Probabilidad y Estadı́stica para Bachillerato, CIMAT, ene-jun 2018

(9 de abril 2018)

Del libro de Wackerly, Mendenhall y Scheaffer::

1. Prob. 3.119.- Se reparten cartas al azar y sin reemplazo de una baraja de 52 cartas. ¿Cuál es la probabilidad
de que el segundo rey se reparta en la quinta carta?
En las primeras 4 sólo puede haber un rey y, en la quinta, debe aparecer el otro rey.
P (2o. rey en 5a. extracción) = P (1 rey en 4 extracciones) × P (rey|1 rey en 4 extracciones)
   
4 48
1 3 3
=   × = 0.01597
52 48
4

(4*48*47*46*3)/(26*51*25*49*48) # 0.01597193
dhyper(x=1,m=4,n=52-4,k=4) * dhyper(x=1,m=3,n=48-3,k=1) # 0.01597193

2. Ejemplo 3.17.- Un producto industrial se envı́a en lotes de 20. Es costoso realizar pruebas para determinar
si un artı́culo es defectuoso y, por tanto, el fabricante muestrea su producción en lugar de usar un plan
de inspección al 100%. Un plan de muestreo, construido para minimizar el número de piezas defectuosas
enviadas a los clientes, exige muestrear cinco artı́culos de cada lote y rechazar el lote si se observa más
de una pieza defectuosa. (Si el lote es rechazado, cada artı́culo del mismo se prueba posteriormente.) Si
un lote contiene cuatro piezas defectuosas, ¿cuál es la probabilidad de que sea rechazado? ¿Cuál es el
número esperado de piezas defectuosas en la muestra de tamaño 5? ¿Cuál es la varianza del número de
piezas defectuosas de la muestra de tamaño 5?

N = 20
n = 5
K = 4
1 - (choose(K,0)*choose(N-K,5)+ choose(K,1)*choose(N-K,4))/choose(N,n) # 0.24871
1 - phyper(1,K,N-K,n) # 0.24871

La media y varianza del número de defectuosos en la muestra de tamaño 5 son:

   
K 4 K K N −n 4 4 20 − 5
E(X) = n =5 =1 Var(X) = n 1− =5 1− = 0.6316
N 20 N N N −1 20 20 20 − 1
Podemos darnos una mejor idea de las propiedades de ese plan de aceptación, calculando la probabilidad
de aceptar el lote como función del número real de defectuosos:

N = 20
n = 5
K = 1:15 # Número real de defecuosos en el lote
c = 1 # Aceptar si No. def. <= c
acp = phyper(c, K, N-K, n)
plot(K,acp,type="l",mgp=c(1.5,.5,0), xlab="Número Total de Defectuosos en el Lote",
ylab="Probabilidad de Aceptar Lote",lwd=2,col="blue",
cex.lab=.9, cex.axis=.7, ylim=c(0,1),
main="Curva Caracteristica de Operación",cex.main=.9)
grid()
lines(K,acp,lwd=2,col="blue")
legend(10,.99,bty="n",legend=c(paste("N = ",N),paste("n = ",n),paste("c = ",c)))
 Curva Caracteristica de Operación

1.0
N = 20

0.8
n= 5
Probabilidad de Aceptar Lote
0.6

c= 1
0.4
0.2
0.0

2 4 6 8 10 12 14
Número Total de Defectuosos en el Lote

3. Prob. 3.120.- Los tamaños de poblaciones de animales se calculan en ocasiones con el método de capturar,
marcar y recapturar. En este método se capturan k animales, se marcan y luego se sueltan en la población.
Cierto tiempo después se capturan n animales y se observa Y , el número de animales marcados de entre
los n. Las probabilidades asociadas con Y son una función de N , el número de animales de la población,
de modo que el valor observado de Y contiene información sobre esta N desconocida. Suponga que k = 4
animales son marcados y luego soltados. Una muestra de n = 3 animales se selecciona entonces al azar
de entre la misma población. Encuentre P (Y = 1) como función de N . ¿Qué valor de N maximizará
P (Y = 1)?
   
k N −k
1 n−1 (N − 4)(N − 3)
P (Y = 1) =   = 12 ×
N N (N − 1)(N − 2)
n
La probabilidad de que Y = 1 es maximizada cuando N = 8 ó N = 9.

N = 5:20
pr1 = 12*(N-4)*(N-3) / (N*(N-1)*(N-2))
plot(N,pr1,ylim=c(.35,.75),pch=16,ylab="P(Y=1)")
 0.7
0.6
P(Y=1)

0.5
0.4

5 10 15 20

4. Prob. 3.122.- Llegan clientes a un mostrador de salida en una tienda de departamentos de acuerdo con
una distribución de Poisson, a un promedio de siete por hora. Durante una hora determinada, ¿cuáles son
las probabilidades de que
(a) no lleguen más de tres clientes?,
(b) lleguen al menos dos clientes?,
(c) lleguen exactamente cinco clientes?
Sea Y = número de clientes llegando al mostrador en una hora.

Y ∼ Poisson(λ = 7)

(a)
3
λk e−λ
 0
71 72 73
  
X 7 49 343
P (Y ≤ 3) = = e−7 + + + = e−7 1 + 7 + +
k! 0! 1! 2! 3! 2 6
k=0

exp(-7)*(1+7+49/2+343/6) # = 0.08176542
ppois(q = 3, lambda = 7) # = 0.08176542
(b)
1
λk e−λ
 0
71

X
−7 7
P (Y ≥ 2) = 1 − P (Y ≤ 1) = 1 − =1−e + = 1 − e−7 (1 + 7)
k! 0! 1!
k=0

1 - exp(-7)*(1+7) # = 0.9927049
1 - ppois(q = 1, lambda = 7) # = 0.9927049
(c)
λ5 e−λ
P (Y = 5) =
5!
 exp(-7)*(7^5)/factorial(5) # = 0.1277167
dpois(x = 5, lambda = 7) # = 0.1277167

5. Prob. 3.125.- Consulte el Ejercicio 3.122. Si se requieren alrededor de diez minutos para servir a cada
cliente, encuentre la media y la varianza del tiempo total de servicio para clientes que lleguen durante un
periodo de 1 hora. (Suponga que hay un número suficiente de dependientes para que el cliente no tenga
que esperar ser atendido.) ¿Es probable que el tiempo total de servicio exceda de 2.5 horas?

Si Y = número de clientes llegando al mostrador en una hora, entonces T = 10 ∗ Y serı́a el tiempo total
de servicio para los clientes que llegan durante un periodo de una hora. La media y varianza de T son

E(T ) = E(10 Y ) = 10 E(Y ) = 10 × 7 = 70 min

Var(T ) = Var(10 Y ) = 100 Var(Y ) = 100 × 7 = 700 min

Por otro lado,

P (T > 2.5 hrs) = P (T > 150) = P (Y > 150/10) = P (Y > 15) = 1 − P (Y ≤ 15) = 0.0024

entonces, no es probable que se tenga un tiempo total de servicio de más de 2.5 horas.

6. Prob. 3.126.- Consulte el Ejercicio 3.122. Suponga que ocurren llegadas de acuerdo con un proceso de
Poisson con un promedio de siete por hora. ¿Cuál es la probabilidad de que exactamente dos clientes
lleguen en dos horas entre
(a) las 2:00 p.m. y las 4:00 p.m. (un periodo continuo de dos horas)?,
(b) la 1:00 p.m. y las 2:00 p.m. o entre las 3:00 p.m. y las 4:00 p.m. (dos periodos de una hora
separados que totalizan dos horas)?
La respuesta debe ser la misma en ambos casos.
(a) Sea Y = número de clientes que llegan en un periodo de dos horas. Entonces

Y ∼ Poisson(λ = 14)

Entonces
λ5 e−λ 145 e−14
=
P (Y = 5) =
5! 5!
exp(-14)*(14^5)/factorial(5) # = 0.003726801
dpois(5,14) # = 0.003726801
(b) Sea Y = Y1 + Y2 , donde Y1 = número de clientes que llegan en el primer periodo, y Y2 = el número
que llega en el segundo. Suponemos Y1 y Y2 independientes. Entonces

Y1 ∼ Poisson(λ1 = 7) y Y2 ∼ Poisson(λ2 = 7)

De aquı́ que

P (Y = 5) =P (Y1 = 0)P (Y2 = 5) + P (Y1 = 1)P (Y2 = 4) + P (Y1 = 2)P (Y2 = 3)

+ P (Y1 = 3)P (Y2 = 2) + P (Y1 = 4)P (Y2 = 1) + P (Y1 = 5)P (Y2 = 0)
 (¿Porqué?)

70 e−7 75 e−7 71 e−7 74 e−7 72 e−7 73 e−7

P (Y = 5) = + +
0! 5! 1! 4! 2! 3!
73 e−7 72 e−7 74 e−7 71 e−7 75 e−7 70 e−7
+ + +
3!  2! 4! 1! 5! 0! 
1 1 1 1 1 1
= 75 e−14 + + + + +
0! 5! 1! 4! 2! 3! 3! 2! 4! 1! 5! 0!
75 e−14
 
5! 5! 5! 5! 5! 5!
= + + + + +
5! 0! 5! 1! 4! 2! 3! 3! 2! 4! 1! 5! 0!
75 e−14
            
5 5 5 5 5 5
= + + + + +
5! 0 1 2 3 4 5
5 −14 5 −14
7 e 14 e
= 25 =
5! 5!
Esto es lo mismo que en el inciso anterior. En realidad, esta es una propiedad general: La suma
de k Poissones independientes, con parámetros λ1 , . . . , λk respectivamente, es una variable Poisson
de parámetro λ1 + · · · + λk . En particular, si Y1 ∼ Poisson(λ) y Y2 ∼ Poisson(λ), entonces
Y = Y1 + Y2 ∼ Poisson(2λ), asumiendo independencia entre Y1 y Y2 .

7. Prob. 3.128.- Llegan autos a una caseta de pago de peaje de acuerdo con un proceso de Poisson con media
de 80 autos por hora. Si el empleado hace una llamada telefónica de 1 minuto, ¿cuál es la probabilidad
de que al menos 1 auto llegue durante la llamada?
Sea Y = número de autos que llegan a la caseta en 1 minuto. Entonces Y ∼ Poisson(80/60). De aquı́
que
e−4/3 (4/3)0
P (Y ≥ 1) = 1 − P (Y = 0) = 1 − = 1 − e−4/3 = 0.7364
0!

8. Prob. 3.129.- Consulte el Ejercicio 3.128. ¿Cuánto puede durar la llamada telefónica del empleado si la
probabilidad es al menos .4 de que no lleguen autos durante la llamada?
Sea d = la duración de la llamada (en minutos), y sea Y = número de llamadas que llegan en esos d
minutos. Entonces Y ∼ Poisson( d × 80/60 ). Queremos que P (Y = 0) ≥ 0.4:
4 3
0.4 ≤ P (Y = 0) = e−4d/3 ⇒ − d ≥ log(0.4) ⇒ d≤− log(0.4) = 0.687218
3 4
esto es, la llamada debe durar a lo más 41 segundos (la respuesta en el libro no es correcta).

9. Prob. 3.137.- La probabilidad de que un ratón inoculado con un suero contraiga cierta enfermedad es
0.2. Usando la aproximación de Poisson, encuentre la probabilidad de que al menos 3 de entre 30 ratones
inoculados contraigan la enfermedad.

Sea Y = número de ratones que contraen la enfermedad. Entonces, es razonable que

Y ∼ Binomial(n = 30, p = 0.2)

de aquı́ que
      
30 30 30
P (Y ≥ 3) = 1 − P (Y ≤ 2) = 1 − 0.20 0.830 + 0.21 0.829 + 0.22 0.828
0 1 2
= 0.9558
p = 0.2
1-(choose(30,0)*p^0*(1-p)^30+choose(30,1)*p^1*(1-p)^29+choose(30,2)*p^2*(1-p)^28 )
# 0.955821
1 - pbinom(q=2, size=30, prob=p) # = 0.955821

(la respuesta en el libro se refiere al caso: A lo más 3 enfermos: ppois(3,6) = 0.1512039).

Ahora, si usamos la aproximación Poisson,

Y ∼
˙ Poisson(λ = np) = Poisson(λ = 6)

entonces
e−6 60 e−6 61 e−6 62
 
P (Y ≥ 3) = 1 − P (Y ≤ 2) = 1 − + + = 1 − e−6 (1 + 6 + 18) = 0.938
0! 1! 2!

1-exp(-6)*(1+6+18) # 0.9380312
1-ppois(2,6) # 0.9380312

Una comparación a más detalle entre ambas distribuciones

# Comparación Binomial(n,p) con Poisson(np)

n = 30
p = 0.2
lam = n*p
x = 0:n
pb = dbinom(x,n,p)
pp = dpois(x,lam)
par(mfcol=c(2,1),mar=c(2,2,2,2))
barplot(pb,ylim=c(0,.18),main="Distribución Binomial(30,0.2)",cex.main=.8)
barplot(pp,ylim=c(0,.18),main="Aproximación Poisson(6)",cex.main=.8)

Distribución Binomial(30,0.2)
0.15
0.10
0.05
0.00

Aproximación Poisson(6)
0.15
0.10
0.05
0.00
10. Prob. 3.141.- Un fabricante de alimentos usa una máquina de moldeo por inyección (que produce galletas
del tamaño de un bocado y botanas) que proporciona un ingreso para la empresa a razón de $200 por
hora cuando está en operación. No obstante, la máquina se descompone a un promedio de dos veces por
cada dı́a que trabaja. Si Y denota el número de descomposturas por dı́a, el ingreso diario generado por
la máquina es R = 1600 − 50Y 2 . Encuentre el ingreso diario esperado por usar la máquina.

E(R) = E(1600 − 50Y 2 ) = 1600 − 50E(Y 2 ) = 1600 − 50 Var(Y ) + E2 (Y )

= 1600 − 50(2 + 4) = 1300

11. Prob. 4.66.- Una operación de maquinado produce cojinetes con diámetros que están normalmente
distribuidos con media de 3.0005 pulgadas y desviación estándar de .0010 pulgadas. Las especificaciones
requieren que los diámetros de los cojinetes se encuentren en el intervalo 3.000 ± .0020 pulgadas. Los
cojinetes que estén fuera de este intervalo son considerados de desecho y deben volver a maquinarse. Con
el ajuste de la máquina existente, ¿qué fracción de la producción total se desechará?
Sea Y = diámetro de un cojinete genérico. La probabilidad de que una pieza se encuentre dentro de las
especificaciones es:

P (3 − 0.002 ≤ Y ≤ 3 + 0.002) = P ( (3 − 0.002 − 3.0005)/.001 ≤ Z ≤ (3 + 0.002 − 3.0005)/.001)

= P ( −0.0025/.001 ≤ Z ≤ 0.0015/.001)
= P ( −2.5 ≤ Z ≤ 1.5) = 0.927

de aquı́ que el 7.3% de los cojinetes se desecharán por estar fuera de especificaciones.

pnorm(1.5)-pnorm(-2.5) # 0.9269831
1 - (pnorm(1.5)-pnorm(-2.5)) # 0.07301687

12. Prob. 4.75.- Una máquina expendedora de bebidas gaseosas puede ser regulada para descargar un promedio
de µ onzas por vaso. Si las onzas están normalmente distribuidas con desviación estándar de 0.3 onzas,
determine los valores para µ de modo que vasos de 8 onzas se sirvan (se derramen?) sólo 1% del tiempo.
Sea Y = cantidad servida. Queremos µ tal que Y ∼ N (µ, σ = 0.3) y P (Y > 8) = 0.01. Sea Zα tal que
P (Z < Zα ) = 0.99, entonces P (Y < µ+
 
Y −µ 8−µ 8−µ
0.01 = P (Y > 8) = P > ⇒ = Zα
σ σ σ

de aquı́
µ = 8 − σ Zα = 8 − 0.3 (2.326348) = 7.302096

8 - 0.3 * qnorm(.99) # 7.302096

13. Prob. 4.77.- Los exámenes de admisión SAT y ACT (de aptitud y universitario) se aplican a miles de
estudiantes cada año. Las secciones de matemáticas de cada uno de estos exámenes producen califi
caciones que están normalmente distribuidas, en forma aproximada. En años recientes las calificaciones
de exámenes SAT de matemáticas han promediado 480 con desviación estándar de 100. El promedio y
desviación estándar para calificaciones ACT de matemáticas son 18 y 6, respectivamente.
(a) Una escuela de ingenierı́a establece 550 como calificación mı́nima SAT de matemáticas para estudi-
antes de nuevo ingreso. ¿Qué porcentaje de estudiantes obtendrá una calificación por debajo de 550
en un año tı́pico?
 (b) ¿Qué calificación debe establecer la escuela de ingenierı́a como estándar comparable en el examen
ACT de matemáticas?
(a) P (SAT < 550) = 0.758
pnorm(q=550, mean=480, sd=100) # 0.7580363
pnorm((550-480)/100) # 0.7580363
(b) Queremos a tal que P (ACT < a) = 0.7580363. Puede verse que el valor apropiado para a es 22.2
qnorm(p=0.7580363, mean=18, sd=6) # 22.2
18 + 6*qnorm(p=0.7580363) # 22.2
Una gráfica de la función de distribución de la variable ACT:
M = 201
x = seq(2,32,length=M)
ff = pnorm(x,mean=18,sd=6)
plot(x,ff,type="l",col="blue",lwd=2,ylim=c(-0.1,1.1),xlab="x = ACT",ylab="F(x)")
abline(h=c(0,1),v=18,col=gray(.8))
segments(x0=18,y0=.7580363,x1=22.2,y1=.7580363)
segments(x0=22.2,y0=0,x1=22.2,y1=.7580363)
text(15,.758,"p = .758")
text(24,.1,"x = 22.2")
1.0
0.8

p = .758
0.6
F(x)

0.4
0.2

x = 22.2
0.0

5 10 15 20 25 30

x = ACT

14. Prob. 4.80.- Suponga que Y está normalmente distribuida con media µ y desviación estándar σ. Después
de observar el valor de Y , un matemático construye un rectángulo con longitud L = |Y | y ancho W = 3|Y |.
Denote con A el área del triángulo resultante. ¿Cuál es E(A)?

E(A) = E(L W ) = E(3Y 2 ) = 3E(Y 2 ) = 3 Var(Y ) + E2 (Y ) = 3(σ 2 + µ2 )