MODULO 3.

DOCUMENTO 1 Emisión: miércoles 16 de

noviembre de 2022.

VARIABLE ALEATORIA DISCRETA

Objetivo: Entender el significado de variable aleatoria discreta, su espacio muestral, su
función de probabilidad, momentos centrales y modelos clásicos.

METODOLOGÍA que nos guía en el planteamiento de un problema, su análisis,

modelación y solución.

Antes de continuar con la exposición de modelos de probabilidad, hagamos un paréntesis

para proponer un medio auxiliar para concentrarnos en nuestro pensamiento y poder
realizar con éxito el desarrollo y solución de un problema de probabilidad.

1- Comprender la problemática a la que nos enfrentamos, dejando a un lado efectos

colaterales y enfocarnos a la fuente causal de esta problemática. Algo más enfocado
a nuestro tema será el entender el fenómeno o experimento aleatorio.
2- Identificar lo que es de interés observar del experimento y si es posible cuantificar o
medir. A esto lo podemos expresar como el definir a la variable aleatoria.
3- Determinar el espacio muestral de la variable aleatoria.
4- Qué eventos son los que hay que considerar
5- Establecer la función de probabilidad, si bien ya existe en la literatura o bien
modelarla.
6- Aplicar el modelo para obtener las probabilidades de los eventos de interés.
7- Tomar decisiones.

VARIABLE ALEATORIA DISCRETA

Al describir un experimento aleatorio mostrando el conjunto de todos los posibles

resultados, y cado uno de estos resultados asociados con números enteros, incluyendo
posiblemente al cero, a esta asociación se le denomina VARIABLE ALEATORIA DISCRETA.

Ejemplo: El departamento de Control de Calidad de una empresa manufactura de motores

eléctricos, toma una muestra de tamaño n, apartando los motores que no cumplen con las
especificaciones de funcionamiento.

Sea entonces Ω = {no funciona, funciona}, que es el conjunto de resultados al analizar cada
motor. Se desea asociar estos resultados con números reales: Teniendo en cuenta que a la
empresa pone atención a los motores que no funcionan (denominando éxito a este
evento), expresando nuevamente a Ω = {éxito, fracaso}, y sea el conjunto de número
enteros asociados {1,0). Se entenderá que la función que asocia los elementos de Ω con
los números reales es precisamente lo que se denomina VARIABLE ALEATORIA,
denotándose con una letra mayúscula del alfabeto, ejemplo X y se denotará al valor
particular asociado por x.

Esto es, la función X: Ω −→ R

Su imagen de X es numerable, finita o infinita. Para el ejemplo de la empresa

manufacturera: x = 1 cuando w ∈ Ω es el evento “el motor no funciona”.

FUNCIÓN DE PROBABILIDAD, también mencionada como FUNCION DE MASA DE

PROBABILIDAD.

Notación: P( X =x) o simplemente P(x), significando la probabilidad de la variable

aleatoria X obtenga u ocurra el valor particular x.

Propiedades:

1- P(X = x) > 0 , para todo x ∈ Ωx

❑

2- ∑ P( X=x ) = 1
x∈ Ωx

FUNCIÓN DE DISTRIBUCIÓN DE PROBABILIDAD

Cuando es de interés emplear probabilidades acumuladas generalmente se aplica lo que

se denomina FUNCION DE DISTRIBUCIÓN DE PROBABILIDAD, la que es denotada por:
k
FX (k) y definida como P(X ≤ k) que es igual ∑ P( X=x )
x>−∞

Ejemplo 1.

Calcular la probabilidad de que la variable aleatoria X tome valores en el intervalo [m,n)

Empleando la función de distribución de probabilidad.

Solución:

P(m ≤ X < n ) = FX(n) – P(x = n) - FX(m -1). Obsérvese aquí que se exige considerar la
probabilidad para el evento x= m, si simplente se resta F(m) se estará cometiendo el
error de haberla eliminado y por esto se resta FX(m -1). Etc.

Ejemplo 2.

Calcular la probabilidad de que la variable aleatoria X tome valores en el intervalo (m,n]

Solución:

P(m < X ≤ n ) = FX(n) - FX(m)

MOMENTOS DE LA VARIABLE ALEATORIA

Momentos al origen: Denotaremos aquí al r-ésimo momento al origen por mr0 y definido
❑
como ∑ r
x P( x )
x∈Ωx

❑
Primer momento al origen: Para el valor de r = 1, se tiene: m 0 =
1
∑ x P(x). A esta
x∈Ωx

expresión se le denomina ESPERANZA MATEMÁTICA o VALOR ESPERADO de la variable

aleatoria X, denotada por E[X], expresándose con paréntesis rectangulares, la que viene
a ser la MEDIA de la variable. Al considerarse absolutamente todos los valores que
presenta la variable (su espacio muestral), esta medida corresponde al parámetro
denotado por µ.

E[X] = µX

Momentos centrales: Cuando se determina el alejamiento de cualquier valor que

presenta la variable aleatoria referido a la MEDIA, y se desea obtener el valor esperado
(promedio) de este alejamiento elevado a la r-ésima potencia, a esta medida se le
denomina r-ésimo momento central
❑
r
m µ = E[(X- µ)r] = ∑ ( x−µ)r P(x )
x∈Ωx

VARIANZA de la variable aleatoria, este valor es precisamente el correspondiente al

segundo momento central, y se denota:
var(X) = σ2X

Aplicando los momentos centrales se calculan las medidas de asimetría y curtosis ya

vistas en el tema de medidas descriptivas, teniendo en cuenta que ahora se considera la
población de valores de la variable aleatoria.

MODELO BERNOULLI
Cuando los resultados del experimento aleatorio son solamente dos, por ejemplo,
{aprobado, no aprobado}, {si, no}, {blanco, negro}, {éxito, fracaso}, etc., se dice que la
variable aleatoria presenta dicotomía, esta es la propiedad de la llamada variable
Bernoulli. Al experimento aleatorio con esta propiedad se expresa como: ensayo,
experimento, prueba o evento Bernoulli.

Sea Ω = {éxito, fracaso}, sea ΩX = {1, 0}, esto es, cuando en la prueba Bernoulli ocurre
éxito, el valor asociado a la variable aleatoria es 1, esto es, x= 1, etc.

Cuando se especifican los valores que toma la variable aleatoria y sus valores
correspondientes de probabilidad (que pueden ser dados a través de una fórmula,
gráfico, o en una tabla), se dice que se conoce la función de probabilidad.

Denotando por p al valor de probabilidad de que ocurra éxito, y en consecuencia 1- p

será el valor de probabilidad que ocurra fracaso (denotada regularmente por q):

Evento X P(x)
Éxito 1 p
Fracaso 0 1-p

Calculo de la media y varianza:

Sea X la variable aleatoria
❑

Media = µX = E[X] = ∑ x P( x) = (1)(p) + (0)(1-p) = p

x∈ Ωx

❑
2 2
Varianza = σ X = E[(X- µ) ] = ∑ ( x−µ)2 P(x) = (1 - p)2 (p) + (0 – p)2 (1-p) = p (1-p) = pq
x∈ Ωx

Ejemplo 3. Aplicación Modelo Bernoulli.

Se realizan 3000 pruebas de COVID-19 en un cierto día en el conjunto de hospitales de
especialidades en la Ciudad de México, dando como resultado 1800 positivos. Calcular
media y varianza de la v. aleatoria.
Solución: proporción de positivos de COVID-19 = 1800 / 3000 = 0.60 = 60%
Por tanto, proporción de negativos de COVID-19 = 40%
Considerando que estos valores de frecuencias relativas corresponden a valores estimados de
probabilidad:
Siendo un experimento Bernoulli, con el evento “Positivo a COVID – 19” considerado en este
análisis como “éxito” y asociándolo al valor 1 de la variable aleatoria X. se tiene
Media de X = µX = E[X] = 0.60
Varianza de X: = σ2X = p q = ( 0.60)(0.40) = 0.24
Desviación estándar = 0.49

MODELO GEOMÉTRICO
El experimento consiste en realizar pruebas Bernoulli independientes, tantas como sean
necesarias hasta obtener éxito.

Ejemplo 1. Un piloto aviador desea realizar su examen para obtener su licencia. Mostrar
un caso en que se pueda presentar un resultado cualquiera:

Sea A el evento: (f,f,f,f,f,f,e), en el que f significa que presentó examen y fue rechazado, e
significa que presentó examen y fue aprobado. Haciendo intervenir a la variable Bernoulli
el evento A se mostrará como (0,0,0,0,0,0,1), donde al resultado de la prueba Bernoulli
“rechazado” o sea f está asociado al valor cero de la variable aleatoria X, o sea x = 0, etc.
Para este modelo deberá asumirse que el resultado de cada examen es independiente
del anterior.

DEJO AL LECTOR QUE REFLEXIONE SI ES NECESARIO DEFINIR ALGUNA OTRA VARIABLE o

si con esta Bernoulli podemos modelar.

Aprovechando nuestra metodología, nos preguntamos ¿Qué cosa es en realidad lo que

queremos observar como resultado del experimento?, la respuesta es sencilla,
simplemente contar el número de pruebas Bernoulli realizadas hasta obtener éxito. Esto
es entonces la definición o significado de la variable aleatoria del modelo geométrico. La
que denotaremos por Y.

Para este ejemplo en particular la variable Y obtuvo el valor particular 7, lo que

expresamos como y = 7.

Espacio Muestral: En general para una variable aleatoria discreta (v.a.d) es el conjunto
de todos los posibles resultados del experimento. Para el modelo Geométrico, en lo
general, resulta ser:

ΩY = [1, 2, 3, 4, ……………), es decir está abierto a cualquier número entero positivo.

Función de Probabilidad

Desarrollemos la fórmula: Para el ejemplo visto arriba, el evento denotado por A de que
el piloto realice 7 exámenes para conseguir su licencia, (f,f,f,f,f,f,e), y se ha dicho que en
forma genérica la probabilidad de obtener “éxito” es simbolizado por p y la de fracaso
por q; asumiendo independencia:

P (A) = P (f,f,f,f,f,f,e) = P(f)P(f)P(f)P(f)P(f)P(f)P(e)= q6 p

En general: P(X = x) = qx-1 p para x = 1,2,3,……….

Demostración de que PX es función de probabilidad. Se deberá obtener que la suma de

probabilidades para todo elemento en ΩX será igual a la unidad:
∞ ∞ ∞ ∞
p
∑ P ( X=x ) = ∑ q x−1 p = p ∑ q x−1= p ∑ q x = 1−q
=1
x=1 x=1 x=1 x=0

Esperanza matemática
∞ ∞ ∞ ∞
E[X] = µX = ∑ x P( X =x) = ∑ x q x−1 p = = p∑ x q = p ∑ x q
x−1 x−1

x=1 x=1 x=1 x=0

∞
La última expresión es el resultado de la derivada con respecto a q de ∑ q , esta suma
x

x=0

converge cuando 0 < q < 1 y su resultado es 1 / (1- q); por lo que a esta última la
derivamos:
d 1
( ) = ( 1-q )-2 = p-2 ; por tanto E[X] = p / p2 = 1/ p
dq 1−q

Varianza
∞ 2 x−1
2
Var(X) = σ2X=mµ = E[(X- µ)2] = ∑ (x− 1p ) q p = q/p2
x=1

Ejemplo 4.

Una empresa minera ha localizado una zona donde se presume que encontrará minas de
oro, con probabilidad de 0.015 en una sola excavación.

a) ¿Cuál es la probabilidad de que en la cuarta excavación encuentre la mina de oro?

Solución: Sea Y la v.a. “número de excavaciones a realizar hasta encontrar una mina de
oro”.

ΩY = [1, 2, 3, 4, ……………)

Sea B el evento “En la cuarta excavación se encuentra la mina de oro”, referido al valor de
la variable Y: y = 4. Los parámetros de la distribución son p =0.015, q = 0.985, con
probabilidad: PY(y = 4) = (0.985)3 (0.015) = 1.43%

b) ¿Cuál es el valor esperado y varianza del número de excavaciones a realizar para

localizar una mina exitosa?

Solución: E[Y] = 1/p = 1/0.015 = 66.7

σ2Y = q/p2 = 0.985 / (0.015)2 = 4377.77

c).- ¿cuál es la probabilidad de que al realizar a lo más 8 excavaciones no se localice una

mina de oro?
Solución: Sea Q el evento (f,f,f,f,f,f,f,f), asumiendo independencia: P(Q) = (0.985) 8 = 0.8861
= 88.61%

Ejemplo 5.

Se lanza al aire 10 veces una moneda cargada, de tal manera que la probabilidad de que
aparezca águila es de 1/3, mientras que la probabilidad de que aparezca sol es de 2/3

a) Determine la probabilidad de que en el último lanzamiento aparezca águila

por primera vez.
b) Determine la probabilidad de que en el sexto lanzamiento aparezca águila
por primera vez
c) Determine la probabilidad de que en el tercer lanzamiento o antes
aparezca águila por primera vez.
Solución:
a)
Evento: {S, S, S, S, S, S, S, S, S, A}
Sí denotamos;
x = el número de repeticiones del experimento necesarias para que ocurra un éxito por
primera y única vez = 10 lanzamientos
p = probabilidad de que aparezca águila = p(éxito) = 1/3
q = probabilidad de que aparezca sol = p(fracaso) = 2/3

()
9
2
∗1
( x−1) 3 512
P ( x=10 )=(1− p) ∗p= = =0.008670
3 59049

para el inciso b).

(x−1)
P ( x=6 ) =(1− p) ∗p=
2 5
3 ()
∗1
=
32
=0.04389
3 729

para el inciso c).

P ( X ≤3 )=P( X =1∪ X=2 ∪ X=3) Como los eventos son disjuntos

P ( X ≤3 )=P ( X=1 ) + P ( X =2 )+ P (X=3)
0 1 2
P ( X ≤3 )=( 1− p ) ∗p + ( 1− p ) ∗p+ ( 1−p ) ∗p
 ( ) )
( ( )
2
2 2
∗1 ∗1
1 3 3 19
P ( X ≤3 )= + + = =0.7037
3 3 3 27

2 q 0.67
Varianza σ = 2
= 2
=6.1524
p 0.33

Ejemplo 6.

La probabilidad de que un micrómetro muestre un sonido excesivo es de 0.01. ¿cuál es la

probabilidad de que;

a). el vigésimo de estos dispositivos de medición sometidos a prueba sea el primero en

mostrar un sonido excesivo?

b) el décimo quinto de estos dispositivos de medición sometidos a prueba sea el primero

en no mostrar un sonido excesivo?

c). el quinto de estos dispositivos de medición sometidos a pruebas sea el último en

mostrar un sonido excesivo?

Solución:
Sea X la v.a. que denote el número de ensayos Bernoulli hasta lograr que se obtenga un
sonido excesivo.
ΩX = [1, 2, 3, 4, ……………)
Parámetros: p = 0.01, q = 0.99
Función de probabilidad: P( X = x) = qx-1 p

Inciso a): P(x = 20)

( )
19
99
∗1
( x−1 ) 100 −3
P ( x=20 )=(1− p) ∗p= =8.26 x 10
100

b). Sea el evento A definido como: el décimo quinto de estos dispositivos de medición
sometidos a prueba sea el primero en no mostrar un sonido excesivo.
Obsérvese que el éxito se define ahora como el no mostrar un sonido excesivo, por tanto:
denotamos;
x = el número de repeticiones del dispositivo necesarias para que ocurra un éxito por
primera y única vez = 15
p = probabilidad de que no aparezca sonido excesivo = p(éxito) = 0.99
q = probabilidad de que aparezca sonido excesivo= p(fracaso) = 0.01

( )
14
1
∗99
(x−1) 100 −29
P ( A )=P ( x=15 )=(1− p) ∗ p= =9.99 x 10
100
Inciso c)
Sea el evento B: definido como: el quinto de estos dispositivos de medición sometidos a
prueba sea el primero en mostrar un sonido excesivo?
x = el número de repeticiones del dispositivo necesarias para que ocurra un éxito por
primera y única vez = 5
p = probabilidad de que aparezca sonido excesivo = p(éxito) = 0.01
q = probabilidad de que no aparezca sonido excesivo = p(fracaso) = 0.99

( )
4
99
∗1
(x−1) 100 −3
P ( B )=P ( X=5 )=(1−p) ∗p= =9.26 x 10
100

MODELO BINOMIAL
El experimento consiste en realizar un determinado número de pruebas Bernoulli
independientes, digamos que sea n este número. Es de esperarse que ocurran “fracasos”
y “éxitos”. Expongamos el caso en el que n = 7 y ocurran k=3 éxitos, enseguida se ilustran
algunos eventos posibles:

A: ( f,e,e,f,f,e,f)

B: (e,e,e f,f,f,f)

C: (e,f,f,f,e,e,f)

D: (e,e,f,f,f,f,e)

Definitivamente que no se han citado en forma exhaustiva todos los eventos posibles,
pero ¿cuántos son? Obsérvese que en estos cuatro eventos ilustrados todos poseen la
característica de admitir 3 éxitos y no importa el orden de aparición, así entonces el
número de casos con igual propiedad se obtiene a través del número de combinaciones,
o también llamado coeficiente binomial:
 n = C k ,n =
()
k
n!
k ! k !(n−k) !

Sustituyendo valores de n=7, k= 3, resultan 35 casos posibles que cumplen la

característica especificada. Podemos calcular la probabilidad de ocurrencia de cualquiera
de estos resultados, por ejemplo, para el caso D.

P(D) = P((e,e,f,f,f,f,e)) = P(e) P(e) P(f) P(f) P(f) P(f) P(e) = p p q q q q p = p 3q4

La probabilidad de cada uno de los 35 casos, teniendo la característica citada, de igual

número de éxitos, es del mismo valor. Luego entonces para hallar la probabilidad del
evento “de 7 pruebas Bernoulli independientes resulten 3 éxitos” se tendrá que sumar
todos los casos de igual probabilidad y que son 35, que será lo mismo al producto de 35
por la probabilidad de uno de los casos, esto es, 35 p3 q4

Variable aleatoria; definición: “es el número de éxitos que se obtienen al realizar n

pruebas Bernoulli independientes”

Generalizando: Distribución Binomial

Al realizar n pruebas Bernoulli independientes, con probabilidad de éxito p (invariable) y

probabilidad de fracaso q, la probabilidad de que la variable aleatoria X obtenga un valor
k, está dada por:

P(X=k) = (nk) p q k n-k

para k = 0,1,2,……,n

Demostración de que esta función es una función de probabilidad:

n
Deberá cumplirse que ∑ P (X=k ) =1
k=0

∑ (nk ) p k qn−k =( p+q)n =1

k=0

Resultando que cada uno de los términos en la suma participan en el desarrollo del
Binomio de Newton, y puesto que p+q = 1, se concreta la demostración.

Esperanza Matemática

Por definición, el primer momento alrededor del origen (del cero) corresponde al valor
esperado (media) de la variable aleatoria.
 n n
n! n!
E[X] = ∑ k p (1−p) = ∑ k
k n−k k
p (1−p)
n−k

k=0 k !(n−k ) ! k =1 k !(n−k ) !

n
n!
¿∑ k pk (1−p)n−k
k=1 (k −1)! (n−k )!

Nótese que la suma se ha escrito desde uno hasta n, dado que cuando k=0 el primer
término es cero y se cancela la k del numerador con la k en k!. Factorizando n y p, se
tiene:
n
(n−1)!
E[X] = np ∑ ❑ pk−1 (1− p)n−k
k =1 (k −1)! (n−k )!

Haciendo y = k-1 y m = n-1, entonces:

m
m!
E[X] = np ∑ ❑ y
p (1− p)
n− y

y=0 ( m− y ) ! y !

m!
Observamos que p y (1− p)n− y es la función de probabilidad de una v.a.
( m− y ) ! y !
binomial Y con parámetros m = n-1 y p, de esta manera la suma bajo el rango de valores
de Y es la unidad, y la media de una v.a. binomial es:

E[X] = µX = n p

Varianza

Como bien se sabe, la varianza de una v.a. se determina aplicando el segundo momento
central:

E[(X - µ )2], desarrollando este binomio se obtiene E[X2]- µ2 , pudiéndose decir que la
varianza es el valor del segundo momento al origen menos el cuadrado de la media.

En particular, el cálculo de la varianza de la variable binomial es un tanto tedioso, y se

aconseja aplicar el llamado segundo momento factorial, el que se expresa como E[X(X-
1)], considerando las propiedades del operador E (muy semejantes a del operador d/dx)
se obtiene:

E[X(X-1)] = E[X2] – E[X], despejando E[X2] = E[X(X-1)] + E[X] = E[X(X-1)] + µ, que es el

término requerido para evaluar la varianza. Para consultar sobre este desarrollo,
referirse por ejemplo a Estadística Matemática con Aplicaciones, autores: Mendenhall,
Wackerly,Sheaffer. Grupo Editorial Iberoamérica.

Así entonces: σ2X = n p q

 1−2 p
Coeficiente de Asimetría (Sesgo)
[ npq] 1/ 2
1−6 p q
Curtosis relativa: 3+
n pq

Ejemplo 7.

Si el 90% de todos los solicitantes para cierto tipo de hipoteca no llenan correctamente
el formato de solicitud en la primera remisión. ¿Cuál es la probabilidad de que entre 15
de estos solicitantes seleccionados al azar

a). por lo menos 12 no la llenen a la primera remisión?

Solución: X v.a. “número de solicitantes que no llenan correctamente el formato”.

X toma valores en { 0,1,2, ……,15}

Parámetros: n = 15, p = 0.9

Evento de interés: A : X >11

15
P(A) = ∑ (15k ) 0.9k 0.1015−k calculando esta probabilidad a través de la probabilidad del
k=12

complemento:
11

k=0 k
( )
P(A) = 1−∑ 15 0.9 0.10
k 15−k
= 1 - 0.056 = 94.44%

La mayoría de libros sobre Probabilidad y estadística presentan tabulaciones para muy

diversas distribuciones. Con referencia a la última expresión interesa probabilidad
acumulada.

b). entre 10 y 13 inclusive no la llenen a la primera remisión?

Evento B: 10 ≤ X ≤ 13

Refiriéndonos a la notación F(k) de la función de distribución de probabilidad

(probabilidad acumulada), la probabilidad del evento B será determinado por:

P(B) = F(13) – F(9) = 0.451 – 0.002 = 0.449 = 44.9%

c). a lo sumo 2 llenen correctamente sus formatos en la primera remisión?

Nota: en este inciso nos cambiaron la jugada, ahora se trata de llenar correctamente los
formatos, por tanto, la probabilidad de éxito p = 0.10.

Sea Y el número de formatos que se llenan correctamente en la primera remisión.

Sea C el evento: Y ≤ 2, por tanto P(C) = F(2) = P(y=0) + P(y = 1) + P(y= 2) = 0.816 = 81.6%

Ejemplo 8.

Supóngase que en un examen se incluyen diez preguntas de opción múltiple, con cinco
respuestas para cada pregunta, de las cuales una es correcta. Si una estudiante responde
las preguntas simplemente adivinando, especifique los elementos actuantes en la
función de probabilidad, para dar respuesta a probabilidades de eventos específicos.

Solución:

-Eventos Bernoullí: cada pregunta en el examen tiene dos opciones de respuesta: se

responde correctamente “éxito”; se responde incorrectamente “fracaso”. Si en cada
pregunta hay oportunidad de escoger una de cinco opciones y sólo una es la correcta,
entonces la probabilidad de éxito es 1/5 = 0.2, la probabilidad de fracaso q = 0.8.

- Se realizan 10 eventos Bernoulli independientes, esto significa que al dar respuesta

correcta o incorrecta a cada pregunta, este respuesta no está ligada a la respuesta
anterior ni a la que le sigue.

- La variable aleatoria (X) es entonces el número de respuestas correctas (éxitos) en los

10 eventos Bernoulli que se realicen.

¿Cuál es la probabilidad de que…

a) ¿Conteste correctamente cinco preguntas?

P( x = 5) = (105 ) 0.2 0.8 =

5 5
5!
5!(10−5) !
0.25 0.85 = 0.0264 = 2.64%

b) ¿Conteste correctamente tres o menos preguntas?

3
P(X ≤ 3) = ∑ (10
k ) k
0.2 0.8
10− k
= P(x = 0) + P(x = 1) + P(x = 2) + P(x = 3) = 0.8791=
k=0

87.91%

c) ¿Conteste correctamente cinco o más preguntas?

P(X ≥ 5 ) = 1 - P(X ≤ 4 ) = 1 – 0.96721 = 0.03279

Calcular medidas descriptivas:

µX = np = (10) (0.2) = 2
σ2X   = npq = (10) (0.2) (0.8) = 1.6
σ= (npq)1/2= 1.26
Coeficiente de asimetría: 1-2p/ [npq]1/2= 1-2(0.2)/[(10)(0.2)(0.8)] 1/2= 0.4743
Curtosis relativa: 3 + (1-6 pq)/npq = 3+(1-6(0.2)(0.8)/ (10) (0.2) (0.8)= 3.025

Ejemplo 9.

Un ingeniero que labora en el departamento de control de calidad de una empresa

eléctrica, inspecciona una muestra al azar de tres motores de la producción. Se sabe que
15% de los motores salen defectuosos. Calcule la probabilidad que en la muestra

a) ninguno sea defectuoso.

b) uno sea defectuoso.
c) no más de tres estén defectuosos.

Solución:

X v.a: motores defectuosos de la producción.

ΩX = {0,1, 2, 3}
Parámetros: n = 3, p = 0.15 y q = 1 – p = 1 – 0.15 = 0.85

a. P(X = 0 ) = (30) 015 0.85 = 0 !(3−0)!

0 3
3! 0 3
015 0.85 = 0.6141

P(X = 1 ) = ( ) (0.15) (0.85) = 0.3251

3 1 2
b.
1
c. P(X ≤ 3) = P(x = 3) + P(x = 2) + P(x = 1) + P(x = 0) NOTA: ESTO ES LA
PROBABILIDAD DE QUE OCURRA ΩX
Por lo que la solución debe ser 1.0 ; P(X ≤ 3) = 0.003375 + 0.057375 + 0.325125
+ 0.614125= 1

Calcular medidas descriptivas:

µX = np = (3) (0.15) = 0.45
σ2X   = npq = (3)(0.15)(0.85)= 0.3825
σ= (npq)1/2= 0.6184
Coeficiente de asimetría: 1-2p/ [npq]1/2= 1-2 (0.15)/ [(3) (0.15) (0.85)] 1/2= 1.1318
Curtosis relativa: 3 + (1-6 pq)/npq = 3+ (1-6 (0.15) (0.85)/ (3) (0.15) (0.85)= 3.6143

Ejemplo 10.

María y Paola se plantean el siguiente juego: se lanza al aire un dado equilibrado con seis
caras numeradas del uno al seis. Se considera que el jugador gana cuando el resultado del
dado es 2 o 3 y se recibe 20 pesos. En otro caso, no recibe nada. Cada apuesta (un
lanzamiento) es de 15 pesos.

a) Si María juega en cinco ocasiones, ¿Cuál es la probabilidad de que acierte a lo sumo

una vez?
b) ¿Cuál es el número medio de aciertos en esas cinco ocasiones?
c) Paola jugara tantas veces como sea necesario hasta conseguir acertar una vez.
Calcular la probabilidad de que tenga que jugar al menos tres veces. Obtener el número
medio de veces que tiene que jugar para conseguir su objetivo.
d) ¿Cuál será el beneficio medio obtenido por cada jugador?

Solución:
Espacio muestral: Ω=¿{1, 2, 3, 4, 5, 6} ; que corresponde a números marcados en las
caras del dado.

a)
Sea X el número de aciertos de María. Luego:
Ωx=¿ {0,1, 2, 3, 4, 5}

Parámetros: n = 5, que es número de ensayos Bernoulli independientes. Probabilidad

de éxito p = No de casos favorables / No. de elementos del espacio muestral; p = 2 / 6 =
1/3, por tanto q = 4/6 = 2/3.
EVENTO DE INTERÉS: X= 0,1

X B ¿) Nota: esta es una forma de describir que la v.a. presenta distribución Binomial
con parámetros n, p

P ( x=0 o x=1 )= 5( )( ) ( ) ( )( ) ( )
1 0 2 5 5 1 1 2 4
0 3 3
+
1 3 3
=0.1316+ 0.3288=46.04 %

a) El número medio de aciertos es: n p

5∗1
=1.67
3

b) Sea Y el número de jugadas necesarias hasta conseguir éxito.

Y G ()
1
3
Nota: se deberá entender que se trata de una v.a. que presenta distribución

geométrica con parámetro p= 1/3.

ΩY =¿{1, 2, 3, . . . . . . . . . .}
Función de probabilidad: P(Y = y) = qy-1 p
Evento de interés: Y ≥3

P ( Y ≥ 3 )=1−P(Y <3) Nota: aquí se está aplicando la probabilidad del evento

complemento
P ( Y ≥ 3 )=1−{ P ( Y =1 ) + P(Y =2) } Nota: es obvio que el cero no es incluido en el
espacio muestral de Y.

P ( Y ≥ 3 )=¿ 1 – [ (2/3)0(1/3)1 + (2/3)1(1/3)1 ] = 1 – [1/3 + 2/9] = 4/9 = 0.4444

El número medio de jugadas necesarias para lograr el primer éxito es:

E[Y] = 1/p = 1/(1/3) = 3

c) El beneficio medio de María seria:

Su inversión al apostar = 5 ($15) = $75
El valor esperado de ganar: Valor esperado de X multiplicado por el premio
= 1.67 ($20 ) = $ 33.4
Beneficio = Valor esperado de ganancia – Lo invertido
= $33.4 – $75 = - $41.6
Es decir que en promedio, María pierde 41.6 pesos

El beneficio medio de Paola es: Su ganancia - Valor esperado de jugadas

multiplicado por lo que cuesta cada jugada
= $20 - 3 ($15) = $20 - $45 = - $25

Así, en promedio Paola pierde 25 pesos

Ejemplo 11.
La probabilidad de que cierto antibiótico presente una reacción negativa al administrarse
a un ratón en recuperación es de 0.10. Si se les ha administrado dicho antibiótico a 15
ratones, calcúlense las probabilidades de que haya reacción negativa:
a. En 3 ratones
b. En ningún ratón
c. En menos de 5 ratones
Solución:
-Se están realizando ensayos Bernoulli al considerar que en la administración del
antibiótico a un ratón pueda darse reacción negativa o positiva
- Se realizan 15 ensayos Bernoulli independientes.
- Sea el evento “éxito” cuando la obtenga reacción negativa, con probabilidad p = 0.10.
- Sea entonces X la que denote a la variable aleatoria “número de ensayos Bernoulli
independiente que resultan en éxito al administrar el antibiótico a 15 ratones.
- Ωx=¿ {0,1, 2, 3, 4, 5, . . . . . . , 15}

- Modelo de probabilidad:

P ( X=x )= ( nx) p ( 1− p )
x 1− x

a. n= 15
p = 0.10
x=3

P ( X=3 )= ( 153) ( 0.1) ( 0.9 ) =12.85 %

3 12

b. n= 15
p=0.10
X=0

P ( X=0 )= (150)0.10 ( 0.9 ) =2.28 %

1 14

c. n= 15
p=0.10
X<5

P ( X <5 ) =P ( X ≤ 4 )=P ( X =0 ) + P ( X=1 ) + P ( x=2 ) + P ( x=3 ) + P ( x=4 )

= 98.73%

Coeficiente de asimetría (sesgo)

1−2 p 1−2(0.10)
= =0.6885
( npq )1 /2 √ 1.35
Curtosis relativa
1−6 pq 1− ( 6 ) ( 0.1 ) (0.9)
3+ =3+ =3.3407
npq 1.35

MODELO BINOMIAL NEGATIVA

Nuevamente las pruebas Bernoulli están involucradas en la distribución conocida como
BINOMIAL NEGATIVA. El experimento consiste en realizar pruebas Bernoulli
independientes hasta lograr un número de éxitos previamente definido. Un ejemplo se
ilustra en el siguiente esquema:

Se requieren 3 éxitos: (f,f,f,f,f,e,f,e,f,f,f,f,f,f,f,e). La pregunta obvia a lanzar es ¿cuál será la

definición de la variable aleatoria? La respuesta como el lector ya lo habrá pensado es
“el número de pruebas Bernoulli requeridas para lograr el número de éxitos
predeterminados”.

Desarrollo del modelo:

Sea r el número de éxitos a conseguir, r = 1,2,3,…….

Sean p, q las probabilidades de éxito, fracaso, de las pruebas Bernoulli, cuyos valores
permanecerán inalterables durante el proceso.

Obsérvese nuevamente el esquema (f,f,f,f,f,e,f,e,f,f,f,f,f,f,f,e), es obvio que la última

prueba Bernoulli debe resultar en éxito. Si consideramos los resultados de las primeras
pruebas hasta conseguir éxito, tenemos f,f,f,f,f,e, esta secuencia de pruebas Bernoulli
constituye un proceso geométrico para el que la v.a. X obtiene el valor 6, i.e, x = 6. Una
segunda secuencia es la formada por los resultados f,e argumentando por supuesto que
se presenta un segundo proceso geométrico con v.a. Y ocurriendo con valor y = 2; Una
tercera secuencia f,f,f,f,f,f,f,e forma también un proceso geométrico con v.a. Z cuyo valor
es z= 8. Debido a que las pruebas Bernoulli son independientes, también lo serán los
procesos geométricos generados, que son tres, con variables X, Y, Z.

Denotemos a la variable aleatoria de este proceso Binomial Negativo por W, así

entonces el valor que alcanza es la suma de r valores de variables aleatorias con
distribución geométrica

Para el esquema mostrado W = X + Y + Z = 6 + 2+ 8 = 16.

Podemos decir en general que para toda variable aleatoria Binomial Negativa X, su valor
r
está dado por ∑ X k donde cada X k tiene distribución geométrica .
k =1

Teorema: El valor esperado de la suma de variables aleatorias independiente, es igual a

la suma de sus valores esperados.
r r
E[X] = E[∑ X k ] = ∑ E [ X ¿¿ k ]¿
k =1 k =1
Sabiendo que Xk es v.a. geométrica y que E[Xk] = 1/p, para k = 1,2,3,……

E[X] = r / p

Teorema: La varianza de la suma de variables aleatorias independientes es igual a la

suma de sus varianzas:
r r
Var ( ∑ X k ) = ∑ Var ( X ¿¿ k ) ¿
k =1 k =1

Para el caso que nos ocupa:

r r
q
Var(X) = ∑ Var ( X ¿¿ k )=∑ ¿
2 = rq/p
2

k =1 k =1 p

Observación: El haber determinado la media y varianza aplicando estos dos teoremas ha

sido relativamente sencillo, de otra forma hubiéramos aplicado momentos de la variable
aleatoria conociendo su función de probabilidad.

Función de Probabilidad:

Volvamos a considerar nuevamente el esquema (f,f,f,f,f,e,f,e,f,f,f,f,f,f,f,e), donde ocurren

r = 3 éxitos y se realizaron x = 16 pruebas Bernoulli independientes, no considerando la
ocurrencia del último éxito, se tendrían x-1 = 15 pruebas Bernoulli y r-1 = 2 éxitos.
Analizando más a detalle este último proceso, en realidad no importa la posición en que
sucedan los 2 éxitos, a sabiendas de que se desarrollan 15 pruebas Bernoulli. La
probabilidad del evento (f,f,f,f,f,e,f,e,f,f,f,f,f,f,f) es igual a q 13 p2 , y bajo la premisa de que
no importa la posición donde sucedan los éxitos en la secuencia, el total de casos

posibles será igual a

15
2 ( )
y todos con igual probabilidad de ocurrencia. En resumen, no

considerando la ocurrencia del último éxito, la probabilidad de que ocurra el evento que
le precede se obtiene aplicando la distribución binomial

A =”Evento precedente”; P(A) = P(X=x-1) = ( x−1

r −1 )
p r-1
q (x-1)-(r-1)

B = “Evento final”; P(B) = p

C = “Binomial Negativa”; P(C) = P(A,B) = P(A) P(B), es multiplicación de probabilidades

debido a independencia de eventos.

Finalmente: P(X,r,p) = ( x−1

r −1 )
p r-1
q (x-1)-(r-1) p = ( x−1
r −1 )
p r-1
q x-r p
 P(X,r,p) = ( x−1
r −1 )
r
p q x-r
para X: { r, r+1, r+2,………….}

Coeficiente de asimetría. (2 – p) / [ r (1 – p)]1/2

Curtosis relativa: 3 + (p2 – 6p + 6) / [ r (1 – p)]

Ejemplo 12.

En un departamento de control de calidad se inspeccionan las unidades terminadas que

provienen de una línea de ensamble. Se piensa que la producción de unidades
defectuosas es de 0.05.

Solución: v.a. X: “número de piezas que se inspeccionan”.

“Éxito” corresponde a encontrar una pieza defectuosa, p = 0.05.

r = 2, es el número de éxitos a lograr.

a) ¿Cuál es la probabilidad de que la vigésima unidad inspeccionada sea la segunda

que se encuentre defectuosa?

P(x= 20, r = 2, p = 0.05) = (20−1

2−1 )
0.05 0.95 2 20-2
= 1.86%

b) ¿Cuál de la probabilidad de que la segunda pieza defectuosa se encuentre en la

vigésima unidad inspeccionada o bien en la décimo quinta?

Solución: P(x = 20,r = 2, p= 0.05) + P(x = 15, r = 2, p= 0.05) =1.8% + (15−1

2−1 )
0.05 2

0.9515-2

= 1.886% + 1.796% = 3.68%

c) Calcular asimetría y curtosis relativa.

Asimetría = (2 – 0.05) / [ 4(1-0.05)]1/2 = 1.00

Curtosis relativa = 3 + [(0.052 – 6(0.05) + 6)/(2 (1-0.05)] = 6.00

Observación: La distribución no es simétrica y no obstante que presenta curtosis

absoluta de 3.0 no se puede asociar a una distribución normal.

Ejemplo 13.
Un científico inocula varios ratones, uno a la vez, con un germen de una enfermedad
hasta que obtiene 4 que la han contraído. Si la probabilidad de contraer la enfermedad
es de 1/6:

a) ¿Cuál es la probabilidad de que se requieran 8 ratones?

Solución:
X v.a. “número de ratones a inocular”

ΩX = (r = 4, 5, 6, 7, 8, 9,………….)

p = 1/6

Evento de interés: x = 8

P( x = 8) = ( 8−1
4−1)
4
(1/6) (5/6) 8-4
= 1.30%

b) ¿Qué valor tiene la media y varianza de esta variable?

µX = r / p = 4 / 1/6 = 24

σ2X = = r q / p2 = 4 (5/6) / (1/6)2 = 120

Ejemplo 14.

Una maquina envasa latas de conserva de una en una de manera independiente. Se

considera que el 5% de lo envasado resulta defectuoso. Si la maquina se detiene apenas
produce el tercer envase defectuoso:

a) ¿cuál es el número esperado de latas producidas hasta que se detiene la

maquina?
b) ¿Cuál es la probabilidad de que la maquina se detenga cuando se produzca
la novena lata?
c) ¿Cuál es la probabilidad de que se detenga sin producir nunguna lata
buena?

Sea X v.a. “Número de latas de conserva que se producen hasta que se detenga la
máquina”

ΩX = (r = 3, 4, 5, 6, 7, 8, 9,………….)

Parámetros: r = 3, p = 0.05

Solucion:

a) E[] = r /p = 3/0.05 = 60
 b) P( x = 9) = (9−1
3−1 )
3 6
(0.05) (0.95) = 0.26%

P( x = 3) = (
3−1)
3−1 3 0
c) (0.05) (0.95) = 0.0125%

Ejemplo 15.

Se requiere que Carla venda caramelos para recaudar dinero para su campamento de
verano. Hay 30 casas en la colonia y se supone que Carla no regresará al campamento
hasta que se hayan vendido cinco caramelos. Entonces ella va de puerta en puerta
vendiéndolos. En cada casa hay una probabilidad de 0.6 de vender un caramelo y una
probabilidad de 0.4 de no vender.

a) ¿Cuál es la probabilidad de que Carla termine en la décima casa?

b) ¿Cuál es la probabilidad de que Carla termine antes de llegar a la octava casa o en
esta?
c) ¿Cuál es la probabilidad de que Carla termine hasta la casa 30 de la colonia?

Solución:

Sea X la v.a. número de casas a visitar hasta conseguir vender 5 caramelos.

ΩX = (r = 5, 6, 7, 8, 9,…………,30)

Parámetros: r = 5, p = 0.6

Función de probabilidad:

P ( x) = ( x−1
r −1 )
r
p (1− p)
x−r

a):
Evento de interés: x = 10
P ( x=10 )= (10−1
5−1 )
(.6) (.4)
5 10−5

p ( 10 )= (94 )(.6) (.4 ) = 0.10032

5 5

b): Evento de interés: X < 8, o X = 8

Este evento es lo mismo que X ≤ 8; pero se exige que X ≥ 5, por tanto:
p ( 5 )=(5−1
5−1 )
5
(.6) (.4)
5−5
->( 44 )(.6) (.4) = 0.07776
5 0

p ( 6 )=(
5−1)
->( ) (.6) (.4) = 0.15552
6−1 5 6−5 5 5 1
( .6) (.4 )
4

p ( 7 )=(7−1)(.6) (.4)
5 7 −5
->( ) (.6) (.4) = 0.186624
6 5 2
5−1 4

p ( 8 )=(
5−1)
->( ) (.6) (.4) = 0.174182
8−1 5 8−5 7 5 3
(.6) (.4 )
4
En resumen, la probabilidad para este caso es la suma de las probabilidades = 0.59408

c)
Evento de interés: x= 30
P ( x=30 )= (30−1
5−1 )
(.6) (.4)
5 30−5

P ( 30 )= (294)(.6) (.4)
5 25
= 2.07x10-7

Medidas:
r 5
μ= = =8.3
p 0.6

2 r (1− p) 5(0.4)
σ = 2
= 2
=5.55
p 0.6

2− p 2−0.6
Asimetría: 1
= 1
=0.98
( r ( 1− p )) 2
( 5 ( 0.4 )) 2

2 2
p −6 p+6 0.6 −6 (0.6)+ 6
Curtosis :3+ =3+ = 4.38
[r (1− p ) ] [5 ( 0.4 )]

Ejemplo 16

En un centro de armado de electrodomésticos superan el control de calidad el 90% de

los electrodomésticos. Si en un día se arman 20 electrodomésticos, calcular:

a)
 b) ¿Cuál es la probabilidad de que superen el control de calidad 15 electrométricos?
c) ¿Cuál es la probabilidad de que no superen el control de calidad 8 electrométricos?
d) El número de electrométricos que se espera que superen el control de calidad
e) Cuál es la variación con respecto a la media.
Solución: Modelo binomial:

donde: n = 20, p = 0.90, q = 0.10

a) Evento de interés: x = 15
P ( x=15 )= (2015 )∗0.90 ∗0.10 =3.2 %
15 5

b ¿ Sea Y la v.a.; Evento de interés Y = 8, con p = 0.10

P ( y=8 )= ( )
20
8
8 12
∗0.10 ∗0.90 =0.003 %

c ) La fórmula para saber la esperanza matemática en un modelo binomial es

E(X) = np
E ( X ) =20∗0.90=18 electrodomesticos se esperaque pasen elcontrol
d)La varianza se calcula con la fórmula σ2 = np(1 − p)
σ 2=20∗0.90∗0.10=1.8

Ejemplo 17
En una maquinaria dedicada a fabricar piezas de alta precisión, las piezas que se producen
van de una en una. Sin embargo, existe la probabilidad en un 3.5% de que sea producida
una pieza defectuosa. Obtener

a) Probabilidad de que la primera pieza defectuosa durante ese día sea la 25ava
producida.
b) Sabiendo que en la fabricación de cada pieza es de 20 segundos en promedio, ¿cuál
será el tiempo medio que hay que esperar hasta que sea producida la primera pieza
defectuosa?
c) Probabilidad de que las ocho primeras piezas fabricadas sean todas buenas.
Solución:
Asumiendo independencia de eventos, se modela con la Distribución Geométrica con
parámetro p = 0.035
a) X= Número de piezas producidas hasta que se obtenga la primera defectuosa.
 Evento de interés: X = 25
P [X = 25] = (0.965) ^39 · 0.035 = 1.49%
1 1
b) Sabiendo que el valor esperado para esta variable aleatoria es: E[X] = = =
p 0.035
28.57
Por tanto, el tiempo de espera promedio hasta obtener la primer pieza defectuosa =
TIEMPO PROMEDIO DE FABRICACIÓN POR PIEZA * NUMERO PROMEDIO DE PIEZAS
PRODUCIDAS HASTA OBTENER LA PRIMER PIEZA DEFECTUOSA
= 20 seg. * 28.57 = 571 seg = 9.52 min.
c) Nueva variable aleatoria: Sea Y “Número de piezas buenas en una producción
continua” con probabilidad de éxito 0.965.
Evento: ( b,b,b,b,b,b,b,b) , asumiendo independencia: Probabilidad de este evento:
(0.965)8 = 75.20%
Modelando con la distribución Binomial ( n=8, p = 0.965, Y=8) :

P(Y=8) = (88) ¿ 0.0365) 8-8

(0.965)8 = 75.20%

Ejemplo 18
Suponga que en el viaje que usted realiza cada mañana a su trabajo encuentra un
determinado semáforo en color verde el 35% de las veces. Suponga que cada mañana
representa un evento independiente.
a. ¿Cuál es la probabilidad de que la luz esté en verde en exactamente un día en a lo más
tres mañanas?
b. ¿Cuál es la probabilidad de que la luz esté en verde en cuatro días en más de 7
mañanas?
c. ¿Cuál es la probabilidad de que la segunda mañana en que la luz esté en verde sea la
cuarta mañana en que usted se aproxima al semáforo?
d. ¿Cuál es el número esperado de días en que usted espera llegar al semáforo para que
esté en verde por cuarta vez? ¿Cuál es la desviación estándar?
Solución:
E: El semáforo se encuentra con luz verde, con probabilidad p = 0.35.
Ec: El semáforo no se encuentra con luz verde, con probabilidad q = 0.65
X: Número de días en que el semáforo está en verde cuando la persona se desplaza
diariamente a su trabajo.

a) En este caso lo que se observa es si el semáforo está en verde en exactamente una

mañana, por lo tanto, r = 1. Así,
3

x=1
( )
P [X ≤ 3] = Fx (3) = ∑ x−1 ( 0.65 ) (0.35) = (0.65)1-1 (0.35)1 + (0.65)2-1 (0.35)1 + (0.65)3-1
1−1
x−1 1

(0.35)1 = 0.7153
La probabilidad de que la luz esté en verde en exactamente un día en a lo más cinco
mañanas es de 71.53%

b) En este caso r = 4 y X > 7, por tanto:

7
P [X > 7] = 1 – P [X ≤ 7] = 1 – F x (7) = 1 - ∑ ( 4−1)
x−1 ( 0.65 ) x−4 (0.35)4 = 1 -
x= 4

( ) ( ) ( ) ( )
4−1 (0.65)4 −4 (0.35)4 − 5−1 ( 0.65 )5−4 ( 0.35 ) 4− 6−1 ( 0.65 )6−4 ( 0.35 )4 − 7−1 ( 0.65 )7−4 ( 0.35 ) 4
4−1 4−1 4−1 4−1
= 1 – ( 0. 01500 +0.03901 + 0.063401 + 0.08242 ) = 1 – 0.1998 = 0.8002
La probabilidad de que la luz esté en verde cuatro días en más de 7 mañanas es de
80.02%.
c)
Cuál es la probabilidad de que la segunda mañana en que la luz esté en verde sea la
cuarta mañana en que usted se aproxima al semáforo?

P ( x , r , p )= ( rx−1
−1 )
r
p ( 1− p )
x−r

Solución
Para este inciso, X es el número de mañanas el éxito se consigue cuando se encuentra un
determinado semáforo en verde, donde p=0.35, r=2, x=4.

( rx−1
P ( x , r , p )=
−1 )
r
p ( 1− p )
x−r

P ( x=4 ,r =2 , p=0.35 )= (31)(0.35) ( 0.65 ) =0.155

2 2

d) E [X] = r / p = 4 / 0.35 = 11.43 días

Se espera un promedio de 11 ocasiones llegando al semáforo para que éste esté en verde
por cuarta vez.

2 r ( 1− p ) 4 ( 0.65 )
V (X) = σ x = 2
= =21.22 → σ x =4.61 dias
p ( 0.35 )2