Está en la página 1de 50

Anderson, D., Sweeney, D., Williams, T., Camm, J., Cochran, J. (2016).

Distribuciones discretas de
probabilidad. En Estadística para negocios y economía (pp.215-264)(1086p.)(12a ed). México, D.F. :
Cengage Learning. (C72839)

Distribuciones discretas
de probabilidad
CONTENIDO Aplicaciones financieras
Resumen
ESTADÍSTICA EN LA PRÁCTICA:
CITIBANK 5.5 DISTRIBUCIÓN BINOMIAL
5.1 Un experimento binomial
VARIABLES ALEATORIAS
El problema de Martín Clothing
Variables aleatorias discretas
Store
Variables aleatorias continuas
Cómo usar tablas de
5.2 DESARROLLO DE probabilidades binomiales
DISTRIBUCIONES DISCRETAS Valor esperado y varianza
DE PROBABILIDAD de la distribución binomial
5.3 VALOR ESPERADO 5.6 DISTRIBUCIÓN DE POISSON
Y VARIANZA Un ejemplo con intervalos
Valor esperado de tiempo
Varianza Un ejemplo con intervalos
5.4 DISTRIBUCIONES de longitud o distancia
BNARIANTES, COYARIANZA Y 5.7 DISTRIBUCIÓN
PORTAFOLIOS FINANCIEROS HIPERGEOMÉTRICA
Distribución discreta de
probabilidad bivariante
empírica
216 Capítulo 5 Distribuciones discretas de probabilidad

CITIBANK*
LONG JSLAND CJTY, NUEVA YORK
Citibank, la división de banca minorista de Citigroup,
cuenta con una amplia gama de servicios financieros que
incluyen cuentas corrientes y de ahorro, préstamos e hipote-
cas, seguros y servicios de inversión. Ofrece estos servicios
por medio de un sistema único llamado Citibanking.
Citibank fue uno de los primeros bancos de Estados
Unidos en introducir los cajeros automáticos (ATM). Es-
tos dispositivos, ubicados en los centros bancarios Citicard
(CBC), permiten a los clientes realizar todas sus operaciones
en un solo lugar con el toque de un dedo, las 24 horas del
día, los 7 días de la semana. Más de 150 funciones diferen-
tes, que van desde depósitos hasta manejo de inversiones,
pueden realizarse con facilidad. Los clientes de Citibank Un cajero automático vanguardista de Citibank.
utilizan cajeros automáticos para 80% de sus transacciones. © Drearnstime.
Cada CBC opera como un sistema de fila de espera al
que los clientes llegan de forma aleatoria a solicitar un ser-
vicio en uno de los cajeros automáticos. Si todos los cajeros
están ocupados, los clientes que llegan esperan en ftla. De
clientes por minuto, la siguiente tabla muestra las probabi-
manera periódica se realizan estudios de la capacidad del
lidades del número de usuarios que podrían llegar durante
CBC para analizar los tiempos de espera de los usuarios y
un periodo de un minuto.
determinar si se requieren más cajeros automáticos.
Los datos recabados por Citibank mostraron que la X Probabilidad
llegada aleatoria de los clientes sigue una distribución de
o 0.1353
probabilidad conocida como distribución de Poisson. Me- 1 0.2707
diante esta distribución, Citibank puede calcular las pro- 2 0.2707
babilidades del número de personas que llegan a un CBC 3 0.1804
durante cualquier periodo y tomar decisiones sobre el nú- 4 0.0902
5o más 0.0527
mero de cajeros automáticos que se necesitan. Por ejemplo,
x es el número de personas que llega durante un minuto. Las distribuciones discretas de probabilidad, como la que
Suponiendo que un CBC atiende a una tasa media de dos utiliza Citibank, son el tema de este capítulo. Además de la
distribución de Poisson, usted aprenderá acerca de las dis-
• Los autores agradecen 0 Stocey Karter, de Citibank, por proporcionar tribuciones binomial e hipergeométrica y cómo se utilizan
este artículo poro Estodística en la práctica. para proporcionar información útil de probabilidad.

Este capítulo continúa con el estuclio de la probabilidad mecliante la introducción de los con-
ceptos de variables aleatorias y distribuciones de probabilidad. Las variables aleatorias y las
distribuciones de probabilidad son modelos para poblaciones de datos. Los valores de las va-
riables aleatorias representan los valores de los datos, y la distribución de probabilidad nos
proporciona tanto la probabilidad de cada valor de datos como una regla para calcular el valor
de la probabilidad de cada dato o valores de un conjunto de datos. El tema central es las dis-
tribuciones discretas de probabilidad.
Presentaremos dos tipos de distribuciones discretas de probabilidad. El primero es una tabla
con una columna para los valores de las variables aleatorias y una segunda columna para sus
probabilidades asociadas. Veremos que las reglas para la asignación de probabilidades para
resultados de los experimentos que revisarnos en el capítulo 4 se emplean para asignar proba-
5.1 Variables aleatorias 217

bilidades para esta distribución. El segundo tipo de distribución discreta de probabilidad utiliza
una función matemática para calcular las probabilidades para cada valor de las variables alea-
torias. En particular se cubren tres distribuciones de este tipo: binomial, de Poisson e hiper-
geométrica.

§ Variables aleatorias
En el capítulo 4 se define el concepto de experimento y los resultados del experimento corres-
pondientes. Una variable aleatoria proporciona un medio para describir estos resultados con
valores numéricos. Las variables aleatorias deben asumir valores numéricos.

VARLABLEALEATORIA
Las variables aleatorias Una variable aleatoria es una descripción numérica de los resultados de un experimento.
deben asumir valores
numéricos.

En efecto, una variable aleatoria asocia un valor numérico con cada resultado posible del expe-
rimento. El valor numérico particular de la variable aleatoria depende del resultado del ex-
perimento. Ésta se clasifica como discreta o continua en función de los valores numéricos que
asume.

Variables aleatorias discretas

Una variable aleatoria que puede asumir cualquier número finito de valores o una sucesión
infinita de valores como O, 1, 2, .. . se conoce como variable aleatoria discreta . Por ejemplo,
considere el experimento de un sujeto que presenta el examen de certificación de contador pú-
blico, el cual consta de cuatro partes. Una variable aleatoria se define como x = el número de
partes aprobadas del examen. Se trata de una variable aleatoria discreta, ya que puede asumir un
número finito de valores O, 1, 2, 3 o 4.
Como otro ejemplo, considere el experimento de los automóviles que llegan a una caseta
de cobro. La variable aleatoria de interés es x = el número de vehículos que llega durante un
periodo de un día. Los valores posibles para x provienen de la secuencia de números enteros O,
1, 2, etc. Por consiguiente, x es una variable aleatoria discreta que asume uno de los valores de
esta secuencia infinita.
Aunque los resultados de muchos experimentos se describen de manera natural por medio
de valores numéricos, otros no pueden describirse así. Por ejemplo, en una encuesta se podría
preguntar a una persona si recuerda el mensaje de un comercial de televisión reciente. Este
experimento tendría dos resultados posibles: la persona no recuerda el mensaje y la persona re-
cuerda el mensaje. También es posible describir numéricamente estos resultados del experimen-
to mediante la definición de la variable aleatoria discreta x como sigue: sea x = O si la persona
no recuerda el mensaje y x = 1 si la persona recuerda el mensaje. Los valores numéricos de esta
variable son arbitrarios (se podrían usar 5 y 10), pero son aceptables con base en la definición de
una variable, es decir, x es una variable aleatoria, ya que proporciona una descripción numérica
de los resultados del experimento.
La tabla 5.1 muestra algunos ejemplos de variables aleatorias discretas. Tome en cuenta
que en cada ejemplo la variable asume un número finito de valores o una secuencia infinita de
valores como O, 1, 2, ... Estos tipos de variables se estudian con detalle en este capítulo.
218 Capítulo 5 Distribuciones discretas de probabilidad

TABLA 5. 1 Ejemplos de variables aleatorias discretas

Valores posibles de la
Experimento Variable aleatoria (x) variable aleatoria
Llamar a cinco clientes Número de clientes que hace O, 1, 2, 3, 4 , 5
un pedido
Inspeccionar un embarque de 50 radios Número de radios defectuosos O, 1, 2, . .. , 49, 50
Encargarse de un restaurante por un día Número de clientes O, 1, 2, 3, .. .
Vender un automóvil Género del cliente O si es hombre, 1 si es mujer

Variables aleatorias continuas


Una variable aleatoria que asume cualquier valor numérico en un intervalo o conjunto de inter-
valos se llama variable aleatoria continua . Los resultados del experimento basados en escalas
de medición como tiempo, peso, distancia y temperatura se describen por medio de este tipo de
variable. Por ejemplo, considere un experimento en el que se monitorean las llamadas telefóni-
cas que llegan a la oficina de reclamaciones de una importante compañía de seguros. Suponga
que la variable aleatoria de interés es x = tiempo entre las llamadas entrantes consecutivas en
minutos. Esta variable puede asumir cualquier valor en el intervalo x ;:::: O. En realidad, x puede
asumir un número infinito de valores, incluidos algunos como 1.26 minutos, 2.751 minutos,
4.3333 minutos, etc. Otro ejemplo es un tramo de 90 millas de la carretera interestatal I-75 al
norte de Atlanta, Georgia. Para un servicio de ambulancias de emergencia ubicado en Atlanta,
la variable aleatoria podría definirse como x = número de millas al lugar del siguiente accidente
de tránsito a lo largo del tramo de la carretera I-75. En este caso, x sería una variable aleatoria
continua que asume cualquier valor en el intervalo O :5 x :5 90. La tabla 5.2 presenta otros
ejemplos de variables aleatorias continuas. Observe que cada ejemplo describe una variable
que asume cualquier valor en un intervalo de valores. Las variables aleatorias continuas y sus
distribuciones de probabilidad serán el tema del capítulo 6.

TABLA 5.2 Ejemplos de variables aleatorias continuas

Valores posibles de la
Experimento Variable aleatoria (x) variable aleatoria
Operar un banco Tiempo en minutos entre las x 2!=0
llegadas de los clientes
Llenar una lata de bebida refrescante Cantidad de onzas osxs 12.1
(máx. = 12.1 onzas)
Construir una nueva biblioteca Porcentaje completado del proyecto Os x slOO
después de seis meses
Probar un nuevo proceso químico Temperatura a la que ocurre la 150 S X S 212
reacción (mín. 150 °F; máx. 212 °F)

NOTAS Y COMENTARIOS

Una forma de determinar si una variable aleatoria el segmento de recta entre los dos puntos representa
es discreta o continua es pensar en sus valores como también los valores posibles de la variable aleatoria,
puntos en un segmento de recta. Elija dos puntos que entonces ésta es continua.
representen valores de la variable aleatoria. Si todo
5.1 Variables aleatorias 219

Eiercicios

Métodos
l. Considere el experimento de lanzar dos veces una moneda.
AUTO evaluación a) Elabore una lista de los resultados del experimento.
b) Defina una variable aleatoria que represente el número de caras que caen en los dos lan-
zamientos.
e) Muestre el valor que la variable aleatoria asumiría en cada uno de los resultados del expe-
rimento.
d) ¿Esta variable aleatoria es discreta o continua?

2. Considere el experimento de un trabajador que ensambla un producto.


a) Defina una variable aleatoria que represente el tiempo en minutos requerido para ensam-
blar el producto.
b) ¿Qué valores puede asumir la variable aleatoria?
e) ¿La variable es discreta o continua?

Aplicaciones
3. Tres estudiantes programaron entrevistas para un empleo de verano en el Instituto Brookwood.
AUTO evaluación En cada caso el resultado de la entrevista será una oferta de empleo o ninguna oferta. Los re-
sultados experimentales se definen en función de los resultados de las tres entrevistas.
a) Prepare una lista de los resultados del experimento.
b) Defina una variable aleatoria que representa el número de ofertas de empleo formuladas.
¿La variable aleatoria es continua?
e) Muestre el valor de la variable aleatoria para cada uno de los resultados del experimento.

4. En el mes de enero la tasa de desempleo en Estados Unidos descendió a 8.3% (sitio web del
Departamento del Trabajo de Estados Unidos, 10 de febrero de 2012). La Oficina del censo
incluyó a nueve estados de la región noreste. Suponga que la variable aleatoria de interés es el
número de estados de la región noreste con una tasa de empleo en enero inferior a 8.3%. ¿Qué
valores podría asumir esta variable aleatoria?

5. Para realizar un análisis de sangre, los técnicos deben aplicar dos procedimientos. El primero
requiere uno o dos pasos, y el segundo requiere ya sea uno, dos o tres pasos.
a) Elabore una lista de los resultados experimentales asociados con el análisis de sangre.
b) Si la variable aleatoria de interés es el número total de pasos requeridos para hacer el aná-
lisis completo (ambos procedimientos), determine qué valor asumirá la variable aleatoria
en cada uno de los resultados del experimento.

6. Enseguida se proporciona una serie de experimentos y sus variables aleatorias asociadas. En


cada caso, determine los valores que puede asumir la variable aleatoria y si es discreta o con-
tinua.

Experimento Variable aleatoria (x)


a) Presentar un examen de 20 preguntas Número de preguntas respondidas correctamente
b) Observar los automóviles que llegan Número de automóviles que llegan a la caseta
a una caseta de cobro durante una hora
e) Auditar 50 devoluciones de impuestos Número de devoluciones que contienen errores
d) Observar el trabajo de un empleado Número de horas improductivas en una jornada
laboral de 8 horas
e) Pesar un embarque de mercancías Número de libras
220 Capítulo 5 Distribuciones discretas de probabilidad

Desarrollo de distribuciones discretas


de probabilidad
La distribución de probabilidad de una variable aleatoria describe cómo se distribuyen las pro-
babilidades entre los valores de la misma. Para una variable aleatoria discreta x, la distribu-
ción de probabilidad se define por medio de una función de probabilidad, que se denotaf(x) .
La función de probabilidad proporciona la probabilidad para cada valor que puede asumir la
variable aleatoria. Los métodos clásico, subjetivo y de frecuencia relativa para asignar proba-
bilidades que presentamos en el capítulo 4 son útiles para desarrollar distribuciones discretas
de probabilidad. La aplicación de esta metodología nos lleva a lo que se conoce como distribu-
ciones discretas de probabilidad, es decir, las distribuciones de probabilidad que se presentan
en la tabla.
El método clásico para asignar probabilidades a los valores de las variables aleatorias se
aplica cuando los resultados de los experimentos generan valores igualmente probables para los
valores de la variable aleatoria. Por ejemplo, considere el experimento de lanzar un dado y ob-
servar el número en la cara superior. El valor debe ser uno de los números 1, 2, 3, 4, 5o 6, y cada
uno de estos resultados es igualmente probable. Así, si x = número obtenido al lanzar un dado
y f(x) = la probabilidad de x ; la distribución de la probabilidad de x se presenta en la tabla 5.3.
El método subjetivo para asignar probabilidades también nos puede llevar a una tabla de
valores para la variable aleatoria junto con las probabilidades asociadas. Con este método, el
desarrollo individual de la distribución de probabilidades utiliza su mejor juicio para asignar
cada probabilidad. Por ello, contrario a las distribuciones de probabilidad desarrolladas em-
pleando el método clásico, se puede esperar que diferentes personas obtengan distintas distri-
buciones de probabilidad.
El método de frecuencia relativa para asignar probabilidades a los valores de las variables
aleatorias se aplican cuando se dispone de una cantidad grande de datos. Tratamos entonces los
datos como si fueran la población y usamos este método para asignar probabilidades para
los resultados de los experimentos. El uso del método de frecuencia relativa para desarrollar
distribuciones discretas de probabilidad nos lleva a lo que se conoce como distribución discre-
ta empírica. Este tipo de distribución de probabilidad se utiliza cada vez con mayor frecuencia
en la actualidad debido a la gran cantidad de datos disponibles (por ejemplo, datos de escáner
o de taijetas de crédito). Ejemplificaremos lo anterior considerando la venta de automóviles en
un concesionario.
Utilizaremos el método de frecuencia relativa para desarrollar la distribución de probabili-
dad para el número de automóviles vendidos por DiCarlo Motors, con sede en Saratoga, Nueva
York. Durante los últimos 300 días de operación, los datos de ventas mostraron que en 54 días
no se vendieron automóviles, en 117 días se vendió uno, en 72 días se vendieron 2, en 42 días se
vendieron 3, en 12 días se vendieron 4 y en 3 días se vendieron 5. Suponga que se considera
el experimento de seleccionar un día de operación en DiCarlo Motors y se define la variable
aleatoria de interés corno x = número de automóviles que se vendieron en un día. Utilizando las

TABLA 5.3 Distribución de probabilidad para el número obtenido al lanzar un dado

Número obtenido Probabilidad de x


X f(x)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
5.2 Desarrollo de distribuciones discretas de probabilidad 221

TABLA 5.4 Distribución de probabilidad para el número de automóviles vendidos durante


un día en DiCarlo Motors

X j(x)
o 0.18
0.39
2 0.24
3 0.14
4 0.04
5 0.01
Total 1.00

frecuencias relativas para asignar probabilidades a los valores de la variable aleatoria x, pode-
mos desarrollar la distribución de probabilidad de x.
En la notación de la función de probabilidad,f(O) es la probabilidad de vender O unidades,
f(l) es la probabilidad de vender un automóvil, y así sucesivamente. Dado que los datos histó-
ricos muestran que en 54 de los 300 días se vendieron O unidades, se asigna el valor 54/300 =
0.18 a f(O), lo que indica que la probabilidad de que se vendan O automóviles en un día es
de 0.18. Asimismo, como en 117 de los 300 días se vendió un vehículo, se asigna el valor
117/300 = 0.39 af(l), indicando que la probabilidad de que se venda exactamente 1 automóvil
en un día es de 0.39. Si se continúa de esta manera para los otros valores de la variable aleatoria,
obtenemos los valores def(2),f(3),f(4) y f(5), como muestra la tabla 5.4.
Una de las principales ventajas de definir una variable aleatoria y su distribución de proba-
bilidad es que, una vez que se conoce esta última, es relativamente fácil determinar la probabi-
lidad de diversos eventos que pueden ser útiles para quien toma decisiones. Por ejemplo, si se
utiliza la distribución de probabilidad para DiCarlo Motors que aparece en la tabla 5.4, vemos
que el número de automóviles que es más probable vender en un día es 1, con una probabi-
lidad def(l) = 0.39. Además, hay una probabilidad def(3) + j(4) + f(5) = 0.14 + 0.04 +
0.01 = 0.19 de vender 3 o más unidades durante un día. Estas probabilidades, además de otras
que puede solicitar quien toma decisiones, proporcionan información que le ayudan a entender
el proceso de la venta de automóviles en Di Cario Motors.
Cuando se desarrolla una función de probabilidad para una variable aleatoria discreta, se
deben satisfacer las dos condiciones siguientes:

Estas condiciones son


análogas a los dos CONDICIONES QUE SE REQUIEREN PARA UNA FUNCIÓN DE PROBABILIDAD DISCRETA
requerimientos básicos para
asignar probabilidades a los f(x) 2: O (5.1)
resultados experimentales
presentados en el capítulo 4.
'i:.f(x) = 1 (5.2)

La tabla 5.4 muestra que las probabilidades de la variable aleatoria x satisfacen la ecuación
(5.l);f(x) es mayor o igual que O para todos los valores de x. Además, como estas probabilida-
des suman 1, la ecuación (5.2) también se satisface. Así, la función de probabilidad deDiCarlo
Motors es una función de probabilidad discreta válida.
También se presentan las distribuciones de probabilidad de manera gráfica. En la figura
5.1 Jos valores de la variable aleatoria x para DiCario Motors aparecen en el eje horizontal y la
probabilidad asociada con estos valores se muestra en el eje vertical.
222 Capítulo 5 Distribuciones discretas de probabilidad

FIGURA 5.1 Representación gráfica de la distribución de probabilidad para el número


de automóviles vendidos durante un día en DiCarlo Motors

f(x)

0.40

"O
"'
:'5! 0.30
:E
~
Q"' 0.20
""'
Q..

0.10

0.00 l __L
X
o 2 3 4 5
Número de automóviles vendidos en un día

Además de tablas y gráficas para describir las distribuciones de probabilidad, también se utiliza
una fórmula que proporciona la función de probabilidad, f(x), para cada valor de x, se utili-
za con frecuencia para describir las distribuciones de probabilidad. El ejemplo más sencillo
de una distribución discreta de probabilidad dada una fórmula es la distribución discreta de
probabilidad uniforme. Su función de probabilidad se define por medio de la ecuación (5.3).

FUNCIÓN DISCRETA UNIFORME DE PROBABILIDAD

f(x) = lln (5.3)


donde

n = número de valores que puede asumir la variable aleatoria.

Por ejemplo, suponga que para el experimento de lanzar un dado la variable aleatoria x
se define como el número de puntos en la cara que queda hacia arriba. Para este experimento,
n = 6 valores son posibles para la variable aleatoria; x = 1, 2, 3, 4, 5, 6. Antes se mostró cómo
se puede expresar como una tabla la función de probabilidad para este experimento. Puesto que
las probabilidades son igualmente posibles, también se puede utilizar la función de probabilidad
discreta uniforme. Por tanto, la función de probabilidad para esta variable aleatoria discreta
uniforme es

f(x) = 1/6 X = 1, 2, 3, 4, 5, 6

Las distribuciones discretas de probabilidad de uso más común se especifican por lo general
por medio de fórmulas. Tres casos importantes son las distribuciones binonúal, de Poisson e
hipergeométrica, las cuales se estudian posteriormente en este capítulo.
5.2 Desarrollo de distribuciones discretas de probabilidad 223

Eiercicios

Métodos
7. A continuación se presenta la distribución de probabilidad para la variable aleatoria x.
AUTO evaluación

X f(x)
20 0.20
25 0.15
30 0.25
35 0.40

a) ¿Esta distribución de probabilidad es válida? Explique.


b) ¿Cuál es la probabilidad de x = 30?
e) ¿Qué probabilidad existe de que x sea menor o igual que 25?
d) ¿Cuál es la probabilidad de que x sea mayor que 30?

Aplicaciones
8. Los siguientes datos se obtuvieron por conteo del número de quirófanos en uso en el Hospital
AUTO evaluación General Tampa durante 20 días: en tres de estos días sólo se usó un quirófano; en cinco se usa-
ron dos; en ocho se utilizaron tres, y en cuatro se usaron los cuatro quirófanos del hospital.
a) Use el método de frecuencia relativa a efecto de construir una distribución de probabili-
dad para el número de quirófanos en uso en cualquier día.
b) Trace una gráfica de la distribución de probabilidad.
e) Muestre que su distribución de probabilidad satisface las condiciones requeridas para una
distribución discreta de probabilidad válida.
9. El número promedio de meses sin trabajo para personas desempleadas en Estados Unidos
a finales de diciembre de 2009 fue aproximadamente siete meses (Oficina de Estadísticas La-
borales, enero de 2010). Suponga que los siguientes datos pertenecen a una región particular de
Nueva York. Los valores de la primera columna muestran el número de meses sin trabajo y los
de la segunda el número correspondiente de personas desempleadas.

Meses Número de
sin trabajar personas desempleadas
1029
2 1686
3 2269
4 2675
5 3487
6 4652
7 4145
8 3587
9 2325
10 1120

Sea x la variable aleatoria para el número de meses que una persona no tiene trabajo.
a) Utilice los datos para desarrollar una distribución discreta de probabilidad para x.
b) Muestre que su distribución de probabilidad satisface las condiciones para una distribución
discreta de probabilidad válida.
e) ¿Cuál es la probabilidad de que una persona no tenga trabajo por dos meses o menos?¿ Y
para más de dos meses?
224 Capítulo 5 Distri buciones discretas de probabilidad

d) ¿Cuál es la probabilidad de que una persona se encuentre desempleada por más de seis
meses?
10. A continuación se presentan las distribuciones de frecuencias porcentuales de la satisfacción
laboral para una muestra de altos directivos y gerentes de rango medio en el área de sistemas
de información (SI). Las puntuaciones varían de baja, 1 (muy insatisfecho), a alta, 5 (muy sa-
tisfecho).

Puntuación de Altos directivos Gerentes de rango


satisfacción laboral de SI(%) medio de SI (%)
1 5 4
2 9 10
3 3 12
4 42 46
5 41 28

a) Elabore una distribución de probabilidad para la puntuación de satisfacción laboral de un


alto directivo.
b) Realice una distribución de probabilidad para la puntuación de satisfacción laboral de
un gerente de rango medio.
e) ¿Cuál es la probabilidad de que un alto directivo reporte una puntuación de satisfacción
laboral de 4 o 5?
d) ¿Cuál es la probabilidad de que un gerente de rango medio esté muy satisfecho?
e) Compare la satisfacción laboral general de los altos directivos con la de los gerentes de
rango medio.
11. Un técnico proporciona servicio a las máquinas de correo en algunas empresas del área de
Phoenix. Dependiendo del tipo de falla, la visita de servicio puede durar 1, 2, 3 o 4 horas. Los
distintos tipos de falla ocurren aproximadamente con la misma frecuencia.
a) Elabore una distribución de probabilidad para la duración de una visita de servicio.
b) Trace una gráfica de la distribución de probabilidad.
e) Muestre que su distribución de probabilidad satisface las condiciones requeridas para una
función de probabilidad discreta.
d) ¿Cuál es la probabilidad de que una visita de servicio dure tres horas?
e) El técnico acaba de llegar a una visita de servicio, pero desconoce el tipo de falla. Son las
3:00p.m. y los técnicos de servicio trabajan sólo hasta las 5:00p.m. ¿Cuál es la probabili-
dad de que tenga que trabajar tiempo extra para reparar la máquina hoy?
12. Los dos principales proveedores de cable en Estados Unidos son Comcast Cable Communica-
tions, con 21.5 millones de suscriptores, y Time Wamer Cable, con ll.O millones de clientes
(The New York Times Almanac, 2007). Suponga que la gerencia de Time Wamer Cable evalúa
de manera subjetiva una distribución de probabilidad del número de suscriptores nuevos el año
siguiente en el estado de Nueva York como sigue.

X f(x)
100000 0.10
200000 0.20
300000 0.25
400000 0.30
500000 0.10
600000 0.05

a) ¿Es válida esta distribución de probabilidad? Explique.


b) ¿Cuál es la probabilidad de que Time Wamer obtenga más de 400000 nuevos suscriptores?
e) ¿Qué probabilidad existe de que Time Wamer obtenga menos de 200000 nuevos suscrip-
tores?
13. Un psicólogo determinó que el número de sesiones que se requiere para ganarse la confianza
de un paciente nuevo es de 1, 2 o 3 sesiones. Sea x una variable aleatoria que indica el número
5.3 Valor esperado y varianza 225

de sesiones que se requiere para ganarse la confianza de un paciente. Se ha propuesto la si-


guiente función de probabilidad:
X
f(x) = 6 para x = 1, 2 o 3

a) ¿Esta función de probabilidad es válida? Explique.


b) ¿Cuál es la probabilidad de que se requieran exactamente 2 sesiones para ganarse la con-
fianza de un paciente?
e) ¿Cuál es la probabilidad de que sean necesarias por lo menos 2 sesiones para ganarse la
confianza de un paciente?
14. La siguiente tabla es una distribución de probabilidad parcial para las utilidades proyectadas de
MRA Company (x = utilidades en miles de dólares) para el primer año de operación (el valor
negativo denota una pérdida).

X f(x)
-100 0.10
o 0.20
50 0.30
100 0.25
150 0.10
200

a) ¿Cuál es el valor adecuado paraf(200)? ¿Cuál es su interpretación de este valor?


b) ¿Qué probabilidad existe de que MRA sea rentable?
e) ¿Cuál es la probabilidad de que obtenga por lo menos $100000?

@ Valor esperado y varianza


Valor esperado
El valor esperado, o media, de una variable aleatoria es una medida de su posición o ubicación
central. La fórmula para el valor esperado de una variable aleatoria discreta x se indica enseguida.
El valor esperado es un
promedio ponderado VALOR ESPERADO DE UNA VARIABLE ALEA TORlA DISCRETA
de los valores que asume
la variable aleatoria E(x) = ¡,t = "'i.xf(x) (5.4)
cuando los pesos son
las probabilidades.
Ambas notaciones, E(x) y ¡,t se usan para denotar el valor esperado de una variable aleatoria.
La ecuación (5.4) muestra que para calcular el valor esperado de una variable aleatoria dis-
creta se debe multiplicar cada valor de la variable por su probabilidad correspondiente f(x),
y después se suman los productos que resultan. Utilizando el ejemplo de la venta de automóviles
El valor esperado no tiene deDiCarlo Motors de la sección 5.2, en la tabla 5.5 se muestra el cálculo del valor esperado
que ser un valor que la para el número de vehículos vendidos durante un día. La suma de las entradas de la columna
variable aleatoria pueda xf(x) muestra que el valor esperado es 1.50 unidades por día. Por consiguiente, aunque se sabe
asumir.
que en un día cualquiera las ventas pueden ser de O, 1, 2, 3, 4 o 5 automóviles, DiCarlo antici-
pa que con el tiempo se venderá un promedio diario de 1.50. Suponiendo que un mes tiene
30 días de operación, se usa el valor esperado de 1.50 para pronosticar el promedio de ventas
mensuales de 30(1.50) = 45 vehículos.

Varianza
Aun cuando el valor esperado proporciona una medida de tendencia central para una variable
aleatoria, a menudo necesitarnos una medida de variabilidad o dispersión. Así como la varian-
za se usó en el capítulo 3 para resumir la variabilidad en los datos, ahora la varianza se usa para
resumir la variabilidad en los valores de una variable aleatoria. A continuación se presenta la
fórmula para la varianza de una variable aleatoria discreta.
226 Capítulo 5 Distribuciones discretas de probabilidad

TABLA 5.5 Cálculo del valor esperado del número de automóviles que se vende en un día
en DiCarlo Motors

X f(x) xf(x)
o 0.18 0(0.18) = 0.00
1 0.39 1(0.39) = 0.39
2 0.24 2(0.24) = 0.48
3 0.14 3(0.14) = 0.42
4 0.04 4(0.04) = 0.16
S 0.01 S(O.OI) = o.os
!.SO
/
E(x) = ¡J. = 'i.xf(x)

La varianza es un
promedio ponderado
de las desviaciones al VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA
cuadrado de una variable
aleatoria respecto a su
Var(x) = a 2 = 2:(x - Pif(x) (5.5)
media. Los pesos son
las probabilidades.
Como muestra la ecuación (5.5), una parte esencial de la fórmula de la varianza es la desviación,
x - ¡.¡., la cual mide a qué distancia se encuentra el valor esperado, o la media, ¡.¡., de un valor
particular de la variable aleatoria. Para calcular la varianza de una variable aleatoria, las desvia-
ciones se elevan al cuadrado y luego se ponderan por el valor correspondiente de la función de
probabilidad. La suma de estas desviaciones al cuadrado ponderadas para todos los valores de la
variable aleatoria se conocen como la varianza. Las notaciones Var(x) y a 2 se usan para denotar
la varianza de una variable aleatoria.
El cálculo de la varianza para la distribución de probabilidad del número de automóviles
vendidos durante un día en DiCarlo Motors se resume en la tabla 5 .5. Se puede ver que la varianza
es 1.25. La desviación estándar a, se define como la raíz cuadrada positiva de la varianza. Por
lo tanto, la desviación estándar para el número de automóviles vendidús durante un día es

a= 'h.25 = 1.118

La desviación estándar se mide en las mismas unidades que la variable aleatoria (a = 1.118
automóviles) y por lo tanto a menudo se prefiere para describir la variabilidad de una variable
aleatoria. La varianza a 2 se mide en unidades cuadradas y, por consiguiente, es más difícil de
interpretar.

TABLA 5.6 Cálculo de la varianza del número de automóviles que se vende en un día
en DiCarlo Motors

X x-p (x - p)2 f(x) (x - p) 2f(x)


o o - !.SO = - !.SO 2.2S 0.18 2.2S(.18) = 0.40SO
1 1 - !.SO= -o.so 0.2S 0.39 0.2S(.39) = 0.097S
2 2- 1.50 = o.so 0.2S 0.24 0.2S(.24) = 0.0600
3 3- !.SO= !.SO 2.2S 0.14 2.2S(.14) = 0.31SO
4 4- !.SO= 2.SO 6.2S 0.04 6.2S(.04) = 0.2SOO
S S- I.SO = 3.SO 12.2S 0.01 12.2S(.Ol) = 0.122S
1.2SOO
~
o 2 = 'i.(x - ¡.t)2f(x)
5.3 Valor esperado y varianza 227

Eiercicios

Métodos
15. La siguiente tabla proporciona una distribución de probabilidad para la variable aleatoria x.

X f(x)
3 0.25
6 0.50
9 0.25

a) Calcule E(x), el valor esperado de x.


b) Calcule a 2 , la varianza de x.
e) Calcule a, la desviación estándar de x.
16. La siguiente tabla proporciona una distribución de probabilidad para la variable aleatoria y.
AUTO evaluación
y /(y)
2 0.20
4 0.30
7 0.40
8 0.10

a) Calcule E(y).
b) Calcule Var(y) y a.

Aplicaciones
17. El número de estudiantes que presentan el examen de aptitudes escolares SAT ha aumentado a
una cifra sin precedente de 1.5 millones (Consejo del Colegio, 26 de agosto de 2008). Se per-
mite que los estudiantes repitan la prueba con la esperanza de que mejoren la calificación que
se envía a las oficinas de admisión de los colegios y universidades. El número de veces que se
presentó el SAT y el número de estudiantes son los siguientes:

Número Número de
de veces estudiantes
1 721769
2 601325
3 166736
4 22299
5 6730

a) Sea x una variable aleatoria que indica el número de veces que un estudiante presenta el
SAT. Muestre la distribución de probabilidad para esta variable aleatoria.
b) ¿Cuál es la probabilidad de que un estudiante presente el SAT más de una vez?
e) ¿Cuál es la probabilidad de que un estudiante lo presente tres o más veces?
d) ¿Cuál es el valor esperado del número de veces que se presenta el SAT? ¿Cuál es su inter-
pretación del valor esperado?
e) ¿Cuáles son la varianza y la desviación estándar para el número de veces que se presenta
elSAT?
18. El estudio American Housing Survey reportó los siguientes datos sobre el número de recáma-
AUTO evaluación ras ocupadas en casas propias y en renta en las ciudades centrales (sitio web de la Oficina del
Censo de Estados Unidos, 31 de marzo de 2003).
228 Capítulo 5 Distribuciones discretas de probabil idad

Número de casas (miles)


Recámaras En renta Propias
o 547 23
1 5012 541
2 6100 3832
3 2644 8690
4omás 557 3783

a) Defina una variable aleatoria x = número de recámaras en renta y elabore una distribución
de probabilidad para la variable aleatoria (x = 4 representa 4 o más recámaras).
b) Calcule el valor esperado y la varianza del número de recámaras en renta.
e) Defma una variable aleatoria y = número de recámaras en las casas propias, y elabore
una distribución de probabilidad para la variable aleatoria (y = 4 representa 4 o más
recámaras).
á) Calcule el valor esperado y la varianza para el número de recámaras en las casas propias.
e) ¿Qué observaciones puede hacer de la comparación del número de recámaras en renta con
las casas propias?
19. La NBA (National Basketball Association) lleva un registro de diversas estadísticas de cada
equipo. Dos de éstas registran el porcentaje de tiros de campo y el porcentaje de tiros de tres
puntos efectuados por equipo. Los registros de tiros de los 29 equipos de la NBA para una parte
de la temporada 2004 mostraban que la probabilidad de anotar dos puntos en un tiro de campo
era de 0.44, y la probabilidad de anotar tres puntos al hacer un tiro de tres puntos era de 0.34
(sitio web de la NBA, 3 de enero de 2004).
a) ¿Cuál es el valor esperado de un tiro de dos puntos para estos equipos?
b) ¿Cuál es el valor esperado de un tiro de tres puntos para estos equipos?
e) Si la probabilidad de hacer un tiro de dos puntos es mayor que la de hacer un tiro de
tres puntos, ¿por qué los entrenadores permiten que algunos jugadores lancen tiros de tres
puntos si tienen la oportunidad? Use el valor esperado para explicar su respuesta.
20. La distribución de probabilidad de las reclamaciones por daños que pagó Newton Automobile
Insurance Company por seguro contra choques es la siguiente:

Pago ($) Probabilidad


o 0.85
500 0.04
1000 0.04
3000 0.03
5000 0.02
8000 0.01
10000 0.01

a) Utilice el pago esperado de choque para determinar la prima del seguro contra choques
que permitiría a la empresa no ganar ni perder.
b) La compañía de seguros cobra una tarifa anual de $520 por la cobertura contra choques.
¿Cuál es el valor esperado del seguro contra choques para un asegurado? (Pista: son los pa-
gos esperados de la empresa menos el costo de cobertura.) ¿Por qué el cliente compra un
seguro contra choques con este valor esperado?
21. Las siguientes distribuciones de probabilidad de las puntuaciones de satisfacción laboral para
una muestra de altos directivos y gerentes de rango medio del área de sistemas de información
(SI) varía de un valor bajo de 1 (muy insatisfecho) a un valor alto de 5 (muy satisfecho).
a) ¿Cuál es el valor esperado de la puntuación de satisfacción laboral para los altos di-
rectivos?
5.3 Valor esperado y varianza 229

Probabilidad
Puntuación de Altos directivos Gerentes de rango
satisfacción laboral de SI medio de SI
1 0.05 0.04
2 0.09 0.10
3 0.03 0.12
4 0.42 0.46
5 0.41 0.28

b) ¿Cuál es el valor esperado de dicha puntuación para los gerentes de rango medio?
e) Calcule la varianza de las puntuaciones de satisfacción laboral para los directivos y los
gerentes de rango medio.
d) Calcule la desviación estándar de las puntuaciones de satisfacción laboral en las dos dis-
tribuciones de probabilidad.
e) Compare la satisfacción laboral de los altos directivos con la de los gerentes de rango
medio.
22. La demanda de un producto de Carolina Industries varía cada mes. La distribución de pro-
babilidad en la tabla siguiente, con base en los datos de años anteriores, muestra la demanda
mensual de la empresa.

Demanda de unidades Probabilidad


300 0.20
400 0.30
500 0.35
600 0.15

a) Si la empresa basa los pedidos de cada mes en el valor esperado de la demanda mensual,
¿cuál debe ser la cantidad mensual de pedidos de Carolina para este producto?
b) Suponga que cada unidad demandada genera ingresos de $70 y que cada una cuesta $50.
¿Cuánto ganará o perderá la empresa en un mes si hace un pedido con base en su respuesta
del inciso a) y la demanda real del artículo es 300 unidades?
23. La Encuesta de Viviendas y Unidades Desocupadas de la Ciudad de Nueva York mostró un
total de 59 324 unidades de vivienda bajo control de alquiler y 236 263 unidades bajo alquiler
regulado construidas en 1947 o después. Las distribuciones de probabilidad del número de
personas que vive en estas viviendas alquiladas se proporcionan a continuación (sitio web de la
Oficina del Censo de Estados Unidos, 12 de enero de 2004).

Número de
personas Control de alquiler Alquiler regulado
0.61 0.41
2 0.27 0.30
3 0.07 0.14
4 0.04 0.11
5 0.01 0.03
6 0.00 0.0 1

a) ¿Cuál es el valor esperado del número de personas que vive en cada tipo de unidad?
b) ¿Cuál es la varianza del número de personas que vive en cada tipo de unidad?
e) Haga algunas comparaciones entre el número de personas que vive en viviendas bajo con-
trol de alquiler y el número de personas que vive en unidades de alquiler regulado.
24. J. R. Ryland Computer Company considera la expansión de una planta para permitir a la em-
presa comenzar la fabricación de una computadora nueva:. El presidente de la empresa debe
determinar si el proyecto de expansión se realiza a mediana o a gran escala. La demanda de la
230 Capítulo 5 Distribuciones discretas de probabilidad

computadora nueva es incierta, y para propósitos de planeación puede ser baja, mediana o alta.
Las probabilidades estimadas para la demanda son 0.20, 0.50 y 0.30, respectivamente; x y y
indican las utilidades anuales en miles de dólares. Los encargados de planeación en la empresa
elaboraron los siguientes pronósticos de utilidades para los proyectos de expansión a mediana
y gran escala.

Utilidades de la expansión Utilidades de la expansión


a mediana escala a gran escala
X f(x) y f(y)
Baja 50 0.20 o 0.20
Demanda Mediana !50 0.50 100 0.50
Alta 200 0.30 300 0.30

a) Calcule el valor esperado para las utilidades asociadas con las dos alternativas de expan-
sión. ¿Cuál decisión es preferible para el objetivo de maximizar las utilidades esperadas?
b) Calcule la varianza para la utilidad asociada con las dos alternativas de expansión. ¿Cuál
decisión es preferible para el objetivo de minimizar el riesgo o la incertidumbre?

Distribuciones bivariantes, covarianza


y portafolios financieros
Una ctistribución de probabilidad que involucra dos variables aleatorias se llama distribución
bivariante de probabilidad. Para analizar las distribuciones bivariantes de probabilidad es útil
pensar en un experimento bivariado. En un experimento bivariado, cada resultado consiste en dos
valores, uno para cada variable aleatoria. Por ejemplo, considere el experimento de lanzar
dos dados. El resultado consiste en dos valores, el número obtenido en el primer dado y el
número obtenido en el segundo. Como otro ejemplo, considere el experimento de observar
los mercados financieros durante un año y registrar el porcentaje de ganancia para un fondo
de inversión en acciones y para un fondo de inversión en bonos. Nuevamente, el resultado del
experimento proporciona un valor para dos variables aleatorias, por un lado la ganancia porcen-
tual del fondo de inversión en acciones y por otro la ganancia porcentual del fondo de inversión
de bonos. Cuando trabajamos con distribuciones de probabilidad bivariantes con frecuencia nos
interesa conocer la relación entre las variables aleatorias. En esta sección presentamos las ctis-
tribuciones bivariantes y mostramos cómo utilizar el coeficiente de correlación y la covarianza
para medir asociaciones lineales entre variables aleatorias. También revisaremos cómo utilizar
las ctistribuciones bivariantes de probabilidad para construir y analizar portafolios financieros.

Distribución discreta de probabilidad


bivariante empírica
Recuerde que en la sección 5.2 desarrollamos una distribución ctiscreta empírica para las ventas
ctiarias del concesionario automotriz DiCarlo Motors en Saratoga, Nueva York. DiCarlo tiene
otra concesionaria en Geneva, Nueva York. La tabla 5.7 muestra el número de automóviles ven-
didos en cada concesionaria en un periodo de 300 días. Los números en la fila inferior (total) son
las frecuencias que utilizamos para desarrollar la ctistribución empírica de probabilidad de las
ventas ctiarias de la concesionaria deDiCarlo en Saratoga en la sección 5.2. Los números en la
columna derecha (total) son las frecuencias para las ventas ruarías del concesionario en Gene va.
Las entradas en el cuerpo de la tabla son el número de días que el concesionario de Geneva ha
tenido el nivel de ventas que se inctica en la fila, cuando el concesionario de Saratoga tenía el
nivel de ventas incticado en la columna. Por ejemplo, la entrada de 33 en la fila del concesionario
en Geneva etiquetada como 1 y la columna de Saratoga etiquetada como 2 inctica que para 33 de
los 300 días, el concesionario de Geneva vendió un automóvil y el de Saratoga 2.
5.4 Distribuciones bivariantes, covarianza y portafolios financieros 23 1

TABLA 5.7 Número de automóviles vendidos en las concesionarias Saratoga y Geneva


de DiCarlo en un periodo de 300 días

Concesionaria Saratoga
Concesionaria Geneva o 1 2 3 4 5 Total
o 21 30 24 9 2 o 86
21 36 33 18 2 111
2 9 42 9 12 3 2 77
3 3 9 6 3 5 o 26
Total 54 117 72 42 12 3 300

Suponga que consideramos el experimento bivariado de observar un día de operaciones en


DiCarlo Motors, en el que registraremos el número de automóviles vendidos. Sea x = número
de automóviles vendidos en la concesionaria Geneva y y = número de automóviles vendidos
en la concesionaria Saratoga. Podemos dividir todas las frecuencias de la tabla 5.7 entre el
número de observaciones (300) para desarrollar una distribución bivariante discreta empírica
de probabilidad para la venta de automóviles en ambas concesionarias de DiCarlo. La tabla 5.8
muestra esta distribución bivariante discreta de probabilidad. Las probabilidades en el margen
inferior proporcionan una distribución marginal para la concesionaria Saratoga. Las probabi-
lidades en el margen derecho proporcionan la distribución marginal para la concesionaria de
Gene va.
Las probabilidades en el cuerpo de la tabla proporcionan la distribución bivariante de proba-
bilidad de las ventas de ambas concesionarias. Las probabilidades bivariantes se conocen como
probabilidades conjuntas. Así, la probabilidad conjunta de vender Oautomóviles en Geneva y 1
en Saratoga en un día ordinario es de f(O, 1) = 0.1000, la probabilidad conjunta de vender 1 au-
tomóvil en Geneva y 4 en Saratoga un día ordinario es de 0.0067 y así sucesivamente. Observe
que sólo existe una probabilidad bivariante para cada resultado del experimento. Con 4 valores
posibles para x y 6 para y, existen 24 resultados del experimento y probabilidades bivariantes.
Suponga que queremos conocer la distribución de probabilidad de las ventas totales de
ambas concesionarias, así como el valor esperado y la varianza de las ventas totales. Podemos
definir s = x + y como ventas totales para DiCarlo Motors. Al trabajar con las probabilidades
bivariantes de la tabla 5.8 observamos quef(s =O)= 0.0700,f(s = 1) = 0.0700 + 0.1000 =
0.1700,f(s = 2) = 0.0300 + 0.1200 + 0.0800 = 0.2300, y así sucesivamente. La tabla 5.9
muestra la distribución de probabilidad completa para s = x + y junto con el cálculo del valor
esperado y la varianza. El valor esperado es E(s) = 2.6433, la varianza es Var(s) = 2.3895.
Con frecuencia, cuando empleamos distribuciones de probabilidad bivariante, deseamos
conocer la relación entre dos variables aleatorias. El coeficiente de correlación y/o la covarianza
son buenas medidas de asociación entre dos variables aleatorias. En el capítulo 3 mostramos

TABLA 5.8 Distribución discreta de probabilidad bivariante empírica para las ventas diarias
de las concesionarias deDiCarlo en Saratoga y Geneva, Nueva York

Concesionaria Saratoga
Concesionaria Geneva o 1 2 3 4 5 Total
o 0.0700 0.1000 0.0800 0.0300 0.0067 0.0000 0.2867
1 0.0700 0. 1200 0.1100 0.0600 0.0067 0.0033 0.3700
2 0.0300 0.1400 0.0300 0.0400 0.0100 0.0067 0.2567
3 0.0100 0.0300 0.0200 0.0100 0.0167 0.0000 0.0867

Total 0.18 0.39 0.24 0.14 0.04 0.01 1.0000


232 Capítulo 5 Distribuciones discretas de probabilidad

TABLA 5.9 Cálculo del valor esperado y varianza de las ventas diarias de automóviles en la
conce;.ionaria DiCarlo Motors

S f(s) sf(s) s- E(s) (s- E(s)) 2 (s - E(s)) 2 f(s)


o 0.0700 0.0000 -2.6433 6.9872 0.4891
1 0.1700 0.1700 21.6433 2.7005 0.4591
2 0.2300 0.4600 20.6433 0.4139 0.0952
3 0.2900 0.8700 0.3567 0.1272 0.0369
4 0.1267 0.5067 1.3567 1.8405 0.2331
5 0.0667 0.3333 2.3567 5.5539 0.3703
6 0.0233 0.1400 3.3567 11.2672 0.2629
7 0.0233 0.1633 4.3567 18.9805 0.4429
8 0.0000 0.0000 5.3567 28 .6939 0.0000
E(s) = 2.6433 Var(s) = 2.3895

cómo calcular la covarianza y el coeficiente de correlación para datos muestrales. La fórmula


que utilizaremos para el cálculo de covarianza entre dos variables aleatorias x y y se presenta a
continuación.

COY ARIANZA PARA VARIABLES ALEATORIAS x y y 1

axy = [Var(x + y) - Var(x) - Var(y)]/2 (5.6)

Ya habíamos calculado Var (s) = Var (x +y) y en la sección 5.2 calculamos Var(y). Aho-
ra debemos calcular Var(x) antes de aplicar la ecuación (5 .6) para calcular la covarianza de
x y y. Calculamos E(x) y Var (x) en la tabla 5.1O utilizando la distribución de probabilidades
de x que se encuentra en el margen derecho de la tabla 5.8.
Ahora podemos utilizar la ecuación (5.6) para calcular la covarianza de las variables alea-
torias x y y.

axy = [Var(x + y )- Var(x)- Var(y)] / 2 = (2.3895 - 0.8696- 1.25)/ 2 = 0.1350

Una covarianza de 0.1350 significa que las ventas diarias en las dos concesionarias deDiCarlo
tienen una relación positiva. Para obtener una mejor visión de la fuerza de esta relación po-
demos calcular el coeficiente de correlación. El coeficiente de correlación para dos variables
aleatorias x y y se calcula con ayuda de la ecuación (5.7).

FIGURA 5.1 O Cálculo del valor esperado y la \ arianza de las ventas diarias de automóviles
en la concesionaria de DiCarlo Motors en Geneva

X f(x) xf(x) x- E(x) [(x- E(x)] 2 [x - E(x)] 2 f(x)


o 0.2867 0.0000 -1.1435 1.3076 0.3749
1 0.3700 0.3700 -0.1435 0.0206 0.0076
2 0.2567 0.5134 0.8565 0.8565 0.1883
3 0.0867 0.2601 1.8565 1.8565 0.2988
E(x) = 1.1435 Var(x) = 0.8696
1
Otra fórmula que se utiliza a menudo para calcular la covarianza de x y y cuando no se conoce Var (x + y). Es
ary = t:[x1 - E(x¡) ] [yj - E(y) ]fl..x 1,y).
5.4 Distri bucio nes bivariantes, covarianza y po rtafolios financieros 233

CORRELACIÓN ENTRE VARIABLES ALEATORIAS x y y

axy
Pxy = aXay (5.7)

De la ecuación (5.7) podemos observar que el coeficiente de correlación para dos variables
aleatorias es la covarianza dividida enu·e el producto de las desviaciones estándar de las dos
variables aleatorias.
Calculemos el coeficiente de correlación entre las ventas diarias de las dos concesionarias
de DiCarlo. Primero debemos calcular las desviaciones estándar para las concesionarias en
Geneva y Saratoga al sacar la raíz cuadrada de la varianza.

ax = Y0.8696 = 0.9325
aY = V1.25 = 1.1180

Ahora podemos calcular el coeficiente de correlación como medida de la asociación lineal entre
dos variables aleatorias.

axy 0.1350 = 0.1295


Pxy = apY = (0.9325)(1.1180)

En el capítulo 3 definimos el coeficiente de correlación como una medida de asociación


lineal entre dos variables. Los valores cercanos a+ 1 indican una relación lineal positiva fuerte,
los valores cercanos a -1 indican una relación lineal negativa fuerte y los valores cercanos a
cero indican ausencia de relación lineal. Esta interpretación también es válida para las variables
aleatorias. El coeficiente de correlación de 0.1295 indica que existe una relación positiva débil
entre las variables aleatorias representadas por las ventas diarias en las dos concesionarias de
DiCarlo. Si el coeficiente de correlación hubiera resultado cero, habríamos concluido que las
ventas diarias en las dos concesionarias eran independientes.

Aplicaciones financieras
A continuación veremos cómo lo que hemos aprendido es útil en la elaboración de portafo-
lios financieros que proporcionen un buen balance entre riesgo y rentabilidad. Un consultor
financiero está considerando cuatro posibles escenarios económicos para el siguiente año y ha
desarrollado la distribución de probabilidad con la rentabilidad porcentual, x, por la inversión en
fondos de acciones de gran capital y el porciento de rentabilidad, y, por la inversión en fondos
de bonos gubernamentales a largo plazo para cada uno de los escenarios. La tabla 5.11 muestra
la distribución de probabilidad bivariante para x y y. La tabla 5.11 es simplemente una lista
con renglones o filas separadas para cada resultado del experimento (escenario económico).
Cada fila contiene la probabilidad conjunta del resultado del experimento y un valor para cada

FIGURA 5.11 Distribución de probabilidad de la rentabilidad porcentual por inversiones


en fondos de acciones de gran capital x, y la inversión en fondos de bonos
gubernamentales a largo plazo, y

Fondo de bonos
Probabilidad Fondo de acciones gubernamentales
Escenario económico f(x,y) de gran capital (x) a largo plazo (y)
Recesión 0.10 -40 30
Crecimiento débil 0.25 5 5
Crecimiento estable 0.50 15 4
Crecimiento fuerte 0.15 30 2
234 Capítulo 5 Distribuciones discretos de probabilidad

variable aleatoria. Dado que sólo hay cuatro probabilidades conjuntas, la forma tabular que se
presenta en la tabla 5.11 es más sencilla que la que utilizamos para el caso de DiCarlo Motors
en donde teniamos (4)(6) = 24 probabilidades conjuntas.
Utilizando la fórmula de la sección 5.3 para el valor esperado de una variable aleatoria,
podemos calcular la rentabilidad porcentual esperada por la inversión en fondos de acciones,
E(x), y la rentabilidad porcentual esperada por la inversión en fondos de bonos E(y).

E(x) = 0.10(-40) + 0.25(5) + 0.5(15) + 0.15(30) = 9.25


E(y) = 0.10(30) + 0.25(5) + 0.5(4) + 0.15(2) = 6.55
Con esta información podemos concluir que la inversión en fondos de acciones es mejor,
ya que tiene una rentabilidad esperada mayor, de 9.25%. Sin embargo, los analistas financieros
le recomiendan a los inversionistas considerar también el riesgo asociado con una inversión. La
desviación estándar de la rentabilidad porcentual se emplea a menudo como medida del riesgo.
Para calcular la desviación estándar, primero debemos calcular la varianza. Utilizando la fórmu-
la de la sección 5.3 para la varianza en variables aleatorias individuales, podemos calcular la
varianza para la rentabilidad porcentual de las inversiones en fondos de acciones y de bonos.
Var(x)= 0.1(-40- 9.25)2 + 0.25(5- 9.25f + 0.50(15- 9.25)2 + 0.15(30- 9.25) 2 = 328.1875
Var(y) = 0.1(30- 6.55) 2 + 0.25(5- 6.55) 2 + 0.50(4- 6.55) 2 + 0.15(2- 6.55) 2 = 61.9475

La desviación estándar de la rentabilidad de una inversión en un fondo de acciones es igual


a ax = Y328.1875 = 18.1159% y la desviación estándar de la rentabilidad de una inversión
en un fondo de bonos es aY = Y61.9475 = 7.8707%). Por lo tanto, podemos concluir que in-
vertir en el fondo de bonos es menos riesgoso, porque tiene una desviación estándar menor. Ya
vimos que el fondo de acciones ofrece una rentabilidad esperada mayor, por lo que la decisión
entre invertir en un fondo de acciones o un fondo de bonos dependerá de nuestra actitud hacia
el riesgo y la rentabilidad. Un inversionista audaz podría elegir el fondo de acciones porque
tiene una rentabilidad esperada mayor, mientras que un inversionista conservador podría elegir
el fondo de bonos porque tiene un riesgo menor. Pero existen también otras opciones. ¿Qué hay
sobre la posibilidad de invertir en un portafolio que contenga tanto inversiones en fondos de
acciones como en fondos de bonos?
Suponga que deseamos considerar tres alternativas: invertir sólo en el fondo de acciones de
gran capital, invertir sólo en el fondo de bonos gubernamentales a largo plazo y dividir nuestros
recursos de manera equitativa entre el fondo de acciones y el fondo de bonos (la mitad en cada
uno). Ya calculamos el valor esperado y la desviación estándar para las primeras dos alternati-
vas. Evaluemos ahora la tercera, que consiste en construir un portafolio al invertir cantidades
iguales en los fondos de acciones de gran capital y en el fondo de bonos gubernamentales a
largo plazo.
Para evaluar este portafolio, comenzaremos por calcular la rentabilidad esperada. Hemos
definido previamente a x como la rentabilidad porcentual de una inversión en fondos de accio-
nes y y como la rentabilidad porcentual de una inversión en fondos de bonos, así que r = 0.5x +
0.5y será la rentabilidad porcentual para nuestro portafolio. Para encontrar la rentabilidad es-
perada para un portafolio en el que se invierte la mitad en un fondo de acciones y la otra en
un fondo de bonos, calcularemos E(r) = E(0.5x + 0.5y). La expresión 0.5x + 0.5y se llama
combinación lineal de las variables aleatorias x y y. La ecuación 5.8 nos proporciona un método
sencillo para calcular el valor esperado de la combinación lineal de las variables aleatorias x
y y cuando ya conocemos E(x) y E(y). En la ecuación (5.8), a representa el coeficiente de x y
b el de y en la combinación lineal.

VALOR ESPERADO DE LA COMBINACIÓN LINEAL DE LAS VARIABLES


ALEATORIAS x Y y

E(ax + by) = aE(x) + bE(y) (5.8)


5.4 Distribuciones bivariantes, covarianza y portafolios financieros 235

Dado que ya calculamos E(x) = 9.25 y E(y) = 6.55, podemos utilizar la ecuación (5.8) para
calcular el valor esperado de nuestro portafolio.

E(0.5x + 0.5y) = 0.5E(x) + 0.5E(y) = 0.5(9.25) + 0.5(6.55) = 7.9

Observamos que la rentabilidad esperada para la inversión en el portafolio es de 7.9%. Para


$100 invertidos, esperaríamos una rentabilidad de $100(0.079) = $7.90, para $1000 invertidos
una rentabilidad de $1 000(0.079) = $79.00, y así consecutivamente. ¿Qué hay sobre el riesgo?
Como se mencionó, los analistas financieros utilizan la desviación estándar como medida del
riesgo.
Nuestro portafolio es una combinación lineal de dos variables aleatorias, así que necesita-
mos calcular la varianza y la desviación estándar de una combinación lineal de dos variables
aleatorias para evaluar el riesgo del portafolio. Cuando se conoce la covarianza entre dos varia-
bles aleatorias, podemos utilizar la fórmula de la ecuación (5.9) para calcular la varianza de la
combinación lineal de dos variables aleatorias.

VARIANZA DE LA COMBINACIÓN LINEAL DE DOS VARIABLES ALEATORIAS

Var(ax + by) = 2
a Var(x) + b2 Var(y) + 2abaxy (5.9)
donde axy es la covarianza de x y y

En la ecuación (5.9) podemos observar que necesitamos tanto la varianza de cada variable
aleatoria como la covariancia entre variables aleatorias para poder calcular la varianza de la
combinación lineal de dos variables aleatorias y así, la varianza de nuestro portafolio.
Calculamos Var(x +y)= Ya calculamos la varianza de cada variable aleatoria: Var(x) = 328.1875 y Var(y) =
119.46 de la misma manera61.9475. Además, Var(x +y) = 119.46, así que empleando la ecuación (5.6), la covarianza de
en que lo hicimos en el caso
las variables aleatorias x y y sería
de DiCarlo Motors en la
sección anterior. axy = [Var(x +y)- Var(x)- Var(y)]1/2 = [119.46- 328.1875 - 61.9475] / 2 = -135.3375
Una covarianza negativa entre x y y como ésta, significa que cuando x tiende a estar por encima
de su media, y tiende a estar por debajo de la suya y viceversa.
Podemos utilizar ahora la ecuación (5.9) para calcular la varianza de la rentabilidad de
nuestro portafolio.

Var(0.5x + 0.5y) = 0.5 2(328.1875) + 0.5 2(61.9475) + 2(0.5)(0.5)( -135.3375) = 29.865


La desviación estándar de nuestro portafolio está dada por Oo.sx + o.sy = V29.865 = 5.4650%.
Ésta es nuestra medida de riesgo para el portafolio que consiste en invertir 50% en fondos de
acciones y 50% en fondo de bonos.
Quizás ahora desearíamos comparar nuestras tres alternativas de inversión: pura en fondos
de acciones, pura en fondos de bonos o la creación de un portafolio dividiendo nuestra inver-
sión de forma equitativa entre ambos fondos. La tabla 5.12 muestra las rentabilidades esperadas,
varianzas y desviaciones estándar para cada alternativa.

TABLA 5.12 Valores esperados, varianzas y desviaciones estándar para tres alternativas
de inversión

Rentabilidad Varianza de Desviación estándar


Alternativa de inversión esperada (%) la rentabilidad de la rentabilidad (%)
100% en fondos de acciones 9.25 328.1875 18.1159
100% en fondos de bonos 6.55 61.9475 7.8707
Portafolio (50% en fondos de 7.90 29.865 5.4650
acciones, 50% en fondos de bonos)
236 Capítulo 5 Distribuciones discreta s de probabilidad

¿Cuál de estas tres alternativas preferiría usted? La rentabilidad esperada más alta la encon-
tramos en la inversión pura en los fondos de acciones, pero también tiene el riesgo mayor, ya
que su desviación estándar es de 18.1159%. Invertir 100% en un fondo de bonos tiene una renta-
bilidad esperada menor, pero también un riesgo significativamente menor. La inversión de 50%
en fondos de acciones y 50% en fondos de bonos (portafolio) tiene una rentabilidad esperada
que se encuentra en medio de las otras dos alternativas, pero hay que resaltar que tiene un riesgo
menor que la inversión pura en cualquiera de los fondos. De hecho, tiene tanto una rentabilidad
mayor como un riesgo menor (una desviación estándar más pequeña), que la inversión pura en
fondos de bonos. Así que podríamos decir que la inversión en el portafolio domina la opción de
la inversión pura en fondos de bonos.
La decisión de invertir en el fondo de acciones o en el portafolio dependerá de su actitud
hacia el riesgo. Mientras que el fondo de acciones tiene una rentabilidad esperada mayor, el por-
tafolio ofrece un riesgo significativamente menor con una rentabilidad adecuada, por lo que
muchos Jo elegirían. Lo que hace que el riesgo del portafolio sea considerablemente menor
que la inversión pura en los fondos individuales, es la covarianza negativa entre éstos.
El análisis del portafolio que acabamos de realizar implicaba invertir 50% en un fondo
de acciones y el otro en un fondo de bonos. ¿Cómo calcularíamos la rentabilidad esperada y
la varianza para otros portafolios? Podemos utilizar las ecuaciones (5.8) y (5.9) para hacerlo
fácilmente.
Suponga que desea crear un portafolio que consista en invertir 25% en fondos de acciones
y 75% en fondos de bonos. ¿Cuáles serían el valor esperado y la varianza para este portafolio?
La rentabilidad porcentual para este portafolio es r = 0.25x + 0.75y, así que podemos utilizar
la ecuación (5.8) para obtener el valor esperado del portafolio:

E(0.25x + 0.75y) = 0.25E(x) + 0.75E(y) = 0.259.25 + 0.756.55 = 7.225

De la misma manera, podemos calcular la varianza del portafolio con ayuda de la ecuación (5.9):

Var(0 .25x + 0.75y) = (0.25) 2 Var(x)+ (0.15) 2 Var(y) + 2(0.25)(0.75)axy


= 0.0625(328.1875) + (0.5625)(61.9475) + (0.375)( -135.3375)
= 4.6056

La desviación estándar del nuevo portafolio es a0 _25x + o.?Sy = Y4.6056 = 2.1461.

Resumen
En esta sección presentamos las distribuciones discretas de probabilidad bivariantes. Dado que
estas distribuciones involucran dos variables aleatorias, es común que nos interese una medida
de asociación entre las variables. Presentamos las dos medidas y mostramos cómo calcular la
covarianza y el coeficiente de correlación. Un coeficiente de correlación cercano a + 1 o a -1
indica una fuerte correlación entre las dos variables aleatorias, mientras que un coeficiente
cercano a cero indica una correlación débil entre éstas. Si las dos variables aleatorias son inde-
pendientes, la covarianza y el coeficiente de correlación serán iguales a cero.
También se mostró cómo calcular el valor esperado y la varianza de combinaciones lineales
de variables aleatorias. Desde un punto de vista estadístico, los portafolios financieros son com-
binaciones lineales de variables aleatorias, de hecho son un tipo especial de combinación lineal
llamado promedio ponderado. Los coeficientes son no negativos y se suman a l. El ejemplo
de portafolio que presentarnos muestra cómo calcular el valor esperado y la varianza para un
portafolio con inversiones en fondos de acciones y fondos de bonos. Esta misma metodología
se puede aplicar para calcular el valor esperado y la varianza de un portafolio que contenga
dos activos financieros . La teoría de reducción de riesgos en los portafolios a través de la di-
versificación en alternativas de inversión se basa en el efecto de la covarianza entre variables
aleatorias individuales sobre la varianza del portafolio.
5.4 Distribuciones bivariantes, covarianza y portafolios financieros 237

NOTAS Y COMENTARIOS

l. Las ecuaciones (5.8) y (5.9), junto con sus exten- sión de la ecuación (5.9) es más compleja porque
siones a tres o más variables aleatorias, son los se necesita un término separado para la covarianza
elementos clave para la elaboración y análisis de entre todos los pares de las variables aleatorias.
los portafolios financieros. Dejamos estas extensiones a los libros más avan-
2. Las ecuaciones (5.8) y (5.9) para calcular los valo- zados.
res esperados y la varianza de combinaciones li- 2. El término covarianza en la ecuación (5.9) mues-
neales de dos variables aleatorias pueden extenderse tra por qué variables aleatorias que se relacionan
a tres o más variables aleatorias. La extensión de de forma negativa (como alternativas de inversión)
la ecuación (5.8) es directa, se añade un término reducen la varianza y, por lo tanto, el riesgo del
para cada variable aleatoria adicional. La exten- portafolio.

Eiercicios

Métodos
25. A continuación se presenta una distribución bivariante para las variables aleatorias x y y.
AUTO evaluación

J(x,y) X y
.2 50 80
.5 30 50
.3 40 60

a) Calcule el valor esperado y la varianza para x y y.


b) Desarrolle una distribución de probabilidad para x + y.
e) Utilice los resultados del inciso b) para calcular E(x + y) y Var(x + y).
d) Calcule la covarianza y la correlación parax y y. ¿Las variablesx y y se relacionan de forma
positiva, negativa o nula?
e) La varianza de la suma de x y y ¿es mayor, menor o igual que la suma de las varianzas
individuales? ¿Por qué?
26. Una persona está interesada en diseñar un portafolio de inversión, para lo cual está considerando
dos acciones. Sea x = rentabilidad porcentual de la inversión en la acción 1, y y = rentabilidad
porcentual de la inversión en la acción 2. La rentabilidad esperada y la varianza para la ac-
ción 1 son E(x) = 8.45% y Var(x) = 25. La rentabilidad esperada y la varianza para la acción
2 son E(y) = 3.20% y Var(y) = l. La covarianza entre las rentabilidades es igual a axy = -3.
a) ¿Cuál es la desviación estándar para la inversión en la acción l y en la acción 2? Si se
emplea la desviación estándar como medida de riesgo, ¿cuál de estas acciones representa
una inversión de menor riesgo?
b) ¿Cuál es la rentabilidad esperada y la desviación estándar, en dinero, para una persona que
invierte $500 en la acción 1?
e) ¿Cuál es la rentabilidad porcentual esperada y la desviación estándar para una persona que
elabora un portafolio de inversión de 50% en cada acción?
d) ¿Cuál es la rentabilidad porcentual esperada y la desviación estándar para una persona que
elabora un portafolio de inversión de 70% en la acción 1 y 30% en la acción 2?
e) Calcule el coeficiente de correlación para x y y, y comente sobre la relación entre las ren-
tabilidades de estas dos acciones.
27. La cámara de comercio de una ciudad canadiense llevó a cabo una evaluación de 300 restau-
AUTO evaluación rantes en su área metropolitana. Cada restaurante recibió una calificación con base en una
escala de 3 puntos para el precio de los alimentos (siendo 1 lo más económico y 3 lo más caro)
y calidad (siendo 1 la menor y 3 la mayor). A continuación se presenta una tabulación cruzada
238 Capítulo 5 Distribuciones discretas de probabilidad

para los datos de las calificaciones. Cuarenta y dos restaurantes recibieron una calificación de
1 tanto en calidad como en precio, 39 recibieron 1 en calidad y 2 en precio y así consecuti-
vamente. Cuarenta y ocho de los restaurantes recibieron la calificación más alta de 3 tanto en
calidad como en precio.

Precio de los alimentos (y)


Calidad (x ) 1 2 3 Total
1 42 39 3 84
2 33 63 54 150
3 3 15 48 66
Total 78 117 105 300

a) Desarrolle una distribución bivariante de probabilidad para la calidad y el precio de los


alimentos para un restaurante elegido de forma aleatoria en esta ciudad canadiense. Sea
x = calificación en calidad y y = precio de los alimentos.
b) Calcule el valor esperado y la varianza para la calificación de calidad, x.
e) Calcule el valor esperado y la varianza para la calificación de precio de los alimentos, y.
d) La Var(x +y) = 1.6691. Calcule la covarianza para x y y. ¿Qué puede decir sobre la rela-
ción entre calidad y precio de Jos alimentos? ¿Es esto lo que esperaba?
e) Calcule el coeficiente de correlación entre calidad y precio de los alimentos. ¿Cuál es la
fuerza de la relación? ¿Supone que es posible encontrar un restaurante de bajo precio y alta
calidad en esta ciudad? ¿Por qué?
28. La empresa PortaCom ha desarrollado un diseño para una impresora portátil de alta calidad.
Los dos componentes clave de los costos de fabricación son la mano de obra directa y las par-
tes. Durante un periodo de prueba, la empresa desarrolló prototipos y llevó a cabo pruebas
exhaustivas de producto para la nueva impresora. Los ingenieros de PortaCom han desarrolla-
do la distribución bivariante de probabilidad para Jos costos de fabricación que se muestra más
abajo. Los costos de las partes por impresora(en dólares) están representados por la variable
aleatoria x y los costos de mano de obra directa por impresora (en dólares) están representados
por la variable aleatoria y. La gerencia de la empresa desea utilizar esta distribución de proba-
bilidad para estimar los costos de fabricación .

Mano de obra directa (y)


Partes (x ) 43 45 48 Total
85 0.05 0.2 0.2 0.45
95 0.25 0.2 0.1 0.55
Total 0.30 0.4 0.3 1.00

a) Muestre la distribución marginal del costo de mano de obra directa y calcule su valor
esperado, varianza y desviación estándar.
b) Muestre la distribución marginal del costo de las partes y calcule su valor esperado, va-
rianza y desviación estándar.
e) El costo total de fabricación por unidad es la suma de los costos de mano de obra directa
y de partes. Muestre la distribución de probabilidad para el costo total de fabricación por
unidad.
d) Calcule el valor esperado, la varianza y la desviación estándar para el costo total de fabri-
cación por unidad.
e) ¿Son independientes los costos de mano de obra directa y de partes? ¿Por qué? En caso de
que concluya que no lo son, ¿cuál sería la relación entre estos costos?
f) PortaCom fabricó 1500 impresoras para la introducción de su producto. El costo total de
fabricación fue de $198350. ¿Este costo es el que esperaba? En caso de que sea mayor o
menor, ¿qué cree que pueda haberlo provocado?
5.5 Distribución binomial 239

29. J.P. Morgan Asset Management publica información sobre inversiones financieras . En los úl-
timos 10 años, la rentabilidad esperada para los fondos S&P500 fue de 5.04% con una des-
viación estándar de 19.45% y la rentabilidad esperada en ese mismo periodo para un fondo
de bonos del banco central fue de 5.78%, con una desviación estándar de 2.13% (J.P. Margan
Asset Management, Guide to the Markets, primer trimestre de 2012). La publicación también
reportó que la correlación entre el S&P500 y los bonos del banco central es de -0.32. Usted
está considerando un portafolio de inversión que contenga fondos del índice S&P500 y fondos
de bonos del banco central.
a) Determine la covarianza entre S&P500 y los bonos del banco central, utilizando la infor-
mación proporcionada.
b) Elabore un portafolio con 50% de inversión en un fondo S&P500 y el otro 50% para fondos
de bonos del banco central. ¿Cuáles son los valores en términos porcentuales de la renta-
bilidad esperada y la desviación estándar para este portafolio?
e) Elabore un portafolio con 20% de inversión en un fondo S&P500 y 80% en fondos debo-
nos del banco central. ¿Cuáles son los valores en términos porcentuales de la rentabilidad
esperada y la desviación estándar para este portafolio?
d) Elabore un portafolio con 80% de inversión en un fondo S&P500 y 20% en fondos de bo-
nos del banco central. ¿Cuáles son los valores en términos porcentuales de la rentabilidad
esperada y la desviación estándar para este portafolio?
e) ¿Cuál de los tres portafolios elaborados en los incisos anteriores tiene la mayor rentabi-
lidad esperada? ¿Cuál tiene menor desviación estándar? ¿Cuál de estos tres portafolios
representa la mejor alternativa de inversión?
f) Analice las ventajas y desventajas de invertir en los tres portafolios que desarrolló en el
ejercicio. ¿Preferirían invertir su dinero en un fondo S&P500, un fondo de bonos del banco
central o en alguno de los tres portafolios? ¿Por qué?

30. Además de la información del ejercicio anterior sobre fondos S&P500 y de bonos del banco
central, J.P. Morgan Asset Management reportó que la rentabilidad esperada para un fondo de
inversión en bienes raíces (REITs, por sus siglas en inglés) fue de 13.07%, con una desviación
estándar de 23 .17%(J.P. Margan Asset Management, Guide to the Markets , primer trimestre
de 2012). La correlación entre S&P500 y REITs es de 0.74 y la correlación entre los bonos
centrales y REITs es de - 0.04. Usted está considerando un portafolio de inversión compuesto
por un fondo S&P500 y REITs, así como uno compuesto por bonos del banco central y REIT.
a) Utilizando esta información y la del ejercicio 29, determine la covarianza entre S&P500 y
REIT y entre los bonos del banco central y REIT.
b) Elabore un portafolio con 50% de inversión en un fondo S&P500 y el otro 50% en REIT.
¿Cuáles son los valores en términos porcentuales de la rentabilidad esperada y la desvia-
ción estándar para este portafolio?
e) Elabore un portafolio con 50% de inversión en bonos del banco central y el otro 50% en
REIT. ¿Cuáles son los valores en términos porcentuales de la rentabilidad esperada y la
desviación estándar para este portafolio?
d) Elabore un portafolio con 80% en bonos centrales y 20% en REIT. ¿Cuáles son los valores
en términos porcentuales de la rentabilidad esperada y la desviación estándar para este
portafolio?
e) ¿Cuál de los portafolios que desarrolló en los incisos anteriores recomendaría a un inver-
sionista? ¿Se lo recomendaría a un inversionista conservador? ¿Por qué?

§ Distribución binomial
La distribución binomial es una distribución discreta de probabilidad que proporciona muchas
aplicaciones. Se asocia con un experimento de múltiples pasos que se conoce como experimen-
to binomial.
240 Capítulo 5 Distribuciones discreta s de probabilidad

Un experimento binomial
Un experimento binomial úene las cuatro propiedades siguientes.

PROPIEDADES DE UN EXPERIMENTO BINOMIAL

l . El experimento consiste en una secuencia de n ensayos idénticos.


2. En cada ensayo hay dos resultados posibles. A uno de ellos se le llama éxito y al
otro, fracaso.
3. La probabilidad de éxito, que se denota con p, no cambia de un ensayo a otro.
Por consiguiente, la probabilidad de fracaso, que se denota con 1 - p, tampoco
cambia de un ensayo a otro.
4. Los ensayos son independientes.

Jakob Bernoulli Si están presentes las propiedades 2, 3 y 4, se dice que los ensayos son generados por un proceso
(1654-1705), el primero de Bemoulli. Si, además, la propiedad 1 está presente, se dice que tenemos un experimento bi-
de una familia de
nomial. La figura 5.2 representa una secuencia posible de éxitos y fracasos para un experimento
matemáticos suizos,
publicó un tratado sobre binomial que consta de ocho ensayos.
probabilidad que contenía En un experimento binomial, lo que interesa es el número de éxitos que ocurren en los n
la teoría de permutaciones ensayos. Si x denota el número de éxitos que ocurren en n ensayos, x puede asumir los valores
y combinaciones, así como O, 1, 2, 3 ... , n. Debido a que el número de valores es finito, x es una variable aleatoria discreta.
el teorema binomial. La distribución de probabilidad asociada con esta variable se llama distribución binomial
de probabilidad. Por ejemplo, considere el experimento de lanzar cinco veces una moneda
y en cada lanzamiento observe si la moneda cae con cara o cruz en el lado superior. Suponga
que queremos contar el número de caras que aparecen durante los cinco lanzamientos. ¿Este
ejemplo muestra las propiedades de un experimento binomial? ¿Cuál es la variable aleatoria de
interés? Observe que:

l. El experimento consta de cinco ensayos idénúcos; cada uno consiste en el lanzamiento


de una moneda.
2. En cada ensayo hay dos resultados posibles: cara o cruz. Se puede designar cara como
un éxito y cruz como un fracaso.
3. La probabilidad de obtener cara y la probabilidad de obtener cruz son iguales para cada
ensayo, con p = 0.5 y 1 - p = 0.5.
4. Los ensayos o lanzamientos son independientes, debido a que el resultado de cual -
quier ensayo no se ve afectado por lo que ocurre con otros ensayos o lanzamientos.

FIGURA 5.2 Secuencia posible de éxitos y fracasos para un experimento binomial


de ocho ensayos

Propiedad J. El experimento con ta de


n = 8 ensayos idénticos.

Propiedad 2. Cada ensayo da como resultado


un éxito (S) o un fracaso (F).

Ensayos - - - - - - 2 3 4 5 6 7 8

Resultados - - - - - - S F F S S F S S
5.5 Distribución binomial 241

Así, se satisfacen las propiedades de un experimento binomial. La variable aleatoria que intere-
sa es x = número de caras que resulta en cinco ensayos. En este caso, x puede tomar los valores
O, 1, 2, 3, 4 o 5.
En otro ejemplo, considere a una vendedora de seguros que visita a 10 familias selecciona-
das al azar. El resultado asociado con cada visita se clasifica como un éxito si la familia compra
un seguro y un fracaso si no lo compra. A partir de su experiencia, la vendedora sabe que la pro-
babilidad de que una familia seleccionada al azar compre un seguro es de 0.1O. Al revisar las
propiedades de un experimento binomial se observa que:

l. El experimento consta de 10 ensayos idénticos; cada uno consiste en visitar a una fa-
milia.
2. En cada ensayo hay dos resultados posibles: la familia compra el seguro (éxito) o no lo
compra (fracaso).
3. Se asume que las probabilidades de que haya una compra o no la haya son iguales para
cada visita, con p = 0.1 O y 1 - p = 0.90.
4. Los ensayos son independientes, porque las familias se eligen al azar.

Como se cumplen estos cuatro supuestos, este ejemplo es un experimento binomial. La variable
aleatoria de interés es la cantidad de ventas obtenidas al hacer contacto con las 10 familias. En
este caso, x puede asumir los valores O, 1, 2, 3, 4, 5, 6, 7, 8, 9 y 10.
La propiedad 3 del experimento binomial se llama supuesto de estacionalidad y a veces se
confunde con la propiedad 4, la independencia de los ensayos. Para ver cómo difieren, considere
de nuevo el caso de la vendedora que visita a las familias para ofrecer seguros. Si a medida que
trancurre el día la empleada se cansa y pierde entusiasmo, la probabilidad de éxito (vender un se-
guro) para el décimo contacto podría disminuir a 0.05, por ejemplo. En este caso, la propiedad 3
(estacionalidad) no se cumpliría y el experimento no sería binomial. Incluso si la propiedad 4 se
cumple, es decir, que las decisiones de compra de cada familia se realizaran en forma indepen-
diente, el experimento no sería binomial si no se satisface la propiedad 3.
En las aplicaciones con experimentos binomiales se usa una fórmula matemática espe-
cial, llamada función binomial de probabilidad, para calcular la probabilidad de x éxitos en
n ensayos. Enseguida se mostrará cómo se desarrolla la fórmula en el contexto de un problema
ilustrativo, aplicando los conceptos de probabilidad que se presentan en el capítulo 4.

El problema de Martin Clothing Store


Considere las decisiones de compra de los siguientes tres clientes que entran en la tienda de
ropa Martin Clothing Store. Con base en su experiencia, el gerente de la tienda estima que la
probabilidad de que un cliente realice una compra es de 0.30. ¿Cuál es la probabilidad de que
dos de los tres clientes siguientes realicen una compra?
Un diagrama de árbol (figura 5.3) permite ver que al observar a tres clientes que toman una
decisión de compra, cada uno tiene ocho resultados posibles. Si S denota éxito (una compra) y
F denota fracaso (no hay compra), se tiene interés en los resultados experimentales que consis-
ten en dos éxitos en los tres ensayos (decisiones de compra). A continuación se verificará que
el experimento con una secuencia de tres decisiones de compra puede verse como binomial. Al
revisar los cuatro requerimientos para un experimento binomial, observamos que:

l. El experimento puede describirse como una secuencia de tres ensayos idénticos, uno para
cada uno de los tres clientes que entran en la tienda.
2. Para cada ensayo hay dos resultados posibles: el cliente efectúa una compra (éxito) o el
cliente no efectúa una compra (fracaso).
3. Se asume que la probabilidad de que el cliente realice una compra (0.30) o no la rea-
lice (0.70) es la misma para todos los clientes.
4. La decisión de compra de cada individuo es independiente de las decisiones que tomen
los otros clientes.
242 Capítulo 5 Distribuciones discretas de probabilidad

FIGURA 5.3 Diagrama de árbol para el problema de Martín Clothing Store

Primer Segundo Tercer Resultado del


cliente cliente cliente experimento Valor de x

(S, S, S) 3

(S, S, F) 2

(S, F, S) 2

(S, F, F)

(F . S, S) 2

(F, S, F )

(F, F, S)

(F, F, F ) o
S = Hay compra
F = No hay compra
x = Número de clientes que efectúan una compra

Por consiguiente, están presentes las propiedades de un experimento binomial.


El número de resultados del experimento que produce exactamente x éxitos en n ensayos
se calcula con ayuda de la siguiente fórmula :2

NÚMERO DE RESULTADOS EXPERIMENTALES QUE PROPORCIONA


EXACTAMENTE x ÉXITOS EN n ENSAYOS

n) n! (5.10)
( x - x!(n- x) !

donde
n! = n(n - l)(n - 2) · · · (2)(1)
y por definición,
O!

Ahora volvamos al experimento de Martin Clothing Store que consiste en las decisiones de
compra de tres clientes. La ecuación (5.10) permite determinar el número de resultados que

2
Esta fórmula , que se presenta en el capítulo 4 , determina el número de combinaciones de n objetos seleccionadas x a la
vez. Para el experimento binomial, esta fórmula combinatoria proporciona el número de resultados del experimento
(secuencias den ensayos), lo que da como resulta do x éxitos.
5.5 Distribución binomial 243

involucran dos compras; es decir, el número de maneras de obtener x = 2 éxitos en n = 3 ensa-


yos. A partir de la ecuación (5.10) tenemos

(n)
X =
(3)
2 =
3!
2!(3 - 2)!
= (3)(2)(1) = ~ = 3
(2)(1)(1) 2

La ecuación (5.10) muestra que tres de los resultados del experimento produjeron dos éxitos.
A partir de la figura 5.3, vemos que estos tres resultados se denotan por (S, S, F), (S, F, S) y
(F, S, S).
Si se utiliza la ecuación (5.10) para determinar cuántos resultados del experimento tienen
tres éxitos (compras) en los tres ensayos, obtenemos

(n) = (3)3 = 3!(3 3!-


X
3! (3)(2)(1) 6
3)! = 3!0! = 3(2)(1)(1) = =
1
6
A partir de la figura 5.3 observamos que el resultado del experimento con tres éxitos se identi-
fica por (S, S, S).
Se sabe que la ecuación (5.10) se utiliza para determinar el número de resultados del expe-
rimento que da lugar a x éxitos. No obstante, si se determinará la probabilidad de x éxitos en n
ensayos, también debemos conocer la probabilidad asociada con cada uno de estos resultados.
Como los ensayos de un experimento binomial son independientes, sencillamente es posible
multiplicar las probabilidades asociadas con el resultado de cada ensayo para determinar la
probabilidad de una secuencia particular de éxitos y fracasos .
La probabilidad de que los dos primeros clientes compren y que el tercero no compre, que
se denota con (S, S, F), está dada por

pp(1 - p)

Con una probabilidad de 0.30 de una compra en cualquier ensayo, la probabilidad de una com-
pra en los primeros dos ensayos y ninguna compra en el tercero está dada por

(0.30)(0.30)(0.70) = (0.30) 2(0.70) = 0.063

Otros dos resultados experimentales también dan lugar a dos éxitos y un fracaso. Las probabili-
dades de tres resultados que tienen dos éxitos se presentan a continuación.

Resultados de los ensayos


Probabilidad del
Primer Segundo Tercer Resultado del resultado del
cliente cliente cliente experimento experimento
Compra Compra No compra (S, S, F) pp(l - p) = p2(1 - p)
= co.3WC0.70) = o.o63
Compra No compra Compra (S, F,S) p(l - p)p = p2(1 - p)
= co.3Wco.7o) = o.o63
No compra Compra Compra (F,S,S) (1 - p)pp = p 2(1 - p)
= co.3Wco.7o) = o.063

Observe que los tres resultados del experimento con dos éxitos tienen exactamente la mis-
ma probabilidad. Esta observación es válida en general. En cualquier experimento binomial,
todas las secuencias de resultados de ensayos que producen x éxitos en n ensayos tienen la
misma probabilidad de ocurrencia. La probabilidad de cada secuencia de ensayos que producen
x éxitos en n ensayos se presenta a continuación.
244 Capítulo 5 Distribuciones discretos de probabilidad

Probabilidad de una secuencia


particular de resultados = p'"(l - p)(n-x) (5.11)
con x éxitos en n ensayos

En el caso de la tienda Martin Clothing Store, esta fórmula indica que cualquier resultado
experimental con dos éxitos tiene una probabilidad de p 2(1 - p)(3 - 2l = p 2(! - p) 1 =
(0.3Ql(0.70) 1 = 0.063.
Como la ecuación (5.10) muestra el número de resultados de un experimento binomial con
x éxitos y la ecuación (5.11) proporciona la probabilidad de cada secuencia con x éxitos, las
ecuaciones (5 .6) y (5.7) se combinan para obtener la función binomial de probabilidad si-
guiente.

FUNCIÓN BINOMJAL DE PROBABILIDAD

f(x) = (:)p\1 - p)(n-x) (5.12)

donde
x = número de éxitos
p = probabilidad de un éxito en un ensayo
n = número de ensayos
f(x) = probabilidad de x éxitos en n ensayos

(xn) - n!
x!(n- x)!

Para la distribución binomial de probabilidad, x es una variable aleatoria discreta con la función
de probabilidad f(x) aplicable para los valores de x = O, 1, 2, ... , n.
En el ejemplo de Martin Clothing Store, se usa la ecuación (5.12) para calcular la proba-
bilidad de que ningún cliente realice una compra; exactamente un cliente realice una compra;
exactamente dos clientes realicen una compra, y los tres clientes realizan una compra. Los
cálculos se resumen en la tabla 5.13, que proporciona la distribución de probabilidad del nú-
mero de clientes que realiza una compra. La figura 5.4 es una gráfica de esta distribución de
probabilidad.
La función binomial de probabilidad se aplica a cualquier experimento binomial. Si una
situación demuestra las propiedades de un experimento binomial y se conocen los valores de
n y p, se puede usar la ecuación (5.12) para calcular la probabilidad de x éxitos en n ensayos.

TABLA 5.13 Distribución de probabilidad del número de clientes que realiza una compra

X f(x)
3'
o - · Cü.30)°Cü.7W = o.343
0!3!

3'
- · co.3o)'(ü.7W = o.441
1!2!
3'
2 - · co.3Wco.7o)' = o.1s9
2! 1!

3 ~ (0.30)3(0.70)0 = 0.027
3!0! 1.000
5.5 Distribución binomial 245

FIGURA 5.4 Representación gráfica de la distribución de probabilidad del número de clientes


que realiza una compra

f(x)

0.50

0.40
"CI
~
;g
.,:So
~
0.30
.
c..
0.20

0.10

0.00 ~--~--------~---------L---------L-
' ------ x
o 2 3
Número de clientes que realiza una compra

Si se consideran variaciones del experimento de Martin, por ejemplo que 10 clientes y


no tres entren en la tienda, la función binomial de probabilidad dada la ecuación (5.12) sigue
siendo válida. Suponga que se tiene un experimento binomial con n = 10, x = 4 y p = 0.30.
La probabilidad de que exactamente cuatro de los lO clientes que entran en la tienda realicen
una compra es

10'
J(4) = , ·, (0.3W(o.7W = 0.2001
4 6

Cómo usar tablas de probabilidades binomiales


Se han desarrollado tablas que proporcionan la probabilidad de x éxitos en n ensayos para un
experimento binomial. Por lo general, son fáciles de usar y más rápidas que la ecuación (5.12).
La tabla 5 del apéndice B es una tabla de probabilidades binomiales de este tipo. Una parte
de ella se reproduce en la tabla 5.14. Para usarla, se deben especificar los valores den, p y x según
el experimento binomial de que se trate. En el ejemplo que se presenta en la parte superior de
la tabla 5 .14, vemos que la probabilidad de que x = 3 éxitos en un experimento binomial con
n = lO y p = 0.40 es de 0.2150. Se puede recurrir a la ecuación (5.12) para verificar que se
obtendría el mismo resultado si se usa directamente la función binomial de probabilidad.
Ahora se usará la tabla 5.14 para verificar la probabilidad de cuatro éxitos en 10 ensayos en
el problema de Martin Clothing Store. Note que el valor def(4) = 0.2001 se lee directamente
de la tabla de probabilidades binomiales, según la cual n = 10, x = 4 y p = 0.30.
Aun cuando las tablas de probabilidades binomiales son relativamente fáciles de usar, es
imposible contar con tablas que muestren todos los valores posibles de n y p que podrían encon-
trarse en un experimento binomial. Sin embargo, con las calculadoras actuales, usar la ecuación
(5.12) para calcular la probabilidad que se busca es fácil, en especial si el número de ensayos es
pequeño. En los ejercicios de esta sección podrá practicar con la ecuación (5.12) para calcular
las probabilidades binomiales, a menos que el problema requiera que de manera específica se
utilice la tabla de probabilidades binomiales.
246 Capítulo 5 Distribuciones discretas de probabilidad

TABLA 5.14 Valores seleccionados del ejemplo de la tabla de probabilidad binomial: n = 10; x = 3; p = 0.040;
/(3) = 0.2150

p
n X 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
9 o 0.6302 0.3874 0.2316 0.1342 0.0751 0.0404 0.0207 0.0101 0.0046 0.0020
1 0.2985 0.3874 0.3679 0.3020 0.2253 0.1556 0.1004 0.0605 0.0339 0.0176
2 0.0629 0.1722 0.2597 0.3020 0.3003 0.2668 0.2162 0.1612 0.1110 0.0703
3 0.0077 0.0446 0.1069 0.1762 0.2336 0.2668 0.2716 0.2508 0.2119 0.1641
4 0.0006 0.0074 0.0283 0.0661 0.1168 0.1715 0.2194 0.2508 0.2600 0.2461

5 0.0000 0.0008 0.0050 0.0165 0.0389 0.0735 0.1181 0.1672 0.2128 0.2461
6 0.0000 0.0001 0.0006 0.0028 0.0087 0.0210 0.0424 0.0743 0.1160 0.1641
7 0.0000 0.0000 0.0000 0.0003 0.0012 0.0039 0.0098 0.0212 0.0407 0.0703
8 0.0000 0.0000 0.0000 0.0000 0.0001 0.0004 0.0013 0.0035 0.0083 0.0176
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0008 0.0020

JO o 0.5987 0.3487 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 0.3151 0.3874 0.3474 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098
2 0.0746 0.1937 0.2759 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439
3 0.0105 0.0574 0.1298 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172
4 0.0010 0.0112 0.0401 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051

5 0.0001 0.0015 0.0085 0.0264 0.0584 0.1029 0. 1536 0.2007 0.2340 0.2461
6 0.0000 0.0001 0.0012 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051
7 0.0000 0.0000 0.0001 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0. 1172
8 0.0000 0.0000 0.0000 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439
9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098
10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010

El software para estadística, como Minitab, y el de hoja de cálculo, como Excel, también
permiten calcular probabilidades binomiales. Considere el ejemplo de Martin Clothing Store
con n = 10 y p = 0.30. La figura 5.5 muestra las probabilidades binomiales generadas por
Minitab para todos los valores posibles de x. Observe que estos valores son los mismos que los
que se encuentran en la colurnnap = 0.30 de la tabla 5.14. En el apéndice 5.1 se explica paso a
paso el procedimiento para usar Minitab con la finalidad de generar el resultado que se muestra
en la figura 5.5. En el apéndice 5.2 se describe cómo usar Excel para calcular probabilidades
binomiales.

Valor esperado y varianza


de la distribución binomial
En la sección 5.3 se proporcionaron las fórmulas para calcular el valor esperado y la varianza
de una variable aleatoria discreta. En el caso especial en que la variable tiene una distribución
binomial con un número conocido de ensayos n y una probabilidad conocida de éxitos p, se sim-
plifican las fórmulas generales para el valor esperado y la varianza. Los resultados se muestran
a continuación.

VALOR ESPERADO Y VARIANZA DE LA DISTRIBUCIÓN BINOMIAL

E(x) = ¡t = np (5.13)
Var(x) = a = np(l
2
- p) (5.14)
5.5 Distribución binomial 247

FIGURA 5.5 Resultado de Minitab que muestra las probabilidades binomiales del problema
de Martín Clothing Store

X P(X = x)
o 0 . 0282
1 o. 1211
2 0 . 23350
3 0 . 2668
4 0 . 2001
5 0 . 1029
6 0 . 0368
7 0 . 0090
8 0 . 0014
9 0 . 000 1
10 0 . 0000

En el caso del problema de Martin Clothing Store con tres clientes, se usa la ecuación (5.13)
para calcular el número esperado de clientes que realizará una compra.

E(x) = np = 3(0.30) = 0.9


Suponga que para el mes siguiente Martin Clothing Store pronostica que 1 000 clientes
entrarán en la tienda. ¿Cuál es el número esperado de clientes que realizará una compra? La res-
puesta es¡¡, = np = (1 000)(0.3) = 300. Por lo tanto, para incrementar el número esperado de
compras, la empresa debe lograr que más clientes entren en el establecimiento y/o incrementar
de alguna manera la probabilidad de que un cliente realice una compra cuando se encuentre en
el interior.
En este problema con tres clientes, la varianza y la desviación estándar del número de ellos
que realizará una compra es

a2 = np(1 - p) = 3(0.3)(0.7) = 0.63


a = Y0.63 = 0.79

Para los próximos 1 000 clientes que entren en la tienda, la varianza y la desviación estándar
del número de personas que realizará una compra son

a2 = np(1 - p) = 1 000(0.3)(0.7) = 210


a= mo = 14.49

NOTAS Y COMENTARIOS

l. La tabla binomial del apéndice B muestra valores 2. Algunas fuentes presentan en forma acumulada
de p hasta p = 0.95. Algunas fuentes de la tabla bi- las tablas binomiales. Al usarlas para encontrar
nomial sólo muestran valores de p hasta p = 0.50. exactamente x éxitos en n ensayos, se deben res-
Parecería que una tabla como ésta no puede usarse tar las entradas de la tabla correspondiente. Por
cuando la probabilidad de éxito rebasa p = 0.50. ejemplo, f(2) = P(x :s 2) - P(x :s 1). La tabla
No obstante, puede utilizarse si se considera que binomial del apéndice B proporciona f(2) direc-
la probabilidad de n - x fracasos es también la tamente. Para calcular las probabilidades acumu-
probabilidad de x éxitos. Por lo tanto, cuando ladas usando las tablas binomiales del apéndice B,
la probabilidad de éxito es mayor que p = 0.50, se suman las entradas de la tabla correspondien-
se calcula la probabilidad de n - x fracasos en te. Por ejemplo, para determinar la probabilidad
vez de la probabilidad de éxitos. La probabilidad acumulada P(x :s 2), calcule la suma f( O) +
de fracasos, 1 - p, es menor que 0.50 cuando f (l) + f (2).
p > 0.50.
248 Capítulo 5 Distribuciones discretas de probabilidad

Eiercicios

Métodos
31. Considere un experimento binomial con dos ensayos y p = 0.4.
AUTO evaluación a) Trace un diagrama de árbol para este experimento (vea la figura 5.3).
b) Calcule la probabilidad de un éxito,f(l).
e) Calculef(O).
d) Calcule /(2).
e) Calcule la probabilidad de por lo menos un éxito.
f) Calcule el valor esperado, la varianza y la desviación estándar.
32. Considere un experimento binomial con n = lO y p = 0.10.
a) Calculef(O).
b) Calcule/(2).
e) Calcule P(x s 2).
d) Calcule P(x 2: 1).
e) Calcule E(x).
f) Calcule Var(x) y a.
33. Considere un experimento binomial con n = 20 y p = 0.70.
a) Calculef(l2).
b) Calculef(l6).
e) Calcule P(x 2: 16).
d) Calcule P(x s 15).
e) Calcule E(x).
f) Calcule Var(x) y a.

Aplicaciones
34. Un estudio de Harris lnteractive para lntercontinental Hotels & Resorts le preguntó a los en-
cuestados: "Cuando viaja por el mundo, ¿se aventura por cuenta propia para experimentar
la cultura, o sigue con su grupo del tour y los itinerarios?" El sondeo reveló que 23% de los
encuestados se queda con su grupo del tour (USA Today, 21 de enero de 2004).
a) En una muestra de seis viajeros internacionales, ¿cuál es la probabilidad de que dos se
queden con el grupo del tour?
b) En una muestra de seis viajeros, ¿cuál es la probabilidad de que por lo menos dos perma-
nezcan con su grupo del tour?
e) En una muestra de 1O viajeros, ¿cuál es la probabilidad de que ninguno se quede con el
grupo del tour?
35. En San Francisco, 30% de los trabajadores toma diario el transporte público (USA Today, 21 de
diciembre de 2005).
a) En una muestra de 10 trabajadores, ¿cuál es la probabilidad de que exactamente tres to-
men el transporte público todos los días?
b) En una muestra de 10 trabajadores, ¿cuál es la probabilidad de que por lo menos tres
aborden el transporte público todos los días?
36. Cuando una máquina nueva funciona adecuadamente, sólo 3% de los artículos producidos
AUTO evaluación resulta con defectos. Suponga que seleccionamos al azar dos partes producidas en la máquina
y que nos interesa el número de partes defectuosas encontradas.
a) Describa las condiciones bajo las cuales esta situación sería un experimento binomial.
b) Trace un diagrama de árbol parecido al de la figura 5.3 que muestra este problema como
un experimento de dos ensayos.
e) ¿En cuántos resultados experimentales se encuentra exactamente un defecto?
d) Calcule las probabilidades asociadas con no encontrar defecto, y hallar exactamente uno
y dos defectos .
37. Una encuesta interactiva de Randstad/Harris reportó que 25 % de los empleados afirmaron que
su empresa es leal a ellos (USA Today, 11 de noviembre de 2009). Suponga que seleccionamos
aleatoriamente a 10 empleados y los entrevistamos en tomo a la lealtad de su empresa.
5.5 Distribución binomial 249

a) ¿Podemos considerar la selección de 10 empleados como un experimento binomial? Ex-


plique.
b) ¿Cuál es la probabilidad de que ninguno de los lO empleados afirme que su empresa es leal
con sus trabajadores?
e) ¿Cuál es la probabilidad de que 4 de los JO empleados afirme que su empresa es leal con
sus trabajadores?
d) ¿Cuál es la probabilidad de que por lo menos 2 de los 1O empleados afmne que su empresa
es leal con sus trabajadores?
38. Los radares militares y sistemas de detección de misiles están diseñados para advertir a un
país de un ataque enemigo. Una pregunta acerca de la confiabilidad de un sistema de este tipo
permite determinar si éste es capaz de identificar un ataque y emitir una advertencia. Suponga
que un sistema particular de detección tiene una probabilidad 0.90 de detectar un ataque con
misiles. Use la distribución de probabilidad binomial para responder las siguientes preguntas:
a) ¿Cuál es la probabilidad de que un solo sistema de detección capte un ataque?
b) Si dos sistemas de detección se instalan en la misma zona y trabajan de forma indepen-
diente, ¿cuál es la probabilidad de que por lo menos uno detecte el ataque?
e) Si se instalan tres sistemas, ¿cuál es la probabilidad de que por lo menos uno de ellos iden-
tifique el ataque?
d) ¿Recomendaría el uso de sistemas de detección múltiple? Explique sus razones.
39. Doce de los 20 finalistas del Campeonato de la PGA en el Hazeltine National Golf Club
en Chaska, Minnesota, usaron una pelota de golf de marca Titleist (sitio web GolfBallTest,
12 de noviembre de 2009). Suponga que estos resultados son representativos de la probabilidad
de que un jugador del Tour PGA elegido al azar utilice una pelota de golf marca Titleist. Rea-
lice los siguientes cálculos para una muestra de 15 jugadores.
a) Calcule la probabilidad de que exactamente 10 de los 15 jugadores usen una pelota de golf
marca Titleist.
b) Calcule la probabilidad de que más de 1Ode los 15 jugadores usen una pelota de golf marca
Titleist.
e) Para una muestra de 15 jugadores, calcule el número esperado de jugadores que usa una
pelota de golf marca Titleist.
d) Para una muestra de 15 jugadores, calcule la varianza y la desviación estándar del número
de jugadores que usa una pelota de golf marca Titleist.
40. La Encuesta de Población actual de la Oficina del Censo muestra que 28% de los individuos,
con edades de 25 y mayores, han completado cuatro años de universidad (The New York Times
Almanae, 2006). Para una muestra de 15 individuos con edades de 25 y mayores, responda las
siguientes preguntas:
a) ¿Cuál es la probabilidad de que cuatro hayan completado cuatro años de universidad?
b) ¿Cuál es la probabilidad de que tres o más hayan completado cuatro años de universidad?
41. Una universidad encontró que 20% de sus estudiantes se retiró sin completar el curso intro-
ductorio de estadística. Suponga que 20 estudiantes se registraron para el curso.
a) Calcule la probabilidad de que dos o menos estudiantes se retirarán.
b) Determine la probabilidad de que exactamente cuatro abandonarán el curso.
e) Calcule la probabilidad de que tres se retirarán.
d) Calcule el número esperado de retiros.
42. Una encuesta realizada por TD Ameritrade reveló que uno de cada cuatro inversionistas dis-
pone en sus portafolios de fondos que cotizan en bolsa (USA Today, 11 de enero de 2007).
Considere una muestra de 20 inversionistas.
a) Calcule la probabilidad de que exactamente cuatro inversionistas disponen en sus portafo-
lios de fondos que cotizan en bolsa.
b) Calcule la probabilidad de que por lo menos dos incluyan en sus portafolios fondos que
cotizan en bolsa.
e) Si usted encuentra que exactamente 12 inversionistas disponen en sus portafolios de fondos
que cotizan en bolsa, ¿dudaría de la exactitud de Jos resultados de la encuesta?
d) Calcule el número esperado de inversionistas que tienen en sus portafolios fondos que
cotizan en bolsa.
43 . El 23% de los automóviles no cuenta con un seguro (CNN, 23 de febrero de 2006). En un fin de
semana en particular, hubo 35 automóviles involucrados en accidentes de tránsito.
a) ¿Cuál es el número esperado de estos vehículos que no cuenta con un seguro?
b) ¿Cuáles son la varianza y la desviación estándar?
250 Capítulo 5 Distribuciones discretas de probabilidad

Distribución de Poisson
En esta sección consideramos una variable aleatoria discreta útil para estimar el número de
La distribución de Poisson ocurrencias en un intervalo específico de tiempo o espacio. Por ejemplo, la variable aleatoria
a menudo se utiliza para de interés podría ser el número de llegadas a un centro de lavado automotriz en una hora, el
modelar Las Llegadas número de reparaciones necesarias en 10 millas de una autopista o el número de fugas en 100
aleatorias en situaciones
millas de tubería. Si las dos propiedades siguientes se satisfacen, el número de ocurrencias es
de Línea de espera.
una variable aleatoria descrita por la distribución de Poisson.

PROPIEDADES DE UN EXPERIMENTO DE POISSON

l. La probabilidad de ocurrencia es la misma para cualesquiera dos intervalos de


igual longitud.
2. La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocu-
rrencia o no ocurrencia en cualquier otro intervalo.

La función de Poisson se define por medio de la ecuación (5.15).

Si meón Poisson impartió


FUNCIÓN DE PROBABILIDAD DE POISSON
matemáticas en La Ecole
Polytechnique de París f-lxe-fl
de 1802 a 1808. En j(x) = -,-
x.
(5.15)
1837 publicó un trabajo
titulado "Investigación
sobre La probabilidad de
donde
Los veredictos en materia
f(x) = probabilidad de x ocurrencias en un intervalo
penal y civil", que incluye
un análisis de Lo que más f-l = valor esperado o número medio de ocurrencias en un intervalo
tarde se conoció como La e= 2.71828
distribución de Poisson.

Para la distribución de Poisson, x es una variable aleatoria discreta que indica el número
de ocurrencias en el intervalo. Como no hay un límite superior establecido para el número de
ocurrencias, la función de probabilidad f(x) es aplicable para los valores x = O, 1, 2, ... sin
límite. En las aplicaciones prácticas, x a la larga se volverá lo suficientemente grande para que
f(x) sea aproximadamente cero y la probabilidad de cualquier valor mayor que x se vuelva
insignificante.

Un eiemplo con intervalos de tiempo


Suponga que le interesa conocer el número de llegadas al autocajero de un banco en las ma-
ñanas, de lunes a viernes, durante un periodo de 15 minutos. Si se asume que la probabilidad
Bell Labs usó La distribución de un automóvil que llega es la misma para cualesquiera dos periodos de igual duración y que
de Poisson para modelar la llegada o no llegada de un vehiculo en cualquier periodo es independiente del arribo o no
La entrada de Llamadas
en cualquier otro periodo, la función de Poisson es aplicable. Imagine que estos supuestos se
telefónicas.
cumplen y que un análisis de los datos históricos muestra que el número promedio de automó-
viles que llega en un periodo de 15 minutos es 10; en este caso, se aplica la siguiente función
de probabilidad:
10 xe-1o
f(x)=--
x!
La variable aleatoria es x = número de automóviles que llega en un periodo de 15 minutos.
Si la gerencia quisiera conocer la probabilidad de exactamente cinco llegadas en 15 minu-
tos, se establecería que x = 5 y, por lo tanto, obtendríamos
Probabilidad de exactamente 10 5e- 10
= J(5) = = O0378
cinco llegadas en 15 minutos 5! ·
5.6 Distribución de Poisson 251

Aunque esta probabilidad se determinó al evaluar la función de probabilidad con fA = 1O y


x = 5, a menudo es más fácil remitirse a una tabla para la distribución de Poisson, la cual pro-
porciona probabilidades para valores específicos de x y fA· Se incluyó una similar a la tabla 7
del apéndice B. Por conveniencia, reproducimos una parte de ésta en la tabla 5.15. Observe que
para usar la tabla de probabilidades de Poisson debemos conocer sólo los valores de x y fA·
A partir de la tabla 5.15 vemos que la probabilidad de cinco llegadas en un periodo de 15 mi-
nutos se encuentra al ubicar el valor en la fila de la tabla que corresponde a x = 5 y la columna
que corresponde a /A= 10. Por consiguiente, obtenemosf(5) = 0.0378.
En el ejemplo anterior, la media de la distribución de Poisson es fA = 10 llegadas por un
Una propiedad de la periodo de 15 minutos. Una propiedad de la distribución de Poisson consiste en que la media
distribución de Poisson es de la distribución y la varianza de la distribución son iguales. Así, la varianza para el nú-
que la media y la varianza
mero de llegadas durante un periodo de 15 minutos es a 2 = 10. La desviación estándar es
son iguales.
a= Ylo = 3.16.
El ejemplo involucra un periodo de 15 minutos, pero se pueden usar otros. Suponga que
se desea calcular la probabilidad de una llegada en un periodo de 3 minutos. Dado que 1O es
el número esperado de llegadas en 15 minutos, vemos que 10115 = 2/3 es el número esperado
de llegadas en 1 minuto y que (2/3)(3 minutos) = 2 es el número esperado de arribos en 3 minu-
tos. Por lo tanto, la probabilidad de x llegadas en un periodo de 3 minutos con fA = 2 está dada
por la siguiente función de Poisson:

TABLA 5.15 Valores seleccionados del ejemplo de las tablas de probabilidad de Poisson:
fA = lO;X = 5;f(5) = 0.0378

fJ
X 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10
o 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000
1 0.0010 0.0009 0.0009 0.0008 0.0007 0.0007 0.0006 0.0005 0.0005 0.0005
2 0.0046 0.0043 0.0040 0.0037 0.0034 0.0031 0.0029 0.0027 0.0025 0.0023
3 0.0140 0.0131 0.0123 0.0115 0.0107 0.0100 0.0093 0.0087 0.0081 0.0076
4 0.0319 0.0302 0.0285 0.0269 0.0254 0.0240 0.0226 0.0213 0.0201 0.0189
5 0.0581 0.0555 0.0530 0.0506 0.0483 0.0460 0.0439 0.0418 0.0398 0.0378
6 0.0881 0.0851 0.0822 0.0793 0.0764 0.0736 0.0709 0.0682 0.0656 0.0631
7 0.1145 0.1118 0.1091 0.1064 0.1037 0.1010 0.0982 0.0955 0.0928 0.0901
8 0.1302 0.1286 0.1269 0.1251 0.1232 0.1212 0.1191 0.1170 0.1148 0.1126
9 0.1317 0.1315 0.1311 0.1306 0.1300 0.1293 0.1284 0.1274 0.1263 0.1251
10 0.1198 0.1210 0.1219 0.1228 0.1235 0.1241 0.1245 0.1249 0.1250 0.1251
11 0.0991 0.1012 0.1031 0.1049 0.1067 0.1083 0.1098 0.1112 0.1125 0.1137
12 0.0752 0.0776 0.0799 0.0822 0.0844 0.0866 0.0888 0.0908 0.0928 0.0948
13 0.0526 0.0549 0.0572 0.0594 0.0617 0.0640 0.0662 0.0685 0.0707 0.0729
14 0.0342 0.0361 0.0380 0.0399 0.0419 0.0439 0.0459 0.0479 0.0500 0.0521
15 0.0208 0.0221 0.0235 0.0250 0.0265 0.0281 0.0297 0.0313 0.0330 0.0347
16 0.0118 0.0127 0.0137 0.0147 0.0157 0.0168 0.0180 0.0192 0.0204 0.0217
17 0.0063 0.0069 0.0075 0.0081 0.0088 0.0095 0.0103 0.0111 0.0119 0.0128
18 0.0032 0.0035 0.0039 0.0042 0.0046 0.0051 0.0055 0.0060 0.0065 0.0071
19 0.0015 0.0017 0.0019 0.0021 0.0023 0.0026 0.0028 0.0031 0.0034 0.0037
20 0.0007 0.0008 0.0009 0.0010 0.0011 0.0012 0.0014 0.0015 0.0017 0.0019
21 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006 0.0006 0.0007 0.0008 0.0009
22 0.0001 0.0001 0.0002 0.0002 0.0002 0.0002 0.0003 0.0003 0.0004 0.0004
23 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002
24 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001
252 Capítulo 5 Distribuciones discretas de probabilidad

La probabilidad de una llegada en un periodo de 3 minutos se calcula como sigue:

Probabilidad de ex~ctamente = f(l) = 2 1e- 2 = 0 _2707


una llegada en 3 rrunutos 1!

Antes se calculó la probabilidad de cinco llegadas en un periodo de 15 minutos; y el resultado


fue 0.0378. Observe que la probabilidad de un arribo en 3 minutos (0.2707) no es la misma.
Cuando se estima una probabilidad de Poisson para un intervalo de tiempo distinto, primero se
debe convertir la tasa media de llegadas al periodo de interés y luego calcular la probabilidad.

Un e¡emplo con intervalos de longitud o distancia


Se demostrará una aplicación que no tiene intervalos de tiempo en la que es útil la distribución
de Poisson . Suponga que le interesa saber cuál es la ocurrencia de defectos importantes en una
autopista un mes después de repavimentarla. Considere que la probabilidad de un defecto es
la misma en cualquiera de dos intervalos de igual longitud de la autopista, y que la ocurrencia
o no ocurrencia de defectos en cualquier intervalo es independiente de su ocurrencia o no en
cualquier otro intervalo. Por ende, puede aplicarse la distribución de Poisson.
Suponga que se enteró de que los principales defectos después de un mes de repavimentar
ocurren a una tasa media de 2 por milla. Enseguida se determinará la probabilidad de que no
haya defectos importantes en un tramo particular de 3 millas de la autopista. Como nos inte-
resa un intervalo con esta longitud, 1-l = (2 defectos/milla)(3 millas) = 6 representa el número
esperado de anomalías importantes en este tramo de la autopista. Mediante la ecuación (5.15),
la probabilidad de que no haya alguna avería importante esf(O) = 6°e- 6 /0! = 0.0025. Por lo
tanto, es poco probable que se presente un defecto importante en la sección de las 3 millas. De
hecho, este ejemplo indica que 1 - 0.0025 = 0.9975 es la probabilidad de por lo menos un
defecto importante en la sección de 3 millas de la autopista.

Eiercicios

Métodos
44. Considere una distribución de Poisson con# = 3.
a) Escriba una función de probabilidad de Poisson apropiada.
b) Calculef(2).
e) Calculef(l).
d) Calcule P(x ~ 2).
45. Considere una distribución de Poisson con una media de dos ocurrencias por periodo.
AUTO evaluación a) Escriba una función de Poisson apropiada.
b) ¿Cuál es el número esperado de ocurrencias en tres periodos?
e) Escriba una función de Poisson apropiada para determinar la probabilidad de ocurrencias
en tres periodos.
d) Calcule la probabilidad de dos ocurrencias en un periodo.
e) Calcule la probabilidad de seis ocurrencias en tres periodos.
f) Calcule la probabilidad de cinco ocurrencias en dos periodos.

Aplicaciones
46. Las llamadas telefónicas entran a una razón de 48 por hora en la oficina de reservaciones de
Regional Airways.
a) Calcule la probabilidad de recibir tres llamadas en un intervalo de 5 minutos.
b) Calcule la probabilidad de recibir exactamente JO llamadas en 15 minutos.
e) Suponga que actualmente no hay llamada en espera. Si el agente tarda 5 minutos en ter-
minar la llamada actual, ¿cuántas personas estimaría que estuvieran esperando en el telé-
fono para ese entonces? ¿Cuál es la probabilidad de que no haya llamada en espera?
d) Si no se procesa actualmente alguna llamada, ¿cuál es la probabilidad de que el agente tarde
3 minutos en un asunto personal sin ser interrumpido por una llamada?
5.7 Distribución hipergeométrica· 253

47. Durante el periodo en que una universidad local hace registros por teléfono, las llamadas en-
tran a razón de una cada 2 minutos.
a) ¿Cuál es el número esperado de llamadas en una hora?
b) ¿Cuál es la probabilidad de tres llamadas en 5 minutos?
e) ¿Cuál es la probabilidad de que no haya llamadas en un periodo de 5 minutos?
48. Cada año más de 50 millones de huéspedes se hospedan en hoteles que ofrecen alojamiento
AUTO evaluación y desayuno. El sitio web para Bed and Breakfast lnns de Norteamérica, que recibe un prome-
dio de siete visitantes por minuto, permite atraer clientes a muchos hoteles de este tipo (Time,
septiembre de 2001).
a) Calcule la probabilidad de que nadie visite el sitio web en un periodo de un minuto.
b) Calcule la probabilidad de dos o más visitantes al sitio web en un periodo de un minuto.
e) Calcule la probabilidad de uno o más visitantes en un periodo de 30 segundos.
([) Calcule la probabilidad de cinco o más visitantes en un periodo de un minuto.
49. Los pasajeros de una línea aérea llegan al azar y de manera independiente a la instalación de re-
visión de pasajeros en un aeropuerto internacional. La tasa media de llegadas es de 10 personas
por minuto.
a) Calcule la probabilidad de que no haya llegadas en un periodo de un minuto.
b) Calcule la probabilidad de que tres pasajeros o menos lleguen en un periodo de un minuto.
e) Calcule la probabilidad de que no haya llegadas en un periodo de 15 segundos.
([) Calcule la probabilidad de por lo menos una llegada en un periodo de 15 segundos.
50. Cada año ocurre un promedio de 15 accidentes aéreos (The World Almanae and Book of Faets,
2004).
a) Calcule el número medio de accidentes aéreos por mes.
b) Calcule la probabilidad de que no ocurran accidentes durante un mes.
e) Calcule la probabilidad de exactamente un accidente al mes.
([) Calcule la probabilidad de que ocurra más de un accidente mensual.
51. El Consejo de Seguridad Nacional de Estados Unidos estima que los accidentes fuera del tra-
bajo le cuestan a las empresas del país casi $200000 millones al año en productividad perdida
(Consejo de Seguridad Nacional, marzo de 2006). Con base en las estimaciones de la institu-
ción, se espera que las empresas con 50 empleados promedien tres accidentes por año fuera del
trabajo. Responda las preguntas siguientes para las empresas con 50 empleados.
a) ¿Cuál es la probabilidad de que no ocurran accidentes fuera del trabajo durante un periodo
de un año?
b) ¿Cuál es la probabilidad de que ocurran por lo menos dos accidentes fuera del trabajo
durante un periodo de un año?
e) ¿Cuál es el número esperado de accidentes fuera del trabajo durante seis meses?
([) ¿Cuál es la probabilidad de accidentes fuera del trabajo durante los seis meses siguientes?

@ Distribución hipergeométrica
La distribución hipergeométrica mantiene una relación estrecha con la distribución binomial,
pero difiere de ésta en dos puntos esenciales: sus ensayos no son inde pendientes y su probabi-
lidad de éxito cambia de un ensayo a otro.
En la notación usual para la distribución hipergeométrica, r denota el número de elementos
en la población de tamaño N considerados como éxitos, y N - r denota el número de elemen-
tos en la población considerados fracasos. La función hipergeométrica se usa para calcular la
probabilidad de que en una muestra aleatoria de n elementos, seleccionados sin reemplazo, se
obtengan x elementos etiquetados como éxitos y n - x elementos marcados como fracasos. Para
que ocurra este resultado, se deben obtener x éxitos de los r éxitos que hay en la población y
n - x fracasos de los N - r fracasos. La siguiente función hipergeométrica proporcionaf(x), la
probabilidad de obtener x éxitos en n ensayos.
254 Capítulo 5 Distribuciones discretas de probabilidad

FUNCIÓN DE PROBABILIDAD HIPER GEOMÉTRICA

f(x) = (5.16)

donde
x = número de éxitos
n = número de ensayos
f(x) = probabilidad de x éxitos en n ensayos
N = número de elementos en la población
r = número de elementos en la población etiquetados como éxitos

Observe que(:) representa el número de formas en que pueden seleccionarse n elementos

de una población de tamaño N; (J expresa el número de formas en que pueden seleccionarse

x éxitos de un total de r éxitos en la población, y ( N- r)


representa el número de formas
n-x
en que pueden elegirse n- x fracasos de un total de N- r fracasos en la población.
Para la distribución hipergeométrica, x es una variable aleatoria discreta, y la función de
probabilidadf(x), dada por la ecuación (5.16), por lo general se aplica a los valores de x =O,
1, 2, . .. , n. Sin embargo, sólo son válidos los valores de x donde el número de éxitos obser-
vados es menor o igual que el número de éxitos en la población (x ::::; r) y donde el número
de fracasos observados es menor o igual que el número de fracasos en la población (n - x ::::;
N- r) . Si estas dos condiciones no son válidas para uno o más valores de x, laf(x) = Ocorres-
pondiente indica que la probabilidad de este valor de x es cero.
Para ilustrar los cálculos que implica el uso de la ecuación (5.16), considere la siguiente
aplicación de control de calidad. Los fusibles eléctricos producidos por Ontario Electric se
empacan en cajas de 12 unidades cada una. Suponga que un inspector selecciona al azar tres de
los 12 fusibles de una caja para probarlos. Si ésta contiene exactamente cinco fusibles averia-
dos, ¿cuál es la probabilidad de que el inspector encuentre exactamente un fusible defectuo-
so en los tres que seleccionó? En esta aplicación n = 3 y N= 12. Con r = 5 fusibles defectuosos
en la caja, la probabilidad de encontrar x = 1 fusible defectuoso es

G)G) (~)(~) (5)(21)


f(l) = (12) = ( 12!) =---no= 0.4773
3 3!9!

Ahora suponga que quiere conocer la probabilidad de encontrar por lo menos un fusible
defectuoso. La manera más fácil de responder esta pregunta consiste en calcular primero la
probabilidad de que el inspector no encuentre un fusible defectuoso. La probabilidad de x = Oes

tco) = (~)G) (~)(i±!)


= = <1)< 35 ) = o.1591
12)
(3
(_gJ_) 220
3!9!
5.7 Distribución hipergeométrica" 255

Con una probabilidad de cero fusibles defectuososf(O) = 0.1591, concluimos que la probabili-
dad de encontrar por lo menos uno debe ser 1 - 0.1591 = 0.8409. Por lo tanto, hay una proba-
bilidad razonablemente alta de que el inspector encuentre por lo menos un fusible defectuoso.
La media y la varianza de una distribución hipergeométrica son las siguientes:

E(x) = fi = n(~) (5.17)

= a = n(~)( 1 - ~)(Z =~)


2
Var(x) (5.18)

En el ejemplo anterior, n = 3, r = 5 y N= 12. Por lo tanto, la media y la varianza para el nú-


mero de fusibles defectuosos son

fi =
5
n(~) = 3c 2) = 1.25
a2 = n(!_)(1
N
- !_)(~)
N N - 1
= 3(2_)(1 - 2_)(~) = 0.60
12 12 12 - 1

La desviación estándar es a= Y0.60 = 0.77.

NOTAS Y COMENTARIOS

Considere una distribución hipergeométrica con son las mismas que las que se utilizan para calcular el
n ensayos. Sea p = (r/N) que denota la probabilidad valor esperado y la varianza de una distribución bino-
de un éxito en el primero ensayo. Si el tamaño de la mial, como en las ecuaciones (5.13) y (5.14). Cuando
población es grande, el término (N- n)I(N- 1) en el tamaño de la población es grande, una distribución
la ecuación (5.18) se aproxima a l. Como resultado, hipergeométrica puede aproximarse por una distribu-
el valor esperado y la varianza se escriben E(x) = np ción binomial con n ensayos y una probabilidad de
y Var(x) = np(1 - p). Note que estas expresiones éxito de p = (r/N).

Ejercicios

Métodos
52. Suponga que N = 10 y r = 3. Calcule las probabilidades hipergeométricas para los siguientes
AUTO evaluación valores de n y x.
a) n = 4, x = l.
b) n = 2,x = 2.
e) n = 2,x =O.
d) n = 4,x = 2.
e) n = 4,x = 4.
53. Suponga que N= 15 y r = 4. ¿Cuál es la probabilidad de x = 3 paran= 10?

Aplicaciones
54. En un estudio realizado por Gallup Organization se le preguntó a los encuestados: "¿Cuál es
su deporte favorito?" El futbol americano y el basquetbol clasificaron como número uno y dos
respectivamente en cuanto a preferencia (sitio web de Gallup, 3 de enero de 2004). Suponga
que en un grupo de 10 individuos, siete prefieren el futbol americano y tres el basquetbol. Se-
leccionemos una muestra al azar de tres de estos individuos.
a) ¿Cuál es la probabilidad de que exactamente dos prefieran el futbol americano?
b) ¿Cuál es la probabilidad de que la mayoóa (ya sea dos o tres) prefiera el futbol americano?
256 Capítulo 5 Distribuciones discretas de probabilidad

55. El blackjack o veintiuno, como se le llama con frecuencia, es un juego popular de apuestas en
los casinos de Las Vegas. A un jugador se le reparten dos cartas. Las figuras Uotas, reinas y
reyes) y los dieces tienen un valor de 10. Los ases tienen un valor de 1 u 11. Una baraja de
52 cartas contiene 16 con un valor de puntos de 1O Uatas, reinas, reyes y dieces) y cuatro ases.
a) ¿Cuál es la probabilidad de que las dos cartas repartidas sean ases o cartas de 10 puntos?
b) ¿Cuál es la probabilidad de que ambas sean ases?
e) ¿Cuál es la probabilidad de que las dos tengan un valor de 10?
d) Un blackjack es una carta de 10 puntos y un as que dan un valor de 21. Use las respuestas
de los incisos a), b) y e) para determinar la probabilidad de que a un jugador le repartan
un blackjack. [Pista. El inciso d) no es un problema hipergeométrico. Elabore una rela-
ción lógica propia de cómo pueden combinarse las probabilidades hipergeométricas de los
incisos a) , b) y e) para responder esta pregunta.]

56. Axline Computers fabrica computadoras personales en dos plantas, una en Texas y la otra en
AUTO evaluación Hawaii . La planta de Texas cuenta con 40 empleados y la de Hawaii con 20. A una muestra
aleatoria de 1O empleados se le pedirá que llene un cuestionario de beneficios.
a) ¿Cuál es la probabilidad de que ninguno de los empleados de la muestra trabaje en la plan-
ta de Hawaii ?
b) ¿Cuál es la probabilidad de que uno de estos empleados trabaje en la planta de Hawaii?
e) ¿Cuál es la probabilidad de que dos o más sujetos de la muestra laboren en la planta de
Hawaii ?
d) ¿Cuál es la probabilidad de que nueve de los empleados trabajen en la planta de Texas?

57. La encuesta de restaurantes de ZAGAT proporciona las calificaciones de los platillos, la de-
coración y el servicio de algunos restaurantes de Estados Unidos. Para 15 establecimientos
ubicados en Bastan, el precio promedio de una cena, incluyendo una bebida y la propina, es
de $48.60. Usted está de viaje de negocios en Bastan y cenará en tres de estos restaurantes. Su
empresa le reembolsará un máximo de $50 por cena. Los socios de negocios familiarizados con
estos establecimientos le han dicho que el costo de la cena en un tercio de los restaurantes de
la encuesta rebasa los $50. Suponga que selecciona al azar tres de estos negocios para comer.
a) ¿Cuál es la probabilidad de que ninguna de las cenas rebase el costo que cubre su empresa?
b) ¿Cuál es la probabilidad de que una de las cenas supere el costo que cubre su empresa?
e) ¿Cuál es la probabilidad de que dos de las cenas rebasen tal costo?
d) ¿Cuál es la probabilidad de que tres de las cenas rebasen dicho costo?

58. El Troubled Asset Relief Program (TARP), aprobado por el Congreso de Estados Unidos en
octubre de 2008, aportó $700000 millones como apoyo financiero para que mejorara la econo-
mía del país. Más de $200000 millones se destinaron a instituciones fmancieras con problemas
con la esperanza de que hubiera un incremento en los préstamos para ayudar a reactivar la
economía. Pero tres meses después, una encuesta de la Reserva Federal reveló que dos tercios
de los bancos que recibieron fondos del TARP habían restringido las condiciones de los présta-
mos empresariales (The Wall Street Journal, 3 de febrero de 2009). De los 10 principales ban-
cos receptores de fondos del TARP, sólo tres incrementaron realmente los préstamos durante
el periodo.

Incremento en los préstamos Disminución de los préstamos


BB&T Bank of America
Sun Trust Banks Capital One
U.S. Bancorp Citigroup
Fifth Third Bancorp
J .P. Morgan Chase
Regions Financia]
Wells Fargo
Resumen 257

En este ejercicio, suponga que se seleccionan al azar 3 de estos LO bancos para efectuar un
estudio que permitirá seguir supervisando las prácticas crediticias de estas instituciones. Sea
x una variable aleatoria que indica el número de bancos en el estudio que incrementaron sus
préstamos.
a) ¿Cuánto esf(O)? ¿Cuál es su interpretación de este valor?
b) ¿Cuánto esf(3)? ¿Cuál es su interpretación de este valor?
e) Calcule f(l) y f(2). Muestre la distribución de probabilidad para el número de bancos en
el estudio que incrementó sus créditos. ¿Qué valor de x tiene la mayor probabilidad?
d) ¿Cuál es la probabilidad de que el estudio muestre por lo menos un banco que incrementó
sus préstamos?
e) Calcule el valor esperado, la varianza y la desviación estándar para la variable aleatoria.

Resumen

Una variable aleatoria proporciona una descripción numérica del resultado de un experimento.
La distribución de probabilidad de esta variable describe cómo se distribuyen las probabilida-
des entre los valores que puede asumir la misma. Para cualquier variable aleatoria discreta x,
la distribución de probabilidad se define por medio de una función de probabilidad, que se de-
notaf(x), que proporciona la probabilidad asociada con cada valor de la variable aleatoria. Una
vez que se define la función de probabilidad, puede calcularse el valor esperado, la varianza y
la desviación estándar de dicha variable.
Presentarnos dos tipos de distribuciones discretas de probabilidad. Un tipo proporciona
en una tabla una lista de valores para una variable aleatoria y sus probabilidades asociadas.
Mostramos cómo utilizar el método de frecuencia relativa para la asignación de probabilidades
para desarrollar una distribución discreta empírica de probabilidad de este tipo. También se ana-
lizaron las distribuciones bivariantes empíricas. Con éstas, nos enfocamos en la relación entre
dos variables aleatorias. Mostramos cómo calcular la covarianza y el coeficiente de correlación
como medidas de dicha relación. También vimos cómo utilizar las distribuciones bivariantes que
involucran rentabilidad de mercado en bienes financieros para diseñar portafolios financieros .
El segundo tipo de distribución discreta de probabilidad que analizamos involucra el em-
pleo de una función matemática para proporcionar las probabilidades para la variable aleatoria.
Las distribuciones binomiales, de Poisson e hipergeométricas analizadas corresponden a este
tipo de distribución. La distribución binomial se utiliza para determinar la probabilidad de x
éxitos en n ensayos, siempre que el experimento tenga las siguientes propiedades:
l. El experimento consiste en una secuencia de n ensayos idénticos.
2. En cada ensayo dos resultados son posibles: uno llamado éxito y el otro,fracaso.
3. La probabilidad de un éxito p no cambia de un ensayo a otro. En consecuencia, la pro-
babilidad de fracaso, 1 - p, tampoco cambia de un ensayo a otro.
4. Los ensayos son independientes.
Cuando se cumplen las cuatro propiedades, la función binomial de probabilidad se utiliza para
determinar la probabilidad de obtener x éxitos en n ensayos. En este capítulo también explica-
mos las fórmulas para la media y la varianza de la distribución binomial.
La distribución de Poisson se usa cuando se desea determinar la probabilidad de obtener
x ocurrencias en un intervalo de tiempo o espacio. Es necesario que se cumplan los supuestos
siguientes para que la distribución de Poisson pueda aplicarse.
l . La probabilidad de una ocurrencia del evento es la misma para dos intervalos cuales-
quiera de igual longitud.
2. La ocurrencia o no ocurrencia del evento en cualquier intervalo es independiente de su
ocurrencia o no ocurrencia en cualquier otro intervalo.
Una tercera distribución discreta de probabilidad, la hipergeométrica, se presentó en la sec-
ción 5.7. Al igual que la binomial, esta distribución se utiliza para calcular la probabilidad de
x éxitos en n ensayos. Pero, a diferencia de la binomial, la probabilidad de éxito cambia de un
ensayo a otro.
258 Ca pítulo 5 Distribuciones discretas de probabilidad

Glosario

Desviación estándar Raíz cuadrada positiva de la varianza.


Distribución de probabilidad Descripción de cómo se distribuyen las probabilidades entre
los valores de una variable aleatoria.
Distribución de Poisson Muestra la probabilidad de x ocurrencias de un evento a lo largo de
un intervalo de tiempo o espacio específicos.
Distribución binomial Muestra la probabilidad de x éxitos en n ensayos de un experimento
binomial.
Distribución de probabilidad bivariante Distribución de probabilidad que involucra dos
variables aleatorias. Una distribución bivariante discreta proporciona una probabilidad para
cada par de valores que pueden ocurrir en las dos variables aleatorias.
Distribución hipergeométrica Describe la probabilidad de x éxitos en n ensayos de una po-
blación con r éxitos y N - r fracasos.
Distribución uniforme discreta Distribución de probabilidad para la cual cada valor posible
de la variable aleatoria tiene la misma probabilidad.
Distribución discreta empírica Distribución discreta de probabilidad en la que se utiliza el
método de frecuencia relativa para asignar probabilidades.
Experimento binomial Experimento que tiene las cuatro propiedades establecidas al princi-
pio de la sección 5.4.
Función de probabilidad Función, que se denota conf(x), que proporciona la probabilidad
de que x asuma un valor particular para una variable aleatoria discreta.
Función binomial Se utiliza para calcular las probabilidades binomiales.
Función de Poisson Función que se utiliza para determinar las probabilidades de Poisson.
Función hipergeométrica Función que se utiliza para calcular las probabilidades hipergeo-
métricas.
Valor esperado Medida de la posición o ubicación central de una variable aleatoria.
Variable aleatoria Descripción numérica del resultado de un experimento.
Variable aleatoria continua Variable que puede asumir cualquier valor numérico en un in-
tervalo o conjunto de intervalos.
Variable aleatoria discreta Variable que puede asumir cualquier número finito de valores o
una secuencia infinita de valores.
Varianza Medida de la variabilidad, o dispersión, de una variable aleatoria.

Fórmulas clave

Función uniforme discreta

f(x) = lln (5.3)

Valor esperado de una variable aleatoria discreta

E(x) = fl = 2-xf(x) (5.4)

Varianza de una variable aleatoria discreta

Var(x) = a 2 = 2-(x - Pif(x) (5.5)

Covarianza de las variables aleatorias x y y

ax:y = [Var(x + y) - Var(x) - Var (y)]/2 (5.6)


Fórmulas clave 259

Correlación entre variables aleatorias x y y


axy
Pxy =aXa y (5.7)

Valor esperado de una combinación lineal para variables aleatorias x y y

E(ax + by) = aE(x) + bE(y) (5.8)

Varianza de una combinación lineal para dos variables aleatorias

(5.9)

donde axy es la covarianza de x y y

Número de resultados experimentales que proporciona


exactamente x éxitos en n ensayos

(xn) = x!(n-n! x)! (5.1 O)

Función binomial

(5.12)

Valor esperado de la distribución binomial

E(x) = 1-l = np (5.13)

Varianza de la distribución binomial

Var(x) = a 2 = np(l - p) (5.14)

Función de Poisson

(5.15)

Función hipergeométrica

f(x) = (5.16)

Valor esperado de una distribución hipergeométrica

E(x) = 1-l = n(~) (5.17)

Varianza de una distribución hipergeométrica

(5. 18)
260 Capítulo 5 Distribuciones discretas de probabilidad

Eiercicios complementarios

59. El estudio de Big Money de Barron 's le preguntó a 131 gerentes de inversiones de todo Esta-
dos Unidos su perspectiva sobre la inversión a corto plazo (Barron's, 28 de octubre de 2002).
Sus respuestas mostraron los siguientes indicadores: 4% eran muy optimistas; 39% optimistas;
29% neutrales; 21% pesimistas, y 7% muy pesimistas. Sea x la variable aleatoria que refleja
el nivel de optimismo respecto al mercado y que asume los valores x = 5 para muy optimista,
hasta x = 1 para muy pesimista.
a) Elabore una distribución de probabilidad para el nivel de optimismo de los gerentes de
inversiones.
b) Calcule el valor esperado para el nivel de optimismo.
e) Calcule su varianza y desviación estándar.
á) Comente qué indican sus resultados sobre el nivel de optimismo y su variabilidad.
60. La Asociación Estadounidense de Inversionistas Individuales publica una guía anual para los
principales fondos de inversión (The lndividuallnvestor's Cuide to the Top Mutual Funds,
22a. ed., American Association of lndividuallnvestors, 2003). La calificación del riesgo total
para 29 categorías de fondos de inversión se muestra a continuación.

Número de categorías
Riesgo total de fondos
Bajo 7
Por debajo del promedio 6
Promedio 3
Por encima del promedio 6
Alto 7

a) Sea x = 1 para el riesgo bajo, y hasta x = 5 para el riesgo alto; elabore una distribución de
probabilidad para el nivel de riesgo.
b) ¿Cuáles son el valor esperado y la varianza para el riesgo total?
e) Resulta que 11 de las categorías eran fondos de inversión en bonos. Para estos últimos, siete
categorías se clasificaron como bajas, y cuatro por debajo del promedio. Compare el riesgo
total de los fondos de bonos con las 18 categorías de los fondos de inversión en acciones.
61. La preparación del presupuesto de una universidad de la región central de Estados Unidos
generó los siguientes pronósticos de gastos para el año próximo (en millones de dólares): $9,
$10, $11, $12 y $13. Como se conocen los gastos actuales, se asignaron las siguientes probabi-
lidades respectivas: 0.3, 0.2, 0.25, 0.05 y 0.2.
a) Muestre la distribución de probabilidad para el pronóstico de gastos.
b) ¿Cuál es el valor esperado de este pronóstico para el año próximo?
e) ¿Cuál es la varianza del pronóstico de gastos para el año próximo?
á) Si las proyecciones de ingresos estimadas para el año son $12 millones, comente cuál es la
posición financiera del colegio.
62. Una librería en el aeropuerto de Atlanta Hartsfield-Jackson vende material de lectura como
libros, periódicos, revistas y botanas como cacahuates, pretzels y dulces, entre otros. Una ter-
minal de punto de venta recaba una gran variedad de información sobre las compras de los
clientes. A continuación se presenta una tabla con la cantidad de botanas y el cantidad de ma-
teriales de lectura comprado por los 600 clientes más recientes.

Material de lectura
o 1 2
o o 60 18
Botanas 1 240 90 30
2 120 30 12
Ejercicios complementarios 261

a) Utilice los datos de la tabla para elaborar una distribución discreta de probabilidad biva-
riante empírica, donde x = número de botanas, y y = número de materiales de lectura en
una compra de cliente seleccionada de forma aleatoria. ¿Cuál es la probabilidad de que
la compra de un cliente consista en un material de lectura y dos botanas? ¿Cuál es la pro-
babilidad de que un cliente compre una sola botana? ¿Por qué la probabilidad esf(x = O,
y= O)= O?
b) Muestre la distribución de probabilidad marginal para la cantidad comprada de botanas.
Calcule el valor esperado y la varianza.
e) ¿Cuál es el valor esperado y la varianza para el número de materiales de lectura comprados
por un cliente?
d) Muestre la distribución de probabilidad en donde t = total de artículos adquiridos en una
compra. Calcule el valor esperado y la varianza.
e) Calcule la covarianza y el coeficiente de correlación entre x y y. ¿Cuál es la relación, si es
que existe, entre el número de materiales de lectura y el número de botanas comprados en
la visita de un cliente?
63. El grupo Knowles/Arrnitage (KA) en Merril Lynch asesora a los clientes en la elaboración
de un portafolio de inversión diversificado. Una de las alternativas de inversión que ponen a
disponibilidad de los clientes es el fondo AIIWorld compuesto por acciones globales con buen
rendimiento de dividendos. Uno de sus clientes se interesa en un portafolio que contenga una
inversión en el fondo Al!World y otro en el fondo de bonos del Tesoro. La rentabilidad por-
centual esperada para el fondo Al!World es 7.80% con una desviación estándar de 18.90%. La
rentabilidad porcentual esperada en una inversión en un fondo de bonos del Tesoro es
5.50% con una desviación estándar de 4.60%. La covarianza de una inversión en el fondo
Al!World con una inversión en un fondo de bonos del Tesoro es -12.4.
a) ¿Cuál de los fondos se consideraría de mayor riesgo? ¿Por qué?
b) Si el grupo KA recomienda al cliente una inversión de 75% en el fondo AllWorld y
25% en fondos de bonos del Tesoro, ¿cuál sería la rentabilidad esperada y la desviación
estándar en dinero, para un cliente que invierte $10000 en este portafolio?
e) Si el grupo KA le recomienda al cliente una inversión de 25% en el fondo AllWorld y
75 % en fondos de bonos del Tesoro, ¿cuál sería la rentabilidad esperada y la desviación
estándar en dinero, para un cliente que invierte $10000 en este portafolio?
d) ¿Cuál de los portafolios de los incisos anteriores recomendaría para un inversionista au-
daz?, ¿cuál recomendaría a un inversionista conservador? ¿Por qué?
64. Un estudio reveló que, en promedio, una persona tarda alrededor de 26 minutos en trasladar-
se de su casa al trabajo o viceversa. Además, 5% de los encuestados informó que tarda más
de una hora en ir o regresar del trabajo (sitio web de Bureau ofTransportation Statistics, 11 de
enero de 2004).
a) Si 20 personas se encuestan un día en particular, ¿cuál es la probabilidad de que tres de
ellas informen que tardan más de una hora en trasladarse?
b) Si 20 personas se encuestan un día en particular, ¿cuál es la probabilidad de que ninguna
informe que tarda más de una hora en trasladarse?
e) Si una empresa tiene 2000 empleados, ¿cuál es el número esperado de empleados que
tardan más de una hora en trasladarse de su trabajo a su casa o viceversa?
d) Si una empresa tiene 2000 empleados, ¿cuáles son la varianza y la desviación estándar del
número de ellos que tardan más de una hora en trasladarse?
65. Un grupo de acción política prevé entrevistar a los propietarios de casas para evaluar el impac-
to causado por una caída reciente de los precios de la vivienda. Según el estudio de finanzas
personales de The Wall Street Journal!Harris Interactive, 26% de los individuos de 18-34 años,
50% del grupo de 35-44 años y 88% de los individuos mayores de 55 años son propietarios de
una vivienda (sitio web de All Business, 23 de enero de 2008).
a) ¿Cuántas personas del grupo de edades de entre 18 y 34 años deben incluirse en la mues-
tra para encontrar un número esperado de por lo menos 20 propietarios de una vivienda?
b) ¿Cuántas personas del grupo de 35-44 años de edad deben incluirse en la muestra para
encontrar un número esperado de por lo menos 20 propietarios de una vivienda?
e) ¿Cuántos sujetos de 55 años y más deben considerarse para encontrar un número espe-
rado de por lo menos 20 propietarios de una vivienda?
262 Capítulo 5 Distribuciones discretas de probabilidad

d) Si el número de 18-34 años de la muestra es igual al valor identificado en el inciso a),


¿cuál es la desviación estándar del número de personas que serán propietarias?
e) Si el número de 35-44 años de la muestra es igual al valor indicado en el inciso b),
¿cuál es la desviación estándar del número de personas que serán propietarias de una
vivienda?
66. Muchas empresas usan una técnica de control de calidad conocida como muestreo de acep-
tación para monitorear los envíos entrantes de partes, materias primas, etc. En la industria
electrónica, los proveedores envían por lo general los componentes en lotes grandes. La ins-
pección de una muestra de n componentes se considera como los n ensayos de un experimen-
to binomial. El resultado de la prueba de cada componente (ensayo) se clasifico como bueno o
defectuoso. Reynolds Electronics acepta un lote de cierto proveedor si los componentes defec-
tuosos del lote no rebasan 1%. Suponga que se prueba una muestra aleatoria de cinco artículos
de un embarque reciente.
a) Asuma que 1% del embarque está defectuoso. Calcule la probabilidad de que ningún com-
ponente de la muestra está defectuoso.
b) Suponga que 1% del embarque está defectuoso. Calcule la probabilidad de que exacta-
mente uno de los componentes de la muestra esté defectuoso.
e) ¿Cuál es la probabilidad de observar una o más partes defectuosas en la muestra si 1% del
embarque lo está?
d) ¿Se sentiría cómodo al aceptar el embarque si se encontró que un componente estaba de-
fectuoso? ¿Por qué?
67. La tasa de desempleo en el estado de Arizona es de 4.1 % (sitio web de CNN Money, 2 de
mayo de 2007). Suponga que 100 personas disponibles para un empleo en Arizona son selec-
cionadas al azar.
a) ¿Cuál es el número esperado de personas desempleadas?
b) ¿Cuáles son la varianza y la desviación estándar del número de personas sin empleo?
68. Un estudio realizado por Zogby International reveló que de aquellos estadounidenses para
quienes la música desempeña un papel "muy importante" en su vida, 30% dijeron que sus
estaciones de radio locales "siempre" transmiten el tipo de música que les gusta (sitio web de
Zogby, 12 de enero de 2004). Suponga que se toma una muestra de 800 personas para quienes
la música desempeña un papel importante en su vida.
a) ¿Cuántas personas esperaría que dijeran que sus estaciones de radio locales siempre trans-
miten el tipo de música que les gusta?
b) ¿Cuál es la desviación estándar del número de encuestados que piensa que sus estacio-
nes de radio locales siempre transmiten el tipo de música que les agrada?
e) ¿Cuál es la desviación estándar del número de encuestados que no piensa que sus esta-
ciones de radio locales difunden la música de su preferencia?
69. En un lavado automotriz, los automóviles llegan de manera aleatoria e independiente; la pro-
babilidad de un arribo es la misma para cualesquiera dos intervalos de tiempo de igual dura-
ción. La tasa de llegada media es 15 vehículos por hora. ¿Cuál es la probabilidad de que durante
una hora cualquiera de operación lleguen 20 o más automóviles?
70. En un nuevo proceso de producción automatizada hay un promedio de 1.5 interrupciones por
día. Debido a los costos asociados con una interrupción, la gerencia está preocupada por la
posibilidad de que haya tres o más durante el día. Suponga que éstas ocurren aleatoriamente,
que la probabilidad de interrupción es la misma para cualesquiera dos intervalos de tiempo de
igual duración, y que las interrupciones en un lapso son independientes de las que ocurren en
otro lapso. ¿Cuál es la probabilidad de que haya tres o más durante un día?
71. Un director regional responsable del desarrollo de negocios en el estado de Pennsylvania está
preocupado por el número de quiebras de las empresas pequeñas. Si el número medio de estas
quiebras por mes es 10, ¿cuál es la probabilidad de que exactamente cuatro empresas peque-
ñas incurran en esta situación durante un mes determinado? Suponga que la probabilidad de
una quiebra es la misma para dos meses cualesquiera y que su ocurrencia o no ocurrencia en
algún mes es independiente de las quiebras en cualquier otro mes.
72. Las llegadas de los clientes a un banco son aleatorias e independientes, y la probabilidad de
un arribo en un periodo de un minuto es la misma que en cualquier otro periodo de un minuto.
Responda las preguntas siguientes suponiendo una tasa media de llegadas de tres clientes por
minuto.
a) ¿Cuál es la probabilidad de exactamente tres llegadas en un periodo de un minuto?
b) ¿Cuál es la probabilidad de por lo menos tres llegadas en un periodo de un minuto?
Apéndice 5.2 Distribuciones de probabilidad discretas con Excel 263

73. Una baraja contiene 52 cartas, cuatro de las cuales son ases. ¿Cuál es la probabilidad de que
al repartir las cartas en una mano de cinco se obtengan los siguientes casos?
a) Un par de ases.
b) Exactamente un as.
e) Ningún as.
d) Por lo menos un as.
74. La clasificación de los mejores programas de posgrado en escuelas de negocios en Estados
Unidos, U.S. News & World Report, muestra a la Universidad de Harvard y a la Universidad
de Stanford en un empate en el primer puesto. Además, 7 de cada 10 escuelas de posgrado en
negocios cuentan con estudiantes con un promedio en Licenciatura de 3.5 o superior (Ameriea 's
Best Graduate Sehools, edición de 2009, U. S. News & World Report). Suponga que selecciona-
mos aleatoriamente a 2 de las 1Oescuelas de pos grado en negocios mejor clasificadas (Top 10).
a) ¿Cuál es la probabilidad de que exactamente una escuela tenga estudiantes con un prome-
dio de licenciatura de 3.5 o superior?
b) ¿Cuál es la probabilidad de que ambas escuelas tengan estudiantes con un promedio de
licenciatura de 3.5 o superior?
e) ¿Cuál es la probabilidad de que ninguna de las escuelas seleccionadas tenga estudiantes
con promedio de licenciatura de 3.5 o superior?

Apéndice 5.1 Distribuciones discretas


de probabilidad con Minitab
El software estadístico de Minitab ofrece un procedimiento fácil y eficiente para calcular proba-
bihdades binomiales. En este apéndice se describe paso a paso el procedimiento para determi-
nar las probabilidades binomiales para el problema de Martín Clothing Store de la sección 5.4.
Recuerde que las probabihdades binomiales buscadas se basan en n = 10 y p = 0.30. Antes de
comenzar con la rutina de Minitab, el usuario debe introducir los valores deseados de la variable
aleatoria x en una columna de la hoja de trabajo. En el ejemplo de la figura 5.5 se introdujeron
los valores O, 1, 2, ... , 10 en la columna 1 para generar la distribución de probabihdad bino-
mial completa. Los pasos de Minitab para obtener las probabilidades deseadas se describen a
continuación.
Paso l. Seleccione el menú Cale.
Paso 2. Elija Probability Distributions.
Paso 3. Seleccione Binomial.
Paso 4. Cuando aparezca el cuadro de diálogo Binomial Distribution:
Seleccione Probability.
Introduzca 1O en el cuadro Number of trials.
Introduzca 0.3 en el cuadro Event probability.
Introduzca Cl en el cuadro Input column.
Haga haga clic en OK.
El resultado de Minitab con las probabilidades binomiales aparecerá como se muestra en la
figura 5.5.
Minitab proporciona de manera similar probabilidades de Poisson e hipergeométricas. Por
ejemplo, para calcular las probabilidades de Poisson, las únicas diferencias se encuentran en el
paso 3, donde se seleccionaría la opción Poisson, y en el paso 4, donde se introduciría Mean en
vez del número de ensayos y la probabilidad de éxito.

Apéndice 5.2 Distribuciones discretas


de probabilidad con Excel
Excel contiene funciones para calcular probabilidades de las distribuciones binomial, de Pois-
son e hipergeométrica presentadas en este capítulo. La función de Excel para calcular probabi-
264 Capítulo 5 Distribuciones discretas de probabilidad

FIGURA 5.6 Hoja de trabajo de Excel para calcular las probabilidades binomiales

4
5 =BINOM.DIST(B5,SB$1 ,SBS2,FALSE)
6 =BINOMDIST(B6.SBS 1,SBS2,FALSE)
7 =BINOM.DIST(B7 ,SBS 1,SBS2,FALSE)
8 =BINOM.DIST(B8.$B$1 ,$B$2,FALSE)
9 =BINOM.DIST(B9,SB$1 ,SBS2,FALSE)
10 =BINOMDIST(B 1O,SBS 1,SBS2,FALSE)
11 =BINOM.DIST(B 11,SBS1 ,SB$2,FALSE)
12 =BINOM.D!ST(B 12,SB$1 ,SB$2,F..<\LSE)
13 =BINOM.D!ST(B13,SB$1 ,SB$2,FALSE)
14 =BINOM.DIST(B 14,SBS 1,SBS2,FALSE)
15 o=......_'- =BINOM.DIST(B15,SBS1,SBS2,FALSE)

A B
1 1 Number ofTrials (n )1
2 Probability of Success (p ) ...__~""
3
4 X ffx)
5 o 0.0282
6 1 0.1211
7 2 0.2335
3
8
9
101 S
.. 0.2668
0.2001
0.1029
11 6 0.0368
12 7 0.0090
13 8 0.0014
14 9 0.0001
15 10 0.0000

lidades binomiales es BINOMDIST. Tiene cuatro argumentos: x (núm_éxito), n (núm_ensayos),


p (prob_éxito) y acumulado. FALSE se usa para el cuarto argumento (acumulado) si se busca la
probabilidad de x éxitos, y TRUE se utiliza para el cuarto argumento si se quiere la probabilidad
acumulada de x o menos éxitos. Aqui se muestra cómo calcular las probabilidades de O a 10
éxitos para el problema de la tienda Martín Clothing Store de la sección 5.4 (figura 5.5).
Cuando se describa el desarrollo de la hoja de trabajo, revise la figura 5.6; las fórmulas en la
hoja de trabajo se colocan en segundo plano, y los valores en la hoja de trabajo aparecen en
primer plano. El número de ensayos (10) se introduce en la celda Bl, la probabilidad de éxito
en la celda B2 y los valores para la variable aleatoria en las celdas BS:B 15. Los siguientes pasos
generarán las probabilidades que se buscan.

Paso l. Use la función BINOMDIST para calcular la probabilidad de x = Oal introducir la


fórmula siguiente en la celda C5:
= BINOMDIST(B5,$B$1 ,$B$2,FALSE)

Paso 2. Copie la fórmula de la celda C5 en las celdas C6:Cl5.

Los valores de la hoja de trabajo de la figura 5.6 muestran que las probabilidades obtenidas
son las mismas que las de la figura 5.5. Las probabilidades de Poisson e hipergeométricas se
calculan de modo parecido. Se usan las funciones POISSON e HYPGEOMDIST. El cuadro de diá-
logo lnsert Function (insertar función) de Excelle ayuda al usuario a introducir los argumentos
apropiados para estas funciones (vea el apéndice E).

También podría gustarte