Unidad IV . Variables aleatorias y distribuciones de probabilidad.

En este tema se tratará de formalizar numéricamente los resultados de un fenómeno aleatorio.

Por tanto, una variable aleatoria es un valor numérico que corresponde a un resultado de un
experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces
una moneda, número de llamadas que recibe un teléfono durante una hora, etc.

El estudio que se hará de este tema será análogo al que se hizo en la unidad 1 con las medidas
descriptivas de las variables. Aquí se retoma el concepto de distribución y las características
numéricas de las variables, como la media y varianza. El papel que allí jugaba la frecuencia
relativa lo juega ahora la probabilidad y el papel de la frecuencia acumulada lo hace la función
de distribución.

4.1. Definición de variable aleatoria discreta (vad).

Para introducir el concepto de variable aleatoria discreta, se presentan algunos ejemplos: Se

lanzan dos dados y se define X como la suma de los puntos que caen hacia arriba, los valores
que toma están entre 2 y 12, pero no es posible predecir qué valor de X aparecerá en el siguiente
lanzamiento, por lo que decimos que X depende del azar. El número de varones de una familia
con 5 hijos, también es una variable aleatoria que varía de 0 a 5. Ahora, si se lanza una moneda
3 veces, el número de cruces es una variable aleatoria (X) que toma los valores 0, 1, 2, o 3. El
espacio muestral viene dado por: Ω={ccc, ccx, cxc, cxx, xcx, xxc, xcc, xxx; donde c: cara y x: cruz}.
Además, la probabilidad de que X=2 (dos cruces) es 3/8, según la Regla de Laplace. Finalmente,
la variable X es una función que tiene como dominio el espacio muestral y el rango el conjunto
de valores que toma la variable. Se ilustra en la siguiente gráfica:

X X(Ω) ⊂ ℝ P
P (X)
Ω

Figura 4.1. Variable aleatoria

Si el conjunto de valores de X es un conjunto finito o infinito numerable, es decir, si se pueden

enlistar o enumerar, se dice que la variable aleatoria es discreta. Algunos ejemplos de variables
aleatorias discretas son: el número de alumnos que asisten diariamente durante un semestre,

1/33
el número de accidentes automovilísticos en una ciudad por día, el número de piezas
defectuosas por lote, etc.

Definición (vad): Dado un espacio de probabilidad (Ω, A, P), una variable aleatoria es cualquier
función, X,
𝑋: Ω → ℝ
𝑤 → 𝑋(𝑤)

que asocia a cada suceso elemental un número real, verificando:

𝑃(𝐵) = 𝑃(𝑥 ∈ 𝐵) = 𝑃{𝑤 ∈ Ω/𝑋(𝑤) ∈ 𝐵} ∀𝐵 ⊂ ℝ

El conjunto Ω = 𝑆 es el espacio muestral y  es la colección de todos los subconjuntos de Ω,

en este documento se utiliza Ω o S para denotar el espacio muestral.

4.2. Función de cuantía y de distribución de probabilidad de una

vad.

Sea un espacio probabilístico y X una variable aleatoria discreta que toma como posibles valores
x1, x2, ..., xn, se define la distribución de probabilidad de X como el conjunto de pares (xi, pi) que
a cada valor de la variable le asocia una probabilidad, donde 𝑝𝑖 = 𝑃(𝑋 = 𝑥𝑖). Las propiedades
importantes de la función de cuantía o de probabilidad son:

a) 0 ≤ 𝑝𝑖 ≤ 1 para toda i y b) ∑𝑖=1

𝑛 𝑝𝑖 = 1

En lo que sigue X denota la variable aleatoria y su correspondiente letra minúscula, x cada uno
de sus valores.

Función de distribución (F(x)): Sea X una variable aleatoria discreta asociada a un espacio
probabilístico, se define la función de distribución:

𝐹(𝑥): ℝ → [0,1] que verifica 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑𝑥𝑖≤𝑥 𝑝𝑖

Ejemplo 4.1. Sea X la variable aleatoria que indica la suma de los puntos en las caras superiores
al lanzar dos dados. Determine:
a) El espacio muestral,
b) El conjunto de valores de X,
c) Probabilidad para cada valor de X,
d) Probabilidad de que X sea menor que 4.

Solución:

a) El espacio muestral Ω es el conjunto de los 36 pares ordenados que se indican a

continuación:

2/33
Ω = { (1,1), (1,2), (1,3),(1,4), (1,5), (1,6), (2,1), (2,2), (2,3),(2,4), (2,5), (2,6), (3,1), (3,2), (3,3), (3,4),
(3,5), (3,6), (4,1), (4,2), (4,3),(4,4), (4,5), (4,6), (5,1), (5,2), (5,3), (5,4), (5,5), (5,6), (6,1), (6,2),
(6,3),(6,4), (6,5), (6,6) }

b) La variable aleatoria es la suma de los elementos de cada par, por lo tanto, toma los valores
del 2 al 12, X= { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
c) Las probabilidades para cada uno de los valores de la variable se indican en la siguiente tabla
(función de probabilidad):

X 2 3 4 5 6 7 8 9 10 11 12

P(X=xi) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

d) La probabilidad de que X sea menor que 4, se refiere a la función de distribución de 3, esto

es:
1 2 3
𝑃(𝑋 < 4) = 𝑃(𝑋 ≤ 3) = 𝐹(3) = + = = 1/12
36 36 36
La función de distribución de X=3 es 1/12.

Actividad de autoevaluación

1) Un equipo de tiro con arco tiene 3 flechas, cuyas probabilidades de acertar en la diana con
cada flecha son 0.5, 0.6 y 0.7 independientemente una de la otra. Determinar:
a) Los valores de la variable aleatoria X: Número total de aciertos,
b) La función de probabilidad de X.
c) La probabilidad de que haya a lo sumo dos aciertos.
2) Supóngase que la producción de un día de 850 piezas manufacturadas contiene 50 piezas
que no cumplen con los requerimientos del cliente. Se seleccionan del lote dos piezas al azar
sin reemplazo. Sea la variable aleatoria X igual al número de piezas de la muestra que no
cumplen.
a) ¿Determinar la función de probabilidad de X?
b) ¿Determinar la función de distribución de X?

4.3. Media y varianza de un vad.

En esta sección se estudia, de manera análoga a los estadísticos descriptivos, algunos
parámetros que van a resumir numéricamente las distribuciones de las variables aleatorias,
como lo es la media y la varianza.

La esperanza, media o valor esperado de una variable aleatoria X es el promedio ponderado de

los valores del rango de X según las probabilidades de que X tome cada uno de estos valores.
Así, dada una variable aleatoria X que toma valores x1, x2, ..., xn y 𝑃(𝑋 = 𝑥𝑖) = 𝑝𝑖 para todo i,
se define la esperanza de X por:

3/33
 𝑛

𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖𝑃(𝑋 = 𝑥𝑖)

𝑖=1
Propiedades de la esperanza de una vad.
1. 𝐸(𝑋2) = ∑𝑖=1 𝑛 𝑥2𝑃(𝑋 = 𝑥 )
𝑖 𝑖
2. 𝐸(𝑎𝑋 + 𝑏) = ∑𝑛 (𝑎𝑥𝑖 + 𝑏)𝑃(𝑋 = 𝑥𝑖) = 𝑎𝐸(𝑋) + 𝑏
𝑖=1

Ejemplo 4.2. Sea X uva variable aleatoria discreta que tiene asociada la siguiente función:
5−𝑥
𝑃(𝑋 = 𝑥) = 𝑋 = 1, 2, 3 𝑦 4
10
a) Determine si P(X=x) es una función de probabilidad.
b) Determine E(X) y E(3X+2).

Solución.

a) Si una función es de probabilidad debe verificar que:

0 ≤ 𝑝𝑖 ≤ 1 para toda i y ∑𝑛𝑖=1 𝑝𝑖 = 1,

Se observa que:

5−1 2 5−2 3 5−3 2 y 𝑝4 = 5−4 = 1

• 𝑝1 = = , 𝑝2 = = , 𝑝3 = =
10 5 10 10 10 10 10 10

3 2 1
𝑝1 + 𝑝2 + 𝑝3 + 𝑝3 = 2 + + + =1
• 5 10 10 10

Es evidente que 0 ≤ 𝑝𝑖 ≤ 1 y ∑𝑖=1

𝑛 𝑝𝑖 = 1, por tanto 𝑃(𝑋 = 𝑥) = 5−𝑥 , 𝑋 = 1, 2, 3 𝑦 4
10
es función de probabilidad.

b) Ahora: 20
• 𝐸(𝑋) = ∑4 𝑥𝑖𝑃(𝑋 = 𝑥𝑖) = 1 ( 4 ) + 2 ( 3 ) + 3 ( 2 ) + 4 ( 1 ) = =2
𝑖=1 10 10 10 10 10
• 𝐸(3𝑋 + 2) = ∑4 (3𝑥𝑖 + 2)𝑃(𝑋 = 𝑥𝑖) = 5 ( 4 ) + 8 ( 3 ) + 11 ( 2 ) + 14 ( 1 ) = 8
𝑖=1 10 10 10 10

Varianza. Dada una variable aleatoria X que toma valores x1, x2, ..., xn y 𝑃(𝑋 = 𝑥𝑖) = 𝑝𝑖 para
todo i, se define la varianza de X por:
𝑛 𝑛

𝑉(𝑋) = 𝜎2 = 𝐸(𝑋 − 𝜇)2 = ∑ (𝑥𝑖 − 𝜇)2 𝑝𝑖 = ∑ 𝑥2𝑖 𝑝𝑖 − 𝜇2

𝑖=1 𝑖=1
La desviación típica o estándar de X es:
𝜎 = √𝑉(𝑋)

Propiedades de la varianza de una variable aleatoria:

1. 𝑉(𝑋) = 𝐸(𝑋2) − (𝐸(𝑋))2
2. 𝑉(𝑐) = 0, donde c es una constante
3. 𝑉(𝑎𝑋 + 𝑏) = 𝑎2𝑉(𝑋)
4. Si X e Y son variables aleatorias independientes 𝑉(𝑋 + 𝑌) = 𝑉(𝑋) + 𝑉(𝑌)

4/33
Ejemplo 4.3. Sea X una variable aleatoria discreta tal que E(X)=2 y V(X)=6. Sea 𝑌 = 3𝑋2 −
2𝑋 + 5. Determine E(Y).

Solución:
Como X es vad entonces 𝑌 = 3𝑋2 − 2𝑋 + 5 también es vad, por tanto, tiene sentido determinar
E(Y), por la propiedad 2 de la esperanza se tiene:
𝐸(𝑌) = 3𝐸(𝑋2) − 2𝐸(𝑋) + 5 = 3𝐸(𝑋2) − 2(2) + 5 = 3𝐸(𝑋2) + 1
Por la propiedad 1 de la varianza se tiene: 𝑉(𝑋) + (𝐸(𝑋))2 = 𝐸(𝑋2), así:
𝐸(𝑌) = 3(6 + 22) + 1 = 31

Ejemplo 4.4. Suponga que el juego buscando pares tiene un costo de 4 dólares y consiste en
lanzar 3 veces un dado regular, por cada par obtenido gana 2 dólares. Sea X el número de pares
obtenidos en los 3 lanzamientos.
a) Determine V(X).
b) Sea G la ganancia obtenida al jugar buscando pares. Determine E(G) y V(G).

Solución.
Observe que los valores que puede tomar X son: 0, 1, 2 y 3. La función de probabilidad es:
X 0 1 2 3
P(X=xi) (1/2)3 3(1/2)3 3(1/2)3 (1/2)3

Se calcula P(X=1) las otras 3 probabilidades (P(X=0), P(X=2) y P(X=3)) se obtienen de forma
análoga, sea di: resultado del dado i (i = 1, 2 o 3). Observe que P(X=1) significa que exactamente
el resultado de un dado es par:
𝑃(𝑋 = 1) = 𝑃(𝑑1 = 𝑝𝑎𝑟, 𝑑2 = 𝑖𝑚𝑝𝑎𝑟, 𝑑3 = 𝑖𝑚𝑝𝑎𝑟)
+ 𝑃(𝑑1 = 𝑖𝑚𝑝𝑎𝑟, 𝑑2 = 𝑝𝑎𝑟, 𝑑3: 𝑖𝑚𝑝𝑎𝑟)
+ 𝑃(𝑑1 = 𝑖𝑚𝑝𝑎𝑟, 𝑑2 = 𝑖𝑚𝑝𝑎𝑟, 𝑑3: 𝑝𝑎𝑟)
Los tres sumandos tienen la misma probabilidad y además los resultados de cada dado son
independientes, entonces se tiene:
𝑃(𝑋 = 1) = 3𝑃(𝑑1 = 𝑝𝑎𝑟)𝑃(𝑑2 = 𝑖𝑚𝑝𝑎𝑟)𝑃(𝑑3 = 𝑖𝑚𝑝𝑎𝑟) = 3 (1/2)3

a) Para determinar la varianza, primeramente hay que calcular E(X), así:

13 1 3 1 3 1 3
( )
𝐸 𝑋 = 0 ( ) + 1 [3 ( ) ] + 2 [3 ( ) ] + 3 [( )
2 2 2 2

3 3 3 3 3
y 𝐸(𝑋2) = 0 (1) + 1 [3 (1) ] + 4 [3 (1) ] + 9 [(1) ] = 24 [(1) ] = 3
2 2 2 2 2

Ahora, utilizando la siguiente expresión de la varianza: 𝑉(𝑋) = 𝐸(𝑋2) − (𝐸(𝑋))2, se

tiene:
3 2 12 − 9 3
𝑉(𝑋) = 3 − ( ) = =
2 4 4
Por tanto, la varianza de la variable X es ¾.

5/33
b) Si G es la variable aleatoria que representa la ganancia obtenida al jugar buscando pares,
entonces se puede expresar en función de X, teniendo en cuenta las siguientes situaciones:
1. Cuatro dólares se pagan por el juego (no se recupera, es una pérdida)
2. Por cada resultado par se gana dos dólares
Utilizando los dos numerales anteriores la variable G se escribe como: G=2X-4, ahora:
𝐸(𝐺) = 2𝐸(𝑋) − 4 = 2 (3) − 4 = −1 y 𝑉(𝐺) = 4𝑉(𝑋) = 4 (3) = 3
2 4

Se espera una ganancia negativa, lo que significa que después de realizar varios juegos es muy
probable que se pierda un dólar y se tiene una desviación típica de G igual a √3 = 1.73.

4.3.1. Actividad de autoevaluación

1) Un vendedor de automóviles recibe semanalmente un salario base de 500 dólares y una

cantidad X en cientos de dólares, que corresponden a una variable aleatoria discreta con
función de probabilidad definida por:

𝑃(𝑋 = 𝑥) = 𝑘𝑥+1 para X=0, 1, 2, 3, 4, 5.

3

a) Determine el valor de k para que P(X=x) sea una función de probabilidad.

b) Halle la función de distribución acumulada de X.
c) Determine el salario esperado para el vendedor e interprete este valor.

2) Una persona paga 2 dólares por jugar el juego de Pares. Este consiste en lanzar 3 veces
un dado, por cada par obtenido gana 2 dólares y por cada impar obtenido debe pagar 1
dólar. Determine la ganancia esperada del juego e interprete este valor.

3) Una persona paga 4 dólares por jugar el juego de Azules. Este consiste en sacar
sucesivamente, sin devolver, dos bolas de una canasta con 5 bolas blancas y 3 azules.
Por cada bola azul obtenida, gana 3 dólares. Sea X el número de bolas azules obtenidas
en las 2 extracciones.
a) Determine E(X).
b) Sea G la ganancia obtenida al jugar Azules. Exprese G en términos de X.
c) Determine la ganancia esperada del juego e interprete este valor.
d) Determine la varianza de X y de G.

4.4. Distribución binomial, hipergeométrica y Poisson

Toda variable aleatoria posee una distribución de probabilidad que describe su

comportamiento. Si la variable es discreta, es decir, si toma valores aislados dentro de un
intervalo, su distribución de probabilidad especifica todos los valores posibles de la variable
junto con la probabilidad de que cada uno ocurra.
En la práctica existen distribuciones de probabilidad teóricas, como son, por ejemplo, para
variables discretas, la distribución binomial, la de Poisson, y la hipergeométrica, entre otras.

6/33
4.4.1. Distribución binomial

Un experimento binomial es aquel que tiene las siguientes características:

1. El experimento consta de n pruebas idénticas.
2. Cada prueba tiene dos resultados posibles. Éxito (E) y Fracaso (F).
3. La probabilidad de tener éxito en una sola prueba es igual a p, y permanece constante
de prueba en prueba. La probabilidad de un fracaso es igual (1 - p) = q.
4. Las pruebas son independientes.
5. La variable aleatoria bajo estudio es X, el número de éxitos observados en las n pruebas.

Se puede obtener la distribución de probabilidad binomial P(x) aplicando la técnica de los

puntos muestrales para encontrar la probabilidad de que el experimento tenga x éxitos.
Cada punto muestral se puede denotar como una n-ada, utilizando E y F.

Un punto muestral típico aparecería así: EEEEFFEFFEFEEEFF … FE, donde la letra en la i-

ésima posición (contando de izquierda a derecha) indica el resultado de la i-ésima prueba.
Entonces reagrupando se tiene EEEEEEE…EEEFFF … FFFF es la intersección de las n pruebas
independientes, x éxitos y (n - x) fracasos y por lo tanto:

𝑝⏟𝑝𝑝 𝑝𝑝 𝑝 … 𝑝 𝑝 𝑝 𝑞⏟𝑞𝑞𝑞 … 𝑞 𝑞𝑞 = 𝑝𝑥𝑞𝑛−𝑥

Cualquier otro punto muestral aparecería como un rearreglo de las letras E y F en el punto
antes descrito y por esto contendrá x letras E y (n - x) letras F. Se observa que el número
de arreglos distintos de E y F es igual a:
(𝑛) = 𝑛!
𝑥 𝑥!(𝑛−𝑥)!

Por lo tanto, la función de probabilidad de una variable aleatoria con distribución binomial
está dada por:

𝐵(𝑥; 𝑛, 𝑝) = 𝑃(𝑋 = 𝑥) = (𝑥𝑛)𝑝𝑥𝑞𝑛−𝑥 para X = 0, 1, 2, … n

Ejemplo 4.5. Verificar que B(x; n, p) es una función de probabilidad.

Solución
Es evidente que se cumple que 𝑃(𝑋 = 𝑥) ≥ 0

Por otra parte,

𝑛 𝑛 𝑛 𝑛 𝑛
(𝑝 + 𝑞)𝑛 = ( ) 𝑝0𝑞𝑛 + ( ) 𝑝𝑞𝑛−1 + ( ) 𝑝2𝑞𝑛−2 + ⋯ + ( 𝑝𝑛−1 𝑞 + ( ) 𝑝 𝑛𝑞 0
)
0 1 2 𝑛−1 𝑛

Como p + q = 1, entonces:

∑𝑛𝑥=0 𝑃(𝑋 = 𝑥) = ∑𝑛𝑥=0 (𝑛𝑥)𝑝𝑥𝑞𝑛−𝑥 = (𝑝 + 𝑞)𝑛 = 1

7/33
Con este último resultado se verificar que B(x; n, p) es una función de probabilidad.

Propiedades:
1) El valor esperado de una variable aleatoria binomial están dado por: E(X)=np
2) La varianza de una variable aleatoria binomial están dado por: V(X)=npq

Ejemplo 4.6. Se sabe que el 5% de los libros que se prestan en una biblioteca escolar se
devuelven con retraso. Se realiza el experimento que consiste en observar si la devolución
de 5 libros se hace con retraso o no.
a) Determinar la función de probabilidad.
b) Calcular la función de distribución
c) Hallar la media y la varianza.
Solución.

Sea X = Número de devoluciones con retraso, X = 0, 1, 2, 3, 4, 5.

a) El Modelo o función de probabilidad es:

𝐵(𝑥; 𝑛 = 5, 𝑝 = 0.05) = 𝑃(𝑋 = 𝑥) = (𝑥5)(0.05)𝑥(0.95)5−𝑥 para X= 0, 1, 2, 3, 4 y 5

b) La función de distribución está dada por:

0 𝑆𝑖 𝑥 < 0
0.77380 Si 0 ≤ x < 1
0.97740 Si 1 ≤ x < 2
𝐹(𝑥) = 0.99884 Si 2 ≤ x < 3
0.99997 Si 3 ≤ x < 4
0.99999 Si 4 ≤ x < 5
{ 1 Si x ≥ 45

Se ilustra el cálculo de uno de los valores de F(x), para 1 ≤ x < 2 se tiene F(x) = 0.97740,
este valor se obtiene realizando las siguientes operaciones:
F(x) =5P(X < 2) = P(X = 0) + P(X = 1) =
5
= ( ) 0.05 0.95 ( )( )5−1 = (0.95)5 + 5(0.05)(0.95)4 = 0.9774
( 0 5−0) + ( ) 0.05 0.95
0 1
( )
El resto de valores de la función de distribución se obtiene de forma análoga.

c) La media y la varianza:

𝜇 = 𝑛𝑝 = 5(0.05) = 0.25 y 𝜎2 = 𝑛𝑝𝑞 = 5(0.05)(0.95) = 0.2375

8/33
 Ejemplo 4.7. De una urna con 8 bolas blancas y 2 bolas rojas se extraen al azar 3 bolas
consecutivas con reposición.
a) Calcúlese la probabilidad de que 2 de las bolas extraídas sean blancas.
b) Calcúlese la probabilidad de que, como máximo, una sea blanca.
c) Calcúlese la probabilidad de que al menos dos sean blancas
d) Calcúlese el beneficio esperado y la varianza del beneficio si cada bola blanca tiene
un premio de $ 10 y cada bola roja una penalización de 20.

Solución:

Sea X: Número de bolas blancas, entonces los valores que toma X son 0, 1, 2 y 3.
La probabilidad de que aparezca una bola blanca es p = 8/10 = 4/5 y una bola negra es q =
2/10 = 1/5, como las extracciones son con reposición p y q son constantes. Además, el
resultado de cada extracción es independiente uno del otro, por tanto, el experimento es
binomial.
a) 𝑃(𝑋 = 2) = (32)(4/5)2(1/5) = 3(4/5)2(1/5)=0.384
b) La probabilidad de que, como máximo, una sea blanca es:
𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = (3)(4/5)0(1/5)3 + (3)(4/5)(1/5)2 =0.104
0 1
c) La probabilidad de que al menos dos sean blancas es:
𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = (3)(4/5)2(1/5) + (3)(4/5)3(1/5)0 =0.896
2 3
d) La ganancia se define como:
G= 10X- 20(3-X) = 10X+20X-60= 30X-60
Recordar que: 𝐸(𝑋) = 𝑛𝑝 = 3 (4) = 2.4 y 𝑉(𝑋) = 𝑛𝑝𝑞 = 3 (4) (1) = 0.48. Ahora,
5 5 5

𝐸(𝐺) = 30𝐸(𝑋) − 60 = 30(2.4) − 60 = 12 y 𝑉(𝐺) = 302𝑉(𝑋) = 302(0.48) = 432.

Finalmente, se verifica la reproductividad respecto del parámetro n; es decir, si

𝑋1, 𝑋2, 𝑋3 … 𝑋𝑚 son variables aleatorias independientes tales que: 𝑋1 ≅ 𝐵(𝑛1, 𝑝) 𝑋2 ≅
𝐵(𝑛2, 𝑝) … , 𝑋𝑚 ≅ 𝐵(𝑛𝑚, 𝑝), entonces 𝑋1 + 𝑋2 + 𝑋3 + ⋯ +𝑋𝑚 ≅ 𝐵(𝑛1 + 𝑛2 + ⋯ +
𝑛𝑚, 𝑝) .

Actividad de autoevaluación
1) Un agente de seguros vende pólizas a 5 individuos, todos de la misma edad. Si la
probabilidad de que un individuo con esa edad viva 30 años más es 0.6, calcúlese la
probabilidad de que dentro de 30 años vivan los 5, vivan al menos 3, vivan 2, vivan no
más de 3, vivan no más de 4.
2) Un juego de feria consiste en lanzar un dado equilibrado que en sus caras tiene dos ases
y cuatro reyes. El dado se lanza cuatro veces, y se gana la muñeca si se obtienen al menos
tres reyes.
a) Calcúlese la probabilidad de ganar la muñeca.
b) Si juegan tres personas con las mismas reglas, una después de otra, calcúlese la
probabilidad de que ganen dos de ellas, la probabilidad de que ganen al menos dos
de ellas y la probabilidad de que gane al menos una.

9/33
 3) La probabilidad de que un individuo tenga nivel de renta bajo es 0.5, la probabilidad de
que tenga nivel de renta medio es 0.3 y la probabilidad de que tenga nivel de renta alto
0.2. Si se seleccionan al azar 5 individuos, calcular:
a) Probabilidad de que los 5 tengan nivel de renta bajo.
b) Probabilidad de que al menos 4 no tengan nivel de renta bajo.
c) Probabilidad de que a lo sumo 3 no tengan nivel de renta alto.
d) Probabilidad de que 3 tengan nivel de renta medio.
e) Probabilidad de que no más de tres tengan nivel de renta medio.
4) La impresora principal del centro de cómputo de cierta universidad funciona
adecuadamente el 90% del tiempo. Si se toma una muestra aleatoria de 10 inspecciones.
¿Cuál es la probabilidad de que la impresora principal funcione en forma apropiada
a) exactamente nueve veces?
b) por lo menos nueve veces?
c) cando más 9 veces?
d) más de 9 veces?
e) menos de 9 veces?
f) ¿Cuántas veces se puede esperar que funcione en forma apropiada la impresora
principal?
5) La probabilidad de que un estudiante obtenga el Diplomado en Matemática es 0.8.
Hallar la probabilidad de que su grupo de trabajo que consta de 8 estudiantes
matriculados
a) Ninguno de los ocho finalice el postgrado.
b) Finalicen todos
c) Al menos 3 finalicen
d) Hallar el valor esperado y la varianza del número de alumnos que finalizan el
postgrado.

6) La probabilidad de que un hombre acierte en el blanco es 1/4. Si dispara 10 veces ¿cuál

es la probabilidad de que acierte exactamente en tres ocasiones? ¿Cuál es la
probabilidad de que acierte por lo menos en una ocasión?

7) Se siembran cuatro variedades (A, B, C y D) de una planta, encontrándose las semillas

en las siguientes proporciones: el 96% de la variedad A, el 1% de la B y el 1% de la D. El
poder de germinación (porcentaje de semillas que germinan sobre el total sembrado)
es del 50% en la variedad A, el 15% en la B, una de cada 5 en la C y el 5% en la D.
Determínese la probabilidad de que germine una semilla elegida al azar. Si se han
sembrado 2500 semillas, determínese la media del número de semillas que no
germinan.

4.4.2. Distribución de Poisson

Una variable del tipo Poisson cuenta éxitos (es decir, objetos de un tipo determinado) que
ocurren en una región del espacio o del tiempo. En este tipo de experimentos los éxitos

10/33
buscados son expresados por unidad de área, tiempo, pieza, etc. Algunos ejemplos de
experimentos de Poisson: Número de defectos de una tela por metro cuadrado, número de
aviones que aterrizan en un aeropuerto por día, hora, minuto, número de bacterias por
centímetro cuadrado de cultivo, número de llamadas telefónicas a un conmutador por hora,
minuto, número de llegadas de embarcaciones a un puerto por día, mes, número de clientes
que llegan a un banco por hora, día, semana, etc.

El experimento que genera una variable aleatoria de Poisson debe cumplir las siguientes
condiciones:
1) El número de éxitos que ocurren en un tiempo determinado o espacio es
independiente de lo que ocurra en cualquier otro tiempo o espacio diferente del
anterior.
2) La probabilidad de un éxito en un tiempo o espacio pequeño es proporcional al
tamaño de este y no depende de lo que ocurra fuera de él.
3) La probabilidad de encontrar uno o más éxitos en un tiempo determinado o espacio
tiende a cero a medida que se reducen las dimensiones de la región en estudio.

La distribución de Poisson surge de un modo natural como límite de la distribución binomial,

cuando el número de ensayos es grande y la probabilidad de éxito pequeña. A esta
distribución se le da el nombre de ley de los sucesos raros, dado que permite modelar
sucesos que ocurren con una probabilidad pequeña.

Se dice que una variable aleatoria X sigue una distribución de Poisson y se representa por
𝑋~𝑃(𝜆), si su función de probabilidad viene dada por:

−𝜆𝜆𝑘
𝑃(𝑋 = 𝑘) = 𝑒 para k= 0, 1, 2, ….
𝑘!

siendo 𝜆 un parámetro positivo que representa tanto la media como la varianza, es decir,
𝐸(𝑋) = 𝜆 = 𝑉(𝑋).

La distribución de Poisson se puede considerar como el límite al que tiende la distribución

binomial cuando n tiende a ∞ y p tiende a 0, siendo np constante (y menor que 7); en esta
situación sería difícil calcular probabilidades en una variable binomial y, por tanto, se utiliza
una aproximación a través de una variable Poisson con media 𝜆 = 𝑛𝑝.

Propiedad: La suma de variables Poisson independientes es otra Poisson con media igual a
la suma las medias.

Ejemplo 4.8. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin
fondos en cualquiera de dos días consecutivos?

11/33
 Solución.
En este ejemplo se tiene la variable tiempo y se cuenta el número de cheques sin fondos por
unidad de tiempo (días), estas son características importantes de una variable de Poisson.

a) Sea X = el número de cheques sin fondo que llegan al banco en un día cualquiera (X= 0, 1,
2, 3, …) y 𝜆 = 6 cheques sin fondo por día.

𝑒−664
𝑃 (𝑋 = 4, 𝜆 = 6 ) = = 0.13385
4!

b) Para resolver este literal se toma en cuenta que el número de cheques sin fondo que llegan
un día son independiente del número de cheques sin fondo que llegan el siguiente día.
Además, hay que considerar la reproductividad de la suma de variables de Poisson (dos
días).
Sea Y = el número de cheques sin fondo que llegan al banco en dos días consecutivos (Y= 0,
1, 2, 3, …) y 𝜆 = 6 ∗ 2 = 12 cheques sin fondo que llegan al banco en dos días consecutivos.

𝑒−12 1210
𝑃 (𝑌 = 10, 𝜆 = 12) = = 0.10484
10!

Ejemplo 4.9. El número promedio de automóviles que se detienen por minuto para poner
gasolina en cierta gasolinera de la ciudad de San Salvador es 1.2. ¿Cuál es la probabilidad de
qué en determinado minuto se detengan:
a) Menos de dos automóviles
b) Más de tres automóviles
c) Al menos dos automóviles
Solución.
Sea X: Número de automóviles que se detienen en la gasolinera por minuto, por tanto,
𝑋~𝑃(𝜆 = 1.2).

a) En términos de probabilidad se representa:

( ) ( ) ( 𝑒−1.21.20 𝑒−1.21.2
𝑃 𝑋 < 2 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1) = + = 0.6626
0! 1!

b) 𝑃(𝑋 > 3) = 1 − 𝑃(𝑋 ≤ 3) = 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3)]

𝑒−1.21.22
= 1 − 0.6626 − [𝑃 (𝑋 = 2) + 𝑃(𝑋 = 3)] = 0.3374 − = 0.0338
2!
c) 𝑃(𝑋 ≥ 2) = 1 − 𝑃(𝑋 < 2) = 1 − 0.6626 = 0.3374

Es importante tener presente al cálculo de la probabilidad del complemento, tal como se utilizó
en el literal b) y c).

12/33
Ejemplo 4.10. El número medio de carros que llegan a una gasolinera cada hora es 120.
Si la gasolinera puede atender a un máximo de 2 carros/minuto, calcúlese la
probabilidad de que en un minuto dado lleguen más carros de los que puede atender.
Solución.
Observe que las unidades de tiempo están en horas y también en minutos, por tanto
hay que homogenizar, por ejemplo, pasar horas a minutos, esto es 120 vehículos por
hora es equivalente a 2 vehículos por minuto.

Sea X: Número de carros que llegan a la gasolinera por minutos, entonces 𝑋~𝑃(𝜆 = 2)
La probabilidad buscada es:

𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2) = 1 − (𝑋 = 0) − 𝑃(𝑋 = 1) − (𝑋 = 2) =

−220 −221 −222
=1− 𝑒 −𝑒 −𝑒 = 1-5𝑒−2 = 0.3233
0! 1! 2!

Propiedad (Aproximación de la Binomial a la de Poisson): Si 𝑋 ≅ 𝐵(𝑛, 𝑝) donde n tiende

a infinito, p tiende a cero y el producto 𝜆 = 𝑛𝑝 permanece constante, la distribución
binomial tiende a la de Poisson con parámetro 𝜆 = 𝑛𝑝.
−𝜆𝜆𝑘
𝑃(𝑋 = 𝑘) = (𝑛)𝑝𝑘𝑞𝑛−𝑘 ≈ 𝑒
𝑘 𝑘!

Se sugiere utilizar esta aproximación si: p < 0.1 y np < 10.

Actividad de autoevaluación

1) Una pizarra telefónica recibe 480 llamadas en una hora, pero no puede recibir más de
12 llamadas en un minuto. Determine:
a) La probabilidad de que se produzcan 10 llamadas en un minuto.
b) La probabilidad de que la pizarra quede saturada en medio minuto (30 segundos).
c) La probabilidad de que se produzcan a lo sumo 1 llamada en un minuto dado.
d) La probabilidad de que se produzcan más de 2 llamadas en un minuto.
e) El número de llamadas esperadas en cinco minutos.
2) El número de mensajes recibidos por el tablero de la computadora de anuncios es una
variable aleatoria de Poisson con una razón media de ocho mensajes por hora. ¿Cuál es
la probabilidad de que se reciban cinco mensajes por una hora?
3) Si ya se conoce que solo el 3% de los alumnos de Sociales son muy inteligentes ¿calcular
la probabilidad de que si tomamos 100 alumnos al azar 5 de ellos sean muy inteligentes?
4) El número medio de automóviles que llegan, a un taller es de 120 por hora.
a) Calcular la probabilidad de que en un minuto cualquiera no llegue automóvil alguno.
b) Calcular la probabilidad de que en el período de 3 minutos lleguen más de 5
automóviles.

13/33
 c) Si el taller puede atender a un máximo de 3 automóviles en 30 segundos, calcular la
probabilidad de que en un medio minuto dado lleguen más automóviles de los que
puede atender.
5) Un estudio de un inventario determina que, en promedio, el número de veces al día que
se solicita un artículo específico en un almacén es 5. ¿Cuál es la probabilidad de que en
un día determinado este artículo se pida
a) Más de 5 veces
b) Ninguna vez
6) En cierto cruce de calle ocurren, en promedio, 3 accidentes de tránsito. ¿Cuál es la
probabilidad de que en cualquier determinado mes en este cruce
a) ocurran exactamente 5 accidentes?
b) ocurran menos de 3 accidentes?
c) ocurran al 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. ¿Cuál es la probabilidad de que en la siguiente
página cometa
a) 4 o más errores?
b) ningún error?
8) Un líquido contiene cierta bacteria con un promedio de 3 bacterias por cm3, calcular la
probabilidad de que en una muestra,
a) de 1/3 de cm3, no contenga bacteria alguna
b) de 2cm3, contenga por lo menos una bacteria.
9) Suponga que el número de accidentes de trabajo que se producen por semana en una
fábrica sigue la ley de Poisson de manera que la probabilidad de que ocurran 2
accidentes es igual a 3/2 de la probabilidad de que ocurra un accidente. Calcular la
probabilidad de que no ocurran accidentes en 2 semanas consecutivas.

10) Un banco atiende todos los días de 8am a 4pm y se sabe que el número de clientes por
día que van a solicitar un préstamo por más de $10,000 tiene una distribución de Poisson
con una media de 3 clientes por día.
a) ¿Cuál es la probabilidad de que hasta el mediodía no se haya producido una solicitud
de préstamo por más de $10,000?
b) En cuatro días, ¿cuál es la probabilidad de que en dos de los días hasta el mediodía
no se haya producido una solicitud de préstamo por más de $10,000.

11) Suponga que, en promedio, una persona en 1000 comete un error numérico al preparar
su declaración de impuestos. Si se seleccionan 10,000 formas al azar y se examinan,
calcule la probabilidad de que 6, 7 u 8 de las formas contengan un error.

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, calcule la probabilidad de que menos de 5 no
pasen la prueba; de que 8, 9 o 10 no pasen la prueba.

14/33
 13) Se supone que el número de clientes que llegan por hora a ciertas instalaciones de
servicio automotriz sigue una distribución de Poisson con media 𝜆 = 7.
a) Calcule la probabilidad de que lleguen más de 10 clientes en un periodo de dos
horas.
b) ¿Cuál es el número medio de llegadas durante un periodo de 2 horas?

14) Cierta panadería dispone de una masa con frutas confitadas para hacer 200 panetones.
Agrega 2,000 pasas de uvas a la masa y la mezcla bien. Suponga que el número de pasas
es una variable aleatoria de Poisson con un promedio de 10 pasas por panetón.
a) Calcular la probabilidad de que un panetón elegido al azar no contenga ninguna
pasa.
b) ¿Cuántos panetones se espera que contengan 6 pasas?
c) Suponga que en tal producción hay 15 panetones que a lo sumo tienen 6 pasas, si
un cliente adquiere 5 panetones, ¿cuál es la probabilidad de que dos tengan más de
seis pasas?

4.4.3. Distribución Hipergeométrica

Esta distribución de probabilidad surge de manera natural en el control de calidad donde es

necesario seleccionar muestras de lotes de cierto producto para determinar la calidad del
mismo, el experimento hipergeométrico consiste en escoger al azar una muestra de tamaño n,
uno a uno sin reposición, de N elementos o resultados posibles, donde k de los cuales pueden
clasificarse como éxitos, y N-k restantes como fracasos.

El número X de éxitos de un experimento hipergeométrico se denomina variable aleatoria

hipergeométrica. En consecuencia, la distribución de probabilidad de la variable
hipergeométrica se conoce como distribución hipergeométrica, y sus valores se denotan con
h(x;N,n,k), ya que dependen del número de éxitos k en el conjunto N del que seleccionamos n
elementos.
Función Hipergeométrica.

El número total de muestras de tamaño n elegidas de N elementos es (𝑛𝑁). Se supone que

estas muestras tienen la misma probabilidad. Hay (𝑥𝑘) formas de seleccionar x éxitos de los
k disponibles, y para cada una de estas formas podemos elegir n-x fracasos en (𝑛−𝑥
𝑁−𝑘) formas.

De esta manera, el número total de muestras favorables entre las (𝑁𝑛) muestras posibles,
está dado por (𝑘)(𝑁−𝑘). Por lo tanto, la función de probabilidad de una variable aleatoria
𝑥 𝑛−𝑥
hipergeométrica está dada por:

(𝑘)(𝑁−𝑘)
𝑛−𝑥
ℎ(𝑥; 𝑁, 𝑛, 𝑘) = 𝑃(𝑋 = 𝑥) = 𝑥
(𝑁 )
para X= 0, 1, 2, …, min(n,k)
𝑛

15/33
 Por lo general cuando k (el número de éxitos) como N-K (el número de fracasos) son mayores
que el tamaño de la muestra n, el rango de una variable aleatoria hipergeométrica será X =
0, 1, 2, ..., n.

Ejemplo 4.11. De un lote de 10 misiles, se seleccionan 4 al azar y se disparan. Si el lote

contiene 3 misiles defectuosos que no pueden dispararse, ¿cuál es la probabilidad de que
a) los 4 puedan dispararse?
b) a lo sumo fallen 2?

Solución.
Sea X: El número de misiles defectuosos, entonces la función de probabilidad de X es:

(3)( 7 )
𝑃(𝑋 = 𝑥) = 𝑥
(10
4−𝑥
)
para X = 0, 1, 2, 3.
4

Ahora, es fácil responder cada uno de los literales.

a) Probabilidad de que los 4 misiles puedan dispararse, es equivalente a que ninguno sea
defectuoso:
(3)( 7 )
𝑃(𝑋 = 0) = 0 104−0 = 0.1666
(4)

b) Probabilidad de que a lo sumo fallen 2.

(3)( 7 ) 29
𝑃(𝑋 ≤ 2) = 1 − 𝑃(𝑋 = 3) = 1 − 3 4−3 = 1− = 0.9666
(10
4
) 30

Ejemplo 4.12. En una compañía se distribuyen lotes con 40 componentes, cada lote que
contengan 3 o más defectuosos se consideran inaceptables. El procedimiento para obtener
muestras del lote consiste en seleccionar 5 componentes al azar y rechazar el lote si se
encuentra un componente defectuoso.
a) Determinar la función de probabilidad
b) ¿Cuál es la probabilidad de que en la muestra, se encuentre exactamente un
componente defectuoso, si en todo el lote hay 3 defectuosos?

Solución.
Datos:
N=40 tamaño del lote, k=3 el total de artículos defectuosos y n=5 artículos que se
seleccionan del lote.
a) Función de probabilidad. Sea X: el número de artículos defectuosos seleccionados.

(3)( 37 )
𝑃(𝑋 = 𝑥) = 𝑥
(40
5−𝑥
)
para X = 0, 1, 2, 3.
5

16/33
 b) Cálculo de P(X=1)

(3)( 37 )
𝑃(𝑋 = 1) = 1 5−1 = 0.3011
40
(5)

Media y Varianza de la distribución hipergeométrica están dada por:

𝐸(𝑋) = 𝑛𝑘 𝑁−𝑛 𝑛𝑘 𝑘
y 𝑉(𝑋) = ( ) (1 − )
𝑁 𝑁−1 𝑁 𝑁

Se presenta el procedimiento para el cálculo de la media:

𝑛 𝑛 𝑘! 𝑛 𝑘(𝑘 − 1)!
(𝑥𝑘)(𝑁−𝑘
𝑛−𝑥
) (𝑁−𝑘
𝑛−𝑥
) (𝑁−𝑘
𝑛−𝑥
)
𝐸(𝑋) = ∑ 𝑥 𝑁
= ∑ 𝑥 𝑁 = ∑ 𝑥 𝑁
( 𝑛) 𝑥! (𝑘 − 𝑥)! ( 𝑛) 𝑥(𝑥 − 1)! (𝑘 − 𝑥)! ( 𝑛)
𝑥=0 𝑥=0 𝑥=1

𝑛 𝑛 𝑘−1 𝑁−𝑘 𝑛 𝑘−1 𝑁−𝑘

(𝑘−1 )(𝑁−𝑘)
𝑥−1 𝑛−𝑥
( 𝑥−1)( 𝑛−𝑥) 𝑛𝑘 (𝑥−1 )( 𝑛−𝑥 ) 𝑛𝑘
=𝑘∑ = 𝑘 ∑ 𝑁 𝑁−1 = 𝑁 ∑ =
(𝑁𝑛) ( ) (𝑁−1
𝑛−1
) 𝑁
𝑥=1 𝑥=1 𝑛 𝑛−1 𝑥=1

Por tanto, se verifica que 𝐸(𝑋) = 𝑛𝑘

𝑁

Para obtener la varianza se utiliza que 𝑉(𝑋) = 𝐸(𝑋2) − (𝐸(𝑋))2 y que 𝐸(𝑋2) =
𝐸(𝑋(𝑋 − 1)) + 𝐸(𝑋) luego se utiliza un procedimiento análogo al cálculo de E(X).

Ejemplo 4.13. Retomando el ejemplo XXXX donde la compañía distribuyen lotes con 40
componentes. Calcule la media y la varianza de dicho ejemplo.

Solución.
Se tiene que 𝐸(𝑋) = 𝑛𝑘 y n=5, k=3 y N=40, entonces,
𝑁
5(3) 3
𝐸(𝑋) = = = 0.375
40 8

La varianza viene dada por: 𝑉(𝑋) = 𝑁−𝑛 (𝑛𝑘) (1 − 𝑘 ) entonces,

𝑁−1 𝑁 𝑁

40 − 5 3 3
𝑉(𝑋) = ( ) (1 − ) = 0.3113
40 − 1 8 40

Actividad de autoevaluación.

1) Para evitar la detección en la aduana, un viajero coloca 6 comprimidos con narcóticos en

una botella que contiene 9 píldoras de vitamina que aparentemente son similares. Si el

17/33
 oficial de la aduana selecciona 3 de las tabletas al azar para su análisis, ¿cuál es la
probabilidad de que el viajero sea arrestado por posesión ilegal de narcóticos?

2) Se selecciona al azar un comité de 3 personas a partir de 4 médicos y 2 enfermeras. Escriba

una fórmula para la función de probabilidad de la variable aleatoria X que representa el
número de médicos en el comité. Calcule 𝑃(2 ≤ 𝑋 ≤ 3).

3) Una compañía recibe semanalmente un embarque de 500 artículos de cierto tipo. La

compañía controla la calidad de cada embarque probando 10 artículos escogidos al azar uno
por uno y sin reposición; rechaza el embarque si más de uno de los artículos probados no
cumplen las especificaciones. Se sabe que cada embarque semanal contiene 90% de
artículos que cumplen las especificaciones. Sea X el número de artículos en la muestra que
no cumplen las especificaciones.
a) Escriba la función de probabilidad de la variable aleatoria
b) ¿Con qué probabilidad se rechaza cualquier embarque semanal?
c) Si el costo de la inspección semanal en dólares está dado por: C = 2 + 4 X + X 2. Calcular
el costo esperado por inspección.

18/33