NOMBRE DEL CURSO / CLAVE: Sistemas de control de procesos in217

NOMBRE DEL PROFESOR TITULAR: Jos G. Ros

TITULO DEL LIBRO:
TITULO DEL CAPTULO: LECTURA DE LA SEMANA 1.
AUTOR/EDITOR: Jos G. Ros
EDITORIAL:
EDICIN:
NMERO DE ISSN/ISBN:
FECHA DE PUBLICACIN:
PGINAS:
TOTAL DE PGINAS: 12
OBSERVACIONES:



D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004
RECORDACIN DE LAS DISTRIBUCIONES DE PROBABILIDAD

La Distribucin Bernoulli.
La distribucin Bernoulli est asociada con un experimento aleatorio denominado
experimento Bernoulli. Un experimento Bernoulli es aqul, en donde son slo dos los
resultados posibles del experimento, a estos resultados posibles los llamaremos xito y
fracaso. Por ejemplo, lanzar una moneda y registrar el lado que cae hacia arriba es un
experimento Bernoulli, porque slo hay dos resultados posibles. Otro ejemplo, al analizar
un producto para saber si est defectuoso o no est defectuoso es un experimento
Bernoulli, ya que hay dos resultados posibles: defectuoso y no defectuoso.

Si en un experimento Bernoulli al resultado xito se le asigna el nmero 1 y al
resultado fracaso se le asigna el nmero 0, entonces se podra definir la v.a. X con
rango X ={0, 1}, donde X(xito)=1 y X(fracaso)=0. Si conocemos la probabilidad de
que ocurra el xito denotada por p, entonces la probabilidad de que ocurra el fracaso
es 1-p, de tal manera que el valor de p define la funcin de probabilidad de la v.a. X,y a
esta funcin de probabilidad se le llama distribucin Bernoulli como se indica en la
siguiente definicin.

Definicin de la Distribucin Bernoulli.
La v.a. discreta X tiene distribucin Bernoulli si su funcin de probabilidad es:
f(x) =
p x
p x
si
si
de otro modo
=
=

1
1 0
0

adems: E(X) =p y Var(X) =p(1-p).

Ejemplo
Se analizar un producto para determinar si es defectuoso o no defectuoso. Se
sabe que el 11% de la produccin sale defectuosa. Si se define la v.a. X =nmero de
artculos defectuosos que resultan, obtener la funcin de probabilidad de X. Para obtener
f(x), observe que el rango de X es {1, 0}, solo dos resultados posibles, entonces X tiene
distribucin Bernoulli, donde P(X=1) = P(defectuoso) = 0.11 y P(X=0) = P(no
defectuoso) =1-0.11 =0.89; luego:
f(x) =
011 1
089 0
.
.
si
si
0 de otro modo.
x
x
=
=

adems, E(X) =0.11 y Var(X) =0.11(0.89) =0.0979.

La Distribucin Binomial.
La distribucin binomial se aplica en la siguiente situacin. Suponer que un
experimento Bernoulli se repite n veces de manera independiente, donde la probabilidad
de que ocurra xito es p. Sea la v.a. X definida como X =al nmero de xitos
ocurridos en las n repeticiones del experimento Bernoulli. Entonces, la v.a. X tiene
distribucin binomial con parmetros n, p. Observe que el rango de X es: {0, 1, 2, , n}.

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004

La situacin anterior se presenta cuando, por ejemplo, se inspecciona un lote de 50
artculos y se determina la cantidad de artculos defectuosos que hay en el lote. El
experimento Bernoulli es inspeccionar un artculo para determinar si est defectuoso o no
y este experimento se va a repetir 50 veces (son 50 artculos). Si se sabe que el 10% de
los artculos son defectuosos, entonces la probabilidad de que un artculo sea defectuoso
es 0.1 y si los experimentos Bernoulli (inspeccin de un artculo) son independientes, (el
hecho de que un artculo sali o no sali defectuoso no afecta a la probabilidad de que el
siguiente salga defectuoso), entonces la v.a. definida como el nmero de artculos
defectuosos en el lote tiene distribucin binomial con parmetros n =50, p =0.1.

Definicin de Distribucin Binomial.
La v.a. X tiene distribucin binomial, si su funcin de probabilidad es:
f(x) = ( )
n
x
p p
x
n x

1 para x =0, 1, 2, , n.
donde f(x) =0 de otro modo. Adems, E(X) =np y Var(X) =np(1-p).

El smbolo
n
x

(se lee: combinaciones de n en x) y se define como

n
x

=
n
x n x
!
!( )!
con 0 x n, donde r! =1234r, y 0!=1. El smbolo r!, se lee r
factorial o el factorial de r. Adems, E(X) =np y Var(X) =np(1-p).

El clculo de
n
x

ya est integrado en las calculadoras cientficas de bolsillo y no

debe ser problema obtener el resultado de estos clculos.

Ejemplo
Se tiene un lote de 50 artculos, de los cuales se sabe que el 10% de la produccin es
defectuoso. Al hacer la inspeccin del lote, obtener la probabilidad de que haya a) 3
artculos defectuosos, b) a lo ms 4 artculos defectuosos, c) ms de 3 artculos
defectuosos, d) el promedio del nmero de artculos defectuosos, e) la varianza y la
desviacin estndar del nmero de artculos defectuosos.

Solucin: Sea X =nmero de artculos defectuosos en el lote. Suponiendo que el
resultado de las inspecciones son independientes, entonces X tiene distribucin binomial
con parmetros n=50 p=0.1 (en smbolos: Xbinomial(n=50, p=0.1)). Luego, de la
definicin de distribucin binomial tenemos que la funcin de probabilidad de X es:
f(x) = ( )
50
01 09
50
x
x
x

( . ) . para x =0, 1, 2, , 50.
Para resolver el a), tenemos que:

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004
P(X=3) = f(3) = ( )
50
3
01 09
3
47

( . ) . =(19600)(0.1)
3
(0.9)
47
0.1386.
Para resolver el b) tenemos que:
P(X 4) = f i
i
( )
=

0
4
=
50
01 09
0
4
50
i
i
i i

( . ) ( . ) = ( )
50
0
01 09
0
50

( . ) . + ( )
50
1
01 09
1
49

( . ) . +
( )
50
2
01 09
2
48

( . ) . + ( )
50
3
01 09
3
47

( . ) . + ( )
50
4
01 09
4
46

( . ) . 0.4312.
Estas probabilidades se pueden obtener en una hoja de clculo como excel.
Para resolver el c), tenemos que:
P(X >3) =1 - P(X 3) =1 - f i
i
( )
=

0
3
=1 -
50
0
01 09
0 50
|
\

( . ) ( . ) + ( )
50
1
01 09
1
49

( . ) . +
( )
50
2
01 09
2
48

( . ) . + ( )
50
3
01 09
3
47
|
\

|
1
]
1
( . ) . 1 - 0.2503 =0.7497.
Para resolver el d), de la definicin de distribucin binomial tenemos que: E(X) =np
= (50)(0.1) = 5.0; es decir, en promedio salen 5 artculos defectuosos por lote.
Igualmente, para resolver el e), tenemos de la definicin de distribucin binomial, que:
Var(X) =np(1-p) =(50)(0.1)(0.9) =4.5 y
X
= 45 . 2.121

Las figuras 1 y 2 ilustran el aspecto de la grfica de una funcin de probabilidad para
una distribucin binomial.

Figura 1 Grfica de f(x) de una distribucin binomial variando el valor de p.
Gr f i c a d e l a Di s t r i b u c i n B i n o m i al c o n n =20
0
0.05
0.1
0.15
0.2
0.25
0.3
0 5 10 15 20 25
n mer o d e x i t o s
p
r
o
b
a
b
i
l
i
d
a
d
p=0.1
p=0.5
p=0.9

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004

Figura 2 Grfica de f(x) de una distribucin binomial variando el valor de n.

NOTA: Las probabilidades de la distribucin binomial se pueden calcular en una hoja
de clculo como excel.

La Distribucin Geomtrica.
La distribucin geomtrica se aplica en la siguiente situacin. Suponer que se tiene un
experimento Bernoulli con probabilidad de xito p. Suponer que este experimento de
Bernoulli se repite independientemente hasta que por primera vez ocurre el xito. Sea
la v.a. X =nmero de repeticiones realizadas hasta que ocurre el xito por primera vez.
Entonces, X tiene distribucin geomtrica con parmetro p. Observe que el rango de X es
{1, 2, 3, }.

Por ejemplo, suponga que se tienen 5 llaves, de las cuales slo una llave pone a
funcionar una mquina. Una persona saca con reposicin una llave e intenta encender la
mquina con dicha llave, entonces, el nmero de intentos realizados hasta que se
enciende la mquina tiene distribucin geomtrica con parmetro p =1/5. Observe que,
como se saca una llave con reposicin, entonces los intentos son independientes y son
experimentos de Bernoulli, ya que hay dos resultados posibles: enciende o no enciende la
mquina.


Definicin de Distribucin Geomtrica.
La v.a X tiene distribucin geomtrica si su funcin de probabilidad es:
f(x) =(1 - p)
x-1
p para x =1, 2, 3,
adems, E(X) =
1
p
y Var(X) =
1 1
1
p p

.

G r f i c a d e l a Di st r i b u c i n B i n o m i a l c o n p = 0. 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 10 20 30 40
n m e r o d e x i t o s
p
r
o
b
a
b
i
l
i
d
a
d
n=5
n=50
n=100

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004
Ejemplo
Se tiene un equipo de transmisin. Se sabe que la seal enviada se recibe
incorrectamente el 5.7% de las veces. Se enva una seal consecutivamente hasta que se
recibe en forma incorrecta. Calcular la probabilidad de que se hagan; a) 5 envos, b) a lo
ms 5 envos, c) ms de 3 envos, d) ms de 2 y menos de 7 envos, e) calcular el
promedio del nmero de envos, f) calcular la varianza y desviacin estndar del nmero
de envos.

Sea X =nmero de envos hechos hasta que se recibe incorrectamente la seal.
Entonces, suponiendo resultados independientes en cada seal para el a), tenemos que:
P(X =5) =f(5) =(0.943)
4
(0.057) 0.045, para el b) tenemos que
P(X 5) = f i
i
( )
=

1
5
=(0.943)
0
(0.057) +(0.943)(0.057) +(0.943)
2
(0.057) +(0.943)
3
(0.057)
+(0.943)
4
(0.057) 0.2543, para el c) tenemos que:
P(X >3) =1 - P(X 3) =1 - [(0.943)
0
(0.057) +(0.943)(0.057) +(0.943)
2
(0.057)] ]] ]
0.83856. Las probabilidades acumuladas P(X x) se puede calcular con la frmula
P(X x) =1 (1 p)
x
. Entonces P(X 3) =1 (1 0.057)
3
=0.1614 .
Para el d) tenemos que: P(2 <X <7) = f i
i
( )
=

3
6
=(0.943)
2
(0.057) +(0.943)
3
(0.057) +
(0.943)
4
(0.057) +(0.943)
5
(0.057) 0.18606, para el e), de la definicin de distribucin
geomtrica, tenemos que E(X) =1/0.057 17.54; entonces, en promedio se hacen 17.5
envos hasta que se recibe la seal incorrectamente. Tambin de la definicin de
distribucin geomtrica se tiene que para el f), Var(X) =(1/0.057)[(1/0.057) - 1] 290.24
y
X
17.037.
La figura 3 muestra el aspecto de la funcin de probabilidad de una distribucin
geomtrica variando el valor de p.

Figura 3 Grfica de f(x) de una distribucin Geomtrica variando p.
G r f i c a d e l a D i st r i b u c i n G e o m t r i c a
0
0.2
0.4
0.6
0.8
1
1.2
0 5 10 15 20 25
n m e r o d e i n t e n t o s
p
r
o
b
a
b
i
l
i
d
a
d
p=0. 1
p=0. 5
p=0. 9

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004


La Distribucin Poisson
La distribucin Poisson se usa para modelar el nmero de ocurrencias de un evento
que denominaremos xito en un intervalo especfico de tiempo o de espacio. Por
ejemplo, la distribucin Poisson podra utilizarse para modelar el nmero de clientes por
hora que llegan a un negocio, el nmero de imperfecciones por 100 m en un cable de
acero, el nmero de defectos por 5 m
2
de lmina, el nmero de partculas de plomo por
m
3
de aire, etc.


Definicin de la Distribucin Poisson
La v.a. X tiene distribucin Poisson si su funcin de probabilidad es:

f x
e
x
x
( )
!
=

para x =0, 1, 2, 3,

donde >0. Adems E(X) = y Var(X) =.

La figura 4 muestra el aspecto de la funcin de probabilidad de la distribucin Poisson
para diferentes valores de .

Figura 4 Grfica de f(x) para la distribucin Poisson variando el valor de .

Ejemplo
Suponer que el nmero de imperfecciones en una lmina de acero tiene una
distribucin Poisson con un promedio de 5 imperfecciones por 7 m
2
. Calcular la
probabilidad de que en 7 m
2
haya; a) 3 imperfecciones, b) ms de 5 imperfecciones, c)
menos de 6 imperfecciones, d) por lo menos 4 y a lo mucho 8 imperfecciones.
Gr f i ca d e l a Di st r i b u ci n Po i sso n
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0 5 10 15 20 25
n m e r o d e x i t o s
p
r
o
b
a
b
i
l
i
d
a
d
=1.0
=5.0
=10.0

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004

De la definicin de distribucin Poisson tenemos que para el a) =5, entonces:
P(X =3) =f(3) =
! 3
) 5 (
5 3
e
0.1404; para el b) tenemos que
P(X >5)=1 - F(5)=1 -

5
0
5
!
5
i
i
i
e
1 - 0.616, entonces P(X >5) 0.384, para el c)
tenemos que: P(X <6) =F(5) =

5
0
5
!
5
i
i
i
e
0.616, para el d) tenemos que:
P( 4 X 8) =F(8) - F(3) =

8
0
5
!
5
i
i
i
e
-

3
0
5
!
5
i
i
i
e
=

8
4
5
!
5
i
i
i
e
0.6669 !
NOTA: Las probabilidades de una distribucin poisson se pueden obtener en una hoja
de clculo como excel.

La Distribucin Normal
La distribucin normal se aplica para modelar errores en las mediciones, entre otras
muchas aplicaciones. La distribucin normal tambin es fundamental en el desarrollo de
la estadstica matemtica, de tal manera que es la base para disear muchas pruebas de
hiptesis y estimacin de parmetros poblacionales. Por supuesto que la distribucin
normal no escapa a las aplicaciones de la estadstica en la industria.

Definicin de la Distribucin Normal
La v.a. X tiene distribucin normal si su funcin de densidad es:
f x e
x
( )
( ) /
=

1
2
2 2
2


para - <x <+
donde, -< <+ y >0. Adems; E(X) = y Var(X) =
2
.

Cuando =0 y =1, entonces se le da el nombre de distribucin normal estndar,
denotada por (z), quedando como:

( )
/
z e
z
=

1
2
2
2
para - <z <+. La funcin
de distribucin acumulada de z denotada por (z), ya est calculada para algunos valores
de z en las tablas 2.6 y 2.7 que aparecen al final de esta unidad, donde (z) =P(Z z).

Las probabilidades de una v.a. con distribucin normal se pueden calcular mediante
las probabilidades de la distribucin normal estndar mediante la transformacin:
Z
X
=

como se muestra a continuacin.

Ejemplo
Se sabe que el peso (en kg.) de carga de un camin, es una v.a. con distribucin
normal con media 3000 kg y desviacin estndar 500 kg. Calcular la probabilidad de que
la carga del camin sea: a) menor a 2500 kg., b) mayor a 3600 kg., c) entre 2600 y 4000
kg.


D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004
Solucin: tenemos que los parmetros de la distribucin de X son; =3000 y =500.
Luego, para el a), tenemos que P(X < 2500) = P(X - 3000 < 2500 - 3000) =
P
X
<

3000
500
2500 3000
500
= P(Z < -1.0) = (-1.0) 0.1587. Observe las
transformaciones algebraicas para obtener Z
X
=

=
X 3000
500
y obtener el valor de
la tabla de probabilidades de la distribucin normal estndar que est al final del captulo.
Para el b), tenemos que;
P(X >3600) =1 P(X <3600) =1 - P
X
<

3000
500
3600 3000
500
=
1 - P(Z <1.2) =1 - (1.2) 1 - 0.8849 =0.1151
para el c), tenemos que;
P(2600 <X <4000) =P
X 2600 3000
500
3000
500
4000 3000
500

<

<

, luego,
P(2600 <X <4000) =P(-0.8 <Z <2.0) =(2.0) - (-0.8) 0.9772 - 0.2119 =0.7653
NOTA: Las probabilidad acumulada de una distribucin normal se pueden obtener
directamente de una hoja de clculo como excel.

Las siguientes figuras muestran el aspecto de la funcin de densidad de la
distribucin normal para diferentes valores de y .




Grfica de f(x) para la distribucin normal para varios valores de .
Gr f i ca d e l a Di st r i b u ci n No r m a l co n =5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
-5 0 5 10 15
v al o r d e l a v ar i ab l e al e at o r i a
f
u
n
c
i

n

d
e

d
e
n
s
i
d
a
d

=0.5
=1
1

=2

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004


Grfica de f(x) para la distribucin normal para varios valores de .

La Distribucin Exponencial.
Esta distribucin se aplica para modelar el tiempo transcurrido entre la ocurrencia de
dos xitos consecutivos; estos xitos pueden ser: llegadas de clientes a un negocio,
llegadas de piezas de produccin a una estacin de trabajo, fallas consecutivas de una
mquina. En general, esta distribucin se utiliza en la modelacin de sistemas de lneas
de espera y en la teora de confiabilidad.

Definicin de la Distribucin Exponencial.
La v.a. X tiene distribucin exponencial, si su funcin de densidad es:
f(x) =

>

modo otro de 0
0 para ) / 1 (
/
x e
x

donde, >0. Adems, E(X) = y Var(X) =
2
.

Ejemplo
El tiempo en horas que transcurre entre dos fallas consecutivas de una mquina es una
v.a. con distribucin exponencial: f(t) =
( / )
/
1 1000 0
1000
para
0 de otro modo.
e t
t
>

Calcular la probabilidad de que el tiempo que transcurre para que la mquina falle sea: a)
menos de 100 hrs, b) ms de 1000 hrs, c) entre 800 y 1000 hrs, d) el promedio del tiempo
entre fallas consecutivas, d) la varianza y desviacin estndar del tiempo entre fallas
consecutivas.

Grfi ca de l a Di stri buci n Normal con =1
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
-6 -4 -2 0 2 4 6
val or de l a var i abl e al eat or i a
f
u
n
c
i

n

d
e

d
e
n
s
i
d
a
d
= -2
=0
=2

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004
Solucin: de la definicin de f(x) se tiene que 1/ =1/1000 y =1000, luego, para el
a), tenemos que:
P(T <100) = ( / )
/
1 1000
1000
0
100
e dt
t

=1 - e
-1/10
0.0952, para el b), tenemos que:
P(T >1000) = ( / )
/
1 1000
1000
1000
e dt
t
+

=e
-1
0.3679, para el c), tenemos que:
P(800 <T <1000) = ( / )
/
1 1000
1000
800
1000
e dt
t

=e
-8/10
- e
-1
0.0814, para el d), tenemos
que:
E(T) = =1000; luego, en promedio transcurren 1000 horas entre fallas consecutivas.
Para el e), tenemos que: Var(T) =
2
=1000
2
y
T
=1000 hrs. La probabilidad acumulada
se puede obtener directamente con la frmula
F(x) =1
/ x
e

.
La siguiente figura muestra el aspecto de la funcin de densidad de una distribucin
exponencialpara diferentes valores de .

Grfica de f(x) de la distribucin exponencial para varios valores de .


La Distribucin
2
(Ji cuadrada)
Una variable aleatoria X tiene distribucin
2
con grados de libertad si su funcin de
densidad es f(x) =
2 / 2 / ) 2 (
2 /
) 2 / ( 2
1
x
e x

para x >0, donde (w) es la funcin

gamma evaluada en w y es una constante positiva. Adems E(X) = , y V(X) =2 .

Gr f i c a d e l a Di st r i b u c i n Ex p o n e n c i a l
0
0.5
1
1.5
2
2.5
0 1 2 3 4
V al o r d e l a v ar i ab l e al e at o r i a
f
u
n
c
i

n

d
e

d
e
n
s
i
d
a
d

=2

=1

=0.5

D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004
Por ejemplo, si X sigue una distribucin
2
con 7 grados de libertad, entonces de una
hoja de clculo como excel se puede obtener que P(X <5) =0.3400, y P(X <2) =
0.0402. Luego P(2 <X <5) =0.3400 0.0402 =0.2998 . la siguiente figura muestra el
aspecto de la curva de f(x) para una distribucin J i cuadrada.

0 10 20 30 40 50
0.0
0.1
0.2
x
f
(
x
)
4 gl
10 gl
20 gl

Grfica de f(x) para la distribucin J i cuadrada con diferentes valores de .

La Distribucin F
Una variable aleatoria tiene distribucin F con
1
grados de libertad en el numerador y
2

grados de libertad en el denominador si su funcin de densidad es;

f(x) =
2 / ) (
2
1
1
2
2
2
1
2 1
2 1
2 1 2
1
1
2 2
2

x
x para x >0.

El valor esperado es E(X) =
2
2
2

si
2
>2 y la varianza es
V(X) =
) 4 ( ) 2 (
) 2 ( 2
2
2
2 1
2 1
2
2

+


si
2
>4.

Por ejemplo, si X es una variable aleatoria que sigue una distribucin F con 5 grados de
libertad en el numerador y 10 grados de libertad en el denominador entonces de excel se
puede obtener que P(X <15) =0.9998 y P(X <6) =0.9919. Luego P(6 <X <15) =
0.9998 0.9919 =0.0079 . La grfica de f(x) correspondiente a la distribucin F aparece
a continuacin. La lnea slida es para
1
=3,
2
=10 y la lnea seccionada es para
1
=
10,
2
=10.




D.R. Universidad Virtual del Sistema Tecnolgico de Monterrey, 2004


5 4 3 2 1 0
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
x
f
(
x
)

Grfica de f(x) para la distribucin F