ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA

CONTIENE: CAPÍTULO 4

AUTORES: NEWBOLD, P., W. L. CARLSON Y B. THORNE.

FOTOCOPIADO DE: ESTADÍSTICA PARA ADMINISTRACIÓN Y ECONOMÍA.

6TA EDICIÓN. MADRID: PEARSON PRENTICE HALL.

SEMESTRE: SEGUNDO SEMESTRE DE 2013

“USO EXCLUSIVO ALUMNOS FACEA, PARA FINES DE DOCENCIA E

INVESTIGACIÓN”
 VARIABLES ALEATORIAS DISCRETAS
Y DlSTRlBUClONES DE PROBABILIDAD

V 4.1 VARIABLES ALEATORIAS

Supongamos que se realiza un experimento aleatorio y a cada resultado posible se le asigna un nu-
mero. En experimentos tales como lanzar un dado o medir la renta familiar, 10s resultados posibles
son valores numdricos. Cuando dste no es el caso, tambidn es habitual asignar numeros a 10s posibles
resultados, especialmente en experimentos con d l o dos resultados posibles. Por ejemplo, un compo-
nente producido en un proceso industrial puede clasificarse como "defectuoso" o "no defectuoso".
Podemos asignar el valor 1 a la primera posibilidad y 0 a la segunda.
Antes de realizar el experimento, habri incertidumbre sobre el resultado del mismo, y, como vimos
en el Capitulo 3, esta incertidumbre se puede cuantificar en tdrminos de probabilidades. Si 10s resul-
tados son valores numCricos, estas probabilidades pueden resumirse convenientemente a travts de la
noci6n de variable aleatoria.

Una variable aleatoria es una variable que toma valores numtricos determinados por el resultado de un ex-
periment~aleatorio.

Es importante distinguir entre una variable aleatoria y 10s posible valores que Csta puede tomar.
Usaremos letras maylisculas, tales como X, para designar la variable aleatoria y la co~~espondiente
minuscula x para designar un valor posible. Por ejemplo, antes de observar el resultado del lanza-
miento de un dado, puede usarse la variable aleatoria X para designar el resultado. Esta variable alea-
toria puede tomar 10s valores concretos x = 1, x = 2, ...,x = 6, cada uno con probabilidad 116.
4.5 LA DISTRIBUCI~NBINOMIAL
Supongamos que un experimento aleatorio tiene s610 dos resultados posibles que son mutuamente ex-
cluyentes y conjuntamente exhaustivos, y que por conveniencia llamaremos "Cxito" y "fracaso". Sea
p la probabilidad de Cxito; la probabilidad de fracaso es, por tanto, (1 -p). Definamos ahora la varia-
ble aleatoria X que toma el valor 1 si el resultado del experiment0 es Cxito y 0 en caso contrario. La
funci6n de probabilidad de esta variable aleatoria es, entonces,

Esta distribuci6n se conoce como la distribuci6n de Bernoulli. Su media y su varianza pueden

calcularse mediante la aplicaci6n directa de las definiciones de la Secci6n 4.3. La media de una va-
riable aleatoria$ernoulli es
PX = E(X) = C xPx(x) = (ON1 - p )
X
+ (l)(p) = p
y la varianza
a
CT?
= E[(X - rn)'] = C (X - k)'PX(x)
I
= (0 - p)'(l - p) + (1 - P)$ = p ( 1 - p)

EJEMPLO Un agente de seguros piensa que en un contact0 concreto, la probabilidad de conseguir una venta
4.8 es 0,4. Si definimos la variable aleatoria X que toma el valor 1 si consigue una venta y 0 si no, enton-
ces, X tiene distribucidn Bernoulli con probabilidad de Cxito p igual a 0,4, es decir, la funci6n de pro-
.,babilidad de X es
Px(0) = 0,6 Px(1) = 0.4
La media de esta distribuci6n es p = 0,4, y la varianza

Una generalizaci6n importante de la distribuci6n Bernoulli consiste en considerar el caso en el que

un experimento aleatorio, con dos resultados posibles, se repite varias veces. Supongamos de nuevo
que la probabilidad de Cxito en cada repetici6n es p y que se realizan n ensayos independientes, con
lo que el resultado de un ensayo no influye en el resultado de cualquier otro. El n6mero de Cxitos X en
las n repeticiones puede ser cualquier ndmero entero entre 0 y n, y estamos interesados en la probabi-
lidad de obtener exactamente
>
X = x Cxitos en n repeticiones.
~esarrollaremosel resultado en dos partes. Primero, observemos que el resultado de las n repeti-
ciones es una secuencia de n resultados, cada uno de 10s cuales debe ser Cxito (S) o fracaso (F). Una
secuencia con x Cxitos y (n - x) fracasos es
, S,S.....S , ,
x veces
F , F..... F
'(n - x) vecesl
Es decir, en las x primeras repeticiones el resultado es Cxito, mientras que en las restantes el resul-
tad0 es siempre fracaso. La probabilidad de Cxito en cada repetici6n es p, y la probabilidad de fallo
(1 - p). Puesto que las n repeticiones son independientes, la probabilidad de cualquier secuencia de
resultados es, por la regla de multiplicaci6n de probabilidades (Secci6n 3.6), igual al product0 de las
probabilidades de 10s resultados individuales. Por tanto, la probabilidad de observar la secuencia de
resultados descrita es
P'P'" 'p'
' (l-p)~(l-p)'~~.'(l-p)=px(l-p)"-x
I I
x veces (n - X) veces
 LA DISTRIBUCI~NBINOMLAL 13 1

, Este argument0 establece que la probabilidad de observar una secuencia concreta que contenga x
Cxitos y (n - x) fracasos es pK(l - p)"-".
Nuestro inter& original no era determinar la probabilidad de ocurrencia de una secuencia particu-
lar sin0 la probabilidad de obtener exactamente x Cxitos, sin tener en cuenta el orden de 10s resulta-
dos. Existen varias secuencias en las que pueden aparecer x Cxitos intercalados enhe (n - x) fracasos.
De hecho, el numero de secuencias de este tipo es precisamente el ndmero de combinaciones de n ele-
mentos tornados de x en x, puesto que podemos elegir x posiciones de un total de n en las que colocar
10s Cxitos. Por tanto, como vimos en la Secci6n 3.5
n!
Numero5 de secuencias que contienen x Cxitos en n repeticiones = .CK =
x!(n - x)!
AdemAs, estas secuencias son mutuamente excluyentes, puesto que no pueden ocurrir dos de ellas
simulthneamente.
Hemos visto que el suceso "se obtienen x Cxitos en n repeticiones" puede ocumr de .C, maneras
mutuamente excluyentes, cada una con probabilidad p' (1 -p)'-'. Por tanto, por la regla de la adici6n
de probabilidades (Secci6n 3.6), la probabilidad buscada es la suma de estas .CK probabilidades indi-
viduales, es decir,
n!
P(x Cxitos en n repeticiones) = pK(l - p)"LK
x!(n - x)!

La distribucion binomial ,'

Supongamos que un experiment0 aleatorio tiene s610 dos resultados posibles mutuamente excluyentes y
conjuntamente exhaustivos, "Cxito" y "fracaso", y que p es la probabilidad de obtener Cxito en cada repeti-
ci6n. ~1 se realizan n repeticiones independientes, la distribuci6n del nlimero de Cxitos, X, resultante se de-
nomina distribucion binomial. Su funci6n de probabilidad es
n!
px(x) = x!(n - pY1 - p)"-" parax= 0, 1 , 2 , . . . , n

EJEMPLO Supongamos ahora que el agente de seguros del Ejemplo 4.8 tiene cinco contactos, y piensa que
4.9 para cada uno la probabilidad de conseguir una venta es 0,4. La distribuci6n del numero de ventas X
es, entonces, binomial, con n = 5 y q ,
= 0,4, es decir, 1

Las probabilidades para el ndmero de Cxitos (ventas logradas) son

-
5!
P(0 Cxitos) = Px(0) = -(0,4)'(0,6)~ = (0,6)~= 0,078
01 5!
P ( l txito) = .Px(l) = -5! (0,4)1(0.6)4 = (5)(0,4)(0,6)4 = 0,259
11 41
5!
P(2 txitos) = Px(2) = -(0,4)'(0,6)' = (10)(0,4)'(0,6)' = 0.346
2! 3!
5!
P(3 txitos) = Px(3) = - (0,4)'(0.6)' = (10)(0,4)~(0,6)' = 0.230
3! 2!

N6tese que en esta expresidn definimos O! = 1.

132 VARIABLES
ALEATOW DISCRETAS Y DlSTRlBUClONES DE PROBABlLlDAD

FIGURA 4.5 Funcidn de probabilidad binomial del Ejemplo 4.9 (n = 5, p = 0.4)

P(4 Cxitos) = Px(4) = -5! (0,4)~(0,6)'= (~)(0,4)~(0,6)

= 0,077
4! l!

P(5 Cxitos) = Px(5) = -

' 5! (0,4)5(0,6)0= ( 0 9 7 = 0,010
5! O!
En la Figura 4.5 se representa la funci6n de probabilidad. Tiene la forma tipica de las probabilida-
des binomiales cuando p no es muy grande ni muy pequeiio. En 10s extremos (0 y 5 Cxitos), las pro-
babilidades son bastante bajas, puesto que en ambos casos s610 hay una secuencia de resultados que
da lugar a ese suceso. Las probabilidades alcanzan su punto m k alto en el centro de la distribuci6n (la
posici6n del mhimo depende de p), donde el nlimero de posibles secuencias es mayor.
Para encontrar la media y la varianza de la distribuci6n binomial, conviene volver sobre la distri-
bucidn Bernoulli. Consideremos n ensayos independientes, cada uno con probabilidad de Cxito p, y
sea Xi = 1 si el resultado del i-Csimo ensayo es Cxito y 0 si no. Las variables aleatorias XI, X2, . . . ,Xn
son, entonces, n variables Bernoulli independientes, cada una con probabilidad de Cxito p. Ademh, el
n h e r o total de Cxitos X es
x=x1+xz+- . .+xn
Lo que significa que la variable aleatoria binomial puede expresarse como suma de variables alea-
torias Bernoulli independientes. Ahora, puesto que ya conocemos la media y la varianza de la varia-
ble aleatoria Bernoulli, pueden utilizarse 10s resultados de la Seccidn 4.4 para encontrar la media y la
varianza de la distribuci6n binomial. Recordemos que para una variable Bernoulli
E(Xi)=p y Vx(Xi)=p(l'~p) parai=1,2, ...,n
Por tanto, para la distribuci6n binomial
E(X) = E(Xl + XZ + ... + Xn) = E(X1) + E(X2) + .. + E(Xn) = np
Como las variables aleatorias Bernoulli son independientes, la covarianza entre ellas es 0, y
 LA DISTRIBUC16N BINOMIAL 133
-

Media y varianza de la distribuci6n binomial

Sea X el ndmero de dxitos en n repeticiones independientes, cada una con probabilidad de dxito p. En-
tonces, X sigue una distribuci6n binomial con media
PX = E(X) = np
y varianza
ax' = E[(X - b)']= np(1 - p)

EJEMPLO Volvamos al Ejemplo 4.9. La media (o esperanza) del ndmero de ventas del agente de seguros que
4-10 hace cinco contactos, cada uno con probabilidad 0,4 de convertirse en venta, es
px = np = (5)(0,4)= 2
y la varianza
a2 = np(1 - p) = (5)(0,4)(0,6)= 1,2
luego la desviaci6n tipica del nhmero de ventas es
ax = * = 1,lO
Puesto que conocemos la forma de la funci6n de probabilidad binomial, es sencillo hallar la proba-
bilidad de que el ndmero de dxitos estt en un intervalo concreto. Como 10s sucesos "0 Cxitos", " 1
Cxito", etc., son mutuamente excluyentes, la probabilidad que buscamos es exactamente la suma de
las probabilidades sobre todos 10s ndmeros de dxitos en ese intervalo.

EJEMPLO Volvamos a1 Ejemplo 4.9. iCuhl es la probabilidad de que el ndmero de txitos estC entre 2 y 4 (am-
4-11 bos inclusive)? Buscamos
P(2 IX 1 4 ) = P(X = 2 ) + P(X = 3 ) + P(X = 4 ) = Px(2) + Px(3) + Px(4)
que, usando 10s resultados del Ejemplo 4.9, vale
$3
0,346 + 0,230 + 0,077 = 0,653
iCu6l es la probabilidad de a1 menos"n dxito? Podemos hallar
P(X 2 1 ) = Px(1) + Px(2) + Px(3) + Px(4) + Px(5)
directamente, per0 es innecesariamente tedioso. Las probabilidades de una distribuci6n discreta su-
man 1 , luego
P(X 2 1 ) = 1 - P(X = 0 ) = 1 - Px(0) = 1 - 0,078 = 0,922
A menos que el ndmero de repeticiones n sea muy pequefio, el chlculo de probabilidades binomia-
les puede hacerse extremadamente pesado. Sin embargo, en las aplicaciones reales, 10s chlculos pue-
den realizarse rhpidamente en un ordenador o con una calculadora programable. Ademh, como vere-
mos en la Secci6n 4.7 y en el Capitulo siguiente, cuando el n6mero de repeticiones n es bastante
grande, las probabilidades pueden obtenerse mediante aproximaciones adecuadas a la distribuci6n bi-
nomial. Con el fin de facilitar la soluci6n de 10s problemas, en la Tabla 1 del Aptindice se proporcio-
nan las probabilidades binomiales para valores de n hasta 20 y algunos valores seleccionados de p
hasta p = 0.5 inclusive. Para valores mayores de pipuede usarse la siguiente regla 6:

Para comprobar que esta regla es cierta basta intercarnbiar x y (n - x) en la funci6n de probabilidad binomial.
 P(x Cxitos en n enbyos cuando la probabilidad de Bxito en cada ensayo es p) = P[(n - x) Cxitos en n ensa-
yos cuando la probabilidad de Bxito en cada ensayo es (1 -p)].
Por ejemplo, la probabilidad de siete Bxitos en doce ensayos conp = 0,6 es la misma que la probabilidad
de cinco Bxitos en doce ensayos con p = 0,4. Es decir, tomando x = 7, n = 12 y p = 0.6 en la Mrmula, se obtiene
P(7 Bxitos en 1E ensayos cuando la probabilidad de Bxito en cada ensayo es 0,6) = P(5 Cxitos en 12 ensayos
cuando la probabilidad de dxito en cada ensayo es 0,4).
En la Tabla 1 puede verse directamente que esta probabilidad es 0,2270. Este valor se obtiene hscando
en las dos primeras columnas de la tabla, la fila correspondiente a n = 12 y x = 5; una vez hecho esto, se localiza
la probabilidad buscada en la colurnna correspondiente a p = 0.40.

EJEMPLO Se envian invitaciones para cenar a 10s 20 delegados que asisten a una convencibn, y se Cree que
4-12 para cada delegado invitado, la probabilidad de que acepte es 0,9. Si se asume que toman la decisi6n
de aceptar la invitaci6n independientemente, jcuil es la probabilidad de que corn? mucho 17 delega-
dos acepten la invitacih?
Sea X la variable aleatoria que representa el ndmero de delegados que aceptan la invitaci6n. En-
tonces, X tiene distribuci6n binomial, con n = 20 y p = 0,9. Buscamos
P(X r 17) = 1 - P(X = 18) - P(X = 19) - P(X = 20) = 1 - Px(18) - Px(19) - Px(20)
Asi, con n = 20, la probabilidad de 18 Cxitos para p = 0,9 es la misma que la probabilidad de dos
Cxitos para p = 0,l. En la Tabla 1 del ApCndice encontramos que Px(18) = 0,2852. AnAlogamente,
comprobamos que Px(19) = 0,2702 y Px(20) = 0,1216. Por tanto, la probabilidad de que acepten como
mucho 17 es
P(X 5 17) = 1 - 0,2852 - 0,2702 - 0,1216 = 0,323
Una aplicaci6n importante de la distribuci6n binomial es el muestreo de aceptacion. Cuando una
compaiiia recibe un cargamento de mercancias muy grande, debe decidir, a partir de la informaci6n
sobre la calidad de estos productos, si aceptar el pedido. Normalmente, una inspecci6n minuciosa de
todo el cargamento resulta demasiado cara, por lo que se selecciona y examina una pequeiia muestra
[email protected] partir de 10s resultados de este examen, se toma una decisi6n sobre la aceptaci6n o no del
cargamento. Para cada regla particular de decisi6n de este tipo, es posible calcular la probabilidad de
aceptar un cargamento con una proporci6n dada de defectuosos. En efecto, s i p es la proporci6n de ar-
ticulos defectuosos en el cargamento y n es el tamaiio de la muestra8,el ndmero de articulos defec-
tuosos en la muestra X sigue una distribuci6n binomial con funci6n de probabilidad

n!
Px(x) = px(1 - p)"-" parax = 0, l , 2 , . . . , n
x! (n - x)!
El siguiente ejemplo ilustra c6mo pueden calcularse las probabilidades de aceptar un envio.

EJEMPLO Una compaiiia recibe un gran cargamento de articulos, y decide aceptar el envio si en una muestra
4.13 aleatoria de veinte articulos no hay mis de uno defectuoso. Es decir, se acepta el cargamento si el nli-

'Se entiende por muestra aleatoria de n elementos la que se selecciona de manera que cualquier conjunto de n ele-
mentos del cargamento tiene la misma probabilidad de ser elegido. Este concept0 se ektudiari mAs ampliamente en el
Ca ltulo 6.
'~stamos asvmiendo que el nUmero de articulos n de la muestra es una proporcidn muy pequefia del-nUmerototal de
artlculos en el cargamento. En la pr6xima secci6n, veremos c6mo se puede proceder si esta hip6tesis no es apropiada.
 mew de articulos defectuosos es cero o uno, por lo que si Px(x) es la funci6n de probabilidad del nu-
mero X de articulos defectuosos en la muestra, tenemos
P(aceptar el cargamento) = Px(0) + Px(1)
Supongamos que la proporci6n de articulos defectuosos en el cargamento es p = 0,l. Para n = 20,
en la Tabla 1 del ApCndice, encontramos que las probabilidades de cero y un articulos defectuosos en
la muestra son, respectivamente, Px(0) = 0,1216 y Px(l) = 0,2702. Por tanto, con esta regla de deci-
si6n, la probabilidad de que la compaiiia acepte el envio es
P(aceptar el cargamento) = 0,1216 + 0,2702 = 0,3918
Anilogamente, si el 20% de 10s articulos dercargamento son defectuosos, es decir, si p = 0,2, en-
tonces,
+
P(aceptar el cargamento) = 0,0115 0,0576 = 0,0691
y para p = 0,3
P(aceptar el cargamento) = 0,0008 + 0,0068 = 0,0076
Como puede verse en el Ejemplo 4.13, a mayor proporci6n de articulos defectuosos en el carga-
mento, se hace menos verosimil la aceptaci6n del envio. Podemos representar en un grifico la proba-
bilidad de aceptaci6n en funci6n de la proporci6n de articulos defectuosos en el cargamento, como en
la Figura 4.6. Este grhfico nos permite conocer inmediatamente las probabilidades de aceptaci6n para
cualquier proporci6n de articulos defectuosos. Ti

Evidentemente, se pueden construir un gran numero de curvas que proporcionen las probabilidades
de aceptaci6n para cada proporci6n de defectuosos en el cargamento, eligiendo diferentes tarnaiios
muestrales n y diferentes reglas que determinen la aceptaci6n. En este sentido, una compaiiia debe
buscar un equilibrio entre el coste de aceptar cargamentos con una proporci6n concreta de defectuo-
sos y el de realizar controles de calidad.

En el Ejemplo 4.13, considerhbamos una situaci6n en la cual se analizaba una muestra de articulos de
una gran remesa. Asumiendo que el tarnaiio de la muestra era extremadamente pequeiio en relaci6n a1

FIGURA 4.6 Probabilidad de aceptaci6n como funci6n de la proporci6n de articulos defectuosos cuando se
acepta el cargamento si hay menos de dos articulos defectuosos en una muestra aleatoria de veinte
numero total de articulos de la remesa, pudimos abordar el problema mediante la distribucion bino-
mial. Sin embargo, en 10s casos en 10s que el numero de elementos de la muestra no es una propor- ,
cion muy pequeiia del numero total de articulos en la poblacibn, la distribucion binomial es inapro-
piada. La razon es que en estas situaciones no hay independencia entre el resultado de un elemento
particular de la muestra y 10s restantes. Para ilustrar, supongamos que un envio contiene diez articu-
los, tres de 10s cuales son defectuosos. Si se elige un articulo aleatoriamente, la probabilidad de que
sea defectuoso es simplemente 3/10. Supongamos ahora que se elige un segundo articulo. Si el pri-
mero fue defectuoso, entonces quedan dos defectuosos entre 10s nueve restantes, con lo cual la pro-
babilidad de que el segundo articulo sea defectuoso dado que el primero fue defectuoso, sera 219. La
probabilidad de que este segundo articulo sea defectuoso dado que el primero no lo fue sera, por un
argument0 similar, 319. Por tanto, 10s sucesos "el primer articulo es defectuoso" y "el segundo ar-
ticulo es defectuoso" no son estadisticamente independientes. Recordemos que para que la distribu-
cion del numero de Cxitos en n ensayos sea binomial, es necesario que 10s resultados de Cstos sean in-
dependientes. Como hemos visto, Cste no sera el caso si el muestreo se realiza sobre una poblacion
pequeiia de elementos. Si el numero total de elementos en la poblacion es muy grande en relacion a1
tamaiio de la muestra, la influencia de la dependencia es tan pequeiia que puede ser ignorada, y en
este caso puede usarse la distribucion binomial con total garantia. Sin embargo, esto no es cierto
cuando el numero de elementos de la poblacion no es muy grande.
No obstante, podemos encontrar una distribucion de probabilidad apropiada para una situaci6n de
este tipo. En general, supongamos que un conjunto de N elementos, cada uno de 10s cuales puede eti-
quetarse como "exito" o "fracaso", contiene S Cxitos y (N- S)fracasos. Se elige una muestra aleato-
ria de 11 elementos de este conjunto, y buscamos la probabilidad de que la muestra contenga x Cxitos.
En primer lugar, el numero total de posibles muestras de 11 elementos que pueden elegirse de un total
de N es el numero de combinaciones

El numero de posibles maneras de obtener s Cxitos en la muestra de un total de S Cxitos es

Puesto que la muestra contiene s txitos, tambiCn debe contener (n-x) fracasos, y el numero de ma-
neras de elegirlos entre un total de (N- S)fracasos es

(N - S)!
N-5Cn-r=
(n - x)!(N - S - 11 + .Y)!
El numero total de muestras de 11 elementos que contienen exactamente s exitos y (11- s)fracasos
es, por tanto,
S! (N - S)!
S C ~ N - S=C ~ - ~
X! (S- s ) ! (11- x)! (N - S - n + x)!
Por ultimo, puesto que el numero de posibles muestras es K,,,la probabilidad de obtener x exitos
en la muestra es

S! (N - S)!
SCtN-Sen-r - x! (S- x)! S- rz + x)!
(11 - .v)!(N -
P(xtxitos) = -
NC,, N!
IL! (N - n)!
 L a distribucion hipergeometrica
Supongamos que se elige una muestra aleatoria de tamafio n de un conjunto de N elementos, S de 10s cua-
les son Cxitos. La distribucion del numero de Cxitos, X, en la muestra se denomina distribucion hipergeo-
metrica. Su funcion de probabilidad es
--. S! N-S)!
sC,~l-sC,,-,- .r!(S-x)! (tl-s)!(N-S-n+x)!
Px(s) = -
kcll N!
tl! (N - I!)!
donde .v puede tomar valores enteros entre el maximo de 0 y [rl - (N- S)] y el minimo de t~ y S.
La media y la varianza de esta distribucion son
FX = E(X) = np
Y
a\' = E[(X - )'I = ( - 1 ty(1 - 1,)

donde p = SIN es la proporcidn de Cxitos en la poblacibn.

-
Si el tamafio muestral n es muy pequefio en relacion al nurnero total de elementos, N, las probabili-
dades hipergeometricas son muy parecidas a las binomiales, y puede usarse la distribucion binomial en
lugar de la hipergeometrica. En este caso, (N - n)l(N - 1 ) esta muy proximo a 1, por lo que la varianza
de la distribucion hipergeonletrica esta proxima a np(1 -p), la varianza de la distribucion binomial.

EJEMPLO Una compaiiia recibe un pedido de veinte articulos. Dado que la inspeccion de cada articulo eb
4.14 cara, se sigue la politica de analizar una muestra aleatoria de seis articulos de cada envio, aceptando
la remesa si no hay mas de un articulo defectuoso en la muestra. i,Cual es la probabilidad de que sea
aceptado un pedido con cinco articulos defectuosos?
Si identificamos "defectuoso" con "Cxito" en este ejemplo, el pedido contiene N = 30 elementos,
S = 5 de 10s cuales son exitos. Se selecciona una muestra de tl = 6 elementos. El numero de exitos X
en la muestra tiene una distribucion hipergeometrica con funcion de probabilidad
5! 15!
x! (5 - x)! (6 - x)! (9 + x)!
s C ~ N - ~ C ,-
~ - L5CL15Cb-9 =
Py(.v) = - - - 20!

Se acepta el envio si la muestra contiene cero o un Cxito (defectuoso), luego la probabilidad de

aceptarlo es
P(aceptar el envio) = PdO) + P.41)
La probabilidad de que no haya defectuosos en la muestra es
-.-5 ! 15!
 (Recordar que O! = 1 .) La probabilidad de que haya un defectuoso en la nluestra es

6! 14!
Por tanto, la probabilidad de que un pedido de veinte articulos que contiene cinco defectuosos sea
aceptado es
P(aceptar el envio) = Px(0) + Px(1) = 0,129 + 0,387 = 0,516

4.7 LA DISTRIBUCIONDE POISSON

Consideremos las siguientes variables aleatorias:
O El nlimero de accidentes de trafico rnortales en una ciudad durante una sernana coilcreta
El nurnero de llamadas telef6nicas que se reciben en un dia en la centralita de una ernpresa durante 10s
quince rninutos anteriores al rnediodia
Cj El numero de 6rdenes de devoluci6n de piezas que recibe una empresa en una semana
U El nlin~erode veces que falla una pieza de un equipo durante un periodo de tres lneses
O El nurnero de huelgas anuales en una fabrica
Cada una de estas cinco variables aleatorias se caracteriza por ser el numero de ocurrencias de
cierto suceso durante un period0 de tiempo. La experiencia indica que para una anlplia gama de pro-
blemas de este tipo, la ciistr-ihucidtzde pr.obahilidad Poissotl representa adecuadamente la estructura
de probabilidad de la variable aleatoria.
Considerenlos la situacion ilustrada en la Figura 4.7, donde se mide el tiempo a lo largo de la linea
horizontal, y supongamos que estamos interesados en el periodo que conlienza en 0 y termina en t.
Las oci~rrenciasde sucesos a lo largo del eje temporal se indican mediante * * * , por tanto, en esta
ilustracion, ocurren seis sucesos en el periodo de tiempo relevante. Supongamos que pueden asumirse
las siguientes afirmaciones:
1. Para cada intervalo de tiernpo pequeiio, representado mediante un pequeiio segrnento entre 0 y r del eje
temporal de la Fipura 4.7, la probabilidad de que ocurra un suceso en ese intervalo es aproximadamente
proporcional a la arnplitud del intervalo.
2. La probabilidad de ocurrencia de dos o mas sucesos en un intervalo como el descrito es despreciable en
comparaci6n con la probabilidad de una ocurrencia.
3. Hay independencia entre el nlirnero de ocurrencias en intervalos no solapados.
Si estas afirmaciones son ciertas, puede probarse que la probabilidad de a ocurrencias en el inter-
v a l ~de 0 a t es
e-AA'
P ( s ocurrencias) = -
x!
donde h es el numero medio de ocurrencias entre 0 y t, y e = 2,7 1828 . . . es la base de 10s logaritmos
naturales. (En la Tabla 2 del ApCndice se dan 10s valores de e-Apara valores de h entre 0 y 10.) La dis-
tribucion con estas probabilidades se denomina distribution de Poisson.

FIGURA 4.7 Ilustracion del nunlero aleatorio de ocurrencias de un suceso sobre el tiempo
 La distribucion de Poisson
Se dice que la variable aleatoria X sigue una distribucion de Poisson si tiene funcion de probabilidad
P , ~ ( S=
) -
I-*" parar = 0 , 1 . 2 , . . .
.r!

donde h es cualquier numero tal que h > 0.

La media de esta distribucion es
p~= E(X) = A
y la varianza
u r z = E[(X - px)'] = A

La forma de la funcion de probabilidad de Poisson depende de la media, h. En la Figura 4.8 se re-

presentan las funciones de probabilidad para h = 0,5, 1, 2, y 4.

EJEMPLO Un estudio indica9 que el numero de huelgas anuales en una fabrica br~tanicatipica con 2.000 em-
4.15 pleados, se puede representar por una distribucion de Poisson con media h = 0,4. La funcion de pro-
babilidad del ndmero de huelgas anuales X es, entonces,
e-"J(0,4)'
P,(a) = para x. = 0, I, 2,
.Y !

Podemos calcular ahora probabilidades para numeros concretos de huelgas anuales, usando (a par-
tir de la Tabla 2 del Apindice) e-* = 0,6703.

FIGURA 4.8 Funciones de probabilidad para la distribucion de Poisson

(a)h = 0,5 (b) h = 1

'Este ejemplo r s t i adaptado de S.J. Prais, "The strike-proneness of large plants in Britain". .lorrrntrl ofthe R o ~ Sm-
l
risricnl Socien A. 141 (1978). 368-84.
140 VAMARLES
ALEATOMAS DISCRETAS Y DISTMBUCIONES DE PRORABlLIDAD

FIGURA 4.8 (Cont.)

(c) h = 2 (d) A = 4

La probabilidad de que no haya huelgas es

P ( 0 huelgas) = Px(0) =
e-"4(074)0 -
- (0!6703)(1) = 0,6703
O! 1
Analogamente
P ( l huelga) = Px(l) = e-"'(0,4)'
--- -
- (0,6703)(0,4) = 0,268
l! 1

P(2 huelgas) = Px(2) = e-"'(0,4)'

--
- (0.6703)(0,16) = 0,0536
2! 2

P ( 3 huelgas) = Px(3) = e-0'4(0.4)'

--- - - (0.6703)(0,064) -
- 0,0071
3! 6
e-0,4(0,4)4- (0,6703)(0,0256) - 0,0007
P(4 huelgas) = Px(4) = -- -
4! 24
Estas probabilidades pueden usarse para hallar la probabilidad de que el numero de huelgas estC en
un interval0 concreto. Por ejemplo, la probabilidad de que haya mas de una huelga en un aiio es
P(n1Bs de 1 huelga) = 1 - P ( 0 huelgas) - P ( l huelga)
= 1 - Px(0) - Px(1)
= 1 - 0,6703 - 0,268 1 = 0,06 16

EJEMPLO La distribucidn de Poisson ha resultado ser muy util en problemas de lineas de espe1.a o colas. Los
4.16 clientes llegan a una maquina fotocopiadora a una tasa media de dos cada cinco minutos. En la prac-
tica, se pueden representar 10s pr-ocesos de llegada de esta clase mediante una distribucion de Pois-
son. Asumiendo que Cste es el caso, representaremos por X el numero de llegadas de clientes en un
periodo de cinco minutos, con lo cual X tiene distribucidn de Poisson con media A = 2; y funcion de
probabilidad
 e-2(2)"
Px(x) = - para x = 0, I , 2, .
x!

a la funci6n de probabilidad que se dibuja en la Figura 4.8(c).] Usando (de la Tabla 2 del
[ ~ s t es
Aptndice) e-2 = 0,135335, las probabilidades para el nlimero de llegadas en un periodo de cinco
minutos son
e-'(2I0 - (0,135335)(1) = 0,1353
P ( 0 Ilegadas) = PX(0) = --
O! 1
e-2(2)1 -
P ( l llegada) = P x ( l ) = - -
(0?135335)(2) = 0,2707
l! 1
e-'(2I2 -
P ( 2 llegadas) = Px(2) = - -
(0.135335)(4) = 0,2707
2! 2
y asi sucesivamente. Asi, por ejemplo, la probabilidad de que se produzcan mas de dos llegadas en un
periodo de cinco minutos es

Como hemos visto, la distribucion de Poisson aparece de manera natural para representar el numero
de ocurrencias de un suceso en un period0 de tiempo. Esta distribucion tiene tambiCn otro uso. En la
Seccion 4.5, vimos que si el numero de ensayos n es muy grande, el cornputo de las probabilidades para
la variable aleatoria binomial puede ser muy tedioso. Dado que estas probabilidades suelen ser necesa-
rias en la practica, es conveniente disponer.de aproximaciones faciles de calcular cuando n es grande. La
distribuci6n de Poisson puede usarse para este prop6sito cuando el numero de ensayos es grande, pero,
a1 mismo tiempo, la probabilidad de exito p en cada ensayo es muy pequeiia, con lo cual rip tiene un ta-
maiio moderado lo. (La aproximaci6n que presentamos aqui es, en general, satisfactoria si np 5 7.)
Las situaciones siguientes satisfacen estas condiciones:
I . Una compaiiia aseguradora mantiene un gran nlimero de p6lizas de seguro de vida en individuos de deter-
minada edad, y la probabilidad de que durante el aiio se produzca una reclamaci6n en una p6liza es muy
pequeiia. La distribuci6n del nlimero de reclamaciones es binomial, con n grande y p muy pequefio.
2. Una compaiiia puede tener un gran nlimero de miquinas trabajando en un proceso simultinearnente. Si la
probabilidad de que cada una de ellas se avene en un dia concreto es muy pequeiia. La distribucion del nu-
rnero diario de averias es binomial, con n grande y p pequeiio.
En estos casos, la distribucion binomial puede aproximarse bien mediante la distribucion de Pois-
son con media h = np. Es decir, la media, h, de la distribucion de Poisson aproximada esta fija en el
valor de la media conocida, np, de la distribucion binomial que se quiere aproximar.

Aproximacion Poisson de la distribucion binomial

Sea X el ilumero de txitos resultante de n ensayos independientes, cada uno con probabilidad de txito p.
La distribucion del numero de Cxitos X es binomial con media np. Sin embargo, si el ndmero de ensayos 11
es grande y np tiene un tamaiio moderado (preferiblernente np 5 7), esta distribucion puede aproximarse
bien por la distribucion de Poisson de media h = np. La funci6n de probabilidad de la distribucion aproxi-
mada es entonces
e "p(llp).L
px(x) = ,r! p a r a x = 0, 1 , 2 , . . .

'" En el Capitulo 5, presentaremos una aproximaci6n de la disrribuci6n binomial apropiada para valores grandes de rrp.
 '.
EJEMPLO Un analista predice que el 3 3 % de las pequeiias empresas quebrarkn durante el proximo afio. Asu-
4-17 miendo que la prediction del analista es correcta, estimar la probabilidad de que a1 menos tres em-
presas de una muestra aleatoria de 100 quiebren durante el proximo afio.
La distribucion del numero X de quiebras es binomial, con n = I00 y p = 0,035, luego la media de
la distribucion es
px = tzp = (100)(0,035) = 3,5
Usaren~osla distribucion de Poisson, con media h = 3 3 , para aproximar nuestra distribucion bino-
mial. Aproximamos entonces la funcion de probabilidad del numero X de quiebras por
e-3.5(3,5).'
Px(.v) = para .K = 0, 1, 2, .
s!
De este modo, usando e-3.5= 0,0301 97 de la Tabla 2 del Aptndice, tenemos

Por tanto, la probabilidad de que quiebren a1 menos tres de estas 100 empresas es

(Invitamos a1 lector a que especule sobre la magnitud del trabajo de calcular esta probabilidad di-
rectamente a partir de la funcion de probabilidad de la distribucion binomial. De hecho, con tres deci-
males se obtiene 0,684. Nuestra aproximacion esta suficientemente cerca de la probabilidad exacta.)

EJERCICIOS

28. Un director de produccion sabe que el 5% de las a) iCukl es la probabilidad de que al menos uno de
piezas producidas en cierto proceso de fabrica- 10s cinco apoye la propuesta?
cion tiene algun defecto. Se examinan seis de es- b) iCual es la probabilidad de que la mayoria de
tas piezas. cuyas caracteristicas se asumen inde- ellos apoye la propuesta?
pendientes.
30. Una asociacion benCfica contrata estudiantes para
a) iCual es la probabilidad de que ninguna de estas que soliciten donaciones por teltfono. Desputs de
piezas tenga un defecto? un breve period0 de preparacion. 10s estudiantes te-
b) ~Cukles la probabilidad de que una de estas pie- lefonean a 10s potenciales donantes y se les paga una
zas tenga un defecto? cornision. La experiencia indica que, normalmente. ,
,

c) iC&l es la probabilidad de que a1 menos dos de estos estudiantes logran so10 un Cxito moderado, y el '
estas piezas tengan un defecto? 70% de ellos deja el trabajo en las dos primeras se-
29. Un politico Cree que el 25% de 10s macroeconomis- manas. La asociacion contrata seis estudiantes, que
tas que ocupan altos cargos apoyark una propuesta pueden considerarse una muestra aleatoria.
que quiere presentar. Supongarnos que esta creencia a) ~ C u aes
l la probabilidad de que al menos dos de
es correcta y que se eligen cinco altos cargos aleato- 10s seis estudiantes dejen el trabajo en las dos
riamente. primeras semanas?
 b) jCuil es la probabilidad de que a1 menos dos de NUMERO DE
10s seis estudiantes no dejen el trabajo en las dos BILLETES 6 7 8 9 10
primeras semanas? PROBABILIDAD 0,25 0,35 0,25 0.10 0,05
31. Supongamos que la probabilidad de que el valor del
dolar americano suba en relacion al yen japones du- 35. DespuCs de un ensayo, el entrenador de un equipo
rante una semana es 0,5, y lo que ocurra una semana de futbol americano tiene la opcion de intentar una
es independiente de lo que ocurra en cualquier otra. "conversion de dos puntos", es decir, sumaria dos
jCuil es la probabilidad de que el valor del dolar puntos adicionales si el intento tiene exito, y nin-
suba en relacion al yen la mayoria de las semanas guno si fracasa. El entrenador Cree que la probabili-
durante un periodo de siete meses? dad de que su equipo consiga 10s dos puntos en cada
intento concreto es 0,4. Hay independencia entre
. 32. Una compafiia se dedica a la instalacion de nuevos
10s resultados de diferentes intentos. En un partido
sistemas de calefacci6n central.'Se ha comprobado
concreto, el equipo logra cuatro ensayos y en cada
que en el 15% de las instalaciones es necesano volver
ocasion intenta la conversion de dos puntos.
para realizar algunas modificaciones. En una semana
deteminada se realizaron seis instalaciones. Asumir a) jCual es la probabilidad de que tenga exito en al
independencia en 10s resultados de esas instalaciones. menos dos intentos?
a) jCuil es la probabilidad de que sea necesario b) Hallar la media y la desviacion tipica del nu-
volver en todos 10s casos? mero total d e puntos resultante de estos in-
tentos.
b) jCud es la probabilidad de que no sea necesario
volver en ninguno de 10s casos? 36. Un concesionario de automoviles monta una nueva
campaiia de promotion, en la que promete que 10s
C) jCual es la probabilidad de que sea necesario
compradores de automdviles nuevos pueden, si estan
volver en mas de uno? descontentos por algun motivo, devolver el coche an-
33. El equipo de baloncesto del Real Madrid va a jugar tes de dos dias y recibir el importe integro. Se ha esti-
una sene de cinco partidos contra el Barcelona. Se mado que el coste que debe soportar el concesionario
estima que, en cada partido, la probabilidad de que por cada devolucion es de 25.000 pesetas. El conce-
gane el Real Madrid es 0,4. Los resultados de 10s sionario estima que el 15% de 10s compradores devol-
cinco partidos son independientes. verhn 10s automoviles. Supongamos que durante el
a) jCuil es la probabilidad de que el Real Madrid periodo de carnpafia se venden 50 automoviles.
gane 10s cinco partidos? a) Hallar la media y la desviacion tipica del nu-
b) ~ C u a es
l la probabilidad de que el Real Madrid mero de automoviles que se devolveran.
gane la mayoria de 10s partidos? b) Hallar la media y la desviacion tipica del coste
C) Si el Real Madrid gana el primer partido, jcuil total que se derivara de estas 50 ventas.
es la probabilidad de que gane la mayoria de 10s 37. Una entidad bancaria mantiene un servicio que per-
partidos? mite a sus clientes hacer transferencias de sus cuen-
d) Antes de que comience la serie, jcual es el nu- tas por telefono. Se ha estimado que un 3,2%, de 10s
mero esperado de partidos que ganara el Real clientes que realizan estas lla~nadasencuentran la li-
Madrid? nea ocupada o cuelgan despues de un tiempo sin
que nadie atienda el telkfono. La direccion estirna
e) Si el Real Madrid gana el primer partido, jcuil una pCrdida de diez dolarzs en clientela cada vez
es el numero esperado de partidos que ganara el que ocurre esto. Supongamos que durante cierto pe-
Real Madrid en la serie? nodo se producen 2.000 llamadas.
34. Una pequeiia compafiia aCrea vuela con aviones que a) Hallar la media y la desviacion tipica del nu-
tienen capacidad para ocho pasajeros. La compafiia mero de clientes que encontraran la linea ocu-
ha comprobado que la probabilidad de que un pasa- pada o que colgaran porque nadie atiende su Ila-
jero con billete no se presente en el avi6n es 0,2. mada.
Para cada vuelo, la compaiiia pone a la venta diez
billetes. La distribucion de probabilidad del numero b) Hallar la media y la desviacion tipica de la per-
de billetes vendidos en un vuelo aparece en la tabla dida total en clientela de la entidad pol. estas
adjunta. iPara quC proporcidn de vuelos se presen- 2.000 llamadas.
taran mas pasajeros con billete que el numero de 38. Hemos visto que, para una distribucion binomial
asientos? (Asumir independencia entre el numero con n repeticiones, cada una con probabilidad de
de pasajes vendidos y la probabilidad de que un pa- exito p, la media es
sajero con billete se presente.) p x = np
144 VARIABLES
ALEATONAS DlSCRETAS Y DISTNBUCIONES DE PROBABlLIDAD

Cornprobar este resultado para 10s datos del Ejernplo a) LCual es la probabilidad de aceptar un carga-
4.9. calculando la media directarnente a partir de rnento que contenga cuatro articulos defectuo-
sos?
b) LCual es la probabilidad de aceptar un carga-
y viendo que. para la distribucion binomial. las dos rnento que contenga dos articulos defectuosos?
formulas dan el rnisrno resultado.
C) i C ~ a es l la probabilidad de rechazar un carga-
39. El encargado del aparcarniento de una universidad mento que contenga un articulo defectuoso?
halla que se pagan el 78% de las rnultas de aparca-
rniento emitidas. La rnulta es de 200 pesetas. En la 44. Se va a forrnar un comitC de ocho rniernbros elegi-
ultirna sernana, se emitieron 620 rnultas de aparca- dos entre un grupo de ocho hombres y ocho muje-
rniento. res. Si 10s miernbros del comite se eligen de manera
aleatoria, jcual es la probabilidad de que exacta-
a ) Hallar la media y la desviacion tipica del nh- mente la mitad de 10s miembros sean n~ujeres?
rnero de lnultas que se pagaran.
45. Una analista financiera ha recibido una lista de 10s
b) Hallar la media y la desviacion tipica de la can- bonoq de doce compaiiias. La analista selecciona
tidad de dinero total que se obtendri por el pago tres empresas de la lista cuyos bonos Cree que estan
de estas rnultas. en peligro de caer en el proximo aiio. En realidad,
40. Una compaiiia recibe un pedido muy grande. Se cuatro de las empresas de la lista veran caer sus bo-
analiza una rnuestra aleatoria de diecisCis articulos, nos el proximo aAo. Supongamos que la analista ha
y se acepta el pedido si menos de dos resultan de- elegido las tres empresas de la lista aleatoriamente.
fectuosos. C u d es la probabilidad de aceptar un en- ~ C u aes
l la probabilidad de que al rnenos dos de las
vio que contenga: elegidas estCn entre aquellas cuyos bonos bajaran
a) Un 5% de articulos defectuosos en el proximo aiio?
b) Un 15% de articulos defectuosos 46. El director de un banco esta considerando la conce-
C ) Un 25% de articulos defectuosos
sion de un prCstarno a diez personas que lo han soli-
citado. El perfil de todos 10s solicitantes es similar.
41. Se estrin considerando las dos reglas siguientes para except0 en que cinco son menores de edad y el resto
decidir si aceptar un gran cargamento: no. Al final, el director aprueba seis solicitudes. Si
(i) Se analiza una rnuestra aleatoria de diez piezas, estas seis solicitudes han sido elegidas aleatoria-
y solo se acepta el cargamento si no hay nin- mente del total, ~cuitles la probabilidad de que rne-
guna defectuosa. nos de la mitad de las aprobadas sean solicitudes de
( i ~ Se
) analiza una muestra aleatoria de 20 piezas. y menores de edad?
solo se acepta el envio si no hay lnis de una de- 47. Los clientes llegan a un rnostrador ocupado a una
fectuosa. tasa media de tres por minuto. Si la distribucion de
;,CuaI de estas reglas tiene una probabilidad me- las llegadas es Poisson. hallar la probabilidad de
nor de aceptar un cargamento que contenga un que en un rninuto dado se produzcan dos llegadas o
20% de piezas defectuosas? menos.
42. Una cornpaiiia recibe grandes cargamentos de ar- 48, El numero de accidentes rnensuales en una cadena ,
ticulos procedentes de dos lugares. El 70% de 10s de produccion tiene una distribucion de Poisson con
cargamentos proceden de un proveedor cuyos en- media 2,6.
vios suelen contener un 10% de defectuosos, a) Para un rnes concreto, jcu8l es la probabilidad
mientras que el resto proceden d e un proveedor de que haya menos de dos accidentes?
cuyos envios suelen contener un 20% de defec-
tuosos. Un administrador recibe un cargamento b) Para un mes concreto. jcuil es la probabilidad
per0 desconoce su procedencia. Analiza una de que haya m8s de tres accidentes?
rnuestra aleatoria de veinte articulos del carga- 49. Un profesor recibe, por tCrmino rnedio. 4,2 Ilarna-
rnento y encuentra uno defectuoso. ~ C u a es l la das telefonicas de estudiantes el dia anterior al exa-
probabilidad de que el cargarnento proceda del men final. Si la distribuci6n de las llamadas es Pois-
proveedor mas fiable? (Sugerencia: Usar el teo- son, j c ~ i i les la probabilidad de que reciba a1 menos
rerna de Bayes.) lres llarnadas uno de esos dias?
43. Una compaiiia recibe un cargamento de 60 articu- 50. Los estudios indican que. en prornedio, se producen
10s. Se selecciona una rnuestra aleatoria de cuatro 3.2 averias diarias en las carreteras urbanas durante
articulos y se rechaza el cargamento si alguno de las horas punta de la maiiana. Asu~namosque la dis-
ellos resulta defectuoso. tribucion es Poisson.
 a) Hallar la probabilidad de que en un dia concreto, 53. Una compaiiia aseguradora mantiene polizas de
se produzcan menos de dos averias en estas ca- seguro contra estafa con 6.000 empresas. En un
rreteras durante las horas punta de la maiiana. aiio concreto. la probabilidad de que se produzca
b) Hallar la probabilidad de que en un dia concreto, una reclamation en una de estas polizas es 0,001.
se produzcan mas de cuatro avenas en estas ca- Hallar la probabilidad de que se produzcan al me-
rreteras durante las horas punta de la maiiana. nos tres reclamaciones en un aiio concreto. Usar
51. Hacienda inform6 que el 5,5% de 10s contribuyen- la aproximacion Poisson para la distribucion hi-
tes comete.errores al rellenar 10s impresos para la non~ial.
declaration de la renta. Si se eligen aleatoriamente 51. Iln estado promulga una ley que exige a 10s rnolo-
100 de ellos, ~ c u a es
l la probabilidad de que menos vistas tener un seguro. Se ha estinlado que, a pesar
de tres contengan errores? Usar la aproximacion de esta ley, el 7 3 % de 10s motoristas tlel estado no
Poisson a la distribucion binomial. estan asegurados. Se toma una muestrn aleatoria
52. Una compaiiia tiene 250 ordenadores personales. de 60 motoristas. Usar la aproximacion Poisson a
La probabilidad de que uno de ellos necesite una re- la distribucidn binomial para estin~nrla probabili-
paracion en una semana concreta es 0,Ol. Hallar la dad de que al menos tres de 10s motoristas de la
probabilidad de que en una semana concreta menos muestra no esten asegurados. Asirnismo, indicar
de cuatro ordenadores necesiten una reparacion. quk calculos serian necesarios para encontrar la
Usar la aproximacion Poisson a la distribucion bi- probabilidad exacta si no se usara la aproximacion
nomial. Poisson.

EJERClClOS DE REPASO

55. Explicar cuidadosamente, con un ejemplo ilustra- a) Un grafico de la funcion de probabilidad de u n ; ~

tivo, que se entiende por valor esperado de una va- variable aleatoria.
riable aleatoria. iPor q u i es importante este con- b ) Un grafico de la funcion de probabilidad ncu-
cept~? rnulada de una variable aleatoria.
56. Como asesor financiero, informas a un cliente de c ) La desviacion tipica de una variable aleatoria
que una inversion en un fondo tendri (a lo largo del
proximo aiio) un rendimiento esperado mayor que d ) La covarianza entre un par de variables aleato-
una inversion en el mercado monetario. El cliente rias.
formula entonces las siguientes preguntas: 59. Un contratista estima las probabilidades del numero
a) iImplica esto que el fondo dara con tocla seguri- de dias necesarios para concluir un proyecto corno
dad un rendimiento mayor que el mercado mo- sigue:
netario? TIEMPO (DIAS) 1 2 3 4 5
b) isignifica esto que deb0 invertir en el fondo en PROBABILIDAD 0,OS 0,?0 0.35 0,30 0,lO
lugar de en el mercado monetario?
a) ~ C u a es
l la probabilidad de que un proyecto ele-
;,QuC responderias?
gido aleatoriamente necesite menos de tres dias
57. Elaborar un ejemplo realista en el imbito de la eco- para su conclusi6n?
nomia (distinto de 10s que se han presentado a lo
largo de la exposicion o en 10s ejercicios) para el .b j Hallar el tiempo esperado necesario para ternli-
nar un proyecto.
que sea apropiada cada una de las siguientes distri-
buciones de probabilidad. C ) Hallar la desviacion tipica del tiempo necesario
para terminal- un proyecto.
a) La distribucidn binomial.
d) El coste del proyecto se divide en dos partes -un
b) La distribucion hipergeomktrica.
coste fijo de 2.000.000 de pesetas, mas 700.000
C) La distribucion de Poisson. pesetas por cada dia de duraciori del proyecto.
58. Explicar quC conclusiones pueden extraerse cuando Hallar la media y la desviacion tipica del coste
se halla: total del proyecto.
 e ) Si se emprenden tres proyectos y se asume inde- bilidad de un vehiculo es independiente de la de 10s
pendencia entre la duraci6n de cada uno de demis.
ellos, jcual es la probabilidad de que a1 menos a) Hallar la funci6n de probabilidad del numero de
dos de ellos necesiten a1 menos cuatro dias para vehiculos disponibles en un dia concreto.
su conclusi6n?
b) Hallar el numero esperado de vehiculos disponi-
60. Un vendedor de coches estima las siguientes proba- bles en un dia concreto.
bilidades para el numero de coches que vender& la
C) Hallar la desviaci6n tipica del numero de vehi-
pr6xima semana.
culos disponibles en un dia concreto.
NUMERO DE 64. Los estudiantes de una universidad se clasifican de
COCHES 0 1 2 3 4 5 acuerdo a sus aiios en la universidad (X) y el numero
PROBABILIDAD 0.10 0.20 0.35 0,16 0.12 0.07 de visitas a un museo en el ultimo ~o ( Y = 0 si no
hizo ninguna visita, y = 1 si hizo una visita, y = 2 si
a) Hallar el numero esperado de coches que ven- hizo m i s de una visita). En la tabla adjunta aparecen
deri la proxima semana. las probabilidades conjuntas que se estimaron para
b) Hallar la desviaci6n tipica del numero de coches estas variables aleatorias.
que venderi la pr6xima semana.
C) El vendedor recibe un salario semanal de 25.000 N.QDE VISITAS (Y) ANOS EN LA UNIVERSIDAD (X)
pesetas. m&s 30.000 pesetas adicionales por I 2 3 4
cada coche vendido. Hallar la media y la desvia-
cidn tipica de su salario semanal total.
d ) i C u i l es la probabilidad de que el salario se-
manal del vendedor sea mayor de 100.000 pe- a) Hallar la probabilidad de que un estudiante ele-
setas? gido aleatoriamente no haya visitado un museo
61. Un test consta de nueve preguntas. Para cada pre- en el ultimo aiio.
gunta se puede elegir entre cuatro posibles respues- b) Hallar las medias de las variables aleatorias X e Y.
tas. Se concede un punto por cada respuesta correcta,
y no se restan puntos por respuestas incorrectas. El c) Hallar e interpretar la covarianza entre las varia-
profesor concede una bonificacion de un punto si el bles aleatorias X e Y.
estudiante escribe su nombre correctamente. Un es- 65. La estrella de un equipo de baloncesto, especialista
tudiante que no ha estudiado para el exarnen decide en lanzamientos de tres puntos, realiza seis de estos
elegir aleatoriamente la respuesta a cada pregunta. lanzamientos durante un partido. Histbricamente,
a) Hallar el n6mero esperado de respuestas correc- consigue encestar el 40% de 10s lanzamientos de tres
tas del estudiante en esas nueve preguntas. puntos. Contestar alas siguientes cuestiones sobre el
resultado de 10s seis lanzamientos del partido, expli-
b) Hallar la desviaci6n tipica del n6mero de res- cando quC hip6tesis deben asumirse.
puestas correctas del estudiante en esas nueve
preguntas. a) i C ~ i es
l la probabilidad de que enceste a1 ine-
nos dos?
C) El estudiante escribe su nombre correctamente.
b) iCu&les la probabilidad de que enceste exacta-
(i) Hallar la puntuaci6n total esperada en el mente tres?
test de este estudiante.
c) Hallar la media y la desviaci6n tipica del nu-
(ii) Hallar la desviaci6n tipica de la puntuaci6n mero de lanzamientos encestados.
total en el test.
d) Hallar la media y la desviacion tipica del nu-
62. Inventar ejemplos realistas d e pares de variables mero total de puntos conseguidos como resul-
aleatorias para las cuales pueda esperarse encontrar: tad0 de estos lanzamientos.
a) Covarianza positiva. 66. Se estima que el 55% de 10s estudiantes de primer
b) Covarianza negativa. curso de cierta universidad se graduara en cuatro alios.
C) Covarianza nula. a) Para una muestra aleatoria de cinco estudiantes
63. Un servicio de taxis para grandes distancias posee de primer curso. jcuil es la probabilidad de que
cuatro vehiculos. Estos tienen diferentes edades y exactamente tres se graduen en cuatro aiios?
diferente numero de reparaciones. Las probabilida- b) Para una muestra aleatoria de cinco estudiantes
des de que en un dia concreto cada vehiculo estC de primer curso. jcual es la probabilidad de que
disponible son 0,95. 0.90, 0.90, y 0,80. La disponi- la mayoria se gradue en cuatro aiios?
 C) Se digen ochenta estudiantes de primer curso al esta informacion, la direccion asigna las compaiiias
azar. Hallar la media y la desviacion tipica de la a 10s analistas aleatoriamente. iCua1 es la probabili-
proporcion de ellos que se graduara en cuatro dad de que se asignen al analista estrella al menos
aiios. dos de las cuatro ernpresas cuyas ganancias se des-
67. Un campeonato de balonmano se disputari entre el viaran mas de la tendencia en el pasado?
equipo A y el equipo B. El primer equipo que gane 70. En promedio, llegan 2,4 clientes por ininuto al inos-
cuatro partidos ganari el campeonato. Supongamos trador de una compaiiia aCrea durante el period0 de
que el equipo A es el rnejor, en el sentido de que en maxima actividad. Asurnir que la distribucion de las
cada partido hay una probabilidad de 0.6 de que llegadas es Poisson.
gane el equipo A. Asumir tarnbiCn que el resultado a) ~ C u i esl la probabilidad de que no llegue nadie
de un partido es independiente del de cualquier otro. en un rninuto?
a) i C u i l es la probabilidad de que el equipo A
b) i C u i l es la probabilidad de que se produzcan
gane el campeonato?
mas de tres llegadas en un rninuto?
b) iCual es la probabilidad de que se necesite jugar
un sCptimo partido para determinar quiCn es el 71. Una reciente estirnacion sugiere que entre 10s indt-
carnpeon? viduos y 10s rnatrimonios con renta superior a 10s
20.000.000 de pesetas, el 6,5% no paga irnpuestos
C) Supongarnos que cada equipo gana dos de 10s o paga una tasa menor del 15%. Se toma una mues-
cuatro primeros partidos. tra aleatoria de 100 de estos individuos. ~ C u a es
l la
(i) i,Cuil es la probabilidad de que el equipo A probabilidad de clue mas de dos miembros de la
gane el campeonato? muestra no paguen irnpuestos o paguen ineiios del
(ii) iCual es la probabilidad de que sea necesa- 15%?
n o jugar un skptimo partido? 72. Una fabrica tiene dos cadenas de montaje, c,1' d a una
68. Usando la informacion sobre el flujo de caja, un de las cuales se para un prornedio de 7,4 veces ae-
analista financier0 Cree ser capaz de descubrir quC manales, de acuerdo a una distribucion de Poisson.
compaiiias son candidatas a entrar en quiebra. Se le Asumir que el comportamiento de una cadena es in-
proporcionan datos de quince compaiiias en el pa- dependiente del de la otra. ~ C u a esl la probabilidad
sado y se le informa de que cinco de ellas quebra- de que una cadena se pare a1 rnenos una vez durante
ron. El analista elige cinco compaiiias del grupo de una semana concreta?
quince como candidatas a la quiebra. Tres de las 73. Se lanza una rnoneda tres veces. Estamos interesa-
compaiiias de las cinco seleccionadas por el analista dos en el nurnero, X, de caras resultante.
estan entre las que quebraron. Evaluar la habilidad
a) Hallar la funcion de probabilidad de la variable
del analista para detectar compaiiias en peligro de
aleatoria X.
quiebra.
69. Un equipo de cinco analistas esta estudiando las b) Hallar la media y la desviacicin tipica de la va-
perspectivas de ganancias de veinte compaiiias. riable aleatoria X.
Cada uno de 10s cinco analistas exarnina cuatro ern- c) Considerar un juego en el cual se ganan dos (16-
presas. Los analistas no son igualrnente competen- lares si salen una o tres caras, se pierden cuatro
tes. De hecho, uno de ellos es una estrella, con un dolares si salen dos caras y no se gana ni se
excelente rCcord de previsiones en el cambio de ten- pierde nada si no sale ninguna cara. Sea Y la va-
dencias. Si fuera posible, la direccion querria encar- riable aleatoria que toma 10s valores -4.0 o 7. y
gar a este analista el estudio de las cuatro compa- representa la ganancia del juego. Hallar la fun-
iiias cuyas ganancias se desviaran mas de la cion de probabilidad, la media y la desviaci6n
tendencia en el pasado. Sin embargo, en ausencia de tipica de la variable aleatoria Y.