra en nuestra grfica de distribucin.
8
4. Suponga que, para un embarque muy grande de chips de circuitos integrados, la probabilidad de falla de
cualquier chip es de 0. 10. Suponga que se cumplen las suposiciones en que se basan las distribuciones binomiales
y encuentre la probabilidad de que a lo ms 3 chips fallen en una muestra al azar de 20.
0.30
0.7455
0. 2852
0.25
0. 2702
0.20
Probabilidad
0. 1901
0.15
0.10
0.05
0.00
0 1 3 7
X
El problema nos habla de que, para un embarque de chips de circuitos integrados, se sabe que el 10 % de los
mismos fallarn, por lo que se toma una muestra al azar de 20 de ellos, pidindose encontrar la posibilidad de
obtener a lo ms 3 defectuosos en la muestra. Atendiendo los datos dados por el problema sabemos que se trata
de una distribucin binominal.
Para encontrar la posibilidad mediante el uso de nuestro software, debemos de ingresar los datos considerando
10 % como la posibilidad de xito de nuestro evento solicitado, ya que, el xito en este caso es encontrar chips
defectuosos. El software cre la grfica de distribucin mostrada en la parte superior, donde, se seala en rojo las
posibilidades de los eventos sumados para obtener la posibilidad de obtener a lo ms 3 defectuosos. Como se
observa, el 0 no se toma en consideracin, ya que, como lo hemos visto, la posibilidad se invierte en ese evento,
cosa que no considera nuestro software. Dado que la posibilidad se invierte en ese evento, se sabe que la posibilidad
9
de ese evento es caso 0 %, por lo que, se desprecia. Finalmente, la sumatoria de posibilidades de eventos de nuestra
grfica, nos indica que la posibilidad de obtener a lo ms 3 defectuosos corresponde al 0. 7455 o 74. 55 %.
5. Un fabricante de llantas reporta que entre un cargamento de 5000 que se manda a un distribuidor local, 1000
estn ligeramente manchadas. Si se compran al azar 10 de estas llantas al distribuidor, Cul es la probabilidad de
que exactamente 3 estn manchadas?
0.30
0.25
0.2013
0.20
Probabilidad
0.15
0.10
0.05
0.00
0 3 6
X
Considerando los datos dados por el problema podra resultar difcil determinar el tipo de distribucin del que se
trata, pero no es as, ya que, es ms simple de lo que parece. Se nos habla de una fbrica de llantas en donde, 5000
de ellas en un cargamento, 1000 de ellas se encuentran ligeramente manchadas, y se nos pide calcular la posibilidad
de que en una muestra de 10 de ellas 3 se encuentren manchadas. Se trata de una distribucin binominal, pero
para ello, debemos de calcular la posibilidad de obtener una manchada o una limpia, siendo el coeficiente de las
llantas manchadas entre el total de llantas del cargamento, correspondiendo al 20 %.
Ahora que sabemos la posibilidad de obtener una manchada o en este caso, la posibilidad de xito; podemos
calcular la posibilidad de obtener exactamente 3 en una muestra de 10 llantas. Para ello, ingresamos los datos al
software, donde N es a 10 elementos, p es a 20 % y q es a 80 %. La grfica de distribucin binominal nos mostrar
en rojo la posibilidad del evento en el cual hay exactamente 3 defectuosas, siendo la posibilidad de que haya
exactamente 3 defectuosas del 20. 13 %.
10
6. Un lote de 5000 fusibles contiene 5 % de piezas defectuosas. Si se prueba una muestra de 5 fusibles, encuentra
la probabilidad de hallar al menos hallar uno defectuoso.
0.8
0.7
0.6
0.5
Probabilidad
0. 2036
0.4
0. 0214
0.3
0.2
0. 0012
0.1
0.2262
0.0
0 1
X
Se sabe que, en un lote de fusibles, se tiene una posibilidad del 5 % de que alguno de los mismos falle. Por lo que
nos solicita encontrar la posibilidad de que, en una muestra de 5 de ellos, al menos uno sea defectuoso. Se sabe
que hablamos de una distribucin binominal por la naturaleza de los datos.
Por lo que para encontrar la posibilidad buscada ingresamos como nmero de muestra a nuestro software de 5,
mientras que la posibilidad de xito corresponde a que no funcione siendo del 5 %. Como se observa en la grfica
superior las barras rojas nos indican la posibilidad buscada, siendo una simple sumatoria de posibilidades de
distribucin binominal. En este caso la posibilidad de que no se halle ningn defectuoso coincide con la probabilidad
del mismo evento al invertir las posibilidades como en los otros casos, por lo que, la grfica generada por el software
es correcta. Siendo la posibilidad de que se obtenga al menos 1 defectuoso del 0. 2262 o 22. 62 %.
11
7. Un examen de opcin mltiple tiene 15 preguntas, cada una con 5 posibles respuestas, solo una de las cuales es
correcta. Si uno de los estudiantes que hace el examen contesta cada una con adivinacin independiente. Cul es
la probabilidad de que conteste correctamente 10 preguntas?
0.25
0.20
Probabilidad
0.15
0.10
0.05
0.00
0 8
X
La problemtica radica en encontrar la posibilidad de obtener 10 respuestas correctas en un examen que se

contesta al azar de 15 preguntas de opcin mltiple, en donde, solo uno de los incisos es el correcto. Se sabe que
se habla de una distribucin binominal porque podemos obtener la posibilidad de xito de los 75 incisos en total,
as como la de fracaso, esto, del cociente de incisos correctos entre los incisos errneos.
Entonces se sabe que, la probabilidad de contestar una respuesta correcta en cada pregunta es del 20 %. Siendo
20 % nuestra posibilidad de xito ya que, se busca obtener exactamente 10 respuestas correctas. Por lo que, para
la construccin de la grfica en nuestro software se toma como tamao de muestra 10, y nuestra posibilidad de
xito como el 20 %.
La grfica superior nos muestra en roja la posibilidad del evento buscado, en este caso al ser la posibilidad tan baja
nuestro software la toma como nula por lo que la posibilidad de obtener 10 respuestas correctas exactamente
corresponde a un valor muy cercano al 0 %.
12
II. Distribucin Hipergeomtrica

II. I. Marco Terico
La distribucin hipergeomtrica es una distribucin discreta que modela el nmero de eventos en una muestra de
tamao fijo cuando usted conoce el nmero total de elementos en la poblacin de la cual proviene la muestra.
Cada elemento de la muestra tiene dos resultados posibles (o es un evento o un no evento). Las muestras no tienen
reemplazo, por lo que cada elemento de la muestra es diferente. Cuando se elige un elemento de la poblacin, no
se puede volver a elegir. Por lo tanto, la probabilidad de que un elemento en particular sea seleccionado aumenta
con cada ensayo, suponiendo que an no ha sido seleccionado.
Utilice la distribucin hipergeomtrica para muestras obtenidas de poblaciones relativamente pequeas, sin
reemplazo. Por ejemplo, esta distribucin se utiliza en la prueba exacta de Fisher para probar la diferencia entre
dos proporciones y en muestreos de aceptacin por atributos cuando se toman muestras de un lote aislado de
tamao finito.
La distribucin hipergeomtrica es descrita por 3 parmetros: tamao de la poblacin, conteo de eventos en la

poblacin y tamao de la muestra
Por ejemplo, usted recibe un envo de pedido especial de 500 etiquetas. Supongamos que el 2% de las etiquetas
tiene defectos. El conteo de eventos en la poblacin es de 10 (.02 * 500). Usted toma una muestra de 40 etiquetas
y desea determinar la probabilidad de que haya 3 o ms etiquetas defectuosas en esa muestra.
La distribucin geomtrica se representa mediante la frmula:

[ ]( )

( = ) =

[ ]

Donde:
N es el tamao de la poblacin.
n el tamao de muestra
c el nmero de elementos con las caractersticas deseadas en la poblacin.
X el nmero de elementos en la muestra que se desean.
II. II. Diferencia entre distribucin Binominal y Hipergeomtrica
Tanto la distribucin hipergeomtrica como la distribucin binomial describen el nmero de veces que un evento
ocurre en un nmero fijo de ensayos. En una distribucin binomial, los ensayos son independientes. Para la
distribucin hipergeomtrica, cada ensayo cambia la probabilidad de cada ensayo subsiguiente, porque no hay
reemplazo.
13
II. III. Problemario
1. Cinco fabricantes producen multmetros digitales cuya calidad varia de un fabricante a otro. Si eliges 3 fabricantes
al azar, hallar la probabilidad que la seleccin contenga 2 de las 3 mejores.
Hipergeomtrico, N=5, M=3, n=3
0.6
0.6
0.5
0.4
Probabilidad
0.3
0.2
0.1
0.0
1 2 3
X
En la problemtica plantada se nos solicita encontrar la posibilidad de que en un muestreo de 3 multmetros de

compaas diferentes de una poblacin de 5 distintas compaas se obtengan al menos 2 multmetros de las
mejores compaas. Para ello, debemos de determinar la distribucin de la que se trata. En este caso, tenemos una
poblacin general de 5, una muestra de 3 multmetros de esa muestra, 3 compaas que cumplen con las
caractersticas buscadas y se solicita obtener la posibilidad de que en la muestra de la poblacin haya exactamente
2 compaas con las caractersticas deseadas. Por lo que, sabemos que se trata de una distribucin hipergeomtrica.
Para obtener dicha posibilidad tendremos que aplicar la frmula requerida para una distribucin hipergeomtrica.
En este, caso usaremos el software de probabilidad y estadstica Minitab, por lo que, se tiene que ingresar como
muestra total a 5 que es el nmero de compaas totales, 3 como tamao de muestra, 3 como el nmero de
elementos con las caractersticas deseadas en la poblacin y 2 como el nmero de elementos deseados con esas
caractersticas. Con ello obtendremos la grfica que se encuentra en la parte superior, siendo el eje de las x los
distintos eventos posibles, mientras que, el eje de las ordenadas nos muestra las posibilidades de dichos eventos.
14
La barra roja de la grfica de distribucin nos muestra la posibilidad del evento buscado, el cual, es que se obtengan
2 compaas de las 3 mejores, siendo una probabilidad correspondiente al 0. 60 o 60 %.
2. En una fbrica donde se ensamblan computadores, hay un lote que cuenta con 20 chips los cuales 6 son
defectuosos. Primero llega un obrero y recoge 8 chips; ms tarde llega un ingeniero y lleva los restantes. Halle la
probabilidad de que solamente uno de ellos se haya llevado todos los chips defectuosos.
Grfica de distribucin Grfica de distribucin

Hipergeomtrico, N=20, M=6, n=8 Hipergeomtrico, N=20, M=6, n=12
0.4 0.4
0.3 0.3
Probabilidad
Probabilidad
0.2 0.2
0.1 0.1
0.02384
0.0 0.0
0 5 1 6
X X
De acuerdo con los datos que nos proporciona el problema sabemos que se trata de una distribucin
hipergeomtrica, ya que nos otorga datos como el tamao de poblacin, muestreo de poblacin, elementos con
caractersticas deseadas y evento esperado, que es que cualquiera de los individuos de lleve todos los chips
defectuosos.
Para ello, tenemos que hacer dos grficos con nuestro programa cada uno atendiendo a las circunstancias del
problema. La primera de las grficas (superior derecha) muestra la posibilidad de que el obrero se haya llevado
todos los chips defectuosos, en el que la poblacin es de 10, la muestra es de 8, los elementos con caractersticas
deseadas son de 0 y se desea que se lleve todos los chips defectuosos, siendo la probabilidad como se muestra en
la grfica nula o 0 %.
En el otro caso, se muestra la posibilidad de que el ingeniero se lleve todos los defectuosos en los chips restantes.
Para determinar esta posibilidad, tenemos que considerar como si la poblacin total an fuera 20, ya que, de forma
contraria no se podra calcular, mientras que, el muestreo ser de 12, los elementos con las caractersticas deseadas
seguirn siendo de 6 y los elementos defectuosos que se desean de 6. Como se muestra en la segunda grfica
(superior izquierda) la posibilidad de que el ingeniero se lleve todos los defectuosos en los restantes se muestra en
la brra del color rojo, que es del 0. 0238 o 2. 38 %.
15
3. Un almacn contiene 10 mquinas impresoras, 4 de las cuales son defectuosas. Una compaa selecciona 5 de
las mquinas al azar pensando que todas estn en buenas condiciones. Cul es la probabilidad de que las 5 no
sean defectuosas?
0.5
0.4
Probabilidad
0.3
0.2
0.1
0.02381
0.0
1 5
X
El problema nos presenta datos inherentes a la distribucin hipergeomtrica, ya que, nos presenta una poblacin
definida que es el nmero de mquinas impresoras en el almacn, as como el nmero de elementos con las
caractersticas deseadas en la poblacin que son las mquinas impresoras funcionales de la poblacin y el evento
esperado, el cual, es que las cinco mquinas tomadas de la muestra sean funcionales.
Para ello, debemos de ingresar como poblacin de 10, muestro de 5, elementos con las caractersticas deseadas de
6 y evento esperado como que se obtengan 5 elementos funcionales en el programa utilizado. Con lo que
obtendremos la grfica que se muestra al inicio de la presente hoja, en la cual, se puede observar sealado en color
rojo la probabilidad de que suceda el evento tratado, que es el de obtener todas las mquinas funcionales en el
muestreo tomado. Siendo la posibilidad correspondiente al 0. 0238 o 2. 38 %.
16
4. Unas fotocopiadoras usadas son enviadas al proveedor, limpiadas y luego devueltas segn un convenio de renta.
No se hacen reparaciones importantes y en consecuencia algunos clientes reciben mquinas que no funcionan bien.
Entre 8 copiadores disponibles hoy, tres de ellas estn funcionando mal. Un cliente desea rentar 4 mquinas de
inmediato. Para satisfacer la fecha lmite fijada por el cliente, 4 de las 8 mquinas se seleccionan al azar, y sin ms
pruebas son enviadas al cliente. Cul es la probabilidad de que el cliente reciba:
a) Mquinas que no funcionan mal.
0.4
0.3
Probabilidad
0.2
0.1
0.07143
0.0
0 3
X
Dado los datos que se proporcionan para determinar la posibilidad de que dentro del envo de 4 mquinas solo
haya mquinas funcionales se puede determinar que se trata de una distribucin hipergeomtrica, ya que, cumple
con todas las caractersticas para ello, en donde, se sabe que son muestreos aleatorios y sin remplazo.
Para obtener la grfica deseada que nos proporcione la probabilidad, tenemos que considerar como la poblacin
las 8 mquinas funcionales, el nmero de elementos con las caractersticas deseadas como las tres mquinas que
no funcionan correctamente, el muestreo de 4 mquinas y, finalmente, el evento deseado es que ninguna de las
mquinas defectuosas sea enviada.
17
Con ello se obtiene la grfica que se presenta en la parte superior, en donde la barra roja que se encuentra en el 0,
representa la posibilidad de que ninguna de las mquinas defectuosas sea enviada. Siendo la posibilidad como la
grfica lo indica del 0. 0743 0 7. 43 %.
b) Al menos una mquina que funcione mal.
0.9286
0.4
0. 1147
0. 0287
0.3
Probabilidad
0.2
0.1 0. 0043
0.0
0 1 3
X
En el presente inciso, se nos solicita encontrar la posibilidad de que al menos una de ellas salga mal; lo que, nos
dice que puede haber ms de una defectuosa en el envo. Para ello, podemos emplear la posibilidad anterior
obtenida, ya que, solo basta restarle al 100 %, la posibilidad anterior que se obtuvo.
Como otra forma se pueden ingresar los datos que se tiene al programa, en donde, se le solicita al software hacer
la sumatoria der todas las posibilidades desde que salga 1 defectuosa hasta n defectuosas. Como se puede observar
en la grfica, se muestra las posibilidades independientes de cada evento en particularmente y, de igual forma, se
18
muestra la sumatoria de probabilidades de eventos que corresponde al 0. 9286, por lo que, la posibilidad de que
se enven una o ms defectuosas en el envo corresponde al 92. 86 %.
III. Distribucin de Poisson

III. I. Marco Terico
La distribucin de Poisson es definida por un parmetro: lambda (). Este parmetro es igual a la media y la varianza.
A medida que lambda aumenta, la distribucin de Poisson se acerca a una distribucin normal.
Utilice la distribucin de Poisson para describir el nmero de veces que un evento ocurre en un espacio finito de
observacin. Por ejemplo, una distribucin de Poisson puede describir el nmero de defectos en el sistema
mecnico de un avin o el nmero de llamadas a un centro de llamadas. La distribucin de Poisson se utiliza con
frecuencia en el control de calidad, los estudios de fiabilidad/supervivencia y los seguros.
Una variable sigue una distribucin de Poisson si se cumplen las siguientes condiciones:
Los datos son conteos de eventos (enteros no negativos, sin lmite superior).
Todos los eventos son independientes.
La tasa promedio no cambia durante el perodo de inters.
Su expresin matemtica es:

() =
!
Donde:
es la media o esperanza, producto del tamao de muestra por la probabilidad.
e es la constante de Euler.
n el tamao de muestra.
P la probabilidad de xito en el ensayo.
III. II. Diferencias entre la distribucin de Poisson y la distribucin binomial
La distribucin de Poisson es similar a la distribucin binomial porque ambas modelan conteos de eventos. Sin
embargo, dentro de su espacio de observacin finito, la distribucin de Poisson no establece un lmite superior a
este conteo: una central telefnica podra recibir un nmero infinito de llamadas en un da y no violar los requisitos
de la distribucin de Poisson. En cambio, la distribucin binomial establece un lmite superior en el conteo: el
nmero de eventos que usted observa no puede exceder el nmero de ensayos que realiza.
19
III. III. Qu es la tasa de ocurrencia?
La tasa de ocurrencia es igual a la media () dividida entre la dimensin del espacio de observacin. Es til para
comparar conteos de Poisson recolectados en diferentes espacios de observacin. Por ejemplo, la central telefnica
A recibe 50 llamadas telefnicas en 5 horas y la central telefnica B recibe 80 llamadas en 10 horas. Usted no puede
comparar directamente estos valores, porque sus espacios de observacin son diferentes. Debe calcular la tasa de
ocurrencia para comparar estos conteos. La tasa de la central telefnica A es (50 llamadas / 5 horas) = 10
llamadas/hora. La tasa de la central telefnica B es (80 llamadas / 10 horas) = 8 llamadas/hora.
III. IV. Problemario
1. En un proceso de manufactura en el cual se producen piezas de vidrio, ocurren defectos o burbujas, ocasionando
que la pieza sea indeseable para la venta. Se sabe que en promedio 1 de cada 1000 piezas, tiene una o ms burbujas.
Cul es la probabilidad de que, en una muestra aleatoria de 8000 piezas, menos de 3 de ellas tengan burbujas?
Poisson, Media=8
0.14
0.12
0.10
Probabilidad
0.08
0.06
0. 00035
0. 0027
0.04
0. 0107
0.02
0.01375
0.00
2 18
X
Se sabe que, en un proceso de manufactura de piezas de vidrio, en promedio 1 de cada 1000 posee burbujas, por
lo que, se nos solicita encontrar la posibilidad de que en una muestra aleatoria de 8000 piezas se tengan 3 con
burbujas. Con lo anterior, sabemos que el promedio para obtener la probabilidad en un muestro de 8000 es de 8,
es decir, el nmero defectos que se espera que haya, mientas que, se espera que las incidencias sean de menos de
3 de piezas con burbujas.
20
Para ello ingresamos el promedio de incidencias que es de 8 en nuestro programa y sealamos que buscamos la
sumatoria de las incidencias menores a 3 en todos los eventos (0, 1 y 2). Por lo que la probabilidad del evento
buscado se encuentra en la grfica de distribucin superior. Siendo nuestra probabilidad del 0. 01375, o bien, del
1. 375 %; esto, se observa en las barras rojas que son sealadas en la grfica.
2. El gerente de control de calidad de Gamesa inspecciona un lote de galletas de chispas de chocolate que se acaban
de preparar. Si en el proceso de produccin es trabajo control, la media de chispas de chocolate por galletas es
de 6. 0. Cul es la probabilidad de que en cualquier galleta inspeccionada:
a) Se encuentren exactamente menos de 5 chispas.
Poisson, Media=6
0.18
0. 1339
0.16
0.14
0.12
0. 0892
Probabilidad
0.10
0. 0149
0.08
0. 0446
0.06
0.2851
0.04
0. 0025
0.02
0.00
0 4 15
X
Se nos indica que en una fbrica de Gamesa se lleva a cabo un proceso de control de calidad de la poblacin en la
que se espera que se hallen 6 chispas de chocolate en cualquier galleta ya que es el promedio. Por lo que, en el
presente inciso se nos solicita encontrara la probabilidad de que encontremos una galleta con menos cinco chispas
de chocolate. Con ello, sabemos que se trata de una distribucin de Poisson.
Para determinar la posibilidad de que se obtengan menos de 5 chispas de chocolate en una galleta se tiene que
calcular la probabilidad de que salga, una galleta con 0, 1, 2, 3 y 4 chispas respectivamente. Para obtener la grfica
21
deseada y la probabilidad, se tiene que tomar como media 6, y se tiene que habilitar la opcin de sumatoria de
probabilidad de eventos anteriores a que salgan 5 galletas.
Como se observa en la grfica de la parte superior, las barras rojas representan los susodichos eventos que se tiene
que sumar, mientas que, se anexa cada una de las probabilidades que se sumaron, siendo la suma de las
probabilidades en la grfica de 0. 2851, con lo que, sabemos que la probabilidad de encontrar menos de 5 chispas
en una galleta es del 28. 51 %
b) Se encuentren exactamente 5 chispas.
Poisson, Media=6
0.18
0.1606
0.16
0.14
0.12
Probabilidad
0.10
0.08
0.06
0.04
0.02
0.00
0 5 15
X
Atendiendo los datos anteriores, ahora tenemos que modificar los parmetros buscados para obtener la
probabilidad de que se encuentren exactamente 5 chispas de chocolate. Para ello, seguimos considerando el
nmero promedio de elementos como de 6. Con lo que obtendramos la grfica que se muestra en la parte superior
de la presente hoja. En la cual, podemos observar en color rojo la brra de la probabilidad del evento que buscamos,
por lo que, la probabilidad de obtener exactamente 5 chispas de chocolate en una galleta es del 0. 1606 o 16. 06 %.
22
c) Se encuentren 5 o ms chispas.
Poisson, Media=6
0.18
0. 1377
0.16
0. 1606
0. 1606
0.14
0. 1033
0.12
Probabilidad
0.10
0. 0688
0.08
0. 0413
0.06
0. 0225
0. 0052
0. 0022
0. 0009
0.04
0. 0113
0.02
0.7149 0. 0005
0.00
0 5 21
X
Ahora bien, en el presente inciso se nos solicita obtener la probabilidad de que se tenga una galleta con 5 o ms
chispas de chocolate, por lo que, ahora debemos de sumar las probabilidades de obtener 5, 6, 7, 8, o n chispas
de chocolate en una galleta. Para ello, seguiremos considerando el promedio como 6 galletas de chocolate ya que
no se modifica en estos casos.
Finalmente, tenemos que sumar todas las posibilidades desde obtener 5 chispas hasta n chispas. Como se muestra
en el grfico del inciso se sealan en rojo las barras y sus respectivas posibilidades a considerar, las cuales se suman
23
y se obtiene la posibilidad total sealada en la grfica de que se tenga una galleta con 5 o ms chispas de chocolate,
la cual, es del 0. 7149 o 71. 49 %.
3. El nmero de grietas grandes en un pavimento de determinada longitud a lo largo de una cierta calle tiene una
distribucin de Poisson con una media de una grita por cada 100 metros. Cul es la probabilidad de que haya
exactamente 8 grietas en una longitud de 500 metro de pavimento?
Poisson, Media=5
0.20
0.15
Probabilidad
0.10
0.06528
0.05
0.00
0 8 13
X
En el presente problema se nos indica que el promedio de grietas grandes en una calle es de 1 por cada 100 y se
nos solicita encontrar la posibilidad de que se encuentren exactamente 8 grietas en 500 metros de pavimento. Para
ello tenemos que modificar nuestro promedio para que aplique a los 500 metros, de forma que el producto del
24
nmero de grietas por cada 100 metros se multiplique por 5, siendo el promedio de grietas por cada 500 metros
de 5 grietas.
Por lo que, se debe buscar la probabilidad de que se encuentren 8 grietas, esto, mediante la distribucin de Poisson
por las caractersticas dadas de los datos. Con lo que tomando el promedio como 5 y 8 como el nmero de
incidencias esperadas, se obtiene la grfica superior en la que la probabilidad de que se tengan 8 grietas
exactamente corresponde a la barra de color rojo en la grfica, siendo una posibilidad del 0. 06528 o del 6. 528 %.
IV. Distribucin Normal

IV. I. Marco terico
La distribucin normal es la distribucin estadstica ms comn debido a que la normalidad aproximada ocurre
naturalmente en muchas situaciones de mediciones fsicas, biolgicas y sociales. Muchos anlisis estadsticos
requieren que los datos provengan de poblaciones normalmente distribuidas.
La distribucin normal es una distribucin continua que es definida por la media () y la desviacin estndar (). La
media es el pico o centro de la curva en forma de campana. La desviacin estndar determina la dispersin en los
datos. Aproximadamente, el 68% de las observaciones est dentro de +/- 1 desviacin estndar de la media; el 95%
est dentro de +/- 2 desviaciones estndar de la media y el 99% est dentro de +/- 3 desviaciones estndar de la
media.
Dados los valores de la integral del rea de la curva, su expresin matemtica es:

=

Donde:
X es el xito esperado.
es la media.
es la desviacin estndar.
25
IV. Il. Problemario
1. La resistencia a la compresin de muestras de cemento puede modelarse mediante una distribucin normal con
una media de 6000 kg por cm2 y una desviacin estndar de 100 kg por cm2.
a) Cul es la probabilidad de que la resistencia a la comprensin de una muestra sea menor a 6250 kg por cm2?
Normal, Media=6000, Desv.Est.=100
0.004 0.9938
0.003
Densidad
0.002
0.001
0.000
6000 6250
X
Como se pude observar en el problema se nos solicita encontrar la probabilidad de que la resistencia de
compresin del cemento sea menor a 6 250 kg por cm2, para ello se nos proporcionan datos como el promedio de
compresin y la desviacin estndar. Por lo que intuimos que se trata de una distribucin normal para poder
calcular la probabilidad del evento solicitado.
Como sabemos este tipo de distribucin se representa mediante una campa de Gauss y empleando integrales para
obtener los datos solicitados. En este caso, solo proporcionaremos al programa los datos necesarios para obtener
26
la grfica y la probabilidad correspondiente. Para ello, debemos de ingresar al programa el evento que se espera,
el cual es, que resistencia de compresin del cemento sea menor a 6 250 kg por cm2, as mismo, la media y
desviacin estndar inherentes al suceso.
Finalmente, obtenemos la grfica que se muestra en la parte superior, en la que podemos observar una campana
de Gauss atendiendo la densidad y media dado, mientas que se seala en color rojo el rea del porcentaje
correspondiente al evento que se espera, es decir que se calcula el rea debajo de la curva de la camapana, siendo
la probabilidad de 0. 9938 o del 99. 38 %.
b) Cul es la probabilidad de que la resistencia a la comprensin de una muestra este entre 5800 y 5900 kg por
cm2?
0.004
0.003
Densidad
0.002
0.1359
0.001
0.000
5800 5900 6000
X
En el siguiente inciso se nos solicita ahora encontrar la probabilidad de que la resistencia a la comprensin de una
muestra este entre 5800 y 5900 kg por cm2, donde nuestra media y desviacin estndar de resistencia a la
compresin del cemento es la misma.
Para ello, debemos de ingresar los datos que ya tenas anteriormente al programa, como lo es la desviacin
estndar y el promedio ya que la campana de Gauss se hace con respecto a los mismos. Ahora bien, la grfica
producto de los grficos ingresados se muestra en la parte superior en donde el rea roja bajo la curva corresponde
a la probabilidad de que se tiene de que se obtenga una muestra en donde la resistencia a la comprensin de una
este entre 5800 y 5900 kg por cm2, dicha probabilidad corresponde al 0. 1359 o 13. 59 %.
27
2. Un fabricante produce anillos de pistn para un motor de automvil. Se sabe que el dimetro de los anillos se
distribuye aproximadamente en forma normal y con una desviacin estndar = 0. 001 mm. Una muestra aleatoria
der 15 anillos tiene un dimetro medio de 74. 036 mm.
Calcule la probabilidad que los dimetros de los anillos sean de:
a) De 70 mm.
b) Entre 72 y 74 mm.
Normal, Media=74.036, Desv.Est.=0.001
400
300
Densidad
200
100
0
74.033 74.034 74.035 74.036 74.037 74.038 74.039
X
En el presente caso se nos solicita encontrar la posibilidad de dos incisos, esto, con respecto a un muestreo de
anillos de pistn para motor de automviles. En donde, el promedio del muestreo es de 74. 036 mm con una
28
desviacin estndar de 0. 001 mm, en los cuales, se busca la probabilidad de que sea 70 mm y de que se encuentre
entre 72 y 74 mm el dimetro. Dado que la diferencia de la media con los eventos esperados supera tres veces a la
desviacin estndar, no se puede calcular la probabilidad de los eventos solicitados, ya que, son prcticamente
nulos. Como se muestra en la campana de Gauss el rea bajo la curva es insignificante.
3. El contenido de las botellas de jugo de naranja llenadas por una mquina automtica tiene una distribucin
aproximadamente normal con media de 63. 9 onzas y desviacin estndar de 0. 25 onzas.
Encontrar la probabilidad de que:
a) Una botella contenga menos de 64 onzas de jugo de naranja.
1.8
1.6
1.4
1.2
Densidad
1.0
0.8
0.6554
0.6
0.4
0.2
0.0
63.9 64
X
El problema nos habla de una mquina de llenado de jugo de naranjas en una fbrica, la cual, tiene un llenado
promedio de 63. 9 onzas y una desviacin estndar de 0. 25 onzas, por lo que se sabe que hablamos de un problema
de distribucin normal. Se nos pide que encontremos el rea debajo de la curva o la probabilidad de que la botella
contenga 64 onzas de jugo tras el llenado de la mquina.
29
Para ello, ingresamos al programa de Minitab la media y la desviacin estndar dada, as como las onzas que se
espera tenga el envase, las cuales son 64 onzas. Dado esto, se obtiene el grfico de campana de Gauss que se
muestra en la parte superior de la presente hoja. En la grfica, se muestra el rea roja debajo de la curva que
representa la posibilidad del evento que se espera. Dado esto, se sabe la posibilidad de que una botella se llene
hasta 64 onzas es del 0. 6554 o del 65. 54 %.
b) Una botella contenga al menos de 63. 75 onzas de jugo de naranja.
1.8
1.6
1.4
1.2
Densidad
1.0
0.8 0.7257
0.6
0.4
0.2
0.0
63.75 63.9
X
Ahora, en el presente inciso se solicita encontrar la posibilidad de que una botella contenga al menos 63. 75 onzas
de jugo. Para obtener la posibilidad solicitada, se tiene que considerar la misma media y desviacin estndar en el
programa, con el fin de generar una campana de Gauss con respecto a los datos proporcionados. Tras esto se busca
el complemento de la posibilidad de obtener tan solo 63. 75 onzas, es decir, se buscar calcular la probabilidad de
obtener al menos 63. 75 onzas, ello implica que se pueden tener ms.
Con los datos proporcionados podemos graficar la posibilidad en la campana de Gauss como se puede observar en
la parte superior. En donde, el rea roja representa el rea debajo de la curva que se busca. Dado esto, se sabe,
que la posibilidad de que en el envase haya al menos 63. 75 onzas es de 0. 7252 o del 72. 52 %.
30
4. El dimetro de un eje propulsor de almacenamiento ptico, tiene una distribucin normal con una media de 0.
2500 pulgadas y una desviacin estndar de 0. 0005 pulgadas. Las especificaciones de los ejes son 0. 2500 0. 0015
pulgadas. Qu proporcin de los ejes cumple con las especificaciones?
900
0.9973
800
700
600
Densidad
500
400
300
200
100
0
0.2485 0.25 0.2515
X
Ahora bien, en el presente problema se nos solicita encontrar la proporcin de ejes propulsores de
almacenamiento ptico que cumplen con las especificaciones que son 0. 2500 0. 0015 pulgadas, mientras nos
proporcionan la deviacin estndar y la media de los mismos, las cuales son 0. 0005 y 0. 2500 respectivamente.
Por lo que, para la generacin de los grficos, se tiene que realizar una campaa de Gauss con los datos que se
proporcionaron, la cual, represente la probabilidad del evento. La grfica que se obtiene se muestra en la parte
superior de la presente hoja, en la cual, se puede observar la probabilidad del evento como el rea roja debajo de
la curva, siendo la proporcin de los ejes que cumplen con las especificaciones del 0. 9973 o 99. 73 %.
31
V. Compilacin de Problemas de Distribucin
1. Cada uno de los 12 refrigeradores de un tipo ha sido regresado a un distribuidor debido a un ruido agudo audible
producido por oscilacin cuando el refrigerador est funcionado. Suponga que 7 de esos refrigeradores tienen un
compresor de defectuoso y que los otros 5 no. Si se toma una muestra de 5 refrigeradores y se revisan en orden
aleatorio, encuentre la probabilidad de que:
a) Exactamente 5 estn defectuosos.
0.5
0.4
Probabilidad
0.3
0.2
0.1
0.02652
0.0
1 5
X
Cuando no se nos especifica el tipo de distribucin que se debe de emplear, se deben de analizar los datos que se
presentan en el problema. En el problema que se presenta tenemos un nmero de 12 refrigeradores como una
poblacin, se nos indica que 7 de ellos se encuentran defectuosos y se nos pide determinar la posibilidad de que
exactamente 5 de un muestreo aleatoria de la poblacin de 5 refrigeradores sean defectuosos.
32
Por lo que, se sabe por los datos proporcionados que se trat6a de un problema que sigue un comportamiento de
una distribucin hipergeomtrica. Por lo que, para encontrar la probabilidad del evento que se solicita, debemos
de considerar el desarrollo de una grfica de distribuciones atendiendo un suceso como hipergeomtrico.
Tras ingresar los datos mencionados como la poblacin, elementos que cumplen con las caractersticas
mencionadas, muestro y elementos esperados. Se sabe que la probabilidad de que se obtengan exactamente 5
refrigeradores defectuosos es del 0. 0265 o del 2. 65 %.
b) A lo ms 4 estn defectuosos.
0.5
0. 4419
0.4
0. 2652
0. 2210
Probabilidad
0.3
0.9735
0.2
0. 0442
0. 0013
0.1
0.0
0 4 5
X
Ahora en el presente inciso, se nos solicita encontrar la posibilidad de que haya a los ms 4 refrigeradores
defectuosos, para ello, seguimos considerando el problema como hipergeomtrico. En donde el tamao de
poblacin, muestreo de poblacin y elementos con las caractersticas deseadas en la poblacin siguen siendo los
mismos. Solo debemos de calcular la posibilidad de que se tenga 1, 2, 3 y 4 refrigeradores defectuosos en la
poblacin y sumarlas. O bien, solo restar la posibilidad que se obtuvo en el inciso anterior a 100 %.
En este caso, mediante el empleo del software mencionado, se ingresan los susodichos datos. Considerando que
se busca una sumatoria de probabilidad de eventos desde 0 hasta 4. De dicho proceso se obtiene el grfico que se
encuentra en la parte superior de la presente hoja. De lo cual, sabemos que la posibilidad de que encontremos a
los ms 4 refrigeradores defectuosos es del 0. 9735 o del 97. 35 %.
33
2. En un estudio realizado por una dependencia de transporte y vialidad, se encontr que el 75 % de los vehculos
de transporte colectivo, tiene una irregularidad de acuerdo al reglamento de trnsito. Si se someten 9 de estos
vehculos a revisin hallar la probabilidad:
a) Exactamente 3 tengan irregularidad.
0.30
0.25
0.20
Probabilidad
0.15
0.10
0.05
0.008652
0.00
3 9
X
En el presente problema se nos indica que el 75 % de los vehculos de transporte colectivo presentan alguna
irregularidad y de una muestra de 9 de ellos al azar, se solicita encontrar la posibilidad de que 3 de ellos presenten
alguna irregularidad. El porciento otorgado y el muestro, nos indica que se trata de un problema de distribucin
binominal. Ya que, tenemos una posibilidad de xito y una de fracaso.
Pare ello, se considera como probabilidad de xito el que los autos sean irregulares, que es del 75 %; mientras que
la probabilidad de fracaso es del 25 %. La muestra es de 9 vehculos y se espera exactamente 3 de ellos tengan
alguna irregularidad. Tras ingresar dichos datos al programa se sabe que la probabilidad del xito, la cual, se
encuentra sealada en la barra roja de la grfica de distribuciones corresponde al 0. 008652 o bien 0. 87 %.
34
b) De 3 a 6 tengan irregularidad.
0.30
0. 2336
0.25
0.20
Probabilidad
0. 1168
0.15
0.3980
0.10
0. 0389
0. 0087
0.05
0.00
3 6 9
X
Para el siguiente inciso, se solicita encontrar la probabilidad de que de entre los vehculos seleccionados para el
muestreo de entre 3 y 6 tengan alguna irregularidad. Para ello, se considera que el tamao de muestra, as como
las probabilidades de xito y fracaso son las mismas.
Finalmente, con los datos proporcionados, podemos crear una grfica de distribuciones como la que se presenta
en la actual pgina, siendo la sumatoria de los eventos (3, 4, 5 o 6 vehculos con irregularidades) la probabilidad
que estamos buscando. En la grfica se muestran estas barras de los eventos sumados en tonalidad roja, por lo que
se sabe que la probabilidad de que se encuentren de 3 a 6 vehculos con irregularidades es del 0. 3980 o 39. 80 %.
35
3. Para seleccionar a los empleados de una empresa, se aplica una prueba la cual arroja una puntuacin promedio
de 140 puntos y una desviacin estndar de 10 puntos. Se desea estimar la probabilidad de que una persona
obtenga entre 130 y 150 puntos en dicha prueba.
0.04
0.6827
0.03
Densidad
0.02
0.01
0.00
130 140 150
X
Para el problema presentado, se sabe que al aplicar una encuesta la puntuacin promedio es de 140 puntos,
mientras que, se presenta una desviacin estndar de 10 puntos. Ahora bien, se nos solicita encontrar la posibilidad
de que se obtenga un resultado de entre 130 y 150 puntos. Dados los datos sabemos que se trata de un
comportamiento acorde a la distribucin normal.
36
Para generar la grfica insertamos los datos recalcados. Por lo que tendremos una grfica como la que se presenta
en la parte superior de la presente hoja, en la que podemos observar como una zona roja bajo la curva el rea que
representa la probabilidad de que suceda el evento. Finalmente, dado la grfica sabemos que la probabilidad del
evento corresponde al 0. 6827 o 68. 27 %.
4. El gerente de control de calidad de una empresa considera que las unidades de un lote de produccin son de alta
calidad solo en el caso de que una muestra de 25 unidades, ninguna tenga defecto. Si la probabilidad de encontrar
una unidad con defecto es de 0. 01. Calcular la probabilidad de un lote de produccin cualquiera sea declarado de
alta calidad.
0.8 0.7778
0.7
0.6
Probabilidad
0.5
0.4
0.3
0.2
0.1
0.0
23 25
X
Se nos pide encontrar la probabilidad de ser declarado un lote de unidades como de alta calidad, si se sabe que la
probabilidad de un defecto en una unidad es del 0. 01. Siendo la muestra de 25 unidades. Para ello, debemos de
encontrar la probabilidad de que esas 5 unidades funcionen correctamente. Segn los datos que se proporcionaron
se sabe que se trata de una distribucin binominal.
37
Por lo que, para representar las posibilidades, se tiene que realizar una grfica de distribucin de frecuencias como
la que se muestra en la presente hoja. Donde, podemos observar en tonalidad rojo la barra que representa la
posibilidad de que las 25 unidades sean funcionales que es lo que se busca, dicha probabilidad corresponde al 0.
7778 o 77. 78 %.
5. Cierta mquina fabrica resistores elctricos que tienen una resistencia promedio de 25 Ohmios y una desviacin
estndar de 3.2 Ohmios. La resistencia tiene una distribucin normal.
a) Qu porcentaje de los resistores tendrn una resistencia inferior a 16 ohmios?
Normal, Media=25, Desv.Est.=3.2
0.14
0.12
0.10
Densidad
0.08
0.06
0.04
0.02
0.002458
0.00
16 25
X
El problema nos habla del promedio y desviacin estndar de valor de resistencia de unos resistores que se
producen en una fbrica, siendo 25 y 3. 2 respectivamente. En el primer inciso se nos solicita determinar la
porcin de resistores que tendrn un valor inferior a 16 . Los datos nos indican que se trata de una distribucin
normal.
38
Para determinar la proporcin se debe de realizar una campana de Gauss atendiendo el promedio y la desviacin
estndar que se presentan. Con respecto a ello, se podr observar como en la grfica aqu presente el rea bajo la
curva que representa el porcentaje buscado, el cual, equivale al 0. 002458 o 0. 25 %, esto debido a la cercana del
valor dado a tres veces la desviacin estndar
b) Qu porcentaje de los resistores tendrn una resistencia superior a 35 ohmios?
0.14
0.12
0.10
Densidad
0.08
0.06
0.04
0.02
0.0008890
0.00
25 35
X
Este inciso nos solicita encontrar el porcentaje de resistores que sean superior a 35 . Al ser el valor tan alejado
de la desviacin estndar es prcticamente nulo, como se puede observar en la grfica realizada para la
representacin del resultado. Siendo un evento muy raro o casi imposible de suceder.
39
c) Qu porcentaje de los resistores tendrn una resistencia entre 20 y 32 ohmios?
0.14
0.12 0.9266
0.10
Densidad
0.08
0.06
0.04
0.02
0.00
20 25 32
X
Finalmente se nos pide encontrar el porcentaje de resistores que tendrn una resistencia de entre 20 y 32 . Para
ello hemos de considerar el promedio de 25 y la desviacin estndar de 3. 2 que se dio al principio del
planteamiento del problema.
40
Para la generacin de la fbrica se considera los valores mencionados para la realizacin de la campana de Gauus
en el programa misma que se encuentra en la presente pgina. Para ello se tiene que buscar la probabilidad en un
intervalo de rea debajo de la curva, la cual, se representa en una tonalidad roja. Dado esto, se puede interpretar
en la grfica que la probabilidad del evento mencionado es del 0. 9266 o 92. 66 %.
6. En pruebas realizadas a un amortiguador para automvil se encontr que el 20 % presentaban fuga de aceite. Si
se instalan 20 de estos amortiguadores, hallar la probabilidad de que:
a) Ms de siete salgan defectuosos.
Poisson, Media=4
0.20
0.15
Probabilidad
0.10
0. 0298
0. 0053
0. 0019
0.05
0. 0132
0. 0009
0.05113
0.00
0 8
X
El problema nos indica que, en las pruebas realizadas a un amortiguador de auto, 20 % de estos presentaban fugas
de aceite, considerando como muestra 20 automviles, se solicita encontrar la posibilidad de que ms de 7 autos
41
presenten fuga de aceite. Con ello sabemos que se trata de una distribucin de Poisson, ya que, la media se puede
encontrar multiplicando el tamao de muestra por la esperanza, dicho producto, nos dice que el promedio es de 4
amortiguadores que fallan.
Con los datos obtenidos y buscados, se puede graficar las posibilidades en una grfica de distribucin como la aqu
expuesta, en la que se muestra en color rojo, las posibilidades a sumar para obtener ms de 7 amortiguadores
defectuosos en la muestra. Finalmente, la probabilidad corresponde al 0. 05113 o 5. 11 %.
b) Entre 10 y 15 salgan defectuosos.
Poisson, Media=4
0.20
0.15
Probabilidad
0.10
0.05 0. 0009
0. 0019
0. 0053
0.008132
0.00
0 10
X
El inciso B nos solicita que encontremos la posibilidad de que se encuentren entre 10 y 15 amortiguadores daados,
para ello ya sabemos que se trata de una distribucin de Poisson. Por lo que, considerando la misma grfica que se
mencion en el inciso anterior se suman las probabilidades desde 10 a 15 como eventos independientes. En la
grfica se pueden apreciar dichas posibilidades en forma de barra con tonalidad roja. La sumatoria de dichas
posibilidades es equivalente a la probabilidad de que fallen de entre 10 y 15 amortiguadores; la probabilidad es del
0. 0081 o 0. 81 %, lo que es prcticamente 0 %.
42
7. La distribucin de peso de paquetes enviados de cierta mquina es normal con valor medio de 12 libras y
derivacin estndar de 3. 5 libras. El servicio de paquetera desea encontrar la probabilidad de que el peso de los
paquetes se encuentre entre 10 y 15 libras.
0.12
0.5205
0.10
0.08
Densidad
0.06
0.04
0.02
0.00
10 12 15
X
En la problemtica presentada, se menciona que el promedio de pesos de paquetes de cierta mquina es de 12

libras, mientas que, su desviacin estndar corresponde a 3. 5 libras. As mismo, se solicita encontrar la posibilidad
43
de que el peso de los paquetes se encuentre entre 10 y 15 libras. Tras el anlisis de los datos mencionados, se
puede determinar que se trata de una distribucin normal.
Para encontrar la posibilidad se debe de elaborar una campana de Gauss con respecto al promedio y desviacin
estndar. Se puede observar en la misma que la probabilidad de ambos sucesos se representa mediante el rea de
la curva que se encuentra encerrada en los intervalos mencionados de 10 y 15 libras. Con lo que se puede
determinar que la probabilidad corresponde al 0. 5205 o 52. 05 %.
8. Sea X el nmero de imperfecciones superficiales de una caldera seleccionada al azar de un tipo que tiene una
distribucin de Poisson con promedio de 5 imperfecciones. Calcule las siguientes probabilidades:
a) De que existan a lo ms 8 imperfecciones.
Poisson, Media=5
0.20
0.9319
0. 1462
0. 1404
0. 1755
0. 1755
0.15
0. 1044
Probabilidad
0. 0842
0.10
0. 0653
0. 0337
0.05
0. 0067
0.00
8 13
X
El problema que se present explica que se trata de una distribucin de Poisson, por lo que se solamente se tiene
que identificar los datos y elaborar una grfica de distribucin como la que se present en seguida del problema.
44
Sabemos que la media corresponde a 5 imperfecciones superficiales. Ahora bien como se muestra en el grfico, se
tiene que sumar las posibilidades de los eventos de obtener 1 hasta 8 imperfecciones atendiendo a lo que se pide.
Para ello se suman las probabilidades marcadas en la grfica de color rojo. Tras esto se sabe que la probabilidad de
que existan a lo ms 8 imperfecciones superficiales en la caldera es de 0. 9319 o 93. 19 %.
b) Entre 5 y 8 imperfecciones.
Poisson, Media=5
0.20
0. 1462
0. 1755
0. 1044
0.15
Probabilidad
0.4914
0.10
0. 0653
0.05
0.00
0 5 8 13
X
45
Considerando los datos anteriores ahora se solicita encontrar la probabilidad de que se hallen entre 5 y 8
imperfecciones como es que se muestra en color rojo en las grficas. Para ello debemos de sumar las probabilidades,
para ello ya sabemos que en la grfica el eje de las abscisas representa los eventos posibles y el de las ordenadas
las probabilidades. Finalmente, la sumatoria ya mencionada es de 0. 4914 o 49. 14 %, siendo est la probabilidad
de que se encuentren de encuentren de entre 5 y 8 imperfecciones.
9. Una caja con 18 artculos tiene 6 defectuosos. Si se toma una muestra de 3, Cul sera la probabilidad de no
incluir artculos defectuosos en la muestra?
0.5
0.4
Probabilidad
0.3
0.2696
0.2
0.1
0.0
0 3
X
En la problemtica que se presenta, se dice que, de 18 artculos 6 son defectuosos y se quiere saber la probabilidad
de que en una muestra de 3 de ellos no se incluya ninguno defectuoso. Los datos que se presentan nos hablan de
una distribucin hipergeomtrica, ya que, buscamos elementos con caractersticas determinadas.
46
Para ello, insertamos los datos proporcionado en nuestro programa, donde, se genera una grfica como la que se
presenta en la presente pgina. Donde las abscisas corresponden a los eventos y las ordenadas a las posibilidades
de los mismos. Como se espera que no haya defectuosos, se sabe que la posibilidad se da en la columna 0, en donde,
se sabe que no hay ningn defectuoso. Finalmente, se sabe que la posibilidad de que no se hallen artculos
defectuosos en la muestra es del 0. 2696 o 26. 96 %.
10. Se sabe que de un total de 150 computadoras hay 10 que tienen instalados programas sin licencia. Se
seleccionaban a 20 computadoras para verificar si se encuentra instalado algn programa ilcito. Cul es la
probabilidad de tener 4 computadoras en la muestra con software sin licencia?
0.4
0.3
Probabilidad
0.2
0.1
0.02470
0.0
0 4 5
X
Finalmente, en este ltimo problema, se nos seala que de un total de 150 computadores 10 de estos no tiene
programas con licencia, por lo que se nos solicita encontrar la posibilidad de que, en una muestra de 20 de ellos, se
encuentren 4 computadores sin licencia. Los datos que se proporcionan corresponden a una distribucin
hipergeomtrica, ya que, se nos proporciona tamao de poblacin, muestreo de poblacin, elementos con las
caractersticas deseadas en la poblacin y los elementos deseados.
47
Para obtener la probabilidad se elabora una grfica como la presentada (probabilidad contra eventos) y se localiza
la probabilidad del evento en donde hay exactamente 4 computadores sin licencia como se seala en el grfico.
Tras esto, se puede saber finalmente que la probabilidad del evento corresponde al 0. 0247 o bien al 2. 47 %.
IV. Infografa
http://support.minitab.com/es-mx/minitab/17/topic-library/basic-statistics-and-graphs/probability-
distributions-and-random-data/distributions/binomial-distribution/
distributions-and-random-data/distributions/normal-distribution/
distributions-and-random-data/distributions/hypergeometric-distribution/
distributions-and-random-data/distributions/poisson-distribution/
48

Variables Discretas y Continuas.

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Variables Discretas y Continuas.

Diunggah oleh

Hak Cipta:

Format Tersedia

Universidad Politcnica

del Estado de Morelos

VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

El nmero de ensayos es fijo.

Dicha distribucin se representa mediante la frmula:

a) Ninguno sea defectuoso.

b) Por lo menos 3 sean defectusos.

c) Haya entre 3 y 5 defectuosos.

La problemtica radica en encontrar la posibilidad de obtener 10 respuestas correctas en un examen que se

II. Distribucin Hipergeomtrica

La distribucin hipergeomtrica es descrita por 3 parmetros: tamao de la poblacin, conteo de eventos en la

La distribucin geomtrica se representa mediante la frmula:

c el nmero de elementos con las caractersticas deseadas en la poblacin.

X el nmero de elementos en la muestra que se desean.

II. II. Diferencia entre distribucin Binominal y Hipergeomtrica

II. III. Problemario

En la problemtica plantada se nos solicita encontrar la posibilidad de que en un muestreo de 3 multmetros de

Grfica de distribucin Grfica de distribucin

a) Mquinas que no funcionan mal.

b) Al menos una mquina que funcione mal.

III. Distribucin de Poisson

Su expresin matemtica es:

es la media o esperanza, producto del tamao de muestra por la probabilidad.

P la probabilidad de xito en el ensayo.

III. II. Diferencias entre la distribucin de Poisson y la distribucin binomial

III. III. Qu es la tasa de ocurrencia?

III. IV. Problemario

a) Se encuentren exactamente menos de 5 chispas.

b) Se encuentren exactamente 5 chispas.

IV. Distribucin Normal

IV. Il. Problemario

Calcule la probabilidad que los dimetros de los anillos sean de:

Encontrar la probabilidad de que:

a) Una botella contenga menos de 64 onzas de jugo de naranja.

b) Una botella contenga al menos de 63. 75 onzas de jugo de naranja.

V. Compilacin de Problemas de Distribucin

a) Exactamente 5 estn defectuosos.

a) Exactamente 3 tengan irregularidad.

a) Qu porcentaje de los resistores tendrn una resistencia inferior a 16 ohmios?

b) Qu porcentaje de los resistores tendrn una resistencia superior a 35 ohmios?

c) Qu porcentaje de los resistores tendrn una resistencia entre 20 y 32 ohmios?

a) Ms de siete salgan defectuosos.

b) Entre 10 y 15 salgan defectuosos.

En la problemtica presentada, se menciona que el promedio de pesos de paquetes de cierta mquina es de 12

a) De que existan a lo ms 8 imperfecciones.

Anda mungkin juga menyukai