Estadı́stica Aplicada a la Ingenierı́a

Semana 6: Variables aleatorias.

Distribuciones discretas importantes

Vladimiro Contreras Tito

Universidad Nacional del Callao

Facultad de Ingenierı́a Mecánica y de Energı́a
Departamento Académico Ingenierı́a Mecánica

Mayo del 2024

V. Contreras T. (UNAC) 1 / 47 2024 1 / 47

 Variable Aleatoria

Variable aleatoria

Definición 6.1.
Una variable aleatoria X es una función que asocia un número real a
cada elemento de un espacio muestral Ω simbólicamente

X = {(w, x) / X(w) = x , w ∈ Ω , x ∈ R}

El dominio de la variable aleatoria X (v.a.X) es el espacio muestral Ω y

el rango es un subconjunto de los números reales que denotaremos poe
RX , siendo
RX = {x ∈ R / x = X(w) , w ∈ Ω}

V. Contreras T. (UNAC) 2 / 47 2024 2 / 47

 Variable Aleatoria

Ejemplo

Sea Ω el espacio muestral que se obtiene al lanzar al aire una mon-

eda justa tres veces. Se define la función X como ”el número de caras
obtenidas”. Halle el recorrido de la ´v.a. X.
Solución
Se tiene que

Ω = {sss, ssc, scs, css, scc, csc, ccs, ccc}

X(sss) = 0
X(ssc) = X(scs) = X(css) = 1
X(scc) = X(csc) = X(ccs) = 2
X(ccc) = 3
Por lo tanto el RX = {0, 1, 2, 3}

V. Contreras T. (UNAC) 3 / 47 2024 3 / 47

 Variable Aleatoria

Clasificación de las variables aleatorias

Las variables aleatorias se clasifican en general en discretas y continuas.

Variable aleatoria discretas Es aquella cuyo recorrido es conjunto
finito o infinito numerable de valores. Es ejemplo de esta variable el
último ejemplo.
Variable aleatoria continua Es aquella cuyo rango es un conjunto
infinito no numerable de valores. Ejemplo:
Sea Ω el espacio muestral que consiste del tiempo de duración de un foco
obteniendo al azar de un lote, entonces Ω = {w ∈ R / w ≥ 0}. Si la v.a.
X se define tambien como el tiempo de duración del foco, entonces X es
la función identidad cuyo rango es el conjunto:

RX = {x ∈ R / x ≥ 0}

V. Contreras T. (UNAC) 4 / 47 2024 4 / 47

 Variable Aleatoria

Función de cuantı́a o función de probabilidad de

variables aleatorias discretas

Definición 6.2.
Sea x el valor de una v.a. X. Una función real valorada de f definida
en el rango de X será una función de cuantı́a , si
1. f (x) ≥ 0 para todo x ∈ Domf = RX
X
2. f (x) = 1
∀ x∈Domf

Si x es el valor de la v.a. discreta X entonces f (x) es la probabilidad

que la v.a. X tome el valor de x; esto es:

f (x) = P (X(w) = x) abreviadamente f (x) = P [X = x]

V. Contreras T. (UNAC) 5 / 47 2024 5 / 47

 Variable Aleatoria

Sean x1 , x2 , ...xn , ... los valores de una v.a. discreta X y sea A cualquier
subconjunto del conjunto de puntos { x1 , x2 , ...xn , ...} al que llamaremos
evento A entonces la probabilidad del evento A de define:
X
P (A) = f (x)
∀ x∈A

La grafica de la función de probabilidad o distribución de probabilidad

discreta, consiste de segmentos verticales continuos o punteados de lon-
gitud proporcional a la probabilidad respectivamente en cada valor xi
de la variable.

V. Contreras T. (UNAC) 6 / 47 2024 6 / 47

 Variable Aleatoria

Ejemplo 6.1.
En un lote de 8 artı́culos hay dos defectuosos. Del mlote se toman al
azar una muestra(sin sustitución) de 4 artı́culos. Sea X el número de
artı́culos defectuosos en la muestra. Determine la distribución de
probabilidad para X.

solución

V. Contreras T. (UNAC) 7 / 47 2024 7 / 47

 Variable Aleatoria

Función de distribución acumulada de una v.a. discreta

Definición 6.3.
La función de distribución acumulada (f.d.a) de probabiliades o
simplemente función de distribución, F (x), de la v.a. discreta X cuya
función de probabilidad
X es f (x), se define
X por:
F (x) = P [X ≤ x] = P [X = k] = f (k) para x ∈ R
k≤x k≤x

Observación
1. Notemos que 0 ≤ F (x) ≤ 1
2. Si X es una v.a. discreta
P (a < X ≤ b) = F (b) − F (a)
P (a ≤ X ≤ b) = F (b) − F (a− )
P (a < X < b) = F (b− ) − F (a)
P (a ≤ X < b) = F (b− ) − F (a− )
donde F (a− ) = P (X < a) = Limn→∞ F (a − n1 )
V. Contreras T. (UNAC) 8 / 47 2024 8 / 47
 Variable Aleatoria

Esperanza Matemática

Definición 6.4.
La esperanza matemática o valor esperado de la v.a. discreta X
denotado por E(X) o µX o por µ se define por
X
E(X) = xi f (xi )
xi ∈RX

Varianza de la v.a. X
Definición 6.5.
La varianza de una variable aleatoria discreta X denotado por V ar(X)
2 se define por:
ó V (X) o por σX X
V (X) = E[(X − µ)2 ] = (xi − µ)2 f (xi ) donde f (xi ) es una
xi ∈RX
función de cuantı́a de la x.a. X y µ es la media o esperanza de X.

V. Contreras T. (UNAC) 9 / 47 2024 9 / 47

 Variable Aleatoria

Desviación estandar de la v.a. X

Definición 6.6.
La desviación estandar de la v.a. X denotado por σX se define como:
q
σX = σX 2

Definición 6.7.
Sea g una función continua de la v.a. discreta X, la esperanza
matemática de g denotado por E(g(X)) se define por
X
E(g(X)) = g(x) f (x)
∀x∈RX

donde f es una función de cuantı́a y g(x) está definido para todo

x ∈ Rx .

V. Contreras T. (UNAC) 10 / 47 2024 10 / 47

 Variable Aleatoria

Propiedades de la esperanza matemátiva y de la

Varianza de una v.a. X

Sea X una v.a. se cumplen:

1. V (X) = E(X 2 ) − (E(X))2
2. Si a y b son constantes reales entonces
2.1 E(aX + b) = aE(X) + b
2.2 V (aX + b) = a2 V (X)

V. Contreras T. (UNAC) 11 / 47 2024 11 / 47

 Variable Aleatoria

Ejemplo 6.2.
Una tienda de electrónica vende un modelo particular de computadora
portátil. Hay sólo cuatro computadoras en existencia y la gerente se
pregunta cuál será la demanda de hoy para este modelo particular. Ella
se entera en el departamento de marketing de que la distribución de
probabilidad para X, la demanda diaria para la laptop, es como se
muestra
x 0 1 2 3 4 5
f(x)=p[X=x] 0,1 0,4 0,2 0,15 0,10 0,05
Encuentre la media, varianza y desviación estándar de X.

solución

V. Contreras T. (UNAC) 12 / 47 2024 12 / 47

 Variable Aleatoria

Ejemplo 6.3.
Por experiencias, una compañia de envı́o sabe que entregar un paquete
pequeño dentro de 24 horas cuesta S/ 14,80. la compañia cobra S/
15,50 por el envı́o, pero garantiza reintegrar el cargo si la entrega no se
hace dentro de las 24 horas. Si la compañia no entrega solo 2% de sus
paquetes dentro del periodo de 24 horas, ¿cuál es la ganacia esperada
por paquete?

solución

V. Contreras T. (UNAC) 13 / 47 2024 13 / 47

 Variable Aleatoria

Función generatriz de Momentos (Mx )

Sea X una v.a. discreta y sea MX : D ⊂ R → R definida por MX (t) =

E(et X ) para todo t ∈ D tal que:
1. D es un entorno de cero
dr MX (t)
2. existe ∀t ∈ D
d tr
di MX (t) di (et X )
3. = E( ) ∀i ≤ r ∀t ∈ D
d ti d ti
Se dice que MX es una función generatriz de momentos de X.
di MX (t)
Además νi = E(X i ) = |t=0 ∀i ≤ r
d ti

V. Contreras T. (UNAC) 14 / 47 2024 14 / 47

 Variable Aleatoria

Ejemplo 6.4.
El gerente del almacén de una fábrica ha construido la siguiente
distribución de probabilidad para la demanda diaria (número de veces
que se usa) de una herramienta en particular.

y 0 1 2
p(y) 0, 1 0, 5 0, 4

Cuesta a la fábrica 10 dólares cada vez que la herramienta se usa.

1. a). Halle la función generatriz de momentos para la demanda
diaria de la herramienta.
2. b). Usando a) halle la media y varianza de la demanda diaria de
la herramienta.
3. c). Encuentre la media y la varianza del costo. diario por usar la
herramienta.

V. Contreras T. (UNAC) 15 / 47 2024 15 / 47

 Variable Aleatoria

Distribuciones discretas importantes

V. Contreras T. (UNAC) 16 / 47 2024 16 / 47

 Distribución de Bernoulli

Distribución de Bernoulli
Se denomina prueba o ensayo de Bernoulli a todo experimento aleatorio
que consiste de solo dos resultados posibles mutuamente excluyentes,
generalmente llamados éxito (E) y fracaso (F). El espacio muestral
asociado al experimento aleatorio de Bernoulli se puede escribir como el
conjunto Ω = {E, F }.
Definición 7.1.
La v.a. X definida en Ω de manera que atribuye a E el valor 1 y a F el
valor 0, se denomina v.a. Bernoulli.

Definición 7.2.
Si p = P [X = 1] es la probabilidad de éxito siendo
0 ≤ p ≤ 1 y q = P [X = 0] = 1 − p es probabilidad de fracaso, la
distribución de probabilidad de Bernoulli de parámetro p es
descrita por la ecuación

f (x) = P [X = x] = px q 1−x , x = 0, 1
V. Contreras T. (UNAC) 17 / 47 2024 17 / 47
 Distribución de Bernoulli

Teorema 7.1.
Si X tiene distribucuón de Bernoulli de parámetro p, entonces

E(X) = p , V (X) = p q

Ejemplo 7.1.
Supongamos que un experimento aleatorio X consiste en seleccionar un
artı́culo defectuoso de un lote de 100 que contienen 5 artı́culos
defectuosos. Halle la distribución de probabilidad de X, dado que X es
una v.a. de Bernoulli.
Solución
X: Nº de artı́culos defectuosos.
5 95
p= = 0, 05 , q= = 0, 95
100 100
Luego, la distribución de probabilidad de Bernoulli de parámetro p es:
f (x) = P [X = x] = 0, 05x 0, 951−x , x = 0, 1
V. Contreras T. (UNAC) 18 / 47 2024 18 / 47
 Distribución de Bernoulli

Distribución Binomial
El experimento binomial se caracteriza por ser un experimento aleato-
rio que consiste en efectuar n pruebas independientes y repetidas de
Bernoulli. La probabilidad de éxito p se mantiene constante a través de
las n pruebas.
Definición 7.3.
Se denomina variable binomial, a la v.a. X definida en Ω como el Nº
de éxitos que ocurren en las n pruebas de Bernoulli. Los
posibles valores de X son: 0, 1, 2, ..., n.

Definición 7.4.
Se dice que la v.a. binomial X tiene distribución binomial con
parámetros n y p y se escribe X ∼ B(n, p), si su función de
probabilidad es:
 
n x n−x
f (x) = P [X = x] = p q , x = 0, 1, 2, ..., n.
x
V. Contreras T. (UNAC) 19 / 47 2024 19 / 47
 Distribución de Bernoulli

Teorema 7.2.
Si X ∼ B(n, p), entonces E(X) = n p , V (X) = n p q

Ejemplo 7.2.
La probabilidad de producir un artı́culo defectuoso en una fábrica es:
0,1. Halle la probabilidad de que:
a). Un lote de 12 artı́culos contenga 2 defectuosos.
b). Al revisar 6 lotes de 12 artı́culos se encuentre al menos 1 lote con 2
defectuosos.
Solución X: Nº de artı́culos defectusos en los 12 artı́culos del lote.
X ∼ B(12, p) donde
 p = 0, 1 probabilidad de éxito.
12
a). P [X = 2] = 0, 12 0, 912−2 = 0, 23
2
b). Y : Nº de lotes con 2 artı́culos defectuosos de los 6 lotes revisados.
X ∼ B(6, p) donde p = 0, 23 y q  = 0,
 77.
6
P [X ≥ 1] = 1 − P [Y = 0] = 1 − 0, 230 0, 776 = 0, 79
0
V. Contreras T. (UNAC) 20 / 47 2024 20 / 47
 Distribución de Bernoulli

Distribución Geométrica

Consideremos una sucesión de ensayos de Bernoulli, Si X representa el

Nº de pruebas hasta conseguir el primer éxito después de x − 1
fracasos, se llama v.a.geométrica.
Definición 7.5.
Se dice que la v.a. geométrica X tiene distribución geométrica con
parámetro p y se escribe X ∼ G(p), si su función de probabilidad es:

f (x) = P [X = x] = (1 − p)x−1 p , x = 1, 2, ..... , 0<p<1

Teorema 7.3.
Si X ∼ G(p) entonces
1 q
E(X) = , V (X) =
p p2

V. Contreras T. (UNAC) 21 / 47 2024 21 / 47

 Distribución de Bernoulli

Ejemplo 7.3.
En cierta fábrica la probabilidad de producir un artı́culo defectuoso es
0,1. Halle la probabilidad de que:
a). Sea necesario revisar 5 artı́culos para hallar el primer defectuoso.
b). Halle la esperanza y la varianza de la distribución.

Solución
X: Nº de artı́culos que se necesita revisar para encontrar el primer
defectuoso.
a). X ∼ G(0, 1)

f (5) = (1 − 0, 1)5−1 0, 1 = 0, 06561

b).
1 0, 9
E(X) = = 10 , V (X) = = 90
0, 1 0, 12

V. Contreras T. (UNAC) 22 / 47 2024 22 / 47

 Distribución de Bernoulli

distribución binomial negativa o pascal

La v.a. X que se define como el Nº de intentos hasta que ocurra el
éxito número r se llama v.a. binomial negativa o de Pascal.
Definición 7.6.
Se dice que la v.a. binomial negativa o Pascal X tiene distribución
Pascal con parámetros p y r (r > 0 , 0 < p < 1) y se escribe
X ∼ P ascal(p, r), si su función de probabilidad es:
 
x−1
f (x) = P [X = x] = pr (1 − p)x−r ; , x = r, r + 1, r + 2, ....
r−1

Ejemplo 7.4.
Si X ∼ P ascal(p, r) entonces

r r (1 − p)
E(X) = , V (X) =
p p2

V. Contreras T. (UNAC) 23 / 47 2024 23 / 47

 Distribución de Bernoulli

Ejemplo 7.5.
Una máquina se utiliza para fabricar cierto tipo de objetos en serie. Se
sabe que la probabilidad de que cada objeto sea defectuoso es 1/10. Si
se controla la calidad de cada objeto producido y si la máquina se apaga
cuando se producen 4 objetos defectuosos, ¿cuál es la probabilidad de
que se pare la máquina en el décimo objeto producido?

Solución
X: Nº de objetos producidos hasta controlar 4 defectuosos.
Los posibles valores de X son 4,5,6,... cada objeto se produce indepen-
dientemente con probabilidad p = 1/10 = 0, 1 de que sea defectuoso. La
máquina se para si se encuentran r = 4 defectuosos. La probabilidad de
que se pare la máquina en el décimo objeto producido es:
 
10 − 1
f (10) = P [X = 10] = 0, 14 (1 − 0, 1)10−4 = 0, 00446
4−1

V. Contreras T. (UNAC) 24 / 47 2024 24 / 47

 Distribución de Bernoulli

distribución hipergeométrica
Un conjunto de N objetos contiene r objetos clasificados como éxitos y
N − r objetos clasificados como fracasos. Se selecciona una muestra con
tamaño de n objetos al azar (sin reemplazo) de los N objetos, donde
r ≤ N y n ≤ N.
Definición 7.7.
La v.a. X que se define como el Nº de exitos en una muestra de
tamaño n que se selecciona al azar sin reposición de N objetos
de los cuales r son clasificados como éxitos y los restantes
N − r como fracasos, se llama v.a. hipergeométrica.

Definición 7.8.
Se dice que la v.a. hipergeométrica X tiene distribución hipergeométrica
y se escribe X ∼ H(N, n, r), si su función de probabilidad es:
N −r
Cxr Cn−x
f (x) = P [X = x] = , x = 0, 1, 2, 3, ....
CnN
V. Contreras T. (UNAC) 25 / 47 2024 25 / 47
 Distribución de Bernoulli

Teorema 7.4.
Si X ∼ H(N, n, r) entonces

N −n
E(X) = n p , V (X) = n p q
N −1
donde p = Nr , q = 1 − p
Además si N tiende a +∞ entonces H(N, n, r) se aproxima a una
distribución binomial B(n, p) (la aproximación es buena si
n ≤ 0, 1 × N )

V. Contreras T. (UNAC) 26 / 47 2024 26 / 47

 Distribución de Bernoulli

Ejemplo 7.6.
Un lote de tubos contiene 100 unidades del proveedor ”A&B” y 200 unidades
del proveedor ”Plastic”. Si se seleccionan 4 piezas al azar y sin reemplazo.
a). ¿Cuál es la probabilidad de que todas sean del proveedor ”A& B”?
b). ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del
proveedor ”A& B”?
c). ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del
proveedor ”A& B”?

Solución
X: Nº de piezas de la muestra del proveedor ”A& B”.
C 100 C 200
a). P [X = 4] = 4 3000 = 0, 0119
C4
C2100 C2200 C3100 C1200 C4100 C0200
b). P [X ≥ 2] = + + = 0, 408
C4300 C4300 C4300
c). P [X ≥ 1] = 1 − P [X = 0] = 0, 196

V. Contreras T. (UNAC) 27 / 47 2024 27 / 47

 Distribución de Bernoulli

distribución de Poisson

Dado un intervalo de números reales, suponga que ocurren conteos al

azar a lo largo del intervalo. Si puede hacerse la partición del intervalo
en subintervalos con una longitud suficientemente pequeña tal que:
a). La probabilidad de más de un conteo en un subintervalo es cero.
b). La probabilidad de un conteo en un subintervalo es la misma para
todos los subintervalos y proporcional a la longitud de
subintervalos.
c). El conteo en cada subintervalo es independiente de los demás
subintervalos.
Entonces el experimento aleatorio se denomina proceso de Poisson.

V. Contreras T. (UNAC) 28 / 47 2024 28 / 47

 Distribución de Bernoulli

Definición 7.9.
Si el número promedio de conteos en el intervalo es λ > 0, la v.a. X
que es igual al número de conteos en el intervalo tiene una distribución
de Poisson con parámetro λ (se escribe X ∼ P (λ)) y tiene función de
probabilidad dada por:

e−λ λx
f (x) = P [X = x] = , x = 0, 1, 2, 3, ....
x!

NOTA 7.1.
La distribución de Poisson se aplica a problemas donde la v.a. X es el
Nº de eventos que ocurren en un intervalo de tiempo ó en una región
por ejemplo:
Nº de llamadas que recibe una central telefónica en el periodo de 1
minuto.
Nº de fallas de un sistema en un dı́a dado.
Nº de accidentes de trabajo que ocurren en una fábrica durante
una semana.
V. Contreras T. (UNAC) 29 / 47 2024 29 / 47
 Distribución de Bernoulli

Teorema 7.5.
Si X ∼ P (λ) entonces

E(X) = λ , V (X) = λ

Ejemplo 7.7.
El arribo de camiones de carga a un muelle sigue una distribución de
Poisson, siendo la tasa de llegada, 2 camiones por hora.
a). Calcule la probabilidad de que en un periodo de 4 horas lleguen
entre 6 y 10 camiones.
b). ¿Cuál es la probabilidad de tener que esperar más de 4 horas hasta
la llegada del primer camión?.

V. Contreras T. (UNAC) 30 / 47 2024 30 / 47

 Distribución de Bernoulli

Solución
X:Nº de camiones que llega al muelle en una hora. En este caso λ = 2,
X ∼ P (λ = 2).
Y :Nº de camiones que llega al muelle en 4 horas. En este caso λ = 2(4),
Y ∼ P (λ = 8). Entonces:

e−8 8y
f (y) = P [Y = y] = , y = 0, 1, 2, 3, ....
y!

10 −8 y
X e 8
a). P (6 ≤ Y ≤ 10) =
y!
y=6
−8
e 8 0
b). P [Y = 0] = = e−8
0!

V. Contreras T. (UNAC) 31 / 47 2024 31 / 47

 Distribución de Bernoulli

Aproximación de la distribución binomial a la Poisson

Teorema 7.6.
Sea X una v.a. con distribución binomial B(n, p). Si n → ∞ , p → 0
y λ = n p, permanece constante, entonces la distribución binomial se
aproxima a la distribución de Poisson con parámetro λ, esto es:

e−λ λx
 
n x
P [X = x] = p (1 − p)n−x tiende a P [X = x] =
x x!

NOTA 7.2.
La aproximación es buena, si n > 30 y n p ≤ 5.

V. Contreras T. (UNAC) 32 / 47 2024 32 / 47

 Distribución de Bernoulli

Ejemplo 7.8.
Un manual se edita con un tiraje de 100000 ejemplares. La
probabilidad de que un manual esté encuadernado en tela
incorrectamente es igual a 0,0001. Halle la probabilidad de que el tiraje
contenga exactamente 5 libros defectuosos.

Solución
X: Nº de libros incorrectamente encuadernados en un tiraje de 100000
ejemplares. X ∼ B(100000; 0, 0001).
Como n = 100000 es grande (n → ∞) y p = 0, 0001 tiende a cero,
aproximemos la distribución binomial X ∼ B(100000; 0, 0001) a la dis-
tribución de Poisson P (λ) donde λ = n p = (100000) (0, 0001) = 10.
Luego:
e−10 105
P [X = 5] = = 0, 0375
5!

V. Contreras T. (UNAC) 33 / 47 2024 33 / 47

 Distribución de Bernoulli

Ejercicios de Aplicación
Ejemplo 7.9.
Una biblioteca se suscribe a dos revistas de noticias semanales, cada
una de las cuales se supone que llega en el correo de los miércoles. En
realidad cada una puede llegar el miércoles, jueves, viernes ó sábado.
Suponga las dos llegan independientemente una de otra y para cada una
P (M i) = 0, 3 , P (Ju) = 0, 4 , P (V i) = 0, 2 y P (Sa) = 0, 1. Sea Y el
número de dı́as después del miércoles que pasan para que ambas
revistas lleguen.
a). Calcule la función de probabilidad de Y
b). ¿Cuántos dı́as tendrı́a que esperar para que ambas revistas lleguen
después del miércoles?
Sugerencia: Y (M i, M i) = 0 , Y (V i, Ju) = 2

Solución
y 0 1 2 3
Rpta. a).
P(Y=y) 0,09 0,04 0,32 0,19
b). aprox. 2 dias
V. Contreras T. (UNAC) 34 / 47 2024 34 / 47
 Distribución de Bernoulli

Ejemplo 7.10.
Un vendedor de helados gana en promedio, 20 soles diarios si hay sol;
pero si llueve gana 5 soles diarios. Por otra parte puede obtener
siempre 12 soles diarios si dedica el dı́a apintar, cualquiera sea el
tiempo que haga.
a). Si el boletı́n de SENAMHI indica que la probabilidad de que llueve
es 0,6; ¿a qué se debe dedicar el vendedor ese dı́a?
b). ¿Qué valor debe alcanzar la probabilidad p de que llueva para que
el vendedor decida no vender helados?
Solución
Rpta.
a). Se debe dedicar a pintar
b). p > 8/15

V. Contreras T. (UNAC) 35 / 47 2024 35 / 47

 Distribución de Bernoulli

Ejemplo 7.11.
Determine la prima anual para una póliza de seguro de 1 000 dólares
que cubre un evento que, en un periodo largo, se ha presentado dos
veces de cada 100. Sea X igual a la ganancia financiera anual de la
compañı́a de seguros, resultado 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 E(X) sea igual a cero. Entonces, C serı́a la prima requerida
para no ganar ni perder. A esto la compañı́a agregarı́a los costos
administrativos y las utilidades.
Prima En el ámbito de los seguros, la prima es el costo del seguro o aportación económica
que ha de pagar un asegurado o contratante a una compañı́a aseguradora por la transferencia
del riesgo bajo las coberturas que esta última ofrece a sus clientes durante un determinado
perı́odo de tiempo. Comúnmente esta puede ser mediante los siguientes esquemas: pago
único, pago anual, semestral, trimestral, bimestral, mensual.
Póliza Documento con que se formalizan ciertos contratos de seguros, mercantiles o de
operaciones.
Solución
Rpta: C=20
V. Contreras T. (UNAC) 36 / 47 2024 36 / 47
 Distribución de Bernoulli

Ejemplo 7.12.
Sea la v.a. X con función de distribución dada por:


 0, x<1
1/6, 1 ≤ x < 2

F (x) =

 1/2, 2 ≤ x < 3
1, x≥3


Halle la desviación estandar de la v.a. X.

Solución
Rpta.
0,7454

V. Contreras T. (UNAC) 37 / 47 2024 37 / 47

 Distribución de Bernoulli

Ejemplo 7.13.
De todos los clientes que compran abridores automáticos de puertas de
cochera, 75% compran un modelo accionado por cadena. Sea X el
numero de entre los siguientes 15 compradores que seleccionan un
modelo accionado por cadena.
a). Halle la distribución de X.
b). Calcule P (X ≤ 12)
c). Calcule P (8 ≤ X ≤ 11)
d). Halle la esperanza y varianza de X.

Solución
Rptas:
a) B(15, 0, 75)
b)0,7639
c) 0,5214
d) E(X)=11,25 V(X)=2,8125

V. Contreras T. (UNAC) 38 / 47 2024 38 / 47

 Distribución de Bernoulli

Ejemplo 7.14.
Se construye un complejo sistema electrónico con cierto número de
piezas de respaldo en sus subsistemas. Un subsistema tiene cuatro
componentes idénticos, cada uno con una probabilidad de 0,2 de fallar
en menos de 1000 horas. El subsistema va a operar si dos de los cuatro
componentes están operando. Suponga que los componentes operan de
manera independiente. Encuentre la probabilidad de que
a). exactamente dos de los cuatro componentes dure más de 1000
horas
b). el subsistema opere más de 1000 horas.

Solución
Rptas: Binomial
a) 0,1535
b)0,9728

V. Contreras T. (UNAC) 39 / 47 2024 39 / 47

 Distribución de Bernoulli

Ejemplo 7.15.
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 dos horas.

Solución
Rptas:Geometrica
0,9604

V. Contreras T. (UNAC) 40 / 47 2024 40 / 47

 Distribución de Bernoulli

Ejemplo 7.16.
El proceso de producción de un bien se debe detener tan pronto se
produzca la primera unidad que no cumpla con las especificaciones
establecidas. Se estima en 0,99 la probabilidad de que una unidad
producida cumpla las especificaciones. Si el objetivo es producir 150
unidades que cumplan las especificaciones
a). ¿Que probabilidad hay de lograr el objetivo?
b). Si despues de producir 100 unidades del bien aún no se ha
detenido el proceso, ¿con qué probabilidad de lograrı́a el objetivo?.

Solución
Geométrica
a) 0,2215
b) 0,6050

V. Contreras T. (UNAC) 41 / 47 2024 41 / 47

 Distribución de Bernoulli

Ejemplo 7.17.
Un estudio geológico indica que un pozo petrolero de exploración debe
descubrir petróleo con probabilidad 0,2.
a). ¿Cuál es la probabilidad de que el primer hallazgo sea en el tercer
pozo perforado?
b). ¿Cuál es la probabilidad de que el tercer hallazgo sea en el séptimo
pozo perforado?
c). Encuentre la media y la varianza del número de pozos que deben
ser perforados si la compañı́a desea abrir tres pozos productores.

Solución
pascal
a) 0,128
b) 0,049
c) E(X)=15 V(X)=60

V. Contreras T. (UNAC) 42 / 47 2024 42 / 47

 Distribución de Bernoulli

Ejemplo 7.18.
Una compañia que produce cristal fino, sabe por experiencia que 10%
de sus copas tienen imperfecciones y deben de clasificarse como de
segunda
a). entre seis copas seleccionadas al azar, ¿que tan probable es que
solo una sea de segunda?
b). Si las copas se examinan una por una, ¿Cual es la probabilidad de
que por lo menos sean seleccionados 5 para encontrar 4 que no
sean de segunda?

Solución
Binomial
a) 0,3543
b) 0,3439

V. Contreras T. (UNAC) 43 / 47 2024 43 / 47

 Distribución de Bernoulli

Ejemplo 7.19.
Un producto industrial se envı́a en lotes de 20. Es costoso realizar
pruebas para determinar si un artı́culo es defectuoso y, por tanto, el
fabricante muestrea su producción en lugar de usar un plan de
inspección al 100%. Un plan de muestreo, construido para minimizar el
número de piezas defectuosas enviadas a los clientes, exige muestrear
cinco artı́culos de cada lote y rechazar el lote si se observa más de una
pieza defectuosa (si el lote es rechazado, cada artı́culo del mismo se
prueba posteriormente). Si un lote contiene cuatro piezas defectuosas,
¿cuál es la probabilidad de que sea rechazado? ¿Cuál es el número
esperado de piezas defectuosas en la muestra de tamaño 5? ¿Cuál es la
varianza del número de piezas defectuosas de la muestra de tamaño 5?

Solución Rpta
Hipergeométrica
a) 0,2487
b) E(X)=1 V(X)=0,632

V. Contreras T. (UNAC) 44 / 47 2024 44 / 47

 Distribución de Bernoulli

Ejemplo 7.20.
Un director de personal que entrevista a 12 ingenieros para 4 vacantes,
ha programado 6 entrevistas al azar para el primer dia y seis para el
segundo dı́a.
a). ¿Cuál es la probabilidad de que x de los mejores cuatro candidatos
sean entrevistados el primer dı́a?
b). ¿ Cuántos de los mejores cuatro candidatos pueden esperar ser
entrevistados el primer dı́a?

Solución
Rpta.
a). hipergeometrica
b). E(X)=2

V. Contreras T. (UNAC) 45 / 47 2024 45 / 47

 Distribución de Bernoulli

Ejemplo 7.21.
Un vendedor ha encontrado que la probabilidad de una venta en un solo
contacto es aproximadamente 0,03. Si el vendedor hace contacto con
100 posibles clientes, ¿cuál es la probabilidad aproximada de hacer al
menos una venta?
Solución
Rpta
Poisson
0,95

V. Contreras T. (UNAC) 46 / 47 2024 46 / 47

 Distribución de Bernoulli

Ejemplo 7.22.
Los mensajes que llegan a una computadora utilizada como servidor lo
hacen de acuerdo con una distribución de Poisson con una tasa
promedio de 0,1 mensajes por minuto.
a). ¿Cuál es la probabilidad de que lleguen a lo más 2 mensajes en
una hora?
b). Determine el intervalo de tiempo necesario para que la
probabilidad de que no llegue ningún mensaje durante ese lapso de
tiempo sea 0,8.

Solución
Rptas:
a) 0,062
b) 2,231 min.

V. Contreras T. (UNAC) 47 / 47 2024 47 / 47