UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Universidad del Perú, DECANA DE AMÉRICA

FACULTAD DE CIENCIAS MATEMÁTICAS

ESCUELA PROFESIONAL DE MATEMÁTICA

Curso : Teoría de la Probabilidad SEMESTRE: 2022-II

Profesor: Jacinto Pedro Mendoza Solis

1. DISTRIBUCION DE BERNOULLI

EJEMPLOS
a. Tirar una moneda correcta y observar el lado que aparece hacia arriba.
b. Probar un artefacto eléctrico y observar si funciona o no funciona.
c. Preguntar a un empleado de una empresa si pertenece o no pertenece al sindicato.
De los ejemplos de experimentos aleatorios observamos que todos ellos tienen el espacio
muestral con sólo dos posibles resultados.

DEFINICION Nº1.
Un ensayo de Bernoulli, es un experimento aleatorio, tal que en una observación hay
únicamente dos posibles resultados, llamados Éxito (E) y Fracaso (F), y cada uno con
probabilidades P(E)=p , P(F)= q , respectivamente.
El espacio muestral para un ensayo de Bernoulli, está dado por, =  E, F.

1 , exito
FX 0 X(E) = 1  X(w) = 
0 , fracaso
X(F) = 0
E 1

p 1  = P( X = 1 ) = P (E) = p , p: parámetro de la distribución , 0 p  1

p ( 0 ) = P( X = 0 ) = P (F) = 1 - p = q

Definición. Nº2.

Una variable aleatoria X, tiene distribución de Bernoullí con parámetro “p”, si su función de
p x (1  p)1x , si x  0,1
Cuantía es; p(x)  
0 , otro caso

PROPIEDADES

1. E( X )   X  p 2. V ( X )   X2  pq
3. M x (t )  E  etx   pet  q

Profesor: Jacinto Pedro Mendoza Solis 1 Noviembre/ 2022

 2. DISTRIBUCIÓN BINOMIAL.

DEFINICION Nº3.
Un experimento binomial , es un experimento aleatorio que posee las siguientes
características;
a) El experimento consta de “ n “ ensayos o pruebas de Bernoulli.
b) Cada prueba tiene uno de dos posibles resultados llamados Éxito (E) o Fracaso ( F).
c) Las probabilidades; P(E ) = p , P( F ) = 1 – p, no cambian de ensayo en ensayo, es decir,
permanecen constantes.
d) Las pruebas son independientes.
e) Interesa conocer X: Número de éxitos observados en las “ n “ pruebas.

DEFINICIÓN Nº4.

Sea X, una variable aleatoria discreta que denota el número de éxitos en los “ n “ ensayos de
Bernoulli, entonces la distribución de probabilidad de la variable aleatoria X, se llama
Distribución Binomial y se define como;

 n  x n x
  p (1  p) , x  0,1,2, . . . , n
p ( x)  P ( X  x)   x 
0 , en otro caso


Donde, “ n “ y “ p “ son parámetros ( valores conocidos ).

Gráfica de la distribución Binomial para una muestra de tamaño n=6 y probabilidad de

éxito p=0,70.
DISTRIBUCION BINOMIAL
Tabla Nº1
X p(x) 0.35
0 0.000729 0.3
PROBABILIDAD

1 0.010206
0.25
2 0.059535
3 0.18522 0.2
4 0.324135 0.15
5 0.302526
0.1
6 0.117649
0.05
0
0 1 2 3 4 5 6
X

Observaciones.

a) La distribución binomial se denota como; Xb( x, n, p ).

n
n n n n n
b) (p q)n p 0q n pqn 1
p 2q n 2
. . . p nq 0 p xq n x

0 1 2 n x 0 x
(p q)n 1 , donde q 1 p

PROPIEDADES
1) E(X ) = np (2) Var( X ) = npq.
tx t n
3. M X (t) E e pe q

Profesor: Jacinto Pedro Mendoza Solis 2 Noviembre/ 2022

4. Si X1 , , Xk son variables aleatorias independientes cada una con distribución binomial
con parámetros ni y p (i 1, 2, 3, ,k) , entonces la suma
X1 X2 , Xk b(n1 n2 , nk ;p) (Propiedad Reproductiva)

PROBLEMAS

1. Un inversionista compra 5 viviendas como parte de su plan de inversión. Supone que la

probabilidad de obtener utilidad en cada una de ellas es de 0,9. Suponiendo que hay
independencia.
a) ¿Cuál es la probabilidad de que obtenga utilidad en tres de ellas?
b) ¿Cuál es la probabilidad de que gane en al menos 2 de ellas?

SOLUCIÓN
n=5
v, a, X: Número de viviendas en la que se obtiene utilidad
E: Obtener utilidad en una vivienda (Éxito), P(E))=p=0,9
F: No obtener utilidad en una vivienda (Fracaso), P(F)= 1-p=q=0,1
X→b(x, 5, 0,9) (modelo Binomial)
 n  x nx
  p (1  p ) , x  0,1,2, . . . , n
p( x )  P ( X  x )   x 
0 , en otro caso

 5 
 (0,9)x (0,1)5 x , x  0,1,2,3,4,5
p( x )  P ( X  x )   x 
0 , en otro caso

5
a) p(3)  P ( X  3)    (0,9)3 (0,1)2  0.0729
3
b ) P ( X  2)  P (X  2)  P ( X  3)  P(X  4)  P(X  5)
 1  P ( X  0)  P ( X  1)  1  0,00046  0,99954
5 5
P(X  0)  P(X  1)    (0,9)0 (0,1)5    (0,9)1(0,1)4  0,00046
0 1 

2. La revista Purchasing (Compras) reportó los resultados de un estudio en el que a

compradores se les hace una serie de preguntas respecto al uso de Internet. Una pregunta
era de cómo usarían la Internet si pudieran resolverse la seguridad y otros problemas.
Setenta y ocho por ciento dijeron que la usarían para conocer información de precios, 75%
dijo que la usarían para enviar órdenes de compra, y 70% dijeron que la usarían para
reconocimientos de órdenes de compra. Suponga que estos porcentajes se cumplen para
todos los compradores. Un investigador muestrea al azar 20 compradores y les pregunta
cómo usarían la Internet si pudieran resolverse la seguridad y otros problemas.
a) ¿Cuál es la probabilidad de que exactamente 14 de estos compradores usarían la Internet
para información de precios?
b) ¿Cuál es la probabilidad de que todos los compradores usarían la Internet para enviar
órdenes de compra?
c) ¿Cuál es la probabilidad de que menos de 12 usarían la Internet para reconocimientos
de órdenes de compra?

SOLUCIÓN
a) n=20.
X: Número de compradores que usarían la internet para conocer información de precios.

Profesor: Jacinto Pedro Mendoza Solis 3 Noviembre/ 2022

 E: Un comprador usa la internet para información de precios → P(E)=p=0,78
F: Un comprador no usa la internet para información de precios → P(F)=q=0,22
X → b(x, 20, 0.78),
 20  20  x
x
  (0,78) (0,22) , x  0,1,2, ,20
P ( X  x )   x 
0 , en otro caso

 20 
P ( X  14)    (0,78)14 (0,22)6  0.1355951
 14 
b) W: Número de compradores que usarían la internet para enviar órdenes de compra.
E: Un comprador usa la internet para enviar órdenes de compra → P(E)=p=0,75
F: Un comprador no usa la internet para enviar órdenes de compra → P(F)=q=0,25
W → b(w, 20, 0.75),

 20 
P (W  20)    (0,75)20 (0,25)0  0.0031712
 20 
c) Z: Número de compradores que usarían la internet para reconocimientos de órdenes de
compra.
E: Un comprador usa la internet para reconocimiento de órdenes de compra →
P(E)=p=0,70
F: Un comprador no usa la internet para reconocimiento de órdenes de compra →
P(F)=q=0,30

Z → b(z, 20, 0.70),

 20 
 (0,70)z (0,30)20 z z  0,1,2, ,20
P (Z  z )   z 
,
0 , en otro caso

11
 20 
P (Z  12     (0,70)z (0,22)20  z
z 0  z 

3. El 75% de la mercadería que recibe un comerciante del fabricante A es de calidad

excepcional, mientras que el 80% de la mercadería que recibe del fabricante B es de calidad
excepcional. El 60% del total de la mercadería lo adquiere de A y el resto de B. Si se
selecciona 4 unidades de la mercadería, ¿Qué probabilidad hay de que se encuentren 2
unidades que sean de calidad excepcional?

SOLUCIÓN
E: Mercadería de calidad excepcional
N: Mercadería de calidad no excepcional

0.75 E/A
0.60 A 0.25
N/A
0.40 0.80 E/B
B
0.20 N/B

i) P(E )=0.60(0.75)+0.40(0.80)=0.77
ii) v. a. X: Número de mercadería de calidad excepcional, n=4
Ex : Una mercadería de calidad excepcional (éxito) → P(Ex)=p=0.77
F : Una mercadería de calidad no excepcional (fracaso) → P(F)=q=0.23

Profesor: Jacinto Pedro Mendoza Solis 4 Noviembre/ 2022

 X → b(x, 4, 0.77),
4
P ( X  2)    (0,77)2 (0,23)2  0.1881864
2

4. La probabilidad de que un artículo que produce la fábrica A sea defectuoso es 0,1. Si se

venden 10 de tales artículos sin probar, ¿cuál es la probabilidad de que
a) cuatro artículos vendidos sean defectuosos?
b) los 10 artículos vendidos sean defectuosos?
c) Si el comprador del artículo regresa las piezas defectuosas para su reparación, y el costo
de reparación es C  4 X  X 2  2 , donde X es el número de artículos defectuosos.
Calcular el costo esperado.

SOLUCIÓN
D: Artículo defectuoso → P(D)=0,1
N: Artículo no defectuoso → P(N)=0,9
i) X: Número de artículos defectuosos vendidos, Tamaño de nuestra n=10
E: Se vende un artículo defectuoso → P(E)=p=0.1
F: Se vende un artículo no defectuoso → P(F)=1− p=0.9
X → b(x, 10, 0.1)
4 (0.1) (0.9)  0.01116
a) P(X  4)  C10 4 6

10 (0.1) (0.9)  (0.1)

b) P(X  10)  C10 10 0 10

c) C: Costo de reparación  C  4 X  X 2  2
Recordando; E(X)=μ=np → E(X)=10(0.1)=1
V(x)  2  npq  2  10(0.1)(0.9)  0.9
2  E(x 2 )  [E(x)]2  0.9  E(x 2 )  (1)2  E(x 2 )  1.9
E(C)  E(4X  X 2  2)  E(C)  4E(X)  E(X 2 )  E(2)
E(C)  4(1)  (1.9)  2  E(C)  7.9

3. DISTRIBUCIÓN DE POISSON. ( Simeon D. Poisson : 1781 – 1840 )

DEFINICIÓN Nº5. PROCESO DE POISSON.

Los eventos discretos que se generan en un intervalo contínuo ( unidad de medida:
tiempo, longitud, área, volumen, etc. ), forman un proceso de Poisson con , parámetro , si
tiene las siguientes características:
a) El número promedio de ocurrencias de eventos en una unidad de medida ( intervalo
de tiempo, una región especificada, etc. ), es conocida e igual al parámetro .
b) La ocurrencia de un evento en una unidad de medida hi , no afecta a la ocurrencia o no
ocurrencia de otra unidad de medida hj. contigua ( la ocurrencia de los eventos en unidades
de medidas contiguas son independientes).
c) Interesa conocer X: número de ocurrencia de eventos en t unidades de medida.

DEFINICIÓN Nº6
Una variable aleatoria X, tiene distribución de Poisson con parámetro  > 0, si su función de
cuantía está dada por;
 e   x
 , . . .x  0,1, 2, . . . ; e  2, 71828
p ( x)   x !
0 , otro caso


Profesor: Jacinto Pedro Mendoza Solis 5 Noviembre/ 2022

Notación. La distribución de Poisson se denota como; X P(  ) .

Gráfica de la distribución de Poisson para una muestra de tamaño n=6 y λ=1.5.

DISTRIBUCION DE POISSON

0.4
Tabla Nº2
0.35
x p(x)

PROBABILIDAD
0 0.22313016 0.3
1 0.33469524 0.25
2 0.25102143
0.2
3 0.12551072
4 0.04706652 0.15
5 0.01411996 0.1
6 0.00352999
0.05
0
0 1 2 3 4 5 6
x
PROPIEDADES

1. E( X ) = 
2. Var( X ) = 
e(e
t
1)
3. M X (t) E etx
4. Si las variables aleatorias X1 , , Xk son independientes y si X i tiene distribución de
Poisson con parámetros  i (i 1, 2, 3,
,k) entonces la suma T X1 X2 , Xk tiene
distribución de Poisson con parámetro  1  2 , k .

Aplicaciones.
La distribución de Poisson, se utiliza como modelo para describir distribuciones de probabilidad
de eventos, tales como. La llegada de vehículos a una estación de servicios, la llegada de
aviones a un aeropuerto, la llegada de clientes a un restaurante, para describir experimentos:
número de errores de imprenta por página, el número de remaches defectuosos de un avión,
el número de bacterias en un cm 3 de agua del mar.

APROXIMACION DE LA DISTRIBUCIÓN BINOMIAL A UNA DISTRIBUCIÓN DE

POISSON

La distribución binomial b( x, n, p ), tiende a una distribución de Poisson P(  ), cuando

se considera  np E(X) y tomando el límite de la probabilidad binomial
n
p(x) p x (1 p)n x
cuando n→ꝏ, tenemos
x

Profesor: Jacinto Pedro Mendoza Solis 6 Noviembre/ 2022

 x n x
n x n x n(n 1) . (n x 1)  
lim C p qx lim 1
x n x! n n

Si n, p , E(X) = np = .

n x
x  n(n 1) . . . (n x 1) 
lim 1 1
n x! n nx n
n x
x   1 2 x 1
lim 1 1 1 1 .1
x! n n n n n n
n
 
Observamos que lim 1 e y todos los otros términos a la derecha tienen un límite
n n
de 1, y se obtiene

e x
p(x) .
x!
Se considera que la aproximación es buena, cuando n ≥ 30 y np  5.

PROBLEMAS

1. Los empleados de cierta oficina llegan al reloj de control con una tasa media de 1,5 por
minuto. Calcular la probabilidad de que;
a) tres empleados lleguen en un minuto cualquiera.
b) al menos tres lleguen durante un intervalo de 2 minutos.
c) ocho lleguen durante un intervalo de 6 minutos.

SOLUCIÓN
X: Número de empleados que llegan al reloj de control en un minuto
E(X)      1,5 empleados / 1minuto, entonces X  P(  1.5)
 e 1.5 (1.5) x
 , . . .x  0,1, 2, . . . , e  2, 71828
p ( x)   x!
0 , otro caso


e1.5 (1.5)3
a) P(X  3)   0.12551
3!
b) Y: Número de empleados que llegan al reloj de control en dos minutos
E(Y)  y    3 empleados / 2 minutos, entonces Y  P(3)
 e 3 (3) y
 , . . . y  0,1, 2, . . .
P (Y  y )   y!
0 , otro caso


Profesor: Jacinto Pedro Mendoza Solis 7 Noviembre/ 2022

 P(Y  3)  1  P(Y  3)  1  P(Y  0)  P(Y  1)  P(Y  2)
 e3 (3)0 e3 (3)1 e 3 (3)2  3
 1      1  e (1  3  4.5)  0.5768
 0! 1! 2! 
c) Z: Número de empleados que llegan al reloj de control en seis minutos
E(Z)  z    9 empleados / 6 minutos, entonces Z  P(  9)
 e 9 (9) z
 , . . . z  0,1, 2, . . .
P( Z  z )   z!
0 , otro caso


e9 (9)8
P(Z  8)   0.131755
8!

2. Si el 0,8 % de los fusibles depositados en un lote están defectuosos. Determinar la

probabilidad de que 4 fusibles estén defectuosos en una muestra aleatoria de 400,
utilizando: a) La distribución binomial,
b) La aproximación de Poisson

SOLUCIÓN

a) la distribución binomial
v, a, X: Número de fusibles defectuosos, n=400 (grande)
E: Un fusible es defectuoso (Éxito), P(E))=p=0,8%=0.008
F: Un fusible no es defectuoso (Fracaso), P(F)= 1-p=q=0,992
X→b(x, 400, 0.008) (modelo Binomial)
 400  400  x
P ( X  x )   x
 (0,008) (0,992) , x  0,1,2, ,400
 x 
 400 
p(4)  P ( X  4)    (0,008) (0,992)  0.17884522
4 396

4 

b) la aproximación de Poissón.

E(X)  np      400(0.008)  3.2  P(3.2)

e3.2 (3.2)4
P(X  4)   0.178092
4!

3. Una compañía ha descubierto que solo alrededor del 0,1 por ciento de la población tiene
cierto tipo de accidentes cada año, Si los 10000 asegurados fueran seleccionados
aleatoriamente en la población. ¿Cuál es la probabilidad de que no mas 5 de estos clientes
tengan un accidente de ese tipo el próximo año?

SOLUCIÓN

La v. a. X: Número de asegurados que tienen cierto tipo de accidentes,

n=10000 (grande)
E: Un asegurado tiene cierto tipo de accidente (Éxito), P(E))=p=0,1%=0.001
F: Un asegurado no tiene cierto tipo de accidente (Fracaso), P(F)= 1-p=q=0,999
X→b(x,10000,0.001) (modelo Binomial)

Profesor: Jacinto Pedro Mendoza Solis 8 Noviembre/ 2022

  10000  10000  x
P ( X  x )   x
 (0,001) (0,999) , x  0,1,2, ,10000
 x 

Usando la aproximación del modelo binomial al modelo de Poisson se tiene;

E(X)  np      10000(0.001)  10  P(10)
P(X  5)  P(X  0)  P(X  1)  P(X  2)  P(X  3)  P(X  4)  P(X  5)
e10 (10)0 e10 (10)1 e 10 (10)2 e 10 (10)3 e 10 (10)4 e 10 (10)5
     
0! 1! 2! 3! 4! 5!
10
 e (1  10  50  166.667  416.667  833.333)  0.067085

4. La Articulate Corporation espera que el 99% de los saldos de su cuenta por cobrar sean
correctos. Se seleccionó una muestra de 200 cuentas para auditarlas.
a) ¿Cuál es la probabilidad de que ninguna de las cuentas tenga errores?
b) ¿Cuál es la probabilidad de que 5 de las cuentas tengan errores?
c) ¿Cuál es la probabilidad de que más de 4 cuentas tengan errores?

Solución.

4. DISTRIBUCIÓN HIPERGEOMÉTRICA.

Esta distribución de tipo discreto se caracteriza porque;

a) Las pruebas son dependientes.
b) Hay una población finita con N elementos, particionados en dos clases:
i) r , elementos de una clase ( Éxito )
ii) N – r , elementos de otra clase ( Fracaso )
c) Se extrae aleatoriamente una muestra de “ n “ elementos, sin reposición. Es decir, se
efectúan n pruebas dependientes.
d) La probabilidad de éxito, no se mantiene constante, es decir, varía de prueba en prueba a
través de todo el experimento.
e) Interesa conocer X: Número de éxitos en la muestra seleccionada aleatoriamente.

N
E F
r n N-r

x. n- x
-x

DEFINICION Nº7

Profesor: Jacinto Pedro Mendoza Solis 9 Noviembre/ 2022

Se dice que una variable aleatoria X, tiene distribución Hipergeométrica, con parámetros: N, n
y r, y se denota X  H ( N, r, n ), si su función de cuantía está dada por:

 C xr C nNxr
 , máx(0, n  r  N )  x  mín( n , r )
p x  P ( X  x)   C nN
0 , en otro caso


DISTRIBUCION HIPERGEOMETRICA

0.6
X p(x)
0.5
PROBABILIDAD

0 0.01785714
1 0.26785714 0.4
2 0.53571429
3 0.17857143 0.3
0.2
0.1
0
0 1 2 3
X

Gráfica de la distribución Hipergeométrica, para N = 8, r = 5, N-r = 3, n = 3

PROPIEDADES
r
a) E ( X )   X  n
N
r ( N  r )( N  n)
b) V ( X )   X2  n
N 2 ( N  1)
N n
Donde el factor se llama Factor de Corrección de Población Finita (fcpf).
N 1

PROBLEMAS

1. Entre las 16 máquinas nuevas que se vendieron a un distribuidor hay siete que tienen
defectos mínimos. Si el departamento de control de calidad selecciona al azar dos de estas
máquinas para revisar si hay defectos, ¿cuáles son las probabilidades de que
a) ninguna máquina revisada tenga defectos;
b) una máquina tenga defectos;
c) ambas máquinas tengan defectos?

SOLUCIÓN
Tamaño de la Población N=16
Ëxito r=7 (máquina con defectos mínimos)
Fracaso N─r=9
Tamaño de la muestra n=2
v. a. X: Número de máquinas con defectos mínimos en la muestra n=2
X → H(16; 7; 2) (Distribución Hipergeométrica)

Profesor: Jacinto Pedro Mendoza Solis 10 Noviembre/ 2022

  7   9 
   
  x 2  x 

P( X  x )    16 
  
  2 

0 , en otro caso
C07 C29 1(36)
a ) P ( X  0)    0.3
C216 120
C17 C19 7(9)
b) P ( X  1)    0.525
C216 120
C27 C09 21
c) P ( X  2)  16
  0.175
C2 120

2. El banco Kington tiene 15 cuentas por cobrar con saldos abiertos en el departamento de
préstamos. El presidente quiere modificar las operaciones del banco después de leer un
artículo en el Bankers Monthly sobre los bancos que ganan dinero sin prestarlo. Decide
entonces muestrear algunos de los préstamos y estudiar su rendimiento.
De los préstamos más importantes, seis tienen saldos de más de $1000. El presidente elige
al azar cinco cuentas por cobrar para estudiarlas. Averigüe la probabilidad de que
precisamente dos de las cuentas auditadas tengan saldos de más de $1000.

SOLUCIÓN

Tamaño de la Población N=15

Ëxito r = 6 (cuentas por cobrar con saldos de más de $ 1000)
Fracaso N─ r = 9
Tamaño de la muestra n=5
X: Número de cuentas por cobrar con saldos de más de $1000 en la muestra n=5
X → H(15; 6; 5) (Distribución Hipergeométrica)
 Cx6 C59 x

P ( X  x )   C515
0 , en otro caso

C26 C39 15(84)
P ( X  2)  15
  0.41958
C5 3003

3. Una oficina de gobierno está verificando las especificaciones que deben aparecer en una
etiqueta para un producto. Suponga que, en una caja, el contenido de 6 de cada 24 latas no
cumple con las especificaciones mencionadas. El inspector elige 6 latas de una caja. ¿Cuál
es la probabilidad de que no encuentre latas con etiquetas que no cumplen con las
especificaciones?

4. Si entre 20 trabajadores de la construcción cinco no usaban calzado de protección, y se

seleccionaron 10 trabajadores para hacer la revisión del calzado de protección, ¿cuál es la
probabilidad de que cuando menos tres de los trabajadores revisados no hayan estado
usando calzado de protección?

Profesor: Jacinto Pedro Mendoza Solis 11 Noviembre/ 2022

 5. DISTRIBUCIÓN GEOMÉTRICA

Como en la distribución binomial, consideramos un experimento con sólo dos posibles

resultados: Éxito ( E ) y Fracaso ( F ). Repitamos el experimento de manera independiente
hasta obtener Éxito. El espacio muestral que se obtiene está formado por los siguientes
eventos:

E, éxito en la primera prueba.

FE, fracaso en la primera prueba y éxito en la segunda prueba.
FFE, fracaso en la primera y segunda prueba y éxito en la tercera prueba.
…
…
FFFFF…FE, fracaso hasta la x – 1 prueba y éxito en la x – ésima prueba.

La variable aleatoria X, indica el Número de pruebas necesarias hasta obtener éxito (

toma los valores :0,1, 2, 3,,…)

DEFINICIÓN Nº8

Una variable aleatoria X, tiene distribución geométrica con parámetro p, si su función de

cuantía denotada por X G ( p ), está dada por

px P(X x) qxp , x 0, 1, 2, 3, . . . si p 0 , q 0 y p q 1
PROPIEDADES.
q q
1. E(X) 2. V(X)
p p2
p
3. M X (t) E etx
1 qet

Profesor: Jacinto Pedro Mendoza Solis 12 Noviembre/ 2022