Capitulo 3

Contenido
3 Variables aleatorias discretas y distribuciones de probabilidad

3.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Distribuciones de probabilidad para variables aleatorias discretas
3.3 Esperanza y varianza de una variable aleatoria discreta . . . . .
3.3.1 Esperanza de una variable aleatoria . . . . . . . . . . . .
3.3.2 Varianza de una variable aleatoria discreta . . . . . . . .
3.4 La distribuci
on uniforme (discreta) . . . . . . . . . . . . . . . .
3.5 La distribuci
on binomial . . . . . . . . . . . . . . . . . . . . . .
3.6 La distribuci
on de Poisson . . . . . . . . . . . . . . . . . . . . .
3.7 La distribuci
on hipergeometrica . . . . . . . . . . . . . . . . . .
3.8 Las distribuciones binomial negativa y geometrica . . . . . . . .
3.9 Uso de Statgraphics para trabajar con distribuciones discretas .
Ejercicios complementarios . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
6
17
17
22
29
30
38
47
55
60
62
Respuestas a ejercicios impares seleccionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
CAPITULO
Variables aleatorias discretas y

distribuciones de probabilidad
Contenido
3.1
Variables aleatorias . . . . . . . . . . . . . . . . . . . . . .
3.2
Distribuciones de probabilidad para variables aleatorias

discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esperanza y varianza de una variable aleatoria discreta
6
17
3.3
3.3.1
3.3.2
Esperanza de una variable aleatoria . . . . . . . . . . . . . 17

Varianza de una variable aleatoria discreta . . . . . . . . . 22
3.4
3.5
La distribuci
on uniforme (discreta) . . . . . . . . . . . . .
La distribuci
on binomial . . . . . . . . . . . . . . . . . . .
29
30
3.6
3.7
La distribuci
on de Poisson . . . . . . . . . . . . . . . . . .
La distribuci
on hipergeom
etrica . . . . . . . . . . . . . . .
38
47
3.8
3.9
Las distribuciones binomial negativa y geom

etrica . . .
Uso de Statgraphics para trabajar con distribuciones
discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
60
Ejercicios complementarios . . . . . . . . . . . . . . . . . . .
62
3.1 Variables aleatorias
Objetivos del captulo

1. Distinguir el concepto de variable aleatoria discreta.
2. Facilitar la comprensi
on 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
p
ublica. Suponga que este porcentaje se aplica a un grupo de 15 egresados de universidades que van a ejercer la profesi
on de contadura. Cu
al es la probabilidad
de que cuando menos tres egresados tengan empleo en contadura p
ublica?
3.1
Variables aleatorias
Es conveniente para el trabajo futuro, saber relacionar los resultados de un experimento

con n
umeros reales, ya que cuando los resultados de un experimento se pueden asociar
con n
umeros reales, son mas faciles de analizar. Desafortunadamente, no todos los
experimentos dan como resultados n
umeros reales.
Ejemplo 3.1.1 Suponga que una moneda se lanza dos veces. Entonces, el espacio muestral
correspondiente tendr
a 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 n

umeros reales, pero si
cada uno se asocia con el n
umero de caras, podemos asociar un u
nico real a cada resultado.
Por ejemplo,
Al resultado (C, C) se le puede asignar el n
umero 2 (porque hay dos caras).
Al resultado (C, S) se le puede asignar el n
umero 1 (porque hay una cara).
Al resultado (S, C) se le puede asignar el n
umero 1 (porque hay una cara).
Al resultado (S, S) se le puede asignar el n
umero 0 (porque hay cero caras).
Al hecho de asociar los resultados de una espacio muestral de un experimento con

n
umeros reales u
nicos se le llama variable aleatoria. La variable aleatoria en el ejemplo
3.1.1 es n
umero de caras que pueden resultar al lanzar una moneda dos veces y se
dice que tiene los tres valores 0, 1, 2.
Definici
on 3.1.2 Una variable aleatoria X es una regla o funci
on que asigna
un u
nico n
umero real a cada resultado del espacio muestral de un experimento
aleatorio. En smbolos, una variable aleatoria X es una funci
on X : R, siendo
R el conjunto de los n
umeros reales.
Las variables aleatorias se simbolizan, generalmente, con las letras may

usculas X, Y y Z.
Se utilizara su correspondiente letra min
uscula (x, y, z en este caso) para designar sus
posibles valores. As, por ejemplo, si X representa a la regla (variable aleatoria) n
umero
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 distinci
on entre dos tipos datos numericos: los discretos
y los continuos. Esta misma distinci
on se hace con las variables aleatorias.
Definici
on 3.1.3 Una variable aleatoria es discreta si y s
olo 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 ejemplos de variables aleatorias discretas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.
1.
2.
3.
Experimento
Lanzar tres monedas
Sacar dos fichas, sin reemplazo, de
una caja con 4 fichas rojas y 3 negras
Lanzar dos dados
4.
5.
Clientes que llegan a un mostrador

Llamar a cinco clientes
6.
Revisar un embarque de 50 radios
7.
Funcionamiento de un restaurante
durante un da
Lanzar un dado
8.
Variable aleatoria X
N
umero de sellos
N
umero de fichas
rojas
Suma de los n
umeros
de las caras
N
umero de clientes
Cantidad de clientes
que hacen pedido
Cantidad de radios
defectuosos
Sexo del cliente
N
umero de la cara
Valores x
0, 1, 2, 3
0, 1, 2
2, 3, . . . , 12
0, 1, 2, . . .
0, 1, 2, 3, 4, 5
0, 1, 2, . . ., 50
0 si es hombre;
1 si es mujer
1, 2, 3, 4, 5, 6
Tabla 3.1: Ejemplos de variables aleatorias discretas

Ahora, presentamos el concepto de una variable aleatoria continua.
Definici
on 3.1.5 Una variable aleatoria es continua si y s
olo si tiene una cantidad infinita no enumerable de valores
Ejemplo 3.1.6 (Ejemplos de variables aleatorias continuas) La tabla 3.2 muestra ejemplos de variables aleatorias continuas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.
1.
2.
3.
4.
5.
6.
Experimento
Medir el tiempo en que aparece una letra en la pantalla
del computador
Escoger una serpiente al azar
Atenci
on al p
ublico de un
banco
Llenar una lata de bebida
(m
ax = 12,1 onzas)
Proyecto para construir una
nueva biblioteca
Ensayar un nuevo proceso
qumico
Variable aleatoria X
Tiempo que demora en
aparecer la letra A
Longitud de una serpiente
Tiempo, entre llegadas de
clientes
Cantidad de onzas
Porcentaje terminado del
proyectado en seis meses
Temperatura en que se lleva a
cabo la reacci
on deseada
(min 150 F; m
ax 212 F)
Valores x
x>0
x>0
x0
0 x 12, 1
0 x 100
150 x 212
Tabla 3.2: Ejemplos de variables aleatorias continuas
Ejercicios de la secci
on 3.1
1. Identifique las siguientes variables aleatorias en discretas o continuas:
(a) El n
umero de transistores defectuosos en un lote de 1000 transistores.
(b) El n
umero 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 n
umero 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 n
umero de computadores en uso, tanto en una oficina con cinco computadores, como en una con tres. De los posibles valores para cada una de las siguientes
variables aleatorias.
(a) X = n
umero total de computadores en uso.
(b) Y = la diferencia entre los n
umeros de computadores en uso de las oficinas 1 y 2.
(c) Z = n
umero maximo de computadores en uso en cada una de las oficinas.
(d) W = n
umero de oficinas que tienen exactamente dos computadores en uso.
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 n
umero 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 preparaci
on 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 aleatorias 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 n
umero 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 informaci
on 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.
Evento muestral
Valores de X
(S, S)
0
(C, S)
1
(S, C)
1
(C, C)
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
Funci
on de probabilidad y su representaci
on gr
afica
La distribuci
on de probabilidad de una variable aleatoria describe c
omo 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
n de probabilidades (o tabla de probabilidades)
la llamada tabla de distribucio
que se muestra en la tabla 3.3 (Recuerde que x interpreta a los valores de X).
x
P(X = x)
1
4
1
2
1
4
Tabla 3.3: Distribuci

on 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 funci
on de probabilidad, que representaremos por f. Esta funci
on define la probabilidad de cada valor de
la variable aleatoria. Por esta raz
on, introducimos la siguiente
Definici
on 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 n de probabilidad
able). Decimos que una funci
on f : R [0, 1] es una funcio
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
Ejemplo 3.2.4 Consideremos otra vez el lanzamiento de dos monedas y X la variable aleatoria 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:
f(0) = P(X = 0) =
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
Una descripcion equivalente es
f(x) =
1
4,
si x = 0 o x = 2;
1
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 n
umero de veces que lancemos dos monedas, el 50% de las veces saldr
a 1 cara. De
manera similar podemos interpretar cualquier valor de f para un valor determinado de X en
una funci
on 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 n
umero de pruebas en la que se detecta la segunda pieza defectuosa,
determine la funci
on de probabilidad de X.
SOLUCION:
Sea f la funci
on de probabilidad de X. Debido a que los posibles valores de X son 2, 3 o 4,
entonces,
2
4
2
f(3) = P(X = 3) =
4
2
f(4) = P(X = 4) =
4
f(2) = P(X = 2) =
1
3
2
3
1
=
1
2
2
1
;
6
2 2 1
1
+
= ;
4 3 2
3
1
1
3 = .
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 funci
on de probabilidad del n
umero de errores detectado por el
auditor.
SOLUCION:
Para i = 1, 2, 3, sea Mi el evento que representa al hecho de que el auditor detect
o un error
en el ingreso i. De igual manera, sea Bi el evento que representa al hecho de que el auditor
no detect
o 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 n
umero de
errores detectado por el auditor y f su correspondiente funci
on de probabilidad. Tenemos
que Como X puede tomar los valores 0, 1, 2 o 3, entonces (utilizaremos la independencia de
los eventos Mi , de los Bi y la de los Mi con los Bi ),

f(0)
f(1)
f(2)
= P(X = 0) = P(B1 B2 B3 ) = P(B1 ) P(B2 ) P(B3 ) = (0, 95)3 = 0, 857375;

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

on de probabilidad en
forma grafica. En realidad, hay dos formas de hacer esta representaci
on grafica:
1. Cuando la variable aleatoria es discreta, la grafica de la funci
on 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 funci
on de probabilidad del ejemplo 3.2.4 es como
se muestra en la figura 3.3.
Fig. 3.2: Gr
afica de la funci
on de probabilidad del ejemplo 3.2.4
2. En lugar de la representaci
on anterior, con mas frecuencia la funci
on de distribuci
on
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 ??.
10
Fig. 3.3: Histograma de probabilidad del ejemplo 3.2.4
Funci
on de distribuci
on acumulada y su representaci
on gr
afica
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 alg
un n
umero real x. Si
se escribe F(t) = P(X t) para cada n
umero real t, se dice que F es la funci
on de
distribuci
on acumulada o, simplemente, la funci
on de distribuci
on de X.
n de distribucio
n (acumulada) F : R R de
Definici
on 3.2.9 La funcio
una variable aleatoria discreta X cuya est
a definida por F(t) = P(X t), para todo
t real.
Observemos que si X tiene distribuci
on de probabilidad f, entonces,
X
f(x), para todo t real
F(t) =
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

n
umero de caras que resultan. En el ejemplo 3.2.4 se ha encontrado que la distribucion
de probabilidad f de X esta definida por
f(0) = P(X = 0) =
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
Ahora, hallaremos la funci

on 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
11
valor t en el conjunto {0, 1, 2}:

F(0) = P(X 0) =
F(1) = P(X 1) =
F(2) = P(X 2) =
f(x) = f(0) =
x; x0
1
.
4
f(x) = f(0) + f(1) =
x; x1
1 1
3
+
= .
4 2
4
f(x) = f(0) + f(1) + f(2) =
x; x2
1 1 1
+ +
= 1.
4 2 4
Ahora, determinamos F(t) para cualquier otro n

umero t (distinto de los valores posibles que toma x, es decir, distinto de 0, 1, 2). En este caso, F(t) coincide con F(x),
siendo x el valor m
as cercano posible de X a la izquierda de t. Por ejemplo,
Tomemos n
umeros menores2 que 0:
F(0, 5)
F(10)
= P(X 0, 5) = P() = 0.
= P(X 10) = P() = 0.
Es decir, para todo t < 0, siempre F(t) = 0.

Tomemos n
umeros que se encuentren entre 0 y 1:
F(0, 1)
F(0, 53)
F(0, 73)
F(0, 98)
1
.
4
1
= P(X 0, 53) = P(X 0) = .
4
1
= F(0) = .
4
1
= F(0) = .
4
= P(X 0, 1) = P(X 0) =
Es decir, para todo 0 < t < 1, siempre F(t) = F(0) = 14 .

Ahora, tomemos n
umeros que se encuentren entre 1 y 2:
F(1, 32)
F(1, 556)
F(1, 91)
= P(X 1, 32) = P(X 1) = F(1) =
3
.
4
3
.
4
3
= F(1) = .
4
= F(1) =
Es decir, para todo 1 < t < 2, siempre F(t) = F(1) = 43 .

Finalmente, tomemos n
umeros 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 raz

on, es imposible que X tome un
valor negativo.
12
Teniendo en cuenta las conclusiones formuladas en los dos pasos anteriores, podemos afirmar
que la funci
on de distribucion acumulada esta dada por
0, si t < 0;
14 , si 0 t < 1;
F(t) =
4 , si 1 t < 2;
1, si t 2.
El grafico de esta funci

on aparece en la figura 3.4, en la que puede verse que la funci
on de
distribucion acumulada crece a saltos hasta que alcanza el valor 1.
Fig. 3.4: Gr
afica de la funci
on de distribuci
on 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 funci
on 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 funci

on F, hemos utilizado el mismo procedimiento empleado en el
ejemplo 3.2.10.
En general, para variables aleatorias discretas, la funci

on de distribuci
on acumulada
siempre tiene la forma de funci
on escalonada comenzando en 0, hasta 1 (comparese con
la figura 3.4). Esta y otras propiedades se expresan formalmente en el siguiente teorema:
13
Teorema 3.2.12 Sea X una variable aleatoria discreta con funci

on de distribuci
on
acumulada F. Entonces,
(a) 0 F(t) 1, para todo n
umero real t.
(b) Si a y b son dos n
umeros 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).
C
alculo de f a partir de F
En el ejemplo 3.2.10, la funci
on de distribuci
on acumulada F se ha determinado a partir
de la funci
on de probabilidad f. Es posible invertir este procedimiento y obtener f a partir
de F cuando esta disponible esta u
ltima funci
on. Esto u
ltimo 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 funci
on
de distribucion acumulada F definida por
0, si t < 0;
, si 0 t < 1;
1
F(t) =
3 , si 1 t < 2;
4 , si 2 t < 3;
1, si t 3,
cuya grafica esta en la figura Si f es la funci

on 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)
1
3
= .
= 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)
4
1 1
=
.
= P(X 1) P(X 0) = F(1) F(0) =
3 7
21
f(0) = 1 f(1) f(2) f(3) =
1
.
7
14
C
alculo 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 funci
on de distribuci
on acumulada, como se muestra en el siguiente
ejemplo.
Ejemplo 3.2.14 Sean X y F la variable aleatoria y su correspondiente funci
on de distribucion acumulada, definidas como en el ejemplo 3.2.13. Ademas, sea f la funci
on 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)

2
1
= .
P(X 3) P(X 1) = F(3) F(1) = 1
3
3
P(1 < X 3) = P(2 X 3) =
2
.
3
P(2 X < 3) = P(X toma solo el valor 2) = P(X = 2) = f(2) =

P(0 < X < 2) = P(X = 1) = f(1) =
5
.
12
4
.
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 funci
on de distribuci
on
acumulada F. Entonces,
(a) Si a y b son dos n
umeros 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 m
aximo posible de X que sea estrictamente
menor que a.
(b) En particular, si los u
nicos 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).
15
on 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.
4
(b) f(x) = k x3 4x
, para x = 0, 1, 2.
8. Un casa editorial sabe que 35% de las textos universitarios que se editan se efect
uan 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 n
umero de paginas del siguiente
texto universitario de estadstica que se editara. Calcule la funci
on 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 telef
onicas. Sea X la
variable aleatoria que representa al n
umero 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
f(x)
0
0,20
1
0,25
2
0,10
3
0,15
4
0,09
5
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 n
umero de imperfecciones por 4 metros de un papel especial en rollos continuos de ancho uniforme, esta
dada por
x
f(x)
0
0,21
1
0,28
2
0,10
3
0,25
4
0,16
Determine la funcion de distribuci

on acumulada de X y representela graficamente.
11. Una fabricante de lapiceros tiene un programa de control de calidad que incluye la inspeccion 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 selecci
on
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 u
nicos defectuosos de un lote de cinco y
se van a escoger dos lapiceros al azar. Defina la variable aleatoria X como el n
umero
de de lapiceros defectuosos observado entre los inspeccionados. Encuentre la funcion
de probabilidad de X.
(c) Encuentre la funcion de distribuci
on 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 n
umero de fichas rojas.
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 n
umero de meses entre pagos sucesivos. Supongamos que la funcion de distribuci
on
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 n
umero de meses entre pagos sucesivos es estrictamente mayor que 4, pero menor o igual que 12.
(b) Calcule la probabilidad de que el n

umero de meses entre pagos sucesivos es estrictamente 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 n
umero 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 n
umero de meses entre
pagos sucesivos que ha hecho un cliente sea mayor o igual que 8.
14. Determine la funcion de probabilidad y la distribuci
on 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 n
umero
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 distribuci
on acumulada de X y representela graficamente.
(c) Calcule la probabilidad de que el n
umero de computadores defectuosos que compra
la empresa es 1.
(d) Calcule la probabilidad de que el n
umero 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 n
umero de personas que deben ser probadas. Halle la funcion de probabilidad
f de X.
3.3 Esperanza y varianza de una variable aleatoria discreta
3.3
3.3.1
17
Esperanza y varianza de una variable aleatoria discreta

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 experiencia 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 denominaci
on, 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
denominaci
on, tiene la misma oportunidad de ser seleccionado, entonces,
P(X = 1.000) =
5
= 0, 50,
10
P(X = 2.000) =
4
= 0, 40,
10
P(X = 5.000) =
1
= 0, 10.
10
Para decidir cu
anto 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 due
no de la feria;
no de la feria;
no de la feria;
Como la perdida total para el due
no 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 m
as de un billete, el jugador no recibe ninguno, un incentivo suficientemente fuerte
para excluir esto como una posibilidad
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 due
no 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 defeinici

on de esperanza de una variable aleatoria, recuerde que
una f
ormula 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 tama
no de la poblaci
on. Esta
f
ormula 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 funci
on de probabilidad de
X), entonces, la media poblacional puede escribirse como
X
=
(x f(x)) .
Como consecuencia de estas observaciones, obtenemos la siguiente definici

on:
Definici
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
f la funci
on 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 interpretaci
on 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 n
umero 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 n
umero grande
de repeticiones y representa una medida de localizaci
on localizado a lo largo del eje
horizontal que dara equilibrio a la distribuci
on 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.
19
Ejemplo 3.3.3 Consideremos el lanzamiento de dos monedas y sea X la variable aleatoria

n
f(0) = P(X = 0) =
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
Por consiguiente, la esperanza de X esta dada por

E(X) = 0 f(0) + 1 f(1) + 2 f(2)
1
1
1
= 1.
= 0 + 1 + 2
4
2
2
Es decir, cuando el lanzamiento de las monedas se repite un n
umero grande de veces, se
espera que resulte en promedio 1 cara.
Ejemplo 3.3.4 Una planta industrial grande realiza una campa

na 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 campa
na.
N
umero x
de ocupantes
por autom
ovil
1
2
3
4
5
6
Total
Frecuencia
f
425
235
205
52
22
6
945
xf
425
470
615
208
110
36
1.864
Frecuencia
relativa
f/n
0,450
0,249
0,217
0,055
0,023
0,006
1
Fig. 3.5: Datos de uso compartido del autom

ovil
La media poblacional esta dada por =
1.864
945
= 1, 97.
Ahora escojamos un coche al azar que transporte empleados al trabajo y contemos el n

umero
de ocupantes. Este n
umero 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 inicial, 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
x
P(X = x)
-0,20
0,1
-0,10
0,2
0
0,4
+0,10
0,2
+0,20
0,1
y
P(Y = y)
-0,20
0,01
-0,10
0,04
0
0,10
+0,10
0,50
+0,20
0,35
20
Calcule los rendimientos esperados por cada dolar invertido en cada proyecto. Cu
al proyecto
le parece a usted que representa la inversion m
as 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 funci

on
La noci
on de esperanza no se restringe a la propia variable aleatoria X, tambien puede
aplicarse a cualquier funci
on 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 requerir
a terminar un contrato. Esta incertidumbre puede representarse mediante una variable aleatoria cuyos valores posibles son el n
umero 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 funci
on del tiempo. Luego, para determinar el costo esperado, es necesario expresar la
esperanza como una funci
on 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 n
umero 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
funci
on h(X).
5
Es importante enfatizar que toda funci
on h(X) de una variable aleatoria discreta X es tambien
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 funci
on de probabilidad de X. Entonces, la esperanza o media de cualquier
n h(X) de X, simbolizada por E h(X) , se define como
funcio
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 n
umero
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 n
umero 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 funci
on h(X) de una variable aleatoria X. La funci
on
lineal h(X) = aX +
b,
donde
a
y
b
son
n
u
meros
reales
fijos,
es
de
particular
inter
e
s.
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 n
umeros 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 .
3.3.2
22
Varianza de una variable aleatoria discreta
Ya que tenemos una manera de medir la localizaci

on de la distribuci
on de probabilidad,
la pregunta es: c
omo sabremos, preferiblemente con un s
olo n
umero, el grado de dispersi
on de la distribuci
on? Si queremos utilizar la esperanza en conjunto con una medida
de dispersi
on para describir una distribuci
on, entonces, estudiar la distribuci
on alrededor
de la esperanza es un metodo destacado (pero no u
nico) para considerar la dispersi
on de
los valores posibles de una varibale aleatoria. Utilizaremos la esperanza como un punto
de referencia.
Primero, debemos observar que este concepto de dispersi
on 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 variable 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 dispersi
on buscada. Nuestra l
ogica es correcta, pero esta
medida no nos permitira distinguir entre una distribuci
on 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 distribuci
on consideramos.
Hay varias maneras de evitar esta dificultad y mantener nuestra idea de un distancia
ponderanda para medir la dispersi
on. 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. Podemos ponderar nuestra nueva medida de distancia por la probabilidad de ocurrencia
de aquel valor de X y, entonces, tenemos una medida de dispersi
on. 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
f (x )2
2
,
=
n
donde f es la frecuencia de un dato particular x y n es el tama
no de la poblaci
on. Esta
f
ormula puede reescribirse como

X
2
2 f
=
[x ]
.
n
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 funci
X), entonces, la media poblacional puede escribirse como

X
[x ]2 f(x) .
2 =
Como consecuencia de estas observaciones, obtenemos la siguiente definici
on:
Definici
muestral y supongamos que X toma los valores x1, x2, . . . (finito o enumerable).
Sean f y la funci
on 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).
k
n esta
ndar de X, denotada por , se define como la raz cuadrada
La desviacio
positiva de la varianza.
Tomar la raz cuadrada de la varianza para obtener la desviaci
on est
andar proporciona un
valor en las unidades de medidas originales, como se
nalamos en el captulo ??.
Cuando se conoce la funci

on de probabilidad, la media y la varianza de una variable
aleatoria pueden calcularse aplicando directamente la definici
on. En algunas aplicaciones practicas, desde el punto de vista computacional, es preferible usar una f
ormula
alternativa equivalente para calcular la varianza. La equivalencia entre la f
ormula alternativa y la definici
on puede veriricarse algebraicamente.
muestral y supongamos que X toma los valores x1, x2, . . . (finito o enumerable).
Sean f y la funci
on 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,
X

2

2
V(X) = E(X2) E(X) =
x2k f(xk) E(X) .
k
Ejemplo 3.3.14 Consideremos el lanzamiento de dos monedas y sea X la variable aleatoria

n
f(0) = P(X = 0) =
1
,
4
f(1) = P(X = 1) =
1
,
2
f(2) = P(X = 2) =
1
.
4
Ademas, en el ejemplo 3.3.3, hemos encontrado que la esperanza de X es = 1. Por
24
consiguiente, seg
un la definicion 3.3.12, la varianza de X esta dada por
= (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:
V(X)
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 alg
un
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 m
as alto y un riesgo menor.
Varianza de una funci

on
El siguiente teorema nos sugiere una forma sencilla de calcular la varianza de una funci
on
h(X) con X discreta.
25
muestral y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
n
f la funci
on de probabilidad de X. Entonces,
la varianza de cualquier funcio

h(X) de X, simbolizada por V h(X) , se define como
X
2

h(xk) V h(X)
f(xk).
V h(X) =
k
n esta
ndar de h(X) es igual a la raz cuadrada positiva
Como antes, la desviacio
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 unafunci
on lineal de la forma h(X) = aX+b, donde a y b son n
umeros
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 n
umeros 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 desviaci
on est
andar de aX + b es igual a |a| por la desviaci
on est
andar de
la variable X.
Observemos que las partes (a) y (b) dicen que la inclusi
on de la constante b no afecta la varianza, lo
cual es intuitivo porque la suma (o la resta) de una constante b cambia la ubicaci
on (valor medio),
pero no la dispersi
on de los datos. Adem
as, la raz
on para el valor absoluto de a en la parte (d) es
que a puede ser negativa, mientras que la desviaci
on est
andar no puede ser negativa.
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 variable aleatoria con media y varianza 2 (ambas finitas). Entonces,
P(|X k| ) 1
1
,
k2
para cualquier n
umero k > 1. Si X tiene m
as 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 n
umero muy peque
no 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 m
as probable es que la regla emprica hubiese sido una mejor
aproximacion, aunque la distribucion no tenga una forma de campana.
on 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 alg
un defecto durante el
perodo de garanta. Los resultados se presentan en la siguiente tabla:
Devoluciones
Proporcion
0
0,20
1
0,30
2
0,21
3
0,09
(a) Dibujar la funcion de probabilidad.

(b) Hallar y dibujar la funcion de distribuci
on acumulada.
4
0,06
5
0,14
27
(c) Hallar la media y la varianza del n

umero 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 n
umero de imperfecciones por 4 metros de un papel especial en rollos continuos de ancho uniforme, esta
dada en el ejercicio 10 por
x
f(x)
0
0,21
1
0,28
2
0,10
3
0,25
4
0,16
Encuentre el n
umero promedio de imperfecciones en 4 metros de papel y su desviaci
on
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
f(x)
20
0,29
25
0,31
30
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 compa
na 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 n
umero de lotes ordenados por un cliente seleccionado al azar y suponga que
X tiene una funcion de probabilidad
x
f(x)
1
0,18
2
0,32
3
0,30
4
0,12
5
0,08
(a) Calcule E(X) y V(X). Interprete E(X).

(b) Calcule el n
umero esperado y la varianza de libras sobrantes. (Sugerencia: el n
umero
de libras restantes es una funcion lineal de X.)
23. Sea X una variable aleatoria discreta que representa al n
umero 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
(0, 25)x (0, 75)4x ,
x = 0, 1, 2, 3, 4.
f(x) =
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 n
umero 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.
28
25. Un determinada empresa compra varios computadores u

ltimo modelo al final de cada a
no.
El n
umero exacto depende de la frecuencia de reparaciones en el a
no anterior. Suponga
que X, el n
umero de computadores que se compran cada a
no, tiene la siguiente funcion
de probabilidad:
x
f(x)
0
1/4
1
3/16
2
1/4
3
5/16
Si el costo del modelo que se desea permanece fijo a $2.830.451 a lo largo de este a
no y
se obtiene un descuento de $100.000X2 en cualquier compra, cuanto espera gastar esta
empresa en nuevos computadores al final de este a
no?
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 peque
no almacen y en cierto da dado.
Encuentre la media y la varianza del n
umero 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 a
no, las demandas de servicios
que reciben suelen ser para la instalacion de una nueva alarma. La tabla muestra las
probabilidades estimadas para el n
umero de peticiones de una nueva alarma en las tres
u
ltimas semanas de enero.
Peticiones
Probabilidad
0
0,12
1
0,16
2
0,27
3
0,29
4
0,16

on 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 n
umero 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 a
no
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 compa
na fabrica paquetes de minas para portaminas. El n
umero de minas por
paquete vara, como se indica en la tabla de abajo.
N
umero de minas
Proporcion de paquetes
7
0,21
8
0,29
9
0,03
10
0,20
11
0,10
12
0,04
13
0,13

on 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 n
umero de minas por paquete.
(e) El costo (en pesos) de fabricar un paquete de minas es 1.000 + 2X, donde X es el
n
umero de minas por paquete. El ingreso por la venta de un paquete, independientemente del n
umero 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 distribuci
on uniforme (discreta)
3.4
29
La distribuci
on uniforme (discreta)
A partir de esta secci

on, estudiaremos algunas distribuciones de probabilidades discretas
especiales, que poseen un importante significado te
orico y practico. Una de las mas
simples es la llamada distribuci
on uniforme.
Definici
on 3.4.1 Una variable aleatoria discreta X con los valores enteros sobre el
n uniforme discreta sobre el conjunto de los
intervalo [a, b] tiene distribucio
1
,
n
umeros enteros que est
an en el intervalo [a, b], cuando se tiene que P(X = x) = n
para todo x entero que est
a en el intervalo [a, b].
Por tanto, una variable aleatoria distribuida uniformemente es caracterizada por el hecho de que ella s
olo puede tomar finitos valores y todos estos valores tienen la misma
probabilidad (una distribuci
on uniforme sobre un conjunto infinito y enumerable de valores, obviamente, no se puede dar). Para el caso en que X tenga valores 1, 2, . . . , n,
la densidad de probabilidad y la correspondiente funci
on de distribuci
on de X estaran
dadas, respectivamente, por
0, si t < 0,
1
, si x N,
k
y F(t) = n
f(x) = n
, 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 distribuci

on uniforme discreta
son los siguientes:
Ejemplo 3.4.2 (a) En una caja hay 7 bolas de la misma especie y marcadas con los
n
umeros 1, . . . , 7. La probabilidad de sacar una bola numerada con un determinado
n
umero 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 distribuci
on uniforme discreta sobre el intervalo [a, b]. Entonces,
E(X) =
a+b
2
V(X) =
(b a + 1)2 1
.
12
Ejemplo 3.4.4 Un sistema de comunicaci

on de voz de un negocio contiene 48 lneas externas. En un tiempo particular, se observa el sistema y algunas de las lneas est
an en uso.
Sea X la variable aleatoria que denota al n
umero 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
= 24,
2
2 =
(48 0 + 1)2 1
= 199, 396.
12
3.5 La distribuci
on binomial
30
on 3.4
30. La variable X tiene una distribuci
on uniforme sobre los enteros 7 x 10. Determine la
media y la varianza de X.
31. La variable X tiene una distribuci
on 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 distribuci
on binomial
Experimento de Bernoulli
En la vida diaria podemos encontrar experimentos, llamados experimentos de Bernouilli,
en donde s
olo 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 identificar 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 conclusi
on, podemos
formular la siguiente
Definici
on 3.5.1 Un experimento de Bernoulli es un experimento aleatorio
con s
olo 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 funci
on 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 distribuci
on binomial
31
Experimento binomial
Considere el experimento de lanzar una moneda 10 veces y observar el n
umero 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 experimento no afecta al del otro.
La probabilidad p = 21 de obtener una cara permanece constante de un experimento a otro (por ser el mismo experimento de Bernoulli).
Este experimento que se acaba de describir es un ejemplo de un tipo especial de experimento llamado experimento binomial.
Definici
on 3.5.3 Un experimento binomial es un experimento de Bernoulli que
se ejecuta n veces, de tal manera que las diferentes ejecuciones se efect
uen independientemente unas de las otras, es decir, el resultado de cualquier experimento
particular no influye sobre el resultado de cualquier otro experimento.
Distribuci
on binomial
Si se conoce la probabilidad de que un ensayo determinado producira un exito, es posible
estimar cuantos exitos habra en un n
umero 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 n

umero de
caras que resultan en los tres lanzamientos. Entonces,
on los
(a) La probabilidad de que resulten 0 caras es P(X = 0) = 81 , porque en esta situaci
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
De aqu en adelante, tengase en cuenta que P(C) = P(cara") = p =

1 p = 12 .
1
2
y P(S) = P(sello") =
3.5 La distribuci
on 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 n
umero 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 n
umero de caras que aparecen (que es 0).
3
umero de sellos
(1 p)30 = 12 , la probabilidad de que salga sello elevada al n
que aparecen (que es 3).
(b) La probabilidad de que resulte 1 cara es P(X = 1) = 38 , porque en esta situaci
on 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
1
3
31
1 p (1 p)


umero de posibilidades en que se puede escoger 1 cara de un grupo
31 = 3, el n
de 3 elementos.
1
p1 = 12 , la probabilidad de que salga cara elevada al n
umero de caras que
aparecen (que es 1).
2
umero de sellos
(c) La probabilidad de que resulten 2 caras es P(X = 2) = 38 , porque en esta situaci
on los
casos posibles seran CCS, CSC, SCC (o sea, 3 casos de 8 en total).
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
2
3
32
2 p (1 p)


32 = 3, el n
de 3 elementos.
2
umero de caras que
1
umero de sellos
3.5 La distribuci
on binomial
33
on los
(d) La probabilidad de que resulten 3 caras es P(X = 3) = 18 , porque en esta situaci
casos posibles sera CCC (o sea, 1 caso de 8 en total).
P(X = 3) = P(CCC) = P(C) P(C) P(C) = p3

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


33 = 1, el n
de 3 elementos.
3
umero de caras que
0
(1 p)33 = 21 = 1, la probabilidad de que salga sello elevada al n
umero 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 n
umero 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 est
a dada por
k
nk
P(X = k) = n
,
k = 0, 1, 2, . . . , n.
k p (1 p)
n
La correspondiente distribuci
on de X se conoce con el nombre de distribucio
binomial con par
ametros n y p.
Observemos que, en el teorema 3.5.5, la probabilidad P(X = k) se calcula multiplicando los siguientes
tres factores:

umero de posibilidades en que se puede escoger k exitos de un grupo de n elementos.
nk , el n
pk , la probabilidad de un exito elevada al n
umero de exitos (que es k).
(1 p)nk , la probabilidad de un fracaso elevada al n

umero de fracasos (que es n k).
Como podemos verificar, las funciones de probabilidad f y de distribuci

on F de una
variable aleatoria que tiene distribuci
on binomial con parametros n y p estan dadas por
n k
nk, si k = 0, 1, 2, . . . , n;
k p (1 p)
b(k; n; p) := f(k) =
0,
de otra manera.
y
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 distribuci
on binomial
coincide con la distribuci
on de Bernoulli con parametro p. En la figura 3.6 se muestran
graficas de la distribuci
on de binomial para varios valores de n, pero manteniendo fijo
el producto entre n y p.
3.5 La distribuci
on 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 peque
no de n, el calculo de probabilidades binomiales
puede ser tedioso. La tabla del apendice tabula la funci
on de distribuci
on acumulada
F(t) = P(X t) = B(t; n; p) para n = 5, 10, 15, 20, 25 en combinaci
on 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.
que B(8; 15; 0, 20) = 0, 999.
que B(4; 20; 0, 1) = 0, 957.
Los siguientes ejemplos ilustran algunas de las muchas aplicaciones de la distribuci
on
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
0, 1172.
P(X = 7) = b(7; 10; 0, 5) =
(0.5)7 (0.5)3 =
128
7
3.5 La distribuci
on 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 m
as 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 ning
un exito es
P(X = 0) = b(0; 10; 0, 5) = (0, 5)10 =
1
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) Cu
al es la probabilidad de que el de en el blanco por lo menos
una vez? (b) Cu
antas veces debe disparar al objetivo para que la probabilidad de dar en
el blanco por lo menos una vez sea m
as 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 m
as veces para mantener una probabilidad
mayor que 0, 77 de dar en el blanco por lo menos una vez.
Esperanza y varianza de la distribuci

on binomial
Antes mostramos c
omo determinar la esperanza y la varianza de una distribuci
on discreta utilizando las f
ormulas dadas en las definiciones 3.3.2 y 3.3.12. Sin embargo, si s
olo
hay dos resultados posibles, como en la distribuci
on 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 distribuci
on binomial con
los par
ametros 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 n
umero 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 distribuci
on binomial
36
on 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 germinaci
on 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 n
umero 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 n
umero 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 n
umero 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 aceptaci
on de su producto, una empresa selecciona 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 elecci
on m
ultiple 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 distribuci
on 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 n
umero de tornillos defectuosos en la muestra no
exceda a 3?
umero de tornillos defectuosos en la muestra es
por lo menos 6?
(c) Cual es la probabilidad de que el n
umero 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 n
umero de tornillos
defectuosos en la muestra.
44. En un peaje se cobra 1.500 pesos por cada bus de transporte p
ublico y 2.500 pesos por
carros particulares. Supongamos que durante las horas diurnas, 70% de todos los vehculos
son buses de transporte p
ublicos. Si 15 vehculos pasan por el peaje durante un perodo
particular diurno, cual es el ingreso de cuotas esperado? (Sugerencia: sea X el n
umero
de buses de transporte p
ublico, 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 n
umero 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 alg
un 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 instituci
on beneficiaria contrata personal para que soliciten donaciones por telefono.
Despues de un breve perodo de preparaci
on, las personas telefonean a los potenciales
donantes y se les paga una comisi
on. 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 instituci
on 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 algunas 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 distribuci
on 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 investigaci
on 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 enfermedad. 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 distribuci
on de Poisson
Experimento y proceso de Poisson

Consideremos las siguientes variables aleatorias:
1. El n
umero de partculas emitidas por cierta sustancia radioactiva en un determinado lapso de tiempo.
2. El n
umero de accidentes de trafico que ocurren en un da en un cruce.
3. El n
umero de llamadas que llegan a una central telef
onica en cierto intervalo de
tiempo.
4. El n
umero de
ordenes de devoluci
on de piezas que recibe una empresa en una
semana.
5. El n
umero de ni
nos nacidos con un problema en el coraz
on en una cita grande
durante un a
no.
6. El n
umeros de lanzamientos no golpeados por beibolista famoso durante su
carrera.
7. El n
umero de veces que falla una pieza de un equipo durante un perodo de tres
meses.
8. El n
umero de nuevas infecciones por una enfermedad contagiosa en una poblaci
on
durante un mes.
3.6 La distribuci
on de Poisson
39
9. El n
umero de mordeduras de serpientes venenosas en un tiempo determinado.
10. El n
umero de huelgas anuales en un empresa.
Cada una de estas variables aleatorias se caracteriza por ser el n
umero 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.
Definici
on 3.6.1 Los experimentos que resultan en valores numericos de una variable aleatoria que representa el n
umero 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 continuaci
on. Consideremos la situaci
on 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 ilustraci
on ocurren seis sucesos
en el perodo de tiempo relevante.
Fig. 3.7: Ilustraci

on del n
umero 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 peque
no,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 n
umero real > 0.
metro del proceso de Poisson y repreEste n

umero es llamado el para
senta al n
umero 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 comparaci
on 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 comparaci
on con P(A), P(B) y P(C).
(P3) El n
umero de resultados que ocurren en un intervalo de tiempo es independiente
del n
umero de resultados que ocurren antes de ese tiempo.
En la siguiente secci
on presentaremos una f
ormula que nos permite calcular la probabilidad de que ocurra una cantidad determinada de eventos en un intervalo de tiempo
peque
no.
7
Este intervalo de tiempo est

a representado mediante un peque
no segmento entre 0 y t del eje
temporal de la figura 3.7
3.6 La distribuci
on de Poisson
40
Distribuci
on de Poisson
La experiencia indica que, para una amplia gama de problemas como los mostrados al
comienzo de esta secci
on, la llamada distribuci
on de probabilidad de Poisson representa
adecuadamente la estructura probabilstica del n
umero de eventos que ocurren en un
intervalo de tiempo [0, t]. La demostraci
on de la f
ormula para la probabilidad de que
ocurra una cantidad determinada de eventos en un intervalo de tiempo peque
no, la cual
se basa en las propiedades del proceso de Poisson indicadas anteriormente, esta fuera
del alcance de este texto. Por esta raz
on s
olo se presentara lo que se utiliza para el
calculos de diferentes tipos de probabilidades.
Teorema 3.6.2 Consideremos un proceso de Poisson con par
ametro > 0 (es
decir, es el n
umero promedio de ocurrencias por unidad de tiempo) y sea X el
n
umero de eventos que ocurren en un intervalo de tiempo [0, t]. Entonces, la
probabilidad de que ocurran k eventos en el intervalo [0, t] est
a dada por
P(X = k) =
1 k
e ,
k!
k = 0, 1, 2, 3, . . . .
siendo e = 2, 71828 la base del logaritmo natural. La correspondiente distribuci

on
n de Poisson con par
de X se conoce con el nombre de distribucio
ametro .
Las funciones de probabilidad f y de distribuci
on F de una variable aleatoria X que tiene
distribuci
on de Poisson con parametros estan dadas por
1 k
, si k = 0, 1, 2, . . .;
k! e
p(k; ) := f(k) =
0,
de otra manera.
y
X
P(t; ) := F(t) = P(X t) =
p(t; ),
kt
son menores o iguales que t. En la figura 3.8 se muestran graficas de la distribuci
on de
Poisson para varios valores de .
Ejemplo 3.6.3 Los sabados por la ma
nana, los clientes entran en una peque
na tienda de un
centro comercial suburbano a una tasa esperada de 0,50 por minuto. Halle la probabilidad
de que el n
umero de clientes que entran en un intervalo especfico de 10 minutos es (a) 3,
(b) a lo m
as 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 n
umero 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:
P(X = 3) =
1 5 3
e 5 = 0, 1403.
3!
3.6 La distribuci
on de Poisson
41
Fig. 3.8: Distribuciones de Poisson para varios valores del par

ametro .
(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 1
1 5 2
1 5 3
1 5 0
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 raz
on, tambien hay tablas, como la del
apendice, que tabulan la funci
on de distribuci
on 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 ning
un 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 distribuci
on 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 ning
un 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 distribuci
on de
Poisson.
Ejemplo 3.6.4 Un estudio indica que el n
umero 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 n
umero de huelgas. Ahora,
con esta informaci
on y con ayuda de la tabla de Poisson del apendice, podemos calcular
probabilidades para n
umeros 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 m
as de una huelga en una a
no 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 u
til en problemas de lneas de espera o colas. Los clientes llegan a una m
aquina
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 n
umero 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 m

as 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 n
umero promedio de partculas radiactivas que pasan a traves de un
contador durante un milisegundo en un experimento de laboratorio es 4. Cu
al es la probabilidad de que entren entre 3 y 6 (inclusives) partculas al contador en un milisegundo
determinado?
SOLUCION:
umero 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 distribuci
on de Poisson
43

on de Poisson
El siguiente teorema muestra c
omo se puede calcular la esperanza y la varianza de una
on de Poisson.
on de Poisson
con par
ametro , 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 n

umero de clientes
que entran en un intervalo especfico de 10 minutos son = 2 = 5.
Aproximaci
on de la distribuci
on binomial a la de Poisson
Como hemos visto, la distribuci
on de Poisson aparece de manera natural para representar el n
umero de ocurrencias de un suceso en un perodo de tiempo. Esta distribuci
on
tiene tambien otro uso. Ella tambien juega un papel importante como distribuci
on lmite
de la distribuc
on binomial, en especial, para el calculo numerico de las probabilidades
b(k; n; p) cuando n es grande, p peque
na y el producto np tiene un tama
no moderado.8
Las situaciones siguientes satisfacen estas condiciones:
1. Una compa
na aseguradora mantiene un gran n
umero de p
olizas de seguro de vida en individuos de determinada edad, y la probabilidad de que durante el a
no se produzca una
reclamaci
on en una p
oliza es muy peque
na. La distribuci
on del n
umero de reclamaciones es
binomial, con n grande y p muy peque
no.
2. Una compa
na puede tener un gran n
umero de m
aquinas trabajando en un proceso simult
aneamente. Si la probabilidad de que cada una de ellas se avere en un da concreto es
muy peque
na, entonces, la distribuci
on del n
umero de averas es binomial, con n grande y p
muy peque
no.
En estos casos, la distribuci

on binomial puede aproximarse bien mediante la distribuci
on
de Poisson con esperanza = np. Es decir, la media de la distribuci
on de Poisson
aproximada esta fija en el valor de la esperanza conocida np de la distribuci
on binomial
que se quiere aproximar.
Teorema 3.6.9 (Aproximaci
on de la binomial a la de Poisson) Sea X una
variable aleatoria binomial con par
ametros n y p. Si n es grande (n 100), p
peque
na (p 0, 01) y np tiene un tama
no moderado (np 20), entonces, la distribuci
on binomial con par
ametros n y p puede aproximarse bien por la distribuci
on
de Poisson con par
ametro = 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),
8
k = 0, 1, 2, 3, . . . .
No hay una regla para el tama

no de p y n al aproximar la distribuci
on binomial con la de
Poisson. En la pr
actica, si n 100, p 0, 01 y np 20, la aproximaci
on ser
a buena.
3.6 La distribuci
on de Poisson
44
Los siguientes ejemplos ilustran algunos de los problemas en donde la distribuci

on de
Poisson puede ser aplicada como aproximaci
on de la distribuci
on binomial.
Ejemplo 3.6.10 Una cierta compa
na electr
onica produce 15.000 unidades de un tipo especial de tubo al vaco. Se ha observado que, en promedio, 3 tubos de 300 son defectuosos.
La compa
na empaca los tubos en cajas de 600. Cu
al 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 m
as
1 defectuoso?
SOLUCION:
umero de tubos defectuosos. Entonces, X es
una variable binomial con par
ametros n = 600 y p = 0, 01.
Observemos que no podemos usar la tabla binomial por ser n muy grande. Por consiguiente,
debemos buscar una aproximaci
on de la distribucion binomial. La idea es aplicar el teorema
3.6.9. Observamos que
n = 600 es grande,
p = 0, 01 es peque
no,
y se cumple que np = 6 20.
Como se cumplen estos tres supuestos exigidos por el teorema, las probabilidades pedidas pueden ser calculadas (en forma aproximada) usando la distribucion de Poisson con
par
ametro = 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
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
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 p

aginas
hay 200 errores que estan distribuidos aleatoriamente en todo el texto. Calcular la probabilidad de que en una pagina dada (a) no haya errores (b) 2 o m
as errores.
SOLUCION:
umero de errores por pagina. Ya que la pro1
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 par
ametros 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 distribuci
on 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 n
umero
de partculas emitidas y fo es el n
umero de perodos de 7, 5 segundos observados.
0
57
k
fo
1
203
2
383
3
525
4
532
5
408
6
273
7
139
8
45
9
27
10
16
Fig. 3.9: Frecuencias observadas para el experimento de Rutherford y Geigner

En este experimento, n = 2.608 y p es bastante peque
na, y la distribucion de la variable
X, que representa al n
umero de partculas emitidas, puede ser aproximada por la funci
on
de probabilidad de Poisson. El n
umero promedio de partculas emitidas durante un
perodo de 7, 5 segundos es
= x =
10
P
kfobservado
k=0
0 57 + 1 203 + 2 383 + + 10 16
= 3, 87
2.608
y, con esto, la funci

on de probabilidad de Poisson estar
a dada por
pk := p(k; 3, 87) =
e3,87 (3, 87)k

,
k!
k = 0, 1, . . . , 10.
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
P(X = 0) = p(0; 3, 87) =
e3,87 (3, 87)0

0, 021.
0!
La probabilidad de que en un periodo de 7, 5 segundos observemos 1 partcula es

P(X = 1) = p(1; 3, 87) =
e3,87 (3, 87)1

0, 0807.
1!
La probabilidad de que en un periodo de 7, 5 segundos observemos 2 partculas es

P(X = 12) = p(2; 3, 87) =
e3,87 (3, 87)2

0, 1562.
2!
En la tabla 3.10 aparecen todas estas probabilidades.
k
pk
0
0,021
1
0,08
2
0,156
3
0,201
4
0,195
5
0,151
6
0,097
7
0,054
8
0,026
9
0,011
10
0,0065
Fig. 3.10: Probabilidades para el experimento de Rutherford y Geigner

Al calcular las frecuencias esperadas fe del n
umero 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 funci
Poisson da una buena aproximacion del problema (comp
arese los valores de fo y fe ).
3.6 La distribuci
on de Poisson
k
fo
fe
0
57
54,7
1
203
210,5
2
383
407,4
3
525
525,5
46
4
532
508,4
5
408
393,5
6
273
253,8
7
139
140,3
8
45
67,9
9
27
29,2
10
16
17,1
Fig. 3.11: Frecuencias esperadas para el experimento de Rutherford y Geigner
on 3.6
53. Sea X la cantidad de huecos en la superficie de una instrumento metalico de cierto tipo,
seleccionado al azar, con una distribuci
on 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 n
umero X de tormentas electricas observadas en cierta region durante un
periodo de 6 meses tiene una distribuci
on 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 n
umero observado de tormentas electricas?
55. El n
umero 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 compa
na, 10 son defectuosas. Utilice
la aproximaci
on de la distribuci
on 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 distribuci
on aproximada del n
umero de quienes fuman?
(b) Utiliza la aproximaci
on de la parte (a) para calcular la probabilidad aproximada de
que entre 8 y 20 (ambos inclusive) personas fumen.
(c) Utiliza nuevamente la aproximaci
on de la parte (a) para calcular la probabilidad aproximada 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 ni
nos menores de 4 a
nos (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 ni
nos tienen el virus. Considere una muestra aleatoria de 1.000 ni
nos.
(a) Cuales son el valor esperado y la desviacion estandar del n
umero de ni
nos de la
muestra que tienen el virus.
3.7 La distribuci
on hipergeometrica
47
(b) Cual es la probabilidad (aproximada) de que por lo menos 10 ni

nos de los muestreados
tengan el virus?
(c) Cual es la probabilidad (aproximada) de que ninguno de los ni
nos 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 distribuci
on 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, seg
un un proceso de Poisson,
con tasa = 8 buses por hora, de modo que el n
umero 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 peque
nos 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 n
umero 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 n
umero 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) ning
un 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 distribuci
on del n
umero de
computadores por a
no 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 a
no tenga un bloqueo
en el sistema operativo?
(b) Cual es la probabilidad de que mas de un computador por a
no tenga un bloqueo en
el sistema operativo?
3.7
La distribuci
on hipergeom
etrica
Experimento hipergeom
etrico
En esta secci
on queremos considerar experimentos que obedezcan las propiedades de
un experimento binomial, pero debilitando la propiedad de independencia entre los experimentos individuales, es decir, supondremos que los experimentos individuales son
dependientes. Este nuevo tipo de experimento resultante se llamara experimento hipergeometrico y se usan com
unmente cuando el muestreo se hace sin reemplazo. En general,
3.7 La distribuci
on hipergeometrica
48
trico con parametros n, M y N esta basado en las

un experimento hipergeome
siguientes suposiciones (vease la figura 3.12):
(H1) La poblaci
on o conjunto donde deba hacerse el muestreo es una poblaci
on finita
con N elementos.
(H2) Cada elemento de la poblaci
on puede ser caracterizado como un exito o un fracaso.
(H3) Hay M exitos en la poblaci
on.
(H4) Se elige una muestra sin reemplazo de n individuos, de tal forma que sea igualmente probable seleccionar cada subconjunto de tama
no n.
Fig. 3.12: Esquema gr

afico de un experimento hipergeometrico
Distribuci
on hipergeom
etrica
En un experimento hipergeometrico con parametros n, M y N, como el descrito en la
secci
on anterior, la variable de interes X es siempre el n
umero de exitos obtenidos en
la muestra. La distribuci
on de probabilidad de X, llamada distibuci
on hipergeometrica,
depende de los parametros n, M y N y la probabilidad que inicialmente nos interesa estudiar 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 f
ormula 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 n
umero
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 n
umero 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 distribuci
on hipergeometrica
49
Por consiguiente, el espacio muestral correspondiente tiene 20 elementos igualmente probables.

(a) Nos piden calcular P(X = 1). Determinemos la cantidad de maneras de escoger una
muestra de tama
no n = 3 que contiene k = 1 bola negra y n k = 2 blancas:
k = 1 bola negra
total de M = 4 bolas negras que hay en la caja se pueden
de4un
=
escoger de M
1 = 4 formas.
k
n k = 2 bolas blancas de un total
de
N M = 2 bolas blancas que hay en la
2
caja se pueden escoger de NM
=
nk
2 = 1 forma.
Por consiguiente, la cantidad de maneras de escoger una muestra de tama

no n = 3
que contiene k = 1 bolas negras y n k = 2 blancas es igual a

2
4
NM
M
= 4.
=
2
1
nk
k
Con esto, la probabilidad pedida sera

4
P(X = 0) =
2
2
6
3
4
1
=
= 0, 20.
20
5
(b) Nos piden calcular P(X = 2). Determinemos la cantidad de maneras de escoger una
muestra de tama
no 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

4
=
6
formas.
=
pueden escoger de M
2
k
n k = 1 bola blanca de un total
de N M = 2 bolas blancas que hay en la

2
=
caja se puede escoger de NM
1 = 2 formas.
nk

no n = 3

M
NM
4
2
=
= 12.
k
nk
2
1

4
P(X = 2) =
2
1
6
3
3
12
=
= 0, 60.
20
5
(c) Nos piden calcular P(X = 3). Determinemos la cantidad de maneras de escoger una
muestra de tama
no 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

4
pueden escoger de M
=
=
4
formas.
k
3
n k = 0 bolas blancas de un total
de
N M = 2 bolas blancas que hay en la
2
caja se pueden escoger de NM
=
nk
0 = 1 forma.

no n = 3

M
NM
4
2
=
= 4.
k
nk
3
0

4
P(X = 3) =
2
0
6
3
1
4
=
= 0, 20.
20
5
3.7 La distribuci
on 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 patr
on con las
entradas numericas.
P(X=k)
(41) (22)
=
(63)
1
5
(42) (21)
=
(63)
3
5
(43) (20)
=
(63)
1
5
Fig. 3.13: Distribuci

on de probabilidad para la distribuci
on hipergeometrica con
par
ametros N = 6, M = 4 y n = 3.
Para generalizar el metodo que usamos en el ejemplo 3.7.1 (vease la figura 3.14), supongamos que una poblaci
on (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
poblaci
on (en nuestro ejemplo, n = 3 bolas). Nuestro interes determinar el n
umero de
exitos escogidos que hay en los n objetos sacados. Ahora,
1. El n
umero total de formas de escoger n objetos de N objetos de la poblaci
on 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
on se pueden escoger
de un total de M exitos que hay en la poblaci
formas
y
de M
k
n k fracasos de un total
on se
de N M fracasos que hay en la poblaci
NM
puede escoger de nk formas,
entonces, la cantidad de maneras de escoger una muestra

no n que con de tama
M NM
tiene k exitos y n k fracasos es igual al producto k nk .
En consecuencia, tenemos el siguiente teorema:
3.7 La distribuci
on hipergeometrica
51
Fig. 3.14: Esquema gr

afico para obtener la distribuci
on hipergeometrica
Teorema 3.7.2 Sea X el n

umero de exitos obtenidos en una muestra escogida al
azar al realizar un experimento hipergeometrico con par
ametros n, M y N. Entonces,
la probabilidad de elegir k exitos en n intentos est
a dada por

M NM
P(X = k) =
nk

N
n
donde
k = 0, 1, 2, . . . , n
n N.
(3.1)
n
trica con par
hipergeome
ametros n, M y N.
Como podemos verificar, las funciones de probabilidad f y de distribuci
on 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;
(N )
h(k; n, M, N) := f(k) =
0, n
de otra manera.
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 distribuci
on hipergeom
etrica
La distribuci
on hipergeometrica encuentra aplicaciones en los controles de calidad de
la producci
on 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 pr
oxima escogencia. Si B y M fuesen conocidos, entonces,
se podra aplicar la f
ormula (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 investigaci
on de la calidad de un determinado n
umero de ejemplares
sirve precisamente para la estimaci
on de estos n
umeros desconocidos.
3.7 La distribuci
on 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 componentes 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 m
as 3 de
ellas no esten defectuosas?
SOLUCION:
umero de componentes no defectuosas. Aplicando la distribucion geometrica con par
ametros n = 15, N = 60 y M = 48, tenemos
12
48
11
P(X = 11) = h(11; 15, 48, 60) =
y
P(X 3) =
3
X
48
j
j=0
12
15j

60
15
3
X
48
j
j=3
4
= 0, 21026.
60
15
12
15j

60
15
48
3
12
12
60
15
3, 251 1010 .
Observemos que la primera suma puede comenzar

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

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:
umero de senadores escogidos de la facultad
de arte. Entonces, la probabilidad de que el comite tenga a lo m
as un senador de la facultad
de arte esta dada por
38
38
38
28
1
28
28
X
16j
j
16
0
1
P(X 1) =
=

+
15 5, 324 104 .
66
66
66
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 compa

na 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 m
as de un
artculo defectuoso en la muestra. Cu
al es la probabilidad de que sea aceptado un pedido
con cinco artculos defectuosos?
SOLUCION:
umero de artculos defectuosos en la muestra
de 5. Entonces,
P(aceptar el envo) = P(X 1) = P(X = 0) + P(X = 1)

5 15
15
=
6

20
6
5
20
6
0, 129 + 0, 387 = 0, 516.
Por consiguiente, la probabilidad de que sea aceptado un pedido con cinco artculos defectuosos es de 0,516.
3.7 La distribuci
on hipergeometrica
53

on hipergeom
etrica
on hipergeometrica.
on hipergeometrica con par
ametros n, M y N, entonces, se cumple que

M
Nn
M
M
E(X) = n
y
V(X) =
1
n
.
N
N1
N
N
La raz
on M/N es la proporci
on de los exitos de la poblaci
on. Si sustituimos M/N
por p en las f
ormulas de E(X) = np y V(X) = np(1 p), dadas en el teorema 3.5.8,
obtenemos

Nn
np(1 p).
E(X) = np
y
V(X) =
N1
La expresi
on 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 por poblacio
n finita. Este
n)/(N 1), a veces llamado factor de correccio
factor es menor que 1, as que la variable hipergeometrica tiene menor varianza que la
n
1
de la binomial. El factor de correcci
on se puede escribir como (1 N
)/(1 N
), que es
aproximadamente 1 cuando la poblaci
on tiene un tama
no muy grande (N ). Una
regla de uso muy frecuente establece que el factor de correcci
on se puede pasar por alto
n
cuando N 0, 05, es decir, cuando la muestra contiene menos del 5% de los elementos de la poblaci
on. Cuando esto sucede, las distribuciones binomial e hipergeometrica
coinciden.
on 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 n
umero 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 distribuci
on 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 n
umero 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 p
ublico 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 a
un 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 debido 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 cumplea
nos, un joven recibi
o 5 discos compactos de m
usica romantica y
4 de m
usica 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 m
usica romantica?
(b) Cual es la probabilidad de que al menos 2 de ellos sean de m
usica romantica?
(c) Cuales son el valor medio y la desviacion estandar de la cantidad entre los 3, que
sean de m
usica romantica?
(d) Cuales son el valor medio y la desviacion estandar, del n
umero de discos compactos
que no esten entre los 3 primeros y que sean de m
usica 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 aceptaci

on de una reforma social termino en discusi
on
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 n
umero 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 n
umero de matematicos en el comite.
(b) Calcule la probabilidad de que en el comite hayan por lo menos dos fsicos.
78. Una se
nora 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 geom

etrica
Experimento binomial negativo

Consideremos un experimento que satisface las mismas propiedades que las de un experimento binomial, con la excepci
on de que los experimentos se repetiran hasta que ocurra
un n
umero 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 probabilidad 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 independientes entre s.
(BN2) La probabilidad de exito p de cada experimento de Bernoulli es siempre la misma.
(BN3) El experimento contin
ua hasta que un total de r exitos se haya observado, siendo
r un entero no negativo dado.
Distribuci
on binomial negativa
La variable de interes en un experimento binomial negativo con parametros r y p es X =
n
umero de fracasos que preceden al r-esimo exito. Observese que X tiene valores 0,
1, 2, . . .. La distribuci
on de probabilidad de X, llamada distribuci
on binomial negativa,
depende de los parametros r y p y la probabilidad que inicialmente nos interesa estudiar
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 f
ormula deduciremos a continuaci
on. Observese que el evento {X = k} es equiva9
lente 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
(1 p)k
P(A) = b(r 1; k + r 1, p) =
r1
es una probabilidad binomial con parametros k + r 1 y p, entonces,

k+r1 r
k + r 1 r1
p (1 p)k.
p
(1 p)k p =
bn(k; r, p) =
r1
r1
Esto conduce al siguiente teorema:
umero de fracasos que preceden al r-esimo exito en un
experimento binomial negativo con par
ametros r y p. Entonces, la probabilidad de
que hayan k fracasos antes del r-esimo exito est
a dada por

k+r1 r
bn(k; r, p) = P(X = k) =
p (1 p)k,
k = 0, 1, 2, . . . .
r1
n
binomial negativa con par
ametros r y p.
Las funciones de probabilidad f y de distribuci
on F de una variable aleatoria X que tiene
distribuci
on 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.
Bn(t; r, p) := F(t) = P(X t) =
bn(k; r, p),
kt
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.
57
Ejemplo 3.8.2 Una pareja desea tener exactamente dos ni

nas en su familia. Tendr
an hijos
hasta que se satisfaga esta condici
on. 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) Cu
al es la probabilidad de que la familia tenga 4 hijos?
(c) Cu
al es la probabilidad de que la familia tenga a lo m
as 4 hijos?
SOLUCION:
Sea X la variable aleatoria que representa a n
umero de varones que nacen antes de que
nazca la segunda hembra. Es claro ver que X tiene distribucion binomial negativa con los
par
ametros r = 2 y p = 0, 5.
(a) Por el teorema 3.8.1, la probabilidad pedida es

k+1
(0, 5)2 (0, 5)k = (k + 1) (0, 5)k+2 .
P(X = k) = bn(k; 2; 0, 5) =
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 m
as 4 hijos es aproximadamente
del 0.688.

on binomial negativa
on binomial negativa.
on binomial negativa con par
ametros r y p, entonces, se cumple que
E(X) =
r(1 p)
p
V(X) =
r(1 p)
.
p2
Ejemplo 3.8.4 Consideremos la situaci

on presentada en el ejemplo 3.8.2.
(a) Cu
antos varones se esperara que tenga esta familia?
(b) Cu
antos hijos se esperara que tenga esta familia?
SOLUCION:
Sea X como en el ejemplo 3.8.2. En ese mismo ejemplo se determin
o que X tiene distribucion
binomial negativa con los par
ametros r = 2 y p = 1.
58
(a) Nos piden calcular la esperanza de X, la cual, por el teorema 3.8.3, esta dada por
E(X) =
2(1 0, 5)
= 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.
Distribuci
on geom
etrica
Como caso especial, la distribuci
on binomial negativa con parametros r = 1 y p se
conoce con el nombre de distribuci
on geometrica con parametro p. Como caso particular de los teoremas 3.8.1 y 3.8.3, con r = 1, tenemos el siguiente teorema:
umero de fracasos que preceden al primer exito en un
experimento binomial negativo con par
ametros 1 y p. Entonces, la probabilidad de
que hayan k fracasos antes del primer exito est
a dada por
P(X = k) = bn(k; 1, p) = p (1 p)k,
k = 0, 1, 2, . . . .
n
1p
trica con par
geome
ametros p. Adem
as, E(X) = 1p
y
V(X)
=
.
p
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 n
umero de etiquetas examinadas
hasta que se encuentra una etiqueta mal adherida.
SOLUCION:
Sea X es la variable aleatoria que representa al n
umero de ensayos realizados antes de encontrar 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 m
as alta que la
probabilidad de que se encuentre despues de 10.000 botellas.
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
= 99.990.000.
V(Y) =
(0, 0001)2
Por lo tanto, la desviacion estandar es 99.990.000 = 9.999, 5.
on 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 exploraci
on petrolera hay 0,2 de probabilidad 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
n
umero de hijos de Nubia y Jorge?
83. Tres hermanos y sus respectivas esposas deciden tener hijos hasta que cada familia tenga
dos ni
nas.
(a) Cual es la funcion de probabilidad del n
umero total de varones nacidos de los hermanos?
(b) Cual es la esperanza del n
umero total de varones nacidos de los hermanos y c
omo
se compara con el n
umero 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 fabricaci
on, 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 ladr
on 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 desviaci
on
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 compa
na de albercas indican que la probabilidad de que una de
sus nuevas albercas requiera reparaci
on en el plazo de un a
no es 0,20. Cual sera la
probabilidad de que la sexta alberca construda en un a
no determinado sea la primera en
requerir reparaci
on en ese lapso?
3.9 Uso de Statgraphics para trabajar con distribuciones discretas
3.9
60
Uso de Statgraphics para trabajar con distribuciones

discretas
Introducci
on
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 distribuci
on. El programa
permite calcular probabilidades para puntos en variables aleatorias discretas y para intervalos en variables aleatorias discretas y continuas (en esta secci
on nos limitaremos
al caso discreto y en la secci
on ?? 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 secci
on se presenta en primer
lugar una descripci
on 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 opci
on Plot de la barra de men
u.
Dentro de Plot, se escoge Probability Distributions.
Dentro de Probability Distributions, se escoge la distribuci
on deseada. Los valores
de los parametros que definen la distribuci
on (estan fijados por defecto por el
programa) se pueden modificar pulsando el bot
on derecho del rat
on y escogiendo
la opci
on Analysis Options.
Opciones num
ericas
Situandose en el icono de Tabular options (de color amarillo) y pulsando el bot
on
izquierdo del rat
on, el programa ofrece cuatro posibilidades:
Analysis Summary (opci
on por defecto).
El programa presenta un recordatorio de la distribuci
on 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 bot
on derecho
del rat
on, 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 bot
on derecho del rat
on, escogiendo Pane
Options y rellenando o modificando uno (o varios) de los recuadros blancos que
aparecen.
Random Numbers (generaci
on de n
umeros aleatorios).
El programa genera n valores aleatorios de una distribuci
on elegida. El valor de n
3.9 Uso de Statgraphics para trabajar con distribuciones discretas
61
se fija pulsando el bot

on derecho del rat
on, escogiendo Pane Options y escribiendo
en la opci
on Size el valor deseado. A continuaci
on, para generar la serie de n
umeros
aleatorios, hay que situarse en el cono Save results (cuarto cono, el que lleva un
dibujo de un diskette) y pulsar el bot
on izquierdo del rat
on. El programa permite
guardar los valores generados (marcando el recuadro bajo el ttulo Save con el
bot
on izquierdo del rat
on) 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 gr
aficas
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 bot
on izquierdo del
rat
on. El programa ofrece cinco posibilidades, a saber:
Density/Mass Function.
Esta opci
on crea una grafica de la funci
on de probabilidad (o de densidad en el
caso continuo) que se esta evaluando.
CDF : Esta opci
on de distribucion acumulada que
se esta evaluando.
Survivor Function: Esta opci
on complementaria
de la funci
on de distribuci
on acumulada (funci
on de supervivencia) que se esta
evaluando. La funci
on indica la probabilidad de obtener un valor mayor o igual a
los valores sobre el eje X.
Log Survivor Function: Esta opci
on crea una grafica de la logaritmo de la funci
on
n de supervivencia indica
de supervivencia que se esta evaluando. La funcio
la probabilidad de obtener un valor mayor o igual a los valores sobre el eje X.
Hazard Function: Esta opci
on crea un grafica de la funci
on de riesgo para la
n de riesgo es igual a la funci
distribuci
on que se esta evaluando. La funcio
on
de probabilidad (o de densidad en el caso continuo) dividida por la funci
on 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 m
aximo 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 rat
on 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 rat
on y escogiendo ahora
Cap. 3. Ejercicios complementarios
62
Pane Options, se fija elige el valor de la variable (Random variable) en 6. La soluci

on que
da el programa es 1 F(6) (Upper tail area) = 0, 627. Es decir, F(6) = 0.373.
on 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 a
nos
mas es de 3/5. Determinar la probabilidad de que dentro de a
nos 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

contaminaci
on solo en los puntos en que se supere un total de 30 desintegraciones en un
minuto. Si en un punto el n
umero de desintegraciones por minuto sigue una distribuci
on de
Poisson con media 33, calcular la probabilidad de que al cabo de un minuto sea detectada
la contaminaci
on 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 probabilidad 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 autom
oviles por
minuto, determinar la probabilidad de que en un minuto dado lleguen a la estacion de
suministro mas autom
oviles 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 distribuci
on 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 n
umero.
(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 distribuci
on acumulada de una variable aleatoria X discreta,
entonces, F es una funcion escalonada
(e) Si X es una variable aleatoria discreta con funcion de distribuci
on acumulada F, entonces, 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.
63
97. Dos dados no cargados se tiran independientemente. Sea X la variable aleatoria que
representa al maximo n
umero que resulta en ambas caras.
(a) Halle la funcion de probabilidad f de X.
(b) Halle la funcion de distribuci
on 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
n
umero 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 distribuci
on acumulada y grafquela; calcule la media e interpretela 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 distribuci
on acumulada y grafquela; calcule la media e interpretela y calcule la varianza. Que tipo de experimento aleatorio es este? Por
que?
99. Una determinada revista, que eval
ua la calidad del funcionamiento de computadores
nuevos, reporta regularmente el n
umero de defectos importantes que tiene cada computador en cada examen. Sea X la variable aleatoria que representa al n
umero de defectos
importantes en un computador de cierto tipo seleccionado al azar. Supongamos que la
funcion de distribuci
on 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 n
umero de defectos importantes en un computador
de cierto tipo seleccionado al azar sea igual a 1.
(b) Calcule la probabilidad de que el n
de cierto tipo seleccionado al azar sea estrictamente mayor que 2.
(c) Calcule la probabilidad de que el n
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 n
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
compa
neros 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
compa
neros hasta que consiga la informacion. Sea X la variable aleatoria que representa
el n
umero de llamadas necesarias para obtener la informacion.
64
(a) Construya y grafique la funcion de probabilidad de X.

(b) Construya y grafique la funcion de distribuci
on acumulada de X.
(c) Calcule la probabilidad de que se necesiten al menos tres llamadas.
102. Sea X la variable aleatoria que representa al n
umero de llamadas telef
onicas que recibe
un conmutador durante un intervalo de cinco minutos. Supongamos que X tiene funcion
de probabilidad
e3 3x
, para x = 0, 1, 2, . . . .
f(x) =
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 probabilidad 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 opci
on 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 n
umero 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?
umero 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 n
umero 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 n
umero de llamadas telef
onicas recibidas en una determinada oficina para formular una
queja es un proceso de Poisson con raz
on = 4 por hora.
65
(a) Calcule la probabilidad de que exactamente 10 llamadas telef

onicas 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 n
umero 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 exploraci
on
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 completamente 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
f
utbol. 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 n
umero de personas que llegan por hora a cierta tienda se supone que tiene distribuci
on
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 n
umero medio de llegadas durante un perodo de dos horas?
114. La probabilidad de que una persona muera cuando contrae una infecci
on pulmonar es
0,003. De los siguientes 4.000 infectados con este tipo de enfermedad, cual es el n
umero
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 n
umero 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.
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 hipergeom

etrica con parametros n, M y N, demuestre que E(X) =

n
M
N
y V(X) =
Nn
N1
M
N
M
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
9. (a) 0,55 (b) 0,70 (c) 0,45 (d) 0,34 (e)
0,70 (f) 0,45
3
11. (b) f(k) = k2 2k
/10, con
k = 0, 1, 2
13. (a) 0,47 (b) 0,70 (d) 0,41 (e) 0,31
15. (c) 15/28 (d) 45/56
35. (a) 0,2612736 (b) 0,6561 (c) 0,104

(d) 0,9897462
37. (a) 0,10689 (b) 0,295652 (c) 9,5128
107 (d) 0,6637
39. (b) 0,6528 (c) 0,92224 (d) 2; 1,2
41. No
43. (a) 0,984 (b) 0 (c) 0,075 (d) 0,358
(e) 1; 0,9746
45. (a) 0,127 (b) 0,463 (c) 0,91
17. f(k) = (k 1)(0, 05)k2 (0, 95)2 , para

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
21. (a) 25,55; 669,75; 16,9472 (b) 380,25;

254,208 (c) 644,2
23. 1
25. $2.430.451
51. 0,834
53. (a) 0,070 (b) 0,033 (c) 0,93 (d) 0,177
(e) 0,036
55. (a) 0,195 (b) 0,352 (c) 0,982 (d)
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

pesos
59. (a) 10; 3,16227 (b) 0,542 (c) 0
31. 27,5; 56,25
61. (a) 0,091; 0,90; 0,283 (b) 12; 3,464

(c) 0,53; 0,011
33. 8; 60,7
63. (a) 0,1429 (b) 0,1353
Respuestas a ejercicios impares seleccionados
65. (a) 0,006023 (b) 0,38208 (c) 0,61792

(d) 0,67; 0,6947
67. 0,0238
69. 0,516
71. 0,4762
73. (a) 0,408 (b) 0,20862 (c) 0,71387
5
75. (a) f(k) = k4 5k
/126, con
k = 0, 1, 2, 3, 4, 5 (b) 20/9
4
/56, con
77. (a) f(k) = k3 4k
k = 0, 1, 2, 3, 4 (b) 8/3
68
87. 0,038689
89. 0,000256
99. (a) 0,21 (b) 0,37 (c) 0,61 (d) 0,50
101. (a) f(k) = (0, 30)(0, 70)k1 , con
k = 1, 2, 3, . . . (b) F(t) = 1 (0, 70)t si
t = 1, 2, 3, . . .; F(t) = 0, de otra forma
(c) 0,657
103. (a) 0,0630 (b) 0,9730
105. (a) El asma (b) La dieta
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

6+k
, con
83. (a) f(k) = k+5
5 (0, 5)
k = 0, 1, 2, . . . (b) 6
113. (a) 0,133 (b) 10

115. No
85. 0,0095099
117. 3; 4
Indice
Conjunto
enumerable, 4
Desviaci
on
estandar
de una funcion, 25
de una variable aleatoria, 23
Distribucion
binomial, 33
binomial negativa, 56
de Poisson, 40
geometrica, 58
hipergeometrica, 51
uniforme (discreta), 29
Esperanza
de una funcion, 21
Experimento
binomial, 31
binomial negativo, 55
de Bernoulli, 30
de Poisson, 39
hipergeometrico, 48
Factor de correcci
on
por poblacion finita, 53
Funcion de
distribuci
on acumulada, 10
probabilidad, 7
riesgo, 61
supervivencia, 61
Media
de una funcion, 21
Proceso de Poisson, 39
Regla
de Tchevichev, 26
emprica, 26
Teorema
de aproximaci
on
de la binomial a la de Poisson, 43
Valor esperado, ver esperanza
Variable aleatoria, 3
continua, 4
discreta, 4
Varianza
de una funcion, 25

Capitulo 3

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Capitulo 3

Uploaded by

Copyright:

Available Formats

Contenido

3 Variables aleatorias discretas y distribuciones de probabilidad

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

Variables aleatorias discretas y

Distribuciones de probabilidad para variables aleatorias

Esperanza de una variable aleatoria . . . . . . . . . . . . . 17

Las distribuciones binomial negativa y geom

3.1 Variables aleatorias

Objetivos del captulo

Es conveniente para el trabajo futuro, saber relacionar los resultados de un experimento

en donde C significa cara y S, sello. Estos resultados no son n

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

3.1 Variables aleatorias

Las variables aleatorias se simbolizan, generalmente, con las letras may

Clientes que llegan a un mostrador

Revisar un embarque de 50 radios

Tabla 3.1: Ejemplos de variables aleatorias discretas

3.1 Variables aleatorias

Tabla 3.2: Ejemplos de variables aleatorias continuas

3.2 Distribuciones de probabilidad para variables aleatorias discretas

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

Distribuciones de probabilidad para variables aleatorias discretas

Probabilidad de que una variable aleatoria discreta tome cierto valor

3.2 Distribuciones de probabilidad para variables aleatorias discretas

Tabla 3.3: Distribuci

3.2 Distribuciones de probabilidad para variables aleatorias discretas

Una descripcion equivalente es

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

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

3.2 Distribuciones de probabilidad para variables aleatorias discretas

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

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

= 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

En muchas ocasiones, es de mucha ayuda el expresar la distribuci

3.2 Distribuciones de probabilidad para variables aleatorias discretas

Fig. 3.3: Histograma de probabilidad del ejemplo 3.2.4

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

Ahora, hallaremos la funci

3.2 Distribuciones de probabilidad para variables aleatorias discretas

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

f(x) = f(0) + f(1) =

f(x) = f(0) + f(1) + f(2) =

Ahora, determinamos F(t) para cualquier otro n

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

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

= P(X 1, 32) = P(X 1) = F(1) =

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

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

Observese que los valores de X no son negativos y, por esta raz

3.2 Distribuciones de probabilidad para variables aleatorias discretas

El grafico de esta funci

Para encontrar a la funci

En general, para variables aleatorias discretas, la funci

3.2 Distribuciones de probabilidad para variables aleatorias discretas

Teorema 3.2.12 Sea X una variable aleatoria discreta con funci

cuya grafica esta en la figura Si f es la funci

3.2 Distribuciones de probabilidad para variables aleatorias discretas

P(X toma valores 0, 1, 2 o 3) P(X toma valores 0 o 1)

P(1 < X 3) = P(2 X 3) =

P(2 X < 3) = P(X toma solo el valor 2) = P(X = 2) = f(2) =

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

Todas estas observaciones se pueden resumir en el siguiente teorema:

3.2 Distribuciones de probabilidad para variables aleatorias discretas