CLASE VIRTUAL 1

MANUEL GONZÁLEZ SARABIA

MANUEL GONZÁLEZ SARABIA CLASE VIRTUAL 1

DISTRIBUCIÓN DE POISSON.

Se quedó pendiente un inciso del siguiente problema:

Solución: Sea Z el número de buques devueltos diariamente. entonces:

P (Z = 0) = P (N ≤ 3) = 0,857123, P (Z = 1) = P (N = 4) = 0,090223,
P (Z = 2) = P (N = 5) = 0,036089, etcétera. Notemos que P (Z = k) =
P (N = 3 + k) para todo k ≥ 1. Luego,
∞ ∞
X X e−2 · 23+k
E(z) = k · P (N = 3 + k) = k· .
k=1 k=1
(3 + k)!

Haciendo u = 3 + k:
∞ ∞ ∞
−2
X (u − 3)2u −2
X 2u−1 −2
X 2u
E(z) = e = 2e − 3e .
u=4
u! u=4
(u − 1)! u=4
u!

Pero: ∞ ∞
2
X 2u 8 X 2u
e = =1+2+2+ + .
u=0
u! 6 u=4 u!
Por lo tanto:
 
−2 2 −2 2 19 9
E(z) = 2e (e − 5) − 3e e − = − 1.
3 e2

GRUPO 2MM4 1 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA CLASE VIRTUAL 1

DISTRIBUCIÓN GEOMÉTRICA.

Supongamos que un experimento se repite hasta que ocurre el primer

éxito. Se supone que la probabilidad de éxito (p) es constante y que las
repeticiones son independientes. En este caso la variable X cuenta el número
de repeticiones hasta que ocurre el primer éxito. Entonces es claro que:

P (X = k) = q k−1 p para k ≥ 1,

donde q = 1 − p es la probabilidad de fracaso.

Teorema 1 Si X tiene una distribución geométrica entonces

1 2 q
E(x) = y σX = .
p p2

Demostración.Valor esperado:
∞ ∞ ∞  
X
k−1
X d k
d X k d q
E(x) = kq p=p q =p q =p
k=1 k=1
dq dq k=1
dq 1 − q

 
(1 − q) − q(−1) p 1
=p = = .
(1 − q)2 p 2 p

Varianza: Sabemos que:

2
σX = E(x2 ) − (E(x))2 .

y:
∞ ∞ ∞   
2
X
2 k−1
X d k X d d k+1 k
E(x ) = k q p=p k (q ) = p q −q =
k=1 k=1
dq k=1
dq dq

d2
 2   
q d q
=p 2 −p .
dq 1 − q dq 1 − q

Pero  2 
d q (1 − q)2q + q 2 2q − q 2
= = .
dq 1 − q (1 − q)2 (1 − q)2

GRUPO 2MM4 2 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA CLASE VIRTUAL 1

y:
d2
 2 
q (1 − q)2 (2 − 2q) + (2q − q 2 )2(1 − q)
=
dq 2 1 − q (1 − q)4
2(1 − q)3 + 2(2q − q 2 )2(1 − q)
=
(1 − q)4
2(1 − q)2 + 2(2q − q 2 )
=
(1 − q)3
2 − 4q + 2q 2 + 4q − 2q 2 2
= =
(1 − q)3 (1 − q)3
Además:  
d q 1−q+q 1
= 2
=
dq 1 − q (1 − q) (1 − q)2
Por lo tanto:
2p p 2 1 2−p 1+q
E(x2 ) = 3
− 2
= 2− = 2
= .
(1 − q) (1 − q) p p p p2
Concluimos que:
2 1+q 1 q
σX = 2
− 2 = 2.
p p p

Ejemplo 2 Supongamos que un alumno presenta un examen hasta que aprue-

ba. Si la probabilidad de que apruebe es de 0.64, encuentra:
1. La probabilidad de que necesite por lo menos 4 intentos para aprobar.
2. La probabilidad de que necesite más de uno y hasta tres intentos para
aprobar.
Para el primer inciso el proceso es:
P (X ≥ 4) = 1 − [P (X = 1) + P (X = 2) + P (X = 3)]

= 1 − [0,64 + (0,36)(0,64) + (0,36)2 (0,64)] = 0,046656

Para el caso del segundo inciso el proceso es:
P (1 < X ≤ 3) = P (X = 2) + P (X = 3)

(0,36)(0,64) + (0,36)2 (0,64) = 0,313344.

GRUPO 2MM4 3 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA CLASE VIRTUAL 1

Ejemplo 3 Si X tiene una distribución geométrica entonces, si s y t son

enteros positivos cualquiera, demuestra que:

P (X ≥ s + t | X > s) = P (X ≥ t).

Justificación:
P (X ≥ s + t y X > s)
P (X ≥ s + t | X > s) =
P (X > s)

P (X ≥ s + t) q s+t−1 p + q s+t p + · · ·
= =
P (X > s) q s p + q s+1 p + · · ·

h i
s+t−1 1
q p 1−q
= h i = q t−1 .
1
qsp 1−q

Además:
 
t−1 t t−1 1
P (X ≥ t) = q p + q p + ··· = q p = q t−1 ,
1−q
y el resultado se concluye.

DISTRIBUCIÓN BINOMIAL NEGATIVA (DE PASCAL).

En este caso un experimento se repite hasta que se obtiene el r–ésimo

éxito. Se supone que las repeticiones son independientes y que la probabilidad
de éxito (p) es constante. X cuenta el número de repeticiones hasta que ocurre
el r–ésimo éxito. En el caso r = 1 obtenemos la distribución geométrica. Es
fácil ver que:
 
k − 1 r k−r
P (X = k) = pq para k ≥ r.
r−1
Teorema 4 Si X tiene una distribución binomial negativa, entonces:
r 2 rq
E(x) = , σX = .
p p2

GRUPO 2MM4 4 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA CLASE VIRTUAL 1

Demostración.Sean Y1 el número de repeticiones necesarias hasta ob-

tener el primer éxito, Y2 el número de repeticiones después del primer éxito y
hasta el segundo éxito, y ası́ sucesivamente hasta Yr el número de repeticio-
nes después del r − 1–ésimo éxito y hasta el r–ésimo éxito. Luego,
P Y1 , . . . , Y r
son variables independientes con distribución geométrica y X = ri=1 Yi . Por
tanto: r
X r
E(X) = E(Yi ) = ,
i=1
p
y
r
2
X rq
σX = σY2i = .
i=1
p2

Ejercicio 5 Supongamos que un experimento se repite 40 veces, que las re-

peticiones son independientes, y que la probabilidad de éxito es de 0.16. Si X
cuenta el número de éxitos en estas 40 repeticiones, calcula P (X ≥ 9). Sea
Y la variable que cuenta el número de repeticiones hasta que han ocurrido 9
éxitos. Calcula P (Y ≤ 40). ¿Qué relación hay entre
P (X ≥ 9) y P (Y ≤ 40)?
Generaliza el resultado anterior: Sea X una variable que tiene una distri-
bución binomial con parámetros n y p. Sea Y una variable con distribución
binomial negativa con parámetros r y p. ¿Qué relación hay entre
P (X ≥ r) y P (Y ≤ n)?

Ejemplo 6 La probabilidad de un lanzamiento exitoso es igual a 0.8. Supon-

gamos que se hacen lanzamientos hasta que han ocurrido tres lanzamientos
exitosos. Supongamos que cada uno de los ensayos de lanzamiento cuesta $
5, 000. Además, un lanzamiento que fracase produce un costo adicional de $
500. Calcula el costo esperado.

Solución: Sea X el número de ensayos necesarios para tener tres éxitos y

C el costo total. Entonces:
X C P(C)

2
3 15,000 P (X = 3) = (0,8)3 (0,2)0
2
4 20,500 P (X = 4) = 3 (0,8)3 (0,2)1
2
5 26,000 P (X = 5) = 4 (0,8)3 (0,2)2
2
6 31,500 P (X = 6) = 5 2
(0,8)3 (0,2)3

GRUPO 2MM4 5 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA CLASE VIRTUAL 1

Notemos que entonces:

∞  
X k+2
E(C) = [15000 + 5500k] (0,8)3 (0,2)k
k=0
2
∞ ∞
X (k + 2)(k + 1) X k(k + 1)(k + 2)
= 7680 (0,2)k + 2816 (0,2)k .
k=0
2 k=0
2

Pero:
∞ ∞
1 X d2 k+2 1 d2
 2 
X (k + 2)(k + 1) k x 1
x = 2
(x ) = 2
= .
k=0
2 2 k=0 dx 2 dx 1 − x (1 − x)3

Por tanto, si x = 0,2:

∞
X (k + 2)(k + 1) 7680
7680 (0,2)k = = 15000.
k=0
2 (0,8)3

Análogamente:
∞ ∞
1 X d3 k+2 1 d3
 2 
X k(k + 1)(k + 2) k x
x = x 3x = x 3
k=0
2 2 k=0 dx 2 dx 1 − x

3x
= .
(1 − x)4

Por tanto, si x = 0,2,

∞  
X k(k + 1)(k + 2) k 0,6
2816 (0,2) = 2816 = 4125,
k=0
2 (0,8)4

por lo que:
E(C) = 15000 + 4125 = 19125.

GRUPO 2MM4 6 UPIITA, IPN

MANUEL GONZÁLEZ SARABIA CLASE VIRTUAL 1

DISTRIBUCIÓN HIPERGEOMÉTRICA.

Si tenemos una población de tamaño N (en la cuál hay r éxitos) de la

cuál seleccionamos una muestra de n elementos sin reposición y X denota el
número de éxitos en la muestra, entonces:
r

N −r

k
· n−k
P (X = k) = N

.
n

Decimos que en este caso X tiene una distribución hipergeométrica.

r
Ejercicio 7 Si X tiene una distribución hipergeométrica y p = N
, q = 1 − p,
entonces:  
2 N −n
E(x) = np y σX = npq ,
N −1
con q = 1 − p.

Ejemplo 8 Una escuela tiene 140 profesores de los cuáles 77 tienen docto-
rado. Si se toma una muestra de 19 profesores, encuentra la probabilidad de
que:
1. Cuando mucho dos tengan doctorado.
2. Más de 5 tengan doctorado.
Solución: En este caso, éxito es que tenga doctorado y X cuenta el número
de éxitos en la muestra. Para el primer inciso:
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)

77 63 77 63 77 63







0
· 19 1
· 18 2
· 17
= 140

+ 140

+ 140


19 19 19

= 0,00002318
Para el caso del segundo inciso el proceso es:
5
X
P (X > 5) = 1 − P (X = i) = 0,993169.
i=0

GRUPO 2MM4 7 UPIITA, IPN