Probabilidad y Estadistica Segunda Parte

N O TA S D E P R O B A B I L I D A D Y E S TA D Í S T I C A
MODALIDAD NO PRESENCIAL
roman anselmo mora gutiérrez

antonin ponsich
eric alfredo rincón garcía
Trimestre 14-P
Departamento de Sistemas
Universidad Autónoma Metropolitana
Unidad Azcapotzalco
ÍNDICE GENERAL
5 semana 5 41
5.1 Variable aleatoria discreta 41
5.2 Esperanza y varianza de una variable aleatoria discreta 45
5.3 Distribución de Bernoulli 47
5.4 Distribución discreta uniforme 48
6 semana 6 51
6.1 Distribución binomial 51
6.2 Distribución geométrica 54
6.3 Distribución binomial negativa 55
7 semana 7 57
7.1 Distribución hipergeométrica 57
7.2 Distribución de Poisson 60
8 semana 8 63
8.1 Autoevaluación 2 63
a anexos 65
a.1 Tabla de ecuaciones 65
bibliografía 67
Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. iii
SEMANA 5
5
5.1 variable aleatoria discreta
En este capítulo se define el concepto de variable aleatoria discreta, se realizan al-

gunos ejemplos para entender su uso y se explica la forma en que se relaciona con el
concepto de probabilidad.
Denición 5.1.1 Una variable aleatoria discreta es aquella cuyos valores posibles for-
man un conjunto finito o infinito numerable.
Ejemplo 5.1 Para hablar de una variable aleatoria es necesario definir un experimento
y sus posibles resultados.
Considera que se seleccionan una muestra de estudiantes universitarios y se les pre-

gunta cuántos años tienen. Los posibles resultados formarán un conjunto finito de va-
lores enteros. Supongamos que el resultado final son edades entre 18 y 60 años. Ahora
debemos definir una variable aleatoria para estos posible resultados, por ejemplo:
X : {18, 19, 20, . . . , 58, 59, 60} −→ <
dada por:



 0, si x 6 25
X(x) = 1, si 25 < x 6 40


 2, si 40 < x 6 60

Ejemplo 5.2 Considera que realizamos dos lanzamientos de un dado. Los posibles
resultados de este experimento son 36 y se pueden representar como coordenadas, por
ejemplo si en el primer lanzamiento sale 5 y en el segundo 3, el resultado es (5,3). Aho-
ra se debe definir una variable aleatoria para estos posible resultados, por ejemplo:
X : {(1, 1), (1, 2), (1, 3), ..., (6, 5), (6, 6)} −→ <
dada por:
X(x, y) = x + y
Observa que se pueden definir muchos tipos de variable aleatoria para cada experimen-
to, y es importante definir la variable adecuada para el análisis que se deba realizar.
Un tema que resultará central en el resto del curso es la función de probabilidad (tam-
bién llamada distribución de probabilidad o función de masa de probabilidad), que se
define de la siguiente manera.
Denición 5.1.2 Para una variable aleatoria discreta X, que puede tomar los valores
x1 , x2 , . . . , xn , con probabilidades p(x1 ), p(x2 ), . . . , p(xn ), la distribución de probabi-
lidad, que va del rango de X al intervalo [0, 1], se define como:
fX (xi ) = P(X = xi ) (1)
Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved. 41
semana 5
Observación 1 Como fX (x) está dada por una probabilidad, se tienen los siguientes
resultados:
1. fX (xi ) > 0 para toda i.
Xn
2. fX (xi ) = 1.
i
Ejemplo 5.3 En una compañía que se eligieron 6 lotes para ser revisados y contar el
número de componentes defectuosos que contienen. Los resultados se presentan en la
siguiente tabla.
Lote 1 2 3 4 5 6
No. de componentes defectuosos 0 2 0 1 2 0
Para este ejemplo se definirá una variable aleatoria X de la siguiente manera:

X = Número de componentes defectuosos en cada lote.
Bajo esta definición se tiene:
X(lote 1) = 0; X(lote 2) = 2; X(lote 3) = 0, ..., X(lote 6) = 0
Por lo tanto, los posibles valores que puede tomar la variable aleatoria X son 0, 1, 2.
Por otro lado se observa que de los 6 lotes revisados se obtuvieron 3 lotes con cero
defectos, un lote con un defecto y 2 lotes con 2 defectos, entonces se tienen las siguientes
probabilidades:
fX (0) = P(X = 0) = 3/6 = 1/2
fX (1) = P(X = 1) = 1/6
fX (2) = P(X = 2) = 2/6 = 1/3
Por lo tanto la distribución de probabilidad de la variable aleatoria X será
fX (0) = 1/2; fX (1) = 1/6; fX (2) = 1/3.
Otro concepto importante es la distribución de probabilidad acumulada.

Denición 5.1.3 La función de distribución o distribución de probabilidades acumu-
ladas de una variable aleatoria discreta X, denotada como FX (x), está dada por:
X
FX (x) = P(X 6 x) = fX (xi ) (2)
xi 6x
Observación 2 Las siguientes propiedades son resultado de la definición de FX (x).

1. 0 6 FX (x) 6 1
2. si x 6 y entonces FX (x) 6 FX (y)
Ejemplo 5.4 Para el ejemplo anterior determina la función de distribución para la
variable aleatoria X.
FX (0) = P(X = 0) = 1/2
1 1 4
FX (1) = (P 6 1) = P(X = 0 ∪ X = 1) = P(X = 0) + P(X = 1) = f(0) + f(1) = 2 + 6 = 6
FX (2) = (P 6 2) = P(X = 0 ∪ X = 1 ∪ X = 2) = P(X = 0) + P(X = 1) + P(X = 2)

= f(0) + f(1) + f(2) = 1
42 Copyright 2010
c Roman Anselmo Mora Gutiérrez & Antonin Ponsich & Eric Alfredo Rincón García. All rights reserved.
5.1 variable aleatoria discreta
Ejemplo 5.5 Se prueban tres componentes cada uno clasifica como falla o pasa. Se
considera que la probabilidad de que un componente pase es 0.8 para cada componente
y además pasar o fallar son eventos independientes entre componentes distintas.
a) Determina el espacio de soluciones para este experimento
Primero se definen los eventos cuya probabilidad se desea calcular, sean: P =
pasan; F = fallan. De esta forma:
S = {PPP, PPF, PFP, FPP, PFF, FPF, FFP, FFF}
b) Determina la probabilidad de que los tres componentes pasen la prueba.
Entonces se está buscando P(P ∩ P ∩ P), como los componentes son independien-
tes tenemos lo siguiente:
P(P ∩ P ∩ P) = P(P)P(P)P(P) = (0.8)(0.8)(0.8) = 0.512
c) Determina la distribución de probabilidad para la siguiente variable aleatoria X:
X = número de componentes que pasan la prueba.
Primero se observa que la variable aleatoria funciona de la siguiente forma:
X(P, F, P) = 2; X(P, F, F) = 1; X(F, F, F) = 0; X(P, P, P) = 3; etc.
Ahora se debe determinar la probabilidad asociada a cada posible valor que pue-
da tomar X.
P(X = 0) = 18 entonces fX (0) = 81
3 3
P(X = 1) = 8 entonces fX (1) = 8
3 3
P(X = 2) = 8 entonces fX (2) = 8
1 1
P(X = 3) = 8 entonces fX (3) = 8
d) Ahora determine la distribución de probabilidad acumulada de la variable aleato-

ria X.
FX (0) = fX (0) = 18
1 3 4 1
FX (1) = fX (1) + fX (0) = 8 + 8 = 8 = 2
1 3 3 7
FX (2) = fX (0) + fX (1) + fX (2) = 8 + 8 + 8 = 8
1 3 3 1 8
FX (3) = fX (0) + fX (1) + fX (2) + fX (3) = 8 + 8 + 8 + 8 = 8 =1
Proposition 5.1.1 Para cualesquiera dos números a y b con a 6 b se tiene lo siguiente:
P(a 6 X 6 b) = FX (b) − FX (a−) (3)
Donde (a−) representa el valor máximo posible de X que es estrictamente menor

que a. Entonces:
P(a 6 X 6 b) = P((X = a) ∪ (X = a + 1) ∪ ... ∪ (X = b)) = FX (b) − FX (a − 1)
Ejemplo 5.6 Utilizando los datos del ejemplo anterior determina:

a) P(1 6 X 6 2)
7 1 6
P(1 6 X 6 2) = FX (2) − FX (1−) = FX (2) − FX (0) = 8 − 8 = 8
b) P(2 6 X 6 3)
1 1
P(2 6 X 6 3) = FX (3) − FX (2−) = FX (3) − FX (1) = 1 − 2 = 2
Copyright 2010
semana 5
Para graficar FX (x) en el caso discreto se sigue la siguiente regla. Si la variable alea-
toria X toma los valores x1 ,x2 , ..., xn entonces:



 FX (xi ), si xi 6 x < xi+1
FX (x) = 0, si x 6 x1


 1, si x 6 x n
Ejemplo 5.7 La distribución de probabilidad de la variable aleatoria X está dada por

la siguiente tabla:
X 1 2 3 4
fX (x) 0.4 0.3 0.2 0.1
Primero se determinará la distribución de probabilidad acumulada y posteriormente

se realizará la gráfica. Entonces:
FX (1) = 0.4
FX (2) = 0.4 + 0.3 = 0.7
FX (3) = 0.4 + 0.3 + 0.2 = 0.9
FX (4) = 0.4 + 0.3 + 0.2 + 0.1 = 1
Respetando las reglas para graficar FX (x), se tiene lo siguiente:


 0, si x < 1





 0.4, si 1 6 x < 2
FX (x) = 0.7, si 2 6 x < 3



 0.9,

 si 3 6 x < 4


1, si 4 6 x
Realizando el gráfico se obtiene el siguiente resultado:

Ejemplo 5.8 Se evalúan automóviles y se reportan el número de defectos. Sea X el

número de defectos importantes. La función de distribución acumulada de X es:
44 Copyright 2010
5.2 esperanza y varianza de una variable aleatoria discreta


 0.06, si 0 6 x < 1





 0.19, si 1 6 x < 2




 0.39, si 2 6 x < 3
FX (x) = 0.67, si 3 6 x < 4





 0.92, si 4 6 x < 5



 0.97, si 5 6 x < 6



1, si 6 6 x.
Responde las siguientes preguntas.
a) Determina la probabilidad de que se encuentren a lo más 3 defectos.

P(X 6 3) = FX (3) = 0.67
b) Determina la probabilidad de se encuentren al menos 3 defectos.
P(X > 3) = 1 − P(X 6 2) = 1 − 0.39 = 0.61
c) Determina la probabilidad de que se encuentren entre 2 y 5 defectos.
P(2 6 X 6 5) = FX (5) − FX (2−) = FX (5) − FX (1) = 0.97 − 0.19 = 0.78
d) Determina la probabilidad de que se encuentren más de 2 errores y a lo más 5.
P(2 < X 6 5) = FX (5) − FX (2) = 0.97 − 0.39 = 0.58
e) Determina la probabilidad de que se encuentren más de 2 errores y menos de 5.
P(2 < X < 5) = P(2 < X 6 4) = FX (4) − FX (2) = 0.92 − 0.39 = 0.53
f) Determina la probabilidad de que se encuentren al menos 2 errores, pero menos de
5.
P(2 6 X < 5) = P(2 6 X 6 4) = FX (4) − FX (2−) = FX (4) − FX (1)
= 0.92 − 0.19 = 0.73

5.2 esperanza y varianza de una variable aleatoria discreta
Denición 5.2.1 La media de una variable aleatoria discreta que puede tomar n valo-
res, x1 , x2 , ..., xn , está dada por:
X
n
µX = E(X) = xi fX (xi ) (4)
i=1
Donde “E(X)", se lee como valor esperado de X.
Denición 5.2.2 La varianza de la variable aleatoria X se puede definir en términos

del valor esperado como:
X
n
σ2X = Var(X) = E(X − µX ) = (x − µX )2 fX (x) = E(X2 ) − µ2X (5)
i=1
La media o valor esperado, también llamada esperanza, esperanza matemática o media

poblacional, cumple con las siguientes propiedades:
E(X + b) = E(X) + b
E(X + Y) = E(X) + E(Y)
E(aX) = aE(X)
Copyright 2010
semana 5
Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:
1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3 indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
Ejemplo 5.9 Considera el experimento de lanzar un dado. Entonces el espacio mues-
tral S es:
Ahora considera la variable aleatoria que asigna a cada lanzamiento del dado, el nú-
mero de puntos obtenido, entonces:
X = {1, 2, 3, 4, 5, 6}
Ahora se determinará la distribución de probabilidad.
Como los únicos valores de la variable aleatoria son 1, 2, 3, 4, 5 y 6, y todos tienen la
misma probabilidad de ser elegidos, se tiene lo siguiente:
P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4) = P(X = 5) = P(X = 6) = 61
Por lo tanto:
fX (1) = fX (2) = fX (3) = fX (4) = fX (5) = fX (6) = 16
Ahora se determinará el valor esperado de X.

µX = E(X) = fX (1) ∗ 1 + fX (2) ∗ 2 + fX (3) ∗ 3 + fX (4) ∗ 4 + fX (5) ∗ 5 + fX (6) ∗ 6 = 3.5
Al conocer el valor de la media es posible calcular el valor de la desviación están-

dar de X.
σ2X = Var(X) = (1 − 3.5)2 fX (1) + (2 − 3.5)2 fX (2) + (3 − 3.5)2 fX (3) + (4 − 3.5)2 fX (4)
+(5 − 3.5)2 fX (5) + (6 − 3.5)2 fX (6) = 2.9167
Finalmente, la desviación estándar es:
1 1
σX = (Var(X))( 2 ) = (2.9167)( 2 ) = 1.71
46 Copyright 2010
5.3 distribución de bernoulli
Ejemplo 5.10 Responde a las siguientes preguntas suponiendo que en el nacimiento

de un bebé los resultados niño o niña son igualmente posibles, y que los nacimientos
son eventos independientes.
a) Determina el espacio de soluciones al considerar tres nacimientos.
Si se utiliza la letra M para indicar el nacimiento de una niña y H el nacimiento
de un niño, se tendrá:
S = {MMM, MMH, MHM, HMM, MHH, HMH, HHM, HHH}
b) Considera a X la variable aleatoria que cuenta el “número de niños que nacen en
tres partos”. Determina los posibles valores de X:
X = {0, 1, 2, 3}
c) Determina la distribución de probabilidad de la la variable aleatoria X.
fX (0) = P(X = 0) = 18
3
fX (1) = P(X = 1) = 8
3
fX (2) = P(X = 2) = 8
fX (3) = P(X = 3) = 18
d) Encuentra la media y la varianza de X.
µX = E(X) = fX (0) ∗ 0 + fX (1) ∗ 1 + fX (2) ∗ 2 + fX (3) ∗ 3 = 1.5
σ2X = Var(X) = (0 − 1.5)2 fX (0) + (1 − 1.5)2 fX (1) + (2 − 1.5)2 fX (2)

+(3 − 1.5)2 fX (3) = 0.75
Una forma de interpretar la media es la siguiente: se espera que el número de
niños en tres nacimientos sea de 1.5.

5.3 distribución de bernoulli
Es frecuente que en diferentes procesos se den variables del tipo “se acepta, se recha-
za”. Por ejemplo, un artículo cumple con las especificaciones o no, un foco prende o no,
una pieza resiste cierta fuerza o no. Un experimento donde los posibles resultados de
cada ensayo son éxito o fracaso se conoce como un experimento o ensayo de Bernoulli.
Cualquier variable aleatoria X cuyos únicos valores posibles son 0 y 1, éxito o fracaso,
se llama variable aleatoria de Bernoulli.
La distribución de probabilidad para una variable aleatoria de Bernoulli está dada por:


 si x = 1
 p,
fX (x) = 1 − p, si x = 0 (6)


 0, en otro caso
Donde p representa la probabilidad de éxito y 1 − p la probabilidad de fracaso.

Si X es una variable aleatoria de Bernoulli su media es igual a la probabilidad de un
éxito.
µX = E(X) = p (7)
Copyright 2010
semana 5
Por otro lado, su varianza es igual a la probabilidad de un éxito multiplicada por la

probabilidad de un fracaso.
σ2X = Var(X) = p(1 − p) = pq (8)
Ejemplo 5.11 Considera el experimento de lanzar una moneda. Aplica la distribución

de Bernoulli para describirlo.
Para este caso se puede definir águila = éxito, con lo cual se tendrá:
P(Éxito) = 0.5
P(Fracaso) = 0.5
µX = E(X) = 0.5
Var(X) = (0.5)(0.5) = 0.25
Ejemplo 5.12 Considera que el 80 por ciento de las familias de una ciudad son pro-
pietarias de sus hogares. Sea X la variable aleatoria que toma el valor de 1 cuando una
familia elegida al azar en la ciudad es propietaria y 0 cuando no lo es. Encuentra la
media y la varianza de X.
Si se define como éxito a elegir una familia propietaria de su casa se tendrá:
p = 0.80
q = 1 − p = 1 − 0.80 = 0.20
µX = p = 0.80
σ2X = (0.80)(0.20) = 0.16
5.4 distribución discreta uniforme
Una variable aleatoria discreta es uniforme si cada uno de sus posibles valores tiene
la misma probabilidad. Si X es una variable aleatoria discreta uniforme con posibles
valores x1 , x2 , x3 , ..., xn , entonces su distribución de probabilidad está dada por:
1
fX (xi ) = para toda i = 1, 2, 3, ..., n (9)
n
Mientras que su media y varianza se pueden calcular de la siguiente forma:
P
n
xi
i=1
µX = E(x) = (10)
n
P
n
(xi − µ)2
i=1
Var(X) = σ2X = (11)
n
Ejemplo 5.13 Considera que la variable aleatoria X tiene una distribución discreta
uniforme en los enteros 0 6 x 6 100.
a) Determina la distribución de probabilidad de X.
1
fX (x) = 101 = 0.0099
Por lo tanto:
fX (0) = fX (1) = fX (2) =, ..., = fX (100) = 0.0099.
48 Copyright 2010
5.4 distribución discreta uniforme
b) Determina el valor de la media de X.

µX = E(x) = 0+1+2+...+99+100
101 = 50
c) Determina la varianza de X.
2 2 2 +(100−50)2
Var(X) = σ2X = (0−50) +(1−50) +...+(99−50)
101 = 850.0

Ejemplo 5.14 Considera el lanzamiento de un dado, si se define a la variable aleatoria

X igual al número obtenido, entonces X puede tomar los valores 1, 2, 3, 4, 5 y 6, cada
uno de ellos con la misma probabilidad.
Determina el valor esperado y la varianza de X.
µX = E(x) = 1+2+3+4+5+6
6 = 21
6 = 3.5
(3.5−1)2 +(3.5−2)2 +...+(3.5−6)2 17,5
Var(X) = σ2X = 6 = 6 = 2.917
Copyright 2010
SEMANA 6
6
6.1 distribución binomial
Un experimento binomial es un experimento aleatorio que consta de n ensayos Ber-

noulli tales que:
a) Tiene dos diferentes resultados posibles: éxito y fracaso.
b) Los ensayos son independientes; en otras palabras, la probabilidad de éxito en cada
ensayo, p, permanece constante.
c) La variable aleatoria de interés, X, corresponde al número de éxitos en un total de
n ensayos.
Cabe recordar que el hecho de que los ensayos sean independientes se puede traducir
en que el resultado de cierto ensayo no afecta la probabilidad de éxito de los ensayos
posteriores. Asimismo, como los posibles resultados, éxito o fracaso, son complementa-
rios, la probabilidad de fracaso será 1 − p.
Si es una variable aleatoria con una distribución binomial con parámetros (n, p), enton-
ces su función de distribución dada por:

n x
fX (x) = p (1 − p)n−x , x = 0, 1, 2, ... (12)
x
Donde n n!

x = x!(n−x)! es el número de combinaciones de elementos tomados de x en
x.
Es importante tener en cuenta que los términos éxito y fracaso sólo son etiquetas, aun-
que pueden ser engañosas; por ejemplo si X es el número de piezas defectuosas, enton-
ces la producción de una pieza defectuosa será llamada un éxito.
Si X es una variable aleatoria con distribución binomial (n, p), su media y varianza
están dadas por:
µX = E(X) = np (13)
σ2X = Var(X) = np(1 − p) (14)
Para comprender el valor de la media considera que se realizan 10 lanzamientos de

una moneda legal, ¿cuántas veces se espera en promedio obtener águila? La intuición
dicta contestar: cinco veces.
Como solamente se pueden observar águila o sol en el lanzamiento de una moneda y la
probabilidad de cada uno de estos resultados permanece constante de un lanzamiento
a otro, el número de águilas obtenidas en 10 lanzamientos puede ser modelado con
una distribución binomial. Las cinco veces que se esperan obtener águila, corresponde
simplemente a la multiplicación (np) con n = 10 y p = 0.50, que es la media de la
distribución binomial.
Ejemplo 6.1 Se producen aparatos y se sabe que el 5 por ciento son defectuosos. Sea
X = número de aparatos defectuosos en una muestra de tamaño n = 25.
Copyright 2010
semana 6
a) Determina la probabilidad de que a lo sumo 2 aparatos sean defectuosos en la

muestra.
P(X 6 2) = P(X = 0) + P(X = 1) + P(X = 2) = 25 0 25−0

0 (0.05) (1 − 0.05)
+ 25 1 25−1 + 25 (0.05)2 (1 − 0.05)25−2

1 (0.05) (1 − 0.05) 2
= 0.277389573 + 0.36498628 + 0.230517651
= 0.8728935
b) Determina la probabilidad de que al menos 5 aparatos de la muestra sean defectuo-
sos.
P(X > 5) = 1 − P(X 6 4) = 1 − 0.992835 = 0.00716
c) Calcula el valor esperado y la desviación estándar de X.
µX = E(X) = 25 ∗ 0.05 = 1.25
p √
σX = (25 ∗ 0.05(1 − 0.05)) = 1.1875 = 1.0897

Ejemplo 6.2 La probabilidad de que cada muestra de aire contenga una molécula par-
ticular es del 10 por ciento. Suponga que las muestras son independientes con respecto
a la presencia de la molécula.
a) Encuentra la probabilidad de que entre las 18 muestras tomadas hace una hora,
exactamente dos contengan la molécula rara.
Lo primero que se debe hacer es definir la variable aleatoria que se utilizará:
Sea X = número de muestras que contienen la molécula rara.
De esta forma la probabilidad de éxito es p = 0.1.
Ahora ya es posible responder a la pregunta inicial:
18
P(x = 2) = 2 (0.1) (0.9)18−2 = 0.2835121
2

b) ¿Cuál es la probabilidad de que al menos cuatro muestras contengan la molécula

rara?
Observa que una opción es hacer el siguiente cálculo:
X18
18
P(x > 4) = (0.1)x (0.9)18−x
x
x=4
Pero requiere demasiadas operaciones, por lo cual resulta más sencillo emplear
el complemento de la siguiente manera:
P(x > 4) = 1 − P(x < 4)
X3
18
= 1− (0.1)x (0.9)18−x =
x
x=0
= 1 − [0.1500946 + 0.300189271 + 0.2835121 + 0.1680072]
= 0.098196841
c) ¿Cuál es la probabilidad de que entre 3 y 7 muestras contenga la molécula?
X 7
18
P(3 6 x 6 7) = (0.1)x (0.9)18−x
x
x=3
= 0.1680072 + 0.070003 + 0.0217787 + 0.005243 + 0.0009987
= 0.266030548

Ejemplo 6.3 La probabilidad de que un estudiante participe en una encuesta es 0.4.

Considera que la encuesta se le realizará a dos estudiantes cuyas decisiones de contestar
son independientes. Por medio de la fórmula para la distribución binomial construye
52 Copyright 2010
6.1 distribución binomial
la distribución de probabilidad del número de personas que participarán.

Primero se define a la variable aleatoria como:
X = número de estudiantes que participan en la encuesta.
De esta forma se tiene:
p = 0.4 ; 1 − p = 1 − 0.4 = 0.6 ; n = 2 ; x = 0, 1, 2.
x P(X = x)
2
(0.4)0 (0.6)2−0 = 0.36

0 P(0) = 0
2
(0.4)1 (0.6)2−1 = 0.48

1 P(1) = 1
2
(0.4)2 (0.6)2−2 = 0.16

2 P(0) = 2
Por lo tanto se tienen las siguientes probabilidades:

La probabilidad de que nadie participe es 0.36.
La probabilidad de que uno participe es 0.48.
La probabilidad de que dos participen es 0.16.

Ejemplo 6.4 Juan compró una caja con 30 copas que utilizará en una cena familiar. Sa-
be por experiencia que el 5 % de las piezas pueden ser inservibles por estar fracturadas
o astilladas.
a) Determina la probabilidad de que las 30 copas sean inservibles.
En este ejemplo las copas tienen dos opciones: buen estado o mal estado. El
número de repeticiones es 30 y la probabilidad de que una copa esté en mal
estado es fija, 5 %. Por lo tanto, se adapta a una distribución binomial.
Éxito = Copa fracturada o astillada; p = 0.05; n = 30.
Entonces, la respuesta a la pregunta se obtiene de la siguiente forma.
30
P(X = 30) = 30 (0.05) (1 − 0.05)30−30 = 9.31323E − 40
30

b) Determina la probabilidad de que las 30 copas estén en buenas condiciones.

En este caso sebusca que el número de éxitos sea cero.
P(X = 0) = 30 0
0 (0.05) (1 − 0.05)
30−0 = 0.214639
A partir de ahora considera que Juan sólo requerirá de 25 copas para la cena
familiar.
c) Determina la probabilidad de que las 30 copas compradas sean suficientes para
cubrir los requisitos de la cena.
Se requieren 25 copas en buen estado, lo cual es equivalente a 5 o menos copas
inservibles, por lo tanto la respuesta se obtiene de la siguiente manera.
P(X 6 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5)
= 0.214639 + 0.3389033 + 0.2586367 + 0.1270496 + 0.0451360 + 0.0123530
= 0.9967175
d) Determina la probabilidad de las copas compradas cubran de forma exacta los re-
querimientos de la cena.
Ahora se requiere
que5 el número30−5
de copas inservibles sea exactamente 5.
30
P(X = 5) = 5 (0.05) (1 − 0.05) = 0.0123530
Copyright 2010
semana 6
e) Determina la probabilidad de que hagan falta copas para cubrir los requerimientos
de la cena.
Para este caso se debe determinar la probabilidad de que el número de copas en
buen estado sea menor a 25, esto implica que las copas inservibles deben ser 6 o
más.
P(X > 6) = P(X = 6) + P(X = 7) + ... + P(X = 29) + P(X = 30)
= 1 − P(X 6 5)
= 1 − 0.9967175
= 0.00328
f) ¿Cuántas copas inservibles espera encontrar Juan en la caja que compró?
µX = (0.05)(30) = 1.5

6.2 distribución geométrica
En algunas ocasiones resulta importante conocer el número de ensayos hasta obtener

el primer éxito. En este caso, la variable aleatoria X sigue una distribución geométrica
si es un experimento aleatorio que consta de n ensayos Bernoulli, tales que:
a) Los diferentes resultados posibles: éxito y fracaso.
b) Los ensayos son independientes, o la probabilidad de éxito en cada ensayo, p, per-
manece constante.
c) La variable aleatoria de interés, X, corresponde al número ensayos que se deben
realizar para obtener el primer éxito.
La distribución de probabilidad de la variable aleatoria geométrica con parámetro p
está dada por:
fX (x) = (1 − p)x−1 p, x = 1, 2, ... (15)
Si X es una variable aleatoria con distribución geométrica con parámetro p, entonces

su media y varianza son:
1
µX = E(X) = (16)
p
y
(1 − p)
σ2X = Var(X) = (17)
p2
Nuevamente resulta sencillo entender el valor de la media µX , si se considera el
lanzamiento de una moneda. En este caso se quiere saber cuántas veces se espera que
deba lanzarse antes de obtener la primera águila. Como cada cara de la moneda tiene la
misma probabilidad, entonces se espera tener que lanzar la moneda en promedio dos
veces antes de obtener la primer águila, que corresponde exactamente a p1 = 0.5
1
= 2.
Ejemplo 6.5 En una zona de Veracruz, la probabilidad de que una tormenta fuerte
ocurra en un día cualquiera durante el invierno entre enero y febrero es igual a 0.1.
Considerando que el clima de un día es independiente de cualquier otro. ¿Cuál es la
probabilidad de que la primera tormenta ocurra el 3 de febrero?
Consideremos que el mes de enero cuenta con 31 días. Por consiguiente si X es el
54 Copyright 2010
6.3 distribución binomial negativa
número de días transcurridos sin tormenta empezando el 1 de enero hasta el 3 de

febrero se tiene que han pasado 33 días sin éxito (se espera que en el día 34 si llueva).
Por lo tanto nos están pidiendo la siguiente probabilidad:
P(X = 33) = fX (33) = (0.9)33−1 (0.1) = 0.003433684
Ejemplo 6.6 En un entrenamiento de básquetbol, un jugador se dispone a ejecutar

tiros libres hasta anotar una canasta, supongamos que los tiros son independientes y
que su probabilidad constante de anotar cada canasta es de 0.8. Considere la variable
aleatoria X igual al número de tiros que efectúa hasta anotar una canasta.
Determina:
a) ¿Cuál es la probabilidad de que necesite al menos 4 tiros para anotar una canasta?
P(x > 4) = 1 − [P(x = 1) + P(x = 2) + P(x = 3)] = 0.008.
b) ¿Cuál es la probabilidad de que necesite a lo sumo 5 tiros para anotar?
P(x 6 5) = P(x = 1) + P(x = 2) + P(x = 3) + P(x = 4) + P(x = 5) = 0.99968.
c) En general, ¿cuántos tiros debe realizar para lograr su primera anotación?
1
µX = E(X) = 0.8 = 1.25
d) ¿Qué tan dispersos están los
q valores alrededor de la media?
q
q
q
0.2 0.2
√
σX = p2 = (0.8) 2 = 0.64 = 0.3125 = 0.559

6.3 distribución binomial negativa
La distribución binomial negativa es una generalización de la distribución geométri-

ca, solo que en este caso se repiten tantos ensayos de Bernoulli como sean necesarios
para obtener r éxitos.
Por lo tanto, si un experimento consiste en una serie de ensayos de Bernoulli indepen-
dientes, con una probabilidad de éxito constante p, donde la variable aleatoria X denota
el número de ensayos hasta que obtener r éxitos. Entonces X tiene una distribución bi-
nomial negativa con parámetros p. Bajo estas condiciones la variable aleatoria tendrá
una distribución de probabilidad dada por:

x−1
f(x) = (1 − p)x−r pr , x = r, r + 1, r + 2, ... (18)
r−1
Observe que el rango de X es de r a +∞.

Cuando r = 1, la distribución binomial negativa coincide con una distribución geomé-
trica.
Una variable aleatoria binomial negativa se puede interpretar también como la suma
de r variables aleatorias geométricas: X = X1 + X2 + ... + Xr (donde Xi es una varia-
ble aleatoria geométrica que representa el número de ensayos requeridos para obtener
un éxito después del intento i–1). Por lo tanto, si X es una variable aleatoria binomial
negativa de parámetros p y r, entonces la media y varianza estarán dadas por:
r
µX = E(X) = (19)
p
y
r(1 − p)
σ2X = Var(X) = (20)
p2
Copyright 2010
semana 6
Ejemplo 6.7 Suponga que un dispositivo transmite bits con una probabilidad p = 0.1
de transmitir un bit erróneo. Para garantizar la calidad de la información, se debe

detener la transmisión en el momento que se detecten 4 bits erróneos.
a) Determina la probabilidad de que la transmisión se detenga al transmitir el décimo
bit.
En este caso la variable aleatoria es X = número de bits transmitidos hasta obtener

4 errores. Por lo tanto, se debe determinar
P(X = 10) = 10−1 0.1)10−4 0.14 = 0.0044641

4−1 (1 −
b) Determina el número promedio de bits que serán trasmitidos hasta detener la trans-
misión.
µX = E(X) = pr = 0.1 4
= 40

Ejemplo 6.8 Si la probabilidad de que un futbolista anote un gol cada vez que realiza
un tiro a la portería es 0.40.
a) Determina la probabilidad
3 de que10−3
deba realizar 10 tiros para anotar tres goles.
10−1
P(X = 10) = 3−1 0.4 (1 − 0.4) = 0.0644973
b) Cuántos tiros se espera que realice para poder anotar tres goles.
µ = E(X) = pr = 0.43
= 7.5

56 Copyright 2010
SEMANA 7
7
7.1 distribución hipergeométrica
En algunos ensayos de Bernoulli la probabilidad de éxito p no se mantiene constante.

Esto ocurre cuando la población por analizar consiste de N individuos (una pobla-
ción finita) y se elige una muestra aleatoria sin reemplazo de tamaño n, n 6 N, lo
cual ocurre típicamente al elegir una muestra de n elementos en un lote que contiene
N elementos. La variable aleatoria X sigue una distribución hipergeométrica si es un
experimento aleatorio que consta de n ensayos Bernoulli, tales que:
a) Se tienen dos diferentes resultados posibles: éxito y fracaso.
b) Los ensayos no son independientes; en otras palabras, la probabilidad de éxito en
cada ensayo p no permanece constante.
c) La variable aleatoria X de interés denota el número de éxitos en la muestra.
Es importante notar las semejanzas entre las condiciones que caracterizan a la dis-
tribución binomial y a la distribución hipergeométrica. Observa que en ambos casos
cada ensayo puede tener un éxito o un fracaso, y la variable aleatoria de interés es el
número de éxitos en una muestra. En realidad, la única diferencia la marca el hecho
de que la probabilidad de éxito permanece constante en el caso de la distribución bino-
mial, mientras que en la distribución hipergeométrica esta probabilidad se ve afectada
debido a que la muestra se toma sin reemplazo.
Para aclarar porque la probabilidad de éxito varía cuando se realiza un experimento
sin reemplazo, considera que en una tómbola se introducen 50 bolas blancas y 50 bolas
negras. En este momento la probabilidad de sacar una bola blanca es:
50
P(Blanca) = 100 = 0.50
Sin embargo, en el momento en que se saca una bola y no es reemplazada por otra bola
del mismo color, la probabilidad se modifica. Considera que se sacó una bola blanca,
entonces ahora son 50 bolas negras y 49 bolas blancas. Por lo tanto la probabilidad de
sacar una bola blanca es:
49
P(Blanca) = 99 = 0.4949
Observa que la probabilidad disminuyó, lo cual es lógico porque se tenían menos bolas
blancas que negras.
Aplicando la probabilidad clásica, que calcula la probabilidad dividiendo el número de
resultados en donde se observa el evento de interés entre el número total de resultados,
se encuentra la probabilidad de tener x éxitos y n − x fracasos en cualquier orden
posible, cuando se extraen n elementos del lote de N:
k N−k

x n−x
fX (x) = N
, donde máx {0, n − N + k} 6 x 6 min {n, k} (21)
n
Si X es una variable aleatoria con distribución hipergeométrica con parámetros N, k
y n, entonces su media y varianza son:
k
µX = E(X) = n = np (22)
N
Copyright 2010
semana 7
N−n
σ2X = Var(X) = np(1 − p)( ) (23)
N−1
k
Donde p = N corresponde a la probabilidad inicial de éxitos.
Observa que el valor de la probabilidad de éxito p, se deduce del hecho de que inicial-
mente se cuenta con una población de tamaño N, en la cual hay k individuos catalo-
k
gados como éxito. Por lo tanto, la probabilidad de elegir a uno de estos individuos es N .
Ejemplo 7.1 En una empresa industrial cada día se producen 250 piezas. Por experien-
cia se sabe que en promedio se obtendrán 50 piezas defectuosas. Si se eligen de forma
aleatoria y sin reemplazo 5 piezas de la producción de un día.
a) ¿Cuál es la probabilidad de que las 5 piezas sean defectuosas?
Sea X el número de piezas defectuosas en la muestra. Entonces X tiene una dis-
tribución hipergeométrica con parámetros N = 250, k = 50, n = 5, y se pide la
probabilidad P(X = 5).
Entonces
(50)(250−50)
P(X = 5) = 5 2505−5 = 0.00027
(5)
b) ¿Cuál es la probabilidad de que 3 o más piezas de la muestra sean defectuosas?

P(X > 3) = P(X = 3) + P(X = 4) + P(X = 5)
(50)(250−50) (50)(250−50) (50)(250−50)
= 3 2505−3 + 4 2505−4 + 5 2505−5
(5) (5) (5)
= 0.04989 + 0.00589 + 0.00027
= 0.05605.

Ejemplo 7.2 Unas tarjetas de circuitos impresas se someten a pruebas de funciona-
miento después de instalar en ellas chips semiconductores. Un lote contiene 140 tarjetas,
y se seleccionan 20 sin remplazo para las pruebas de funcionamiento.
a) Si hay 15 tarjetas defectuosas, ¿Cuál es la probabilidad de que al menos una de las
tarjetas defectuosas esté en la muestra?
(15)(140−15
20−0 )
P(x > 1) = 1 − P(x = 0) = 1 − 0 140 = 1 − 0.0865117 = 0.9134883
( 20 )
b) Si hay cinco tarjetas defectuosas, ¿Cuál es la probabilidad de que al menos una de
las tarjetas defectuosas aparezca en la muestra?
(5)(135)
P(x > 1) = 1 − P(x = 0) = 1 − 0 14020 = 0.54294057
( 20 )
c) Si hay 10 tarjetas defectuosas, ¿cuántas tarjetas defectuosas se esperan encontrar en
la muestra?
k 10
µX = E(X) = n( N ) = 20( 140 ) = 1.4285714
En una mesa se colocaron 15 tazas de café, de las cuales sólo 7 fueron endulzadas.
a) Si se eligen 2 tazas al azar, ¿cuál es la probabilidad de que ambas tenga azúcar?
En este caso se tiene una población de 15 tazas, de las cuales 7 pueden conside-
rarse como éxito, tienen azúcar. Además, las probabilidades de éxito se modifican
cada vez que se toma una taza, por lo tanto es conveniente emplear una distribu-
ción hipergeométrica con los siguientes parámetros.
58 Copyright 2010
7.1 distribución hipergeométrica
N = 15; k = 7; n = 2.
La pregunta inicial se resuelve de la siguiente manera.
(7)(15−7)
P(X = 2) = 2 152−2 = 0.2
(2)
b) Si se eligen 3 tazas al azar, ¿cuál es la probabilidad de que a lo sumo 2 tengan

azúcar?
En este caso se modifica el tamaño de la muestra, n = 3.
P(X 6 2) = P(X = 0) + P(X = 1) + P(X = 2)
(7)(15−7) (7)(15−7) (7)(15−7)
= 0 153−0 + 1 153−1 + 2 153−2
(3) (3) (3)
= 0.1230769 + 0.4307692 + 0.3692308
= 0.9230769
A partir de ahora considera que un mesero tomó 9 tazas al mismo tiempo.
c) Determina la probabilidad de que el mesero lleve al menos 3 tazas sin azúcar.

Al menos 3 tazas sin azúcar implican a lo sumo 6 tazas con azúcar, por lo tanto
la probabilidad buscada se obtiene de la siguiente forma.
Nuevamente debe cambiarse el tamaño de la muestra n = 9.
P(X 6 6) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6)
= 0.0013986 + 0.0335664 + 0.1958042 + 0.3916084 + 0.2937063 + 0.0783217
= 0.9944056
Observa que en este caso no se incluyó la probabilidad P(X = 0) porque el rango
de la variable aleatoria X no incluye esta posibilidad.
d) Determina la probabilidad de que el mesero haya tomado todas las tazas con azúcar
o bien todas las tazas sin azúcar.
La probabilidad de tomar todas las tazas con azúcar está dada por P(X = 7).
Por otro lado, la probabilidad de tomar todas las tazas sin azúcar está dada por
P(X = 1). Observa que las tazas sin azúcar son 8, por lo tanto en la muestra
tomada por el mesero sólo habrá 1 taza con azúcar.
Finalmente, la probabilidad buscada es:
P(X = 1) + P(X = 7) = 0.001398601 + 0.005594406 = 0.006993007
e) ¿Cuál es la probabilidad de que la cantidad de tazas con azúcar seleccionadas por
el mesero esté dentro de la desviación estándar del valor promedio?
Para este caso, la media y la desviación estádar son:
µX = 4.2 y σX = 1.68.
Por lo tanto, una desviación estándar alrededor de la media está dada por el
intervalo:
[4.2 − 1.68, 4.2 + 1.68] = [2.52, 5.88]
Los valores de la variable aleatoria X que caen en este intervalo son: 3, 4, 5.
Finalmente, la probabilidad buscada es:
P(3 6 X 6 5) = P(X = 3) + P(X = 4) + P(X = 5)
= 0.1958042 + 0.3916084 + 0.2937063
= 0.8811189
Copyright 2010
semana 7
7.2 distribución de poisson
Si todos los resultados de un experimento se producen de manera aleatoria dentro

de un intervalo de números reales, y si el intervalo se puede dividir en subintervalos
de longitud suficientemente pequeña, de tal forma que:
a) La probabilidad de que ocurra más de un evento en un subintervalo es cero.
b) La probabilidad de que ocurra un evento en un subintervalo es la misma para todos
los subintervalos y proporcional a su longitud.
c) La ocurrencia de un evento en cada subintervalo es independiente de otros subin-
tervalos.
Se dice que el experimento es un proceso de Poisson.
Si X representa el número de eventos aleatorios ocurridos en el intervalo, entonces X
tiene una distribución de Poisson dada por:
e−λ λx
fX (x) = , x = 0, 1, 2, ... (24)
x!
Donde e = 2.718 y λ es el número esperado de eventos en el intervalo.
Por ejemplo es frecuente que el número de variaciones de voltaje por hora, el número
de defectos por rollo de tela, el número de partículas contaminantes en un líquido, etc.,
se analicen como variables con una distribución de Poisson.
Si X es una variable aleatoria con distribución de Poisson con parámetro λ entonces su
media y varianza son:
µX = E(X) = λ (25)
σ2X = Var(X) = λ (26)
Ejemplo 7.3 Suponga que en una carretera estatal hay en promedio 3.5 baches cada 5
kilómetros. Sea X la cantidad de baches que se observan en esta distancia. Si el número
de baches sigue una distribución de Poisson con λ = 3.5.
a) ¿Cuál es la probabilidad de encontrar exactamente 4 baches en un recorrido de 5
kilómetros?
Esto se obtiene con:
−3.5 (3.5)4
P(X = 4) = e 4! = 0.1888
b) Determina la probabilidad de encontrar a lo sumo 4 baches es:
X 4
P(X 6 4) = P(X = x)
x=0
(3.5)2 (3.5)3 (3.5)4
= e−3.5 [1 + 3.5 + 2! + 3! + 4! ]
= 0.7254

Uno de los errores más comunes al utilizar la distribución de Poisson proviene del
uso incorrecto del factor λ. En el ejemplo anterior, se consideró λ = 3.5, lo cual se
interpreta como 3.5 baches cada 5 kilómetros. Este valor de λ resultó adecuado para
determinar la probabilidad de encontrar 4 baches en un recorrido de 5 kilómetros, pero
si se modifica el tamaño del recorrido también debe modificarse el valor de λ.
60 Copyright 2010
7.2 distribución de poisson
Ejemplo 7.4 Utilizando la misma información que en el ejemplo anterior resuelve las
siguientes preguntas.
a) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de
10 kilómetros.
Nuevamente se pide determinar P(X = 4), pero en este caso sería un error utilizar
λ = 3.5. Para resolver este ejemplo es necesario determinar el número de baches
esperados en 10 kilómetros. Se sabe que se esperan 3.5 baches en 5 kilómetros,
por lo tanto en 10 kilómetros se esperan 7 baches (el doble). De esta forma la
probabilidad buscada es:
−7 4
P(X = 4) = e 4!(7) = 0.09122
b) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de 2
kilómetros.
Nuevamente, se debe establecer el valor de λ, en este caso para 2 kilómetros. Co-
mo λ = 3.5 para 5 kilómetros, entonces λ = (3.5)( 52 ) = 1.4 baches en 2 kilómetros.
Por lo tanto:
−1.4 (1.4)4
P(X = 4) = e 4! = 0.03947
Es importante recordar que una de las características de un proceso de Poisson es
que la probabilidad de que ocurra un evento en un subintervalo es proporcional a
su longitud, por lo tanto resulta coherente que las probabilidades calculadas en cada
ejemplo sean diferentes, ya que el tamaño del recorrido fue modificado.
Copyright 2010
SEMANA 8
8
8.1 autoevaluación 2
Utiliza los siguientes ejercicios para evaluar tu nivel de comprensión del material
estudiado. Entre los corchetes se encuentra la respuesta correcta de cada pregunta.
1. Una marca de perfume tiene dos tamaños de presentación: pequeño y mediano.
Treinta y cinco por ciento de todos los clientes de cierta tienda buscan el tamaño
pequeño.
a) Entre 12 clientes seleccionados al azar, ¿cuál es la probabilidad de que por lo
menos 3 busquen el tamaño pequeño? = {0.8487}
b) Entre 12 clientes seleccionados al azar, ¿cuál es la probabilidad de que exacta-
mente 3 busquen el tamaño pequeño? = {0.1954}
2. Un lote de 55 jugos enlatados contiene seis en los que el contenido está por abajo
del límite permitidos. Se seleccionan al azar una muestra de 10 latas para ser
enviadas y analizadas por control de calidad.
a) ¿Cuál es la probabilidad de que a lo sumo uno de los jugos inaceptables esté
en la muestra? = {0.7024}
b) ¿Cuál es la probabilidad de que ninguno de los jugos inaceptables esté en la
muestra? = {0.28096}
3. El número de imperfecciones superficiales en el material utilizado para construir
la puerta de cierto tipo de refrigeradores tiene una distribución de Poisson con
una media de 0.04 imperfecciones por metro cuadrado.
a) Suponga que cada puerta requiere de 4 metros cuadrados de dicho material.
¿Cuál es la probabilidad de que no haya imperfecciones superficiales en la
puerta de un refrigerador? = {0.8521}
b) Por solicitud de una fábrica de helados se construirá una puerta de 150 metros
cuadrados, ¿cuántas imperfecciones esperaría encontrar? = {6}
4. Suponga que la probabilidad de que un arquero le atine al centro de la diana es
p = 0.5.
a) Cierto día establece que continuará practicando hasta atinar dos veces en el
centro. ¿Cuál es la probabilidad de que tenga que realizar a lo más cinco
disparos? = {0.8125}
b) ¿Cuántos disparos espera hacer antes de poder detener el entrenamiento?
= {4}
5. Un examen de opción múltiple contiene 25 preguntas, cada una con cuatro res-
puestas. Suponga que un estudiante sólo adivina las respuestas.
a) ¿Cuál es la probabilidad de que el estudiante conteste de manera correcta
menos de cuatro preguntas? = {0.09621}
b) ¿Qué calificación se espera que obtenga un estudiante tomado al azar? = {6.25
respuestas correctas, ó 2.5 de calificación }
6. Las tarjetas de circuito impreso se envían a una prueba de funcionamiento des-
pués de haber montado en ellas todos los chips. Un lote contiene 140 tarjetas y se
toman 20 tarjetas diferentes para hacerles la prueba de funcionamiento.
Copyright 2010
semana 8
a) Si 20 tarjetas están defectuosas, ¿cuál es la probabilidad de que al menos una

de ellas se encuentre en la muestra? = {0.96438}
b) Si 5 tarjetas están defectuosas, ¿cuál es la probabilidad de que a lo más una
de ellas aparezca en la muestra? = {0.851076}
7. El número de fallas de un instrumento de prueba de partículas de contaminación
en un producto es una variable aleatoria de Poisson con una media de 0.02 fallas
por hora.
a) ¿Cuál es la probabilidad de que el instrumento no falle en una corrida de 8
horas? = {0.8521}
b) ¿Cuál es la probabilidad de al menos una falla en un día de 24 horas? =
{0.381216}
64 Copyright 2010
ANEXOS
A
a.1 tabla de ecuaciones
Semana 5
fX (xi ) = P(X = xi )
Variable aleatoria X
n
µX = E(X) = xi fX (xi )
discreta i=1
X
n
σ2X = (x − µX )2 fX (x) = E(X2 ) − µ2X
i=1

 si x = 1
 p,
fX (x) = 1 − p, si x = 0


Distribución de Bernoulli  0, en otro caso 6
µX = E(X) = p
σ2X = Var(X) = p(1 − p) = pq
1
fX (xi ) = n para toda i = 1, 2, 3, ..., n
P
n
Distribución uniforme xi 9
i=1
µX = E(x) = n
P
n
(xi −µ)2
Var(X) = σ2X = i=1
n
Semana 6
n
x
fX (x) = x p (1 − p)n−x , x = 0, 1, 2, ...
Bistribución binomial 12
µX = E(X) = np
σ2X = Var(X) = np(1 − p)
fX (x) = (1 − p)x−1 p, x = 1, 2, ...

Distribución geométrica 1
15
µX = E(X) = p
(1−p)
σ2X = Var(X) = p2
Copyright 2010
anexos
x−1
(1 − p)x−r pr , x = r, r + 1, r + 2, ...

Distribución binomial f(x) = r−1
r
18
negativa µX = E(X) = p
r(1−p)
σ2X = Var(X) = p2
Semana 7
(kx)(N−k
n−x )
fX (x) = , donde máx {0, n − N + k} 6 x 6 min {n, k}
Distribución (Nn)
µX = E(X) = n N k
= np 21
hipergeométrica
σ2X = Var(X) = np(1 − p)( N−n
N−1 )
k
p= N
e−λ λx
Distribución de Poisson
fX (x) = x! , x = 0, 1, 2, ...
24
µX = E(X) = λ
σ2X = Var(X) = λ
Rb
Variable aleatoria P(a 6 X 6 b) = a fX (x)dx
R∞
continua µX = E(X) = −∞ xfX (x)dx
R∞
σ2X = Var(X) = −∞ (x − µ)2 fX (x)dx
66 Copyright 2010
BIBLIOGRAFÍA
[1] Grabinsky J., “Guía SAI de probabilidad y estadística. Tron-

co general”. Universidad Autónoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217523/217523.html.
[2] Rivera B. J., “Probabilidad condicional”. Universidad Autónoma Metropolitana.

Disponible en: http://espartaco.azc.uam.mx/UAM/217423/217423.html.
[3] Grabinsky J., Ramírez R. J., Rivera B. J., Alonso J., López B. R., “Problemas de
probabilidad y estadística”. Universidad Autónoma Metropolitana. Disponible en:
[4] Ramírez R. J., Rivera B. J., “Taller de probabilidad y estadística. Espacio

muestra y eventos”. Universidad Autónoma Metropolitana. Disponible en:
[5] López B. R., “Taller de probabilidad y estadística. Técnicas de con-

teo y probabilidad”. Universidad Autónoma Metropolitana. Disponible en:
[6] Gutiérrez A. M. A., “Variables aleatorias”. Universidad Autónoma Metropolitana.

Disponible en: http://espartaco.azc.uam.mx/UAM/223498/223498.html.
[7] Meyer, Paul L., “Introductory Probability and Statistical Applications",

Ed.Addison Wesley, 1965.
[8] Walpole R. E. y Myers R. H., “Probabilidad y Estadística", Ed. Mc Graw Hill,1992.
[9] Devore J.L., “Probabilidad y Estadística para Ingeniería y Ciencias", Ed.

Int.Thompson Editores, México, 1998.
[10] Montgomery D. C. y Runger G. C., “Probabilidad y Estadística Aplicada a laInge-

niería", Mc Graw Hill, 1996.
Copyright 2010

Probabilidad y Estadistica Segunda Parte

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Probabilidad y Estadistica Segunda Parte

Enviado por

Direitos autorais:

Formatos disponíveis

N O TA S D E P R O B A B I L I D A D Y E S TA D Í S T I C A

roman anselmo mora gutiérrez

Universidad Autónoma Metropolitana

En este capítulo se define el concepto de variable aleatoria discreta, se realizan al-

Considera que se seleccionan una muestra de estudiantes universitarios y se les pre-

fX (xi ) = P(X = xi ) (1)

Para este ejemplo se definirá una variable aleatoria X de la siguiente manera:

Otro concepto importante es la distribución de probabilidad acumulada.

Observación 2 Las siguientes propiedades son resultado de la definición de FX (x).

FX (2) = (P 6 2) = P(X = 0 ∪ X = 1 ∪ X = 2) = P(X = 0) + P(X = 1) + P(X = 2)

d) Ahora determine la distribución de probabilidad acumulada de la variable aleato-

P(a 6 X 6 b) = FX (b) − FX (a−) (3)

Donde (a−) representa el valor máximo posible de X que es estrictamente menor

Ejemplo 5.6 Utilizando los datos del ejemplo anterior determina:

Ejemplo 5.7 La distribución de probabilidad de la variable aleatoria X está dada por

Primero se determinará la distribución de probabilidad acumulada y posteriormente

Respetando las reglas para graficar FX (x), se tiene lo siguiente:

Ejemplo 5.8 Se evalúan automóviles y se reportan el número de defectos. Sea X el

a) Determina la probabilidad de que se encuentren a lo más 3 defectos.

5.2 esperanza y varianza de una variable aleatoria discreta

Donde “E(X)", se lee como valor esperado de X.

Denición 5.2.2 La varianza de la variable aleatoria X se puede definir en términos

La media o valor esperado, también llamada esperanza, esperanza matemática o media

Ahora se determinará el valor esperado de X.

Al conocer el valor de la media es posible calcular el valor de la desviación están-

Ejemplo 5.10 Responde a las siguientes preguntas suponiendo que en el nacimiento

σ2X = Var(X) = (0 − 1.5)2 fX (0) + (1 − 1.5)2 fX (1) + (2 − 1.5)2 fX (2)

5.3 distribución de bernoulli

Donde p representa la probabilidad de éxito y 1 − p la probabilidad de fracaso.

Por otro lado, su varianza es igual a la probabilidad de un éxito multiplicada por la

σ2X = Var(X) = p(1 − p) = pq (8)

Ejemplo 5.11 Considera el experimento de lanzar una moneda. Aplica la distribución

5.4 distribución discreta uniforme

b) Determina el valor de la media de X.

Ejemplo 5.14 Considera el lanzamiento de un dado, si se define a la variable aleatoria

Un experimento binomial es un experimento aleatorio que consta de n ensayos Ber-

σ2X = Var(X) = np(1 − p) (14)

Para comprender el valor de la media considera que se realizan 10 lanzamientos de

a) Determina la probabilidad de que a lo sumo 2 aparatos sean defectuosos en la

b) ¿Cuál es la probabilidad de que al menos cuatro muestras contengan la molécula

Ejemplo 6.3 La probabilidad de que un estudiante participe en una encuesta es 0.4.

la distribución de probabilidad del número de personas que participarán.

Por lo tanto se tienen las siguientes probabilidades:

b) Determina la probabilidad de que las 30 copas estén en buenas condiciones.

6.2 distribución geométrica

En algunas ocasiones resulta importante conocer el número de ensayos hasta obtener

fX (x) = (1 − p)x−1 p, x = 1, 2, ... (15)

Si X es una variable aleatoria con distribución geométrica con parámetro p, entonces

número de días transcurridos sin tormenta empezando el 1 de enero hasta el 3 de

Ejemplo 6.6 En un entrenamiento de básquetbol, un jugador se dispone a ejecutar

6.3 distribución binomial negativa

La distribución binomial negativa es una generalización de la distribución geométri-

Observe que el rango de X es de r a +∞.

de transmitir un bit erróneo. Para garantizar la calidad de la información, se debe

En este caso la variable aleatoria es X = número de bits transmitidos hasta obtener

En algunos ensayos de Bernoulli la probabilidad de éxito p no se mantiene constante.

b) ¿Cuál es la probabilidad de que 3 o más piezas de la muestra sean defectuosas?

Ejemplo 7.2 Unas tarjetas de circuitos impresas se someten a pruebas de funciona-

b) Si se eligen 3 tazas al azar, ¿cuál es la probabilidad de que a lo sumo 2 tengan

c) Determina la probabilidad de que el mesero lleve al menos 3 tazas sin azúcar.

7.2 distribución de poisson

Si todos los resultados de un experimento se producen de manera aleatoria dentro

σ2X = Var(X) = λ (26)

Denición 5.2.2 La varianza de la variable aleatoria X se puede definir en términos