Вы находитесь на странице: 1из 19

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA CIVIL


DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

MODELOS PROBABILISTICOS
Son modelos matemticos apropiados para situaciones reales en condiciones especficas,
son importantes porque nos ayudan a predecir la conducta de futuras repeticiones de un
experimento aleatorio. Los modelos pueden ser discretos o continuos.
Los modelos o distribuciones discretas ms comunes son: La Uniforme, Binomial, Poisson
y la Hipergeometrica. Vamos a presentar los modelos ms usados en investigacin, y ms
especficamente en reas sociales y humansticas, ac se abordarn los temas de la
Binomial, la cual es base para definir los tamaos mustrales y la Poisson, de gran utilidad
en teora de colas o fenmenos de espera.
En cuanto a las continuas, se utilizan fundamentalmente las siguientes: Z de la Normal, T
de Student, las cuales sern objeto de estudio.
DISTRIBUCIONES DISCRETAS
ENSAYO DE BERNOULLI
Consiste en realizar un slo experimento (ensayo) en el cual existen nicamente dos
posibles resultados:
S = {xito, fracaso}
Por ejemplo: observar un artculo y ver si es defectuoso.
DISTRIBUCIN DE BERNOULLI
Definimos a la variable aleatoria de Bernoulli de la siguiente forma:
{
su distribucin de probabilidad queda:
( )

Esta es la forma ms usual de representar a la distribucin de Bernoulli


Media o Valor esperado
( )

Varianza

( )

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

MODELO BINOMIAL
Es un modelo discreto, es decir, la variable toma valores conocidos y finitos. Es utilizado
en grficos de control para anlisis de nmero o porcentaje defectuoso, adicionalmente se
utiliza para calcular probabilidades de aceptacin o rechazo de lotes en muestreo de
aceptacin, de ah su importancia.
Un modelo Binomial cumple las siguientes propiedades:
1) El experimento tiene un nmero fijo de ensayos.
2) De cada prueba solo puede presentarse uno de dos resultados. Un xito o un fracaso.
3) La probabilidad de xito y la probabilidad de fracaso son constante para cada prueba.
4) Cada una de las pruebas es independiente de todas las dems, es decir, lo que ocurre en
una prueba cualquiera, no afecta los resultados de las otros ensayos.

FUNCION DE PROBABILIDAD DE LA BINOMIAL


Supongamos que se realizan n ensayos de Bernoulli y la probabilidad de xito es p, la
distribucin de X para n =2, 3 4 es:

Se observa que el trmino genrico es


Cuntas?

repetido un determinado nmero de veces.

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

Supongamos que se obtienen consecutivamente primero los


fracasos:

xitos y luego los

( )
Para encontrar el nmero de formas en que se pueden obtener los xitos y luego los
fracasos, recordemos la expresin para el clculo de permutaciones con grupos de objetos
iguales:

Hagamos

Es decir que el nmero de formas en que se pueden ordenar los xitos y los fracasos es
(
).
Finalmente, tenemos que el trmino

se repite un nmero de veces igual a (

En forma resumida, la funcin de probabilidad de la variable aleatoria binomial es:

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

):

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

Media o Valor esperado


( )

Varianza
( )

DISTRIBUCION BINOMIAL ACUMULADA


La distribucin de probabilidad acumulativa de la variable aleatoria binomial es:

( )

( )

Ejemplo
La probabilidad de que un jugador de basket-ball anote un tiro libre es de . sus tiros son
independientes, si en un juego puede hacer 5 tiros libres, determinar:
a) la probabilidad de que acierte en todos sus tiros.
b) la probabilidad de que falle todos sus tiros.
c) la probabilidad de que acierte por lo menos la mitad de sus tiros.
Solucin:
xito: acierta un tiro libre.

n=5

Sea X: Nmero de aciertos en tiro libre.


a)

( )

( ) ( )

b)

( )

( ) ( )

c)

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

Ejemplo2:

Segn el ltimo estudio sobre favorabilidad del actual gobernante, ste tiene a su favor el
52% de todos los habitantes mayores de edad. Si de esta poblacin se selecciona al azar 5
personas, a) cul es la probabilidad de que exactamente 3 de personas estn a favor del
mandatario?, b) mximo 3, c) entre 2 y 4 inclusive estn a favor.
SOLUCIN EXCEL.

El programa permite calcular tanto la probabilidad en un punto como la acumulada. A


continuacin se muestra la sintaxis para resolver el problema anterior.
a) =DISTR.BINOM(3; 5; ,52; falso). Indica que se quiere determinar la
probabilidad de que 3 personas estn a favor de 5 encuestados, donde la
probabilidad de xito es de 0.52 y el falso, quiere decir que no es acumulada.
P(x = 3) = 0.3239.
b) =DISTR.BINOM(3; 5; ,52; verdadero). Indica que se quiere determinar la
probabilidad de que mximo 3 personas estn a favor de 5 encuestados,
donde la probabilidad de xito es de 0.52 y el verdadero, quiere decir que la
probabilidad es acumulada. (
P) = 0.7865.
c) P(2 X 4)= F(4) - F(1)=( =DISTR.BINOM(4;5;,52;1)=DISTR.BINOM(1;5;,52;1).
0.9619- 0.1634 = 0.7985

MODELO DE POISSON
Es una distribucin discreta, tiene su principal aplicacin en teora de colas o fenmenos de
espera y en control estadstico de calidad., as, como para calcular probabilidades en
eventos escasos y en intervalos de tiempo y espacio.
Es decir los experimentos que resulten en valores numricos de una variable aleatoria X,
misma que representa el nmero de resultados durante un intervalo de tiempo dado, o
regin especfica, frecuentemente se llaman experimentos de poisson.
Ejemplo. Llamadas por minuto, clientes por hora, toneladas por hectrea, baches por
kilmetro, etc.
De un experimento de Poisson, surge el proceso de Poisson que tiene las siguientes
propiedades:
1. El nmero de resultados que ocurren en un intervalo de tiempo o regin especficos
es independiente del nmero que ocurre en cualquier otro intervalo o regin.
2. La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo corto
o una regin pequea es proporcional a la longitud del intervalo de tiempo o al

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

tamao de la regin y no depende del nmero de resultados del nmero de


resultados que ocurren fuera de ste intervalo o regin.
3. La probabilidad de que ms de un resultado ocurra en ese intervalo de tiempo tan
corto o en esa regin tan pequea es despreciable.
FUNCIN DE PROBABILIDAD DE POISSON
Definamos una variable aleatoria X como el nmero de eventos independientes que ocurren
a una rapidez constante.

( )

para

donde:
es el nmero promedio de ocurrencias del evento por unidad de tiempo o espacio
= 2.72782 base de los logaritmos neperianos.
La media y varianza de la variable aleatoria de Poisson son:
( )

LA FUNCIN DE DISTRIBUCIN ACUMULADA DE POISSON


(

Ejemplo:
El nmero promedio de individuos que llegan a solicitar informacin sobre un nuevo
producto es de 5 por hora. Determine la probabilidad de que, en una hora determinada,
lleguen: a) exactamente 2 usuarios, b) a lo ms 4, c) ms de 4, d) 2 en media hora.
Solucin
Sea X= nmero de personas que solicitan informacin sobre el producto.
Lo primero a determinar es si cumple los requerimientos del modelo Poisson.
Las personas llegan de manera aleatoria y sus llegadas son independientes.
Los sucesos ocurren en un intervalo determinado .
Al cumplir los requerimientos, entonces,
( )
donde = 5 personas/hora
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

Reemplacemos los valores en la frmula.


a) (

)
(
)
(
)
(
)
(
)
b) (
)
(
)
c) (
d) Dado que se cambi la unidad de medida, el promedio se altera.
= 2.5 personas/30 minutos.
( )
(
)

SOLUCIN CON EXCEL


El programa permite calcular tanto la probabilidad en un punto como la acumulada. A
continuacin se muestra la sintaxis para resolver el problema anterior.
a) =POISSON(2;5;0). Indica que se quiere determinar la probabilidad de que 2
personas soliciten informacin sobre el producto, donde el promedio es de 5 y
0, quiere decir que no es acumulada. El resultado es 0.08422.
b) = POISSON(4;5;1). Indica que se quiere determinar la probabilidad de que
mximo 4 personas pidan informacin en un intervalo de una hora, el promedio
es 5 y 1, quiere decir que la probabilidad es acumulada. El resultado es 0.4404
c) 1 - =POISSON(4;5;1). Indica la probabilidad de que ms de 4 personas
pregunten por el producto en un intervalo de una hora, el promedio es de 5. El
resultado es 1 - 0.4404= 0.5596.
d) =POISSON(2;2.5;0). Calcula la probabilidad de que 2 personas soliciten
informacin en un intervalo de media hora, el promedio cambia a 2.5
personas/30 minutos. El resultado es 0.2651.

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

LA DISTRIBUCIN DE POISSON COMO LMITE DE LA DISTRIBUCIN


BINOMIAL*
La distribucin de Poisson se obtiene a partir de la distribucin binomial, considerando que
n tiende a ( el nmero de experimentos de Bernoulli) mientras que p tiende a cero
(probabilidad de xito).Se le interpreta como la variable aleatoria que representa el nmero
de eventos independientes que ocurren a una velocidad constante en el tiempo o el espacio.
Sea X una VA con distribucin binomial con parmetros n y p
(

( )

Es el nmero promedio de resultados por unidad de tiempo o regin (velocidad o


rapidez de cambio).
La distribucin de Poisson puede sustituir a la binomial para un n grande y una p
pequea

Vamos a demostrar:
Considerando la expresin general para la probabilidad binomial:
(
=
Sea

)(

( )
) (

; por tanto
(

(
)

y
)

sustituyendo:
(

( ) (

= [( ) (

)(

)] [

= [( ) (

)(

)] [

] [

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

Sea
cuando

de tal forma que


(de igual forma que

permanezca constante. Esto significa que


y
de tal forma que

).

En la ltima expresin, los trminos de la forma


(

)(

, al igual que [

tienden a 1 si

Por otra parte la definicin

es cuando
[

Finalmente

Ejemplo 1:
Si el 2% de los transistores producidos por una fbrica salen defectuosos encontrar la
probabilidad de que en un lote de 200 transistores haya caundo ms 5 transistores
defectuosos.
Por binomial
n=200 p =0.2
(
=(

)
)(

(
) (

)
)

)
(

(
)(

Por Poisson:
(
(

}=0.78

Ejemplo 2:
Si la probabilidad de que una viga de concreto falle a la compresin es de 0.05.Obtener la
probabilidad de que en 50 vigas:
a) Ninguna falle

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

b) Cuando ma 2 fallen
c) 5 fallen
Solucin
P=0.05 n=50
(

a)

)
(

b)

entonces
c) (

entonces

}=0.5437

DISTRIBUCIONES CONTINUAS
DISTRIBUCION NORMAL
Es el modelo continuo ms utilizado en inferencia estadstica, dado que muchos fenmenos
socio demogrfico y de otra ndole tienen un comportamiento acampanado y por ende
cumplen la teora de la distribucin normal, sin embargo, es importante aclarar que antes de
proceder a aplicar los mtodos sugeridos por la teora estadstica, es imprescindible
identificar primero si en realidad los datos si se comportan como tal, es decir, se debe saber
a ciencia cierta si los datos son aproximadamente acampanados, para ello se disponen de
procedimientos descriptivos ya descritos, como son: el histograma, comparar las medidas
de posicin relevantes (media, mediana y moda), calcular los coeficientes de asimetra y
curtosis. Adems, de otras pruebas ms avanzadas como la de Smirnov Kolmogorov y la de
Shapiro Wilks.
CARACTERISTICAS DE LA DISTRIBUCION NORMAL
1. Forma
Es una campana simtrica con respecto a su centro
La curva tiene un solo pico; por tanto, es unimodal.
La media de una poblacin distribuida normalmente cae en el centro de su curva
normal.
Debido a la simetra de la distribucin normal de probabilidad, la mediana y la
moda de la distribucin se encuentran tambin en el centro; en consecuencia, para
una curva normal, la media, la mediana y la moda tienen el mismo valor.

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

Los dos extremos de la distribucin normal de probabilidad se extienden


indefinidamente y nunca tocan el eje horizontal.
Parmetros

2. Est caracterizada por dos parmetros

a) Parmetro de localizacin: La media

b)Parmetro de forma: La varianza

3. FUNCIN DE DENSIDAD
Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la funcin de
densidad que corresponde a tales distribuciones viene dado por la frmula

( )

donde
: Media
: Varianza
= 3.1415

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

REPRESENTACIN GRFICA DE LA FUNCION DE DENSIDAD

Dominio:
Mximo: (

Punto de inflexin: en
Asntotas: el eje OX es una asntota horizontal
Simetra: respecto a la recta
) y decreciente(

Monotona: creciente(

Signo: es siempre positiva.


Punto de corte: OY

La distribucin normal queda definida por dos parmetros, su media y su varianza. Lo


representamos as

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

F(x) es el rea sombreada de esta grfica

Caracterstica de la funcin de distribucin:

Puede tomar cualquier valor (- , + ) Son ms probables los valores cercanos a


uno central que llamamos media
Conforme nos separamos de ese valor
, la probabilidad va decreciendo de igual
forma a derecha e izquierda (es simtrica).
Conforme nos separamos de ese valor , la probabilidad va decreciendo de forma
ms o menos rpida dependiendo de un parmetro , que es la desviacin estndar.

TEOREMA DE TIPIFICACION O ESTANDARIZACION


Si la variable

) entonces la variable tipificada de

tambin una distribucin normal pero de

, es decir

es
(

y sigue
)

Por tanto su funcin de densidad es

y su funcin de distribucin es

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

Siendo la representacin grfica de esta funcin

Caracterstica de la distribucin normal tipificada (estndar)

No depende de ningn parmetro


Su media es 0, su varianza es 1 y su desviacin estndar es 1.
La curva f(x) es simtrica respecto del eje OY
Tiene dos puntos de inflexin en z =1 y z = -1

USO DE LA TABLA ACUMULADA NORMAL


a) P(x>155) = 1- P(x 155) =1 P (z

(155-132)/15)= 1 - P(Z<1.53)

1 0.9370= 0.063.
Se busca el valor de 1.53 en la tabla, encontrando el valor de 0.9370 sombreado en la tabla.
b) P(x 100) = P(x1 00)=P(Z ( 100-132)/15)= P(Z-2 .13)= 0.0166
Al ser un valor para la probabilidad se calcula de manera directa, es decir, se ubica el
valor de Z=-2.13 correspondiendo la probabilidad de 0.0166.
c) P (105 < x < 143) = P(x<143) P(x< 105). Luego de tipificar, se tiene:
P(Z< 0.73) P(Z<-1.8) = 0.7673 0.0359 = 0.7324
Siempre los valores de Z, se ubican en la tabla normal.

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

TABLA ACUMULADA NORMAL

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

USANDO EXCEL PARA EL CALCULO DE PROBABILIDAD EN UN


DISTRIBUCIN NORMAL.
(

); X ~ N (140, (50)2)

a) (
)
=DISTR.NORM(100;140;50;VERDADERO)
b) b P ( x > 200) = 1 P (x

200).

=DISTR.NORM(200;140;50;VERDADERO) = 0.884930
c) P (40 < x < 240)= P(z<240)-P(z<40)

=DISTR.NORM(240;140;50;VERDADERO)
=DISTR.NORM(40;140;50;VERDADERO)
0,97724994 - 0,02275006 = 0.9544
)
d) (
. En ste caso, se requiere entrar la probabilidad para que el
procedimiento entregue el valor de x. Note que la sintaxis cambia, adicionando la
palabra INV.
=DISTR.NORM.INV(0,5;140;50) = 140

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

TERCERA PRCTICA DIRIGIDA


ESTADISTICA Y PROBABILIDAD
1. Se afirma que 30% de la produccin de ciertos instrumentos se realiza con material
nacional y los dems con material importado. Si se toma una muestra aleatoria con
reemplazo de 25 de estos instrumentos:
a) cul es la probabilidad de que 3 de ellos sean de material nacional?
b) cul es la probabilidad de que no ms de 3 de ellos sean de material nacional?
c) cul es la probabilidad de que al menos 3 sean de material nacional?
d) Cuntos instrumentos fabricados con material nacional se esperara encontrar en la
muestra?
2. Se sabe que 10 es el nmero promedio de camiones tanque que llegan por da a una
cierta estacin; las instalaciones slo pueden atender cuando mucho 15 camiones por da.
Cul es la probabilidad de que en un determinado da se tengan que regresar los camiones?
3. En un sorteo que se realiza diariamente de lunes a viernes, la probabilidad de ganar es
0,1. Vamos a jugar los cinco das de la semana y estamos interesados en saber cul es la
probabilidad de ganar 0, 1, 2, 3, 4 5 das.
a. Construir una tabla con las probabilidades.
b. Calcula la media y la desviacin tpica.
4. Explica para cada una de estas situaciones si se trata de una distribucin binomial. En
caso afirmativo, identifica los valores de n y p:
a. El 2% de las naranjas que se empaquetan en un cierto lugar estn estropeadas. Se
empaquetan en bolsas de 10 naranjas cada una. Nos preguntamos por el nmero de naranjas
estropeadas de una bolsa elegida al azar.
b. En una urna hay 2 bolas rojas, 3 blancas y 2 verdes. Sacamos una bola, anotamos su
color y la devolvemos a la urna. Repetimos la experiencia 10 veces y estamos interesados
en saber el nmero de bolas blancas que hemos extrado.
5. Una empresa constructora ha ganado una licitacin para montar 10 puentes peatonales
prefabricados (similares), en diferentes puntos de la ciudad. Se sabe que el 10% de las
veces no puede ensamblar el puente dentro del plazo establecido. Si se demora ms del
plazo, la prdida por puente es de $1,000.00 y si lo hace dentro del plazo la ganancia por
puente es de $3,000.00. Cul es la utilidad esperada?

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

6. Una fbrica produce cierto tipo de ladrillos, en tres hornos. El horno A produce 50 %; el
horno B produce 30 % y el horno C produce 20 % de la produccin total. Adems se
sabe que el 0.1%, 0.2% y 0.3% de lo que producen los hornos respectivamente son
defectuosos. El control de calidad se realiza del siguiente modo: se elige aleatoriamente
100 ladrillos y se acepta el lote si hay 5 o menos defectuosos. Qu probabilidad hay de
rechazar el lote?
7. Aproximdamente el 5% de los clavos de acero de cierta marca son defectuosos.
a. Cuntos clavos, como mximo debe tener la muestra para que la probabilidad de que al
menos uno sea defectuoso, no sea mayor que 0.9?
b. Hallar el menor valor de n para que sea mayor o igual que 0.99, la probabilidad de
que al menos uno de los clavos sea defectuoso?
8. El nmero de defectos que tiene cierto tipo de locetas, sigue una distribucin de Poisson
con un promedio de 3 defectos/ loceta. El precio de cada loceta es S/. 3.00 si no tiene
defectos, de S/.2.00 si tiene 1 o 2 defectos y S/. 1.00 si tiene ms de 2 defectos. Si se
compran 100 locetas, elegidas al azar. Cul es el precio esperado de las 100 locetas?
9. Se lanza un dado 7 veces, cul es la probabilidad de obtener al menos 4 nmeros iguales
en los 7 lanzamientos
10. El artculo Reliability-Based Service Life Assesment of Aging Concrete Structures.
(J. Structural Engr., 1993: 1600-1621) sugiere que un proceso de Poisson puede ser
utilizado para representar la ocurrencia de cargas estructurales en el transcurso del tiempo.
Suponga que =0.5/ao
a. Cuntas cargas se espera que ocurra durante um perodo de 2 aos?
b. Qu tan largo debe ser um perodo de modo que la probabilidad de que no ocurran
cargas durante ese perodo sea cuando mucho de 0.1?
11. Una empresa electrnica observa que el nmero de componentes que fallan antes de
cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el nmero
promedio de estos fallos es ocho,
a. cul es la probabilidad de que falle un componente en 25 horas?
b. y de que fallen no ms de dos componentes en 50 horas?
c. cul es la probabilidad de que fallen por lo menos diez en 125 horas?
12. Supongamos que el nmero de imperfecciones en un alambre delgado de cobre sigue
una distribucin Poisson con una media de 2.3 imperfecciones por milmetro.
a. Determine la probabilidad de 2 imperfecciones en un milmetro de alambre.

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

UNIVERSIDAD NACIONAL DE INGENIERIA


FACULTAD DE INGENIERIA CIVIL
DEPARTAMENTO DE CIENCIAS BASICAS

CICLO 2014-1

___________________________________________________________________________________

b. Determine la probabilidad de 10 imperfecciones en 5 milmetros de alambre.


c. Determine la probabilidad de al menos una imperfeccin en 2mm de alambre
13. Cierto tipo de batera tiene una duracin de 3 aos con una desviacin estndar tpica de
0,5 aos. Suponiendo que la duracin de las bateras sigue una distribucin normal.
a. Qu porcentaje de bateras se espera que duren entre 2 y 4 aos?
b. Si una batera lleva funcionando 3 aos, cul es la probabilidad de que dure menos de 4,5
aos?
14. Si la distribucin de los periodos de duracin de los postes telefnicos es tal que 9.51%
tiene un periodo de duracin que excede los 35 aos y que 62.55% tiene periodo de
duracin que excede los 20 aos Cul es la media y desviacin estndar de la duracin de
estos postes si se admite que la distribucin es normal?
15. Un conjunto habitacional es abastecida de agua, llenando su tanque cada 2 das; el
volumen que consumen sigue una distribucin normal. Si se sabe que el volumen que
consumen con mayor frecuencia es 20000 litros y adems el 2.28% de las veces el
consumo fue a lo ms 18,000 litros. Cul es la capacidad del tanque para que sea de solo
0.01, la probabilidad de que en un periodo de 2 das el agua no sea suficiente para satisfacer
toda la demanda?
16. El material empleado en las redes de desage es tal que el 9.512% de las tuberas de
desage tienen periodo de duracin que exceden a las 15 aos y el 52.556% tienen periodos
de duracin que exceden a los 9 aos. Suponiendo que los periodos de duracin tienen una
distribucin normal. Cul es el tiempo mximo de duracin que est por encima del 75%
de los periodos de duracin?
17. El caudal de cierto ro sigue una distribucin normal con media de 540 m3/seg y
desviacin 160 m3/seg. Determinar el caudal mnimo que se da el 2% de las veces.
18. El artculo Monte Carlo Simulation-Tool for Better Understanding of LRFD( J.
Structural Engr., 1993: 1586-1599) sugiere que la resistencia a ceder (lb/pulg2) de un acero
grado A36 esta normalmente distribuida con media de 43 lb/pulg2 y una desviacin
estndar de 4.5 lb/pulg2.
a. Qu valor de resistencia a ceder separa al 75% ms resistente del resto?
b. Entre qu resistencias a ceder se encuentra el 50% de los valores centrales?

13/05/14

LA PROFESORA

ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.

Вам также может понравиться