Captulo 5

Algunas distribuciones importantes de probabilidad

En los temas anteriores se presentaban ejemplos de distintos experimentos aleatorios y de variables aleatorias que expresan sus resultados. En este tema se estudian algunas distribuciones de probabilidad para variables aleatorias discretas y continuas que son de uso frecuente y aplicables a una amplia gama de experimentos o situaciones.

5.1.
5.1.1.

Distribuciones discretas
El modelo de Bernoulli

Sea (, (), P ) un espacio de probabilidad y A un suceso de tal que P (A) = p, 0 p 1. Denotaremos como xito a la ocurrencia del suceso A y como fracaso a la ocurrencia de A (es decir, a la no ocurrencia de A). Denimos la v.a. X como: X= 1 0

si sucede A si sucede A

siendo P (X = 1) = p y P (X = 0) = 1 p = q. Se dice entonces que X sigue una distribucin de Bernoulli de parmetro p, a la que denotamos por Bernoulli(p). La esperanza y varianza de X vienen dadas, respectivamente, por E(X) = p y V ar(X) = pq. 77

78

Captulo 5. Algunas distribuciones importantes de probabilidad

Ejemplos: clasicacin de una pieza en defectuosa o no defectuosa, lanzamiento de una moneda, opinin a favor o en contra de algo, etc.

5.1.2.

Distribucin Binomial

Realizamos el experimento anterior (ensayo de Bernoulli) n veces de manera independiente, donde la probabilidad de xito es constantemente p. Entonces la v.a. X denida como el nmero de xitos obtenidos en las n realizaciones sigue una distribucin Binomial con parmetros n y p, que denotamos por B(n, p). Esta variable puede tomar los valores 0, 1, ..., n y su funcin de probabilidad es: n x p (1 p)nx , x = 0, 1, ..., n x Adems, E(X) = np y V ar(X) = npq. P (X = x) = n n! = x x!(n x)! Ejemplo 5.1: Una mquina produce artculos defectuosos en un porcentaje del 5 %. Calcular

Nota:

la probabilidad de que en una muestra de 10 artculos al menos 1 lo sea. Aqu el ensayo de de Bernoulli consiste en analizar si un artculo es defectuoso o no. Es defectuoso (xito) con probabilidad p = 0,05 y no defectuoso (fracaso) con probabilidad q = 1 p = 0,95. Estamos interesados en el nmero total de artculos defectuosos en el lote de 10, por lo que tenemos que realizar 10 veces de manera independiente tal ensayo y sumar los xitos. Es claro entonces que X =No de artculos defectuosos en el lote de 10 sigue una B(10, 0,05), toma valores 0, 1, ..., 10, y P (X 1) = 1 P (X = 0) = 1 10 0,050 0,9510 = 0,401 0

5.1.3.

Distribucin Hipergeomtrica

Supongamos que tenemos una urna con N bolas, de las cuales Np son rojas y Nq negras. La proporcin de bolas rojas es por lo tanto p = Np /N y la proporcin de negras q = 1p = Nq /N. Si extraemos de la urna n bolas sin reemplazamiento, entonces X =No de bolas rojas obtenidas sigue una distribucin Hipergeomtrica de parmetros (N, n, p), que denotamos por H(N, n, p). Su funcin de probabilidad es: P (X = x) = Np Nq
x n

Nnx , M ax{0, n Nq }x Mn{n, Np }

5.1. Distribuciones discretas

79

N n . N 1 Nota: Cuando se realiza un muestreo, ste puede ser sin o con reemplazamiento. Si es con Adems, E(X) = np y V ar(X) = npq reemplazamiento se utiliza la distribucin binomial para contar el nmero de xitos (en este caso la probabilidad de xito permanece constante en las realizaciones), y si es sin reemplazamiento se utiliza la distribucin hipergeomtrica (la probabilidad de xito no permanece constante). Ejemplo 5.2: En una determinada universidad, el 20 % de los alumnos estn a favor de la L.O.U. y el 80 % restante no lo est. Si un medio de comunicacin realiza una encuesta a 5 alumnos elegidos al azar para exponer su opinin en directo, cul es la probabilidad de que ninguno de ellos se muestre a favor de la reforma?. X = No de alumnos en la muestra a favor de la reforma H(100, 5, 0,2) 2080 P (X = 0) =

5.1.4.

Distribucin Binomial Negativa

0 5 100 5

Realizamos ahora el experimento de forma independiente hasta conseguir k xitos, donde la probabilidad de xito en cada realizacin es constante e igual a p. Entonces, la v.a. X =No de fracasos antes del ksimo xito sigue una distribucin Binomial Negativa de parmetros k y p, que denotamos por BN (k, p). Su funcin de probabilidad viene dada por: k+x1 k p (1 p)x , x = 0, 1, 2, ... P (X = x) = x Adems, E(X) = n(1 p) n(1 p) . y V ar(X) = p p2 Nota: Existe una relacin entre la distribucin Binomial Negativa y la distribucin Bino-

mial: sea X =No de fracasos hasta el ksimo xito BN (k, p). Si X = x, hay x fracasos y k xitos, luego se ha realizado el experimento x + k veces. Si denimos ahora la v.a. Y =No de xitos en las x + k realizaciones, es claro que Y B(x + k, p) y P (X x) = P (Y k)

5.1.5.

Distribucin Geomtrica

Es un caso particular de la distribucin Binomial Negativa; se obtiene cuando k = 1 y por tanto contabiliza el nmero de fracasos anteriores al primer xito. La denotamos por G(p). Delia Montoro Cazorla. Dpto. de Estadstica e I.O. Universidad de Jan.

80

Captulo 5. Algunas distribuciones importantes de probabilidad

Ejemplo 5.3: La probabilidad de recibir de manera errnea un bit enviado por un canal de transmisin digital es 0.1. Calcula: a. La probabilidad de que haya 15 bits correctamente transmitidos anteriores el tercer error X = No de bits correctamente transmitidos antes del tercero errneo BN (3, 0,1) 17 P (X = 15) = 0,13 0,915 15 b. La probabilidad de que haya como mucho 4 transmisiones correctas anteriores al tercer error. P (X 4) = o bien P (Y 3) siendo Y B(7, 0,1),
4 X 2 + x 0,13 0,9x , x x=0

P (Y 3) = 1 P (X 2) = 1 0,9743 = 0,0257 c. Nmero medio de transmisiones correctas hasta que se presente el primer error. X = No de bits correctamente transmitidos antes del primero errneo G(0,1) E(X) = q 0,9 = =9 p 0,1

5.1.6.

Distribucin de Poisson

Suele representar el nmero de sucesos independientes que ocurren a velocidad constante en un intervalo de tiempo o espacio. As por ejemplo, X =No de ocurrencias por unidad de tiempo sigue una distribucin de Poisson de parmetro , > 0, que denotamos por P (), si su funcin de probabilidad es: P (X = x) = e x , x = 0, 1, 2, ... x!

En esta distribucin el parmetro coincide con la media y varianza, E(X) = V ar(X) = , por lo tanto en este caso es interpretado como el nmero medio de ocurrencias por unidad de tiempo. Si consideramos ahora Y =No de ocurrencias en el intervalo (0,t], entonces Y P (t). Ejemplos: Nmero de clientes que llegan a un banco durante una hora o una maana, nmero de defectos en un trozo de material, etc. Sin embargo, de llegar muchos clientes en una

5.2. Distribuciones continuas

81

determinada franja horaria y pocos en otra, o no estar los defectos igualmente distribuidos en el material, la distribucin de Poisson no sera apropiada. Ejemplo 5.4: Una central telefnica recibe una media de 480 llamadas por hora. Si el nmero de llamadas se distribuye segn una Poisson y la central tiene una capacidad para atender a lo sumo 12 llamadas por minuto, cul es la probabilidad de que en un minuto determinado no sea posible dar lnea a todos los clientes? X = No de llamadas por minuto P (8) P (X > 12) = 1 P (X 12) = 1 0,9362 = 0,0638

5.2.
5.2.1.

Distribuciones continuas
Distribucin Uniforme

Una v.a. X tiene una distribucin Uniforme en el intervalo [a, b], y lo denotamos por X U (a, b), si su funcin de densidad es: f (x) =
1 ba

Su media y varianza vienen dadas por: E(X) =

si a x b en otro caso a+b (b a)2 y V ar(X) = . 2 12

5.2.2.

Distribucin Normal

Se dice que una v.a. X sigue una distribucin Normal de parmetros , , X N (, ), si su f.d.d. es:
(x)2 1 e 22 , - < x < +, R, > 0 f (x) = 2

Los parmetros , coinciden con la media y desviacin tpica de la variable respectivamente. La funcin de densidad es simtrica respecto a . Teorema: Sean X1 , ..., Xn v.a independientes, con Xi N (i , i ). Entonces, v u n n n X X uX ai Xi N ai i , t a2 2 , Y = i i
i=1 i=1 i=1

Delia Montoro Cazorla.

Dpto.

de Estadstica e I.O. Universidad de Jan.

82

Captulo 5. Algunas distribuciones importantes de probabilidad

0,4 0,1 0,3 0,2 0,1 0 -5 -3 -1 1 3 5

Figura 5.1: Funcin de densidad N(0,1) es decir, una combinacin lineal de variables Normales independientes presenta tambin distribucin Normal. Teorema: Sea X N (, ). Entonces, Y = aX + b sigue una distribucin Normal con los siguientes parmetros: Y N (a, |a| ) En consecuencia, Z= X N (0, 1)

A esta variable Z se le llama Normal tipicada o estndar. En adelante denotamos por za al valor de la variable Z que deja por debajo de l una probabilidad , es decir, P (Z za ) =

0,4 0,1 0,3 0,2 0,1 0 -5 -3 -1 1 3 5

/2

/2

-Z1/2

Z1/2

Figura 5.2:

5.2. Distribuciones continuas

83

Ejemplo 5.5: Una empaquetadora automtica se programa para producir paquetes de 500 g. Un estudio concluye que el peso en gramos de un paquete de la produccin es una variable aleatoria X normal de media 498 g. y varianza 16. Sabemos que producir un gramo de producto cuesta a la empresa 0.05 euros, mientras que lo vende a 0.09 euros. Llamemos B a la variable benecio de la empresa por paquete vendido. a. Cul es la probabilidad de que un paquete presente un peso inferior a 490 g?. X N (498, 4) P (X 490) = P X 498 490 498 4 4 = P (Z 2) = 0,0228

b. Cul es la probabilidad de que un paquete presente un peso comprendido entre 480 y 490 gr.? P (480 X 490) = P (2,5 Z 2) = = P (Z 2) P (Z 2,5) = 0,0228 0,0062 = 0,0166 c. Expresa la relacin que existe entre la variable B y la variable X. Cul es el benecio promedio realizado por la empresa por paquete?. B = (I C)X = 0,04X

E(B) = 0,04E(X) = 19,92 V ar(B) = 0,042 V ar(X) = 0,0256 B N (19,92, 0,16) d. Cul es la proporcin de paquetes entre la produccin para los cuales la empresa tiene un benecio mayor de 20 euros? P (B 20 19,92 > 20) = P Z > = P (Z > 0,5) = 0,16 = 1 P (Z 0,5) = 1 0,6915 = 0,3085 Dpto. de Estadstica e I.O. Universidad de Jan.

Delia Montoro Cazorla.

84

Captulo 5. Algunas distribuciones importantes de probabilidad

e. Qu benecio se obtiene como mximo en el 95 % de los casos? P (B bmx ) = 0,95 a bmx 19,92 a P Z = 0,95 0,16 bmx 19,92 a = 1,65 z0,95 = 0,16 bmx = 20,1840 a

5.2.3.

Distribucin Exponencial

Se utiliza fundamentalmente para modelizar tiempos de vida o tamaos. Se dice que una v.a X sigue una distribucin Exponencial de parmetro , X Exp(), si su funcin de densidad viene dada por: f (x) = ex , x 0, > 0 Su media y varianza son: E(X) = 1 1 y V ar(X) = 2 . Presenta la propiedad de falta de memoria: Sea X una v.a. con distribucin Exp(), y

s, t 0. Entonces se verica que: P (X s + t/X s) = P (X t) Ejemplo 5.6: Una empresa suministra una serie de componentes con una vida media de 3000 horas. El riesgo de rotura de los mismos crece a lo largo del tiempo segn una funcin f (t) = et , t > 0, y por lo tanto el tiempo de vida de las componentes, X, sigue una distribucin Exp(). a. Obtn el valor de E(X) = 1 = 3000 = = 0,0003

b. Calcula la probabilidad de que una componente se rompa antes de llevar 1000 horas de funcionamiento. P (X 1000) =
1000 Z 0

0,0003e0,0003x dx = 0,2592

5.2. Distribuciones continuas

85

c. Si las componentes tienen una garanta de un mes, calcula la probabilidad de que una componente se rompa estando en garanta. En un lote de 50 componentes, cuntas se esperan que se devuelvan estando en garanta?
720 Z P (X 720) = 0,0003e0,0003x dx = 0,1943 0

Y =No de componentes del lote que fallan estando en garanta B(50, 0,1943) E(Y ) = 50 0,1943 ' 10

5.2.4.

Distribucin Gamma
1 x e , x 0, , > 0, x ()
+ Z () = x1 ex dx. 0

Una v.a X sigue una distribucin Gamma de parmetros , , X G(, ), si su f.d.d. es: f (x) = donde

Su media y varianza son: E(X) = y V ar(X) = 2 . La distribucin Exponencial es un caso particular de la Gamma, Exp() = G(1, ).

5.2.5.

Distribucin Chi-cuadrado

La distribucin Chi-cuadrado con parmetro n (grados de libertad), denotada por 2 , resulta n n 1 tambin un caso particular de la Gamma al considerar = , = . Su funcin de densidad 2 2 es por tanto: n x 1 2 1 e 2 , x 0 f (x) = n x n 2 ( 2 )2 Su media y varianza son: E(X) = n y V ar(X) = 2n. Teorema: Si X1 , ..., Xn son variables aleatorias independientes e idnticamente distribuidas segn una N (0, 1), entonces Y = En adelante llamamos 2 ,n
n X i=1

Xi 2 n

al valor de la variable 2 que deja por debajo de l una proban P (X 2 ) = ,n Dpto. de Estadstica e I.O. Universidad de Jan.

bilidad , es decir, si X 2 , n

Delia Montoro Cazorla.

86

Captulo 5. Algunas distribuciones importantes de probabilidad

0,1 10 0,08 0,06 0,04 0,02 0 0 10 20 30 40

Figura 5.3: Ejemplo de f.d.d. de una Chi-cuadrado

5.2.6.

Distribucin Beta

Una v.a X sigue una distribucin Gamma de parmetros , , X Beta(, ), si su f.d.d viene dada por: f (x) = ( + ) 1 (1 x)1 , 0 < x < 1, , > 0 x ()() y V ar(X) = . + ( + )2 ( + + 1)

Su media y varianza son: E(X) =

5.2.7.

Distribucin t de Student

La distribucin t de Student de parmetro n, que denotamos por tn , se genera a partir de dos variables independientes, una con distribucin N (0, 1) y la otra con distribucin 2 . Veamos n cmo en el siguiente teorema: Teorema: Sean Z N (0, 1) y X 2 variables independientes. Entonces: n Z T =r tn , X n de ah que al parmetro n se le llame tambin grados de libertad. Su funcin de densidad es: ( n+1 ) x2 n+1 f (x) = 2 n (1 + ) 2 , - < x < +, n > 0, n( 2 ) n simtrica respecto al cero. Su media y varianza son: E(X) = 0 y V ar(X) = n , n > 2. n2

5.2. Distribuciones continuas

87

En adelante llamamos t,n al valor de la variable tn que deja por debajo de l una probabilidad , es decir, P (T t,n ) =

0,4 10 0,3 0,2 0,1 0 -6 -4

-2

T ,n

Figura 5.4: Ejemplo de f.d.d. de una t-Student

5.2.8.

Distribucin F de Snedecor

A la distribucin Snedecor de parmetros n1 , n2 la denotamos por Fn1 ,n2 y se genera a partir de dos distribuciones Chi-cuadrado independientes, 2 1 y 2 2 . n n Teorema: Sea X 2 1 e Y 2 2 v.a. independientes. Entonces: n n X n1 Fn1 ,n2 , F = Y n2 y a n1 , n2 se les llaman grados de libertad. Su funcin de densidad es: f (x) = (n1 + n2 )n1 1 n2 2 ( n1 )( n2 ) 2 2
n /2 n /2

n1 2 2

(n1 x + n2 )

n1 +n2 2

, x>0

Su media y varianza son: E(X) = En adelante llamamos F,n1 ,n2 probabilidad , es decir,

n2 n2 (2n2 + 2n1 4) , n2 > 2. y V ar(X) = 2 , n2 > 4 n2 2 n1 (n2 2)2 (n2 4) al valor de la variable F que deja por debajo de l una

P (F F,n1 ,n2 ) = Delia Montoro Cazorla. Dpto. de Estadstica e I.O. Universidad de Jan.

88

Captulo 5. Algunas distribuciones importantes de probabilidad

0,8 10,10 0,6 0,4 0,2 0 0 1 2 3 4 5

Figura 5.5: Ejemplo de f.d.d. de una F-Snedecor Se verica que: F,n1 ,n2 = 1 F1,n2 ,n1

5.3.

Relacin entre Poisson, Exponencial y Gamma

Sea X =No de llegadas u ocurrencias por unidad de tiempo P (). Entonces: Y =Tiempo entre dos llegadas consecutivas Exp() Z = Tiempo hasta la k-sima llegada G(k, ) Ejemplo 5.7: Un sistema est sometido a la ocurrencia de shocks que llegan segn un proceso de Poisson a razn de 0.0014 por hora. Calcula: a. Probabilidad de que el primer shock llegue despus de 20 das de funcionamiento. X =Nmero de shocks que llegan al sistema por hora P (0,0014) Y =Tiempo que transcurre hasta la llegada del primer shock Exp(0,0014)

P (Y > 480) = e0,0014480 = 0,5107 b. Probabilidad de que transcurran menos de 15 das entre dos llegadas consecutivas P (Y < 360) = 1 e0,0014360 = 0,6041

5.4. Aproximaciones entre distribuciones

89

c. Tiempo medio hasta la llegada del tercer shock Z =Tiempo hasta la llegada del tercer shock G(3, 0,0014) E(Z) = 3 = 2142h. 0,0014

5.4.

Aproximaciones entre distribuciones

Aproximacin B(n, p) N (np, npq) B(n, p) P (np) P () N (, ) H(N, n, p) B(n, p) Condicin np > 5, p > 0,05 np < 5 > 10
n N

< 0,1

Observacin: Sea Xd una variable discreta cuya distribucin es aproximada por una la de una continua Xc . Entonces, la aproximacin de probabilidades en Xd por probabilidades en Xc exige lo que se llama una correccin por continuidad: P (a Xd b) P (a 0,5 Xc b + 0,5) Ejemplo 5.8: Un cuestionario de opcin mltiple contiene 200 preguntas, cada una de ellas con cuatro respuestas posibles, y de ellas slo una es la correcta. Cul es la probabilidad de que por simple conjetura el alumno obtenga entre 25 y 30 respuestas correctas para 80 de las 200 preguntas cuya respuesta ignora por completo?. Denimos X =No de respuestas correctas por suerte B(80, 0,25) N (20, 3,87) P (25 XB 30) P (24,5 XN 30,5), donde XB hace referencia a la Binomial y XN a la Normal. P (24,5 XN 30,5) = P (1,163 Z 2,713) = 0,9966 0,8770 = 0,1196

5.5.

Teorema Central del Lmite

Sean X1 , ..., Xn v.a. independientes con idntica distribucin (no especicada), con media y varianza nita 2 . Entonces: X1 + ... + Xn X= n

N , n (n)

Delia Montoro Cazorla.

Dpto.

de Estadstica e I.O. Universidad de Jan.

90

Captulo 5. Algunas distribuciones importantes de probabilidad

Ejemplo 5.9: Un oleoducto se forma uniendo tuberas cuya longitud vara aleatoriamente segn una distribucin de media 10m y varianza 1m2 . Calcula la probabilidad de que uniendo 100 tuberas de manera independiente se complete un recorrido superior a 1025m. Llamamos Xi =Longitud de la tubera i, i = = 10, 2 = 2 = 1, para i = 1, ..., 100. i 100 X Xi , y se verica que La longitud de 100 tuberas ser
i=1

X1 + ... + X100 1 X= N 10, 100 100

Por lo tanto, 100 ! X P Xi > 1025 = P 100X > 1025 = P X > 10,25
i=1

= P (Z > 2,5) = 1 P (Z 2,5) = 1 0,9938 = 0,0062

5.6.

Ejercicios

1. El nmero de baches en una seccin de carretera interestatal que requieren reparacin urgente puede modelarse con una distribucion de Poisson que tiene de media de 2 baches por cada 20km. a. Cual es la probabilidad de que no haya baches que reparar en un tramo de 15 kms?. b. Cual es la probabilidad de que haya que reparar al menos 1 bache en un tramos de 25 kms?. c. Si el nmero de baches est relacionado con la carga vehicular de la carretera, y algunas secciones de sta tienen una carga muy pesada mientras que otras no, qu puede decirse sobre la hiptesis de que el nmero de baches que es necesario reparar tiene una distribucin de Poisson?. 2. En un cierto servicio telefnico, la probabilidad de que una llamada sea contestada en menos de 30 segundos es de 0.75. Suponga que las llamadas son independientes. a. Si una persona llama 10 veces, cul es la probabilidad de que exactamente 9 de las llamadas sean contestadas en un espacio de 30 seg?.

5.6. Ejercicios

91

b. Si una persona llama 20 veces, cul es la probabilidad de que al menos 16 de las llamadas sean contestadas en un espacio de 30 seg?. c. Si una persona llama 20 veces, cul es el nmero de llamadas se espera que sean contestadas en menos de 30 seg? 3. Un sistema est sometido a la ocurrencia de fallos externos e internos. En cuanto ocurre alguno de estos dos tipos de fallo el sistema falla . El sistema sufre un fallo interno por desgaste en su funcionamiento con el paso del tiempo, sin embargo, los fallos externos, como su nombre indica, se deben a factores ajenos al sistema. Se sabe que el tiempo (en aos) hasta el fallo interno del sistema sigue una distribucin Exponencial con parmetro 0.25, y los fallos externos llegan al sistema segn un proceso de Poisson a razn de 1 fallo por ao. Los fallos externos e internos son independientes. a) Obtn la distribucin del tiempo hasta la ocurrencia de un fallo externo en el sistema. b) Calcula la probabilidad de que el sistema falle despus de 2 aos de funcionamiento. 4. Se supone que el nmero medio de defectos en rollos de tela de cierta industria textil es una variable aleatoria Poisson con una media de 0.1 defectos por metro cuadrado. a. Cul es la probabilidad de encontrar un defecto en un metro cuadrado de tela? b. Cuntos defectos se esperan en 10 m de tela?. 5. Los resultados obtenidos de 266 muestras de aire se clasican de acuerdo con la presencia de dos molculas raras. En 212 muestras de aire no hay ninguna de estas molculas, en 24 est solo presente la molcula 1, en 18 slo la molecula 2 y en 12 las dos simultneamente. Suponiendo que las muestras de aire son independientes con respecto a la presencia de la molculas, calcular la probabilidad de que si se analizan otras 50 muestras de aire al menos dos contengan las molculas raras. 6. Una persona pasa todas las maanas a la misma hora por un semforo que est en verde el 20 % de las veces. Cul es la probabilidad de que en 5 maanas consecutivas se encuentre el semforo en verde tan solo un da?. 7. La escala electrnica de un proceso de llenado automtico detiene la lnea de produccin despus de haber detectado 3 paquetes con un peso menor que el especicado. Suponga Delia Montoro Cazorla. Dpto. de Estadstica e I.O. Universidad de Jan.

92

Captulo 5. Algunas distribuciones importantes de probabilidad

que la probabilidad de llenar un paquete con un peso menor es de 0.001 y que cada operacin de llenado es independiente.Calcula a. Probabilidad de que la lnea de produccin se detenga despus de haber llenado el dcimo paquete. b. Nmero esperado de operaciones de llenado antes de que se detenga la linea de produccin. 8. El siguiente sistema est formado por 4 componentes idnticas con funcionamiento independiente y exponencialmente distribuido. Se estima que el tiempo de fallo de una componente es de 1000 horas.

Calcula: a. Probabilidad de que una componente falle antes de las 1000 horas de funcionamiento. b. Si una componente lleva funcionando 800 horas, cul es la probabilidad de que funcione 200 horas ms?. c. Probabilidad de que el sistema falle despus de las 3000 horas de funcionamiento. 9. El tiempo entre llegadas consecutivas de mensajes al mvil de un individuo sigue una distribucin exponencial con media 30 minutos. a. Si un individuo enciende el mvil a las 10 de la maana y no ha recibido ningn mensaje, cul es la probabilidad de que entre las 10 y las 12 reciba al menos uno?. b. Si el mvil no puede almacenar ms de 15 mensajes en memoria, qu tiempo medio transcurrir desde que el individuo limpia la memoria hasta que sta se satura?. 10. El tiempo de baja por enfermedad de los empleados de una empresa en un mes tiene distribucin normal con media 100 horas y desviacin estndar 20 horas. Calcula:

5.6. Ejercicios

93

a. Probabilidad de que el tiempo de baja del siguiente mes est entre 50 y 80 horas. b. Canto tiempo de baja deber planear la empresa para que la probabilidad de excederlo sea slo de 0.1 11. Supngase que en la deteccin de una seal digital el rudo de fondo tiene una distribucin normal con media 0 voltios y desviacin estndar 0.45 voltios. Si el sistema supone que se ha transmitido un uno digital cuando el voltaje es superior a 0.9 (deteccin falsa), cul es la probabilidad de detectar un uno digital cuando en realidad no se ha enviado ninguno?. 12. El funcionamiento de un sistema se clasica en correcto y deteriorado. El tiempo que transcurre hasta el fallo del sistema (en horas) cuando su funcionamiento es correcto sigue una distribucin exponencial de parmetro c = 0,001, y una distribucin exponencial de parmetro d = 0,02 cuando su funcionamiento est deteriorado. Los datos de una muestra de este tipo de sistemas indican que de cada 100 horas que el sistema opera, 80 lo hace correctamente y el resto en estado deteriorado. Si en un instante de tiempo t el sistema est operativo (funciona), a. calcula la probabilidad de que su funcionamiento est deteriorado. b. calcula la probabilidad de que falle 1000 horas despus de ese instante t. 13. El nmero de toneladas de mineral que produce una mina semanalmente es una variable aleatoria con media 10 y desviacin tpica 16. Si se observa la produccin durante 50 semanas, calcula: a) Probabilidad de que el nmero medio de toneladas por semana est entre 6 y 14. b) Probabilidad de que la produccin de 50 semanas sea superior a 60 toneladas. 14. El nmero medio de automviles que llega a una estacin de sumunistro de gasolina es de 210 por hora. Si dicha estacin puede atender a un mximo de 10 automviles por minuto, determinar la probabilidad de que en un minuto dado lleguen a la gasolinera ms automviles de los que se pueden atender. 15. Se sabe que la concentracin de amoniaco en sagre venosa de individuos sanos se distribuye segn una Normal con media 110 microgramos/mm3 y varianza desconocida. Delia Montoro Cazorla. Dpto. de Estadstica e I.O. Universidad de Jan.

94

Captulo 5. Algunas distribuciones importantes de probabilidad

a) Sabiendo que el 99 % de la concentracin de amoniaco de los individuos se encuentra en el intervalo [85,135], calcular la desviacin tpica de la distribucin. b) Si un individuo tiene una concentracin de 120, qu porcentaje de la poblacin presenta una concentracin inferior a l?. c) Si se somete a una prueba al 5 % de los individuos con mayor concentracin, a partir de qu valor se har? d) Si se considera atpica una concentracin que diste de la media ms de 20, cuntos individuos se esperaran con esta caracterstica en una muestra seleccionada al azar de 60 individuos?. 16. En un proceso de fabricacin, la probabilidad de que una pieza sea defectuosa es de 0.01. Si la produccin diaria es de 10000 piezas y se empaquetan en lotes de 100 unidades: a) Calcular la probabilidad de que en un lote haya por lo menos dos piezas defectuosas. b) Si un lote es rechazado cuando contiene ms de 5 piezas defectuosas, cuntos lotes sern rechazados diariamente por trmino medio?. 17. Una partida de bujas con alta proporcin de inservibles (20 %) sale al mercado en paquetes de 4 unidades y en cajas de 10 paquetes. Calcular la probabilidad de que: a) Elegido un paquete al azar contenga 2 o ms bujas inservibles. b) Elegida una caja al azar contenga ms de 10 bujas inservibles. c) Elegida una caja al azar contenga tres paquetes sin bujas inservibles. 18. En una fbrica que envasa agua mineral, se ha establecido que el volumen envasado por mquina automtica sigue una distribucin Normal de media 150cl. y desviacin tpica 2cl. a) Los criterios de la empresa implican que no se venda una botella que contenga menos de 147cl. Cul es la proporcin de botellas en la produccin que no se pueden vender?. b) Las botellas se empaquetan por 6 unidades, cul es la probabilidad de que un paquete contenga al menos una botella con menos de 147cl?.

5.6. Ejercicios

95

c) En un da se producen 10000 botellas, cul es la probabilidad de que haya en un da ms de 600 botellas invendibles?. d) Utilizando el apartado anterior, cul es, en un mes, el nmero medio de das en los que se producen ms de 600 botellas invendibles?. 19. Consideremos dos interruptores elctricos fabricados por dos marcas A y B. a) El tiempo de vida de un interruptor de la marca A sigue una distribucin exponencial Exp(A ) de vida media 2 aos. Calcula la probabilidad de que no falle a lo largo del primer ao. b) Si sabemos que un interruptor de la marca A lleva funcionando 6 meses, cul es la probabilidad de que dure al menos 1 ao ms?. c) El tiempo de vida de un interruptor de la marca B sigue tambin una distribucin exponencial, Exp(B ). Sabiendo que la probabilidad de que falle durante el primer ao es 0.25, calcula el valor de B y el tiempo medio de fallo de esta marca de interruptores. d) Si conectamos en serie dos interruptores, uno de cada tipo, qu distribucin presenta el tiempo de fallo del sistema resultante?. Calcula el tiempo medio de fallo del sistema. e) Si se instalan 10 interruptores de la marca B en diferentes sistemas (no conectados), calcula la probabilidad de que a lo sumo 2 de ellos fallen a lo largo del primer ao. f ) Si instalamos ahora 100 interruptores de la marca B, cul es la probabilidad de que a lo sumo 30 de ellos fallen durante el primer ao?.

Delia Montoro Cazorla.

Dpto.

de Estadstica e I.O. Universidad de Jan.