DISTRIBUCIONES DE PROBABILIDAD

Variable Aleatoria:
Es el nmero real asignado a las salidas (cuantitativas o cualitativas) de un
experimento y forman una coleccin de variables indexadas { X
i
}
Se utilizan estas variables para calcular parmetros como la: salida esperada,
media, varianza y desviacin estndar.
Tipos de variables aleatorias:
Discretas (valores enteros)
Continuas (valores enteros y fraccionarios)
Ejemplos de variables aleatorias:
Rango Tipo
Inspeccionar 600 focos X
i
= focos buenos 0 a 600 Discreta
Probar la duracin de los X
i
= horas de encendido que dura el foco t > X
i
0 Continua
focos fabricados
Checar avance de la X
i
= % de departamentos terminados 1 X
i
0 Continua
construccin de 200
departamentos
Registrar el estado de 0 y 1 Discreta
la mquina en produccin
Encuestar la opinin de 1 a 3 Discreta
los estudiantes
Distribucin de Probabilidades:
Dependiendo del tipo de variable aleatoria que se utilice, las distribuciones pueden
ser: Discretas y Continuas
Reglas para las Distribuciones de Probabilidad:
1. Las variables aleatorias X deben ser "mutuamente excluyentes y colectivamente
exhaustivas"
2. La probabilidad individual de cada variable est entre 0 y 1
3. La sumatoria de las probabilidades individuales es 1
Experimento Variable Aleatoria

=
=
=
trabajando
ta descompues
X
i
1
0

=
=
=
=
acuerdo
neutral
desacuerdo
X
i
3
2
1
1 ) (
1
=

=
n
i
i
X P
0 ) ( 1 > >
i
X P
Objetivo: Conocer las caractersticas del comportamiento de las variables aleatorias (perfl
de la distribucin de probabilidades).
Para visualizar esta distribucin es necesario conocer la Media y la Varianza (o la
Desviacin Estndar)
Muestra Poblacin
Media:
Varianza: Var(X)
Desviacin Estndar:
Conociendo la varianza se puede calcular la "Desviacin Estndar"
Distribuciones de Probabilidades "Discretas":
Para conocer la media y varianza de una distribucin discreta, se
utilizan:
Valor Esperado (Media):
Varianza:
Desviacin Estndar:
Ejemplos
1. Un profesor pregunta a 100 estudiantes a travs de un cuestionario, sobre su
libro de estadsticas si "realmente ayud al alumno a pasar el curso"
Procesando las encuestas, se obtuvo la siguiente informacin:
Salida Variable Respuestas
Aleatoria
Muy de acuerdo (MA) 5 10
De acuerdo (A) 4 20
Neutral (N) 3 30
Desacuerdo (D) 2 30
Muy en desacuerdo (MD) 1 10
Cul es la opinin de los estudiantes?
2
S S =
X
2
o
S o
) ( ) (
1
i
n
i
i
X P X X E

=
=
| |

=
=
n
i
i i
X P X E X X Var
1
2
) ( ) ( ) (
| |

=
=
n
i
i i
X P X E X
1
2
) ( ) ( o
2
S
Solucin:
X
i
f
i
p
i
[X
i
- E(X)]
2
p
i
MA 5 10 0.10 0.441
A 4 20 0.20 0.242
N 3 30 0.30 0.003
D 2 30 0.30 0.243
MD 1 10 0.10 0.361
100 1.00 1.29
E(X) = 5(0.10) + 4(0.20) + 3(0.30) + 2(0.30) +1(0.10)
E(X) = 2.9
La opinin de los estudiantes es que el libro del profesor "no sirvi"
para pasar el curso.
S
2
= 1.29
S = 1.14
2. Se quiere hacer la comparacin de las ganancias potenciales entre dos
productos nuevos que se van a disear. El departamento de comercializacin
considera que la ganancia del diseo "A" se puede predecir con mucha precisin
en $3 millones pero la ganancia del diseo "B" tiene ms incertidumbre para
determinarse. Comercializacin concluye que hay una probabilidad de 0.3 de que
la ganancia del diseo "B" sea de $7 millones y 0.7 de que ganacia sea de slo $2
millones. Cul de los dos diseos se debe elegir?
Solucin:
Variable aleatoria: X = Ganancia del diseo "A"
Diseo "A":
Como no se tiene incertidumbre en la ganancia del diseo "A", la distribucin de l
a variable X se puede establecer como:
E(X) = 3(1) = $3 millones
V(X) = (3 - 3)
2
(1) = 0
Diseo "B": Y = Ganancia del diseo "B"
E(Y) = 7(0.3) + 2(0.7) = $3.5 millones
V(Y) = (7 - 3.5)
2
(0.3) + (2 - 3.5)
2
(0.7) = 5.25 millones de $
2

=
=
n
i
i i
X p X E
1
) (
p
i
X
i
0.1
0.2
0.3
5 4 3 2 1
Para facilitar la interpretacin se obtiene la "desviacin estndar" que tiene las
mismas unidades que la variable aleatoria:
= $2.29 millones
Conclusin: para una persona que no quiere riesgo, va a decidirse por el diseo
"A". Si se acepta el riesgo, se decide por el diseo "B".
3. El nmero de mensajes por hora enviados en una red de computadoras tiene la siguiente
distribucin de probabilidades (funcin de masa):
Nmeros de Distribucin
mensajes Probabilidad
(X) f(X)
10 0.08
11 0.15
12 0.30
13 0.20
14 0.20
15 0.07
Calcule la media y la desviacin estndar para el problema.
Solucin:
(X) f(X) E(X) V(X)
10 0.08 0.80 0.50
11 0.15 1.65 0.34
12 0.30 3.60 0.08
13 0.20 2.60 0.05
14 0.20 2.80 0.45
15 0.07 1.05 0.44
12.50 1.85
E(X) = 12.5 mensajes/hora 12.5
S = 1.36 mensajes/hora 1.36
Tipos de "Distribuciones de Probabilidades Discretas":
Uniforme
Binomial
Poisson
Distribuciones de Probabilidades "Continuas":
Las variables continuas tienen valores enteros o fraccionarios como por ejemplo:
tiempo, peso, longitud, temperatura, etc.
Las distribuciones de probabilidad continuas se caracterizan por:
"Hay una f(X) que describe la distribucin de probabilidades llamada funcin de
densidad (funcin de masa o de probabilidades) que sirve para calcular cualquier
probabilidad con el rea bajo la curva"
Tipos de "Distribuciones de Probabilidadades Continuas":
Normal
Exponencial
DISTRIBUCIN UNIFORME
"Una variable aleatoria X
i
es uniforme si cada uno de los n valores
consecutivos de su rango tiene la misma probabilidad de ocurrir"
Funcin de Probabilidad:
Valor Esperado (Media):
Desviacin Estndar:
Ejemplos
1. El primer dgito del nmero de serie de una pieza fabricada puede ser
cualquiera de 0 a 9. Si se selecciona una pieza al azar de un lote grande y X es el
primer dgito del nmero de serie, cul es la funcin de masa de probabilidad o
la distribucin de probabilidad?
Solucin
Funcin de Probabilidad: f(x) = 0.1 para cada valor de su rango
2. Se tiene un conmutador con 48 lneas. Si se considera X como el nmero de
lneas en uso en un tiempo dado, cul es el valor esperado y la desviacin
estndar?
Solucin
lneas/unidad de "tiempo"
lneas/unidad de "tiempo"
Si todos los valores del rango de X se multiplican por una "constante" (sin cambiar ninguna de
las probabilidades), entonces la media y la desviacin estndar de X se multiplican por la
constante.
Para el caso del conmutador, si se define una nueva variable aleatoria como:
Y = Proporcin de las lneas en uso en un tiempo dado (48 horas)
entonces:
Y = X/48
E(y) = E(x)/48 = 24/48 = 0.5
= 14.14/48 = 0.295
2
) (
a b
x E
+
= =
12
1 ) 1 (
2
+
=
a b
o
24
2
0 48
) ( =
+
= x E
14 . 14
12
1 ) 1 0 48 (
2
=
+
= o
a b
P(x)
f(x)
x
n
x P x f
1
) ( ) ( = =
DISTRIBUCIN BINOMIAL
"Cualquier experimento aleatorio de "n" ensayos repetidos que se ajuste a un tipo Bernoulli
que tiene las siguientes caractersticas:
Cada ensayo produce nicamente dos posibles resultados (xito fracaso)
Los resultados de los ensayos son independientes
La probabilidad de xito "p" en cada ensayo es constante ya que se considera
que el proceso es estacionario o estable.
Cada experimento es una serie de ensayos aleatorios repetidos donde la variable aleatoria X
i
es un conteo del nmero de ensayos que satisfacen el criterio especificado (probabilidad de
xito "p")
Los trminos de xito (p) y fracaso (q) son meras "etiquetas" que no necesariamente estn
relacionados con los efectos positivos y negativos.
Algunos ejemplos de experimentos aleatorios que se ajustan a una Distribucin Binomial:
Mquina herramienta desgastada que influye en la calidad de las piezas fabricadas.
Lanzar una moneda una cierta cantidad de veces para ver sus resultados.
Muestras de aire para analizar si contienen una molcula rara contaminante.
La calidad de los bits trasmitidos en una canal de transmisin digital.
Un examen de opcin mltiple con 10 preguntas, cada una con cuatro opciones
que contesta un alumno adivinando.
Nacimientos de nios y nias en un hospital.
Pacientes con una cierta enfermedad donde se experimenta la mejora del paciente
por tomar un medicamento especfico.
La variable aleatoria X
i
(nmero de ensayos que cumplen con la probabilidad de xito) tiene una
Distribucin Binomial con parmetros n y p :
Funcin de Probabilidad:
(Funcin de Masa)
donde :
X = Nmero de "xitos"
n = nmero de observaciones o ensayos
p = probabilidad de "xito"
q = probabilidad de "fracaso"
donde: p + q = 1
Algunas nomenclaturas para expresar el clculo de la probabilidad (funcin de
probabilidad) son: P(X /n,p) = P(X = x
i
) = P(X)
Valor Esperado (Media):
Varianza:
Desviacin estndar:
X n X
X n
q p C X P x f

= = ) ( ) (
)! ( !
!
X n X
n
C
X n

=
np X E = ) (
npq X V = ) (
npq = o
Ejemplos
1. La probabilidad de que un prospecto de ventas, seleccionado al azar, haga una
compra es de 0.20. Si un vendedor visita a 6 prospectos calcule:
a. La probabilidad de hacer 4 ventas?
b. La probabilidad de hacer 4 o ms ventas?
c. La probabilidad de hacer menos de 4 ventas?
d. Valor Esperado, la Varianza y la Desviacin Estndar?
Solucin
a. La probabilidad de hacer 4 ventas?
0.01536
b. La probabilidad de hacer 4 o ms ventas?
P(X 4) = P(4) + P(5) + P(6)
P(4) = 0.0154 0.01536
P(5) = 0.0015 0.001536
P(6) = 0.0001 0.0001
0.0170
P(X 4) = 0.0170
Otra forma de solucin:
P(X 4) = 1- P(X 3)
P(0) = 0.2621
P(1) = 0.3932
P(2) = 0.2458
P(3) = 0.0819
0.9830
P(X 4) = 1- 0.9830 = 0.0170
c. La probabilidad de hacer menos de 4 ventas?
P(X < 4) = P(X 3) = P(0) + P(1) +P(2) + P(3)
P(X 3) = 0.9830 solucionado en inciso anterior
d. Valor Esperado, la Varianza y la Desviacin Estndar?
E(X) = 6(0.20) = 1.2 prospectos que compran
Var(X) = 6(0.20)(0.80) = 0.96
S = 0.98 prospectos que compran
2. Se lanzan 5 monedas al mismo tiempo
a. Cul es la probabilidad de que salgan 4 sellos?
b. Menos de 3 sellos?
c. Ms de 3 aguilas?
d. Calcule la media, varianza y desviacin estndar (respecto a sellos)
01536 . 0 ) 80 . 0 ( ) 20 . 0 ( ) 4 (
2 4
4 6
= = C P
Solucin
a. Cul es la probabilidad de que salgan 4 sellos?
0.1563
b. Menos de 3 sellos?
P(X < 3) = P(X 2) = P(0) + P(1) + P(2)
P(0) = 0.0313
P(1) = 0.1563
P(2) = 0.3125
0.5000
P(X 2) = 0.5
c. Ms de 3 aguilas?
P(X > 3) = P(X 4) = P(4) + P(5)
P(4) = 0.1563
P(5) = 0.0313
0.1875
P(X > 3) = 0.1875
d. Calcule la media, varianza y desviacin estndar (respecto a sellos)
E(X) = 5(0.5) = 2.5 sellos
Var(X) = 5(0.5)(0.5) = 1.25
S = 1.1 sellos
3. Una empresa electrnica est experimentando un nuevo prototipo que requiere
un alto nivel de calidad. Cada hora el supervisor de la lnea de produccin toma
una muestra de 5 transistores. La probabilidad de que cualquier transistor sea
defectuoso es de 0.15
a. Cul es la probabilidad de encontrar 3 o ms defectuosos?
b. Calcular la media y la desviacin estndar.
Solucin
a. cul es la probabilidad de encontrar 3 o ms defectuosos?
P(X 3) = P(3) + P(4) + P(5)
P(3) = 0.02438
P(4) = 0.00215
P(5) = 0.00008
P(X 3) = 0.0266
b. Calcular la media y la desviacin estndar.
E(X) = 0.75 transistores
V(X) = 0.6375
S = 0.7984 transistores
4. Un fabricante utiliza un proceso de produccin que da el 20% de artculos
defectuosos. Si se produce 5 unidades:
1563 . 0 ) 5 . 0 ( ) 5 . 0 ( ) 4 (
4
4 5
= = C P
a. Cul es la probabilidad de que ninguna de ellas sea defectuosa?,
de que tres lo sean?, de las cinco salgan defectuosas?
b. Cul es la probabilidad de que cuando mucho una unidad sea
defectuosa?
c. De que dos o tres lo sean?
d. De que al menos tres sean defectuosas?
Solucin
a. Cul es la probabilidad de que ninguna de ellas sea defectuosa?,
de que tres lo sean?, de las cinco salgan defectuosas?
0.3277
0.0512
0.0003
b. Cul es la probabilidad de que cuando mucho una unidad sea
defectuosa?
P(X 1) = P(0) + P(1)
P(0) = 0.3277
P(1) = 0.4096
0.7373
P(X 1) = 0.7373
c. De que dos o tres lo sean?
P(2 3) = P(2) + P(3)
P(2) = 0.2048
P(3) = 0.0512
0.2560
P(2 3) = 0.2560
d. De que al menos tres sean defectuosas?
P(X 3) = P(3) + P(4) + P(5)
P(3) = 0.0512
P(4) = 0.0064
P(5) = 0.0003
0.0579
P(X 3) = 0.0579
3277 . 0 ) 80 . 0 ( ) 20 . 0 ( ) 0 (
5 0
0 5
= = C P
0512 . 0 ) 80 . 0 ( ) 20 . 0 ( ) 3 (
2 3
3 5
= = C P
0003 . 0 ) 80 . 0 ( ) 20 . 0 ( 5 ) 5 (
0 5
5 5
= = C P
DISTRIBUCIN DE "POISSON"
"Se utiliza para determinar la probabilidad de que ocurra un nmero de eventos en un cierto intervalo
que puede ser de tiempo, longitud, superficie, volumen, etc."
El proceso "Poisson" es similar a un proceso "Binomial", es decir, considera que:
Los resulatados son independientes
El proceso es estacionario haciendo que sea constante.
Distribucin de Probabilidad:
(Funcin de masa)
= Nmero promedio de eventos por unidad del intervalo
e = 2.7183
X = Eventos de xito
Valor Esperado:
Varianza:
Desviacin Estndar:
Ejemplos
1. Un departamento que repara mquinas recibe en promedio 5 solicitudes de servicio
por hora
a. Qu probabilidad se tiene de recibir exactamente 3 solicitudes en una
hora seleccionada al azar?
b. Cul es la probabilidad de que se reciban menos de 3 servicios en una
hora elegida en forma aleatoria?
Solucin
a. Qu probabilidad se tiene de recibir exactamente 3 solicitudes en una
hora seleccionada al azar? solicitudes/hora
solicitudes/hora
0.1404
b. Cul es la probabilidad de que se reciban menos de 3 servicios en una
hora elegida en forma aleatoria?
P(X < 3) = P(X 2) = P(0) + P(1) + P(2)
P(0) = 0.00674 0.0067
P(1) = 0.03369 0.0337
P(2) = 0.08422 0.0842
0.1247 0.1247
P(X < 3) = 0.1247
!
) ( ) (
X
e
X P X f
X

= =
= ) (X E
= ) (X Var
o =
1404 . 0
! 3
5
) 3 (
5 3
= =

e
P
5 =
3 = X
2. El nmero promedio de personas que realizan transacciones en el mostrador de "servicios
especiales" es 5 por hora. Considere que las llegadas de esas personas son independientes
e igualmente probables en el perodo,
cul es la probabilidad de que ms de 10 personas deseen realizar
transacciones en el mostrador de servicios especiales en la siguiente hora?
Solucin
P(X > 10) = P(11) + P(12) + P(13) + P(14) + P(15) +
0.00824
P(12) = 0.00343 0.00343
P(13) = 0.00132 0.00132
P(14) = 0.00047 0.00047
P(15) = 0.00016 0.00016
0.01363 0.01363
P(X > 10) = 0.01363
3. En un cierto muelle, en promedio, llega un barco cada dos das,
cul es la probabilidad de que lleguen 2 o ms barcos en un da que se seleccione al azar?
Solucin
un barco cada dos das barcos/da
P(X 2) = P(2) + P(3) + P(4) + P(5) +
0.07582
P(3) = 0.01264 0.01264
P(4) = 0.00158 0.00158
P(5) = 0.00016 0.00016
0.0902 0.09019
P(X 2) = 0.09019
Otra forma:
P(X 2) = 1 - P(X 1) = 1 - {P(0) + P(1)}
P(0) = 0.6065
P(1) = 0.3033
0.9098
P(X 2) = 0.09019 0.0902
00824 . 0
! 11
5
) 11 (
5 11
= =

e
P
5 . 0 =
07582 . 0
! 2
5 . 0
) 2 (
5 . 0 2
= =

e
P
DISTRIBUCIN "NORMAL"
Se aplica a muchos fenmenos naturales, econmicos y sociales donde la variable aleatoria X
i
tiene una frecuencia mnima en ambos extremos y va creciendo simtricamente desde ambos
extremos hasta llegar a un valor central con la frecuencia mxima
Es la ms popular y poderosa de las distribuciones continuas.
Funcin de Densidad:
Se necesita conocer "" y "" para definir la funcin de densidad (funcin de
probabilidad funcin de masa)
Datos "No agrupados" Datos "Agrupados"
Media:
Varianza:
Desviacin Estndar:
Si n 30, usar "n"
Si n < 30, usar "Factor de Correccin n -1"
La Distribucin Normal es "simtrica (respecto a la media) y asinttica" por lo que la probabilidad
de un evento ser el rea bajo la curva (rea 1)
Transformacin de "Variables Reales" a "Variables Estandarizadas " (normalizadas
tipificadas):
Cuando se conoce que se tiene una "Distribucin Normal", entonces se puede aplicar la
2
2
2
) (
2
1
) (
o

t o

=
x
e x f
= ) (X E
2
) ( o = X V
f(X)
X

o

=
X
Z
Variable Real (X)
= 0
= 1
Z
Variable Estandarizada ()
3 2 1 0 -1 -2 -3
Distribuccin Normal Estandarizada
2
2
2
1
Z
e Y

=
t
donde:
n
X
n
i
i
=
=
1

=
=
=
n
i
i
n
i
i i
f
X f
1
1

( )
1
1
2

=

=
n
X X
S
n
i
i
( )
1
1
2

=

=
n
X X f
S
n
i
i i
siguiente "Regla Emprica":
= 68% de los datos de la poblacin
2 = 95.4%
3 = 99.7%
Pueden existir una infinidad de curvas normales, cuyas diferentes posiciones y elongaciones
dependern exclusivamente de su media y su desviacin estndar. Se pueden tener dos
situaciones:
1. Cuando se tienen "" diferentes pero con la "" iguales.
2. Cuando se tienen "" iguales pero con la "" diferentes.
Ejemplos:
1. Una empresa manufacturera ha recibido un pedido para la fabricacin de un nuevo
producto. La empresa estim que este nuevo proyecto tiene una media de 23.3
semanas con una desviacin estndar de 1.196 semanas. Si se considera que el tiempo
de duracin tiene una distribucin normal, calcule la probabilidad de terminar el proyecto
en:
a. 25.6 semanas menos
b. En 20 o menos semanas
c. Entre 21 y 22.5 semanas
d. Entre 21 y 25.6 semanas
e. Entre 24 y 25.6 semanas
f. 25.6 semanas ms
g. En 30 semanas menos
h. En 30 semanas ms
i. 18 semanas menos
j. Como mximo 23.3 semanas
k. Calcular la duracin del proyecto con un "nivel de confianza" del 95%
l. Con un NC = 97%, cul es la duracin esperada del proyecto?
Solucin
40 60 50
50
a. 25.6 semanas menos
rea = 0.4726
0.9726 =DISTR.NORM.ESTAND(1.92)
b. En 20 o menos semanas
rea = 0.4971
c. Entre 21 y 22.5 semanas
rea 1 = 0.4726
rea 2 = 0.2486
d. Entre 21 y 25.6 semanas
Calculados en incisos anteriores:
Z
1
= -1.92 rea = 0.4726
Z
2
= 1.92 rea = 0.4726
e. Entre 24 y 25.6 semanas
rea = 0.2224
Z
2
= 1.92 rea = 0.4726
f. 25.6 semanas ms
Z = 1.92 rea = 0.4726
g. En 30 semanas menos
rea 0 0.5
h. En 30 semanas ms
92 . 1
196 . 1
3 . 23 6 . 25
=

= Z
9726 . 0 4726 . 0 5 . 0 ) 6 . 25 ( = + = s X P
76 . 2
196 . 1
3 . 23 20
=

= Z
0029 . 0 4971 . 0 5 . 0 ) 20 ( = = s X P
9452 . 0 4726 . 0 4726 . 0 ) 6 . 25 21 ( = = s s X P
92 . 1
196 . 1
3 . 23 21
1
=

= Z
67 . 0
196 . 1
3 . 23 5 . 22
2
=

= Z
2240 . 0 2486 . 0 4726 . 0 ) 5 . 22 21 ( = = s s X P
59 . 0
196 . 1
3 . 23 24
1
=

= Z
2502 . 0 2224 . 0 4726 . 0 ) 6 . 25 24 ( = = s s X P
0274 . 0 4726 . 0 5 . 0 ) 6 . 25 ( = = > X P
6 . 5
196 . 1
3 . 23 30
=

= Z
1 5 . 0 5 . 0 ) 30 ( = + = s X P
Z = 5.6 rea = 0.5
i. 18 semanas menos
rea = 0.5
j. Como mximo 23.3 semanas
rea = 0
k. Calcular la duracin del proyecto con un "nivel de confianza" del 95%
Como el NC = 0.95, el rea a buscar en la tabla es de: 0.95 - 0.5 = 0.45
Buscando el valor de Z ms cercano, se tiene que:
rea = 0.4495 Z = 1.64
rea = 0.4505 Z = 1.65
Como el rea de 0.45 est exactamente a la mitad, se puede
considerar Z = 1.645
X = 23.3 + 1.645(1.196) = 25.3 semanas menos
25.3 =DISTR.NORM.INV(0.95,23.3,1.196)
l. Con un NC = 97%, cul es la duracin esperada del proyecto?
NC = 0.97 rea a buscar = 0.97 - 0.5 = 0.47
Z = 1.88
X = 23.3 + 1.88(1.196) = 25.5 semanas menos 25.5
2. El "cociente de inteligencia (IQ)" de la poblacin tiene una media de 100 puntos y una
desviacin estndar de 15 puntos. Se conoce que la variable aleatoria IQ sigue una
distribucin normal.
a. Cules son los lmites superior e inferior de cada intervalo respecto al IQ?
b. Cul es la probabilidad de que una persona tenga un IQ menor a 130
puntos?
Solucin
a. Cules son los lmites superior e inferior de cada intervalo respecto al IQ?
El 68% de la poblacin tiene un IQ entre 85 y 115 puntos y solo el 16% de
la gente tiene un IQ mayor a 115 puntos

=
=
= =
85
115
15 100
LI
LS
o
3 2 1 0 -1 -2 -3
115 85
68% 16% 16%
0 5 . 0 5 . 0 ) 30 ( = = > X P
43 . 4
196 . 1
3 . 23 18
=

= Z
0 5 . 0 5 . 0 ) 18 ( = = s X P
0
196 . 1
3 . 23 3 . 23
=

= Z
5 . 0 ) 3 . 23 ( = s X P
El 95.4% de la gente est con un IQ entre 70 y 130 puntos.
El 99.7% de la poblacin est con un IQ entre 55 y 145 puntos.
b. Cul es la probabilidad de que una persona tenga un IQ menor a 130
puntos?
=DISTR.NORM.ESTAND(2)
P(X 130) = P(Z 2) = 0.977 0.9772
3. Una constructora hace departamentos de 2 y 3 recmaras. La media es de 100 das
y la desviacin estndar es de 20 das para hacer un departamento de 3 recmaras.
a. La empresa ha firmado un contrato con una multa severa de no hacer un
departamento de 3 recmas en 125 das, cul es la probabilidad de hacerlo
en ese tiempo o menos?
b. Si termina en 75 das o menos, recibe un bono de $50,000, cul es la
probabilidad de recibir el bono?
c. Cul es la probabilidad de hacerlo entre 110 y 125 das?
Solucin
rea = 0.3944 (Tabla Parcial)
P(X 125 das) = 0.5 + 0.3944 = 0.8944
0.8944
b. Si termina en 75 das o menos, recibe un bono de $50,000, cul es la
probabilidad de recibir el bono?
rea = 0.3944 (Tabla Parcial)
P(X 75) = 0.5 - 0.3944 = 0.1056 0.1056 =DISTR.NORM.ESTAND(-1.25)

=
=
= =
70
130
) 15 ( 2 100 2
LI
LS
o
3 2 1 0 -1 -2 -3
130 70
95.4% 2.3% 2.3%

=
=
= =
55
145
) 15 ( 3 100 3
LI
LS
o
3 2 1 0 -1 -2 -3 145 55
99.7% 0.15% 0.15%
2
15
100 130
=

= Z
125
das
0.3944 0.5
25 . 1
20
100 125
=

= Z
75
das
25 . 1
20
100 75
=

= Z
c. Cul es la probabilidad de hacerlo entre 110 y 125 das?
A
1
= 0.1915
A
2
= 0.3944
P(125 X 110) = 0.3944 - 0.1915 = 0.2029
=DISTR.NORM.ESTAND(0.5) =DISTR.NORM.ESTAND(1.25)
0.6915 0.8944 0.89435
P(125 X 110) = 0.8944 - 0.6915 = 0.2029
4. Un fabricante afirma que sus lmparas tienen una vida media de 68 meses con una
desviacin tpica de 5. Considere que la duracin de las lmparas sigue una distribucin
normal. En un lote de 10000 lmparas:
a. Qu porcentaje de lmparas superarn los 75 meses?
b. Cuntas lmparas se fundirn antes de los 60 meses?
Solucin
a. Qu porcentaje de lmparas superarn los 75 meses?
A = 0.4192
P(X > 75) = 0.5 - 0.4192 = 0.0808
Utilizando Excel: 0.9192
P(X > 75) = 1 - 0.9192 = 0.0808
El 8.08% de las lmparas (808 lmparas) probablemente excedern los 75
meses de duracin
b. Cuntas lmparas se fundirn antes de los 60 meses?
P(X 60) = 0.0548
El 5.48% (548 lmparas) probablemente no llegarn a durar 60 meses
5. El consumo medio de electricidad en una ciudad es de 59 kwh, con una desviacin
estndar de 6 kwh. Se supone que este consumo se distribuye normalmente.
a. Cuntos kwh tendra que consumir bimestralmente para estar en el 5%
de la poblacin que ms consume?
b. Si consume 45 kwh, qu porcentaje de la poblacin consume menos de
sto?
110 125
das
5 . 0
20
100 110
1
=

= Z
25 . 1
20
100 125
2
=

= Z
4 . 1
5
68 75
=

= Z
75
meses
60 meses
6 . 1
5
68 60
=

= Z
Solucin
a. Cuntos kwh tendra que consumir bimestralmente para estar en el 5%
de la poblacin que ms consume?
Se busca en la tabla el valor de"Z" para un
rea de 0.4500:
Z = 1.645
X = 59 + 1.645(6) = 68.87 kwh 68.86912
Se tendr que consumir ms de 67.87 kwh bimestralmente para estar en el 5% de la
poblacin que ms consume.
b. Si consume 45 kwh, qu porcentaje de la poblacin consume menos de
sto?
A = 0.4901
P(X 45) = 0.5 - 0.4901 = 0.0099
Otra forma con Excel: P(X 45) = 0.0099
El 0.99% de la poblacin consume menos de 45 kwh
6. Una empresa instala en una ciudad 20,000 lmparas para su iluminacin. La duracin
de las lmparas siguen una distribucin normal con media de 302 das y una desviacin
estndar de 40 das.
a. Cuntas lmparas es de esperar que se fundan entre 320 y 365 das?
b. Cuntas lmparas durarn ms de 400 das?
c. Con un nivel de confianza del 97%, calcule la duracin de las lmparas?
Solucin
a. Cuntas lmparas es de esperar que se fundan entre 320 y 365 das?
A
1
= 0.1736
A
2
= 0.44235
P(365 X 320) = 0.44235 - 0.1736 = 0.26875
Utilizando Excel: 0.9424 0.6736
P(365 X 320) = 0.26873
b. Cuntas lmparas durarn ms de 400 das?
P(X > 400) = 0.5 - 0.4929 = 0.0071
Excel: P(X > 400) = 1 - 0.9929 = 0.0071
0.9929
kwh
0.95 0.05
6
59
645 . 1

=
X
33 . 2
6
59 45
=

= Z
45 kwh
45 . 0
40
302 320
1
=

= Z
575 . 1
40
302 365
2
=

= Z
320 365
das
400 das
45 . 2
40
302 400
=

= Z
P(X > 400) = 0.0071
c. Con un nivel de confianza del 97%, calcule la duracin de las lmparas?
Con NC = 0.97 se busca rea = 0.47 que da
una Z = 1.88
X = 302 + 1.88(40) = 377.2 das menos
Con Excel: X = 377.2 das menos
=DISTR.NORM.INV(0.97,302,40)
das
0.97 0.03
X
o Z X X + =
DISTRIBUCIN "EXPONENCIAL"
Si se presentan eventos en el contexto de un proceso de "Poisson" (proceso
estacionario y con una probabilidad igual de que el evento ocurra a lo largo del intervalo
de tiempo "t" donde "t" es la variable aleatoria), entonces la distribucin "Exponencial"
se aplica en:
1. Intervalo de tiempo dentro del cual debe ocurrir el evento.
Cul es la probabilidad de que la primera solicitud de servicio llegue entre
5 y 10 minutos?
2. El tiempo que hay entre la ocurrencia de dos eventos sucesivos.
Cul es la probabilidad de que el tiempo sea ms de 20 minutos entre la
primera solicitud y la segunda?
3. Tiempo que transcurre hasta que se presenta el primer evento despus de
cualquier punto de tiempo elegido al azar.
Cul es la probabilidad de que la primera solicitud llegue antes de 5
minutos?
La variable aleatoria X
i
es la distancia entre los conteos sucesivos de una Distribucin
de Poisson forma una Distribucin Exponencial si:
Funcin de Densidad:
Valor Esperado: i
Varianza:
Desviacin Estndar:
Por ejemplo, si X
i
es el nmero de imperfecciones en"x" milmetros de alambre. El nmero
promedio de imperfecciones es "" por milmetro, entonces X
i
tiene una Distribucin de Poisson
con media "x". Se supone que el alambre es ms largo que el intervalo de x y que X
i
= 0 en el
intervalo de x. Entonces:
Probabilidad de que el primer evento "ocurra fuera del intervalo x "
f(X)
X

1 1
) ( = = x E
2 2
1 1
) (

= = x V

o
1 1
= =
X
e X f

= ) ( < s X 0
X
e x X P

= > ) (
X
X
e
o
e x
X P

= = =
!
) (
) 0 (
0
donde: x = Intervalo (tiempo, longitud, etc.)
X = Evento
= Ocurrencias promedio
Probabilidad de que el primer evento "ocurra dentro de intervalo de x "
Probabilidad Acumulada
Si se adecua el valor de al intervalo que se requiere, entonces x se puede considerar como
y las ecuaciones quedarn:
Fuera del intervalo:
Dentro del intervalo:
Ejemplos
1. En un departamento de reparacin de maquinaria se reciben 5 solicitudes de servicio
por hora en promedio. Comenzando la observacin en cualquier punto del tiempo
a. Cul es la probabilidad de recibir la primera solicitud de servicio dentro de
la siguiente media hora?
b. Calcule la media y la desviacin estndar
Solucin
a. Cul es la probabilidad de recibir la primera solicitud de servicio dentro de
la siguiente media hora?
= 5 solicitudes/hora x = 30/60 = 0.5 horas
x = 5(0.5) = 2.5 solicitudes en media hora
P(X 0.5) = 1 - e
-2.5
= 1 - 0.08208 = 0.9179
=1-EXP(-2.5) =DISTR.EXP(1,2.5,VERDADERO)
0.9179 0.9179
Otra forma:
Si el valor de se adecua al intervalo que se quiere en la pregunta, se tiene
= 5(0.5) = 2.5 solicitudes en media hora
P(X 0.5) = 1 - e
-2.5
= 1 - 0.08208 = 0.9179
b. Calcule la media y la desviacin estndar
E(X) = 1/5 =0.2 horas/solicitud = 12 minutos/solicitud
= 12 minutos/solicitud
Otra forma:
Considerando = 5(0.5) = 2.5 solicitudes en media hora
E(x) = 1/2.5 = 0.4(30) = 12 minutos/solicitud
= 12 minutos/solicitud
2. Considere el proceso de Poisson en el que llegan aviones a razn de 4 por hora.
a. Cul es la probabilidad de que haya ms de un cuarto de hora entre las
llegadas?
X
e x X P X F

= s = 1 ) ( ) (

= > e x X P ) (

= s e x X P 1 ) (
b. Cul es la probabilidad de tiempos menores a 6 minutos entre llegadas?
c. Cul es la probabilidad para que haya tiempos de 6 a 15 minutos entre
llegadas?
Solucin
a. Cul es la probabilidad de que haya ms de un cuarto de hora entre las
llegadas?
= 4 aviones/hora
x = 1/4 = 0.25 horas es el intervalo promedio entre llegadas consecutivas
x = 4(0.25) = 1 llegada en 15 minutos
Fuera del intervalo P(X > 0.25) = e
-4(0.25)
= e
-1
= 0.3679
b. Cul es la probabilidad de tiempos menores a 6 minutos entre llegadas?
x = 6 minutos = 0.1 horas
x = 4(0.1) = 0.4 llegadas en 6 minutos
Dentro del intervalo P(X < 0.1) = 1 - e
-4(0.1)
= 1 - 0.67032 = 0.3297
c. Cul es la probabilidad para que haya tiempos de 6 a 15 minutos entre
llegadas?
Cuando se pregunta la ocurrencia del evento entre ciertos valores, se tiene que:
P(0.1 < X < 0.25) = e
-4(0.1)
- e
-4(0.25)
= 0.67032 - 0.3679 = 0.3024
3. En una red de computadoras de una gran corporacin, el acceso de usuarios al
sistema puede modelarse como un proceso de Poisson con una media de 25
accesos por hora.
a. Cul es la probabilidad de que no haya accesos en un intervalo de 6
minutos?
b. Cul es la probabilidad de que el tiempo hasta el siguiente acceso est
entre 2 y 3 minutos?
c. Determine el intervalo de tiempo tal que la probabilidad de que no haya
accesos en el intervalo sea de 0.90
d. Calcule el tiempo promedio y la desviacin estndar hasta el siguiente
acceso
Solucin
a. Cul es la probabilidad de que no haya accesos en un intervalo de 6
minutos?
= 25 accesos / hora
x = 6/60 = 0.1 horas desde el principio del intervalo hasta el primer acceso
x = 25(0.1) = 2.5 accesos en 6 minutos
Fuera del intervalo P(X > 0.1) = e
-25(0.1)
= 0.0821
b. Cul es la probabilidad de que el tiempo hasta el siguiente acceso est
entre 2 y 3 minutos?
x = 2/60 = 0.0333 horas
x = 25(0.0333) = 0.8333 accesos en 2 minutos
x = 3/60 = 0.05 horas
x = 25(0.05) = 1.25 accesos en 3 minutos
P(0.0333 < X < 0.05) = F(0.05) - F(0.0333) = {1 - e
-25(0.05)
} - {1 - e
-25(0.0333)
}
P(0.0333 < X < 0.05) = 0.7135 - 0.5650 = 0.1485
c. Determine el intervalo de tiempo tal que la probabilidad de que no haya
accesos en el intervalo sea de 0.90
P(X < x) = e
-25x
= 0.90
ln(e
-25x
) = ln 0.90
-25x = -0.10536
x = 0.10536/25 = 0.00421 horas (60) = 0.25 minutos
d. Calcule el tiempo promedio y la desviacin estndar hasta el siguiente acceso
E(X) = 1/ = 1/25 = 0.04 horas (60) = 2.4 minutos
o = 2.4 minutos
La Distribucin Exponencial "no tiene memoria"
Esta propiedad de "falta de memoria" solo la tiene la Distribucin Exponencial.
Para una variable aleatoria exponencial X, la probababilida condicional
queda: P(X < t
1
+ t
2
/ X > t
1
) = P(X < t
2
)
La falta de memoria se puede ver en el propio desarrollo del proceso de Poisson. En el
desarrollo se considero que se poda hacer la particin de un intervalo en intervalos ms
pequeos que fueran independientes. Estos subintervalos son simillares a los ensayos
de Bernoulli independientes que comprenden un proceso Binomial por lo que se
concluye que:
"conocer resultados previos no afecta las probabilidades de los eventos en subintervalos
futuros"
Si se aplica para "estudios de confiabilidad" como modelo para el tiempo hasta la falla
de un dispositivo, se considera que independientemente del tiempo que haya estado
trabajando el dispositivo, la probaiblidad de falla en las 1000 horas siguientes es igual
que la probabilidad de una falla en las primeras 1000 horas de operacin
Ejemplo
Considere X como el tiempo entre la deteccin de una partcula rara en el contador
Geiger y que sigue una distribucin exponencial con = 1.4 minutos.
a. Cul es la probabilidad de que se detecte una partcula en un lapso de
30 segundos despus de activar el contador?
b. Demuestre la "falta de memoria" calculando la probabilidad de detectar
una partcula en un lapso de 3.5 minutos dado que ya han transcurrido 3
minutos sin haber detectado ninguna?
Solucin
a. Cul es la probabilidad de que se detecte una partcula en un lapso de
30 segundos despus de activar el contador?
x = 30/60 = 0.5 minutos
Como sigue una Distribucin Exponencial y no Poisson se tiene que:
x =0.5(1/1.4) = 0.5/1.4 = 0.3571
Dentro del intervalo P(X < 0.5 minutos) = 1 - e
-0.5/1.4
= 0.3003 0.3003
b. Demuestre la "falta de memoria" calculando la probabilidad de detectar
una partcula en un lapso de 3.5 minutos dado que ya han transcurrido 3
minutos sin haber detectado ninguna?
P(X < 3.5 / X > 3) = P(3 < X < 3.5) / P(X > 3) = P(X < 0.5)
x = 3 x = 3.5
x = 3(1/1.4) = 3/1.4 = 2.1429 x = 3.5(1/1.4) = 3.5/1.4 = 2.5000
P(3 < X < 3.5) = F(3.5) - F(3) = {1- e
-3.5/1.4
} - {1 - e
-3/1.4
} = 0.9179 - 0.8827 = 0.0352
P(X > 3) = e
-3/1.4
= 0.1173
P(X < 3.5 / X > 3) = 0.0352/0.1173 = 0.3003
Forma directa:
P(X < 3.5 / X > 3) = P(X < 0.5) = 0.3003
Conclusin:
Queda demostrada la "falta de memoria" y que:
P(X < t
1
+ t
2
/ X > t
1
) = P(X < t
2
)