Facultad de Ingeniería Ingeniería Mecánica

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE INGENIERÍA
ESCUELA PROFESIONAL DE INGENIERÍA MECÁNICA

PRÁCTICA N°5: DISTRIBUCIÓN DE PROBABILIDAD

CURSO: ESTADÍSTICA APLICADA A LA INGENIERÍA

INTEGRANTES
Guevara Narciso, David
Rodriguez Mori, Andreu

Corro Carranza, Anderson

Herrera Contreras, Elky Jeanpierr

Mory Mejía, Alvaro

Trujillo - Perú
2019
 Facultad de Ingeniería Ingeniería Mecánica

PRÁCTICA N°5:
DISTRIBUCIÓN DE PROBABILIDAD DISCRETA

I. FUNDAMENTACIÓN:
Toda distribución de probabilidad es generada por una variable aleatoria x, la que
puede ser de dos tipos:

Variable aleatoria discreta (x): Se le denomina variable porque puede tomar

diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y discreta
porque solo puede tomar valores enteros y un número finito de ellos.
Ejemplos:
 Variable que nos define el número de burbujas por envase de vidrio que son
generadas en un proceso dado: 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
 Variable que nos define el número de productos defectuosos en un lote de 25
productos.: 0, 1, 2, 3,..,25 productos defectuosos en el lote
 Variable que nos define el número de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos: 0, 1, 2, 3, 4, 5,…,40 alumnos
aprobados en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre serán enteros, nunca fraccionarios.

Variable aleatoria continua (x). Se le denomina variable porque puede tomar

diferentes valores, aleatoria, porque los valores que toma son totalmente al azar y
continua porque puede tomar tanto valores enteros como fraccionarios y un número
infinito de ellos.
Ejemplos:
 Variable que nos define el diámetro de un engrane en pulgadas: 5.0”, 4.99,
4.98, 5.0, 5.01, 5.0, 4.96
 Variable que nos define la longitud de un cable o circuito utilizado en un
arnés de auto: 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
 Variable que nos define la concentración en gramos de plata de algunas
 Facultad de Ingeniería Ingeniería Mecánica

muestras de mineral: 14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0,
20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de una
variable continua es que esta variable nos permite medirla o evaluarla, mientras que
una variable discreta no es medible, es una variable de tipo atributo, cuando se
inspecciona un producto este puede ser defectuoso o no, blanco o negro, cumple con
las especificaciones o no cumple, etc.

II. OBJETIVOS:
 Comprender los conceptos teóricos estadísticos.
 Clarificar conceptos respecto al cálculo de probabilidades, de las principales
distribuciones Discretas.
III. MATERIAL Y EQUIPO:
 Computador.
 Software Excel y SPSS
 Cuaderno de apuntes.
IV. DESARROLLO:
1. Un agente de seguros vende pólizas a 5 individuos, todos de la misma edad. La
probabilidad de que un individuo viva 30 años más es 3/5. Determina la
probabilidad de que dentro de 30 años vivan:
a. 4 individuos.
b. Como mucho 2.
c. Al menos 3 individuos.
d. Más de 1 y 4 como máximo

Ejercicio 1:

- Solución:
X= número de individuos que vivirían dentro de 30 años.
N=5
Facultad de Ingeniería Ingeniería Mecánica

P=0.6
- Calculamos:
a)
P(x=4) = 𝐶54 ∗ (0.6)4 ∗ (1 − 0.6)5−4

= 0.259

Para calcular el resultado en SPSS, hacemos uso del comando PDF.BINOM,

luego ingresamos la data para que tengamos los resultados, de tal forma que
se observe así: PDF.BINOM(4,5,0.6)
b)
P(x=<2) = ∑2𝑥=0 𝐶𝑥5 ∗ (0.6)𝑥 ∗ (1 − 0.6)5−𝑥

= 0.3174

Para calcular el resultado en SPSS, hacemos uso del comando CDF.BINOM,

luego ingresamos la data para que tengamos los resultados, de tal forma que
se observe así: CDF.BINOM(2,5,0.6)
c)
P(x>=3) = 1 – P(x=<2) = 1 - 0.3174

= 0.6826

Para calcular el resultado en SPSS, hacemos uso del comando CDF.BINOM,

luego ingresamos la data para que tengamos los resultados, de tal forma que
se observe así: CDF.BINOM(2,5,0.6)
d)
P(1<x=<4) = P(x=<4) – P(x=<1)

= 0.8352

Para calcular el resultado en SPSS, hacemos uso del comando CDF.BINOM,

luego ingresamos la data para que tengamos los resultados, de tal forma que
se observe así: CDF.BINOM(4,5,0.6)
Facultad de Ingeniería Ingeniería Mecánica

2. El número medio de automóviles que llega a una gasolinera es de 210 por hora.
Si dicha gasolinera solo puede atender a un máximo de 10 automóviles por
minuto,
a. determina la probabilidad de que en un minuto dado lleguen a la gasolinera
más automóviles de los que puede atender;
b. halla la probabilidad de que entre las 10.14 y las 10.15 lleguen 10
automóviles, y al minuto siguiente ninguno.

- Solución:
X = automóviles que llegan a la gasolinera por 1 minuto.
210
“X” tiene distribución de Poisson con media E(X) = λ = = 3.5
60

- Calculamos:
a)
P(X > 10) = 1 - P(X=<10)

(3.5)𝑥
= 1 − ∑10
𝑥=0 𝑒
−3.5
𝑥!

= 0.0010194

Para calcular el resultado en SPSS, hacemos uso del comando CDF.POSSION,

luego ingresamos la data para que tengamos los resultados, de tal forma que se
observe así: CDF.POSSION(10,3.5)

b)
P((X = 10) ∩ (X = 0)) = P(X = 10) * P(X = 0)

(3.5)10 (3.5)0
= 𝑒 −3.5 ∗ 𝑒 −3.5
10! 0!

= 0.0000693
Facultad de Ingeniería Ingeniería Mecánica

3. La proporción de individuos de una población con renta superior a 24000 euros

es de 0.5%. Suponiendo que todos los consultados respondan, determina la
probabilidad de que entre 5000 individuos consultados haya como mucho 30
con ese nivel de renta,
a. usando la distribución binomial.
b. aproximando por la distribución de Poisson.
- Solución:
X = número de individuos con renta superior a 24000 euros en un grupo de
5000.
- Calculamos:
a)
P(X=<30) = 0.86388
Para calcular el resultado en SPSS, hacemos uso del comando CDF.BINOM,
luego ingresamos la data para que tengamos los resultados, de tal forma que
se observe así: CDF.BINOM(30,5000,0.005)
b) Para aproximar la probabilidad usando la distribución de Poisson, debemos
tener en cuenta que¸ λ = n * p = 5000 * 0.005 = 25, entonces:
P(X=<30) ≈ 0.86331
c) Ahora aproximamos esa misma probabilidad usando la distribución normal
con corrección de continuidad. Para ello, μ = n * p = 25 y
σ = √𝑛 ∗ 𝑝 ∗ (1 − 𝑝) = √25 ∗ 0.995, por ende:

P(X=<30) = P(0 =< X =< 30)

0 − 25 − 0.5 30 − 25 + 0.5
≈ P( =< 𝑧 =< ) = 0.86493
√25∗0.995 √25∗0.995

Observemos, por último, como empeora la aproximación si no hacemos la

corrección de continuidad:
P(X=<30) = P(0 =< X =< 30)

0 − 25 30 − 25
≈ P( =< 𝑧 =< )
√25∗0.995 √25∗0.995

= 0.84195
Facultad de Ingeniería Ingeniería Mecánica

4. En un proceso de fabricación se sabe que el número de unidades defectuosas

producidas diariamente, viene dado por una variable de Poisson de parámetro
10. Determina la probabilidad de que en 150 días el número de unidades
defectuosas sea 1480 o más, usando la distribución de Poisson.

- Solución:
X = número de unidades defectuosas producidas en 150 días.
 E(X) = λ = 150 * 10 = 1500

a)
P (X >= 1480) = 1 – P (X 6 1479)

= 0.70063

1-CDF.POISSON(1479,1500)

b)
Si usamos la aproximación pedida, entonces μ = λ = 1500 y
σ = √λ = √1500, con lo cual:
P (X >= 1480) = 1 - P(X < 1480)

= 1 - P(0 =< X < 1480)

0 − 1500 − 0.5 1480 − 1500 + 0.5

= 1 - P( =< 𝑧 =< )
√1500 √1500

= 0.7017
Facultad de Ingeniería Ingeniería Mecánica

5. Supongamos que la probabilidad de que un tubo de radio (puesto en cierto tipo

de equipo) funcione por más de 500 horas es de 0,2. Si se prueban 20 tubos,
¿cuál es la probabilidad de que exactamente k de estos funcionen más de 500
horas, k=0, 1,2,…,20?

Solución

Si X es el número de tubos que funcionan más de 500 horas, supondremos que

X tiene una distribución binomial. Entonces

20
𝑃(𝑋 = 𝑘) = ( ) 0.2𝑘 0.820−𝑘
𝑘
Y así:

P(X = 0) 0.012 P(X = 4) 0.218 P(X = 8) 0.022

P(X = 1) 0.058 P(X = 5) 0.175 P(X = 9) 0.007
P(X = 2) 0.137 P(X = 6) 0.109 P(X = 10) 0.002
P(X = 3) 0.205 P(X = 7) 0.055 P(X = k) 0.00…
Para k≥11, las probabilidades son menores que 0,001

Así podemos observar cómo la probabilidad de que k de estos funcionen más de

500 horas va subiendo, hasta que alcanza su valor máximo (con k=4) y luego
empieza a disminuir.
Facultad de Ingeniería Ingeniería Mecánica

6. Se avienta una moneda 6 veces. Cuando el resultado sea cara, diremos que es un
éxito.

a. ¿Cuál es la probabilidad de que salgan dos caras exactamente?

b. ¿Cuál es la probabilidad de hallar al menos cuatro caras?

Solución para a:

Para este caso tenemos que n = 6 y tanto la probabilidad de éxito como de

fracaso son p = q =1/2

Por lo tanto, la probabilidad de que se den dos caras (es decir k=2) es de

𝑛
𝑃(𝑋 = 𝑘) = ( ) 𝑝𝑘 𝑞 𝑛−𝑘
𝑘
6
𝑃(𝑋 = 2) = ( ) (0.5)2 (0.5)4
2
15
𝑃(𝑋 = 𝑘) =
64

Solución para b:

Para este caso tenemos que k= {4, 5, 6} entonces:

𝑛
𝑃(𝑋 = 𝑘) = ( ) 𝑝𝑘 𝑞 𝑛−𝑘
𝑘

∑ 𝑃 (𝑋 = 𝑘𝑖 )

𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6)

6 6 6
= ( ) (0.5)4 (0.5)2 + ( ) (0.5)5 (0.5)1 + ( ) (0.5)6 (0.5)0
4 5 6

15 3 2 1
= + 𝑥 ( )+
64 32 2 64

22
=
64
Facultad de Ingeniería Ingeniería Mecánica

7. Supongamos que el 2 % de los artículos producidos en una fábrica son

defectuosos. Hallar la probabilidad P de que haya tres artículos defectuosos en
una muestra de 100 artículos. Utilice la distribución binomial y luego la
distribución Poisson como aproximación de la Binomial.

Solución

Para este caso podemos aplicar la distribución binomial para n=100 y p=0,02
obteniendo como resultado:
𝑛
𝑃(𝑋 = 𝑘) = ( ) 𝑝𝑘 𝑞 𝑛−𝑘
𝑘
100
𝑃(𝑋 = 3) = ( ) (0.02)3 (0.98)97
3
Sin embargo, ya que p es pequeño, usamos la aproximación de Poisson con
λ = n*p = 2. Entonces:
1
𝑃(𝑋 = 𝑘) = (𝑒 −𝜆 𝜆𝑘 )
𝑛!
1
𝑃(𝑋 = 3) = (𝑒 −2 23 )
3!
𝑃(𝑋 = 3) = 0.180
 Facultad de Ingeniería Ingeniería Mecánica

V. EVALUACIÓN:
 Investigue la distribución de Poisson como aproximación de la Binomial:
Distribución de Poisson
Se dice que una variable aleatoria X tiene distribución de Poisson de parámetro λ
cuando puede tomar los valores enteros positivos 0,1,2,3,… con la siguiente
probabilidad:
1
𝑃(𝑋 = 𝑘) = (𝑒 −𝜆 𝜆𝑘 )
𝑛!
A continuación, una gráfica que representa la función masa de probabilidad para
distintos valores de los parámetros de la distribución Poisson.

Note que, mientras la cantidad de éxitos sea baja y la cantidad n de pruebas

realizadas en una distribución binomial sea alta, siempre podremos aproximar
estas distribuciones, al ser la distribución de Poisson límite de la distribución
binomial.
La diferencia principal entre estas dos distribuciones es que, mientras la binomial
depende de dos parámetros —a saber, n y p—, la de Poisson solo depende de λ,
el cual a veces es llamado la intensidad de la distribución.
Hasta ahora solo hemos hablado de distribuciones de probabilidad para casos en
los que los diferentes experimentos son independientes entre sí; es decir, cuando
el resultado de uno no se ve afectado por algún otro resultado.
Cuando ocurre el caso de tener experimentos que no son independientes, la
distribución hipergeométrica es de gran utilidad.
Facultad de Ingeniería Ingeniería Mecánica

 Investigue otras distribuciones de probabilidad para variable discreta.

Distribución hipergeométrica

Sea N el número total de objetos de un conjunto finito, de los cuales podemos

identificar a k de estos de alguna manera, formando así un subconjunto K, cuyo
complemento está formado por los N-k elementos restantes.

Si escogemos al azar n objetos, la variable aleatoria X que representa el número

de objetos pertenecientes a K en dicha elección tiene una distribución

hipergeométrica de parámetros N, n y k. Su función masa de probabilidad es:

(𝑘𝑥)(𝑁−𝑘
𝑛−𝑥
)
𝑃(𝑋 = 𝑥) = , 𝑐𝑜𝑛 𝑥 = 0, 1, 2, … , min{𝑛, 𝑘}
(𝑁𝑛)

La siguiente gráfica representa la función masa de probabilidad para distintos

valores de los parámetros de la distribución hipergeométrica.

Facultad de Ingeniería Ingeniería Mecánica

Ejemplo de distribución hipergeométrica:

De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene
3 proyectiles defectuosos que no explotarán, ¿cuál es la probabilidad de que;

a. los 4 exploten?
b. al menos 2 no exploten?
Solución:

Para a:
N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el número de
proyectiles que explotan entre la muestra que se dispara.

(74)(30)
𝑃(𝑥 = 4; 𝑛 = 4) =
(10
4
)
1
= = 0.1667
6
Para b:
N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan
p (al menos 2 no exploten) =
p (2 o más proyectiles no exploten)

(32)(72) + (33)(71)
𝑃(𝑥 = 2 𝑜 3; 𝑛 = 4) =
(10
4
)
3(21) + 7
=
210
= 0.3333