LECCIÓN 2 PROBABILIDAD Prof.

José Salguero

FUNCIONES DE PROBABILIDAD DE VARIABLE ALEATORIA DISCRETA

1. VARIABLE ALEATORIA

Variable Es una asignación numérica, bien definida, que se realiza sobre los resultados
aleatoria: de un experimento aleatorio.
X, Y, Z,.. Consideremos lo siguiente: Una caja contiene 5 artículos buenos y 2
defectuosos. Un experimento consiste en seleccionar tres artículos al azar de
X: S→R la caja.
Función En estas condiciones podemos definir variables aleatorias sobre los
variable resultados.
aleatoria. X: número de artículos defectuosos en la muestra de 3.
Y: número de artículos buenos en la muestra de 3.
Las variables así definidas son ejemplos de variables aleatorias, por cuanto la
asignación depende de los resultados del experimento.
De manera formal la variable aleatoria se considera una función que va del
espacio muestral S hacia los números reales. X: S→R.

2. DEFINICIONES MPORTANTES

Rx: recorrido de Conjunto numérico formado por los valores que toma la variable aleatoria.
la variable En las variables definidas arriba se tiene:
aleatoria X. Rx: { 0, 1, 2}
{ x 𝜖 𝑅 / x está Ry: { 0, 1, 2, 3}
relacionado con En el recorrido de la X no pueden haber más de 2 defectuosos.
un suceso de S } En el recorrido de la Y pueden haber 3 buenos.
Asignación de Es a los valores que toman las variables a los cuales se asigna ahora un valor
probabilidad de probabilidad.
P(X = 1): probabilidad de que la variable X tome el valor 1.
P(Y = 3): probabilidad de que la variable Y tome el valor 3
En general escribimos: P(X = x) = P(x), P(Y = y) = P(y)
Cuadro de Cuadro que contiene los valores que toma la variable con sus respectivas
distribución de probabilidades.
probabilidad
X P(x)
0 10/35
1 20/35
2 5/35

Función de f: Rx →0, 1 es llamada función de probabilidad si cumple dos condiciones;

probabilidad de a) f(x) > 0, para todo x de su recorrido.
Variable aleatoria b) ∑ 𝑓(𝑥) = 1, en su recorrido.
discreta.
 Las funciones 3
f(x) = (1/8) ( ) ; con X: 0, 1, 2, 3. Es función de probabilidad, como se puede
discretas se 𝑥
pueden observar en el cuadro.
especificar X 0 1 2 3
mediante un f(x) 0.125 0.375 0.375 0.375
cuadro, o,
cuando es a) f(x) > 0, para todo x.
posible, b) ∑ 𝑓(𝑥) = 1
mediante una
relación.
Función F: Rx → 0, 1 es llamada función acumulada de probabilidad si F(x) = P(X≤ x).
acumulada de En el cuadro tenemos la función de probabilidad y su función acumulada
probabilidad. asociada.
X 1 2 3 4
F(x) = P(X≤ x) f(x) 0.20 0.35 0.30 0.15
F(x) 0.20 0.55 0.85 1

F(3) = 0.85, es la probabilidad de que la variable tome valores menores o

iguales que 3.
P(x ≥ 3) = 1 – F(2) = 1 – 0.45 = 0.45.
Esperanza En el cuadro de distribución de probabilidad:
matemática o
Valor esperado. X x1 x2 x3 … xn
E(x) = 𝜇 f(x) f(x1) f(x2) f(x3) f(xn)
La esperanza La esperanza matemática de X se calcula mediante:
matemática es E(x) = 𝜇 = ∑𝑛𝑖=1 𝑥𝑖 f(xi)
solo una forma De manera similar se define:
alternativa de E(x2) = ∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 f(xi) ; E(x + 5) = ∑𝑖=1(𝑥𝑖 + 5)f(xi)
definir la media
aritmética. E(x – 𝜇 )2 = ∑𝑛𝑖=1(𝑥𝑖 – 𝜇 )2 f(xi)

Varianza 𝜎2 = ∑𝑛𝑖=1(𝑥𝑖 – 𝜇 )2 f(xi)

2
Var(x) = 𝜎 Son formas alternativas de cálculo las siguientes:
𝜎2 = ∑𝑛𝑖=1 𝑥𝑖2 f(xi) – 𝜇2, o bien: 𝜎2 = E(x2) – 𝜇2

3. EJEMPLOS DE APLICACIÓN

Ejemplo 1
En familias con 3 hijos se quiere especificar la distribución de probabilidad de la V.A.X : “número
de hijos mujeres”

Solución
El experimento aleatorio es Ƹ: “Observar cómo se han sucedido los nacimientos”.
Si llamamos H: hombre, M: mujer, el espacio muestral asociado es.

S = { HHH, HHM, HMH, MHH, MMH, MHM, HMM, MMM}

X: 0 1 2 3

La variable aleatoria X Toma los valores { 0, 1, 2, 3}. Considerando el espacio S equiprobable, los
sucesos simples que dan lugar al valor de la variable, determinan su correspondiente valor de
probabilidad. El cuadro de distribución de probabilidad queda así:

X 0 1 2 3
f(x) 1/8 3/8 3/8 1/8

Ejemplo 2
Comprobar si las siguientes funciones son o no funciones de probabilidad.
a)
X -2 -1 0 1 2
f(x) 0.10 0.15 0.40 0.20 0.15

b) f(x) = (3/17)(2x/x!), X: 1, 2, 3, 4.

3
c) g(x) = ( ) (0.20)x (0.80)3 – x ; X: 0, 1, 2, 3.
𝑥

Solución
a) Es función de probabilidad. Todos los valores de probabilidad son positivos y su suma es
igual a 1.
b) No es función de probabilidad. f(0) = 6/17, f(1) = 6/17, f(2) = 4/17 y f(3) = 2/17, suman más
que 1.
c) Es función de probabilidad.

X 0 1 2 3
f(x) 0.5120 0.3840 0.0960 0.0080

Ejemplo 3
La distribución de la demanda diaria de un producto se rige mediante la siguiente función de
probabilidad.

X 3 4 5 6
f(x) 0.30 0.40 0.20 0.10

a) ¿Cuántos artículos espera vender mañana?

b) ¿Cuál es la probabilidad de que venda exactamente 5?
c) ¿Cuál es la probabilidad de que venda más de 4 artículos?
 d) ¿Cuál es el valor de la desviación estándar?

Solución

X 3 4 5 6 sumas
f(x) 0.30 0.40 0.20 0.10 1.0
x f(x) 0.90 1.6 1.0 0.6 4.1
x2 f(x) 2.7 6.4 5.0 3.6 17.7

a) E(x) = 4.1, b) f(59 = 0.20. c) P(x > 4) = f(5) + f(6) = 0.30, 𝜎 = √17.7 − 4.12 = 0.94.

( Nota: Compruebe utilizando su calculadora en el modo sd.)

El valor esperado es utilizado como guía en algunas situaciones de la Teoría de juegos o de riesgos
en una inversión.
• Si E(x) < 0, se dice que el juego es desfavorable al jugador.
• Si E(x) = 0, se habla de juego legal o juego justo.
• Si E(x) > 0, es un juego favorable.

Ejemplo 4
Una compañía vende a un cliente un seguro para su auto por 12,000. El cliente paga una prima
anual de 1,120 dólares. La compañía ha estimado las siguientes probabilidades: pérdida total =
0.002, 50% de pérdida = 0.006 y 25% de pérdida = 0.010. ¿Qué utilidad espera la compañía?

Solución
X -12,000 -6,000 -3,000 1,120
f(x) 0.002 0.006 0.010 0.982
x f(x) -24 -36 -30 1,099.84

La esperanza matemática E(x) = 1,009.84, es la utilidad esperada. Es un juego favorable para la

compañía.

4. FUNCIONES TEÓRICAS DE PROBABILIDAD.

Se llama así a cierto tipo de funciones que pueden explicar de manera satisfactoria el
comportamiento y los resultados de ciertos experimentos aleatorios. La función presenta
una regla bien definida de cálculo y se conocen sus características y parámetros, tales
como la media y la varianza..
Estas funciones se constituyen en verdaderos modelos de probabilidad para algunos
procesos de observación específicos.
 4.1 FUNCION BINOMIAL DE PROBABILIDAD.

Definición Características
Ensayo de Bernoulli Es un experimento aleatorio que solo tiene dos formas de ocurrencia.
P: éxito, q = 1 – p = Ƹ: Lanzar una moneda. { cara, sello}
fracaso. Ƹ: Probar una bombilla. { enciende, no enciende}
p+q=1 Ƹ: Revisar un artículo de la producción. { bueno, defectuoso}
Si p = 0.82 y q = 0.18,
Al suceso de interés se le llama éxito, y al otro: fracaso.
entonces f(x) = 0.82x La variable aleatoria X: número de éxitos en un solo ensayo tiene
(0.18)1 – x con X = 0, 1.
recorrido Rx = { 0, 1} con P(éxito) = P( x = 1) = p, y P(fracaso) = P(x = 0) =
Es f.d.p. 1 – p = q.
La función f(x) = px q1-x es función de probabilidad para X: 0, 1.
Proceso de Bernoulli Es la repetición de n ensayos de Bernoulli bajo las mismas condiciones.
Se trata de describir la distribución de probabilidad de la variable
aleatoria: X: número de éxitos en los n ensayos.
• Lanzar una moneda 20 veces.
• Examinar 50 artículos de la producción.
• Ingreso mensual al hogar en 30 familias. X ≤ $400, X > $400.
Condiciones de un • En cada ensayo solo hay éxito o fracaso.
proceso de Bernoulli. • La probabilidad de éxito p es constante en cada ensayo.
• Cada ensayo se realiza en forma independiente de otro ensayo.
Analizar el siguiente escenario.
Un vendedor ofrece un producto casa por casa y visita 12 hogares
durante el día. La evaluación del gerente de ventas es que, el vendedor
tiene una probabilidad de 0.60, de hacer una venta cada vez que visita
un hogar. ¿Se cumplen las condiciones de un proceso de Bernoulli en
estas circunstancias? ¿Qué dices? ¿Cómo se expresaría la variable
aleatoria’

Distribución Binomial de Probabilidad.

En un proceso de Bernoulli de n ensayos independientes con
probabilidad constante de éxito p, en cada ensayo; la
variable aleatoria X: “ número de éxitos en los n ensayos”,
sigue una función binomial de probabilidad:

𝑛
f(x) = ( ) (𝑝)x (q)n – x , con X. 0, 1, 2, 3, …,n.
𝑥
La función queda completamente definida si se conocen los
Parámetros n y p.
B(X, n, P) es una forma abreviada de referirse a la función.
Por ejemplo B(Y, 12, 0.40) indica que la variable Y es
binomial con 12 ensayos y p = 0.40 de probabilidad
constante.
Consideremos la siguiente situación:
Tenemos un proceso de 8 ensayos con probabilidad constante P de éxito y q de fracaso.
Analicemos la probabilidad de obtener 3 éxitos y 5 fracasos.
Una forma de que esto suceda es: p p p q q q q q = p3 q5; pero este mismo resultado puede darse
por otros ordenamientos, tantos como el total de permutaciones con elementos repetidos,

8! 8 8
Esto es: = ( ) ; por lo tanto f(x = 3) = ( ) p3 q5.
3!𝑥 5! 3 3

Ejemplo 5

Consideremos el caso del vendedor que visita 10 hogares y que tiene probabilidad constante de
éxito P = 0.60. Aceptando que se cumplen las condiciones de un proceso de Bernoulli, la variable
aleatoria X: número de ventas realizadas (éxitos) al visitar los 10 hogares, sigue una ley binomial
B(X, 10, 0.60).
a) Hallar la probabilidad de que haga 5 ventas.
b) Hallar la probabilidad de que tenga 7 fracasos.
c) Probabilidad de que haga 3, o más de 3 ventas.

Solución
10
a) f(5) = ( ) (0.60)5 (0.40)5 = 0.201.
5
b) Que tenga 7 fracasos es lo mismo a decir que tiene 3 éxitos, por lo tanto: f(3) =
10
( ) (0.60)3 (0.40)7 = 0.042.
3
c) P( x ≥ 3) = 1 – P(x ≤ 2) = 1 – ( f(0) + f(1) + f(2)) = 1 – ( 0.0001 + 0.0016 + 0.0106) = 0.988.
Es casi un suceso seguro que haga tres o más ventas.

Ejercicio.
Comprueba que en la función B(x, 10, 0.60) la media es 𝜇 = 6 y la
Varianza es 𝜎2 = 2.4. Haz el cuadro de distribución de probabilidad y
procede como en el ejemplo 3.

Resultado importante
Si X es binomial B(X, n, P) entonces:
𝜇 = np y 𝜎2 = npq.
Así, B(X,10, 0.60) tiene 𝜇 = 6 y 𝜎2 = 2.4
 Ejemplo 6
Hallar 𝜇 y 𝜎 en los siguientes casos.

a) Se ha estimado que la efectividad que tiene Leo Messi de anotar un penalty es de 8 de

cada 10 que ejecuta, Considere los últimos 16 lanzamientos de tiro de penal.
b) Según el sistema bancario nacional, 76% de las personas que hacen cola para pagar en la
caja de un supermercado lo harán con tarjeta (crédito o débito). Considere n = 18 clientes
en la cola.

Solución
Se debe de razonar inicialmente si las dos situaciones planteadas cumplen los requisitos de un
proceso de Bernoulli: si llegan a concluir que si cumplen, pues basta con utilizar: 𝜇 = np y 𝜎2 =
npq.
a) 𝜇 = 16 x 0.8 = 12.8 penalties y 𝜎 = 1.6
b) 𝜇 = 18 x 0.76 = 13.68 personas y 𝜎 = 1.81.

Ejercicio propuesto.
Con la información del literal b) del ejemplo 6, responder:
a) Especificar f(x)
b) Hallar P (x > 16)
c) Hallar P( 2 < x ≤ 15

Resp: b) 0.1499, c) 0.5941

Ejemplo 7
Un vendedor tiene una probabilidad constante de 0.25 de hacer una venta cuando visita a un
cliente. ¿ Cuántos clientes debe visitar para tener una probabilidad mayor que 0.7 de realizar
al menos una venta?

Solución
Las visitas son independientes y la probabilidad de éxito es constante. Se trata pues de una
variable aleatoria binomial X: número de ventas en las n visitas; con B(X, 0.25, n). Deseamos hallar
el valor de n.
𝑛
P( x ≥ 1) > 0.7 → 1 – f(0) > 0.7 → 1 - ( ) (0.25)0 (0.75)n > 0.7
0
1 – (0.75)n > 0.7 → (0.75)n < 0.30, luego n > 4.2. Debe visitar por lo menos 5 clientes.

4.2 DISTRIBUCIÓN HIPERGEOMÉTRICA DE PROBABILIDAD.

Cuando en un proceso de Bernoulli no se puede garantizar la independencia de los ensayos, ni la

probabilidad constante de éxito, la ley binomial da paso a la distribución hipergeométrica de
probabilidad.
Consideremos la siguiente situación:
En un tablero hay 5 llaves, dos de las cuales abren una puerta. Se prueba una a una, 2 de tales
llaves.
En la primera extracción la probabilidad de elegir una llave que abra la puerta es 2/5. Si la puerta
se abre, la probabilidad de tener éxito en una segunda extracción es ahora de ¼, ya que es una
probabilidad condicionada por la primera. P(segunda abra/ la primera abrió).
La probabilidad de éxito no permanece constante y por lo tanto la distribución binomial no es
aplicable.

Ejemplo 8
En un tablero hay 7 llaves, dos de las cuales abren una puerta. Se prueban 2 de tales llaves al azar.
Describir la distribución de probabilidad de la variable aleatoria X: número de llaves en la muestra
que abren la puerta.

Solución
El cuadro de distribución de probabilidad, empleando nuestros conocimientos de selección en la
7
probabilidad clásica es el siguiente: (notemos que n(S) = ( ) = 21).
2

X f(x)
0 3 4
( ) ( ) /21 = 6/21
0 2
3 4
3 4 f(x) = ( ) ( ) /21
2 ( ) ( ) /21 = 12/21 𝑥 2−𝑥
1 1 Con X: 0, 1, 2
Genera el cuadro de la derecha.
3 4
3 ( ) ( ) /21 = 3/21
0 2

Notemos que tanto el cuadro descriptivo como la expresión de función son equivalentes.

Generalicemos el problema bajo las siguientes convenciones:

N: tamaño de la población
n: tamaño de la muestra
n1: elementos en la población con una determinada característica C
X: número de elementos en la muestra que tienen la característica C.

Ley hipergeométrica de probabilidad.

𝑛 𝑁−𝑛1
( 1 )( )
𝑥 𝑛−𝑥
f(x) = 𝑁 con X: 0, 1, 2, ..., n
( )
𝑛
sigue una distribución hipergeométrica de probabilidad con
𝑁−𝑛 𝑛1
media 𝜇 = np y varianza 𝜎2 = 𝑛𝑝𝑞 donde 𝑝 = 𝑁
.
𝑁−1
Notar que:
• Si n< n1 entonces X: 0, 1, 2, ..., n
• Si n > n1 entonces X: 0, 1, 2, ..., n1
 Ejemplo 9
En una empresa con 50 trabajadores, 20 pertenecen al sindicato y los otros 30 no pertenecen.
Se eligen 6 trabajadores al azar para formar parte del comité que administra el fondo de
pensión. Hallar las probabilidades de que, el comité quede conformado por:
a) Ninguno del sindicato.
b) Tres del sindicato.
c) Al menos uno del sindicato

Solución
Al organizar la información tenemos: N = 50, n1 = 20, n = 6.
X. número de sindicalistas en el comité.

20 30
( )( )
𝑥 6−𝑥
f(x) = 50 para X = 0, 1, 2, 3, 4, 5,6. Es la función a emplear.
( )
6
a) f(0) = 0.7473, b) f(3) = 0.2913, c) P( x ≥ 1) = 1 – f(0) = 0.2527.

Ejemplo 9
Un empresario poseé una flota de 13 táxis y afirma que sólo 3 de ellos pueden tener problemas de
emisión de gases. Un inspector de tránsito toma una muestra de 4 táxis y les aplica un test de
emisión de gases. Considera la variable aleatoria X: número de táxis con problemas de emisión de
gases en la muestra, y relaciona en el cuadro cada suceso con su respectiva probabilidad.

Solución
Especificar la función con N = 13, n = 4 y n1 = 3. Y realizar los cálculos
.

suceso Probabilidad
X>1
0.2937

X=2 0.1888

X=0 0.2028

4.3 DISTRIBUCIÓN DE POISSON.

La distribución de Poisson aparece, históricamente, como una función límite de la binomial,

cuando el número de ensayos es muy grande (n →∞ ) y la probabilidad de éxito es muy pequeña
(p →0). Se demuestra que en estas condiciones, la función binomial se convierte en lo que se
conoce como distribución de poisson.

Binomial Poisson
𝑒− 
B(X, n, P) 𝑥

n →∞ y p →0 𝑓(𝑥) = 𝑥!
; X: 0, 1, 2, ...
𝜇 = np  = np, 𝑒: base de los logarítmos
naturales.  se lee: lambda.
 =2

Ejemplo 10
En un municipio hay 8000 habitantes y la probabilidad de que una persona se contagie de una
enfermedad es 0.0025. Calcular la probabilidad de que en un momento dado 18 personas resulten
con la enfermedad.
a) Usando binomial
b) Usando aproximación de binomial por poisson.

Solución
8000
a) f(18) = ( ) (0.0025)18 (0.9975)7982 = 0.08447
18
b) f(18) = (𝑒-20 2018)/18! = 0.08439

Podemos notar que con cuatro decimales casi coinciden en sus valores.

4.3 EL PROCESO DE POISSON.

En la práctica la función de Poisson tiene vida propia dentro de lo que se conoce como procesos de
Poisson. El interés se centra en la variable aleatoria X: “número de ocurrencias de un evento
dentro de un intervalo de continuo”. En estas notas el “continuo” serán intervalos de tiempo.
• Número de llamadas telefónicas a una central entre las 10 y las 11 de la mañana

• Número de clientes que llegan a un comedor entre las 12 del mediodía y la 1:00 p.m.

Ejemplo 11
En un conmutador entran 1.2 llamadas por minuto entre las10 y las 11 de la mañana.
Suponiendo que las llegadas siguen una ley de Poisson, calcular las probabilidades de
que.
a) En un minuto cualquiera entren 3 llamadas.
b) Entre al menos una llamada en un intervalo de un minuto.
c) Se reciban al menos 3 llamadas en un intervalo de 5 minutos.
d) Entren 4 llamadas entre las 10:30 y las 10:35.

Solución
De acuerdo a la información, la media por minuto es 1.2, esto significa que  =1.2. Por lo tanto la
función que se debe de utilizar es:
 a) f(x) = (𝑒-1.2 1.2x)/x! ; X: 0, 1, 2, ... luego f(x) = (𝑒-1.2 1.23)/3! = 0.0867.

b) P( x ≥ 1) = 1 – f(0) = 0. 6988.

c) En el proceso de poisson el valor de  es proporcional al intervalo de continuo, esto

quiere decir que si  es igual a 1.2 en un minuto, entonces en un intervalo de 5 minutos el
valor de la media es  = 5 x 1.2 = 6. Por lo tanto la función que debemos utilizar es:

f(x) = (𝑒-6 6x)/x! ; X: 0, 1, 2, 3, ...

P(x ≥ 3) = 1 – (f(0) + f(1) + f(2)) = 1 - 𝑒-6 (1 + 6 + 18) = 1 - 25𝑒-6 = 0.9380.

d) Otra característica de un proceso de poisson es que la media ( el valor de  ), es el mismo

para intervalos de igual longitud dentro del período de estudio. De manera que toma el
mismo valor en cualquier intervalo de 5 minutos: 10:17 a 10:22 por ejemplo. La función a
utilizar es la misma del literal c).
f(4) = 0.1386.

Nota: el valor de  es diferente para cada intervalo de continuo, por lo tanto la función a
emplear también es diferente.

Función de Poisson.

𝑒− 
𝑥

𝑓(𝑥) = ; X: 0, 1, 2, ... es llamada función de poisson de
𝑥!
parámetro  .
Se demuestra que en esta función, la media y la varianza
coinciden.
𝜇 = 𝜎2 =  .

Ejemplo 12
El número de automóviles que corren a alta velocidad (detectada por radar) en cierta autopista,
durante un lapso de una hora, es una variable aleatoria con media de 8.4 vehículos por hora.
a) Hallar la probabilidad de que en un intervalo de 12 minutos se detecten más de 2
vehículos corriendo a alta velocidad. (0.2375)
b) Si un automovilista acaba de pasar a alta velocidad ¿Cuál es la probabilidad de que el
siguiente que pase a alta velocidad aparezca pasados 5 minutos? (0.496

Solución
a) El valor de la media para 1 minuto es ( 8.4/60) = 0.14. En un lapso de 12 minutos se tiene
 =12 x 0.14 = 1.68.
Usamos: f(x) = (𝑒-1.68 1.68x)/x! ; X: 0, 1, 2, 3, ...
P(x >2) = 1 – P( x ≤ 2 ) = 1 – ((f(0) + f(1) + f(2)) = 1 - 𝑒-1.68 (1 + 1.68 + 1.4112) = 0.2375.
 b) Se interpreta como X = 0 en un intervalo de 5 minutos, luego  =5 x 0.14 = 0.7.
f(0) = 𝑒-0.7 = 0.4966.

EJERCICIOS SOBRE DISCRETAS

1- Las unidades vendidas de cierto artículo se comportan como una variable aleatoria con
R x = 3, 4, 5, 6 y (x ) = x − 2 . Si las utilidades (en dólares) se rigen por la expresión
10
U = 500 x − 600 , ¿cuál es la probabilidad de que la compañía tenga utilidades mayores de
$1800?. (0.7)

2-Un proceso de producción tiene una productividad de miles de piezas diarias. En promedio 2 por
ciento de las piezas son defectuosas y ese promedio no se modifica durante el día. Cada hora un
inspector toma una muestra al azar de 100 piezas para revisión, buscando piezas defectuosas.
a) Expresar la distribución de probabilidad de la variable aleatoria del número de piezas
defectuosas

b)El proceso de producción debe detenerse si la muestra tiene más de tres piezas defectuosas.
¿Cuál es la probabilidad de parar el proceso? (0.1410)

3- Una caja contiene 12 bombillas eléctricas de las cuales 5 están defectuosas. Si se seleccionan 3
bombillas al azar de la caja:
a) ¿Cuál es la probabilidad de que las 3 estén defectuosas? (0.04545)
b) ¿Cuál es la probabilidad de que por lo menos 2 estén defectuosas? (0.3636)
c) Expresar la distribución de probabilidad del número de artículos defectuosos en la
muestra

4- En un departamento de inspección de envíos se reciben periódicamente cierto tipo de artículos

en lotes de 80 unidades. Un plan de muestreo de aceptación del lote consiste en seleccionar 8
unidades sin reemplazo y aceptarlo si la muestra no tiene más de un artículo defectuoso.
Normalmente se producen 5% de artículos defectuosos en promedio.
¿Cuál es la probabilidad de aceptar el lote? (0.9522)

5) Un vendedor tiene una probabilidad constante de 0.25 de hacer una venta cuando visita a un
cliente. ¿Cuánto clientes debe visitar para tener una probabilidad mayor que 0.7, de realizar al
menos una venta.(4.2)

6. Un curso de Estadística con 16 estudiantes fue aprobado por el 75% de ellos. Si se elige una
muestra el azar de 3 estudiantes del grupo, ¿cuál es la probabilidad de que, en la muestra, solo
uno haya aprobado el curso?(0.1286)

7. El número de automóviles que corren a alta velocidad (detectada por radar) en cierta autopista,
durante un lapso de una hora, es una variable aleatoria con media de 8.4 vehículos por hora.
c) Hallar la probabilidad de que en un intervalo de 12 minutos se detecten más de 2
vehículos corriendo a alta velocidad. (0.2375)
 d) Si un automovilista acaba de pasar a alta velocidad ¿Cuál es la probabilidad de que el
siguiente que pase a alta velocidad aparezca pasados 5 minutos? (0.4966)

8. El encargado del control de calidad en un proceso de producción de artículos en serie, realiza

su trabajo sobre la base de que no más del 5% de los artículos salen defectuosos. Si se toma una
muestra aleatoria de 20 artículos, determinar las probabilidades de hallar en la muestra:
a) a lo sumo un defectuoso (0.7358) b) Más defectuosos que el promedio de
defectuosos (0.2642)

9. Una compañía se dedica a la instalación de nuevos sistemas de aire acondicionado central. Se

ha comprobado que en el 15% de las instalaciones era necesario volver para realizar algunas
modificaciones. En una semana determinada se realizaron seis instalaciones. Asumiendo
independencia en los resultados de esas instalaciones, determinar las probabilidades de que:
a)sea necesario volver en todos los casos. (0.000011) b) sea necesario volver en más de un caso
(0.2235).

10. Los pasajeros de las aerolíneas llegan al azar y de razón independiente a la sección de
documentación en un gran aeropuerto internacional. La frecuencia promedio de llegadas es de 10
pasajeros por minuto. Determinar las probabilidades de:
a) ninguna llegada en un intervalo de un minuto. (0.000045) b) lleguen tres pasajeros o menos en
un intervalo de un minuto. (0.01034) c) llegue al menos un pasajero en un período de 15
segundos .(0.9179)

11. La probabilidad de que un vehículo tenga un accidente en un cruce particular de calles es

0.0038. Si por ese cruce circulan diariamente 6000 vehículos, ¿cuál es la probabilidad de que
ocurran 2 o más accidentes? (1)

12. Diez por ciento de las herramientas producidas en un proceso de manufactura resultan
defectuosas. Calcule la probabilidad de que en una muestra de 10 herramientas elegidas al azar
exactamente dos sean defectuosas: a) utilizando la distribución binomial b) empleando la
aproximación de Poisson a la distribución binomial. a) (0.1937) b) (0.1839)

13. El número de llamadas que llegan a un conmutador sigue una ley de Poisson, a razón de 1.8
llamadas por minuto. Determinar las probabilidades de que :
a) En un intervalo de dos minutos se reciban más de tres llamadas. (0.4848)
b) En un intervalo de tres minutos se reciban menos de tres llamadas. (0.09476)

14) El promedio anual de las veces que los suscriptores de una conocida revista toman vuelos
locales por motivos personales es cuatro.
a. ¿Cuál es la probabilidad de que un suscriptor tome 2 vuelos locales en un año por
motivos personales?
b. ¿Cuál es la cantidad promedio de vuelos locales por motivos personales en un
trimestre?
c. ¿Cuál es la probabilidad de que un suscriptor tome uno o mas vuelos locales, por
motivos personales, durante un semestre? (a. 0.1465 b. 1 c. 0.8647)
15. Se cree que, en promedio, solo el 70% de los automovilistas utilizan el cinturón de seguridad al
manejar. En una pequeña observación de 12 automovilistas determinar las probabilidades de que:
a) Exactamente 5 no utilicen el cinturón
b) Más de 10 lo utilicen (a. 0.1585, b. 0.085)

16. La Dirección de Contribuciones Directas ha determinado por experiencia que en un lote de 18

declaraciones siempre hay 5 mal elaboradas. Si se seleccionan 3 declaraciones al azar, determine

las probabilidades de hallar en la muestra:

a) exactamente 2 declaraciones mal elaboradas

b) al menos una mal elaborada. (a. 0.1593, b. 0.6493)

17. Según la oficina de estadísticas de cierto país, 62% de los individuos cuyas edades están entre
18 a 54 años utilizan Internet.
a) Si se toma una muestra al azar de 20 personas en ese tramo de edad, ¿Cuál es la
probabilidad de hallar más de dos usuario de Internet en la muestra?
b) ¿Cuántas personas deberían ser contactadas para hallar un número esperado de por lo
menos 50 usuarios de Internet? (a. 1 b. 81)