Vous êtes sur la page 1sur 6

Modelos Analíticos de Fenómenos Aleatorios

Karina Villanueva Low

Estadística Aplicada a la Empresa

Instituto IACC

17-12-2017
INSTRUCCIONES: Sobre la base de las lecturas y de los contenidos revisados en la semana

(eventos aleatorios y variables aleatorias, distribución de probabilidades de una variable aleatoria,

medidas descriptivas de variables aleatorias, valor central, primer y segundo momento,

distribución binomial y Bernoulli, distribución geométrica, probabilidad acumulada para una

distribución geométrica, tiempo de ocurrencia y periodo de retorno, el proceso de Poisson).

Dadas las siguientes problemáticas resuélvalas paso a paso de acuerdo a lo trabajado en la semana:

1. Después de una prueba de laboratorio muy rigurosa con cierto componente eléctrico, el

fabricante determina que en promedio solo fallarán tres componentes antes de tener 1.200

horas de operación. Un comprador observa que son 6 componentes los que fallan antes de

las 1.200 horas. Si el número de componentes que fallan es una variable aleatoria de

Poisson ¿existe suficiente evidencia para dudar de la conclusión del fabricante? Argumente.

Nuestra Variable Aleatoria V.A.:

X = número de componentes que fallan antes de tener 1200 horas de operación.

𝑥~𝑝 (𝜆 = 3)

𝑟𝑒𝑐𝑜𝑟𝑟𝑖𝑑𝑜 𝑥 = {0,1,2,3, … . }

𝑒 −3 .36
𝑝(𝑥 = 6) = = 0,05 equivalente al 5%
6!

Existe un 5% de que fallen 6 componentes antes de las 1200 horas, esto nos da a entender

que la probabilidad es muy baja por lo que hay evidencia para dudar la conclusión del

fabricante.
2. Un agente de seguros vende pólizas a 10 individuos, todos de la misma edad. De acuerdo

con las tablas actuariales, la probabilidad de que un individuo con esa edad viva 30 años

más es de 3/5. Determine la probabilidad de que dentro de 30 años vivan, al menos, 3

individuos.

3
𝑝=
5

𝑝(𝛾 ≥ 3) = 1 − [𝑝(𝑦 = 0) + 𝑝(𝑦 = 1) + 𝑝(𝑦 = 2)]

10 3 3 10 3 3 10 3 3
= 1 − [( ) . ( ) . (1 − )10.0 + ( ) ( ) . (1 − )10−1 + ( ) . ( )2 . (1 − )10−2 ]
0 5 5 1 5 5 2 5 5

= 1- 0, 012294554

= 0, 987705446

3. La probabilidad que una muestra de aire contenga una molécula anómala es 0,03.

Suponiendo independencia entre las muestras extraídas con respecto a la presencia de

moléculas anómalas.

En función de la información anterior, responda:

a) Escriba el modelo probabilístico

P= 0,03

N=cantidad

X= números de muestras de aire que contiene la molécula anómala en las siguientes “n”

muestras analizada

Por lo tanto x es una variable binominal

Con p=0,03 y n = n
P(x=x) = (𝑛𝑥) (0,03)𝑥 (1 − 0,03)𝑛−𝑥

𝑛!
𝑝(𝑥 = 𝑥) = 0,03𝑥 . 0,07𝑛−𝑥
𝑥! (𝑛 − 𝑥)!

Suposición:

p = 0,03 n= 3

𝑥~𝐵(3; 0,03)

Buscaremos la probabilidad de que en 3 muestras se tenga exactamente 1 que contenga las

moléculas anómalas.

3
𝑝(𝑥 = 1) = ( ) (0,03)(0,97)2
1

3!
= 0,03. 0,97 = 0,0847
1! 2!

También podemos decir “buscar la probabilidad de que en 5 muestras se tengan 2 muestras que

contengan las moléculas anómalas”.

𝑝 = 0,03 𝑁=5 𝑋=2 𝑥~𝐵(5 ; 0,03)

5 5!
𝑝(𝑥 = 5) = ( ) 0,032 . 0,973 = 0,032 . 0,973
2 2! 3!

= 10.0,032 . 0,973 = 0,0082

b) Calcule la esperanza y la varianza.

Para ejemplo 1 N = 3 p = 0,03

E(x) = Np = 3.0,03 = 0,09

Var(x) = Npq = 3.0,03.0,97 = 0,0873


Para ejemplo 2 N=5 p = 0,03

E(x) = Np = 5.0,03 = 0,15

Var(x) = Npq = 5.0,03.0,97 = 0,1455

Nota: Se asumieron valores por falta de información.


Bibliografía

IACC (2013). Variable aleatoria discreta y distribuciones de probabilidad discretas. Inferencia

estadística. Semana 1.