Unidad Nª 9

Variables Aleatorias y Distribuciones de Probabilidad Discretas

Contenido:
Introducción
9.1 Concepto de variable aleatoria.
9.2 Definición de distribución de probabilidad discreta.
9.3 Valor esperado o media de una variable aleatoria discreta.
9.4 Varianza y desviación estándar de una variable aleatoria.
9.5 Técnicas de conteo.
9.6 Función de probabilidad.
9.7 La distribución Binomial.
9.8 Ejercicios propuestos.

Bibliografía: Introducción a la Estadística. Sheldon M. Ross. Editorial REVERTÉ. Capítulo

5. (Consultar en Google Books)

Introducción:
Uno de los problemas que se encuentran al calcular probabilidades está relacionado con
aquellas situaciones en las que existe un número muy grande de resultados posibles, en el
experimento. Por ejemplo:
Si un experimento aleatorio consiste en lanzar al aire una moneda, una vez, entonces
1
n( S )= 2 =2.
Si un experimento aleatorio consiste en lanzar al aire una moneda, dos veces, entonces
2
n( S )= 2 =4 .
Si un experimento aleatorio consiste en lanzar al aire una moneda, tres veces, entonces
3
n( S )= 2 =8 .
Si un experimento aleatorio consiste en lanzar al aire una moneda, cuatro veces, entonces
4
n( S )= 2 =16 .
Si un experimento aleatorio consiste en lanzar al aire una moneda, cinco veces, entonces
5
n( S )= 2 =32 .
Si un experimento aleatorio consiste en lanzar al aire una moneda, 15 veces, entonces
5
n( S )=2 =32 .
15
η( S )=2 =32 .768 . Ahora, si se desea determinar en cuántos de estos resultados cae
cara hacia arriba, es muy difícil.
La Solución a este problema consiste en utilizar el método de Variables aleatorias y
Distribuciones de probabilidad.

9.1 Variables Aleatorias y Clase de Variables Aleatorias:

 Variable aleatoria:
Una variable aleatoria es aquella cuyos valores son números asociados a los resultados de
un experimento aleatorio. Las variables aleatorias se representan mediante los símbolos
X ,Y ,T ,Z.
Las variables aleatorias se clasifican en: Variables aleatorias discretas y variables aleatorias
continuas:
 Las variables aleatorias discretas:
Son aquellas que por naturaleza solamente aceptan valores enteros. Cuando una
variable aleatoria es tipo discreto, existe la probabilidad de que esta tome un valor
exacto. Es decir, P( X=a)≠0
 Las variables aleatorias continuas:
 Son aquellas que toman cualquier valor dentro de un intervalo real. Es decir, si a y
b son dos números reales, la probabilidad de que X se encuentre dentro del
intervalo a,b existe. Es decir, P(a≤X≤b)≠0

9.2 Definición de Distribución de probabilidad discreta:

 Si X es una variable aleatoria discreta que puede asumir los valores
x , x , x , . .. , x , con probabilidades asociadas,
1 2 3 k

P( X= x ) , P( X = x ) , P( X= x ) ,. . ., P( X = x ) , entonces el conjunto cuyos

1 2 3 k

elementos son pares ordenados ( x , P( X = x ) para i=1,2,3,...,k , se le

i i

denomina distribución de probabilidad de X .

Para comprensión de lo que es una distribución de probabilidad discreta, ésta se presenta, en

una tabla la siguiente estructura:

x i P( X =x) i

x 1 P( X= x ) 1

x 2 P( X= x ) 2

x 3 P( X= x ) 3

x k P( X= x k

Suma 1,000

Análisis de una distribución de probabilidad:

En una distribución de probabilidad interesa conocer tres aspectos:
 Tendencia central.
 Grado de variación o dispersión.
 Forma funcional (Forma gráfica)

9.3 Valor esperado o Media de una distribución de probabilidad:

 Valor Esperado o Media de una distribución de probabilidad, por definición, es igual al
valor que tiene la mayor probabilidad de ocurrir. El símbolo de valor esperado es

E( X )= . μ x

 Si X es una variable aleatoria discreta con función de probabilidad bien definida,

entonces, el valor esperado o Media, se calcula con la siguiente fórmula:

μ x
E( X )= x = 1∗P( X = 1 )+ 2∗P( X= 2 )+ x x x x ∗P( X = x )+. ..+ x ∗P( X = x )
3 3 k k
Como caso especial de valor esperado se tiene que:
2 2 2 2 2
E( X )= x ∗P( X= x )+ x ∗P( X= x )+ x ∗P( X= x
1 1 2 2 3 3 )+. . .+ x ∗P( X= x
k k)

9.4 Varianza y Desviación estándar de una distribución de probabilidad:

 Si X es una variable aleatoria discreta con función de probabilidad bien definida,
2

entonces, la varianza de X , denotada con σ , es igual a:

 2 2
X )− μ
2

( E( X ) )
2 2
σ x =E( X )− =E ( x

Desviación estándar de una variable aleatoria:

 La desviación estándar de un conjunto de datos se define como la raíz cuadrada de la

2

varianza. Es decir: x . σ x= √σ
Para interpretar el valor de la desviación estándar, se recomienda convertirá en el

C.V=
σ x
∗100

Coeficiente de variación C .V , mediante la fórmula: μ x , y luego

emplear los criterios propuestos en la Estadística descriptiva.

Ejemplo 1:
Suponga que un experimento aleatorio consiste en lanzar al aire una moneda tres veces y
registrar el resultado del lado superior. Suponga además, que X es la variable aleatoria que
representa el número de caras al juagar la moneda tres veces.

Se pide:
a) Construir la distribución probabilística de X .
b) Calcular el valor esperados de X . ¿Qué indica este valor?
c) Calcule la varianza y la desviación estándar X . ¿Qué indica este valor?
d) Represente gráficamente la distribución probabilística de X .

Solución:
a) Distribución probabilística de X
Sabemos que el número de resultados posibles resultados que se obtienen al juagar una
moneda tres es igual a: η( S )=2∗2∗2=8. Dichos resultados se resumen en el siguiente
conjunto:
S={ccc , ccs,csc, scc , css, scs , ssc , sss}

Si X es la variable aleatoria que representa el número de caras en el juego con la moneda,

entonces, los valores posibles valores x i de esta variable son: x =0 , 1 x =1 ,

2

x =2 ,
3 x =3 .
4

Como cada valor de la variable representa un evento, a cada uno de ellos, se les puede asignar
1 3
=0 ,125 P( X=1)= =0 , 375 ,
una probabilidad, así: P(X=0)= 8 , 8
3 1
P( X=2)= =0 , 375 , P( X=3)= =0 ,125 .
8 y 8

Estos resultados se resumen en la siguiente tabla, denominada distribución de probabilidad de

X :

Nº de caras ( Probabilidad P(X=

 x i ) x i )

0 P(X=0)=0,125

1 P(X=1)=0,375

2 P(X=2)=0,375

3 P(X=3)=0,125

Sumas 1,000

b) Valor esperado o media de X

E( X )= μ =0∗0 ,125+1∗0 , 375+2∗0 ,375+2∗0 , 125=1,5
x Caras.

Este resultado indica que el número de caras más probable al jugar con tres monedas, lo más
probable que ocurra se obtengan entre 1 y 2 caras.

c) Varianza y Desviación estándar de X

2

Ante de calcular la varianza debemos determinar el valor E( X ) .

2 2 2 2 2
E( X )=0 ∗0 ,125+1 ∗0 ,375+2 ∗0 ,375+3 ∗0 ,125=3
La varianza es igual a:
2 2 2
( X )− μ 1,5 =0 ,75
2

( E( X ) )
2 2
σ x =E( X )− =E x =3−

La desviación estándar es igual a:

σ x= √ 0 , 75 =0,866.

Para interpretar este valor, convertimos la desviación estándar en un coeficiente de variación,

0 ,866
C.V= ∗100=57 ,7 %
así, 1,5 . Este resultado indica que existe un alto grado de
variación en los datos.

d) Representación gráfica de la distribución.

 Poligono de probabilidades
0.4
0.35
0.3
0.25

Axis Title
0.2
0.15
0.1
0.05
0
0 caras 1 cara 2 caras 3 caras
µ=1,5

Ejemplo 2:
Un concesionario de automóviles calcula la proporción (probabilidad)de automóviles nuevos
vendidos que han sido devueltos varias veces para repararles algún defecto durante el periodo
de garantía. Los resultados se presentan en la siguiente Tabla:

Número de devoluciones 0 1 2 3 4
Proporción o Probabilidad 0,30 0,35 0,20 0,10 0,05

a) Dibuje la distribución de probabilidad.

b) Calcule la probabilidad que un automóvil haya sido devuelto, a lo sumo 2 veces, para
repararle algún defecto durante el periodo de garantía.
c) Calcule la varianza y la desviación estándar de esta distribución. ¿Que indica el valor de
la desviación estándar?

a) Representación gráfica:

Poligono de probabilidades
0.35
0.30
Probabilidad

0.20

0.10
0.05

0 veces 1 Vez 2 veces 3 veces 4 veces

Número devoluciones

b) Valor esperado:

E( X )= μ =0∗0 ,30+ 1∗0 , 35+2∗0 ,20+ 3∗0 , 10+ 4∗0 , 05=1 , 25

x Devoluciones.
2 2 2 2 2 2
E( X )=0 ∗0 ,30+ 1 ∗0 ,35+ 2 ∗0 ,20+ 3 ∗0 , 10+ 4 ∗0 , 05=2 , 85
c) Varianza:
 2 2 2 2
σ =E ( X )− μ =2 ,85−1 ,25 =2 , 85−1 , 56=1 , 29.
x
La desviación estándar es igual a:

σ x= √ 1 ,29=1 ,135 .

9.5 Técnicas de conteo:

Antes de estudiar el concepto de Función de Probabilidad, quiero presentar algunas técnicas
útiles para contar el número de resultados posibles, que existen en la ejecución de un
experimento aleatorio o prueba al zar. Dichas técnicas son: Números factorial, Permutaciones y
Combinaciones.

 Número factorial:
 Sí n , es un número entero y positivo, entonces, el producto de todos los números

enteros desde 1 hasta n , se conoce como n factorial y se escribe n!

Es decir:

n !=1∗2∗3∗. ..∗(n−2)∗(n−1)∗(n )
Ejemplo 3:

1!=1
2!=1∗2=2
3 !=1∗2∗3=6
4 !=1∗2∗3∗4=24
5 !=1∗2∗3∗4∗5=120
0!=1 , por definición.

Para realizar este cálculo con Excel, proceda de la siguiente manera:

 Abra la hoja electrónica Excel.

 De click sobre la ventana x . f

 Selecciones del menú FACT y de Click sobre aceptar.

 Registre el valor de n!.

 De click sobre la ventana Aceptar. Este es el resultado.

 Permutaciones:
Un segundo método para determinar el número de resultados posibles que existen en un
experimento aleatorio, son las permutaciones.

 Una permutación es un subconjunto de r elementos escogidos al azar entre n ,

de tal manera que el orden en que aparecen los r elementos, tiene importancia en
los resultados.
 El número de permutaciones se determina mediante la siguiente fórmula:

n P = ( n−r
r
n!
)!
Ejemplo 4:

Calcular:

a)
6 P = ( 6−3
3
6!
=
720 720
) ! 3! = 6 =120

b)
10 P =10! 4
10 ! 3628800
( 10−4 ) ! 6 ! =720
= =5040

c)
5 P = ( 5−2
2
5!
=
120 120
) ! 3 ! = 6 =20

Ejemplo 5:
Un conferencista dispone de ocho temas sobre los que puede disertar. Se la pide que presente
una serie de cinco conferencias ante un grupo de personas, de manera el orden en que
presenta las conferencias sea importante. ¿De cuantas formas puede organizar su disertación?

Solución:

Como se trata de una organización de los cinco temas que se va a presentar, se está ante un
caso de permutación de n=8 y r=5 . En consecuencia, el número total de formas cómo
el conferencista puede organizar su disertación es:

8 P = 8!3! =40320
5 6 =6720
 Combinaciones
Un tercer método para determinar el número de resultados posibles que existen en un
experimento son las combinaciones.

 Una combinación es un subconjunto de r elementos escogidos al azar entre n ,

de tal manera que el orden en que aparecen los r elementos no tiene importancia
en los resultados.

El número de combinaciones se determina mediante la siguiente fórmula:

n C = r !* (nn−r
r
!
)!
Ejemplo 6:

Calcular:

a)
5 C = 2!*(5−2)!
2
5! 5 ! 120
= 2 !*3! =12 =10

b)
10 C =102!*(10−2
!
2 =
10!
=
3628800
)! 2 !*8 ! 80640 =45
Para realizar este cálculo con Excel de n C r , se proceda de la siguiente manera:

 Abra la hoja electrónica Excel.

 De click sobre la ventana x . f

 Selecciones del menú COMBINAT y de Click sobre ventana Aceptar.
 Registre en la ventana Número el valor de n , y en la ventana tamaño r .
 De click sobre la ventana Aceptar. Este es el resultado.

Ejemplo 7:
Una empresa manufacturera cuenta con ocho tornos para la producción; pero sólo dispone de
tres espacios disponibles en el área de producción para las máquinas. ¿De cuántas maneras se
pueden distribuir los ocho tornos en los tres espacios disponibles?

Solución:
Como se trata de distribuir 8 tornos en los tres espacios disponibles, entonces estamos ante un
caso de una combinación de n=8 y r=3 . En consecuencia, el número total de formas

cómo puede distribuir los ocho tornos en los es0pacios disponibles es igual a: 8 C =563

9.6 Función de Probabilidad:

 Si X es una variable aleatoria discreta que puede asumir los valores
x , x , x , . .. , x
1 2 3 k , entonces la función de probabilidad de X, denotada con
f (x ) es una fórmula que a cada valor de la variable le asigna una probabilidad. Es
decir, f (x )=P( X =x )

La manera como se presentan las funciones de probabilidad es la siguiente:

Sea X una variable aleatoria discreta que toma los valores: x , x x ,. .. . ., x

1 2 3 k ,
de manera que su función de probabilidad es la siguiente:

f (x )=P( X =x )= Para =

x , x , x , . .. , x
1 2 3 k

Ejemplo 3:
Suponga que X es la variable aleatoria que representa el número de hijos de una familia
escogida al azar, entres las familias de los estudiantes de Ciencias económicas de esta
universidad. Suponga además que la función de probabilidad de X es la siguiente:

f (x )=P( X =x )= 5−x Para x=1,2,3,4

10

Se pide:
a) Construir la distribución de probabilidad de X .
b) Calcular el valor esperado de esta distribución.
c) Calcular la varianza
d) La desviación estándar de la X

Solución:

a) La distribución de probabilidad de esta contenida en la siguiente tabla:

Número de 5−x
hijos P( X= x )=f ( x )=
10
x i

5−1 4
1 P( X=1)=f (1)= = =0 , 40
10 10
5−2 3
2 P( X=2)=f (2)= = =0 ,30
10 10
5−3 2
3 P( X=3)=f (3 )= = =0 , 20
10 10
5−4 1
4 P( X=4 )=f (4 )= = =0 , 10
10 10
Suma 1,0
b) Valor esperado de X
E ( X )= μ =1∗0 , 40+2∗0 ,30+3∗0 , 20+ 4∗0 ,10=2 hijos
x
2 2 2 2 2
E ( X )=1 ∗0 , 40+ 2 ∗0 ,30+ 3 ∗0 , 20+ 4 ∗0 , 10=5
2 2 2 2

c)
σ x =E ( X )−( E( X ) ) =5−2 =1,0

d) σ x= √ 1,0=1,0 hijos

Ejemplo 9:
Se realiza un experimento aleatorio que consiste en lanzar al aire una moneda cuatro
veces, una tras otra.
Suponga que X es la variable aleatoria que representa el número de caras en los
cuatro lanzamientos de la moneda. Suponga además que la función de probabilidad de
X es la siguiente:

f ( x )= P ( X = x )=
4 C x
16 Para x=0,1,2,3,4
Se pide:
a) Encontrar la distribución de probabilidad de X .
b) Determinar la probabilidad de que exactamente en tres lanzamientos se obtenga
cara.
c) Determinar la probabilidad de que a lo sumo en tres lanzamientos se obtenga cara.
d) Determine la probabilidad de que en por lo menos en tres lanzamientos se obtenga
cara.
e) Calcule el valor esperado de X
 f) Calcule la varianza y la desviación del número de caras en los cuatro lanzamientos de
la moneda.
g) Construya el polígono de probabilidades que representa ésta distribución de
probabilidad.

Solución:
Suponga que X es la variable aleatoria que representa el número de caras en los
cuatro lanzamientos de la moneda. Suponga además que la función de probabilidad de
X es la siguiente:

f ( x )=P( X = x )=
4 C x
16 Para x=0,1,2,3,4
a) La distribución de probabilidad de X , se muestra en la siguiente Tabla:

Nº
Caras
f ( x )=P( X = x )=
4 C x

x i
16

0
f ( 0)=P ( X=0 )=
4 C 0
=
1
=0 , 0625
16 16

1
f (1 )=P( X =1)=
4 C 1
=
4
=0 , 2500
16 16

2
f (2 )=P( X =2)=
4 C 2
=
6
=0 ,375
16 16

3
f (3 )=P( X=3 )=
4 C 3
=
4
=0 , 2500
16 16

4
f ( 4 )=P( X =4 )=
4 C 4
=
1
=0 , 0625
16 16

Suma 1,0000

b) La probabilidad que exactamente en tres lanzamientos se obtenga cara, es igual a:

f (3 )=P( X=3 )=
4 C 3
=
4
=0 , 2500
16 16
c) Determine la probabilidad de que a lo sumo en tres lanzamientos se obtenga cara.
P( X≤3)=P ( X=0 )+P( X =1)+P( X =2)+ P( X =3 )=0 , 0625+0 , 25+0 , 375+0 , 25=0 , 9375
d) Determine la probabilidad de que en por lo menos en tres lanzamientos se obtenga
cara.
P( X≥3)=P ( X=3 )+P( X =4 )=0 ,25+ 0 ,0625=0 , 3125
e) Calcule el valor esperado de X
E( X )= μ =0∗0 , 0625+ 1∗0 , 25+2∗0 ,375+ 3∗0 ,25+ 4∗0 , 0625=2,0 caras
x
2 2 2 2 2 2
E ( X )= 0 ∗0 , 0625+1 ∗0 , 25+2 ∗0 , 375+3 ∗0 , 25+ 4 ∗0 , 0625=5,0
 f) Calcule la varianza y la desviación del número de caras en los cuatro lanzamientos de la
moneda.
2 2 2 2
σ =E ( X )−( E( X ) ) =5−2 =1,0
x

σ =√ 1,0=1,0
x

g) Construya el polígono de probabilidades que representa ésta distribución de

probabilidad.

Polígono de Probabilidad
0.4000
0.3500
0.3000
0.2500
Probabilidad

0.2000
0.1500
0.1000
0.0500
0.0000
0 caras 1 cara 2 caras 3 caras 4 caras
Nº caras

9.7 LA DISTRIBUCIÓN BINOMIAL

 Prueba de Bernoulli:
Una prueba de Bernoulli es aquella en la que los resultados se pueden clasificar en dos
únicas categorías, “Éxito” o “Fracaso”, y que p es la probabilidad de éxito en cada
prueba. La probabilidad de fracaso en cada prueba es (1− p) .

 Variable aleatoria binomial:

Supongamos que un experimento aleatorio consiste es repetir n una prueba de Bernoulli,
en forma independiente. Supongamos, además, que X es la variable aleatoria que
representa el número de éxitos en el experimento. Entonces, los posibles valores de X

son: x =0,1,2,3 , .. . ,n
i

 Función de probabilidad binomial:

La función de probabilidad de la variable aleatoria binomial X , que se utiliza para
calcular la probabilidad de obtener x éxitos en el experimento, es la siguiente:
x n− x
f ( x )=P( X =x )=n C ∗ p ∗( 1− p )
x
Para: x=0,1,2,...,n
Donde:
 P( X= x )
= Probabilidad de obtener exactamente x éxitos en n
repeticiones de una prueba de Bernoulli.

 n = Número de repeticiones de la prueba de Bernoulli.


n C = x!*(n−x
x
n!
)! = Número de maneras de obtener exactamente x éxitos
en n repeticiones de la prueba de Bernoulli.
  p = Probabilidad de éxito en cualquier repetición de la prueba de Bernoulli.
x

 p = Probabilidad total de éxitos.

 ( n− x ) = Número de fracasos en n repeticiones de la prueba de Bernoulli.

 ( 1− p ) = Probabilidad de fracaso en cualquier repetición de la prueba.

n− x


( 1− p ) = Probabilidad total de fracasos

 Los parámetros de la Distribución Binomial

Los parámetros de la distribución Binomial son: n y p .
Cundo deseamos indicar que X sigue distribución binomial con parámetros n y
p , lo expresamos de la siguiente manera: X ~ b(n; p)
Por ejemplo 10:

Sí X ~ b(3;0,2) , se pide:

a) Escribir la función de probabilidad general de esta Variable.

b) Encuentre la distribución probabilística de X .

Solución:

a) La función de probabilidad de X , es:

x 3−x
f ( x )=P( X =x )=3 C ∗( 0,2 ) ∗( 0,8 )
x
Para x=0,1,2,3

b) Distribución de probabilidad de X .

x
x 3−x
i C ∗( 0,2 ) ∗( 0,8 )
f ( x )=P( X =x )=3 x
0 3

0 f ( 0)=P ( X=0 )= C ∗( 0,2 ) ∗( 0,8 ) =1∗1∗0 ,512=0 , 512

3 0
1 2 1 2

1 f (1 )=P( X =1)= C ∗( 0,2 ) ∗( 0,8 ) =3∗( 0,2 ) ∗( 0,8 ) =3∗0,2∗0. 64=0 , 384
3 1
2 1

2 f (2 )=P( X =2)= C ∗( 0,2 ) ∗( 0,8 )

3 2
=3*0,04*0,8=0,096
3 0

3 f ( x )=P( X =x )= C ∗ ( 0,2 ) ∗( 0,8 ) =1∗0 , 008∗1=0 , 008

3 3
=0,008
Suma 1,000

 Valor esperado, Varianza y Desviación estándar de la distribución binomial:

Si X es una variable aleatoria que sigue una distribución binomial con parámetros n y
p , entonces:

 E( X )= μ =n∗ p
x
 2

 σ x =n∗ p∗( 1− p )

 σ x= √ n∗p∗( 1− p)

Ejemplo 11:

Sí X ~ b(10;0,4) , entonces:

E( X )=
2
μ =10∗0,4= 4
x

σ x =n∗ p∗( 1− p )=10∗0,4∗0,6=2,4

σ x= √ n∗p∗( 1− p)=√ 10∗0,4∗0,6=√ 2,4=1 ,55

 Usos de la distribución binomial:

La distribución binomial se usa para calcular probabilidades de éxitos en muestras escogidas
al azar de una Población infinita.

Ejemplo 12:

Por experiencia se sabe que el 10% de los fusibles producidos por una Compañía son
defectuosos. Si se selecciona al azar una muestra de 12 fusibles,

a) Escriba la función de probabilidad de X que representa el número de fusible

defectuosos en la muestra.
b) Calcule la probabilidad que ninguno de los 12, sea defectuoso.
c) Calcule la probabilidad que uno de los 12, sea defectuoso.
d) Calcule la probabilidad que dos de los 12, sean defectuosos.
e) Calcule la probabilidad que dos o menos de los fusibles seleccionados sean defectuosos.

Solución:

Sean:
n=12 fusibles, tamaño de la muestra.
p=0,10 probabilidad de que un fusible escogido al azar se defectuoso. Probabilidad de
Éxito.
X = Número de fusibles defectuosos en la muestra.
La distribución teórica de X ~ b(12;0,1)
a) Función de probabilidad de X :
x 12−x
f ( x )=P( X =x )=12 C ∗( 0,1 ) ∗( 0,9 )
x
Para x=0,1,2,3,.....,12
b) La probabilidad que ninguno de los 12 fusibles sea defectuoso, es:
0 12
f ( 0)=P ( X=0 )=12 C ∗( 0,1 ) ∗( 0,9 )
0 =1∗1∗0 , 2824=0 ,2824
c) La probabilidad que uno de los 12 fusibles seleccionados sea defectuoso, es:
1 11 11
f (1 )=P( X =1)=12 C ∗( 0,1 ) ∗( 0,9 ) =12∗0,1∗( 0,9 )
1 =0 , 3766

d) La probabilidad que dos de los 12 fusibles seleccionados sean defectuosos, es:

2 10 10
f (2 )=P( X =2)=12 C ∗( 0,1 ) ∗( 0,9 )
2 =66∗0 , 01∗ ( 0,9 ) =0 , 2301
e) La probabilidad de que dos o menos de los 12 fusibles seleccionados sean defectuosos,
es:

P( X≤2)=P( X=0 )+P( X=1)+P( X =2)=0 ,2824 +0 , 3766+0 , 2301=0 , 8891

Ejemplo 13:
Se sabe que el 40% de los clientes que entran una perfumería, el sábado en horas de la
tarde, compran algo antes de retirarse, del lugar. Si se escoge al azar una muestra de 20
clientes, de entre los que entraron el pasado sábado por la tarde,

a) Escriba la función de probabilidad para éste ejercicio.

b) ¿Cuál es la probabilidad que ninguno de los 20 clientes haya comprado algo, antes de
retirarse del lugar?
c) ¿Cuál es la probabilidad uno de los 20 clientes haya comprado algo, antes de retirarse
del lugar?
d) ¿Cuál es la probabilidad dos de los 20 clientes hayan comprado algo, antes de retirarse
del lugar?
e) ¿cuál es la probabilidad que, a lo sumo, dos los 20 clientes, hayan comprado algo antes
de retirarse del lugar?
f) ¿cuál es la probabilidad que, por lo menos, dos los 20 clientes, hayan comprado algo
antes de retirarse del lugar?

Solución:

Sea X la variable aleatoria que representa el número de clientes que entraron el sábado
pasado a la perfumería y compararon algo antes de retirarse del lugar.
Sea n=20 clientes, tamaño de la muestra.
Sea p=0,4 la probabilidad que un cliente elegido al azar, haya comprado algo antes de
retirarse del lugar.
Puesto que X indica el número de éxitos en una muestra de donde n=20 y
p=0, 40 , entonces, la distribución teórica de X es una binomial con parámetros
n=20 yp=0, 40 Es decir:
a) X ~ b(20;0,4) y su función de probabilidad es:
x 20−x
f ( x )=P( X =x )=20 C ∗( 0,4 ) ∗( 0,6 )
x
Para
x=0,1,2,3,.....,20
b) La probabilidad que ninguno de los 20 clientes haya comprado algo, antes de
retirarse del lugar, es igual a:
0 20
f ( 0)=P ( X=0 )=20 C ∗( 0,4 ) ∗( 0,6 )
0 =1∗1∗0 , 0000=0 , 0000

c) La probabilidad uno de los 20 clientes haya comprado algo, antes de retirarse del
lugar, es igual a:
1 19
f (1 )=P( X =1)=20 C ∗( 0,4 ) ∗( 0,6 )
1 =20∗0,4∗0 , 0001=0 , 0005

d) La probabilidad dos de los 20 clientes hayan comprado algo, antes de retirarse del
lugar, es igual a:
2 18
f (2 )=P( X =2)=20 C ∗( 0,4 ) ∗( 0,6 )
2 =190∗0 ,16∗0 , 0001=0 , 0031
 e) La probabilidad que, a lo sumo, dos de los 20 clientes, hayan comprado algo antes
de retirarse del lugar, es igual a:
P( X≤2)=P( X=0 )+P( X=1)+P( X =2)=0 ,0000+0 ,0005+, 00031=0 , 0036
f) La probabilidad que, por lo menos, dos los 20 clientes, hayan comprado algo antes
de retirarse del lugar, es igual a:
P( X≥2)=1−P( X <2 )=1−[ P( X =0 )+P ( X=1 ]=1−[0 , 0000+0 , 0005 ]=0 , 9995

9.8 Ejercicios propuestos:

1) Un consultor financiero estima las probabilidades del número de días necesarios para
concluir un proyecto de consultoría como sigue:

Número de días 1 2 3 4 5
x i

P( X = x) i
0,05 0,25 0,45 0,15 0,10

a) Calcule el valor esperado, del número de días necesarios para terminar el proyecto.
¿Qué indica este valor esperado?
b) Calcule la varianza y la desviación estándar del número de días para terminar el
proyecto.

2) Suponga que X es la variable aleatoria que representa el número de automóviles

nuevos vendidos semanalmente, por un concesionario. Suponga, además, que la
función de probabilidad de X esta dada por la siguiente ecuación:
2

f ( x )=P( X =x )=
x −1
50 Para x=2,3,4,5
a) Construya la distribución probabilidad estadística de X y represéntela gráficamente.
b) Calcule la probabilidad que, en una semana elegida al azar, se vendan por lo menos
tres automóviles nuevos.
c) Calcule el valor esperado de X . ¿Qué indica éste valor?
d) Calcule la varianza y la desviación estándar de X .

3) Suponga que X es la variable aleatoria que representa el número de clientes, por

hora, que el día sábado llegan a la sala de ventas de un nuevo proyecto de
apartamentos. Suponga, además, que la función de probabilidad de X esta dada
por la siguiente ecuación:

x
e ∗3
−3

f ( x )=P( X =x )=
x! Para x=0,1,2,3,......
(Esta ecuación corresponde a la fórmula de Poisson)

¿Cuál es la probabilidad que, en una hora determinada del próximo sábado, lleguen dos
o menos clientes a dicha sala de ventas?

4) Suponga que X es la variable que representa el número de accidentes mensuales

que ocurren en una cadena de producción. Suponga además, que la función de
probabilidad de X esta dada por la siguiente ecuación:
 x
e 1,2
−1,2
∗
f (x )=P( X =x )=
x! Para x=0,1,2,3,......
(Esta ecuación corresponde a la fórmula de Poisson)

Para un mes en concreto, ¿Cuál es la probabilidad de que haya por lo menos un

accidente?

5) El número de imperfecciones, por yarda cuadrada, en el tejido de una tela se considera

como una variable aleatoria X cuya función de probabilidad es la siguiente:

x
e ∗4
−4

f ( x )=P( X =x )=
x! Para x=0,1,2,3,......
(Esta ecuación corresponde a la fórmula de Poisson)

Calcule la probabilidad de que, en una yarda cuadrada de ésta tela, se encuentre por lo
menos un defecto.

6) Una compañía se dedica a la instalación de nuevos sistemas de calefacción central, en

ciudades de clima caliente. Por experiencia se sabe que en el 15% de las instalaciones
es necesario volver para realizar algunas modificaciones. Suponga que en un mes
determinado se realizan 12 instalaciones nuevas. ¿Cuál es la probabilidad de que sea
necesario volver en dos o menos casos?

7) Suponga que el 5% de los motores para automóvil fabricados por una AB&, son
defectuosos. Si una compañía dedicada al ensamble de automóviles, recibe un
cargamento de 15 motores producidos por AB&, calcule la probabilidad de que entre los
15 se encuentre dos o menos motores defectuosos.

8) Se estima que en el 30% de los hogares de cierta ciudad, se ve un programa de

opinión que hay en televisión colombiana. Desde el programa se llama por teléfono a
20 hogares elegidos al azar. Calcular la probabilidad de que:
a) ¿Cuál es la probabilidad de que, entre los 20 hogares, en ninguno se esté viendo el
programa?
b) ¿Cuál es la probabilidad de que, entre los 20 hogares, en alguno se esté viendo el
programa?

9) Una compañía recibe un pedido muy grande de artículos. Se analiza una muestra
aleatoria de dieciséis artículos, y se acepta el pedido si menos de dos resultan
defectuosos. ¿Cuál es la probabilidad de aceptar un embarque que contenga un 5% de
artículos defectuosos?