Contenido

3 Variables aleatorias discretas y distribuciones de probabilidad 2

3.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Distribuciones de probabilidad para variables aleatorias discretas . . . . 6
3.3 Esperanza y varianza de una variable aleatoria discreta . . . . . . . . . 17
3.3.1 Esperanza de una variable aleatoria . . . . . . . . . . . . . . . . 17
3.3.2 Varianza de una variable aleatoria discreta . . . . . . . . . . . . 22
3.4 La distribucion uniforme (discreta) . . . . . . . . . . . . . . . . . . . . 29
3.5 La distribucion binomial . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.6 La distribucion de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.7 La distribucion hipergeometrica . . . . . . . . . . . . . . . . . . . . . . 47
3.8 Las distribuciones binomial negativa y geometrica . . . . . . . . . . . . 55
3.9 Uso de Statgraphics para trabajar con distribuciones discretas . . . . . 60
Ejercicios complementarios . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Respuestas a ejercicios impares seleccionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

 CAPITULO 3

Variables aleatorias discretas y

distribuciones de probabilidad

Contenido

3.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . 3

3.2 Distribuciones de probabilidad para variables aleatorias
discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Esperanza y varianza de una variable aleatoria discreta 17
3.3.1 Esperanza de una variable aleatoria . . . . . . . . . . . . . 17
3.3.2 Varianza de una variable aleatoria discreta . . . . . . . . . 22
3.4 La distribucion uniforme (discreta) . . . . . . . . . . . . . 29
3.5 La distribucion binomial . . . . . . . . . . . . . . . . . . . 30
3.6 La distribucion de Poisson . . . . . . . . . . . . . . . . . . 38
3.7 La distribucion hipergeometrica . . . . . . . . . . . . . . . 47
3.8 Las distribuciones binomial negativa y geometrica . . . 55
3.9 Uso de Statgraphics para trabajar con distribuciones
discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Ejercicios complementarios . . . . . . . . . . . . . . . . . . . 62
3.1 Variables aleatorias 3

Objetivos del captulo

1. Distinguir el concepto de variable aleatoria discreta.
2. Facilitar la comprension de los conceptos basicos de las distribuciones discretas de
probabilidad.
3. Desarrollar los conceptos de esperanza y varianza de una variable aleatoria discreta.
4. Presentar aplicaciones de algunas distribuciones discretas en casos concretos.

Empleo de la estadstica
Una empresa informa que el 25% de los contadores tienen empleo en contadura
publica. Suponga que este porcentaje se aplica a un grupo de 15 egresados de uni-
versidades que van a ejercer la profesion de contadura. Cual es la probabilidad
de que cuando menos tres egresados tengan empleo en contadura publica?

3.1 Variables aleatorias

Es conveniente para el trabajo futuro, saber relacionar los resultados de un experimento
con numeros reales, ya que cuando los resultados de un experimento se pueden asociar
con numeros reales, son mas faciles de analizar. Desafortunadamente, no todos los
experimentos dan como resultados numeros reales.

Ejemplo 3.1.1 Suponga que una moneda se lanza dos veces. Entonces, el espacio muestral
correspondiente tendra como elementos a las siguientes cuatro parejas ordenadas de datos
cualitativos (categoricos):

(C, C), (C, S), (S, C), (S, S),

en donde C significa cara y S, sello. Estos resultados no son numeros reales, pero si
cada uno se asocia con el numero de caras, podemos asociar un unico real a cada resultado.
Por ejemplo,
Al resultado (C, C) se le puede asignar el numero 2 (porque hay dos caras).
Al resultado (C, S) se le puede asignar el numero 1 (porque hay una cara).
Al resultado (S, C) se le puede asignar el numero 1 (porque hay una cara).
Al resultado (S, S) se le puede asignar el numero 0 (porque hay cero caras).

Al hecho de asociar los resultados de una espacio muestral de un experimento con

numeros reales unicos se le llama variable aleatoria. La variable aleatoria en el ejemplo
3.1.1 es numero de caras que pueden resultar al lanzar una moneda dos veces y se
dice que tiene los tres valores 0, 1, 2.

Definicion 3.1.2 Una variable aleatoria X es una regla o funcion que asigna
un unico numero real a cada resultado del espacio muestral de un experimento
aleatorio. En smbolos, una variable aleatoria X es una funcion X : R, siendo
R el conjunto de los numeros reales.
3.1 Variables aleatorias 4

Las variables aleatorias se simbolizan, generalmente, con las letras mayusculas X, Y y Z.

Se utilizara su correspondiente letra minuscula (x, y, z en este caso) para designar sus
posibles valores. As, por ejemplo, si X representa a la regla (variable aleatoria) numero
de caras que pueden resultar al lanzar una moneda dos veces, entonces, sus valores son
x = 1, 2, 3.

En el captulo 1 se hizo la distincion entre dos tipos datos numericos: los discretos
y los continuos. Esta misma distincion se hace con las variables aleatorias.

Definicion 3.1.3 Una variable aleatoria es discreta si y solo si tiene una

cantidad o finita o (infinita) enumerable de valores.

Recordemos que un conjunto de elementos es enumerable si los elementos que lo integran

pueden establecer una correspondencia biunvoca uno a uno con el conjunto de los enteros positivos.
En este contexto, los conjuntos enumerables son infinitos.

Ejemplo 3.1.4 (Ejemplos de variables aleatorias discretas) La tabla 3.1 muestra ejem-
plos de variables aleatorias discretas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.

Experimento Variable aleatoria X Valores x

1. Lanzar tres monedas Numero de sellos 0, 1, 2, 3
2. Sacar dos fichas, sin reemplazo, de Numero de fichas
una caja con 4 fichas rojas y 3 negras rojas 0, 1, 2
3. Lanzar dos dados Suma de los numeros
de las caras 2, 3, . . . , 12
4. Clientes que llegan a un mostrador Numero de clientes 0, 1, 2, . . .
5. Llamar a cinco clientes Cantidad de clientes 0, 1, 2, 3, 4, 5
que hacen pedido
6. Revisar un embarque de 50 radios Cantidad de radios 0, 1, 2, . . ., 50
defectuosos
7. Funcionamiento de un restaurante Sexo del cliente 0 si es hombre;
durante un da 1 si es mujer
8. Lanzar un dado Numero de la cara 1, 2, 3, 4, 5, 6

Tabla 3.1: Ejemplos de variables aleatorias discretas

Ahora, presentamos el concepto de una variable aleatoria continua.

Definicion 3.1.5 Una variable aleatoria es continua si y solo si tiene una canti-
dad infinita no enumerable de valores
3.1 Variables aleatorias 5

Ejemplo 3.1.6 (Ejemplos de variables aleatorias continuas) La tabla 3.2 muestra ejem-
plos de variables aleatorias continuas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.

Experimento Variable aleatoria X Valores x

1. Medir el tiempo en que apa-
rece una letra en la pantalla Tiempo que demora en
del computador aparecer la letra A x>0
2. Escoger una serpiente al azar Longitud de una serpiente x>0
3. Atencion al publico de un Tiempo, entre llegadas de
banco clientes x0
4. Llenar una lata de bebida
(max = 12,1 onzas) Cantidad de onzas 0 x 12, 1
5. Proyecto para construir una Porcentaje terminado del
nueva biblioteca proyectado en seis meses 0 x 100
6. Ensayar un nuevo proceso Temperatura en que se lleva a
qumico cabo la reaccion deseada 150 x 212
(min 150 F; max 212 F)

Tabla 3.2: Ejemplos de variables aleatorias continuas

Ejercicios de la seccion 3.1

1. Identifique las siguientes variables aleatorias en discretas o continuas:

(a) El numero de transistores defectuosos en un lote de 1000 transistores.

(b) El numero de robos ocurridos en un almacen en determinado perodo de tiempo.
(c) El tiempo requerido por un bus de una ruta determinada para realizar el trayecto
Centro-Universidad.
(d) El numero de polizas de seguros vendidos en un determinado mes por un agente de
seguros.
(e) El tiempo de vida de un bombillo.
(f) El punto de fatiga, en kg por cm2 , de un cable de acero de 1,5 cm de diametro.
(g) El tiempo que dura un semaforo, de una determinada esquina en la Ciudad, en cambiar
de rojo a verde.
(h) La cantidad de gasolina consumida por un vehculo en un trayecto de 50 km.

2. Se determinara el numero de computadores en uso, tanto en una oficina con cinco com-
putadores, como en una con tres. De los posibles valores para cada una de las siguientes
variables aleatorias.
(a) X = numero total de computadores en uso.
(b) Y = la diferencia entre los numeros de computadores en uso de las oficinas 1 y 2.
(c) Z = numero maximo de computadores en uso en cada una de las oficinas.
(d) W = numero de oficinas que tienen exactamente dos computadores en uso.
3.2 Distribuciones de probabilidad para variables aleatorias discretas 6

3. Un embarque de cinco maquinas de coser contiene dos que estan defectuosas. Si un

almacen de electrodomesticos recibe tres de estas maquinas al azar, enumere los elementos
del espacio muestral con las letras B y D para buena y defectuosa, respectivamente.
Luego a cada elemento de asigne un valor x de la variable aleatoria X que representa
el numero de maquinas de coser defectuosas que el almacen compra.
4. Se lanza una moneda hasta que se obtienen tres caras. Enumere solo aquellos elementos
del espacio muestral que requieren cinco o menos lanzamientos.
5. Un experimento consiste en la preparacion de una comida y se registra el tiempo que tarda
en hacer esto.
(a) Defina una variable aleatoria que represente el tiempo, en minutos, requerido para
preparar la comida.
(b) Que valores puede asumir la variable aleatoria?
(c) Es discreta o continua esta variable aleatoria?
6. Tres personas tienen entrevistas programadas para empleo durante vacaciones en cierta
empresa. En cada caso, el resultado de la entrevista sera que les ofrezcan un empleo
o no. Los resultados experimentales se definen en funcion de los resultados de las tres
entrevistas.
(a) Haga una lista de los resultados experimentales.
(b) Defina una variable aleatoria que represente la cantidad de ofertas hechas. Es una
variable aleatoria discreta o continua?
(c) Indique el valor de la variable aleatoria para cada uno de los resultados experimentales.

3.2 Distribuciones de probabilidad para variables aleato-

rias discretas
Probabilidad de que una variable aleatoria discreta tome cierto valor
Una variable aleatoria discreta toma cada uno de sus valores con una cierta probabilidad.

Ejemplo 3.2.1 Supongase que se lanza una moneda dos veces y sea X la variable aleatoria
que representa al numero de caras que resultan. Hallar la probabilidad de que X tome el
valor (a) 0, (b) 1 y (c) 2.
SOLUCION:
Debido a que el espacio muestral correspondiente esta dado por

= (C, C), (C, S), (S, C), (S, S) ,

entonces, realmente, los posibles valores de X son 0, 1 y 2 porque

X (C, C) = 2, X (C, S) = 1, X (S, C) = 1, X (S, S) = 0.

Esta informacion tambien se puede resumir como se muestra en la tabla de la figura 3.1.
Nos piden calcular1 P(X = 0), P(X = 1) y P(X = 2). Con base en lo anterior, obtenemos
1
P(X = x) se lee la probabilidad de que la variable aleatoria X tome el valor x. Por ejemplo,
P(X = 0) significa la probabilidad de que el valor resultante de X sea 0.
3.2 Distribuciones de probabilidad para variables aleatorias discretas 7

Evento muestral (S, S) (C, S) (S, C) (C, C)

Valores de X 0 1 1 2

Fig. 3.1: Valores de una variable aleatoria para el lanzamiento de dos monedas

1
P(X = 0) = P (S, S) = .
4



1 1 1
P(X = 1) = P (C, S) o (S, C) = P (C, S) + P (S, C) = + = .
4 4 2

1
P(X = 2) = P (C, C) = .
4

Funcion de probabilidad y su representacion grafica

La distribucion de probabilidad de una variable aleatoria describe como se distribuyen
las probabilidades de los diferentes valores de la variable aleatoria.

Ejemplo 3.2.2 Consideremos nuevamente el lanzamiento de dos monedas y X la variable

aleatoria definida como en el ejemplo 3.2.1. Entonces, teniendo en cuenta las probabilidades
calculadas en ese ejemplo, la distribucion de probabilidad de X se puede visualizar a traves de
la llamada tabla de distribucion de probabilidades (o tabla de probabilidades)
que se muestra en la tabla 3.3 (Recuerde que x interpreta a los valores de X).

x 0 1 2
1 1 1
P(X = x) 4 2 4

Tabla 3.3: Distribucion de probabilidad del ejemplo 3.2.2

Para una variable aleatoria discreta X, las probabilidades de que X tome cada uno de
sus valores generalmente se modelan tambien a traves de la llamada funcion de proba-
bilidad, que representaremos por f. Esta funcion define la probabilidad de cada valor de
la variable aleatoria. Por esta razon, introducimos la siguiente

Definicion 3.2.3 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito enumer-
able). Decimos que una funcion f : R [0, 1] es una funcion de probabilidad
de X si 
P(X = xk), para todo valor xk de X;
f(xk) =
0, de otra forma.
Se puede verificar que f cumple las dos siguientes condiciones:
(a) f(xk ) 0 para todo valor xk de X.
P
(b) f(xk ) = 1.
k
3.2 Distribuciones de probabilidad para variables aleatorias discretas 8

Ejemplo 3.2.4 Consideremos otra vez el lanzamiento de dos monedas y X la variable aleato-
ria definida como en el ejemplo 3.2.1. Sea f : R [0, 1] definida por f(x) = P(X = x), en
donde x es un posible valor de X, es decir, f se define as:
1 1 1
f(0) = P(X = 0) = , f(1) = P(X = 1) = , f(2) = P(X = 2) = .
4 2 4
Una descripcion equivalente es
1

4, si x = 0 o x = 2;



1
f(x) = 2, si x = 1;





0, en otros casos.

Podemos verificar que f satisface las dos condiciones mencionadas en la observacion de la

definicion 3.2.3. En este ejemplo, f(1) = 1/2 se interpreta de la siguiente manera: de un
gran numero de veces que lancemos dos monedas, el 50% de las veces saldra 1 cara. De
manera similar podemos interpretar cualquier valor de f para un valor determinado de X en
una funcion de probabilidad.

Ejemplo 3.2.5 Se sabe que en un grupo de cuatro componentes hay dos que tienen un
defecto. Una inspectora los prueba de uno en uno hasta encontrar las dos piezas defectuosas.
Una vez que las localiza interrumpe las pruebas, pero prueba la segunda pieza defectuosa
por seguridad. Si X es el numero de pruebas en la que se detecta la segunda pieza defectuosa,
determine la funcion de probabilidad de X.
SOLUCION:
Sea f la funcion de probabilidad de X. Debido a que los posibles valores de X son 2, 3 o 4,
entonces,
2 1 1
f(2) = P(X = 2) = = ;
4 3 6
2 2 1 2 2 1 1
f(3) = P(X = 3) = + = ;
4 3 2 4 3 2 3
2 1 2 1 1
f(4) = P(X = 4) = 3 = .
4 3 2 1 2
Observemos que f satisface las dos condiciones mencionadas en la observacion de la definicion
3.2.3.

Ejemplo 3.2.6 Para verificar la exactitud de sus estados financieros, las empresas a menudo
emplean auditores que verifiquen sus ingresos. Los empleados de la empresa se equivocan
al registrar los ingresos 5% de las veces. Suponga que un auditor revisa aleatoriamente
tres ingresos. Determine la funcion de probabilidad del numero de errores detectado por el
auditor.
SOLUCION:
Para i = 1, 2, 3, sea Mi el evento que representa al hecho de que el auditor detecto un error
en el ingreso i. De igual manera, sea Bi el evento que representa al hecho de que el auditor
no detecto un error en un ingreso i. De los datos del problema, P(Mi ) = 0, 05. Por tanto,
P(Bi ) = 1 P(Mi ) = 0, 95. Ahora, sean X la variable aleatoria que representa al numero de
errores detectado por el auditor y f su correspondiente funcion de probabilidad. Tenemos
que Como X puede tomar los valores 0, 1, 2 o 3, entonces (utilizaremos la independencia de
3.2 Distribuciones de probabilidad para variables aleatorias discretas 9

los eventos Mi , de los Bi y la de los Mi con los Bi ),

f(0) = P(X = 0) = P(B1 B2 B3 ) = P(B1 ) P(B2 ) P(B3 ) = (0, 95)3 = 0, 857375;

f(1) = P(X = 1) = P(B1 B2 M3 o B1 M2 B3 o M1 B2 B3 ) = = 3(0, 05)(0, 95)2 = 0, 135375;
f(2) = P(X = 2) = P(B1 M2 M3 o M1 B2 M3 o M1 M2 B3 ) = = 3(0, 05)2 (0, 95) = 0, 007125;
f(3) = P(X = 3) = P(M1 M2 M3 ) = (0, 05)3 = 0, 000125.

Observemos que f satisface las dos condiciones mencionadas en la observacion de la definicion

3.2.3.

En muchas ocasiones, es de mucha ayuda el expresar la distribucion de probabilidad en

forma grafica. En realidad, hay dos formas de hacer esta representacion grafica:

1. Cuando la variable aleatoria es discreta, la grafica de la funcion de probabilidad

puede construirse usando segmentos de rectas verticales. Los valores de la variable
aleatoria se localizan en el eje horizontal y las probabilidades en el eje vertical,
en cada valor se construye un segmento de recta vertical de altura igual a la
probabilidad de la variable aleatoria (vease el ejemplo 3.2.7). Advierta que la
suma de las longitudes de los segmentos verticales debe ser igual a 1.

Ejemplo 3.2.7 La grafica de la funcion de probabilidad del ejemplo 3.2.4 es como

se muestra en la figura 3.3.

Fig. 3.2: Grafica de la funcion de probabilidad del ejemplo 3.2.4

2. En lugar de la representacion anterior, con mas frecuencia la funcion de distribucion

de probabilidad se representa graficamente a traves del llamado histograma de
probabilidad. Como en el captulo ??, este histograma es un diagrama de
barras, en donde los rectangulos estan dibujados de tal forma que sus bases, con
el mismo ancho, estan centradas en cada valor x de X, y sus alturas son iguales
a las correspondientes probabilidades dadas por f(x) (vease el ejemplo 3.2.8).
Puesto que cada base tiene un ancho igual a 1, P(X = x) es igual al area del
rectangulo centrado en x.

Ejemplo 3.2.8 El histograma de probabilidad del ejemplo 3.2.4 es como se muestra

en la figura ??.
3.2 Distribuciones de probabilidad para variables aleatorias discretas 10

Fig. 3.3: Histograma de probabilidad del ejemplo 3.2.4

Funcion de distribucion acumulada y su representacion grafica

Hay muchos problemas en los cuales se desea calcular la probabilidad de que el valor
observado de una variable aleatoria X sea menor o igual a algun numero real x. Si
se escribe F(t) = P(X t) para cada numero real t, se dice que F es la funcion de
distribucion acumulada o, simplemente, la funcion de distribucion de X.

Definicion 3.2.9 La funcion de distribucion (acumulada) F : R R de

una variable aleatoria discreta X cuya esta definida por F(t) = P(X t), para todo
t real.

Observemos que si X tiene distribucion de probabilidad f, entonces,

X
F(t) = f(x), para todo t real
x; xt

en donde la suma anterior recorre todos los valores x de X que son menores o iguales que t.

Ejemplo 3.2.10 Consideremos el lanzamiento de dos monedas y X la variable aleatoria

numero de caras que resultan. En el ejemplo 3.2.4 se ha encontrado que la distribucion
de probabilidad f de X esta definida por
1 1 1
f(0) = P(X = 0) = , f(1) = P(X = 1) = , f(2) = P(X = 2) = .
4 2 4
Ahora, hallaremos la funcion de distribucion F de X. Para ello, procederemos teniendo en
los dos siguientes pasos:
Como los posibles valores de X son 0, 1 y 2, primero determinamos F(t) para cada
3.2 Distribuciones de probabilidad para variables aleatorias discretas 11

valor t en el conjunto {0, 1, 2}:

X 1
F(0) = P(X 0) = f(x) = f(0) = .
4
x; x0
X 1 1 3
F(1) = P(X 1) = f(x) = f(0) + f(1) = + = .
4 2 4
x; x1
X 1 1 1
F(2) = P(X 2) = f(x) = f(0) + f(1) + f(2) = + + = 1.
4 2 4
x; x2

Ahora, determinamos F(t) para cualquier otro numero t (distinto de los valores posi-
bles que toma x, es decir, distinto de 0, 1, 2). En este caso, F(t) coincide con F(x),
siendo x el valor mas cercano posible de X a la izquierda de t. Por ejemplo,
Tomemos numeros menores2 que 0:

F(0, 5) = P(X 0, 5) = P() = 0.

F(10) = P(X 10) = P() = 0.

Es decir, para todo t < 0, siempre F(t) = 0.

Tomemos numeros que se encuentren entre 0 y 1:
1
F(0, 1) = P(X 0, 1) = P(X 0) = .
4
1
F(0, 53) = P(X 0, 53) = P(X 0) = .
4
1
F(0, 73) = F(0) = .
4
1
F(0, 98) = F(0) = .
4

Es decir, para todo 0 < t < 1, siempre F(t) = F(0) = 14 .

Ahora, tomemos numeros que se encuentren entre 1 y 2:
3
F(1, 32) = P(X 1, 32) = P(X 1) = F(1) = .
4
3
F(1, 556) = F(1) = .
4
3
F(1, 91) = F(1) = .
4

Es decir, para todo 1 < t < 2, siempre F(t) = F(1) = 43 .

Finalmente, tomemos numeros que sean mayores que 2:

F(3, 84) = F(2) = 1, F(45) = F(2) = 1.

Es decir, para todo t > 2, siempre F(t) = F(2) = 1.

2
Observese que los valores de X no son negativos y, por esta razon, es imposible que X tome un
valor negativo.
3.2 Distribuciones de probabilidad para variables aleatorias discretas 12

Teniendo en cuenta las conclusiones formuladas en los dos pasos anteriores, podemos afirmar
que la funcion de distribucion acumulada esta dada por


0, si t < 0;





14 , si 0 t < 1;

F(t) =

3


4 , si 1 t < 2;




1, si t 2.

El grafico de esta funcion aparece en la figura 3.4, en la que puede verse que la funcion de
distribucion acumulada crece a saltos hasta que alcanza el valor 1.

Fig. 3.4: Grafica de la funcion de distribucion acumulada del ejemplo 3.2.10

Ejemplo 3.2.11 Sea X la variable aleatoria definida como en el ejemplo 3.2.5. Entonces,
la funcion de distribucion acumulada F de X esta dada por


0, si t < 2;





16 , si 2 t < 3;

F(t) =

12 , si 3 t < 4;







1, si t 4.

Para encontrar a la funcion F, hemos utilizado el mismo procedimiento empleado en el

ejemplo 3.2.10.

En general, para variables aleatorias discretas, la funcion de distribucion acumulada

siempre tiene la forma de funcion escalonada comenzando en 0, hasta 1 (comparese con
la figura 3.4). Esta y otras propiedades se expresan formalmente en el siguiente teorema:
3.2 Distribuciones de probabilidad para variables aleatorias discretas 13

Teorema 3.2.12 Sea X una variable aleatoria discreta con funcion de distribucion
acumulada F. Entonces,

(a) 0 F(t) 1, para todo numero real t.

(b) Si a y b son dos numeros reales con la propiedad de que a b, entonces, debe
cumplirse que F(a) F(b). Es decir, F es creciente.

En el ejemplo 3.2.10, observemos que F(0) F(1) F(2).

Calculo de f a partir de F
En el ejemplo 3.2.10, la funcion de distribucion acumulada F se ha determinado a partir
de la funcion de probabilidad f. Es posible invertir este procedimiento y obtener f a partir
de F cuando esta disponible esta ultima funcion. Esto ultimo se ilustra en el siguiente
ejemplo:

Ejemplo 3.2.13 Sea X una variable aleatoria discreta con valores 0, 1, 2 y 3 y con funcion
de distribucion acumulada F definida por


0, si t < 0;




1

, si 0 t < 1;
7



1
3 , si 1 t < 2;
F(t) =





3


4 , si 2 t < 3;




1, si t 3,

cuya grafica esta en la figura Si f es la funcion de probabilidad de X, entonces, calcularemos

f a partir F de la siguiente manera:

f(3) = P(X = 3) = P(X toma valores 0, 1, 2, 3) P(X toma valores 0, 1, 2)

3 1
= P(X 3) P(X 2) = F(3) F(2) = 1 = .
4 4

f(2) = P(X = 2) = P(X toma valores 0, 1, 2) P(X toma valores 0, 1)

3 1 5
= P(X 2) P(X 1) = F(2) F(1) = = .
4 3 12

f(1) = P(X = 1) = P(X toma valores 0, 1) P(X toma valores 0)

1 1 4
= P(X 1) P(X 0) = F(1) F(0) = = .
3 7 21

1
f(0) = 1 f(1) f(2) f(3) = .
7
3.2 Distribuciones de probabilidad para variables aleatorias discretas 14

Calculo de probabilidades de la forma P(a X b) a partir de f o F

Por regla general, la probabilidad de que X se ubique en un intervalo especfico se obtiene
facilmente de la funcion de distribucion acumulada, como se muestra en el siguiente
ejemplo.

Ejemplo 3.2.14 Sean X y F la variable aleatoria y su correspondiente funcion de dis-

tribucion acumulada, definidas como en el ejemplo 3.2.13. Ademas, sea f la funcion de
probabilidad de X. Entonces,

P(2 X 3) = P(X toma valores 2 o 3)

= P(X toma valores 0, 1, 2 o 3) P(X toma valores 0 o 1)
1 2
= P(X 3) P(X 1) = F(3) F(1) = 1 = .
3 3
2
P(1 < X 3) = P(2 X 3) = .
3
5
P(2 X < 3) = P(X toma solo el valor 2) = P(X = 2) = f(2) = .
12
4
P(0 < X < 2) = P(X = 1) = f(1) = .
21

P(1 < X < 2) = P() = 0.

Observemos que P(2 X 3) 6= F(3) F(2). Esto es porque el valor 2 de X esta incluido en
2 X 3, por lo cual no deseamos restar esta probabilidad. Sin embargo, observemos que
P(1 < X 3) = F(3) F(1) porque X = 1 no esta incluida en el intervalo 1 < X 3.

Todas estas observaciones se pueden resumir en el siguiente teorema:

Teorema 3.2.15 Sea X una variable aleatoria discreta con funcion de distribucion
acumulada F. Entonces,

(a) Si a y b son dos numeros reales con la propiedad de que a b, entonces, se

tiene que
P(a X b) = F(b) F(a),

en donde a representa el valor maximo posible de X que sea estrictamente

menor que a.

(b) En particular, si los unicos valores posibles son enteros y a y b son enteros,
entonces,
P(a X b) = F(b) F(a 1),

(c) Si se toma a = b, entonces, P(X = a) = F(a) F(a 1).

3.2 Distribuciones de probabilidad para variables aleatorias discretas 15

Ejercicios de la seccion 3.2

7. Determine el valor de k de modo que cada una de las siguientes funciones sea una funcion
de probabilidad de una variable aleatoria discreta X:
(a) f(x) = k(x3 + 4), para x = 0, 2, 3.
(b) f(x) = k x3 4x

4

, para x = 0, 1, 2.
8. Un casa editorial sabe que 35% de las textos universitarios que se editan se efectuan en
textos de estadsticas con 332 paginas, 20% en con 400 paginas y 45% en textos con 450
paginas. Sea X la variable aleatoria que representa al numero de paginas del siguiente
texto universitario de estadstica que se editara. Calcule la funcion de probabilidad de X
y representela graficamente a traves de un grafico lineal y un histograma de probabilidad.
9. Una pizzera, que atiende pedidos por correo, tiene cinco lneas telefonicas. Sea X la
variable aleatoria que representa al numero de lneas en uso en un momento especfico.
Supongamos que la funcion de probabilidad f de X esta dada en la siguiente tabla:
Valor x de X 0 1 2 3 4 5
f(x) 0,20 0,25 0,10 0,15 0,09 0,21

Calcule la probabilidad de cada uno de los siguientes eventos:

(a) A = a lo sumo 2 lneas estan en uso.
(b) B = menos de 4 lneas estan en uso.
(c) C = por lo menos 3 lneas estan en uso.
(d) D = entre 2 y 4 (ambos inclusive) lneas estan en uso.
(e) E = entre 2 y 5 (ambos inclusive) lneas no estan en uso.
(f) F = por lo menos 3 lneas no estan en uso.
10. La funcion de probabilidad de la variable aleatoria X que representa al numero de imper-
fecciones por 4 metros de un papel especial en rollos continuos de ancho uniforme, esta
dada por

x 0 1 2 3 4
f(x) 0,21 0,28 0,10 0,25 0,16

Determine la funcion de distribucion acumulada de X y representela graficamente.

11. Una fabricante de lapiceros tiene un programa de control de calidad que incluye la in-
speccion de lapiceros recibidos para revisar que no tengan defectos. Supongamos que, en
cierto da, el recibe lapiceros en lotes de cinco y se seleccionan dos lapiceros de un lote
para inspeccionarlos. Podemos representar los posibles resultados del proceso de seleccion
por pares. Por ejemplo, el par (3, 4) representa la seleccion de los lapiceros 3 y 4 para
inspeccionarlos.
(a) Haga una lista de los resultados diferentes.
(b) Supongamos que los lapiceros 3 y 4 son los unicos defectuosos de un lote de cinco y
se van a escoger dos lapiceros al azar. Defina la variable aleatoria X como el numero
de de lapiceros defectuosos observado entre los inspeccionados. Encuentre la funcion
de probabilidad de X.
(c) Encuentre la funcion de distribucion acumulada F de X y representela graficamente.
12. Se sacan tres fichas sucesivamente, sin reemplazo, de una caja que contiene cuatro fichas
blancas y dos rojas. Encuentre la funcion de probabilidad para el numero de fichas rojas.
3.2 Distribuciones de probabilidad para variables aleatorias discretas 16

13. Un almacen de electrodomesticos ofrece a sus clientes diferentes opciones para el pago de
sus cuotas. Para un cliente seleccionado al azar, sea X la variable aleatoria que representa
al numero de meses entre pagos sucesivos. Supongamos que la funcion de distribucion
acumulada F de X esta dada por


0, si t < 1,




0, 39, si 1 t < 4,

0, 53, si 4 t < 6,
F(t) =


0, 69, si 6 t < 8,


0, 80, si 8 t < 12,



1, si 12 t.

(a) Calcule la probabilidad de que el numero de meses entre pagos sucesivos es estricta-
mente mayor que 4, pero menor o igual que 12.
(b) Calcule la probabilidad de que el numero de meses entre pagos sucesivos es estricta-
mente menor 4 o mayor o igual que 8.
(c) Calcule la funcion de probabilidad f de X.
(d) Utilice f para calcular la probabilidad de que el numero de meses entre pagos sucesivos
que ha hecho un cliente esta entre 4 y 8 meses (ambos inclusive).
(e) Utilice nuevamente a f para calcular la probabilidad de que el numero de meses entre
pagos sucesivos que ha hecho un cliente sea mayor o igual que 8.

14. Determine la funcion de probabilidad y la distribucion acumulada de la variable aleatoria

X que representa el resultado cuando se lanza un dado. Calcule la probabilidad de que X
sea estrictamente mayor que (a) 0 y (b) -2 pero menor o igual que 2.
15. Un embarque de siete computadores contiene tres defectuosos. Una empresa hace una
compra al azar de tres computadores. Sea X la variable aleatoria que representa al numero
de computadores defectuosos que compra la empresa.
(a) Encuentre la funcion de probabilidad de X y dibuje el histograma de probabilidad
correspondiente.
(b) Encuentre la funcion de distribucion acumulada de X y representela graficamente.
(c) Calcule la probabilidad de que el numero de computadores defectuosos que compra
la empresa es 1.
(d) Calcule la probabilidad de que el numero de computadores defectuosos que compra
la empresa es estrictamente mayor que 0, pero menor o igual que 2.
16. Se seleccionan tres monedas sin reemplazo de una caja que contiene cuatro de 200 pesos
y dos de 500 pesos. Encuentre la funcion probabilidad para la variable aleatoria X que
representa al total de dinero que hay en las tres monedas. Represente graficamente esta
funcion como un histograma de probabilidad.
17. La aptitud de una persona para ser mensajero puede categorizarse como aceptable (A) o no
aceptable (I). Cierta empresa necesita dos personas como mensajeros, los cuales deberan
seleccionarse y ponerse a prueba independientemente hasta encontrar dos aceptables.
Supongamos que 95% de todas las personas son aceptables. Sea X la variable aleatoria que
representa al numero de personas que deben ser probadas. Halle la funcion de probabilidad
f de X.
3.3 Esperanza y varianza de una variable aleatoria discreta 17

3.3 Esperanza y varianza de una variable aleatoria dis-

creta
3.3.1 Esperanza de una variable aleatoria
Consideremos inicialmente el siguiente ejemplo:

Ejemplo 3.3.1 Suponga que usted esta encargado de crear y administrar un puesto de
juego en una feria que tradicionalmente tiene lugar anualmente en una fecha fija. Por expe-
riencia previa, sabe que a la feria solo asisten los aficionados a las ferias. Su juego debe ser
simple, y como es usted quien lo administra, eficiente. Se decide por un juego que se llama
dinero en el sombrero. Entonces, consigue un sombrero elegante y coloca all 5 billetes de
$1.000, 4 de $2.000 y un billete de $5.000.

A cada jugador se le permite meter la mano en el sombrero y sacar un solo billete3 que
gana como resultado del juego.

Suponga que este juego se va a jugar muchas veces durante el da (digamos 100 veces)
y que usted quiere ganar $1.000 en promedio por persona en ingresos netos o utilidades.
Esto es,
precio por jugar ganancia promedio por jugada = $1.000.
Suponiendo que cada billete, sin importar su denominacion, tiene la misma oportunidad de
ser seleccionado, cuanto debe cobrar usted por jugar dinero en el sombrero?
SOLUCION:
Sea X la variable aleatoria discreta que representa a la cantidad de dinero que un jugador
podra ganar en una sola jugada. En este caso, X puede tomar los valores $1.000, $2.000
o $5.000. Como hay 10 billetes en total en el sombrero y cada billete, sin importar su
denominacion, tiene la misma oportunidad de ser seleccionado, entonces,
5 4 1
P(X = 1.000) = = 0, 50, P(X = 2.000) = = 0, 40, P(X = 5.000) = = 0, 10.
10 10 10
Para decidir cuanto debe cobrar usted por jugar dinero en el sombrero necesitamos calcular
la ganancia promedio por jugada. Ahora, como se jugo n = 100 veces durante el da,
entonces, esperaramos que
n P(X = 1.000) = (100)(0, 50) = 50 veces los jugadores sacaran un billete de $1.000
para una perdida de (50)($1.000) = $50.000 para el dueno de la feria;
n P(X = 2.000) = (100)(0, 40) = 40 veces los jugadores sacaran un billete de $2.000
para una perdida de (40)($2.000) = $80.000 para el dueno de la feria;
n P(X = 1.000) = (100)(0, 10) = 10 veces los jugadores sacaran un billete de $5.000
para una perdida de (10)($5.000) = $50.000 para el dueno de la feria;
Como la perdida total para el dueno de la feria (o las ganancias totales para los jugadores)
es
$50.000 + $80.000 + $50.000 = $180.000
para los 100 jugadores, la perdida promedio por jugar es

$180.000
= $1.800.
100
3
Si selecciona mas de un billete, el jugador no recibe ninguno, un incentivo suficientemente fuerte
para excluir esto como una posibilidad
3.3 Esperanza y varianza de una variable aleatoria discreta 18

Por lo tanto, para tener un promedio de $1.000 de ganancia por cliente, debemos cobrar
$2.800, para el privilegio de sacar un billete del sombrero. Otra manera de considerar la
perdida promedio para el dueno de la feria por cliente es:
$1.000P(X = 1000) + $2.000P(X = 2.000) + $5.000P(X = 5.000) = $1.800.
Este valor de $1.800, que corresponde a la ganancia promedio del cliente por jugada la
llamaremos el valor esperado de X.

Antes de introducir la defeinicion de esperanza de una variable aleatoria, recuerde que

una formula para calcular el valor de la media poblacional es
P
(f x)
= ,
n
donde f es la frecuencia de una dato particular x y n es el tamano de la poblacion. Esta
formula puede reescribirse como
X f 
= x .
n
Como la frecuencia relativa nf representa en cierta forma a P(X = x) (la probabilidad
de que ocurra x) y como f(x) = P(X = x) (en donde f es la funcion de probabilidad de
X), entonces, la media poblacional puede escribirse como
X
= (x f(x)) .
Como consecuencia de estas observaciones, obtenemos la siguiente definicion:

Definicion 3.3.2 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
f la funcion de probabilidad de X. Entonces, la esperanza ( valor esperado o
media) de X, simbolizada por o E(X), se define como
X
= E(X) = xk f(xk).
k

La interpretacion del concepto de esperanza se puede dar en terminos de frecuencias

relativas a largo plazo. Supongamos que un experimento aleatorio se repite n veces, y
que el evento {X = x} ocurre en f ocasiones. El promedio de los valores que toma la
variable aleatoria sobre las n repeticiones sera, entonces, la suma de xf/n sobre todos los
posibles valores de x. Cuando el numero de repeticiones tiende a infinito, el coeficiente
f/n tiende a la probabilidad de ocurrencia del evento {X = x}, es decir, a P(X = x).
Por tanto, xf/n tiende a xP(X = x). De este modo, la esperanza puede interpretarse
como el valor promedio que tomara una variable aleatoria sobre un numero grande
de repeticiones y representa una medida de localizacion localizado a lo largo del eje
horizontal que dara equilibrio a la distribucion de la variable aleatoria. Es importante
recalcar que la esperanza puede no ser un valor que la variable aleatoria pueda asumir
en un ensayo del experimento.4
4
Por ejemplo, E(X) = $1.800 en el ejemplo 3.3.1, aunque los valores posibles de X sean $1.000,
$2.000 o $5.000.
3.3 Esperanza y varianza de una variable aleatoria discreta 19

Ejemplo 3.3.3 Consideremos el lanzamiento de dos monedas y sea X la variable aleatoria

numero de caras que resultan. En el ejemplo 3.2.4 se ha encontrado que la distribucion
de probabilidad f de X esta definida por
1 1 1
f(0) = P(X = 0) = , f(1) = P(X = 1) = , f(2) = P(X = 2) = .
4 2 4
Por consiguiente, la esperanza de X esta dada por

E(X) = 0 f(0) + 1 f(1) + 2 f(2)

1 1 1
= 0 + 1 + 2 = 1.
4 2 2
Es decir, cuando el lanzamiento de las monedas se repite un numero grande de veces, se
espera que resulte en promedio 1 cara.

Ejemplo 3.3.4 Una planta industrial grande realiza una campana para promover el uso
compartido del automovil entre sus empleados. Los datos en la tabla de la figura 3.5 se
registraron entre todos los empleados de la planta para conocer los efectos de la campana.

Numero x Frecuencia
de ocupantes Frecuencia relativa
por automovil f xf f/n
1 425 425 0,450
2 235 470 0,249
3 205 615 0,217
4 52 208 0,055
5 22 110 0,023
6 6 36 0,006
Total 945 1.864 1

Fig. 3.5: Datos de uso compartido del automovil

1.864
La media poblacional esta dada por = 945 = 1, 97.

Ahora escojamos un coche al azar que transporte empleados al trabajo y contemos el numero
de ocupantes. Este numero representa una variable aleatoria X, que toma los valores 1, 2,
3, 4, 5 y 6 con las probabilidades 0,45, 0,249, 0,217, 0,555, 0,023 y 0,006 respectivamente.
La esperanza de esta variable aleatoria es entonces

E(X) = 1 f(1) + 2 f(2) + 3 f(3) + 4 f(4) + 5 f(5) + 6 f(6)

= (1)(0, 45) + (2)(0, 249) + (3)(0, 217) + (4)(0, 555) + (5)(0, 023) + (6)(0, 006)
= 1, 97.

Observe que esto concuerda con valor calculado anteriormente.

Ejemplo 3.3.5 Una empresa considera dos inversiones posibles. Como aproximacion ini-
cial, asigna probabilidades (subjetivas) a cada uno de los siguientes eventos: perder un 20%
por cada dolar invertido, perder un 10%, ni ganar ni perder, ganar un 10% y ganar un 20%.
Sea X el rendimiento por cada dolar invertido en el primer proyecto y Y el rendimiento por
cada dolar invertido en el segundo. Las probabilidades asignadas son
3.3 Esperanza y varianza de una variable aleatoria discreta 20

x -0,20 -0,10 0 +0,10 +0,20

P(X = x) 0,1 0,2 0,4 0,2 0,1

y -0,20 -0,10 0 +0,10 +0,20

P(Y = y) 0,01 0,04 0,10 0,50 0,35

Calcule los rendimientos esperados por cada dolar invertido en cada proyecto. Cual proyecto
le parece a usted que representa la inversion mas atractiva.
SOLUCION:
El proyecto X, de acuerdo con cualquier estandar razonable, parece menos atractivo. Resulta
igualmente posible perder un 20% que ganarlo, o ganar un 10% que perderlo. El proyecto
Y ofrece mayores posibilidades de ganar un 10 o un 20% y relativamente pocas de perder.
Ahora, E(X) = 0 y E(Y) = 0, 114. Por o tanto, el rendimiento esperado de X es (como hemos
anticipado) menor que el rendimiento esperado de Z.

Esperanza de una funcion

La nocion de esperanza no se restringe a la propia variable aleatoria X, tambien puede
aplicarse a cualquier funcion h(X) de la misma5 , como se explica en los siguientes dos
ejemplos:

Ejemplo 3.3.6 Un contratista puede tener cierta incertidumbre sobre el tiempo que re-
querira terminar un contrato. Esta incertidumbre puede representarse mediante una varia-
ble aleatoria cuyos valores posibles son el numero de das transcurridos desde el comienzo
hasta la conclusion del trabajo que se ha contratado. Sin embargo, el principal interes del
contratista no es el tiempo necesario sino el costo de cumplir el contrato. Este costo sera
una funcion del tiempo. Luego, para determinar el costo esperado, es necesario expresar la
esperanza como una funcion de la variable aleatoria tiempo necesario para la conclusion
del trabajo.

Ejemplo 3.3.7 Suponga que una librera compra tres ejemplares de un libro a $10.000
para venderlos a $20.000, entendiendo que al terminar el periodo de tres meses, cualquier
ejemplar no vendido se vendera en $3.000. Si X es la variable aleatoria numero de ejemplares
vendidos, entonces, la utilidad neta es una variable aleatoria h(X) que depende de X y que
esta dada por

h(X) = 20.000X + 3.000(3 X) 30.000 = 17.000X 21.000.

El siguiente teorema nos sugiere una forma sencilla de calcular la esperanza de una
funcion h(X).

5
Es importante enfatizar que toda funcion h(X) de una variable aleatoria discreta X es tambien
una variable aleatoria discreta.
3.3 Esperanza y varianza de una variable aleatoria discreta 21

Teorema 3.3.8 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea f
la funcion de probabilidad de X. Entonces, la
esperanza o media de cualquier
funcion h(X) de X, simbolizada por E h(X) , se define como

X
E h(X) = h(xk) f(xk).
k


La esperanza E h(X) puede entenderse como el valor promedio que tomara h(X) sobre un numero
muy grande de repeticiones.

Ejemplo 3.3.9 Si en el ejemplo 3.3.7, la variable X toma los valores 0, 1, 2 y 3 con las
probabilidades 0,1, 0,2, 0,3 y 0,4, respectivamente, entonces, la utilidad esperada es


E h(X) = h(0) f(0) + h(1) f(1) + h(2) f(2) + h(3) f(3)
= (21.000)(0, 1) + (4.000)(0, 2) + (13.000)(0, 3) + (30.000)(0, 4)
= 13.000.

Es decir, sobre un numero muy grande de repeticiones, se espera que el comprador tenga
una utilidad de $13.000.

Propiedades de la esperanza
Hemos definido la esperanza de una funcion h(X) de una variable aleatoria X. La funcion
lineal h(X) = aX +
b, donde a y b son numeros reales fijos, es de particular interes. En
este caso, E h(X) se calcula facilmente a partir de E(X).

Teorema 3.3.10 Sean X una variable aleatoria discreta definida sobre un espacio
muestral y a, b numeros reales fijos. Entonces,

(a) E(aX + b) = aE(X) + b.

(b) E(aX) = aE(X) (si se toma b = 0).

(c) E(b) = b (si se toma a = 0).

Ejemplo 3.3.11 Sea X cualquier variable aleatoria discreta. Si la variable aleatoria 5X + 2

tiene esperanza 1, cual es la esperanza de X?
SOLUCION:
Por hipotesis, se tiene que E(5X + 2) = 1. Por consiguiente, por el teorema 3.3.10a,

1 = E(5X + 2) = 5 E(X) + 2.

Con lo anterior, 5E(X) = 1 2 = 1, o sea, E(X) = 15 .

3.3 Esperanza y varianza de una variable aleatoria discreta 22

3.3.2 Varianza de una variable aleatoria discreta

Ya que tenemos una manera de medir la localizacion de la distribucion de probabilidad,
la pregunta es: como sabremos, preferiblemente con un solo numero, el grado de dis-
persion de la distribucion? Si queremos utilizar la esperanza en conjunto con una medida
de dispersion para describir una distribucion, entonces, estudiar la distribucion alrededor
de la esperanza es un metodo destacado (pero no unico) para considerar la dispersion de
los valores posibles de una varibale aleatoria. Utilizaremos la esperanza como un punto
de referencia.

Primero, debemos observar que este concepto de dispersion requiere alguna medida
de la distancia x E(X) entre un valor x determinado de la variable aleatoria X y el
valor esperado E(X). Esta distancia sera todo lo necesario si todos los valores de la va-
riable aleatoria discreta tuvieran la misma importancia (o igual probabilidad de ocurrir).
Frecuentemente este no es el caso. A menudo algunos valores de la variable aleatoria
tendran una probabilidad mas alta de ocurrir que otros. Entonces, necesitamos alguna
forma de ponderar cada distancia para reflejar sus diferencias en importancia relativa.

Esta lnea de razonamiento nos indicara que todo cuanto necesitamos hacer, es medir
la distancia xi E(X) entre cada valor xi de la variable aleatoria discreta X y el valor
esperado E(X) y ponderar esta distancia por la probabilidad de que P ocurra tal valor as:
[xi E(X)]P(X = xi). Sumando todas estas distancias ponderadas, [xi E(X)]P(X =
xi), tendremos la medida de dispersion buscada. Nuestra logica es correcta, pero esta
medida no nos permitira distinguir entre una distribucion de probabilidad y otra porque,
desafortunadamente, X
[xi E(X)]P(X = xi) = 0
para todas las distribuciones de probabilidad. Es decir, obtenemos siempre el mismo
valor numerico (esto es, 0) sin importar cual distribucion consideramos.

Hay varias maneras de evitar esta dificultad y mantener nuestra idea de un distancia
ponderanda para medir la dispersion. Al usar xi E(X), nuestra medida de distancia
fue a veces positiva y otras negativa. Al elevar al cuadrado esa diferencia, [xi E(X)]2,
conservamos una medida de distancia, pero el valor numerico es siempre positivo. Pode-
mos ponderar nuestra nueva medida de distancia por la probabilidad de ocurrencia
de aquel valor de X y, entonces, tenemos una medida de dispersion. Los matematicos
han utilizado tradicionalmente esta medida y la llaman la varianza de la variable aleatoria.

Antes de introducir el concepto de varianza, recordemos que la varianza poblacional

de una conjunto de datos 2 esta definida por
P
2 f (x )2
= ,
n
donde f es la frecuencia de un dato particular x y n es el tamano de la poblacion. Esta
formula puede reescribirse como
X 
2 2 f
= [x ] .
n
3.3 Esperanza y varianza de una variable aleatoria discreta 23

Como la frecuencia relativa nf representa en cierta forma a P(X = x) (la probabilidad

de que ocurra x) y como f(x) = P(X = x) (en donde f es la funcion de probabilidad de
X), entonces, la media poblacional puede escribirse como
X 
2 = [x ]2 f(x) .

Como consecuencia de estas observaciones, obtenemos la siguiente definicion:

Definicion 3.3.12 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o enumerable).
Sean f y la funcion de probabilidad y esperanza de X, respectivamente. Entonces,
la varianza de X, simbolizada por 2 o V(X), se define como
X
2 = V(X) = E (X )2 = (xk )2 f(xk).

La desviacion estandar de X, denotada por , se define como la raz cuadrada

positiva de la varianza.

Tomar la raz cuadrada de la varianza para obtener la desviacion estandar proporciona un

valor en las unidades de medidas originales, como senalamos en el captulo ??.

Cuando se conoce la funcion de probabilidad, la media y la varianza de una variable

aleatoria pueden calcularse aplicando directamente la definicion. En algunas aplica-
ciones practicas, desde el punto de vista computacional, es preferible usar una formula
alternativa equivalente para calcular la varianza. La equivalencia entre la formula alter-
nativa y la definicion puede veriricarse algebraicamente.

Teorema 3.3.13 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o enumerable).
Sean f y la funcion de probabilidad y esperanza de X, respectivamente. Entonces, la
varianza de X es la esperanza del cuadrado de X menos el cuadrado de la esperanza
de X. Es decir,
2 X 2
V(X) = E(X2) E(X) = x2k f(xk) E(X) .
 

Ejemplo 3.3.14 Consideremos el lanzamiento de dos monedas y sea X la variable aleatoria

numero de caras que resultan. En el ejemplo 3.2.4 se ha encontrado que la distribucion
de probabilidad f de X esta definida por
1 1 1
f(0) = P(X = 0) = , f(1) = P(X = 1) = , f(2) = P(X = 2) = .
4 2 4
Ademas, en el ejemplo 3.3.3, hemos encontrado que la esperanza de X es = 1. Por
3.3 Esperanza y varianza de una variable aleatoria discreta 24

consiguiente, segun la definicion 3.3.12, la varianza de X esta dada por

V(X) = (0 1)2 f(0) + (1 1)2 f(1) + (2 1)2 f(2)

1 1 1 1
= 1 + 0 + 1 = .
4 2 4 2
p
Con esto, la desviacion estandar de X es = 1/2 = 0, 707. La varianza de X pudimos
haberla hallado aplicando el teorema 3.3.13 de la siguiente manera:

E(X2 ) = 02 f(0) + 12 f(1) + 22 f(2)

1 1 1 3
= 0 + 1 + 4 = .
4 2 4 2
Por consiguiente,
2 3 1
V(X) = E(X2 ) E(X) = 12 = .


2 2
Ejemplo 3.3.15 Consideremos los datos del uso compartido del automovil presentados en
el ejemplo 3.3.4 y sea X la variable aleatoria definida en ese mismo ejemplo. All se encontro
que la esperanza de X es = 1, 97. Con esto, la varianza de esta variable aleatoria es

V(X) = (1 1, 97)2 f(1) + (2 1, 97)2 f(2) + (3 1, 97)2 f(3) + (4 1, 97)2 f(4) +

+ (5 1, 97)2 f(5) + (6 1, 97)2 f(6)
= (0, 9409)(0, 45) + (0, 0009)(0, 249) + (1, 0609)(0, 217) + (4, 1209)(0, 555) +
+ (9, 1809)(0, 023) + (16, 2409)(0, 006)
= 1, 197

y, por consiguiente, la desviacion estandar de X es = 1, 197 = 1, 094.

Ejemplo 3.3.16 En el ejemplo 3.3.5, encuentre la varianza y la desviacion estandar de X

y Y e interprete los valores obtenidos.
SOLUCION:
En dicho ejemplo tenemos que E(X) = 0 y E(Y) = 0, 114. Podemos verificar que

V(X) = 0, 012, X = 0, 110, V(Y) = 0, 006804, Y = 0, 082.

La distribucion de X tiene una mayor variabilidad. El grueso de la distribucion de Y se

concentra en los valores 0,10 y 0,20, mientras que las probabilidades de X estan de algun
modo dispersas entre todos los valores posibles. Con frecuencia se toma a la varianza del
rendimiento como una medida del riesgo, siendo este mayor cuanto mayor es la varianza.
En este ejemplo, la inversion Y tiene un rendimiento mas alto y un riesgo menor.

Varianza de una funcion

El siguiente teorema nos sugiere una forma sencilla de calcular la varianza de una funcion
h(X) con X discreta.
3.3 Esperanza y varianza de una variable aleatoria discreta 25

Teorema 3.3.17 Sea X una variable aleatoria discreta definida sobre un espacio
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
f la funcion de probabilidad de X. Entonces,

la varianza de cualquier funcion
h(X) de X, simbolizada por V h(X) , se define como

X
2
V h(X) = h(xk) V h(X) f(xk).
k

Como antes, la desviacion estandar de h(X) es igual a la raz cuadrada positiva

de la varianza de h(X).

Ejemplo 3.3.18 Supongamos que, en el ejemplo 3.3.7, la variable X toma los valores 0, 1,
2 y 3 con las probabilidades 0,1, 0,2, 0,3 y 0,4,

respectivamente. En el ejemplo 3.3.7 hemos
calculado que la utilidad esperada es E h(X) = $13.000, siendo h(X) la utilidad neta. Por
consiguiente, la varianza de h(X) es

V h(X) = [h(0) 13.000]2 f(0) + [h(1) 13.000]2 f(1) + [h(2) 13.000]2 f(2) +

+ [h(3) 13.000]2 f(3)

= (21.000 13.000)2 (0, 1) + (4.000 13.000)2 (0, 2) +
+ (13.000 13.000)2 (0, 3) + (30.000 13.000)2 (0, 4)
= (11, 56 108 )(0, 1) + (28, 9 107 )(0, 2) + (0)(0, 3) + (28, 9 107 )(0, 4)
= 28, 9 107 .

La desviacion estandar de h(X) es igual a 28, 9 107 = $17.000.

Reglas de la varianza
Cuando h(X) es una
funcion lineal de la forma h(X) = aX+b, donde a y b son numeros
reales fijos, V h(X) se calcula facilmente a partir de V(X).

Teorema 3.3.19 Sean X una variable aleatoria discreta definida sobre un espacio
muestral y a, b numeros reales fijos. Entonces,

(a) V(aX + b) = a2V(X).

(b) V(aX) = a2V(X) (si se toma b = 0).

(c) V(b) = 0 (si se toma a = 0).

(d) La desviacion estandar de aX + b es igual a |a| por la desviacion estandar de

la variable X.

Observemos que las partes (a) y (b) dicen que la inclusion de la constante b no afecta la varianza, lo
cual es intuitivo porque la suma (o la resta) de una constante b cambia la ubicacion (valor medio),
pero no la dispersion de los datos. Ademas, la razon para el valor absoluto de a en la parte (d) es
que a puede ser negativa, mientras que la desviacion estandar no puede ser negativa.
3.3 Esperanza y varianza de una variable aleatoria discreta 26

La regla de Tchebychev y la regla emprica para variables aleatorias

discretas
La regla de Tchebychev y la regla emprica, introducidas en el captulo ?? para muestras
y poblaciones, tambien se aplican a las variables aleatorias.

Teorema 3.3.20 (Regla de Tchebychev y regla emprica) Sea X una varia-

ble aleatoria con media y varianza 2 (ambas finitas). Entonces,

1
P(|X k| ) 1 ,
k2
para cualquier numero k > 1. Si X tiene mas o menos un histograma de probabilidad
con forma de campana, entonces,

P(|X | ) 0, 68, P(|X 2| ) 0, 95.

Ejemplo 3.3.21 Para la variable aleatoria X de los ejemplos 3.3.5 y 3.3.16, tenemos que
E(X) = 0 y X = 0, 110. Las verdaderas probabilidades son

P(|X | ) = P(|X 0, 110| 0)

= P(0, 110 X 0, 110)
= P(Y = 0, 10) + P(Y = 0) + P(Y = 0, 10)
= 0, 80

y
P(|X 2| ) = P(|X 0, 220| 0) = P(0, 220 Y 0, 220) = 1.
La regla de Tchebychev indica que estas probabilidades deben ser al menos 1 1/(12 ) = 0 y
1 1/(22 ) = 0, 75, respectivamente. Como de costumbre, las desigualdades son ciertas con
un margen muy grande. En este caso, la aproximacion que nos da la regla emprica es muy
mediocre, en parte porque X toma un numero muy pequeno de valores. Si la empresa hubiese
estimado probabilidades subjetivas para los rendimientos de, digamos, 0, 25, 0, 20, 0, 15,
. . ., 0, 15, 0, 20, 0, 20, lo mas probable es que la regla emprica hubiese sido una mejor
aproximacion, aunque la distribucion no tenga una forma de campana.

Ejercicios de la seccion 3.3

18. Encuentre la media de la variable aleatoria X que representa al total de las tres monedas
en el ejercicio 16 e interprete su respuesta.
19. Una distribuidora de aparatos electrodomesticos calcula la proporcion de estufas nuevas
vendidas que han sido devueltas varias veces para repararles algun defecto durante el
perodo de garanta. Los resultados se presentan en la siguiente tabla:

Devoluciones 0 1 2 3 4 5
Proporcion 0,20 0,30 0,21 0,09 0,06 0,14

(a) Dibujar la funcion de probabilidad.

(b) Hallar y dibujar la funcion de distribucion acumulada.
3.3 Esperanza y varianza de una variable aleatoria discreta 27

(c) Hallar la media y la varianza del numero de devoluciones para reparar defectos de una
estufa durante el perodo de garanta.

20. La funcion de probabilidad de la variable aleatoria X que representa al numero de imper-

fecciones por 4 metros de un papel especial en rollos continuos de ancho uniforme, esta
dada en el ejercicio 10 por

x 0 1 2 3 4
f(x) 0,21 0,28 0,10 0,25 0,16

Encuentre el numero promedio de imperfecciones en 4 metros de papel y su desviacion

estandar.
21. Un distribuidor de computadores, vende tres modelos diferentes de computadores con
capacidad de 20 GB, 25 GB y 30 GB del disco duro . Sea X la variable aleatoria que
representa a la cantidad de espacio del disco duro de un computador comprado por el
siguiente cliente. Supongamos que X tiene la funcion de probabilidad f dada por

x 20 25 30
f(x) 0,29 0,31 0,40

(a) Calcule E(X), E(X2 ) y V(X). Interprete E(X).

(b) Si el precio de un computador con capacidad X GB de disco duro es h(X) = 15X 3,
cual es el precio esperado (interpretelo) y la varianza del precio?
(c) Cual es la varianza del precio h(X) pagado por el cliente?
(d) Suponga que mientras la capacidad nominal de un computador es X, la capacidad
real es g(X) = X2 X. Calcule la media de la capacidad real e interpretela.

22. El propietario de una compana proveedora de levadura tiene en existencia 120 libras de
un producto que vende a los clientes en lotes de 4 libras. Sea X la variable aleatoria que
representa al numero de lotes ordenados por un cliente seleccionado al azar y suponga que
X tiene una funcion de probabilidad

x 1 2 3 4 5
f(x) 0,18 0,32 0,30 0,12 0,08

(a) Calcule E(X) y V(X). Interprete E(X).

(b) Calcule el numero esperado y la varianza de libras sobrantes. (Sugerencia: el numero
de libras restantes es una funcion lineal de X.)

23. Sea X una variable aleatoria discreta que representa al numero de personas que fuman de
una muestra de 4 personas escogidas de una poblacion en donde el 25% de las personas
fuman. Supongamos que X tiene funcion de probabilidad definida por
 
4
f(x) = (0, 25)x (0, 75)4x , x = 0, 1, 2, 3, 4.
x

Encuentre la media de X e interprete su respuesta.

24. A un empleado de un servicio de fotocopiadora se le paga de acuerdo al numero de
fotocopias que saca. Suponga que las probabilidades 1/7, 3/14, 1/14, 3/14, 2/7, 1/14
son las de que el empleado reciba $1.500, $2.000, $2.500, $3.000, $3.500 y $4.000,
respectivamente, entre 8:00 a.m. y 9:00 a.m. en cualquier lunes. Encuentre la media de
las ganancias del empleado e interprete su respuesta.
3.3 Esperanza y varianza de una variable aleatoria discreta 28

25. Un determinada empresa compra varios computadores ultimo modelo al final de cada ano.
El numero exacto depende de la frecuencia de reparaciones en el ano anterior. Suponga
que X, el numero de computadores que se compran cada ano, tiene la siguiente funcion
de probabilidad:
x 0 1 2 3
f(x) 1/4 3/16 1/4 5/16
Si el costo del modelo que se desea permanece fijo a $2.830.451 a lo largo de este ano y
se obtiene un descuento de $100.000X2 en cualquier compra, cuanto espera gastar esta
empresa en nuevos computadores al final de este ano?
26. Suponga que las probabilidades de 0,1; 0,3; 0,4 y 0,2 son las de que 0, 1, 2 o 3 personas
compren cierto artculo que esta en oferta en un pequeno almacen y en cierto da dado.
Encuentre la media y la varianza del numero de personas que compran el artculo en oferta.
27. Una empresa esta especializada en la instalacion y mantenimiento de diversos tipos de
alarmas para bancos. Cada vez que se inicia un nuevo ano, las demandas de servicios
que reciben suelen ser para la instalacion de una nueva alarma. La tabla muestra las
probabilidades estimadas para el numero de peticiones de una nueva alarma en las tres
ultimas semanas de enero.
Peticiones 0 1 2 3 4
Probabilidad 0,12 0,16 0,27 0,29 0,16

(a) Dibujar la funcion de probabilidad.

(b) Hallar y dibujar la funcion de distribucion acumulada.
(c) Calcular la probabilidad de que durante ese perodo de tres semanas se generen al
menos dos peticiones.
(d) Hallar la media y la desviacion tpica del numero de peticiones de una nueva alarma
en ese perodo de tres semanas.

28. Al invertir en unas acciones particulares, Humberto puede tener una ganancia en un ano
de $8.000.000 con probabilidad de 0,4 o tener una perdida de $2.000 con probabilidad de
0,6.
(a) Cual es la ganancia esperada de esta persona? Interprete su respuesta.
(b) Cual es la varianza de esta persona?
29. Una compana fabrica paquetes de minas para portaminas. El numero de minas por
paquete vara, como se indica en la tabla de abajo.

Numero de minas 7 8 9 10 11 12 13
Proporcion de paquetes 0,21 0,29 0,03 0,20 0,10 0,04 0,13

(a) Dibujar la funcion de probabilidad.

(b) Hallar y dibujar la funcion de distribucion acumulada.
(c) Cual es la probabilidad de que un paquete elegido aleatoriamente contenga entre 8
y 12 minas (ambos inclusive)?
(d) Hallar la media y la desviacion tpica del numero de minas por paquete.
(e) El costo (en pesos) de fabricar un paquete de minas es 1.000 + 2X, donde X es el
numero de minas por paquete. El ingreso por la venta de un paquete, independiente-
mente del numero de minas que contenga, es de 3.000 pesos. Si el beneficio se define
como la diferencia entre el ingreso y el costo, hallar la media y la desviacion tpica
del beneficio por paquete.
3.4 La distribucion uniforme (discreta) 29

3.4 La distribucion uniforme (discreta)

A partir de esta seccion, estudiaremos algunas distribuciones de probabilidades discretas
especiales, que poseen un importante significado teorico y practico. Una de las mas
simples es la llamada distribucion uniforme.

Definicion 3.4.1 Una variable aleatoria discreta X con los valores enteros sobre el
intervalo [a, b] tiene distribucion uniforme discreta sobre el conjunto de los
1
numeros enteros que estan en el intervalo [a, b], cuando se tiene que P(X = x) = n ,
para todo x entero que esta en el intervalo [a, b].

Por tanto, una variable aleatoria distribuida uniformemente es caracterizada por el he-
cho de que ella solo puede tomar finitos valores y todos estos valores tienen la misma
probabilidad (una distribucion uniforme sobre un conjunto infinito y enumerable de va-
lores, obviamente, no se puede dar). Para el caso en que X tenga valores 1, 2, . . . , n,
la densidad de probabilidad y la correspondiente funcion de distribucion de X estaran
dadas, respectivamente, por


1
, si x N, 0, si t < 0,

f(x) = n y F(t) = n k
, si k t < k + 1, con k = 1, . . . , n 1.
0, si x 6 N,

1, si n t.

Algunos ejemplos de situaciones en donde se tiene una distribucion uniforme discreta

son los siguientes:

Ejemplo 3.4.2 (a) En una caja hay 7 bolas de la misma especie y marcadas con los
numeros 1, . . . , 7. La probabilidad de sacar una bola numerada con un determinado
numero sera siempre igual a 17 .
(b) Al lanzar un dado no falso, la probabilidad de obtener cualquier cara del dado sera
igual siempre a 61 .

Teorema 3.4.3 Suponga que X es una variable aleatoria que tiene distribucion uni-
forme discreta sobre el intervalo [a, b]. Entonces,

a+b (b a + 1)2 1
E(X) = y V(X) = .
2 12

Ejemplo 3.4.4 Un sistema de comunicacion de voz de un negocio contiene 48 lneas exter-

nas. En un tiempo particular, se observa el sistema y algunas de las lneas estan en uso.
Sea X la variable aleatoria que denota al numero de las 48 lneas de voz que estan en uso en
un tiempo dado. Suponga que X es una variable aleatoria discreta uniforme con rango de
valores de 0 a 48. Entonces,

48 + 0 (48 0 + 1)2 1
= = 24, 2 = = 199, 396.
2 12
3.5 La distribucion binomial 30

Ejercicios de la seccion 3.4

30. La variable X tiene una distribucion uniforme sobre los enteros 7 x 10. Determine la
media y la varianza de X.
31. La variable X tiene una distribucion uniforme sobre los enteros 15 x 40. Determine
la media y la varianza de X.
32. En un proceso de recubrimiento se toman varias mediciones del espesor, hasta la centesima
de milmetro mas cercana. Las mediciones estan distribuidas de manera uniforme, con
valores 0,12; 0,13; 0,14, 0,15; 0,16 y 0,17. Para este proceso, calcule la media y la varianza
del espesor del recubrimiento. Interprete la media.
33. Sea X una variable aleatoria discreta que puede asumir con la misma probabilidad los
valores 3, 7 o 14. Determine la media y la varianza de X.
34. Se mide la longitud de varias placas de vidrio, hasta la decima de milmetro mas cercana.
Las longitudes estan distribuidas de manera uniforme, con valores que estan espaciados
una decima de milmetro comenzando en 320,0 y continuando hasta 320,9. Calcule la
media y la varianza de las longitudes. Interprete la media.

3.5 La distribucion binomial

Experimento de Bernoulli
En la vida diaria podemos encontrar experimentos, llamados experimentos de Bernouilli,
en donde solo hay dos resultados posibles como, por ejemplo, masculino y femenino;
letrado e iletrado; miembro o no miembro; soltero o casado; que va a la escuela y que
no va, etc. A estos experimentos se les puede asociar una variable aleatoria para iden-
tificar la ocurrencia o no ocurrencia de cierto evento. La ocurrencia de tal evento
se le considerara un exito y la no ocurrencia, un fracaso. En conclusion, podemos
formular la siguiente

Definicion 3.5.1 Un experimento de Bernoulli es un experimento aleatorio

con solo dos resultados posibles: exito y fracaso y en donde un exito ocurre con
probabilidad p, siendo 0 < p < 1.

Ejemplo 3.5.2 Considere el experimento que consiste en disparar un misil y en donde ha

sido observado que se dispara con exito con una probabilidad de p = 0, 88. Sea X la variable
aleatoria definida por

0, si se dispara el misil con exito;
X=
1, si se fracasa al lanzar el misil.

Observe que este experimento es un ejemplo de un experimento de Bernoulli. Se puede

verificar facilmente que la funcion de probabilidad de la variable aleatoria X es

(0, 88)x (0, 12)1x , para x = 0, 1;
f(x) =
0, de otro modo.

Entonces, la probabilidad con que el misil sera disparado exitosamente es P(X = 1) = f(1) =
0, 88 y la de fallar es P(X = 0) = f(0) = 0, 12.
3.5 La distribucion binomial 31

Experimento binomial
Considere el experimento de lanzar una moneda 10 veces y observar el numero de
caras que resultan. Como puede observarse, este experimento tiene las siguientes
caractersticas:

El experimento lanzar una moneda es un experimento de Bernoulli (hay dos

resultados posibles: cara y sello).

Este experimento se ejecuta n = 10 veces.

Todos los 10 experimentos son identicos (por ser el mismo experimento de Bernoulli).

Todos los 10 experimentos son independientes, es decir, el resultado de un expe-

rimento no afecta al del otro.

La probabilidad p = 21 de obtener una cara permanece constante de un experi-

mento a otro (por ser el mismo experimento de Bernoulli).

Este experimento que se acaba de describir es un ejemplo de un tipo especial de expe-

rimento llamado experimento binomial.

Definicion 3.5.3 Un experimento binomial es un experimento de Bernoulli que

se ejecuta n veces, de tal manera que las diferentes ejecuciones se efectuen inde-
pendientemente unas de las otras, es decir, el resultado de cualquier experimento
particular no influye sobre el resultado de cualquier otro experimento.

Distribucion binomial
Si se conoce la probabilidad de que un ensayo determinado producira un exito, es posible
estimar cuantos exitos habra en un numero dado de experimentos, como se muestra en
el siguiente ejemplo:

Ejemplo 3.5.4 Supongamos que una moneda se lanza tres veces. Entonces, los posibles
resultados del espacio muestral correspondiente seran:

CCC, CCS, CSC, CSS, SSS, SSC, SCS, SCC.

O sea, hay en total 8 resultados posibles. Ahora, sea X la variable aleatoria numero de
caras que resultan en los tres lanzamientos. Entonces,
(a) La probabilidad de que resulten 0 caras es P(X = 0) = 81 , porque en esta situacion los
casos posibles sera SSS (o sea, 1 caso de 8 en total).

Esta probabilidad se puede calcular de otra manera:6

P(X = 0) = P(SSS) = P(S) P(S) P(S) = (1 p)3

= 1 p0 (1 p)3 = 30 p0 (1 p)30

6 1
De aqu en adelante, tengase en cuenta que P(C) = P(cara") = p = 2
y P(S) = P(sello") =
1 p = 12 .
3.5 La distribucion binomial 32

y esto es igual a 81 porque p = 12 . Por consiguiente, P(X = 1) tambien se puede

calcular multiplicando los siguientes tres factores:
30 = 1, el numero de posibilidades en que se puede escoger 0 caras de un grupo

de 3 elementos.
p0 = 1, la probabilidad de que salga cara elevada al numero de caras que apare-
cen (que es 0).

3
(1 p)30 = 12 , la probabilidad de que salga sello elevada al numero de sellos
que aparecen (que es 3).
(b) La probabilidad de que resulte 1 cara es P(X = 1) = 38 , porque en esta situacion los
casos posibles seran CSS, SSC, SCS (o sea, 3 casos de 8 en total).

Esta probabilidad se puede calcular de otra manera:

P(X = 1) = P(CSS o SSC o SCS) = P(CSS) + P(SSC) + P(SCS)

= p1 (1 p)2 + p1 (1 p)2 + p1 (1 p)2
= 3 p1 (1 p)2
3

1 31
= 1 p (1 p)

y esto es igual a 83 porque p = 12 . Por consiguiente, P(X = 1) tambien se puede

calcular multiplicando los siguientes tres factores:
31 = 3, el numero de posibilidades en que se puede escoger 1 cara de un grupo

de 3 elementos.

1
p1 = 12 , la probabilidad de que salga cara elevada al numero de caras que
aparecen (que es 1).

2
(1 p)31 = 21 , la probabilidad de que salga sello elevada al numero de sellos
que aparecen (que es 2).
(c) La probabilidad de que resulten 2 caras es P(X = 2) = 38 , porque en esta situacion los
casos posibles seran CCS, CSC, SCC (o sea, 3 casos de 8 en total).

Esta probabilidad se puede calcular de otra manera:

P(X = 2) = P(CCS o CSC o SCC) = P(CCS) + P(CSC) + P(SCC)

= p2 (1 p)1 + p2 (1 p)1 + p2 (1 p)1
= 3 p2 (1 p)1
3

2 32
= 2 p (1 p)

y esto es igual a 83 porque p = 12 . Por consiguiente, P(X = 2) tambien se puede

calcular multiplicando los siguientes tres factores:
32 = 3, el numero de posibilidades en que se puede escoger 2 caras de un grupo

de 3 elementos.

2
p2 = 12 , la probabilidad de que salga cara elevada al numero de caras que
aparecen (que es 2).

1
(1 p)32 = 21 , la probabilidad de que salga sello elevada al numero de sellos
que aparecen (que es 1).
3.5 La distribucion binomial 33

(d) La probabilidad de que resulten 3 caras es P(X = 3) = 18 , porque en esta situacion los
casos posibles sera CCC (o sea, 1 caso de 8 en total).

Esta probabilidad se puede calcular de otra manera:

P(X = 3) = P(CCC) = P(C) P(C) P(C) = p3

= 1 p3 (1 p)0 = 33 p3 (1 p)33

y esto es igual a 81 porque p = 12 . Por consiguiente, P(X = 3) tambien se puede

calcular multiplicando los siguientes tres factores:
33 = 1, el numero de posibilidades en que se puede escoger 3 caras de un grupo

de 3 elementos.

3
p3 = 12 , la probabilidad de que salga cara elevada al numero de caras que
aparecen (que es 3).

0
(1 p)33 = 21 = 1, la probabilidad de que salga sello elevada al numero de
sellos que aparecen (que es 0).

El segundo metodo utilizado para calcular las probabilidades obtenidas en el ejemplo

3.5.4 se puede generalizar, como se muestra en el siguiente teorema:

Teorema 3.5.5 Consideremos un experimento binomial con n experimentos. Sean

X el numero de exitos en los n experimentos y p, la probabilidad de un exito.
Entonces, la probabilidad de que haya k exitos en los n experimentos esta dada por

P(X = k) = n

k nk
k p (1 p) , k = 0, 1, 2, . . . , n.

La correspondiente distribucion de X se conoce con el nombre de distribucion

binomial con parametros n y p.

Observemos que, en el teorema 3.5.5, la probabilidad P(X = k) se calcula multiplicando los siguientes
tres factores:
nk , el numero de posibilidades en que se puede escoger k exitos de un grupo de n elementos.

pk , la probabilidad de un exito elevada al numero de exitos (que es k).

(1 p)nk , la probabilidad de un fracaso elevada al numero de fracasos (que es n k).
Como podemos verificar, las funciones de probabilidad f y de distribucion F de una
variable aleatoria que tiene distribucion binomial con parametros n y p estan dadas por
 n
k nk, si k = 0, 1, 2, . . . , n;
b(k; n; p) := f(k) = k p (1 p)
0, de otra manera.
y X
B(t; n; p) := F(t) = P(X t) = b(k; n; p),
kt

respectivamente, en donde la suma anterior recorre todos los enteros no negativos que
son menores o iguales que t. Como vemos, en el caso n = 1, la distribucion binomial
coincide con la distribucion de Bernoulli con parametro p. En la figura 3.6 se muestran
graficas de la distribucion de binomial para varios valores de n, pero manteniendo fijo
el producto entre n y p.
3.5 La distribucion binomial 34

Fig. 3.6: Distribuciones de Bernoulli para varios valores de n pero fijo np = 3.

Uso de tablas binomiales

Incluso para un valor relativamente pequeno de n, el calculo de probabilidades binomiales
puede ser tedioso. La tabla del apendice tabula la funcion de distribucion acumulada
F(t) = P(X t) = B(t; n; p) para n = 5, 10, 15, 20, 25 en combinacion con valores
seleccionados de p. Por ejemplo,

B(7; 10; 0, 5) es la entrada en la fila x = 7, y en la columna p = 0, 5 de la tabla

binomial correspondiente a n = 10. De la tabla binomial del apendice, obtenemos
que B(7; 10; 0, 5) = 0, 945.

B(8; 15; 0, 2) es la entrada en la fila x = 8, y en la columna p = 0, 2 de la tabla

binomial correspondiente a n = 15. De la tabla binomial del apendice, obtenemos
que B(8; 15; 0, 20) = 0, 999.

B(4; 20; 0, 1) es la entrada en la fila x = 4, y en la columna p = 0, 1 de la tabla

binomial correspondiente a n = 20. De la tabla binomial del apendice, obtenemos
que B(4; 20; 0, 1) = 0, 957.

Los siguientes ejemplos ilustran algunas de las muchas aplicaciones de la distribucion

binomial.

Ejemplo 3.5.6 Una moneda no falsa es lanzada 10 veces. Consideraremos el evento cara
como un exito y sello como un fracaso. Es claro que p = 0, 5, n = 10 y las condiciones
basicas que caracterizan a la distribucion binomial se satisfacen. Por consiguiente,
La probabilidad de tener exito exactamente 7 veces es
 
10 15
P(X = 7) = b(7; 10; 0, 5) = (0.5)7 (0.5)3 = 0, 1172.
7 128
3.5 La distribucion binomial 35

Esta probabilidad tambien se puede calcular con ayuda de la tabla binomial, a saber,
P(X = 7) = P(X 7) P(X 6) = B(7; 10; 0, 5) B(6; 10; 0, 5)
= 0, 945 0, 828 = 0, 117.

La probabilidad de tener a lo mas 7 exitos es

P(X 7) = B(7; 10; 0, 5) = 0, 945.

La probabilidad de tener por lo menos 3 exitos se puede calcular de la siguiente

manera:
P(X 3) = 1 P(X < 3) = 1 P(X 2)
= 1 B(2; 10; 0, 5) = 1 0, 055 = 0, 945.

La probabilidad de ningun exito es

1
P(X = 0) = b(0; 10; 0, 5) = (0, 5)10 = 9.766 104 .
1.024
Ejemplo 3.5.7 Una persona dispara a un objetivo 6 veces. La probabilidad de dar en el
blanco es p = 0, 40. (a) Cual es la probabilidad de que el de en el blanco por lo menos
una vez? (b) Cuantas veces debe disparar al objetivo para que la probabilidad de dar en
el blanco por lo menos una vez sea mas grande que 0, 77?
SOLUCION:
La respuesta en (a) sera
P(X 1) = 1 P(X 0) = 1 P(X = 0) = 1 b(0; 6; 0, 4)
= 1 (0, 6)6 0.953.
Para (b), debemos encontrar n tal que P(X 1) > 0, 77, es decir, encontrar n tal que
0, 77 < P(X 1) = 1 P(X < 1)
= 1 P(X = 0) = 1 b(0; n; 0, 4) = 1 (0, 6)n ,
es decir, tal que 1 (0, 6)n > 0, 77. Resolviendo esta desigualdad, encontramos que n > 2, 9.
Es decir, la persona debe disparar al objetivo 3 o mas veces para mantener una probabilidad
mayor que 0, 77 de dar en el blanco por lo menos una vez.

Esperanza y varianza de la distribucion binomial

Antes mostramos como determinar la esperanza y la varianza de una distribucion disc-
reta utilizando las formulas dadas en las definiciones 3.3.2 y 3.3.12. Sin embargo, si solo
hay dos resultados posibles, como en la distribucion binomial, la esperanza y la varianza
pueden determinarse mas facilmente, como se muestra en el siguiente teorema:

Teorema 3.5.8 Si X es una variable aleatoria que tiene distribucion binomial con
los parametros n y p, entonces, se cumple que E(X) = np y V(X) = np(1 p).

Ejemplo 3.5.9 Volvamos al ejemplo 3.5.6. La media (o esperanza) del numero de caras es
= np = (10)(0, 5) = 5
y la varianza
2 = np(1 p) = (10)(0, 5)(1 0, 5) = 2, 5.
3.5 La distribucion binomial 36

Ejercicios de la seccion 3.5

35. Utilizando la formula binomial, calcule las siguientes probabilidades binomiales:
(a) b(2; 7; 0, 4).
(b) b(4; 4; 0, 9).
(c) P(2 X < 4) cuando n = 3 y p = 0, 2.
(d) P(2 X) cuando n = 11, p = 0, 5 y si X toma solo valores no negativos.
36. Usando la tabla binomial, calcule las siguientes probabilidades:
(a) B(3; 5; 0, 3).
(b) b(8; 10; 0, 4).
(c) b(12; 15; 0, 5).
(d) P(X 3) cuando n = 5 y p = 0, 7.
(e) P(4 X 9) cuando n = 25 y p = 0, 6.
(f) P(5 X) cuando n = 10 y p = 0, 8.
(g) P(14 < X < 20) cuando n = 20 y p = 0, 9.
37. Una semilla tiene un porcentaje de germinacion del 83% . Si se siembran 12 semillas,
cual es la probabilidad de que germinen (a) todas, (b) 10, (c) a lo mas 2, (d) al menos
10?
38. De un cargamento de 100 artculos, se sabe que el 10% de los artculos estan defectuosos.
Se eligen al azar con reemplazo y sin orden 20 artculos del cargamento y se examinan.
Sea X la variable aleatoria que representa al numero de artculos defectuosos encontrados.
Construya la funcion de probabilidad de X, calcule la media (interpretela) y la varianza.
39. Un agente de seguros piensa que en un contacto concreto, la probabilidad de conseguir
una venta es 0,4. Sea X la variable aleatoria que representa al numero de ventas que
consigue. Si tiene cinco contactos directos y para cada uno la probabilidad conseguir una
venta es 0,4:
(a) Construya la funcion de probabilidad.
(b) Cual es la probabilidad de que el numero de exitos este entre 2 y cuatro (ambos
inclusive)?
(c) Cual es la probabilidad de al menos un exito?
(d) Calcule la media, la varianza y la desviacion estandar.
40. Con el proposito de establecer el grado de aceptacion de su producto, una empresa selec-
ciona una muestra de 1.000 consumidores de una poblacion de 1.000.000, de forma tal que
cada uno de los elementos de la poblacion tiene la misma probabilidad de ser seleccionado.
A cada consumidor seleccionado se le pregunta si prefiere el producto producido por esta
empresa o no. Es este un experimento binomial? Explique su respuesta.
41. Un lote de 25 computadores llega a un distribuidor, el cual selecciona aleatoriamente y
sin reemplazo, 5 computadores para verificar si estan defectuosos o no. El distribuidor
ignora que 3 de los 25 estan defectuosos. Es este un experimento binomial? Justifique
su respuesta.
42. El examen TELP consta de 150 preguntas de eleccion multiple y hay 4 opciones en cada
una de ellas. Si muchas personas que no saben ingles, realizan el examen, calcule la media
de las calificaciones obtenidas.
3.5 La distribucion binomial 37

43. De una produccion de 2.000 tornillos, se sabe que el 5% estan defectuosos. Supongamos
que se selecciona un muestra al azar de 20 tornillos.
(a) Cual es la probabilidad de que el numero de tornillos defectuosos en la muestra no
exceda a 3?
(b) Cual es la probabilidad de que el numero de tornillos defectuosos en la muestra es
por lo menos 6?
(c) Cual es la probabilidad de que el numero de tornillos defectuosos en la muestra sea
estrictamente mayor que 2, pero menor o igual de 6?
(d) Cual es la probabilidad de que ninguno de los 20 tornillos este defectuoso?
(e) Calcule e inteprete el valor esperado y la desviacion estandar del numero de tornillos
defectuosos en la muestra.
44. En un peaje se cobra 1.500 pesos por cada bus de transporte publico y 2.500 pesos por
carros particulares. Supongamos que durante las horas diurnas, 70% de todos los vehculos
son buses de transporte publicos. Si 15 vehculos pasan por el peaje durante un perodo
particular diurno, cual es el ingreso de cuotas esperado? (Sugerencia: sea X el numero
de buses de transporte publico, entonces, el ingreso de cuotas h es una funcion lineal de
X.)
45. Un fabricante de celulares, desea controlar la calidad de su producto y rechazar cualquier
lote en el que la proporcion de celulares defectuosos sea demasiado alta. Con este fin, de
cada lote grande (digamos, 20.000 celulares) selecciona y prueba 25. Si por lo menos 3
de estos estan defectuosos, todo el lote sera rechazado.
(a) Cual es la probabilidad de que un lote sea rechazado si 5% de los celulares estan
defectuosos?
(b) Cual es la probabilidad de que un lote sea rechazado si 10% de los celulares estan
defectuosos?
(c) Cual es la probabilidad de que un lote sea rechazado si 30% de los celulares estan
defectuosos?
(d) Que sucedera con las probabilidades anteriores si el numero crtico para rechazo
aumentara de 3 a 5?
46. Un jefe de produccion sabe que el 4% de 200 artculos producidos en cierto tipo de maquina
tiene algun defecto. Se examinan cinco de estos artculos. Cual es la probabilidad de
que (a) ninguno, (b) dos, (c) al menos dos de estos artculos tengan un defecto?
47. Una institucion beneficiaria contrata personal para que soliciten donaciones por telefono.
Despues de un breve perodo de preparacion, las personas telefonean a los potenciales
donantes y se les paga una comision. La experiencia indica que, normalmente, estas
personas logran solo un exito moderado, y el 70% de ellas deja el trabajo en las tres
primeras semanas. La institucion contrata seis personas, las cuales se pueden considerar
como una muestra aleatoria. Cual es la probabilidad de que al menos dos de las cinco
personas (a) dejen, (b) no dejen el trabajo en las tres primeras semanas?
48. Una empresa se dedica a la instalacion de nuevos paquetes computacionales. Se ha
comprobado que en el 10% de 250 instalaciones es necesario volver para realizar algu-
nas modificaciones. En una semana determinada se realizaron 10 instalaciones. Asumir
independencia en los resultados de esas instalaciones.
(a) Cual es la probabilidad de que sea necesario volver en cinco casos?
(b) Cual es la probabilidad de que no sea necesario volver en ninguno los casos?
3.6 La distribucion de Poisson 38

(c) Cual es la probabilidad de que sea necesario volver en mas de un caso?

49. En cierto cultivo de peces, el 40% de los peces son de la especie Pecius y el otro 60%, de
la especie Pecelius. Peces de la especie Pecius produce peces de la especie Pecius 29%
de las veces, mientras que peces de la especie Pecelius produce peces de la especie Pecius
26% de las veces. Suponga que se seleccionan al azar 10 peces.
(a) Cual es la probabilidad de que exactamente cinco de esos peces provengan de la
especie Pecius y produzcan peces de la especie Pecius?
(b) Cual es la probabilidad de que exactamente cinco de esos peces sean de la especie
Pecius?
50. Al realizar una entrevista a un grupo de personas con el fin de ingresar en un programa de
television, se encuentra que 25% de las personas no cumplen con los requisitos requeridos.
De las siguientes 15 personas entrevistadas, encuentre la probabilidad de que (a) menos
de cuatro, (b) de cuatro a siete, (c) mas de seis no cumplan con los requisitos requeridos.
51. Una investigacion en cierto pais arrojo que aproximadamente 60% cree el actual presidente
de ese pais esta haciendo las cosas bien. Cual es la probabilidad de que al menos cinco
de las siguientes diez personas seleccionadas al azar sean de esta opinion?
52. Se sabe que 30% de las vacas vacunadas con un suero quedan protegidos de cierta enfer-
medad. Si se vacunan 20 vacas, encuentre la probabilidad de que (a) ninguna, (b) menos
de dos, (c) mas de tres contraigan la enfermedad.

3.6 La distribucion de Poisson

Experimento y proceso de Poisson
Consideremos las siguientes variables aleatorias:

1. El numero de partculas emitidas por cierta sustancia radioactiva en un determi-

nado lapso de tiempo.

2. El numero de accidentes de trafico que ocurren en un da en un cruce.

3. El numero de llamadas que llegan a una central telefonica en cierto intervalo de

tiempo.

4. El numero de ordenes de devolucion de piezas que recibe una empresa en una

semana.

5. El numero de ninos nacidos con un problema en el corazon en una cita grande

durante un ano.

6. El numeros de lanzamientos no golpeados por beibolista famoso durante su

carrera.

7. El numero de veces que falla una pieza de un equipo durante un perodo de tres
meses.

8. El numero de nuevas infecciones por una enfermedad contagiosa en una poblacion

durante un mes.
3.6 La distribucion de Poisson 39

9. El numero de mordeduras de serpientes venenosas en un tiempo determinado.

10. El numero de huelgas anuales en un empresa.
Cada una de estas variables aleatorias se caracteriza por ser el numero de ocurrencia de
cierto suceso durante un perodo de tiempo. Estas variables aleatorias estan asociadas a
experimentos aleatorios que son conocidos con el nombre de experimentos de Poisson.

Definicion 3.6.1 Los experimentos que resultan en valores numericos de una varia-
ble aleatoria que representa el numero de resultados durante un intervalo de tiempo
dado se llaman experimentos de Poisson.

Un experimento de Poisson surge del llamado proceso de Poisson, el cual explicaremos

a continuacion. Consideremos la situacion ilustrada en la figura 3.7, donde se mide el
tiempo a lo largo de la lnea horizontal, y supongamos que estamos interesados en el
perodo que comienza en 0 y termina en t. Las ocurrencias de sucesos a lo largo del eje
temporal se indican con el smbolo . Por tanto, en esta ilustracion ocurren seis sucesos
en el perodo de tiempo relevante.

Fig. 3.7: Ilustracion del numero aleatorio de ocurrencias de un suceso de tiempo

Entonces, un proceso de Poisson esta caracterizado por las siguientes tres propiedades:
(P1) Para cada intervalo de tiempo pequeno,7 la probabilidad de que ocurra un suceso
en ese intervalo es aproximadamente proporcional a la amplitud del intervalo, es
decir, si A es un evento que ocurre en el intervalo de tiempo [0, t], entonces,
P(A) t, para un numero real > 0.

Este numero es llamado el parametro del proceso de Poisson y repre-

senta al numero promedio de ocurrencias por unidad de tiempo.
(P2) La probabilidad de que mas de un evento ocurra en un intervalo, como el descrito
anteriormente, es despreciable en comparacion con la probabilidad de la ocurrencia
de cada evento. Es decir, si A, B, C son eventos que ocurren en [0, t], entonces,
las probabilidades P(A B), P(A C), P(B C) y P(A B C) son despreciables
en comparacion con P(A), P(B) y P(C).
(P3) El numero de resultados que ocurren en un intervalo de tiempo es independiente
del numero de resultados que ocurren antes de ese tiempo.
En la siguiente seccion presentaremos una formula que nos permite calcular la proba-
bilidad de que ocurra una cantidad determinada de eventos en un intervalo de tiempo
pequeno.
7
Este intervalo de tiempo esta representado mediante un pequeno segmento entre 0 y t del eje
temporal de la figura 3.7
3.6 La distribucion de Poisson 40

Distribucion de Poisson
La experiencia indica que, para una amplia gama de problemas como los mostrados al
comienzo de esta seccion, la llamada distribucion de probabilidad de Poisson representa
adecuadamente la estructura probabilstica del numero de eventos que ocurren en un
intervalo de tiempo [0, t]. La demostracion de la formula para la probabilidad de que
ocurra una cantidad determinada de eventos en un intervalo de tiempo pequeno, la cual
se basa en las propiedades del proceso de Poisson indicadas anteriormente, esta fuera
del alcance de este texto. Por esta razon solo se presentara lo que se utiliza para el
calculos de diferentes tipos de probabilidades.

Teorema 3.6.2 Consideremos un proceso de Poisson con parametro > 0 (es

decir, es el numero promedio de ocurrencias por unidad de tiempo) y sea X el
numero de eventos que ocurren en un intervalo de tiempo [0, t]. Entonces, la
probabilidad de que ocurran k eventos en el intervalo [0, t] esta dada por

1 k
P(X = k) = e , k = 0, 1, 2, 3, . . . .
k!
siendo e = 2, 71828 la base del logaritmo natural. La correspondiente distribucion
de X se conoce con el nombre de distribucion de Poisson con parametro .

Las funciones de probabilidad f y de distribucion F de una variable aleatoria X que tiene

distribucion de Poisson con parametros estan dadas por
 1 k
k! e , si k = 0, 1, 2, . . .;
p(k; ) := f(k) =
0, de otra manera.
y X
P(t; ) := F(t) = P(X t) = p(t; ),
kt
respectivamente, en donde la suma anterior recorre todos los enteros no negativos que
son menores o iguales que t. En la figura 3.8 se muestran graficas de la distribucion de
Poisson para varios valores de .
Ejemplo 3.6.3 Los sabados por la manana, los clientes entran en una pequena tienda de un
centro comercial suburbano a una tasa esperada de 0,50 por minuto. Halle la probabilidad
de que el numero de clientes que entran en un intervalo especfico de 10 minutos es (a) 3,
(b) a lo mas 3.
SOLUCION:
Las hipotesis del proceso de Poisson parecen ser razonables en este contexto. Damos por
sentado que los clientes no llegan en grupos (o podemos contar al grupo entero como un
solo cliente) y que la entrada de un cliente no aumenta ni disminuye la probabilidad de que
llegue otro. Para obtener , observamos que auna tasa media de 0,50 por minuto durante
un periodo de 10 minutos, podemos esperar = (0, 50)(10) = 5 entradas. Sea X la variable
aleatoria que representa al numero de clientes que entran en un intervalo especfico de 10
minutos.
(a) Nos piden calcular P(X = 3). Para ello, aplicaremos el teorema 3.6.2 con = 5 y k = 3:
1 5 3
P(X = 3) = e 5 = 0, 1403.
3!
3.6 La distribucion de Poisson 41

Fig. 3.8: Distribuciones de Poisson para varios valores del parametro .

(b) Ahora nos piden calcular P(X 3):

P(X 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)

1 5 0 1 5 1 1 5 2 1 5 3
= e 5 + e 5 + e 5 + e 5
0! 1! 2! 3!
= 0, 0067 + 0, 0337 + 0, 0843 + 0, 1403
= 0, 2650.

Uso de tablas de Poisson

Al igual que el calculo de probabilidades binomiales, el calculo de probabilidades de
Poisson tambien llega a ser tedioso. Por esta razon, tambien hay tablas, como la del
apendice, que tabulan la funcion de distribucion acumulada F(t) = P(X t) = P(t; )
para algunos valores de . Por ejemplo,

P(0; 0, 1) es la entrada en la fila x = 0 y en la columna = 0, 1 de la tabla de

Poisson. De la tabla de Poisson del apendice, obtenemos que P(0; 0, 1) = 0, 905.

P(5; 1) es la entrada en la fila x = 5 y en la columna = 1 de la tabla de Poisson.

De la tabla de Poisson del apendice, obtenemos que P(5; 1) = 0, 999.

P(8; 8) es la entrada en la fila x = 8 y en la columna = 8 de la tabla de Poisson.

De la tabla de Poisson del apendice, obtenemos que P(8; 8) = 0, 593.

P(6; 0, 5) es la entrada en la fila x = 6 y en la columna = 0, 5 de la tabla

de Poisson. Observese que all no vemos ningun valor. Esto quiere decir que
supondremos que la probabilidad correspondiente sera siempre 1. Es decir, de la
tabla de Poisson del apendice, obtenemos que P(6; 0, 5) = 1.
3.6 La distribucion de Poisson 42

P(36; 2) es la entrada en la fila x = 36, y en la columna = 2 de la tabla de

Poisson. Como no hay ningun valor, supondremos que la probabilidad asignada es
1. Por tanto, P(36; 2) = 1.
Los siguientes ejemplos ilustran algunas de las muchas aplicaciones de la distribucion de
Poisson.
Ejemplo 3.6.4 Un estudio indica que el numero de huelgas anuales en una determinada
empresa con 2.000 empleados, se puede representar por una distribucion de Poisson con
media = 0, 4. Sea X la variable aleatoria que representa al numero de huelgas. Ahora,
con esta informacion y con ayuda de la tabla de Poisson del apendice, podemos calcular
probabilidades para numeros concretos de huelgas anuales:
(a) La probabilidad de que no haya huelga es
P(X = 0) = P(0; 0, 4) = 0, 670.

(b) La probabilidad de que haya 3 huelgas es

P(X = 3) = P(X 3) P(X 2) = P(3; 0, 4) P(2; 0, 4)
= 0, 999 0, 992 = 0, 007.

(c) La probabilidad de que haya mas de una huelga en una ano es

P(X 1) = 1 P(X < 1) = 1 P(0; 0, 4)
= 1 0, 670 = 0, 33.

Ejemplo 3.6.5 (Lneas de espera o colas) La distribucion de Poisson ha resultado ser

muy util en problemas de lneas de espera o colas. Los clientes llegan a una maquina
fotocopiadora a una tasa media de 2 cada 5 minutos. En la practica, se pueden representar
los procesos de llegada de esta clase mediante una distribucion de Poisson. Asumiendo que
este es el caso, representaremos por X el numero de llegadas de clientes en un perodo de
cinco minutos, con lo cual X tiene distribucion de Poisson con media = 2.
(a) La probabilidad de que no haya llegadas en un perodo de cinco minutos es
P(X = 0) = P(0; 2) = 0, 135.

(b) La probabilidad de que haya 1 llegada es

P(X = 1) = P(X 1) P(X 0) = P(1; 2) P(0; 2)
= 0, 406 0, 135 = 0, 271.

(c) La probabilidad de que haya estrictamente mas de dos llegadas es

P(X > 2) = 1 P(X 2) = 1 P(2; 2)
= 1 0, 677 = 0, 323.

Ejemplo 3.6.6 El numero promedio de partculas radiactivas que pasan a traves de un

contador durante un milisegundo en un experimento de laboratorio es 4. Cual es la pro-
babilidad de que entren entre 3 y 6 (inclusives) partculas al contador en un milisegundo
determinado?
SOLUCION:
Sea X la variable aleatoria que representa al numero de partculas que entran al contador.
Si se utiliza la distribucion de Poisson con k = 6 y = 4, se tiene que
P(3 X 6) = P(X 6) P(X 2) = P(6; 4) P(2; 4)
= 0, 889 0, 238 = 0, 651.
3.6 La distribucion de Poisson 43

Esperanza y varianza de la distribucion de Poisson

El siguiente teorema muestra como se puede calcular la esperanza y la varianza de una
variable aleatoria que tiene distribucion de Poisson.

Teorema 3.6.7 Si X es una variable aleatoria que tiene distribucion de Poisson

con parametro , entonces, se cumple que E(X) = V(X) = .

Ejemplo 3.6.8 En el ejemplo 3.6.3, tenemos que la media y varianza del numero de clientes
que entran en un intervalo especfico de 10 minutos son = 2 = 5.

Aproximacion de la distribucion binomial a la de Poisson

Como hemos visto, la distribucion de Poisson aparece de manera natural para represen-
tar el numero de ocurrencias de un suceso en un perodo de tiempo. Esta distribucion
tiene tambien otro uso. Ella tambien juega un papel importante como distribucion lmite
de la distribucon binomial, en especial, para el calculo numerico de las probabilidades
b(k; n; p) cuando n es grande, p pequena y el producto np tiene un tamano moderado.8

Las situaciones siguientes satisfacen estas condiciones:

1. Una compana aseguradora mantiene un gran numero de polizas de seguro de vida en in-
dividuos de determinada edad, y la probabilidad de que durante el ano se produzca una
reclamacion en una poliza es muy pequena. La distribucion del numero de reclamaciones es
binomial, con n grande y p muy pequeno.
2. Una compana puede tener un gran numero de maquinas trabajando en un proceso si-
multaneamente. Si la probabilidad de que cada una de ellas se avere en un da concreto es
muy pequena, entonces, la distribucion del numero de averas es binomial, con n grande y p
muy pequeno.
En estos casos, la distribucion binomial puede aproximarse bien mediante la distribucion
de Poisson con esperanza = np. Es decir, la media de la distribucion de Poisson
aproximada esta fija en el valor de la esperanza conocida np de la distribucion binomial
que se quiere aproximar.

Teorema 3.6.9 (Aproximacion de la binomial a la de Poisson) Sea X una

variable aleatoria binomial con parametros n y p. Si n es grande (n 100), p
pequena (p 0, 01) y np tiene un tamano moderado (np 20), entonces, la dis-
tribucion binomial con parametros n y p puede aproximarse bien por la distribucion
de Poisson con parametro = np. Es decir, bajo estas condiciones se cumple que

b(k; n; p) p(k; np), k = 0, 1, 2, 3, . . .

o, que es equivalente,

B(k; n; p) P(k; np), k = 0, 1, 2, 3, . . . .

8
No hay una regla para el tamano de p y n al aproximar la distribucion binomial con la de
Poisson. En la practica, si n 100, p 0, 01 y np 20, la aproximacion sera buena.
3.6 La distribucion de Poisson 44

Los siguientes ejemplos ilustran algunos de los problemas en donde la distribucion de

Poisson puede ser aplicada como aproximacion de la distribucion binomial.
Ejemplo 3.6.10 Una cierta compana electronica produce 15.000 unidades de un tipo es-
pecial de tubo al vaco. Se ha observado que, en promedio, 3 tubos de 300 son defectuosos.
La compana empaca los tubos en cajas de 600. Cual es la probabilidad de que en una caja
de 600 tubos hayan (a) 5 tubos defectuosos, (b) por lo menos 3 defectuosos y (c) a lo mas
1 defectuoso?
SOLUCION:
Sea X la variable aleatoria que representa al numero de tubos defectuosos. Entonces, X es
una variable binomial con parametros n = 600 y p = 0, 01.

Observemos que no podemos usar la tabla binomial por ser n muy grande. Por consiguiente,
debemos buscar una aproximacion de la distribucion binomial. La idea es aplicar el teorema
3.6.9. Observamos que
n = 600 es grande,
p = 0, 01 es pequeno,
y se cumple que np = 6 20.
Como se cumplen estos tres supuestos exigidos por el teorema, las probabilidades pedi-
das pueden ser calculadas (en forma aproximada) usando la distribucion de Poisson con
parametro = np = 6.
(a) Nos piden calcular P(X = 5). Por tanto, por el teorema de aproximacion de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X = 5) = P(X 5) P(X 4) = B(5; 600; 0, 01) B(4; 600; 0, 01)
P(5; 6) P(4; 6) = 0, 446 0, 285 = 0, 161.

(b) Nos piden calcular P(X 3). Por tanto, por el teorema de aproximacion de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X 3) = 1 P(X 2) = 1 B(2; 600; , 0, 01)
1 P(2; 6) = 1 0, 062 = 0, 938.

(c) Nos piden calcular P(X 1). Por tanto, por el teorema de aproximacion de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X 1) = B(1; 600; 0, 01) P(1; 6) = 0, 017.

Ejemplo 3.6.11 Suponga que es conocido que en un libro de matematicas de 400 paginas
hay 200 errores que estan distribuidos aleatoriamente en todo el texto. Calcular la proba-
bilidad de que en una pagina dada (a) no haya errores (b) 2 o mas errores.
SOLUCION:
Sea X la variable aleatoria que representa al numero de errores por pagina. Ya que la pro-
1
babilidad de que un error aparezca en una pagina dada es p = 400 = 0, 0025 y que n = 200,
es claro ver que X es una variable binomial con parametros p = 0, 0025 y n = 200. Y,
como vemos, es justificable usar la distribucion de Poisson y obtener las probabilidades con
= np = 0, 5. Por consiguiente,
P(X = 0) = B(0; 200, 0, 0025) P(0; 0, 5) = 0, 607 60, 7%
y
P(X 2) = 1 P(X 1) = 1 B(1; 200; 0, 0025)
1 P(1; 0, 5) = 1 0, 910 = 0, 09.
3.6 La distribucion de Poisson 45

Ejemplo 3.6.12 En la tabla de la figura 3.9 damos los resultados del famoso experimento
fsico, dirigido por Rutherford y Geigner, en donde se observaron partculas emitidas por
una sustancia radioactiva en 2.068 periodos de 7, 5 segundos cada uno. Aqu k es el numero
de partculas emitidas y fo es el numero de perodos de 7, 5 segundos observados.

k 0 1 2 3 4 5 6 7 8 9 10
fo 57 203 383 525 532 408 273 139 45 27 16

Fig. 3.9: Frecuencias observadas para el experimento de Rutherford y Geigner

En este experimento, n = 2.608 y p es bastante pequena, y la distribucion de la variable

X, que representa al numero de partculas emitidas, puede ser aproximada por la funcion
de probabilidad de Poisson. El numero promedio de partculas emitidas durante un
perodo de 7, 5 segundos es
10
P
kfobservado
k=0 0 57 + 1 203 + 2 383 + + 10 16
= x = = = 3, 87
n 2.608
y, con esto, la funcion de probabilidad de Poisson estara dada por

e3,87 (3, 87)k

pk := p(k; 3, 87) = , k = 0, 1, . . . , 10.
k!
Ahora, por ejemplo, calcularemos algunas probabilidades (e3,87 0, 021):
La probabilidad de que en un periodo de 7, 5 segundos observemos 0 partculas es

e3,87 (3, 87)0

P(X = 0) = p(0; 3, 87) = 0, 021.
0!

La probabilidad de que en un periodo de 7, 5 segundos observemos 1 partcula es

e3,87 (3, 87)1

P(X = 1) = p(1; 3, 87) = 0, 0807.
1!

La probabilidad de que en un periodo de 7, 5 segundos observemos 2 partculas es

e3,87 (3, 87)2

P(X = 12) = p(2; 3, 87) = 0, 1562.
2!

En la tabla 3.10 aparecen todas estas probabilidades.

k 0 1 2 3 4 5 6 7 8 9 10
pk 0,021 0,08 0,156 0,201 0,195 0,151 0,097 0,054 0,026 0,011 0,0065

Fig. 3.10: Probabilidades para el experimento de Rutherford y Geigner

Al calcular las frecuencias esperadas fe del numero de perodos de 7, 5 segundos, mediante

la formula
fe = 2.680 pk ,
notamos (en la tercera fila de la tabla de la figura 3.11) que la funcion de probabilidad de
Poisson da una buena aproximacion del problema (comparese los valores de fo y fe ).
3.6 La distribucion de Poisson 46

k 0 1 2 3 4 5 6 7 8 9 10
fo 57 203 383 525 532 408 273 139 45 27 16
fe 54,7 210,5 407,4 525,5 508,4 393,5 253,8 140,3 67,9 29,2 17,1

Fig. 3.11: Frecuencias esperadas para el experimento de Rutherford y Geigner

Ejercicios de la seccion 3.6

53. Sea X la cantidad de huecos en la superficie de una instrumento metalico de cierto tipo,
seleccionado al azar, con una distribucion de Poisson con parametro = 15 y utilice la
tabla del apendice para calcular las siguientes probabilidades: (a) P(X 9), (b) P(X = 9),
(c) P(X 10), (d) P(7 X 11), (e) P(4 < X < 9).
54. Suponga que el numero X de tormentas electricas observadas en cierta region durante un
periodo de 6 meses tiene una distribucion de Poisson con = 9.
(a) Calcule P(X 11), P(7 X 12) y P(X 13).
(b) Cuantas tormentas electricas se espera que se podran ver durante un perodo de seis
meses,y cual es la desviacion estandar del numero observado de tormentas electricas?
55. El numero de cartas perdidas en el correo en un da tiene un promedio de 4. Cual es la
probabilidad de que en un da determinado
(a) se pierdan a lo mas dos cartas en el correo?
(b) se pierdan tres cartas en el correo?
(c) se extraven cuatro o cinco?
(d) al menos desaparezca una carta en el correo?
56. En un lote de 1.000 bombillas fabricadas por una compana, 10 son defectuosas. Utilice
la aproximacion de la distribucion binomial por la de Poisson para calcular la probabilidad
de que en una muestra de 20 bombillas, (a) 2, (b) 0, (c) por lo menos 3 sean defectuosas.
57. Las estadsticas muestran que hay un promedio de tres accidentes por semana en una
ruta determinada. Determine la probabilidad de que durante cierta semana seleccionada
al azar haya (a) 4, (b) 3 o 4, (c) a lo mas tres, (d) al menos 4 accidentes.
58. En cierto estudio se reporta que de cada 100 personas, una fuma. Consideremos una
muestra aleatoria de 2.000 personas.
(a) Cual es la distribucion aproximada del numero de quienes fuman?
(b) Utiliza la aproximacion de la parte (a) para calcular la probabilidad aproximada de
que entre 8 y 20 (ambos inclusive) personas fumen.
(c) Utiliza nuevamente la aproximacion de la parte (a) para calcular la probabilidad apro-
ximada de que estrictamente entre 12 y 30 personas fumen.
59. A traves de un anuncio de television se le informa a todas las familias que deben llevar
a sus ninos menores de 4 anos (si los tienen) al hospital de la ciudad para hacerles un
chequeo medico debido a la presencia de un peligroso virus en la ciudad. Suponga que el
1% de tales ninos tienen el virus. Considere una muestra aleatoria de 1.000 ninos.
(a) Cuales son el valor esperado y la desviacion estandar del numero de ninos de la
muestra que tienen el virus.
3.7 La distribucion hipergeometrica 47

(b) Cual es la probabilidad (aproximada) de que por lo menos 10 ninos de los muestreados
tengan el virus?
(c) Cual es la probabilidad (aproximada) de que ninguno de los ninos en la muestra
tengan el virus?
60. Los estudios indican que, en promedio, se producen 2 averas diarias en las carreteras
urbanas durante las horas pico de la tarde. Asumamos que la distribucion es de Poisson.
Cual es la probabilidad de que en un da concreto se produzcan (a) menos de tres, (b)
mas de cinco averas en estas carreteras durante las horas pico de la tarde?
61. Suponga que los buses llegan a cierto terminal de transporte, segun un proceso de Poisson,
con tasa = 8 buses por hora, de modo que el numero de llegadas por un periodo de t
horas es una variable aleatoria de Poisson con parametro = 8t.
(a) Cual es la probabilidad de que exactamente 5 buses pequenos lleguen durante un
perodo de una hora? Por lo menos 5? A lo mas 10?
(b) Cuales son el valor esperado y la desviacion estandar del numero de buses que llegan
durante un perodo de 90 minutos?
(c) Cual es la probabilidad de que por lo menos 20 buses lleguen durante un perodo de
2 horas y media? De que a lo sumo 10 lleguen durante este perodo?
62. De las personas encarceladas que son sometidas a un detector de mentiras, 0,8% dicen la
verdad. Supongamos que se escoge una muestra aleatoria de 500 encarcelados.
(a) Cual es la funcion de probabilidad aproximada del numero muestreado que dice la
verdad?
(b) Calcule la probabilidad de que a lo mas 5 personas de las 500 dice la verdad.
(c) Calcule la probabilidad de que exactamente 5 personas de las 500 dice la verdad.
63. Supongamos que, en promedio, una persona comete dos errores por pagina. Determine
la probabilidad de que en la siguiente pagina cometa (a) ningun error, (b) por lo menos
cuatro errores.
64. Un fabricante de computadores se preocupa por el mal funcionamiento de cierto programa
estadstico en un modelo en particular. El mal funcionamiento puede producir en raras
ocasiones un bloqueo en el sistema operativo. Suponga que la distribucion del numero de
computadores por ano que tienen un mal funcionamiento del paquete estadstico es la de
Poisson con = 5.
(a) Cual es la probabilidad de que a lo mas dos computadores por ano tenga un bloqueo
en el sistema operativo?
(b) Cual es la probabilidad de que mas de un computador por ano tenga un bloqueo en
el sistema operativo?

3.7 La distribucion hipergeometrica

Experimento hipergeometrico
En esta seccion queremos considerar experimentos que obedezcan las propiedades de
un experimento binomial, pero debilitando la propiedad de independencia entre los ex-
perimentos individuales, es decir, supondremos que los experimentos individuales son
dependientes. Este nuevo tipo de experimento resultante se llamara experimento hiper-
geometrico y se usan comunmente cuando el muestreo se hace sin reemplazo. En general,
3.7 La distribucion hipergeometrica 48

un experimento hipergeometrico con parametros n, M y N esta basado en las

siguientes suposiciones (vease la figura 3.12):
(H1) La poblacion o conjunto donde deba hacerse el muestreo es una poblacion finita
con N elementos.
(H2) Cada elemento de la poblacion puede ser caracterizado como un exito o un fracaso.
(H3) Hay M exitos en la poblacion.
(H4) Se elige una muestra sin reemplazo de n individuos, de tal forma que sea igual-
mente probable seleccionar cada subconjunto de tamano n.

Fig. 3.12: Esquema grafico de un experimento hipergeometrico

Distribucion hipergeometrica
En un experimento hipergeometrico con parametros n, M y N, como el descrito en la
seccion anterior, la variable de interes X es siempre el numero de exitos obtenidos en
la muestra. La distribucion de probabilidad de X, llamada distibucion hipergeometrica,
depende de los parametros n, M y N y la probabilidad que inicialmente nos interesa es-
tudiar es la de obtener k exitos en la muestra, la cual simbolizaremos con h(k; n, M, N).
Es decir, estaremos interesados en calcular la probabilidad
P(X = k) = h(k; n, M, N),
cuya formula aparece despues de analizar el siguiente ejemplo que identifica a un tipo
de experimento hipergeometrico.

Ejemplo 3.7.1 Una caja contiene, al comienzo de un experimento, 2 bolas blancas y 4

bolas negras. Ahora se sacan n = 3 bolas aleatoriamente, sin reemplazo. Determinar la
probabilidad de que entre las 3 bolas sacadas haya (a) 1 negra, (b) 2 negras y (c) 3 negras.
Ademas, (d) determine la distribucion de probabilidad de X.
SOLUCION:
En la caja hay N = 6 bolas en total. Sea X la variable aleatoria que representa al numero
de bolas negras elegidas de entre las 3 bolas sacadas. Esto quiere decir que sacar una bola
negra es un exito y que M = 4. Es claro que los valores posibles de X son k = 0, 1, 2, 3.

Ahora, el numero de formas de seleccionar una muestra de de n = 3 bolas de un total

de N = 6 bolas disponibles en la caja es
   
N 6
= = 20.
n 3
3.7 La distribucion hipergeometrica 49

Por consiguiente, el espacio muestral correspondiente tiene 20 elementos igualmente pro-

bables.
(a) Nos piden calcular P(X = 1). Determinemos la cantidad de maneras de escoger una
muestra de tamano n = 3 que contiene k = 1 bola negra y n k = 2 blancas:
k = 1 bola negra

de4un

total de M = 4 bolas negras que hay en la caja se pueden
escoger de Mk = 1 = 4 formas.
n k = 2 bolas blancas de un total

de
N M = 2 bolas blancas que hay en la
caja se pueden escoger de NM
nk = 2
2 = 1 forma.

Por consiguiente, la cantidad de maneras de escoger una muestra de tamano n = 3

que contiene k = 1 bolas negras y n k = 2 blancas es igual a
     
M NM 4 2
= = 4.
k nk 1 2
Con esto, la probabilidad pedida sera
4 2



1 2 4 1
P(X = 0) = 6
= = = 0, 20.
20 5


3

(b) Nos piden calcular P(X = 2). Determinemos la cantidad de maneras de escoger una
muestra de tamano n = 3 que contiene k = 2 bolas negras y n k = 1 blancas:
k = 2 bolas negras de
un total de M = 4 bolas negras que hay en la caja se
pueden escoger de M 4


k = 2 = 6 formas.
n k = 1 bola blanca de un total de
N M = 2 bolas blancas que hay en la
caja se puede escoger de NM 2


nk = 1 = 2 formas.

Por consiguiente, la cantidad de maneras de escoger una muestra de tamano n = 3

que contiene k = 2 bolas negras y n k = 1 blancas es igual a
     
M NM 4 2
= = 12.
k nk 2 1
Con esto, la probabilidad pedida sera
4 2



2 1 12 3
P(X = 2) = 6
= = = 0, 60.
20 5


3

(c) Nos piden calcular P(X = 3). Determinemos la cantidad de maneras de escoger una
muestra de tamano n = 3 que contiene k = 3 bolas negras y n k = 0 blancas:
k = 3 bolas negras de
un total de M = 4 bolas negras que hay en la caja se
pueden escoger de M 4


k = 3 = 4 formas.
n k = 0 bolas blancas de un total

de
N M = 2 bolas blancas que hay en la
caja se pueden escoger de NM
nk = 2
0 = 1 forma.

Por consiguiente, la cantidad de maneras de escoger una muestra de tamano n = 3

que contiene k = 3 bolas negras y n k = 0 blancas es igual a
     
M NM 4 2
= = 4.
k nk 3 0
Con esto, la probabilidad pedida sera
4 2



3 0 4 1
P(X = 3) = 6
= = = 0, 20.
20 5


3
3.7 La distribucion hipergeometrica 50

(d) En la tabla de la figura 3.13 vemos la distribucion de probabilidad para la variable

aleatoria hipergeometrica X, descrita en el ejemplo 3.7.1. Observe el patron con las
entradas numericas.

k P(X=k)

(41) (22) 1
1 =
(63) 5

(42) (21) 3
2 =
(63) 5

(43) (20) 1
3 =
(63) 5

Fig. 3.13: Distribucion de probabilidad para la distribucion hipergeometrica con

parametros N = 6, M = 4 y n = 3.

Para generalizar el metodo que usamos en el ejemplo 3.7.1 (vease la figura 3.14), supong-
amos que una poblacion (en nuestro ejemplo, la caja) contiene N objetos (en nuestro
ejemplo, N = 6 bolas), dentro de los cuales hay M exitos (en nuestro ejemplo, M = 4
bolas negras) y N M fracasos (en nuestro ejemplo, N M = 2 bolas blancas).
Supongamos que se sacan, aleatoriamente (sin reemplazo y sin orden) n objetos de la
poblacion (en nuestro ejemplo, n = 3 bolas). Nuestro interes determinar el numero de
exitos escogidos que hay en los n objetos sacados. Ahora,

1. El numero total de formas
de escoger n objetos de N objetos de la poblacion es

el coeficiente binomial N
n .

2. Supongamos que entre los n objetos escogidos hay k exitos (esto quiere decir que
hay n k fracasos). Como

k exitos

de un total de M exitos que hay en la poblacion se pueden escoger
de M k formas y
n k fracasos de un total

de N M fracasos que hay en la poblacion se
NM
puede escoger de nk formas,

entonces, la cantidad de maneras de escoger una muestra
de tamano n que con-

M NM


tiene k exitos y n k fracasos es igual al producto k nk .

En consecuencia, tenemos el siguiente teorema:

3.7 La distribucion hipergeometrica 51

Fig. 3.14: Esquema grafico para obtener la distribucion hipergeometrica

Teorema 3.7.2 Sea X el numero de exitos obtenidos en una muestra escogida al

azar al realizar un experimento hipergeometrico con parametros n, M y N. Entonces,
la probabilidad de elegir k exitos en n intentos esta dada por
M NM



k nk
P(X = k) = N

, donde k = 0, 1, 2, . . . , n y n N. (3.1)
n

La correspondiente distribucion de X se conoce con el nombre de distribucion

hipergeometrica con parametros n, M y N.

Como podemos verificar, las funciones de probabilidad f y de distribucion F de una

variable aleatoria hipergeometrica con parametros n, M y N estan dadas por
M NM
( k ) ( nk )
, si k = 0, 1, 2, . . . , n y n N;
h(k; n, M, N) := f(k) = (N )
0, n de otra manera.
y X
H(t; n, M, N) := F(t) = P(X t) = h(k; n, M, N),
kt

respectivamente, en donde la suma anterior recorre todos los enteros k no negativos que
son menores o iguales que t.

Aplicaciones de la distribucion hipergeometrica

La distribucion hipergeometrica encuentra aplicaciones en los controles de calidad de
la produccion colectiva. Por ejemplo, un cargamento de mercanca se compone de B
ejemplares buenos y de M ejemplares defectuosos. El buen ejemplar juega el papel de
un bola blanca y el defectuoso, de una bola negra. Para el control de calidad, escogemos
una cargamento de n ejemplares al azar y el ejemplar, precisamente escogido, no se echa
al cargamento, antes de la proxima escogencia. Si B y M fuesen conocidos, entonces,
se podra aplicar la formula (3.1) para calcular la probabilidad de que, entre los n
ejemplares escogidos, hayan k en mal estado. Sin embargo, en la practica, B y M no
son conocidos y la investigacion de la calidad de un determinado numero de ejemplares
sirve precisamente para la estimacion de estos numeros desconocidos.
3.7 La distribucion hipergeometrica 52

Ejemplo 3.7.3 Una cantidad de 60 componentes electricas estan sujetas a un control de

calidad. Fue encontrado que 48 de las componentes no estaban defectuosas y las compo-
nentes que quedaban s lo estaban. Si una muestra aleatoria de 15 componentes son escogidas
de este lote, cual es la probabilidad de que (a) exactamente 11 de ellas, (b) a lo mas 3 de
ellas no esten defectuosas?
SOLUCION:
Sea X la variable aleatoria que representa al numero de componentes no defectuosas. Apli-
cando la distribucion geometrica con parametros n = 15, N = 60 y M = 48, tenemos
48

12

11
P(X = 11) = h(11; 15, 48, 60) =
4
60
= 0, 21026.
15

y
3 48 12 3 48 12




48

12


X j 15j
X j 15j
P(X 3) = 60

= 60

= 3
60

12 3, 251 1010 .
j=0 15 j=3 15 15

Observemos que la primera suma puede comenzar
a evaluarse desde j = 3 (como se observa
12
en la segunda suma) porque el coeficiente 15j = 0, para todo j = 0, 1, 2.

Ejemplo 3.7.4 El consejo de cierta universidad consiste de 66 senadores, 38 de los cuales

son de la facultad de ciencias, 28 de los cuales son de la de artes. Si un comite de 16
senadores fue escogido aleatoriamente, entonces, determine la probabilidad de que el comite
tenga por lo menos 2 senadores de la facultad de arte.
SOLUCION:
Sea X la variable aleatoria que representa al numero de senadores escogidos de la facultad
de arte. Entonces, la probabilidad de que el comite tenga a lo mas un senador de la facultad
de arte esta dada por
28
1

38
28

38
28

38

X j 16j
P(X 1) = 66

= 0
66
16

+ 1
66

15 5, 324 104 .
j=0 16 16 16

Por consiguiente, la probabilidad de que el comite tenga por lo menos 2 senadores de la

facultad de arte sera P(X 2) = 1 P(X 1) 0, 9995%.

Ejemplo 3.7.5 Una compana recibe un pedido de 20 artculos. Dado que la inspeccion
de cada artculo es cara, se sigue la poltica de analizar una muestra de 6 articulos de cada
envo (seleccionada sin reemplazo y sin orden), aceptando la remesa si no hay mas de un
artculo defectuoso en la muestra. Cual es la probabilidad de que sea aceptado un pedido
con cinco artculos defectuosos?
SOLUCION:
Sea X la variable aleatoria que representa al numero de artculos defectuosos en la muestra
de 5. Entonces,

P(aceptar el envo) = P(X 1) = P(X = 0) + P(X = 1)

15 5 15




6 1
= 20

+ 20

5
6 6
= 0, 129 + 0, 387 = 0, 516.

Por consiguiente, la probabilidad de que sea aceptado un pedido con cinco artculos defec-
tuosos es de 0,516.
3.7 La distribucion hipergeometrica 53

Esperanza y varianza de la distribucion hipergeometrica

El siguiente teorema muestra como se puede calcular la esperanza y la varianza de una
variable aleatoria que tiene distribucion hipergeometrica.

Teorema 3.7.6 Si X es una variable aleatoria que tiene distribucion hiper-

geometrica con parametros n, M y N, entonces, se cumple que
   
M Nn M M
E(X) = n y V(X) = n 1 .
N N1 N N

La razon M/N es la proporcion de los exitos de la poblacion. Si sustituimos M/N

por p en las formulas de E(X) = np y V(X) = np(1 p), dadas en el teorema 3.5.8,
obtenemos
 
Nn
E(X) = np y V(X) = np(1 p).
N1
La expresion anterior muestra que la esperanza de las variables binomial e hipergeometrica
son iguales, mientras que las varianzas de las dos variables difieren por el factor (N
n)/(N 1), a veces llamado factor de correccion por poblacion finita. Este
factor es menor que 1, as que la variable hipergeometrica tiene menor varianza que la
n 1
de la binomial. El factor de correccion se puede escribir como (1 N )/(1 N ), que es
aproximadamente 1 cuando la poblacion tiene un tamano muy grande (N ). Una
regla de uso muy frecuente establece que el factor de correccion se puede pasar por alto
n
cuando N 0, 05, es decir, cuando la muestra contiene menos del 5% de los elemen-
tos de la poblacion. Cuando esto sucede, las distribuciones binomial e hipergeometrica
coinciden.

Ejercicios de la seccion 3.7

65. Una caja con 24 calculadoras contiene 4 que estan defectuosas. Si se eligen al azar 4 de
esa caja (sin reemplazo y sin importar el orden), cual es la probabilidad de que:
(a) tres esten defectuosas?
(b) a lo mas una este defectuosa?
(c) por lo menos dos esten defectuosas?
(d) Calcule la media, la varianza y la desviacion estandar del numero de calculadoras
defectuosas entre las 4 seleccionadas.
66. Se embarcan abanicos electricos en lotes de diez. Antes de aceptar un lote, un inspector
elige tres de esos abanicos y los inspecciona. Si ninguno de los abanicos probados esta
defectuosos, el lote se acepta; si uno o mas salen con defectos, revisan todo el lote.
Suponga que hay dos abanicos deficientes. Cual es la probabilidad de que se necesite un
100% de inspeccion?
67. En un almacen hay diez impresoras, de las cuales cuatro estan defectuosas. Un cliente
selecciona, si reemplazo, cinco impresoras al azar. Cual es la probabilidad de que las
cinco esten en buen estado.
3.7 La distribucion hipergeometrica 54

68. Se dispone de diez resistencias, entre las cuales se van a elegir tres sin reemplazo y sin
orden . Sea X la variable aleatoria que representa al numero de resistencias defectuosas.
Construya la funcion de probabilidad de X con las siguientes condiciones:
(a) Hay dos resistencias, entre las diez, que son defectuosas.
(b) Entre las diez resistencias hay cuatro que son defectuosas.
69. Una empresa recibe un pedido de 20 artculos. Dado que la inspeccion de cada artculo
es cara, se sigue la poltica de analizar una muestra aleatoria de 6 artculos de cada envo,
aceptando la remesa si no hay mas de un artculo defectuoso en la muestra. Cual es la
probabilidad de que sea aceptado un pedido con cinco artculos defectuosos?
70. Una empresa recibe un pedido de 1.000 artculos. Se analiza una muestra aleatoria de
15 artculos y se acepta el pedido si menos de tres resultan defectuosos. Cual es la
probabilidad de aceptar un envo que contenga un 5% de artculos defectuosos?
71. El rector de un colegio publico esta considerando la posibilidad de darle trabajo a nueve
personas que lo han solicitado. El perfil de todos los solicitantes es similar, excepto en
que cuatro son licenciados y el resto aun no lo es. Al final, el rector aprueba cinco
solicitudes. Si estas cinco solicitudes han sido elegidas aleatoriamente del total, cual es
la probabilidad de que menos de la mitad de las aprobadas sean solicitudes de personas
que son licenciados?
72. Una persona ha recibido una caja de 12 manzanas, de las cuales 5 son verdes y las otras
7, rojas. Supongamos que ella selecciona al azar 5 manzanas de la caja. Cual es la
probabilidad de que entre las 5 seleccionadas (a) hallan 2 manzanas rojas, (b) hallan por
lo menos 4 manzanas verdes, (c) no hallan manzanas rojas, (d) hallan a lo mas 2 manzanas
verdes.
73. Cada uno de los 13 computadores de cierta marca ha sido devuelto a un proveedor de-
bido al mal funcionamiento de ciertos programas bajo un determinado sistema operativo.
Supongamos que 7 de estos 13 tienen problemas con la memoria RAM y los otros 6 tienen
problemas con los ejecutables EXE. Si se examinan al azar y sin reemplazo 6 de estos
computadores, cual es la probabilidad de que (a) exactamente 3, (b) a lo mas 2, (c)
estrictamente entre 2 y 5 computadores tengan problemas con la memoria RAM?
74. En el da de su cumpleanos, un joven recibio 5 discos compactos de musica romantica y
4 de musica clasica. Despues de recibidos todos los discos compactos, los apilo en orden
aleatorio antes de comenzar a escucharlos. Considere los 3 primeros discos compactos que
ha escuchado Brian.
(a) Cual es la probabilidad de que exactamente 2 de ellos sean de musica romantica?
(b) Cual es la probabilidad de que al menos 2 de ellos sean de musica romantica?
(c) Cuales son el valor medio y la desviacion estandar de la cantidad entre los 3, que
sean de musica romantica?
(d) Cuales son el valor medio y la desviacion estandar, del numero de discos compactos
que no esten entre los 3 primeros y que sean de musica romantica?
75. El jefe de personal de cierta empresa entrevista a 9 personas para cinco vacantes. Para
ello ha programado 5 entrevistas para el primer da de entrevistas y 4 para el segundo da.
Suponga que los candidatos son entrevistados al azar.
(a) Cual es la probabilidad de que k de los mejores cuatro candidatos sean entrevistados
el primer da?
(b) Cuantos de los mejores cuatro candidatos pueden esperar ser entrevistados el primer
da?
 3.8 Las distribuciones binomial negativa y geometrica 55

76. Una reunion poltica para discutir la aceptacion de una reforma social termino en discusion
debido a que ocho de los polticos que participaron en la reunion estuvieron a favor la
reforma, mientras que los otros cuatro no lo estaban. Suponga que los polticos que
participaron en la reunion salen de la oficina en orden aleatorio y que cada uno de los
cuatro primeros es abordado por un reportero para entrevistarlo.
(a) Cual es la funcion de probabilidad del numero de los polticos, entre los entrevistados,
a favor de la reforma?
(b) Cuantos a favor de la reforma se espera que sean entrevistados?
77. Se selecciona al azar un comite de 3 personas entre 3 matematicos y 5 fsicos.
(a) Encuentre la funcion de probabilidad para el numero de matematicos en el comite.
(b) Calcule la probabilidad de que en el comite hayan por lo menos dos fsicos.
78. Una senora siembra en el jardn de su casa 6 semillas seleccionadas al azar de una caja
que contiene tres semillas de nspero y cuatro de zapote. Cual es la probabilidad de que
entre las 6 semillas hayan dos de nspero?
79. Una determinada empresa esta interesada en evaluar su procedimiento de inspeccion actual
en embarques de 50 artculos identicos. El procedimiento es tomar una muestra de cinco
y pasar el embarque si no se encuentra mas de dos defectuosos. Que proporcion del 20%
de embarques defectuosos se aceptara?

3.8 Las distribuciones binomial negativa y geometrica

Experimento binomial negativo
Consideremos un experimento que satisface las mismas propiedades que las de un exper-
imento binomial, con la excepcion de que los experimentos se repetiran hasta que ocurra
un numero determinado de exitos. Por lo tanto, en lugar de encontrar la probabilidad
de k exitos en n experimentos, donde n es fijo, ahora estamos interesados en la proba-
bilidad de que el k-esimo exito ocurra en el r-esimo experimento. Los experimentos de
esta clase recibe el nombre de experimentos binomiales negativos. En otras palabras, un
experimento binomial negativo con parametros r y p esta caracterizado por las
siguientes condiciones:

(BN1) El experimento consta de una serie de experimentos de Bernoulli y que son inde-
pendientes entre s.

(BN2) La probabilidad de exito p de cada experimento de Bernoulli es siempre la misma.

(BN3) El experimento continua hasta que un total de r exitos se haya observado, siendo
r un entero no negativo dado.

Distribucion binomial negativa

La variable de interes en un experimento binomial negativo con parametros r y p es X =
numero de fracasos que preceden al r-esimo exito. Observese que X tiene valores 0,
1, 2, . . .. La distribucion de probabilidad de X, llamada distribucion binomial negativa,
depende de los parametros r y p y la probabilidad que inicialmente nos interesa estudiar
3.8 Las distribuciones binomial negativa y geometrica 56

es la de obtener k fracasos antes del r-esimo exito, la cual simbolizaremos con bn(k; r; p).
Es decir, estaremos interesados en calcular la probabilidad

P(X = k) = bn(k; r; p),

cuya formula deduciremos a continuacion. Observese que el evento {X = k} es equiva-

lente9 al evento r 1 exitos en los primeros k + r 1 experimentos y un exito en en
(k + r)-esimo experimento. Sean A y E los eventos que representan a r 1 exitos en
los primeros k + r 1 experimentos y un exito en en (k + r)-esimo experimento,
respectivamente. Con esto, el evento {X = k} es equivalente al evento A E. Como
todos los experimentos son independientes (y, por lo tanto, tambien A y E), entonces,

bn(k; r, p) = P(X = k) = P(A E) = P(A) P(E).

Ahora, debido a que p = P(E) y a que la probabilidad

 
k + r 1 r1
P(A) = b(r 1; k + r 1, p) = p (1 p)k
r1
es una probabilidad binomial con parametros k + r 1 y p, entonces,
   
k + r 1 r1 k+r1 r
bn(k; r, p) = p (1 p)k p = p (1 p)k.
r1 r1
Esto conduce al siguiente teorema:

Teorema 3.8.1 Sea X el numero de fracasos que preceden al r-esimo exito en un

experimento binomial negativo con parametros r y p. Entonces, la probabilidad de
que hayan k fracasos antes del r-esimo exito esta dada por
 
k+r1 r
bn(k; r, p) = P(X = k) = p (1 p)k, k = 0, 1, 2, . . . .
r1

La correspondiente distribucion de X se conoce con el nombre de distribucion

binomial negativa con parametros r y p.

Las funciones de probabilidad f y de distribucion F de una variable aleatoria X que tiene

distribucion binomial negativa con parametros r y p estan dadas por
k+r1
r
r1 p (1 p)k, si k = 0, 1, 2, . . .;
bn(k; r, p) := f(k) =

0, de otra manera.
y X
Bn(t; r, p) := F(t) = P(X t) = bn(k; r, p),
kt

respectivamente, en donde la suma anterior recorre todos los enteros no negativos que
son menores o iguales que t.
9
Por ejemplo, si r = 6 y k = 13, entonces, debe haber 4 exitos en los primeros 18 experimentos
y el experimento 19 debe ser 1 exito.
3.8 Las distribuciones binomial negativa y geometrica 57

Ejemplo 3.8.2 Una pareja desea tener exactamente dos ninas en su familia. Tendran hijos
hasta que se satisfaga esta condicion. Suponiendo que la probabilidad de que el hijo que
nazca varon es igual a 0,5,
(a) cual es la probabilidad de que la familia tenga k hijos varones?
(b) Cual es la probabilidad de que la familia tenga 4 hijos?
(c) Cual es la probabilidad de que la familia tenga a lo mas 4 hijos?
SOLUCION:
Sea X la variable aleatoria que representa a numero de varones que nacen antes de que
nazca la segunda hembra. Es claro ver que X tiene distribucion binomial negativa con los
parametros r = 2 y p = 0, 5.

(a) Por el teorema 3.8.1, la probabilidad pedida es

 
k+1
P(X = k) = bn(k; 2; 0, 5) = (0, 5)2 (0, 5)k = (k + 1) (0, 5)k+2 .
1

(b) Nos piden calcular P(X = 2), la cual, por la parte (a), es igual a

P(X = 2) = (2 + 1)(0, 5)2+2 = 3(0, 5)4 = 0, 188.

Es decir, la probabilidad de que la familia tenga exactamente 4 hijos es aproximadamente

del 0,188.
(c) Nos piden calcular P(X 2), la cual, por la parte (a), es igual a

P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = (0, 5)2 + 2(0, 5)3 + 3(0, 5)4 = 0, 688.

Es decir, la probabilidad de que la familia tenga a lo mas 4 hijos es aproximadamente

del 0.688.

Esperanza y varianza de la distribucion binomial negativa

El siguiente teorema muestra como se puede calcular la esperanza y la varianza de una
variable aleatoria que tiene distribucion binomial negativa.

Teorema 3.8.3 Si X es una variable aleatoria que tiene distribucion binomial ne-
gativa con parametros r y p, entonces, se cumple que

r(1 p) r(1 p)
E(X) = y V(X) = .
p p2

Ejemplo 3.8.4 Consideremos la situacion presentada en el ejemplo 3.8.2.

(a) Cuantos varones se esperara que tenga esta familia?
(b) Cuantos hijos se esperara que tenga esta familia?
SOLUCION:
Sea X como en el ejemplo 3.8.2. En ese mismo ejemplo se determino que X tiene distribucion
binomial negativa con los parametros r = 2 y p = 1.
3.8 Las distribuciones binomial negativa y geometrica 58

(a) Nos piden calcular la esperanza de X, la cual, por el teorema 3.8.3, esta dada por

2(1 0, 5)
E(X) = = 2.
0, 5

(b) Aqu nos piden calcular la esperanza de X + 2. Por tanto,

E(X + 2) = E(X) + 2 = 4.

En conclusion, se espera que esta familia tenga 2 varones y un total de 4 hijos.

Distribucion geometrica
Como caso especial, la distribucion binomial negativa con parametros r = 1 y p se
conoce con el nombre de distribucion geometrica con parametro p. Como caso particu-
lar de los teoremas 3.8.1 y 3.8.3, con r = 1, tenemos el siguiente teorema:

Teorema 3.8.5 Sea X el numero de fracasos que preceden al primer exito en un

experimento binomial negativo con parametros 1 y p. Entonces, la probabilidad de
que hayan k fracasos antes del primer exito esta dada por

P(X = k) = bn(k; 1, p) = p (1 p)k, k = 0, 1, 2, . . . .

La correspondiente distribucion de X se conoce con el nombre de distribucion

geometrica con parametros p. Ademas, E(X) = 1p 1p
p y V(X) = p2 .

Ejemplo 3.8.6 Las etiquetas en los frascos de los medicamentos se examinan con un lector
optico para comprobar que estan debidamente adheridas a las botellas. Suponga que la
probabilidad de descubrir una etiqueta mal adherida es 0,0001.
(a) Calcule la probabilidad de que el proceso detecte una etiqueta con tales caractersticas
en el primer ensayo.
(b) Calcule la probabilidad de que el proceso descubra por primera vez una etiqueta mal
adherida en diezmilesima botella.
(c) Encuentre el valor esperado y la desviacion estandar del numero de etiquetas examinadas
hasta que se encuentra una etiqueta mal adherida.
SOLUCION:
Sea X es la variable aleatoria que representa al numero de ensayos realizados antes de encon-
trar la primera etiqueta mal adherida. Dando por sentado que los ensayos son de Bernoulli,
con p := P(exito) = 0, 0001, empleamos una distribucion geometrica. Por consiguiente,
(a) P(X = 0) = p(1 p)0 = p = 0, 0001.
(b) P(X = 10.000) = p(1 p)10.000 = (0, 0001)(0, 9999)10.000 = 0, 0000368.
Observemos que, aun cuando esperamos una etiqueta mal adherida en cada 10.000 botellas,
la probabilidad de que en la siguiente botella se encuentre una de ellas es mas alta que la
probabilidad de que se encuentre despues de 10.000 botellas.
3.8 Las distribuciones binomial negativa y geometrica 59

(c) Tenemos que p = 0, 0001, de modo que E(X) = 1/(0, 0001) = 10.000. Es razonable
pensar que si una de cada 10.000 etiquetas esta mal adherida, tendremos que esperar
un promedio de 10.000 botellas para encontrar una botella con tales caractersticas.
La varianza es
1 0, 0001
V(Y) = = 99.990.000.
(0, 0001)2

Por lo tanto, la desviacion estandar es 99.990.000 = 9.999, 5.

Ejercicios de la seccion 3.8

80. El 10% de los motores armados en una fabrica de montaje estan defectuosos. Si se
seleccionan en forma aleatoria uno por uno y se prueba, calcule la probabilidad de localizar
el tercer motor sin defecto (a) en el quinto ensayo,(b) en el quinto ensayo o antes.
81. De acuerdo con un estudio geologico, en un pozo de exploracion petrolera hay 0,2 de pro-
babilidad de encontrar petroleo. Calcule la probabilidad de localizar petroleo por primera
vez en el tercer pozo que se perfore.
82. Nubia y Jorge deciden tener hijos hasta que tengan cuatro del mismo sexo. Si se supone
que la probabilidad de que nazca varon es de 0,5, cual es la funcion de probabilidad del
numero de hijos de Nubia y Jorge?
83. Tres hermanos y sus respectivas esposas deciden tener hijos hasta que cada familia tenga
dos ninas.
(a) Cual es la funcion de probabilidad del numero total de varones nacidos de los her-
manos?
(b) Cual es la esperanza del numero total de varones nacidos de los hermanos y como
se compara con el numero esperado de varones nacidos de cada hermano?
84. Encuentre la probabilidad de que una persona que lanza tres monedas obtenga solo caras
o sellos por segunda vez en el sexto lanzamiento.
85. Se sabe que en cierto proceso de fabricacion, en promedio, uno de cada 100 artculos esta
defectuoso. Cual es la probabilidad de que el sexto artculo que se inspecciona sea el
primer defectuoso que se encuentra.
86. Si la probabilidad de que un ladron sea atrapado en un robo cualquiera es 0,20. Cual es
la probabilidad de que lo capturen por primera vez en su cuarto robo?
87. Si 0,05 es la probabilidad de que cierto instrumento de medicion sufra una desviacion
excesiva, cual es la probabilidad de que el sexto de los instrumentos probados sea el
primero en mostrar esa desviacion?
88. Un tirador experto da en el blanco el 95% de las veces. Cual es la probabilidad de que
falle por primera vez en su decimoquinto disparo?
89. Los expedientes de una compana de albercas indican que la probabilidad de que una de
sus nuevas albercas requiera reparacion en el plazo de un ano es 0,20. Cual sera la
probabilidad de que la sexta alberca construda en un ano determinado sea la primera en
requerir reparacion en ese lapso?
3.9 Uso de Statgraphics para trabajar con distribuciones discretas 60

3.9 Uso de Statgraphics para trabajar con distribuciones

discretas
Introduccion
A traves del programa Statgraphics se escoge una de las distribuciones que incluye el
programa y se introducen los valores de los parametros de la distribucion. El programa
permite calcular probabilidades para puntos en variables aleatorias discretas y para in-
tervalos en variables aleatorias discretas y continuas (en esta seccion nos limitaremos
al caso discreto y en la seccion ?? al caso continuo). As mismo, permite calcular
cuantiles o percentiles para ambos tipos de variables aleatorias. Tambien representa
graficamente las distribuciones de probabilidad. En esta seccion se presenta en primer
lugar una descripcion de las opciones para calculo de probabilidades (en el caso discreto)
con Statgraphics, junto con algunos ejemplos.

Opciones de Statgraphics para probabilidad

Se escoge la opcion Plot de la barra de menu.

Dentro de Plot, se escoge Probability Distributions.

Dentro de Probability Distributions, se escoge la distribucion deseada. Los valores

de los parametros que definen la distribucion (estan fijados por defecto por el
programa) se pueden modificar pulsando el boton derecho del raton y escogiendo
la opcion Analysis Options.

Opciones numericas
Situandose en el icono de Tabular options (de color amarillo) y pulsando el boton
izquierdo del raton, el programa ofrece cuatro posibilidades:

Analysis Summary (opcion por defecto).

El programa presenta un recordatorio de la distribucion escogida y los valores de
los parametros.

Cumulative Distribution Function (calculo de probabilidad).

Dado un valor x de la variable aleatoria X, el programa calcula tres probabilidades:
P(X < x), P(X = x) y P(X > x). El valor x se introduce pulsando el boton derecho
del raton, escogiendo Pane Options y rellenando o modificando uno (o varios) de
los recuadros blancos que aparecen mediante el teclado.

Inverse CDF (calculo de percentiles o cuantiles).

Dado un valor de probabilidad p, el programa calcula el valor x tal que F(x) = p.
El valor de p se introduce pulsando el boton derecho del raton, escogiendo Pane
Options y rellenando o modificando uno (o varios) de los recuadros blancos que
aparecen.

Random Numbers (generacion de numeros aleatorios).

El programa genera n valores aleatorios de una distribucion elegida. El valor de n
3.9 Uso de Statgraphics para trabajar con distribuciones discretas 61

se fija pulsando el boton derecho del raton, escogiendo Pane Options y escribiendo
en la opcion Size el valor deseado. A continuacion, para generar la serie de numeros
aleatorios, hay que situarse en el cono Save results (cuarto cono, el que lleva un
dibujo de un diskette) y pulsar el boton izquierdo del raton. El programa permite
guardar los valores generados (marcando el recuadro bajo el ttulo Save con el
boton izquierdo del raton) y pide al usuario que escoja un nombre para la variable
bajo la cual se almacena la columna de datos (por defecto, las denomina RAND1,
RAND2, etc,..., aunque el usuario puede cambiarlas situando el cursor encima de
cualquiera de ellas en los recuadros bajo el ttulo target variables y moidificando
el texto mediante el teclado). Se pueden generar muestras secuencialmente con
rapidez sin mas que pinchar en el cuarto icono y cambiar el nombre de la variable
(RAND1, RAND2,...).

Opciones graficas
Las opciones graficas se seleccionan pulsando el icono Graphical Options (tercer icono,
en el que aparece una grafica) de la barra de herramientas con el boton izquierdo del
raton. El programa ofrece cinco posibilidades, a saber:

Density/Mass Function.
Esta opcion crea una grafica de la funcion de probabilidad (o de densidad en el
caso continuo) que se esta evaluando.

CDF : Esta opcion crea una grafica de la funcion de distribucion acumulada que
se esta evaluando.

Survivor Function: Esta opcion crea una grafica de la funcion complementaria

de la funcion de distribucion acumulada (funcion de supervivencia) que se esta
evaluando. La funcion indica la probabilidad de obtener un valor mayor o igual a
los valores sobre el eje X.

Log Survivor Function: Esta opcion crea una grafica de la logaritmo de la funcion
de supervivencia que se esta evaluando. La funcion de supervivencia indica
la probabilidad de obtener un valor mayor o igual a los valores sobre el eje X.

Hazard Function: Esta opcion crea un grafica de la funcion de riesgo para la

distribucion que se esta evaluando. La funcion de riesgo es igual a la funcion
de probabilidad (o de densidad en el caso continuo) dividida por la funcion de
supervivencia.

Ejemplo 3.9.1 El porcentaje de piezas defectuosas producidas en un proceso es del 5%.

Calcular la probabilidad de que de 150 piezas producidas mediante el proceso en cuestion
hayan como maximo seis defectuosas.
SOLUCION:
Se eligen las opciones Plot, a continuacion Probability Distributions y seguidamente se
escoge la distribucion binomial. Marcando en el cono Input dialog (primer cono, rojo) se
podra posteriormente cambiar de tipo de distribucion en el mismo analisis. Pulsando el
boton derecho del raton y escogiendo Analysis Options, se fija el valor de n (Trials) en 150
y el de p (Event probability) en 0,05. Pulsando en el cono Tabular Options (segundo cono,
amarillo) se escoge CDF. Pulsando otra vez el boton derecho del raton y escogiendo ahora
 Cap. 3. Ejercicios complementarios 62

Pane Options, se fija elige el valor de la variable (Random variable) en 6. La solucion que
da el programa es 1 F(6) (Upper tail area) = 0, 627. Es decir, F(6) = 0.373.

Ejercicios de la seccion 3.9

s 90. Un agente de seguros vende polizas a 5 individuos, todos de la misma edad. De acuerdo
con las tablas actuariales, la probabilidad de que un individuo con esa edad viva 30 anos
mas es de 3/5. Determinar la probabilidad de que dentro de anos vivan (a) los 5 individuos,
(b) al menos 3, (c) solo 2, (d) al menos 1.
s 91. Se ha producido un vertido de productos radiactivos en una zona A; se detectara la
contaminacion solo en los puntos en que se supere un total de 30 desintegraciones en un
minuto. Si en un punto el numero de desintegraciones por minuto sigue una distribucion de
Poisson con media 33, calcular la probabilidad de que al cabo de un minuto sea detectada
la contaminacion en ese punto.
s 92. En el primer curso de una facultad hay cinco asignaturas y se permite pasar al segundo
curso a todos los alumnos que hayan aprobado un mnimo de 3 asignaturas. Si la proba-
bilidad de aprobar cada asignatura es del 60%, cual es la de pasar a segundo curso?
s 93. El numero medio de automoviles que llega a una estacion de suministro de gasolina es
de 210 por hora. Si dicha estacion puede atender a un maximo de 10 automoviles por
minuto, determinar la probabilidad de que en un minuto dado lleguen a la estacion de
suministro mas automoviles de los que puede atender.
s 94. En la Unidad de Cuidados Intensivos de un hospital hay 30 camas. Si el numero de
enfermos graves que llegan al hospital por da sigue una distribucion de Poisson con
media 20, cual es la probabilidad de que en un da falten camas en la unidad?
s 95. Un equipo de seis medicos se turna para hacer las guardias. Si la probabilidad de causar
baja para cada uno de ellos en un periodo de dos meses es de 0,1 y la baja de un facultativo
es independiente de las de los demas, cual es la probabilidad de que haya que suplir al
menos a uno de ellos en dicho perodo?

Ejercicios complementarios
96. Son las siguientes afirmaciones verdaderas o falsas? Justificar cada respuesta.
(a) Toda variable aleatoria discreta es un numero.
(b) Si f es la funcion de probabilidad de una variable aleatoria discreta X y 0 es un posible
valor de X, entonces, f(0) = 0.
(c) Para cualquier variable aleatoria discreta X se cumple que P(X = 1) = 1, en donde 1
es un posible valor de X.
(d) Si F es la funcion de distribucion acumulada de una variable aleatoria X discreta,
entonces, F es una funcion escalonada
(e) Si X es una variable aleatoria discreta con funcion de distribucion acumulada F, en-
tonces, se cumple que P(3 X < 5) = F(5) F(3).
(f) Si X es cualquier varaible aleatoria discreta, entonces, la desviacion estandar de la
variable aleatoria X + 2 es diferente a la desviacion estandar de X.
(g) Si X es cualquier variable aleatoria discreta y si la variable aleatoria X + 2 tiene
esperanza 1, entonces, la esperanza de X es 3.
Cap. 3. Ejercicios complementarios 63

97. Dos dados no cargados se tiran independientemente. Sea X la variable aleatoria que
representa al maximo numero que resulta en ambas caras.
(a) Halle la funcion de probabilidad f de X.
(b) Halle la funcion de distribucion acumulada F de X y representela graficamente.
98. Una caja contiene cuatro tornillos de cuerda derecha y seis de cuerda izquierda. Se
seleccionan dos tornillos (uno por uno). Sea X la variable aleatoria que representa al
numero de tornillos de cuerda izquierda que se obtienen.
(a) Si la seleccion es sin reemplazo, construya la funcion de probabilidad y grafquela;
construya la funcion de distribucion acumulada y grafquela; calcule la media e in-
terpretela y calcule la varianza. Que tipo de experimento aleatorio es este? Por
que?
(b) Si la seleccion es con reemplazo, construya la funcion de probabilidad y grafquela;
construya la funcion de distribucion acumulada y grafquela; calcule la media e in-
terpretela y calcule la varianza. Que tipo de experimento aleatorio es este? Por
que?
99. Una determinada revista, que evalua la calidad del funcionamiento de computadores
nuevos, reporta regularmente el numero de defectos importantes que tiene cada com-
putador en cada examen. Sea X la variable aleatoria que representa al numero de defectos
importantes en un computador de cierto tipo seleccionado al azar. Supongamos que la
funcion de distribucion acumulada F de X es como sigue:


0, si t < 0,




0, 18, si 0 t < 1,

0, 39, si 1 t < 2,
F(t) =


0, 63, si 2 t < 3,


0, 89, si 3 t < 4,



1, si 4 t.

(a) Calcule la probabilidad de que el numero de defectos importantes en un computador

de cierto tipo seleccionado al azar sea igual a 1.
(b) Calcule la probabilidad de que el numero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea estrictamente mayor que 2.
(c) Calcule la probabilidad de que el numero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea mayor o igual que 2, pero menor o igual que 4.
(d) Calcule la probabilidad de que el numero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea estrictamente mayor que 1 y estrictamente
menor que 4.
(e) Halle la funcion de probabilidad f de X.
(f) Utilizando f, encuentre las probabilidades de los incisos (a) hasta (d).

100. La probabilidad de que una persona, que vive en cierta ciudad de Colombia, tenga un gato
es de 0,6. Encuentre la probabilidad de que la undecima persona entrevistada al azar en
esta ciudad sea la cuarta que tiene un gato.
101. Un empresario necesita conocer algunos detalles sobre el proyecto financiero que debe
presentar ante el consejo directivo el proximo martes y decide llamar por telefono a los
companeros que hacen parte del proyecto para preguntarles. Cree que, en cada llamada,
la probabilidad de obtener la informacion necesaria es 0,30. Decide seguir llamando a sus
companeros hasta que consiga la informacion. Sea X la variable aleatoria que representa
el numero de llamadas necesarias para obtener la informacion.
Cap. 3. Ejercicios complementarios 64

(a) Construya y grafique la funcion de probabilidad de X.

(b) Construya y grafique la funcion de distribucion acumulada de X.
(c) Calcule la probabilidad de que se necesiten al menos tres llamadas.

102. Sea X la variable aleatoria que representa al numero de llamadas telefonicas que recibe
un conmutador durante un intervalo de cinco minutos. Supongamos que X tiene funcion
de probabilidad
e3 3x
f(x) = , para x = 0, 1, 2, . . . .
x!
(a) Determine la probabilidad de que X sea igual a 0, 1, 2, 3 y 4.
(b) Grafique la funcion de probabilidad de X para estos valores de x.

103. Una persona en Alemania puede repetir su examen de conduccion tantas veces lo quiera
hasta que lo gane para poder recibir su permiso de conduccion. Supongamos que la prob-
abilidad de que una determinada persona en Alemania apruebe su examen de conduccion
es 0,7. Determine la probabilidad de que esa persona apruebe el examen de conduccion
(a) en el tercer, (b) antes del cuarto intento.
104. Suponga que un distribuidor de monedas antiguas se interesa en la compra de una moneda
de oro para el que las probabilidades 0,31, 0,26; 0,25 y 0,18 son las de que pueda venderlo
con una ganancia de $500.000; una ganancia de $300.000; venderlo al costo; o venderlo
con una perdida de $300.000. Cual es su ganancia esperada? Interprete su respuesta.
105. Una persona tiene la opcion de seleccionar dos temas (la dieta y el asma) para proponer
un reportaje en un periodico local. Si elige el tema la dieta pedira dos libros por medio
de prestamos entre bibliotecas, pero si selecciona el tema del asma pedira cuatro libros.
La persona cree que, para un buen reportaje, necesita por lo menos la mitad de los libros
solicitados para cualquiera de los temas seleccionados. Si la probabilidad de que un libro
solicitado por medio de prestamo entre bibliotecas en realidad llegue a tiempo es 0,9 y los
libros llegan independientemente unos de otros,
(a) cual tema debe seleccionar la persona para llevar al maximo la probabilidad de hacer
un buen reportaje?
(b) Cual si la probabilidad de llegada es solo 0,5 en lugar de 0,9 ?
106. De todos los clientes que compran computadores portatiles, 75% compran uno con 256 MB
de memoria RAM. Sea X el numero entre los siguientes 10 compradores que seleccionan
un computador portatil con 256 MB de memoria RAM.
(a) Cual es la funcion de probabilidad de X?
(b) Cual es la probabilidad de que el numero entre los siguientes 10 compradores que
seleccionan un computador portatil con 256 MB de memoria RAM sea mayor o igual
que 7? Este entre 6 y 13 (ambos inclusive)?
(c) Calcule la esperanza y desviacion del numero entre los siguientes 10 compradores que
seleccionan un computador portatil con 256 MB de memoria RAM. Interprete sus
respuestas.
(d) Si la tienda tienda actualmente tiene en existencia 8 portatiles con 256 MB de memoria
RAM y 7 con 300 MB de memoria RAM, cual es la probabilidad de que todas las
solicitudes de estos 10 clientes puedan satisfacerse con la existencia actual?
107. El numero de llamadas telefonicas recibidas en una determinada oficina para formular una
queja es un proceso de Poisson con razon = 4 por hora.
Cap. 3. Ejercicios complementarios 65

(a) Calcule la probabilidad de que exactamente 10 llamadas telefonicas se reciban durante

un periodo en particular de dos horas.
(b) Si los empleados que reciben las llamadas en la central descansan 30 minutos para
tomar alimentos, cual es la probabilidad de que no se pierda ninguna llamada de
asistencia?
(c) Cuantas llamadas se esperaran durante el descanso?
108. En una maraton de atletismo, la probabilidad de que un atleta termine la carrera es 0,99.
Suponga que una maraton comienza siempre con 400 atletas.
(a) Cuantos atletas se esperan que terminen la carrera y cual es la desviacion estandar
del numero que se espera que no terminen la carrera?
(b) Cual es la probabilidad (aproximada) de que por lo menos cuatro atletas no terminen
la carrera?
109. Un determinado peloton militar tiene disponibles 3 soldados de Alemania, 5 de Colombia,
4 de Japon y 7 de Venezuela. Si se seleccionan a 8 de estos soldados para una exploracion
militar, encuentre la probabilidad de que hayan 2 soldados de Alemania, 2 de Colombia,
3 de Japon y 1 de Venezuela.
110. Suponga que la probabilidad de que, al ser revisado, un soldado tenga sus botas comple-
tamente limpias sea de 0,7. Cual es la probabilidad de que
(a) el quinto soldado revisado sea el tercero en tener sus botas completamente limpias?
(b) el cuarto soldado revisado sea el primero en tener sus botas completamente limpias.
111. Un tienda de deportes generalmente compra lotes grande de cierta marca de balones de
futbol. Se utiliza un metodo que rechaza un lote si se encuentran dos o mas unidades
defectuosas en una muestra aleatoria de 25 unidades.
(a) Cual es la probabilidad de rechazar un lote que tiene 5% de unidades defectuosas?
(b) Cual es la probabilidad de aceptar un lote que tiene 10% de unidades defectuosas?
112. Una encuesta a nivel nacional, hecha por cierta universidad a los estudiantes de undecimo
grado, revela que aproximadamente el 80% no tienen computador en su casa. Si se
seleccionan al azar 15 de estos estudiantes y se les hace la encuesta, cual es la probabilidad
de que mas de cinco pero menos de once tengan computador en su casa?
113. El numero de personas que llegan por hora a cierta tienda se supone que tiene distribucion
de Poisson con = 5.
(a) Cual es la probabilidad de que mas de 7 personas lleguen en un perodo de dos horas?
(b) Cual es el numero medio de llegadas durante un perodo de dos horas?
114. La probabilidad de que una persona muera cuando contrae una infeccion pulmonar es
0,003. De los siguientes 4.000 infectados con este tipo de enfermedad, cual es el numero
medio que morira?
115. Si el espacio muestral es un conjunto infinito, implica esto necesariamente que cualquier
variable aleatoria X definida sobre tendra un conjunto infinito de valores posibles? Si
es as, diga por que. Si no, de un ejemplo.
116. Suponga que el numero de plantas de un tipo particular se encuentra en una region
rectangular de cierta area geografica es una variable aleatoria X con funcion de probabilidad

c/x3 , si x = 1, 2, 3, . . .,
f(x) =
0, de otro modo.
 Cap. 3. Ejercicios complementarios 66

Halle c para que f sea en realidad una funcion de probabilidad. Es E(X) finita? Justifique
su respuesta.
117. Encuentre la esperanza y varianza de una variable X si esta se define de modo que

E([X 2]2 ) = 5, E([X 4]2 ) = 5.

118. Suponga que E(X) = 5 y E(X[X 1]) = 27, 5. Calcule E(X2 ) y V(X).
119. Demuestre que la funcion de distribucion acumulada F de una variable aleatoria discreta
X es una funcion no decreciente, es decir, si x1 < x2 , entonces, F(x1 ) F(x2 ). En que
condicion sera F(x1 ) = F(x2 )?
120. Demuestre que E(aX + b) = aE(X) + b y V(aX + b) = a2 .
121. Para n fija, hay valores de p con 0 p 1 para los cuales V(X) = 0. Para que valor
de p es V(X) es maxima? Explique.
122. Si X es una variable aleatoria binomial con parametros n y p, demuestre que E(X) = np
y V(X) = np(1 p).
123. Si X tiene distribucion hipergeometrica con
parametros n, M y N, demuestre que E(X) =
M Nn M M


n N y V(X) = N1 n N 1 N .
124. Si X tiene distribucion de Poisson con parametro , demuestre que E(X) = V(X) = .
 Respuestas a ejercicios impares
seleccionados

Captulo 3

7. (a) 1/37 (b) 1/31 35. (a) 0,2612736 (b) 0,6561 (c) 0,104
(d) 0,9897462
9. (a) 0,55 (b) 0,70 (c) 0,45 (d) 0,34 (e)
0,70 (f) 0,45 37. (a) 0,10689 (b) 0,295652 (c) 9,5128
107 (d) 0,6637
11. (b) f(k) = k2 2k

3

/10, con
39. (b) 0,6528 (c) 0,92224 (d) 2; 1,2
k = 0, 1, 2
41. No
13. (a) 0,47 (b) 0,70 (d) 0,41 (e) 0,31
43. (a) 0,984 (b) 0 (c) 0,075 (d) 0,358
15. (c) 15/28 (d) 45/56 (e) 1; 0,9746
17. f(k) = (k 1)(0, 05)k2 (0, 95)2 , para 45. (a) 0,127 (b) 0,463 (c) 0,91
k = 2, 3, 4, 5, . . . 47. (a) 0,9891 (b) 0,5798
19. (c) 1,93; 2,6830 49. (a) 0,02857 (b) 0,0767
51. 0,834
21. (a) 25,55; 669,75; 16,9472 (b) 380,25;
254,208 (c) 644,2 53. (a) 0,070 (b) 0,033 (c) 0,93 (d) 0,177
(e) 0,036
23. 1
55. (a) 0,195 (b) 0,352 (c) 0,982 (d)
25. $2.430.451 0,238
27. (c) 0,72 (d) 2,21; 1,235 57. (a) 0,168 (b) 0,392 (c) 0,647 (d)
0,353
29. (c) 0,66 (d) 9,33; 2,0152 (e) 1.981,34
59. (a) 10; 3,16227 (b) 0,542 (c) 0
pesos
61. (a) 0,091; 0,90; 0,283 (b) 12; 3,464
31. 27,5; 56,25 (c) 0,53; 0,011
33. 8; 60,7 63. (a) 0,1429 (b) 0,1353
Respuestas a ejercicios impares seleccionados 68

65. (a) 0,006023 (b) 0,38208 (c) 0,61792 87. 0,038689

(d) 0,67; 0,6947
89. 0,000256
67. 0,0238
99. (a) 0,21 (b) 0,37 (c) 0,61 (d) 0,50
69. 0,516 101. (a) f(k) = (0, 30)(0, 70)k1 , con
71. 0,4762 k = 1, 2, 3, . . . (b) F(t) = 1 (0, 70)t si
t = 1, 2, 3, . . .; F(t) = 0, de otra forma
73. (a) 0,408 (b) 0,20862 (c) 0,71387 (c) 0,657
75. (a) f(k) = k4 5k

5

/126, con 103. (a) 0,0630 (b) 0,9730
k = 0, 1, 2, 3, 4, 5 (b) 20/9
105. (a) El asma (b) La dieta
77. (a) f(k) = k3 4k

4

/56, con
k = 0, 1, 2, 3, 4 (b) 8/3 107. (a) 0,099 (b) 0,135 (c) 2

79. 0,9517 109. 0,011114

81. 0,128 111. (a) 0,358 (b) 0,271

113. (a) 0,133 (b) 10
83. (a) f(k) = k+5 6+k


5 (0, 5) , con
k = 0, 1, 2, . . . (b) 6 115. No
85. 0,0095099 117. 3; 4
 Indice

Conjunto Proceso de Poisson, 39

enumerable, 4
Regla
Desviacion de Tchevichev, 26
estandar emprica, 26
de una funcion, 25
de una variable aleatoria, 23 Teorema
Distribucion de aproximacion
binomial, 33 de la binomial a la de Poisson, 43
binomial negativa, 56
de Poisson, 40 Valor esperado, ver esperanza
geometrica, 58 Variable aleatoria, 3
hipergeometrica, 51 continua, 4
uniforme (discreta), 29 discreta, 4
Varianza
Esperanza de una funcion, 25
de una funcion, 21 de una variable aleatoria, 23
de una variable aleatoria, 18
Experimento
binomial, 31
binomial negativo, 55
de Bernoulli, 30
de Poisson, 39
hipergeometrico, 48

Factor de correccion
por poblacion finita, 53
Funcion de
distribucion acumulada, 10
probabilidad, 7
riesgo, 61
supervivencia, 61

Media
de una funcion, 21
de una variable aleatoria, 18