Captulo 4

Modelos de probabilidad
4.1
4.1.1

Modelos discretos
Pruebas de Bernoulli

Definicin 4.1.1. Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados se agrupan en dos conjuntos excluyentes que llamaremos xito (E) y fracaso (F ), con
respectivas probabilidades: p = P (E) y 1 p = P (F ).
Ejemplos 31 En el lanzamiento de una moneda podemos tomar E = { Cara } y F = { Cruz }.
Si la moneda no est trucada, p = 21 .
En una poblacin se elige al azar una persona y consideramos los sucesos E = { altura 1.80}
y F = { altura < 1.80}. La probabilidad de xito depender de la distribucin de la variable altura
en la poblacin.
En el lanzamiento de un dado podemos tomar E = {6} y F = {1, 2, 3, 4, 5}. Si el dado es
perfecto, p = 61 ; si est trucado y, por ejemplo, el 2 tiene probabilidad doble que cualquiera de los
dems resultados, p = 17 .
La distribucin de Bernoulli es el modelo ms sencillo obtenido a partir de pruebas de Bernoulli.
Definicin 4.1.2. Realizada una prueba de Bernoulli con P (E) = p se considera la variable aleatoria

X=

1 si obtenemos xito
0 si obtenemos fracaso

La funcin de masa es: P (X = 0) = 1 p y P (X = 1) = p. Los parmetros esperanza y varianza de

una variable X con distribucin de Bernoulli son:
E[X] = p ,

V [X] = p (1 p) ;

obtenidos ambos de manera sencilla a partir de la definicin. Para abreviar escribiremos X B(1; p)
para indicar que X es una variable aleatoria con distribucin de Bernoulli con esperanza p.
63

Modelos discretos

4.1.2

Distribucin binomial

Definicin 4.1.3. Supongamos que realizamos n pruebas de Bernoulli independientes, con P (E) = p
en cada prueba. Sea X la variable nmero de xitos obtenidos en las n pruebas. Llamamos distribucin binomial a la distribucin de esta variable X. Denotaremos por B(n; p) la distribucin
binomial de parmetros n = nmero de pruebas de Bernoulli y p = P (E) en cada prueba.
Si X sigue una distribucin B(n; p), escribiremos X B(n; p), y su funcin de masa es:

n i
p (1 p)ni ,
P (X = i) =
i

i = 0, 1, 2, . . . , n .

Obsrvese que si tomamos una prueba de Bernoulli con p(E) = p, y consideramos la variable X
con valores 1 si xito, 0 si fracaso, entonces X B(1; p).
Tambin, si tomamos n variables Xi independientes, todas y cada una de ellas siguiendo la misma
distribucin B(1; p), entonces la variable
X = X1 + X2 + + Xn
sigue una distribucin B(n; p). En particular, la esperanza y la varianza de X B(n; p) son:
E[X] = n p ,

V [X] = n p (1 p) ;

puesto que p = E[Xi ] y p (1 p) = V [Xi ] para cada una de las variables independientes que
sumamos.

4.1.3

Otros modelos basados en pruebas de Bernoulli

Definicin 4.1.4. Realizamos pruebas de Bernoulli independientes con la misma distribucin dada
por P (E) = p. La distribucin geomtrica de parmetro p es la de la variable aleatoria:
X = nmero de pruebas hasta el primer xito.
Su funcin de masa es:
P (X = j) = (1 p)j1 p ,

j = 1, 2, 3, . . . .

Se puede probar que:

E[X] =

1
;
p

V [X] =

1p
.
p2

Ejercicio 1 Demostrar que si X sigue una distribucin geomtrica de parmetro p, entonces

E[X] =

64

1
.
p

Modelos de probabilidad
Solucin: Por definicin se tiene:
E[X] = 1 p + 2 (1 p) p + 3 (1 p)2 p + 4 (1 p)3 + 5(1 p)4 +

= p 1 + 2(1 p) + 3(1 p)2 + 4 (1 p)3 + 5(1 p)4 +

= p 1 + (1 p) + (1 p)2 + (1 p)3 + (1 p)4 +

+ (1 p) + (1 p)2 + (1 p)3 + (1 p)4 +
+ (1 p)2 + (1 p)3 + (1 p)4 +
+ (1 p)3 + (1 p)4 +

+ (1 p)4 +

1 1 p (1 p)2 (1 p)3 (1 p)4

= p
+
+
+
+
+
p
p
p
p
p
1
= 1 + (1 p) + (1 p)2 + (1 p)3 + (1 p)4 + = .
p
Definicin 4.1.5. Consideramos pruebas de Bernoulli independientes con la misma distribucin
dada por p = P (E). Para cada nmero fijo r, se define la variable
X = nmero de pruebas hasta el rsimo xito .
Decimos que la variable X sigue una distribucin binomial negativa de parmetros r y p,
X BN (r; p), y su funcin de masa viene dada por:

r+j1 r
p (1 p)j , j = 0, 1, 2, . . . .
P (X = r + j) =
j
La distribucin BN (r; p) para r = 1 es una geomtrica. De hecho, si realizamos pruebas de
Bernoulli con p = P (E), hasta conseguir r xitos y se definen las variables:
Xi = nmero de pruebas entre el (i 1)simo xito y el isimo,

i = 1, 2, . . . , r

cada Xi es una geomtrica de parmetro p. Entonces

X = X1 + X2 + Xr
sigue una distribucin BN (r; p). As vemos que si X BN (r; p) entonces:
E[X] =

4.1.4

r
;
p

V [X] =

r(1 p)
.
p2

Distribucin de Poisson

Supongamos que estamos interesados en estudiar el nmero de xitos obtenidos en un nmero grande
de pruebas independientes de Bernoulli, teniendo una probabilidad pequea de xito en cada prueba.
Es razonable pensar que la distribucin venga dada como lmite de una distribucin B(n; p) con
n , p 0. De hecho si se tiene cierto control sobre el producto np, digamos np <

65

Modelos continuos
cuando n y p 0, podemos calcular el lmite. Surge as la distribucin de Poisson de parmetro
> 0 definida por la funcin de masa:
P (X = j) =

j e
,
j!

j = 0, 1, 2, . . . .

Si X Poisson(), informalmente, se obtiene: E[X] = lm n p = y V [X] = lm np(1 p) = .

Usaremos la distribucin de Poisson cuando estemos estudiando un modelo binomial, B(n ; p),
con un nmero grande de pruebas, cada una con probabilidad de xito pequea. A ttulo orientativo,
sustituiremos la B(n ; p) por una Poisson(), con = np, cuando n 30 y p 0.1.
Es fcil comprobar que la funcin dada arriba es una funcin de masa puesto que:

X
X
j e
j

P (X = j) =
=e
= e e = 1 .
j!
j!
j=0
j=0
j=0

Ejercicio 2 Demostrar que el lmite cuando n , p 0, con np , de la funcin de masa de

una B(n; p) es la funcin de masa de una distribucin de Poisson con parmetro , en otras palabras
si np cuando n y p 0:

n j
j e
lm
p (1 p)nj =
,
cuando n , p 0 .
j
j!
Solucin: :

n j
n(n 1)(n 2) (n j + 1) j (1 p)n
lm
p (1 p)nj = lm
p
j
j!
(1 p)j

1
1
2
j1
(1 p)n
j
=
lm n 1
1
1
pj
j!
n
n
n
(1 p)j

n
1
2
j1
1
j (1 p)
=
lm 1
1
1
(n p)
j!
n
n
n
(1 p)j
1
e
j e
=
1 j
=
.
j!
1
j!

4.2
4.2.1

Modelos continuos
Distribucin uniforme

Definicin 4.2.1. Decimos que una variable aleatoria X sigue una distribucin uniforme en
un intervalo (a, b) de la recta real, X U (a, b), si su funcin de densidad es:
f (x) =

1
ba

si x (a, b) ,

Si X U (a, b) entonces = E[X] =

f (x) = 0

en otro caso.

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

66

Modelos de probabilidad

4.2.2

Distribucin exponencial

Definicin 4.2.2. Una variable aleatoria X se dice que sigue una distribucin exponencial de
parmetro > 0, X Exp(), si su funcin de densidad es
f (x) = ex

si x > 0 ,

Si X Exp() entonces:
= E[X] =

4.2.3

1
,

f (x) = 0
2 = V [X] =

si x 0 .
1
.
2

Distribucin Normal

Definicin 4.2.3. De una variable aleatoria X diremos que sigue una distribucin normal de
media y desviacin tpica , X N(; ), si su funcin de densidad es:
(x)2
1
f (x) = e 22 ,
2

para todo x R .

Si X N(; ) entonces:
E[X] = ,

V [X] = 2 .

La funcin de densidad de una distribucin N (; ) tiene propiedades muy interesantes:

1. Su grfica es simtrica respecto a la media :

de manera que: P (X < a) = P (X > + a), para todo a > 0.

X
2. Si X N(; ) y Z =
entonces Z N(0; 1). En esta situacin, nos referiremos al cambio

X
de variable Z =
, como tipificacin de la variable X N(; ), y a la correspondiente

Z N(0; 1) como la distribucin normal tipificada.

La tipificacin de cualquier normal, X N(; ), nos permitir calcular la probabilidad de un
suceso correspondiente a ella a partir de la tabla de la distribucin normal tipificada N(0; 1).
As, por ejemplo, si X N(; ) entonces:
P (a < X < b) = P

b
a
a
b
<Z<
= FZ
FZ
,

donde Z N(0; 1) y FZ (z) = P (Z z) es su funcin de distribucin, cuyos valores vienen

dados por una tabla.

67

Problemas
3. La distribucin B(n; p) tiende a una distribucin normal cuando n y p es fijo. As si
estamos con una distribucin binomial con n grande, la podremos aproximar por una normal
N (; ) con parmetros:
p
= n p , = n p (1 p) .
A ttulo orientativo es aconsejable realizar esta sustitucin cuando n 30 y 0.1 < p < 0.9.
4. Si X1 N(1 ; 1 ), X2 N(2 ; 2 ), . . . , Xn N(n ; n ) son variables independientes entonces:
q
X = X1 + X2 + + Xn N( = 1 + 2 + + n ; = 12 + 22 + + n2 )
q
Y = X1 X2 N( = 1 2 ; = 12 + 22 ) .

Problemas
1. En una cadena de produccin dos robots funcionan conectados, respectivamente, a cinco y seis
ordenadores independientes entre s, de manera que en un tiempo dado t de funcionamiento
falla un ordenador del primer robot (resp. segundo) con probabilidad 0.1 (resp. 0.2). Calclense
las probabilidades de que en un tiempo t de funcionamiento fallen:
(a) un ordenador del primer robot;
(b) al menos un ordenador del primer robot;
(c) cinco ordenadores del segundo robot;
(d) no ms de cinco ordenadores del segundo robot;
(e) exactamente dos ordenadores del primer robot y tres del segundo;
(f) tres ordenadores ms del primero que del segundo robot.
2. Un lote de piezas contiene una proporcin p de defectuosas. Para realizar un control de calidad
se seleccionan n piezas y se denomina X el nmero de piezas defectuosas encontradas.
(a) Calclese P (X = 0).
(b) Si p = 0.1, cul debe ser el nmero de piezas, n, examinadas para tener P (X = 0) < 0.05?
(c) Si n = 40, para qu valores de p es P (X = 0) < 0.01?
(d) Si se examinan n = 80 piezas y se encuentran dos defectuosas, cul es la proporcin ms
verosmil de piezas defectuosas en el lote total: el 1 %, el 4 % el 7 %?
3. En una poblacin se sabe que, en promedio, uno de cada 20 habitantes tiene telfono mvil.
Cul es la probabilidad de que al realizar una encuesta, el cuarto encuestado sea el primero
con telfono mvil?
4. Se extraen una a una con reemplazamiento cartas de una baraja espaola. Calclese la probabilidad de obtener 5 cartas que no sean oros antes de obtener el tercer oro.

68

Modelos de probabilidad
5. El dueo de una ferretera, extrae al azar 50 tornillos de cada lote que recibe. Si en la muestra no
encuentra ms de 3 defectuosos, se queda el lote, en caso contrario lo rechaza. Un representante
le enva un lote que contiene un 10 % de tornillos defectuosos, cul es la probabilidad de que
acepte el lote?
6. En cierto tramo de una carretera la probabilidad de que un coche supere la velocidad mxima
permitida es 0.0001. Si recorren ese tramo 20000 coches, calclese la probabilidad de que
(a) ninguno supere la velocidad mxima permitida;
(b) a lo sumo 5 superen la velocidad mxima permitida.
7. Se ha observado el nmero de fallos cometidos en un folio por un mecangrafo en un tiempo
fijado. Estos fallos se han anotado en la siguiente tabla:
nmero de fallos
frecuencia

0
42

1
30

2
16

3
12

4
4

5
1

Ajstese una distribucin de Poisson y calclese la probabilidad de que en un folio seleccionado

al azar, de entre los escritos por este mecangrafo, aparezcan ms de tres fallos.
8. Se sabe que la demanda de un producto de consumo sigue una distribucin normal de media
95 y desviacin tpica 7. Calclese:
(a) la probabilidad de que la demanda sea menor que 97;
(b) la probabilidad de que la demanda sea mayor que 99;
(c) la probabilidad de que la demanda est entre 92 y 96;
(d) la mnima cantidad disponible necesaria para poder atender la demanda con una probabilidad no menor que 0.95 .
9. En cierto pas, el 20 % de la poblacin se muestra preocupada por el incremento de las emisiones
de dixido de carbono. Se hace una encuesta a 15 personas.
(a) Cul es la probabilidad de que ninguna de ellas est preocupada por el incremento de las
emisiones de dixido de carbono?
(b) Halla la probabilidad de que no haya ms de tres personas preocupadas.
(c) Calcula la probabilidad de que al menos tres personas entre las 15 estn preocupadas.
(d) Cul es la esperanza y la desviacin tpica del nmero de personas preocupadas entre las
15? Si en lugar de al 20 %, slo al 2 % de los habitantes del pas les preocupa el problema,
cmo cambian la esperanza y la desviacin tpica?
10. Consideramos un experimento aleatorio consistente en tirar 400 veces una moneda.
(a) Halla la probabilidad aproximada de que el nmero de caras obtenido est comprendido
entre 160 y 190.
(b) Halla el intervalo (a, b) centrado en 200, tal que la probabilidad aproximada de que el
nmero de caras obtenido est en dicho intervalo sea 0.95.

69

Problemas
11. Un zologo estudia cierta especie de ratones de campo. Para ello, captura ejemplares de ratones
en un bosque en el que la proporcin de ratones de campo de la especie que le interesa es p.
(a) Si p = 0.3, calcula la probabilidad de que entre 6 ejemplares capturados haya al menos 2
de la especie que le interesa.
(b) Si p = 0.05, calcula la probabilidad de que entre 200 ejemplares capturados, haya exactamente 3 de la especie que le interesa.
(c) Si p = 0.4, calcula la probabilidad de que entre 200 ejemplares capturados, haya entre 75
y 110 de la especie que le interesa.
(d) Cul es el nmero medio de ejemplares que tendr que capturar hasta encontrar uno de
la especie que le interesa, si p = 0.2 ?
12. Se supone que el nmero de bacterias por cm3 de agua en un estanque es una variable aleatoria
X con distribucin de Poisson de parmetro = 0.5.
(a) Cul es la probabilidad de que en un cm3 de agua del estanque no haya ninguna bacteria?
(b) En 40 tubos de ensayo se toman muestras de agua del estanque (1 cm3 de agua en cada
tubo). Qu distribucin sigue la variable Y que representa el nmero de tubos de ensayo,
entre los 40, que no contienen bacterias? Calcula P (Y 20).
(c) Si sabemos que en un tubo hay bacterias, cul es la probabilidad de que haya menos de
tres?
13. En el sur de California se produce, en promedio, un terremoto al ao de magnitud 6.1 o mayor
en la escala de Richter1 . Se supone que el nmero de terremotos al ao en esta zona sigue un
proceso de Poisson.
(a) Cul es la probabilidad de que se produzcan ms de dos terremotos en cinco aos?
(b) Cul es la probabilidad de que haya un periodo de 15 meses sin que haya terremotos?
(c) Cul es la probabilidad de que haya que esperar ms de tres aos y medio para que se
produzcan dos terremotos?
14. La probabilidad de que una pieza tenga un fallo durante el primer ao de funcionamiento es
0.001. Halla la probabilidad de que, entre 2000 piezas, presenten un fallo (a) exactamente tres,
(b) ms de 2.
1

Magnitud
menos de 3.5
3.55.4
5.56.0
6.16.9
7.07.9
8 mayor

Escala Ritcher
Efectos del terremoto
Generalmente no se siente, pero es registrado
A menudo se siente, pero slo causa daos menores
Ocasiona daos ligeros a edificios
Puede ocasionar daos severos en reas muy pobladas
Terremoto mayor. Causa graves daos
Gran terremoto. Destruccin total a comunidades cercanas
Fuente: http://www.angelfire.com/ri/chterymercalli

70

Modelos de probabilidad
15. La variable X expresa el tiempo en segundos que tarda una depuradora en filtrar 10 mm3 de
agua y sigue una distribucin exponencial con media 10. Calcula la probabilidad de que tarde
entre tres y doce segundos en depurar 10 mm3 .
16. Para estudiar la viabilidad econmica de una mina de carbn, consideramos la variable aleatoria
X=Kilogramos de carbn obtenidos por tonelada de mineral. Supongamos que, en cierta mina,
X sigue una N( = 150; = 25).
(a) Calcula la probabilidad de que, en una tonelada de mineral, el contenido de carbn sea
superior a 130 kg.
(b) Calcula la probabilidad de que, en 2 toneladas de mineral extradas independientemente,
la diferencia en el contenido de carbn sea inferior a 30 kg.
(c) Extraemos independientemente 100 toneladas de mineral. Calcula la probabilidad de que
en ms de 80 de ellas el contenido de carbn sea superior a 130 kg.
17. En una fbrica, se estn produciendo cuerdas con cierta fibra sinttica. La resistencia a la
tensin de estas cuerdas sigue una distribucin N( = 30; = 2).
(a) Cul es el porcentaje de cuerdas cuya resistencia a la tensin est entre 28 y 32?
(b) En un pedido de 200 cuerdas, cul es la probabilidad de que ms de 140 presenten una
resistencia a la tensin entre 28 y 32?
(c) En un pedido de 250 cuerdas, cul es la probabilidad de que alguna presente una resistencia inferior a 25?
18. Un fabricante produce varillas y recipientes para insertar las varillas. Ambos tienen secciones
circulares. Los dimetros de las varillas siguen una distribucin N( = 1; = 0.2); los dimetros
de los recipientes siguen una distribucin N ( = 1.05; = 0.15). Un ingeniero selecciona al
azar una varilla y un recipiente. Cul es la probabilidad de que la varilla pueda insertarse en
el recipiente?
19. Para analizar si las aguas prximas a la costa estn contaminadas cuando se produce una marea
negra por el hundimiento de un petrolero, se analizan varias muestras con un test que se divide
en tres pruebas independientes. Los resultados varan aleatoriamente de unas muestras a otras
y se sabe que siguen distribuciones normales dadas por:
X
Y
Z

=
=
=

resultados de la primera prueba del test, X N(7; 1)

resultados de la segunda prueba del test, Y N(5; = 2)
resultados de la tercera prueba del test, Z N(6; 1)

Se elige una muestra al azar. Contesta a las siguientes preguntas:

(a) Si el resultado final del test es el promedio de los valores que se obtienen en las tres
pruebas, cul es la probabilidad de que el resultado del test sea superior a 5?
(b) Cul es la probabilidad de que el resultado de las tres pruebas sea superior a 5?
20. Una compaa de petrleo tiene un contrato para vender grasa en envases de 500 gramos. La
cantidad de grasa que la mquina de llenado pone en los envases sigue una Normal con la media
que el encargado elija y = 25. Qu valor medio deber elegir el encargado si la compaa no
desea que le rechacen ms del 2 % de los envases por tener un peso por debajo de lo especificado?

71

Problemas
21. Una mquina de envasado llena sacos de fertilizante de aproximadamente 30 kg. La cantidad
de fertilizante por saco sigue una distribucin N ( = 30; = 1).
(a) Se desea que la cantidad de fertilizante por saco est entre 29 y 31 kg. Calcula la probabilidad de que la cantidad est dentro de esos lmites.
(b) Una empresa realiza un pedido de 80 de estos sacos de fertilizante. Calcular la probabilidad
de que ms de 50 estn dentro de los lmites indicados.
22. La permeabilidad intrnseca del hormign producido en una fbrica qumica sigue una distribucin N ( = 40; = 5). Se reciben 60 remesas de hormign.
(a) Cul es la probabilidad de que alguna remesa tenga una permeabilidad intrnseca inferior
a 30?
(b) El 30 % de las remesas de hormign enviadas a un almacn tiene una permeabilidad que
sigue una N ( = 40; = 5). El 70 % de las remesas restantes tiene una permeabilidad
que sigue una N ( = 45; = 10). Cul es el porcentaje total de remesas que tienen una
permeabilidad inferior a 35?

72