You are on page 1of 53

UNIDAD III

MODELOS DE PROBABILIDAD
BINOMIAL,
HIPERGEOMTRICO, POISSON,
NORMAL, EXPONENCIAL,
LOGNORMAL Y WEIBUL
MODELO BINOMIAL
Caractersticas:
1) Hay n ensayos independientes (muestreo
c/reemplazo sin reemplazo de una poblacin muy
grande)
2) Cada ensayo tiene slo 2 posibles resultados: xito o
fracaso
3) La probabilidad de xito es p y la del fracaso es q= 1-p
4) La variable aleatoria binomial, X, es el nmero de
ensayos exitosos. X puede tomar cualquier valor
entero de 0 a n, por lo tanto es discreta.

Funcin de probabilidad binomial
La funcin de probabilidad binomial con parmetros
n>0 y 0<p<1 es



La media y varianza de la distribucin binomial son

n x p p
x
n
x p
x n x
,..., 1 , 0 ) 1 ( ) ( =
|
|
.
|

\
|
=

) 1 ( y
2
p np np = = o
Para calcular probabilidades relacionadas con la
variable binomial, del tipo se utliza
la frmula:
( ) x X P s
( ) ( )
k n
k
x
k
p p
k
n
x X P

=

|
|
.
|

\
|
= s

1
0
Usos de la distribucin Binomial
En Ingeniera de Calidad se utiliza en muestreo
de aceptacin. Es apropiada para muestrear
poblaciones infinitamente grandes. En ellas, p
representa la proporcin de artculos
defectuosos o no conformes en la poblacin y n
representa el tamao de la muestra.
Ejemplo
Se toma una muestra de n=10 artculos de una poblacin
grande donde se sabe que aproximadamente 7% de los
artculos son defectuosos, p=.07. Cul es la
probabilidad de que en la muestra 2 de los 10 artculos
sean defectuosos o no conformes?
Sea X el nmero de artculos que resultaron defectuosos
al revisar los 10 artculos de la muestra.
( ) 12339 . 93 . ) 07 (.
2
10
) 2 (
2 10 2
=
|
|
.
|

\
|
= =

X P
Grficas de Binomiales
Cuando n, el tamao de la muestra es pequea y p,
la probabilidad de xito, es extrema (cercana a 0
o a 1), la distribucin es sesgada.

0 1 2 3 4
0
1
2
3
4
Total
Level
489
355
120
25
2
991
Count
0.49344
0.35822
0.12109
0.02523
0.00202
1.00000
Prob
5 Levels
Frequencies
Binomial(10,.07)
Distributions
Cuando n es grande (n>30), aunque p sea extrema,
el sesgo disminuye, la forma de la distribucin se
va haciendo simtrica


0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
9
10
Total
Level
33
104
168
257
198
123
53
37
10
5
3
991
Count
0.03330
0.10494
0.16953
0.25933
0.19980
0.12412
0.05348
0.03734
0.01009
0.00505
0.00303
1.00000
Prob
11 Levels
Frequencies
Binomial(50,.07)
Distributions
0 1 2 3 4 5 6 7 8 9 10
11
12
13
14
15
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Total
Level
2
3
16
49
77
128
160
160
125
107
66
56
25
9
6
2
991
Count
0.00202
0.00303
0.01615
0.04945
0.07770
0.12916
0.16145
0.16145
0.12614
0.10797
0.06660
0.05651
0.02523
0.00908
0.00605
0.00202
1.00000
Prob
16 Levels
Frequencies
Binomial(100,.07)
Distributions
La proporcin muestral
Una variable aleatoria de uso frecuente es
llamada proporcin muestral defectuosa o no
conforme y X es la variable binomial.
La distribucin de es:




La media y varianza de son:
n
X
p =

|
|
.
|

\
|
=
s =
(

s = s
na
x
x n x
p p
x
n
na X p a
n
X
P a p P
0
) 1 (
) ( )

(
n
p p
p
) 1 (
y
2

= = o
p

Modelo Hipergeomtrico
Imagine una caja que contiene r bolas rojas y b bolas
negras. Se extrae una muestra de tamao n sin
reemplazo. Cul es la probabilidad de que esta
muestra contenga exactamente k bolas rojas ( y por lo
tanto n-k bolas negras)?
Para resolver el problema, razonamos como sigue:
estamos interesados solo en el nmero total de bolas
rojas y bolas negras en la muestra y no en el orden en el
cual estas bolas fueron extraidas.
Esto es, estamos trabajando con muestreo sin
reemplazo y sin considerar el orden de extraccin.
Podemos por lo tanto, tomar nuestro espacio de
probabilidad para este problema como la coleccin de
todas las muestras de tamao n que pueden
ser
extradas de esta forma de las b+r bolas de la poblacin.
Debemos ahora calcular el nmero de formas en las
cuales una muestra de tamao n puede ser extrada de
modo que tenga exactamente k bolas rojas. Las k bolas
rojas pueden ser escogidas de las r bolas rojas en
formas sin considerar el orden, y las n-k bolas negras
|
|
.
|

\
|
+
n
r b
|
|
.
|

\
|
k
r
pueden ser elegidas de las b bolas negras sin considerar
el orden de formas.

Ya que cada eleccin de k bolas rojas puede ser
combinada con cada eleccin de n-k bolas negras hay
entonces un total de posibles elecciones.

Entonces la probabilidad de encontrar exactamente k
bolas rojas en la muestra es
|
|
.
|

\
|
k n
b
|
|
.
|

\
|

|
|
.
|

\
|
k n
b
k
r
|
|
.
|

\
|
+
|
|
.
|

\
|

|
|
.
|

\
|
n
b r
k n
b
k
r
El modelo hipergeomtrico se usa tambin en el
muestreo de aceptacin. Como en el modelo
binomial, para calcular una probabilidad del tipo
, donde X es el nmero de elementos
de la muestra con xito, se utliza la frmula




Los valores posibles de X son 0,1,2,,n-b
( ) x X P s
( )

=
|
|
.
|

\
|
+
|
|
.
|

\
|

|
|
.
|

\
|
= s
x
i
n
b r
i n
b
i
r
x X P
0
MODELO POISSON
Distribucin discreta
La distribucin Poisson es



donde el parmetro >0. La media y varianza de la
distribucin Poisson son
,... 1 , 0
!
) ( = =

x
x
e
x p
x

o = =
2
y
Grfica
Distribucin sesgada. Conforme aumenta,
la apariencia de la distribucin se hace
simtrica.

0 1 2 3 4 5 6 7 8
Poiisson(lamda=2)
Distributions
0 1 2 3 4 5 6 7 8 9 10 11
Poisson(lamda=4)
Distributions
=8, =16
1 2 3 4 5 6 7 8 9 10
11
12
13
14
15
16
17
18
20
Poisson(lamda=8)
Distributions
5 6 7 8 9 10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Poisson(lamda=16)
Distributions
Aplicaciones de la Poisson
Modelacin del nmero de defectos o no
conformidades que ocurren en una unidad de
producto e incluso en una unidad de rea,
volumen o tiempo.
Ej.: El nmero de defectos por unidad en la
conexin de alambres que ocurre en un
dispositivo semiconductor sigue una
distribucin Poisson con =4.
Ej.
La probabilidad de que un dispositivo seleccionado al
azar contenga dos o menos defectos en la conexin es

2380 . 1464 . 0733 . 0183 .
!
4
) 2 (
2
0
4
= + + = = s

=

x
x
x
e
x p
MODELO NORMAL
Probablemente sea la distribucin ms importante tanto
en teora como en aplicaciones
La densidad normal es



La media y varianza son

La media indica el centro de la curva de densidad y la
varianza indica la amplitud de dicha curva.
< < =
|
.
|

\
|

x -
2
1
) (
2
2
1
o

t o
x
e x f
( ) < <
0
2
> o
Ejemplo de tres densidades
Normales
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Y
-4 -3 -2 -1 0 1 2 3 4
z
Overlay Y's
Y Normal(0,1) Normal(1,1) Normal(0,.75)
Overlay Plot
Propiedades
Notacin: significa x tiene distribucin
normal con media y varianza
La curva normal es simtrica alrededor de la media, tiene
forma de campana (Gauss)

) , ( ~
2
o N x
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
N
o
r
m
a
l
(
0
,
1
)
-5 -4 -3 -2 -1 0 1 2 3 4 5
z
Smoothing Spline Fit, lambda=0.01
Bivariate Fit of Normal(0,1) By z
68.26
95.46
99.73
( ) 6826 . = + s s o o x P
( ) 95 . 2 2 = + s s o o x P
( ) 9973 . 3 3 = + s s o o x P
Distribucin acumulada Normal
Es


Estandarizacin. Si x~N(,), la variable transformada


tiene distribucin normal con media =0 y varianza
=1 (distribucin normal estndar)
De modo que
( ) dx e a a x P
x
a
2
2
1
2
1
) (
|
.
|

\
|


}
= u = s
o

t o
o

=
x
z
( )
|
.
|

\
|

u =
)
`


s = s
o

o
a a
z P a x P
Ejemplo
La resistencia de tensin del papel empleado para hacer
bolsas para vveres, x, tiene distribucin Normal con
media de 40 lbs/plg2 y desviacin de 2 lb/plg2.
El comprador requiere que
P(cumpla la especificacin o la exceda)?=1-P(no cumpla..)
( )
2
plg / 35 lb x >
( ) ( ) ( ) 0062 . 5 . 2 5 . 2
2
40 35
35 ) cumpla no ( = u = s =
)
`


s = s = z P z P x P P
9938 . 0 0062 . 1 ) cumpla no ( 1 ) cin especifica la cumpla ( = = = P P
MODELO EXPONENCIAL
La distribucin exponencial es


donde >0 es una constante. La media y la
varianza de la distribucin exponencial son

y

respectivamente
0 ) ( > =

x e x f
x

1
=
2
2
1

o =
Grfica
La distribucin exponencial acumulada es

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
F
(
a
)
=
1
-
e
x
p
(
-
l
a
m
d
a
*
a
)
0 5 10 15 20 25 30 35
a
Bivariate Fit of F(a)=1-exp(-lamda*a) By a
Aplicaciones
En ingeniera de confiabilidad se usa para
modelar el tiempo hasta la falla de un
componente o sistema. es el ndice de
falla del sistema y a la media = 1/ , se
le llama tiempo medio hasta una falla.
Ejemplo
Un componente electrnico de un sistema de radar
en vuelo tiene vida til descrita por una
distribucin Exponencial con parmetro =.0010
1/ =10,000 h.
P (componente falle antes de la media)?
}
= = =
)
`

/ 1
0
1
63212 . 1
1
e dt e x P
t
MODELO LOGNORMAL
Si X es variable aleatoria con distribucin Normal,
entonces exp(X) tiene distribucin Lognormal.
Una variable puede modelarse como lognormal si
puede considerarse como producto
multiplicativo de muchos pequeos factores
independientes.

La distribucin Lognormal tiene como funcin de
densidad


Para x>0, donde y son la media y la desviacin
estndar del logaritmo de la variable (ln (X)).
Esto es, E[ln(X)]=, V[ln(X)]= .
El valor esperado es E(X)=exp[+ /2] y la varianza es
Var(X)=[exp()-1]exp(2+ )
( )
2 2
2 / ln
2
1
) , ; (
o
t o
o

=
x
e
x
x f
La distribucin Lognormal se ajusta a ciertos tipos
de falla (fatiga de componentes metlicos), vida
de aislamientos elctricos, procesos continuos y
puede representar bien los tiempos de
reparacin de un sistema.
a) La distribucin representa la evolucin con el
tiempo de la tasa de fallas, (t), en la primera fase
de vida de un componente, la correspondiente a
las fallas infantiles en la curva de baera.
Entendindose como tasa de fallas, la probabilidad
de que un componente que ha funcionado bien
hasta el instante t, falle entre t y t+dt.
b) Describe la dispersin de las tasas de fallas de
componentes, ocasionada por diferente origen
de los datos, distintas condiciones de operacin,
entorno, etc.

Curva de baera. Curva tpica de la
evolucin de la tasa de fallas.
Problema No. 1
Considere un lote grande que contiene el 10% de
artculos defectuosos. Se toma una muestra de
50 artculos y se observa cuntos son
defectuosos. Cul es la probabilidad de
encontrar 2 3 defectuosos en la muestra?.
Solucin. Observe que el nmero de artculos
defectuosos es una variable binomial (lote
grande=ensayos independientes) con parmetros
n=50 y p=.10.
Nos preguntamos P(2X 3)=?.
Dado que (n)(p)=(50)(.10)=5 la aproximacin Normal a la
Binomial ser buena. Entonces






= [-0.707]- [-1.65]
=.2389-.0495=.1894
Comparemos este resultado con la probabilidad exacta:
( )
(
(
(


u
(
(
(

+
u = s s
npq
np a
npq
np b
b X a P
2
1
2
1
(

u
(

+ u = s s ) 9 (. 5 / ) 5
2
1
2 ( ) 9 (. 5 / ) 5
2
1
3 ( ) 3 2 ( X P
Para obtener la probabilidad exacta usamos la distribucin
binomial:






Observamos una diferencia de alrededor de 3 centsimas
entre la probabilidad exacta y la probabilidad
aproximada.
La aproximacin mejora a medida que el producto np es
ms grande.
) 50 (
3
2
9 . 1 .
50
) 3 2 (
x x
x
x
X P

=

|
|
.
|

\
|
= s s
2165 . 9 . 1 .
3
50
9 . 1 .
2
50
) 3 50 ( 3 ) 2 50 ( 2
=
|
|
.
|

\
|
+
|
|
.
|

\
|
=

Problema No. 2
2-17(Montgomery). Un ensamblaje mecatrnico se
somete a una prueba final de funcionamiento. Suponer
que los defectos en estos ensamblajes ocurren
aleatoriamente y que los defectos ocurren de acuerdo
con la distribucin Poisson con parmetro =0.02.
a) Cul es la probabilidad de que un ensamblaje tenga
exactamente un defecto?
b) Cul es la probabilidad de que un ensamblaje tenga
uno o ms defectos?
c) Suponer que el proceso se mejora de tal modo que el
ndice de ocurrencia de defectos se reduce a la mitad
(=0.01). Qu efecto tiene esto sobre la probabilidad.
de uno o ms defectos?
Solucin
Sea X el nmero de defectos en un ensamblaje.
Solucin a)
X tiene distribucin Poisson(=0.02)
P(X=1) = [exp(-.02)](.02)/1!
=[.9802](.02)/1
.0196
Solucin b)
P(X1) = 1-P(X<1)=1-P(X=0)
=1-{[exp(-.02)](.02)/0!}
=1-{(.9802)(1)/1}
.0198
Solucin c)
P(X1)= 1-P(X=0)
=1-{[exp(-.01)](.01)/0!}
=1-.99005
=.00995 .01 La probabilidad se reduce a la mitad
tambin!.
Problema No. 3
2-21. Un fabricante de calculadoras electrnicas ofrece un
ao de garanta. Si la calculadora falla por cualquier
razn durante este periodo, ser reemplazada. El tiempo
hasta una falla est bien modelado por la siguiente
distribucin de probabilidad:


a)Qu porcentaje de las calculadoras fallar dentro del
periodo de garanta?
0 125 . 0 ) (
125 . 0
> =

x si e x f
x
b) El costo de fabricacin de una calculadora es de 50
dlares y la ganancia por venta es 25 dlares. Cul es el
efecto de la garanta de reemplazo sobre la ganancia?
Solucin a) Observemos que f(x) es la densidad
exponencial con parmetro =.125
P(X1) =F(1)
donde F es la distribucin acumulada exponencial
=1- exp{-.125(1)}
=1-exp(-.125)
=.1175
Esto es, aproximadamente fallar el 11.75% de las
calculadoras producidas

El efecto de la garanta es que por cada 100
calculadoras vendidas, aproximadamente fallarn
12 y tendrn que gastarse 75 dlares adicionales
en su reposicin. Es decir se emplearn
(12)(75)=900 dlares adicionales en promedio
por cada 100 calculadoras vendidas.
Problema No. 4
2-22. El contenido neto en onzas de un refresco en lata
es una variable aleatoria con distribucin


Encontrar la probabilidad de que una lata contenga
menos de 12 onzas del producto.
Solucin

s s
s s
=
75 . 12 25 . 12 ) 75 . 12 ( 4
25 . 12 75 . 11 ) 75 . 11 ( 4
) (
x x
x x
x f
}
= <
12
75 . 11
) 75 . 11 ( 4 ) 12 ( dx x X P
125 . 0 ) 47 2 ( ) 12 (
12
75 . 11
2
= = < x x X P
Problema No. 5
2-23 Un proceso de produccin opera con una
salida disconforme de 2%. Cada hora se toma
una muestra de 50 unidades del producto y se
cuenta el nmero de unidades disconformes. Si
se encuentran una o ms unidades disconformes,
el proceso se detiene y el tcnico de control de
calidad debe buscar la causa de la produccin
disconforme. Evaluar el desempeo de esta regla
de decisin.
Solucin
X es binomial con n=50 y p=.02
P(X1)=1-P(X<1)=1-P(X=0)



La probabilidad de que exista al menos 1 disconforme es
alta. Significa que es probable que el proceso se
detenga luego de cada muestra, lo que volvera muy
costoso el proceso.

6358 . 3642 . 1 ) 98 (. ) 02 (.
0
50
1 ) 1 (
48 0
= =
(

|
|
.
|

\
|
= > X P
Problema No. 6
Se selecciona una muestra de 50 unidades de un proceso
de produccin que es 2% disconforme. Cul es la
probabilidad de que exceder la verdadera fraccin
disconforme por k desviaciones estndar, donde k=1,
2 y 3?.
Solucin: para k=1, k desviaciones estndar de es
igual a:




p

020 .
50
) 98 )(. 02 (.
= =
n
pq
) 04 .

( 1 ) 04 .

( ) 020 . 02 .

( s = > = + > p P p P p P
P=1- .922=.079
Para k=2, 2 desviaciones estndar de sera:
2*.02=.04


=1-0.9822=.0178
Para k=3, 3 desviaciones estndar de sera:
3*.02=.06

= 1-.997=.003
(
) 50 (
) 04 (. 50
0
98 . 02 .
50
) 04 (. (
x x
x
x
n X P

=
|
|
.
|

\
|
= s =
p

) 08 .

( 1 ) 08 .

( ) 06 . 02 .

( s = > = + > p P p P p P
) 06 .

( 1 ) 06 .

( ) 04 . 02 .

( s = > = + > p P p P p P
p

Problema No. 7
La resistencia de tensin de una pieza metlica
sigue una distribucin normal con media de 40
libras y desviacin estndar de 8 libras. Si se
producen 50,000 piezas, cuntas dejaran de
cumplir con el lmite de la especificacin mnima
de 34 libras de resistencia de tensin?. Cuntas
tendran una resistencia de tensin en exceso de
48 libras?.
Solucin
X~N(40,8)
P(X<34)=[(34-40)/8]= (-0.75)=.2266

De las 50,000 piezas, aproximadamente
50,000(.2266)=11,330 piezas no cumplirn la
especificacin.
P(X>48)=1-P(X 48)=1-[(48-40)/8]
=1- (1)
=1-.8413
=.1587
Solo el 15.87% de las piezas aproximadamente
resistir ms de 48 libras.
Problema No. 8
(tomado de Walpole)
Se sabe que histricamente la concentracin de
contaminantes producidos por plantas qumicas
exhiben un comportamiento que se asemeja a
una distribucin Lognormal. Esto es importante
cuando se consideran problemas con respecto a
la obediencia de las regulaciones
gubernamentales. Suponga que la concentracin
de cierto contaminante, en partes por milln,
tiene distribucin Lognormal con =E(lnX)=3.2
y =desviacin estndar del lnX=1.
Cul es la probabilidad de que la concentracin exceda
ocho partes por milln?.
Solucin
Sea X la concentracin de contaminantes

Como ln(X) tiene distribucin normal con media =3.2 y
=1, entonces


Entonces

) 8 ( 1 ) 8 ( s = > X P X P
| | 1314 . 0 ) 12 . 1 (
1
2 . 3 ) 8 ln(
8 = u =
(


u = s X P
8686 . 1314 . 1 ) 8 ( = = > X P
Problema No. 9
Suponga que la vida de servicio, en aos, de la batera de
un aparato para sordos es una variable aleatoria que
tiene una distribucin Weibull con
Cunto tiempo se puede esperar que dure la batera?
Cul es la probabilidad de que tal batera est en
operacin despus de 2 aos?
2 2 / 1 = = | u y
Solucin
Sea la variable aleatoria X la duracin de la batera, en
aos.
Tiempo de duracin esperado= E(X)



=(.7071)(3/2)=(.7071)(0.8862)=.6267 aos229 das
Nota:

|
.
|

\
|
+ I =
|
|
.
|

\
|
+ I =
2
1
1 ) 7071 (.
1
1 2 / 1 ) (
|
X E
( ) ( ) 1 1 ) 1 ( > I = I o o o o si
8862 . 0
2
1
2
1
2
1
2
3
= =
|
.
|

\
|
I =
|
.
|

\
|
I t