Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 3 PDF
Capitulo 3 PDF
Contenido
☞ Empleo de la estadı́stica
≪Una empresa informa que el 25% de los contadores tienen empleo en contadurı́a
pública. Suponga que este porcentaje se aplica a un grupo de 15 egresados de uni-
versidades que van a ejercer la profesión de contadurı́a. ¿Cuál es la probabilidad
de que cuando menos tres egresados tengan empleo en contadurı́a pública?≫
Ejemplo 3.1.1 Suponga que una moneda se lanza dos veces. Entonces, el espacio muestral
Ω correspondiente tendrá como elementos a las siguientes cuatro parejas ordenadas de datos
cualitativos (categóricos):
en donde C significa “cara” y S, “sello”. Estos resultados no son números reales, pero si
cada uno se asocia con el número de caras, podemos asociar un único real a cada resultado.
Por ejemplo,
Al resultado (C, C) se le puede asignar el número 2 (porque hay dos caras).
Al resultado (C, S) se le puede asignar el número 1 (porque hay una cara).
Al resultado (S, C) se le puede asignar el número 1 (porque hay una cara).
Al resultado (S, S) se le puede asignar el número 0 (porque hay cero caras). ◭
Definición 3.1.2 Una variable aleatoria X es una regla o función que asigna
un único número real a cada resultado del espacio muestral Ω de un experimento
aleatorio. En sı́mbolos, una variable aleatoria X es una función X : Ω −→ R, siendo
R el conjunto de los números reales.
3.1 Variables aleatorias 4
En el capı́tulo 1 se hizo la distinción entre dos tipos datos numéricos: los discretos
y los continuos. Esta misma distinción se hace con las variables aleatorias.
Ejemplo 3.1.4 (Ejemplos de variables aleatorias discretas) La tabla 3.1 muestra ejem-
plos de variables aleatorias discretas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.
Definición 3.1.5 Una variable aleatoria es continua si y sólo si tiene una canti-
dad infinita no enumerable de valores
3.1 Variables aleatorias 5
Ejemplo 3.1.6 (Ejemplos de variables aleatorias continuas) La tabla 3.2 muestra ejem-
plos de variables aleatorias continuas. En ella aparece un experimento, la correspondiente
variable aleatoria X y sus posibles valores x.
2. Se determinará el número de computadores en uso, tanto en una oficina con cinco com-
putadores, como en una con tres. Dé los posibles valores para cada una de las siguientes
variables aleatorias.
(a) X = número total de computadores en uso.
(b) Y = la diferencia entre los números de computadores en uso de las oficinas 1 y 2.
(c) Z = número máximo de computadores en uso en cada una de las oficinas.
(d) W = número de oficinas que tienen exactamente dos computadores en uso.
3.2 Distribuciones de probabilidad para variables aleatorias discretas 6
Ejemplo 3.2.1 Supóngase que se lanza una moneda dos veces y sea X la variable aleatoria
que representa al “número 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 está dado por
Ω = (C, C), (C, S), (S, C), (S, S) ,
Esta información también se puede resumir como se muestra en la tabla de la figura 3.1.
Nos piden calcular1 P(X = 0), P(X = 1) y P(X = 2). Con base en lo anterior, obtenemos
1
P(X = x) se lee “la probabilidad de que la variable aleatoria X tome el valor x”. Por ejemplo,
P(X = 0) significa la probabilidad de que el valor resultante de X sea 0.
3.2 Distribuciones de probabilidad para variables aleatorias discretas 7
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
x 0 1 2
1 1 1
P(X = x) 4 2 4
Para una variable aleatoria discreta X, las probabilidades de que X tome cada uno de
sus valores generalmente se modelan también a través de la llamada función de proba-
bilidad, que representaremos por f. Esta función define la probabilidad de cada valor de
la variable aleatoria. Por esta razón, introducimos la siguiente
Definición 3.2.3 Sea X una variable aleatoria discreta definida sobre un espacio
muestral Ω y supongamos que X toma los valores x1, x2, . . . (finito o infinito enumer-
able). Decimos que una función f : R −→ [0, 1] es una función de probabilidad
de X si
P(X = xk), para todo valor xk de X;
f(xk) =
0, de otra forma.
Se puede verificar que f cumple las dos siguientes condiciones:
(a) f(xk ) ≥ 0 para todo valor xk de X.
P
(b) f(xk ) = 1.
k
3.2 Distribuciones de probabilidad para variables aleatorias discretas 8
Ejemplo 3.2.4 Consideremos otra vez el lanzamiento de dos monedas y X la variable aleato-
ria definida como en el ejemplo 3.2.1. Sea f : R −→ [0, 1] definida por f(x) = P(X = x), en
donde x es un posible valor de X, es decir, f se define ası́:
1 1 1
f(0) = P(X = 0) = , f(1) = P(X = 1) = , f(2) = P(X = 2) = .
4 2 4
Una descripción equivalente es
1
4, si x = 0 o x = 2;
1
f(x) = 2, si x = 1;
0, en otros casos.
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 número de pruebas en la que se detecta la segunda pieza defectuosa,
determine la función de probabilidad de X.
SOLUCION:
Sea f la función de probabilidad de X. Debido a que los posibles valores de X son 2, 3 ó 4,
entonces,
2 1 1
f(2) = P(X = 2) = · = ;
4 3 6
2 2 1 2 2 1 1
f(3) = P(X = 3) = · · + · · = ;
4 3 2 4 3 2 3
2 1 2 1 1
f(4) = P(X = 4) = · · · ·3 = .
4 3 2 1 2
Observemos que f satisface las dos condiciones mencionadas en la observación de la definición
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 función de probabilidad del número de errores detectado por el
auditor.
SOLUCION:
Para i = 1, 2, 3, sea Mi el evento que representa al hecho de que el auditor detectó un error
en el ingreso i. De igual manera, sea Bi el evento que representa al hecho de que el auditor
no detectó 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 número de
errores detectado por el auditor y f su correspondiente función de probabilidad. Tenemos
que Como X puede tomar los valores 0, 1, 2 ó 3, entonces (utilizaremos la independencia de
3.2 Distribuciones de probabilidad para variables aleatorias discretas 9
en donde la suma anterior recorre todos los valores x de X que son menores o iguales que t.
• Ahora, determinamos F(t) para cualquier otro número t (distinto de los valores posi-
bles que toma x, es decir, distinto de 0, 1, 2). En este caso, F(t) coincide con F(x),
siendo x el valor más cercano posible de X a la izquierda de t. Por ejemplo,
– Tomemos números menores2 que 0:
Teniendo en cuenta las conclusiones formuladas en los dos pasos anteriores, podemos afirmar
que la función de distribución acumulada está dada por
0, si t < 0;
14 , si 0 ≤ t < 1;
F(t) =
3
4 , si 1 ≤ t < 2;
1, si t ≥ 2.
El gráfico de esta función aparece en la figura 3.4, en la que puede verse que la función de
distribución acumulada crece a saltos hasta que alcanza el valor 1.
Ejemplo 3.2.11 Sea X la variable aleatoria definida como en el ejemplo 3.2.5. Entonces,
la función de distribución acumulada F de X está dada por
0, si t < 2;
16 , si 2 ≤ t < 3;
F(t) =
12 , si 3 ≤ t < 4;
1, si t ≥ 4.
Teorema 3.2.12 Sea X una variable aleatoria discreta con función de distribución
acumulada F. Entonces,
(b) Si a y b son dos números reales con la propiedad de que a ≤ b, entonces, debe
cumplirse que F(a) ≤ F(b). Es decir, F es creciente.
Cálculo de f a partir de F
En el ejemplo 3.2.10, la función de distribución acumulada F se ha determinado a partir
de la función de probabilidad f. Es posible invertir este procedimiento y obtener f a partir
de F cuando está disponible esta última función. Esto último 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 función
de distribución acumulada F definida por
0, si t < 0;
1
, si 0 ≤ t < 1;
7
1
3 , si 1 ≤ t < 2;
F(t) =
3
4 , si 2 ≤ t < 3;
1, si t ≥ 3,
1
f(0) = 1 − f(1) − f(2) − f(3) = . ◭
7
3.2 Distribuciones de probabilidad para variables aleatorias discretas 14
Observemos que P(2 ≤ X ≤ 3) 6= F(3) − F(2). Esto es porque el valor 2 de X está 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 está incluida en el intervalo 1 < X ≤ 3. ◭
Teorema 3.2.15 Sea X una variable aleatoria discreta con función de distribución
acumulada F. Entonces,
(b) En particular, si los únicos valores posibles son enteros y a y b son enteros,
entonces,
P(a ≤ X ≤ b) = F(b) − F(a − 1),
x 0 1 2 3 4
f(x) 0,21 0,28 0,10 0,25 0,16
13. Un almacén de electrodomésticos 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 número de meses entre pagos sucesivos. Supongamos que la función de distribución
acumulada F de X está 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 número de meses entre pagos sucesivos es estricta-
mente mayor que 4, pero menor o igual que 12.
(b) Calcule la probabilidad de que el número de meses entre pagos sucesivos es estricta-
mente menor 4 o mayor o igual que 8.
(c) Calcule la función de probabilidad f de X.
(d) Utilice f para calcular la probabilidad de que el número de meses entre pagos sucesivos
que ha hecho un cliente está entre 4 y 8 meses (ambos inclusive).
(e) Utilice nuevamente a f para calcular la probabilidad de que el número de meses entre
pagos sucesivos que ha hecho un cliente sea mayor o igual que 8.
Ejemplo 3.3.1 Suponga que usted está encargado de crear y administrar un puesto de
juego en una feria que tradicionalmente tiene lugar anualmente en una fecha fija. Por expe-
riencia previa, sabe que a la feria sólo 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 dı́a (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 denominación, tiene la misma oportunidad de
ser seleccionado, ¿cuánto 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
podrı́a ganar en una sola jugada. En este caso, X puede tomar los valores $1.000, $2.000
ó $5.000. Como hay 10 billetes en total en el sombrero y cada billete, sin importar su
denominación, tiene la misma oportunidad de ser seleccionado, entonces,
5 4 1
P(X = 1.000) = = 0, 50, P(X = 2.000) = = 0, 40, P(X = 5.000) = = 0, 10.
10 10 10
Para decidir cuánto debe cobrar usted por jugar “dinero en el sombrero” necesitamos calcular
la “ganancia promedio por jugada”. Ahora, como se jug’o n = 100 veces durante el dı́a,
entonces, esperarı́amos que
• n P(X = 1.000) = (100)(0, 50) = 50 veces los jugadores sacarı́an un billete de $1.000
para una pérdida de (50)($1.000) = $50.000 para el dueño de la feria;
• n P(X = 2.000) = (100)(0, 40) = 40 veces los jugadores sacarı́an un billete de $2.000
para una pérdida de (40)($2.000) = $80.000 para el dueño de la feria;
• n P(X = 1.000) = (100)(0, 10) = 10 veces los jugadores sacarı́an un billete de $5.000
para una pérdida de (10)($5.000) = $50.000 para el dueño de la feria;
Como la pérdida total para el dueño de la feria (o las ganancias totales para los jugadores)
es
$50.000 + $80.000 + $50.000 = $180.000
para los 100 jugadores, la pérdida promedio por jugar es
$180.000
= $1.800.
100
3
Si selecciona más de un billete, el jugador no recibe ninguno, un incentivo suficientemente fuerte
para excluir esto como una posibilidad
3.3 Esperanza y varianza de una variable aleatoria discreta 18
Por lo tanto, para tener un promedio de $1.000 de ganancia por cliente, debemos cobrar
$2.800, para el privilegio de sacar un billete del sombrero. Otra manera de considerar la
pérdida promedio para el dueño 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. ◭
Definición 3.3.2 Sea X una variable aleatoria discreta definida sobre un espacio
muestral Ω y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
f la función de probabilidad de X. Entonces, la esperanza ( valor esperado o
media) de X, simbolizada por µ o E(X), se define como
X
µ = E(X) = xk · f(xk).
k
Ejemplo 3.3.4 Una planta industrial grande realiza una campaña para promover el uso
compartido del automóvil 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 campaña.
Número x Frecuencia
de ocupantes Frecuencia relativa
por automóvil f xf f/n
1 425 425 0,450
2 235 470 0,249
3 205 615 0,217
4 52 208 0,055
5 22 110 0,023
6 6 36 0,006
Total 945 1.864 1
Ahora escojamos un coche al azar que transporte empleados al trabajo y contemos el número
de ocupantes. Este número 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
Ejemplo 3.3.5 Una empresa considera dos inversiones posibles. Como aproximación ini-
cial, asigna probabilidades (subjetivas) a cada uno de los siguientes eventos: perder un 20%
por cada dólar invertido, perder un 10%, ni ganar ni perder, ganar un 10% y ganar un 20%.
Sea X el rendimiento por cada dólar invertido en el primer proyecto y Y el rendimiento por
cada dólar invertido en el segundo. Las probabilidades asignadas son
3.3 Esperanza y varianza de una variable aleatoria discreta 20
Calcule los rendimientos esperados por cada dólar invertido en cada proyecto. ¿Cuál proyecto
le parece a usted que representa la inversión más atractiva.
SOLUCION:
El proyecto X, de acuerdo con cualquier estándar 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. ◭
Ejemplo 3.3.6 Un contratista puede tener cierta incertidumbre sobre el tiempo que re-
querirá terminar un contrato. Esta incertidumbre puede representarse mediante una varia-
ble aleatoria cuyos valores posibles son el número de dı́as transcurridos desde el comienzo
hasta la conclusión del trabajo que se ha contratado. Sin embargo, el principal interés del
contratista no es el tiempo necesario sino el costo de cumplir el contrato. Este costo será
una función del tiempo. Luego, para determinar el costo esperado, es necesario expresar la
esperanza como una función de la variable aleatoria “tiempo necesario para la conclusión
del trabajo”.
Ejemplo 3.3.7 Suponga que una librerı́a 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 venderá en $3.000. Si X es la variable aleatoria “número de ejemplares
vendidos”, entonces, la utilidad neta es una variable aleatoria h(X) que depende de X y que
está dada por
El siguiente teorema nos sugiere una forma sencilla de calcular la esperanza de una
función h(X).
5
Es importante enfatizar que toda función h(X) de una variable aleatoria discreta X es también
una variable aleatoria discreta.
3.3 Esperanza y varianza de una variable aleatoria discreta 21
Teorema 3.3.8 Sea X una variable aleatoria discreta definida sobre un espacio
muestral Ω y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea f
la función de probabilidad de X. Entonces, la esperanza o media de cualquier
función h(X) de X, simbolizada por E h(X) , se define como
X
E h(X) = h(xk) · f(xk).
k
La esperanza E h(X) puede entenderse como el valor promedio que tomarı́a h(X) sobre un número
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 número 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 función h(X) de una variable aleatoria X. La función
lineal h(X) = aX + b, donde a y b son números reales fijos, es de particular interés. En
este caso, E h(X) se calcula fácilmente a partir de E(X).
Teorema 3.3.10 Sean X una variable aleatoria discreta definida sobre un espacio
muestral Ω y a, b números reales fijos. Entonces,
1 = E(5X + 2) = 5 E(X) + 2.
Primero, debemos observar que este concepto de dispersión 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 serı́a todo lo necesario si todos los valores de la va-
riable aleatoria discreta tuvieran la misma importancia (o igual probabilidad de ocurrir).
Frecuentemente este no es el caso. A menudo algunos valores de la variable aleatoria
tendrán una probabilidad más alta de ocurrir que otros. Entonces, necesitamos alguna
forma de ponderar cada distancia para reflejar sus diferencias en importancia relativa.
Esta lı́nea de razonamiento nos indicarı́a 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 ası́:
[xi − E(X)]P(X = xi). Sumando todas estas distancias ponderadas, [xi − E(X)]P(X =
xi), tendremos la medida de dispersión buscada. Nuestra lógica es correcta, pero esta
medida no nos permitirá distinguir entre una distribución 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 numérico (esto es, 0) sin importar cuál distribución consideramos.
Hay varias maneras de evitar esta dificultad y mantener nuestra idea de un “distancia
ponderanda” para medir la dispersión. 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 numérico es siempre positivo. Pode-
mos ponderar nuestra “nueva” medida de distancia por la probabilidad de ocurrencia
de aquel valor de X y, entonces, tenemos una medida de dispersión. Los matemáticos
han utilizado tradicionalmente esta medida y la llaman la varianza de la variable aleatoria.
Definición 3.3.12 Sea X una variable aleatoria discreta definida sobre un espacio
muestral Ω y supongamos que X toma los valores x1, x2, . . . (finito o enumerable).
Sean f y µ la función de probabilidad y esperanza de X, respectivamente. Entonces,
la varianza de X, simbolizada por σ2 o V(X), se define como
X
σ2 = V(X) = E (X − µ)2 = (xk − µ)2 · f(xk).
Teorema 3.3.13 Sea X una variable aleatoria discreta definida sobre un espacio
muestral Ω y supongamos que X toma los valores x1, x2, . . . (finito o enumerable).
Sean f y µ la función de probabilidad y esperanza de X, respectivamente. Entonces, la
varianza de X es la esperanza del cuadrado de X menos el cuadrado de la esperanza
de X. Es decir,
2 X 2
V(X) = E(X2) − E(X) = x2k f(xk) − E(X) .
Teorema 3.3.17 Sea X una variable aleatoria discreta definida sobre un espacio
muestral Ω y supongamos que X toma los valores x1, x2, . . . (finito o infinito). Sea
f la función de probabilidad de X. Entonces,
la varianza de cualquier función
h(X) de X, simbolizada por V h(X) , se define como
X 2
V h(X) = h(xk) − V h(X) · f(xk).
k
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) +
Reglas de la varianza
Cuando h(X) es unafunción lineal de la forma h(X) = aX+b, donde a y b son números
reales fijos, V h(X) se calcula fácilmente a partir de V(X).
Teorema 3.3.19 Sean X una variable aleatoria discreta definida sobre un espacio
muestral Ω y a, b números reales fijos. Entonces,
Observemos que las partes (a) y (b) dicen que la inclusión de la constante b no afecta la varianza, lo
cual es intuitivo porque la suma (o la resta) de una constante b cambia la ubicación (valor medio),
pero no la dispersión de los datos. Además, la razón para el valor absoluto de a en la parte (d) es
que a puede ser negativa, mientras que la desviación estándar no puede ser negativa.
3.3 Esperanza y varianza de una variable aleatoria discreta 26
1
P(|X − kσ| ≤ µ) ≥ 1 − ,
k2
para cualquier número k > 1. Si X tiene más o menos un histograma de probabilidad
con forma de campana, entonces,
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 σX = 0, 110. Las verdaderas probabilidades son
y
P(|X − 2σ| ≤ µ) = 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 aproximación que nos da la regla empı́rica es muy
mediocre, en parte porque X toma un número muy pequeño 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 más probable es que la regla empı́rica hubiese sido una mejor
aproximación, aunque la distribución no tenga una forma de campana. ◭
Devoluciones 0 1 2 3 4 5
Proporción 0,20 0,30 0,21 0,09 0,06 0,14
(c) Hallar la media y la varianza del número de devoluciones para reparar defectos de una
estufa durante el perı́odo de garantı́a.
x 0 1 2 3 4
f(x) 0,21 0,28 0,10 0,25 0,16
x 20 25 30
f(x) 0,29 0,31 0,40
22. El propietario de una compañı́a 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 número de lotes ordenados por un cliente seleccionado al azar y suponga que
X tiene una función de probabilidad
x 1 2 3 4 5
f(x) 0,18 0,32 0,30 0,12 0,08
23. Sea X una variable aleatoria discreta que representa al número de personas que fuman de
una muestra de 4 personas escogidas de una población en donde el 25% de las personas
fuman. Supongamos que X tiene función de probabilidad definida por
4
f(x) = (0, 25)x (0, 75)4−x , x = 0, 1, 2, 3, 4.
x
25. Un determinada empresa compra varios computadores último modelo al final de cada año.
El número exacto depende de la frecuencia de reparaciones en el año anterior. Suponga
que X, el número de computadores que se compran cada año, tiene la siguiente función
de probabilidad:
x 0 1 2 3
f(x) 1/4 3/16 1/4 5/16
Si el costo del modelo que se desea permanece fijo a $2.830.451 a lo largo de este año y
se obtiene un descuento de $100.000X2 en cualquier compra, ¿cuánto espera gastar esta
empresa en nuevos computadores al final de este año?
26. Suponga que las probabilidades de 0,1; 0,3; 0,4 y 0,2 son las de que 0, 1, 2 ó 3 personas
compren cierto artı́culo que está en oferta en un pequeño almacén y en cierto dı́a dado.
Encuentre la media y la varianza del número de personas que compran el artı́culo en oferta.
27. Una empresa está especializada en la instalación y mantenimiento de diversos tipos de
alarmas para bancos. Cada vez que se inicia un nuevo año, las demandas de servicios
que reciben suelen ser para la instalación de una nueva alarma. La tabla muestra las
probabilidades estimadas para el número de peticiones de una nueva alarma en las tres
últimas semanas de enero.
Peticiones 0 1 2 3 4
Probabilidad 0,12 0,16 0,27 0,29 0,16
28. Al invertir en unas acciones particulares, Humberto puede tener una ganancia en un año
de $8.000.000 con probabilidad de 0,4 o tener una pérdida de $2.000 con probabilidad de
0,6.
(a) ¿Cuál es la ganancia esperada de esta persona? Interprete su respuesta.
(b) ¿Cuál es la varianza de esta persona?
29. Una compañı́a fabrica paquetes de minas para portaminas. El número de minas por
paquete varı́a, como se indica en la tabla de abajo.
Número de minas 7 8 9 10 11 12 13
Proporción de paquetes 0,21 0,29 0,03 0,20 0,10 0,04 0,13
Definición 3.4.1 Una variable aleatoria discreta X con los valores enteros sobre el
intervalo [a, b] tiene distribución uniforme discreta sobre el conjunto de los
1
números enteros que están en el intervalo [a, b], cuando se tiene que P(X = x) = n ,
para todo x entero que está en el intervalo [a, b].
Por tanto, una variable aleatoria distribuida uniformemente es caracterizada por el he-
cho de que ella sólo puede tomar finitos valores y todos estos valores tienen la misma
probabilidad (una distribución uniforme sobre un conjunto infinito y enumerable de va-
lores, obviamente, no se puede dar). Para el caso en que X tenga valores 1, 2, . . . , n,
la densidad de probabilidad y la correspondiente función de distribución de X estarán
dadas, respectivamente, por
1
, si x ∈ N, 0, si t < 0,
f(x) = n y F(t) = n k
, si k ≤ t < k + 1, con k = 1, . . . , n − 1.
0, si x 6∈ N,
1, si n ≤ t.
Ejemplo 3.4.2 (a) En una caja hay 7 bolas de la misma especie y marcadas con los
números 1, . . . , 7. La probabilidad de sacar una bola numerada con un determinado
número será siempre igual a 17 .
(b) Al lanzar un dado no falso, la probabilidad de obtener cualquier cara del dado será
igual siempre a 61 . ◭
Teorema 3.4.3 Suponga que X es una variable aleatoria que tiene distribución uni-
forme discreta sobre el intervalo [a, b]. Entonces,
a+b (b − a + 1)2 − 1
E(X) = y V(X) = .
2 12
48 + 0 (48 − 0 + 1)2 − 1
µ= = 24, σ2 = = 199, 396. ◭
2 12
3.5 La distribución binomial 30
Entonces, la probabilidad con que el misil será 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 distribución binomial 31
Experimento binomial
Considere el experimento de lanzar una moneda 10 veces y observar el número de
“caras” que resultan. Como puede observarse, este experimento tiene las siguientes
caracterı́sticas:
• Todos los 10 experimentos son idénticos (por ser el mismo experimento de Bernoulli).
Distribución binomial
Si se conoce la probabilidad de que un ensayo determinado producirá un éxito, es posible
estimar cuántos éxitos habrá en un número 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 serán:
O sea, hay en total 8 resultados posibles. Ahora, sea X la variable aleatoria “número de
caras que resultan en los tres lanzamientos”. Entonces,
(a) La probabilidad de que resulten 0 caras es P(X = 0) = 81 , porque en esta situación los
casos posibles será SSS (o sea, 1 caso de 8 en total).
6 1
De aquı́ en adelante, téngase en cuenta que P(C) = P(‘‘cara") = p = 2
y P(S) = P(‘‘sello") =
1 − p = 12 .
3.5 La distribución binomial 32
de 3 elementos.
• p0 = 1, la probabilidad de que salga cara elevada al número de caras que apare-
cen (que es 0).
3
• (1 − p)3−0 = 12 , la probabilidad de que salga sello elevada al número de sellos
que aparecen (que es 3).
(b) La probabilidad de que resulte 1 cara es P(X = 1) = 38 , porque en esta situación los
casos posibles serán CSS, SSC, SCS (o sea, 3 casos de 8 en total).
de 3 elementos.
1
• p1 = 12 , la probabilidad de que salga cara elevada al número de caras que
aparecen (que es 1).
2
• (1 − p)3−1 = 21 , la probabilidad de que salga sello elevada al número de sellos
que aparecen (que es 2).
(c) La probabilidad de que resulten 2 caras es P(X = 2) = 38 , porque en esta situación los
casos posibles serán CCS, CSC, SCC (o sea, 3 casos de 8 en total).
de 3 elementos.
2
• p2 = 12 , la probabilidad de que salga cara elevada al número de caras que
aparecen (que es 2).
1
• (1 − p)3−2 = 21 , la probabilidad de que salga sello elevada al número de sellos
que aparecen (que es 1).
3.5 La distribución binomial 33
(d) La probabilidad de que resulten 3 caras es P(X = 3) = 18 , porque en esta situación los
casos posibles será CCC (o sea, 1 caso de 8 en total).
de 3 elementos.
3
• p3 = 12 , la probabilidad de que salga cara elevada al número de caras que
aparecen (que es 3).
0
• (1 − p)3−3 = 21 = 1, la probabilidad de que salga sello elevada al número de
sellos que aparecen (que es 0). ◭
P(X = k) = n
k n−k
k p (1 − p) , k = 0, 1, 2, . . . , n.
Observemos que, en el teorema 3.5.5, la probabilidad P(X = k) se calcula multiplicando los siguientes
tres factores:
• nk , el número de posibilidades en que se puede escoger k éxitos de un grupo de n elementos.
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 distribución binomial
coincide con la distribución de Bernoulli con parámetro p. En la figura 3.6 se muestran
gráficas de la distribución de binomial para varios valores de n, pero manteniendo fijo
el producto entre n y p.
3.5 La distribución binomial 34
Ejemplo 3.5.6 Una moneda no falsa es lanzada 10 veces. Consideraremos el evento “cara”
como un éxito y “sello” como un fracaso. Es claro que p = 0, 5, n = 10 y las condiciones
básicas que caracterizan a la distribución binomial se satisfacen. Por consiguiente,
• La probabilidad de tener éxito exactamente 7 veces es
10 15
P(X = 7) = b(7; 10; 0, 5) = (0.5)7 (0.5)3 = ≈ 0, 1172.
7 128
3.5 La distribución binomial 35
Esta probabilidad también 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.
Teorema 3.5.8 Si X es una variable aleatoria que tiene distribución binomial con
los parámetros 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 número de caras es
µ = np = (10)(0, 5) = 5
y la varianza
σ2 = np(1 − p) = (10)(0, 5)(1 − 0, 5) = 2, 5. ◭
3.5 La distribución binomial 36
43. De una producción de 2.000 tornillos, se sabe que el 5% están defectuosos. Supongamos
que se selecciona un muestra al azar de 20 tornillos.
(a) ¿Cuál es la probabilidad de que el número de tornillos defectuosos en la muestra no
exceda a 3?
(b) ¿Cuál es la probabilidad de que el número de tornillos defectuosos en la muestra es
por lo menos 6?
(c) ¿Cuál es la probabilidad de que el número de tornillos defectuosos en la muestra sea
estrictamente mayor que 2, pero menor o igual de 6?
(d) ¿Cuál es la probabilidad de que ninguno de los 20 tornillos esté defectuoso?
(e) Calcule e inteprete el valor esperado y la desviación estándar del número de tornillos
defectuosos en la muestra.
44. En un peaje se cobra 1.500 pesos por cada bus de transporte público y 2.500 pesos por
carros particulares. Supongamos que durante las horas diurnas, 70% de todos los vehı́culos
son buses de transporte públicos. Si 15 vehı́culos pasan por el peaje durante un perı́odo
particular diurno, ¿cuál es el ingreso de cuotas esperado? (Sugerencia: sea X el número
de buses de transporte público, entonces, el ingreso de cuotas h es una función lineal de
X.)
45. Un fabricante de celulares, desea controlar la calidad de su producto y rechazar cualquier
lote en el que la proporción 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 éstos están defectuosos, todo el lote será rechazado.
(a) ¿Cuál es la probabilidad de que un lote sea rechazado si 5% de los celulares están
defectuosos?
(b) ¿Cuál es la probabilidad de que un lote sea rechazado si 10% de los celulares están
defectuosos?
(c) ¿Cuál es la probabilidad de que un lote sea rechazado si 30% de los celulares están
defectuosos?
(d) ¿Qué sucederı́a con las probabilidades anteriores si el número crı́tico para rechazo
aumentara de 3 a 5?
46. Un jefe de producción sabe que el 4% de 200 artı́culos producidos en cierto tipo de máquina
tiene algún defecto. Se examinan cinco de estos artı́culos. ¿Cuál es la probabilidad de
que (a) ninguno, (b) dos, (c) al menos dos de estos artı́culos tengan un defecto?
47. Una institución beneficiaria contrata personal para que soliciten donaciones por teléfono.
Después de un breve perı́odo de preparación, las personas telefonean a los potenciales
donantes y se les paga una comisión. La experiencia indica que, normalmente, estas
personas logran sólo un éxito moderado, y el 70% de ellas deja el trabajo en las tres
primeras semanas. La institución contrata seis personas, las cuales se pueden considerar
como una muestra aleatoria. ¿Cuál 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 instalación de nuevos paquetes computacionales. Se ha
comprobado que en el 10% de 250 instalaciones es necesario volver para realizar algu-
nas modificaciones. En una semana determinada se realizaron 10 instalaciones. Asumir
independencia en los resultados de esas instalaciones.
(a) ¿Cuál es la probabilidad de que sea necesario volver en cinco casos?
(b) ¿Cuál es la probabilidad de que no sea necesario volver en ninguno los casos?
3.6 La distribución de Poisson 38
7. El número de veces que falla una pieza de un equipo durante un perı́odo de tres
meses.
Definición 3.6.1 Los experimentos que resultan en valores numéricos de una varia-
ble aleatoria que representa el número de resultados durante un intervalo de tiempo
dado se llaman experimentos de Poisson.
Entonces, un proceso de Poisson está caracterizado por las siguientes tres propiedades:
(P1) Para cada intervalo de tiempo pequeño,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) ≈ λt, para un número real λ > 0.
Distribución de Poisson
La experiencia indica que, para una amplia gama de problemas como los mostrados al
comienzo de esta sección, la llamada distribución de probabilidad de Poisson representa
adecuadamente la estructura probabilı́stica del número de eventos que ocurren en un
intervalo de tiempo [0, t]. La demostración de la fórmula para la probabilidad de que
ocurra una cantidad determinada de eventos en un intervalo de tiempo pequeño, la cual
se basa en las propiedades del proceso de Poisson indicadas anteriormente, está fuera
del alcance de este texto. Por esta razón sólo se presentará lo que se utiliza para el
cálculos de diferentes tipos de probabilidades.
1 −λ k
P(X = k) = e λ , k = 0, 1, 2, 3, . . . .
k!
siendo e = 2, 71828 la base del logaritmo natural. La correspondiente distribución
de X se conoce con el nombre de distribución de Poisson con parámetro λ.
Ejemplo 3.6.8 En el ejemplo 3.6.3, tenemos que la media y varianza del número de clientes
que entran en un intervalo especı́fico de 10 minutos son µ = σ2 = 5. ◭
o, que es equivalente,
8
No hay una regla para el tamaño de p y n al aproximar la distribución binomial con la de
Poisson. En la práctica, si n ≥ 100, p ≤ 0, 01 y np ≤ 20, la aproximación será buena.
3.6 La distribución de Poisson 44
Observemos que no podemos usar la tabla binomial por ser n muy grande. Por consiguiente,
debemos buscar una aproximación de la distribución binomial. La idea es aplicar el teorema
3.6.9. Observamos que
• n = 600 es grande,
• p = 0, 01 es pequeño,
• y se cumple que np = 6 ≤ 20.
Como se cumplen estos tres supuestos exigidos por el teorema, las probabilidades pedi-
das pueden ser calculadas (en forma aproximada) usando la distribución de Poisson con
parámetro λ = np = 6.
(a) Nos piden calcular P(X = 5). Por tanto, por el teorema de aproximación 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 aproximación de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X ≥ 3) = 1 − P(X ≤ 2) = 1 − B(2; 600; , 0, 01)
≈ 1 − P(2; 6) = 1 − 0, 062 = 0, 938.
(c) Nos piden calcular P(X ≤ 1). Por tanto, por el teorema de aproximación de la binomial
a la de Poisson (teorema 3.6.9), se tiene
P(X ≤ 1) = B(1; 600; 0, 01) ≈ P(1; 6) = 0, 017. ◭
Ejemplo 3.6.11 Suponga que es conocido que en un libro de matemáticas de 400 páginas
hay 200 errores que están distribuidos aleatoriamente en todo el texto. Calcular la proba-
bilidad de que en una página dada (a) no haya errores (b) 2 o más errores.
SOLUCION:
Sea X la variable aleatoria que representa al número de errores por página. Ya que la pro-
1
babilidad de que un error aparezca en una página dada es p = 400 = 0, 0025 y que n = 200,
es claro ver que X es una variable binomial con parámetros p = 0, 0025 y n = 200. Y,
como vemos, es justificable usar la distribución de Poisson y obtener las probabilidades con
λ = 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 distribución de Poisson 45
Ejemplo 3.6.12 En la tabla de la figura 3.9 damos los resultados del famoso experimento
fı́sico, dirigido por Rutherford y Geigner, en donde se observaron partı́culas α emitidas por
una sustancia radioactiva en 2.068 periodos de 7, 5 segundos cada uno. Aquı́ k es el número
de partı́culas α emitidas y fo es el número de perı́odos de 7, 5 segundos observados.
k 0 1 2 3 4 5 6 7 8 9 10
fo 57 203 383 525 532 408 273 139 45 27 16
k 0 1 2 3 4 5 6 7 8 9 10
pk 0,021 0,08 0,156 0,201 0,195 0,151 0,097 0,054 0,026 0,011 0,0065
k 0 1 2 3 4 5 6 7 8 9 10
fo 57 203 383 525 532 408 273 139 45 27 16
fe 54,7 210,5 407,4 525,5 508,4 393,5 253,8 140,3 67,9 29,2 17,1
(b) ¿Cuál es la probabilidad (aproximada) de que por lo menos 10 niños de los muestreados
tengan el virus?
(c) ¿Cuál es la probabilidad (aproximada) de que ninguno de los niños en la muestra
tengan el virus?
60. Los estudios indican que, en promedio, se producen 2 averı́as diarias en las carreteras
urbanas durante las horas “pico” de la tarde. Asumamos que la distribución es de Poisson.
¿Cuál es la probabilidad de que en un dı́a concreto se produzcan (a) menos de tres, (b)
más de cinco averı́as en estas carreteras durante las horas “pico” de la tarde?
61. Suponga que los buses llegan a cierto terminal de transporte, según un proceso de Poisson,
con tasa α = 8 buses por hora, de modo que el número de llegadas por un periodo de t
horas es una variable aleatoria de Poisson con parámetro λ = 8t.
(a) ¿Cuál es la probabilidad de que exactamente 5 buses pequeños lleguen durante un
perı́odo de una hora? ¿Por lo menos 5? ¿A lo más 10?
(b) ¿Cuáles son el valor esperado y la desviación estándar del número de buses que llegan
durante un perı́odo de 90 minutos?
(c) ¿Cuál es la probabilidad de que por lo menos 20 buses lleguen durante un perı́odo de
2 horas y media? ¿De que a lo sumo 10 lleguen durante este perı́odo?
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) ¿Cuál es la función de probabilidad aproximada del número muestreado que dice la
verdad?
(b) Calcule la probabilidad de que a lo más 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 página. Determine
la probabilidad de que en la siguiente página cometa (a) ningún error, (b) por lo menos
cuatro errores.
64. Un fabricante de computadores se preocupa por el mal funcionamiento de cierto programa
estadı́stico en un modelo en particular. El mal funcionamiento puede producir en raras
ocasiones un bloqueo en el sistema operativo. Suponga que la distribución del número de
computadores por año que tienen un mal funcionamiento del paquete estadı́stico es la de
Poisson con λ = 5.
(a) ¿Cuál es la probabilidad de que a lo más dos computadores por año tenga un bloqueo
en el sistema operativo?
(b) ¿Cuál es la probabilidad de que más de un computador por año tenga un bloqueo en
el sistema operativo?
Distribución hipergeométrica
En un experimento hipergeométrico con parámetros n, M y N, como el descrito en la
sección anterior, la variable de interés X es siempre “el número de éxitos obtenidos en
la muestra”. La distribución de probabilidad de X, llamada distibución hipergeométrica,
depende de los parámetros n, M y N y la probabilidad que inicialmente nos interesa es-
tudiar es la de obtener k éxitos 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 fórmula aparece después de analizar el siguiente ejemplo que identifica a un tipo
de experimento hipergeométrico.
(b) Nos piden calcular P(X = 2). Determinemos la cantidad de maneras de escoger una
muestra de tamaño n = 3 que contiene k = 2 bolas negras y n − k = 1 blancas:
• k = 2 bolas negras de un total de M = 4 bolas negras que hay en la caja se
pueden escoger de M 4
k = 2 = 6 formas.
• n − k = 1 bola blanca de un total de N − M = 2 bolas blancas que hay en la
caja se puede escoger de N−M 2
n−k = 1 = 2 formas.
(c) Nos piden calcular P(X = 3). Determinemos la cantidad de maneras de escoger una
muestra de tamaño n = 3 que contiene k = 3 bolas negras y n − k = 0 blancas:
• k = 3 bolas negras de un total de M = 4 bolas negras que hay en la caja se
pueden escoger de M 4
k = 3 = 4 formas.
• n − k = 0 bolas blancas de un total
de N − M = 2 bolas blancas que hay en la
caja se pueden escoger de N−M
n−k = 2
0 = 1 forma.
k P(X=k)
(41) (22) 1
1 =
(63) 5
(42) (21) 3
2 =
(63) 5
(43) (20) 1
3 =
(63) 5
Para generalizar el método que usamos en el ejemplo 3.7.1 (véase la figura 3.14), supong-
amos que una población (en nuestro ejemplo, la caja) contiene N objetos (en nuestro
ejemplo, N = 6 bolas), dentro de los cuales hay M éxitos (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
población (en nuestro ejemplo, n = 3 bolas). Nuestro interés determinar el número de
éxitos escogidos que hay en los n objetos sacados. Ahora,
2. Supongamos que entre los n objetos escogidos hay k éxitos (esto quiere decir que
hay n − k fracasos). Como
• k éxitos
de un total de M éxitos que hay en la población se pueden escoger
de M k formas y
• n − k fracasos de un total
de N − M fracasos que hay en la población se
N−M
puede escoger de n−k formas,
respectivamente, en donde la suma anterior recorre todos los enteros k no negativos que
son menores o iguales que t.
y
3 48 12 3 48 12
48
12
X j 15−j
X j 15−j
P(X ≤ 3) = 60
= 60
= 3
60
12 ≈ 3, 251 × 10−10 .
j=0 15 j=3 15 15
Observemos que la primera suma puede comenzar a evaluarse desde j = 3 (como se observa
12
en la segunda suma) porque el coeficiente 15−j = 0, para todo j = 0, 1, 2. ◭
Ejemplo 3.7.5 Una compañı́a recibe un pedido de 20 artı́culos. Dado que la inspección
de cada artı́culo es cara, se sigue la polı́tica de analizar una muestra de 6 art´’iculos de cada
envı́o (seleccionada sin reemplazo y sin orden), aceptando la remesa si no hay más de un
artı́culo defectuoso en la muestra. ¿Cuál es la probabilidad de que sea aceptado un pedido
con cinco artı́culos defectuosos?
SOLUCION:
Sea X la variable aleatoria que representa al número de artı́culos defectuosos en la muestra
de 5. Entonces,
Por consiguiente, la probabilidad de que sea aceptado un pedido con cinco artı́culos defec-
tuosos es de 0,516. ◭
3.7 La distribución hipergeométrica 53
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 número de resistencias defectuosas.
Construya la función 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 artı́culos. Dado que la inspección de cada artı́culo
es cara, se sigue la polı́tica de analizar una muestra aleatoria de 6 artı́culos de cada envı́o,
aceptando la remesa si no hay más de un artı́culo defectuoso en la muestra. ¿Cuál es la
probabilidad de que sea aceptado un pedido con cinco artı́culos defectuosos?
70. Una empresa recibe un pedido de 1.000 artı́culos. Se analiza una muestra aleatoria de
15 artı́culos y se acepta el pedido si menos de tres resultan defectuosos. ¿Cuál es la
probabilidad de aceptar un envı́o que contenga un 5% de artı́culos defectuosos?
71. El rector de un colegio público está 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 aún no lo es. Al final, el rector aprueba cinco
solicitudes. Si estas cinco solicitudes han sido elegidas aleatoriamente del total, ¿cuál 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. ¿Cuál 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 más 2 manzanas
verdes.
73. Cada uno de los 13 computadores de cierta marca ha sido devuelto a un proveedor de-
bido al mal funcionamiento de ciertos programas bajo un determinado sistema operativo.
Supongamos que 7 de estos 13 tienen problemas con la memoria RAM y los otros 6 tienen
problemas con los ejecutables EXE. Si se examinan al azar y sin reemplazo 6 de estos
computadores, ¿cuál es la probabilidad de que (a) exactamente 3, (b) a lo más 2, (c)
estrictamente entre 2 y 5 computadores tengan problemas con la memoria RAM?
74. En el dı́a de su cumpleaños, un joven recibió 5 discos compactos de música romántica y
4 de música clásica. Después de recibidos todos los discos compactos, los apiló en orden
aleatorio antes de comenzar a escucharlos. Considere los 3 primeros discos compactos que
ha escuchado Brian.
(a) ¿Cuál es la probabilidad de que exactamente 2 de ellos sean de música romántica?
(b) ¿Cuál es la probabilidad de que al menos 2 de ellos sean de música romántica?
(c) ¿Cuáles son el valor medio y la desviación estándar de la cantidad entre los 3, que
sean de música romántica?
(d) ¿Cuáles son el valor medio y la desviación estándar, del número de discos compactos
que no estén entre los 3 primeros y que sean de música romántica?
75. El jefe de personal de cierta empresa entrevista a 9 personas para cinco vacantes. Para
ello ha programado 5 entrevistas para el primer dı́a de entrevistas y 4 para el segundo dı́a.
Suponga que los candidatos son entrevistados al azar.
(a) ¿Cuál es la probabilidad de que k de los mejores cuatro candidatos sean entrevistados
el primer dı́a?
(b) ¿Cuántos de los mejores cuatro candidatos pueden esperar ser entrevistados el primer
dı́a?
3.8 Las distribuciones binomial negativa y geométrica 55
76. Una reunión polı́tica para discutir la aceptación de una reforma social terminó en discusión
debido a que ocho de los polı́ticos que participaron en la reunión estuvieron a favor la
reforma, mientras que los otros cuatro no lo estaban. Suponga que los polı́ticos que
participaron en la reunión salen de la oficina en orden aleatorio y que cada uno de los
cuatro primeros es abordado por un reportero para entrevistarlo.
(a) ¿Cuál es la función de probabilidad del número de los polı́ticos, entre los entrevistados,
a favor de la reforma?
(b) ¿Cuántos a favor de la reforma se espera que sean entrevistados?
77. Se selecciona al azar un comité de 3 personas entre 3 matemáticos y 5 fı́sicos.
(a) Encuentre la función de probabilidad para el número de matemáticos en el comité.
(b) Calcule la probabilidad de que en el comité hayan por lo menos dos fı́sicos.
78. Una señora siembra en el jardı́n de su casa 6 semillas seleccionadas al azar de una caja
que contiene tres semillas de nı́spero y cuatro de zapote. ¿Cuál es la probabilidad de que
entre las 6 semillas hayan dos de nı́spero?
79. Una determinada empresa está interesada en evaluar su procedimiento de inspección actual
en embarques de 50 artı́culos idénticos. El procedimiento es tomar una muestra de cinco
y pasar el embarque si no se encuentra más de dos defectuosos. ¿Qué proporción del 20%
de embarques defectuosos se aceptará?
(BN1) El experimento consta de una serie de experimentos de Bernoulli y que son inde-
pendientes entre sı́.
(BN3) El experimento continúa hasta que un total de r éxitos se haya observado, siendo
r un entero no negativo dado.
es la de obtener k fracasos antes del r-ésimo éxito, la cual simbolizaremos con bn(k; r; p).
Es decir, estaremos interesados en calcular la probabilidad
respectivamente, en donde la suma anterior recorre todos los enteros no negativos que
son menores o iguales que t.
9
Por ejemplo, si r = 6 y k = 13, entonces, debe haber 4 éxitos en los primeros 18 experimentos
y el experimento 19 debe ser 1 éxito.
3.8 Las distribuciones binomial negativa y geométrica 57
Ejemplo 3.8.2 Una pareja desea tener exactamente dos niñas en su familia. Tendrán hijos
hasta que se satisfaga esta condición. Suponiendo que la probabilidad de que el hijo que
nazca varón es igual a 0,5,
(a) ¿cuál es la probabilidad de que la familia tenga k hijos varones?
(b) ¿Cuál es la probabilidad de que la familia tenga 4 hijos?
(c) ¿Cuál es la probabilidad de que la familia tenga a lo más 4 hijos?
SOLUCION:
Sea X la variable aleatoria que representa a “número de varones que nacen antes de que
nazca la segunda hembra”. Es claro ver que X tiene distribución binomial negativa con los
parámetros r = 2 y p = 0, 5.
(b) 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.
Teorema 3.8.3 Si X es una variable aleatoria que tiene distribución binomial ne-
gativa con parámetros r y p, entonces, se cumple que
r(1 − p) r(1 − p)
E(X) = y V(X) = .
p p2
(a) Nos piden calcular la esperanza de X, la cual, por el teorema 3.8.3, está dada por
2(1 − 0, 5)
E(X) = = 2.
0, 5
E(X + 2) = E(X) + 2 = 4.
Distribución geométrica
Como caso especial, la distribución binomial negativa con parámetros r = 1 y p se
conoce con el nombre de distribución geométrica con parámetro p. Como caso particu-
lar de los teoremas 3.8.1 y 3.8.3, con r = 1, tenemos el siguiente teorema:
Ejemplo 3.8.6 Las etiquetas en los frascos de los medicamentos se examinan con un lector
óptico para comprobar que están 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 caracterı́sticas
en el primer ensayo.
(b) Calcule la probabilidad de que el proceso descubra por primera vez una etiqueta mal
adherida en diezmilésima botella.
(c) Encuentre el valor esperado y la desviación estándar del número de etiquetas examinadas
hasta que se encuentra una etiqueta mal adherida.
SOLUCION:
Sea X es la variable aleatoria que representa al número de ensayos realizados antes de encon-
trar la primera etiqueta mal adherida. Dando por sentado que los ensayos son de Bernoulli,
con p := P(éxito) = 0, 0001, empleamos una distribución geométrica. 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 más alta que la
probabilidad de que se encuentre después de 10.000 botellas.
3.8 Las distribuciones binomial negativa y geométrica 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 está mal adherida, tendremos que esperar
un promedio de 10.000 botellas para encontrar una botella con tales caracterı́sticas.
La varianza es
1 − 0, 0001
V(Y) = = 99.990.000.
(0, 0001)2
√
Por lo tanto, la desviación estándar es 99.990.000 = 9.999, 5. ◭
Opciones numéricas
Situándose en el icono de Tabular options (de color amarillo) y pulsando el botón
izquierdo del ratón, el programa ofrece cuatro posibilidades:
se fija pulsando el botón derecho del ratón, escogiendo Pane Options y escribiendo
en la opción Size el valor deseado. A continuación, para generar la serie de números
aleatorios, hay que situarse en el ı́cono Save results (cuarto ı́cono, el que lleva un
dibujo de un diskette) y pulsar el botón izquierdo del ratón. El programa permite
guardar los valores generados (marcando el recuadro bajo el tı́tulo Save con el
botón izquierdo del ratón) 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 tı́tulo target variables y moidificando
el texto mediante el teclado). Se pueden generar muestras secuencialmente con
rapidez sin más que pinchar en el cuarto icono y cambiar el nombre de la variable
(RAND1, RAND2,...).
Opciones gráficas
Las opciones gráficas se seleccionan pulsando el icono Graphical Options (tercer icono,
en el que aparece una gráfica) de la barra de herramientas con el botón izquierdo del
ratón. El programa ofrece cinco posibilidades, a saber:
• Density/Mass Function.
Esta opción crea una gráfica de la función de probabilidad (o de densidad en el
caso continuo) que se está evaluando.
• CDF : Esta opción crea una gráfica de la función de distribucion acumulada que
se está evaluando.
• Log Survivor Function: Esta opción crea una gráfica de la logaritmo de la función
de supervivencia que se está evaluando. La función de supervivencia indica
la probabilidad de obtener un valor mayor o igual a los valores sobre el eje X.
Pane Options, se fija elige el valor de la variable (Random variable) en 6. La solución que
da el programa es 1 − F(6) (Upper tail area) = 0, 627. Es decir, F(6) = 0.373. ◭
✍ Ejercicios complementarios
96. ¿Son las siguientes afirmaciones verdaderas o falsas? Justificar cada respuesta.
(a) Toda variable aleatoria discreta es un número.
(b) Si f es la función 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 función de distribución acumulada de una variable aleatoria X discreta,
entonces, F es una función escalonada
(e) Si X es una variable aleatoria discreta con función de distribución acumulada F, en-
tonces, se cumple que P(3 ≤ X < 5) = F(5) − F(3).
(f) Si X es cualquier varaible aleatoria discreta, entonces, la desviación estándar de la
variable aleatoria X + 2 es diferente a la desviación estándar de X.
(g) Si X es cualquier variable aleatoria discreta y si la variable aleatoria X + 2 tiene
esperanza 1, entonces, la esperanza de X es 3.
Cap. 3. Ejercicios complementarios 63
97. Dos dados no cargados se tiran independientemente. Sea X la variable aleatoria que
representa al máximo número que resulta en ambas caras.
(a) Halle la función de probabilidad f de X.
(b) Halle la función de distribución acumulada F de X y represéntela gráficamente.
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
número de tornillos de cuerda izquierda que se obtienen.
(a) Si la selección es sin reemplazo, construya la función de probabilidad y grafı́quela;
construya la función de distribución acumulada y grafı́quela; calcule la media e in-
terprétela y calcule la varianza. ¿Qué tipo de experimento aleatorio es este? ¿Por
qué?
(b) Si la selección es con reemplazo, construya la función de probabilidad y grafı́quela;
construya la función de distribución acumulada y grafı́quela; calcule la media e in-
terprétela y calcule la varianza. ¿Qué tipo de experimento aleatorio es éste? ¿Por
qué?
99. Una determinada revista, que evalúa la calidad del funcionamiento de computadores
nuevos, reporta regularmente el número de defectos importantes que tiene cada com-
putador en cada examen. Sea X la variable aleatoria que representa al número de defectos
importantes en un computador de cierto tipo seleccionado al azar. Supongamos que la
función de distribución 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.
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 undécima 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 próximo martes y decide llamar por teléfono a los
compañeros que hacen parte del proyecto para preguntarles. Cree que, en cada llamada,
la probabilidad de obtener la información necesaria es 0,30. Decide seguir llamando a sus
compañeros hasta que consiga la información. Sea X la variable aleatoria que representa
el número de llamadas necesarias para obtener la información.
Cap. 3. Ejercicios complementarios 64
102. Sea X la variable aleatoria que representa al número de llamadas telefónicas que recibe
un conmutador durante un intervalo de cinco minutos. Supongamos que X tiene función
de probabilidad
e−3 3x
f(x) = , para x = 0, 1, 2, . . . .
x!
(a) Determine la probabilidad de que X sea igual a 0, 1, 2, 3 y 4.
(b) Grafique la función de probabilidad de X para estos valores de x.
103. Una persona en Alemania puede repetir su examen de conducción tantas veces lo quiera
hasta que lo gane para poder recibir su permiso de conducción. Supongamos que la prob-
abilidad de que una determinada persona en Alemania apruebe su examen de conducción
es 0,7. Determine la probabilidad de que esa persona apruebe el examen de conducción
(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 pérdida de $300.000. ¿Cuál es su ganancia esperada? Interprete su respuesta.
105. Una persona tiene la opción de seleccionar dos temas (la dieta y el asma) para proponer
un reportaje en un periódico local. Si elige el tema la dieta pedirá dos libros por medio
de préstamos entre bibliotecas, pero si selecciona el tema del asma pedirá 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 préstamo entre bibliotecas en realidad llegue a tiempo es 0,9 y los
libros llegan independientemente unos de otros,
(a) ¿cuál tema debe seleccionar la persona para llevar al máximo la probabilidad de hacer
un buen reportaje?
(b) ¿Cuál si la probabilidad de llegada es sólo 0,5 en lugar de 0,9 ?
106. De todos los clientes que compran computadores portátiles, 75% compran uno con 256 MB
de memoria RAM. Sea X el número entre los siguientes 10 compradores que seleccionan
un computador portatil con 256 MB de memoria RAM.
(a) ¿Cuál es la función de probabilidad de X?
(b) ¿Cuál es la probabilidad de que el número entre los siguientes 10 compradores que
seleccionan un computador portatil con 256 MB de memoria RAM sea mayor o igual
que 7? ¿Esté entre 6 y 13 (ambos inclusive)?
(c) Calcule la esperanza y desviación del número 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 portátiles con 256 MB de memoria
RAM y 7 con 300 MB de memoria RAM, ¿cuál es la probabilidad de que todas las
solicitudes de estos 10 clientes puedan satisfacerse con la existencia actual?
107. El número de llamadas telefónicas recibidas en una determinada oficina para formular una
queja es un proceso de Poisson con razón α = 4 por hora.
Cap. 3. Ejercicios complementarios 65
Halle c para que f sea en realidad una función de probabilidad. ¿Es E(X) finita? Justifique
su respuesta.
117. Encuentre la esperanza y varianza de una variable X si ésta se define de modo que
118. Suponga que E(X) = 5 y E(X[X − 1]) = 27, 5. Calcule E(X2 ) y V(X).
⋆ 119. Demuestre que la función de distribución acumulada F de una variable aleatoria discreta
X es una función no decreciente, es decir, si x1 < x2 , entonces, F(x1 ) ≤ F(x2 ). ¿En qué
condición será 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 qué valor
de p es V(X) es máxima? Explique.
⋆ 122. Si X es una variable aleatoria binomial con parámetros n y p, demuestre que E(X) = np
y V(X) = np(1 − p).
⋆ 123. Si X tiene distribución hipergeométrica con parámetros n, M y N, demuestre que E(X) =
M N−n M M
n· N y V(X) = N−1 ·n· N · 1− N .
⋆ 124. Si X tiene distribución de Poisson con parámetro λ, demuestre que E(X) = V(X) = λ.
Respuestas a ejercicios impares
seleccionados
Capı́tulo 3
7. (a) 1/37 (b) 1/31 35. (a) 0,2612736 (b) 0,6561 (c) 0,104
(d) 0,9897462
9. (a) 0,55 (b) 0,70 (c) 0,45 (d) 0,34 (e)
0,70 (f) 0,45 37. (a) 0,10689 (b) 0,295652 (c) 9,5128
×10−7 (d) 0,6637
11. (b) f(k) = k2 2−k
3
/10, con
39. (b) 0,6528 (c) 0,92224 (d) 2; 1,2
k = 0, 1, 2
41. No
13. (a) 0,47 (b) 0,70 (d) 0,41 (e) 0,31
43. (a) 0,984 (b) 0 (c) 0,075 (d) 0,358
15. (c) 15/28 (d) 45/56 (e) 1; 0,9746
17. f(k) = (k − 1)(0, 05)k−2 (0, 95)2 , para 45. (a) 0,127 (b) 0,463 (c) 0,91
k = 2, 3, 4, 5, . . . 47. (a) 0,9891 (b) 0,5798
19. (c) 1,93; 2,6830 49. (a) 0,02857 (b) 0,0767
51. 0,834
21. (a) 25,55; 669,75; 16,9472 (b) 380,25;
254,208 (c) 644,2 53. (a) 0,070 (b) 0,033 (c) 0,93 (d) 0,177
(e) 0,036
23. 1
55. (a) 0,195 (b) 0,352 (c) 0,982 (d)
25. $2.430.451 0,238
27. (c) 0,72 (d) 2,21; 1,235 57. (a) 0,168 (b) 0,392 (c) 0,647 (d)
0,353
29. (c) 0,66 (d) 9,33; 2,0152 (e) 1.981,34
59. (a) 10; 3,16227 (b) 0,542 (c) 0
pesos
61. (a) 0,091; 0,90; 0,283 (b) 12; 3,464
31. 27,5; 56,25 (c) 0,53; 0,011
33. 8; 60,7 63. (a) 0,1429 (b) 0,1353
Respuestas a ejercicios impares seleccionados 68
Factor de corrección
por población finita, 53
Función de
distribución acumulada, 10
probabilidad, 7
riesgo, 61
supervivencia, 61
Media
de una función, 21
de una variable aleatoria, 18