EstadI Unidad5

Unidad 5: Modelos de Probabilidad
Unidad 5: Modelos de probabilidad
1. Introducción
En la Unidad 3 comenzamos a estudiar la teoría de las probabilida-
des, como nexo entre la estadística descriptiva y la estadística inferencial.
En esta Unidad trabajaremos dentro de las distribuciones de probabilidad
con modelos especiales para variables discretas y continuas.
PROBABILIDAD
Axiomas de la Variables Distribuciones

probabilidad Aleatorias de probabilidad
Modelos de
probabilidad
En la Unidad 4 se trabajó el significado de variable aleatoria, a su vez

las clasificamos según su naturaleza en discretas o continuas. También
hemos presentado la distribución de probabilidad y calculado esperanza y
varianza.
Con estos conceptos vamos a identificar y plantear modelos particu-

lares de probabilidad de amplio uso en situaciones que ocurren cotidiana-
mente, como la cantidad de piezas defectuosas en una producción de 100
artículos, las llamadas en espera en una central telefónica en una hora, los
ingresos de los empleados de una fábrica, el tiempo de realización de una
tarea, entre otras
Los modelos de variables discretas que consideraremos son: Bi-
puntual, Binomial, Hipergeométrico y Poisson. Para el caso continuo, ana-
lizaremos los modelos Exponencial y Normal.
A continuación, procederemos a caracterizar cada uno de ellos, pre-

sentar o deducir su función de probabilidad (función de cuantía o de den-
sidad), función de distribución y determinar su esperanza y varianza.
2. Modelos de probabilidad para variables discretas

Vamos a trabajar, en primer lugar, con variables aleatorias discretas, 223
es decir, aquellas que provienen de un proceso de conteo, donde la canti-
dad de casos o pruebas es finita. Así tendremos: cantidad de personas, de
autos, de hijos, de bancos, entre otras. El objetivo de esta sección es es-
tudiar modelos de probabilidad para esas variables.
2.1 Modelo Bipuntual
Este es uno de los modelos más simples y puede ser aplicados a

situaciones como las que se consideran a continuación:
- Para un estudiante de una clase se desea saber: si fuma o no, si

aprobó o no un determinado examen, si leyó o no un texto.
- Si se arroja una moneda, qué resultado se puede obtener;
- Si se selecciona una pieza de metal de un lote fabricado, ésta re-
sulta defectuosa o no.
El aspecto común que tienen cada una de esas situaciones es que

se procede a observar un solo elemento de una población dicotomizada,
al que se lo clasifica en una de dos categorías posibles, que son mutua-
mente excluyentes. La variable bipuntual asociada a este tipo de experi-
mento (llamado Bernoulli) puede presentar uno y sólo uno de dos resulta-
dos posibles, que llamaremos éxito (E) si la observación considerada po-
see la característica de interés y fracaso (F), en caso de no poseerla.
Ω = {𝐸, 𝐹}
A la variable aleatoria que definimos se le asignará valor 1 si es E y

valor 0 si es F.
𝑌: 0,1
Si en una población dicotómica se selecciona una observación al

azar -lo que es equivalente a realizar una prueba o experimento- se genera
entonces, una observación muestral que posee o no determinada caracte-
rística, lo cual determina una variable aleatoria con distribución bipuntual.
Para este caso en particular, la variable aleatoria con la cual estamos

trabajando es discreta. La aparición de éxito tendrá asociada una probabi-
lidad que llamaremos “p” y para el fracaso la probabilidad asociada será “1
- p”. Ese “1 - p” también puede ser denotado como “q”.
𝑝 = 𝑃(𝐸)
1 − 𝑝 = 𝑞 = 𝑃(𝐹)
Función de probabilidad
Lo expresado en el apartado anterior puede sintetizarse de la si-

guiente forma:
Ω yi p(yi)
E 1 p
F 0 q
Donde las dos últimas columnas constituyen la distribución de pro-

224 babilidad; mientras que la expresión analítica que representa la función de
probabilidad, también llamada de cuantía, por tratarse de una variable
aleatoria discreta se denota como:
𝑦 1−𝑦
𝑃(𝑦) = { 𝑝 𝑞 𝑦 = 0,1
0 ∀ 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
Es decir, si aparece la característica de interés (E), entonces la va-

riable asume el valor 1 (éxito) y su probabilidad es p, mientras que si no se
presenta esa característica (F), la variable asume el valor 0 (fracaso)
siendo su probabilidad 1 - p.
Como se observa, la variable puede asumir uno de estos dos valores,

0 ó 1. Tal como hemos referido asignamos el valor 1 a la categoría de éxito
y 0 a la categoría de fracaso.
Para un determinado valor del parámetro p, la distribución de proba-

bilidad del modelo también puede presentarse en forma gráfica (Gráfico
5.1).
Gráfico 5.1 Función de cuantía Bipuntual
P(x) 1
0
0 1 2
x
Dicha función cumple con las condiciones necesarias para ser fun-
ción de probabilidad, dado que:
1) 𝑃(𝑌 = 𝑦) = 𝑝 𝑦 (1-p)1−𝑦 ≥ 0
2) ∑1𝑦=0 𝑃(𝑌 = 𝑦) = 𝑃(𝑌 = 0) + 𝑃(𝑌 = 1)

= 𝑝0 . (1-𝑝)1−0 + 𝑝1 . (1-𝑝)1−1
= (1 − 𝑝) + 𝑝
= 1
Función de distribución
La función de distribución es la función que acumula probabilidades

desde el menor valor que puede asumir la variable (y = 0) hasta un valor
particular. En este caso, al asumir sólo dos valores, tendremos únicamente
dos probabilidades acumuladas:
1−𝑝 𝑦=0
𝐹(𝑦) = {
1 𝑦=1 225
Obviamente, que no tiene sentido la función de distribución para
una variable bipuntual, pero el razonamiento nos permite recordar lo visto
en la unidad anterior y aplicarlo en el transcurso del presente (Gráfico
5.2).
Gráfico 5.2 Función de Distribución
Bipuntual
F(x) 1
0
0 1 2
x
Esperanza y varianza de una variable Bipuntual
Para la distribución bipuntual, la esperanza y varianza son:
𝐸(𝑌) = 𝑝
𝑉(𝑌) = 𝑝. (1 − 𝑝)
Obtendremos ambas expresiones mediante las definiciones dadas

en la unidad anterior. Comencemos con la esperanza:
1 1
𝐸(𝑌) = ∑ 𝑦. 𝑃(𝑦) = ∑ 𝑦. 𝑝 𝑦 (1 − 𝑝)1−𝑦

𝑦=0 𝑦=0
= 0 + 1. 𝑝1 . (1 − 𝑝)0 = 𝑝
Es decir,
𝐸(𝑌) = 𝑝
Respecto a la varianza, podemos aplicar la fórmula de cálculo rápido:
𝑉(𝑌) = 𝐸(𝑌 2 ) − [𝐸(𝑌)]2
De acuerdo a ello, sólo será necesario obtener la E(Y 2 ) , dónde:
𝐸(𝑌 ) = ∑ 𝑦 2 . 𝑝 𝑦 (1 − 𝑝)1−𝑦
2
𝑦=0
= 12 . 𝑝. (1 − 𝑝)0 = 𝑝
Entonces
226 𝑉(𝑌) = 𝑝 − 𝑝2 = 𝑝. (1 − 𝑝)
Es decir,
𝑉(𝑌) = 𝑝. (1 − 𝑝) = 𝑝. 𝑞
Para ejemplificar el modelo bipuntual, trabajaremos con el si-

guiente problema:
Se ha realizado una campaña publicitaria que tuvo como objetivo lan-

zar al mercado un cierto producto. De estudios anteriores se conoce que
luego de observar la publicidad, el 80% de los individuos compró un pro-
ducto similar. Si consideramos que el éxito es comprar el producto luego
de observar la publicidad, la probabilidad asociada al éxito es p = 0,80.
Para poder analizar si estamos ante un caso de variable bipuntual,

recordemos las características de esta variable.
Estamos en una población dicotomizada, es decir que los individuos

“compran” o “no compran” el producto.
Se hace una sola prueba, es decir se selecciona al azar “un” indivi-

duo.
La respuesta de la persona seleccionada puede ser una y sólo una

de las siguientes respuestas:
𝑦1 = 𝑐𝑜𝑚𝑝𝑟𝑎
𝑦2 = 𝑛𝑜 𝑐𝑜𝑚𝑝𝑟𝑎
Entonces, estamos ante una variable bipuntual.
Asociemos a la variable “compra”, el valor 1 y a la variable “no com-

pra” el valor 0.
La función de probabilidad de la variable, que podemos llamar, pre-

ferencia de compra es:
yi P(yi)
0 0,20
1 0,80
De la observación de la tabla, podemos deducir que las probabilida-

des son no negativas y la suma de ellas, para todos los valores posibles
de la variable, es igual a 1 (0,20 + 0,80). En otras palabras, cumple con las
condiciones de una función de probabilidad.
El valor esperado de la variable preferencia para comprar un deter-

minado producto es igual a 0,80.
𝐸(𝑌) = 0,80
y la Varianza (valor esperado de los desvíos al cuadrado respecto de

la esperanza) como medida de variabilidad es:
𝑉(𝑌) = 𝑝(1 − 𝑝)
𝑉(𝑌) = 0,16 227
Le proponemos ahora realizar la siguiente actividad a fin de ejercitar

acerca de este modelo de probabilidad.
Actividad 1:
En una encuesta de opinión sobre una marca determinada de cigarrillos,
tiene importancia la condición de fumador y debido a ello, cada persona
que responde se clasifica en “fuma” o “no fuma”. Se cree que el 55 % de
la población encuestada fuma. Si se selecciona una persona al azar:
a) Determine la distribución de probabilidad (asigne 1: si fuma y 0: no

fuma).
b) Encuentre el valor esperado de la variable condición de fumador.
c) Calcule la desviación estándar de dicha variable.
d) Grafique la función de cuantía del modelo.
A continuación, abordaremos otro modelo para variable discreta que

se basa en conceptos estudiados en el anterior.
2.2 Modelo Binomial
Este modelo de probabilidad es uno de los más importantes y surge

cuando se lleva a cabo un experimento bipuntual repetido una cantidad
finita n de veces. Es decir, que repetimos la prueba bipuntual n veces y en
cada una de ellas pueden presentarse dos resultados exclusivos y exclu-
yentes (E ó F) con probabilidad constante (p y q) en cada prueba. A los
ensayos que poseen estas características se los conoce también como ex-
perimentos de pruebas repetidas con probabilidad constante.
En consecuencia, se trata de una extensión del modelo bipuntual,

que se denomina modelo de probabilidad binomial, el cual posee las
siguientes características:
1. Se realizan n pruebas idénticas, es decir que hablamos de la reali-

zación de n pruebas repetidas.
2. El muestreo se realiza con reemplazo, en consecuencia, las prue-
bas son independientes y la ocurrencia de un evento en particular
en una de ellas no modifica la probabilidad de ocurrencia del evento
en la prueba siguiente. Lo que es lo mismo decir que la probabilidad
de éxito en una sola prueba es igual a p, y permanece constante
de prueba en prueba. La probabilidad de fracaso es igual a (1-p) y,
obviamente también permanece constante.
3. Cada prueba posee dos resultados posibles mutuamente excluyen-
tes, que denominamos éxito o fracaso.
Podemos definir la variable aleatoria con distribución binomial como:
X: cantidad de éxitos en n pruebas con reemplazo

228 y los valores que puede asumir son: 0, 1, 2, …, n; donde se observa
que se trata de una variable aleatoria discreta. Una variable con distribu-
ción binomial suele denotarse como:
𝑋~𝐵(𝑛, 𝑝)
Veamos algunos ejemplos de pruebas donde se presentan varia-

bles aleatorias con distribución binomial:
• n piezas fabricadas, donde cada una de ellas puede ser defectuosa

(éxito) o no defectuosa (fracaso). La variable binomial será la can-
tidad de piezas defectuosas en el lote de tamaño n.
• n personas interrogadas en una encuesta a boca de urna, en donde
cada una de ellas podrá estar a favor de un determinado candidato
(éxito) o en contra (fracaso). La variable que definimos es la canti-
dad de personas a favor del candidato de referencia.
• n monedas lanzadas, donde cada una de ellas puede ser cara
(éxito) o ceca (fracaso). La variable es la cantidad de caras en los
n lanzamientos.
También se aplica el modelo binomial cuando estamos ante el caso

de una población muy grande (infinita), donde la probabilidad permanece
constante por la gran cantidad de elementos que forman parte de ella; en
consecuencia, la extracción de un elemento prácticamente no modifica la
probabilidad p.
Recordando las probabilidades asociadas a cada éxito y fracaso, po-

demos definir la función de probabilidad de la variable binomial como sigue:
𝐶𝑛𝑥 𝑝 𝑥 𝑞 𝑛−𝑥 𝑥 = 0,1,2, . . . , 𝑛

𝑃(𝑋 = 𝑥, 𝑛, 𝑝) = {
Siendo p = probabilidad de éxito y q = probabilidad de fracaso.
La función de probabilidad o función de cuantía anterior puede dedu-

cirse a partir de pruebas bipuntuales repetidas n veces.
Si retomamos el primero de los ejemplos planteados, donde la varia-

ble binomial es la cantidad de piezas defectuosas (éxito) y se selecciona
una muestra con reemplazo de 3 piezas fabricadas (n=3) con probabilidad
de éxito igual a 0,10 (p=0,10). ¿Qué cantidad de defectuosos pueden apa-
recer en la muestra? Es decir, ¿qué valores puede asumir la variable alea-
toria?
𝑋 = 0,1,2, 3
Si queremos determinar cuál es la probabilidad que se presenten dos

piezas defectuosas. Esas dos piezas defectuosas (X=2) en las tres prue-
bas (n=3) podrán aparecer de manera mutuamente excluyentes en alguna
de las siguientes formas:
Pruebas
1ra 2da 3ra 229
E E F
E F E
F E E
De esta manera cada una de ellas está formada por tres eventos
simples que tienen las probabilidades asociadas p y q según corresponda.
En este caso:
Probabilidades asociadas
1ra 2da 3ra
p p q
p q p
q p p
Dado que estamos interesados en la ocurrencia de dos piezas de-

fectuosas, sin interesar el orden en el que aparecen, la probabilidad de dos
éxitos será igual a la suma de las tres probabilidades asociadas a los even-
tos anteriores:
𝑃(𝑋 = 2) = 𝑝2 𝑞 + 𝑝2 𝑞 + 𝑝2 𝑞 = 3𝑝2 𝑞 = 3 (0,10)2 (0,90) = 0,027
Por lo que si se realizan n pruebas independientes, la probabilidad

de una cantidad x de éxitos y n-x fracasos, es igual a:
pp...p qq...q = px qn-x
x n-x
Sabiendo que el orden no tiene importancia, tenemos Cnx (combina-

torio de n elementos tomados de a x) formas en que se pueden obtener los
éxitos en las n pruebas.
Para el ejemplo 𝐶32 = 3
Si generalizamos lo ejemplificado para todos los posibles valores que

puede asumir la variable X, obtenemos la expresión de la función de pro-
babilidad presentada. En síntesis, cuando una variable aleatoria tiene va-
lores de probabilidad dados por esa expresión diremos que X tiene distri-
bución binomial con parámetros n y p.
Dicha función cumple con las condiciones necesarias para ser fun-
ción de probabilidad ya que es siempre positiva y la suma para todos los
valores de X es igual a 1:
1.) 𝑃(𝑋 = 𝑥) = 𝐶𝑛𝑥 𝑝 𝑥 𝑞 𝑛−𝑥 ≥ 0
2.) 𝑃(𝑋 ≤ 𝑛) = ∑𝑛 𝑥 𝑥 𝑛−𝑥

𝑥=0 𝐶𝑛 𝑝 𝑞 = (𝑝 + 𝑞)𝑛 = 1
La expresión (p+q)n es el binomio de Newton que es el resultado

del desarrollo del sumatorio de la expresión anterior.
A modo de ejemplo de la distribución binomial consideremos el si-

guiente caso:
230
Supongamos que se seleccionan 6 alumnos que cursan el último año
de la carrera universitaria y se analiza el hábito de fumar. Para graficar la
función de cuantía de la variable binomial, utilizaremos el gráfico de basto-
nes, que estudiamos en la unidad 4. Se conoce que la probabilidad de fu-
mar es de 0,40. La variable X: cantidad de personas que fuman, es bino-
mial y sus valores de probabilidad que se pueden encontrar a partir de la
función de cuantía se muestran en la tabla siguiente:
xi p (xi)
0 0.047
1 0.187
2 0.311
3 0.276
4 0.138
5 0.037
6 0.004
1
Su representación gráfica es la que se observa en el Gráfico 5.3.
Gráfico 5.3 Función de cuantía binomial
En este caso la función de distribución tiene sentido ya que ahora

podemos acumular las probabilidades de cada uno de los valores que
puede asumir la variable cantidad de éxitos hasta un cierto valor en parti-
cular (u), lo que simbólicamente puede expresarse como:
0xn
Si retomamos el ejemplo de los alumnos y el hábito de fumar, visto

en el apartado anterior, podemos graficar la función de distribución (Gráfico
5.4) a partir de las probabilidades acumuladas que se muestran en la tabla
siguiente.
xi p (xi) F(xi)
0 0.047 0.047
1 0.187 0.234
2 0.311 0.545 231
3 0.276 0.821
4 0.138 0.959
5 0.037 0.996
6 0.004 1
1
Gráfico 5.4 Función de Distribución Binomial
F(x) 1,2
1
0,8
0,6
0,4
0,2
0
0 2 4 6
Como podemos observar y según lo ya estudiado, la máxima proba-

bilidad acumulada es 1 y se alcanza cuando X=6.
A continuación, calcularemos la esperanza y la varianza que carac-

terizan a este modelo.
Esperanza y varianza de una variable binomial
Para obtener la esperanza y varianza de esta variable deberemos

sumar en n pruebas, n variables bipuntuales:
𝑌1 , 𝑌2 , . . . , 𝑌𝑛
Cada una de ellas asumirá el valor 1 si ocurre un éxito y 0 en caso

contrario. De acuerdo a ello se define como variable aleatoria binomial a la
cantidad de éxitos en n pruebas, de manera tal que:
𝑛
𝑋 = ∑ 𝑌𝑖
𝑖=1
En primer lugar, encontraremos a qué es igual E(x).

Luego, a partir de la esperanza y la varianza de la suma de n varia-
bles bipuntuales y, conociendo que la esperanza de una variable bipuntual
es E(Y)= p, aplicando propiedades de esperanza, obtenemos:
𝑛
𝐸(𝑋) = 𝐸(∑ 𝑌𝑖 )
𝑖=1
𝐸(𝑋) = ∑ 𝐸(𝑌𝑖 )
232 𝑖=1
𝐸(𝑋) = 𝑛𝑝
Respecto a la varianza, conociendo que dicha medida en una variable bi-

puntual es V(Y) = p (1-p) y siguiendo un procedimiento análogo, obtene-
mos:
𝑉(𝑋) = 𝑉(∑𝑛𝑖=1 𝑌𝑖 )
𝑛
𝑉(𝑋) = ∑ 𝑉(𝑌𝑖 )
𝑖=1
𝑉(𝑋) = 𝑛 𝑝 (1 − 𝑝)
¿Cómo se calculan las probabilidades con el modelo binomial? Para

responder esta pregunta consideremos las siguientes situaciones:
1. En una familia de tres hijos, ¿cuál es la probabilidad de que 2 sean

mujeres? La probabilidad de que sea mujer es 0,5 y el sexo de cada
hijo es independiente del de los demás. Entonces, los parámetros
son: n = 3 y p = 0,5 y podemos plantear la probabilidad requerida
como:
𝑃(𝑋 = 2, 𝑛 = 3, 𝑝 = 0,5)
Si aplicamos la función de cuantía del modelo binomial para el

cálculo de las probabilidades, obtenemos:
𝑃(𝑋 = 2) = 𝐶32 𝑝2 (1 − 𝑝)(3−2)
Al realizar los cálculos, obtenemos:
𝑃(𝑋 = 2) = 0,375
La probabilidad de que en una familia de tres hijos haya 2 mujeres

es de 0,375.
2. Se extraen 4 bolillas con reemplazo1 de una urna que tiene 5 blan-

cas y 3 negras. ¿Cuál es la probabilidad de que salgan menos de
2 blancas? Como la elección se hace con reemplazo, se cumplen
los requisitos de un experimento binomial donde X es el número de
bolillas blancas. Entonces, n = 4 y p = 0,625 (5/8). La probabilidad
que estamos buscando es P (X < 2) y ésta es igual a:
𝑃(𝑋 < 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1)
realizando los cálculos, obtenemos:
𝑃(𝑋 < 2) = 0,1516 233
La probabilidad de seleccionar menos de 2 bolillas blancas es

0,1516.
1
Esto es, una vez elegida una bolilla es incorporada otra vez a la urna, de manera tal que
puede ser nuevamente seleccionada.
3. Se les pregunta a los ingresantes a la Facultad de Ciencias Econó-
micas de un año determinado, sobre sus conocimientos de francés.
Se conoce que el 20% del total de escuelas secundarias enseñan
este idioma. Si se seleccionan 20 ingresantes al azar, con reem-
plazo, suponiendo que los alumnos tienen igual probabilidad de
provenir de cualquiera de las escuelas secundarias ¿cuál es la pro-
babilidad de que haya por lo menos 5 que conozcan el idioma?
Si X es el número de alumnos con conocimientos de francés, debe-

ríamos encontrar esta probabilidad aplicando la función de cuantía
del modelo binomial, tal cual lo hicimos en los casos anteriores.
𝑃(𝑋 ≥ 5) = 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6) + 𝑃(𝑋 = 7) + 𝑃(𝑋 = 8)+. . . +𝑃(𝑋 = 20)
Como se puede observar estos cálculos son bastantes tediosos,

pero pueden evitarse con la ayuda de algún software con funciones
estadísticas.
Para mostrar el uso de Infostat retomemos el primer ejemplo

donde los parámetros son: n = 3 y p = 0,50, y queremos encon-
trar la probabilidad de que X sea igual a 2.
Para ello debemos seguir la secuencia:
Estadísticas → Probabilidades y cuantiles. En el cuadro de diálogo que

se despliega se deberá seleccionar la distribución, en este caso Binomial,
tipear los valores de n y p y luego hacer clic en calcular. Tal como se mues-
tra a continuación aparecen varias probabilidades asociadas al valor 2, en-
tre ellas el resultado que estamos buscando para X=2.
Salida 1. Modelo binomial B (n=3, p=0,5)
Si para la primera situación presentada, y que hemos venido traba-

234 jando, nos preguntamos ahora: ¿Cuál es la probabilidad de que como má-
ximo dos sean mujeres? Podemos expresar esa probabilidad como:
𝑃(𝑋 ≤ 2, 𝑛 = 3, 𝑝 = 0,5)
El resultado se puede observar en la Salida 2:

Salida 2. Modelo binomial B(n=3, p=0,5)
Observamos que se trata de la misma Salida 1 sólo que el valor que

responde a la pregunta planteada es el primero que hemos resaltado en
esta Salida 2.
𝑃(𝑋 ≤ 2; 𝑛 = 3; 𝑝 = 0,5) = 0,875
A este resultado también podemos llegar si expresamos a la proba-

bilidad en cuestión en términos del complemento de la probabilidad acu-
mulada:
𝑃(𝑋 ≤ 2) = 1 − 𝑃(𝑋 > 2) = 1 − 0,125 = 0,875
Forma de la distribución Binomial
A continuación, procederemos a realizar algunas gráficas a fin de

analizar la forma de la distribución:
1) Cuando p y q son iguales la distribución es siempre simétrica.
Es decir, para p = 0,50 y q = 0,50. Con n = 10 (Gráfico 5.5) y n = 20 (Gráfico
5.6).
Gráfico 5.5 Función de cuantía Binomial

(p=0,50 , n=10)
P(x) 0,4
0,3
0,2
0,1
235
0
0 2 4 6 8 10
x
(p=0,50 n=20)
P(x) 0,2
0,1
0
0 2 4 6 8 10 12 14 16 18 20
x
Si realizáramos otras gráficas con distintos tamaños de n, podríamos

observar también que la distribución es simétrica.
2) Cuando p es menor a q la distribución, para valores pequeños

de n, es asimétrica derecha. Por ejemplo, para p = 0,20 y q = 0,80.
Con n = 10 (Gráfico 5.7) y n = 20 (Gráfico 5.8).

(P=0,20 , n=10)
P(x)
0,4
0,3
0,2
0,1
0
0 2 4 6 8 10 12

(p=0,20 ; n=20)
P(x) 0,3
0,2
0,1
236 0
0 10 20 30
x
Vemos que la distribución es asimétrica derecha, lo cual indica que,

para valores pequeños de la variable, es alta la probabilidad asociada a
ellos y, por el contrario, es baja la probabilidad de aparición de un número

grande de éxitos.
3) Cuando p es mayor a q la distribución, para valores pequeños

de n, es asimétrica izquierda. Por ejemplo, para p = 0,80 y q =
0,20. Con n = 10 (Gráfico 5.9) y n = 20 (Gráfico 5.10).
Gráfico 5.9 Función de cuantía Binomial (P=0,80,

n=10)
Gráfico
0,4
0,3
0,2
0,1
0
0 2 4 6 8 10 12

(p=0,80; n=20)
P(x)
0,3
0,2
0,1
0
0 2 4 6 8 10 12 14 16 18 20
x
¿Puede usted, interpretar qué sucede para valores pequeños de la

variable? ¿Y para valores grandes?
Trabajemos con los siguientes ejemplos:
Supongamos que graficamos para n = 30, los valores de la variable

binomial y sus probabilidades, en cada uno de los casos analizados ante-
riormente.
237
(p= 0,50 n =30)
P(x)
0,2
0,15
0,1
0,05
0
0 5 10 15 20 25 30
x

(p = 0,80 n = 30)
P(x)
0,2
0,15
0,1
0,05
0
0 5 10 15 20 25 30

(p=0,20 n = 30)
P(x)
0,2
0,15
0,1
0,05
0
0 5 10 15 20 25 30
Con lo cual podemos concluir que cuando p = q (Gráfico 5.11) la dis-

238
tribución es siempre simétrica, mientras que cuando p  q (Gráficos 5.12 y
5.13) a medida que el tamaño de muestra se va incrementando, la distri-
bución de probabilidad de la variable binomial se va tornando simétrica.
Esto último lo analizaremos en mayor profundidad cuando abordemos la
Distribución Normal.
Ejemplo:
A los fines de consolidar el trabajo con problemas y afianzar el
cálculo de probabilidades, trabajaremos con la siguiente actividad:
Suponemos que se conoce que el 10% de las facturas de una importante

firma que vende libros por correo están incorrectas. Si se seleccionan 8
facturas con reposición en un mes determinado, cuál es la probabilidad
que:
a) Exactamente 3 facturas estén incorrectas

b) No más de 2 facturas estén incorrectas
c) Por lo menos 4 facturas estén incorrectas
d) Más de 3 pero menos de 7 facturas estén incorrectas
e) Entre 2 y 5 facturas inclusive estén incorrectas
f) Exactamente 5 facturas estén correctas
g) No más de 3 facturas estén correctas
h) Más de 5 facturas estén correctas
i) Entre 1 y 6 facturas inclusive estén correctas
Para los incisos que se encuentran entre el punto a) y e) inclusive, defini-

mos:
X: cantidad de facturas incorrectas

p = 0,10
Planteamos las probabilidades y luego las buscamos con el software:
a) 𝑃(𝑋 = 3, 𝑛 = 8, 𝑝 = 0,10) = 0,033

b) 𝑃(𝑋 ≤ 2, 𝑛 = 8, 𝑝 = 0,10) = 0,9619
c) 𝑃(𝑋 ≥ 4, 𝑛 = 8, 𝑝 = 0,10) = 1 − 𝑃(𝑋 ≤ 3) = 1 − 0,995 = 0,005
d)𝑃(3 < 𝑋 < 7, 𝑛 = 8, 𝑝 = 0,10) = 𝑃(𝑋 ≤ 6) − 𝑃(𝑋 ≤ 3) = 1 − 0,995 = 0,005
e)𝑃(2 ≤ 𝑋 ≤ 5, 𝑛 = 8, 𝑝 = 0,10) = 𝑃(𝑋 ≤ 5) − 𝑃(𝑋 ≤ 1) = 1 − 0,8131 =
0,1869
Para los restantes incisos, definiremos:
n-X: cantidad de facturas correctas

q = 0,90
Observe que hemos redefinido el éxito.
f) 𝑃(𝑛 − 𝑋 = 5, 𝑛 = 8, 𝑞 = 0,90) = 𝑃(𝑋 = 3, 𝑛 = 8, 𝑝 = 0,10) = 0,033
Observamos que podemos buscar la nueva variable definida, o bien

transformarla a x.
239
x 0 1 2 … 5 6 7 8
n-x 8 7 6 … 3 2 1 0
Es decir, buscar la probabilidad que exactamente 5 facturas sean correc-

tas es igual a buscar la probabilidad que 3 facturas sean
incorrectas, cada una de ellas con su correspondiente valor de p aso-
ciado.
𝑔) 𝑃((𝑛 − 𝑋) ≤ 3, 𝑛 = 8, 𝑞 = 0,90) = 𝑃(𝑋 ≥ 5, 𝑛 = 8, 𝑝 = 0,10)

= 1 − 𝑃(𝑋 ≤ 4) = 1 − 0,9996 = 0,004
ℎ) 𝑃((𝑛 − 𝑋) > 5, 𝑛 = 8, 𝑞 = 0,90) = 𝑃(𝑋 ≤ 2, 𝑛 = 8, 𝑝 = 0,9619
𝑖) 𝑃(1 ≤ (𝑛 − 𝑋) ≤ 6, 𝑛 = 8, 𝑞 = 0,90) = 𝑃(2 ≤ 𝑋 ≤ 7, 𝑛 = 8, 𝑝 = 0,10)

= 𝑃(𝑋 ≤ 7) − 𝑃(𝑋 ≤ 1) = 0,1869
Le proponemos ahora que interprete cada uno de los resultados obteni-

dos.
A continuación, le presentamos otras actividades a fin de que
considere las características del modelo binomial y encuentre las
probabilidades que se soliciten.
Actividad 2:
Una empresa de transporte interurbano de pasajeros considera que el 90%
de sus colectivos llega puntualmente a destino en un día.
Si seleccionamos 10 colectivos con reemplazo y consideramos que cada

uno de ellos tiene dos resultados posibles: a) que el colectivo llegue en
horario a destino (éxito) o b) que llegue con retraso (fracaso) y suponiendo
que la llegada a horario de uno de ellos es independiente de la llegada a
horario de otro, se pide:
a) Defina la variable aleatoria x binomial e indicar los valores que
puede asumir la misma
b) Construya la distribución de probabilidad de x.
c) Grafique la distribución encontrada e indicar cómo es su forma.
d) Calcule la probabilidad que todos los colectivos lleguen puntual-
mente.
e) Calcule la probabilidad que se retrasen 2 colectivos.
f) Calcule la probabilidad que se retrasen no más de 3 colectivos.
g) ¿Cuántos colectivos se espera que llegarán a horario?
Actividad 3:
Un examen de opción múltiple está compuesto por 15 preguntas, con cinco
respuestas posibles cada una, de las cuales solamente una es correcta.
Suponga que uno de los estudiantes que realiza el experimento contesta
las preguntas al azar. ¿Cuál es la probabilidad de que conteste correcta-
mente al menos 10 preguntas?
Analice previamente si se dan las condiciones para que la variable sea
binomial.
Actividad 4:
Un fabricante de cera para pisos desarrolla dos nuevos productos A y B,
que desea someter a la evaluación de los consumidores para determinar
cuál es la mejor. Las dos ceras se aplican en los pisos de 15 casas. Se
supone que no hay diferencia de calidad entre las dos marcas:
240
a) ¿Cuál es la probabilidad de que 10 o más amas de casa prefieran
la marca A?
b) ¿Cuál es la probabilidad de que 10 o más amas de casa prefieran
la marca A ó B?
c) ¿Cuál es la probabilidad de que 8 o más amas de casa prefieran la
marca A?
Actividad 5:
El Gerente de Comercialización de una pañalera, piensa que el
10% de los supermercados dejarán de comprar su producto, de-
bido a que se ha lanzado al mercado una nueva marca que se está posi-
cionando fuertemente.
De 15 supermercados a los cuales actualmente vende, quiere saber:
a) La probabilidad que dejen de comprarle 5 supermercados.

b) La probabilidad que ningún supermercado deje de comprarle.
c) La probabilidad que deje de comprarle entre 1 y 3 supermercados.
d) ¿Cuántos supermercados se espera que dejen de comprar pañales
a esta empresa?
e) ¿Cuál es la variabilidad de la variable cantidad de supermercados
que dejan de comprar pañales?
Actividad 6:
¿Qué puede concluir respecto a la forma en las siguientes distribuciones
de probabilidad?
𝑋~𝐵(40,0,50)
𝑋~𝐵(80,0,50)
𝑋~𝐵(160,0,50)
Gráfico 5.14 Funciones de probabilidad Binomiales
2.3 Modelo Hipergeométrico
Otro modelo para variable discreta es el modelo Hipergeométrico. La 241

situación en la que se define una variable hipergeométrica, tiene algunas
similitudes con lo que vimos en el modelo binomial. Se trata de la elección
de elementos de una población dicotomizada, a los que podemos clasificar
en una de dos categorías mutuamente excluyentes y exhaustivas, denomi-
nadas éxito y fracaso.
Sin embargo, el muestreo se realiza sin reemplazo por lo que la pro-
babilidad de extraer un elemento de la población varía en
cada prueba como veremos en el siguiente ejemplo. En ese caso la varia-
ble se define como:
X: cantidad de éxitos, en n pruebas sin reemplazo.
Ejemplo: queremos seleccionar un grupo de 5 mujeres para formar

una comisión directiva de un total de 20 que están interesadas en
ese cargo. El hecho de seleccionar una de ellas, tiene una probabilidad
igual a 0,25 (5/20); seleccionar la segunda mujer tiene una probabilidad
diferente, ya que esta selección está influenciada con la anterior, es decir
ahora la probabilidad es de 0,21 (4/19) y así sucesivamente. Esto se debe
a que no se repite la postulante que ha sido seleccionada para formar parte
de la comisión directiva. La variable en este caso es:
X: Cantidad de mujeres que integran la comisión directiva.
Dada una población de N objetos, de los cuales K pertenecen al

grupo considerado éxito, y los N-K restantes corresponden al otro grupo
(fracaso), se extrae una muestra aleatoria sin reemplazo de tamaño n y se
denota con la letra x el número de éxitos resultantes en la muestra. Ello se
resume en la siguiente tabla:
Población Muestra
Totalidad de elementos N n
Grupo considerado éxito K X
Grupo considerado fracaso N-K n-X
Una variable con distribución hipergeométrica suele denotarse como

𝑋~𝐻(𝑛, 𝐾, 𝑁) .
Para presentar la función de probabilidad, obtendremos la probabili-

dad que en n pruebas aparezcan x éxitos, utilizando el enfoque clásico
(casos favorables/ casos igualmente posibles).
Los casos posibles son la cantidad de combinaciones que se pue-

den formar tomando n elementos cualesquiera de entre las N que consti-
n
tuyen el total de elementos. Es decir CN por ejemplo.
Los casos favorables serán aquellas combinaciones que contienen
x éxitos y n-x fracasos. Los éxitos deberán surgir entre los K éxitos que
están en N y los n-x fracasos saldrán entre los N-K restantes.
Es decir, cada una de las combinaciones de éxitos podrá aparearse

a cada una de las combinaciones de fracasos para constituir un caso favo-
rable. En total habrá entonces:
242
𝐶𝐾𝑥 . 𝐶𝑁−𝐾
𝑛−𝑥
casos favorables.
La función de cuantía de esta variable es:
𝐶𝐾𝑥 𝐶𝑁−𝐾
𝑛−𝑥
(0, 𝑛 − (𝑁 − 𝐾)) ≤ 𝑥 ≤ min⁡
𝑝𝑎𝑟𝑎: max⁡ (𝑛, 𝐾)
𝐶𝑁𝑛
P(x) =
0  otro valor
Para aclarar estos límites veamos un par de ejemplos:

a) Si N = 10, K = 4 y N – K = 6
Seleccionamos una muestra de n=5
El mínimo valor: 0 El máximo valor: 4 x: 0,1,2,3,4
a) Si N = 10, K = 6 y N – K = 4
Seleccionamos una muestra de n=5
El mínimo valor: 1 El máximo valor: 5 x: 1,2,3,4,5
Esta función cumple las dos condiciones para ser función de probabilidad:
𝑥 𝑛−𝑥
𝐶𝐾 𝐶𝑁−𝐾
1) 𝑝(𝑥) = 𝑛 ≥0
𝐶𝑁
min (𝑥,𝐾)
2) ∑𝑥=max(0, 𝑛−(𝑁−𝐾)) 𝑝(𝑥) = 1
La función de distribución
Esperanza y varianza de una variable hipergeométrica
Vamos a representarlas por analogía lo que ya hemos trabajado en

el modelo binomial, es decir que la esperanza matemática de una variable
binomial es:
𝐸(𝑋) = 𝑛𝑝
Pero si la variable es hipergeométrica la probabilidad no es cons-

tante, entonces se suele expresar a p como el cociente entre la cantidad
de éxitos en la población sobre el tamaño de la misma.
𝐾
𝐸(𝑋) = 𝑛 243
𝑁
Con igual razonamiento vamos a expresar la varianza de la variable

hipergeométrica, como:
𝐾 𝑁−𝐾 𝑁−𝑛
𝑉(𝑋) = 𝑛 ( )
𝑁 𝑁 𝑁−1
Observar que además de reemplazar a p y q por sus análogos, he-
mos agregado respecto a la varianza de la variable binomial el factor de
corrección para poblaciones finitas (F.C.P.F):
𝑁−𝑛
𝑁−1
Con lo cual, vemos que la varianza de la hipergeométrica es menor

a la de la binomial, ya que el factor resulta siempre menor a uno:
• Será prácticamente uno cuando la población sea muy grande (en

términos estadísticos, infinita). También, si la muestra es pequeña
respecto a la población. Entonces la varianza es similar a la de la
distribución binomial.
• Si n es grande (cercano a N), la varianza tiende a cero, lo cual sig-

nifica que no hay variabilidad cuando trabajamos con todos los ele-
mentos de la población.
El factor de corrección es significativo en aquellos casos en que su

valor no está en los extremos antes mencionados.
Veamos en qué casos se aplica este modelo, con algunos ejem-

plos:
1. Supongamos que tenemos un lote de 40 artículos, el registro histó-

rico indica que existe aproximadamente el 20% de artículos defec-
tuosos. Si someten a prueba 4 artículos seleccionados al azar y se
establece que si fallan más de 2, se rechaza el lote completo ¿Cuál
es la probabilidad de rechazar el lote completo?
Observemos que los parámetros son: N = 40, K = 8, n = 4. La variable

X es el número de defectuosos en la muestra y para obtener la probabilidad
que más de 2 sean defectuosos, haremos:
𝑃(𝑋 > 2, 𝑛 = 4, 𝐾 = 8, 𝑁 = 40) = 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

𝐶83 𝐶32
1
𝐶84 𝐶32
0
𝑃(𝑋 > 2, 𝑛 = 4, 𝐾 = 8, 𝑁 = 40) = 4 + 4
𝐶40 𝐶40
𝑃(𝑋 > 2, 𝑛 = 4, 𝐾 = 8, 𝑁 = 40) = 0,0204
La probabilidad de rechazar un lote completo es 0,0204.
2. Para mejorar el proceso de selección, los ingenieros deciden re-

chazar el lote cuando haya 2 o más defectuosos. ¿Cuál es la pro-
babilidad de rechazar un lote que tenga 8 defectuosos? Los pará-
metros permanecen iguales lo que cambia es la probabilidad:
𝑃(𝑋 ≥ 2, 𝑁 = 40, 𝐾 = 8, 𝑛 = 4) = 𝑃(𝑋 = 2) + 𝑃(𝑋 > 2)

𝐶82 𝐶32
2
244 𝑃(𝑋 ≥ 2, 𝑁 = 40, 𝐾 = 8, 𝑛 = 4) = 4 + 0,0204

𝐶40
𝑃(𝑋 ≥ 2, 𝑁 = 40, 𝐾 = 8, 𝑛 = 4) = 0,1724
Entonces, la probabilidad de rechazar el lote cuando haya 2 o más

defectuosos ha aumentado respecto al caso anterior.
3. Con la política de rechazar el lote cuando sean más de 2, ¿cuál es

la probabilidad de rechazar un lote con 6 defectuosos? Los pará-
metros son, ahora, N = 40, K = 6, n = 4. Obtengamos la probabili-
dad:
𝑃(𝑋 > 2, 𝑁 = 40, 𝐾 = 6, 𝑛 = 4) = 1 − 𝑃(𝑋 ≤ 2)

𝑃(𝑋 > 2, 𝑁 = 40, 𝐾 = 6, 𝑛 = 4) = 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2)]
𝐶60 𝐶34
4
𝐶61 𝐶34
3
𝐶62 𝐶34
2
𝑃(𝑋 > 2, 𝑁 = 40, 𝐾 = 6, 𝑛 = 4) = 1 − [ 4 + 4 + 4 ]
𝐶40 𝐶40 𝐶40
𝑃(𝑋 > 2, 𝑁 = 40, 𝐾 = 6, 𝑛 = 4) = 1 − 0,992395 = 0,0076
Para calcular la probabilidad planteada en el primer punto con

Infostat, procederemos de manera similar a como lo hicimos
para encontrar probabilidades de la binomial solo que tendre-
mos que elegir en el cuadro de diálogo a la distribución hipergeométrica y
tipear sus respectivos parámetros. A modo de ejemplo se presenta la Sa-
lida 3.
Salida 3. Modelo hipergeométrico H (n=4, K=8, N=40)
Nota: observe que al tamaño de población (N), Infostat lo denota con la

letra m.
La diferencia fundamental entre el modelo binomial y el que es-

tamos analizando es que, habitualmente, en el primer modelo el
muestreo se realiza sin reemplazo, y cuando estamos ante el caso
de poblaciones finitas, o bien cuando n (elementos seleccionados) es rela-
tivamente grande con respecto a N (tamaño de la población), la probabili-
dad de seleccionar posteriormente un elemento estará afectado por los
elementos seleccionados anteriormente. Esto sucede cuando una expre-
sión que denominamos fracción de muestreo, y que se calcula como n/N,
es mayor a 0,05. Es decir, la fracción de muestreo nos permite analizar la
proporción de elementos seleccionados en la muestra respecto al tamaño
de la población.
245
Les proponemos algunas actividades para reforzar los conceptos
aprendidos.
Actividad 7:
En el salón de tercer año de una escuela hay 35 alumnos, de los cuales 10

son mujeres. Se nombra un comité de 7 alumnos que represente al curso.
La selección se hace al azar.
a) Determine si se cumplen los supuestos de un modelo hipergeométrico.

b) ¿Cuál es la probabilidad de que en el comité tenga mayoría de muje-
res?
c) ¿Cuál es la probabilidad de que el comité tenga como máximo 2 mu-
jeres?
Actividad 8:
Un estudio jurídico tiene actualmente 18 causas judiciales iniciadas, 8 de
ellas han estado en el estudio por 6 años o más. El titular del estudio desea
seleccionar 4 de ellas para agilizar el proceso.
A continuación, le proponemos que complete el siguiente esquema, ya que

le ayudará a determinar los parámetros del modelo:
¿Cuál es la probabilidad de que en la selección haya 2 de ellas que tengan

menos de 6 años de antigüedad?
N= 18 causas
judiciales
K= 10 causas N - K=
menos antiguas
n= 4 causas
judiciales
x= n-x=
Actividad 9:
En una encuesta de opinión sobre el uso de determinado producto para
jardín, se han utilizado los datos de un censo de viviendas identificadas en
una manzana en particular, en la cual existen 15 casas y 18 departamen-
tos.
246
a) ¿Cuál es la probabilidad, de que en una muestra de 8 viviendas
diferentes haya 6 departamentos?
b) ¿Cuál es la probabilidad de que en esa muestra haya un 50 % de
casas?
c) ¿Cuántas casas se espera encuestar en dicha muestra, ya que son
los potenciales clientes del producto?
Actividad 10:
Una ferretería industrial cuenta con 10 impresoras, 4 de las cua-
les están defectuosas. La empresa selecciona al azar 5 de las máquinas
pensando en que todas están en condiciones de trabajar:
a) ¿Cuál es la probabilidad de que las 5 máquinas estén en buen es-

tado?
b) ¿Cuál es la probabilidad de que por lo menos tres estén en buen es-
tado?
c) ¿Cuál es la probabilidad de que no más de dos estén defectuosas?
d) ¿Cuál es la probabilidad de que a lo sumo una esté defectuosa?
2.4 Modelo Poisson
Este modelo de probabilidad se aplica a experimentos en los cuales

se observa la aparición de sucesos o características puntuales (éxitos) en
un intervalo continuo, que puede ser: de tiempo, longitud o área. Por ejem-
plo, cantidad de fallas de una máquina en una semana, cantidad de errores
por página, cantidad de defectos por centímetro cuadrado. Aunque. sin
pérdida de generalidad, nos referiremos a intervalo de tiempo.
El proceso de Poisson posee las siguientes características:
• No tiene memoria: esto significa que los éxitos aparecen aleatoria-

mente y de forma independiente. El número de éxitos en cualquier
intervalo de tiempo es independiente del número de ocurrencias en
otro intervalo distinto, por lo que conocer el número de sucesos en
un intervalo no ayuda a predecir el número de sucesos en el si-
guiente.
• Es estable. Produce a largo plazo una cantidad promedio de éxitos

constante por unidad de tiempo y el promedio de éxitos en un inter-
valo de longitud h es directamente proporcional al tamaño del inter-
valo.
La variable aleatoria con distribución Poisson (discreta) se define como:
X: cantidad de éxitos en un intervalo de longitud fija
y los valores que puede asumir son: 𝑋 = 0,1,2, . . . ..
Es decir que no conocemos la cantidad de pruebas como en los mo-

delos anteriores, ya que el experimento es diferente, lo que nos interesa
es saber cuántos sucesos ocurren en un intervalo de longitud fija, con lo
cual el campo de variación de la variable es infinito numerable.
Veamos algunos otros ejemplos de variables aleatorias con distri-

bución Poisson: 247
• Cantidad de llamadas telefónicas por minuto

• Cantidad de clientes que llegan a la una caja, en un Banco, por hora
• Cantidad de accidentes automovilísticos por mes
• Cantidad de vehículos que pasan por una estación de peaje en un
turno de 4 horas.
En el modelo Poisson representaremos al promedio de éxitos por
unidad de tiempo como λh, por lo tanto, la cantidad de éxitos promedio es
proporcional al intervalo h. Es decir, que si consideramos un intervalo h,
podemos simbolizar al promedio como 𝜇 = 𝜆ℎ, que para el caso particular
de h = 1,  coincide con .
La distribución Poisson es útil para predecir el número de sucesos

(casos) que se producirán en un determinado período de tiempo. La ven-
taja del empleo de esta distribución es que permite obtener la probabilidad
de ocurrencia del evento según su comportamiento medio anterior. Una
variable con distribución de probabilidad Poisson suele denotarse como
X ~ P( )
También puede aplicarse este modelo en aquellos casos en que se

dan las características analizadas en el modelo binomial pero estamos
ante la presencia de un tamaño de muestra grande y la proporción de éxi-
tos es pequeña; es decir, estamos considerando el número de veces que
ocurre un acontecimiento raro y por lo tanto p es pequeño. Por ejemplo,
la cantidad de errores de facturación en las últimas 10000 ventas de una
empresa.
A continuación, tal como lo hicimos par los modelos anteriores, pre-

sentaremos la función de probabilidad y de distribución como también la
esperanza y varianza para una variable Poisson.
Como hemos referido en la sección anterior, está completamente es-

pecificada por el promedio de ocurrencias en el intervalo, por cuya razón
la variable tiene a µ=h como su único parámetro y su función de proba-
bilidad es:
𝑒 −𝜇 𝜇 𝑥
𝑝𝑎𝑟𝑎 𝜇 = 𝜆ℎ 𝑥 = 0,1,2, . . .
𝑥!
𝑃(𝑋 = 𝑥) = 𝑝(𝑥) =
𝑒 −𝜆 𝜆𝑥
{ 𝑥! 𝑝𝑎𝑟𝑎 ℎ = 1 𝑥 = 0,1,2, . . .
donde observamos que en cada una de ellas aparece la variable, el

promedio de éxitos y el número e, constante matemática.
Comprobemos que p(x) verifica las condiciones de función de proba-

bilidad:
1) p(x) ≥ 0 ya que µ>0; e-µ >0 por tratarse de una función exponencial y
x≥0
2) La suma de probabilidades para todo el recorrido de X es igual a 1.
∞ ∞
𝑒 −𝜇 𝜇 𝑥 𝜇𝑥
∑ = 𝑒 −𝜇 ∑ = 𝑒 −𝜇 𝑒 𝜇 = 𝑒 0 = 1
248 𝑥! 𝑥!
𝑥=0 𝑥=0
Procedamos a graficar la función de probabilidad. Supongamos que

estamos ante el caso de la cantidad de llamadas telefónicas producidas en
una cabina, por minuto, sabiendo que el promedio de llamadas en ese in-
tervalo de tiempo es de 4 (Gráfico 5.15):
Figura 15. Función de cuantía Poisson

Gráfico 5.15 Función de cuantía Poisson
( = 4)(µ=4)
0,25
0,2
0,15
P(x)
0,1
0,05
0
0 2 4 6 8 10 12 14 16
x
La función de probabilidad acumulada hasta un valor particular de la

variable que denotamos con u simbólicamente puede expresarse como:
u − x
P ( X  u) =  e 
x =o x!
Esperanza y varianza de una variable Poisson
Para obtener la esperanza matemática partimos de la definición ge-

neral:
𝑛
𝐸(𝑋) = ∑ 𝑥𝑃(𝑥)
𝑥=0
reemplazando P(x) por la correspondiente función de probabilidad y

considerando que la variable asume valores desde 0 hasta , podemos
expresar el valor esperado como:
∞
𝜇 𝑥 𝑒 −𝜇
𝐸(𝑋) = ∑ 𝑥
𝑥!
𝑥=0
−
Si extraemos fuera del sumatorio, la expresión e , ya que la misma
x
es constante respecto a esta suma y escribimos a  y a x! con expre-
siones equivalentes, tales como:
1)𝜇 𝑥 = 𝜇𝜇 𝑥−1
249
2)𝑥! = 𝑥(𝑥 − 1)!
nos queda lo siguiente:

∞
−𝜇
𝑥𝜇𝜇 𝑥−1
𝐸(𝑋) = 𝑒 ∑
𝑥(𝑥 − 1)!
𝑥=0
Simplificando la variable x dentro del sumatorio y extrayendo µ fuera
del mismo, obtenemos:
∞
−𝜇
𝜇 𝑥−1
𝐸(𝑋) = 𝜇𝑒 ∑
(𝑥 − 1)!
𝑥=0
lo que ha quedado dentro del sumatorio es el desarrollo en serie del

número e, elevado al parámetro µ. Finalmente, la esperanza de una varia-
ble Poisson es:
𝐸(𝑋) = 𝜇𝑒 −𝜇 𝑒 𝜇
𝐸(𝑋) = 𝜇
Respecto a la varianza, partimos de su definición, expresada en (3)

y procedemos a obtener la E(x2 ) .
∞
2
𝑥 2 𝑒 −𝜇 𝜇 𝑥
𝐸(𝑋 ) = ∑
𝑥!
𝑥=0
Ahora vamos a reemplazar algunas expresiones por otras equivalen-
tes, a los fines de poder trabajar algebraicamente.
En primer lugar, vamos a escribir 𝑥 2 = 𝑥 2 − 𝑥 + 𝑥 = 𝑥(𝑥 − 1) + 𝑥

∞
2
(𝑥(𝑥 − 1) + 𝑥)𝑒 −𝜇 𝜇 𝑥
𝐸(𝑋 ) = ∑
𝑥!
𝑥=0
Distribuyendo el producto del numerador y después el sumatorio, se

tiene:
∞ ∞
2
𝑥(𝑥 − 1)𝑒 −𝜇 𝜇 𝑥 𝑥𝑒 −𝜇 𝜇 𝑥
𝐸(𝑋 ) = ∑ +∑
𝑥! 𝑥!
𝑥=0 𝑥=0
Reemplazando:
𝑥! = 𝑥(𝑥 − 1)(𝑥 − 2)!
𝜇 𝑥 = 𝜇 𝑥−2 𝜇2
el segundo sumatorio es 𝐸(𝑋) = 𝜇
Al extraer la constante fuera del sumatorio, se obtiene:
𝑥(𝑥−1)𝜇𝑥−2 𝜇2
𝐸(𝑋 2 ) = 𝑒 −𝜇 ∑∞
𝑥=0 𝑥(𝑥−1)(𝑥−2)!
+𝜇
∞
2 −𝜇 2
𝜇 𝑥−2
𝐸(𝑋 ) = 𝑒 𝜇 ∑ +𝜇
(𝑥 − 2)!
𝑥=0
250
El sumatorio es nuevamente, el desarrollo en serie del número e,
elevado al parámetro, por lo tanto:
𝐸(𝑋 2 ) = 𝑒 −𝜇 𝜇2 𝑒 𝜇 + 𝜇
𝐸(𝑋 2 ) = 𝜇2 + 𝜇
Con esta expresión, calculamos finalmente la varianza:
𝑉(𝑋) = 𝜇2 + 𝜇 − 𝜇2
𝑉(𝑋) = 𝜇
Conforme lo desarrollado, concluimos que en este modelo la espe-

ranza y la varianza son iguales. Observemos también que la función de
probabilidad de la variable Poisson, así como su esperanza y varianza,
quedan completamente especificadas por el valor de µ, el que debe ser
estimado a partir de un relevamiento. Si se trata de hechos que ocurren en
el tiempo, como por ejemplo máquinas averiadas por día laboral en una
fábrica (8 horas), para tener una estimación válida de  , promedio por
día, se deberá tomar una muestra lo suficientemente grande de días labo-
rables y observar el dato.
A continuación, se presentan situaciones problemáticas resueltas a
fin de que pueda observar el cálculo de probabilidades en el modelo que
estamos abordando, haciendo uso de fórmulas e Infostat.
¿Cómo se calculan las probabilidades con el modelo Poisson?
Para responder esta pregunta consideremos las siguientes situacio-

nes:
1. El promedio de llamadas por día hábil (8 horas) recibidas en un

banco es 96. ¿Cuál es la probabilidad de que en una hora se reci-
ban exactamente 14?
Observemos que µ =96 llamadas en 8 horas, como queremos saber

la probabilidad de ocurrencia en un intervalo de una hora (h=1), calculamos
µ==12 por hora (96/8). Procedamos a calcular la probabilidad requerida:
1214 𝑒 -12
𝑃(X = 14,𝜆=12) = = 0,0905
14!
La probabilidad que se reciban exactamente 14 llamadas en una hora
es 0,0905.
Para encontrar la probabilidad con Infostat procederemos de la

misma manera que lo hicimos en la distribución binomial. En este
caso en el cuadro de diálogo deberemos seleccionar Poisson y
tipear el valor del promedio ()*. La salida es:
Salida 4. Modelo Poisson P(µ=14, =12)
251
*Observar que Infostat denomina  a lo que hemos definido como µ

2. Continuando con la misma situación, ¿cuál es la probabilidad de
tener más de 16 llamadas en una hora? Ahora lo que queremos
calcular, es:
𝑃(𝑋 > 16, 𝜆 = 12) = 1 − 𝑃(𝑋 ≤ 16)

= 1 - 0,8987
= 0,1013
La salida de Infostat para la probabilidad requerida es:
Salida 5. Modelo Poisson P(µ16, =12)
3. Por último, un operador de PC comete, en promedio, 2 errores por

página. ¿Cuál es la probabilidad de que tenga más de 20 errores
en un documento de 7 páginas? Aquí el promedio de errores come-
tidos para las 7 páginas es: 14 (2x7) que es el número esperado de
errores en el documento. La probabilidad buscada, es:
𝑃(𝑋 > 20, 𝜆 = 14) = 1 − 𝑃(𝑋 ≤ 20)

𝑃(𝑋 > 20, 𝜆 = 14) = 1 − 0,9521
𝑃(𝑋 > 20, 𝜆 = 14) = 0,0479
Forma de la distribución Poisson
A continuación, procederemos a confeccionar algunos gráficos, a fin

de analizar la forma de la distribución:
1) Para  = 3 (Gráfico 5.16).

252
Gráfico 16. Función de cuantía Poisson ( =3)

Gráfico 5.16 Función de cuantia Poisson
(  =3)
0,3
0,2
P(x)
0,1
0
0 2 4 6 8 10 12 14
x
2) Para  = 6 (Gráfico 5.17)
Gráfico 5.17 Función de cuantía Poisson

( = 6)
0,2
0,15
P(x) 0,1
0,05
0
0 5 10 15 20
3) Para  = 20 (Gráfico 5.18)
Gráfico 5.18 Función de cuantía Poisson ( = 20)
0,1
0,08
0,06
P(x) 253
0,04
0,02
0
-5 5 15 25 35 45
x
Podemos observar que, en la primera gráfica, la distribución Poisson
es asimétrica derecha. Pero a medida que el promedio de éxitos en un
intervalo se va incrementando, tiende a ser simétrica, como se observa en
los gráficos siguientes.
Más adelante veremos que cuando sucede esto, la variable puede

aproximarse a otro modelo, que es la Distribución Normal.
Modelo de Poisson como límite del binomial
Cuando presentamos el modelo, señalamos que el mismo es tam-

bién aplicable en situaciones en las que las características del experimento
se corresponden con una variable de distribución binomial pero con la par-
ticularidad que el tamaño de muestra es grande y la proporción de éxitos
es pequeña, lo que puede ser expresado simbólicamente como:
n →  y p → 0 , respectivamente.
Entonces, la función de probabilidad es:
𝐶𝑛𝑥 𝑝 𝑥 𝑞 𝑛−𝑥 𝑥 = 0,1,2, . . . , 𝑛

𝑃(𝑋 = 𝑥) = 𝑝(𝑥) = {
Donde X es la cantidad de éxitos en n pruebas con reemplazo y la
probabilidad exacta para cada valor de la variable se obtiene al valorar esa
expresión. Ahora bien, bajo ciertas condiciones, a esas probabilidades se
las puede calcular aproximadamente utilizando la distribución de Poisson

con media  = np y probabilidad de éxito p equivalente a .
n
En lo que sigue demostraremos lo planteado suponiendo que µ per-

manece constante (si n tiende a , p tenderá a 0).
𝑝𝑏𝑖𝑛 (𝑥) = 𝐶𝑛𝑥 𝑝 𝑥 𝑞𝑛−𝑥

𝑛! 𝜇 𝑥 𝜇 𝑛−𝑥
= ( ) (1 − )
𝑥! (𝑛 − 𝑥)! 𝑛 𝑛
𝜇𝑥 𝑛! 𝜇 𝑛 𝜇 −𝑥
= (1 − ) (1 − )
𝑥! (𝑛 − 𝑥)! 𝑛 𝑥 𝑛 𝑛
Tomando límite para n→
𝜇𝑥 𝑛! 𝜇 𝑛 𝜇 −𝑥
lim 𝑝𝑏𝑖𝑛 (𝑥) = 𝑙𝑖𝑚 [ (1 − ) (1 − ) ]
𝑥! (𝑛 − 𝑥)! 𝑛 𝑥 𝑛 𝑛
𝑥
𝜇 𝑛! 𝜇 𝑛 𝜇 −𝑥
= 𝑙𝑖𝑚 𝑙𝑖𝑚 (1 − ) 𝑙𝑖𝑚 (1 − )
254 𝑥! (𝑛 − 𝑥)! 𝑛 𝑥 𝑛 𝑛
𝑥 −𝜇
𝜇 𝑒
lim 𝑝𝑏𝑖𝑛 (𝑥) =
𝑥!
Entonces, podemos observar que tomando límite para n→  en la

función de probabilidad binomial, obtenemos la función de probabilidad de
la distribución Poisson. En términos prácticos si en un experimento bino-
mial el tamaño de muestra n es grande (mayor a 50) y la probabilidad de
éxito p es pequeña (menor a 0,05) es posible usar la distribución de Pois-
son con parámetro µ=np como una aproximación de las probabilidades bi-
nomiales. Vemos el siguiente ejemplo:
Supongamos que una compañía de seguros, basándose en estu-

dios realizados con anterioridad, ha descubierto que existe una pro-
babilidad de 0,00001 de que una persona del grupo de edades entre 50 y
60 años fallezca, a causa de una rara enfermedad, durante un período de
un año. Si la compañía tiene 100.000 asegurados en ese grupo de edad,
¿cuál es la probabilidad de que la compañía tenga que pagar 4 pólizas
debido a muerte por esa causa?
En primer lugar, calculamos el promedio de personas que mueren de

una enfermedad rara, perteneciente al grupo de edades de 50 a 60 años.
𝜇 = 100.000 (0,00001)
𝜇=1
Planteamos la probabilidad y calculamos su valor:
𝑃(𝑋 = 4, 𝜇 = 1) = 0,0153
Con lo cual concluimos que la probabilidad de que mueran 4 perso-

nas es, en términos de porcentaje, del 1,53 %.
Seguidamente se presentan algunas actividades, la primera está re-

suelta para ejemplificar la aplicación del modelo desarrollado al cálculo
de probabilidades. Las restantes se propone resolverlas.
Actividad de ejemplo:
En una cabina telefónica se realizan en promedio 5 llamadas por

hora. ¿Cuál es la probabilidad de realizar:
a) ¿3 llamadas por hora?

b) ¿Cómo mínimo 2 llamadas por hora?
c) ¿A lo sumo 4 llamadas por hora?
d) ¿Entre 2 y 5 llamadas en una hora?
e) ¿8 llamadas en un turno de 3 horas?
f) ¿Entre 8 y 10 llamadas inclusive en un turno de 3 horas?
g) ¿1 llamada como máximo en media hora?
h) ¿Ninguna llamada en media hora?
Para los incisos a) hasta d), definimos: 255

X: cantidad de llamadas en una hora
µ = 5 (promedio de llamadas en una hora).
Planteamos las probabilidades y resolvemos:
𝑎)𝑃(𝑋 = 3, 𝜇 = 5) = 0,1404
𝑏)𝑃(𝑋 ≥ 2, 𝜇 = 5) = 1 − 𝑃(𝑋 ≤ 1) = 1 − 0,0404 = 0,9596
𝑐)𝑃(𝑋 ≤ 4, 𝜇 = 5) = 0,4405
𝑑)𝑃(2 < 𝑋 < 5, 𝜇 = 5) = 𝑃(𝑋 ≤ 4) − 𝑃(𝑋 ≤ 2) = 0,4405 − 0,1247
= 0,3158
Para los incisos e) y f), definimos:

X: cantidad de llamadas en un turno de 3 horas
µ = 15 (promedio de llamadas en un turno de 3 horas).
Planteamos y calculamos probabilidades:
𝑒)𝑃(𝑋 = 8, 𝜇 = 15) = 0,0194

𝑓)𝑃(8 ≤ 𝑋 ≤ 10, 𝜇 = 15) = 𝑃(𝑋 ≤ 10) − 𝑃(𝑋 ≤ 7) = 0,1185 − 0,0180
= 0,1005
Para los restantes incisos, definiremos:
X: cantidad de llamadas en media hora
µ = 2,5 (promedio de llamadas en media hora).
𝑔)𝑃(𝑋 ≤ 1, 𝜇 = 2,5) = 0,287

ℎ)𝑃(𝑋 = 0, 𝜇 = 2,5) = 0,0821
Actividad 11:
Una empresa dedicada a la fabricación de bombitas de luz es-
tima que el 3% de sus productos son defectuosos. Un nuevo cliente desea
verificar lo manifestado por la empresa. Para ello, toma una muestra al azar
de 100 bombitas y le propone que:
Analice las características del experimento e indique qué distribución de-

bería ser aplicada.
a) Construya la distribución de probabilidad de la variable X.

b) Grafique la distribución encontrada e indique cómo es su forma.
c) Calcule la probabilidad de encontrar 2 bombitas defectuosas.
d) Calcule la probabilidad de encontrar no más de 3 bombitas defec-
tuosas.
e) Calcule la probabilidad que ninguna esté defectuosa.
f) Calcule los parámetros de la distribución y exprese ¿qué conclusio-
nes extrae al respecto?
Actividad 12:
Una empresa concesionaria del sistema de peaje supone que en promedio
arriban a cierta estación 240 automóviles por hora. En base a esta apre-
ciación, defina la variable aleatoria “X” y calcule la probabilidad de que lle-
guen:
256
a) 4 autos en 1 minuto.
b) Ningún auto en 1 minuto.
c) No más de 7 autos en 5 minutos.
d) Entre 3 y 8 autos en 1 minuto.
e) Entre 5 y 10 autos en 5 minutos.
Actividad 13:
El número de errores tipográficos cometidos en una página rea-
lizada por un alumno secundario tiene una distribución de Pois-
son, con un promedio de 4 errores por página. Si una página dada tiene
más de 4 errores, la profesora le baja un punto a la nota del informe ¿cuál
es la probabilidad de que la profesora no baje puntos?
Actividad 14:
Se conoce que las latas de tomate de cierta marca son tomadas de las
góndolas de un hipermercado para su compra a un promedio de 3 por hora
durante el horario de la tarde. Calcule la probabilidad que:
a) Se saquen menos de dos latas durante una hora.

b) Se saque más de una lata en media hora.
c) Se saquen no más de 4 latas en una hora.
d) No se saque lata alguna en 20 minutos.
Actividad 15:
Una empresa distribuidora de ropa importada, recibe pedidos de sus clien-
tes telefónicamente. La demanda promedio es de 6 pedidos por día (8 ho-
ras de trabajo). Con esta información, se pide:
a) ¿Cuál es la probabilidad de recibir 2 pedidos en un día?

b) ¿Cuál es la probabilidad de recibir como mínimo 5 pedidos en un
día?
c) ¿Es probable que se superen los 10 pedidos en un día?
d) ¿Cuál es la probabilidad que durante una jornada de medio día se
pidan no más de 3 pedidos?
Actividad 16:
En una empresa financiera se estima en base a la experiencia que, del
total de préstamos personales que se otorgan, sólo el 0,02 de los tomado-
res no van a pagar el préstamo en el tiempo acordado. Si en un mes de-
terminado se otorgaron 50 préstamos, responda:
a) ¿Cuál es el modelo de probabilidad que debe aplicarse?

b) ¿Cuál es la probabilidad que 4 préstamos entren en mora?
c) ¿Cuál es la probabilidad que a lo sumo 6 préstamos no se cancelen
en término?
d) ¿Cuál es la probabilidad que entre 3 y 5 préstamos inclusive no se
cancelen en término?
3. Modelos de probabilidad para variables continuas

De aquí en adelante trabajaremos con dos modelos de probabilidad
para variables aleatorias continuas, es decir aquellas que provienen de un
proceso de medición. Los modelos que presentaremos a continuación son 257
el Exponencial y el Normal.
3.1 Modelo Exponencial
Una variable aleatoria continua cualquiera, puede tener un compor-

tamiento exponencial de acuerdo a la expresión que veremos más ade-
lante. Sin embargo, en primer lugar, abordaremos el caso en que dicha
variable surge de un proceso Poisson.
Sabemos que en el modelo Poisson se fija el intervalo de tiempo y
nos interesa el número de éxitos en ese lapso. Ahora bien, si consideramos
el tiempo que transcurre entre dos éxitos consecutivos de Poisson (los que
se presentan en forma independiente y a una frecuencia constante) esta-
remos ante una variable exponencial (T).
Así, la variable exponencial surge al considerar en un proceso de
Poisson la variable continua T que mide tiempo transcurrido entre dos éxi-
tos consecutivos y asume cualquier valor positivo. De manera tal que:
𝑇 ∈ [0, ∞)
Bajo esas condiciones se verifica que el tiempo transcurrido entre
dos eventos cualesquiera no depende del tiempo que ha pasado entre los
pares de eventos anteriores por lo que este proceso tampoco tiene memo-
ria.
Retomando el ejemplo de “llamadas telefónicas en una empresa”,
cuyo promedio es 8 por hora, si la variable tiempo tiene distribución expo-
nencial, el tiempo que transcurrirá entre las próximas llamadas es indepen-
diente del tiempo que pasó entre las dos llamadas anteriores.
Función de distribución de la variable exponencial
Para obtener su función de distribución apelaremos a algunas defi-

niciones que hemos dado al desarrollar el modelo Poisson. Así, si el
tiempo que transcurre entre dos sucesos Poisson es mayor al intervalo
por unidad de tiempo establecido; es decir, T  h , equivale a que ningún
suceso Poisson ocurre en las h unidades de tiempo, entonces.
𝑃(𝑇 > ℎ) = 𝑃(𝑋 = 0) = 𝑒 −𝜆ℎ

𝑃(𝑇 ≤ ℎ) = 𝐹(ℎ) = 1 − 𝑃(𝑇 > ℎ) = 1 − 𝑒 −𝜆ℎ
La segunda expresión mide la probabilidad acumulada hasta un valor

particular de la variable T, que denotamos t para representar la función de
distribución.
𝐹(𝑡) = 1 − 𝑒 −𝜆𝑡 𝑡 ≥ 0
En el ejemplo, si h=1, la probabilidad de que no ocurra ninguna lla-

mada en la próxima hora es igual a:
𝑃(𝑇 > 1) = 𝑃(𝑋 = 0) = 𝑒 −8 = 0.0003

𝑃(𝑇 ≤ 1) = 𝐹(1) = 1 − 0.0003 = 0.9997
Y la función de distribución es: 𝐹(𝑡) = 1 − 𝑒 −8𝑡 𝑡≥0
258 Función de densidad de la variable exponencial
Conociendo la función de distribución, podemos expresar la función

de densidad que es igual a la derivada de 𝐹(𝑡)
𝑑𝐹(𝑡) 𝑑[1 − 𝑒 −𝜆𝑡 ]

𝑓(𝑡) = = = 𝜆𝑒 −𝜆𝑡
𝑑𝑡 𝑑𝑡
En el ejemplo planteado: 𝑓(𝑡) = 8𝑒 −8𝑡
Entonces, una variable aleatoria continua T que toma todos los valo-
res no negativos tiene una distribución exponencial con parámetro>0 si su
función de densidad está dada por:
−𝜆𝑡
𝑓(𝑡) = {𝜆𝑒 𝑡≥0
Donde el parámetro de la distribución () es la esperanza de la varia-

ble Poisson y representa el promedio de ocurrencia por unidad de tiempo.
O bien podríamos enunciarla en términos del tiempo promedio que
transcurre entre dos sucesos Poisson, que lo denotaremos con μ, en cuyo
caso la función de densidad puede expresarse como:
1 −𝑡𝜇
𝑓(𝑡) = {𝜇 𝑒 𝑝/ 𝑡 > 0; 𝜇 > 0
0 ∀ otro valor
En la Gráfico 5.19 observamos que la gráfica de la función de densi-

dad para un valor particular del parámetro (=1) es:
Gráfico 5.19. Función de densidad Exponencial

( = 1)
f (t)
1,2
0,8
0,6
0,4
0,2
0
0 2 4 6
t
La función de densidad debe cumplir con las siguientes condiciones:
a) 𝑓(𝑡) ≥ 0
∞
b) ∫0 𝑓(𝑡) = 1
La primera condición se cumple debido a que la variable asume va-

lores positivos para cualquier .
La segunda condición puede ser demostrada de la siguiente manera:
∞
∫ 𝜆𝑒 −𝜆𝑡 = 1 259
0
Demostración
∞ ∞
−𝜆𝑡
∫ 𝜆𝑒 𝑑𝑡 = 𝜆 ∫ 𝑒 −𝜆𝑡 𝑑𝑡
0 0
𝑑𝑢
ℎ𝑎𝑐𝑖𝑒𝑛𝑑𝑜 𝑢 = 𝜆𝑡 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑑𝑡 =
𝜆
𝜆 ∞ −𝑢
= ∫ 𝑒 𝑑𝑢 = −𝑒 −𝑢 |∞
0
𝜆 0
= − [𝑙𝑖𝑚 𝑒 −𝑢 − 𝑒 0 ] = 1
𝑢→∞
En la Gráfico 5.20 podemos observar que la probabilidad acumu-

lada hasta cierto valor, puede ser representada en la gráfica de la función
de densidad (área sombreada) o bien graficar la función de distribución
(F(x)).
Gráfico 5.20. Función de densidad y distribución exponencial
F(t
)
f(t)
Esperanza y varianza de una variable exponencial
Partiendo de las definiciones de esperanza y varianza, se puede de-

mostrar que la esperanza es:
1
𝐸(𝑇) = 𝜇 =
𝜆
Es decir, que la esperanza de la variable exponencial es la recíproca

de la esperanza de la variable Poisson y representa el promedio de tiempo
que transcurre entre dos sucesos consecutivos, tal como lo hemos referido
antes.
Y la varianza es:
1
𝑉(𝑇) = 𝜇2 =
𝜆2
Por último, si calculamos la desviación estándar, observamos que la

𝐸(𝑇) = 𝐷𝑆(𝑇) .
Forma de la distribución
260 Esta distribución, al igual que la de Poisson, presenta asimetría de-

recha y también se atenúa cuando aumenta la esperanza. Esto ocurre
cuando disminuye , tal como puede observarse en la gráfica (Gráfico
5.21), donde se ilustran las densidades exponenciales para tres valores de
 (0,01; 0,0143 y 0,02).
Gráfico 5.21 Función de densidad
f(t)
=0,02
=0,0143
=0,01
Veamos cómo se aplica esta distribución con algunos ejemplos:
1) Se ha comprobado que el tiempo de vida de cierto tipo de marca-

pasos sigue una distribución exponencial con media de 16 años.
a) ¿Cuál es la probabilidad de que a una persona a la que se

le ha implantado este marcapasos se le deba reimplantar otro antes
de 20 años?
Observemos que estamos ante una variable continua T que mide la

duración de un marcapasos en una persona, y también que se hace
referencia al parámetro μ, entonces T  𝐸𝑥𝑝 (𝜇), en términos del
ejemplo tenemos que:
T  𝐸𝑥𝑝 (16)
Entonces, vamos a calcular la probabilidad que un marcapasos colo-

cado en una persona dure menos de 20 años:
20
𝑃(𝑇 ≤ 20) = ∫ 𝑓(𝑡)𝑑𝑡
0
𝑃(𝑇 ≤ 20) = 𝐹(20)
20
𝑃(𝑇 ≤ 20) = 1 − 𝑒 −16
𝑃(𝑇 ≤ 20) = 0,7135
Existe una probabilidad de 0,7135 que un marcapasos en una per-

sona dure menos de 20 años.
261
La probabilidad solicitada con InfoStat se muestra en la salida
siguiente, donde se debe advertir que la información que solicita
el cuadro de diálogo es el valor de  por unidad de tiempo de
Poisson (=1/µ).
Salida 6. Modelo Exponencial E(µ =16)
b) Si el marcapasos lleva funcionando correctamente 5 años en un

paciente, ¿cuál es la probabilidad de que haya que cambiarlo antes de 25
años? Estamos planteando una probabilidad condicional, ya que queremos
averiguar la probabilidad que un marcapasos dure hasta 25 años, siendo
que lleva correctamente en uso 5 años, lo cual puede expresarse como::
𝑃(5 ≤ 𝑇 ≤ 25)
𝑃(𝑇 ≤ 25/𝑇 ≥ 5) =
𝑃(𝑇 ≥ 5)
si resolvemos las probabilidades, a través de este modelo, obtenemos:
Probabilidad del numerador:

25
𝑃(5 ≤ 𝑇 ≤ 25) = ∫ 𝑓(𝑡) 𝑑𝑡
5
𝑃(5 ≤ 𝑇 ≤ 25) = 𝐹(25) − 𝐹(5)
𝑃(5 ≤ 𝑇 ≤ 25) = 1 − 𝑒 −(25/16) − 1 + 𝑒 −(5/16)
𝑃(5 ≤ 𝑇 ≤ 25) = 0,522
Probabilidad del denominador

∞
𝑃(𝑇 ≥ 5) = ∫ 𝑓(𝑡)𝑑𝑡
5
𝑃(𝑇 ≥ 5) = 1 − 𝐹(5)
𝑃(𝑇 ≥ 5) = 1 − 1 + 𝑒 −(5/16)
𝑃(𝑇 ≥ 5) = 0,7316
De ambas probabilidades resulta:

0,522
262 𝑃(𝑇 ≤ 25/𝑇 ≥ 5) =
0,7316
𝑃(𝑇 ≤ 25/𝑇 ≥ 5) = 0,7135
Luego, como era de esperar, por ser propio a un mecanismo expo-

nencial, la duración que se espera que tenga el objeto, no está influida en
nada por el tiempo que en la actualidad lleva funcionando. Es por ello que
se dice que “la distribución exponencial no tiene memoria".
Por eso, los resultados del punto 1) y 2) son idénticos, es decir la

probabilidad que el marcapasos dure menos de 20 años es la misma, sin
importar si el aparato es nuevo o si ya tiene 5 años de uso.
2) Si la media de las llamadas telefónicas por minuto es igual a 3, el tiempo

promedio entre dos llamadas consecutivas es de 20 segundos (1/3 de
minuto), valor que coincide con la desviación estándar. En un momento
cualquiera del día y sin importar lo que haya ocurrido hasta ese instante,
la probabilidad que la próxima llamada tarde a lo sumo 20 segundos es
igual a 0,63.
1
Comprobemos este resultado. Recordemos que 𝐸(𝑇) = 𝜆 = 𝜇
1
𝐹(20) = 1 − 𝑒 −2020
𝐹(20) = 1 − 𝑒 −1
𝐹(20) = 1 − 0,37
𝐹(20) = 0,63
Características de la variable exponencial
• La variable exponencial tiene esperanza igual a la desviación es-

tándar: 1𝜆
• El símbolo 𝜆 representa el promedio de ocurrencias por unidad de
tiempo y es la esperanza de la variable Poisson, en tanto que la
esperanza de la variable exponencial es su recíproca y representa
el promedio de tiempo que transcurre entre dos sucesos consecu-
tivos.
• La probabilidad de una ocurrencia en un lapso específico depende
de su duración y no del momento del tiempo.
• La probabilidad acumulada hasta la media es igual a 0.63
1 −𝜆
1
𝐹(𝑇 < ) = 1 − 𝑒 𝜆 = 1 − 𝑒 −1
𝜆
= 1 − 0.37 = 0.63
• La mediana es igual a 0.69 E( T )
𝐹(𝑇 < 𝑡) = 1 − 𝑒 −𝜆𝑡 = 0.50

𝑒 −𝜆𝑡 = 0.50
−𝜆𝑡 = 𝑙𝑛(0.50) = −0.69
1
𝑡 = 0.69
𝜆
Las características señaladas explican la frecuente aplicación de

este modelo en problemas de confiabilidad, donde el interés recae en de-
terminar el tiempo de vida promedio de un elemento. Entonces, el pro-
blema esencial consiste en identificar la distribución de probabilidad de la
variable aleatoria que proporciona un modelo adecuado para el tiempo de
falla.
Si la frecuencia de falla 1/ es constante, la función de densidad del 263
tiempo de vida es la exponencial. Una frecuencia de falla constante implica
que la probabilidad de falla en un intervalo de tiempo determinado depende
de la duración de éste y no del tiempo que el sistema ha estado operando.
Así, la duración de ciertos componentes eléctricos puede modelarse de
manera adecuada por una distribución exponencial.
Este razonamiento se sigue para resolver las siguientes actividades.
Actividad 17
El número de fallas de un componente electrónico que trabaja
en una pieza de un equipo puede considerarse como una varia-
ble aleatoria con distribución de Poisson con parámetro 0,01 por hora (falla
en promedio, 1 cada 100 horas).
Obtener:
a) La duración del componente electrónico para que su probabilidad
no supere el 0,05 inferior.
b) La probabilidad que dure más de 80 horas.
c) La probabilidad de que un elemento que ha durado más de 70 ho-
ras, alcance una duración mayor a las 90 horas.
Actividad 18:
Retomando la Actividad Nº 14 y comenzando la observación en cualquier
momento ¿cuál es la probabilidad que transcurran al menos 15 minutos
antes de que se retire una lata de tomate?
Actividad 19:
Se ha comprobado que la duración de ciertos elementos sigue una distri-
bución exponencial con media de 8 meses. Se pide:
a) La probabilidad que un elemento dure entre 3 y 12 meses.

b) El percentil 0,95 de la distribución.
c) La probabilidad que un elemento que duró ya más de 19 meses,
dure 15 meses más.
Actividad 20:
Se ha observado que las fallas mecánicas ocurridas en una planta indus-
trial, aparecen como proceso Poisson aproximado con parámetro  = 1/2
por hora (1 cada 2 horas). Si se llega a la planta a las 9:00 hs. del lunes y
se designa con T el tiempo (desde la llegada) hasta la primera falla, se
pide:
a) Expresar la función de densidad de T.

b) Calcular la probabilidad de que transcurra al menos una hora, antes
que aparezca la primera falla.
c) Calcular la probabilidad de que no pasen más de 4 horas antes de
la primera falla.
d) Calcular la probabilidad de que el tiempo para la siguiente falla sea
mayor que el promedio (2 horas).
3.2 Modelo Normal
Esta distribución es la más utilizada en aplicaciones estadísticas por-

que numerosas variables continuas poseen un comportamiento que puede
ser ajustado por este modelo; bajo determinadas circunstancias algunas
variables discretas pueden ser aproximadas por esta distribución y además
264 es la base sobre la que se aplica la estadística inferencial. Su nombre se
debe a la frecuencia o normalidad con la que ciertos fenómenos tienden a
parecerse en su comportamiento a esta distribución.
Así, es conocido que muchas variables biológicas, mediciones de
piezas y errores de medición tienen distribución normal. La gráfica tiene
forma de campana cuyo eje se encuentra en el valor esperado de la varia-
ble como veremos más adelante.
Las principales características de esta distribución pueden sinteti-

zarse de la siguiente manera:
a) Presenta un valor de mayor frecuencia, que se identifica con el va-

lor modal que coincide con la media y la mediana, y, a partir de él,
decae hacia ambos lados en igual intensidad, lo que le otorga la
característica de ser simétrica.
b) Esta simetría hace que a los valores ubicados a igual distancia del
valor central (a la derecha o a la izquierda), le corresponda la misma
probabilidad.
c) Dos son los parámetros que la caracterizan: media y varianza.
Hemos visto que, al considerar distribuciones binomiales, tipo B(n,

p), para un mismo valor de p y valores de n cada vez mayores, puede
observarse que sus polígonos de frecuencias se aproximan a una curva en
"forma de campana". También en casos de distribuciones poissonianas
cuando el promedio de éxitos es mayor a cierto valor, la distribución tiende
a ser simétrica, en forma de campana. En ambos casos se aproxima la
distribución de origen a la normal.
La variable aleatoria continua con distribución Normal puede asumir
valores en el intervalo (- , + ). Es decir que:
𝑋 ∈ (−∞, +∞)
Veamos algunos ejemplos de variables aleatorias que pueden tener

distribución Normal:
• Peso de varones de 18 a 25 años.

• Edad de alumnos que cursan el último año de la escuela secunda-
ria.
• Duración promedio de cierto artefacto eléctrico.
• Ventas diarias de un comercio de la ciudad.
A continuación, presentamos la función de densidad de una variable

aleatoria X con distribución normal, la que posee un parámetro de posición
µ que puede asumir cualquier valor dentro del conjunto de los números
reales, y un parámetro de dispersión σ2 >0.
1 (𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2𝜎2 ; −∞<𝑥 <∞
√2𝜋𝜎 2
Luego veremos que los parámetros antes mencionados son la espe-

ranza y varianza de la distribución normal; e  2,718 y   3,1416, la función
f(x) depende de los parámetros µ y σ2 por lo que una variable X con distri-
bución normal puede denotarse como:
X  N (µ, σ2) 265

y satisface las dos condiciones siguientes, que la califican como fun-
ción de densidad.
1)𝑓(𝑥) ≥ 0
−∞
∞
2) ∫ 𝑓(𝑥)𝑑𝑥 = 1
Se puede observar que existirán infinitas distribuciones normales y
distintas por cada par de valores distintos de  y 2, por lo que cada vez
que necesitemos encontrar probabilidades, deberíamos calcular las inte-
grales correspondientes del siguiente modo:
𝑏
1 (𝑥−𝜇)2
−
𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑒 2𝜎 2 𝑑𝑥
𝑎 √2𝜋𝜎 2
Esta tarea resulta sumamente dificultosa por la complejidad de la fun-

ción a integrar. Pero este inconveniente se resuelve efectuando una trans-
formación lineal sobre la variable X, que hemos denominado variable es-
tandarizada Z y unifica esas infinitas distribuciones, donde:
𝑋−𝜇
𝑍=
𝜎
Cuyos parámetros asumen los siguientes valores:
𝐸(𝑍) = 0
𝑉(𝑍) = 1
A la variable normal estandarizada la denotaremos de la siguiente

manera:
Z  N (0,1)
Para obtener su función de densidad se parte de:
1 1(𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2 𝜎2
𝜎√2𝜋
Seguidamente efectuamos el cambio de variable:
𝑥−𝜇 𝑑𝑥
𝑧= ⇒ 𝑥 = 𝜇 + 𝑧𝜎; =𝜎
𝜎 𝑑𝑧
Luego reemplazamos en la función de densidad anterior por sus

equivalentes y obtenemos la función de densidad para la variable Z:
𝑧2
1
𝑓(𝑧) = 𝑒− 2 - < z < 
√2𝜋
Esta función cumple con las condiciones para ser función de densi-
dad, es decir:
1)𝑓(𝑧) ≥ 0
∞
2) ∫ 𝑓(𝑧)𝑑𝑧 = 1
−∞
Esta función es siempre positiva y demostraremos que el área bajo

la curva es igual a uno. Partiendo de la integral en todo el campo de varia-
ción de Z de su función de densidad y considerando que la distribución es
266 perfectamente simétrica, esa integral se puede expresar como dos veces
la superficie bajo la curva desde el valor central (0) hacia la derecha:
∞ 𝑧2 ∞ 𝑧2
1 1
∫ 𝑒 − 2 𝑑𝑧 = 2 ∫ 𝑒 − 2 𝑑𝑧
−∞ √2𝜋 √2𝜋 0
Luego, aplicando sustitución de variable:
𝑧2
= 𝑢2 ⇒ 𝑧 = √2 𝑢
2
Entonces:
𝑑𝑧 = √2 𝑑𝑢
Si ahora resolvemos por sustitución:

∞ 𝑧2 ∞
1 √2 2
∫ 𝑒 − 2 𝑑𝑧 = 2 ∫ 𝑒 −𝑢 𝑑𝑢
−∞ √2𝜋 √2√𝜋 0
2 √𝜋
= =1
√𝜋 2
Análisis de las características de la distribución y su gráfica
La función de densidad para la variable X y la variable Z poseen las

siguientes gráficas, respectivamente:
Gráfico 5.21. Función de densidad de las variables x y z
µ-3σ µ-1σ µ µ+1σ µ+3σ

µ-2σ µ+2σ
a) Tal como hemos señalado, presenta un valor con mayor frecuencia

(máximo) en X=µ y Z=0. A continuación lo demostraremos para la
variable Z:
Condición de primer orden: 267

1 𝑧2
𝑓 ′ (𝑧) = −𝑧 𝑒 − 2 = −𝑧𝑓(𝑧)
√2𝜋
𝑓 ′ (𝑧) = 0 𝑠𝑖 𝑧 = 0
Condición de segundo orden:

𝑓 ″ (𝑧) = −𝑓(𝑧) + 𝑧 2 𝑓(𝑧)
= 𝑓(𝑧)(𝑧 2 − 1)
1
𝑓 ″ (0) = 𝑒 0 (−1) < 0
√2𝜋
Se verifica, entonces, que la función presenta un máximo en z=0.
b) La gráfica posee dos puntos de inflexión en los valores z=-1 y z=1.

En z=-1 la función pasa de convexa a cóncava y el z=1 de cóncava
a convexa. Para determinar los puntos de inflexión se obtienen los
valores de z que anulan la derivada segunda:
𝑓 ″ (𝑧) = 𝑓(𝑧)(𝑧 2 − 1) = 0
Si se calcula la derivada tercera y se la evalúa en estos puntos, se

obtienen valores no nulos. Lo que confirma que la función es cóncava en
el intervalo (-1,1) y convexa fuera de ese intervalo.
c) Estamos frente a una distribución perfectamente simétrica y sabe-

mos que para ese tipo de distribuciones se verifica que: si le suma-
mos a la media, una o dos o tres veces dicha desviación, los inter-
valos que quedan formados, incluyen aproximadamente el 68%, el
95% y el 99,8% de las observaciones respectivamente.
Es decir:
𝑃(𝜇 − 1𝜎 < 𝑋 < 𝜇 + 1𝜎) = 𝑃(−1 < 𝑍 < 1) = 0,68

𝑃(𝜇 − 2𝜎 < 𝑋 < 𝜇 + 2𝜎) = 𝑃(−2 < 𝑍 < 2) = 0,95
𝑃(𝜇 − 3𝜎 < 𝑋 < 𝜇 + 3𝜎) = 𝑃(−3 < 𝑍 < 3) = 0,998
A continuación presentamos la función de probabilidad acumulada

de la variable X que posee distribución normal y se denota como: X  N(,
).
𝑢
1 (𝑥−𝜇)2
−
𝐹(𝑢) = 𝑃(𝑋 < 𝑢) = ∫ 𝑒 2𝜎2 𝑑𝑥
−∞ √2𝜋𝜎
Gráficamente, la zona sombreada corresponde a la función de distri-

bución hasta un valor particular de X, en este caso el valor u (Gráfico 5.22).
Gráfico 5.22. Función de densidad de una variable Normal X
268
Y para la variable z, la cual denotaremos como Z  N (0, 1), su función

de distribución es:
𝑢 𝑧2
1
𝐹(𝑢) = 𝑃(𝑧 < 𝑢) = ∫ 𝑒 − 2 𝑑𝑧
−∞ √2𝜋
Gráfico 5.23 Función de densidad una variable Normal

Estandarizada
Esperanza y varianza de una variable normal
Cuando se definió la función de densidad para una variable se

presentaron los parámetros que la caracterizan µ y σ2 los que constituyen
la E(X) y la V(X) respectivamente. En el caso de una variable Z, hemos
visto en la unidad 4, que E(Z)=0 y V(Z)= 1. Sintetizando:
𝐸(𝑋) = 𝜇 𝐸(𝑍) = 0
𝑉(𝑋) = 𝜎 2 𝑉(𝑍) = 1
Veamos algunos ejemplos:
Supongamos que los resultados de un examen tienen una

distribución normal con media de 77 y varianza de 36.
Denotamos esto como: X~ N (77;36).
a) Ahora, necesitamos encontrar la probabilidad de que un alumno

obtenga en el examen menos de 80.
269
Para calcular la probabilidad requerida utilizaremos el
calculador de probabilidades y cuantiles de la distribución
normal del programa InfoStat
Es decir, 𝑃(𝑋 < 80) = 0,6915
Entonces, la probabilidad que un alumno obtenga menos de 80 es

0,6915.
En el siguiente gráfico el área sombreada corresponde a la probabi-
lidad buscada.
A su vez, la misma probabilidad se puede encontrar a partir de la

variable estandarizada, es decir: Z~N (0,1). Para realizarlo debemos
transformar la variable original X y obtener la respectiva variable Z:
𝑋 − 𝜇 𝑋 − 77
𝑍= =
𝜎 6
Luego planteamos la probabilidad:
80 − 77
𝑃(𝑋 < 80) = 𝑃(𝑍 < )
6
270 𝑃(𝑋 < 80) = 𝑃(𝑍 < 0,5)
Y con este nuevo valor de z en el calculador de InfoStat

encontramos el mismo valor de probabilidad.
Es oportuno aclarar que al trabajar con InfoStat no es necesario

calcular el valor estandarizado como lo hemos hecho precedentemente, en
el cuadro de diálogo se puede poner directamente los valores de X, µ y σ2.
Si se deseara obtener la probabilidad hasta un valor particular z0, se deberá
indicar en el cuadro de diálogo la media y la varianza de Z (0 y 1
repectivamente).
b) Seguidamente, deseamos encontrar la probabilidad de que un

alumno obtenga en el examen más de 80 puntos. Procedemos
entonces a plantear la probabilidad:
80 − 77
𝑃(𝑋 > 80) = 𝑃(𝑍 > )
6
𝑃(𝑋 > 80) = 𝑃(𝑍 > 0,50) = 0,3086
Las salidas anteriores nos permiten también obtener la probabilidad

buscada ya que el valor de la variable es el mismo pero la probabilidad es
el complemento de lo que hemos encontrado en el apartado anterior,
La probabilidad buscada está representada en la siguiente gráfico.
271
c) Ahora vamos a obtener la probabilidad de que un alumno obtenga
menos de 70 puntos.
Planteamos: 𝑃(𝑋 < 70) = 0,1216
La probabilidad que el alumno obtenga menos de 70 puntos es 0,121.
d) Continuando, vamos a encontrar las probabilidades en un intervalo.

¿Cuál es la probabilidad de que un alumno saque en el examen
entre 80 y 85 puntos?
Si vamos a trabajar con las probabilidades acumuladas hasta un

determinado valor, para encontrar la probabilidad requerida deberemos
plantear lo siguiente:
𝑃(80 < 𝑋 < 85) = 𝑃(𝑋 < 85) − 𝑃(𝑋 < 80) = 𝐹(85) − 𝐹(80)
Calculamos por Infostat P ( X  85) y utilizamos (en este caso) la

probabilidad obtenida en el inciso a) P ( X  80) = 0, 6915
272
Entonces: 𝑃(80 < 𝑋 < 85) = 0,9088 − 0,6915 = 0,2173
La probabilidad de que un alumno obtenga entre 80 y 85 puntos es

de 0,2173.
Observemos a continuación su representación gráfica.
f(x)
77 X
F(85)
F(80)
e) Por último, calculamos la probabilidad de que la nota obtenida por

un alumno difiera en menos de 5 puntos del valor promedio.
Planteamos:
𝑃(|𝑋 − 𝜇| < 5) = 𝑃(72 < 𝑋 < 82) = 𝐹(82) − 𝐹(72)
Es decir tenemos que encontrar la probabilidad en un intervalo

simétrico respecto a la media.
273
Entonces: 𝑃(|𝑋 − 𝜇| < 5) = 𝑃(72 < 𝑋 < 82) = 𝐹(82) − 𝐹(72)
La probabilidad de que la nota obtenida por un alumno difiera en

menos de 5 puntos del valor promedio es 0,5954.
Ejemplo:
Con los datos del ejemplo anterior, conociendo las probabilidades,
vamos a encontrar los valores de la variable original.
a) Supongamos que los estudiantes que se encuentran en el 10% de

la parte superior de la distribución son los que tendrán becas para
estudios superiores. ¿Cuál es la calificación mínima que debe tener
un estudiante para obtener la beca?
Es decir, que en términos de probabilidad tenemos:
𝑃(𝑋 > 𝑥𝑜 ) = 0,10
Siendo x0 nuestra incógnita, es decir el valor de la calificación mínima

que el estudiante debe sacar. Tenemos que poner como dato en Infostat
la media, la varianza y la probabilidad a la derecha de xo , lo que no da
como resultado el valor de la calificación requerida.
Le proponemos que realice la gráfica correspondiente donde

visualice esta probabilidad.
Sabemos que se puede calcular a través de Infostat los valores de z,
por lo tanto, dejamos los valores de la media y la varianza de la variable Z
e introducimos la probabilidad que tenemos como dato.
𝑃(𝑍 > 𝑧𝑜 ) = 0,10

274
Esto indica que la probabilidad a la derecha de zo es 0,10 y el valor
de la variable es z0 = 1, 282
Por último, nos queda realizar la operación inversa a la que hicimos

para transformar a la variable original en estándar, es decir debemos
desestan- darizar. Para ello despejamos x0
𝑥0 − 𝜇
𝑧0 =
𝜎
𝑧0 𝜎 = 𝑥0 − 𝜇
𝑥0 = 𝑧0 𝜎 + 𝜇
Reemplazamos por los valores conocidos y obtenemos:
𝑥0 = 1,282(6) + 77
𝑥0 = 84,69
Entonces, la calificación mínima para conseguir la beca es 84,69

puntos.
b) ¿Cuál es la mínima calificación para aprobar si el evaluador

pretende que sólo el 28% de los estudiantes no apruebe?
Si trabajamos directamente con la variable X, planteamos
𝑃(𝑋 < 𝑥𝑜 ) = 0,28 ⇒ 𝑥𝑜 = 73,50
Este es el puntaje mínimo para aprobar.
Realice la gráfica correspondiente donde se representa la

probabilidad considerada y el valor encontrado.
c) Podemos tener el caso de querer obtener la siguiente probabilidad:
𝑃(|𝑍| < 3)
es decir, queremos encontrar la probabilidad de un intervalo

comprendido entre 3. Esto es equivalente a:
𝑃(−3 < 𝑍 < 3) = 𝐹(3) − 𝐹(−3)

= 𝐹(3) − [1 − 𝐹(3)]
Observe los segundos miembros de la expresión anterior. Esa

equivalencia (piense porque se da) nos permite evitar buscar la
probabilidad F(-3). 275
𝑃(−3 < 𝑍 < 3) = 0,9987 − [1 − 0,9987] = 0,9974
¿Puede usted representar gráficamente esta probabilidad?
A continuación, le ofrecemos otras actividades a fin de aplicar lo

aprendido sobre esta distribución.
Actividad 21:
Una empresa constructora; que cuenta con 7.000 obreros, co-
noce que sus salarios siguen una distribución normal con media
igual a $ 380 y desviación estándar igual a $ 70; desea saber cuántos tra-
bajadores ganan.
a) ¿Menos de $ 296?
b) ¿Más de $ 320?
c) ¿Entre $ 240 y $ 420?
Actividad 22:
Se conoce que la cantidad gastada en mantenimiento y reparaciones de
una cierta fábrica tiene una distribución normal con una media de $ 400.-
y una desviación estándar de $ 20.-. Si para el próximo año se presupuesta
la suma de $ 450, ¿cuál es la probabilidad de que se gaste en realidad más
de lo que se ha presupuestado?
Actividad 23:
El puntaje obtenido en una prueba de aptitud para determinado trabajo si-
gue una distribución normal con =10 puntos y sabiendo que la probabili-
dad de que la variable puntaje asuma un valor mayor a 95 es de 0,1151,
se pide que encuentre la probabilidad:
a) Que el puntaje sea menor a 75

b) Que el puntaje sea mayor a 80
c) Que el puntaje asuma valores entre 73 y 93.
Actividad 24:
Las ventas diarias de un comercio de la ciudad de Córdoba siguen una
distribución normal con media de $ 510.- Se sabe, además, que la proba-
276 bilidad que la variable asuma valores menores que $ 460 es igual a 0,1762.
Con estos datos, calcule:
a) La desviación estándar de las ventas.

b) La probabilidad que un día particular las ventas no alcancen el pro-
medio.
c) La probabilidad que las ventas estén entre $ 400 y $ 700.
Actividad 25:
El coeficiente de inteligencia de un grupo de 500 niños tiene distribución
normal con media de 100 y varianza igual a 225. Se pide que calcule:
a) ¿Cuántos niños tienen un coeficiente comprendido entre 80 y 140?

b) ¿Qué valor del coeficiente de inteligencia deja por encima el 5 %
de los niños que tienen un coeficiente de inteligencia más alto?
En las siguientes actividades le proponemos que identifique el

modelo de probabilidad de las variables aleatorias derivadas de los
problemas que se plantean.
4. Ejercicios de Integración
Actividad 26:
En una ciudad se realiza una encuesta para estudiar los hábitos
de consumo de cierto producto por parte de la población.
a) Se conoce que el 60 % de la población consume el producto. Si se

toma una muestra de 10 personas, ¿cuál es la probabilidad de que
más de 5 lo consuman?
b) Se conoce que sólo el 2 por mil de la población consume el pro-
ducto. Si se toma una muestra de 1500 persona, ¿cuál es la proba-
bilidad de que más de 4 lo consuman?
Actividad 27:
Para la variable gastos financieros, analizada en un estudio económico, los
resultados correspondientes a la población a la que se refiere el estudio
son:
 = 1990,  = 500, coef. de asimetría: 0, coef. de curtosis: 0.
a) Calcule la probabilidad de que una empresa aleatoriamente selec-

cionada tenga gastos financieros entre $ 1.500 y $ 2.300.
b) ¿A cuánto deberían ascender los gastos financieros, para que el 95
% de las empresas tengan montos superiores a dicho valor?
Actividad 28:
Luego del lanzamiento de una nueva campaña publicitaria por parte de una
estación de servicios local, pasan a cargar combustible, en promedio, 8
vehículos cada media hora, según información suministrada por la Geren-
cia de Promoción. En base a estos datos, ¿cuál es la probabilidad de que
pasen:
277
a) Más de 6 y menos de 10 vehículos en 15 minutos.
b) Entre 20 y 30 vehículos en dos horas (incluye los extremos).
Actividad 29:
En una ciudad se conoce que el 80% de las personas poseen
teléfono. Si se selecciona al azar una muestra de 15 personas,
a) ¿cuál es la probabilidad de encontrar entre 2 y 4 que no posean

teléfono?
b) Si la muestra fuera de 80 personas ¿cuál es la probabilidad de en-
contrar 70 o más que posean teléfono?
Actividad 30:
La proporción de alumnos que aprobaron el primer parcial de matemática
en el ciclo de nivelación 2004 de esta facultad es igual a 0,70:
a) Si se seleccionan 10 alumnos al azar, ¿cuál es la probabilidad de

que entre 3 y 6 inclusive hayan aprobado?
b) Si se selecciona 100 alumnos, calcule la probabilidad de que hayan
aprobado más de 60 alumnos.
Actividad 31:
La cantidad de operaciones de solicitud de dinero por minuto, sigue una
distribución Poisson de 2 solicitudes promedio por minuto.
a) Determine la probabilidad que una operación tarde más de 3 minu-

tos en realizarse.
b) Determine la probabilidad que una operación tarde entre 1 y 2 mi-
nutos en realizarse.
5. Referencias Bibliográficas
- Berenson, M y Levine, D (2003) Estadística Básica en Administración.

Conceptos y Aplicaciones. 6º Edición Prentice Hall.
- Blanch et al (2005) Ciclo Básico a Distancia Guía de Estadística I. Edito-

rial Asociación Cooperadora de la Facultad de Ciencias Económicas -
UNC.
- Díaz Margarita (2003). Notas de Probabilidad y Variable Aleatoria. Aso-

ciación Cooperadora de la Fac. Cs. Económicas de la U.N.C.
- Peña, Daniel (2001) Fundamentos de Estadística. Editorial Alianza.
- Saino Martin (2009). Cálculo de Probabilidades. Guía de aplicaciones

278
prácticas correspondiente a los Capítulos III a VI del programa de Estadís-
tica I. Asoc Coop F.C.E. (U.N.C.).
Soluciones y respuestas
Actividad 1
Xi= condición de fumador

Evento xi p (xi) xi. p(xi) xi2. p(xi)
No Fuma 0 0,45 0 0
Fuma 1 0,55 0,55 0,55
////////////// Total 1 0,55 0,55
a) Distribución de probabilidad: corresponde a las tres primeras columnas

de la tabla anterior
b) E(X) = ∑xi. p(xi) = 0,55. Este valor corresponde al total de la columna 4

del cuadro anterior
c) Calculamos primero la varianza
V(X) = E(X2) – [E(X)]2
Donde E(X2) = ∑ xi2. p(xi) = 0,55. Este valor corresponde al total de la co-
lumna 5 del cuadro anterior
V(X) = 0,55 – (0,55)2 = 0,55 – 0,3025 = 0,2475
Entonces la desviación estándar, DS(X) es la raíz cuadrada de la V(x):

2
DS(X) = √0,2475 = 0,4975
d)
Gráfico de la variable Xi = “Condición de Fumador”
0,6
0,5
0,4
0,3
0,2
0,1
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
279
Actividad 2
a) X: Cantidad de colectivos que llegan en horario a destino.

Los valores que puede asumir son: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
b) Distribución de probabilidad
xi p(xi)
0 0,0000
1 0,0000
2 0,0000
3 0,0000
4 0,0001
5 0,0015
6 0,0112
7 0,0574
8 0,1937
9 0,3874
10 0,3487
c) Gráfico de bastones, forma asimétrica IZQUIERDA
0,4500
0,4000
0,3500
0,3000
0,2500
P(X)
0,2000
0,1500
0,1000
0,0500
0,0000
0 1 2 3 4 5 6 7 8 9 10
10
d) P (X= 10, n= 10, p= 0,90) = 𝐶10 0,9010. 0,10(10-10)
= 0,3487
e) P[(n-x) = 2, n= 10, q= 0,10] = P (X= 8, n= 10, p= 0,90)
= 0,1937
f) P[(n-x) ≤ 3, n= 10, q= 0,10] = P (X ≥ 7, n= 10, p= 0,90)
= 1- P (X ≤ 6)
= 1- 0,1280
= 0,9872
g) E(x) = 9
Actividad 3
280
P (X ≥ 10, n=15, p= 0,2) = 1- P (X ≤ 9, n=15, p= 0,2) = 1- 0,9999= 0,0001
Actividad 4
n= 15 p= 0,50
a) P (X ≥ 10, n=15, p= 0,50) = 0,1509
b) P (X ≥ 10, n=15, p= 0,50) + P (X ≥ 10, n=15, q= 0,50) = 0,3018
c) P (X ≥ 8, n=15, p= 0,50) = 0,50
Actividad 5
No compren p= 0,10
Si compren q= 0,90 n=15
a) P (X= 5, n=15, p= 0,10) = 0,0105

b) P (X= 0, n=15, p= 0,10) = 0,2059
c) P (1 ≤ X ≤ 3, n=15, p= 0,10) = 0,7386
d) E(X) = 1,5 (aproximadamente 2 clientes)
e) V(X) = 1,35 supermercados2
Actividad 6
A medida que aumenta el tamaño de la muestra, se observa que el gráfico

de una variable con distribución Binomial se vuelve cada vez más simétrico
y con forma de una campana.
Actividad 7
a) Si se cumplen los supuestos requeridos para un modelo Hipergeomé-

trico, dado que:
Se trata de la elección de elementos (alumnos que conformarán la comi-

sión) de una población dicotomizada (todos los alumnos de curso), a los
que podemos clasificar según el género, es decir en una de dos categorías
mutuamente excluyentes y exhaustivas (éxito= mujer y fracaso= varón).
Además, el muestreo se realiza sin reemplazo por lo que la probabilidad

de extraer un elemento de la población varía en cada prueba-
Se presenta una población finita de tamaño N y el tamaño de muestras es

mayor que uno. Dónde:
N= 35 K= 10 N-K=25 n=7
a) Teniendo en cuenta que el éxito = mujer:

P (X ≥ 4) = 1 – P (X≤ 3)
= 1- [P (X= 0) + P (X= 1) + P (X= 2) + P (X= 3)]
= 1- 0,9161
= 0,0839
281
b) P (X≤ 2) = P (X= 0) + P (X= 1) + P (X= 2)
= 0,6904
Actividad 8
N= 18 K= 10 N-K= 8
n= 4 x= 2 n-x= 2
2 𝐶2
𝐶10 8
P(x= 2)= 4 = 0,4118
𝐶18
Actividad 9
N= 33 K= 18 (departamentos) N-K= 15 (casas) n= 8
a) x= 6 n-x= 2
6 𝐶2
𝐶18 15
P(x= 6)= 8
𝐶33
= 0,1404
b) x= 4 n-x= 4
4 𝐶4
𝐶18 15
P(x= 4)= 8
𝐶33
= 0,3008
𝐾
c) E(X)= 𝑛 𝑁 = 4,3
Actividad 10
N= 10 K= 6 (buen estado) N-K= 4 (defectuosa) n= 5
𝐶65 𝐶41
a) P(x= 5)= 5
𝐶10
= 0,0238
b) P (x ≥ 3) = P (x= 3) + P (x= 4) + P (x= 5)

= 0,4762 + 0,2381 + 0,0238
= 0,7381
c) Considerando que se definió como éxito que la impresora se encuentre

en “buen estado” y la probabilidad que se pide es sobre impresoras “defec-
tuosas”. Entonces se puede pensar que la probabilidad de que en la mues-
tra de 5 impresoras haya dos o menos defectuosas debe ser igual a la
probabilidad de que se presenten tres o más en “buen estado”, es decir:
P [(n-x) ≤ 2] = P(x  3) = 0,7381
d) Luego, siguiendo el razonamiento de la respuesta anterior, la probabili-

dad de encontrar en la muestra a lo sumo una defectuosa, implica que se
presenten 4 o más en “buen estado”:
P [(n-x)  1]= P (x ≥ 4) = P (x= 4) + P(x= 5)

282 = 0,2381 + 0,0238
= 0,2619
Actividad 11
Análisis del experimento. En principio se dan las características analiza-

das en el modelo binomial pero el tamaño de muestra es grande y la pro-
porción de éxitos es muy pequeña. Implica que corresponde aplicar el Mo-
delo de Poisson como límite del Modelo Binomial, donde:
p es pequeño p= 0,03 n=100 = n.p= 3
a) Distribución de probabilidad
xi P (xi,  = 3)
0 0,0498
1 0,1494
2 0,2240
3 0,2240
4 0,1680
5 0,1008
6 0,0504
7 0,0216
8 0,0081
9 0,0027
10 0,0008
11 0,0002
12 0,0001
b) Gráfico de bastones - Forma asimétrica derecha

Distribución Poisson (Lambda =3)
0.24
Valores de probabilidad
0.18
0.12
0.06
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12
Xi
c) P(X=2, = 3)= 0,2240

d) P(X≤ 3, = 3)= 0,6472
e) P(X= 0, = 3)= 0,0498
f) E(X)= 3
Recordar que si una variable tiene distribución Poisson la E(X)= V(X)=  283
Actividad 12
= 240 (promedio de automóviles por hora)
a) El valor de  para un intervalo de tiempo de un minuto es = 4

P(X= 4, = 4)= 0,1954
b) P(X= 0, = 4)= 0,0183
c) El valor de  para un intervalo de tiempo de 5 minutos es = 20

P(X ≤ 7, = 20) = 0,0008
d) P(3 ≤ X ≤ 8, = 4)= F(8) – F(2)

=0,9786 – 0,2381= 0,7405
e) P(5 ≤ X ≤ 10 , = 20)= F(10) - F(4)

=0,0108 – 0,0001= 0,0107
Actividad 13
P(X ≤ 4, = 4)= 0,6288 Es decir que la probabilidad de que la profesora

NO baje puntos a ese alumno es 62,88%
Actividad 14
= 3 (promedio de latas por hora)

a) P(X < 2, = 3)= P(X ≤ 1)= 0,1991
b) = 1,5 (promedio de latas para media hora)

P (X > 1) = P(X ≥ 2)= 1 – P(X ≤ 1)= 1- 0,5578= 0,4422
c) P(X ≤ 4, = 3)= 0,8153
d) = 1 (promedio de latas en 20 minutos)

P(X = 0, = 1)= 0,3679
Actividad 15
= 6 (promedio de pedidos por día - 8hs)

a) P(X = 2, = 6)= 0,0446
b) P(X ≥ 5, = 6) = 1 – P(X ≤ 4 )= 0,7149
c) P(X > 10, = 6)= 1- P(X ≤ 10) = 0,0426
d) P(X ≤ 3, = 3)= 0,6472
284
Actividad 16
a) A priori la variable X dicotómica se corresponde con el modelo Binomial,

con p= 0,02 n= 50. Pero por las características del problema (P “pequeño”
y n “grande”)
• n→∞yp →0
• np= 50.0,02= 1 < 5
Así en este caso es posible considerar el modelo Poisson como límite del
modelo Binomial. Además, bajo el modelo Binomial E(X)=np=1, entonces
para trabajar con el modelo Possion E(X)= = 1
b) P(X= 4, = 1)= 0,0153

c) P(X ≤ 6, = 1)= 0,9999
d) P (3 ≤ X ≤ 5, = 1) = P (X ≤ 5) – P (X ≤ 2)
= 0,9994 – 0,9197= 0,0797
Actividad 17
Datos: falla en promedio = 0,01 por hora. Es decir 1 falla cada 100 horas.
a) P (T ≤ t0) = F(t0) = 1- e- .t = 0,05
El objetivo es despejar el valor de t0
1-0,05= e- 0,01. t0
ln 0,95= -0,01 t0. ln e
-0,053= -0,01 t0
t0= -0,053/-0,01
t0 = 5,1293
La duración del componente electrónico deber ser de 5 horas 7 minutos,

para que su probabilidad de falla no supere el 0,05 inferior.
b) P (T > 80) = e- 0,01.80= 0,4493

Función de densidad
Exponencial(0.01): p(evento)=0.4493
0.010
0.007
Densidad
0.005
0.003
285
0.000
0 80 160 240 320 400 480 560 640
Variable
c) La probabilidad que se requiere es:
P (T > 90 / T > 70)

Luego, por definición de probabilidad condicionada y dado que la probabi-
lidad conjunta P(T> 90, T> 70) se reduce a P (T > 90)
𝑃(𝑇 > 90)

P(T > 90 / T > 70) = 𝑃(𝑇 > 70)
𝑒 −𝜆90
P(T > 90 / T > 70) = 𝑒 −𝜆70 = e- ʎ.(90-70) = e- .20
Por lo tanto:
P (T > 90 / T > 70) = P(T> (90 - 70) = 0,8187
Este ejemplo no permite concluir que en general, la probabilidad de que un

componente electrónico funcione t1 – t2 unidades de tiempo adicionales, es
independiente del tiempo de funcionamiento ya transcurrido. Es por esto
que se dice que la distribución exponencial “no tiene memoria”.
Actividad 18
= 3 (promedio de latas por hora = 60 minutos)

’= 3/60 = 0,05 (promedio de latas por minuto)
P (T > 15) = e- 0,05 . 15= 0,4724
Actividad 19
Media= 1/= 8, entonces = 0,125

a) P (3 ≤ T ≤ 12) = F (12) – F (3)
= 0,4642
b) P (T ≤ P0,95) = 0,95
1- e –0,125. P = 0,95
e –0,125. P = 0,05
-0,125. P0,95 ln e= ln 0,05
P0,95 =-2,9957/-0,125
= 23,976
c) P (T > 34/ T > 19) = P [T > (34-19)]= P(T > 15) = e –0,125. 15 = 0,1533
Actividad 20
a) Función de densidad:
1 −1t
f(t) = { 2 e t≥0
2
0 ∀ otro valor
b) P (T ≥ 1) = 0,6065
c) P (T ≤ 4) = 0,8647
286
d) Recordar que E(T)= 1/ = 1/0,5 =2.
Entonces: P(T> 2) = 0,3679

Actividad 21
Datos:
X= salarios $
N= 7000 obreros; µ= 380; σ= 70
a) P (X < 296) = P (z ≤ -1,2)

= 1- F (1,2) = 0,1151
0,1151. 7000= 805,7. Aproximadamente 806 obreros
b) P (X > 320) = P (z > -0.86)

= F (0,86)
= 0,8051
c) P (240 < X < 420) = P (-2 < z < 0,57)

= 0,6929
Actividad 22
µ = 400 σ= 20
P (X > 450) = P (z > 2,5) = 1 – F (2,5) = 0,0062
Actividad 23
σ= 10
Antes debemos calcular la media:
P (X > 95) = 0,1151. Entonces P (Z > z1) = 0,1151
Donde z1= 1,2 y recordando que

Z = (X – µ) / 10, entonces 1,2= (95 – µ) / 10
Luego µ = 83 y la variable X~ N (83; 100)
a) P (X < 75) = P (Z < -0,8) = 1- F (0,8) = 0,2119

b) P (X > 80) = P (Z > -0,3) = F (0,3) = 0,6179
c) P (73 < X < 93) = P (-1 < z < 1) = 0,6827
Actividad 24
Datos: µ = $510 y P (X < 460) = 0,1762. Para hallar el valor de σ debemos

encontrar primero el valor z que acumula dicha probabilidad, una opción 287
es usar el Calculador de probabilidades y cuantiles de Infostat.
P (Z < -0,9299) = 0,1762
a) Despejando de la fórmula de estandarización obtenemos 𝜎 = 53,769

b) P (X < 510) = P (Z < 0) = 0,5
c) P (400 < X < 700) = P (-2,05 < Z < 3,53) = 0,9798
Actividad 25
Datos: µ= 100; 𝜎2= 225 por tanto 𝜎= 15
Normal(100,225): p(evento)=0.9050
0.027
0.020
Densidad
0.013
0.007
0.000
25.00 62.50 100.00 137.50 175.00
Variable
a) P (80< X < 140) = P (-1,33 < z < 2,67) = 0,9050

Luego 0,9050 x 500 niños= 452 niños aproximadamente
b) Conociendo los parámetros µ= 100; 𝜎2= 225 podemos obtener de ma-

nera directa el valor del cuantil que cumple con P (X > x1) = 0,05, con el
Calculador de probabilidades y cuantiles de Infostat:
288
O bien, se puede trabajar de igual manera que en ejercicios anteriores,

buscando primero el valor de z y despejando el valor de X a partir de la
fórmula de estandarización.
Actividades integradoras
Actividad 26
a) Modelo Binomial
P (X > 5; n= 10; p= 0,60) =1 – F (5) = 0,6331
b) Datos: p= 0,002 n= 1500 E(X)=n.p= 3 (Modelo Poisson cómo límite

de la distribución Binomial)
P (X > 4, ʎ=3) = 1 – F (4) = 1- 0,8153= 0,1847
Actividad 27
A partir de los coeficientes de Asimetría y Curtosis, podemos a priori supo-

ner que la variable bajo estudio presenta una distribución aproximada-
mente Normal con parámetros media $1990 y desvío estándar $500
a) P (1500 < X < 2300) = P (-0,98 < Z < 0,62)

= F (0,62) – F (-0,98)
= 0,7324 – 0,1635
= 0,5689
289
Normal(1990,250000): p(evento)=0.5688
0.0008
Densidad
0.0004
0.0000
0 500 1000 1500 2000 2500 3000 3500 4000 4500
Variable
b) P (X > x1) = 0,95 es decir P (X ≤ x1) = 0,05
Gastos financieros de $1167,6
Actividad 28
a) P (6 < x < 10, = 4) = P (7 ≤ x ≤ 9)

= F (9) – F (6) = 0.9919 – 0,8893 = 0,1026
b) P( 20 ≤ x ≤ 30,  = 32 ) = aproximamos a Normal entonces la media será

32 y el desvío estándar = 5.66
P ( -2.12 ≤ z ≤ -0.35) = P (0.35 ≤ z ≤ 2.12)
= F (2.12) – F (0.35)
= 0.3462
Actividad 29
290
a) Si definimos el éxito como X= cantidad de personas que SI poseen telé-
fono, entonces p=0,80:
P [2 ≤ (n-x) 4; n= 15; q= 0,2]= F (4) - F (1)

= 0,8358 -0,1671
= 0,6687
Importante: En Infostat para buscar estas probabilidades vamos a indicar

la probabilidad de “fracaso”:
b) Ahora n=80 y la pregunta apunta a las personas que, SI poseen teléfono,

por tanto, ahora en el calculador de probabilidades indicamos p=0,80
P (X ≤ 70; n=80; p=0,80) = 1 – P (X ≤ 69) = 0,0565
Alternativamente, dado que el tamaño de muestra es grande y se cumple

np= 64≥5 y nq= 6≥5 es posible recurrir a uso del modelo Normal para cal-
cular aproximadamente la probabilidad solicitada. Con E(X)= np= 64 y
V(X)= npq= 12,8
P (X ≥70) = P (Z ≥ 1,677) = 0,0468
Actividad 30
291
a) P (3 ≤ x ≤ 6; n=10; p= 0,70) = F (6) – F (2)
= 0,3504 – 0,0016
= 0,3488
b) P (X > 60; n=100; p=0,70) =0,9790

Asimismo, como n es grande, np=70 ≥ 5 y nq= 30 ≥ 5. Aproximando a
Normal con E(X)=70 y V(X)=21.
P (X > 60) = P (Z > -2,1822)

= F (2,1822)
= 0,9854
Actividad 31
a) P (T > 3) = 0,0025
b) P (1 < x < 2) = F (2) – F (1)

= 0,9817 – 0,8647
= 0,1170
Exponencial(2): p(evento)=0.1170
2.0
1.5
Densidad
1.0
0.5
0.0
0.00 0.50 1.00 1.50 2.00 2.50 3.00
Variable
292

EstadI Unidad5

Cargado por

Información del documento

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

EstadI Unidad5

Cargado por

Copyright:

Formatos disponibles

Unidad 5: Modelos de Probabilidad

Unidad 5: Modelos de probabilidad

Axiomas de la Variables Distribuciones

En la Unidad 4 se trabajó el significado de variable aleatoria, a su vez

Con estos conceptos vamos a identificar y plantear modelos particu-

A continuación, procederemos a caracterizar cada uno de ellos, pre-

2. Modelos de probabilidad para variables discretas

Este es uno de los modelos más simples y puede ser aplicados a

- Para un estudiante de una clase se desea saber: si fuma o no, si

El aspecto común que tienen cada una de esas situaciones es que

A la variable aleatoria que definimos se le asignará valor 1 si es E y

Si en una población dicotómica se selecciona una observación al

Para este caso en particular, la variable aleatoria con la cual estamos

Lo expresado en el apartado anterior puede sintetizarse de la si-

Donde las dos últimas columnas constituyen la distribución de pro-

Es decir, si aparece la característica de interés (E), entonces la va-

Como se observa, la variable puede asumir uno de estos dos valores,

Para un determinado valor del parámetro p, la distribución de proba-

Gráfico 5.1 Función de cuantía Bipuntual

2) ∑1𝑦=0 𝑃(𝑌 = 𝑦) = 𝑃(𝑌 = 0) + 𝑃(𝑌 = 1)

La función de distribución es la función que acumula probabilidades

Esperanza y varianza de una variable Bipuntual

Para la distribución bipuntual, la esperanza y varianza son:

Obtendremos ambas expresiones mediante las definiciones dadas

𝐸(𝑌) = ∑ 𝑦. 𝑃(𝑦) = ∑ 𝑦. 𝑝 𝑦 (1 − 𝑝)1−𝑦

Respecto a la varianza, podemos aplicar la fórmula de cálculo rápido:

𝑉(𝑌) = 𝐸(𝑌 2 ) − [𝐸(𝑌)]2

De acuerdo a ello, sólo será necesario obtener la E(Y 2 ) , dónde:

Para ejemplificar el modelo bipuntual, trabajaremos con el si-

Se ha realizado una campaña publicitaria que tuvo como objetivo lan-

Para poder analizar si estamos ante un caso de variable bipuntual,

Estamos en una población dicotomizada, es decir que los individuos

Se hace una sola prueba, es decir se selecciona al azar “un” indivi-

La respuesta de la persona seleccionada puede ser una y sólo una

Entonces, estamos ante una variable bipuntual.

Asociemos a la variable “compra”, el valor 1 y a la variable “no com-

La función de probabilidad de la variable, que podemos llamar, pre-

De la observación de la tabla, podemos deducir que las probabilida-

El valor esperado de la variable preferencia para comprar un deter-

y la Varianza (valor esperado de los desvíos al cuadrado respecto de

Le proponemos ahora realizar la siguiente actividad a fin de ejercitar

a) Determine la distribución de probabilidad (asigne 1: si fuma y 0: no

A continuación, abordaremos otro modelo para variable discreta que

2.2 Modelo Binomial

Este modelo de probabilidad es uno de los más importantes y surge

En consecuencia, se trata de una extensión del modelo bipuntual,

1. Se realizan n pruebas idénticas, es decir que hablamos de la reali-

Podemos definir la variable aleatoria con distribución binomial como:

X: cantidad de éxitos en n pruebas con reemplazo

Veamos algunos ejemplos de pruebas donde se presentan varia-

• n piezas fabricadas, donde cada una de ellas puede ser defectuosa

También se aplica el modelo binomial cuando estamos ante el caso

Recordando las probabilidades asociadas a cada éxito y fracaso, po-

𝐶𝑛𝑥 𝑝 𝑥 𝑞 𝑛−𝑥 𝑥 = 0,1,2, . . . , 𝑛

La función de probabilidad o función de cuantía anterior puede dedu-

Si retomamos el primero de los ejemplos planteados, donde la varia-

Si queremos determinar cuál es la probabilidad que se presenten dos

Dado que estamos interesados en la ocurrencia de dos piezas de-

𝑃(𝑋 = 2) = 𝑝2 𝑞 + 𝑝2 𝑞 + 𝑝2 𝑞 = 3𝑝2 𝑞 = 3 (0,10)2 (0,90) = 0,027

Por lo que si se realizan n pruebas independientes, la probabilidad

pp...p qq...q = px qn-x

Sabiendo que el orden no tiene importancia, tenemos Cnx (combina-

Para el ejemplo 𝐶32 = 3