114 Capítulo 3 Variables aleatorias discretas y sus distribuciones de probabilidad

3.62 Goranson y Hall (1980) explican que la probabilidad de detectar una grieta en el ala de un avión es el
producto de p1, la probabilidad de inspeccionar un avión con una grieta en un ala; p2, la probabilidad de
inspeccionar el detalle donde se ubica la grieta; y p3, la probabilidad de detectar el daño.
a ¿Qué suposiciones justifican la multiplicación de estas probabilidades?
b Suponga que p1 = .9, p2 = .8 y p3 = .5 para cierta flota de aviones. Si se inspeccionan tres aviones
de esta flota, encuentre la probabilidad de que una grieta en el ala sea detectada en al menos uno de
ellos.

*3.63 Considere la distribución binomial con n pruebas y P(S) = p.

p( y) (n − y + 1) p
a Demuestre que = para y = 1, 2 , … , n . De modo equivalente, para
p( y − 1) yq
(n − y + 1) p
y = 1, 2, . . . , n, la ecuación p( y) = p( y − 1) da una relación repetitiva entre las
yq
probabilidades asociadas con valores sucesivos de Y.
b Si n = 90 y p = .04, use la relación citada en el inciso anterior para hallar P(Y < 3).
p( y) (n − y + 1) p p( y)
c Demuestre que = > 1 si y < (n + 1) p, que < 1 si y > (n +
p( y − 1) yq p( y − 1)
p( y)
1)p, y que = 1 si (n +1) es un entero y y = (n + 1)p. Esto establece que p(y) > p(y – 1) si y
p( y − 1)
es pequeña (y < (n + 1)p) y p(y) < p(y – 1) si y es grande (y > (n + 1)p). Entonces, las probabilidades
binomiales sucesivas aumentan por algún tiempo y disminuyen de ahí en adelante.
d Demuestre que el valor de y asignado a la probabilidad más grande es igual al máximo entero menor
o igual que (n + 1)p. Si (n + 1)p = m para algún entero m, entonces p(m) = p(m – 1).

*3.64 Considere una extensión de la situación estudiada en el Ejemplo 3.10. Si hay n pruebas en un experi-
mento binomial y observamos y0 “éxitos”, demuestre que P(Y = y0) se maximiza cuando p = y0/n. De
nuevo, estamos determinando (en general esta vez) el valor de p que maximice la probabilidad del valor
de Y que observamos realmente.

*3.65 Consulte el Ejercicio 3.64. El estimador de la máxima probabilidad para p es Y/n (nótese que Y es la
variable aleatoria binomial, no un valor particular de ella).

a Deduzca E(Y/n). En el Capítulo 9 veremos que este resultado implica que Y/h es un estimador
no sesgado para p.
b Deduzca V(Y/n). ¿Qué le ocurre a V(Y/n) cuando n se hace grande?

3.5 La distribución de probabilidad geométrica

La variable aleatoria con distribución de probabilidad geométrica está asociada con un
experimento que comparte algunas de las características de un experimento binomial.
Este experimento también comprende pruebas idénticas e independientes, cada una de
las cuales puede arrojar uno de dos resultados: éxito o fracaso. La probabilidad de éxito
es igual a p y es constante de una prueba a otra. No obstante, en lugar del número de éxitos que
se presentan en n pruebas, la variable aleatoria geométrica Y es el número de prueba en la
que ocurre el primer éxito. Entonces, el experimento consiste en una serie de pruebas que con-
cluye con el primer éxito. En consecuencia, el experimento podría terminar con la primera prue-
ba si se observa un éxito en la misma o el experimento podría continuar de manera indefinida.

W-cap-03.indd 114 27/7/09 02:02:03

 3.5 La distribución de probabilidad geométrica 115

El espacio muestral S para el experimento contiene el conjunto infinitamente contable de

puntos muestrales:
E1 : S (éxito en la primera prueba)
E2 : FS (fracaso en la primera, éxito en la segunda)
E3 : FFS (primer éxito en la tercera prueba)
E4 : FFFS (primer éxito en la cuarta prueba)
.
.
.
Ek : FFFF ... F S (primer éxito en la késima prueba )
k−1
.
.
.
Como la variable aleatoria Y es el número de intentos hasta el primer éxito, incluido éste los
eventos (Y = 1), (Y = 2) y (Y = 3) contienen sólo los puntos muestrales E1, E2 y E3, respec-
tivamente. En forma más general, el evento numérico (Y = y) contiene sólo a Ey. Como las
pruebas son independientes, para cualquier y = 1, 2, 3,…,
p( y) = P(Y = y) = P( E y ) = P( F F F F . . . F S) = qqq ⋅ ⋅ ⋅ q p = q y−1 p.
y−1 y−1

DEFINICIÓN 3.8 Se dice que una variable aleatoria Y tiene una distribución de probabilidad geométrica
si y sólo si

p( y) = q y−1 p, y = 1, 2, 3, . . . , 0 ≤ p ≤ 1.

En la Figura 3.5 se ilustra un histograma de probabilidad para p(y), p = .5. Las áreas sobre
los intervalos corresponden a probabilidades, como correspondieron a las distribuciones de
frecuencia de datos en el Capítulo 1, excepto que Y puede tomar sólo valores discretos, y =
1, 2,…, q. Por inspección de los valores respectivos es obvio que p(y) ≥ 0 . En el Ejercicio
3.66 demostrará que estas probabilidades ascienden a 1, como se requiere para cualquier dis-
tribución de probabilidad discreta válida.

FIGURA 3.5 p ( y)
La distribución .5
de probabilidad
geométrica, p = .5
.4

.3

.2

.1

0
1 2 3 4 5 6 7 8 y

W-cap-03.indd 115 27/7/09 02:02:03

 116 Capítulo 3 Variables aleatorias discretas y sus distribuciones de probabilidad

La distribución de probabilidad geométrica se emplea con frecuencia para modelar dis-

tribuciones de la duración de tiempos de espera. Por ejemplo, suponga que el motor de un
avión comercial recibe atención periódicamente para cambiar sus diversas partes en puntos
diferentes de tiempo y que, por tanto, son de edades que varían. Entonces la probabilidad p
de mal funcionamiento del motor durante cualquier intervalo de operación de una hora ob-
servado al azar podría ser el mismo que para cualquier otro intervalo de una hora. El tiempo
transcurrido antes de que el motor falle es el número de intervalos de una hora, Y, hasta que
ocurra la primera falla. (Para esta aplicación, el mal funcionamiento del motor en un periodo
determinado de una hora se define como éxito. Observe que como en el caso del experimento
binomial, cualquiera de los dos resultados de una prueba se puede definir como éxito. De
nuevo, un “éxito” no es necesariamente lo que podría considerarse como “bueno” en nuestra
conversación de todos los días.)

EJEMPLO 3.11 Suponga que la probabilidad de mal funcionamiento de un motor durante cualquier periodo
de una hora es p = .02. Encuentre la probabilidad de que un motor determinado funcione bien
dos horas.

Solución Si denotamos con Y el número de intervalos de una hora hasta la primera falla, tenemos

∞
. (Y ≥ 3) =
P(funciona bien dos horas) = P p( y).
y=3

∞
Como p( y) = 1,
y=1

2
P(funciona bien dos horas) = 1 − p( y)
y=1

= 1 − p − q p = 1 − .02 − (.98)(. 02) = .9604.

Si examina la fórmula para la distribución geométrica dada en la Definición 3.8, verá que
valores más grandes de p (y por tanto valores menores de q) llevan a probabilidades más altas
para los valores más pequeños de Y y en consecuencia a menores probabilidades para los
valores más grandes de Y. Así, el valor medio de Y parece ser inversamente proporcional a p.
Como demostramos en el siguiente teorema, la media de una variable aleatoria con distribu-
ción geométrica en realidad es igual a 1/p.

TEOREMA 3.8 Si Y es una variable aleatoria con una distribución geométrica,

1 1−p
m = E(Y ) = y s 2 = V (Y ) = .
p p2
Demostración q q
E(Y ) = yq y−1 p = p yq y−1 .
y=1 y=1

W-cap-03.indd 116 27/7/09 02:02:03

 3.5 La distribución de probabilidad geométrica 117

Esta serie podría parecer difícil de sumarse directamente. En realidad, se puede sumar
con facilidad si tomamos en cuenta que, para y ≥ 1,

d y
(q ) = yq y−1 ,
dq

y, por tanto,
q q
d
qy = yq y−1 .
dq y=1 y=1

(El intercambio de derivada y suma aquí se puede justificar.) Sustituyendo, obtenemos

q q
d
E(Y ) = p yq y−1 = p qy .
y=1
dq y=1

La última suma es la serie geométrica, q + q2 + q3 + ..., que es igual a q/(1 – q)(vea

el Apéndice A1.11). Por tanto,

d q 1 p 1
E(Y ) = p =p = 2 = .
dq 1 −q (1 − q) 2 p p

Para resumir, nuestro método es expresar una serie que no se puede sumar directamente
como la derivada de una serie para la cual la suma se puede obtener con facilidad. Una
vez que evaluemos la serie más fácilmente manejable, derivamos para completar el pro-
ceso.
La derivación de la varianza se deja como Ejercicio 3.85.

EJEMPLO 3.12 Si la probabilidad de falla de un motor durante cualquier periodo de una hora es p = .02 y
Y denota el número de intervalos de una hora hasta la primera falla, encuentre la media y la
desviación estándar de Y.

Solución Al igual que en el Ejemplo 3.11, se deduce que Y tiene una distribución geométrica con
p = .02. Entonces, E(Y) = 1/p = 1/(.02) = 50, y esperaríamos unas pocas horas antes de en-
contrar una falla. Además, V(Y) = .98/.0004 = 2450, y se deduce que la desviación estándar
de Y es s = √2450 = 49.497. Q

Aun cuando el cálculo de probabilidades asociado con variables aleatorias geométricas se

puede efectuar al evaluar un solo valor o sumas parciales asociadas con una serie geométrica,
estas probabilidades también se pueden hallar con el uso de varios paquetes de software. Si
Y tiene una distribución geométrica con probabilidad p de éxito, P(Y = y0) = p(y0) se puede
hallar con el uso del comando dgeom(y0 -1,p) de R (o S-Plus), mientras que P(Y ≤ y0) se
encuentra usando el comando pgeom(y0 -1,p) de R (o S-Plus). Por ejemplo el comando

W-cap-03.indd 117 27/7/09 02:02:04

 118 Capítulo 3 Variables aleatorias discretas y sus distribuciones de probabilidad

pgeom(1,0.02) de R (o S-Plus) da el valor para P(Y ≤ 2) que implícitamente se usó en el

Ejemplo 3.11. Observe que el argumento en estos comandos es el valor y0 – 1, no el valor y0. Esto
es porque algunos autores prefieren definir que la distribución geométrica sea la de la variable
aleatoria Y * = el número de fracasos antes del primer éxito. En nuestra formulación, la varia-
ble aleatoria geométrica Y se interpreta como el número de intento en los que ocurre el primer
éxito. En el Ejercicio 3.88 verá que Y * = Y – 1. Debido a esta relación entre las dos versio-
nes de variables aleatorias geométricas, P(Y = y0 ) = P(Y −1 = y0 −1) = P(Y = y0 −1).
R calcula probabilidades asociadas con Y *, explicando por qué los argumentos para dgeom y
pgeom son y0 – 1 en lugar de y0.
El siguiente ejemplo, semejante al Ejemplo 3.10, ilustra la forma en que la distribución de
probabilidad geométrica se puede usar para estimar un valor desconocido de p, la probabilidad
de un éxito.

EJEMPLO 3.13 Suponga que entrevistamos personas sucesivas que trabajan para la gran empresa estudiada en
el Ejemplo 3.10 y detenemos las entrevistas cuando encontramos a la primera persona que le
guste esa política. Si la quinta persona entrevistada es la primera que está a favor de la nueva
política, encuentre una estimación para p, la proporción verdadera pero desconocida de em-
pleados que están a favor de la nueva política.

Solución Si Y denota el número de personas entrevistadas hasta que hallemos la primera a quien le
guste el nuevo plan de retiro, es razonable concluir que Y tiene una distribución geométrica
para algún valor de p. Cualquiera que sea el verdadero valor para p, concluimos que la proba-
bilidad de observar la primera persona a favor de la política en el quinto intento es

P(Y = 5) = (1 − p) 4 p.

Usaremos como nuestra estimación para p, el valor que maximice la probabilidad de observar
el valor que en realidad observamos (el primer éxito en el intento 5).
Para hallar el valor de p que maximice a P(Y = 5), de nuevo observamos que el valor de p
que maximice a P(Y = 5) = (1 – p)4 p es igual que el valor de p que maximice a ln[(1 – p)4 p]
= [4 ln(1 – p) + ln(p)].
Si evaluamos la derivada de [4 ln(1 – p) + ln(p)] con respecto a p, obtenemos

d[4 ln(1 − p) + ln( p)] −4 1

= + .
dp 1−p p

Si igualamos a cero esta derivada y resolvemos, obtenemos p=1/5.

Como la segunda derivada de [4 ln(1 – p) + ln(p)] es negativa cuando p = 1/5, se deduce
que [4 ln(1 – p) + ln(p)][y P(Y = 5)] se maximiza cuando p = 1/5. Nuestra estimación para
p, basada en observar el primer éxito en el quinto intento es 1/5.
Quizá este resultado es un poco más sorprendente que la respuesta que obtuvimos en el
Ejemplo 3.10 cuando estimamos p con base en observar 6 a favor del nuevo plan en una mues-
tra de tamaño 20. De nuevo, éste es un ejemplo del uso del método de máxima probabilidad
que estudiaremos con más detalle en el Capítulo 9. Q

W-cap-03.indd 118 27/7/09 02:02:05

La distribución de probabilidad geométrica

Ejercicios

1) Suponga que 30% de los solicitantes para cierto trabajo industrial posee capacitación
avanzada en programación computacional. Los candidatos son elegidos aleatoriamente
entre la población y entrevistados en forma sucesiva. Encuentre la probabilidad de que el
primer solicitante con capacitación avanzada en programación se encuentre en la quinta
entrevista.

2) Una empresa de exploración petrolera va a hacer una serie de perforaciones de sondeo

en una zona determinada en busca de un pozo productivo. La probabilidad de que tenga
éxito en un intento dado es 0.2.
a. ¿Cuál es la probabilidad de que la tercera perforación sea la primera en dar un
pozo productivo?
b. Si la empresa puede darse el lujo de perforar a lo sumo diez pozos, ¿cuál es la
probabilidad de que no encuentre un pozo productivo?

3) ¿Cuántas veces esperaría usted lanzar al aire una moneda balanceada para obtener la
primera cara?