MODELOS PROBABILISTICOS O DISTRIBUCIONES DE

PROBABILIDAD

INTRODUCCIN.

Estadstica. Herramienta analtica de apoyo a la investigacin que se genera en la Ingeniera.

Investigacin. Cada vez tiende a una presentacin sinttica de los resultados de una
investigacin.

Presentacin sinttica. Expresin matemtica (Modelo de probabilidad) que relaciona las

diversas variables y parmetros inmersos en una investigacin.

MODELO PROBABILISTICO.

Un modelo probabilstico o distribucin de probabilidad es una expresin matemtica deducida de un

conjunto de supuestos con el doble propsito: de describir el comportamiento de un experimento
aleatorio y de predecir resultados futuros del experimento cuando se realiza repetidas veces.

Los modelos que exponemos son las que adopta ms comnmente el ingeniero para su uso
emprico. Esto se debe a que son bien conocidos, estn tabulados y se opera fcilmente con ellos.

La deduccin entre modelos probabilsticos comunes, se basa en:

La forma del polgono de frecuencias, cuando se trata de una variable.
La forma del diagrama de dispersin cuando se trata de 2 variables.
En el mecanismo fsico que genera el fenmeno bajo estudio. (* )

Frecuentemente, lo nico de que dispone el ingeniero es ese camino emprico. Con el fin de
que las conclusiones sean las ms exactas y tiles posibles, y justificar cuando sea necesario la
extrapolacin fuera de los datos observados, es preferible de que la seleccin del modelo se base,
siempre que sea posible, en un conocimiento de cmo la situacin fsica pudo dar lugar a la distribucin
de datos empricos (* ).

CLASIFICACION DE MODELOS DE PROBABILIDADES.

Consideramos la siguiente clasificacin:

A. MODELOS A PARTIR DE PRUEBS ALEATORIAS SIMPLES

Modelo de Bernoulli
Modelo Binomial
Modelo Geonmtrico
Modelo de Pascal
Modelo Hipergeomtrico
Modelo Multinomial

B. MODELOS A PARTIR DE OCURRENCIAS ALEATORIAS

Modelo de Poisson
Modelo Exponencial
Modelo Gamma

C. MODELOS A PARTIR DE CASOS LMITES

Modelo Normal
Modelo Lognormal

D. MODELOS RELACIONADOS CON LA NORMAL

1
 Modelo t-Student
Modelo Chi Cuadrada
Modelo F de Sndecor

E MODELOS DE VALORES EXTREMOS

Modelo Pearson
Modelo Weibull
Modelo de Gmbel

MODELOS A PARTIR DE PRUEBAS ALEATORIAS DISCRETAS SIMPLES

La situacin bsica ms simple, es aquella donde los resultados se pueden separar en dos
categoras mutuamente excluyentes. Por ejemplo:

- Satisfactorio o no satisfactorio.
- Dentro de las especificaciones o no.

Las siguientes distribuciones surgen en esta situacin a partir de las variables aleatorias de
inters.

0) MODELO UNIFORME DISCRETO.

I) MODELO DE BERNOULLI:

Ensayo de Bernoulli.- Un ensayo de Bernoulli es un experimento que tiene dos posibles resultados
mutuamente excluyentes, generalmente llamado xito y fracaso.

Nos interesa la clase de experimentos que tienen 2 resultados posibles mutuamente excluyentes, uno
de los cuales denominaremos EXITO y el otro FRACASO. Por ejemplo:

- Probar una muestra de material para ver si satisface (xito) o no (fracaso) las especificaciones de
fabricacin.

- Tratar de cargar una componente hasta su capacidad final prevista y registrar su capacidad (xito)
o falta de capacidad (fracaso) para soportar la carga.

DEFINICION: Sea X v.a. de Bernoulli y asignmosle valores:

x = 1; si se observa un xito.

x = 0; si se observa un fracaso.

Funcin masa de probabilidad (F.M.P.)

p; x=1
p(x) =
1-p; x=0

Siendo: p = probabilidad de xito.

1 - p = probabilidad de fracaso.

2
 Esperanza o valor esperado de X

E(X) = 1(p) + 0(1-p) = p

Varianza de X

V(X) = p.q

Funcin Generatriz de Momentos

() = ( ) = +

EJEMPLO: Por experiencia se conoce que una fbrica produce el 90% de artculos buenos;
si de un da de produccin se selecciona un artculo al azar.

a) Defnase una variable X que asigne valores a los resultados del experimento.
b) Determine la F.M.P. de la variable X
c) Determine E(X) y V(X)

SOLUCION
a) Sea X v.a. discreta que asume x = 1 si el artculo es bueno (xito) y x = 0 si es malo
(fracaso)
b) La F.M.P. de la variable X sera:

0.9 si x=1
p(x) =
0.1 si x=0

c) E(X) = 1(0.9) + 0(0.1) = 0.9

V(X) = (0.9)(0.1) = 0.09

x = 0.3
II) MODELO BINOMIAL (pruebas repetidas)

Secuencia de Bernoulli.- Es una sucesin fija de "n" pruebas simples donde cada prueba puede
arrojar dos resultados (eventos) mutuamente excluyentes, arbitrariamente denominados xito y
fracaso.

Ejemplo:

1.- Se ponen a prueba 5 componentes de un sistema para ver si funcionan correctamente (xito)
o no funcionan correctamente (Fracaso), asumir que p= 0.9

2.- Durante un periodo de 5 aos, cada ao el mximo flujo de un ro puede: Exceder algn nivel
especificado.(xito) o no exceder el nivel especificado (Fracaso).

Problemas como los descritos se denominan secuencia de Bernoulli, los cuales se basan en
las sgtes. suposiciones:

a) Un experimento simple se repite un nmero finito de veces, por decir "n" (pruebas) y sus
resultados son independientes.

b) Los resultados de cada prueba pueden clasificarse en dos categoras "Exito" o "Fracaso".
3
c) La probabilidad de xito en una prueba es "P" y es constante en todas las pruebas; la
probabilidad de fracaso es (1-p) = q

d) En una prueba determinada, la atencin se centra; en s resulta xito o fracaso.

DEFINICION: La variable aleatoria discreta X que denota el nmero de xitos en n pruebas de

una secuencia de Bernoulli, se denomina variable Binomial y tiene la sgte. distribucin:

Funcin masa de probabilidad de X

p(X = x) = p(x) = C xn px qn-x ; x = 0,1,2,......n

Donde:

p(x) :Funcin binomial (depende de los parmetros n y p.)

n : nmero de pruebas (veces que se realiza el experimento simple)
p : probabilidad de xito.
n!
C xn ; Coeficiente binomial
x!(n x)!

La funcin p(x) nos proporciona la probabilidad de obtener x xitos en n pruebas de

Bernoulli

Funcin de Distribucin Acumulada de X:

r
P (x) = p ( X r ) p ( x)
0
Esperanza o Valor Esperado de X:

n
E (X) = x p( x) np
0

Varianza de la Variable Binomial X

V(X) = E (x2) - E2(x)

= (n2 p2 - np2 + np) - (n2 p2)

V(X) = np(1-p) = npq

Funcin generatriz de momentos

() = ( + )

EJEMPLO:

Si en cada una de 3 obras independientes, la probabilidad de que la cotizacin ofrecida por un

contratista sea favorable es 1/3.

a) Determinar la probabilidad de que exactamente dos cotizaciones sean favorables.

b) Determinar la probabilidad de que a lo ms 2 cotizaciones sean favorables.

4
 c) Determinar el nmero esperado de cotizaciones favorables.

d) Determinar la varianza y la desviacin estndar del nmero de cotizaciones favorables.

solucin
En primer lugar definimos la variable aleatoria X :

x : nmero de cotizaciones favorables: 0,1,2,3.

p = p(cotizacin favorable) = 1/3

a) La f.m.p. de la variable X es la sgte:

n
p(x) = C x (1/3)x (2/3)n-x ; x= 0, 1, 2, 3.

p(x=2) = 3C2 (1/3)2(2/3)3-2 = 3(1/3)2(2/3) = 6/27 = 22%

b) La F.d.a. de la variable X sera:

r
F(r) = p ( X r ) p ( x)
0

2 3
F(2) = p ( X 2) p( x) =
0
0
3Cx (1/3)x (2/3)n-x = p(0) + p(1) + p(2)

x
p(x) F(x)

0 0.9263 0.9263

1 0.4444 0.14074

2 0.2222 0.96296

3 0.0370 1.000

c) El nmero promedio de cotizaciones favorables que obtendra el contratista sera:

E(X) = np = 3(1/3) = 1 cotiz/g.tra.

d) La varianza sera:

V(X) = npq = 3(1/3)(2/3) = 0.67

x = (2/3)1/2 = 0.82

2.- En el planeamiento del sistema de control del flujo de un ro, es de inters el mximo flujo
anual del ro. Supngase que la probabilidad de que el mximo flujo anual exceda algn nivel
"h" especificado en el diseo es 0.10 en cualquier ao; cul es la probabilidad de que el nivel
"h" ser excedido una vez en los prximos 5 aos.

SOLUCION:

En este caso observamos que el intervalo de tiempo natural es un ao, y dentro de cada ao

5
 hay slamente un mximo flujo que puede o no puede exceder el nivel "h". Por lo tanto, las
series de flujos anuales pueden ser considerados (modelados) como una secuencia de Bernoulli.
Adems asumiendo que "h" es bastante alto que no hay probabilidad de que sea excedido ms
que una vez en un ao, entonces el nmero de excedencias del nivel "h", tiene distribucin
binomial.

Sobre esta base si X es el nmero de excedencias del nivel "h" en los prximos 5 aos, entonces
tenemos:

p (X1) = p(x=0) + p(x=1)

= 5C0 (0.1)0 (0.9)5 + 5C1 (0.1)1(0.9)4

= 0.590 + 0.328

p(X1) = 0.918

El nmero promedio de flujos mximos anuales que exceden el nivel especificado durante
perodos de 10 aos

E(X) = np = 10(0.1) = 1 flujo anual mximo / 10 aos.

Varianza de X:

V(X) = npq = 10(0.1)(0.9) = 0.9

x = (0.9)0.5= 0.95

Intervalo (68.27%) = E(X) 0.95 = <0.05, 1.95>

En condiciones normales , el nmero de flujos mximos que exceden al nivel especificado

puede variar entre 0 y 2 aproximadamente.

III) MODELO GEOMETRICO (PRUEBAS REPETIDAS)

En una secuencia de Bernoulli, el nmero N de pruebas realizadas hasta que ocurra el primer
xito es gobernado o descrito por la Distribucin Geomtrica. Observamos que si el primer
xito ocurre en la n-sima prueba, es porque en las n-1 pruebas ocurrieron slo fracasos.

Por lo tanto N es una v.a.d que tiene como funcin masa de probabilidad la siguiente:

p(N=n) = (1-p)n-1 p; n = 1, 2, 3, ...

La cual es conocida como la distribucin geomtrica.

Funcin de Distribucin Acumulada F.D.A.

P(n) = p(N n) = (1-p)J-1 p n=n de trminos

Nos proporciona la probabilidad de que haya al menos un xito en "n" pruebas; es decir:

P(n) = 1 - p (ningn xito en n pruebas) = 1 - (1 -p)n

Esperanza de N ( Perodo de Retorno )

En un tiempo o espacio, problema que puede ser descrito como una secuencia de
Bernoulli, el nmero de intervalos de tiempo (o espacio) hasta la primera ocurrencia de un
evento, es llamado el tiempo de la primera ocurrencia
6
Observe que si las pruebas individuales ( o intervalos) en la secuencia son estadsticamente
independientes, el tiempo de la primera ocurrencia debe tambin ser el tiempo entre
cualesquiera 2 ocurrencias consecutivas del mismo evento, esto es, el tiempo de ocurrencia, es
igual al tiempo de la primera ocurrencia.

Por lo tanto el tiempo de ocurrencia en una Secuencia de Bernoulli tiene tambin una
distribucin geomtrica; el tiempo medio de ocurrencia, el cual es popularmente conocido en
Ingeniera como el Periodo de Retorno, por consiguiente es:

E(N) = 1/p ...(indica que para valores pequeos de p se necesitan muchas pruebas a fin de que
ocurra el primer xito)

E(N) = E(T) = 1/p ...(Periodo Promedio de Retorno)

Varianza

V(N) = q/p2

() =

EJEMPLOS:

1. En una sucesin de obras independientes la probabilidad de que la cotizacin ofrecida por

un contratista sea favorable es 1/3.

a) Cul es la probabilidad de que la tercera obra cotizada sea favorable?

b) Determinar la probabilidad de que dentro de las cinco primeras obras haya al menos una
cotizada favorablemente.

c) Determine el nmero promedio de obras que se deben cotizar a fin de que ocurra una
cotizacin favorable.
solucin:

a) Sea N = nmero de obras cotizadas hasta obtener una favorable. Entonces:

p (N=3) = (1-p)2 p = (2/3)2 (1/3) = 4/27

b) p(5) = p(N 5) = 1 - (1 - p)5 = 1 - (2/3)5 = 0.868

c) E(N) = 1/p = 1/(1/3) = 3 cotizaciones.

2. Una estructura es diseada para una altura de 8 metros sobre el nivel del mar. Hay un 10%
de probabilidad de que esta altura sea excedida por olas del mar en un ao. Cul es la
probabilidad de que la estructura estar expuesta a olas del mar que exceden los 8 m. de
altura dentro del periodo de retorno?
solucin

El perodo de retorno para las olas diseadas es:

T = 1/p = 1/0.1 = 10 aos

Por lo tanto:

7
 p(x > 8 m. en 10 aos) = 1-(1-p)10 = 1-(0.9)10 = 0.6513

Si asumimos que cuando ocurren olas que excedan la altura de diseo, hay una
probabilidad del 20% de que la estructura pueda ser daada, la cual es la probabilidad de daos
a la estructura dentro de 3 aos.

Esta probabilidad tomara en consideracin que pueden haber 0,1,2 3 excedencias

en 3 aos, asumiendo que la probabilidad de que ms de una ola semejante en un ao es
insignificante. Adems se asume que los daos de la estructura por ms de una excedencia son
estadsticamente independientes.

X: nmero de olas que exceden los 8 m. de altura.

Entonces de acuerdo al teorema de la probabilidad total:

p(ningn dao en 3 aos) = p(ningn dao/X=x)p(X=x)

= 1.00 (0.9)3 + 0.8 [3 (0.1) (0.9)2 ] + 0.82 [3(0.1)2 (0.9)] - 0.83 (0.1)3
= 0.9412

Por lo tanto la probabilidad de :

p(daos en 3 aos) = 1 - p(ningn dao en 3 aos)

= 1 - 0.9412
= 0.0588

3. Una torre de transmisin de radio es diseada para "50 aos viento" esto es una velocidad
del viento teniendo un periodo de retorno de 50 aos.

a) Cul es la probabilidad de que la velocidad de viento diseada ser excedida por primera
vez sobre los 5 aos despus de haber completado la estructura?

b) Cul es la probabilidad de que la primera velocidad del viento semejante ocurrir dentro
de 5 aos despus del completamiento de la estructura?

solucin:
a) En este caso la probabilidad de encontrar los 50 aos viento en cualquier ao es:
p = 1 / 50 = 0.02

5
b). p(N5) = 0
(0.98)n-1 0.02

= 0.02 + 0.0196 + 0.0192 + 0.0188 + 0.0184

= 0.096

Podemos reconocer que esto es lo mismo que el evento de " al menos un 50 aos
viento dentro de 5 aos". De este modo la probabilidad deseada puede ser obtenida como:

p(al menos 1 50 aos viento dentro de 5 aos) = 1 - (0.98)5 = 0.096

IV) MODELO DE PASCAL (distribucin binomial negativa)

En una serie de ensayos de Bernoulli independientes, con una probabilidad constante de xito
p, sea la variable aleatoria T el nmero de ensayos efectuados hasta que se tienen k xitos. Esto
es, si T es el nmero de pruebas hasta la K-sima ocurrencia del evento en una serie de pruebas de
Bernoulli, entonces:

8
 t 1
P(Tk = t) = C k 1 pk qt-k; t=k, k+1,....

DEDUCCION: Si la K-sima ocurrencia es realizada en la t-sima prueba, deben haber

exactamente (K-1) ocurrencias del evento en las t-1 pruebas anteriores y en la t-sima prueba el
evento tambin ocurre. De este modo, por la ley binomial:
t 1
P(Tk = t) = C k 1 pk-1 qt-k p

resultando por lo tanto, el modelo de pascal o funcin binomial negativa.

Esperanza y Varianza de T

E(T) = K/p

V(T) = kq/p2

Para deducir estos momentos de T, es posible considerar a T como la suma de v.a.

independientes Ni geomtricas, esto es:

TK = N1 + N2 + ..... + Nk

Donde:
N1 : Nmero de repeticiones necesarias hasta obtener el primer evento (xito).

N2 : Nmero de repeticiones necesarias entre la primera ocerrencia hasta la segunda ocurrencia

del evento (xito).
.
.
.
Nk : Nmero de repeticiones entre las (k-1) ocurrencias, hasta la ocurrencia del K-simo
evento(xito)

RELACION ENTRE EL MODELO BINOMIAL Y EL MODELO DE PASCAL

1) P (T n) = p (x>K)
2) P (T>n) = p (x<K)

() = ( )
1
EJEMPLOS:
1.- En el ejemplo 3 anterior, Cul es la probabilidad de que un segundo viento similar a 50 aos
viento ocurrir exactamente sobre el quinto ao despus del completamiento de la estructura?

solucin
Sea T el nmero de pruebas hasta que ocurra el K-simo evento:
t=5yK=2

La probabilidad requerida ser:

t 1
P(T = 5) = C k 1 pk-1 qt-k p

9
 = 4C1 p1 q3 p

= 4(0.02)2 (0.98)3

= 0.0015

La probabilidad es del 0.15% aproximadamente.

2. En una sucesin de obras independientes la probabilidad de que la cotizacin ofrecida por un

contratista sea favorable es 1/3.

a) Cul es la probabilidad de que la segunda obra cotizada favorablemente sea la tercera?

Solucin
T: El nmero de cotizaciones realizadas hasta que ocurra la segunda cotizacin favorable.

3. Suponga que un cable est compuesto de un nmero de alambres independientes (ver

fig.).Ocasionalmente el cable es sujetado a sobrecargas en ambos sentidos; en tales ocasiones la
probabilidad de que un alambre se fracture es 0.05. Asumir que la falla de 2

10
 MODELO DE POISSON

Muchos eventos ocurren no como resultado de un nmero definido de pruebas de un

experimento, sino en un intervalo de tiempo, espacio o volumen al azar.

El evento puede ser:

- El nmero de admisiones por hora en un hospital.
- El nmero de accidentes de trfico en un da determinado en una gran cuidad
- El nmero de muertes debido a cierta enfermedad en una regin.
- El nmero de glbulos rojos en una muestra de sangre ( 1 mm ).
- El nmero de molculas raras particulares en una muestra de aire de 1 cm3

En cada ejemplo los eventos ocurren segn un proceso casual, denominado Proceso
de Poisson el que presenta las siguientes caractersticas:
1. El evento puede ocurrir aleatoriamente en algn intervalo de tiempo o espacio.
2. La ocurrencia de un evento en un intervalo de tiempo o espacio es independiente de
las ocurrencias en cualquier otro intervalo que no se superponga.
3. La probabilidad de ocurrencia de un evento en un intervalo pequeo es proporcional
a la magnitud del intervalo, se desprecia la probabilidad de ms de 01 ocurrencia del
evento.

Definicin. La variable aleatoria (v.a.d.) X que indica el nmero de veces que ocurre un
evento en un intervalo de tiempo o espacio, se denomina variable de Poisson y
su distribucin es:

x
p ( X x) e ; x 0,1,2,...,
x!
donde:
p (x): Probabilidad de que el evento ocurra x veces en el intervalo predefinido.
: Tasa promedio de ocurrencias por intervalo unitario (Parmetro de la distribucin)
Propiedades de la Distribucin de Poisson.
1. El valor esperado de la v.a-X

E(X) = xp( x) =
x
2. Varianza de la v.a. X
V(X) = =

3. Se usa para aproximar las Probabilidades binomiales, Cuando = np 5. Sin embargo,
en la prctica, si n es muy grande, se admite hasta np ==30.
4. Slo depende de un parmetro .
5. Cuando crece, la distribucin de Poisson se aproxima a la Distribucin Normal.
6. X es una variable entera y positiva ( valores de x N+ )
7. La funcin de distribucin correspondiente es:
x
x
p ( X x) e
x 0 x!
Ejemplo 1. Un lquido contiene ciertas bacterias cuyo promedio es de 4 por cm3.
11
 a) Halla la probabilidad de que no exista bacteria alguna en 0.5 cm3
b) Halla la probabilidad de que no exista bacteria alguna en 1 cm3
c) Hallar la probabilidad de que exista 2 o menos bacterias en 1 cm3 del lquido.

Solucin
Definimos X como el nmero de bacterias en una muestra de 1 cm3 de lquido.

X sigue una distribucin de Poisson con parmetro = 4 bact./ cm3.

a) La probabilidad de que no exista ninguna bacteria en 0.5 cm3 del lquido es

e (4)( 0.5) (4(0.5)) 0
p( X 0) = 0.1353
0!
e 4*1 (4) 0
b) P( X 0) = 0.0183
0!
c) P(X 2 ) = P(0) + P(1) + P(2) = 0.0183 + 0.0733 + 0.1465 = 0.2381

Ejemplo 2. Los registros de un hospital revelan que el nmero de admisiones diarias de emergencia
es aproximadamente de 03 durante este perodo. Asumiendo que el nmero de
admisiones de emergencia sugieren una distribucin de Poisson, hallar:

a) La probabilidad de que en un da dado ocurran exactamente 02 admisiones de emergencia.

b) La probabilidad de que ocurran mximo 04 admisiones de emergencia.

Solucin:
X: No. de admisiones de emergencia por da: X = 0, 1, 2, ...
: No. promedio de admisiones de emergencia por da = 3

x
X p( X , ) e
x!
3 2 0.050(9)
a) p( x 2) e 3 0.225
2! 2 *1
4
b) p( x 4) p ( x) p (0) p(1) p (2) p(3) p (4)
x 0

30 31 3 2 33 3 4
e 3 0.647
0! 1! 2! 3! 4!
Ejemplo 3. El 0.2% de los habitantes de una cuidad fallece por accidentes de
trnsito. Una compaa de seguros tiene 2000 asegurados contra
accidentes de trnsito. Cul es la probabilidad de que la compaa
tenga que pagar durante un ao al menos 2 de los 2000 asegurados?
Solucin
Sea X = Nmero de asegurados que fallecen por accidentes de trnsito
durante un ao.
La variable X tiene distribucin Binomial con parmetros n = 2000 y p =
0.002

12
 Cmo np = 4 < 5, la probabilidad pedida p ( X 2), se puede calcular
usando la aproximacin del modelo Binomial mediante Poisson con
parmetro = 4.
1
e 4 4 x
Se tiene entonces que p ( X 2) = 1 p (X < 2 ) =
x 0 x!
= 1 ( e-4 + e-
4
4 ) = 0.9084
Ejemplo 4. Supngase que la razn anual de incidencia de leucemia en el
estado de Iowa es 11.2 casos por 100 000 habitantes en la poblacin.
Si 100 000 ciudadanos son seguidos por un ao:
a) Cul es la probabilidad de ningn caso nuevo de leucemia ?
b) Si una poblacin de 1000 son seguidos por un ao, cul es la probabilidad
de que no se encuentren nuevos casos de leucemia ?

Solucin
Para responder las 02 proposiciones, nosotros debemos calcular la
razn de nuevos casos en un ao para cada una de estas dos poblaciones
hipotticas.

- Para la poblacin de 100 000 nuevos casos la razn es 11.2 y entonces X ser
definida como el nmero de nuevos casos en un ao entre 100 000 pobladores:
11.2
0 e
p( x 0) (11.2) 0.0000137
0!
- Por otro lado, para la poblacin de 1000 pobladores la razn de nuevos casos
de leucemia es 0.112 ( esto es (11.2 / 100 000 ) *1000), entonces para X
definido como el nmero de nuevos casos en un ao entre 1000 pobladores:
e 0.112
p( x 0) (0.112) 0 0.89
0!
De este modo la razn de nuevos casos debe ser ajustado de acuerdo al tamao
de la poblacin.

MODELO UNIFORME CONTNUO

Se conoce como variable aleatoria uniforme continua en el intervalo (a,b) a la

variable X que tiene funcin de densidad igual a:

1
si a x b

f(x)=
0 en otro caso

Definicin. Si X es una variable aleatoria uniforme en (a, b), entonces la media, la varianza
y la funcin generatriz de momentos son iguales a:
(+)
a) =
2
13
 ()2
b) 2 =
12

c) Mx(t) =
()
Ejemplo. Sea X una variable aleatoria uniforme e el intervalo [2,4]; X U[ 2,4].
Calcular:
a) P(2.3 x 3.4)
b) Graficar f(x)
c) La media de X
d) La varianza de X
e) La funcio generatriz de momentos.
Solucin

a) P(2.3 x 3.4)= 0.55

(2+4)
b) = =3
2

c) Grfica de f(x).
(42)2
d) 2 = = 1/3
12

4 2
e) Mx(t) =
(42)

14
MODELO EXPONENCIAL

Algunas secuencias de eventos hidrolgicos, como la ocurrencia de

precipitacin, pueden considerarse como un proceso de Poisson, en los cuales los
eventos ocurren instantnea e independientemente en un horizonte de tiempo, o a lo
largo de una lnea.

El tiempo entre tales eventos (x) o tiempo de interarribo, est descrito por una
distribucin o modelo exponencial, cuya funcin de densidad es:

f(x) = e-x ; x 0

Donde:
es el parmetro dela distribucin

Considerando la definicin de funcin de distribucin, se tiene que:

F(x) = 0 = 1

F(X x) =

Funcin de distribucin acumulado de X

F(x) = 1 - e-x ; X 0
= 0; X < 0
Estimacin de Parmetros
Sea X una variable aleatoria exponencial con parmetro , entonces su media
varianza y funcin generatriz de momentos son:
= 1/
2 = 1/ 2.

Mx(t) = ; <

Aplicaciones En La Hidrologa
La distribucin exponencial se utiliza para describir los tiempos de interarribo
de choques aleatorios en sistemas hidrolgicos, tales como volmenes de escorrenta
contaminada que entran a los ros a medida que la lluvia lava los contaminantes
15
localizados por la superficie del terreno.
Ejemplo.

Ejemplo:
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla
en aos est dado por la variable aleatoria T, distribuida exponencialmente con
tiempo promedio de falla . S 5 de estos componentes se instalan en diferentes
sistemas, cul es la probabilidad de que al menos 2 continen funcionando despus
de 8 aos?

Solucin:

La probabilidad de que un determinado componente est funcionando an

despus de 8 aos es:

la | nos indica que la integral se va a evaluar desde 8 hasta

Sea x el nmero de componentes funcionando despus de 8 aos.

Entonces mediante la distribucin Binomial,
n=5
p = 0.20 = probabilidad de que un componente est funcionando despus
de 8 aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus
de 8 aos

P(x 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)

16
MODELO GAMA (DISTRIBUCION GAMMA)
Funcin Gamma
La funcin dada por la relacin

() = 0 1
Se conoce como funcin Gamma.
Teorema. La funcin gamma satisface las siguientes condiciones:

a) Para cualquier > 1, () =(-1) (-1).

b) Para cualquier entero positivo n, (n)= (n-1)!
c) (0.5) =
Funcin de densidad Gamma
Una v.a.X, tiene distribucin gamma si su funcin de densidad de probabilidad es:

1 /
F(x) = () , para x>0, con , >0

= 0, en otro caso.
Teorema. Si X es una variable aleatoria que se distribuye como una Gamma con
parmetros , y , entonces la media, la varianza y la funcin generatriz de
momentos son:

a) =
b) 2.= 2
c) Mx(t) = (1-t )- ; Para t< 1/

Ejemplo. Sea X uma variable aleatoria con funcin de distribucin

Gamma estndar (= 1), con parmetro =3, calcular:

17
a) La probabilidad de que X este entre 4 y 5

b) La probabilidad de que X sea mayor que 4.

Ejemplo. Supongamos que el consumo de electricidad X en Kw-hora,

sigue una distribucin gamma con parmetro dr forma = 3, y
parmetro de escala = 3, encontrar:

a) La media y la varianza de X

b) La probabilidad de que cierto da el consumo de electricidad sea

mayor que 15 kw-hora

c) La probabilidad de que el consumo de electricidad sea de cuando

menos 20 kw-hora.

18
 MODELO NORMAL GENERAL

El Modelo normal es la ms importante en probabilidad y estadstica. Muchas

poblaciones numricas tienen distribuciones que se pueden ajustar con mucha
aproximacin mediante una curva normal apropiada. As por ejemplo:

- Errores de medicin en experimentos cientficos

- Mediciones de inteligencia y aptitud
- Numerosas medidas con fines de control y calidad de la produccin
- Indicadores econmicos

Aun cuando la variable sea discreta, la curva normal proporciona con frecuencia
una aproximacin excelente.
Adems cuando las variables individuales no estn normalmente distribuidas, en
condiciones apropiadas las sumas y promedios de las variables tendrn
aproximadamente una distribucin normal

Definicin. Una v.a.c X se dice que est distribuida normalmente, con media , y
varianza >0, si su funcin de densidad de probabilidad, est dado por :
1
f ( x) e ( x ) /(2 ) ; - < x < +
2 2

2
Donde: f(x): funcin de probabilidad normal general
X : Variable normal general
, : Media y desviacin estndar (parmetros de la distribucin)
: 3.14259
e : 2.71828

NOTACION: X N (, ), se lee: "la variable aleatoria X se distribuye

normalmente con media , y varianza 2.
Curva normal general

________________________________
-3 -2 - + +2 +3

A partir de su grfica y del anlisis de su funcin de densidad, la curva normal

tiene las siguientes propiedades:
1. Es simtrica con respecto al eje vertical X = , ya que f(x) slo depende de x
mediante la expresin (x-)2, luego,
f(+x) = f( -x)
19
2. Tiene valor mximo en X = , (su moda). Este valor mximo es:
1
f ( x)
2
3. Tiene el eje X como una asntota horizontal, ya que
Lim f(x) = 0 y lm f(x)= 0
x - x +

4. Tiene dos puntos de inflexin en X = - , y X = + , por tanto, es cncava

hacia abajo en el intervalo: - < X < + , y cncava hacia arriba en
cualquier otro punto.

5. El rea total que encierra la curva y el eje X es igual a 1.

x
6. La funcin de distribucin acumulada denotada por: F(x) = P(X<x) = f ( x)dx

= Area bajo la curva f(x) en el intervalo - < X < x.

7. La variable aleatoria X tiene: E(X) = , V(X) = 2 .

8. Si X tiene distribucin normal general N(, 2 ), entonces la variable aleatoria

Z = (x - )/, tiene distribucin normal estndar N ( 0, 1). Por tanto la variable
normal estndar tiene media 0 y varianza igual a 1.

9. Si X1, X2, . . ., Xk, son variables independientes con distribucin normal

general con parmetros 1, 2, . . ., k y 1, 2, . . ., k, respectivamente,
k
entonces la variable Y = Xi , tiene distribucin normal, con parmetros:
i 1
k k
= i , y 2 = i
2
, respectivamente.
1 1

MODELO NORMAL ESTANDAR.

Si Z es una v.a.c. con distribucin N( 0, 1), con rango Rz = { z / - < Z <+ },

entonces Z tiene distribucin normal estndar o tpica y su f.d.p. es:
1
e ( z / 2) ; - < Z < +
2

f (z) =
2

Curva normal estndar

20
 ________________________________
-3 -2 -1 0 +1 +2 +3

Generalmente sta es una distribucin de referencia, que la utilizaremos para obtener

informacin para cualquier distribucin normal general.

Nota. La curva normal estndar es utilizada para calcular reas bajo una curva normal
general, teniendo en cuenta que tiene parmetros fijos: = 0 y = 1. La
dificultad para realizar clculos bajo la curva normal general, una vez que se
tiene una variable normal general X, esta es estandarizada o transformada a una
variable Z, y luego usando un software o tablas elaboradas para la distribucin
normal estndar se realiza el clculo de probabilidades, es decir, el clculo de
reas bajo la curva normal estndar y stas sern equivalentes a las de la curva
normal general.

Clculo de reas bajo la curva normal estndar o tpica:

A. Sea Z una v.a.c. con distribucin N(0,1). Hallar.

1. P( 0< Z < 1.42) 5. P(-1.79 < Z < -0.54)

2. P( -0.73 < Z < 0) 6. P ( Z 1.13 )
3. P(-1.37 < Z < 2.01) 7. P ( Z 0.5 )
4. P(0.65 < Z <1.26 )

1. P(0 < Z < 1.42) es igual al rea bajo la curva normal estndar entre 0 y 1.42. O sea
que en la tabla, buscar hacia abajo en la primera columna hasta llegar a 1.4, y luego
continuar a la derecha hasta la columna 2. El elemento es 0.4222. Por
consiguiente, P(0 < Z <1.42) = 0.4222 = 42.22%

2. Por simetra,
P(-0.73 < Z < 0) = P (0 < Z < 0.73) = 0.2673 = 26.73%

3. P(- 1.37 < Z < 2.01) = P(-1.37 < Z <0) + P(0 < Z < 2.01) = 0.4147 + 0.4778 = 0.8295

4. P(0.65 < Z < 1.26) = P(0 < Z <1.26 ) - P( 0 < Z < 0.65) = 0.3962 0.2422 = 0.1540

5. P(-1.79 < Z < -0.54) = P ( 0.54 < Z < 1.79) = P(0 < Z <1.79) P(0 < Z < 0.54)
= 0.4633 0.2054 = 0.2579

21
6. P( Z 1.13) = P( Z 0) P(0 < Z <1.13) = 0.5000 0.3708 = 0.1292

7. P ( Z 0.5 ) = P ( - 0.5 Z 0.5 ) = 2 P ( 0 Z 0.5 ) = 2 ( 0.1915) = 0.3830

B. Sea Z una variable aleatoria con distribucin normal estndar. Determinar el valor
de Z si:
1. P( 0 < Z <z ) = 0.4236 2. P( Z z ) = 0.7967 3. P( z < Z < 2) = 0.1000

En la tabla, el elemento 0.4236 aparece a la derecha de la fila 1.4 bajo la columna

3. Por tanto, z = 1.43.
Obsrvese primero que z debe ser positivo puesto que la probabilidad es mayor
que 0.5. Tenemos:

2. P(0 < Z < z) = P ( Z < z ) 0.5 = 0.7967 - 0.5000 = 0.2967.

As de la tabla obtenemos para Z = 0.83

3. P (0 < Z < z) = P(0 < Z < 2) P( z < Z < 2 ) = 0.4772 0.1000 = 0.3772
De la tabla obtenemos par Z = 1.161 ( por interpolacin lineal) o simplemente Z =
1.16

APLICACIONES DEL MODELO NORMAL

1. La cantidad de agua destilada surtida por cierta mquina est normalmente

distribuida con valor medio de 64 onzas y desviacin estndar de 0.78 onzas.
a. Cul es la probabilidad de que la cantidad surtida por la mquina est entre 63 y 65
onzas
b. Qu capacidad del recipiente c asegurar que ocurra un sobre flujo 0.5% de las
veces?.

Solucin
Si X denota la cantidad distribuida N ( 64, 0.6084 )

a. P( 63 < X < 65), estandarizando la variable X, se tiene

63 64 65 64
P( Z ) = P ( -1.28 < Z < 1.28) = 2 p (0 < Z <1.28 ) = 2 (0.3997)=
0.78 0.78
0.7994
a. la condicin deseada es que P(x > c) = 0.005, esto es equivalente a P(X < c) =
0.995. Entonces c es el 99.5
percentil de la distribucin normal estndar con = 64 y = 0.78.

La P( 0 < Z < z ) = 0.495, entonces z = 2.578, pero z= (c- 64)/0.78 = 2.58, despejando
el valor de c, se tendra: c = 64 + 2.58*0.78 = 66 onzas.

2. La resistencia a la compresin de 200 probetas de cierto material de construccin,

est distribuido aproximadamente con distribucin normal, con = 100 kg/ cm2 y
= 15 kg/ cm2
22
 a. Cul es la probabilidad de que una probeta seleccionado al azar tenga una
resistencia de por lo menos 125 kg/cm2?
b. Qu porcentaje de probetas tienen una resistencia entre 70 y 130 kg/ cm 2 ?
c. Cul es la resistencia mnima arriba de la cual se encuentra el 20% de probetas con
mayor resistencia?
d. Cul es la resistencia debajo de la cual se encuentra el 10% de probetas con menor
resistencia?
Solucin

a. Sea X = Resistencia kg/cm2 N ( 100, 225 ), entonces:

P(X 125 ) = P ( Z 1.67 ) = 0.5 P(0 < Z < 1.67) = 0.0475 = 4.75%

b. P(70 < X < 130) = P( -2 < Z < 2 ) = 2 P(0 < Z < 2 ) = 2( 0.47725) = 0.9545 = 95.45%

c. P( X x ), aqu x = P80. Por tanto

P( Z z ) = 0.20, equivalentemente, se tiene que P(0 < Z < z ) = 0.30

De la tabla se obtiene por interpolacin: z = 0.525, entonces:

X = 100 + 0.525 (15) = 107.88 puntos
Por lo tanto: El quinto superior se encuentra en el intervalo: <107.88 , >

c. La resistencia debajo de la cual se halla el 10% de probetas es P 10 = x, entonces

P ( X x) = 0.10, equivalentemente se tiene P( Z z ) = 0.10, esta relacin se
puede expresar, tambin de la siguiente manera a fn de poder utilizar la tabla de
valores estndar.

P ( 0 Z z) = 0.40, de la tabla se obtiene aproximadamente z= -1.28, por lo tanto

X = 100 + (-1.28)(15) = 80.8 puntos.
Entonces la resistencia debajo de la cual se encuentra el 10% de probetas con
menor resistencia es 80.8 kg/cm2

23
DISTRIBUCIN LOGNORMAL DE DOS PARMETROS

Si los logaritmos Y de una variable aleatoria X se distribuyen normalmente se dice que X se

distribuye en forma log normal.

Esta distribucin es muy usada para el calculo de valores extremos por ejemplo Qmax,
Qmnimos, Pmax, Pmnima (excelentes resultados en Antioquia). Tiene la ventaja que X>0 y
que la transformacin Log tiende a reducir la asimetra positiva ya que al sacar logaritmos se
reducen en mayor proporcin los datos mayores que los menores.

Limitaciones: tiene solamente dos parmetros, y requiere que los logaritmos de la variables
estn centrados en la media

Funcin de densidad:

y = ln x
donde,
y : media de los logaritmos de la poblacin (parmetro escalar), estimado y :
Desviacin estndar de los logaritmos de la poblacin, estimado sy.

Estimacin de parmetros:

PARAMETROS
Parmetros

Soporte

pdf

cdf

24
 Media

Mediana e

Moda

Varianza

Asimetra

Curtose

Entropa

Factor de frecuencia:

Puede trabajarse en el campo original y en el campo transformado.

1. Campo transformado: Si se trabaja en el campo transformado se trabaja con la media y la
desviacin estndar de los logaritmos, as:

Ln(XTr) = xTr+KSy
de donde,
XTr = eln (xTr)

con K con variable normal estandarizada para el Tr dado, xy media de los logaritmos y Sy es
la desviacin estndar de los logaritmos.
2. Si se trabaja con los X sin transformar el K se calcula como

K es la variable normal estandarizada para el Tr dado, es el coeficiente de variacin, x

media de los datos originales y s desviacin estndar de los datos originales.

Limites de confianza:

En el campo transformado.

25
en donde, n numero de datos, Se error estndar, KT variable normal estandarizada.

EJEMPLO: En un ro se tienen 30 aos de registros de Qmximos instantneos anuales con

x= 15 m3/s, S = 5 m3/s (media y desviacin estndar para los datos originales). xy=2.655, sy =
0.324 (media y desviacin estndar de los datos transformados). Encontrar el caudal para un
periodo de retorno de 100 aos y los limites de confianza para un = 5%. Calcular la
probabilidad de que un caudal de 42.5 m3/s no sea igualado o excedido P(Q 4.25).

Solucin:

n=30
x= 15 m3/s xy=2.655
s = 5 m3/s sy = 0.324
En el campo original

= 5/15 = 0.33

K = F-1(1-1/Tr) = F-1(1-1/100) = F-1(0.99)

de la tabla de la normal se obtiene KT=2.33

KT = 3.06

QTr = 15 + 5 * 3.028
QTr = 30.14 m3/s

En el campo transformado se tiene que:

LnQTr100 = 2.655 + 2.33*0.324

LnQTr100 = 3.40992

QTr100 = Exp (3.40992)

Q Tr100 = 30.26 m3/s

Limites de confianza
26
Ln (QTr) t(1-) Se

= 1.93

t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

Ln(30.28) (1.645 ) (0.11)

3.41 0.18095
[3.22905 3.59095]
[e3.22905 e3.59095]
[25.26 36.29] Intervalos de confianza para QTr100

b) Calcular la probabilidad de que un caudal de 45 m3/s no se igualado o excedido P(Q 4.25).

Ln(42.5) = 3.75

t = (3.75 - 2.655)/0.324

F(3.38) = 0.9996 Ledo de la tabla de la normal

P(Q 4.25) = 99.9%

DISTRIBUCION GUMBEL O EXTREMA TIPO I

Una familia importante de distribuciones usadas en el anlisis de frecuencia hidrolgico es la

distribucin general de valores extremos, la cual ha sido ampliamente utilizada para representar
el comportamiento de crecientes y sequas (mximos y mnimos).

Funcin de densidad:

En donde y son los parmetros de la distribucin.

27
Estimacin de parmetros

donde son la media y la desviacin estndar estimadas con la muestra.

Factor de frecuencia:

Donde Tr es el periodo de retorno. Para la distribucin Gumbel se tiene que el caudal para un
perodo de retorno de 2.33 aos es igual a la media de los caudales mximos.

Limites de confianza

KT es el factor de frecuencia y t(1-) es la variable normal estandarizada para una probabilidad

de no excedencia de 1-.

EJEMPLO: Para el ejemplo anterior encontrar el Q de 100 aos de periodo de retorno y los
intervalos de confianza. x= 15 m3/s, s = 5 m3/s

QTr100 = x + KT s

KT = 3.14

QTr100 = 15 + 3.14*5
QTr100 = 30.7 m3/s

Intervalos de confianza

t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)

= 3.93

28
Xt t(1-) Se

30.7 m3/s (1.64) (3.58)

[24.83 m3/s 36.58 m3/s] Intervalo de confianza para QTr100

DISTRIBUCION GAMMA DE TRES PARMETROS O PEARSON TIPO 3

Esta distribucin ha sido una de las mas utilizadas en hidrologa. Como la mayora de las
variables hidrolgicas son sesgadas, la funcin Gamma se utiliza para ajustar la distribucin
de frecuencia de variables tales como crecientes mximas anuales, Caudales mnimos,
Volmenes de flujo anuales y estacionales, valores de precipitaciones extremas y volmenes
de lluvia de corta duracin. La funcin de distribucin Gamma tiene dos o tres parmetros.

Funcin de densidad:

donde,

x0 x para 0
x x0 para 0

y son los parmetros de escala y forma, respectivamente , y x0 es el parmetro de

localizacin.

3.4.2 Estimacin de parmetros:

Cs es el coeficiente de asimetra, son la media y la desviacin estndar de la muestra

respectivamente.

Factor de frecuencia:

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra.

29
3.4.4 Intervalos de confianza:
Xt t(1-) Se

Donde S es la desviacin estndar de la muestra, n es el nmero de datos y se encuentra

tabulado en funcin de Cs y Tr.

EJEMPLO: Se tiene una estacin con 30 aos de registros de caudales mximos instantneos
con Media de 4144 pie3/s y desviacin estndar de 3311 pie3/s. Si el coeficiente de asimetra
de los caudales es de 1.981 pie3/s cual es caudal para un periodo de retorno de 100 aos y su
intervalo de confianza.
<!--[if !supportEmptyParas]--> <!--[endif]-->
QTr100 = X+ SK
K es F(1.981, 100) de tablas se obtiene K=3.595 (1.9,100) = 3.553
(2.0,100) = 3.605
QTr100 = 4144+ (3.595) (3311)
QTr100 = 16050 pie3/s

Intervalos de confianza

Xt t(1-) Se

= F(1.981,100) de tablas se obtiene =8.4922 (1.9,100) = 8.2196

(2.0,100) = 8.5562

Se = 5133.56 pie3/s
t(1-) = t(0.95) = 1.645 (Ledo de la tabla de la normal)
16050 (5133.56) (1.645)

[7605.29 pie3/s 24494.71pie3/s] Intervalos de confianza para QTr100

DISTRIBUCIN LOG GAMMA O LOGPEARSON DE 3 PARMETROS

Si los logaritmos Y de una variable aleatoria X se ajustan a una distribucin Pearson tipo III,
se dice que la variable aleatoria X se ajusta a una distribucin Log Pearson Tipo III. Esta
distribucin es ampliamente usada en el mundo para el anlisis de frecuencia de Caudales
mximos. Esta se trabaja igual que para la Pearson Tipo III pero con Xy y Sy como la media y
desviacin estndar de los logaritmos de la variable original X.

30
Funcin de densidad:

donde,

y0 y para 0
y y0 para 0

y son los parmetros de escala y forma, respectivamente , y y0 es el parmetro de

localizacin.

Estimacin de parmetros:

Cs es el coeficiente de asimetra, son la media y la desviacin estndar de los

logaritmos de la muestra respectivamente.

Factor de frecuencia:

donde z es la variable normal estandarizada

Este valor de K se encuentra tabulado de acuerdo al valor de Cs calculado con la muestra.

Intervalos de confianza:
Xt t(1-) Se

Donde Sy es la desviacin estndar de los logaritmos de la muestra, n es el nmero de datos y

se encuentra tabulado en funcin de Cs y Tr.

31
 EJERCICIOS

1. Si X --->B(n, p),tal que E(X)=20 y V(X)=4, determinar:

a). El valor de "n" y "p". b). p(X<=20) c).p(Y<=3/25), si Y=X/n.

2. Un fabricante de piezas de motores garantiza que una caja de dichas piezas contendr como mximo 2
piezas defectuosas. Si la caja contiene 20 piezas, y la experiencia ha demostrado que ese proceso de
fabricacin produce 5% de piezas defectuosas, Cul es la probabilidad de que una caja satizfaga la
garanta?.

3. Cuntas pruebas independientes hay que realizar con la probabilidad de que el suceso aparezca en cada
prueba igual a 0.4, para que el nmero ms probable de apariciones del suceso en estas pruebas sea igual
a 25 ?.

4. Un dispositivo est compuesto por 1000 elementos que trabajan independientemente uno del otro. La
probabilidad de falla de cualquier elemento durante el tiempo T es igual a 0.002.Hallar la probabilidad
de que durante el tiempo "T" fallen exactamente 3 elementos.

5. Supngase que la probabilidad de que un artculo producido por una mquina especial sea defectuoso
es igual a 0.2. Si 10 artculos producidos, se seleccionan al azar.Cul es la probabilidad de que no se
encuentre ms de un artculo defectuoso?.[Use la distrib. Binomial y la de Poisson, compare los
resultados?

6. La probabilidad de que un experimento tenga un resultado exitoso es 0.75. El experimento habr de

repetirse hasta que ocurran 5 resultados exitosos. Cul es el nmero esperado de repeticiones necesarias
?. Cul es la varianza ?.

7. El tiempo transcurrido hasta la falla para un cinescopio de televisin se estima que se distribuye
exponencialmente con media de tres aos. Una compaa ofrece un seguro para este cinescopio para los
primeros cinco aos de uso. En qu porcentaje de las plizas, tendr la compaa que pagar recla-
maciones ?.

8. Establezca las condiciones bajo las cuales: Modelo binomial converge al modelo de Poisson; el M.
binomial converge a la normal; el M. Poisson converge a la normal.

9. Supngase que Xt, el nmero de partculas emitidas en T horas por una fuente radiactiva, tiene
distribucin de poisson con parmetro 20t. Cul es la probabilidad de que exactamente 5 partculas sean
emitidas durante un perodo de 15 minutos?.

10. Se han fabricado 20 probetas de un material particular, de las cuales por experiencia se sabe que el 20%
fallan a una tensin determinada. Se selecciona aleatoriamente (con reemplazo) cada probeta para some-
terlo a ensayo hasta encontrar la primera probeta que falla.
a. Calcular la probabilidad de que sean necesarios 5 ensayos
b. Calcular la probabilidad de que por lo menos 5 ensayos sean necesarios.

11. Supngase que en un lote grande que contiene T tems manufacturado 30% son defectuosos y el resto
buenos. Suponga que se seleccionan 10 tems en forma aleatoria y sin reemplazo del lote de T tems.
a. Determine una expresin para calcular la probabilidad de que exactamente "x" tems sean defectuosos y
10-x sean buenos.
b. Determine una expresin exacta para la probabilidad de que a lo ms se ha obtenido un tem defectuoso.

12. Supngase que el nmero de cierto tipo de accidentes en una fbrica se puede representar por un proceso
de Poisson, con un promedio de 2 accidentes por semana. Cul es la probabilidad de que:
a. El tiempo entre un accidente y el siguiente sea mayor de 3 das?.
b. El tiempo de un accidente al tercero sea mayor de una semana ?.

13. En un proyecto de construccin se midi la resistencia al esfuerzo cortante de 50 probetas del terreno,
observndose los siguientes valores (en KN/m):
32
 2450 3300 3400 3650 3800 2650 3150 3100 3500 2850 3050 4300 3300
3300 3150 2100 3300 3650 3150 3550 2900 3250 3000 3400 3750 3900
3600 3150 3600 3000 4200 3700 3050 3300 2350 4150 2950 3200 3900
3200 3450 2500 3050 2650 3050 2800 2700 3450 3400 3200.
a. Agrupe estas resistencias en una distribucin de frecuencias con una amplitud de clase de 250 kN/m,
empezando con 2000 kN/m.
b. Trace un histograma y un polgono de frecuencias, en base a estas grficas decida si la distribucin
emprica se aproxima a una normal
c. Calcule la media, la y el Coefic. variacin. Qu grado de precisin tiene la media ?.
d. Cul es la amplitud de variacin de los datos anteriores? Encuentre el valor de la Moda y la mediana de
la distribucin. En base a estas medidas determine aprox. el tipo de asimetra.
e. Mediante una grfica de frecuencia acumulada relativa en un papel de probabilidad normal, verifique si
la distribucin de los datos es aproximadamente normal.
f. suponiendo que la distribucin es normal, encuentre la resistencia al esfuerzo cortante mnima que se
puede usar en el diseo, dando por hecho que existe un riesgo definido de que 1% de las muestras de
prueba presentaran una resistencia menor que dicho mnimo. Seale si alguna de las 50 probetas cae por
debajo de esta resistencia.
g. Obtenga las ecuaciones correspondientes a la curva de probabilidad normal y a la de frecuencias normal
para los datos dados. Trace la curva de probabilidad normal.
h. Estime la probabilidad de que el resultado de una prueba aleatoria tenga una desviacin respecto de la
media que caiga entre -200 y + 500 kN/m.
i. Estime la probabilidad de que la media de 1 muestra de 36 probetas de terreno provenientes del mismo
lugar exceda de 3500 kN/m.
j. Encuentre los lmites de la media de una muestra de 36 probetas de terreno al nivel de significacin del
1 y 5%.
k. Qu tamao debera tener una muestra en pruebas futuras a fn de que la probabilidad de la media
muestral est en error en mas de 400 kN/m no sea mayor de 0.1 ?.

14. La vida o duracin de cierto tipo de pila seca se distribuye normalmente con media 500 das y desviacin
tpica de 50 das. Qu fraccin de estas bateras puede esperarse que dure ms de 580 das ? Qu %
puede esperarse que falle antes de 450 das ?.

15. La resistencia elctrica media de unas piezas metlicas es de 503 ohmios y su varianza vale 100.
Suponiendo que su distribucin es normal. Calcular:
a. La proporcin de piezas de resistencia exterior al intervalo [485, 520] ohmios.
b. Los lmites de las resistencias entre las cuales se encontrarn el 95%, el 99%, el 99.8%.
c. La varianza que se debera tener para que con unas tolerancias de fabricacin 500 10 los desechos no
sobrepasasen el 3 por 1000.
d. La media y al varianza de las resistencias que se obtendran empalmando en serie dos piezas.

16. Cierto tipo de transistor deber utilizarse en cierta aplicacin durante 50 h. Se dispone de dos marcas de
transistores, una que tiene una distribucin de duracin N(40,36) y la otra con una distribucin de
duracin N(48,9) Qu transistor deber preferirse en esta aplicacin ?.

17. Un proceso de produccin produce artculos, de los cuales el 10% son defectuosos. Diariamente se
selecciona una muestra aleatoria de 200 artculos y se cuenta el nmero de defectuosos, denotada por X.
Utilizando la aproximacin normal a la binomial obtngase:
a) p(X < 20) b) p(X=15) c) p( 15< X < 25) d) p(X=25)

18. La vida en aos de un cierto tipo de componente de un sistema tiene distribucin exponencial con
parmetro 1/10. Si en un sistema diferente se instalan 4 de estas componentes. cul es la probabilidad
de que al menos 3 de ellos continen funcionando al trmino de 10 aos ?.

19. Se sabe que la vida de bombillas elctricas es una variable aleatoria distribuida normalmente con media
desconocida y desviacin estndar 200 horas. El valor de un lote de 1000 bombillas es
$(1000)(1/5000). Un posible comprador propone tomar una muestra aleatoria de n bombillas y pagar al
productor $(1000)(1/5000)x por el lote de 1000 bombillas. Cul debe ser n para la probabilidad de que
el comprador no sobrepague ni subpague al productor en ms de $ 20, sea de .95 ?.
33
20. Se utiliza una mquina automtica para llenar depsitos con material en polvo. Las especificaciones
requieren que los depsitos o cajas pesen entre 11.8 y 12.2 onzas. Una muestra de 9 cajas arroja un
promedio de 11.9 onzas y una desv. tpica de 0.05 onzas. qu fraccin de las cajas producidas es
defectuosa?. En donde debera localizarse la media a fin de minimizar esta fraccin defectuosa?.
Considere una distribucin normal.

21. En la fabricacin de petrleo, la temperatura de destilacin T (grados centgrados), es crucial para

determinar la calidad del producto final. Supongamos que T se considera como una v.a distribuida
uniformemente en (150, 300). Supngase que cuesta C1 soles producir un galn de petrleo. Si el aceite
destila a una temperatura menor de 200o C, el producto se vende como nafta y se vende en C2 soles por
galn. Si se destila a una temperatura mayor que 200 o C, se conoce como aceite destilado refinado y se
vende en C3 soles por galn. Encontrar la utilidad neta esperada (por galn).

22. Las 5 primeras repeticiones de un experimento cuestan $ 10.00 cada una. Todas las repeticiones que
siguen cuestan $ 5.00 cada una. Suponiendo que el experimento se repite hasta obtener el primer
resultado exitoso. Si la probabilidad de un resultado exitoso es siempre igual a 0.9 y si las repeticiones
son independientes. Cul es el costo esperado de la operacin completa ?.

23. Un lote de 10 motores debe ser rechazado totalmente o bien vendido, segn el resultado del siguiente
proceso: Se escogen al azar dos motores y se inspeccionan,. Si uno o ms son defectuosos, el lote es
rechazado; de otro modo es aceptado. Supngase que cada uno de los motores cuesta $ 75.00 y se vende
por $ 100.00; si el lote contiene un motor defectuoso, Cul es la utilidad esperada del fabricante ?.

24. Supngase que un depsito contiene 10000 partculas. La probabilidad de que una de esas partculas
salga del depsito es igual a 0.0004. Cul es la probabilidad de que ocurran ms de 5 salidas?. (puede
suponerse que las diversas salidas son independientes unas de otras.)

25. Suponiendo que la duracin de los instrumentos electrnicos D 1 y D2 tienen distribuciones N(40,36) y
N(45, 9) respectivamente. Cul debe preferirse para usarlo durante un perodo de 45 horas? Cul debe
preferirse para usarlo durante un perodo de 48 horas ?.

32. Un agente de bienes races cobra honorarios fijos de $50 ms una comisin del 6% sobre el beneficio
obtenido por el propietario. Si este beneficio se distribuye uniformemente en el intervalo $0 y $ 2000,
obtngase la distribucin de probabilidades de los honorarios totales del agente.

34