Variables Aleatorias

DISTRIBUCIONES DE PROBABILIDAD.
Toda distribución de probabilidad es generada por una variable aleatoria x, la que
puede ser de dos tipos:
1.Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes valores,
aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar valores
enteros y un número finito de ellos.
Ejemplos:
x Variable que nos define el número de burbujas por envase de vidrio que son
generadas en un proceso dado.
x0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
xVariable que nos define el número de productos defectuosos en un lote de 25
productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote
xVariable que nos define el número de alumnos aprobados en el curso de
Estadística Descriptiva en un grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en Estadística Descriptiva.
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre serán enteros, nunca fraccionarios.
VARIABLE ALEATORIA(V.A.).-SE LLAMA V.A. A TODA FUNCIÓN X DE Ω
CUYO DOMINIO ES EL ESPACIO MUESTRAL Y CUYO RECORRIDO O
RANGO ES UN SUBCONJUNTO DE LOS NÚMEROS REALES.
Ω X ІR

.a
x=X(a)

Función que asigna a cada punto del

espacio muestral un número real
X: R
Ejemplo N°1:  = falla , no falla 

X( no falla ) = 0
X( falla ) = 1
 Variables Aleatorias

 falla
A cada s  
le corresponde
Espacio Muestral no falla exactamente
un valor X(s)

X({no falla}) = 0 X({falla}) = 1

Conjunto
IR Números
Reales
- 0 1 +

X: Rx  IR
 Variables Aleatorias

si
 A X(s) = b; s  
sk

X(s) = a
RX

a b

• El espacio RX es el conjunto de TODOS los posible valores de X(s).

• En cierto sentido podemos considerar Rx como otro espacio muestral
• El espacio muestral original  “induce” un espacio muestra Rx asociado a
la Variable Aleatoria X
• Luego un evento A en S induce un evento en el espacio muestral RX
Ejemplo
A continuación se describen algunas variables aleatorias

Experimento Variable aleatoria x Valores posibles

Inspección un lote de 75 Número de CARROS defectuosos
CARROS
100 llamadas de ventas Total de ventas realizadas

Construcción de nueva Porcentaje del proyecto

biblioteca terminado luego de 6 meses.

Funcionamiento de un Número de clientes que

Almacén entran en un día
 Ejemplo
A continuación se describen algunas variables aleatorias
Experimento Variable aleatoria x Valores posibles
Inspección un lote de 75 Número de CARROS defectuosos 0, 1, 2, 3, … , 75
CARROS
100 llamadas de ventas Total de ventas realizadas 0, 1, 2, 3, …,100

Construcción de nueva Porcentaje del proyecto

biblioteca terminado luego de 6 meses. 0≤ 𝑋 ≤ 100

Funcionamiento de un Número de clientes que 0, 1, 2, …

Almacén entran en un día
VARIABLE ALEATORIA: Clasificación

Variables aleatorias discretas Variables aleatorias continuas

Función Cuantía Función de densidad

Función de distribución
PERMUTACION
Cálculo del número de permutaciones para n
objetos tomados de x
n!
Px 
n
donde x  n
(n - x)!
Ejemplo:
Los biólogos están interesados en el orden en
que cuatro ribonucleótidos adenina (A), uracilo
(U), guanina (G) y citosina (C) se combinan
para formar una cadena. ¿Cuántas cadenas
formadas por dos nucleótidos pueden formarse?
Hacer un diagrama de árbol
4! 4 x3x2 x1
P2 
4
  12 para indicar las 12 cadenas
(4 - 2)! 2 x1
COMBINACION
Numero de combinaciones de n objetos
tomadas de x
n!
C n
donde x  n
x !(n - x)!
x
Ejemplo:
Se realiza un estudio para determinar la
opinión de los profesores de la UPAO respecto
al aborto; si se elige una muestra de cuatro
profesores de un total de 45. ¿Cuántas
muestras distintas pueden seleccionarse?
45! 45 x44 x43x42 x41! 45 x44 x43x42
C45
    148,995
4!(45 - 4)!
4
4! x41! 4!
8.2 Las Distribuciones de Probabilidad

(A) Concepto: Es una distribución de frecuencias

teórica que describe la forma en que se espera
que varíen los resultados.
Resultan útiles para realizar inferencias y tomar
decisiones bajo incertidumbre.
Ejemplo:

Se seleccionan en forma consecutivas dos bebes del

servicio de Neonatología . El número de varoncitos
será:

Nº de Probabilidad
Resultados Probabilidad
varones 0.50
0 MM 0,25
1 VM,MV 0,50 0.25
2 VV 0,25

0 1 2 Nº de
VARONES
TIPOS DE DISTRIBUCIONES
a) DISCRETAS: La variable toma un número limitado de
valores. Abarca :
- Distribución binomial
- Distribución de Poisson
- Distribución hipergeométrica
b) CONTINUAS: La variable puede tomar cualquier valor
dentro de un intervalo dado. Abarca:
- Distribución normal
- Distribución normal estándar o Z
- Distribución t
- Distribución Ji-cuadrada 2
- Distribución F
8.3 Variables Aleatorias

Una variable es aleatoria si toma diferentes

valores como resultado de un experimento .
Puede ser discreta o continua

Ejemplo: Se lanzan 3 monedas

X : variable aleatoria (ej : número de caras)
x : valores que puede tomar la variable
(ej : 0, 1, 2, 3)
 Valor Esperado

Valor esperado de una variable aleatoria

El valor esperado o esperanza matemática de una variable aleatoria X o media
de una distribución de probabilidad de X se denota E(x).
Valor esperado de una variable aleatoria discreta:
𝑛
𝜇𝑥 =E(x)=σ𝑖=1 𝑥𝑖 𝑝(𝑥𝑖 )
 Ejercicios:
1.La demanda diaria de una herramienta en el almacén de Enigma S.A. es
una variable aleatoria D cuya distribución de probabilidades está dada
por la tabla que sigue:
D 1 2 3 4 5
P(D=d) 1/16 4/16 6/16 k 1/16

a. Calcule el valor de k
b. Calcule e interprete el valor numérico del promedio de la demanda
diaria de la herramienta.
c. Si la utilidad Y en dólares del bien está dada por la relación:
Y = 10 + 2D. Halle la distribución de probabilidades de la utilidad diaria.
d. Calcule e interprete la utilidad diaria esperada.
 Solución:
a. Como la suma de todas las probabilidades es 1, el valor de K es:
K = 1 – (1/16 + 4/16 + 6/16 + 1/16) = 4/16
b. El valor esperado de D es:
E(D) = 1 .1/16 + 2.4/16 + 3.6/16 + 4.4/16 + 5.1/16 = 3
Interpretación: Si durante varios días registramos la demanda, el
promedio de las demandas diarias tenderá a 3, mientras mayor sea la
cantidad de días que se toman en cuenta.
c. D Y=10+2.D P(Y=y)
1 10+2.1=12 1/16
2 10+2.2=14 4/16
3 10+2.3=16 6/16
4 10+2.4=18 4/16
5 10+2.5=20 1/16
d. El valor esperado de Y es:
E(Y) = 12 . 1/16 + 14 . 4/16 + 16 . 6/16 + 18 . 4/16 + 20 . 1/16 = 16

También: Si Y = 10 + 2D entonces E(Y) = 10 + 2 . E(D) = 10 + 2 . 3 = 16

Interpretación: Si durante varios días registramos la utilidad, el

promedio de las utilidades diarias tenderá a 16, mientras mayor sea la
cantidad de días que se toman en cuenta.
Varianza y desviación estándar
Varianza de una variable aleatoria discreta:

𝝈𝒙 𝟐 = σ𝒏𝒊=𝟏 𝒙𝒊 − 𝝁𝒙 𝟐 𝒑(𝒙𝒊 )OTRA FÓRMULA:V(X) = σ𝒏𝒊=𝟏 𝑿𝒊 𝟐 p(𝑿𝒊 )- 𝝁𝟐

Desviación estándar de una variable aleatoria discreta:

𝝈𝒙 = σ𝒏𝒊=𝟏 𝒙𝒊 − 𝝁𝒙 𝟐 𝒑(𝒙𝒊 ) ó 𝝈𝒙 = σ𝒏𝒊=𝟏 𝑿𝒊 𝟐 p(𝑿𝒊 )− 𝝁𝟐
Ejemplo
Tomando como referencia el ejemplo de los buses, calcule la varianza
de la variable aleatoria x.
Ejemplo: La distribución de probabilidad de una v.a. X viene dada por la siguiente tabla:

¿Cuánto vale P(X=3)?

Calcula la media y la varianza.
EJEMPLO
En urna hay 3 bolas blancas y 5 bolas negras. Si sacamos una bola negra
pagamos a la banca 5 Dólares, pero si es blanca ganamos 10 Dólares. ¿
Cuál es la esperanza matemática o valor esperado ?.
Solución
2
xi pi xi – μ (xi – μ) .pi

-5 5/8 = 0,625 -5,525 19,08

10 3/8 = 0,375 9,475 33,66
∑= 52,74

μ = -5.0,625+10.0,375 = -3,125 + 3,75 = 0,525

Sí jugaría, pues tengo ventaja.

σ = √ 52,74 = 7,275 CV (x) = 7,275 / 0,525 = 14

EJEMPLO
Lanzamos dos monedas al aire. Apostamos 5 Dólares. Si salen
dos caras, volvemos a tirar; si salen dos sellos, nos llevamos 10
Dólares; pero si sale una cara y una sello perdemos lo apostado.
¿ Cuál es la esperanza matemática o valor esperado ?.
Solución
Xi pi

-5 2/4 = 0,5
0 1/4 = 0,25
10 1/4 = 0,25

μ = - 5. 0,5+ 0. 0,25 + 10. 0,25 = -2,5 +0 + 2,5 = 0

Al ser μ = 0 el juego es equitativo, no hay ventaja ni para el

jugador ni para el contrincante.
EJEMPLO
En una urna hay 2 bolas blancas y 5 bolas rojas. Extraemos
una bola y la sustituimos por otra de distinto color. Luego
extraemos otra bola. Si el resultado es BB, ganamos 50 SOLES;
si es BR, ni ganamos ni perdemos; si es RB perdemos 5 SOLES;
y si es RR perdemos 10 SOLES. ¿ Cuál es la esperanza
matemática o valor esperado ?.
Solución
P(BB) = 2 / 7 . 1/ 7 = 2 / 49 = 0,041
P(BR) = 2/ 7 . 6 /7 = 12 / 49 = 0,245
P(RB) = 5 / 7 . 3 / 7 = 15 / 49 = 0,306
P(RR) = 5 / 7 . 4 / 7 = 20 / 49 = 0,408

Xi pi
50 0,041
0 0,245
-5 0,306
- 10 0,408
μ = 50. 0,041+ 0. 0,245 – 5 .0,306 – 10.0,408 = - 3,56
No jugaríamos, pues tenemos desventaja, no es equitativo.
EJEMPLO
Lanzamos dos dados en forma de tetraedro, uno con las caras
numeradas del 0 al 3, y el otro con las caras numeradas del 1 al
4. ¿Cuál es la esperanza matemática o valor esperado de la
función que asigna a cada valor de x la suma de resultados?.
Solución

xi fi pi xi.pi
1 1 0,0625 0,0625
2 2 0,1250 0,25
3 3 0,1875 0,5625
4 4 0,25 1,00
5 3 0,1875 0,9375
6 2 0,1250 0,75
7 1 0,0625 0,4375
μ = ∑xi.pi = 4
16 4,00
Esperanza matemática : E (X)
Es el promedio de la variable aleatoria, si el experimento
se repite un número infinito de veces.
Ejemplo : Se lanzan 3 monedas
1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
 = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}

3 caras. 2 caras 1 cara 0 caras =>x

x
Número P(x) XP(x) ( X) =  XP(x )
de Cara
0 1/8 0 12
3/8 =
1 3/8 8
2 3/8 6/8
3 1/8 3/8 = 1,5
12/8
caras
 Varianza y desviación estándar
X NÚMERO DE P(X) XP(x) 𝒙𝟐 𝑷(𝑿)
CARA
0 1/8 0 0
1 3/8 3/8 3/8
2 3/8 6/8 12/8
3 1/8 3/8 9/8

12/8 3

𝟐 12 2
𝝈𝒙 =3- ( ) = 0.75
8
𝜎 = 0.75= 0.87
Aplicación: uso del valor esperado y las
pérdidas monetarias.
Supongamos que un distribuidor de medicinas que muy
rápidamente se deterioran (vacunas) compra cada cajita a 20
SOLES y las vende a 50 SOLES. No puede especificar el número
de cajitas que le solicitarán diariamente, pero dispone de los
siguientes datos:

Ventas Nº de días Probabilidad de venta

diarias de venta de cada cantidad
10 15 0.15
11 20 0.20
12 40 0.40
13 25 0.25
100 1.00
Tipo de pérdidas

(A) Pérdidas por mermas (obsolescencia):

oferta > demanda (costo contable)
(B) Pérdidas de oportunidad: oferta < demanda
(costo económico)

Posibles Nº Alternativas de oferta

de cajitas
pedidas/día 10 11 12 13

10 0 20 40 60
11 30 0 20 40
12 60 30 0 20
13 90 60 30 0
Cálculo de la pérdida esperada
Para un stocks de 10 cajitas, la pérdida esperada será:

Posibles Nº Probabilidad
Pérdida Pérdida
de cajitas que se reciban
Condicional esperada
pedidas/día estos pedidos
10 0 0.15 0.00
11 30 0.20 6.00
12 60 0.40 24.00
13 90 0.25 22.50
Pérdida esperada: 52.50
Solución óptima: analizar otros tamaños de stocks
y decidir por aquél que genere la menor perdida
Distribuciones Discretas de
Probabilidad
La distribución binomial
Se utiliza para describir variables discretas.

Es una de las distribuciones mas utilizadas en la

estadística aplicada. La distribución se deriva de
un procedimiento llamado ensayo de Bernoulli,
nombrado así en honor del matemático Suizo
James Bernoulli (1654 - 1785).
a) Características:
 El experimento consiste en una serie de ensayos
repetidos.
 Cada ensayo sólo tiene dos resultados posibles:
éxito y fracaso.
La probabilidad de éxito, designado por p es la misma para
cada ensayo, la probabilidad de fracaso q (igual a 1-p) es
también constante.

1. Los ensayos sucesivos son independientes.

2. Puede ser simétrica o sesgada.

3. La información de la muestra se obtiene

con reposición de una población finita.
b) Formula:
n!
P(X = x) = p x q n- x
x! (n - x)!
donde:
n : número de ensayos
x : número de éxitos
p : probabilidad de éxitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : número de fracaso en el ensayo

Se aplica a la selección de una muestra, sólo

cuando el resultado de cada solución es
independiente de los resultados de las selecciones
anteriores.
c) Aplicación:

Una muestra de 4 frascos se selecciona sin restitución

de un lote de 5,000 frascos de cierto laboratorio
farmacéutico. Suponiendo que 20% de los frascos de
lote no cumplen con las especificaciones médicas, ¿cuál
es la probabilidad de que la muestra contenga
exactamente 2 frascos malos?
Datos:
n=4
x=2
n!
p = 0,20 P(X = x) = p xq n-x
x! (n - x)!
q = 0,80

P(X = 2) =
4!
0.22 0.802
2! (4 - 2)!

 0,1536
d) La distribución
Cierto proceso médico se repite cuatro veces.
Suponga que existe la probabilidad de 0.50 que el
proceso resulte deficiente. En cuatro repeticiones se
puede obtener 0,1,2,3 ó 4 procesos deficientes. Se
puede calcular la probabilidad de cada uno de estos
posibles resultados mediante la distribución
binomial.
 X
(Número de P(X = x )
procesos deficientes)
0 4
4!  1   1 
0      116
0!4!  2   2 
1 3
4!  1   1 
1      416
1!3!  2   2 
2 2
4!  1   1 
2      616
2!2!  2   2 
3 1
4!  1   1  4
3      16
3!1!  2   2 
4 0
4 4!  1   1 
     116
4!0!  2   2 

A estos resultados se denomina distribución de

probabilidad.
 La media y la varianza de una distribución binomial

La media y la varianza de una distribución binomial se

calculan:

µ= np
σ 2 = npq
e) La media y la desviación estándar

Consideramos la distribución del ejemplo anterior

(p = 1/2, n = 4)

X 0 1 2 3 4
P(X = x ) 1/16 4/16 6/16 4/16 1/16

La media
 =  XP( x)
 X P(x) XP(x) 32
0 1/16 0
 XP( x)  16
1 4/16 4/16  = 2 procesos
2 6/16 12/16
3 4/16 12/16 También:
4 1/16 4/16  = np
32/16
 = 4( 12)  2

Interpretación: Si seleccionamos 4 procesos médicos al

azar, se espera encontrar 2 procesos deficientes, si este
experimento se repite un número infinito de veces.
La desviación estándar

  ( x -  ) 2
P( x )

x P( x) (x -  ) (x -  )2 ( x -  ) 2 P( x )
0 1/16 -2 4 4/16
1 4/16 -1 1 4/16
2 6/16 0 0 0
3 4/16 +1 1 4/16
4 1/16 +2 4 4/16
16/16
 16
 (X -  ) P( x) 
2

16
16
   ( X -  ) P( x ) 
2
 1 proceso deficiente
16

También:
  npq

 4(0,5)(0,5)  1

La distribución binomial (p = 1/2, n = 4) tiene una media de 2

y una desviación estándar de 1.
Ejemplo

La Dra. Jiménez, Directora de Control de Calidad

de un gran hospital, se encuentra realizando su
revisión mensual a los procesos de emergencia
pediátrica. En el procedimiento, se seleccionan 10
procesos y se les analiza en busca de deficiencias
administrativas. A lo largo del tiempo, sólo 2% de
las emergencias pediátricas registran deficiencias
administrativas (suponga que las deficiencias se
presentan de manera independiente en diferentes
procesos).
• ¿Cuál es la probabilidad de que la muestra del
Dra. Jiménez contenga más de dos procesos
con deficiencias administrativas?
• ¿Cuál es la probabilidad de que en ninguno de
los procesos seleccionados registre deficiencia
administrativa?
Ejemplo:
Supóngase que en cierta población el 52 por ciento
de todos los nacimientos que se registraron son
varones. Si aleatoriamente se escogen cinco
registros de nacimientos dentro de esa población,
¿cuál es la probabilidad de que exactamente tres de
ellos pertenezcan a varones?.
P = 0.52
q = 1 - 0.52 = 0.48
n=5 5!
P(3,5)  0.523 0.48(5-3)  0.32  32%
r=3 3!(5 - 3)!
Uso de Tablas
Solucionando el problema anterior usando la
tabla de probabilidades binomiales
tabla de probabilidades binomiales
p
n r 0.37 0.38 0.39 0.40 0.41 0.42 0.43 0.44 0.45 0.46 0.47 0.48 0.49 0.50 r n

5 0 0.0380 5
1 0.1755 4
2 0.3240 3
3 0.2990 2
4 0.1380 1
5 0.0255 0 5

n r 0.63 0.62 0.61 0.60 0.59 0.58 0.57 0.56 0.55 0.54 0.53 0.52 0.51 0.50 r n
p

La probabilidad de tener 3 inscritos varones de

5 registros realizados es del 0.324 o 32.4%.
 Ejemplo

¿Cuál es la probabilidad de obtener 6 caras

al lanzar una moneda 10 veces?
Ejemplo

El número de aciertos k es 6. Esto es x=6

El número de experimentos n son 10
La probabilidad de éxito p, es decir, que salga "cara" al lanzar la
moneda es 50% ó 0.50
La fórmula quedaría:

P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces
una moneda es de 20.5% .
Ejemplo

¿Cuál es la probabilidad de obtener cuatro veces el número 3 al

lanzar un dado ocho veces?
 Ejemplo

El número de aciertos k es 4. Esto es x=4

El número de experimentos n son 8
La probabilidad de éxito p (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0.1666)
La fórmula queda:
P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el números 3 al tirar un dado 8 veces es de
2.6%.
Ejemplo del uso de la distribución binomial.

De acuerdo con los datos de Control Estudiantil de la UPAO

El 25% de los alumnos de ingeniería, trabajan en actividades
relacionadas con el Entrenamiento Deportivo y la Educación
Física. Si se elige a 10 alumnos en forma aleatoria, calcule la
probabilidad de que trabajen en actividades de entrenamiento
deportivo y la Educación Física:
A) 6 alumnos
B) Menos de 5 alumnos
C) Ningún alumno
D) Mas de tres alumnos
 Aquí, n = 10, p = .25, q = 1 – p = .75 y
x toma distintos valores de acuerdo a cada inciso.

A) 6 alumnos,, x = 6. Buscando en las tablas, encontramos

en valor de 10 en la columna de las n y el valor de x o r en
su columna, observamos el número .0162, lo cual
significa que la probabilidad de que 6 alumnos de un
grupo de 10 trabajen en actividades relacionadas con el
entrenamiento y la educación física es del 1.62%.
 Aquí, n = 10, p = .25, q = 1 – p = .75 y
x toma distintos valores de acuerdo a cada inciso.

B) Menos de 5 alumnos. Menos de 5 alumnos significa los

valores de 4,3,2,1 y 0. Por lo tanto, se deberán sumar o
acumular las distribuciones binomiales para cada uno de
estos datos. Buscando en las tablas encontramos:
.0563 + .1877 + .2816 + .2503 + .1460 = .9218, lo cual se
interpreta como :

La probabilidad de que menos de 5 alumnos trabajen en

actividades de entrenamiento y educación física es del
92.18%.
 Aquí, n = 10, p = .25, q = 1 – p = .75 y
x toma distintos valores de acuerdo a cada inciso.

C) Ninguno. La probabilidad ya la calculamos en el inciso

anterior y B( x,n,p) = .0563.

D) Más de 3. Indica 4,5,6,7,8,9 y 10, se realiza acumulando los

resultados de la binomial relacionado con cada número y
encontramos:
.1460 + .0584 + 0.162 + .0031 + .0004 + .0000 + .0000, lo cual
Se interpreta como:

La probabilidad de que mas de 3 alumnos trabajen en

actividades de entrenamiento y educación física es del 22.
41%
Ejemplo

En una fábrica de cámaras el 5% sale con

defectos. Determine la probabilidad de que en
una muestra de 12 se encuentren 2 cámaras
defectuosas.
Solución :

Se trata de una distribución binomial de parámetros B(12, 0.05).

Debemos calcular la probabilidad de que x sea igual a k que en
este caso es 2. Esto es P (k=2).
Busque en la parte izquierda de la tabla n=12, luego en la parte
superiror p=0.05 . La probabilidad estará en x=2
El resultado es 0.0988
Ejemplo

En una oficina de servicio al cliente se atienden 100

personas diarias. Por lo general 10 personas se van
sin recibir bien el servicio. Determine la
probabilidad de que en una encuesta a 15 clientes
3 no hayan recibido un buen servicio.
Solución :

Se trata de una distribución binomial de parámetros B(15, 0.10).

Debemos calcular la probabilidad P(X=3).
El resultado es 0.1285
Ejercicio

Un comerciante de verduras tienen conocimiento de que el

10% de la caja está descompuesta. Si un comprador elige 4
verduras al azar, encuentre la probabilidad de que.
a) de 1 a 3 estén descompuestas.
Solución :
En este caso se resuelve sumando las probabilidades P(x=1) + P(x=2) +
P(x=3)
= 0.2916 + 0.0486+0.004=0.3442
Ejercicio

En pruebas realizadas a un amortiguador para automóvil se encontró que

el 20% presentaban fuga de aceite. Si se instalan 20 de estos
amortiguadores, hallar la probabilidad de que,
a) 4 salgan defectuosos,
b) más de 5 tengan fuga de aceite.
c) de 3 a 6 amortiguadores salgan defectuosos.
d) Determine el promedio y la desviación estándar de
amortiguadores con defectos.
Solución :
• La pregunta “b” debe sumar las probabilidades desde P(x=6) en
adelante.
• En la “c” debe sumar P(x=3) + P(x=4) + P(x=5) + P(x=6).
Ejercicio

Un ingeniero que labora en el departamento de control de calidad de

una empresa eléctrica, inspecciona una muestra al azar de 10
alternadores de un lotes. Si el 15% de los alternadores del lote
están defectuosos. Cuál es la probabilidad de que en la muestra,
a) ninguno esté defectuoso,
b) uno salga defectuoso,
c) al menos dos salgan defectuosos
d) más de tres estén con defectos
Solución :
Para la pregunta “d” puede realizar
la siguiente operación:

1 – [P(x=0) + P(x=1) + P(x=2)]

Ejercicio

La probabilidad de que un CD de música dure al menos un año sin

que falle es de 0.95, calcular la probabilidad de que en una muestra
de 15,
a) 12 duren menos de un año,
b) a lo más 5 duren menos de un año,
c) al menos 2 duren menos de un año.
Ejercicio

Si 6 de 18 proyectos de viviendas violan el código de construcción,

¿cuál es la probabilidad de que un inspector de viviendas, que
selecciona aleatoriamente a cuatro de ellas, descubra que:
a) ninguna de las casas viola el código de
construcción
b) una viola el código de construcción
c) dos violan el código de construcción
d) al menos tres violan el código de construcción
Ejercicio de prueba #6

Sea x una variable aleatoria binomial. Hallar la distribución de

probabilidad de x si  = 4 y n= 10.
Solución :
Para resolver esta pregunta utilice la relación de μ=np
Depejando por p queda
P= μ/n
Al tener el parámetro B(n,p) puede buscar en la tabla las x y sus
probabilidades correspondientes. Esto forma la distribución de
probabilidad binomial para este ejercicio.
Distribución de Poisson:
Es una distribución muy usada en medicina y
biología. Se deriva del proceso de Poisson en honor
al matemático francés Simeon Denis Poisson
(1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El número promedio de veces () que ocurre un
éxito por cada unidad de tiempo o de espacio es
constante.
La probabilidad de un suceso es una unidad de
tiempo o de espacio muy pequeña.
Ejemplos de aplicaciones de Poisson:
Pacientes que llegan a la sala de urgencias de
un hospital durante un cierto día.
Defectos de un rollo de gasa.
Accidentes por hora en cierta parte de una
carretera.
Clientes que llegan a la caja registradora de una
farmacia en un determinado horario.
Si el tamaño de la muestra es bastante grande (n>50) y la
probabilidad de un evento particular es muy pequeño (p <
0,1) y se desea hallar la probabilidad de un número
determinado de éxitos, se puede aplicar la distribución de
Poisson, dada por la siguiente ecuación.

x e- 
P(X = x) =
x!
donde
 (lambda): media = np = variancia
e : base de logaritmos naturales =2.71828
x! : factorial de x
Ejemplo:
Supongamos que estamos investigando la seguridad
de una peligrosa intersección de calles, los registros
policíacos indican un media de 5 accidentes
mensuales en esta intersección. El número de
accidentes esta distribuido de acuerdo con una
distribución de Poisson y el departamento de
seguridad vial desea que calculemos la probabilidad
de que en cualquier mes ocurra exactamente 3
accidentes.

X = 3 acc/mes 53 2.7183-5
P( x 3)   0.14042  14.04%
 = 5 acc/mes 3!
Uso de Tablas

Solucionando el problema anterior usando la tabla

de distribución de probabilidades de Poisson:

x 4.1 ......... 4.5 .......... 4.9 5

0 0.0067
La probabilidad de
1 0.0337 tener exactamente 3
2 0.0842
3 0.1404
accidentes en un
4 0.1755 mes cualquiera es
5 0.1755
0.1404
Aplicación

La probabilidad de “número equivocado” a pesar de

haber marcado correctamente es 0,03. Si se toma una
muestra de 100 llamadas, ¿cuál es la probabilidad de
tener 2 “número equivocado”?

Solución: 32  (2.71828) -3
P(X = 2) =
p = 0.03 2!
n = 100
= 02240
=3
Ejercicio

La escasez de glóbulos rojos puede determinarse

examinando al microscopio una muestra de sangre.
Suponiendo que un volumen pequeño contenga por
término medio 4 glóbulos rojos en personas normales,
¿cuál es la probabilidad de que una muestra de personas
normales:
a) ¿contenga exactamente tres glóbulos rojos?
b) Ninguno tenga glóbulos rojos?
La aproximación de Poisson a la
distribución Binomial

Consideremos una distribución binomial con p=0.02 y n = 100.

Supongamos que nos interesa calcular la probabilidad de que X = 3
utilizando la formula binomial, podemos encontrar la probabilidad
exacta de la forma siguiente:

100!
P(X = 3) = (0,02) 3 (0,98) 97
3! 97!

 0,1823
Los cálculos son muy tediosos. Cuando p es pequeño y n
es lo suficientemente grande, la formula binomial puede
aproximarse mediante una distribución de Poisson con 
= np

Luego, utilizando una distribución de Poisson

encontramos que la probabilidad de que X=3 es:

-
 e
x
P(X = 3) =
x!
   np = 100 (0,02) = 2

(2)3  (2,71828) -2 8
  2
 0,1805
3! 6 (2,71828)
La respuesta es muy ¨próxima¨ a la encontrada con la
distribución binomial. La aproximación se considera válida
cuando

p  0.05 y n  20
En estudios anteriores, en una agencia bancaria, en promedio
llegan 3 clientes a una ventanilla para ser atendido durante la
hora del almuerzo. Si en la actualidad queremos hacer
modificaciones en la ventanillas, una de las preguntas que se
pueden hacer los del depto. de Mercadeo es:

¿Cuál es la probabilidad de que lleguen dos clientes en un minuto

dado.

82
 Si λ=3 y n=5, calcular P(X > 2)

P( X  2)  P( X  3) + P( X  4) + P( X  5)
e -3 33 e -3 34 e -3 35
P( X  2)  + +
3! 4! 5!
(0.049787)( 27) (0.049787)(81) (0.049787)( 243)
P( X  2)  + +
3 x 2 x1 4 x3 x 2 x1 x 4 x3x 2 x1
P( X  2)  0.22404 + 0.16803 + 0.10082
P( X  2)  0.49289

La probabilidad de que x ≤ 2 es de 42.32%

83
• Vamos a explicarla:
• El número "e" es 2,71828
• " 𝝀 " = n * p (es decir, el número de veces " n " que se realiza el
experimento multiplicado por la probabilidad " p " de éxito en
cada ensayo)
• " k " es el número de éxito cuya probabilidad se está calculando
• Veamos un ejemplo: La probabilidad de tener un accidente de
tráfico es de 0,02 cada vez que se viaja, si se realizan 300
viajes, ¿cual es la probabilidad de tener 3 accidentes?
• Como la probabilidad " p " es menor que 0,1, y el producto " n * p
" es menor que 10, entonces aplicamos el modelo de distribución
de Poisson.

• Luego,
• P (x = 3) = 0,0892
• Por lo tanto, la probabilidad de tener 3 accidentes de tráfico en
300 viajes es del 8,9%
 • Otro ejemplo: La probabilidad de que un niño nazca
pelirrojo es de 0,012. ¿Cuál es la probabilidad de que
entre 800 recién nacidos haya 5 pelirrojos?
•

• Luego,
• P (x = 5) = 4,602
• Por lo tanto, la probabilidad de que haya 5 pelirrojos
entre 800 recién nacidos es del 4,6%..
 MEDIA Y VARIANZA

La media y varianza de la distribución POISSON , es:

µ= np
Varianza = np
Consecuencia: Si la varianza de los conteos es mucho más
grande que la media de los mismos, entonces la distribución de
Poisson no es buen modelo para la distribución de la variable.
ejemplo
• Un conmutador recibe en promedio 5 llamadas sobre autos
extraviados por hora. ¿Cuál es la
• probabilidad de que en una hora tomada al azar reciba?
• a) Ninguna llamada.
• b) Exactamente 3 llamadas.
• c) No más de 3 llamadas.
ejemplo
a) Ninguna llamada. x = 0 sol. 0.00674963
b) Exactamente 3 llamadas: x = 3 sol. 0.1404
No más de 3 llamadas: x < 4
P(x< 4) = P(x ≤3) = P(x0 = 0) + P(x1 = 1) + P(x2 = 2) + P(x3 = 3)
Sol.
P(x < 4) = 0.0067+ 0.0337 + 0.0842 + 0.1406 = 0.2652 = 26.52 %
Una ilusión eterna, o por lo menos que
renace a menudo en el alma humana,
está muy cerca de ser una realidad.
André Maurois
•