TEMA 3 - VARIABLES ALEATORIAS.

DISTRIBUCIONES DISCRETAS.

1.- VARIABLE ALEATORIA.

1.1. Concepto de Variable Aleatoria.

Una variable aleatoria es la representación del resultado de un experimento

aleatorio. Formalmente, una variable aleatoria es una función que asocia un número
real a cada elemento del espacio muestral. El número asociado a cada elemento del
espacio muestral es la probabilidad de que se presente el resultado correspondiente.

Las variables aleatorias las representaremos por una letra mayúscula X. Cada uno
de sus posibles valores lo representaremos con una letra minúscula, x.

1.2. Tipos de variables aleatorias unidimensionales.

Consideremos los siguientes experimentos:

a) lanzar tres dados y observar cuantos dados muestran un número par en su cara
superior.
El espacio muestral es { 0, 1, 2, 3 }. La variable aleatoria asociada a este
experimento podrá tomar un valor cualquiera entre los cuatro posibles.

En este caso tendremos una variable aleatoria discreta y finita.

b) contar el número de veces que hay que lanzar un dado hasta obtener el primer 6.
En este caso el espacio muestral es { 1, 2, 3, 4,......}. La variable aleatoria asociada
podrá tomar como valor cualquier número natural.

Aquí tendremos una variable aleatoria discreta infinito numerable.

c) medir la distancia recorrida por un proyectil. En este caso el espacio muestral

contiene un número infinito de resultados posibles. La variable aleatoria podrá tomar
como valor cualquier número real comprendido entre la cotas inferior y la cota
superior de los resultados posibles.

Ahora tenemos una variable aleatoria continua.

1.3. Distribuciones discretas de probabilidad.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 1

METODOS ESTADÍSTICOS Y APLICACIONES

Dada una variable aleatoria discreta, X, cuando se conoce la probabilidad con la que
pueden aparecer todos y cada uno de sus posibles resultados {x1, x2,....},
conocemos su distribución de probabilidad.

Llamamos función de probabilidad (también denominada función de masa de

probabilidad) de la variable aleatoria X, y la representaremos por f(x), a la función
que asocia a cada resultado posible la probabilidad con la que cabe esperar dicho
resultado.

Para que f(x) sea una función de probabilidad de una variable aleatoria discreta X,
se debe verificar:

a) f(x) ≥ 0 ∀ x
b) f(xi) = 1
c) P(X = x) = f(x)

Ejemplo 1.3.1. Indicar la función de probabilidad de la variable aleatoria que

representa los resultados posibles del experimento de observar cuantas caras salen
cuando se lanzan cinco monedas.

Ejemplo 1.3.2. Indicar la función de probabilidad de la variable aleatoria que

representa los resultados posibles del experimento de observar cuantas veces hay
que lanzar una moneda hasta obtener la primera cara.

1.4. Valor medio de una variable aleatoria discreta.

El valor medio de una variable aleatoria discreta, X, se representa por E(X):

E(X) = ∑x
I
I f ( xi )

Ejemplo 1.4.1. Calcular el valor medio de las variables aleatorias indicadas en los
ejemplos del apartado anterior.

1.5. Funciones de variables aleatorias.

Consideremos el experimento 1 consistente en observar cuantas caras se obtienen

al lanzar cinco monedas. El resultado de este experimento podremos representarlo
por una variable aleatoria, X, que podrá tomar los valores {0, 1, 2, 3, 4, 5}.

Asociemos una cantidad a cada uno de los resultados posibles del experimento, por
ejemplo un premio equivalente, en pesetas, al cuadrado del número de caras
obtenidas.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 2

METODOS ESTADÍSTICOS Y APLICACIONES

Ahora consideremos el experimento 2 de observar los premios obtenidos según el

párrafo anterior. El premio que se puede obtener no puede ser establecido a priori.
El premio potencial puede representarse por una variable aleatoria, Y, que depende (
es función) de la variable aleatoria que representa los resultados del experimento 1.

En este caso diremos que la variable aleatoria Y es función de la variable aleatoria

X. Lo podemos representar como:
Y = g(X)
En nuestro ejemplo:
Y = X2

El valor medio de una función g de la variable aleatoria X, con función de

probabilidad f(x), será:

E[g(X)] = ∑ g(x
I
I ) f ( xi )

1.6. Varianza de una Variable Aleatoria.

Sea X una variable aleatoria discreta, con distribución de probabilidad f(x) y valor
medio m, la varianza de X se representa por Var(X) o por σ x2 , y se calcula:
σ x2 = ∑ ( xi − m) 2
i

Puede demostrarse también que:

σ x2 = E(X2) - m2

2.- ALGUNAS DISTRIBUCIONES DISCRETAS.

2.1. Distribución Discreta uniforme.

Diremos que la variable aleatoria X es discreta uniforme si todos los valores que
puede tomar {x1, x2,...,xn}tienen la misma probabilidad.

La función de distribución de probabilidad es:

1
f(x) = ∀ x ∈ {x1, x2,...,xn}
n

Valor medio E(X) =

∑x i

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 3

METODOS ESTADÍSTICOS Y APLICACIONES

Varianza σ x2 = E(X2) - E(X)2 =

∑x 2
i − (∑ x i ) 2
n

2.2. Distribución de dos puntos.

Es una variable aleatoria, X, que puede tomar sólo dos valores { a, b }, con
probabilidades p y q respectivamente ( p + q = 1 ).

Valor Medio: E(X) = p·a + q·b

Varianza σ x2 = p · q · (a + b )2

3.- DISTRIBUCION BINOMIAL

El proceso de Bernouilli debe tener las siguientes propiedades:

a) Consiste en n repeticiones de un experimento.

b) Los resultados del experimento pueden representarse por una variable aleatoria
de dos puntos.
c) Las probabilidades de cada resultado se mantienen constantes durante todas las
repeticiones.
d) El resultado de cada experimento es independiente de los resultados de los otros
experimentos.

Ejemplo 3.1. Un proceso de Bernouilli es observar el número de caras que se

obtienen al lanzar nueve monedas.

Ejemplo 3.2. Un lote grande de tornillos tiene el 10% de defectuosos. Se extrae una
muestra de 10 unidades. Cual es la probabilidad de:
a) encontrar dos tornillos defectuosos en la muestra.
b) que todos los tornillos sean correctos

Si un experimento con dos resultados posibles a y b, con probabilidades p y q

respectivamente, se repite n veces. La probabilidad de que se presenten r veces el
resultado a (n-r veces el resultado b) viene dada por :

 n r n− r  n n!
 p •q donde   =
 r  r  r !(n − r )!

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 4

METODOS ESTADÍSTICOS Y APLICACIONES

La variable aleatoria que representa el número de veces que se obtiene el resultado

a en n intentos se denomina Variable Binomial.

Valor Medio: E(X) = n · p

Varianza σ x2 = n · p · q

Ejemplo 3.3. La probabilidad de que un paciente se recupere de una enfermedad

tropical es de 0.3. 15 personas han contraído dicha enfermedad. Cuál es la
probabilidad de que:
a) al menos 10 sobrevivan.
b) fallezca sólo una
c) se recuperen exactamente 10.

Ejemplo 3.4. Se mezclan 10 barajas de 40 cartas. Se extraen cinco cartas. Cual es la

probabilidad de:
a) obtener al menos 1 as
b) obtener 3 figuras (as, rey, caballo o sota)

4.- DISTRIBUCION DE POISSON

Se denomina Proceso de Poisson a un experimento que puede presentar varias

repeticiones de cierto incidente, con las siguientes propiedades:

1) el número de incidentes en un determinado intervalo de tiempo o región de

experimentación es independiente del número de incidentes que se presentan en
cualquier otro intervalo de tiempo o región disjuntos del primero.

2) la probabilidad de que ocurra un incidente en intervalo o región pequeños es

proporcional a la dimensión de dicho intervalo o región; y no depende del número de
incidentes que ocurren fuera de ese intervalo o región.

3) la probabilidad de que se presente más de un incidente en un intervalo o región

pequeños es despreciable.

El número de incidentes que se presentan en un proceso de Poisson en un intervalo

o región se denomina variable aleatoria de Poisson. El número medio de
incidentes en intervalos o regiones de un tamaño dad se representa por µ = λ t ,
donde t representa la duración del intervalo o la magnitud de la región.

La distribución de probabilidad del número de incidentes, x, que representa una

variable de Poisson viene dada por :

e − λt (λt ) x
P(x ; λ t) =
x!

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 5

METODOS ESTADÍSTICOS Y APLICACIONES

donde x = { 0, 1, 2, 3,.....} y λ es el número medio de incidentes en la unidad de

tiempo o región patrón.

Ejemplo 4.1.: El número medio de llamadas que se reciben en una central telefónica
es de 3 cada 5 minutos. Indicar la probabilidad de que:
a) en 5 minutos se reciban 4 llamadas (sol: 0.168 )
b) en 5 minutos se reciban menos de 3 llamadas (sol: 0.423 )
c) en 5 minutos se reciban más de 5 llamadas (sol: 0.0839)

Valor Medio: E(X) = λ t = µ

Varianza σ x2 = λ t = µ

La variable aleatoria de Poisson puede utilizarse para resolver de forma aproximada

ciertos problemas en los que aparecen variables aleatorias binomiales.

La distribución de probabilidad de una variable aleatoria binomial en la que n es muy

grande, p es muy pequeño, puede aproximarse a una distribución de Poisson con
µ = np .

Ejemplo 4.2. En un proceso de fabricación de piezas cerámicas se presentan

defectos en el esmaltado por partículas de impurezas que están en suspensión en
los depósitos de barniz. Se ha observado que una de cada 500 piezas presenta una
o más imperfecciones. Cual es la probabilidad de que en un lote de 5000 piezas:
a) no haya ninguna defectuosa
b) no haya más de tres defectuosas
c) haya más de 5 con defectos.

La distribución de probabilidad de distintas variables de Poisson se encuentran

tabuladas.

Ejemplo 4.3. La probabilidad de que una variable de Poisson con:

a) µ = 4 sea menor o igual que 3 es 0.4335
b) µ = 8 sea menor o igual que 9 es 0.7766
c) µ = 4 sea igual que 3 es 0.4335 - 0.2381 = 0.1954
d) µ = 4 sea mayor que 3 es 1 - 0.4335 = 0.5665

5.- OTRAS DISTRIBUCIONES DISCRETAS

5.1. Distribución Multinomial.

La variable aleatoria Binomial se transforma en una Variable Multinomial si el

experimento que se repite tiene más de dos resultados posibles.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 6

METODOS ESTADÍSTICOS Y APLICACIONES

Ejemplo 5.1.1. En la promoción de un nuevo refresco se imprime el interior del tapón

con tres diferentes motivos A, B y C. El motivo A se imprime en el 60% de los
tapones, el B en el 30% y el C en el 10%. Si compramos 3 botellines del refresco,
cual es la probabilidad de obtener:
a) obtener uno de cada tipo (sol: 0.0108 )
b) que falte el tapón C (sol: 0.729 )
c) al menos un tapón del tipo C (sol: 0.271 )

Si el experimento presenta los resultados a1, a2,..., ak con probabilidades p1,

p2,...,pk respectivamente ( p1 + p2 +... + pk = 1 ) y se repite n veces, entonces la
probabilidad de que se presenten los resultados a1 n1 veces, a2 n2 veces,..., ak nk
veces ( n1 + n2 +... + nk = n ) viene dada por:

n!
p1n1 p2n2 • • • p knk
n1 ! n 2 !... n k !

5.2. Distribución Hipergeométrica

Ejemplo 5.2.1. De una baraja de 40 cartas se extraen 5, se desea conocer la

probabilidad de:
a) seleccionar 3 espadas y 2 oros.
b) seleccionar 2 espadas, 2 copas y 1 basto
c) Al menos una de cada palo

Si los N resultados posibles pueden agruparse en a1, a2,...,ak resultados iguales (a1
+ a2 + ... + ak = N ) . Si se observan m resultados, la probabilidad de que se
presenten los resultados x1, x2,...,xk veces (x1 + x2 +...+ xk = m ) es :

 a1   a 2   a k 
    ...  
 x1   x 2   x k 
 N
 
 m

Si m es relativamente pequeño frente a N la probabilidad de cada intento sólo

cambia ligeramente. Entonces la distribución hipergeométrica puede aproximarse a
una binomial o una multinomial.

5.3. Distribución Binomial Negativa.

Ejemplo 5.3.1. Al lanzar un dado, determinar la probabilidad de que se presente :

a) el primer 6 en el tercer lanzamiento.
b) el tercer 6 en el décimo lanzamiento.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 7

METODOS ESTADÍSTICOS Y APLICACIONES

En un proceso de Bernouilli deseamos conocer la probabilidad de que se presente

por k - vez un determinado resultado exactamente en el intento n. Esta distribución
corresponde a una Variable Binomial Negativa.

Si la probabilidad de que se presente dicho resultado en un experimento individual

es p, la probabilidad buscada en el párrafo anterior viene dada por:

 n − 1 k ( n− k )
  p (1 − p)
 k − 1

Ejemplo 5.3.2. Al lanzar un dado, determinar la probabilidad de que se presente el

tercer 6 en el octavo lanzamiento.

La interpretación de esta expresión es muy sencilla. Es necesario que en n-1

repeticiones se hayan obtenido k-1 resultados y que se obtenga también dicho
resultado en la repetición n-ésima.

 n − 1 k −1 ( n− k )
  p (1 − p) •p
 k − 1

5.4. Distribución Geométrica.

Es un caso particular de la Distribución Binomial Negativa cuando k es 1.

5.5. CUESTIONES Y EJERCICIOS

5.5.1.1.1 DISTRIBUCION BINOMIAL

3.01 Un submarino dispara 3 torpedos independientemente. La probabilidad de que

un torpedo hunda el barco es del 15%. Cuál es la probabilidad de que el submarino
hunda el barco. (sol: 1 − 0.85 3 )

El barco se hundirá si al menos uno de los tres torpedos alcanza su objetivo.

El número de torpedos que alcancen el objetivo se distribuirá según una binomial de
tres repeticiones y probabilidad de éxito del 15%.

La probabilidad de hundir el barco será:

P (B (3 ; 0,15) ≥ 1) = 1 − P(B (3 ; 0,15) = 0 ) = 1 − 0,6141 = 0,3859

3.02 En el servicio de control de recepción de una fábrica se inspeccionan 10 piezas

de cada lote que se recibe. El lote es suficientemente grande para suponer que las

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 8

METODOS ESTADÍSTICOS Y APLICACIONES

extracciones son independientes. El lote se rechaza sólo si más de dos de las piezas
seleccionadas resultan defectuosas. Cuál es la probabilidad de:
a) aceptar un lote con el 60% de piezas defectuosas.
b) aceptar un lote con el 30% de piezas defectuosas

En estas condiciones el número de unidades defectuosas en una muestra de 10 se

distribuirá como una binomial de 10 intentos y probabilidad p .
a) si el lote tiene el 60% de unidades defectuosas, la probabilidad de obtener más
de dos unidades defectuosas será:
P(B(10 ; 0,6) > 2 ) = 1 − P(B(10 ; 0,6) ≤ 2 ) = 1 − 0,0123 = 0,9877
b) si el lote tiene el 30% de unidades defectuosas, la probabilidad de obtener más
de dos unidades defectuosas será:
P(B(10 ; 0,3) > 2 ) = 1 − P(B(10 ; 0,3) ≤ 2 ) = 1 − 0,3828 = 0,6172

3.14 Se lanzan dos dados y se observa la suma de ambos. El experimento se repite

5 veces. Calcular la probabilidad de:
a) Obtener al menos un 12. (sol: 0.1314 )
b) Obtener más de tres ocasiones una suma igual o superior a 9
c) Obtener exactamente 3 veces el 7

Primero calculemos la probabilidad de cada uno de los resultados posibles. Como el

resultado depende de dos variables independientes, para representar los resultados
posibles, se recomienda utilizar una tabla de doble entrada.

SUMA de 2 5.5.2. DADO 2

DADOS 1 2 3 4 5 6
1 2 3 4 5 6 7
3 3 4 5 6 7 8
DADO 1

4 4 5 6 7 8 9
5 5 6 7 8 9 10
6 6 7 8 9 10 11
6 7 8 9 10 11 12

1
a) La probabilidad de obtener un 12 en una jugada es de . Que se mantiene
36
constante durante las cinco veces que se repite. Y como además, el resultado de
cada jugada es independiente del resultado de las demás jugadas, podremos utilizar
una variable binomial para calcular la probabilidad pedida:
5
 35 
P(B(5; 1 / 36) ≥ 1) = 1 − P(B(5; 1 / 36) = 0 ) = 1 −   = 0,1314
 36 
b) Observando la tabla, la probabilidad de obtener una suma igual o superior a 9
10
será . La probabilidad de obtener más de tres ocasiones una suma igual o
36
superior a 9 vendrá dada por:

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 9

METODOS ESTADÍSTICOS Y APLICACIONES

P(B(5; 10 / 36) > 3) = P(B(5; 10 / 36) = 4 ) + P(B(5; 10 / 36) = 5) =

4 1 5 0
 5  10   26   5  10   26 
=      +      =
 4  36   36   5  36   36 

6 1
c) La probabilidad de obtener el 7 en una jugada será = . La probabilidad de
36 6
obtener exactamente 3 veces el 7 cuando repetimos el experimento 5 veces será:
3 2
 5  1   5 
P(B(5; 1 / 6) = 3) =      =
 3  6   6 

3.05 Deseamos certificar que el número de piezas defectuosas es menor que el 5

por mil. Para ello seleccionamos n piezas y si encontramos una defectuosa se
rechaza la partida. Determinar el mínimo número de piezas que se deben analizar
para que la probabilidad de aceptar una partida que no satisfaga esas condiciones
sea del:
a) 10% (sol.: 460 )
b) 1% (sol.: 919 )

a) Aceptaremos el lote si en una muestra de n piezas no sale ninguna defectuosa. Si

en una partida que contiene el 5 por mil de unidades defectuosas tomamos una
nuestra de n piezas, la probabilidad de aceptar el lote :

P(B(n ; 0,005) = 0) = 0,995 n = 0,10 despejando n, tendremos

n log 0,995 = log 0,10
log 0,10 tomaremos n = 460 para garantizar que la
n= = 456,36
log 0,995
probabilidad de aceptar una partida con el 5 por mil de unidades defectuosas será
menor del 10%.

b) si la probabilidad de aceptar es ahora del 1%, tendremos:

P(B(n ; 0,005) = 0) = 0,995 n = 0,10 despejando n, tendremos
n log 0,995 = log 0,01
log 0,01 tomaremos n = 919 para garantizar que la
n= = 918,73
log 0,995
probabilidad de aceptar una partida con el 5 por mil de unidades defectuosas será
menor del 1%.

Obsérvese que para reducir la probabilidad de aceptar un lote tenemos que tomar
una muestra mayor.

3.06 En los casos a) y b) del problema anterior cual será la probabilidad de rechazar
una partida que tenga solamente un 2 por mil de piezas defectuosas.

Si, ahora, la proporción de unidades defectuosas es del 10%, se tendrá:

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 10

METODOS ESTADÍSTICOS Y APLICACIONES

a) P(B(n ; 0,002) = 0) = 0,998 n = 0,10 despejando n, tendremos

n log 0,998 = log 0,10
log 0,10 tomaremos n = 1051 para garantizar que la
n= = 1050,14
log 0,998
probabilidad de aceptar una partida con el 2 por mil de unidades defectuosas será
menor del 10%.

a) P(B(n ; 0,002) = 0) = 0,998 n = 0,01 despejando n, tendremos

n log 0,998 = log 0,01
log 0,01 tomaremos n = 2.301 para garantizar que la
n= = 2.300,28
log 0,998
probabilidad de aceptar una partida con el 2 por mil de unidades defectuosas será
menor del 1%.

Observar como al reducirse el porcentaje de unidades defectuosas admisible la

prueba tiene que ser más rigurosa, es decir la muestra tiene que ser mayor.

3.26. Un juego consiste en lanzar 5 dados repetidamente. Se ganan 1000 pts si sale
algún seis. Se pierden todas las ganancias acumuladas si no sale ningún seis y se
termina el juego.
a) Calcular la probabilidad de obtener unas ganancias de 5000 pts.
b) A partir de que repetición ya no es interesante jugar.

La probabilidad de ganar 1.000 pts y seguir jugando será la de obtener al menos un

seis al lanzar los 5 dados.
La probabilidad de obtener al menos un seis será:
P(B(5 ;1 / 6) ≥ 1) = 1 − P(B(5 ; 1 / 6) = 0 ) = 1 − 0,4019 = 0,5981

a) Para obtener unas ganancias de 5.000 pts habrá que ganar 5 veces de forma
consecutiva. La probabilidad de hacerlo será:
P(B(5 ;0,5981) = 5) = 0,07655

b) En cada jugada la probabilidad de ganar es de 0,5981 y la probabilidad de perder

es 0,4019. Para evaluar el interés de seguir jugando estudiemos en cada jugada lo
que se puede ganar y lo que se puede perder.

Posible Posible Beneficio

Jugada Ganancia media esperada
Pérdida Ganancia Acumulado
1 0 1.000 1.000 · 0,5981 = 598,1 1.000
598,1 – 1.000 · 0,4019 =
2 1.000 1.000 2.000
= 196,2
5598,1 – 2.000 · 0,4019 =
3 2.000 1.000
= - 205,7

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 11

METODOS ESTADÍSTICOS Y APLICACIONES

Una vez se han conseguido 2.000 no es interesante seguir jugando, ya que en la

tercera jugada el beneficio medio es negativo.

3.27. Un juego consiste en lanzar 5 dados repetidamente. Se ganan 1000 pts si sale
algún seis la primera vez, 2000 si sale algún seis la segunda vez, 3000 en la tercera
y así sucesivamente. Se pierden todas las ganancias acumuladas si no sale ningún
seis y se termina el juego.
a) Calcular la probabilidad de obtener unas ganancias de 6000 pts. (sol:
0.59813 = 0.2139 )
b) A partir de que repetición ya no es interesante jugar.

3.28. Un lote de piezas se desea aceptar sólamente en un 10% de ocasiones en las

que el lote tenga un 15% o más de unidades defectuosas.
a) Si se toma una muestra de 20 unidades cuantas piezas defectuosas podemos
admitir en la muestra para no rechazar el lote.
b) Si se toma una muestra de 50 unidades cuantas piezas defectuosas podemos
admitir en la muestra para no rechazar el lote.
c) En el caso a) cual será la probabilidad de rechazar un lote que tenga el 10% de
unidades defectuosas.
d) En el caso b) cual será la probabilidad de rechazar un lote que tenga el 10% de
unidades defectuosas.

3.21 Una partida de bujías, con un 20% de inservibles, sale al mercado en paquetes
de 4 unidades, y en cajas de 10 paquetes. Determinar la probabilidad de que:
a) un paquete contenga 2 o más bujías inservibles.
b) una caja contenga más de 10 bujías inservibles.
c) una caja contenga 3 paquetes sin bujías inservibles.

a) P(B(4 ; 0,20) ≥ 2 ) = 1 − P(B(4 ; 0,20) ≤ 1) = 1 − 0,8192 = 0,1808

b) Una caja contiene 10 paquetes de 4 unidades, 40 unidades,

P(B(40 ; 0,20) > 10 ) = 1 − P(B (40 ; 0,20) ≤ 10 ) = 1 − 0,8392 = 0,1608
aproximando a una Poisson: P(B(40 ; 0,20) > 10 ) ≈ 1 − P( p (8) ≤ 10 ) = 1 − 0,8159 = 0,1841
c) La probabilidad de que un paquete no contenga inservibles es:
P(B(4 ; 0,20) = 0 ) = 0,4096
La probabilidad de que una caja contenga 3 paquetes sin inservibles es:
10 
P(B(10 ; 0,4096) = 3) =  0,4096 3 (1 − 0,4096) 7 = 0,2062
3

3.19 Una empresa de distribución suministra el 95% de los pedidos con un retraso
inferior a una semana. Diversas reclamaciones hacen suponer al responsable que el
porcentaje de retrasos se ha incrementado. Para estudiar la situación se seleccionan
al azar 10 pedidos y se observan en cuanto tiempo han sido servidos. Si más de uno
de los 10 pedidos estudiados se entrega con un retraso superior a una semana se
revisa todo el sistema de servicio. En caso contrario se decide no revisarlo.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 12

METODOS ESTADÍSTICOS Y APLICACIONES

a) Cuál es la probabilidad de que el proceso sea revisado sin necesidad. (sol.: 0.086)
b) Si el número de retrasos superiores a una semana fuese del 10%, que
probabilidad se tendría de no revisar el procedimiento de servicio. (sol.: 0.72)

5.5.2.1.1 DISTRIBUCION DE POISSON

3.20 El nº de llamadas recibidas en una central telefónica durante un determinado

periodo de tiempo se recoge en la tabla siguiente. Se pide ajustar una distribución de
Poisson a estos datos observados. Analizar las diferencias entre las frecuencias
observadas y las previstas por la distribución de Poisson ajustada.
5.5.2.2. 0 1 2 3 4 5 6 7
um.
Llamad
as
Frecuencia 169 134 74 32 11 2 0 1

El parámetro λ de la distribución de Poisson que debemos ajustar debe ser el valor

medio del número de llamadas observadas:
total llamadas recibidas 439
λ= = = 1,0378
int ervalos analizados 423

La probabilidad de que en un intervalo se reciban K llamadas será:

1,0378 k
P( p(1,0378) = K ) = e −1, 0378
k!
La frecuencia esperada para el mismo número de intervalos analizados se
obtendrá al multiplicar el número total de intervalos por la probabilidad de que se
produzcan K llamadas.

Finalmente, calcularemos la diferencia entre la frecuencia observada y la esperada

(si siguiese una distribución de Poisson)

5.5.2.3. Num. 0 1 2 3 4 5 6 7
Llamadas
Frecuencia Observada 169 134 74 32 11 2 0 1
Probabilidad 0,3542 0,3676 0,1908 0,0660 0,0171 0,0036 0,0006 0,0001
Frecuencia esperada 149,84 155,50 80,69 27,91 7,24 1,50 0,26 0,03
Diferencia 19,15 -21,50 -6,69 4,08 3,75 0,49 -0,26 0,96

3.08 A una gasolinera acuden un promedio de 10 coches por hora. Cual es la

probabilidad de que:
a) lleguen 5 vehículos durante una hora
b) lleguen más de 15 durante una hora
c) lleguen menos de 4 en media hora

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 13

METODOS ESTADÍSTICOS Y APLICACIONES

El número de vehículos que llegan a la gasolinera durante una hora se distribuirá

según una variable de Poisson de parámetro 10.
a) La probabilidad de que lleguen 5 vehículos durante una hora será:
P( p (10) = 5) = 0,0671 − 0,0293 = 0,0378
b) P( p (10) > 15) = 1 − P( p (10) ≤ 15) = 1 − 0,9513 = 0,0487
c) El número medio de vehículos que llega durante media hora será de 5. La
probabilidad de que lleguen menos de 4 en media hora será:
P( p (5) < 4 ) = P( p (5) ≤ 3) = 0,2650

3.03 El número medio de llamadas que se reciben en una central telefónica es de 3

cada 5 minutos. Indicar la probabilidad de que:
a) en 15 minutos se reciban 10 llamadas
b) en 1 minuto se reciban al menos 1 llamada
c) en 10 minutos se reciban más de 5 llamadas

a) El número medio de llamadas en 15 minutos será de 9. La probabilidad de que se

910
reciban 10 llamadas será: P( p(9) = 10 ) = e −9 = 0,1186
10!
b) El número medio de llamadas en 1 minuto será de 3/5. La probabilidad de que se
reciba a menos una llamada será:
P( p (3 / 5) ≥ 1) = 1 − P( p (3 / 5) = 0 ) = 1 − 0,5488 = 0,4512
c) El número medio de llamadas en 10 minutos será de 6. La probabilidad de que se
reciban más de 5 llamadas será:
P( p (6) > 5) = 1 − P( p (6) ≤ 5) = 1 − 0,4457 = 0,5543

3.29. A una central telefónica llegan 6 llamadas por hora en promedio. Cual es la
probabilidad de que en 20 minutos entren:
a) dos llamadas. (sol: 0.2767 )
b) ninguna llamada. (sol: 0.1353 )
c) más de tres llamadas. (sol: 0.1429 )

Si en una hora, en promedio, llegan 6 llamadas, en 20 minutos entrarán en promedio

2 llamadas. El número de llamadas en 20 minutos se distribuirá según una variable
de Poisson de parámetro λ = 2 . Buscando en las tablas tendremos:
a) P( p (2) = 2 ) = P( p (2) ≤ 2 ) − P( p (2) ≤ 1) = 0,6767 − 0,4060 = 0,2707
b) P( p (2) = 0 ) = 0,1353
c) P( p (2) > 3) = 1 − P( p (2) ≤ 3) = 1 − 0,8571 = 0,1429

3.31. Una secretaria escribe 250 letras por minuto, y presenta 6 errores por hora.
cual es la probabilidad de que escriba 1.000 letras consecutivas sin error.

1.000
Las 1.000 letras las escribirá en = 4 minutos.
250

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 14

METODOS ESTADÍSTICOS Y APLICACIONES

6·4
El número medio de errores en 4 minutos será = 0,4
60
El número de errores en 1.000 letras se distribuirá según una variable de Poisson de
parámetro λ = 0,4
Buscando en las tablas, la probabilidad pedida será P( p (0,4) = 0 ) = 0,6703

3.22 En un restaurante hay un promedio de dos clientes diarios que piden langosta.
Cada langosta tiene un coste para el restaurante de 3.000 pts. Cada langosta
servida reporta un beneficio de 5.000 pts.
a) Cuál es el número de langostas que deben comprarse diariamente para obtener el
máximo beneficio medio. ( Se supone que la langosta no servida durante el día se
rechaza ). (sol: se comprarían 2 langostas, el beneficio medio esperado sería de
5.669 pts)
b) cual es el número medio de clientes que quedan sin satisfacer

5.5.2.4. a) Construyamos una tabla en la que coloquemos el beneficio que

se obtiene, para todos los casos posibles de la demanda, si se compra un
determinado número de langostas.

Luego calcularemos el valor medio esperado para cada una de las cantidades de
langosta que se pueden comprar.

Langostas compradas
demanda Prob. 1 2 3 4 5 6
0 0,1353 -3.000 -6.000 -9.000 -12.000 -15.000 -18.000
1 0,2707 5.000 2.000 -1.000 -4.000 -7.000 -10.000
2 0,2707 5.000 10.000 7.000 4.000 1.000 -2.000
3 0,1804 5.000 10.000 15.000 12.000 9.000 6.000
4 0,0902 5.000 10.000 15.000 20.000 17.000 14.000
5 0,0361 5.000 10.000 15.000 20.000 25.000 22.000
6 0,0166 5.000 10.000 15.000 20.000 25.000 30.000
Beneficio medio 3.917 5.669 5.256 3.399 820 -2.047

Si se considera únicamente como criterio para decidir el número de langostas a

comprar, se recomendará la compra diaria de dos langostas, con lo que espera
obtenerse un beneficio medio de 5.669 pts/día.

b) El número medio de clientes que quedan sin satisfacer, cuando compramos dos
langostas será:

demanda 0 1 2 3 4 5 6 7 8 9 10
probabilidad 0,1353 0,2707 0,2707 0,1804 0,0902 0,0361 0,0120 0,0034 0,0009 0,0002 0,0000
insatisfechos 0 0 0 1 2 3 4 5 6 7 8

Por lo que el número medio de clientes insatisfechos será: 0,541

3.30. El número medio de clientes que diariamente solicitan langosta en un

restaurante es de 3. El coste de compra de una langosta es de 2.000 pts, el

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 15

METODOS ESTADÍSTICOS Y APLICACIONES

beneficio que reporta su servicio es de 4.000 pts. Sabiendo que la langosta

comprada y no servida el mismo día se rechaza, se pide:
a) cuál es el número de langostas que debe adquirir el propietario del restaurante
para maximizar su beneficio medio.
b) cual es el número medio de clientes que quedan sin satisfacer

5.5.2.5. a) Construyamos una tabla en la que coloquemos el beneficio que

se obtiene, para todos los casos posibles de la demanda, si se compra un
determinado número de langostas.

Luego calcularemos el valor medio esperado para cada una de las cantidades de
langosta que se pueden comprar.

Langostas compradas
demanda Prob. 1 2 3 4 5 6
0 0,0498 -2.000 -4.000 -6.000 -8.000 -10.000 -12.000
1 0,1494 4.000 2.000 0 -2.000 -4.000 -6.000
2 0,2240 4.000 8.000 6.000 4.000 2.000 0
3 0,2240 4.000 8.000 12.000 10.000 8.000 6.000
4 0,1680 4.000 8.000 12.000 16.000 14.000 12.000
5 0,1008 4.000 8.000 12.000 16.000 20.000 18.000
6 0,0839 4.000 8.000 12.000 16.000 20.000 24.000
Beneficio medio 3.701 6.506 7.967 8.084 7.192 5.696

Si se considera únicamente como criterio para decidir el número de langostas a

comprar, se recomendará la compra diaria de 4 langostas, con lo que espera
obtenerse un beneficio medio de 8.084 pts/día.

b) El número medio de clientes que quedan sin satisfacer, cuando compramos dos
langostas será:

Demanda 0 1 2 3 4 5 6 7 8 9 10
Probabilidad 0,0498 0,1494 0,2240 0,2240 0,1680 0,1008 0,0504 0,0216 0,0081 0,0027 0,0008
Insatisfechos 0 0 0 0 1 2 3 4 5 6 7

Por lo que el número medio de clientes insatisfechos será: 0,67

5.5.2.5.1 APROXIMACION DE UNA BINOMIAL A POISSON

3.13 Doscientos pasajeros han reservado un plaza en un vuelo determinado. La

probabilidad de que un pasajero no se presente al embarque es del 1%. Cual es la
probabilidad de que falten:
a) exactamente tres pasajeros.
b) más de tres pasajeros.

a) P(B(200 ; 0,01) = 3) ≈ P( p (200 · 0,01) = 3) = P( p (2) ≤ 3) − P( p (2) ≤ 2 ) =

= 0,6472 − 0,4232 = 0,2240
b) P(B(200 ; 0,01) > 3) ≈ P( p (200 · 0,01) > 3) = 1 − P( p (2) ≤ 3) = 1 − 0,6472 =0,3528

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 16

METODOS ESTADÍSTICOS Y APLICACIONES

3.10 Una compañía compra grandes lotes de piezas. Se inspeccionan 100 unidades
de cada lote. El lote es rechazado si se encuentran 2 o más unidades defectuosas.
Calcular la probabilidad de que:
a) el lote se rechace teniendo un 1% de defectuosas
b) se acepte un lote con un 5% de defectuosas

a) P(B(100 ; 0,01) ≥ 2 ) ≈ P( p(1) ≥ 2 ) = 1 − P( p (1) ≤ 1) = 1 − 0,7358 = 0,2642

b) P(B(100 ; 0,05) < 2 ) ≈ P( p (5) < 2 ) = P( p (5) ≤ 1) = 0,0404

3.11 Un hotel tiene 15 habitaciones. Se sabe que aproximadamente que el 20% de

las reservas no se traducen en alojamiento. Si se han hecho 20 reservas, indicar la
probabilidad de:
a) de que no haya sobreocupación
b) de que un huésped sin reserva pueda ser alojado
c) de que se tenga que buscar alojamiento alternativo a más de dos huéspedes.

El número de reservas que se van a concretar se distribuirá según una binomial de

20 repeticiones y probabilidad de éxito del 80%.

a) no habrá sobreocupación si de las 20 reservas se concretan como mucho 15

P(B(20 ; 0,80) ≤ 15) ≈ P( p (16) ≤ 15) = 0,4667
c) se tendrá que buscar alojamiento a más de dos huéspedes si se concretan más
de 17 reservas:
P(B(20 ; 0,80) > 17 ) ≈ P( p (16) > 17 ) = 1 − P( p (16) ≤ 17 ) = 1 − 0,6593 = 0,3407

5.5.2.5.2 DISTRIBUCION BINOMIAL NEGATIVA

3.04 Se lanzan al aire tres monedas. Obtener la probabilidad de obtener sólo caras o
cruces por segunda vez en el quinto intento. (sol: 27 / 256 )

5.5.2.6. Al lanzar tres monedas, la probabilidad de obtener sólo caras es

3 3
1 1 1 1
  = . La probabilidad de obtener solo cruces es también   = . Por
2 8 2 8
1 1 1
lo que la probabilidad de obtener solo caras o cruces será + =
8 8 4
La probabilidad de obtener este resultado por segunda vez en el quinto intento
vendrá dada por una variable binomial negativa:
2 −1 5 −1−1 3
1  5 − 1 1   3  1 1 3 27
     = 4   =
4  2 − 1 4   4  4 44 256

3.15. Se lanza una moneda al aire. Cual es la probabilidad de obtener la primera

cara en un lanzamiento par.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 17

METODOS ESTADÍSTICOS Y APLICACIONES

La probabilidad de que la primera cara salga en el segundo intento vendrá dada por
una binomial negativa: (
1 1
)
  1 / 2) 1 (1 / 2)0 =
2 0
1
4

De obtenerla en el cuarto intento, será ( 1  3

)
  1 / 2) 3 (1 / 2)0 =
2 0
1
16

De obtenerla en el intento 2n será (

1  2n − 1

2 0 
) 1
 1 / 2) 2 n −11 (1 / 2 )0 = 2 n
2
La probabilidad de obtenerla en un de los lanzamientos pares será:
∞ ∞
1 1 1/ 4 1
∑
n =1 2
2n
= ∑
n =1 4
n
=
1 − 1/ 4 3
=

MULTINOMIAL

3.09 En una urna hay una bola blanca, dos rojas y tres negras. Se extraen tres bolas
con reposición. Calcular la probabilidad de
a) obtener una de cada color.
b) obtener dos veces una de cada color si el experimento se repite tres veces.

a) La probabilidad de obtener una de cada color será

(1 + 1 + 1)! 1 2 3 = 1
1!1!1! 6 6 6 12
b) de obtener el resultado anterior dos veces si el experimento se repite tres veces
2
 3  1  11
P(B(3 ; 1 / 12) = 2 ) =    = 0,0191
 2  12  12

OTROS EJEMPLOS DE DISTRIBUCIONES DISCRETAS

3.16. En la promoción de un nuevo refresco se imprime el interior del tapón con tres
diferentes motivos A, B y C. El motivo A se imprime en el 60% de los tapones, el B
en el 30% y el C en el 10%. Indicar cuantos botellines se tendían que comprar para
tener una probabilidad del 95% de tener la colección completa.

La colección completa se tendrá cuando se tenga un tapón con el diseño C.

Si se compran n botellines, la probabilidad de obtener el model C es:
P(B(n ; 0,1) ≥ 1) = 1 − P(B(n ; 0,1) = 0) = 1 − 0,9 n ≥ 0,95
log 0,05
despejando n, se tiene n≥ = 28,43
log 0,9
Se tendrían que comprar 29 botellines.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 18

METODOS ESTADÍSTICOS Y APLICACIONES

3.23 Tres personas lanzan una moneda, y la que salga dispareja paga los cafés. Si
todas las monedas caen igual entonces se repite el lanzamiento. Cual es la
probabilidad de que se necesiten menos de 4 intentos para averiguar quien paga los
cafés. (sol.: 0.984)

La probabilidad de que en un lanzamiento se decida quién paga los cafés será la de

obtener dos caras y una cruz o dos cruces y una cara:
P (2 caras y una cruz ) = P(B(3 ; 1 / 2) = 2 ) = 3 / 8
P (2 cruces y una cara) = P(B(3 ; 1 / 2) = 2 ) = 3 / 8
La probabilidad será : 3 / 8 + 3 / 8 = 3 / 4

Se necesitarán menos de cuatro intentos si en los tres primeros se da, al menos una
vez, el caso anterior.
P(B(3 ; 3 / 4) ≥ 1) = 1 − P(B(3 ; 3 / 4) = 0 ) = 1 − 0,015625 = 0,984375

3.24 Una industria recibe productos semielaborados en grandes lotes. Se desea

preparar un plan de control de calidad de forma que, tomando n unidades del lote, si
se encuentran más de m defcetuosas se rechace el lote. Queremos definir n y m de
modo que:
- Si el lote tienen un 5 por mil, o más, de unidades defectuosas la probabilidad
de aceptarlo sea menor del 5%
- Si el lote tienen un 1 por mil, o menos, la probabilidad de rechazar el lote sea
menor del 10%.

3.25. Una fábrica de golosinas prepara caramelos de fresa, de naranja y de limón en

cantidades relativas 50, 30 y 20% respectivamente, y se almacenan mezclados en
un depósito desde el que se toman para su envasado en paquetes de 10 caramelos.
Calcular la probabilidad de:
a) En un paquete haya el mismo número de caramelos de fresa y de naranja.
b) Haya más caramelos de limón que de naranja
c) Haya más de 6 caramelos de fresa
d) No haya caramelos de limón.

3.07 En una baraja de 40 cartas se extraen sin reemplazamiento 10. Se cuentan las
copas y se reponen las 10 cartas en la baraja. El proceso se repite cinco veces. Cuál
es la probabilidad de que:
a) en dos ocasiones se hayan obtenido 2 copas
b) en una ocasión se haya obtenido sólo una copa.
c) en todas las extracciones hayan salido copas.

3.04 Se lanzan al aire tres monedas. Obtener la probabilidad de obtener sólo caras o
cruces por segunda vez en el quinto intento. (sol: 27 / 256 )

3.05 Deseamos certificar que el número de piezas defectuosas es menor que el 5

por mil. Para ello seleccionamos n piezas y si encontramos una defectuosa se
rechaza la partida. Determinar el mínimo número de piezas que se deben analizar
para que la probabilidad de aceptar una partida que no satisfaga esas condiciones
sea del:

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 19

METODOS ESTADÍSTICOS Y APLICACIONES

a) 10% (sol.: 460 )

b) 1% (sol.: 919 )

3.06 En los casos a) y b) del problema anterior cual será la probabilidad de rechazar
una partida que tenga solamente un 2 por mil de piezas defectuosas.

3.07 En una baraja de 40 cartas se extraen sin reemplazamiento 10. Se cuentan las
copas y se reponen las 10 cartas en la baraja. El proceso se repite cinco veces. Cuál
es la probabilidad de que:
a) en dos ocasiones se hayan obtenido 2 copas
b) en una ocasión se haya obtenido sólo una copa.
c) en todas las extracciones hayan salido copas.

3.09 En una urna hay una bola blanca, dos rojas y tres negras. Se extraen tres
bolas. Calcular la probabilidad de
a) obtener una de cada color.
b) obtener dos veces una de cada color si el experimento se repite tres veces.

3.12 Lanzar 10 monedas y observar el nº de ellas en las que sale cara. Repetir el
experimento 50 veces y representar el histograma de frecuencias.

3.14 Se lanzan dos dados y se observa la suma de ambos. El experimento se repite

5 veces. Calcular la probabilidad de:
a) Obtener al menos un 12. (sol: 0.1314 )
b) Obtener más de tres ocasiones una suma igual o superior a 9
c) Obtener exactamente 3 veces el 7

3.15. Se lanza una moneda al aire. Cual es la probabilidad de obtener la primera

cara en un lanzamiento par.

3.17 Dos jugadores apuestan 500 pts a un juego, en cada una de las partidas la
probabilidad de ganar es similar para ambos. Se acuerda que ganará el juego el
primero que logre 5 victorias. Deben interrumpir el juego cuando el primer jugador
lleva ganadas 3 partidas y el segundo 1. Estudiar la forma n la que deben de
repartirse las 1.000 pts de apuesta. (sol.: el A 1000 * 13 / 16)

3.18 Una máquina consta de 3 piezas montadas en serie. Cada una de estas piezas
tiene una duración aleatoria distribuida uniformemente en el intervalo [0, 1]. Calcular
la probabilidad de:
a) la vida de la máquina sea superior a 0,75 horas (sol.: 1/64)
b) la vida de la máquina sea inferior a 0,5 horas. (sol.: 7/8)

3.21 Una partida de bujías, con un 20% de inservibles, sale al mercado en paquetes
de 4 unidades, y en cajas de 10 paquetes. Determinar la probabilidad de que:
a) un paquete contenga 2 o más bujías inservibles.
b) una caja contenga más de 10 bujías inservibles.
c) una caja contenga 3 paquetes sin bujías inservibles.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 20

METODOS ESTADÍSTICOS Y APLICACIONES

3.22 En un restaurante hay un promedio de dos clientes diarios que piden langosta.
Cada langosta tiene un coste para el restaurante de 3.000 pts. Cada langosta
servida reporta un beneficio de 5.000 pts. Cuál es el número de langostas que deben
comprarse diariamente para obtener el máximo beneficio medio. ( Se supone que la
langosta no servida durante el día se rechaza ). (sol: se comprarían 2 langostas,
el beneficio medio esperado sería de 5.669 pts)

3.31. Una secretaria escribe 250 letras por minuto, y presenta 6 errores por hora.
cual es la probabilidad de que escriba 1.000 letras consecutivas sin error.

TEMA 3.- VARIABLES ALEATORIAS. DISTRIBUCIONES DISCRETAS 21