Modelos Probabilísticos - Revisado

Modelos probabilísticos Rubén Medinaceli O.
MODELOS PROBABILÍSTICOS
Los modelos probabilísticos, son funciones de distribución de probabilidad o funciones de

densidad de probabilidad que describen la mayor parte de las variables aleatorias que se
encuentran en la vida real. Estos modelos probabilísticos también reciben el nombre de
distribuciones.
A continuación, se presentan inicialmente algunas distribuciones discretas y posteriormente

algunas distribuciones continuas.
1. Distribuciones discretas
Las distribuciones discretas (funciones de distribución de probabilidad) corresponden a

variables aleatorias discretas.
1.1. Prueba o experimento de Bernoulli
Una prueba o experimento de Bernoulli es un experimento aleatorio que da lugar solamente

a dos resultados genéricamente conocidos como “éxito” y “fracaso”; se conoce además
la probabilidad de uno de los resultados.
Se denominará p a la probabilidad del “éxito” y q = 1- p a la probabilidad del “fracaso”.
• Un ejemplo de experimento de Bernoulli es:
Experimento aleatorio: lanzar una moneda
Espacio de muestreo (S): {Cara (éxito); Sello (fracaso)}
p = 0,5
• Otro ejemplo de experimento de Bernoulli es:
Experimento aleatorio: lanzar un dado
Si se toma en cuenta el número de puntos que muestra la cara superior del dado
Espacio de muestreo (S): {1, 3, 5 2, 4, 6}
impar par
“éxito” “fracaso”
p = 0,5
1
1.2. Distribución de Bernoulli
1.2.1. Definición
Si X es una variable aleatoria discreta cuya función de distribución de probabilidad viene

dada por la expresión:
𝑓𝑋 (𝑥) = 𝑝 𝑥 𝑞1−𝑥 ; 𝑥 = 0, 1
Se dice que la variable aleatoria X sigue o tiene una distribución de Bernoulli.
En la expresión,
p = Probabilidad del “éxito”
q = 1 – p = Probabilidad del “fracaso”
Nótese que la distribución de Bernoulli reproduce un experimento de Bernoulli. Si x = 1, se

está hablando de un “éxito”; y si x = 0 se está hablando de un “fracaso”
1.2.2. Teorema
Sea X una variable aleatoria que sigue una distribución de Bernoulli.

Luego,
a)
𝐸[𝑋] = 𝜇𝑋 = 𝑝
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝑝𝑞
Una primera demostración del teorema está basada en las definiciones de media y varianza
proporcionadas en el tema anterior. Así,
a)
1
𝑬[𝑿] = 𝝁𝑿 = ∑ 𝑥𝑓𝑋 (𝑥) = 0 × 𝑝0 𝑞1−0 + 1 × 𝑝1 𝑞1−1 = 𝒑

𝑥=0
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝐸[𝑋2 ] − 𝜇𝑋2

1
2]
𝐸[𝑋 = ∑ 𝑥 2 𝑓𝑋 (𝑥) = 02 𝑝 0 𝑞1−0 + 12 𝑝1 𝑞1−1 = 𝑝
𝑥=0
2
Por tanto,
𝑽𝒂𝒓[𝑿] = 𝝈𝟐𝑿 = 𝑝 − 𝑝 2 = 𝑝(1 − 𝑝) = 𝒑𝒒
Una segunda demostración del teorema está basada en la función generatriz de momentos.
Recuerde que para una variable aleatoria X discreta:
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∑ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥)

∀𝑥
En el caso de la distribución de Bernoulli
𝑚𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑝 𝑥 𝑞1−𝑥 = 𝑒 𝑡(0) 𝑝 0 𝑞1−0 + 𝑒 𝑡(1) 𝑝1 𝑞1−1 = 𝒒 + 𝒑𝒆𝒕

𝑥=0
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡)
= 𝑝𝑒 𝑡
𝑑𝑡
𝑑𝑚𝑋 (𝑡)
=𝑝
𝑑𝑡𝑡→0
Por tanto,
𝐸[𝑋] = 𝜇𝑋 = 𝒑
b)
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2
Donde,
𝑑 2 𝑚𝑋 (𝑡)
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
= 𝑝𝑒 𝑡
𝑑𝑡 2
=𝑝
𝑑𝑡 2 𝑡→0
Por tanto,
𝑉𝑎𝑟[𝑋] = 𝑝 − 𝑝 2 = 𝑝(1 − 𝑝) = 𝒑𝒒
3
1.3. Distribución binomial

Si se cumplen los siguientes supuestos:
• Se tiene n pruebas o experimentos de Bernoulli
• La probabilidad p del “éxito” tiene el mismo valor en cada prueba
• Se define la variable aleatoria X como:
X = Número de “éxitos” en las n pruebas o experimentos de Bernoulli
Rango de X = {0, 1, 2, 3, … , n}
Es posible demostrar que la función de distribución de probabilidad de X viene dada por:

𝑛
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 ; 𝑥 = 0, 1, 2, ⋯ , 𝑛
𝑥
1.3.1. Definición
Si X es una variable aleatoria cuya función de distribución de probabilidad viene dada por:
𝑛
𝑓𝑋 (𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 ; 𝑥 = 0, 1, 2, ⋯ , 𝑛
𝑥
Se dice que la variable aleatoria X sigue o tiene una distribución binomial.
1.3.2. Teorema
Sea X una variable aleatoria que sigue una distribución binomial.

Luego,
a)
𝐸[𝑋] = 𝜇𝑋 = 𝑛𝑝
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝑛𝑝𝑞
La demostración de este teorema está basada en la función generatriz de momentos.

𝑛 𝑛
𝑛 𝑛
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∑ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥) = ∑ 𝑒 𝑡𝑥 ( ) 𝑝 𝑥 𝑞𝑛−𝑥 = ∑ ( ) (𝑝𝑒 𝑡 )𝑥 𝑞 𝑛−𝑥
𝑥 𝑥
∀𝑥 𝑥=0 𝑥=0
Recordando que,
4
𝑛
𝑛
(𝑎 + 𝑏)𝑛 = ∑ ( ) 𝑎𝑛−𝑥 𝑏 𝑥
𝑥
𝑥=0
Por tanto, se tiene que:
𝒎𝑿 (𝒕) = (𝒒 + 𝒑𝒆𝒕 )𝒏
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡)
= 𝑛(𝑞 + 𝑝𝑒 𝑡 )𝑛−1 𝑝𝑒 𝑡
𝑑𝑡
𝑑𝑚𝑋 (𝑡)
= 𝑛(𝑞 + 𝑝)𝑛−1 𝑝 = 𝒏𝒑
𝑑𝑡𝑡→0
Por tanto,
𝐸[𝑋] = 𝜇𝑋 = 𝒏𝒑
b)
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2
Donde,
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
= 𝑛𝑝𝑒 𝑡 (𝑛 − 1)(𝑞 + 𝑝𝑒 𝑡 )𝑛−2 𝑝𝑒 𝑡 + (𝑞 + 𝑝𝑒 𝑡 )𝑛−1 𝑛𝑝𝑒 𝑡
𝑑𝑡 2
= 𝑛𝑝(𝑛 − 1)𝑝 + 𝑛𝑝 = 𝑛(𝑛 − 1)𝑝 2 + 𝑛𝑝 = 𝑛2 𝑝2 − 𝑛𝑝 2 + 𝑛𝑝
𝑑𝑡 2 𝑡→0
Por tanto,
𝑉𝑎𝑟[𝑋] = 𝑛2 𝑝 2 − 𝑛𝑝 2 + 𝑛𝑝 − (𝑛𝑝)2 = 𝑛𝑝 − 𝑛𝑝 2 = 𝑛𝑝(1 − 𝑝) = 𝒏𝒑𝒒
1.3.3. Ejercicio 1
Problema:
Se lanza cinco (5) veces un par de tetraedros (un tetraedro es un cuerpo geométrico de 4
caras, cada una de las cuales es un triángulo equilátero) cuyas caras, en cada caso, están
enumeradas del 1 al 4.
5
Calcular la probabilidad que las caras sobre las que se apoyan los tetraedros muestren el
mismo número en dos (2) de los cinco lanzamientos.
Solución:
El espacio de muestreo (S) del experimento aleatorio puede representarse de la siguiente
manera:
El espacio de muestreo (𝑆) del experimento aleatorio puede representarse de la siguiente
manera:
Tetraedro 2
(base)
4 ● ● ● ●
“Éxito”
3 ● ● ● ●
2 ● ● ● ●
3 4
3
1 ● ● ● ● (Representan3 las bases de los dos tetraedros)
1 2 3 4 Tetraedro 1
(base)
“Éxito”: Los números de las caras sobre las que se apoyan los dos tetraedros son
iguales.
p = 1/4
“Fracaso”: Los números de las caras sobre las que se apoya los dos tetraedros son
diferentes.
q = 1 – p = 3/4
Nótese que:
• Cada lanzamiento de los dos tetraedros es un experimento o prueba de Bernoulli.
• Si los dos tetraedros son lanzados cinco veces, se tiene cinco (n=5) experimentos
de Bernoulli.
• La probabilidad p del “éxito” tiene el mismo valor en cada lanzamiento
• Si la variable aleatoria X se define como:
X = Número de “éxitos” (números iguales en las caras en las que se apoyan los
tetraedros) en los cinco (5) lanzamientos
Se cumplen todos los requisitos para considerar que X sigue una distribución binomial.
6
Por tanto,
𝑛 𝑥 𝑛−𝑥 5 1 𝑥 3 5−𝑥
𝑓𝑋 (𝑥) = 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑞 = ( )( ) ( ) ; 𝑥 = 0, 1, 2, 3, 4, 5
𝑥 𝑥 4 4
Finalmente, la probabilidad solicitada es igual a:
2
5 1 3 5−𝑥
𝑃(𝑋 = 2) = 𝑓𝑋 (2) = ( ) ( ) ( ) = 𝟎, 𝟐𝟔𝟒
2 4 4
1.3.4. Ejercicio 2
Problema:
Una fábrica produce bandas elásticas con una resistencia a la rotura preestablecida. Un
funcionario del departamento de control de calidad de la fábrica toma una muestra de 50
bandas de la línea de producción; el funcionario estira cada una de las 50 bandas elásticas
hasta la resistencia preestablecida y 3 de estas se rompen.
a) Cuál es la probabilidad de esta observación
b) Cuál es la probabilidad que más de 3 bandas elásticas de las 50 seleccionadas se

rompan.
c) Cuántas se espera que se rompan si se prueban 100 bandas.
Solución:
• Cada prueba del funcionario es un experimento de Bernoulli. La banda se rompe

(“éxito”) o la banda no se rompe (“fracaso”). Por tanto, se tiene 50 pruebas de
Bernoulli.
• La probabilidad p del “éxito” es igual a:
p = 3/50 = 0,06
• La probabilidad p del éxito puede considerarse como la misma en cada prueba,

dada la enormidad de bandas elásticas que produce la práctica.
• Si en el ambiente descrito, la variable aleatoria X se define como:
X = Número de bandas rotas en las 50 pruebas.
Se puede afirmar con claridad que X sigue una distribución binomial. Es decir,
50
𝑓𝑋 (𝑥) = ( ) (0,06)𝑥 (0,94)50−𝑥 ; 𝑥 = 0, 1, 2, 3, 4, ⋯ , 50
𝑥
Por tanto,
7
a)
50
𝑃(𝑋 = 3) = ( ) (0,06)3 (0,94)50−3 = 0,231
3
b)
3
50 (0,06) 𝑥 (0,94)50−𝑥
𝑃(𝑋 ≥ 4) = 1 − 𝑃(𝑋 ≤ 3) = 1 − ∑ ( ) = 0,353
𝑥
𝑥=0
c)
𝐸[𝑋] = 𝜇𝑋 = 𝑛𝑝 = 100(0,06) = 6
1.4. Distribución hipergeométrica
Si se tiene,
• Una muestra aleatoria de tamaño n se seleccionada de N resultados posibles.
• k de los N resultados son éxitos; y consecuentemente, N – k son fracasos
N
N – k “fracasos”
n – x “fracasos”
n
x “éxitos”
k “éxitos”
• Se define la variable aleatoria 𝑋 como:
𝑋 = El número de éxitos en la muestra aleatoria de tamaño 𝑛 (vale decir, 𝑥 éxitos y

𝑛 − 𝑥 fracasos).
En este caso, posible demostrar que,
8
𝑘 𝑁−𝑘
( )( )
𝑃(𝑋 = 𝑥) = 𝑓𝑋 (𝑥) = 𝑥 𝑛 − 𝑥 ; 𝑥 = 0, 1, 2, 3, ⋯ , 𝑛
𝑁
( )
𝑛
1.4.1. Definición
𝑘 𝑁−𝑘
( )( )
𝑓𝑋 (𝑥) = 𝑥 𝑛 − 𝑥 ; 𝑥 = 0, 1, 2, ⋯ , 𝑛
𝑁
( )
𝑛
Se dice que la variable aleatoria X sigue una distribución hipergeométrica
Esta distribución se utiliza cuando se tiene 𝑛 experimentos de Bernoulli y la probabilidad 𝑝

no tiene el mismo valor en cada experimento.
1.4.2. Teorema
Sea X una variable aleatoria que sigue una distribución hipergeométrica.
Luego,
a)
𝑛𝑘
𝐸[𝑋] = 𝜇𝑋 =
𝑁
b)
𝑁−𝑛 𝑘 𝑘
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝑛 (1 − )
𝑁−1 𝑁 𝑁
1.4.3. Ejercicio 3
Problema:
Una bolsa contiene cuatro bolas de billar rojas y tres bolas de billar verdes. Se selecciona
al azar tres bolas de billar una tras otra y sin reemplazo.
9
1 2 3
Calcular la probabilidad de tener dos bolas de billar verdes en la selección efectuada.
Solución:
Éxito: Seleccionar una bola de billar verde
Fracaso: Seleccionar una bola de billar roja
La probabilidad 𝑝 del éxito en la primera selección es: p = 3/7
La probabilidad 𝑝 del éxito en la segunda selección es: p = 2/6 o p = 3/6, dependiendo del
resultado de la primera selección.
Por tanto, no es posible recurrir a la distribución binomial.
El modelo apropiado en este caso es la distribución hipergeométrica, donde:
• N = Número total de resultados = 7
• n = Tamaño de la muestra = 3
• k = Número total de éxitos = 3
• X = Número de bolas verdes (éxitos) en la selección efectuada
Rango de X = {0, 1, 2, 3}
Por tanto,
𝑘 𝑁−𝑘 3 7−3 3 4
( )( ) ( )( ) ( ) ( ) 𝟏𝟐
𝑃[𝑋 = 2] = 𝑓𝑋 (2) = 𝑥 𝑛 − 𝑥 = 2 3 − 2 = 2 1 =
𝑁 7 7 𝟑𝟓
( ) ( ) ( )
𝑛 3 3
10
1.5. Distribución binomial negativa
Supóngase que:
• Se tiene varios experimentos de Bernoulli.
• La probabilidad p del éxito tiene el mismo valor en cada prueba o experimento.
X = Número de pruebas o experimentos fracaso antes del r-avo éxito
Por tanto, interesa calcular la probabilidad de x fracasos antes de r-avo éxito; P(X = x)
Nótese que:
• Número total de pruebas o experimentos = r + x
• La última prueba es necesariamente un éxito y tiene una probabilidad igual a p.
• En las primeras r + x - 1 pruebas, el número de maneras de tener x fracasos viene

dado por:
𝑟+𝑥−1
( )
𝑥
• La probabilidad de x fracasos = 𝒒𝒙
• La probabilidad de r – 1 éxitos = 𝒑𝒓−𝟏
Por tanto,
𝑟 + 𝑥 − 1 𝑟−1 𝑥 𝑟+𝑥−1 𝑟 𝑥
𝑃(𝑋 = 𝑥) = 𝑃(𝑋 = 𝑥) = ( )𝑝 𝑞 𝑝 = ( ) 𝑝 𝑞 ; 𝑥 = 0, 1, 2, 3, ⋯
𝑥 𝑥
1.5.1. Definición
Si X es una variable aleatoria tal que su función de distribución de probabilidad viene dada
por:
𝑟+𝑥−1 𝑟 𝑥
𝑓𝑋 (𝑥) = ( ) 𝑝 𝑞 ; 𝑥 = 0, 1, 2, 3, 4, ⋯
𝑥
Se dice que X sigue una distribución binomial negativa o de Pascal
1.5.2. Teorema
Sea X una variable aleatoria que sigue una distribución binomial negativa.
Luego,
11
a)
𝑟𝑞
𝐸[𝑋] = 𝜇𝑋 =
𝑝
b)
𝑟𝑞
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 =
𝑝2
La demostración del teorema estará basada en la función generatriz de momentos de X.

Inicialmente, es importante considerar que,
𝑛 𝑛! 𝑛(𝑛 − 1)(𝑛 − 2) ⋯ (𝑛 − 𝑥 + 1)(𝑛 − 𝑥)! 𝑛(𝑛 − 1)(𝑛 − 2) ⋯ (𝑛 − 𝑥 + 1)

( )= = =
𝑥 𝑥! (𝑛 − 𝑥)! 𝑥! (𝑛 − 𝑥)! 𝑥!
−𝑛 −𝑛(−𝑛 − 1)(−𝑛 − 2) ⋯ (−𝑛 − 𝑥 + 1) −1𝑥 (𝑛)(𝑛 + 1)(𝑛 + 2)(𝑛 + 𝑥 − 1)

( )= =
𝑥 𝑥! 𝑥!
−𝑛 𝑛+𝑥−1
( ) = −1𝑥 ( )
𝑥 𝑥
Por tanto,
𝑟+𝑥−1 𝑟 𝑥 −𝑟
( ) 𝑝 𝑞 = ( ) 𝑝 𝑟 (−𝑞)𝑥
𝑥 𝑥
La función generatriz de momentos de X viene dada por:
−𝑟 𝑟 −𝑟
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] = ∑ 𝑒 𝑡𝑥 ( ) 𝑝 (−𝑞)𝑥 = ∑ ( ) 𝑝 𝑟 (−𝑞𝑒 𝑡 )𝑥
𝑥 𝑥
∀𝑥 ∀𝑥
Finalmente, recordando el desarrollo del binomio de Newton se tiene que:
𝒑 𝒓
𝒎𝑿 (𝒕) = ( )
𝟏 − 𝒒𝒆𝒕
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡)
= 𝑝 𝑟 (−𝑟)(1 − 𝑞𝑒 𝑡 )−(𝑟+1) (−𝑞𝑒 𝑡 ) = 𝑝 𝑟 𝑟(1 − 𝑞𝑒 𝑡 )−(𝑟+1) 𝑞𝑒 𝑡
𝑑𝑡
𝑑𝑚𝑋 (𝑡) 𝑝𝑟
= 𝑟𝑞𝑒 𝑡
𝑑𝑡 (1 − 𝑞𝑒 𝑡 )𝑟+1
𝑑𝑚𝑋 (𝑡) 𝑝𝑟 𝑟𝑞
= 𝑟𝑞 𝑟+1 =
𝑑𝑡𝑡→0 (1 − 𝑞) 𝑝
12
Por tanto,
𝒓𝒒
𝐸[𝑋] = 𝜇𝑋 =
𝒑
b)
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2
Donde,
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
= 𝑟𝑞𝑝 𝑟 [𝑞(𝑟 + 1)𝑒 2𝑡 (1 − 𝑞𝑒 𝑡 )−𝑟−2 + 𝑒 𝑡 (1 − 𝑞𝑒 𝑡 )−𝑟−1 ]
𝑑𝑡 2
𝑑 2 𝑚𝑋 (𝑡) 𝑟 [𝑞(𝑟 + 1)𝑝 −𝑟−2 + 𝑝 −𝑟−1 ] = 𝑟(𝑟 + 1)𝑞 2 𝑝 −2 + 𝑟𝑞𝑝 −1 =

(𝑟 2 + 𝑟)𝑞 2 𝑟𝑞
= 𝑟𝑞𝑝 +
𝑑𝑡 2 𝑡→0 𝑝2 𝑝
𝑑 2 𝑚𝑋 (𝑡) 𝑟 2 𝑞 2 𝑟𝑞 2 𝑟𝑞
= + 2 +
𝑑𝑡 2 𝑡→0 𝑝2 𝑝 𝑝
Por tanto,
𝑟 2 𝑞 2 𝑟𝑞 2 𝑟𝑞 𝑟 2 𝑞 2 𝑟𝑞 2 + 𝑟𝑝𝑞 𝑟𝑞(𝑞 + 𝑝) 𝒓𝒒
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2 = + 2 + − 2 = = = 𝟐
𝑝2 𝑝 𝑝 𝑝 𝑝2 𝑝2 𝒑
1.5.3. Ejercicio 4
Problema:
Una persona lanza tres monedas varias veces. Calcular la probabilidad que esta persona
obtenga “cara” en las tres monedas, por segunda vez en el quinto lanzamiento.
13
Solución:
El espacio de muestreo para el lanzamiento de tres monedas es:
C C C “éxito”; 𝑝 = 1⁄8
C S C
S C C
C C S
S S S “fracaso”; 𝑞 = 7⁄8
S S C
S C S
C S S
En este caso,
La probabilidad de obtener “cara” en las tres monedas, por segunda vez en el quinto
lanzamiento es equivalente a la probabilidad de tener tres fracasos antes del segundo éxito;
vale decir que x = 3; r = 2 y x + r = 5
Vale decir,
• Se tiene x + r experimentos de Bernoulli
• La probabilidad p del éxito tiene el mismo valor en cada prueba o experimento,
1
𝑝=
8
14
X = Número de pruebas o experimentos fracaso antes del segundo éxito
Por tanto, esta probabilidad puede ser calculada recurriendo a la distribución binomial
negativa, esto es
2
𝑟+𝑥−1 𝑟 𝑥 2+3−1 1 7 3
𝑃(𝑥 = 3) = 𝑓𝑋 (3) = ( )𝑝 𝑞 = ( ) ( ) ( ) = 𝟎, 𝟎𝟒𝟐
𝑥 3 8 8
1.5.4. Ejercicio 5
Problema:
Se sabe que, en cierto proceso de manufactura, en promedio, uno de cada diez productos
es defectuoso. ¿Cuál es la probabilidad que en un ejercicio de control de calidad el sexto
producto examinado sea el tercer defectuoso?
Solución:
Éxito: producto defectuoso; p = 0,1
Fracaso: Producto no defectuoso; q = 0,9
Si la variable aleatoria X se define como:
X = Número de experimentos fracaso antes del tercer éxito
Rango de X = {0, 1, 2, 3, 4, …}
Utilizando la distribución binomial negativa con x = 3, r = 3 y x + r = 6, se tiene:
𝑟+𝑥−1 𝑟 𝑥 3+3−1
𝑃(𝑥 = 3) = 𝑓𝑋 (3) = ( )𝑝 𝑞 = ( ) (0,1)3 (0,9)3 = 0,007
𝑥 3
1.6. Distribución geométrica
La distribución geométrica es un caso particular de la distribución binomial negativa;

esto es,
• Se tiene varios experimentos de Bernoulli
• La probabilidad p del éxito tiene el mismo valor en cada prueba o experimento.
X = Número de pruebas o experimentos fracaso antes del primer éxito
Rango de X = {0, 1, 2, 3, …}
15
Interesa calcular la probabilidad de x fracasos antes del primer éxito; P(X = x)
Nótese que:
• La probabilidad de x fracasos = qx
• La probabilidad de un éxito = p
Por tanto,
𝑃(𝑋 = 𝑥) = 𝑞 𝑥 𝑝
1.6.1. Definición
Si X es una variable aleatoria tal que su función de distribución de probabilidad viene dada
por:
𝑓𝑋 (𝑥) = 𝑝𝑞 𝑥 ; 𝑥 = 0, 1, 2, 3, ⋯
Se dice que la variable aleatoria X sigue una distribución geométrica.
Nótese que la distribución geométrica es la distribución binomial negativa cuando

r=1
1.6.2. Teorema
Sea X una variable aleatoria que sigue una distribución geométrica.
Luego,
a)
𝑞
𝐸[𝑋] = 𝜇𝑋 =
𝑝
b)
𝑞
𝑝2
Siendo la distribución geométrica un caso particular de la distribución binomial negativa,

este teorema ya fue demostrado.
1.6.3. Ejercicio 6
Problema:
Se tiene una bolsa con una bola de billar blanca, dos bolas de billar negras y una roja. Se
selecciona, al azar, una bola de billar, una tras otra y con reemplazo, hasta obtener por
primera vez una bola de billar blanca.
16
Cuál es la probabilidad de obtener una bola de billar blanca por primera vez en el tercer
intento.
Solución:
Experimento aleatorio: Seleccionar una bola de billar al azar.
(Cuando se dice con reemplazo, significa que, una vez seleccionada una bola de billar, se
anota el color y se devuelve la bola a la bolsa para la siguiente selección)
Espacio de muestreo (S):
éxito; p = 1/4
fracaso; q = 3/4
Cada selección de una bola de billar es una prueba o experimento de Bernoulli
Como el muestreo es con reemplazo, la probabilidad p del éxito es la misma en cada

selección efectuada.
La variable aleatoria se define como:
X = Número de selecciones efectuadas antes de obtener por primera vez una bola de billar
blanca (éxito).
Rango de X = {0, 1, 2, 3, …}
Nótese que se cumplen todos los supuestos para afirmar que la variable aleatoria X sigue
una distribución geométrica.
17
Por tanto,
1 3 2 9
𝑃(𝑥 = 2) = 𝑓𝑋 (2) = 𝑝𝑞 𝑥 = ( ) ( ) = = 0,14
4 4 64
1.6.4. Ejercicio 7
Problema:
Una empresa de abarrotes comercializa 175 productos diferentes. Estadísticas pasadas

señalan que en cualquier año existen 20 en 100 posibilidades de que ya sean los
distribuidores o los consumidores inicien una acción judicial contra cualquiera de estos
productos. La empresa desea introducir un nuevo producto al mercado.
a) Calcular la probabilidad de que la primera acción judicial contra el nuevo producto

tenga lugar el tercer año de su comercialización.
b) Calcular e interpretar la media de X
Solución:
• Año con acción judicial contra el producto: éxito; p = 0,20
• Año sin acción judicial: fracaso; q = 0,80
• Si se define la variable aleatoria X como:
X = Número de años de comercialización del producto antes del año en el que se tiene
la primera acción judicial contra el producto.
Rango de X = {0, 1, 2, 3, 4, …}
En el ámbito descrito, la variable aleatoria X sigue una distribución geométrica, por tanto:
a)
𝑃(𝑋 = 2) = 𝑓𝑋 (2) = 𝑝𝑞 𝑥 = 0,20 (0,80)2 = 0,128
b)
𝑞 0,80
𝜇𝑋 = = =4
𝑝 0,20
La media señala que, en promedio, la primera acción judicial contra un producto se da en

el quinto año de comercialización.
1.7. Distribución de Poisson
Si X es una variable aleatoria definida como el número de ocurrencias de un determinado

acontecimiento en un intervalo de tiempo o espacio
18
Por ejemplo,
• El número de accidentes de tránsito por semana en la ciudad de Oruro.
• El número de emisiones de partículas radioactivas de cierto mineral radioactivo por

segundo.
• El número de llamadas telefónicas que llegan a la central telefónica de la

Universidad Técnica de Oruro cierto por hora.
• El número de defectos de un conductor eléctrico por metro.
• El número de errores ortográficos en una página de LA PATRIA.
Si, además,
• El número de ocurrencias de este acontecimiento en un determinado intervalo de

tiempo o espacio es independiente del número de ocurrencias de este
acontecimiento en cualquier otro intervalo de tiempo o espacio.
• La probabilidad de una sola ocurrencia en un intervalo de tiempo o espacio muy

pequeño es proporcional al tamaño del intervalo.
• La probabilidad de más de una ocurrencia en ese pequeño intervalo es

despreciable.
Es posible demostrar que:
𝑒 −𝜃 𝜃 𝑥
𝑃(𝑋 = 𝑥) = ; 𝑥 = 0, 1, 2, 3, 4, ⋯ , ∞
𝑥!
1.7.1. Definición
𝑒 −𝜃 𝜃 𝑥
𝑓𝑋 (𝑥) = ; 𝑥 = 0, 1, 2, 3, 4, ⋯ , ∞
𝑥!
Se dice que X sigue una distribución de Poisson.
La distribución de Poisson es un buen modelo probabilístico para estimar probabilidades en

el marco de bastantes fenómenos aleatorios reales.
1.7.2. Teorema
Sea X una variable aleatoria que sigue una distribución de Poisson.

Luego,
19
a)
𝐸[𝑋] = 𝜇𝑋 = 𝜃
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝜃
Para demostrar este teorema se recurre a la función generatriz de momentos de X
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
Inicialmente, se obtiene la mX(t),

∞ ∞ ∞ ∞
𝑒 −𝜃 𝜃 𝑥 𝑒 𝑡𝑥 𝜃 𝑥 (𝜃𝑒 𝑡 )𝑥
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] = ∑ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥) = ∑ 𝑒 𝑡𝑥 = 𝑒 −𝜃 ∑ = 𝑒 −𝜃 ∑
𝑥! 𝑥! 𝑥!
𝑥=0 𝑥=0 𝑥=0 𝑥=0
Recuerde que la serie de Taylor para ex es,

∞
𝑥𝑛
𝑒𝑥 =∑
𝑛!
𝑛=0
Por tanto,
𝑡
𝑚𝑋 (𝑡 ) = 𝑒 −𝜃 𝑒 𝜃𝑒
Luego, se obtiene la primera derivada de mX(t) respecto de t,
𝑑𝑚𝑋 (𝑡) 𝑡 𝑡
= 𝑒 −𝜃 𝑒 𝜃𝑒 𝜃𝑒 𝑡 = 𝜃𝑒 −𝜃 𝑒 𝑡 𝑒 𝜃𝑒
𝑑𝑡
Finalmente, se obtiene el valor de esta primera derivada cuando t→0
𝑑𝑚𝑋 (𝑡)
= 𝜃𝑒 −𝜃 𝑒 𝜃 = 𝜃
𝑑𝑡𝑡→0
Por tanto,
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ = =𝜃
𝑑𝑡𝑡→0
b)
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2
Donde,
20
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡) 𝑡 𝑡 𝑡
= 𝜃𝑒 −𝜃 [𝑒 𝑡 𝑒 𝜃𝑒 𝜃𝑒 𝑡 + 𝑒 𝜃𝑒 𝑒 𝑡 ] = 𝜃𝑒 −𝜃 𝑒 𝑡 𝑒 𝜃𝑒 [𝜃𝑒 𝑡 + 1]
𝑑𝑡 2
2 = 𝜃𝑒 −𝜃 𝑒 𝜃 [𝜃 + 1] = 𝜃[𝜃 + 1] = 𝜃 2 + 𝜃
𝑑𝑡𝑡→0
Por tanto,
𝐸[𝑋2 ] = 𝜇2′ = = 𝜃2 + 𝜃
𝑑𝑡 2 𝑡→0
Finalmente,
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2 = 𝜃 2 + 𝜃 − 𝜃 2 = 𝜃
1.7.3. Ejercicio 8
Problema:
El número de clientes que llegan al Banco Sol sigue una distribución de Poisson con una
media igual a cinco (5) clientes por hora. Este banco atiende a sus clientes a partir de las
8:00 a.m.
a) ¿Cuál es la probabilidad que en la primera hora de atención a los clientes (8:00 a

9:00 a.m.) lleguen al banco al menos tres clientes?
b) ¿Cuál es la probabilidad que en el transcurso de la mañana (8:00 a 12:00 a.m.)

lleguen exactamente 30 clientes?
Solución:
a)
Sea X una variable aleatoria tal que:
X = Número de clientes que llegan al Banco Sol en una hora
Rango de X = {0, 1, 2, 3, 4, 5, 6, …}
La media de X es igual a cinco clientes por hora; vale decir,
θ=5
Se busca,
21
𝑃(𝑋 ≥ 3) = 1 − 𝑃(𝑋 < 3) = 1 − 𝑃(𝑋 ≤ 2) = 1 − ∑ 𝑓𝑋 (𝑥) = 1 − {𝑓𝑋 (0) + 𝑓𝑋 (1) + 𝑓𝑋 (2)}

𝑥=0
Si X sigue una distribución de Poisson,
𝑒 −5 50 𝑒 −5 51 𝑒 −5 52
𝑃(𝑋 ≥ 3) = 1 − { + + } = 1 − {0,007 + 0,034 + 0,084} = 1 − 0,125
0! 1! 2!
𝑷(𝑿 ≥ 𝟑) = 𝟎, 𝟖𝟕𝟓
b)
Sea,
Y = Número de clientes que llegan al Banco Sol en una mañana (8:00 – 12:00
a.m.)
Rango de Y = {0, 1, 2, 3, 4, 5, 6, …}
La media de Y es igual a:
θ = 5(4) = 20 clientes en una mañana
Se busca,
𝑃(𝑌 = 30)
Si Y sigue una distribución de Poisson,
𝑒 −20 2030
𝑃(𝑌 = 30) =
30!
𝑷(𝒀 = 𝟑𝟎) = 𝟎, 𝟎𝟎𝟖
1.7.4. Ejercicio 9
Problema:
Dos ingenieros trabajan para una empresa de seguros subvencionada por el Estado. Ellos
han establecido que el número de accidentes serios por mes en lugares donde se
construyen edificios nuevos sigue una distribución de Poisson.
Basados en los datos que se muestran a continuación ellos han realizado una predicción
señalando que el evento de un (1) accidente serio por mes es el más probable:
Número de accidentes serios por mes 0 1 2 3 4 5

Frecuencia 27 12 8 2 1 0
Averiguar si la predicción de los dos ingenieros es correcta.
22
Solución:
Sea,
X = El número de accidentes serios por mes en lugares donde se construyen

edificios nuevos.
Rango de X = {0, 1, 2, 3, 4, …}
Si X sigue una distribución de Poisson, una estimación de la media de X es igual a:
27(0) + 12(1) + 8(2) + 2(3) + 1(4) + 0(5)

𝜃̂ = = 0,76
27 + 12 + 8 + 2 + 1 + 0
La probabilidad de un accidente serio por mes viene dada por:
𝑒 −𝜃 𝜃 𝑥 𝑒 −0,76 0,761
𝑃(𝑋 = 1) = 𝑓𝑋 (1) = = = 0,35
𝑥! 1!
De verdad existe una importante probabilidad de tener un (1) accidente serio por mes.
Sin embargo,
𝑒 −0,76 0,760
𝑃(𝑋 = 0) = 𝑓𝑋 (0) = = 0,47
0!
La probabilidad de tener cero (0) accidentes por mes es más probable. Por tanto, los dos
ingenieros deben revisar su predicción.
2. Distribuciones continuas
Las distribuciones continuas (funciones de densidad de probabilidad) corresponden a

variables aleatorias continuas.
2.1. Distribución exponencial
Es posible demostrar que, si el número de ocurrencias de un acontecimiento en un intervalo

de tiempo o de espacio sigue una distribución de Poisson, el tiempo o el espacio entre
ocurrencias del acontecimiento sigue una distribución exponencial.
Considere el siguiente gráfico:
23
Intervalo de tiempo
Ocurrencias del acontecimiento
○ ○ ○ ○ ○
t0 t1 t2 t3 t4 T
Tiempos entre ocurrencias del acontecimiento
Si la variable aleatoria T representa el tiempo o el espacio entre ocurrencias del

acontecimiento, se puede demostrar que:
𝑓𝑇 (𝑡) = 𝜃𝑒 −𝜃𝑡 ; 𝑡 ≥ 0
2.1.1. Definición
En general, si X es una variable aleatoria cuya función de densidad de probabilidad viene

dada por:
𝑓𝑋 (𝑡) = 𝜃𝑒 −𝜃𝑥 ; 𝑥 ≥ 0
Se dice que la variable aleatoria X sigue una distribución exponencial.
La forma de esta distribución es:
fX(x)
1
𝜎𝑋2 =
𝜃2
𝟏
0 𝝁𝑿 = X
𝜽
2.1.2. Teorema
Sea X una variable aleatoria que sigue una distribución exponencial.
Luego,
24
a)
1
𝐸[𝑋] = 𝜇𝑋 =
𝜃
b)
1
𝜃2
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
Inicialmente, se obtiene la mX(t),

∞ ∞ ∞
𝜃
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑋 ] 𝑡𝑥 𝑡𝑥
= ∫ 𝑒 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑒 𝜃𝑒 −𝜃𝑥
𝑑𝑥 = 𝜃 ∫ 𝑒 −𝑥(𝜃−𝑡) 𝑑𝑥 = − 𝑒 −𝑥(𝜃−𝑡) |∞
0
𝜃−𝑡
0 0 0
𝜃
𝑚𝑋 (𝑡) = − (0 − 1)
𝜃−𝑡
𝜃
𝑚𝑋 (𝑡) =
𝜃−𝑡
Luego, se obtiene la primera derivada de mX(t) respecto de t,
𝑑𝑚𝑋 (𝑡) 𝜃
= −𝜃(𝜃 − 𝑡)−2 (−1) =
𝑑𝑡 (𝜃 − 𝑡)2
Finalmente, se obtiene el valor de esta primera derivada cuando t→0
𝑑𝑚𝑋 (𝑡) 𝜃 1
= 2=
𝑑𝑡𝑡→0 𝜃 𝜃
Por tanto,
𝑑𝑚𝑋 (𝑡) 𝟏
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ = =
𝑑𝑡𝑡→0 𝜽
b)
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2
Donde,
25
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡) 2𝜃
2 = −2𝜃(𝜃 − 𝑡)−3 =
𝑑𝑡 (𝜃 − 𝑡)3
𝑑 2 𝑚𝑋 (𝑡) 2𝜃 2
2 = 3= 2
𝑑𝑡𝑡→0 𝜃 𝜃
Por tanto,
𝑑 2 𝑚𝑋 (𝑡) 2
𝐸[𝑋2 ] = 𝜇2′ = =
𝑑𝑡 2 𝑡→0 𝜃2
Finalmente,
2 1 2 2 1 𝟏
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2 = 2
− ( ) = 2− 2= 𝟐
𝜃 𝜃 𝜃 𝜃 𝜽
2.1.3. Ejercicio 10
Problema:
El número de buses comerciales que llegan a la nueva terminal de buses de ciudad de

Oruro sigue una distribución de Poisson con una media igual a cuatro (4) buses por hora.
a) Acaba de llegar un bus. ¿Cuál es la probabilidad que el siguiente bus llegue en los
siguientes 30 minutos?
b) Calcular la media del tiempo entre llegadas de buses a la nueva terminal de buses
de Oruro.
Solución:
Si el número de buses que llegan a nueva terminal de buses de la ciudad de Oruro sigue
una distribución de Poisson con una media igual a cuatro buses por hora (θ = 4 buses por
hora), el tiempo entre llegadas de buses a la nueva terminal sigue una distribución
exponencial.
Sea la variable aleatoria X:
X = Tiempo entre llegadas de buses a la nueva terminal de la ciudad de Oruro (en horas)
a)
Se sabe que,
30 minutos = 0,5 horas
26
Se busca,
P(X ≤ 0,5)
Si X sigue una distribución exponencial,
fX(x)
𝑃(𝑋 ≤ 0,5)
0 0,5 X
0,5 0,5 0,5
𝑃(𝑋 ≤ 0,5) = ∫ 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝜃𝑒 −𝜃𝑥 𝑑𝑥 = ∫ 4𝑒 −4𝑥 𝑑𝑥 = −𝑒 −4𝑥 |0,5

0 = 1−𝑒
−4(0,5) = 0,865
0 0 0
b)
1 1
𝐸[𝑋] = 𝜇𝑋 = = = 0,25 ℎ𝑜𝑟𝑎𝑠 = 15 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃 4
2.1.4. Ejercicio 11
Problema:
El tiempo entre accidentes de tránsito en la ciudad de Oruro, sigue una distribución

exponencial con una media igual a 25 minutos.
a) Son las 10:00 a.m. y acaba de ocurrir un accidente de tránsito. ¿Cuál es la

probabilidad que el próximo accidente ocurra antes de las 11:00 a.m.?
b) ¿Cuál es la probabilidad que en el transcurso de una mañana (8:00 a.m. a 12:00

a.m.) ocurran al menos seis accidentes de tránsito?
27
Solución:
a)
Sea,
𝑋= Tiempo entre accidentes de tránsito en Oruro (minutos)
𝑋 sigue una distribución exponencial con,
1
= 25 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜃
1
𝜃= = 0,04
25
Consecuentemente,
fX(x)
𝑃(𝑋 ≤ 60)
0 60 X
60 60
0,04 −0,04𝑥 60
𝑃(𝑋 ≤ 60) = ∫ 𝜃𝑒 −𝜃𝑥 𝑑𝑥 = 0,04 ∫ 𝑒 −0,04𝑥 𝑑𝑥 = − 𝑒 | = −𝑒 −0,04(60) + 𝑒 0
0,04 0
0 0
𝑃(𝑋 ≤ 60) = 1 − 𝑒 −2,4 = 1 − 0,09 = 0,91
b)
Sea,
𝑌= Número de accidentes de tránsito en Oruro en el transcurso de una mañana.
𝑌 sigue una distribución de Poisson con,
𝜃 = 0,04 × 60 × 4 = 9,6 𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑢𝑛𝑎 𝑚𝑎ñ𝑎𝑛𝑎
Consecuentemente,
28
𝑃(𝑌 ≥ 6) = 1 − 𝑃(𝑌 < 6) = 1 − 𝑃(𝑌 ≤ 5) = 1 − ∑ 𝑓𝑌 (𝑦𝑖 )

𝑦𝑖 ≤5
𝑃(𝑌 ≥ 6) = 1 − {𝑓𝑌 (0) + 𝑓𝑌 (1) + 𝑓𝑌 (2) + 𝑓𝑌 (3) + 𝑓𝑌 (4) + 𝑓𝑌 (5)}
Si 𝑌 sigue una distribución de Poisson,
𝑒 −𝜃 𝜃 𝑦
𝑓𝑌 (𝑦) =
𝑦!
Por tanto,
9,60 9,61 9,62 9,63 9,64 9,65

𝑃(𝑌 ≥ 6) = 1 − {𝑒 −9,6 ( + + + + + )} = 1 − 0,084 = 0,916
0! 1! 2! 3! 4! 5!
2.2. Distribución uniforme
2.2.1. Definición
Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:
1
𝑓𝑋 (𝑥) = ;𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
Se dice que la variable aleatoria X sigue una distribución uniforme en el intervalo (a, b)
y se denota por: 𝑋 ~ 𝑈(𝑎, 𝑏).
La forma de esta distribución se muestra en el siguiente gráfico:
fX(x)
1
𝑏−𝑎
a b X
2.2.2. Teorema
Sea X una variable aleatoria que sigue una distribución uniforme en el intervalo (a, b).
Luego,
29
a)
𝑎+𝑏
𝐸[𝑋] = 𝜇𝑋 =
2
b)
(𝑏 − 𝑎)2
𝑉𝑎𝑟[𝑋] =
12
La demostración del teorema está basada en las definiciones de media y varianza.
a)
𝑏
1 1 𝑥2 𝑏 𝑎2 − 𝑏 2 𝑎+𝑏
𝐸[𝑋] = 𝜇𝑋 = ∫ 𝑥 𝑑𝑥 = |𝑎 = =
𝑏−𝑎 𝑏−𝑎 2 2(𝑏 − 𝑎) 2
𝑎
b)
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2
𝑏
1 𝑏 3 − 𝑎3
𝐸[𝑋2 ] = ∫ 𝑥 2 𝑑𝑥 =
𝑏−𝑎 3(𝑏 − 𝑎)
𝑎
𝑏 3 − 𝑎3 (𝑎 + 𝑏)2 (𝑏 − 𝑎)(𝑏 2 + 𝑎𝑏 + 𝑎2 ) 𝑎2 + 2𝑎𝑏 + 𝑏 2 (𝑏 − 𝑎)2

𝑉𝑎𝑟[𝑋] = − = − =
3(𝑏 − 𝑎) 4 3(𝑏 − 𝑎) 4 12
2.2.3. Ejercicio 12
Problema:
En la ciudad de Oruro, un ingeniero viaja diariamente desde su casa en la zona sud de la

ciudad hasta su oficina en el centro de la ciudad. El tiempo de viaje sigue una distribución
uniforme en el intervalo en el intervalo 15 a 30 minutos.
Se pide:
a) Estimar el tiempo promedio de viaje de dicho ingeniero.
b) ¿Cuál es la probabilidad de que un viaje tome mínimamente 20 minutos?
c) Si la oficina se abre a las 9:00 a.m. y el ingeniero sale de su casa a las 8:35 todos
los días, ¿qué porcentaje de las veces llega tarde a su oficina?
30
Solución:
Sea la variable aleatoria,
X = Tiempo de viaje del ingeniero desde su casa hasta su oficina (minutos)
Si la variable aleatoria X sigue una distribución uniforme en el intervalo 15 a 30 minutos,
a)
𝑎 + 𝑏 15 + 30
𝐸[𝑋] = 𝜇𝑋 = = = 22,5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
2 2
b)
fX(x)
𝑃(𝑋 ≥ 20)
1
𝑏−𝑎
a=15 b=30 X
20
30 30
1 1 1 30 30 − 20
𝑃(𝑋 ≥ 20) = ∫ 𝑑𝑥 = ∫ 𝑑𝑥 = 𝑥| = = 0,67
30 − 15 15 15 20 15
20 20
c)
30 30
1 1 1 30 30 − 25
𝑃(𝑋 ≥ 25) = ∫ 𝑑𝑥 = ∫ 𝑑𝑥 = 𝑥| = = 0,33
30 − 15 15 15 25 15
25 25
El ingeniero se atrasará el 33% de las veces.
2.3. Distribución normal
2.3.1. Definición
Si X es una variable aleatoria cuya función de densidad de probabilidad viene dada por:
1 1 𝑥−𝜇 2
− ( )
𝑓𝑋 (𝑥) = 𝑒 2 𝜎 ; −∞ ≤𝑥≤∞
√2𝜋 𝜎
31
Se dice que la variable aleatoria X sigue una distribución normal con media µ y varianza
σ2; y se denota por 𝑿 ~ 𝑵(𝝁; 𝝈𝟐 ).
La forma de la distribución normal es aproximadamente la siguiente:
fX(x)
σ2
𝑿 ~ 𝑵(𝝁; 𝝈𝟐 )
µ
Nótese que:
• La curva es simétrica respecto de un eje vertical que pasa por la media µ.
• La curva tiene sus puntos de inflexión en 𝑥 = 𝜇 ± 𝜎, es cóncava hacia abajo si 𝜇 −

𝜎 < 𝑋 < 𝜇 + 𝜎 y cóncava hacia arriba en caso contrario.
• La curva se aproxima en forma asintótica al eje horizontal, a medida que avanza

en uno u otro sentido a partir de la media.
2.3.2. Teorema
Sea X una variable aleatoria que sigue una distribución normal con media µ y varianza
σ2.
Luego, reiterando:
a)
𝐸[𝑋] = 𝜇𝑋 = 𝜇
b)
𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝜎 2
Para ello, inicialmente, se obtiene la función generadora de momentos de X que sigue una
distribución normal:
32
∞ ∞
1 1 𝑥−𝜇 2
− 2( 𝜎 )
𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∫ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥)𝑑𝑥 = ∫ 𝑒 𝑡𝑥 𝑒 𝑑𝑥
√2𝜋𝜎
−∞ −∞
∞ ∞
1 𝑡𝑥 −
1
(𝑥 2 −2𝜇𝑥+𝜇2 ) 1 −
1
(−2𝑡𝑥𝜎2 +𝑥 2 −2𝜇𝑥+𝜇2 )
𝑚𝑋 (𝑡) = ∫ 𝑒 2𝜎2 𝑑𝑥 = ∫ 𝑒 2𝜎2 𝑑𝑥
√2𝜋𝜎 √2𝜋𝜎
−∞ −∞
∞
1 −
1
[𝑥 2 −2𝑥(𝑡𝜎2 +𝜇)+𝜇2 )
𝑚𝑋 (𝑡) = ∫ 𝑒 2𝜎2 𝑑𝑥
√2𝜋𝜎
−∞
Trabajando en una parte del exponente (𝑥 2 − 2𝑥(𝑡𝜎 2 + 𝜇) + 𝜇2 ), se conoce que,
[𝑥 − (𝜇 + 𝑡𝜎 2 )]2 = 𝑥 2 − 2𝑥(𝜇 + 𝑡𝜎 2 ) + (𝜇 + 𝑡𝜎 2 )2
Por tanto,
𝑥 2 − 2𝑥(𝑡𝜎 2 + 𝜇) + 𝜇2 = [𝑥 − (𝜇 + 𝑡𝜎 2 )]2 − 2𝜇𝑡𝜎 2 − 𝑡 2 𝜎 4
Continuando con la obtención de la función generadora de momentos se tiene,

∞
1 −
1 2
{[𝑥−(𝜇+𝑡𝜎2 )] −2𝜇𝑡𝜎2 −𝑡 2 𝜎4 }
𝑚𝑋 (𝑡) = ∫ 𝑒 2𝜎2 𝑑𝑥
√2𝜋𝜎
−∞
∞ 2
1 [𝑥−(𝜇+𝑡𝜎2 ] 1
− +𝜇𝑡+ 2𝜎2 𝑡 2
𝑚𝑋 (𝑡) = ∫ 𝑒 2𝜎2 𝑑𝑥
√2𝜋𝜎
−∞
∞ 2
1 1 1 𝑥−(𝜇+𝑡𝜎2
𝜇𝑡 + 2𝜎2 𝑡 2 − [ ]
𝑚𝑋 (𝑡) = 𝑒 ∫ 𝑒 2 𝜎 𝑑𝑥
√2𝜋𝜎
−∞
Ahora sí,
𝑥 − (𝜇 + 𝑡𝜎 2 )
𝑤=
𝜎
𝑑𝑥
𝑑𝑤 = ; 𝑑𝑥 = 𝜎𝑑𝑤
𝜎
Por tanto,
∞
1 2 2 1 1 2
𝑚𝑋 (𝑡) = 𝑒 𝜇𝑡 + 2𝜎 𝑡 ∫ 𝑒 − 2𝑤 𝜎𝑑𝑤
√2𝜋𝜎
−∞
33
∞
1
𝜇𝑡 + 2𝜎2 𝑡 2 1 1 2
𝑚𝑋 (𝑡) = 𝑒 ∫ 𝑒 − 2𝑤 𝑑𝑤
√2𝜋
−∞
La integral es el área total debajo de una distribución normal estandarizada; vale decir,
media igual a cero (0) y varianza igual a uno (1). Este área es igual a uno (1).
Finalmente,
𝟏 𝟐 𝟐
𝒎𝑿 (𝒕) = 𝒆𝝁𝒕 + 𝟐𝝈 𝒕
a)
𝑑𝑚𝑋 (𝑡)
𝜇𝑋 = 𝐸[𝑋] = 𝜇1′ =
𝑑𝑡𝑡→0
𝑑𝑚𝑋 (𝑡) 1 2 2
= 𝑒 𝜇𝑡 + 2𝜎 𝑡 (𝜇 + 𝜎 2 𝑡)
𝑑𝑡
𝑑𝑚𝑋 (𝑡) 1 2(0)

= 𝑒 𝜇(0)+ 2𝜎 (𝜇 + 𝜎 2 (0)) = 𝜇
𝑑𝑡𝑡→0
Por tanto,
𝝁𝑿 = 𝑬[𝑿] = 𝝁
b)
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2
Donde,
𝐸[𝑋2 ] = 𝜇2′ =
𝑑𝑡 2 𝑡→0
𝑑 2 𝑚𝑋 (𝑡) 1 2 2 1 2 2 1 2 2
2 = 𝑒 𝜇𝑡+ 2𝜎 𝑡 𝜎 2 + (𝜇 + 𝜎 2 𝑡)𝑒 𝜇𝑡+ 2𝜎 𝑡 (𝜇 + 𝜎 2 𝑡) = 𝑒 𝜇𝑡+ 2𝜎 𝑡 [𝜎 2 + (𝜇 + 𝜎 2 𝑡)2 ]
𝑑𝑡
2 = 𝜎 2 + 𝜇2
𝑑𝑡𝑡→0
Por tanto,
𝐸[𝑋2 ] = 𝜇2′ = = 𝜎 2 + 𝜇2
𝑑𝑡 2 𝑡→0
Finalmente,
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2 = 𝜎 2 + 𝜇2 − 𝜇2 = 𝝈𝟐
34
2.3.3. Definición
Si Z es una variable aleatoria que sigue una distribución normal con media µ = 0 y
varianza σ2 = 1, se dice que la variable aleatoria Z sigue una distribución normal
estandarizada y se denota por 𝒁 ~ 𝑵(𝟎; 𝟏). Esto es,
fZ(z)
σ2 = 1
𝒁 ~ 𝑵(𝟎, 𝟏)
µ=0
1 1 2
𝑓𝑋 (𝑥) = 𝑒 − 2𝑧 ; −∞ ≤ 𝑥 ≤ ∞
√2𝜋
2.3.4. Teorema
Sea,
𝑋 ~ 𝑁(𝜇; 𝜎 2 )
Sea, Z una variable aleatoria tal que:
𝑋−𝜇
𝑍=
𝜎
Luego,
𝑍 ~ 𝑁(0; 1)
Este teorema es muy importante para operar con la distribución normal. En palabras,
dice que, con el cambio de variable señalado, cualquier distribución normal puede
ser convertida en una distribución normal estandarizada
La pregunta inmediata es: ¿para que necesitamos convertir una distribución normal
cualquiera en una distribución normal estandarizada?
La respuesta está en el siguiente ejercicio.
35
2.3.5. Ejercicio 13
Problema:
Sea,
𝑋 ~ 𝑁(10; 9)
Calcular P(X ≤ 12)
Solución:
Se conoce que la variable aleatoria X sigue una distribución normal con media µ = 10 y
varianza σ2 = 9; esto es,
𝒇𝑿 (𝒙)
P(X ≤ 12)
σ2 = 9; σ =3
𝑋 ~ 𝑁(10; 9)
µ = 10
x0 = 12
Por tanto,
12
1 1 𝑥−10 2
− 2( 3 )
𝑃(𝑋 ≤ 12) = ∫ 𝑒 𝑑𝑥
√2𝜋3
−∞
Lamentablemente, esta integral es indeterminada; vale decir, no existe. ¿Qué hacer? Se

debe recurrir a una aproximación numérica. Afortunadamente, ya se cuenta con la
aproximación numérica requerida y esta vienen en tablas como la que se muestra en la
subsiguiente página. Sin embargo, estas tablas son válidas solamente para una distribución
normal estandarizada. Por tanto, aquí surge la necesidad de convertir la distribución normal
que se tiene en una distribución normal estandarizada. Vale decir,
𝑋 − 𝜇 12 − 10
𝑃(𝑋 ≤ 12) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 0,67)
𝜎 3
Gráficamente, esta estandarización se puede expresar de la siguiente manera:
36
𝒇𝑿 (𝒙)
P(X ≤ 12)
σ2 = 9; σ =3
𝑿 ~ 𝑵(𝟏𝟎; 𝟗)
µ = 10
x0 = 12
𝒇𝒁 (𝒛)
P(Z ≤ 0,67)
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
z0 = 0,67
El acceso a la tabla es muy sencillo, tal como se muestra a continuación:
Primer decimal Segundo decimal
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
Por tanto,
𝑋 − 𝜇 12 − 10
𝑃(𝑋 ≤ 12) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 0,67) = 𝟎, 𝟕𝟒𝟖𝟔
𝜎 3
37
Áreas bajo la distribución normal estandarizada

fZ(z)
𝑃(𝑍 ≤ 𝑧0 )
0 z0 𝑍 ~ 𝑁(0,1)
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 09147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9278 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
38
Los valores de la tabla que se exhibe en la página anterior han sido obtenidos con la
siguiente aproximación numérica:
2𝑧0 2
√
𝑃(𝑍 ≤ 𝑧0 ) = 0,5 (1 + 1 − 𝑒 − 𝜋 )
En el caso del ejercicio anterior, se tiene:
2(0,67)2
𝑃(𝑍 ≤ 0,67) = 0,5 (1 + √1 − 𝑒 − 𝜋 ) = 0,7486
2.3.6. Ejercicio 14
Problema:
Una determinada empresa fabrica baterías eléctricas cuya vida útil sigue una distribución
normal con una media µ = 3,0 años y una desviación estándar σ = 0,55 años. ¿Cuál es
la probabilidad que una batería producida por esta fábrica dure menos de 2,0 años?
Solución:
Sea,
X = Vida útil de las baterías eléctricas de dicha empresa en años
Se busca,
P(X ≤ 2)
Si la variable aleatoria X sigue una distribución normal con media µ = 3,0 años y una
desviación estándar σ = 0,55 años,
𝑋 − 𝜇 2,0 − 3,0
𝑃(𝑋 ≤ 2,0) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ −1,82)
𝜎 0,55
Vale decir,
39
𝒇𝑿 (𝒙)
P(X ≤ 2)
σ = 0,55
σ2= 0,3025
𝑿 ~ 𝑵(𝟑; 𝟎, 𝟑𝟎𝟐𝟓)
µ = 3,0
x0 = 2,0
𝒇𝒁 (𝒛)
P(Z ≤ -0,82)
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
z0 = -1,82
Nótese que en este caso el valor de z0 es negativo y la tabla solo considera valores positivos
para z0; para resolver esta dificultad hay que tomar en cuenta la simetría de la distribución
normal respecto de un eje vertical que pasa por µ = 0. Por tanto,
𝑃(𝑍 ≤ −1,82) = 𝑃(𝑍 ≥ 1,82) = 1 − 𝑃(𝑍 ≤ 1,82) = 1 − 0,9656 = 0,034
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
Por tanto,
40
𝑋 − 𝜇 2,0 − 3,0
𝑃(𝑋 ≤ 2,0) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ −1,82) = 𝟎, 𝟎𝟑𝟒
𝜎 0,55
2.3.7. Ejercicio 15
Problema:
El diámetro interior de un anillo para émbolo sigue una distribución normal con una media
µ = 10 cm y una desviación estándar σ = 0,03 cm.
a) ¿Cuál es la probabilidad que un determinado anillo tenga un diámetro interior entre

9,97 cm y 10,05 cm?
b) ¿Abajo de que valor de diámetro interior caerá el 15% de los anillos?
Solución:
Sea,
X = El diámetro interior de un anillo para émbolo (cm)
a)
Se busca la P(9,97 ≤ X ≤ 10,05)
Si X sigue una distribución normal con µ = 10 y σ = 0,03
9,97 − 10 𝑋 − 𝜇 10,05 − 10
𝑃(9,97 ≤ 𝑋 ≤ 10,05) = 𝑃 ( ≤ ≤ ) = 𝑃(−1,00 ≤ 𝑍 ≤ 1,67)
0,03 𝜎 0,03
𝑃(9,97 ≤ 𝑋 ≤ 10,05) = 𝑃(𝑍 ≤ 1,67) − 𝑃(𝑍 ≤ −1,00)
Vale decir,
41
𝒇𝑿 (𝒙)
P(9,97 ≤ X ≤ 10,05)
σ = 0,03; σ2 = 0,0009
𝑿 ~ 𝑵(𝟏𝟎; 𝟎, 𝟎𝟎𝟎𝟗)
µ = 10
x1 = 9,97 x2 = 10,05
𝒇𝒁 (𝒛)
P(-1,00 ≤ Z ≤ 1,67)
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
z1 = -1,00 z2 = 1,67
𝑃(𝑍 ≤ 1,67) = 0,9525
𝑃(𝑍 ≤ −1,00) = 1 − 𝑃(𝑍 ≤ 1,00) = 1 − 0,8413 = 0,1587
Por tanto,
𝑃(9,97 ≤ 𝑋 ≤ 10,05) = 𝑃(𝑍 ≤ 1,67) − 𝑃(𝑍 ≤ −1,00) = 0,9525 − 0,1587 = 𝟎, 𝟕𝟗𝟑𝟖
42
b)
𝒇𝑿 (𝒙)
P(X ≤ x0) = 0,15
σ = 0,03; σ2 = 0,0009
𝑿 ~ 𝑵(𝟏𝟎; 𝟎, 𝟎𝟎𝟎𝟗)
µ = 10
x0 = ?
𝒇𝒁 (𝒛)
P(Z ≤ -z0) = 0,15
𝑿−𝝁
𝒁= ~𝑵(𝟎; 𝟏)
𝝈
µ=0
- z0 =?
𝑃(𝑍 ≤ −𝑧0 ) = 1 − 𝑃(𝑍 ≤ 𝑧0 ) = 1 − 0,85 = 0,15
𝑃(𝑍 ≤ 𝑧0 ) = 0,85
De la Tabla:
z0 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
0,8508 es el valor más cercano a 0,85; por tanto, z0 = 1,04
Esto significa que –z0 = -1,04
Por tanto,
43
𝑥0 − 𝜇 𝑥0 − 10
−1,04 = =
𝜎 0,03
De donde,
𝑥0 = 10 − 1,04(0,03) = 𝟗, 𝟗𝟓 𝑐𝑚
Por tanto, 15% de los anillos tendrá un diámetro menor o igual a 9,95 cm.
2.3.8. Ejercicio 16
Problema:
La vida útil de los nuevos microprocesadores Intel sigue una distribución normal con una
media 𝜇 = 3 𝑎ñ𝑜𝑠 y una varianza 𝜎 2 = 9 𝑎ñ𝑜𝑠2 . Dichos microprocesadores serán instalados
en 20 de los computadores de uno de los laboratorios de computación de la carrera de
Ingeniería de Sistemas.
¿Cuál es la probabilidad que al menos tres de los microprocesadores instalados estén

todavía funcionando al cabo de cuatro años de su instalación?
Solución:
Inicialmente, se debe calcular la probabilidad que un microprocesador tenga una vida útil
igual o superior a 4 𝑎ñ𝑜𝑠.
Sea 𝑋 = Vida útil de un microprocesador Intel en años.
𝑋 sigue una distribución normal con 𝜇 = 3 𝑎ñ𝑜𝑠 y una varianza 𝜎 2 = 9 𝑎ñ𝑜𝑠2 .
𝑓𝑋 (𝑥)
𝜎 2 = 9; 𝜎 = 3
𝑃 (𝑋 ≥ 4)
𝑿 ~ 𝑵(𝝁; 𝝈𝟐 )
𝜇=3
𝑥0 = 4
𝑋−𝜇 4−3
𝑃(𝑋 ≥ 4) = 𝑃 ( ≥ ) = 𝑃(𝑍 ≥ 0,33) = 1 − 𝑃(𝑍 ≤ 0,33) = 1 − 0,6293 = 0,3707
𝜎 3
44
El hecho que un microprocesador continúe funcionando o no después de 4 años es un

experimento de Bernoulli.
El microprocesador aún funciona después de 4 años, es un “éxito” y 𝑝 = 0,3707
El microprocesador no funciona después de 4 años, es un “fracaso” y 𝑞 = 0,6293
Si se han instalado microprocesadores nuevos en 20 computadores, se tiene 20

experimentos de Bernoulli.
La probabilidad del “éxito” en cada prueba o experimento tiene siempre el mismo valor.
Si se define la variable aleatoria 𝑌 como:
𝑌 = Número de “éxitos” en los 20 experimentos
Vale decir,
𝑌 = Número de microprocesadores que continúan funcionando después de cuatro años
El rango de 𝑌 es,
𝑅𝑎𝑛𝑔𝑜 𝑑𝑒 𝑌 = {0, 1, 2, 3, 4, 5, ⋯ , 20}
Consecuentemente, 𝑌 sigue una distribución binomial; vale decir,

𝑛
𝑓𝑌 (𝑦) = ( ) 𝑝 𝑦 𝑞 𝑛−𝑦 ; 𝑦 = 0, 1, 2, 3, ⋯ , 𝑛
𝑥
En el caso del ejercicio,
20
𝑓𝑌 (𝑦) = ( ) 0,3707𝑦 0,629320−𝑦 ; 𝑦 = 0, 1, 2, 3, ⋯ , 20
𝑦
Por tanto,
2
𝑃(𝑌 ≥ 3) = 1 − 𝑃(𝑌 < 3) = 1 − 𝑃(𝑌 ≤ 2) = 1 − ∑ 𝑓𝑌 (𝑦𝑖 )

𝑖=0
𝑃(𝑌 ≥ 3) = {1 − (𝑓𝑌 (0) + 𝑓𝑌 (1) + 𝑓𝑌 (2))}
20 20 20
𝑃(𝑌 ≥ 3) = {1 − [( ) 0,37070 0,629320−0 + ( ) 0,37071 0,629320−1 + ( ) 0,37072 0,629320−2 ]}
0 1 2
20 20 20
𝑃(𝑌 ≥ 3) = {1 − [( ) 0,37070 0,629320−0 + ( ) 0,37071 0,629320−1 + ( ) 0,37072 0,629320−2 ]}
0 1 2
𝑃(𝑌 ≥ 3) = 1 − 0,007 = 0,993
45
Ejercicios propuestos
1. La probabilidad de que un paciente se recupere de una operación delicada del

corazón es igual 0,9. Calcular la probabilidad de que:
a) Ninguno de los siguientes siete (7) pacientes se recupere de la operación.

b) Menos de tres (3) de los siguientes siete (7) pacientes se recuperen de la operación
c) Más de cuatro (4) de los siguientes siete (7) pacientes se recuperen de la operación.
2. Suponga que vale 0,8 la probabilidad que una persona crea lo que se le cuenta
acerca de los excesos de una famosa actriz. Cuál es la probabilidad que:
a) La sexta persona que escuche ese cuento sea la cuarta en creerlo

b) La tercera persona que oye el cuento sea la primera que lo cree
3. Cierta región del oriente de Bolivia es, en promedio, azotada por seis (6) huracanes
al año. Determine la probabilidad de que, en un año dado, esta región sea afectada
por:
a) Menos de cuatro (4) huracanes

b) Entre seis (6) y ocho (8) huracanes.
4. Una máquina que expende gaseosas está regulada de modo que descargue un
promedio de 200 ml por vaso. Si la cantidad de líquido sigue una distribución normal
con una desviación estándar igual a 15 ml.
a) Qué porcentaje de vasos contendrá más de 224 ml

b) Si se usan vasos de 230 ml. ¿Cuántos de los siguientes 1000 vasos servidos se
derramarán?
46

Modelos Probabilísticos - Revisado

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos Probabilísticos - Revisado

Cargado por

Copyright:

Formatos disponibles

Modelos probabilísticos Rubén Medinaceli O.

Los modelos probabilísticos, son funciones de distribución de probabilidad o funciones de

A continuación, se presentan inicialmente algunas distribuciones discretas y posteriormente

Las distribuciones discretas (funciones de distribución de probabilidad) corresponden a

1.1. Prueba o experimento de Bernoulli

Una prueba o experimento de Bernoulli es un experimento aleatorio que da lugar solamente

Se denominará p a la probabilidad del “éxito” y q = 1- p a la probabilidad del “fracaso”.

• Un ejemplo de experimento de Bernoulli es:

Experimento aleatorio: lanzar una moneda

Espacio de muestreo (S): {Cara (éxito); Sello (fracaso)}

• Otro ejemplo de experimento de Bernoulli es:

Experimento aleatorio: lanzar un dado

Espacio de muestreo (S): {1, 3, 5 2, 4, 6}

1.2. Distribución de Bernoulli

Si X es una variable aleatoria discreta cuya función de distribución de probabilidad viene

Se dice que la variable aleatoria X sigue o tiene una distribución de Bernoulli.

p = Probabilidad del “éxito”

q = 1 – p = Probabilidad del “fracaso”

Nótese que la distribución de Bernoulli reproduce un experimento de Bernoulli. Si x = 1, se

Sea X una variable aleatoria que sigue una distribución de Bernoulli.

𝑬[𝑿] = 𝝁𝑿 = ∑ 𝑥𝑓𝑋 (𝑥) = 0 × 𝑝0 𝑞1−0 + 1 × 𝑝1 𝑞1−1 = 𝒑

𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝐸[𝑋2 ] − 𝜇𝑋2

𝑽𝒂𝒓[𝑿] = 𝝈𝟐𝑿 = 𝑝 − 𝑝 2 = 𝑝(1 − 𝑝) = 𝒑𝒒

𝑚𝑋 (𝑡) = 𝐸[𝑒 𝑡𝑥 ] = ∑ 𝑒 𝑡𝑥 𝑓𝑋 (𝑥)

𝑚𝑋 (𝑡) = ∑ 𝑒 𝑡𝑥 𝑝 𝑥 𝑞1−𝑥 = 𝑒 𝑡(0) 𝑝 0 𝑞1−0 + 𝑒 𝑡(1) 𝑝1 𝑞1−1 = 𝒒 + 𝒑𝒆𝒕

𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2

1.3. Distribución binomial

• Se tiene n pruebas o experimentos de Bernoulli

• La probabilidad p del “éxito” tiene el mismo valor en cada prueba

• Se define la variable aleatoria X como:

X = Número de “éxitos” en las n pruebas o experimentos de Bernoulli

Es posible demostrar que la función de distribución de probabilidad de X viene dada por:

Se dice que la variable aleatoria X sigue o tiene una distribución binomial.

Sea X una variable aleatoria que sigue una distribución binomial.

𝑉𝑎𝑟[𝑋] = 𝜎𝑋2 = 𝑛𝑝𝑞

La demostración de este teorema está basada en la función generatriz de momentos.

Por tanto, se tiene que:

𝑉𝑎𝑟[𝑋] = 𝐸[𝑋2 ] − 𝜇𝑋2

𝑉𝑎𝑟[𝑋] = 𝑛2 𝑝 2 − 𝑛𝑝 2 + 𝑛𝑝 − (𝑛𝑝)2 = 𝑛𝑝 − 𝑛𝑝 2 = 𝑛𝑝(1 − 𝑝) = 𝒏𝒑𝒒

• Cada lanzamiento de los dos tetraedros es un experimento o prueba de Bernoulli.

• La probabilidad p del “éxito” tiene el mismo valor en cada lanzamiento

• Si la variable aleatoria X se define como:

Finalmente, la probabilidad solicitada es igual a:

a) Cuál es la probabilidad de esta observación

b) Cuál es la probabilidad que más de 3 bandas elásticas de las 50 seleccionadas se

c) Cuántas se espera que se rompan si se prueban 100 bandas.

• Cada prueba del funcionario es un experimento de Bernoulli. La banda se rompe

• La probabilidad p del “éxito” es igual a:

• La probabilidad p del éxito puede considerarse como la misma en cada prueba,

• Si en el ambiente descrito, la variable aleatoria X se define como:

X = Número de bandas rotas en las 50 pruebas.

1.4. Distribución hipergeométrica

• Una muestra aleatoria de tamaño n se seleccionada de N resultados posibles.

• k de los N resultados son éxitos; y consecuentemente, N – k son fracasos

• Se define la variable aleatoria 𝑋 como:

𝑋 = El número de éxitos en la muestra aleatoria de tamaño 𝑛 (vale decir, 𝑥 éxitos y

En este caso, posible demostrar que,

Se dice que la variable aleatoria X sigue una distribución hipergeométrica

Esta distribución se utiliza cuando se tiene 𝑛 experimentos de Bernoulli y la probabilidad 𝑝

Sea X una variable aleatoria que sigue una distribución hipergeométrica.

Calcular la probabilidad de tener dos bolas de billar verdes en la selección efectuada.

Éxito: Seleccionar una bola de billar verde