Apuntes de Estadística Inferencial

Para Administración y Dirección de Empresas

(2018-I)
1° Semana: Distribuciones discretas

Elaborado por: Manuel Francisco Hurtado Sánchez, Lic. Estad. MsC.

Profesor adscrito al Dpto. de Ingeniería - USAT
Director de Información Estadística USAT

Chiclayo, Febrero del 2018

 2

INDICE
Contenido Página
I UNIDAD
1 Variables aleatorias 3
2 Distribución Binomial 10
3 Distribución Geométrica 19
4 Distribución Hipergeométrica 21
5 Distribución de Poisson 28
6 Aproximación de la distribución de Poisson a la Binomial 35
Ejercicios propuestos 1 39

2
 3

Introducción a la Estadística Inferencial

La inferencia estadística o Estadística Inferencial es una parte de la Estadística que

comprende los métodos y procedimientos para deducir propiedades (hacer
inferencias) de una población, a partir de una pequeña parte de la misma (muestra).
También permite comparar muestras de diferentes poblaciones.

Esta asignatura comprende la teoría de estimación tanto puntual como por intervalos
de confianza, las pruebas de hipótesis paramétricas para la media y proporciones,
también comprende algunas pruebas para datos categóricos como la independencia
de criterios o la homogeneidad entre dos o más poblaciones, finalmente se incluye las
técnicas de pronósticos a través de la Regresión lineal simple y múltiple.

Para comprender la estadística inferencial se requiere conocer por lo menos el

concepto de variables aleatorias y sus distribuciones de probabilidad, motivo por el
cual comenzaremos estudiando algunas distribuciones especiales de probabilidad.

I. UNIDAD: DISTRIBUCIONES DE PROBABILIDAD

1. Variables Aleatorias.
1.1. Definición: Sea  un experimento aleatorio y  el espacio muestral asociado
con el experimento. Una función X que asigna a cada uno de los elementos
s   , un número real X (s) se llama Variable aleatoria.

Ejemplo. Sea el experimento aleatorio  = Lanzar tres monedas legales sobre una
superficie regular, entonces el espacio muestral debe ser
  ccc, ccs , csc, scc, css, scs, ssc, sss, considere también que la variable aleatoria X =
Número de caras al lanzar tres monedas legales sobre una superficie regular, entonces el
Rango o conjunto de valores que podría tomar esta variable será: RX  0,1,2,3

3
 4

La función de Probabilidad, que para el caso de variables discretas, toman el

nombre de función de cuantía, puede ser por extensión o por compresión a través
de una función, así

Por extensión:

Por Compresión:

3
𝑃(𝑥) = ( ) × (0.5)3 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 = {0, 1, 2, 3}
𝑥

1.2. Función de Probabilidades

Llamaremos a p(x) función de probabilidades o función de cuantía por tratarse de

una variable discreta, siempre que cumpla con las dos condiciones siguientes:

i) p( xi )  0 , i  1,2,3,4,....
ii)  p( xi )  1

Como ejemplo consideremos el experimento aleatorio de lanzar cuatro monedas

legales sobre una superficie regular, y definamos la variable X = Número de caras
al lanzar cuatro monedas legales sobre una superficie regular, por lo tanto X debe
tomar los valores 0, 1, 2, 3, 4. Para determinar la función de cuantía f (x) debemos
observar que el número de formas en que pueden caer las cuatro monedas es

4
 5

#   número de posibilida des   24  16

número de repeticiones

Donde:

Número de posibilidades = Número de caras de una moneda = 2

Número de repeticiones = Número de monedas lanzadas o en forma equivalente

número de veces que se lanza una misma moneda.

4
El número de formas en que pueden aparecer x caras es   ; por lo tanto:
x  

4
 
p( x)   4 ;
x
x  0,1,2,3,4
2

Se puede verificar que:

4
 
p( x)   4  0
x
i)
2
 4
 
 x  1
4 4
ii) 
x 0
p( x)  
x 0 24

4
 
Por lo que concluimos que p ( x)   4 es una función de cuantía.
x
2

A menudo, la distribución de probabilidades de X se suele representar por el

rango y su función de cuantía, es decir que, la distribución de la variable X de
nuestro ejemplo se puede representar así:

5
 6

Podemos calcular los valores de la función de cuantía para cada uno de los
valores de X:

 4
 
 4   4 4!
 1 entonces p(0)   4   0.0625
0 1
Para x  0 :      
 x   0  0!4! 2 16

 4
 
1  4
 4   4 4!
Para x  1 :        4 entonces p(0)   4   0.25
 x  1  1!3! 2 16

 4
 
 4  4 4!
 6 entonces p(2)   4   0.375
2 6
Para x  2 :      
 2   2  2!2! 2 16

 4
 
 4   4 4!
 4 entonces p(3)   4   0.25
3 4
Para x  3 :      
 x   3  3!1! 2 16

 4
 
 4   4 4!
 1 entonces p(4)   4   0.0625
4 1
Para x  4 :      
 x   4  4!0! 2 16

6
 7

Si lo escribimos en una tabla, debemos tener:

Número de caras Probabilidad

X P(X)
0 0.0625
1 0.2500
2 0.3750
3 0.2500
4 0.0625
Total 1

Y al graficarlo tenemos:

Conviene resaltar que p(x) da las frecuencias relativas con que se presenta cada
uno de los valores de x . Así, si suponemos que las cuatro monedas se lanzan un
gran número de veces, debemos esperar que no aparezcan caras ( x  0 ) en 1 16
aproximadamente de las tiradas; esperamos que aparezca una cara ( x  1 ) en la
cuarta parte aproximadamente de las tiradas, y así sucesivamente. Decimos
aproximadamente porque ya estamos familiarizados con las fluctuaciones que
acompañan los sucesos aleatorios.

Los resultados de un experimento real de lanzamientos de 4 monedas pueden verse

en la siguiente tabla. Se lanzaron 4 monedas 160 veces, contando el número de
caras aparecidas en cada prueba.

7
 8

Resultado del lanzamiento de 4 monedas 160 veces

Número de Probabilidad Ocurrencias Ocurrencias
caras X P(X) efectivas esperadas
0 0.0625 6 10
1 0.2500 41 40
2 0.3750 56 60
3 0.2500 45 40
4 0.0625 12 10
Total 1 160 160

Conocida la función de cuantía de una variable aleatoria x , podemos dar

respuesta a cualquier cuestión probabilística relativa a x . Así por ejemplo, para la
variable X = Número de caras al lanzar de las 4 monedas, la probabilidad de
obtener 2 caras es:

 4
 
P( x  2)  p(2)   4 
2 6
 0.375
2 16

La probabilidad de que el número de caras sea inferior a 3 es

 4  4  4
     
p( x)  p(0)  p(1)  p(2)   4   4   4    
2
0 1 2 1 4 6 11
P( x  3)    0.6875
x 0 2 2 2 16 16 16 16

La probabilidad de que el número de caras esté entre 1 y 3, ambos inclusive es,

 4  4  4
     
p( x)  p(1)  p(2)  p(3)   4   4   4    
3
1 2 3 4 6 4 14
P(1  x  3)    0.875
x1 2 2 2 16 16 16 16

Supongamos que deseamos calcular la probabilidad condicional de que un

número de caras sea menor que tres cuando se sabe que dicho número es menor
que cuatro. Sea A el suceso “aparecen menos de tres caras”, es decir,

A  x : x  0,1,2

Sea B el suceso “aparecen menos de cuatro caras”; esto es,

B  x : x  0,1,2,3

Deseamos calcula P(A/B). Por definición de probabilidad condicional,

P( A  B)
P( A / B) 
P( B)

8
 9

Ahora bien:
A  B  x : x  0,1,2
Luego

2
4
  x 
   11
2
P( A  B)   p ( x)  x 0

x 0 24 16
También

3
4
  x 
   15
3
P( B)   p( x)  x 0

x 0 24 16

De donde:

11 / 16 11
P( A / B)  P( x  3 / x  4)  
15 / 16 15

La interpretación frecuencial es la siguiente: Supongamos que cuatro monedas

ideales se lanzan un gran número de veces y se registra el número de caras de
cada tirada solamente en los casos en que aparecen menos de cuatro caras. La
fracción de estos casos (donde aparecen menos de cuatro caras) en que
aparecen menos de tres caras será aproximadamente 11/15.

1.3. Valor esperado: 𝑬(𝑿) = 𝝁

El valor esperado de una variable aleatoria se define como un número real al cual
tienden los valores de la variable en el largo plazo; también se suele entender como
el centro de masa de su distribución de probabilidades y matemáticamente el valor
esperado se define como la suma de los productos de cada uno de los valores de
la variable por sus correspondientes probabilidades, así:
𝐸(𝑋) = 𝜇 = ∑𝑚
𝑖=1 𝑥𝑖 . 𝑝(𝑥𝑖 ),

Donde m = número de valores diferentes de la variable

1.4. Varianza: 𝑽(𝒙) = 𝝈𝟐
Es un índice de variabilidad de la variable respecto a su valor esperado, expresado
en unidades cuadráticas. Matemáticamente la varianza viene a ser el valor
esperado de las desviaciones cuadráticas de la variable, respecto a su valor
esperado.

𝑉(𝑥) = 𝜎 = 𝐸(𝑥 − 𝜇) = ∑(𝑥𝑖 − 𝜇)2 . 𝑝(𝑥)

2 2

𝑖=1

9
 10

Para el ejemplo de la variable X = N° de caras al lanzar tres monedas legales, el

valor esperado y la varianza será:

2. La distribución Binomial:
Sea  un experimento aleatorio de Bernoulli, es decir que tiene las siguientes
características:

i. Solo admite dos resultados posibles, el suceso E = Éxito y el suceso F = Fracaso

ii. Ambos resultados o sucesos son independientes
iii. La probabilidad de obtener un éxito P(E) = p se mantiene constante en cualquier
ejecución del experimento aleatorio, donde 0≤ p ≤ 1

Definimos la variable de Bernoulli x como

1 : Éxito (E)
xi 
0 : Fracaso (F)

Y su función de cuantía será:

p si xi  1 para todo 0≤ p ≤ 1
P( xi ) 
q si xi  0 para todo q=1–p y p+q=1

Con lo cual es fácil notar que el valor esperado de esta variable es E ( xi )  p y su

varianza V ( xi )  pq

Si el experimento  se puede repetir n–veces, (n ≥ 2) y definimos la variable

aleatoria:

10
 11

n
X  x1  x2  ...  xn   xi , Es decir que:
i 1

X = Número de éxitos en las n-repeticiones del experimento de Bernoulli  .

Esta variable así definida es discreta y se llama variable aleatoria Binomial, la cual
sigue la ley de probabilidades Binomial, caracterizada por:

Rango de la variable X: RX  0, 1, 2, 3, .... , n

X ~ Para todo: 0  p 1
n
Función de cuantía: P( X  x)  p( x)    p x q n x y q 1  p
 x

Esta distribución se suele denotar como: X ~ B(n, p) donde n y p son conocidos

como los parámetros de la distribución binomial y vienen a ser, n = número de veces
que repite el experimento de Bernoulli  y p es la probabilidad de éxito en cada
repetición dicho experimento, la cual es constante.

Valor esperado: 𝐸(𝑋) = 𝑛𝑝

La varianza: 𝑉(𝑋) = 𝑛𝑝𝑞, 𝑑𝑜𝑛𝑑𝑒 𝑞 = 1 − 𝑝

La forma de la función de cuantía depende del valor de p. Así por ejemplo para una
Binomial con n=10 y tres valores de p=0.2, 0.5 y 0.8, tenemos que la función de
cuantía es

P(X = x) P(X = x) P(X = x)

X B(10, 0.20) B(10, 0.50) B(10, 0.80)
0 0.107374182 0.000976563 1.024E-07
1 0.268435456 0.009765625 0.000004096
2 0.301989888 0.043945313 7.3728E-05
3 0.201326592 0.1171875 0.000786432
4 0.088080384 0.205078125 0.005505024
5 0.026424115 0.24609375 0.026424115
6 0.005505024 0.205078125 0.088080384
7 0.000786432 0.1171875 0.201326592
8 7.3728E-05 0.043945313 0.301989888
9 4.096E-06 0.009765625 0.268435456
10 1.024E-07 0.000976563 0.107374182
Σ 1 1 1
Cuyas gráficas son:

11
 12

Ejemplo. Sea el experimento aleatorio  = Lanzar una moneda legal tres veces sobre una
superficie regular, y deseamos estudiar la variable aleatoria X = Número de caras en dicho
experimento.

El experimento de Bernoulli básico es  = Lanzar una moneda legal, en donde los posibles
resultados son Ω = {C , S}, donde C = cara y S = Sello. En este espacio muestral,
definimos la variable aleatoria de Bernoulli

1 : Cara (Éxito)
xi 
0 : Sello (Fracaso)

Con P(C) = P(X=1) = 0.5 = p y P(S) = P(X=0) = 0.5 = 1 - p

Como el experimento aleatorio  se repite n = 3 veces, entonces el espacio muestral

completo de los 3 lanzamientos de la moneda debe ser:

  ccc, ccs , csc, scc, css, scs, ssc, sss  c, s

3
,

Entonces la variable aleatoria X = Número de caras al lanzar tres monedas legales sobre una
superficie regular se puede expresar como:

12
 13

3
X  x1  x2  x3   xi donde, cada xi puede ser 0 ó 1, por lo que el rango de
i 1

esta variable será: RX  0, 1, 2, 3

La función de cuantía es:

Rango de la variable X: RX  0, 1, 2, 3

X ~
3  3 x
Función de cuantía: P( X  x)  p( x)   0.5  (1  0.5)
x

 x

Esta función de cuantía genera las siguientes probabilidades:

Ejemplo 2:Una Agencia de Turismo, informa que un puente elevadizo en particular

en su ruta, queda levantado bloqueando el tránsito de autos el 20% del tiempo. Ud.
Ha de pasar un auto por dicha ruta una vez al día en los próximos 7 días, y desea

13
 14

predecir el número de los mismos en que el puente estará en la posición elevada,

cuando Ud. se acerque.

a. Esta situación se adapta al modelo Binomial de probabilidades?. Explique por qué.

b. Calcule la probabilidad de que el puente se halle levantado cada vez que Ud. se
acerque.
c. Cuál es la probabilidad de que esté en posición elevada exactamente en tres de sus
siete viajes?
d. Calcule la probabilidad de que esté elevado exactamente una vez.
e. Calcule la probabilidad para todos los valores de la variable y grafíquelo.

f. Determine el valor esperado y desviación estándar del número de días en que encuentra
el puente elevado.
SOLUCIÓN

a). El experimento de Bernoulli básico es  = Transitar en auto una vez al día en la

ruta en la cual existe un puente elevadizo, en donde los posibles resultados son Ω =
{Elevado, Posición normal}. En este espacio muestral, definimos la variable
aleatoria de Bernoulli.

1 : Puente elevado (Éxito=E)

xi 
0 : Puente no elevado (Fracaso=F)

Con P(E) = P(X=1) = 0.2 = p y P(F) = P(X=0) = 0.8 = 1 – p = q

Como el experimento aleatorio  se repite siete veces, el espacio muestral debe

  E, F 
7
ser ,

Entonces la variable aleatoria X = Número de días a la semana que encuentra el auto

encuentra el puente elevado se puede expresar como:

7
X  x1  . . .  x7   xi donde cada xi puede ser 0 ó 1, por lo que el
i 1

rango de esta variable será: R X  0, 1, . . . , 7

Esta variable seguirá una distribución Binomial B(7, 0.2), con función de cuantía:

Rango de la variable X: R X  0, 1, . . . , 7

X ~
7 7 x
Función de cuantía: P( X  x)  p( x)     0.2  0.8
x

 x

7 7 7
b) P( X  7)  p(7)     0.2  0.8  0.000013
7

7

14
 15

7 7 3
c) P( X  3)  p(3)     0.2  0.8  0.114688
3

3 
 7 71
d) P( X  1)  p(1)     0.2  0.8  0.367002
1

1 

e) Esta función de cuantía genera las siguientes probabilidades:

f) E(x) = n.p = 7 x 0.2 = 1.4 veces

DE( x)  npq  7  0.2  0.8  1.12  1.0583

La Distribución Binomial también aparece cuando de un lote o población finita de N

elementos, de los cuales A de estos elementos poseen una cualidad específica en
estudio y el resto (N–A) no lo poseen, se seleccionan n elementos usando un
muestreo con reemplazo, tal que n < A. En este contexto se define la variable
aleatoria X = Número de elementos en la muestra que poseen la cualidad específica en
estudio. Esta variable sigue una Distribución Binomial con parámetros n y p,
donde n es el tamaño de muestra y p es la probabilidad de obtener un elemento

15
 16

que tenga la cualidad en estudio en cualquier extracción de los elementos de la

muestra, usando un muestreo con reemplazo (p = A/N).

Nota: Si el muestreo fuera sin reemplazo pero se tiene la fracción de muestreo

n
f   0 (en la práctica se considera que la fracción de muestreo tiende a
N
n
cero cuando f   0.05 ) entonces se puede considerar que variable
N
aleatoria X = Número de elementos en la muestra que poseen la cualidad específica en
estudio, se distribuye aproximadamente como una Binomial con parámetros n y
p, donde se asume que p permanece aproximadamente constante debido a que
la fracción de muestreo es menor al 5% (f < 0.05).

Ejemplo 3: Un auditor de registros contables sabe por larga experiencia que el 10%
de los registros contables tendrán algún tipo de defecto que requerirá un ligero
reajuste. Suponga que el total de registros que el auditor debe examinar son N=
500, pero por diversas razones decide examinar una muestra de n = 20 registros
contables:

a) ¿Cuál es el número esperado de registros defectuosos en la muestra?

b) ¿Cuál es la probabilidad de que:

i. Ninguno necesite arreglo?

ii. Por lo menos 1 requerirá arreglo?
iii. Más de 2 requerirá arreglo?
iv. Elabore una gráfica de la función de cuantía.

SOLUCIÓN

16
 17

Población N = 500
Muestra sin reemplazo n = 20
Fracción de muestreo f = n/N = 20/500 = 0.04 < 0.05

Probabilidad de obtener un registro defectuoso p = 0.10 (Asumimos constante debido a

que la fracción de muestreo f < 0.05).

Variable aleatoria: X = Número de marcos defectuosos en la muestra

La distribución de la variable X es una B(20, 0.10),

Rango Rx = {0, 1, 2, 3, 4, 5, 6, …., 20}

X ~
 20 
P( X )  p( x)   0.1 .0.9
x 20 x

x 

a) Número esperado de defectuosos en la muestra: E(x) = n.p = 20 x 0.1 = 2

 20 
P( X  0)  p(0)   0.1 .0.9  0.920  0.12157665
0 200
b) i.
0 

ii. P( X  1)  1  P( X  0)  1  0.12157665  0.87842335

iii.
P( X  3)  1  P( X  2)  1  0.67692681  0.32307317
P( X  3)  1  P( X  0)  P( X  1)  P( X  2) 
P( X  3)  1  0.121576655  0.270170344  0.285179807

P( X  3)  1  0.676926805  0.323073195

Distribución B(20, 0.1)

17
 18

18
 19

3. Distribución Geométrica
3.1. Definición. Se denomina experimento geométrico a las repeticiones
independientes de un experimento de Bernoulli hasta obtener el primer éxito,
En cada ensayo de Bernoulli puede ocurrir un éxito (E) con probabilidad p o
un fracaso (F) con probabilidad q=1-p, siendo 0<p<1.
El espacio muestral del experimento geométrico es el conjunto:
Ω = { 𝐸, 𝐹𝐸, 𝐹𝐹𝐸, 𝐹𝐹𝐹𝐸, … , }
Se trata de un conjunto infinito numerable

3.2. Definición. Se denomina variable geométrica a una variable aleatoria X

definida como el número de repeticiones independientes de un ensayo de
Bernoulli hasta que resulte el primer éxito. Los posibles valores de X son: 1,
2, 3, … etc.
Si k es uno de los valores de X, el evento [ X ≤ k ] consiste del suceso
elemental de Ω que contenga los primero k-1 resultados fracasos y el último
o k-ésimo resultado un éxito. La probabilidad de que ocurra el primer éxito en
la k-ésima prueba es igual a 𝑞 𝑘−1 𝑝 , luego:

3.3. Definición. Se dice que una variable geométrica X que se define como el
número de repeticiones independientes de un ensayo de Bernoulli hasta que
ocurra el primer éxito, tiene distribución de probabilidad Geométrica con parámetro
p y se escribe 𝑋~𝐺(𝑝), si su función de probabilidad es:

𝑓(𝑥) = 𝑃[𝑋 = 𝑥] = 𝑞 𝑥−1 𝑝, 𝑥 = 1,2,3, … , 𝑒𝑡𝑐

Para probar que la suma de probabilidades geométricas es igual a 1, se utiliza la

suma infinita:

1
∑∞ 𝑘 2 3
𝑘=0 𝑟 = 1 + 𝑟 + 𝑟 + 𝑟 + ⋯ = , 𝑆𝑖 |𝑟| < 1
1−𝑟

1 1
En efecto, ∑∞
𝑘=1 𝑞
𝑘−1
𝑝 = 𝑝(1 + 𝑞 + 𝑞 2 + 𝑞 3 + ⋯ . ) = 𝑝 (1−𝑞) = 𝑝 (𝑝) = 1

1
Valor esperado: 𝐸(𝑋) = 𝜇 = 𝑝
Prueba
1
Utilizando la identidad: ∑∞
𝑘=1 𝑘𝑞
𝑘−1
= (1−𝑞)2
se obtiene:
∞ ∞
1 1 1
𝐸(𝑋) = ∑ 𝑘𝑞 𝑘−1 𝑝 = 𝑝 ∑ 𝑘𝑞 𝑘−1 = 𝑝 2
=𝑝 2=
(1 − 𝑞) 𝑝 𝑝
𝑘=1 𝑘=1

19
 20

𝑞
Varianza: 𝑉(𝑋) = 𝜎 2 = 𝑝2
Prueba

1+𝑞
Utilizando la identidad: ∑∞ 2 𝑘−1
𝑘=1 𝑘 𝑞 = (1−𝑞)3
, se tiene:
∞
1+𝑞 2−𝑝
𝐸(𝑋 2 ) = 𝑝 ∑ 𝑘 2 𝑞 𝑘−1 = 𝑝 ( ) =
(1 − 𝑞)3 𝑝2
𝑘=1

2 2−𝑝 1 𝑞
Luego: 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋)) = 𝑝2
− 𝑝2 = 𝑝2

Propiedades adicionales de una Distribución Geométrica G(p):

a) 𝑃[𝑋 > 𝑎] = 𝑞 𝑎 , 𝑐𝑜𝑛 𝑎 ∈ 𝑍 + , 𝑞 = 1 − 𝑝

b) 𝑃[𝑘 > 𝑘 + 𝑠 /𝑋 > 𝑘] = 𝑃[𝑋 > 𝑠], 𝑘, 𝑠 ∈ 𝑍 +

Ejemplo. Un vendedor a domicilio hace llamadas telefónicas a clientes

potenciales. La probabilidad de vender en cada llamada es de 0.02.
a. Calcule la probabilidad de que a la sexta llamada sea su primera venta.
b. Calcule el valor esperado del número de llamadas hasta obtener su primera
venta.
c. ¿Qué probabilidad hay de que su primera venta ocurra después de más de 5
llamadas, si ya se hizo tres llamadas sin éxito?

SOLUCIÓN

Sea X el número de llamadas hasta conseguir una venta. Sus posibles valores
son: 1, 2, 3, …, etc. El modelo de probabilidad de X es Geométrica de parámetro
p=0.02, esto es:

𝑃(𝑋 = 𝑘) = (0.02)[0.98]𝑘−1 , 𝑘 = 1,2,3, …

a. Luego la probabilidad de que la sexta llamada sea su primera venta es:

𝑃[𝑋 = 6] = (0.02)(0.98)5 = 0.018

b. El valor esperado del número de llamadas necesario para concretar la

primera venta es.
1
𝐸(𝑋) = = 50
0.02

c. El evento “Sabiendo que ya hizo tres llamadas sin éxito y se quiere conocer
la probabilidad hacer más de cinco llamadas hasta que obtenga un éxito”,
entonces:

20
 21

𝑃[𝑋 > 3 ∧ 𝑋 > 5] 𝑃(𝑋 > 5) 1 − 𝑃(𝑋 ≤ 5)

𝑃(𝑋 > 5⁄𝑋 > 3) = = =
𝑃[𝑋 > 3] 𝑃[𝑋 > 3] 1 − 𝑃(𝑋 ≤ 3)
1 − 0.09608 0.90392
= = = 0.9604
1 − 0.05881 0.94119

Forma abreviada de cálculo:

𝑃(𝑋 ≥ 6) 𝑝𝑞 6−1 + 𝑝𝑞 7−1 + 𝑝𝑞 8−1 + 𝑝𝑞 9−1 + ⋯

𝑃(𝑋 > 5⁄𝑋 > 3) = =
𝑃(𝑋 ≥ 4) 𝑝𝑞 4−1 + 𝑝𝑞 5−1 + 𝑝𝑞 6−1 + ⋯

𝑃(𝑋 ≥ 6) 𝑝[𝑞 5 + 𝑞 6 + 𝑞 7 + 𝑞 8 + ⋯ ]
𝑃(𝑋 > 5⁄𝑋 > 3) = = =
𝑃(𝑋 ≥ 4) 𝑝[𝑞 3 + 𝑞 4 + 𝑞 5 + ⋯ ]

𝑞5 + 𝑞6 + 𝑞7 + 𝑞8 + ⋯ 𝑞 2 (𝑞3 + 𝑞 4 + 𝑞 5 + ⋯ . )
𝑃(𝑋 > 5⁄𝑋 > 3) = =
𝑞3 + 𝑞4 + 𝑞5 + ⋯ 𝑞3 + 𝑞4 + 𝑞5 + ⋯ .
= 𝑞 2 = 0.982 = 0.9604

4. La distribución Hipergeométrica:
Sea N una población finita formada por un número pequeño de individuos, objetos
o medidas, de los cuales una parte A de estos elementos tienen una cualidad que
estamos interesados en estudiar. Considere que de esta población se selecciona
una muestra aleatoria sin reemplazamiento tamaño n.

21
 22

Variable aleatoria: X = Número de elementos en la muestra

La distribución de la variable X es una B(20, 0.10),

nA
Valor Esperado: E( X ) 
N

 N  n  nA  A
Varianza: V (X )    1  
 N  1  N  N 

Desviación estándar: DE X   V  X 

Ejemplo1. Para evitar que lo descubran en la aduana, un viajero ha colocado 6

tabletas de narcótico en una botella que contiene 9 píldoras de vitamina que son
similares en apariencia. Si el oficial de la aduana selecciona tres tabletas
aleatoriamente para analizarlas, ¿Cuál es la probabilidad de que el viajero sea
arrestado por posición de narcóticos?. Cuál será el número esperado y desviación
estándar del número de tabletas de narcóticos en la muestra?. Calcule la
probabilidad para todos los valores de la variable número de tableas de narcótico
en la muestra y grafíquela.

SOLUCIÓN

22
 23

N=9
A=6
n=3
X = Número de tabletas que contiene narcóticos

El rango de X será:

Máx {X} = Mín {n, A } = Mín {3, 6} = 3

Mín {X} = Máx { 0, (n-(N-A)) } = Máx { 0, (3-(9-6) } = Máx {0, 0 } = 0

La distribución de X es:

RX: {0, 1, 2, 3}
X ~
 6  3 
  
 x  3  x 
P( X  x )  p( x ) 
9
 
3

Se pregunta por: P(viajero arrestado) = P(X ≥ 1) = ?

P(X ≥ 1) = 1 - P(X = 0)

 6  9  6 
  
 0  3  0 
P( X  1)  1   1  0.011905  0.988095
 9
 
 3

nA 3  6 18
E( X )    2
N 9 9

 9  3  3  6  6 
DE  X   V  X     1    0.5  0.7071
 9  1  9  9 

23
 24

Ejemplo1.a. Repita el ejemplo anterior, pero esta suponga que el oficial de la

Aduana selecciona una muestra de cinco tabletas.

SOLUCIÓN
N = 9, A = 6, n=5 y X = Número de tabletas que contiene narcóticos

El rango de X será:
Máx {X} = Mín {n, A } = Mín {5, 6} = 5
Mín {X} = Máx { 0, (n-(N-A)) } = Máx { 0, (5-(9-6) } = Máx {0, 2 } = 2

La distribución de X es:

RX: {2, 3, 4, 5}
X ~
 6  3 
  
 x  5  x 
P( X  x )  p( x ) 
 9
 
5

Se pregunta por: P(viajero arrestado) = P(X ≥ 1) = ?

P(X ≥ 1) = P(Rx) = P(2) + P(3) + P(4) + P(5)

 6  9  6 
  
 2  5  2 
P ( X  2)   0.11905
9
 
5

 6  9  6 
  
 3  5  3 
P( X  3)   0.47619
 9
 
5

24
 25

 6  9  6 
  
 4  5  4 
P ( X  4)   0.35714
9
 
5

 6  9  6 
  
 5  5  5 
P( X  5)   0.04762
 9
 
5

X = N° de Tabletas de narcóticos en la muestra

X P(x) P(X ≤ x ) X. P(x) (X - µ) (X - µ)^2.P(x)
2 0.11905 0.11905 0.23810 -1.3333 0.21164
3 0.47619 0.59524 1.42857 -0.3333 0.05291
4 0.35714 0.95238 1.42857 0.6667 0.15873
5 0.04762 1.00000 0.23810 1.6667 0.13228
Suma 1.00000 3.33333 0.55556
E(X) = µ V(X) = σ²

nA 5  6 30
E( X )     3.3333
N 9 9

 9  5  5  6  6 
DE  X   V  X     1    0.55556  0.74536
 9  1  9  9 
Ejemplo 2. Considere que una caja que contiene 15 artículos, 10 de los cuales son
aceptables. Se selecciona una muestra de 4.

a) ¿Cuál es la probabilidad de que exactamente 3 sean aceptables?

b) ¿Cuál es la probabilidad de que los 4 sean aceptables?
c) ¿Cuál es la probabilidad de al menos uno sea aceptable?

SOLUCIÓN

25
 26

N = 15, A = 10, n=4 X = Número de artículos aceptables en la muestra

La distribución de X es:

a) Se pregunta por: P(X = 3) = ?

10 15  10 
  
 3  4  3 
P( X  3)   0.4396
15 
 
4 

b) Se pregunta por: P(X = 4) = ?

10 15  10 
  
 4  4  4 
P( X  4)   0.1538
15 
 
4 

c) Se pregunta por: P(X ≥ 1) = ?

P(X ≥ 1) = 1- P(X = 0)

10 15  10 
  
 0  4  0 
P( X  1)  1  P( X  0)  1   1  0.0037  0.9963
15 
 
4 

Ejemplo 3. En un anaquel de un supermercado hay 15 productos. Suponga que 6

de los 15 productos tienen fecha de vencimiento pasada. Si seleccionamos cinco
productos al azar para examinar su fecha de vencimiento. ¿Cuál es la probabilidad
de que dos de los productos examinados tengan fecha de vencimiento pasada?.

SOLUCIÓN

26
 27

N = 15
A=6
n=5
X = Número de productos con fecha de vencimiento pasada.

La distribución de X es:

Se pregunta por P(X = 2 ) = ?

 6 15  6   6  9 
     
 2  5  2   2  3 
P( X  2)  p(2)    0.41958
15  15 
   
5  5 

Ejemplo 4. En un anaquel de un supermercado hay 15 productos. Suponga que 10

de los 15 productos tienen fecha de vencimiento pasada. Si seleccionamos 8
productos al azar para examinar su fecha de vencimiento. Identifique la distribución
de probabilidades y calcule la probabilidad de que 4 de los productos examinados
tengan fecha de vencimiento pasada, además obtenga las probabilidades para cada
uno de los valores de la variable y grafíquelo.

SOLUCIÓN

N = 15
A = 10
n=8
X = Número de productos con fecha de vencimiento pasada.

La distribución de X es una hipergeométrica con parámetros N=15, A=10 y n=8,

con rango dado por:
Xmin = Máx{0, n-(N-A)} = Máx {0, 8-(15-10)} =Máx{0,3} = 3
XMáx = Mín {n, A} = Mín {8, 10} = 8
La Distribución de Probabilidades quedará del siguiente modo

27
 28

Se pregunta por P(X = 4 ) = ?

10 15  10  10  5 

     
 4  8  4   4  4   0.1632
P ( X  4)  p ( 4)  
15  15 
   
8  8 

Encontramos las probabilidades para cada uno de los valores de la variable, y lo graficamos

5. Distribución de Poisson:
Sea una variable aleatoria X = Número de ocurrencias por unidad de medición (minuto, hora,
centímetro, metro cuadrado, etc,) de la cual se conoce la tasa media de ocurrencias por unidad
denotada por λ, la cual se mantiene constante durante el período de estudio. Esta
variable sigue una distribución de Poisson, la cual debe su nombre a su creador, el
Matemático Francés Simenon Poisson (1781–1840). La distribución de Poisson tiene
como parámetro a la tasa media de ocurrencias λ, y mide la probabilidad de un evento
aleatorio sobre algún intervalo de tiempo o espacio.

 La distribución de Poisson tiene los siguientes supuestos para su aplicación:

 La probabilidad de ocurrencia del evento es constante para dos intervalos
cualesquiera de tiempo o espacio.
 La ocurrencia del evento en un intervalo es independiente de la ocurrencia de
otro intervalo cualquiera.

28
 29

Dados estos supuestos, la distribución puede expresarse como:

Rango: Rx = {0, 1, 2, 3, 4, …. }
X ~
e  x
Función de cuantía P( X  x)  p( x) 
x!
X : Número de veces que ocurre el evento
: Número promedio de ocurrencias por unidad de tiempo o de espacio (o tasa
promedio de ocurrencias por unidad de tiempo o de espacio)

e  2.71828 Base del logaritmo natural

Valor esperado: E[x] = λ

Varianza : V[x] = λ

La forma de esta distribución va cambiando con el valor de su parámetro λ

X P(X: λ =0.8) P(X: λ=2.5) P(X: λ=5) P(X: λ=10)

0 0.44933 0.082084999 0.006737947 4.53999E-05
1 0.35946 0.205212497 0.033689735 0.000453999
2 0.14379 0.256515621 0.084224337 0.002269996
3 0.03834 0.213763017 0.140373896 0.007566655
4 0.00767 0.133601886 0.17546737 0.018916637
5 0.00123 0.066800943 0.17546737 0.037833275
6 0.00016 0.027833726 0.146222808 0.063055458
7 0.00002 0.009940617 0.104444863 0.090079226
8 0.003106443 0.065278039 0.112599032
9 0.000862901 0.036265577 0.125110036
10 0.000215725 0.018132789 0.125110036
11 4.90285E-05 0.008242177 0.113736396
12 0.00343424 0.09478033
13 0.001320862 0.072907946
14 0.000471736 0.052077104
15 0.000157245 0.03471807
16 4.91392E-05 0.021698794
17 0.012763996
18 0.007091109
19 0.003732163
20 0.001866081
21 0.00088861
22 0.000403914
23 0.000175615
24 7.31728E-05

29
 30

La distribución de probabilidades Poisson a menudo proporciona un buen modelo

de la distribución de probabilidad para el número “X” de eventos poco comunes que
se presentan en el espacio, tiempo, volumen o cualquier otra dimensión, donde λ
es el valor promedio de “X”. Así tenemos que, esta distribución proporciona un
buen modelo de la distribución de probabilidad del número X de accidentes
automovilísticos, industriales u otra clase de accidentes que ocurren en cierta
unidad de tiempo. El número de llamadas telefónicas que atiende un conmutador
en un intervalo, el número de partículas radioactivas que se desintegran en cierto
período, el número de errores que una mecanógrafa comete en una cartilla, el
número de vehículos que doblan en un sentido específico en una bifurcación de la
vía rápida en un intervalo de 10 minutos, son otros ejemplos de variables aleatorias
con una distribución aproximada a la de Poisson.

Ejemplo 1: Supongamos que estamos interesados en la probabilidad de que

exactamente 5 clientes lleguen durante la siguiente hora (o en cualquier hora dada)
laboral. La observación simple de las últimas 80 horas ha demostrado que 800
clientes han entrado al negocio. Por lo tanto λ = 10 clientes por hora.

SOLUCIÓN

X = Número de clientes por hora que ingresan al negocio.

E[X] = λ = 10 clientes por hora

La distribución puede expresarse como:

Rango: Rx = {0, 1, 2, 3, 4, 5, 6, …. }
X ~
e1010 x
Función de cuantía P( X  x)  p( x) 
x!

30
 31

e10105
P( X  5)  p(5)   0.0378
5!

Otros cálculos
5
e 10105
P( X  5)    0.067085
x 0 5!

P X  5  1  P( X  5)  1  0.067085  0.93915

31
 32

P7  X  14  P( X  14)  P X  6  0.91654  0.13014  0.78640

Ejemplo 2. Una compañía de pavimentación local obtuvo un contrato con el

municipio para hacer mantenimiento a las vías del centro de la ciudad. Las vías
recientemente pavimentadas por esta compañía demostraron un promedio de dos
defectos por Km., después de haber sido utilizadas durante un año. Si el municipio
sigue con esta compañía de pavimentación, ¿cuál es la probabilidad de que se
presenten tres defectos en cualquier kilómetro de vía después de haber tenido
tráfico un año?.

SOLUCIÓN

X = Número de defectos por kilómetro de vía.

E[X] = λ = 2 defectos por kilómetro
La distribución puede expresarse como:
Rango: Rx = {0, 1, 2, 3, 4, 5, 6, …. }
X ~
e2 2 x
Función de cuantía P( X  x)  p( x) 
x!

e2 23
P( X  3)  p(3)   0.1804
3!

Nota: Si lo que se desea es conocer la probabilidad de que ocurran X eventos en

un intervalo de tiempo “t”, múltiplo del intervalo unitario de referencia de λ, entonces
la función de cuantía se modifica en su parámetro por λt, quedando de la siguiente
manera.

X = Número de eventos por un intervalo de tiempo “t”, con E[X] = λt

La distribución puede expresarse como:

Rango: Rx = {0, 1, 2, 3, 4, 5, 6, …. }

32
 33

X ~
e t (t ) x
Función de cuantía P( X  x)  p( x) 
x!

Ejemplo 3. Suponga que en el ejemplo anterior sobre los defectos de

pavimentación, deseamos calcular la probabilidad de que se presenten cinco
defectos en un intervalo de tres kilómetros de vía después de haber tenido tráfico
un año.
SOLUCIÓN

X = Número de defectos por cada tres kilómetros de vía.

E[X] = λt = 2x3 =6 defectos por cada tres kilómetros
La distribución puede expresarse como:

Rango: Rx = {0, 1, 2, 3, 4, 5, 6, …. }
X ~
e23  (2  3) x e6 6 x
Función de cuantía P( X  x)  p( x)  
x! x!

e 6 65
P( X  5)  p(5)   0.16062
5!
5.1. Propiedades de la distribución de Poisson:
5.1.1. Si X es una variable con distribución de Poisson con parámetro λ y Y es otra
variable también con distribución de Poisson pero con parámetro µ, entonces
la suma de estas variables generan una nueva variable Z = X + Y con la misma
distribución de Poisson, pero con parámetro dado por (λ + µ).

33
 34

5.2. Sea Z una variable aleatoria con distribución de probabilidades Poisson con
parámetro λ. Sea “p” una probabilidad de que la variable Z adquiera un atributo
particular y “(1-p)” es la probabilidad de que no lo adquiera, entonces se generan
dos variables X y Y con la misma distribución de Poisson cada una de ellas, pero
con parámetros (pλ) y (1-p)λ respectivamente.
Estas dos características son conocidas como la propiedad de reproducción de
la distribución de Poisson.

Ejemplo: El siguiente gráfico se muestra un flujo de tráfico en una zona urbana,

en donde el número de vehículos que pasan por un punto dado en un intervalo de
tiempo unitario sigue una distribución de Poisson con sus correspondientes
parámetros en cada una de los sectores de las vías. Estos parámetros son
deducidos usando la propiedad de reproductividad de la Distribución de Poisson.

6. Aproximación de la distribución de Poisson a la Binomial:

34
 35

Suponga que X es una variable aleatoria Binomial con parámetros n y p, es decir que
X  Bn, p  . Cuando n   y p  0 tal que el producto np se mantiene
constante, el cual lo denotamos por  , es decir que   np ; entonces la distribución

Binomial Bn, p  puede ser suficientemente bien aproximada por la distribución de

Poisson con parámetro   np . en la práctica se considera que n   cuando

n  30 y que p  0 cuando p  0.05 . A continuación se muestra dos ejemplos de

la aproximación Poisson a la Binomial. La única ventaja de usar la distribución de
Poisson en lugar de la Binomial es por facilidad de cómputo.

λ = 50*0.02= 1
X B(50, 0.02) P(λ=1)
0 0.364170 0.367879
1 0.371602 0.367879
2 0.185801 0.183940
3 0.060670 0.061313
4 0.014548 0.015328
5 0.002732 0.003066
6 0.000418 0.000511
7 0.000054 0.000073
8 0.000006 0.000009
9 0.000001 0.000001
10 0.000000 0.000000

λ = 200*0.03= 6
X B(200, 0.03) P(λ=6)
0 0.002261 0.002479
1 0.013987 0.014873
2 0.043043 0.044618

35
 36

3 0.087860 0.089235
4 0.133828 0.133853
5 0.162250 0.160623
6 0.163086 0.160623
7 0.139788 0.137677
8 0.104301 0.103258
9 0.068817 0.068838
10 0.040652 0.041303
11 0.021716 0.022529
12 0.010578 0.011264
13 0.004731 0.005199
14 0.001955 0.002228
15 0.000750 0.000891
16 0.000268 0.000334
17 0.000090 0.000118
18 0.000028 0.000039
19 0.000008 0.000012
20 0.000002 0.000004

Por lo tanto es fácil deducir que para las condiciones especificadas anteriormente
de una distribución Binomial, podría utilizarse la Distribución de Poisson como una
distribución aproximada, con la cual se obtendrán probabilidades suficientemente
próximas a su valor verdadero Binomial.

Ejemplo: Un vendedor de productos electrónicos espera que el 2% de las unidades

vendidas fallen durante el período de garantía. Se hace un seguimiento de 500
unidades independientes para determinar su desempeño durante el tiempo de
garantía.
a) ¿Cuál es la probabilidad de que ninguna de las unidades fallen durante el
período de garantía?

36
 37

b) Cuál es el número esperado de unidades que fallan durante el período de

garantía?
c) ¿Cuál es la probabilidad de que fallen más de dos unidades durante el período
de garantía?

SOLUCIÓN

X = Número de unidades que fallan en periodo de garantía.

n = 500 : Número de unidades en el período de garantía
p = 0.02 : Probabilidad de que una unidad falle en el período de garantía

La distribución verdadera de X ~ B(500, 0.02), Como n   y p  0 ,

Entonces se puede usar la distribución de Poisson como una distribución
aproximada, así: X ~ Poisson con   np  500  0.02  10
Por lo tanto:

e10  (10)0
a) P( X  0)   0.000045
0!
El valor de esta probabilidad con su distribución verdadera es

 500 
P( X  0)   (0.02)0 (0.98)500  0.000041
0 
La ventaja de usar la distribución aproximada es solamente por facilidad de
cómputo.

b) E X     np  500  0.02  10
2
e10  (10) x
c) P( X  2)  1  P X  2  1  
x 0 x!
P( X  2)  1  0.000045  0.000454  0.002270

P( X  2)  1  0.002769  0.997231

37
 38

EJERCICIOS PROPUESTOS 1

1. Se venden 500 boletos de una rifa, que consiste en un premio de $200, 4 premios de
$50,y 10 premios de $5. Si cada boleto cuesta 1 $, y si Ud. Adquiere un boleto,
a. Hallar la función de probabilidad
b. ¿Qué probabilidad hay de ganar algún premio?
Respuesta a) Valores: 199, 49, 4, -1, Probabilidad: 1/500, 4/500, 10/500, 485/500, b) 0.03

2. Una caja contiene 8 focos de luz eléctrica, tres de los cuales son defectuosos. De la
caja se selecciona al azar un foco y se la prueba, repitiéndose la operación hasta que
aparezca un defectuoso. Sea X la variable aleatoria que se define como el número
de extracciones necesarias hasta que aparezca el primer foco defectuoso. Determine
la distribución de probabilidades de X, si las extracciones son sin reposición.
Respuesta a) Valores: 1, 2, 3, 4, 5, 6, Probab.: 21/56, 15/56, 10/56, 6/56, 3/56, 1/56

3. Un vendedor puede visitar en un día uno o dos clientes con probabilidades 2/5 y 3/5
respectivamente. De cada visita en forma, independiente, puede resultar una venta
por $500 con probabilidad 1/6, ó ninguna venta con probabilidad 5/6. Si X son las
ventas diarias, calcular la media y varianza de X.
Respuesta a) X: Montos de ventas diarias. Valores: 0, 500, 1000, Probab.: 45/60, 14/60, 1/60,

4. De un total de personas que se presentan para un puesto de trabajo, el 60% son

varones y el resto mujeres. Aquellos que reúnen todos los requisitos para dicho
puesto son el 40% de varones y el 50% de mujeres. De tres personas que se
presentan
a. Hallar le distribución de probabilidades del número de personas que cubren
el puesto de trabajo.
b. ¿Cuál es la probabilidad de que a menos dos personas consigan el puesto
de trabajo?
Respuesta a) p = 0.44, 𝑃[𝑋 = 𝑘] = 𝐶𝑘3 𝑃 𝑘 𝑞3−𝑘 , 𝑘 = {0,1,2,3}, b) 0.41

5. Un blanco circular de radio 1 se divide en 5 anillos circulares por medio de 5 discos

concéntricos de radios: 1⁄5, 2⁄5, 3⁄5 , 4⁄5 , 1. Un jugador lanza un dardo al blanco.
Si el dardo alcanza el anillo circular comprendido entre los círculos de radios
𝑘⁄5 𝑦 (𝑘 + 1)⁄5, ∀ 𝑘 = {0, 1, 2, 3, 4, 5, }, tiene k puntos y gana 5-k dólares:
Determinar la distribución de probabilidades
a. Del puntaje del jugador
b. De la utilidad del jugador

Respuesta a) Valores de X: 0, 1, 2, 3,4, Probab: 1/25, 3/25, 5/25, 7/25, 9/25 , b)

Valores útil: 5, 4, 3, 2, 1

6. Una tienda comercial tiene dos computadoras en stok el viernes en la mañana. La

tienda puede recibir más computadoras sólo hasta el día lunes. Las probabilidades
de que sean requeridas por los clientes 0, 1, 2, computadoras el día viernes son
respectivamente: 0.5, 0.3, 0.2 y para el día sábado son respectivamente: 0.7, 0.2,
0.1. Si las demandas de los dos días son independiente, determine la distribución de
probabilidad del número de computadoras que quedan al finalizar el día sábado.
Repuesta: Valores: 0, 1, 2, probabilidades: 0.34, 0.31, 0.35.

38
 39

7. En una encuesta sobre corretaje reporta que el 30% de los inversionistas individuales
ha utilizado a un corredor de descuento; esto es, uno que no cobra las comisiones
completas. En una muestra seleccionada al azar de nueve inversionistas, ¿Cuál es
la probabilidad de que:
a. Exactamente dos de los individuos de la muestra hayan empleado a un corredor de
descuento?
b. Exactamente cuatro de ellos hayan utilizado a un corredor de este tipo?.
c. Entre tres y cinco individuos inclusive hayan utilizado a un corredor de este tipo?
d. Más de cinco individuos hayan utilizado un corredor de este tipo?
8. Un estudiante debe obtener por lo menos el 60% de respuestas correctas en un
examen con 18 preguntas diseñadas cada pregunta con dos alternativas de
verdadero o falso. Si el estudiante lanza una moneda para determinar la respuesta a
cada pregunta, ¿Cuál es la probabilidad de que el estudiante pase?
9. El 75% de la mercadería que recibe un comerciante del fabricante A es de calidad
excepcional, mientras que el 80% de la mercadería que recibe del fabricante B es de
calidad excepcional. El 60% de la mercadería lo recibe de A y el resto de B. Si
seleccionan 4 unidades de la mercadería, ¿Cuál es la probabilidad que se encuentren
2 unidades que sean de calidad excepcional?.
Rpta. p=0.77, X~B(4,p), P[X=2]=0.188

10. Un vendedor a domicilio compra diariamente 10 unidades de un producto a $2.00

cada una. Por cada producto gana 13 $ si lo vende o pierde 1 $ además del costo si
no lo vende en el día. Si la probabilidad de venta de cada unidad es de 0.2 y si las
ventas son independientes.
a. Hallar la distribución de probabilidades del número de unidades vendidas.
b. Calcular la utilidad esperada del vendedor
Rpta. a) B(10, 0.2), b) $2

11. Una empresa de electrodomésticos ha creado una nueva lavadora que realiza una
serie de funciones que no hace ninguna otra. Se está planeando una demostración,
pero les preocupa algunos problemas iniciales de producción que han hecho que, en
un 3% de las nuevas lavadoras aparezcan determinados problemas. Entonces, Si se
seleccionan exactamente 40 lavadoras al azar ¿Qué probabilidad tendrían que por
lo menos 2 no funcionen bien?
12. En un proceso de producción, la probabilidad de que se produzca cada artículo que
cumpla con ciertas especificaciones es de 0.99. En determinado momento se plantea
el objetivo de producir 150 artículos que cumplan con las especificaciones; pero al
mismo tiempo se decide detener el proceso de producción, tan luego se produzca el
primer artículo que no cumpla con las especificaciones.
a. ¿Cuál es la probabilidad de lograr el objetivo
b. Si después de producir 100 artículos, aún no se detenido el proceso. ¿Cuál
sería la probabilidad de lograr el objetivo?
Rpta. X= # de artículos producidos hasta que ocurra el primer defectuoso, X~G(0.01), k =
1, 2, etc. a) P[X>150]=(0.99)150, b) P[X>150/X>100]=(0.99)50

13. Una compañía petrolera ha sido designada para perforar pozos en la amazonía
peruana hasta obtener un resultado exitoso. La compañía estima en 0.7 la
probabilidad de no hallar petróleo en cada pozo que perfora
a. Suponga que la compañía petrolera cree que una serie de exploraciones
será rentable si el número de pozos perforados hasta que ocurra el primer
éxito es menor o igual que 5. Calcule la probabilidad de que la exploración

39
 40

no será rentable si ya fueron perforados 3 pozos y en ninguno de ellos se

encontró petróleo.
b. El costo para perforar cada pozo es de $10,000. Si un ensayo no resulta
exitoso, el siguiente ensayo tiene un costo adicional de $5,000, ¿Cuánto es
el costo esperado del proyecto?
c. Si la compañía dispone de un presupuesto de $145,000, ¿Cuál es la
probabilidad de que los trabajos experimentales tengan un costo que
sobrepase el presupuesto de la compañía?
Rpta. X= # de perforaciones hasta obtener éxito, X~G(p), p=0.3, a) P[X>5/X>3]=(0.7)2, b)
C(X)=15,000X-5,000 E[C(X)] = $45,000, c) P[C(X)>45,000]=P[X>10]=(0.7)10 .

14. Como subgerente de una empresa de materias primas Ud. debe contratar a 10
personas entre 30 candidatos, 22 de los cuales tienen título universitario. ¿Cuál es la
probabilidad de que 5 de los que Ud. contrate tengan título universitario?
15. De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se
seleccionan 12 para ser enviados a Japón a estudiar un nuevo proceso de
producción. Ocho de los ejecutivos ya tienen algo de entrenamiento en el proceso.
¿Cuál es la probabilidad de que cinco de los enviados tengan algo de conocimiento
sobre el proceso antes de partir para el lejano oriente?
16. Un determinado producto industrial es embarcado en lotes de 20 unidades. Se
escogen 5 ítems al azar de un lote y se rechaza el lote si se encuentra 2 o más
defectuosos; en caso contrario se acepta el lote. Calcular la probabilidad de aceptar
un lote que tiene tres defectuosos si los ítems se escogen uno por uno:
a. Con reposición
b. Sin reposición
Rpta: a) X~B(5, 0.15), P[X≤1] =0.8352, b) X~H(20, 3, 5), P(X ≤ 1] = 0.8596

17. A un conmutador de la oficina principal de una empresa llegan llamadas a un

promedio de dos por minuto y se sabe que tienen distribución de Poisson. Si el
operador está distraído por un minuto, cuál es la probabilidad que el número de
llamadas no respondidas sea:
a. ¿Cero?,
b. ¿por lo menos una? Y
c. ¿Entre tres y cinco inclusive?
18. Un proceso de fabricación utilizado para hacer artefactos plásticos Incas presentan
una tasa de defectuosos de 5 por cada 100 unidades. Las unidades se envían a los
distribuidores en lotes de 200. Si la probabilidad de que más de tres salgan
defectuosos supera el 0.3, Ud. planea vender en su lugar, camisetas Gratefull Dead.
¿Cuál artículo agregará Ud. al inventario?
19. Usted compra partes para bicicleta de un proveedor en Lima que tiene tres defectos
por cada 100 partes. Ud. está en el mercado para comprar 150 partes pero no
aceptará una probabilidad de más de 0.50 de que más de dos partes sean
defectuosas. ¿Ud. le comprará a dicho proveedor?
20. La cantidad promedio de automóviles que pasan por un túnel es de uno cada
periodo de 2 minutos. El paso de muchos vehículos en un período breve hace que
sea peligroso recorrerlo. Determine la probabilidad de que el número de automóviles
que pasan por allí durante un período de 2 minutos sea superior a tres.

40
 41

REFERENCIAS BIBLIOGRÁFICAS
1. Bautista, Nelly Patricia. (2011). Proceso de la Investigación Cualitativa. Ed. El Manual
Moderno. Bogotá.

2. Box, G., Hunter, W. G., y Hunter, J. S. (1989). Estadística para investigadores. Barcelona:
Reverté.

3. Glass, G.V. y Stanley, J.C. (1980). Métodos estadísticos aplicados a las ciencias sociales.
Barcelona: Editorial Prentice/Hall Internacional.

4. Gutierrez, Hugo A. (2009). Estrategias de Muestreo. Diseño de encuestas y estimación de

parámetros. Ed. Universidad santo Tomás. Bogotá.

5. Hair, Anderson, Tatham y Black. (1999). Análisis Multivariante. Ed. Pearson – Prentice Hall.
España.

6. Hurtado S. Manuel,(2011). Estadística para Ingeniería y Ciencias. Edit. UNPRG – Lambayeque,

Perú

7. Peña, D. (1987). Estadística. Modelos y métodos. 1. Fundamentos. Madrid: Alianza Editorial.

8. Pérez, César (2000): Técnicas de Muestreo Estadístico. Teoría, práctica y aplicaciones

informáticas. Ed. Alfaomega. México.

9. Rodríguez Osuna, J. (1991). Métodos de muestreo. Madrid: Centro de Investigaciones

Sociológicas.

10. Sharon L. Lohr. (2000). Muestreo: Diseño y Análisis. Ed. Thomson. México.

11. Tejedor, F. J. (1988). El soporte estadístico en la investigación educativa. En Dendaluce,

41