Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3.1 INTRODUCCIÓN
A lo largo de este capítulo se van a analizar los modelos de distribución de probabilidad asociados a
las variables aleatorias discretas más útiles y frecuentes en gran número de fenómenos aleatorios.
Para cada modelo se va a seguir la misma estructura. Inicialmente se describe el modelo que genera la
variable aleatoria, detallando a continuación las funciones de probabilidad asociadas a dicho modelo
(en este caso FX, y PX), y se deducirán las características más interesantes: media, varianza (como
mínimo). Si además, existe para cada modelo alguna/s propiedad/es interesantes, también se detallan.
Este es el modelo estadístico más sencillo de todos: considere un experimento aleatorio en el que el
resultado de interés es la ocurrencia o no de un suceso. Sin pérdida de generalidad, se puede llamar
éxito a la ocurrencia de tal suceso.
Así, se dice que una variable aleatoria discreta tiene Distribución Bernoulli, X=B(p), cuando presenta
dos alternativas (valores) posibles: ocurre el suceso A ó su contrario A*, con probabilidad p ó q=1-p,
respectivamente.
Por tanto, esta variable aleatoria Bernoulli representa a todos los fenómenos aleatorios en los que
solamente interesan analizar dos sucesos: uno y su contrario o complementario. Ejemplos:
Lanzamiento de una moneda al aire (ocurre ‘cara’ con probabilidad p=1/2 o cruz con 1-p= 1/2.
Estado de una pieza (está ‘defectuosa’ con probabilidad p o no lo está, con probabilidad 1-p).
Resultado de un votante con respecto a un candidato (el votante vota al candidato A, con
probabilidad p, o no le vota a A, con probabilidad 1-p). Fijarse en este caso que la situación real es
que se puedan votar a más de dos candidatos, sin embargo, la situación se modela como una
Bernoulli si sólo nos interesa saber si se le ha votado al candidato A o no.
Suele ser muy frecuente denominar este modelo como el modelo de éxito-fracaso, haciendo referencia
a que ocurra o no ocurra el suceso de interés.
Página 1 de 16
VARIABLES ALEATORIAS DISCRETAS
X B( p): N
A 1 P(A) = p con 0 p 1
A* 0 P(A * ) = 1- p
Fx
0 1
𝛼 𝐸 𝐵 𝑝 𝑥 𝑃 𝑥 1 ⋅𝑝 0 ⋅ 1 𝑝 𝑝 ∀𝑟 ∈ 𝑁
𝜎 𝑉 𝐵 𝑝 𝛼 𝜇 𝑝 𝑝 𝑝 1 𝑝 𝑝𝑞
Página 2 de 16
VARIABLES ALEATORIAS DISCRETAS
Entonces la Distribución Binomial, X=B(n, p), cuenta cuántos éxitos pueden ocurrir tras dichas
repeticiones y nos permite calcular, por ejemplo, cuál es la probabilidad de obtener k éxitos durante
las n repeticiones del experimento.
Muchos problemas prácticos responden a las hipótesis de este modelo. Sus áreas de aplicación incluyen
las inspecciones de calidad de productos (nº de productos defectuosos en un lote), las ventas diarias
(nº de artículos A vendidos en un supermercado), la medicina (nº de pacientes infectados por un virus),
sondeos de opinión (nº de partidarios de A en un sondeo), etc. Algunos otros ejemplos concretos:
Matemáticamente, la variable viene caracterizada por dos valores que la definen totalmente: el valor
n, que indica el número de veces que se repite el experimento dicotómico considerado y el valor p, que
da la probabilidad de que en cada repetición se logre el éxito (al igual que en el modelo Bernoulli). De
hecho, se puede constatar que:
𝐵 𝑛, 𝑝 𝐵 𝑝 ... .. 𝐵 𝑝 , B 𝑝 0,1
Esa misma situación e el cálculo de probabilidades nos lleva a que, si en n repeticiones se han obtenido
k éxitos, también se habrán logrado n-k fracasos: AA....AA*A*.....A*, y la probabilidad de este suceso
es p p...p (1 p) (1 p)...(1 p) p k (1 p) n k p k q n k .
Dado que el orden en el que pueden aparecer estos k éxitos y n-k fracasos es indistinto, de acuerdo a
la Regla del Producto, la probabilidad anterior ha de multiplicarse por el número de órdenes distintos.
Este número es el número de permutaciones con repetición de n elementos cuando k elementos son
iguales y los n-k restantes también lo son:
n
PR kn , n k
k
Entonces, la variable Binomial puede tomar valores enteros desde 0 (0 éxitos) hasta n (n éxitos). Por
lo tanto, su función de masa es:
n
PB( n ,p ) ( x) P ( B( n, p ) x exitos) p x (1 p) n x x = 0,1,2..., n
x
Por ser la variable Binomial una distribución discreta, la función de distribución será escalonada, con
escalones en los números enteros x de 0 a n de tamaño P(B(n,p)=x). Así, la siguiente fórmula nos daría
el valor de la función de distribución para un valor de la variable x cualquiera:
Página 3 de 16
VARIABLES ALEATORIAS DISCRETAS
x x
n
FB( n , p ) ( x) P ( B( n , p) x) P( B( n, p) i)
i0
i p (1 p)
i0
i ni
n
n
x p x q n x E(B(p) ..( n . B(p)) p ... p np
x 0 x
n
n
2 ( x ) 2 p x q n x E(B(n, p) 2 ) 2
x 0 p
E(B(n, p) ) E((B(p) ... B(p)) 2 ) np n (n 1)p 2
2
EJEMPLO: La probabilidad de que salga elegido un vecino candidato como presidentede una vecindad
es del 30%. Si en una casa hay 14 vecinos, ¿Cuál es la probabilidad de que al menos 5 de ellos voten
a dicho candidato? En total, ¿cuántos vecinos se espera que le voten?
X: “Número de votos a favor del candidato” : Distribución discreta Binomial B(n,p) donde n es el
número de veces que se repite el experimento aleatorio votar o no al candidato, 14, y p es la
probabilidad del éxito, en este caso, la probabilidad de que el voto sea a favor del candidato, 0,3. Por
lo tanto, X es B(14 ; 0.3).
a) La probabilidad de que sean al menos 5 los vecinos que voten a favor del candidato es:
14 10
b) P(B(14;0,3) 5) (0.3) i (1 0.3)14i 0.416
i 5 i
Página 4 de 16
VARIABLES ALEATORIAS DISCRETAS
X i B(n i , p) B( n i , p)
i =1 i =1 i 1
PROBLEMAS
4. En una fábrica se fabrica cierto producto en dos máquinas: el 55% de producto se fabrica en la
línea 1 y el 45% restante en la máquina 2. Además, el producto puede tener dos tipos de
defectos de manera independiente: A y B. Se sabe que el 5% de los productos fabricados en la
máquina 1 tienen defecto tipo A y el 7,5% defecto tipo B. En la máquina 2, el 1% de los
productos tienen defecto tipo A y el 6,8% defecto tipo B. Si se eligen 20 unidades al azar, ¿qué
probabilidad existe de que ninguno tenga defecto? ¿y de que al menos 15 de los 20 no lo
tengan? (Sol. 0,11730; 0,9865)
Considérese la siguiente situación: se supone un grupo de N elementos entre los cuales hay n1
elementos de clase A y n2=N- n1 de clase B. Se eligen aleatoriamente n elementos de entre los N, de
manera que elegido uno éste ya no puede volver a ser elegido (muestreo sin reemplazamiento). La
distribución hipergeométrica H(N; n1; n) cuenta el número de elementos del tipo A que se podrían
salir elegidos entre los n y, por tanto, se utiliza para calcular la probabilidad de que entre los n
elementos elegidos, x sean del tipo A.
Página 5 de 16
VARIABLES ALEATORIAS DISCRETAS
Entonces la variable aleatoria X que cuenta el número de objetos de clase A obtenidos al elegir n
aleatoriamente y sin reposición entre los N disponibles tiene Distribución Hipergeométrica, X =
H(N; n1; n).
La función de masa de la variable da la probabilidad de que x sean del tipo A y n-x sean del tipo B.
La probabilidad de que ocurra el siguiente suceso AAA..( x .. BB...( n x .. B , si no existe reposición, es:
𝑛 ! 𝑛 !
𝑛 𝑛 1 𝑛 𝑥 1 𝑛 𝑛 𝑛 𝑥 1 ⋅
𝑛 𝑥 ! 𝑛 𝑛 𝑥 !
⋅ ⋅. . .⋅ ⋅. . .⋅ ⋅. . .⋅
𝑁 𝑁 1 𝑁 𝑥 1 𝑁 𝑥 𝑁 𝑛 1 𝑁!
𝑁 𝑛 !
Teniendo en cuenta todas las ordenaciones posibles en las que puede aparecer x objetos del tipo A y
n-x del tipo B, la probabilidad es:
𝑛 ! 𝑛 ! 𝑛 ! 𝑛 !
⋅ ⋅
,
𝑛 𝑥 ! 𝑛 𝑛 𝑥 ! 𝑛! 𝑛 𝑥 ! 𝑛 𝑛 𝑥 !
𝑃 𝑋 𝑥 𝑃𝑅 ⋅ ⋅
𝑁! 𝑥! 𝑛 𝑥 ! 𝑁!
𝑁 𝑛 ! 𝑁 𝑛 !
𝑛 𝑛
𝑃 𝑋 𝑥 𝑃 𝐻 𝑁;𝑛 ;𝑛 𝑥 𝑥 𝑛 𝑥
𝑁
𝑛
máx 0; 𝑛 𝑛 𝑥 𝑚í𝑛 𝑛, 𝑛
Por tanto, los valores de la función de distribución para un valor concreto x se calcularía así:
n1 N n1
i n i
x
FH ( N ; n1 ) ( x) P( H ( N; n 1 ; n) x)
i0 N
n
Las probabilidades de esta distribución no se encuentran recogidas en ninguna tabla.
𝑛 𝑁 𝑛
𝑥 𝑛 𝑥
𝜇 𝑥⋅
𝑁
𝑛
Página 6 de 16
VARIABLES ALEATORIAS DISCRETAS
𝑁 𝑁 𝑁 1
𝑛 𝑛 𝑛 1
Entonces,
𝑛 1 𝑁 𝑛 𝑛 1 𝑁 𝑛
𝑥 1 𝑛 𝑥 𝑛𝑛 𝑥 1 𝑛 𝑥
𝜇 𝑛
𝑁 𝑁 1 𝑁 𝑁 1
⋅
𝑛 𝑛 1 𝑛 1
𝑘 𝑀 𝑘
𝑛𝑛 𝑦 𝑚 𝑦
𝜇
𝑁 𝑀
𝑚
La suma anterior es igual a 1, dado que es la suma de todas las probabilidades de una distribución
hipergeométrica con parámetros M, k y m. Por tanto la media de la distribución hipergeométrica H(N;
n1; n) es:
𝑛⋅𝑛
𝜇 𝐸 𝐻 𝑁;𝑛 ;𝑛
𝑁
𝑛⋅𝑛 ⋅ 𝑁 𝑛 𝑁 𝑛
𝜎 ⋅
𝑁 𝑁 1
Si se denota al cociente n1/N como p, proporción de los objetos tipo A, puede observarse que la media
de la distribución hipergeométrica coincide con la de la distribución binomial y la varianza de la
distribución hipergeométrica es menor que la correspondiente binomial, puesto que (N-n)/(N-1) es un
factor menor que 1, salvo que únicamente se observe un elemento, n=1.
Sin embargo, cuanto mayor es el valor de N, el número de elementos considerados, este factor va
acercándose a 1, dando como resultado una similitud en las varianzas de ambas distribuciones. Esto es
debido a que, de acuerdo a la definición de ambas, si n es sólo una pequeña fracción de un lote de gran
tamaño N, la distribución hipergeométrica tiende a la distribución binomial, ya que la probabilidad en
cada repetición de obtener un elemento del tipo A se mantiene prácticamente constante.
EJEMPLO: En un sorteo con 500 boletos se reparten 3 premios. Si una persona compra 20 boletos,
¿cuál es la probabilidad de que obtenga 2 premios?
Es decir, existen boletos de dos tipos, con y sin premio. Se eligen 20 boletos “sin reemplazamiento”,
la probabilidad de que se obtenga un premio varía a medida que se van vendiendo los boletos.
Por lo tanto,
Página 7 de 16
VARIABLES ALEATORIAS DISCRETAS
3 497
⋅
𝑃 𝐻 500 ; 3 ; 2 0 2 2 18 0,00446
500
20
PROBLEMAS ADICIONALES
5. De todas las reparaciones hechas en TV por cierta tienda, el 80% se hace en aparatos que ya
no tienen garantía.
a) Entre 20 aparatos llevados a reparación este último mes, ¿cuál es el número esperado
de los que ya no tienen garantía? (Sol. 16)
b) Entre estos 20 aparatos ¿cuál es la probabilidad de que por lo menos el 75% ya no
tenga garantía? (Sol. 0,8043)
c) Suponga que ahora mismo hay 12 TV en reparación, de los cuales 4 están con
garantía. ¿Cuál es la probabilidad de que, de 5 de estos TV elegidos aleatoriamente,
3 estén en garantía? (Sol. 0,1414)
6. Se recibe un pedido de cajas de 100 tornillos cada una. Para hacer el control de recepción se
escogen de cada caja, 10 tornillos al azar y la caja se acepta si a lo sumo se observan 2 tornillos
defectuosos.
7. En un sorteo de 1000 números hay algunos premios. Cuántos premios debe de haber si
queremos que la probabilidad de que a un individuo que compra 10 números le toque al menos
un premio, no sea mayor que 0,05 (Sol. Aprox. 5 premios)
Página 8 de 16
VARIABLES ALEATORIAS DISCRETAS
Supóngase una vez más un fenómeno aleatorio dicotómico en el que sólo interesan dos sucesos
(modelo Bernoulli): el suceso A (éxito) con probabilidad p y su complementario A* con probabilidad
1-p = q. Si observamos la repetición de una secuencia de ensayos independientes de este fenómeno, la
probabilidad de obtener el éxito en cada ensayo se mantiene constante e igual a p.
La Distribución Geométrica, X = G(p), cuenta el número de fracasos que ocurren antes de que ocurra
el primer éxito en n repeticiones independientes del experimento, donde p es la probabilidad de obtener
el éxito (como en el modelo Bernoulli).
Es decir, el resultado de tal experimento será A*A*A* ... A*A y, por tanto, la función de masa asociada
a esta distribución se describe así:
𝑃 𝑋 𝑥 𝑃 𝐺 𝑝 𝑥 1 𝑝 𝑝 𝑞 𝑝, x 0,1,2,...
𝑞 𝑞 1 1 𝑞
𝐹 𝑥 𝑃 𝐺 𝑝 𝑥 𝑞𝑝 𝑝. 𝑝 1 𝑞 , q 1
𝑞 1 1 𝑞
La media y la varianza de la variable Geométrica se calculan de la siguiente manera. Así:
𝜇 𝑥 1 𝑝 𝑝 𝑝 𝑥𝑞
Llamando 𝑆 ∑ 𝑥𝑞
𝑆 𝑞 2𝑞 3𝑞 ⋯
𝑞𝑆 𝑞 2𝑞 3𝑞 ⋯
𝑞
𝑆 𝑞𝑆 𝑞 𝑞 𝑞 ⋯
1 𝑞
Luego, 𝑆 , entonces,
𝑞 𝑞
𝜇 𝑝 𝑥𝑞 𝑝
1 𝑞 𝑝
𝐸 𝐺 𝑝 𝑥 𝑝𝑞 𝑝 𝑥 𝑞 𝑝𝑆
Página 9 de 16
VARIABLES ALEATORIAS DISCRETAS
𝑞 2𝑞
𝐸 𝐺 𝑝
𝑝 𝑝
𝑞 2𝑞 𝑞 𝑞 𝑞 𝑞
𝜎 𝐸 𝐺 𝑝 𝐸 𝐺 𝑝 1
𝑝 𝑝 𝑝 𝑝 𝑝 𝑝
EJEMPLO: ¿Cuál es la probabilidad de que, al lanzar varias veces un dado, salga el seis la séptima vez?
X: “Nº de fracasos (valor del dado distinto de seis) antes de obtener el éxito (el seis)”
5 1
𝑃 𝑋 6 𝑃 𝐺 1/6 6 0,0558
6 6
Siguiendo con la misma terminología para fenómenos aleatorios dicotómicos de éxito-fracaso donde
la probabilidad de éxito es p, la Distribución Binomial Negativa, BN(p,k), cuenta el número de
fracasos que ocurren antes de que ocurra el k-ésimo éxito y por tanto permite calcular la probabilidad
de que se produzcan, tras varias repeticiones independientes del experimento, x fracasos antes del k-
ésimo éxito.
Para el cálculo de su función de masa se puede razonar de la siguiente manera: si se desea calcular la
probabilidad de que tras (k+x) repeticiones del experimento el último suceso haya sido el k-ésimo
éxito, antes han debido ocurrir x fracasos y k-1 éxitos. Así, uno de los posibles resultados es
𝐴𝐴. . . . . 𝐴𝐴∗ 𝐴∗ . . . . . . 𝐴∗ 𝐴, cuya probabilidad es 𝑝𝑝. . . . . . . 𝑝𝑞𝑞. . . . . . 𝑞𝑝 𝑝 𝑞 . Teniendo
en cuenta las distintas maneras en las que pueden observarse x fracasos y k-1 éxitos, la probabilidad
de que en el experimento hayan sucedido x fracasos antes del k-ésimo éxito es:
, 𝑘 𝑥 1
𝑃 , 𝑥 𝑃 𝐵𝑁 𝑝, 𝑘 𝑥 𝑃𝑅 ⋅𝑝 ⋅𝑞 𝑝 𝑞 ,
𝑘 1
𝑥 0,1,2, . . . 𝑘 1,2, . . ..
𝑘 𝑖 1 !
𝐹 , 𝑥 𝑃 𝐵𝑁 𝑝, 𝑘 𝑖 𝑞𝑝
𝑖! 𝑘 1 !
Existe también relación entre la distribución binomial negativa y la distribución geométrica: puede
demostrarse que, si X es una variable aleatoria binomial negativa de parámetro p, entonces:
Página 10 de 16
VARIABLES ALEATORIAS DISCRETAS
𝑋 𝑌
donde Y es una distribución geométrica de parámetro p (ya que cada variable geométrica estaría
contando el número de fracasos que ocurren hasta que ocurra un éxito). Luego, la media y la varianza
de la distribución pueden determinarse utilizando las propiedades de media y varianza a partir del
sumatorio anterior (más sencillo de calcular), o como habitualmente a partir de la función de masa
dada:
∞
𝑘 𝑥 1 𝑞
𝜇 𝑥 𝑝 𝑞 𝑘⋅
𝑘 1 𝑝
∞
𝑘 𝑥 1 𝑞
𝜎 𝑥 𝑝 𝑞 𝜇 𝑘⋅
𝑘 1 𝑝
EJEMPLO: ¿Cuál es la probabilidad de que al lanzar un dado siete veces, el séptimo lanzamiento salga
el seis por tercera vez?
X: “Nº de fracasos (valores distintos de seis) antes del tercer éxito (el seis)”: BN(p=1/6, k=3)
4 3 1
𝑃 𝐵𝑁 1/6, 3 4 5/6 1/6 0,0335
3 1
PROBLEMAS
9. Para ganar un oso de peluche en una feria tenemos que acertar 3 dianas. Si la probabilidad de
acertar de un individuo cada vez que tira es de 0,6 ¿cuál es la probabilidad de obtener el premio
en el 5º intento? Y si cada jugada (tiro) vale 50 céntimos, ¿cuánto esperamos gastarnos hasta
obtener el premio? ¿cuál es la varianza de este gasto? (Sol. 0,20736; 2,5€; 0,83€2)
11. Un departamento de control de calidad inspecciona las unidades terminadas que provienen de
dos líneas de ensamble. La proporción de unidades defectuosas de la línea 1 es del 6% mientras
que la de la línea 2 es de un 4%. ¿Cuál es la probabilidad de que se esté inspeccionando las
piezas de la línea 1 si tras 20 unidades inspeccionadas acaba de aparecer la segunda defectuosa?
(Sol. 0,6012)
Página 11 de 16
VARIABLES ALEATORIAS DISCRETAS
12. Un tirador tiene que pasar una prueba para ser reconocido como “tirador de élite”. La prueba
consiste en tirar una ronda de 6 disparos a una diana y gana la ronda si da en el centro al menos
5 de las 6 veces que tira. Se reconocerá a un tirador como “tirador de élite” si es capaz de repetir
esta hazaña 3 veces seguidas. Si la probabilidad de un tirador de hacer diana es de 0,8, ¿cuál es
la probabilidad que tiene de ganar una ronda? ¿y de que necesite como mucho 6 rondas para
conseguir ser nombrado “tirador de élite”? (Sol. 0,6554; 0,5750)
Página 12 de 16
VARIABLES ALEATORIAS DISCRETAS
Existen sucesos que no ocurren como resultado de un número de pruebas de un experimento (como
pueden ser todos los anteriormente expuestos), sino que ocurren aleatoriamente y de forma
independiente en el tiempo o en el espacio. Algunos ejemplos claros de estos fenómenos son el número
de personas que llegan a la parada de un autobús en un cierto periodo de tiempo, el número de
accidentes que ocurren en un día, el número de fallos que se encuentran en metros de tela producidos,
etc. La distribución de Poisson permite estudiar estos fenómenos.
Teóricamente una variable aleatoria Poisson puede tomar cualquier valor natural, aunque la
probabilidad de que esta variable tome valores muy altos decrece muy rápidamente y, en muy pocos
valores se acumula la mayoría de la probabilidad. Como consecuencia de esta propiedad la
probabilidad de que esta variable tome un valor relativamente alto es despreciable y esto indica que es
muy poco probable que el número de sucesos que puedan ocurrir en un periodo de tiempo o de espacio
sea muy grande. Por eso a esta distribución se le conoce también como la distribución de los “sucesos
raros”.
Es por todo esto que se dice que para que un fenómeno aleatorio siga un modelo Poisson tiene cumplir
las siguientes tres características:
1. Los sucesos deben ocurrir de manera independiente por unidad de tiempo o espacio.
2. También debe ser independiente el número de sucesos que ocurren respecto de la unidad de
tiempo o espacio que está siendo evaluada.
3. Debe de ser despreciable la probabilidad de que ocurran un número alto de sucesos en una
unidad de tiempo o espacio pequeña.
Fijarse que, con estas características, sería cuestionable, por ejemplo, que el número de llamadas que
llegan a la hora a una centralita de emergencias tras un incidente grave sea modelizado por una variable
Poisson.
Por otro lado, la distribución Poisson aparece, habitualmente, en el estudio de la Teoría de Colas, teoría
que estudia y modeliza algunas situaciones en las que se producen llegadas a un punto de servicio y
van formando cola cumpliendo estas características:
e x
P ( X P( ) x) p x , x = 0,1,... N 0
x!
Página 13 de 16
VARIABLES ALEATORIAS DISCRETAS
La función de distribución de esta variable discreta es una función escalonada con escalones en los
números naturales N de altura px. A medida que x aumenta, px va tendiendo a cero:
x
e i
FP ( ) ( x) P( P() x)
i 0 i!
𝜎 𝐸 𝑃 𝜆 𝐸 𝑃 𝜆 𝜆 𝜆 𝜆 𝜆
La distribución Poisson se caracteriza, por tanto, por tener el mismo valor numérico para la media que
para la varianza, ambos vale .
Basta comprobar que, en el límite, la distribución de una variable Binomial coincide con la distribución
de una variable Poisson. Esto puede hacerse a través de cualquiera de las formas en que una variable
queda representada, en concreto, puede hacerse a través de la función característica comprobando que
lim 𝑃𝐵 𝑛,𝑝 𝑃𝑃
x
Dado que lim(1 ) n e x , se puede observar que:
n n
Página 14 de 16
VARIABLES ALEATORIAS DISCRETAS
𝜆
lim 𝑃𝐵 𝑛,𝑝 𝑒 𝑃𝑃
𝑥!
Como referencia, cuando p<0,1 y =np<5 las probabilidades binomiales calculadas a través de su
aproximación de Poisson, no constituyen un error muy relevante. Luego, esto es lo que es lo que se
toma por convenio, lo cual significa a efectos prácticos que podríamos utilizar la función de masa de
una variable Poisson para resolver probabilidades de una variable Binomial utilizando =np (los
cálculos con Poisson resultan más rápidos)
La distribución Poisson P() es reproductiva respecto del parámetro , es decir, la suma de m variables
aleatorias Poisson independientes de parámetros i, es otra variable aleatoria Poisson de parámetro
la suma de las i:
Sean 𝑋 , . . . , 𝑋 /X 𝑃 𝜆 i 1,...,m ⇒ 𝑋 𝑃 𝜆 𝑃 𝜆
i 1 i 1
EJEMPLO 2: Una fábrica produce un cierto tipo de fusibles mediante un proceso automático. Se conoce
por experiencias pasadas que un 3% de los fusibles son defectuosos. Si un electricista compra 100
fusibles en dicha fábrica, determinar la probabilidad de que el electricista tenga exactamente dos
fusibles defectuosos.
n= 100 repeticiones del experimento (mirar por cada fusible si es defectuoso o no)
p=0.03 (probabilidad de un “éxito”, de que un fusible sea defectuoso)
Por tanto,
Página 15 de 16
VARIABLES ALEATORIAS DISCRETAS
100 3
𝑃 𝐵 100 ; 0 , 03 2 0,03 1 0,03 ≅𝑃 𝑃 𝜆 3 2 𝑒
2 2!
donde 𝜆 np 100 ⋅ 0,03 3 5 y p 0,03 0,1
PROBLEMAS
14. Los trabajos que realiza un ordenador se ejecutan en orden de llegada con una tasa de ejecución
de 2 trabajos por microsegundo. ¿Cuál es la probabilidad de que en 10 microsegundos
inspeccionados al azar del tiempo de ejecución del ordenador en al menos la mitad de ellos se
hayan ejecutado 2 trabajos? ¿Y de que en menos de 3 se haya ejecutado como mucho 2? (Sol.
0,1037; 0,0027)
16. El número medio de coches que entran por un túnel es de 1 coche cada 2 minutos. Si un número
excesivo de coches entrara en el túnel en un corto espacio de tiempo, se produciría una situación
peligrosa. Si se observa el túnel durante 10 intervalos de tiempo distintos de 2 minutos, ¿cuál
es la probabilidad de que al menos durante uno de esos intervalos haya entrado más de 3
coches? (Sol. 0,17455)
Página 16 de 16