Variables Aleatorias
Variables Aleatorias
Variables Aleatorias
3.1. Introducción
1
2 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
3.5 Ejemplo. Lance al aire dos monedas corrientes: una de $ 100 otra de $ 200; y sea X
igual al número observado de caras.
Encuentre la distribución de probabilidad p(x) y también la función de distribución F (x).
x 0 1 2
observe que las dos propiedades del teorema anterior se
p(x) 0.25 0.50 0.25
satisfacen: 0 ≤ P (i) ≤ 1, para i = 0, 1, 2.
F (x) 0.25 0.75 1
Aunque consideraremos las variables aleatorias continuas en la parte final del curso, se da
su definición para comprender la diferencia entre estos dos tipos de variables.
3.6 Definición. Una variable aleatoria que puede asumir cualquier valor numérico en un
intervalo de números reales, se llama variable aleatoria continua.
Los resultados experimentales basados en escalas de medición tales como el tiempo, el peso,
la distancia, o la temperatura se describen por medio de este tipo de variable.
Un ejemplo de variable aleatoria continua puede ser el tiempo transcurrido entre dos
llamadas telefónicas consecutivas en una oficina de servicio al cliente, en este caso la variable
X puede tomar cualquier valor no negativo: x ≥ 0
El valor esperado de una variable aleatoria, también llamado media o esperanza, es una
medida de su posición central que nos suministra el resultado medio teoríco de un número
infinito de ensayos. Podemos considerar este valor esperado en el sentido de que constituye
el valor promedio que esperaríamos obtener si los ensayos pudiesen continuar de manera
indefinida.
4 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Aun cuando el valor esperado proporciona el valor medio de la variable aleatoria, a menudo
necesitamos de una medida de variabilidad o dispersión. Así como la varianza se usó en la
parte de estadística descriptiva para resumir la variabilidad de los datos, ahora la varianza
se usa para resumir la variabilidad de una variable aleatoria.
3.9 Nota. El valor esperado también se conoce como la media y se denota E(X) = µ.
3.10 Ejemplo. Calcular el valor esperado de la variable aleatoria del ejemplo 3.5.
Recordemos que la función de distribución de probabilidad se aprecia mediante la tabla de
la derecha
3.13 Nota. Existe una fórmula muy práctica para hallar la varianza de una variable
aleatoria discreta: V (X) = σ 2 = E(X 2 ) − µ2
El siguiente teorema se refiere al valor esperado y varianza de una variable aleatoria discreta.
3.14 Teorema. Sea X una variable aleatoria discreta, sea c una constante y sean
g(X), g1 (X), g2 (X), . . . , gk (X), funciones de la v.a.d. X. Entonces:
E(c) = c
E[c g(X)] = cE[g(X)]
E[ g1 (X) + g2 (X) + . . . + gk (X)] = E[g1 (X)] + E[g2 (X)] + . . . + E[gk (X)]
x 0 1 2 3 4 5
x2 0 1 4 9 16 25
p(x) 0.10 0.40 0.20 0.15 0.10 0.05
6 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
3.16 Ejemplo. En una lotería realizada a beneficio de una institución local de caridad, se
han de vender 8000 boletos a $ 10 cada uno. El premio es un automóvil de $ 24000. Si usted
compra dos boletos, ¿cuál es su ganancia esperada?
Por consiguiente
P la ganancia esperada será:
E(X) = µ = x p(x) = −20 · 7998
8000 + 23980 ·
2
8000 = −14
x
La ganancia esperada en este caso es una pérdida de $14.
3.17 Ejemplo. Determine la prima anual para una póliza de seguro de $10000 que cubre
un evento que, en un largo tiempo, ha ocurrido a razón de 2 veces en 100. Sea x igual
a la ganancia financiera anual para la compañia de seguros, que resulte de la venta de la
póliza, y sea C igual a la prima anual desconocida. Calcule el valor de C tal que la ganancia
esperada sea igual a cero (si la ganancia es cero hay un punto de equilibrio).
Comencemos por determinar los valores que la ganancia X puede tomar y luego determinar
p(x). Si el evento no ocurre durante el año, la compañia ganará la prima de x = C dólares.
Si el evento sucede, la ganancia será negativa; esto es, la compañia perderá x = 10000
dólares menos la prima de C dólares ya recolectada, es decir, x = −(10000 − C).
98 2
Las probabilidades asociadas con estos dos valores de x son 100 y 100 respectivamente.
3.3. EJERCICIOS DE VARIABLES ALEATORIAS, MEDIA Y VARIANZA 7
98 2
Al resolver la ecuación µ = 0 se obtiene: C · 100 − (10000 − C) · 100 = 0 =⇒
98C 2C
100 − 200 + 100 = 0 =⇒ C = 200. Por tanto, Si la compañia de seguros cobra una prima
anual de $ 200, la ganancia es cero y así se obtiene el punto de equilibrio.
3.3. Ejercicios de variables aleatorias, media y varianza
1. Identifique las siguientes variables aleatorias como discretas o continuas.
a) Aumento en tiempo de vida alcanzado por un paciente de cáncer como resultado
de una cirugía.
b) Resistencia a la ruptura (en libras por pulgada cuadrada) de un cable de acero
de una pulgada de diámetro.
c) Número de venados muertos por un año en una reserva natural estatal de fauna
silvestre.
d) Número de facturas sin pagar para una empresa de telefonía nacional.
e) Tiempo de reposición en cada partido del campeonato colombiano de fútbol 2021.
2. Una compañía tiene cinco solicitantes para dos puestos de trabajo: dos mujeres y
tres hombres. Suponga que los 5 solicitantes son igualmente calificados y que no hay
preferencia para escoger su género. Sea X igual al número de de mujeres escogidas
para ocupar los dos puestos de trabajo. Encuentre p(x) y luego halle µ, σ 2 y σ.
13. Se lanzan cuatro monedas corrientes: una de $ 50, otra de $ 100, otra de $ 200 y otra de
$ 500. Sea Y la variable aleatoria que indica el número de caras observadas. Encuentre:
a) La distribución de probabilidad p(y). b) µ, σ 2 y σ
c) La probabilidad de ver a lo sumo una cara.
d) La probabilidad de ver por lo menos dos caras.
15. Cinco balotas numeradas con 1, 2, 3, 4 y 5 se ponen en una urna. Dos de ellas se
seleccionan al azar simultáneamente. Encuentre la distribución de probabilidad, la
media y varianza para lo siguiente:
a) X : el mayor de los dos números observados.
b) Y : la suma de los dos números observados.
16. En un juego de azar una persona saca una sola carta de una baraja corriente de 52
cartas. A un jugador le pagan $ 15 si saca un rey o una reina. Le pagan $ 5 si saca
un as o un diez. Si en cambio el jugador extrae cualquier otra carta debe pagar $ 4.
Obtenga la ganancia esperada para el jugador.
40 + 60 + 75 + 100 275
El teorema anterior implica que la media es µ= = = 68.75.
4 4
(40 − 68.75) + (60 − 68.75) + (75 − 68.75) + (100 − 68.75)2
2 2 2
La varianza es σ 2 = =⇒
4
2 2 2
(−28.75) + (−8.75) + (6.25) + (31.25) 2 7675
σ2 = = = 479.6875.
4 √ 4
La desviación estándar es σ = 479.6875 = 21.9.
3.21 Ejemplo. Se lanza un dado corriente una sola vez. La variable Y consiste en observar
el número de su cara superior. Halle la distribución de probabilidad, la media, la varianza
y la desviación estándar.
El espacio muestral es S = { 1, 2, 3, 4, 5, 6 }.
Como cada evento simple tiene la misma probabilidad se trata de una distribución uniforme.
1
La distribución de probabilidad es: p(x) = , x = 1, 2, 3, 4, 5, 6.
6
1+2+3+4+5+6 21
El valor esperado es igual a µ= = = 3.5.
6 6
La varianza es
(1 − 3.5)2 + (2 − 3.5)2 + (3 − 3.5)2 + (4 − 3.5)2 + (5 − 3.5)2 + (6 − 3.5)2
σ2 = = 2.917
6
√
La desviación estándar es σ = 2.917 = 1.7.
3.5. EJERCICIOS DE DISTRIBUCIÓN DISCRETA UNIFORME 11
b) Si c denota cara, mientras que s representa sello, el espacio muestral se compone de:
S = {cccc, cccs, ccsc, cscc, sccc, ccss, cscs, sccs, cssc, scsc, sscc, sssc, sscs, scss, csss, ssss}
c) − d) Debido a que la moneda es corriente, podemos asumir que cada uno de los 16
1
elementos del espacio muestral tienen la misma probabilidad: 16 = 0.0625.
El espacio muestral nos permite encontrar tanto la función de probabilidad como la función
de distribución, tales funciones se reúnen en la siguiente tabla
3.6. DISTRIBUCIÓN BINOMIAL 13
y 0 1 2 3 4
p(y) 0.0625 0.25 0.375 0.25 0.0625
F (y) 0.0625 0.3125 0.6875 0.9375 1
3.24 Definición. Una variable aleatoria Y tiene una distribución binomial basada en
n pruebas
con probabilidad de éxito p si y solo si
n y n−y
p(y) = p q , y = 0, 1, 2, . . . , n, 0 ≤ p ≤ 1.
y
3.25 Teorema. Sea Y una variable aleatoria binomial basada en n pruebas con probabilidad
p de éxito. Entonces µ = E(Y ) = np y σ 2 = V (Y ) = npq.
Sigamos analizando el ejemplo 3.23. Como se trata de un experimento binomial, la variable
aleatoria Y es binomial, sus probabilidades se pueden hallar mediante la aplicación de la
definición 3.24.
Sabemos que la probabilidad de éxito es p = 0.5, esto implica que q = 1 − p = 1 − 0.5 = 0.5.
Si por ejemplo nos interesa la probabilidad
de observar exactamente tres caras en los cuatro
4
lanzamientos calculamos: p(3) = 0.53 0.54−3 = 0.25 este resultado coincide con
3
el valor de p(3) que se observa en la tabla del ejemplo 3.23. Es un buen ejercicio verificar
por medio de la fórmula, los otros valores de p(y) que aparecen en la tabla.
Existe otra manera de calcular las probabilidades binomiales, es mediante la tabla esta-
dística de la distribución binomial, vamos a ilustrar su uso con el cálculo de P (3) = 0.25.
La figura adjunta muestra una parte de la primer página de la tabla de la distribución
binomial. En la parte superior de la tabla dice sumas de probabilidad binomial, por
tanto la tabla realmente nos está dando la función de distribución F (y) = P (Y ≤ y).
14 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Para calcular el valor de p(3) hacemos uso de una propiedad de la función de distribución
que dice: p(y) = F (y) − F (y − 1). Al aplicar este resultado tenemos:
p(3) = F (3) − F (2) = 0.9375 − 0.6875 = 0.25.
Una prueba se puede definir como un tiro libre, éxito como una canasta, y fracaso si falla
la cesta. Según esto, n = 10, p = 0.8, q = 1 − 0.8 = 0.2 y el número Y de veces que
enceste el jugador es una variable aleatoria binomial.
10
a) p(7) = P (Y = 7) = 0.87 0.210−7 = 0.2013
7
También es posible obtener este valor con solo manejo de la tabla de la binomial con
n = 10 y p = 0.8. Recordando que p(y) = F (y) − F (y − 1), ubicamos en la tabla los
valores r = 7, r = 6 y hacemos la resta: p(7) = F (7)−F (6) = 0.3222−0.1209 = 0.2013.
c) P (menos de cuatro) = P (Y < 4) = p(0) + p(1) + p(2) + p(3) = F (3) = 0.0009, este
resultado lo arroja directamente la tabla de la distribución binomial.
3.28 Nota. Cuando se realiza un muestreo sin reemplazo, los eventos pueden considerarse
independientes, si el tamaño de la muestra n no es mayor que el 5 % del tamaño de la
n
población N , es decir, si N ≤ 0.05.
3.29 Ejemplo. Suponga que un lote de 5000 fusibles electrónicos contiene 5 % de piezas
defectuosas.
a) Si se prueba una muestra de 5 fusibles encuentre la probabilidad de hallar al menos
uno defectuoso.
b) Si 25 fusibles se prueban al azar de este lote encuentre la probabilidad de observar al
menos tres defectuosos.
Aunque el muestreo se realiza sin reemplazo, es razonable suponer que Y , el número
observado de fusibles defectuosos, tiene distribución binomial porque el lote es grande
comparado con la muestra.
a) El enunciado nos dice que n = 5, p = 0.05.
5
Aplicaremos la ley del complemento, por tanto hallamos P (Y = 0) = (0.050 )(0.955 ) =
0
0.774. La probabilidad solicitada es P (Y > 0) = 1 − P (Y = 0) = 1 − 0.774 = 0.226.
Observe que hay una probabilidad relativamente grande de ver al menos uno defectuoso,
aún cuando la muestra es muy pequeña.
b) Ahora n = 25, p = 0.05.
Si acudimos a las tablas de la binomial también podemos aplicar la ley del complemento,
como P (Y ≤ 2) = 0.873 entonces P (Y ≥ 3) = 1 − P (Y ≤ 2) = 1 − 0.873 = 0.127.
16 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
1. Un examen de selección múltiple con única respuesta, cuenta con 15 preguntas, cada
una con cinco posibles respuestas. Un estudiante no sabe absolutamene nada y con-
testa solo adivinando.
¿Cuál es la probabilidad de que conteste correctamente menos de cinco preguntas?
¿Cuál es la probabilidad de que conteste correctamente exactamente tres preguntas?
¿Cuál es la probabilidad de que apruebe el examen? (se aprueba con mínimo 9
respuestas correctas).
2. Se conjetura que hay impurezas en el 30 % del total de pozos de agua potable de cierta
comunidad rural. Como es muy costoso probar todos los pozos del área, se eligen 10
al azar para someterlos a una prueba de impurezas.
¿Cuál es la probabilidad de que exactamente 3 pozos tengan impurezas?
¿Cuál es la probabilidad de que más de 3 pozos tengan impurezas?
¿Cuál es la probabilidad de que menos de 3 pozos tengan impurezas?
7. Suponga que los motores de un avión operan de forma independiente y que tiene una
probabilidad de falla de 0.4. Un avión tiene un vuelo seguro si funcionan al menos la
mitad de sus motores. Si un avión tiene 4 motores y otro tiene 2 motores, diga cual
de los dos aviones tiene mayor probabilidad de realizar un vuelo exitoso.
9. De acuerdo con el procurador de justicia de Bogotá, por cada asalto o robo que
se denuncia ante las autoridades, hay otros cuatro que no son denunciados. Si en
una tarde ocurren 9 delitos de este tipo en una localidad de Bogotá, determine la
probabilidad de que:
a) exactamente tres de ellos hayan sido denunciados;
b) ninguno haya sido denunciado;
a) No más de siete hayan sido denunciados.
10. Un individuo afirma que es capaz de distinguir a simple vista entre una perla auténtica
y una falsa el 75 % de las veces. Para comprobar si lo que afirma es cierto, se muestran
una por una seis perlas diferentes escogidas al azar y se aceptará lo que afirma si logra
establecer la autenticidad (o falsedad) en por lo menos cinco de las perlas. a) ¿Cuál
es la probabilidad de que el individuo pase la prueba, si sólo está adivinando?
b) Si es cierto lo que él afirma, obtenga la probabilidad de que no logre pasar la
prueba.
11. Una máquina produce piezas metálicas, de las cuales el 5 % son de calidad excelente.
¿Cuántas piezas deberán producirse para que la probabilidad de que haya por lo
menos una de calidad excelente sea mayor a 0.5?
Suponga que una población contiene un número finito N de elementos que posee una de
dos características, digamos elementos rojos y elementos negros. Así r de los elementos
serían rojos y N − r son negros. Una muestra de n elementos se selecciona al azar de
la población y la variable aleatoria de interés es X, el número de elementos rojos de la
muestra. Esta variable aleatoria discreta se conoce como la dstribución de probabilidad
hipergeométrica.
En general, nos interesa la probabilidad de seleccionar x éxitos de los r artículos que poseen
la característica satisfactoria, y n − x fracasos de los N − r artículos que no poseen la
característica buscada; cuando una muestra aleatoria de tamaño n se selecciona de una
totalidad de N artículos. Esto se conoce como un experimento hipergeométrico, es
decir, aquel que posee las siguientes propiedades:
3.32 Ejemplo. Se extraen 5 cartas una tras otra (sin reemplazo), de una baraja corriente
de 52 cartas. Hallar la probabilidad de observar 3 cartas rojas. También halle µ y σ 2 .
3.33 Ejemplo. Se consideran lotes con 50 componentes electrónicos, que contienen seis
elementos defectuosos. El procedimiento para obtener muestras del lote consiste en
seleccionar 10 componentes uno tras otro (sin reemplazo) y rechazar el lote si se encuentra
más de un componente defectuoso. ¿Cuál es la probabilidad de rechazar un lote de estos?
El lote se rechaza si x = 2, 3, 4, 5, 6.
Es más sencillo aplicar la ley del complemento y tan
solo hallar la probabilidad de que x tome los valores
x = 0, 1. Ahora N = 50, n = 10, r = 6, x = 0, 1.
6 44 6 44
0 10 1 9
p(0) + p(1) = +
50 50
10 10
= 0.2415 + 0.4141 = 0.6556
2. Un plato de dulces contiene cinco dulces azules y tres rojos. Un niño selecciona tres
dulces sin verlos. Calcule la probabilidad de que:
a) el niño seleccione dos dulces azules y uno rojo.
b) el niño seleccione tres dulces rojos.
c) el niño seleccione tres dulces azules.
22 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
3. Un grupo de cinco solicitantes para un par de trabajos idénticos está formado por tres
hombres y dos mujeres. Suponga que los cinco solicitantes son igualmente calificados y
que no se da preferencia para escoger género alguno. Sea X igual al número de mujeres
seleccionadas para ocupar los dos cargos. Encuentre la distribución de probabilidad
para X y halle la media y la varianza de X.
5. Una urna contiene 10 canicas, de las cuales 5 son verdes, 2 son azules y 3 son rojas.
Tres canicas se van a sacar de la urna, una a la vez y sin reemplazo. ¿Cuál es la
probabilidad de que las tres canicas extraídas sean verdes?
6. Una corporación hace un muestreo sin reemplazo para n = 3 firmas, para determinar
aquella de la cual comprar abastecimientos. La muestra se ha de seleccionar de un
grupo de seis firmas, de las cuales cuatro son locales y dos no lo son. Denote con Y el
número de firmas no locales de entre las tres seleccionadas. Calcule las siguientes pro-
babilidades: a) P (Y = 1) b) P (Y ≥ 1) c) P (Y ≤ 1)
7. Las especificaciones exigen que un termistor se pruebe entre 9000 y 10000 ohms
a 25◦ Celsius. Se dispone de 10 termistores y 3 de éstos han de ser seleccionados
para usarlos. Denote con Y el número de entre los tres que no se apegan a las
especificaciones. Encuentre las distribuciones de probabilidad para Y (en forma
tabular) dadas en las siguientes condiciones:
a) Dos temistores no se apegan a las especificaciones de entre los 10 disponibles.
b) Cuatro temistores no se apegan a las especificaciones de entre los 10 disponibles.
9. Se reparten cinco cartas al azar sin reemplazo de una baraja de 52 cartas. ¿Cuál
es la probabilidad de que la mano contenga por lo menos un as?
Si de una baraja ordinaria de 52 cartas se toman 7 y se reparten, ¿cuál es la
probabilidad de que al menos una de ellas sea una reina.
Si a una persona se le reparten varias veces 12 cartas de una baraja de 52 cartas
¿cuántas cartas de corazones por mano puede esperar?
3.10. DISTRIBUCIÓN GEOMÉTRICA Y DISTRIBUCIÓN BINOMIAL NEGATIVA 23
11. Un recipiente tiene 12 botellas de vino, 3 de ellas se han echado a perder. Una muestra
de 4 botellas se selecciona al azar de la caja.
a) Encuentre la distribución de probabilidad para X, el número de botellas de vino
echado a perder. b) Calcule la media y la varianza de X.
12. Una pieza de equipo electrónico contiene seis chips de computador, dos de los cuales
están defectuosos. Tres chips se seleccionan para inspeccionarlos y se registra el nú-
mero de defectuosos. Encuentre la distribución de probabilidad para X : el número
de chips defectuosos y encuentre la probabilidad de no ver artículos defectuosos.
13. Se selecciona al azar un comité de tres personas a partir de cuatro médicos y dos
enfermeras. Encuentre la distribución de X : el número de médicos en el comité.
Calcule P (2 ≤ X ≤ 3).
14. (B) Una ciudad vecina considera entablar una demanda de anexión en contra de
una subdivisión del condado de 1200 residencias. Si los ocupantes de la mitad de
las residencias objetan la anexión ¿cuál es la probabilidad de que en una muestra
aleatoria de 10 residencias, al menos 3 objeten la anexión?
15. (B) Se estima que 4000 de los 10000 residentes con derecho al voto de una ciudad
están en contra de un nuevo impuesto sobre las ventas. Si se seleccionan al azar 15
votantes y se les pide su opinión, ¿cuál es la probabilidad de que a lo sumo 7 estén
en contra del nuevo impuesto?
Distribución geométrica
La variable aleatoria con distribución de probabilidad geométrica esta asociada con un
experimento que comparte algunas características de un experimento binomial. Este
experimento también comprende pruebas idénticas e independientes, cada una de las cuales
puede arrojar uno de dos resultados: éxito E o fracaso F .
24 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Decir que uno de cada cien resulta defectuoso equivale a decir que la probabilidad de
encontrar uno defectuoso es p = 0.01, de esta manera p(5) = 0.994 0.01 = 0.0096
3.39 Ejemplo. En momentos de saturación, un conmutador telefónico está muy cerca de su
límite de capacidad, por lo que los usuarios tienen dificultad para hacer sus llamadas. Sería
interesante saber cuántos intentos serían necesarios para conseguir un enlace telefónico.
Suponga que la probabilidad de enlace en momentos de saturación es 0.05. Determine el
número esperado de llamadas para poder ser atendidos y la probabilidad de ser atendidos
en menos de cinco llamadas.
Sea Y el número de intervalos de una hora hasta la primer falla, entonces la probabilidad
P∞
de un buen funcionamiento de por lo menos dos horas es P (Y ≥ 3) = p(y).
y=3
∞
P
Como p(y) = 1 entonces al aplicar la ley del complemento se obteine:
y=3
∞
P
P (Y ≥ 3) = p(y) = 1 − p(1) − p(2) = 1 − p − q · p = 1 − 0.02 − 0.98 · 0.02 = 0.9604
y=3
Encontrar el tiempo esperado antes de encontrar una falla equivale a hallar el valor esperado,
1 1
E(Y ) = µ = = = 50, es decir, 50 horas.
p 0.02
3.41 Definición. Se dice que una variable aleatoria X tiene una distribución de
x − 1 r x−r
probabilidad binomial negativa si y solo si p(x) = p q
r−1
para x = r, r + 1, r + 2, . . . con 0 ≤ p ≤ 1 y q = 1 − p.
3.42 Teorema. Si X es una variable aleatoria con distribución binomial negativa, entonces
r rq
µ = E(X) = y σ 2 = V (X) = .
p p2
3.43 Ejemplo. Un estudio geológico indica que un pozo petrólero de exploración
perforado en una región particular debe producir petróleo con probabilidad 0.2.
Encuentre la probabilidad de que el tercer descubrimiento de petróleo llegue en el quinto
pozo perforado. También determine la media y la varianza.
26 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Las perforaciones son independientes y con probabilidad 0.2 de descubrir petróleo en cual-
quiera de los pozos. Sea X el número del intento en el que ocurre el tercer descubrimiento
de petróleo. Por todo esto X tiene distribución binomial negativa con p = 0.2 y r = 3.
4
La probabilidad requerida es P (X = 5) = p(5) = 0.23 0.82 = 6 · 0.008 · 0.64 = 0.0307
2
r 3 rq 3 · 0.8
La media es E(X) = = = 15 y la varianza σ 2 = 2
= = 60.
p 0.2 p 0.22
6
Ahora p = 0.6 y r = 5, por tanto P (X = 7) = p(7) = 0.65 0.42 = 0.1866
4
a) Estamos ante una v.a.d. binomial negativa con p = 0.55 y r = 4, de esto se sigue
5
P (X = 6) = p(6) = 0.554 0.452 = 0.1853
3
2. Suponga que el 30 % de los solicitantes para cierto trabajo industrial posee capacita-
ción avanzada en programación computacional. Los candidatos son elegidos aleatoria-
mente entre la población y entrevistados en forma sucesiva. Encuentre la probabilidad
de que el primer solicitante con capacitación avanzada en programación se encuentre
en la quinta entrevista. ¿Cuál es el número esperado de solicitantes que será necesario
entrevistar para hallar el primero con capacitación avanzada?
5. Se lanza un par de dados y se suman los puntajes de sus caras superiores. Encuentre la
probabilidad de observar el primer nueve antes del quinto lanzamiento. Determine el
número esperado de lanzamientos esperado para observar el primer nueve (considere
p y q como fracciones).
6. Los empleados de una empresa que manufactura aislamientos están siendo examinados
en busca de indicios de asbesto en sus pulmones. La empresa ha sido requerida para
enviar tres empleados que tengan indicios positivos de asbesto a un centro médico para
realizarles exámenes adicionales. Si 40 % de los empleados tienen indicios positivos de
asbesto en sus pulmones, encuentre la probabilidad de que diez empleados deban ser
examinados para hallar tres positivos. Si cada examen cuesta $20, encuentre el valor
esperado y la varianza del costo total de realizar los exámenes necesarios para hallar
los tres positivos.
28 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
7. Diez por ciento de los motores fabricados en una línea de ensamble son defectuosos.
Si los motores se seleccionan al azar uno a uno y se prueban,
a) Encuentre la probabilidad de que el tercer motor defectuoso sea hallado en el
quinto intento.
b) Calcule la probabilidad de que el tercer motor defectuoso sea hallado en el quinto
intento o antes.
c) Determine la media y la varianza del número del intento en el que sea hallado el
tercer motor no defectuoso.
8. La probabilidad de que una persona que vive en -Bogotá tenga un perro es 0.3. Calcule
la probabilidad de que la décima persona entrevistada al azar sea la quinta que tiene
un perro.
9. Obtenga la probabilidad de que una persona que lanza una moneda observe:
a) la tercer cara en el séptimo lanzamiento;
b) la primer cara en el cuarto lanzamiento.
10. Un científico inocula a varios ratones, uno a la vez, el virus que produce una
enfermedad, hasta que encuentra a dos que contraen la enfermedad. Si la
probabilidad de contraer la enfermedad es 0.1, halle la probabilidad de tener que
inocular a ocho ratones.
11. Suponga que la probabilidad de que una persona crea un rumor acerca de las
transgresiones de cierto cantante de rock famoso es de 0.8. Encuentre la
probabilidad de que:
a) la sexta persona que escuche este rumor sea la cuarta en creerlo;
b) la tercera persona que escuche este rumor sea la primera en creerlo.
El intervalo de tiempo puede ser de cualquier duración, como un minuto, un día, una
semana, un mes o tal vez un año. Por ejemplo, un experimento de Poisson podría generar
observaciones para la variable aleatoria X que representa el número de llamadas telefónicas
por hora que recibe una oficina; el número de días que una escuela distrital permanece
cerrada debido a los paros nacionales o educativos en un año escolar; o el número de
partidos de béisbol suspendidos a causa de la lluvia durante la temporada deportiva.
3.12. DISTRIBUCIÓN DE POISSON 29
La región específica podría ser un segmento de recta, un área, un volumen o quizá una
pieza de material. En estos casos X podría representar el número de ratas por hectárea;
el número de bacterias en un cultivo dado; o el número de errores mecanográficos por
página. Un experimento de Poisson se deriva del proceso de Poisson, el cuál se describe a
continuación, tenga presente que aunque solo se menciona un intervalo de tiempo, en lugar
de éste puede tratarse de una región específica.
3.47 Teorema. Si Y es una variable aleatoria que posee distribución de Poisson con
parámetro λ entonces µ = E(Y ) = λ y σ 2 = V (Y ) = λ.
3.49 Ejemplo. El número promedio de camiones que llegan diariamente a cierta ciudad
portuaria es 10. Las instalaciones en el puerto pueden alojar a lo sumo 15 camiones por
día. ¿Cuál es la probabilidad de que en un día determinado lleguen más de 15 camiones y
se tenga que rechazar algunos camiones?
3.51 Ejemplo. Una compañia de seguros de vida asegura las vidas de 5000 hombres de 45
años de edad. Estudios actuariales muestran que la probabilidad de que cualquier hombre
de 45 años muera en un año determinado es 0.001. Encuentre la probabilidad de que la
compañia tenga que pagar cuatro reclamaciones en un año determinado
a) exactamente, es decir, por medio de la distribución binomial;
b) usando la aproximación suministrada por la distribución de Poisson.
lı́m F (y) = 1
y→∞
y2 y 3 1 1
1
Z
b) P (0 < Y ≤ 1) = dy = =
0 3 9 0 9
t3 y
Z y y
t2 y3 + 1
Z
c) Si −1 ≤ y ≤ 2 entonces F (y) = f (t) dt = dt = = por tanto
−∞ −1 3 9 −1 9
0
si y < −1
y 3 +1 2 1 1
F (y) = si − 1 ≤ y ≤ 2 entonces P (0 < Y ≤ 1) = F (1) − F (0) = 9 − 9 = 9
9
1 si y > 2.
Z 0.5
0.5
Calculamos la probabilidad por 2 3
P (0 < Y ≤ 0.5) = 3y dy = y = 0.125
medio de la función de densidad: 0 0
36 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Z ∞ Y con función de
3.61 Definición. El valor esperado de una variable aleatoria continua
densidad f (y) es (siempre que exista la integral): E(Y ) = µ = y f (y) dy
−∞
3.62 Teorema. Sea g(Y ) una función de la v.a.c. Y (la Zfunción de densidad de Y es f (y)),
∞
el valor esperado de g(Y ) está dado por: E(g(Y )) = g(y) f (y) dy
−∞
3.63 Teorema. Sea Y una variable aleatoria continua, sea c una constante y sean
g(Y ), g1 (Y ), g2 (Y ), . . . , gk (Y ), funciones de la v.a.c. Y . Entonces:
E(c) = c
E[c g(Y )] = cE[g(Y )]
E[ g1 (Y ) + g2 (Y ) + . . . + gk (Y )] = E[g1 (Y )] + E[g2 (Y )] + . . . + E[gk (Y )]
La varianza de una v.a.c. se define exactamente igual que la varianza de una v.a.d.
3.64 Definición. Sea Y una variable aleatoria continua con valor esperado µ. La varianza
de Y es igual al valor esperado de (Y − µ)2 , esto es, V (Y ) = σ 2 = E[(Y − µ)2 ].
3.65 Nota. Si Y es una variable aleatoria continua con valor esperado µ, es posible
demostrar que V (Y ) = σ 2 = E(Y 2 ) − µ2 .
(
cy 2 si 0 ≤ y ≤ 2
3.66 Ejemplo. Sea Y una v.a.c. con función de densidad f (y) =
0 en otro caso.
a) Encuentre el valor de c que hace de f (y) una función de densidad.
b) Determine la probabilidad P (1 ≤ Y ≤ 1.2)
c) Calcule el valor esperado y la varianza de Y .
Z ∞
a) La función f (y) debe ser no negativa y satisfacer la identidad f (y) dy = 1,
−∞
cy 3 2 8c
Z ∞ Z 2
3
por tanto: f (y) dy = cy 2 dy = = = 1 =⇒ c =
−∞ 0 3 0 3 8
3.15. EJERCICIOS DE MEDIA Y VARIANZA DE V.A.C. 37
Z1.2
3y 2 y 3 1.2 1.23 − 1
b) P (1 ≤ Y ≤ 1.2) = dy = = = 0.091
8 8 1 8
1
Z∞ Z2 Z2
3y 2 3y 3 3y 4 2 3 · 16
3
c) E(Y ) = µ = y · f (y) dy = y· dy = dy = = = = 1.5
8 8 32 0 32 2
−∞ 0 0
3
por consiguiente, σ 2 = V (Y ) = E(Y 2 ) − µ2 = 2.4 − 1.52 = 20 = 0.15
3. Con base en pruebas extensas, el fabricante de una lavadora determinó que el tiempo
Y (en años) para que el electrodoméstico requiera una reparación mayor, se obtiene
mediante( la siguiente función de densidad de probabilidad
1
si y ≥ 0
f (y) = 4ex/4
0 en otro caso.
a) Verifique que f (y) es una función de densidad, y grafíquela.
b) Los expertos afirman que la lavadora es una ganga si no requiere reparaciones
serias antes de 6 años. De su punto vista luego de hallar la probabilidad P (Y > 6).
c) Obtenga la probabilidad de que este tipo de lavadora requiera una reparación
mayor durante el primer año.
38 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
(
cy si 0 ≤ y ≤ 2
4. Suponga que Y posee función de densidad f (y) =
0 en otro caso.
a) Encuentre el valor de c que hace de f (y) una función de densidad. Grafique f (y).
b) Use f (y) para hallar la probabilidad P (1 ≤ Y ≤ 2).
c) Encuentre la función de distribución F (y) y trace su gráfica.
d) Emplee la función de distribución F (y) para calcular P (1 ≤ Y ≤ 2).
5. Una gasolinera opera dos bombas, cada una de las cuales puede bombear hasta 10 000
galones de gasolina por mes. La cantidad total de gasolina bombeada en un mes es
una v.a.c. Y (medida en 10 000 galones) con una función de densidad dada por
a) Verifique que f (y) es una función de densidad y
y
si 0 ≤ y < 1 grafíquela.
f (y) = 2 − y si 1 ≤ y ≤ 2 b) Encuentre F (y) y trace su gráfica.
c) Obtenga la probabilidad de que la gasolinera
0 en otro caso.
bombee entre 8 000 y 12 000 galones en el mes de mayo.
d) Dado que la gasolinera bombeó más de 10 000 galones en un mes particular,
encuentre la probabilidad de que haya bombeado más de 15 000 galones en tal mes.
(
c(2 − y) si 0 ≤ y ≤ 2
6. Suponga que Y posee función de densidad f (y) =
0 en otro caso.
a) Halle el valor de c que hace de f (y) una función de densidad. Grafique f (y).
b) Emplee f (y) para hallar la probabilidad P (1 ≤ Y ≤ 2).
c) Encuentre la función de distribución F (y) y trace su gráfica.
d) Use la función de distribución F (y) para calcular P (1 ≤ Y ≤ 2).
e) Obtenga la media y la varianza de Y .
7. Sean a y b constantes y sea Y una v.a.c. con media µ y varianza σ 2 .
Demostrar lo siguiente:
a) E(aY + b) = aµ + b
b) V (aY + b) = a2 σ 2
8. Para ciertas muestras de minerales, la proporción Y de impurezas por muestra es una
v.a.c. con media µ y varianza σ 2 . El valor (en dólares) de cada muestra es W = 5 − Y2 .
Obtenga la media y la varianza del costo de cada muestra W .
9. Sea F (Y ) la función de distribución de la v.a.c. Y .
0 si y ≤ 0
a) Obtenga la función de densidad f (y).
y
si 0 ≤ y < 2
b) Calcule las siguientes probabilidades: F (y) = y82
i) P (1 ≤ Y ≤ 3) ii) P (Y ≥ 1.5)
16 si 2 ≤ y ≤ 4
1 si y ≥ 4.
iii) P (Y ≤ 1.5) iv) P (Y ≥ 1|Y ≤ 3)
3.15. EJERCICIOS DE MEDIA Y VARIANZA DE V.A.C. 39
10. La proporción de tiempo diario que todas las cajas de ( un supermercado están
cy 2 (1 − y)4 si 0 ≤ y ≤ 1
ocupadas es una v.a.c. Y con función de densidad f (y) =
0 en otro caso.
a) Determine el valor de c que hace de f (y) una función de densidad.
b) Encuentre el valor esperado de Y .
11. La radiación solar diaria en el estado de Florida,
( durante un mes cualquiera, tiene
3
(y − 2)(6 − y) si 2 ≤ y ≤ 6
una función de densidad dada por f (y) = 32 con
0 en otro caso.
mediciones en cientos de calorias. Verifique que f (y) es una función de densidad y
encuentre la radiación solar diaria esperada para el mes de noviembre.
( √
c y si 0 ≤ y ≤ 1
12. Suponga que Y tiene función de densidad f (y) =
0 en otro caso.
a) Encuentre el valor de c que hace de f (y) una función de densidad de probabilidad.
b) Calcule las probabilidades: i) P (0.3 ≤ Y ≤ 0.6) ii) P (Y < 0.5)
c) Determine el valor esperado y la varianza de Y .
Aunque las aplicaciones de la distribución uniforme continua no son tan abundantes como
las aplicaciones de otras distribuciones, resulta apropiado para un estudiante comenzar el
estudio de las distribuciones continuas con esta distribución.
a) La ( función de densidad es
1
si 0 ≤ y ≤ 10
f (y) = 10
0 en otro caso.
Z2
y 2
1 2
b) P (0 ≤ Y ≤ 2) = dy = = = 0.2
10 10 0 10
0
Z10
y 10 10 − 6
1
c) P (Y ≥ 6) = dy = = = 0.4
10 10 6 10
6
Z9
y 9 9 − 7
1
d) P (7 ≤ Y ≤ 9) = dy = = = 0.2
10 10 7 10
7
0 + 10
e) El valor esperado es E(Y ) = µ = = 5 y la varianza viene dada por la
2
(10 − 0)2 100 25
expresión V (Y ) = σ 2 = = = = 8.333.
12 12 3
3.70 Ejemplo. Suponga que el tiempo máximo que se puede reservar una gran sala de
conferencias de un centro de convenciones son cuatro horas.
Como es natural, frecuentemente se presentan conferencias extensas y cortas, de hecho, se
puede suponer que la duración Y (en horas) de una conferencia tiene distribución uniforme
en el intervalo [0, 4].
42 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
2. En cierto banco ubicado en el centro de la ciudad siempre hay fila que dura entre 10
y 40 minutos, y el tiempo de espera es una v.a.c. uniforme.
a) Determine la función de densidad f (y).
b) Obtenga la probabilidad de tener que esperar más de media hora.
c) Halle la probabilidad de esperar exactamente 15 minutos.
d) Calcule el valor esperado y la varianza de esta variable aleatoria.
x−µ
Siempre que X tome un valor x, el correspondiente valor Z es dado por z = .
σ
Por tanto, si X cae entre los valores x = x1 y x = x2 , la variable aleatoria Z caerá
x1 − µ x2 − µ
entre los valores z1 = y z2 = .
σ σ
En consecuencia podemos establecer la identidad p(x1 < X < x2 ) = p(z1 < Z < z2 )
siendo Z una variable aleatoria normal con media 0 y varianza 1.
Ahora hemos reducido el número requerido de tablas de áreas de la curva normal a solamente
una: la distribución normal estándar. La tabla estadística de esta distribución, corresponde
a p(Z < z) para valores de z que van de −3.49 a 3.49.
3.18. DISTRIBUCIÓN NORMAL 45
a) a la derecha de z = 1.84
p(−1.97 < Z < 0.86) = p(Z < 0.86) − p(Z < −1.97)
= 0.8051 − 0.0244 = 0.7807.
46 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
45 − 50 62 − 50
z1 = = −0.5 y z2 = = 1.2 respectivamente, por tanto:
10 10
p(45 < X < 62) = p(−0.5 < Z < 1.2) = p(−0.5 < Z < 1.2) =
Se necesita la probabilidad p(X < 2.3). Primero hallamos el correspondiente valor z para
luego acudir a la tabla.
2.3 − 3
z1 = = −1.4 =⇒ p(X < 2.3) = p(Z < −1.4) = 0.0808.
0.5
a) Primero se requiere un valor de z tal que p(Z < z) = 0.45, al acudir a la tabla de la
normal encontramos p(Z < −0.13) = 0.4483 y p(Z < −0.12) = 0.4522; el valor
más cercano a 0.45 es 0.4483 y así z = −0.13. Por consiguiente
x = (6)(−0.13) + 40 = 39.22
48 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
b) Un valor de z que deja un área de 0.14 a la derecha debe dejar un área de 0.86 a la
izquierda, es decir, p(Z < z) = 0.86, la tabla de la normal nos dice que
p(Z < 1.08) = 0.8599; de esto se sigue que z = 1.08 y por tanto
x = (6)(1.08) + 40 = 46.48
3.79 Ejemplo. Se ha realizado un examen de estadística sobre 100 puntos. Las califica-
ciones vienen dadas en números enteros y siguen una curva que tiene distribución normal.
La calificación promedio es 74 y la desviación estándar es 7.
Si el 12 % de la clase obtiene calificaciones excelentes diga cual es la calificación excelente
más baja y cual es la calificación buena más alta.
8. Suponga que los pesos de los hombres se distribuyen de manera normal, con media
de 172 libras y una desviación estándar de 29 libras. ¿Que peso separa el 99.5 % de
los hombres menos pesados, del 0.5 % de los hombres más pesados?
11. Una máquina expendedora de bebidas gaseosas se regula para que sirva un promedio
de 200 militros (ml) por vaso. Si la cantidad de bebida se distribuye normalmente
con una varianza de 225 ml,
a) ¿qué fracción de los vasos contendrá más de 224 ml?
b) ¿cuál es la probabilidad de que un vaso contenga entre 191 ml y 209 ml?
c) ¿cuántos vasos probablemente se derramarán si se utilizan vasos de 230 ml para
las siguientes 1000 bebidas?
13. Un investigador informa que unos ratones a los que primero se les restringen drásti-
camente sus dietas y después se les enriquecen con vitaminas y proteínas, vivirán en
promedio 40 meses. Si suponemos que las vidas de tales ratones distribuyen normal-
mente con una desviación estándar de 6.3 meses, calcule la probabilidad de que un
ratón de estos viva:
a) más de 32 meses. b) menos de 28 meses. c) entre 37 y 49 meses.
3.20. APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL 51
14. Suponga que las mediciones de la corriente en una tira de alambre siguen una distri-
bución normal con una media de 10 miliamperes (mA) y una varianza de 4 mA2 .
a) Determine la probabilidad de que la medición exceda de 13 mA.
b) Encuentre la probabilidad de que una medición de la corriente esté entre 9 mA y
11 mA.
c) La corriente es excesiva si sus mediciones pertenecen al 2 % superior. ¿Cuál es
el mayor valor (en mA) que puede tomar la corriente para no sea catalogada como
excesiva?
Esta aproximación es adecuada siempre y cuando n sea grande y p no esté demasiado cerca
de 0 o 1. La aproximación normal a las probabilidades binomiales será adecuada si np > 5
y nq > 5.
Debe tener cuidado de no excluir la mitad de los dos rectángulos de probabilidad de los
extremos cuando utilice la aproximación normal a la distribución binomial. Este ajuste,
llamado corrección de continuidad, ayuda a eplicar el hecho de que se está aproximan-
do una variable aleatoria discreta mediante una continua, el no hacerlo aleja bastante su
aproximación del verdadero valor.
A continuación se enuncia un procedimiento a seguir.
3. Sea X una variable aleatoria binomial con n = 100 y p = 0.2. Encuentre las aproxi-
maciones normales para las siguientes probabilidades:
a) p(x > 22) b) p(x ≥ 22) c) p(19 < X < 25) d) p(19 ≤ X ≤ 25)
4. Se lanza una moneda 400 veces, utilice la aproximación de la normal para calcular la
probabilidad de obtener:
a) entre 185 y 210 caras.
b) exactamente 205 caras.
c) menos de 176 o más de 227 caras.
7. Sea X una variable aleatoria binomial con n = 20 y p = 0.3. Encuentre las siguientes
probabilidades mediante la aproximación de la normal y también usando la tabla de
la binomial. Determine la distancia entre estos dos valores.
a) p(x = 5) b) p(X ≥ 7) c) p(x < 4)
3.21. EJERCICIOS DE APROXIMACIÓN NORMAL A LA BINOMIAL 55
10. Un par de dados se lanza 180 veces. Por medio de la aproximación de la curva normal
estime la probabilidad de que se observe un siete:
a) por lo menos 25 veces.
b) entre 33 y 41 veces.
c) exactamente 7 veces.