Variables Aleatorias

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 55

CAPÍTULO 3

VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

3.1. Introducción

En el capítulo anterior se define el concepto de experimento y los resultados experimen-


tales correspondientes. Una variable aleatoria proporciona un medio para describir estos
resultados con valores numéricos. Las variables aleatorias deben asumir valores numéricos.
3.1 Definición. Una variable aleatoria es una función de valor real para la cual el dominio
es un espacio muestral.
Algunos ejemplos de variables aleatorias pueden ser:
X = Número de artículos defectuosos fabricados en una planta de producción.

X = Tiempo transcurrido entre dos llamadas telefónicas consecutivas en una oficina


de servicio al cliente.
Las variables aleatorias cuantitativas se clasifican en dos categorías: discretas o continuas,
de acuerdo con los valores que X pueda tomar. Es importante distinguir entre variables
aleatorias discretas y continuas porque se requieren técnicas diferentes para describir sus
distribuciones.
3.2 Definición. Una variable aleatoria X es discreta si puede tomar sólo un número finito
o contable infinito de valores distintos.

1
2 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Un ejemplo de variable aleatoria discreta puede ser, X = Número de artículos defectuosos


fabricados en una planta de producción, debido a que X puede asumir los valores 0, 1, 2, 3, . . .

3.3 Definición. La probabilidad de que X tome el valor x, denotado P (X = x), se define


como la suma de las probabilidades de todos los puntos muestrales en el espacio muestral
S, a los que se asigna el valor x. En ocasiones la expresión P (X = x) simplemente se denota
como p(x).
La distribución de probabilidad, o simplemente la función de probabilidad p(x), para una
variable aleatoria X puede ser representada por una fórmula, una tabla, o una gráfica que
produzca p(x) para toda x.

La función de distribución de X, denotada por F (x), es tal que F (x) = P (X ≤ x)


para todo x.

3.4 Teorema. Una distribución de probabilidad discreta X satisface las siguientes


condiciones:
0 ≤ p(x) ≤ 1 para todo x.
P
p(x) = 1, donde la sumatoria se extiende sobre todos los valores de x
x
con probabilidad diferente de cero.

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).

El espacio muestral de este experimento es S = { cc, cs, sc, ss } donde el evento cs


significa que en la moneda de $ 100 cayó cara y en la moneda de $ 200 cayó sello.
Las siguientes tablas ayudan a la comprensión del ejercicio.
para cada valor de x se puede calcular p(x) al
evento simple probabilidad valor de X
sumar las probabilidades de los eventos simples
cc 0.25 2
correspondientes al valor de x.
cs 0.25 1
Solo hay un evento simple que conduce a x = 0,
sc 0.25 1
el evento ss, su probabilidad es 0.25; por tanto
ss 0.25 0
p(0) = 0.25.
Hay dos eventos simples correspondientes a x = 1, los eventos cs y sc, sus probabilidades
suman 0.50; por consiguiente p(1) = 0.50.
Solamente el evento simple cc corresponde a x = 2, su probabilidad es 0.25; esto implica
que p(2) = 0.25.
Esta información nos permite construir la siguiente tabla que representa la distribución de
probabilidad p(x) y la función de distribución F (x).
3.2. VALOR ESPERADO Y VARIANZA DE VARIABLES ALEATORIAS DISCRETAS 3

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

Al hallar la sumatoria sobre todos los posibles valores de x se obtiene:


P2
p(i) = p(0) + p(1) + p(2) = 0.25 + 0.50 + 0.25 = 1
i=0

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

3.7 Ejemplo. Ejemplos de variables aleatorias continuas

experimento variable aleatoria X valores posibles de X


atención en un banco tiempo (en minutos) entre la llegada x≥0
de dos clientes consecutivos
llenado de una lata de Cantidad de onzas en una lata de 0 ≤ x ≤ 12.1
gaseosa (máx 12.1 Oz) gaseosa
construcción de una porcentaje del proyecto completado 0 ≤ x ≤ 100
biblioteca después de 6 meses de trabajo
prueba de un nuevo temperatura (en grados Fahrenheit) 150 ≤ x ≤ 212
proceso químico a la que ocurre la reacción

3.2. Valor esperado y varianza de variables aleatorias discretas

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.

3.8 Definición. Sea X una variable aleatoria discreta (v.a.d.)


P con función de probabilidad
p(x). El valor esperado de X se define como E(X) = xp(x) donde la sumatoria
x
se extiende sobre todos los valores admisibles por la variable aleatoria X.

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

Recordemos que la función de distribución de


x 0 1 2
probabilidad de la variable aleatoria discreta X
p(x) 0.25 0.50 0.25
se aprecia mediante la tabla de la derecha
2
P
Al aplicar la definición 3.8 se obtiene: E(X) = xp(x) = 0 · 0.25 + 1 · 0.50 + 2 · 0.25 = 1
x=0

3.11 Definición. Si X es una variable aleatoria discreta tiene media E(X) = µ, la


varianza de la variable aleatoria X, denotada V (X) = σ 2P , se define como el valor
esperado de (X − µ)2 , esto es: V (X) = σ 2 = E[(X − µ)2 ] = (x − µ)2 p(x)
x
La desviación estándar de X, denotada σ, es la raíz cuadrada positiva de la varianza.

3.12 Ejemplo. Encuentre la varianza y la desviación estándar de la variable aleatoria del


ejemplo 3.5.

En el ejemplo anterior se apreció que x 0 1 2


µ = 1. La siguiente tabla tiene la
(x − µ)2 (0 − 1)2 = 1 (1 − 1)2 = 0 (2 − 1)2 = 1
casilla (x − µ)2 para cada valor de
p(x) 0.25 0.50 0.25
x.
Calculamos la varianza multiplicando las respectivas componentes de las filas 2 y 3:
2
V (X) = σ 2 = (x − µ)2 p(x) = 1 · 0.25 + 0 · 0.50 + 1 · 0.25 = 0.50
P
x=0 √ √
La desviación estándar es: σ = σ 2 = 0.50 = 0.707
3.2. VALOR ESPERADO Y VARIANZA DE VARIABLES ALEATORIAS DISCRETAS 5

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

A continuación vamos a aplicar la fórmula anterior x 0 1 2


para hallar la varianza del ejemplo 3.5. Ahora x2 0 1 4
incluimos una fila para los valores de x2 p(x) 0.25 0.50 0.25

Al multiplicar los correspondientes valores de las filas 2 y 3 obtenemos:


2
E(X 2 ) = x2 p(x) = 0 · 0.25 + 1 · 0.50 + 4 · 0.25 = 1.50 por tanto
P
x=0

V (X) = E(X 2 ) − µ2 = 1.5 − 12 = 0.5 el mismo resultado del ejercicio anterior.

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)]

3.15 Ejemplo. Una tienda de electrónica vende un modelo particular de computador


portátil. Solo quedan cuatro computadores y la gerente se pregunta cual será la
demanda para hoy. Ella se entera en el departamento de marketing de que la distribución de
probabilidad para la demanda diaria de unidades de ese modelo es como aparece en la tabla.
x 0 1 2 3 4 5
p(x) 0.10 0.40 0.20 0.15 0.10 0.05

a) Halle la media, la varianza y la desviación estándar de X.


Al graficar un histograma para p(x) vemos que la función de probabilidad p(x) tiene
aproximadamente forma de campana.
b) ¿Se ajusta correctamente la regla empírica a los intervalos µ ± σ y µ ± 2σ?
P5
a) E(X) = µ = xp(x) = 0 · 0.10 + 1 · 0.40 + 2 · 0.20 + 3 · 0.15 + 4 · 0.10 + 5 · 0.05 = 1.90
x=0
Para determinar la varianza agregamos una fila más a la tabla, que indique el valor de x2
para cada valor admisible de 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

Obtenemos el valor esperado de X 2 apoyados en la tabla:


5
E(X 2 ) = x2 p(x) = 02 · 0.10 + 12 · 0.40 + 22 · 0.20 + 32 · 0.15 + 42 · 0.10 + 52 · 0.05 = 5.40.
P
x=0
2 2 2
√ ) −√µ = 5.4 − 1.9 = 1.79.
Al aplicar la fórmula de la nota 3.13 se tiene: V (X) = E(X
La desviación correcta a tres cifras decimales es: 2
σ = σ = 1.79 = 1.338.

La regla empírica nos dice que aproximadamente el 68 % de los datos se encuentran en el


intervalo µ ± σ ⇐⇒ 1.9 ± 1.338 ⇐⇒ 0.562 a 3.238. Al acudir a la tabla vemos que la
probabilidad correspondiente a este intervalo es igual a 0.75.
Aproximadamente el 95 % de los datos se encuentran en el intervalo
µ ± 2σ ⇐⇒ 1.9 ± 2.676 ⇐⇒ −0.776 a 4.576.
La tabla nos dice que la probabilidad correspondiente a este intervalo es igual a 0.95.

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?

La ganacia X puede tomar uno de dos valores.


7998
O bien perderá $ 20 (es decir su ganancia será −$ 20) con probabilidad 8000 ,
2
o ganará $ 23980, con probabilidad 8000 .

La distribución de probababilidad para la ganancia x -20 23980


7998 2
X se muestra en la tabla de la derecha p(x) 8000 8000

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

La función de distribución de probababilidad para x C −(10000−C)


98 2
la ganancia X se muestra en la tabla: p(x) 100 100

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.

3. Una variable aleatoria X tiene la siguiente distribución de probabilidad


x 0 1 2 3 4 5
p(x) 0.10 0.30 0.40 0.10 ? 0.05
a) Determine p(4). b) Encuentre µ, σ 2 y σ.
c) Localice el intervalo µ±σ y calcule la probabilidad de que X caiga en ese intervalo.
d) Localice el intervalo µ±2σ y halle la probabilidad de que X caiga en ese intervalo.
e) ¿Los resultados de las partes c) y d) concuerdan con los de la regla empírica?

4. Un dado se carga de manera que un número par { 2, 4, 6 } tiene doble posibilidad


de caer que un número impar { 1, 3, 5 }. Sea X el número observado en su cara
superior. Calcule p(x), E(X) y V (Y ).
5. Una variable aleatoria X tiene la función
x 0 1 2 3 4
de distribución de probabilidad mostrada
p(x) 0.1 0.3 0.3 ? 0.1
en la tabla.
a) Encuentre p(3). 2
b) Halle µ, σ y σ.
c) Localice los intervalos µ ± σ y µ ± 2σ.
d) ¿Cuál es la probabilidad de que x sea por lo menos 3?
e) ¿Cuál es la probabilidad de que x sea a lo sumo 2?
8 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

6. Sea X igual al número observado en el tiro de un solo dado corriente.


a) Encuentre la distribución de probabilidad de X y grafíquela.
b) Determine µ, σ 2 y σ.
c) Localice µ ± σ en el eje x de la gráfica del inciso a). ¿Qué proporción de las
mediciones caen en ese intervalo? ¿Concuerda con la regla empírica o con el teorema
de Chebishev?
7. Una variable aleatoria Y tiene la distribución de y 1 2 3 4
probabilidad mostrada en la tabla. p(y) 0.4 0.3 0.2 0.1
Encuentre E(Y ), E(1/Y ), E(Y 2 − 1) y V (Y ).
8. Se lanza un par de dados, la suma T del número de puntos que aparecen en las caras
superiores de los dados pueden asumir cualquier valor entero en el intervalo [2, 12].
a) Encuentre la distribución de probabilidad de T y grafíquela.
b) Determine µ, σ 2 y σ.
c) Localice µ ± σ en el eje t de la gráfica del inciso a). ¿Qué proporción de las
mediciones caen en ese intervalo? ¿Concuerda con la regla empírica?
d) Localice µ ± 2σ en el eje t de la gráfica del inciso a). ¿Qué proporción de las
mediciones caen en ese intervalo? ¿Concuerda con la regla empírica?
e) ¿Cuál es la probabilidad de que T sea menor que 4?
f ) ¿Cuál es la probabilidad de que T sea mayor que 8?
9. Una pieza de equipo electrónico contiene 6 chips de computadora, dos de los cuales
son defectuosos. Al azar se se seleccionan tres chips, se retiran del equipo y se
inspeccionan. Sea Y igual al número de chips defectuosos seleccionados en la muestra,
donde y = 0, 1 o 2. Halle p(y) y también encuentre µ, σ 2 y σ.
10. A una compañia de transporte le cuesta $14.8 entregar un paquete pequeño antes
de 24 horas. La compañía cobra $15.5 por el envío, pero garantiza la devolución del
dinero si no lo entrega antes de 24 horas.
Si la compañia no hace entregas en solo 2 % de su paquetería antes del periodo de 24
horas, ¿cuál es la ganancia esperada por paquete?
11. El representante de una empresa manufacturera está considerando tomar una póliza
de seguro para cubrir posibles pérdidas en que incurre al vender un nuevo
producto. Si el producto es un completo fracaso, el representante incurrirá en una
pérdida de $ 800 000. Si es sólo un éxito moderado, incurrirá en una pérdida de
$ 250 000. Las probabilidades de que el producto sea un fracaso o un éxito
moderado son de 0.01 y 0.05 respectivamente. ¿Qué prima debe cobrar la
compañia de seguros por póliza para no tener pérdida ni ganancia?
12. Una persona puede asegurar un diamante de $ 50 000 por su valor total si paga una
prima de C dólares. Si la probabilidad de robo en un año determinado es 0.01, ¿qué
prima debe cobrar la compañía si desea que la ganancia esperada sea igual a $ 1 000?
3.3. EJERCICIOS DE VARIABLES ALEATORIAS, MEDIA Y VARIANZA 9

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.

14. Cuando el departamento de salud examinó pozos privados en un condado en busca de


dos impurezas que se hallan en el agua potable, se encontró que 20 % de los pozos no
tenian impurezas, 40 % tenian la impureza A, y 50 % tenian la impureza B (algunos
pozos tienen ambos tipos de impurezas). Si un pozo de los existentes en el condado
es escoge al azar, encuentre la distribución de probabilidad para T , el número de
impurezas halladas en el pozo, ¿cuál es la cantidad esperada de impurezas? también
encuentre la varianza.

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.

17. Sea X una v.a.d. con media µ y varianza σ 2 . Sea Y = X + 1.


Exprese E(Y ) y V (Y ) en términos de µ y σ 2 .

18. Sea X una v.a.d. con media µ y varianza σ 2 . Sea Y = 2X.


Exprese E(Y ) y V (Y ) en términos de µ y σ 2 .

19. Sea X una v.a.d. con media µ y varianza σ 2 . Sea Y = aX + b.


Exprese E(Y ) y V (Y ) en términos de µ y σ 2 .
20. El gerente de un almacén de una empresa de construcción ha
y 0 1 2
construido la distribución de probabilidad para la demanda
p(y) 0.1 0.5 0.4
diaria (número de veces que se usa) de un taladro percutor.
A la empresa le cuesta $ 10 cada vez que el taladro percutor se usa. Encuentre la
media y la varianza del costo diario.
10 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

3.4. Distribución uniforme discreta

3.18 Definición. Si la v.a.d. X toma los valores x1 , x2 , . . . , xk , con idénticas


probabilidades, entonces la distribución uniforme discreta es igual a:
1
p(x) = , para x = x1 , x2 , . . . , xk .
k
3.19 Teorema. La media y la varianza de la distribución uniforme discreta p(x) son:
k k
(xi − µ)2
P P
xi
µ = i=1 y σ 2 = i=1 .
k k
3.20 Ejemplo. Una caja contiene una bombilla de 40 W atts(W ), una de 60 W , una de
75 W y una de 100 W . Se selecciona una al azar. Si X es la variable aleatoria que indica el
número de Watts de la bombilla seleccionada, halle la función de distribución, la media, la
varianza y la desviación estándar de X.

La función de distribución es x 40 60 75 100


p(x) = 14 para x = 40, 60, 75, 100 p(x) 0.25 0.25 0.25 0.25

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

3.5. Ejercicios de distribución discreta uniforme


1. Se lanza una moneda corriente y se registra un 3 si se observa cara; y un 10 si se
observa sello. Obtenga la distribución de probabilidad, la media y la varianza.
2. El entrenador del equipo de baloncesto de la Universidad Libre quiere darle un premio
a uno de los cinco jugadores que ganó la final del torneo de Universidades. Escribe los
números de sus camisetas, que son: 12, 21, 23, 24 y 33 en papelitos, los mete en una
bolsa y selecciona uno de ellos. Encuentre la función de distribución de probabilidad,
la media, la varianza y la desviación estándar.
3. La secretaría académica de la Universidad Libre se compone de 16 administrativos.
Mediante la extracción de una etiqueta al azar, de una caja que contiene 16 etiquetas
numeradas del 1 al 16, se selecciona a uno de los administrativos para trabajar horas
extras. Determine la probabilidad de que:
a) el número seleccionado sea a lo sumo 5.
b) el número seleccionado sea menor a 5.
c) el número seleccionado sea a por lo menos 14.
d) el número seleccionado esté entre 8 y 11 (inclusive).
4. En un concurso familiar por televisión, un concursante lanza un dado grande y el
anfitrión le paga tantos billetes de $ 100 dólares como puntos aparecen en la cara
superior del dado, excepto cuando cae cinco o seis, en cuyo caso es el concursante
quien debe pagar al anfitrión tantos billetes de $ 100 como puntos muestre el dado.
¿El anfitrión o el concursante tiene ventaja en el juego? Para ello calcule el valor
esperado.
5. El juego de la ruleta consiste en hacer girar un disco dividido en 25 sectores circulares
de idéntica área, y cada uno tiene un número dibujado del 1 al 25.
Al detenerse la ruleta hay una marca que indica cuál número resultó ganador.
Determine la probabilidad de que resulte ganador un número de un dígito.
Halle la probabilidad de que el número ganador sea un múltiplo de cinco.
6. El primer dígito del número de serie de una pieza es igualmente factible que sea
cualquiera de los digitos del 0 al 9. Si se selecciona una pieza de un lote grande y X
es el primer dígito del número de serie.
Encuentre la distribución de probabilidad de X, la media y la varianza.
¿Cuál es la probabilidad de que la v.a.d. tome un valor que exceda de 6?
7. El profesor de física rifa un esfero de lujo entre sus 25 estudiantes de física mecánica.
Para ello los ennumera del 1 al 25 según el orden alfabético. La v.a.d. Y consiste en
elegir al azar un número de los 25 posibles. Encuentre la distribución de probabilidad
de esta v.a.d. así como la media, la varianza y la desviación estándar. ¿Cuál es la
probabilidad de que el ganador del esfero sea uno de los primeros ocho estudiantes de
la lista?
12 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

8. El profesor de matemáticas tiene ocho libros distintos de Cálculo, organizados en su


biblioteca personal por orden alfabético del autor. Un buen día decide llevar uno de
ellos al azar a la Universidad. Encuentre la función de probabilidad, la media y la
varianza. ¿Cuál es la probabilidad de que el libro seleccionado sea uno de los tres
primeros por orden alfabético?

3.6. Distribución binomial


3.22 Definición. Un experimento binomial presenta las siguientes propiedades:

Consiste en un número fijo, n, de pruebas idénticas.

Cada prueba resulta en uno de dos resultados: éxito: S, o fracaso F.

La probabilidad de éxito en una sola prueba es iugal a algún valor p y es el mismo de


una prueba a otra. La probabilidad de fracaso es q = 1 − p.

Las pruebas son independientes.

La variable aleatoria de interés es Y : el número de éxitos observados durante las n


pruebas.
3.23 Ejemplo. Se lanza una moneda corriente 4 veces y se registra el resultado, éxito si
se observa una cara y fracaso si se aprecia un sello.
a) Verifique que se trata de un experimento binomial.
b) Determine el espacio muestral de la variable aleatoria Y que cuenta el número de éxitos
observados.
c) Encuentre la función de probabilidad: p(y) = P (Y = y) .
d) Obtenga la función de distribución F (y) = P (Y ≤ y).

a) El número de pruebas idénticas es cuatro.


Cada prueba solo presenta dos posibilidades: éxito si resulta cara: c, fracaso si se observa
sello: s.
La probabilidad de éxito en cada prueba es la probabilidad de observar una cara: 0.5
Las pruebas son independientes: el resultado de un lanzamiento no interfiere en el resultado
de otro lanzamiento.

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

Observemos la columna correspondiente a n = 4, p = 0.5. Al comparar estos cinco


valores con los de la tabla de F (y) en el ejemplo 3.23, podemos apreciar que son los mismos
valores, como ya mencionamos, la tabla de la distribución binomial nos arroja los valores
de la función de distribución.

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.

3.26 Ejemplo. Se ha observado que un jugador profesional de baloncesto puede encestar


un tiro libre en un intento determinado con probabilidad igual a 0.8. Suponga que él lanza
10 tiros libres.
a) ¿cuál es la probabilidad de que enceste exactamente siete tiros libres?
b) ¿cuál es la probabilidad de que enceste por lo menos cinco tiros libres?
c) ¿cuál es la probabilidad de que enceste menos de cuatro tiros libres?
d) Calcule el valor esperado y la varianza de esta variable aleatoria.

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.

b) P (al menos cinco) = P (Y ≥ 5) = p(5) + p(6) + p(7) + p(8) + p(9) + p(10) =


1 − p(0) + p(1) + p(2) + p(3) + p(4) = 1 − F (4) = 1 − 0.0064 = 0.9936. Este ejercicio sin
el uso de la tabla binomial se torna muy dispendioso.

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.

d) El teorema 3.25 indica lo siguiente:


µ = E(Y ) = np = (10)(0.8) = 8 y σ 2 = V (Y ) = npq = (10)(0.8)(0.2) = 1.6.

3.27 Ejemplo. La probabilidad de que un paciente se recupere de una rara enfermedad


sanguínea es 0.4. Se conoce que 15 personas han contraído la enfermedad.
Determine la media y la desviación estándar, también calcule las siguientes probabilidades:
a) Sobrevivan al menos 10. b) Sobrevivan de 3 a 8. c) Sobrevivan exactamente 5.
3.6. DISTRIBUCIÓN BINOMIAL 15

Al aplicar el teorema 3.25 encontramos lo siguiente: µ = E(Y √ ) = np = (15)(0.4) = 6


2
σ = V (Y ) = npq = (15)(0.4)(0.6) = 3.6, por tanto, σ = 3.6 = 1.897
a) P (Y ≥ 10) = 1 − P (Y ≤ 9) = 1 − F (9) = 1 − 0.9662 = 0.0338
b) P (3 ≤ Y ≤ 8) = P (Y ≤ 8) − P (Y ≤ 2) = F (8) − F (2) = 0.9050 − 0.0271 = 0.8779
c) P (Y = 5) = P (Y ≤ 5) − P (Y ≤ 4) = F (5) − F (4) = 0.4032 − 0.2173 = 0.1859

Los tres diagramas corresponden a la distribución binomial Y con parámetros n = 15


y p = 0.4. El diagrama de la izquierda ilustra un histograma con la característica
P (Y ≥ 10), el del centro ilustra P (3 ≤ Y ≤ 8) y el de la derecha satisface P (Y = 5).

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

3.7. Ejercicios de distribución binomial

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?

3. Una cadena de tiendas al detal le compra cierto dispositivo electrónico a un fabricante,


el cuál le indica que la tasa de artículos defectuosos es del 3 %.
a) El inspector de la cadena elige 17 artículos al azar de un cargamento, halle la
probabilidad de encontrar por lo menos uno defectuoso, aproxime la respuesta a la
primer cifra decimal.
b) La cadena de tiendas al detal recibe 10 cargamentos en un mes y el inspector
prueba aleatoriamente 17 artículos por cargamento. Determine la probabilidad de
que observar por lo menos tres cargamentos que contengan al menos un dispositivo
defectuoso de entre los 17 seleccionados y probados.

4. La probabilidad de que un paciente se recupere de una enfermedad estomacal es


0.8. Suponga que se sabe que 20 personas han contrído la enfermedad. Encuentre la
probabilidad de que:
a) exactamente 14 pacientes se recuperen;
b) al menos 10 pacientes se recuperen;
c) al menos 14 pero no más de 18 se recuperen;
d) a lo sumo 16 pacientes se recuperen.

5. Un nuevo procedimiento quirúrgico es exitoso con una probabilidad igual a p.


Suponga que la operación se realiza cinco veces y que los resultados son
independientes entre si. Determine la probabilidad de que:
a) todas las operaciones sean exitosas si p = 0.8;
b) exactamente cuatro operaciones sean exitosas si p = 0.6;
c) menos de dos operaciones sean exitosas si p = 0.3.
3.7. EJERCICIOS DE DISTRIBUCIÓN BINOMIAL 17

6. Un aparato detector de incendios utiliza tres celdas sensibles a la temperatura, que


actúan de manera independiente una de otra, en forma tal que una o más pueden
activar la alarma. Cada celda presenta una probabilidad de p = 0.8 de activar la
alarma cuando la temperatura alcanza los 100◦ .
Sea Y igual al número de celdas activadas cuando la temperatura alcanza los 100◦ .
a) Encuentre la función de probabilidad para Y . b) Halle la probabilidad
de que la alarma funcione cuando la temperatura alcance los 100◦ .

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.

8. El director técnico de la selección Argentina de fútbol sabe por experiencia, que su


jugador estrella, Lionel Messi, anota cuatro de cada cinco penales que ejecuta.
a) ¿Qué es más probable: que falle a lo más dos de cinco penales, o que falle a lo
más cuatro de diez penales?
b) ¿Cuál es la probabilidad de que sólo falle un penal en una serie de cinco tiros?

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?

12. Según el ministerio de transporte, el 20 % de los conductores de transporte público


en Bogotá manejan imprudentemente. Encuentre la probabilidad de que 4 de los
próximos 10 conductores de transporte público que pasen por un retén policiaco
conduzcan imprudentemente.
18 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

3.8. Distribución hipergeométrica


La distribución de probabilidad hipergeométrica mantiene una relación estrecha con la
distribución binomial, pero difiere de ésta en dos puntos esenciales: sus ensayos no son
independientes y su probabilidad de éxito cambia de un ensayo a otro.

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.

La forma más simple de ver la diferencia entre la distribución binomial y la hipergeomé-


trica consiste en observar la manera en que se realiza el muestreo. La disribución binomial
requiere que los ensayos sean independientes; por consiguiente, si se aplica esta distribución
(tomando muestras de de un lote de artículos como barajas, balotas, objetos fabricados,
etc) el muestreo se debe efectuar reemplazando cada artículo después de observarlo. Por
otra parte la distribución hipergeométrica no requiere de ensayos independientes y se basa
en un muestreo realizado sin reemplazo.

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:

De un lote de N artículos se selecciona una muestra aleatoria de tamaño n sin


reemplazo.
r de los N artículos se pueden clasificar como éxitos, y N − r se clasifican como
fracasos

3.30 Definición. El número x de éxitos de un experimento hipergeométrico se denomina


variable aleatoria hipergeométrica. En consecuencia, la distribución de probabilidad
de esta v.a.d. se conoce como distribución hipergeométrica. Su función de probabilidad
viene dada por
N −r
  
r
x n−x
p(x) =   , siendo x = 0, 1, 2, . . . , n,
N
n
sujeto a las restricciones x ≤ r y n − x ≤ N − r.
3.8. DISTRIBUCIÓN HIPERGEOMÉTRICA 19

3.31 Teorema. Si X es una v.a.d. con distribución hipergeométrica, entonces


nr  nr   N − r   N − n 
µ = E(X) = y σ2 = · ·
N N N N −1

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 .

Como la mitad de las cartas son rojas, podemos


realizar la siguiente identificación:
N = 52, n = 5, r = 26, x = 3,
de esta manera, la probabilidad requerida es igual a:
  
26 26
3 2 nr 5 · 26
p(3) =   = 0.325, µ = = = 2.5
52 N 52
5
5 · 26 26 47 235
σ2 = · · = = 1.152
52 52 51 204

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

Por consiguiente la probabilidad buscada es 1 − 0.6556 = 0.3444.


20 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

3.34 Ejemplo. De un grupo de 20 ingenieros con título de Ph D, 7 son egresados de la


Universidad Libre. 10 de los 20 ingenieros son seleccionados al azar para un empleo. ¿Cuál
es la probabilidad de que los 10 seleccionados incluyan 2 egresados de la Universidad Libre?
Determine la media y la varianza.
Para este ejemplo
N = 20, n = 10, r = 7 y x = 2
  
7 13
2 8 189
p(2) =   = 1292 = 0.1463
20
10
nr 10·7 7
µ= N = 20 = 2 = 3.5
 
10·7 20−7 20−10
σ2 =
 
20 20 20−1
7 13 10 91
  
= 2 20 19 = 76 = 1.2

Relación de la distribución hipergeométrica con la distribución binomial


Existe una interesante relación entre las distribuciones hipergeométrica y binomial.
Si n es pequeña comparada con N , la naturaleza de los N artículos cambia muy poco en
cada prueba y se puede utilizar la distribución binomial para aproximar la distribución
n
hipergeométrica, esto se hace cuando ≤ 0.05.
N
Cuando este es el caso, la cantidad Nr desempeña el papel de parámetro binomial p, la media
y la varianza se obtienen a partir de las fórmulas µ = np = nr 2 r
N y σ = npq = n· N · 1 − N
r

Comparando estas fórmulas con las de la media y varianza de la distribución hipergeo-


métrica, vemos que la media es la misma mientras que la varianza difiere en un factor
insignificante cuando n es pequeña comparada con N .

3.35 Ejemplo. Un fabricante de neumáticos para automóvil reporta que de un cargamento


de 5000 piezas que se mandan a un distribuidor local, 1000 están ligeramente manchadas.
Si se compran al azar 20 de estos neumáticos al distribuidor, ¿cuál es la probabilidad de
que más de 8 estén manchados?

Como el tamaño de la población N = 5000 es grande con respecto al tamaño de la muestra


n = 20, es posible emplear la distribución binomial como aproximación de la distribución
hipergeométrica. A continuación resolvemos el ejercicio de dos maneras: directamente y por
medio de la binomial.
3.9. EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMÉTRICA 21

Considerando la distribución hipergeomé- Empleamos la aproximación binomial Y .


trica X : N = 5000, n = 20 y r = 1000. Sus parámetros son:
Al calular los valores r 1000 1
   n = 20 y p = N = 5000 = 5 = 0.2.
1000 4000
x 20 − x Ahora calculamos la probabilidad de que
p(x) =   la variable aleatoria binomial Y con
5000
20 parámetros n = 20 y p = 0.2 sea mayor
que 8:
para cada x = 9, 10, 11, . . . , 19, 20
y sumar estos resultados, se obtiene P (Y > 8) = P (Y ≥ 9) =
P (X > 8) = P (X ≥ 9) = 0.0098. 1 − P (Y ≤ 8) = 1 − 0.99 = 0.01.

En el diagrama de la izquierda se aprecia el histograma de la distribución hipergeométrica


X y en el diagrama de la derecha el de la distribución binomial Y . Los parámetros se han
especificado en el desarrollo del ejercicio, a simple vista las distribuciones parecen idénticas,
note que el error entre el valor exacto y la aproximación binomial es tan solo de 0.0002.

3.9. Ejercicios de distribución hipergeométrica


1. Sea X una variable aleatoria hipergeométrica con N = 15, n = 3 y r = 3.
a) Encuentre la distribución de probabilidad de X en forma de tabla.
b) Grafique el histograma de probabilidad para X. c) Calcule µ y σ.
d) ¿Qué proporción de la población de mediciones cae en el intervalo µ ± 2σ?
¿y en el intervalo µ ± 3σ? ¿estos resultados concuerdan con los suministrados por el
teorema de Chebyshev?

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.

4. Repita el ejercicio anterior considerando la variable aleatoria Y : número de hombres


seleccionados para ocupar los dos cargos.

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.

8. Unas fotocopiadoras usadas son enviadas al proveedor, limpiadas y luego devueltas


según convenios de renta. No se hacen reparaciones importantes y en consecuencia
algunos clientes reciben máquinas que no funcionan bien. Entre ocho fotocopiadoras
disponibles hoy, tres de ellas están funcionando mal. Un cliente desea rentar cuatro
máquinas de inmediato. Calcule la probabilidad de que el cliente reciba:
a) x máquinas que funcionen mal.
b) por lo menos una máquina que funcionen mal.

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

10. Un embarque de 80 alarmas antirrobo contiene 4 defectuosas. Si del embarque se


seleccionan al azar tres y se envían a un cliente, encuentre la probabilidad de que el
cliente reciba exactamente un alarma defectuosa.

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?

3.10. Distribución geométrica y distribución binomial negativa

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

La probabilidad de éxito es igual a p y es constante de una prueba a otra. No obstante,


en lugar del número de éxitos que se presentan en n pruebas, la variable aleatoria Y es el
número de prueba en la que ocurre el primer éxito. Entonces el experimento consiste en
una serie de pruebas que concluye con el primer éxito.

El espacio muestral S para el experimento se compone del siguiente conjunto infinito


contable: S = { E1 , E2 , E3 , . . . , Ei−1 , Ei , . . .} donde
E1 : E indica que se obtuvo éxito en la primer prueba;
E2 : F E indica que se obtuvo fracaso en la primera y éxito en la segunda prueba, o lo que
es lo mismo, que el primer éxito se obtuvo en la segunda prueba;
E3 : F F E indica que se obtuvo fracaso en la primer y segunda prueba y éxito en la
tercer prueba, o equivalentemente, que el primer éxito se obtuvo en la tercer prueba;
Ei : F F . . . F E indica que se obtuvo el primer éxito en la i-ésima prueba.

Como las pruebas son independientes, para cualquier y = 1, 2, 3, . . . se tienen las


probabilidades p(y) = P (Y = y) = P (Ey ) = P (F F F . . . F E) = qqq . . . qp = q y−1 p
3.36 Definición. Se dice que una v.a.d. Y tiene una distribución de probabilidad
geométrica si y solo si p(y) = q y−1 p para y = 1, 2, 3, . . . donde 0 ≤ p ≤ 1 y
q = 1 − p.
3.37 Teorema. Si Y es una variable aleatoria con distribución geométrica, entonces
1 q
µ = E(Y ) = y σ 2 = V (Y ) = 2 .
p p
3.38 Ejemplo. Se sabe que en cierto proceso de fabricación uno de cada 100 artículos,
en promedio, resulta defectuoso. ¿Cuál es la probabilidad de que el quinto artículo que se
inspecciona, en un grupo de 100, sea el primer defectuoso que se encuentra?

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.

Como la probabilidad de enlace es p = 0.05 entonces el número esperado de llamadas para


1 1
poder ser atendidos es µ = = = 20.
p 0.05
Por otra parte, si deseamos ser atendidos en menos de cinco intentos es porque somos
atendidos en la primer llamada, o en la segunda o en la tercera o en la cuarta, por
consiguiente p(1)+p(2)+p(3)+p(4) = 0.05+0.951 ·0.05+0.952 ·0.05+0.953 ·0.05 = 1.855
3.10. DISTRIBUCIÓN GEOMÉTRICA Y DISTRIBUCIÓN BINOMIAL NEGATIVA 25

3.40 Ejemplo. Suponga que la probabilidad de mal funcionamiento de un motor durante


cualquier periodo de una hora es p = 0.02. Encuentre la probabilidad de que un motor
determinado funcione bien por lo menos dos horas. ¿Cuántas horas de buen funcionamiento
podremos esperar antes de encontrar una falla?

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

Distribución binomial negativa


Una variable aleatoria con distribución binomial negativa se origina de un contexto
semejante al que da la distribución geométrica. De nuevo nos concentramos en intentos
independientes e idénticos, cada uno de los cuales conduce a uno de dos resultados: éxito o
fracaso. La probabilidad p de éxito se mantiene igual de un intento a otro. La distribución
geométrica maneja el caso donde estamos interesados en el número de intento en el que
ocurre el primer éxito. ¿Qué pasa si estamos interesados en conocer el número de intento
en el que ocurre el segundo éxito, o el el tercer éxito o el cuarto éxito? La distribución que
se aplica a la variable aleatoria X igual al número del intento en el que ocurre el r-ésimo
éxito (r = 2, 3, 4, . . .) es la distribución binomial negativa.

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

3.44 Ejemplo. Considere el uso de un medicamento que se sabe que es eficaz en el 60 % de


los casos que utiliza. El uso del medicamento se considerará un éxito si proporciona algún
alivio al paciente.
Nos interesa calcular la probabilidad de que el quinto paciente que experimente alivio sea
el séptimo paciente en recibir el medicamento en una semana determinada.

 
6
Ahora p = 0.6 y r = 5, por tanto P (X = 7) = p(7) = 0.65 0.42 = 0.1866
4

3.45 Ejemplo. En la serie de campeonato de la NBA (national basketball association), el


equipo que gane 4 (de máximo 7 juegos) será el ganador. Suponga que los equipos A y B
se enfrentan en los juegos de campeonato y que el equipo A tiene una probabilidad de 0.55
de ganarle al equipo B.

a) ¿Cuál es la probabilidad de que el equipo A gane la serie en 6 juegos?

b) ¿Cuál es la probabilidad de que el equipo A gane la serie?

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

b) El equipo A gana la serie si gana 4 partidos al equipo A: en el cuarto juego, o en el


quinto juego, o en el sexto juego, o en el séptimo juego. Por consiguiente:
       
3 4 0 4 4 1 5 4 2 6
p(4)+p(5)+p(6)+p(7) = 0.55 0.45 + 0.55 0.45 + 0.55 0.45 + 0.554 0.453
3 3 3 3
= 0.0915 + 0.1647 + 0.1853 + 0.1668 = 0.6083
3.11. EJERCICIOS DE DIST. GEOMÉTRICA Y BINOMIAL NEGATIVA 27

3.11. Ejercicios de dist. geométrica y binomial negativa

1. Se lanza un dado corriente y se observa el número de su cara superior. El juego termina


cuando se observa el número tres. Encuentre la probabilidad de que el juego termine
en el quinto lanzamiento. ¿Cuál es el número esperado de intentos para terminar el
juego? (considere p y q como fracciones).

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?

3. Una empresa de exploración petrolera va a hacer una serie de perforaciones de sondeo


en una zona determinada en busca de un pozo productivo. La probabilidad de que
tenga éxito en un intento dado es 0.2
a) ¿Cuál es la probabilidad de que la tercera perforación sea la primera en dar un
pozo productivo?
b) Si la empresa puede darse el lujo de perforar a lo sumo siete pozos, ¿cuál es la
probabilidad de que no encuentre un pozo productivo?
c) ¿Cuántas perforaciones esperaría hacer la empresa para encontrar el primer pozo
productivo?

4. Se lanza una moneda corriente al aire. Encuentre la probabilidad de observar la primer


cara en el octavo lanzamiento.

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.

3.12. Distribución de Poisson


Los experimentos que producen valores numéricos de una variable aleatoria X, el número
de resultados que ocurren durante un intervalo de tiempo determinado o en una región
específica, se denomina experimento de Poisson.

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.

El número de resultados que ocurren en un intervalo de tiempo es independiente del


número de resultados que se presentan en cualquier otro intervalo de tiempo disjunto.

La probabilidad de que ocurra un solo resultado durante un intervalo de tiempo muy


corto es proporcional a la longitud del intervalo de tiempo y no depende del número
de resultados que ocurren fuera de ese intervalo.

La probabilidad de que ocurra más de un resultado en tal intervalo de tiempo muy


corto, es insignificante

El número X de resultados que ocurren durante un experimento de Poisson se llama


variable aleatoria de Poisson. El número medio de resultados se calcula a partir de la
expresión λt, donde t es el tiempo, la distancia, el área o el volumen de interés.
La siguiente fórmula se utiliza para calcular probabilidades de Poisson.

3.46 Definición. Una variable aleatoria Y tiene distribución de probabilidad de


λy −λ
Poisson si y solo si p(y) = e , para y = 0, 1, 2, . . . λ > 0.
y!

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.

3.48 Ejemplo. El número promedio de accidentes de tránsito en cierto cruce de carretera


es dos por semana.
Suponga que el número de accidentes sigue una distribución de Poisson con λ = 2.

a) Encuentre la probabilidad de que no haya accidentes en este cruce de carretera durante


un periodo de una semana.

b) Obtenga la probabilidad de que a lo sumo se presenten tres accidentes en esta sección


de carretera durante un periodo de dos semanas.
30 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

a) El número medio de accidentes semanales es igual a dos, por tanto asumimos el


parámetro λ = 2 y de esta manera calculamos la probabilidad solicitada,
20
P (Y = 0) = p(0) = e−2 = e−2 = 0.1353. Este valor se puede obtener fácilmente de las
0!
tablas de la distribución de Poisson con parámetro λ = 2.
b) En un periodo de dos semanas el número promedio de accidentes en esa sección
de carretera es λ = 2 · 2 = 4. La probabilidad de ver a lo sumo tres accidentes será:
40 41 42 43
P (Y ≤ 3) = p(0) + p(1) + p(2) + p(3) = e−4 + e−4 + e−4 + e−4
0! 1! 2! 3!
= 0.0183 + 0.0733 + 0.1465 + 0.1954 = 0.4335. Este valor también podría
leerse directamente de las tablas de la distribución de Poisson con parámetro λ = 4.

En la gráfica de la izquierda se aprecia el histograma de la distribución de Poisson con


λ = 2 y se selecciona Y = 0. En la gráfica de la derecha se observa el histograma de la
distribución de Poisson con λ = 4 y se seleccionan Y = 0, 1, 2 y 3.

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?

Sea X el número de camiones que llegan a


diario.
Usando la ley del complemento y la tabla
de la distribución de Poisson se tiene

P (X > 15) = 1 − P (X ≤ 15)


= 1 − 0.9513 = 0.0487
3.12. DISTRIBUCIÓN DE POISSON 31

3.50 Ejemplo. Durante un experimento de laboratorio el número promedio de particulas


radiactivas que pasan a través de un contador en un miliseegundo es 4. ¿Cuál es la proba-
bilidad de que entren 6 partículas al contador en un milisegundo? Encuentre la media y la
varianza de la distribución de probabilidad.

Sea Y el número de partículas radiactivas que


pasan a través del contador en un milisegundo.
Y tiene distribución de Poisson con parámetro
λ = 4. Al aplicar la definición se tiene:
46
P (Y = 6) = e−4 = 0.1042
6!
Este valor se puede obtener a partir la tabla de
la distribución de Poisson con parámetro λ = 4,
P (Y = 6) = P (Y ≤ 6) − P (Y ≤ 5)
= 0.8893 − 0.7851 = 0.1042
La media y la varianza son iguales a λ = 4.

Relación entre la distribución binomial y la distribución de Poisson


La distribución de probabilidad de Poisson da una aproximación sencilla, fácil de
calcular y precisa a probabilidades binomiales, cuando n es grande y λ = np es pequeña,
preferiblemente np < 7.

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.

a) Al emplear la distribución binomial n = 5000 y p = 0.001, luego


 
5000
p(4) = 0.0014 · 0.9994996 = 0.17552
4

b) La distribución de Poisson brinda una buena aproximación puesto que


54
λ = np = 5000 · 0.001 = 5 < 7, de esta manera p(4) = e−5 = 0.1755,
4!
nótese que la aproximación es muy precisa.
32 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

3.13. Ejercicios de distribución de Poisson


1. El número de errores mecanográficos cometidos por una secretaria tiene una distri-
bución de Poisson con un promedio de cuatro errores por página. Si en una página se
observan más de cuatro errores, la secretaria debe volver a escribir la página. ¿Cuál es
la probabilidad de que una página seleccionada al azar tenga que volver a ser escrita.
2. El número medio de automóviles que entran al túnel de una montaña por periodo
de dos minutos es uno. Un número excesivo de autos que entran al túnel durante un
breve periodo de tiempo produce una situación peligrosa.
a) Encuentre la probabilidad de que el número de autos que entran al túnel en un
periodo de dos minnutos sea de por lo menos cuatro autos.
b) Halle la probabilidad de que el número de autos que entran al túnel en un periodo
de seis minnutos sea de por lo menos cuatro autos.
3. Sea Y una v.a.d. con distribución de Poisson con media λ y sean X y W otras dos
variables aleatorias definidas como X = Y (Y − 1) y W = Y (Y + 1).
Encuentre el valor esperado de X y de W .
4. En la producción diaria de cierta clase de cuerda, sea Y el número de defectos por
metro. Y tiene una distribución de Poisson con media λ = 2.
La utilidad por metro al vender la cuerda, es igual a W = 50 − 2Y − Y 2 . Encuentre
la utilidad esperada por metro.
5. Ocurren accidentes industriales de acuerdo con un proceso de Poisson con un promedio
de tres accidentes por mes. Durante los últimos dos meses ocurrieron diez accidentes.
Encuentre la probabilidad de este evento.
6. En cierto cruce ocurren en promedio 3 accidentes viales mensualmente. Determine la
probabilidad de que en cualquier mes en este cruce
a) ocurran exactamente 5 accidentes;
b) se presenten menos de 3 accidentes;
c) ocurran por lo menos 2 accidentes.
7. Un escritor de libros comete en promedio dos errores de procesamiento de texto por
página en el primer borrador de su libro. Halle la probabilidad de que en la siguiente
página cometa
a) por lo menos cuatro errores;
b) ningún error.
8. Cierta región del este de Estados Unidos resulta afectada en promedio por 6 huracanes
al año. Halle la probabilidad de que para el próximo año esta región sea afectada por
a) menos de cuatro huracanes;
b) entre seis y ocho huracanes.
3.14. MEDIA Y VARIANZA DE VARIABLES ALEATORIAS CONTINUAS 33

9. Se estima que el número promedio de ratas en un campo de 5 hectáreas de cultivo de


trigo es igual a 20. Calcule la probabilidad de que se encuentren menos de 7 ratas en
un campo de dos hectáreas de cultivo de trigo.

10. En un proceso de fabricación donde se manufacturan productos de vidrio, ocurren


defectos o burbujas, lo cual ocasionalmente hace que la pieza no se pueda vender.
En promedio 1 de cada 1000 artículos producidos tiene burbujas. ¿Cuál es la
probabilidad de que un lote de 8000 artículos tenga menos de 7 artículos con burbujas?

11. La probabilidad de que un ratón inoculado con un suero contraiga cierta


enfermedad es 0.2. Usando la aproximación de Poisson, encuentre la probabilidad
de que al menos 3 de entre 30 ratones inoculados contraigan la enfermedad. También
halle la probabilidad directamente, es decir, por medio de la distribución binomial.

12. Se sabe que la probabilidad de que un estudiante de preparatoria no pase la prueba de


escoliosis (curvatura de la espina dorsal) es de 0.004. De los siguientes 1875 estudiantes
que se revisan en búsqueda de escoliosis
a) calcule la probabilidad de que menos de 5 no pasen la prueba;
b) obtenga la probabilidad de que 8, 9 o 10 no pasen la prueba;
c) Encuentre el número promedio de estudiantes que no pasan la prueba.

3.14. Media y varianza de variables aleatorias continuas

Recordemos que la función de distribución de una variable aleatoria Y se define como


la función F (y) tal que F (y) = P (Y ≤ y) para toda y.

En el ejemplo 3.23 se consideró el experimento consistente en lanzar una moneda corriente


4 veces y Y es la variable aleatoria que cuenta el número de caras observadas, nótese que
Y es una variable aleatoria binomial con n = 4 y p = 0.5.
En tal ejemplo se aprecia que la función 
de distribución viene dada mediante la


0 si y<0

siguiente tabla



0.0625 si 0≤y<1

0.3125 si 1≤y<2
y 0 1 2 3 4 F (y) =
F (y) 0.0625 0.3125 0.6875 0.9375 1 

0.6875 si 2≤y<3
3≤y<4



0.9375 si
o de manera más general, la función de

y≥4

1 si
destribución esta escrita a la derecha.
34 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

3.52 Teorema (Propiedades de una función de distribución). Si F (y) es una función de


distribución, entonces:
lı́m F (y) = 0
y→−∞

lı́m F (y) = 1
y→∞

F (y) es una función no decreciente.

3.53 Definición. Una variable aleatoria


Y , con función de distribución F (y),
es llamada continua si F (y) es continua
para toda −∞ < y < ∞.

La principal diferencia entre las variables


aleatorias discretas y continuas está dada
por la siguiente observación.

3.54 Nota. Si Y es una variable aleatoria


continua (v.a.c.) entonces, para cualquier
número real y se tiene P (Y = y) = 0.

3.55 Definición. Sea F (y) la función de distribución de una v.a.c. Y . La función de


dF (y)
densidad f (y) viene dada por f (y) = = F 0 (y) siempre que exista la derivada.
dy

3.56 Nota. La definición anterior y el teorema fundamental del Z y


cálculo implican que la función de distribución se puede escribir F (y) = f (t) dt
como se aprecia a la derecha, siendo f (t) la función de densidad. −∞

3.57 Teorema (Propiedades de la función de densidad). Si f (y) es la función de densidad


de una v.a.c. entonces se deben cumplir las dos condiciones:
f (y) ≥ 0 para toda y.
Z ∞
f (y) dy = 1
−∞

3.58 Teorema. Si la v.a.c. Y tiene función de densidad


f (y) y si a < b, entonces la probabilidad de que Y
caiga en el intervalo [a, b] es:
Zb
P (a ≤ Y ≤ b) = f (y) dy
a
3.14. MEDIA Y VARIANZA DE VARIABLES ALEATORIAS CONTINUAS 35

Si Y es una v.a.c. y si a y b son constantes tales que a < b, entonces


P (Y = a) = 0 y P (Y = b) = 0, por tanto:
Zb
P (a ≤ Y ≤ b) = P (a < Y ≤ b) = P (a ≤ Y < b) = P (a < Y < b) = f (y) dy
a
 2
3.59 Ejemplo. Suponga que el error en la temperatura y
si − 1 ≤ y ≤ 2
de reacción, medida en grados centígrados, es una variable f (y) = 3
0 en otro caso.
aleatoria continua Y con función de probabilidad:

a) Verifique que f (y) es una función de densidad.


b) Calcule P (0 < Y ≤ 1) mediante la función de densidad.
c) Halle la función de distribución F (y) y utilice el resultado para calcular P (0 < Y ≤ 1).

a) La primer condición de una función de densidad se cumple: f (y) ≥ 0 para toda y.


y 3 2
Z ∞ Z 2 2
y 8 1
Veamos la segunda condición: f (y) dy = dy = = + = 1
−∞ −1 3 9 −1 9 9

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.

3.60 Ejemplo. Sea Y una v.a.c. cuya función de densidad (


de probabilidad se aprecia a la derecha. 3y 2 si 0 ≤ y ≤ 1
f (y) =
Encuentre la función de distribución F (y), grafique 0 en otro caso.
las funciones f (y) y F (y). Calcule P (0 < Y ≤ 0.5).
Z y Z y y
3t2 dt = t3 = y 3 , de esta manera

Si 0 ≤ y < 1 entonces F (y) = f (t) dt =
−∞ 0 0

0
 si y < 0
entonces P (0 < Y ≤ 0.5) = F (0.5) − F (0)
F (y) = y 3 si 0 ≤ y < 1
 = 0.125 − 0 = 0.125
1 si y ≥ 1.

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

En la gráfica de la izquierda se aprecia la gráfica de la función de densidad f (y), mientras


que en la gráfica de la derecha se puede ver la gráfica de la función de distribución F (y).

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

Al aplicar la observación 3.65 para calcular la varianza se tiene:


Z∞ Z2 Z2 4
2 3y 5 2 3 · 32

2 2 2 3y 3y 12
E(Y ) = y · f (y) dy = y · dy = dy = = = = 2.4,
8 8 40 0 40 5
−∞ 0 0

3
por consiguiente, σ 2 = V (Y ) = E(Y 2 ) − µ2 = 2.4 − 1.52 = 20 = 0.15

3.15. Ejercicios de media y varianza de v.a.c.


1. El tiempo de falla (en cientos de horas) para un (
0 si y < 0
transistor, es una variable aleatoria continua Y F (y) = 1
1 − y2 si y ≥ 0.
con función de distribución dada por: e

a) Determine la función de densidad f (y).


b) Encuentre la probabilidad de que el transistor opere durante al menos 200 horas.
c) Si se sabe que el transistor funciona como máximo 200 horas, halle la probabilidad
de que el transistor dure más de 100 horas.
(
cy(1 − y) si 0 ≤ y ≤ 1
2. 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 (0.4 ≤ Y ≤ 1) ii) P (0.4 < Y < 1)
iii) P (Y ≤ 0.4 | Y ≤ 0.8) iv) P (Y < 0.4 | Y < 0.8)

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 .

( cierta medicina de prescripción, es una v.a.c. Y


13. La vida útil, en días, para frascos de
20 000
3 si y ≥ 0
con función de densidad f (y) = (y+100)
0 en otro caso.
a) Verifique que f (y) es una función de densidad.
b) Encuentre la vida útil esperada para un frasco de dicha medicina.
c) Obtenga la probabilidad de que un frasco de esta medicina tenga una vida útil
de: i) al menos 200 días; ii) entre 80 días y 120 días.
14. El tiempo (en horas) para que un radar detecte entre conductores sucesivos a aquellos
que exceden los límites de velocidad, es una v.a.c. con función de distribución
( Obtenga la probabilidad de que el tiempo que pase
0 si y < 0 para que el radar detecte entre conductores sucesivos
F (y) = 1
1− si y ≥ 0. a los que exceden los límites de velocidad sea menor
e8y
que 12 minutos
a) empleando la función de distribución F (y);
b) utilizando la función de densidad f (y).
15. La proporción de personas que responden a cierta encuesta enviada por correo es una
v.a.c. Y con función de densidad
( a) Verifique que f (y) es una función de densidad.
2y+4
5 si 0 ≤ y ≤ 1 b) Calcule la probabilidad de que por lo menos la
f (y) =
0 en otro caso cuarta parte de las personas contactadas respondan a
este tipo de encuesta.
40 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

c) Halle la probabilidad de que menos de la mitad de las personas contactadas


respondan a esta encuesta.
d) Encuentre la probabilidad de que por lo menos la cuarta parte de las personas
contactadas, pero menos de la mitad de las personas contactadas respondan a este
tipo de encuesta.

16. Un factor importante en el combustible sólido para proyectiles es la distribución del


tamaño de las partículas. A partir de datos históricos de producción se determinó que
la distribución
( del tamaño (en micras) de las partículas viene dado por
3
4 si y ≥ 1
f (y) = y
0 en otro caso.
a) Verifique que f (y) es una función de densidad, y grafíquela.
b) Use f (y) para hallar la probabilidad de que una partícula tomada al azar del
combustible fabricado sea mayor que 4 micras.
c) Obtenga la función de distribución F (y) y grafíquela.
d) Emplee F (y) para hallar la probabilidad de que una partícula tomada al azar del
combustible fabricado sea mayor que 4 micras.

3.16. Distribución uniforme continua

En estadística la distribución continua más simple es la distribución uniforme continua,


que se caracteriza por una función de densidad horizontal en un intervalo cerrado [a, b],
esto implica que la probabilidad de que la v.a.c. caiga en subintervalos de igual longitud
sea la misma.

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.

3.67 Definición. Si a < b se dice que


una variable aleatoria continua Y tiene
distribución uniforme en el intervalo [a, b]
si y solo si, la función de densidad de Y es
 1

si a ≤ y ≤ b
f (y) = b − a
0 en otro caso.
3.16. DISTRIBUCIÓN UNIFORME CONTINUA 41

3.68 Teorema. Si a<b y Y es una variable aleatoria uniformemente distribuida en


a+b (b − a)2
el intervalo [a, b], entonces E(Y ) = µ = y V (Y ) = σ 2 = .
2 12
3.69 Ejemplo. Un bus escolar siempre llega a cierto paradero entre las 6 : 00 a.m. y las
6 : 10 a.m. la probabilidad de que el bus llegue en cualquier subintervalo de tiempo es solo
proporcional a la longitud del subintervalo, es decir, sigue una distribución uniforme.
Sea Y el tiempo que un niño de esta ruta debe esperar si llega a las 6 : 00 a.m. al paradero.

a) Encuentre la función de densidad de probabilidad f (y).


b) Calcule la probabilidad de que el bus escolar pase entre las 6 : 00 a.m. y las 6 : 02 a.m.
c) Obtenga la probabilidad de que el niño deba esperar por lo menos 6 minutos.
d) Halle la probabilidad de que el bus escolar pase entre las 6 : 07 a.m. y las 6 : 09 a.m.
e) Determine el valor esperado y la varianza de esta variable aleatoria.

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

a) Encuentre la función de densidad de probabilidad f (y).


b) Calcule la probabilidad de que una conferencia presente una duración a lo sumo de tres
horas.
c) Obtenga la probabilidad de que una conferencia dure entre una y dos horas y media.
d) Determine el valor esperado y la varianza de esta variable aleatoria.
(
1
si 0 ≤ y ≤ 4
a) La función de densidad es f (y) = 4
0 en otro caso.
3
y 3 3

1
Z
b) P (0 ≤ Y ≤ 3) = dy = = = 0.75
4 4 0 4
0
Z2.5
y 2.5 2.5 − 1

1
c) P (1 ≤ Y ≤ 2.5) = dy = = = 0.375
4 4 1 4
1
0+4 (4 − 0)2 16 4
d) E(Y ) = µ = =2 V (Y ) = σ 2 = = = = 1.333.
2 12 12 3

3.17. Ejercicios de distribución uniforme continua

1. El cambio en la profundidad de un río de (un día al siguiente (medida en pies), es una


c si − 1 ≤ y ≤ 2
v.a.c. con función de densidad f (y) =
0 en otro caso.
a) Halle el valor de c que hace de f (y) una función de densidad.
b) Obtenga la función de distribución F (y).
c) Calcule el valor esperado y la varianza de esta variable aleatoria.

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.

3. La temperatura Y (en grados Celsius) a la que se conecta


( un interruptor controlado
1
si 59 ≤ y ≤ 61
por un termostato tiene función de densidad f (y) = 2
0 en otro caso.
a) Halle la probabilidad de que un interruptor se conecte a más de 60◦ C.
b) Encuentre la media y la varianza.
3.18. DISTRIBUCIÓN NORMAL 43

4. Al estudiar bajas cotizaciones para contratos de embarques, una empresa fabricante


de microcomputadores encuentra que los contratos interestatales tienen bajas cotiza-
ciones que están uniformemente distribuidas entre 20 y 25, en unidades de miles de
dólares.
a) Encuentre la probabilidad de que la baja cotización en el siguiente contrato in-
terestatal i) esté por debajo de $ 22 000; ii) sea de más de $ 24 000.
b) Encuentre el valor esperado de los contratos de bajas cotizaciones.

5. El tiempo de ciclo para camiones que transportan concreto al lugar de construcción


de una carretera está uniformemete distribuido en el intervalo de 50 a 70 minutos.
Encuentre la probabilidad de que el tiempo de ciclo exceda de 65 minutos si se sabe
que el tiempo de ciclo excede de 55 minutos.

6. El perímetro de un círculo de radio r es igual a 2π r. Entre los productos de una


empresa de metalmecánica se encuentran láminas circulares cuyo radio (en
centímetros) está uniformemente distribuido en el intervalo [14, 20]. Obtenga la media
y la varianza del perímetro de tales láminas circulares.

3.18. Distribución normal

La distribución de probabilidad continua más importante es la distribución normal o


distribución gaussiana en honor a Karl Friedrich Gauss (1777-1855) quien realizó la
deducción de su ecuación. Su gráfica denominada curva normal es aquella con forma de
campana, la cual describe aproximadamente muchos fenómenos que ocurren en la
naturaleza, la industria y la investigación.

3.71 Definición. La función de densidad de la variable aleatoria normal X con media µ


y varianza σ 2 es:
1 1 2
n(x; µ, σ) = √ e− 2σ2 (x−µ) , −∞ < x < ∞.
2πσ
Una vez que se especifican µ y σ, la curva normal queda determinada por completo.
44 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

Área bajo la curva normal


La curva de cualquier distribución continua de probabilidad o función de densidad, se
construye de manera tal que el área bajo la curva limitada por las dos ordenadas x = x1
y x = x2 sea igual a la probabilidad de que la variable aleatoria X tome un valor entre
x = x1 y x = x2 .

Por consiguiente, para la curva normal


Z x2
p(x1 < X < x2 ) = n(x; µ, σ) dx
x1
Z x2 1 2
= √1
2πσ
e− 2σ2 (x−µ) dx
x1

es representada por el área sombreada.

La dificultad que se encuentra al resolver las integrales de funciones de densidad normal


exige tabular las áreas de la curva normal para una referencia rápida. Sin embargo, sería
inútil tratar de establecer tablas separadas para cada posible valor de µ y σ.
Por fortuna, podemos transformar todas las observaciones de cualquier variable aleatoria
normal X en un nuevo conjunto de observaciones de una variable aleatoria normal Z con
media 0 y varianza 1.
X −µ
Esto se puede realizar mediante la transformación Z= .
σ

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.

3.72 Definición. La variable aleatoria normal con media 0 y varianza 1 se llama la


distribución normal estándar.

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

Para ilustrar el uso de esta tabla


encontremos la probabilidad de que Z
sea menor que 0.62.
Para ello localizamos un valor de z igual
a 0.6 en la columna de la izquierda,
luego nos movemos a lo largo del ren-
glón superior hasta la columna bajo 0.02,
al cruzar la respectiva fila y columna
podemos ver el número 0.7324, es decir,
p(Z < 0.62) = 0.7324.

Para calcular un valor z correspondiente a un área determinada se invierte el proceso, por


ejemplo, el valor de z que deja un área a la izquierda igual a 0.5910 es z = 0.23.

3.73 Ejemplo. Dada una distribución


normal estándar, calcule el área bajo la
curva que se localiza:

a) a la derecha de z = 1.84

b) entre z = −1.97 y z = 0.86.

a) En la figura de la izquierda se aprecia que el área a la derecha de z = 1.84 es igual


a 1 menos el área a la izquierda de 1.84, esto es lo que dice la ley del complemento.
De esta manera

p(Z > 1.84) = 1 − p(Z ≤ 1.84) = 1 − 0.9671 = 0.0329.

b) El área en la figura b) entre z = −1.97 y z = 0.86 es igual al área a la izquierda de


z = 0.86 menos el área a la izquierda de z = −1.97.
La tabla de la normal estándar nos da estos valores:

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

3.74 Ejemplo. Dada una distribución


normal estándar, determine el valor de k tal
que:

a) p(Z > k) = 0.3015

b) p(k < Z < −0.18) = 0.4197

c) p(−k < Z < k) = 0.82

a) En la figura de la izquierda vemos que el valor de k que deja un área de 0.3015 a la


derecha, debe dejar un área de 0.6985 a la izquierda. Consultamos la tabla de la normal
para hallar el valor de k que cumple p(Z < k) = 0.6985, se obtiene k = 0.52.

b) En la tabla de la normal estándar se observa que el área total a la izquierda


de −0.18 es 0.4286. En la figura de la derecha se aprecia que el área entre k y −0.18
es 0.4197, de manera que el área a la izquierda de k debe ser 0.4286 − 0.4197 = 0.0089.
De todo esto se concluye que el valor de k debe ser k = −2.37.

c) Si la parte central de la curva abarca


un área de 0.82, por simetría, el área entre
0 y k debe ser 0.41, esto es,
p(−k < Z < k) = 2p(0 < Z < k) = 0.82 =⇒
p(0 < Z < k) = 0.41, esta ecuación imlica lo
siguiente: p(0 < Z < k) =
p(Z < k) − p(Z < 0) = 0.41 =⇒
p(Z < k) − 0.5 = 0.41 =⇒
p(Z < k) = 0.5 + 0.41 = 0.91 −k 0 k z
y por tanto k = 1.34.

3.75 Ejemplo. Dada una variable aleatoria


X que tiene una distribución normal con
µ = 50 y σ = 10, determine la probabilidad de
que X tome un valor entre 45 y 62.

Los valores de z que corresponden a


x1 = 45 y x2 = 62 son
3.18. DISTRIBUCIÓN NORMAL 47

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) =

p(Z < 1.2) − p(Z < −0.5) = 0.8849 − 0.3085 = 0.5764.

3.76 Ejemplo. Cierto tipo de batería de


almacenamiento dura, en promedio 3 años,
con una desviación estándar de 0.5 años.
Suponga que la duración de la batería
presenta comportamiento normal.
Calcule la probabilidad de que una batería de-
terminada dure menos de 2.3 anõs.

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

Uso de la curva normal a la inversa


En ocasiones se pide calcular el valor de z correspondiente a una probabilidad
especificada. Por conveniencia se elige el valor z que corresponde a la probabilidad
tabular más cercana a la especificada (o como el punto medio cuando cae
exactamente en la mitad de dos valores adyacentes de la tabla).
x−µ
Luego de determinar z se encuentra el valor de x reacomodando la fórmula z = para
σ
obtener x = σz + µ

3.77 Ejemplo. Dada una distribución


normal con µ = 40 y σ = 6 encuentre el
valor de x que deja
a) el 45 % del área a la izquierda
b) el 14 % del área a la derecha.

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

3.78 Ejemplo. Al diseñar la ubicación de un reproductor de CD en un nuevo modelo de


automóviles, los ingenieros deben considerar el alcance frontal del conductor.
Los diseñadores deciden que el reproductor debe ubicarse de manera que esté dentro del
alcance del 95 % de las mujeres.
Las mujeres tienen alcances frontales distribuidos normalmente, con una media de 27
pulgadas y una desviación estándar de 1.3 pulgadas.
Calcule el alcance frontal de las mujeres que separa el 95 % superior del resto.

La tabla de la normal nos arrroja áreas a izquierda.


Un alcance frontal que separe al 95 % superior,
dejará un 5 % a la izquierda, así debemos buscar
un valor de z tal que p(Z < z) = 0.05.
La tabla nos indica que z = −1.645.
Finalmente encontramos x :
x = 27 − (1.3)(1.645) = 24.8615

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.

Una calificación que deje un área del 12 % a la


derecha, dejará un área del 88 % a la izquierda.
Buscamos un valor de z tal que p(Z < z) = 0.88.
Tal valor es z = 1.175.
Así: x = 74 + (7)(1.175) = 82.225.
Como las calificaciones asumen valores
enteros, el menor valor que puede tomar
una calificación excelente es 83 y la mayor
calificación buena es 82.
3.19. EJERCICIOS DE DISTRIBUCIÓN NORMAL 49

3.19. Ejercicios de distribución normal


1. Las barras de pan de centeno que venden en una cafetería de la Universidad Libre
tienen una longitud promedio de 30 cm y una desviación estándar de 2 cm. Si las
longitudes están distribuidas normalmente, ¿qué porcentaje de las barras de pan son:
a) más largas que 31.7 cm?
b) de entre 29.3 cm y 33.5 cm de longitud?
a) más cortas que 25.5 cm?
2. La puntuación de una persona en la prueba de coefifiente intelectual (CI) debe estar en
el 2 % superior para ser admitido en un curso avanzado de inteligencia artificial. Si las
puntuaciones de CI tienen una distribución normal con una media de 100 y desviación
estándar de 15, ¿cuál debe ser la puntuación mínima de una persona (aproximada al
entero más cercano) para que pueda ser admitido en el curso avanzado de inteligencia
artificial?
3. Dado que Z es una variable normal estándar, halle k en cada una de las
siguientes situaciones:
a) el área a la izquierda de k es 0.2119
b) el área entre −k y k es 0.9030
c) el área a la derecha de k es 0.6915
d) el área a la izquierda de k es 0.9948
b) el área entre −k y k es 0.2052
4. Un empleado promedio estadounidense pasa en promedio 77 horas mensuales co-
nectado a internet durante las horas de trabajo. Suponga que tales tiempos están
distribuidos normalmente, con una desviación estándar de 20 horas. Un trbajador es
clasificado como intensivo si se encuentra en el 20 % superior de uso. ¿Qué tiempo
(aprximado a la hora más cercana) tiene un empleado que haber estado conectado a
internet para ser considerado un usuario intensivo?
5. Sea X es una variable aleatoria normal con media 30 y desviación estándar 5, halle
el valor de x = k en cada una de las siguientes situaciones:
a) el área a la izquierda de k es 0.3264
b) el área entre 0 y k es 0.4750
c) el área a la derecha de k es 0.1314
d) el área a la izquierda de k es 0.6700
b) el área entre −k y k es 0.9030
6. El precio promedio de las acciones que pertenecen al grupo S&P es de $ 30 (dólares)
y la desviación estándar es de $ 8.2. Suponga que los precios de las acciones están
distribuidos normalmente. ¿A partir de qué valor debe ser el precio de la acción
de una empresa para que esté entre el 10 % de las mejores empresas? (aproxime al
centécimo más cercano).
50 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

7. Si un conjunto de observaciones se distribuye de manera normal, ¿qué porcentaje de


éstas difieren de la media en:
a) más de 1.3σ? b) menos de 0.52σ? (use propiedades del valor absoluto).

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?

9. Una empresa de material eléctrico fabrica


bombillas de luz que tienen una duración
que distribuye normalmente, con una duración
promedio de 800 horas y una desviación
estándar de 40 horas.
Encuentre la probabilidad de que una
bombilla funcione entre 778 y 834 horas.
10. Realice el ejemplo 3.78 asumiendo que los diseñadores deciden que el
reproductor de CD debe ubicarse de manera que esté dentro del alcance del 90 %
de las mujeres.

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?

12. Coonsidere el ejemplo 3.79. Encuentre el sexto de-


cíl o equivalentemente el percentil 60.
Recuerde que el sexto decil es el valor de x que
deja 60 % del área a la izquierda.

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?

3.20. Aproximación normal a la distribución binomial

Sea X una variable aleatoria binomial con n intentos y probabilidad p de éxito.


La distribución de probabilidad de X se aproxima mediante el uso de una curva normal

con media µ = np y desviación estándar σ = npq.

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.

Procedimiento para calcular probabilidades binomiales por medio de la


aproximación normal

Verifique las condiciones np > 5 y nq > 5. Luego calcule la media de la distribución



normal µ = np y la desviación estándar σ = npq.
Escriba la probabilidad en términos de X y localice el área apropiada en la curva.
Corrija el valor de X en ±0.5 para incluir todo el bloque de probabilidad para este
valor. Este paso es llamado corrección por continuidad.
Convierta los valores pertinentes de X en x ± 0.5 − np
z= √
valores de Z usando la transformación npq
Use la tabla de la distribución normal para calcular la probabilidad aproximada.
52 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

3.80 Ejemplo. Utilice la distribución normal para realizar una aproximación de la


probabilidad p(8 ≤ X ≤ 10) = p(8) + p(9) + p(10) para una variable aleatoria binomial con
n = 25 y p = 0.5. Compare esta aproximación con la probabilidad binomial exacta.

Verificamos: np = nq = (25)(0.5) = 12.5 > p


5. La media y la desviación estándar son:

µ = np = (12)(0.5) = 12.5 y σ = npq = (25)(0.5)(0.5) = 2.5.
La probabilidad buscada corresponde al área de los tres rectángulos sombreados, centrados
en x = 8, 9 y 10. El área equivalente bajo la curva normal, aplicando la corrección por
continuidad, se encuentra entre x = 7.5 (el lado izquierdo del primer rectángulo) y x = 10.5
(el lado derecho del último rectángulo).

Ahora estandarizamos cada punto extremo del intervalo:


x−µ 7.5 − 12.5 x−µ 10.5 − 12.5
z= = = −2 y z= = = −0.8.
σ 2.5 σ 2.5
Con estos valores acudimos a la
tabla de la distribución normal
estándar y encontramos:
p(−2 < z < −0.8) =
0.2119 − 0.0228 = 0.1891

Al consultar la tabla de la distribución binomial con n = 25 y p = 0.5 obtenemos :


p(8 ≤ X ≤ 10) = p(X ≤ 10) − p(X ≤ 7) = 0.212 − 0.022 = 0.19.
El error en la aproximación es muy pequeño: |0.1891 − 0.19| = 0.0009.
3.81 Ejemplo. La confiabilidad de un fusible eléctrico es la probabilidad de que un fusible
escogido al azar de la producción, funcione bajo sus condiciones de diseño. Una muestra
aleatoria de 1000 fusibles se probó y se observaron x = 27 defectuosos. Calcule la probabi-
lidad aproximada de observar 27 o más defectuosos, suponiendo que la confiabilidad de un
fusible es 0.98.
3.21. EJERCICIOS DE APROXIMACIÓN NORMAL A LA BINOMIAL 53

La probabilidad de observar un fusible defectuoso es el complemento de la confiabilidad:


p = 1 − 0.98 = 0.02. Verificamos las condiciones para aplicar la aproximación normal:
np = (1000)(0.02) = 20 > 5 y nq = (1000)(0.98) = 980 > 5. Calculando la media y la
desviación estándar: √
√ p
µ = np = (1000)(0.02) = 20 y σ = npq = (1000)(0.02)(0.98) = 19.6

La probabilidad de 27 o más fusibles defectuosos es


p(X ≥ 27) = p(27) + p(28) + p(29) + · · · + p(999) + p(1000)
El área normal empleada para aproximar p(X ≥ 27) es el área bajo la curva normal a la
derecha de 26.5 (corrección por continuidad ).
x−µ 26.5 − 20
El valor z correspondiente a x = 26.5 es: z = = √ = 1.47.
σ 19.6
Finalmente p(X ≥ 27) ≈ p(z ≥ 1.47) = 1 − 0.9292 = 0.0708
3.82 Ejemplo. Una fábrica de gaseosas estaba completamente segura de que su marca
tenía el 10 % de participación en el mercado. Se tomó una muestra de 2500 consumidores
de gaseosas y 211 manifestaron su preferencia por la marca considerada. Si la cifra del 10 %
es correcta, encuentre la probabilidad de observar 211 o menos consumidores que prefieren
esta marca de bebidas gaseosas.

Comprobamos que se puede aplicar la aproximación normal: np = (2500)(0.1) = 250 y


nq = (2500)(0.9) = 2250. Calculamos media: µ √= np = (2500)(0.1) = 250
√ p
y desviación estándar: σ = npq = (2500)(0.1)(0.9) = 225 = 15.
La probabilidad de observar 211 o menos consumidores que prefieran esta marca es p(X ≤
211) = p(0) + p(1) + p(2) + · · · + p(210) + p(211).

Corrección de continuidad: La aproximación normal a esta probabilidad es el área a la


izquierda de 211.5 bajo una curva normal con media de 250 y desviación estándar de 15.
x−µ 211.5 − 250
Hallando el valor z tenemos: z= = = −2.57.
σ 15
Entonces: p(X ≤ 211.5) ≈ p(z ≤ −2.57) = 0.0051.
Una probabilidad tan pequeña solo puede presentarse por una de dos cosas: se ha observado
una muestra muy poco común aun cuando en realidad p = 0.1, o bien, la muestra refleja
que el valor real de la probabilidad es menor a 0.1.

3.21. Ejercicios de aproximación normal a la binomial


1. Sea X una variable aleatoria binomial con n = 15 y p = 0.4. Encuentre las siguientes
probabilidades mediante la aproximación de la normal, luego consultando la tabla de
la binomial y encuentre la distancia entre estas dos medidas.
a) p(x ≥ 6) b) p(X > 6) c) p(x = 6)
54 CAPÍTULO 3. VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS

2. Investigadores de la Universidad Libre y del instituto nacional de salud informan


que el 75 % de las personas cree que los tranquilizantes funcionan muy bien para
lograr que una persona esté más tranquila en épocas de pandemia. Apoyado en la
aproximación de la normal diga cual es la probabilidad de que de las próximas 80
personas entrevistadas:
a) por lo menos 50 tengan esta opinión.
b) a lo sumo 56 tengan esta opinión.
c) exactamente 61 personas opinen de esta manera.

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.

5. Sea X una variable aleatoria binomial con n = 25 y p = 0.2.


a) Emplee la tabla de la distribución binomial para determinar p(4 ≤ X ≤ 6).
b) Utilice la tabla de la distribución normal para hallar p(4 ≤ X ≤ 6).
c) Halle la diferencia entre estas dos probabilidades, note que se tiene una buena
aproximación aún cuando np = 5.

6. La décima parte de la producción de una fábrica corresponde a de artículos defec-


tuosos. Se seleccionan al azar 200 artículos producidos por la fábrica. Mediante la
aproximación de la normal determine la probabilidad de que el número de elementos
defectuosos:
a) exceda los 26.
b) sea menor que 16.
c) sea precisamente 19.

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

8. El 20 % de los residentes en Barranquilla prefieren una carcasa blanca para para su


teléfono celular. Use la aproximación de la normal para estimar la probabilidad de
que, de los siguientes 1000 teléfonos vendidos en Barranquilla:
a) precisamente 200 tengan carcasa blanca.
b) entre 170 y 185 tengan carcasa blanca.
c) al menos 210 pero no más de 225 posean carcasa blanca.

9. Un paciente tiene 0.9 de probabilidad de recuperarse de una delicada operación de


corazón. Use la aproximación de la normal para estimar la probabilidad de que de los
siguientes 100 pacientes que se someten a esta operación
a) sobrevivan entre 84 y 95 pacientes.
b) sobrevivan menos de 86 pacientes.

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.

También podría gustarte