Tema III.

- Modelos probabilsticos comunes

III.1.- Modelos probabilsticos para variables aleatorias discretas:
Funciones de distribucin binomial, binomial negativa, geomtrica, de
poisson y sus caractersticas principales.
Modelos probabilsticos para variables aleatorias discretas.
Distribucin binomial.
Se sabe que una variable aleatoria discreta es aquella que puede asumir un nmero finito de valores. La
distribucin binomial es un modelo probabilstico que solo puede asumir dos valores, a los cuales se les
llamar xito o fracaso.
Sea:

p la probabilidad de que la variable aleatoria asuma el valor xito y

q la probabilidad de que la variable aleatoria asuma el valor fracaso.

Debe cumplirse que p + q = 1

Ejemplo: El 12 porciento de las hojas que imprime una mquina son defectuosas. A) s se selecciona al azar
una hoja impresa por sta mquina. cuanto vale p y q, s defectuosa se entiende por fracaso?.

q = 0.12

p = 1 - 0.12 = 0.88

b) S se seleccionan dos hojas al azar, regresando la primera antes de extraer la segunda, cuanto vale la
probabilidad de que las dos no sean defectuosas?.
Debido a que la probabilidad de elegir una segunda hoja no se ve afectada por la eleccin de la primer hoja,
se trata de eventos independientes
La probabilidad de obtener dos fracasos es

P( fracaso fracaso ) = qq = 0.12 * 0.12 = 0.0144

Y la probabilidad de obtener dos xitos, es decir, elegir dos hojas no defectuosas esta dada por

P(xito xito) = pp = 0.88 * 0.88 = 0.7744

c) Cual es la probabilidad de que la primera no sea defectuosa y la segunda s?

P(xito fracaso) = pq = 0.12 * 0.88 = 0.1056

d) Cual es la probabilidad de que la primera sea defectuosa y la segunda no?

P( fracaso xito) = qp = 0.88 * 0.12 = 0.156

e) Cual es la probabilidad de obtener una hoja defectuosa y otra perfecta? (no importa el orden)

P(( fracaso xito) (xito fracaso)) = qp + pq = 0.12 * 0.88 + 0.88 * 0.12 = 0.2112

Puesto que los eventos son mutuamente exclusivos.

f) S Y es la variable aleatoria nmero de piezas no defectuosas observadas al extraer dos piezas,
regresando la primera antes de extraer la segunda cual es la distribucin de probabilidades
correspondientes?
Y={0, 1, 2}
i
1
2
3

Y
0
1
2

P(y)
qq =0.12*0.12=0.0144
pq + qp=0.88*0.12 + 0.12*0.88=0.1056 + 0.1056= 0.2112
pp = 0.88*0.88=0.7744

P( y) = 1
De acuerdo al resultado anterior, se ve que no importa el orden de aparicin de los xitos, entonces estamos
hablando de combinaciones, es decir, del nmero de maneras en que pueden ocurrir r xitos al repetir dos
veces el experimento.
Resolviendo el inciso f con este mtodo
2

donde r = 0, 1 y 2

Cr

Para r=0

C0 =

2!
=1
0! 2!

C1 =

2!
=2
1! 1!

C2 =

2!
=1
2! 0!

Para r=1

Para r=2

considerando lo anterior, tenemos:

P(Y=0)=(1)(qq)=0.0144
P(Y=1)=(2)(pq)=0.2112
P(Y=2)=(1)(pp)=0.7744
Siendo los resultados iguales a los obtenidos con anterioridad.

Considerando que se extraen tres hojas impresas de un lote donde el 12% es defectuoso. S Y es la variable
nmero de hojas no defectuosas observadas al sacar tres al azar, regresando cada una de ellas antes de
extraer la siguiente. Cual es la distribucin de probabilidades?
Y={0, 1, 2, 3 }
Aplicando el procedimiento antes indicado ( nmero de combinaciones )

P(Y = 0) = 3 C 0 qqq = 3 C 0 p 0 q 3 =
P(Y = 1) = 3 C1 pqq = 3 C1 p 1 q 2 =

3!
(0.88) 0 (0.12) 3 = 0.0017
0! 3!

3!
(0.88)(0.12) 2 = 0.038
1! 2!

P(Y = 2) = 3 C 2 ppq = 3 C 2 p 2 q 1 =

3!
(0.88) 2 (0.12)1 = 0.2788
2! 1!

P(Y = 3) = 3 C 3 ppp = 3 C 3 p 3 q 0 =

3!
(0.88) 3 (0.12) 0 = 0.6815
3! 0!

Generalizando para n hojas extradas tendremos que

P(Y = r ) = n C r p r q n r
Tal generalizacin es conocida como Distribucin

; r = 1, 2, 3, ....., n

Binomial

Concluyendo:
Mediante la distribucin de probabilidad binomial se obtiene la probabilidad de que al repetir n veces un
experimento cuya variable aleatoria slo puede asumir dos valores distintos (xito , fracaso ) se observen r
xitos.
Definicin:
Un experimento binomial ser aquel que posea las siguientes propiedades.
1.
2.
3.
4.
5.

El experimento consiste de n pruebas idnticas.

Slo existen dos posibles resultados (xito y fracaso)
La probabilidad de un suceso, en una sola prueba puede ser p o q y esta se mantiene de prueba en
prueba.
Las pruebas son independientes.
La variable aleatoria Y representa el nmero de sucesos observados durante n pruebas.

Ejemplo:
En cierto curso se distribuye un examen con 10 preguntas de opcin mltiple. Para aprobarlo, se requiere
responder correctamente a siete o ms de las preguntas.
S se supone que se est adivinando la respuesta en cada pregunta Cual es la probabilidad de aprobar el
examen s
a) Cada pregunta tiene tres respuestas opcionales.
b) Cada pregunta tiene cuatro respuestas opcionales.
c) Las cinco primeras preguntas tienen tres respuestas opcionales y las ltimas cinco tiene cuatro
respuestas opcionales.
Respuestas:
Sea X = nmero de respuestas correctas.
a) X={7, 8, 9, 10}

P( X 7) = P( X = 7) + P( X = 8) + P( X = 9) + P( X = 10)
S se esta adivinando, entonces las tres opciones tienen la misma probabilidad de ser elegidas, es decir, la
probabilidad de elegir una opcin es 1/3.
7

10! 1 2
1 2
P( X = 7) = 10 C 7 =
= (120)(0.0005)(0.2963) = 0.0163
7! 3! 3 3
3 3
10! 1 2
1 2
P( X = 8) = 10 C8 =
= (45)(0.0002)(0.4444) = 0.003
8! 2! 3 3
3 3
9

10! 1 2
1 2
P( X = 9) = 10 C 9 =
= (10)(0.0001)(0.6667) = 0.0003
9! 1! 3 3
3 3
10

P( X = 10) =

10

10! 1 2
1 2
=
= (1)(0.00002)(1) = 0.00002
10 C10
10! 0! 3 3
3 3

P( X 7) = 0.0163 + 0.003 + 0.0003 + 0.00002 = 0.0196

b) X={7, 8, 9, 10}

P( X 7) = P( X = 7) + P( X = 8) + P( X = 9) + P( X = 10)
7

10! 1 3
1 3
P( X = 7) = 10 C 7 =
= (120)(0.0001)(0.4219) = 0.0031
7! 3! 4 4
4 4
10! 1 3
1 3
P( X = 8) = 10 C8 =
= (45)(0.00002)(0.5625) = 0.0004
8! 2! 4 4
4 4

10! 1 3
1 3
P( X = 9) = 10 C 9 =
= (10)(0.000004)(0.75) = 0.000029
9! 1! 4 4
4 4
10

P( X = 10) =

10

10! 1 3
1 3
7
=
= (1)(0.000001)(1) = 9.5 * 10
10 C10
10! 0! 4 4
4 4

P( X 7) = 0.0031 + 0.0004 + 0.000028 + 9.5 * 10 7 = 0.00352895

c) X={7, 8, 9, 10}

P( X 7) = P( X = 7) + P( X = 8) + P( X = 9) + P( X = 10)
Para P(X=7)
S formamos dos grupos, uno que incluya las preguntas con tres opciones (grupo 1) y otro que incluya las
preguntas con 4 opciones (grupo 2), se tiene que las formas posibles de responder un examen son:
Cinco preguntas del grupo 1 y dos preguntas del grupo 2
Cuatro preguntas del grupo 1 y tres preguntas del grupo 2
Tres preguntas del grupo 1 y cuatro preguntas del grupo 2
Dos preguntas del grupo 1 y cuatro preguntas del grupo 2
1er. grupo
5
4
3
2

Combinaciones
5C5 = 1
5C4 =5
5C3 =10
5C2 =10

2o. grupo
2
3
4
5

Combinaciones
5C2= 10
5C3= 10
5C4= 5
5C5= 1

Combinaciones totales
1*10=10
5*10=50
10*5=50
10*1=10

Aplicando la distribucin binomial para las posibles formas de responder un examen

5

1 2 1 3
1 2 1 3
1 2 1 3
P( X = 7) = 10 * + 50 * + 50 * +
3 3 4 4
3 3 4 4
3 3 4 4
1 2 1 3
10 *
3 3 4 4

P( X = 7) = 0.001085 + 0.003617 + 0.0024 + 0.00032 = 0.007422

Para X=8
1er. grupo
5
4
3

Combinaciones
5C5 = 1
5C4 =5
5C3 =10
5

2o. grupo
3
4
5
3

Combinaciones
5C3= 10
5C4= 5
5C5= 1
4

Combinaciones totales
1*10=10
5*5=25
10*1=10
1

1 2 1 3
1 2 1 3
1 2 1 3
P ( X = 8) = 10 * + 25 * + 10 *
3 3 4 4
3 3 4 4
3 3 4 4

P( X = 8) = 0.00036 + 0.0006 + 0.00016 = 0.00112

Para X=9
1er. grupo
5
4

Combinaciones
5C5 = 1
5C4 =5
5

2o. grupo
4
5
4

Combinaciones
5C4= 5
5C5= 1
4

1 2 1 3
1 2 1 3
P ( X = 9) = 5 * + 5 *
3 3 4 4
3 3 4 4

Combinaciones totales
1*5=5
5*1=5

P( X = 9) = 0.00006 + 0.00004 = 0.0001

Para X=10
1er. grupo
5

Combinaciones
5C5 = 1
5

2o. grupo
5
5

1 2 1 3
P ( X = 10) = 1 *
3 3 4 4

Combinaciones
5C5= 1

Combinaciones totales
1*1=1

P(X = 10) = 0.000004

P( X 7) = 0.007422 + 0.00112 + 0.0001 + 0.000004 = 0.008646
Para evaluar la distribucin binomial (funcin de probabilidad), basta con conocer el valor de n y p por lo
que a n y p se les conoce como los parmetros de la distribucin binomial.

n C r p r q nr
P(r ) =
0

; r = 0, 1, 2, ....., n
; en otros casos

La funcin de distribucin acumulada estar dada por:

n

F (r ) = n C r p r q n r = 1
r =0

mientras que la funcin generatriz es obtenida como sigue

[ ]

m(t ) = E e tx = e tr n C r p r q n r
r =0

=
r =0

( )

e tr p r q n r
r

C r e t p q nr

r =0

lo cual representa una serie que converge en

m(t ) = pe t + q

para obtener la media y la variancia, hay que derivar esta expresin

= m1 =

d
pe t + q
dt

= n pe t + q

) (pe )
n 1

evaluando en t=0

= np
como 2=m2-m1

m2 =

d2
pe t + q
dt

= n pe t + q

n 1

pe t

((

) (pe ))
+ pe [(n(n 1)(pe + q )

d
n pe t + q
dt

n 1

n2

pe t

)]

evaluando en t=0

m2 = np + p 2 (n )(n 1) = np((n 1) p + 1) = np (np p + 1)

= np(np + 1 p )
= np(np + q)

como q = 1 p

2 = m2 m12 = np (np + q) (np ) 2

= np(np + q np) = npq

2 = npq

Distribucin de probabilidad geomtrica

La variable aleatoria al igual que en la distribucin binomial, slo puede tomar dos valores (xito o
fracaso).
Las pruebas son tambin idnticas e independientes entre s.
La probabilidad de xito es p y se mantiene constante de prueba en prueba.

Sin embargo, mientras que en la distribucin binomial se buscaba el nmero de xitos que ocurran en n
pruebas, en la distribucin geomtrica lo que se busca es el nmero de pruebas necesarias para que ocurra
un xito, es decir, el experimento consiste de una serie de pruebas, las cuales concluyen cuando un xito es
observado.

Ejemplo: Un jugador de baloncesto se dispone a tirar hasta anotar una canasta. S se supone que sus tiros
son independientes y la probabilidad de anotar una canasta es de 0.8.
Cual es la probabilidad de necesitar efectuar dos tiros?, tres tiros?, cuatro tiros?, cinco tiros?, n tiros?.
Solucin
Sea Y = nmero de tiros necesarios para anotar una canasta
p= 0.8 q = 0.2
P( Y=2 ) =q p =(0.2)*(0.8) = 0.16
P( Y=3 ) = q q p = (0.2)(0.2)(0.8)= 0.032
P( Y=4 ) = q q q p = (0.2)(0.2)(0.2)(0.8) = 0.0064
P( Y=5) = q q q q p= (0.2)(0.2)(0.2)(0.2)(0.8)= 0.00128

P( Y=n) = q n-1 p =
b) Cual es la probabilidad de necesitar a lo ms 5 tiros?

P(Y 5) = P (1) + P(2) + P(3) + P(4) + P(5)

5

P(Y 5) = q r 1 p =(0.2 0 * 0.8) + (0.21 * 0.8) + (0.2 2 * 0.8) + (0.2 3 * 0.8) + (0.2 4 * 0.8)
r =1

= 0.8 + 0.16 + 0.032 + 0.0064 + 0.00128

= 0.99968
Resumiendo:

La distribucin de probabilidad geomtrica

q r 1 p ; r = 1, 2, 3,....., n
P(r ) =
; en otros casos
0

La funcin de distribucin acumulada

n

F (r ) = q r 1 p = 1
r =1

La funcin generatriz de momentos

m(t ) =

pe t
1 qe t

La media

1
p

La variancia

2 =

q
p2

Distribucin de Pascal o binomial negativa.

En el desarrollo de la distribucin binomial nos dimos cuenta que al realizar n pruebas podran ocurrir r
xitos.
En la distribucin de Pascal interesa realizar n pruebas hasta que ocurran r xitos, es decir, el nmero
de pruebas no est limitado.
Usando el razonamiento empleado en la distribucin binomial , tenemos que para cualquier secuencia de
r xitos en n pruebas la probabilidad est dada por

P(r) =pr q n-r

Para determinar la distribucin binomial, es necesario conocer el nmero posible en que pueden ocurrir r
xitos en n pruebas.

P(r ) = n C r p r q n r
pero s el nmero de xitos se ha predeterminado en lugar del nmero de pruebas entonces debe cumplirse
que en la prueba final ocurra un xito, esto indica que antes de realizar la ltima prueba ya que ocurrieron
r-1 xitos en n-1 pruebas
por lo tanto puede conocerse el nmero posible de formas en que pueden ocurrir r-1 xitos en n-1
pruebas, mediante el uso del anlisis combinatorio.

n 1

P(r ) =

n 1

C r 1

C r 1 p r q n r

; r = 0, 1, 2, 3,...., n

La funcin generatriz de momentos

m(t ) =

pe t
1 qe t

La media

r
p

La variancia

2=

rq
p2

Distribucin de Poisson
Suponga que queremos encontrar la distribucin de probabilidad del nmero de accidentes automovilsticos
en una interseccin determinada, durante un periodo de una semana.
Sea Y el nmero de accidentes.
Una primer ojeada a la variable aleatoria puede indicar que no existe relacin con la distribucin binomial.
S este periodo lo dividimos en n subintervalos, donde en cada subintervalo slo pueda ocurrir a lo ms
un accidente.
Sea p la probabilidad de ocurrir un accidente en cualquier subintervalo.
Entonces el nmero total de accidentes en una semana ser el nmero total de subintervalos en los que
ocurri un accidente. S la ocurrencia de accidentes es considerada independiente de intervalo en intervalo,
entonces el nmero total de accidentes tendr una distribucin binomial.
Sea =

np (media de la distribucin binomial)

Tomando el lmite cuando n tiende a infinito

P(r ) = lim n C r p r q n r = lim

n

n!

r!(n r )! n

1
n

nr

n(n 1)(n 2)(n 3)......(n (r + 1))

= lim
n
r!

1 1
n n n

n(n 1)(n 2)(n 3)......(n (r + 1))

n
r!

r
n(n 1)(n 2)(n 3)......(n (r + 1))
lim
r! n
r!

1
n

n r

= lim

1
n

1
n

como nr = n*n*n*n*n*n*n*n**n (r veces)

n(n 1)(n 2).....(n (r + 1)) n n 1 n 2

n r +1
.........
=
r
n n
n
n
n
1 2
r 1
= 1 1 1 ..........1

n
n n

r
r 1
1 2 3
lim 1 1 1 ........ 1

1 1
r! n n n n
n n n

Tomando lmites

1
lim1 = 1
n
n

lim1
n
n

=1

r 1
lim1
=1
n
n

Por definicin

lim1 = e
n
n
n

P(r ) =

r
e
r!

; e = 2.718 r = 0, 1, 2, 3,.....

Entonces la distribucin de Poisson puede aproximarse mediante la distribucin binomial cuando

n
p

sea muy grande (n tienda a infinito)

sea muy pequea (p tienda a cero)
sea menor o aproximadamente igual a 7

La distribucin de Poisson se emplea para obtener modelos de probabilidad para eventos raros, es decir,
que no ocurren frecuentemente en el espacio, en el tiempo, o en cualquier otra dimensin. Por ejemplo
accidentes automovilsticos, accidentes industriales, etc. en una unidad de tiempo dada. Otros ejemplos son
el nmero de llamadas telefnicas recibidas en una central en un tiempo dado. El nmero de partculas

radioactivas que decaen en un periodo de tiempo especfico, el nmero de errores de una secretaria al
escribir una pgina, etc.

Funcin de probabilidad
P(r ) =

r e
r!

; r = 0, 1, 2, .....

La media

La variancia

La funcin generatriz
m(t ) = e (e 1)
t

Ejemplos
1.- Suponga que en una poblacin muy grande de animales, el 80% tienen una coloracin normal y solo el
20% son albinos (no tienen pigmentacin en la piel y el cabello). Una expedicin cientfica quiere atrapar
tres animales al azar.
Nota: El hecho que la poblacin sea muy grande, implica que al atrapar tres animales sin reemplazarlos, no
afecta los resultados de expediciones futuras, es decir, cada prueba ser considerada como independiente.
a)

Cual es la probabilidad de que alguno de los animales, sea albino? (distribucin binomial)

Sea Y =nmero de animales albinos;

p=0.20 y

q=0.80

P(Y = 1)= 3 C1 0.21 * 0.8 2 = 0.384

Entonces la probabilidad de que un animal sea albino es 0.384
b) S los expedicionarios deciden atrapar animales hasta que uno sea albino, Cual es la probabilidad de
que esto ocurra? Suponga que esto ocurri en el tercer intento. (distribucin geomtrica)

P(Y = 3) = 0.8 31 * 0.2 = 0.128

2.- Una fbrica de helados produce paletas cubiertas de chocolate que se venden a diez centavos. Suponer
que se pone una estrella en cada 50 paletas; cualquiera que compra una paleta con una estrella obtiene otra
paleta en forma gratuita. S decide comprar paletas hasta obtener una paleta gratuita, cuntas se espera que
compre antes de lograr una grtis?
Se trata de una distribucin geomtrica, porque la prueba se detendr hasta obtener un xito.
Como se sabe que una de cada 50 paletas tiene una estrella, entonces la probabilidad de xito ser
p= 1/50
El valor esperado del nmero de paletas corresponde a la media, la cual est definida como

1
1
=
= 50 paletas
1
p
50

3.- Un jurado de siete jueces va a decidir entre dos finalistas quin es la ganadora de un concurso de
belleza, para lo cual bastar una mayora de los jueces. Suponer que cuatro jueces voten por Mara y que
los otros tres voten por Susana. S se seleccionan al azar tres jueces y se les pregunta por quin van a votar,
cul es la probabilidad de que la mayora de los jueces de la muestra estn a favor de Mara?
Debido a que el evento consiste en votar por Mara o no votar por Mara, es decir, solo se admiten dos
resultados, el problema se basa en una distribucin binomial
Sea Y= nmero de jueces que votaran por Mara.
p = 4/7 y

q=3/7
2

3! 4 3
3! 4
P(Y 2) = P(Y = 2) + P(Y = 3) = 3 C 2 p q + 3 C 3 p q =
+

2!*1! 7 7 3! 0! 7
= 0.4198 + 0.1866 = 0.6064
2

4.- Suponer que cada vez que una persona maneja un auto tiene 0.001 de probabilidad de recibir una
infraccin de trnsito por manejar con exceso de velocidad, y suponer tambin que se pierde la licencia de
manejo al sumar tres infracciones. Sea X el nmero de veces que se maneja el automvil hasta recibir la
tercera infraccin. Obtener la funcin de probabilidad para X (suponer que cada vez que se maneja el auto
se tiene la misma probabilidad de 0.001 de recibir una infraccin y que las veces que ocurren esas boletas,
son independientes).
X= Nmero de veces que se maneja un automvil hasta recibir la tercera infraccin.
p = 0.001

;probabilidad de recibir una infraccin

P( X )= n 1 C r 1 p r q n r

;r = 3

P( X ) =

( x 1)!
( x 1)!
0.0013 * 0.999 x 3 =
0.0013 * 0.999 x 3
(3 1)!(( x 1) (3 1))!
2 * ( x 3)!
( x 1) * ( x 2)
0.0013 * 0.999 x 3
2

5.- Suponga que un lote de 300 fusibles elctricos contiene 5% de defectuosos. S una muestra de 5 fusibles
es probada, encontrar la probabilidad de observar al menos uno defectuoso.

Debido a que el evento responde a dos valores (se es o no defectuoso) se trata de una distribucin binomial.
Sea Y= nmero de fusibles defectuosos
Tamao del lote = 300 fusibles
Tamao de la muestra = 5 fusibles
p = P(defectuosos) = 5%
q = P(no defectuosos) = 95%

P(Y 1) = P(Y = 1) + P(Y = 2) + P(Y = 3) + P(Y = 4) + P(Y = 5)

= 1 P(ninguno sea defectuoso)

P(Y 1) = 1 5 C 0 p 0 q 5 = 1

5!
0.05 0 * 0.95 5 = 0.2262
0! 5!

6.- La experiencia ha mostrado que el 30% de todas las personas que sufren alguna enfermedad, se
recuperan. Una compaa farmacutica ha desarrollado una nueva vacuna. 10 personas con alguna
enfermedad fueron seleccionadas aleatoriamente e inyectadas con la vacuna; nueve se recuperaron
rpidamente despus de esto. Suponga que la vacuna fue completamente inservible. Cul es la
probabilidad de que al menos 9 de los 10 vacunados se recuperaran?
En este ejemplo lo que importa es saber si una persona se recupero o no, por lo que se trata de una
distribucin binomial
Sea Y= nmero de personas que se recuperaron
p = 0.3 q = 0.7

P(Y 9) = P(Y = 9) + P(Y = 10)

10!
10!
0.39 0.71 +
0.310 0.7 0
9! 1!
10! 0!
= 10 * 0.00001968 * 0.7 + 0.0000059 = 0.0001378 + 0.0000059 = 0.0001437

P(Y 9)=10 C 9 p 9 q1 + 10 C10 p 10 q 0 =

La probabilidad de que se recuperen al menos 9 personas, sin haberles aplicado la vacuna, suponiendo que
la misma es inservible, es muy pequea (1.437 x 104), por lo que si se recuperaron al menos 9 personas
significa que la vacuna es sumamente efectiva.
7.- Suponga que la probabilidad de que una mquina funcione mal durante cualquier periodo de 1 hora es
p=0.02. Encontrar la probabilidad de que una mquina no sufra descomposturas s se usa por 2 horas.
Lo que importa es saber s la mquina funciona (xito) en un cierto nmero de pruebas, por lo que se tiene
una distribucin geomtrica.

Sea Y= nmero de periodos de un hora hasta la primer descompostura.

P( trabajar dos horas antes de descomponerse) = P(Y 3) = P(Y)

Y =3

Como P(Y ) = 1
Y =1

P(2 horas antes de descomponerse) = 1 P(Y ) = 1 [ p + qp ] = 1 0.02 (0.98)(0.02)

Y =1

= 0.9604
8.- Una compaa petrolera perforar varios pozos en cierta rea para encontrar uno que sea productivo. La
probabilidad de tener xito en una prueba dada es 0.2
a)

Cul es la probabilidad que el tercer pozo perforado sea el primer pozo productivo?.

Lo que se busca es obtener un pozo productivo (xito) despus de un cierto nmero de pruebas (fracasos),
lo que nos lleva a determinar que estamos frente a una distribucin geomtrica.

Sea Y= nmero de pozos perforados hasta encontrar uno productivo.

P(Y=3)=q q p = (0.8)(0.8)(0.2)=0.128
b) S la compaa slo puede perforar, a lo ms 10 pozos, cual es la probabilidad que ninguno sea
productivo?.
P(ninguno sea productivo) = q q q q q q q q q q = q 10 = 0.8 10 = 0.1074

9.- S la probabilidad de que un individuo sufra una reaccin por una inyeccin de un determinado suero es
de 0.001, determinar la probabilidad de que de un total de 2 000 individuos
a)

exactamente tres tengan alguna reaccin.

Este problema puede resolverse aplicando el concepto de distribucin binomial, es la cual una variable
puede tomar slo dos valores (xito o fracaso).
Sea X = nmero de individuos que sufren alguna reaccin.
De donde p=0.001 y n = 2 000 individuos. Entonces

P( X = 3)= 2000 C 3 (0.001) 3 (0.999)1997 =

=

2000 !
(0.001) 3 (0.999)1997
3 ! 1997 !

2000 *1999 *1998

(1x10 9 )(0.136) = 0.1805
6

b) ms de dos individuos tengan reaccin.

P( X > 2) = 1 [ P( X = 0) + P( X = 1) + P( X = 2)]
2000 !
2000 !
= 1
(0.001) 0 (0.999) 2000 +
(0.001)1 (0.999)1999
0
!
2000
!
1
!
1999
!

2000 !
+
(0.001) 2 (0.999)1998
2 ! 1998 !

= 1 [0.135 + 0.271 + 0.271] = 0.323

Este problema puede resolverse tambin, mediante la aplicacin de la distribucin de Poisson si

consideramos que n es grande (no muy grande) y que p es pequea (no muy pequea), as se tiene

= np = 2000 * 0.001 = 2
Como es menor de 7 puede aplicarse la distribucin de Poisson

3 e 2 3 e 2
=
= 0.1804
3!
6

a)

P( X = 3) =

b)

P( X > 2) = 1 [ P( X = 0) + P( X = 1) + P( X = 2)]

P( X > 2) = 1

2 0 e 2 21 e 2 2 2 e 2

= 1 0.135 0.271 0.271 = 0.324

0!
1!
2!

10.- Suponga que el nmero de llamadas que llegan a un conmutador telefnico de una industria, es un
proceso de Poisson con parmetro = 120 llamadas por hora. Sea x el nmero de llamadas que llegan en
un periodo de un minuto.
a.- determine la funcin de probabilidad

= 120 llamadas por hora

120
=
= 2 llamadas por min uto
60
2 r e 2
P(r ) =
; r = 0, 1, 2, ...
r!
b.- Cual es la probabilidad de no recibir alguna llamada en este intervalo (1 min.)?

P(r = 0) =

2 0 e 2
= e 2 = 0.135
0!

c.- Cual es la probabilidad de que lleguen entre 1 y 5 llamadas inclusive?

P(1 r 5) = P(r 5) P(r = 0)

de tablas
P(r 5 ; = 2) = 0.983
P(r = 0 ; = 2) = 0.135
P(1 r 5) = 0.983 0.135 = 0.848