FACULTAD DE CIENCIAS EXACTAS Y NATURALES

Algunos modelos de probabilidad

4 de marzo de 2019

Algunas distribuciones discretas

Cuando una variable aleatoria toma un número finito o infinito numerable de valores, se dice que es una variable
aleatoria discreta.

Distribución uniforme discreta

El primer modelo probabilístico que se estudia es el uniforme discreto, que consiste en distribuir a partes iguales
la masa de probabilidad entre un número finito de valores.
Decimos que una variable aleatoria X tiene una distribución uniforme discreta sobre el conjunto de N números
1
{x1 , x2 , . . . , xN } si la probabilidad de que X tome cualquiera de estos valores es constante . Esta distribución
N
surge en espacios de probabilidad equiprobables, esto es, en situaciones en donde tenemos N resultados diferentes
y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de lotería son un ejemplo donde puede aplicarse
esta distribución de probabilidad. También, cuando se observa el número obtenido tras el lanzamiento de un dado
“legal”, los valores posibles siguen una distribución uniforme discreta en {1, 2, 3, 4, 5, 6}, y la probabilidad de cada
1
cara es .
6
Definición 1.
Se dice que una variable aleatoria X tiene distribución uniforme discreta de parámetro N , con N ∈ Z+ , denotada
d
X = U{1, 2, . . . , N }, si su función de masa de probabilidad está dada por:

 1 , si x = 1, 2, . . . , N
f (x) = P (X = x) = N
0, e. o. c.

La función de distribución de una variable aleatoria X con distribución uniforme discreta está dada por:


 0, si x<1
 1
N, si 1≤x<2




2,

si 2≤x<3

N
F (x) = . ..
..
 .


N −1
N , si N −1≤x<N





1, si x ≥ N.


Propiedad 1.
d
Si X = U{1, 2, . . . , N }, entonces

N +1 N 1
1. E[X] = . ekt .
P
3. mX (t) =
2 k=1 N

N 1
N2 − 1 4. ϕX (t) =
P
eikt .
2. V ar(X) = .
12 k=1 N

1
Distribución Binomial
Consideremos un experimento que sólo puede presentar 2 posibles resultados que llamaremos éxito (si ocurre el
evento de interés) o fracaso (en caso contrario). Las probabilidades de estos eventos suelen denotarse por p = P (éxito)
y q = 1 − p = P (fracaso). Este tipo de experimento se conoce como ensayo de Bernoulli.
Si el experimento se repite n veces siempre en las mismas condiciones, entonces cada una de estas realizaciones
es independiente de las demás y la probabilidad de éxito, p, permanece constante.
El proceso de Bernoulli debe cumplir con las siguientes propiedades:

1. El experimento consiste en n intentos repetidos.

2. Los resultados de cada uno de los intentos pueden clasificarse como un éxito o como un fracaso.
3. La probabilidad de éxito, representada por p, permanece constante para todos los intentos.
4. Los intentos repetidos son independientes.

Definición 2.
d
Se dice que una variable aleatoria X tiene distribución binomial de parámetros n y p, denotada X = B(n, p), si su
función de masa de probabilidad está dada por:
 
 n px (1 − p)n−x , si x = 0, 1, 2, . . . , n
f (x) = P (X = x) = x ,
0, en otro caso


donde n es un entero positivo y 0 < p < 1.

La variable aleatoria binomial X determina el número de éxitos en n ensayos independientes.

Un caso particular de la distribución binomial es cuando n = 1. Esta distribución suele denominarse Bernoulli
de parámetro p, Be(p) = B(1, p).
La Figura muestra la gráfica de la función de masa de probabilidad de una variable aleatoria X con distribución
binomial de parámetros n = 20 y p = 0,4.

Función de masa de probabilidad B(20,0.4)

0.15
0.10
P(X=x)

0.05
0.00

5 10 15

Figura 1:

Propiedad 2.
d
Las distribuciones binomiales son reproductivas de parámetro n, es decir, dadas dos variables aleatorias X = B(n1 , p)
d d
e Y = B(n2 , p) independientes, se cumple X + Y = B(n1 + n2 , p).
d
A partir de este resultado es inmediato que una variable aleatoria X = B(n, p) puede descomponerse en una
suma de n variables aleatorias independientes de Bernoulli de parámetro p.

2
 La función de distribución de una variable aleatoria X con distribución Binomial de parámetros n y p, viene
dada por 
0,x   si x < 0


 P n k n−k
F (x) = p q , si 0 ≤ x < n

 k=0 k

1, si x ≥ n.
La Figura muestra la gráfica de la función de distribución acumulativa de una variable aleatoria X con distri-
bución binomial de parámetros n = 8 y p = 0,6.

Función de distribución acumulativa B(8,0.6)

1.0

● ●

●
0.8

●
0.6
F(x)

0.4

●
0.2

●
0.0

0 2 4 6 8

Figura 2:

A continuación se presentan las propiedades más importantes de la distribución binomial.

Propiedad 3.
Sea X es una variable aleatoria con distribución binomial de parámetros n y p. Entonces:

1. E[X] = np. 3. mX (t) = (pet + q)n .

2. V ar[X] = npq, donde q = 1 − p. 4. ϕX (t) = (peit + q)n .

Ejemplo 1.
La probabilidad de éxito de un medicamento para aliviar el dolor de cabeza es 0,89. Si 15 pacientes toman el
medicamento, ¿cuál es la probabilidad de que ninguno siga con el dolor de cabeza?
Solución.
Sea X la variable aleatoria que denota el número de pacientes en lo que tendrá éxito el medicamento. Deseamos
calcular la probabilidad de que ninguno siga con dolor de cabeza, que es lo mismo que decir que el medicamento
tenga éxito en los 15 pacientes, esto es, P (X = 15).
d
De acuerdo con los datos del problema se tiene que X = B(15, 0,89), entonces la probabilidad pedida es:
 
15
P (X = 15) = (0,89)15 (0,11)0 ≈ 0,174.
15
La probabilidad de que ninguno de los quince pacientes sufra de dolor de cabeza después de tomado el medica-
mento es de 0,174.
Ejemplo 2.
Suponga que para personas de determinada edad, la probabilidad de que mueran por una enfermedad transmitible
es 0,001. Si 356 personas de este grupo están expuestas a la enfermedad. ¿Cuál es la probabilidad de que a lo más
una persona muera a causa de la enfermedad?

3
Solución.
Sea X la variable aleatoria que denota el número de muertes que ocurren entre las 356 personas expuestas a la
enfermedad. Deseamos hallar P (X ≤ 1).
d
De acuerdo con los datos del problema se tiene que X = B(356, 0,001), entonces la probabilidad pedida es:
   
356 0 356 356
P (X ≤ 1) = P (X = 0) + P (X = 1) = (0,001) (0,999) + (0,001)(0,999)355 ≈ 0,95.
0 1

Ejemplo 3.
Con base en encuestas al consumidor se sabe que la preferencia de éste respecto a dos marcas A y B de un producto
dado se encuentra muy pareja. Si las opciones de compra entre estas marcas son independientes. ¿Cuál es la
probabilidad de que entre 25 personas seleccionadas al azar, no más de diez tengan preferencia por la marca A?
Solución.
Sea X la variable aleatoria que denota el número de personas que prefieren la marca A. De acuerdo con la información
d
dada en el problema se tiene que X = B(25, 1/2). Deseamos hallar P (X ≤ 10).
Por lo tanto,
10  
X 25
P (X ≤ 10) = (1/2)k (1/2)25−k ≈ 0,2122.
k
k=0

Ejemplo 4.
De una población de animales, se sabe que el 60 % son machos. Si se extrae un conjunto de 10 animales, ¿cuál es
la probabilidad de que en ese conjunto haya 7 hembras?
Solución.
d
Sea X = “Número de hembras en un conjunto de 10 animales”, se ve claramente que X = B(10, 0,4).
La probabilidad de que haya 7 hembras es:
 
10
P (X = 7) = (0,4)7 × (0,6)3 = 0,0425.
7

Ejemplo 5.
En una urna hay 20 balotas, 5 negras y el resto verdes. Se elige una balota al azar y el proceso se repite ocho veces,
devolviendo la balota a la urna después de sacarla. Determine cuantas balotas negras se espera que salgan una vez
realizado el proceso y calcule la desviación estándar.

Solución.
Sea X la variable aleatoria que denota el número de balotas negras que salgan una vez realizado el proceso. De
d p
acuerdo con la información dada en el problema se tiene que X = B(8, 1/4). Deseamos hallar E(X) y V ar(X).
Por lo tanto,
r r
1 p p 1 3 3
E(X) = np = 8 × = 2 y V ar(X) = np(1 − p) = 8 × × = = 1,225.
4 4 4 2
Se espera que se saquen 2 balotas negras, con una desviación 1,225.
Ejemplo 6.
La probabilidad de que un estudiante obtenga el título de matemático es 0,25. Si se matriculan 40 estudiantes
determine el valor esperado y la desviación estándar de los estudiantes que se gradúan.
Solución.

4
Sea X la variable aleatoria que denota el número de estudiante que obtenga el título de matemático. De acuerdo
d p
con la información dada en el problema se tiene que X = B(45, 0,25). Deseamos hallar E(X) y V ar(X).
Por lo tanto,
p p p p
E(X) = np = 40 × 0,25 = 10 y V ar(X) = np(1 − p) = 40 × 0,25 × 0,75 = 7,5 = 2,74.
Se espera que se gradúen 10 estudiantes, con una desviación de 2,74.
Ejemplo 7.
Un catador de vinos afirma que el 90 % de las veces puede distinguir entre un vino fino y uno corriente con sólo
degustar un sorbo. Para comprobar su afirmación, se le aplicará una pequeña prueba: degustar 9 muestras de vino
y decidir en cada caso si se trata de vino fino o corriente. El criterio para aceptar su afirmación es que si acierta
por lo menos en 6 muestras se aceptará su afirmación, y en caso contrario se rechazará como falsa. Determine
la probabilidad de si el sujeto no conoce nada de vinos y sólo está adivinando, logre pasar esa prueba. Calcule la
probabilidad de aun suponiendo que es cierto lo que afirma (que es capaz de acertar el 90 % de las veces), no logre
pasar la prueba.
Solución.
Sea X = “Número de veces que el catador distingue entre un vino fino y uno corriente con sólo degustar un sorbo”,
d
se ve claramente que X = B(9, 0,9).
La probabilidad de que es cierto lo que afirma el catador es:
       
9 9 9 9
P (X ≥ 6) = (0,9)6 × (0,1)3 + (0,9)7 × (0,1)2 + (0,9)8 × (0,1)1 + (0,9)9 × (0,1)0 = 0,9917.
6 7 8 9
Ahora bien, la probabilidad de que no logre pasar la prueba es:
P (X < 6) = 1 − P (X ≥ 6) = 1 − 0,9917 = 0,0083.

Ejemplo 8.
Un examen tiene 20 preguntas y cada una tiene 4 opciones como respuesta, siendo solamente una de ellas la correcta.
Si un estudiante contesta cada pregunta al azar, ¿cuál es la probabilidad de que apruebe el examen?
Solución.
Si X denota el número de preguntas contestadas correctamente, entonces X tiene distribución B(n, p) con n = 20
1
y p = . Suponiendo que la calificación mínima aprobatoria es 12, entonces la respuesta es
4
20  
X 20
P (X ≥ 12) = (0,25)k (0,75)20−k
k
k=12
     
20 20 20
= (0,25)12 (0,75)8 + (0,25)13 (0,75)7 + · · · + (0,25)20 (0,75)0
12 13 20
= 0,0009.
Esta probabilidad es sorprendentemente pequeña y por lo tanto la estrategia seguida por el estudiante para
contestar el examen no parece ser la mejor.
Nota 1.
Supóngase que X es una variable aleatoria con distribución binomial de parámetros n y p.
n k n−k
Sea B(k) : = p q .
 k  
n n−k+1 n
Puesto que = , se obtiene para k = 1, 2, . . . , n:
k k k−1
 
n−k+1 n
B(k) = p × pk−1 × q n−k+1 × q −1
k k−1
n−k+1 p
= × × B(k − 1).
k q

5
 Luego comenzando con B(0) = q n se obtiene en forma recurrente los valores de B(k) para k = 1, 2, . . . , n.
n−k+1 p
Ahora bien, B(k) > B(k − 1), si y sólo si × > 1.
k q
De donde se obtiene que B(k) > B(k − 1), si y sólo si (n + 1)p > k.
d
Por lo tanto, si X = B(n, p), entonces P (X = k) crece inicialmente de manera monótona y luego decrece
monótonamente, alcanzando su valor mayor cuando k = [(n + 1)p], donde [(n + 1)p] denota la parte entera de
(n + 1)p.

Función de masa de probabilidad B(50,0.3)

0.12
0.08
P(X=x)

0.04
0.00

0 5 10 15 20 25 30

Figura 3: Función de masa de probabilidad de una distribución binomial con parámetros n = 50 y p = 0,3.

Distribución Hipergeométrica
Si nos interesa la probabilidad de seleccionar x éxitos de los R artículos considerados como éxito y n − R fracasos
de los cuales N − R artículos que se consideran fracasos cuando se selecciona una muestra aleatoria de tamaño n
de N artículos. Esto se conoce como experimento hipergeométrico; es decir, uno que posee las siguientes dos
propiedades:
Se selecciona sin reemplazo una muestra aleatoria de tamaño n de N artículos.

R de los N artículos se pueden clasificar como éxitos y N − R se clasifican como fracasos.

Definición 3 (Distribución hipergeométrica).
d
Se dice que una variable aleatoria X tiene distribución hipergeométrica de parámetros n, R y N , denotada X =
Hg (n, R, N ), si su función de masa de probabilidad está dada por:
 R
N −R

 x n−x


, si x = 0, 1, 2, . . . , n
f (x) = N
 n
0, e. o. c.


donde N es un entero positivo, R es un entero no negativo menor o igual a N y n es un entero positivo menor o
igual a N .
Para entender la fórmula de la función de masa de probabilidad de esta distribución observe que el término K


x

formas en que x objetos pueden escogerse de la colección de K objetos del tipo 1, mientras
establece las diferentes
−K
que el término Nn−x corresponde a las diferentes formas de escoger n − x objetos de los N − K objetos del tipo 2.
Se usa entonces el principio multiplicativo para obtener el número total de muestras diferentes en donde x objetos
son del primer tipo y n − x objetos son del segundo tipo. La gráfica de esta función de probabilidad para N = 40,
R = 8 y n = 25 aparece en la Figura 4.

6
 Función de masa de probabilidad Hg(25, 8, 40)

0.30
0.20
P(X=x)

0.10
0.00

2 4 6 8 10

Figura 4: Función de masa de probabilidad de una distribución hipergeométrica de parámetros n = 25, R = 8 y

N = 40.

A continuación se presentan las propiedades más importantes de la distribución hipergeométrica.

Propiedad 4.
Sea X es una variable aleatoria con distribución hipergeométrica de parámetros n, R y N . Entonces:
nR
1. E[X] = .
N
R N −R N −n
2. V ar[X] = n × × × .
N N N −1
La distribución hipergeométrica suele aparecer en procesos muestrales sin reemplazo, en los que se investiga la
presencia o ausencia de cierta característica. Piénsese, por ejemplo, en un procedimiento de control de calidad en
una empresa farmacéutica, durante el cual se extraen muestras de las cápsulas fabricadas y se someten a análisis
para determinar su composición. Durante las pruebas, las cápsulas son destruidas y no pueden ser devueltas al lote
del que provienen. En esta situación, la variable aleatoria que cuenta el número de cápsulas que no cumplen los
criterios de calidad establecidos sigue una distribución hipergeométrica. Por tanto, esta distribución es la equivalente
a la binomial, pero cuando el muestreo se hace sin reemplazo.
Ejemplo 9.
Considérese un fabricante de automóviles que compra los motores a una compañía donde se fabrican bajo estrictas
condiciones. El fabricante recibe un lote de 40 motores. Su plan para aceptar el lote consiste en seleccionar ocho,
de manera aleatoria, y someterlos a prueba. Si encuentra que ninguno de los motores presenta serios defectos, el
fabricante acepta el lote; de otra forma lo rechaza. Si el lote contiene dos motores con serios defectos, ¿cuál es la
probabilidad de que sea aceptado?
Sea X la variable aleatoria que denota el número de motores que presenta serios defectos. Deseamos hallar
P (X ≤ 0).
d
De acuerdo con los datos del problema se tiene que X = Hg (8, 2, 40), entonces la probabilidad pedida es:
2 40−2 38




0 8−0 8
P (X = 0) = 40

= 40

≈ 0,6359.
8 8

La función de distribución de una variable aleatoria X con distribución distribución hipergeométrica de pará-
metros n, R y N , está dada por 
0,
 si x < 0
R N −R



P x
k n−k
F (x) = N

, si 0 ≤ x < n
k=0

 n
si x ≥ n,

1,

7
donde N es un entero positivo, R es un entero no negativo menor o igual a N y n es un entero positivo menor o
igual a N .
d
La gráfica de la función de distribución de una variable aleatoria con distribución X = Hg (25, 8, 40) está dada
en la figura 5.

Función de distribución Hg(25, 8, 40)

1.0

● ●

●
0.8

●
0.6
F(x)

0.4

●
0.2

●
0.0

● ●

0 2 4 6 8

Figura 5: Función de distribución de una distribución hipergeométrica de parámetros n = 25, R = 8 y N = 40.

Ejemplo 10.
Considérese un fabricante de automóviles que compra los motores a una compañía donde se fabrican bajo estrictas
condiciones. El fabricante recibe un lote de 40 motores. Su plan para aceptar el lote consiste en seleccionar ocho,
de manera aleatoria, y someterlos a prueba. Si encuentra que ninguno de los motores presenta serios defectos, el
fabricante acepta el lote; de otra forma lo rechaza. Si el lote contiene dos motores con serios defectos, ¿cuál es la
probabilidad de que sea aceptado?
Solución.
Sea X la variable aleatoria que denota el número de motores que presenta serios defectos. Deseamos hallar P (X ≤ 0).
d
De acuerdo con los datos del problema se tiene que X = Hg (8, 2, 40), entonces la probabilidad pedida es:
2 40−2 38




0 8−0 8
P (X = 0) = 40

= 40

≈ 0,6359.
8 8

Ejemplo 11.
Se selecciona al azar un comité de cinco personas entre tres químicos y cinco físicos. Calcular la distribución de
probabilidad para el número de químicos en el comité.
Solución.
Sea la variable aleatoria X = “número de químicos en el comité”. Se satisfacen las dos condiciones de un experimento
hipergeométrico.
  
3 5
0 5 1
P (X = 0) = Hg (0; 5, 3, 8) =   =
8 56
5
  
3 5
1 4 15
P (X = 1) = Hg (1; 5, 3, 8) =   =
8 56
5

8
   
3 5
2 3 30
P (X = 2) = Hg (2; 5, 3, 8) =   =
8 56
5
  
3 5
3 2 10
P (X = 3) = Hg (3; 5, 3, 8) =   =
8 56
5

Ejemplo 12.
De una urna que contiene seis bolas negras y nueve bolas rojas se extraen cinco bolas, ¿cuál es la probabilidad de
obtener tres bolas rojas?
Solución.
Sea X = “Número de bolas rojas al extraer cinco bolas de la urna”. La probabilidad pedida es:
  
6 9
2 3
P (X = 3) =   = 0,4196.
15
5

Ejemplo 13.
Lotes de 40 componentes cada uno se denominan aceptables si no contienen más de tres defectuosos. El procedimiento
para muestrear el lote es la selección de cinco componentes al azar y rechazar el lote si se encuentra un componente
defectuoso. ¿Cuál es la probabilidad de que se encuentre exactamente un defectuoso en la muestra si hay tres
defectuosos en todo el lote?
Solución.
Utilizando la distribución hipergeométrica con n = 5, R = 3, N = 40 y x = 1, entonces
  
3 37
1 4
P (X = 1) = Hg (1; 5, 3, 40) =   = 0,3011.
40
5

Ejemplo 14.
Si el experimento del ejemplo anterior se repite tres veces, reintegrando las bolas extraídas y añadiendo el mismo
número de bolas negras y rojas obtenidas, ¿cuál es la probabilidad de obtener una secuencia de una, dos y tres bolas
rojas?
Solución.
Sea Xi = “Número de bolas rojas extraídas en la extracción i-ésima”. La probabilidad pedida es:

P (Xi = i) = P (X1 = 1) × P (X2 = 2/X1 = 1) × P (X3 = 3/(X1 = 1, X2 = 2))

        
6 9 10 10 13 12
4 1 3 2 2 3
=   ×   ×  
15 20 25
5 5 5
= 0,0051.

9
 Se hace notar que la diferencia que existe entre un experimento con distribución binomial y uno con distribución
hipergeométrica radica, en que en la primera, la extracción de las bolas se producen con reemplazamiento (las
probabilidades permanecían constantes a lo largo de todas las pruebas) y en la segunda, sin reemplazamiento (las
probabilidades varían de una a otra). Es decir, cuando el tamaño de la población es grande, los muestreos con y
sin reemplazo son equivalentes, por lo que la distribución hipergeométrica se aproxima en tal caso a la binomial.
R
Por ello, cuando N y R tiende a infinito y converge a un valor p, la distribución hipergeométrica Hg (n, R, N ) se
N
R
aproxima a una distribución binomial B(n, p), con p = .
N
Teorema 1.
R
Sea 0 < p < 1. Si N, R → ∞ de tal forma que → p, entonces Hg (x; n, R, N ) → B(x; n, p).
N
Ejemplo 15.
Un fabricante asegura que sólo el 1 % de su producción total se encuentra defectuosa. Supónganse que se ordenan
1000 artículos y se seleccionan 25 al azar para inspeccionarlos. Si el fabricante se encuentra en lo correcto, ¿cuál
es la probabilidad de observar dos o más artículos defectuosos en la muestra?
Solución.
Sea X = Número de artículos defectuosos en la muestra. Entonces x = 0, 1, 2, . . . , 25.
d
Observe que X = Hg (25, 10, 1000). Como N ≫ n, es decir, 1000 ≫ 25, se puede aproximar a una Binomial.
d R 10
Es decir, X = B(25, 0,01), donde p = = = 0,01.
N 1000
Luego se procede a resolver el problema como una Binomial.
Se pide hallar la probabilidad de que por lo menos
2 artículos estén defectuosos en la muestra.
Por lo tanto, P (X ≥ 2) = 1 − P (Y < 2) = 1 − 25 25
0 25

24
0 (0,01) (0,99) − 1 (0,01)(0,99) = 1 − 0,7778 − 0,1964 =
0,0258.
Ejemplo 16.
Se estima que 4000 de 10000 votantes residentes en la ciudad están en contra de un nuevo impuesto a las ventas.
Si se seleccionan al azar 15 votantes y se les pide la opinión. ¿Cuál es la probabilidad de que por lo menos 7 estén
a favor del nuevo impuesto?
Solución.
Sea X = Número de votantes a favor de un nuevo impuesto a las ventas. Entonces x = 0, 1, 2, . . . , 15.
d
Observe que X = Hg (15, 6000, 10000). Como N ≫ n, es decir, 10000 ≫ 15, se puede aproximar a una Binomial.
d R 6000
Es decir, X = B(15, 0,6), donde p = = = 0,6.
N 10000
Luego se procede a resolver el problema como una Binomial.
Se pide hallar la probabilidad de que por lo menos 7 estén a favor del nuevo impuesto.
Por lo tanto, P (X ≥ 7) = 1 − P (Y < 7) = 1 − 0,0951 = 0,9049.

Distribución Poisson
Distribución muy útil en la que la variable aleatoria representa el número de eventos independientes que ocurren
a una velocidad constante en el tiempo o espacio. Algunos ejemplos comunes son:

1. El número de fallas que presenta una máquina por día.

2. El número de defectos por metro de cable.
3. El número de hormigas de una cierta especie por m3 de tierra.

4. El número de vehículos que pasan a través de un cierto punto en una ruta durante un periodo definido de
tiempo.
5. El número de errores de ortografía que uno comete al escribir una única página.
6. El número de llamadas telefónicas en una central telefónica por minuto.

10
 7. El número de servidores web accedidos por minuto.
8. El número de mutaciones de determinada cadena de ADN después de cierta cantidad de radiación.
9. La cantidad de fracturas por km2 en la superficie de una caldera.

Algunas condiciones que se deben cumplir en un proceso poisson son:

El número de resultados que ocurren en un intervalo de tiempo o región específico es independiente del número
que ocurre en cualquier otro intervalo disjunto de tiempo o región del espacio disjunto.
La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo muy corto o una región pequeña
es proporcional a la longitud del intervalo de tiempo o al tamaño de la región.
Sea X una variable aleatoria que representa el número de eventos aleatorios independientes que ocurren a una
rapidez constante sobre el tiempo o el espacio.
Definición 4.
d
Se dice que una variable aleatoria X tiene distribución Poisson de parámetros λ > 0, denotada X = P(λ), si su
función de masa de probabilidad está dada por:
x

 −λ λ
e , si x = 0, 1, 2, . . .
f (x) = x!
0, e. o. c.

donde λ es el número promedio de resultados por unidad de tiempo o región.

Puede demostrarse que la función f (x) arriba definida es efectivamente una función de masa de probabilidad
para cada valor de λ > 0 fijo, y para ello conviene recordar el desarrollo de la serie de Taylor de la función ex
alrededor del cero, es decir,
∞
X xk
ex =
k!
k=0

La forma de esta función de probabilidad se muestra en la Figura 6 cuando λ = 6.

Función de masa de probabilidad P(6)

0.15
0.10
P(X=x)

0.05
0.00

5 10 15

Figura 6: Función de masa de probabilidad de una distribución Poisson de parámetro λ = 6.

La función de distribución de una variable aleatoria X con distribución Poisson de parámetros λ, está dada por

0,
 si x < 0
x k
F (x) = X λ
 e−λ , si x ≥ 0
 xk
k=0

11
 d
La gráfica de la función de distribución de una variable aleatoria con distribución X = P(6) está dada en la
figura 7.

Función de distribución P(6)

●
0.15

●
0.10

●
F(x)

0.05

●
0.00

−1 0 1 2 3 4 5

Figura 7: Función de distribución de una distribución Poisson de parámetro λ = 2.

A continuación se presentan las propiedades más importantes de la distribución Poisson.

Propiedad 5.
Sea X es una variable aleatoria con distribución Poisson de parámetros λ. Entonces:
t
−1)
1. E[X] = λ. 3. mX (t) = eλ(e .
it
−1)
2. V ar[X] = λ. 4. ϕX (t) = eλ(e .

Ejemplo 17.
El número medio de vehículos por minuto que llegan a una gasolinera es igual a 2. ¿Cuál es la probabilidad de que
en un minuto lleguen 5 vehículos?, ¿y la de que en 5 minutos no llegue ninguno?
Solución.
Se trata de una distribución de Poisson, para la que se conoce el número medio, que es igual al parámetro λ, por
d
lo tanto X = P(2). La primera probabilidad pedida es:

25
P (X = 5) = e−2 = 0,036.
5!
Para calcular la otra probabilidad, hay que hacer un cambio de parámetro pues la longitud del intervalo cambia.
d
Si en un minuto el número medio de vehículos es 2, en cinco minutos será 10. Por lo tanto se tiene Y = P(10).

100
P (Y = 0) = e−10 = 0,000045.
0!

Ejemplo 18.
Por determinado punto de una calle en el que se instala un control, pasa una media de 4 vehículos por minuto.
¿Cuál es la probabilidad de que en un determinado minuto pasen exactamente 2 vehículos?
Solución.
d
Sea X = número de veces que ocurre ese fenómeno en una unidad de tiempo. Entonces X = P(4).
42
Luego, P (X = 2) = e−4 = 0,1465.
2!

12
 d
Puede además demostrarse que cuando X = B(n, p) y hacemos tender n a infinito y a probabilidad de éxito,
p, tiende a cero de tal forma que el producto np se mantenga constante igual a λ, entonces la variable aleatoria X
adquiere la distribución Poisson con parámetro λ. Este resultado sugiere que cuando n es grande, la distribución
binomial puede ser aproximada mediante la distribución Poisson de parámetro λ = np.
Teorema 2.
Si p(n) es una sucesión con 0 < p(n) < 1 y n(p(n)) → λ cuando n → ∞, entonces B(x; n, p(n)) → P(x; λ).
Ejemplo 19.
Una máquina envasadora rompe de media un elemento de cada 5000 que envasa. Las piezas envasadas se comer-
cializan en lotes de 40000. ¿Cuál es la probabilidad de que un lote tenga 10 o menos elementos defectuosos?

Solución.
d 1
Sea X = número de elementos defectuosos en el lote. Entonces X = B(40000, 5000 ) y nos piden P [X ≤ 10] =
0,8159056.  
d 1 d
La función de probabilidad X = B 40000, de es casi idéntica a la de X = P(8).
5000
Por lo tanto, P [X ≤ 10] = 0,8158858.

En general, la función de masa de probabilidad de una B(n; p) se puede aproximar por la de una P(np) cuando
“n es muy grande y p es muy pequeña” (aplicaremos esta aproximación para n ≥ 20; p < 0,05).
La distribución Poisson aparece, históricamente, al considerar el número de llamadas telefónicas realizadas por
unidad de tiempo a un mismo teléfono, siendo λ el número medio de llamadas. Además, se puede observar que en
la distribución Poisson la mayor parte de la masa de probabilidad queda repartida entre un número relativamente
pequeño de valores, siendo posible que tome otros valores pero con una probabilidad bastante pequeña. Por ello, a
la distribución Poisson se le llama distribución de los sucesos raros.
Hemos definido a la variable aleatoria Poisson como el número de ocurrencias de un cierto evento dentro de
un intervalo de tiempo dado, supongamos de longitud unitaria, [0, 1]. Suponga ahora que nos interesa observar las
ocurrencias del evento en un intervalo de longitud diferente, por ejemplo [0, t], con t > 0. Tal conteo de ocurrencias
también sigue una distribución Poisson pero esta vez de parámetro λt. Por ejemplo, si t = 2, entonces el número de
ocurrencias del evento en el intervalo [0, 2] tiene distribución P(2λ). Si se quiere generalizar a cualquier región de
tamaño t la función de masa de probabilidad es:

 −λt (λt)x

e , si x = 0, 1, 2, . . .
f (x) = Pt (X = x) = x!
0, en otro caso

donde λ es el número promedio de resultados por unidad de tiempo o región.

Ejemplo 20.
El número de aviones que llegan a un aeropuerto internacional se considera como una cantidad aleatoria y se modela
mediante una variable aleatoria con distribución Poisson con una frecuencia de 3 aviones cada 10 minutos. Es decir,
la unidad de medición del tiempo son diez minutos. Entonces

1. La probabilidad de que no llegue ningún avión en un periodo de 20 minutos (dos unidades de tiempo) es
P (X = 0) con λ = 3(2) = 6.
 
1 3
2. La probabilidad de que llegue sólo un avión en el minuto siguiente es P (X = 1) con λ = 3 = .
10 10
3. La probabilidad de que lleguen dos o mas aviones en un periodo de 15 minutos es P (X ≥ 2) con λ = 3(1,5) =
4,5.
Propiedad 6.
Si X1 , X2 , . . . , Xn son variables aleatorias independientes
n
 P(λ1 ), P(λ2 ), . . . , P(λn ), respectivamente, en-
 nde tipo
P P
tonces la variable X = Xi sigue una distribución P λi .
i=1 i=1

13
Distribución binomial negativa
Consideremos un experimento donde las propiedades son las mismas que se indican en el experimento binomial,
con la excepción de que las pruebas se repetirán hasta que ocurra un número fijo de éxitos. Por lo tanto, en vez de
calcular la probabilidad de x éxitos en n pruebas, donde n es fijo, ahora nos preocuparemos por la probabilidad de
que ocurra el k-ésimo éxito en la x-ésima prueba. Los experimentos de este tipo se llaman experimentos binomiales
negativos.
Definimos ahora la variable aleatoria X como “el número de pruebas hasta obtener exactamente k éxitos”. Ésta se
llama variable aleatoria binomial negativa y su distribución de probabilidad se llama distribución binomial negativa.
En este caso, el número de éxitos permanece constante mientras que el número de repeticiones X es una variable
aleatoria. Es claro que la variable X puede tomar los valores 1, 2, . . . con las probabilidades dadas por la función de
masa de probabilidad:
Definición 5.
d
Se dice que una variable aleatoria X tiene distribución binomial negativa de parámetros k y p, denotada X =
BN (k, p), si su función de masa de probabilidad está dada por:
 
 x − 1 pk (1 − p)x−k , si x = k, k + 1, k + 2, . . .
f (x) = P (X = x) = k−1
0, e. o. c.


Un
 ejemplo
 es el número de lanzamientos de un dado antes de obtener un 6 en tres ocasiones, que sigue una
1
BN 3, .
6
La gráfica de esta función aparece en la Figura 8 cuando los valores de los parámetros son k = 4 y p = 0,5.

Función de masa de probabilidad Bn(4,0.5)

0.15
0.10
P(X=x)

0.05
0.00

5 10 15

Figura 8: Función de masa de probabilidad de una distribución binomial negativa de parámetros k = 4 y p = 0,5.

La función de distribución de una variable aleatoria X con distribución binomial negativa de parámetros k y p,
está dada por 
0,x 


si x < 0
F (x) = X j−1 k
p (1 − p)j−k , si x ≥ 0.
k − 1


j=0

d
La gráfica de la función de distribución de una variable aleatoria con distribución X = BN (5, 0,3) está dada en
la figura 9.

14
 Función de distribución Bn(5,0.3)

●
●
0.06
●

●
0.04

●
F(x)

●
0.02

●
0.00

0 2 4 6 8

Figura 9: Función de distribución de una distribución binomial negativa de parámetros k = 5 y p = 0,3.

A continuación se presentan las propiedades más importantes de la distribución binomial negativa.

Propiedad 7.
Sea X es una variable aleatoria con distribución binomial negativa de parámetros k y p. Entonces:

k 
pet
k
1. E[X] = . 3. mX (t) = .
p 1 − qet
k
peit

k(1 − p)
2. V ar[X] = . 4. ϕX (t) = .
p2 1 − qeit

Ejemplo 21.
Se quieren reclutar 5 personas para participar en un nuevo programa. Si p = 0,2 la probabilidad de que las personas
quieran participar. ¿Cuál es la probabilidad de que se les deba preguntar a 15 personas antes de encontrar a 5 que
estén de acuerdo en participar?

Solución.
d
Sea X = “Número de personas de acuerdo en participar”. Entonces X = BN (5, 0,2).
La probabilidad
 de preguntarle
 a X = 15 personas  antes
 del k = 5 éxito es:
15 − 1 5 15−5 14
P (X = 15) = (0,2) × (1 − 0,2) = (0,2)5 × (0,8)10 = 0,0344
5−1 4
Ejemplo 22.
Siguiendo con la población del ejemplo 4, ¿cuál es la probabilidad de extraer 5 hembras antes del tercer macho?

Solución.
En este caso, el éxito se define como “extraer un macho”, por lo que p = P (éxito) = 0,6 y X = “Número de hembras
d
antes de obtener el tercer macho”. Entonces X = BN (3, 0,6).
La probabilidad pedida es:
   
3+5−1 3 5 7
P (X = 5) = (0,6) × (0,4) = (0,6)3 × (0,4)5 = 0,0464.
3−1 2

15
Propiedad 8.
Sean X1 , X2 , . . . , Xr variables aleatorias independientes e idénticamente distribuidas según una binomial negativa
r
X
de parámetros ki y p con i = 1, 2, . . . , r. Se tiene que Xi sigue una distribución binomial negativa de parámetros
i=1
r
X
k y p, siendo k = ki .
i=1

Nota 2.
Supongamos que no interesa conocer el número de ensayos necesarios hasta obtener de manera exacta k éxitos, sino
el número de fracasos Y ocurridos antes de obtener de manera exacta k éxitos. En este caso, se tiene que X = k +Y
y por lo tanto:  
 k + y − 1 pk (1 − p)y , si y = 0, 1, 2, . . .
f (y) = P (Y = y) = k−1
0, e. o. c.


Algunos autores llaman a esta última la distribución binomial negativa y a la dada en la definición anterior la
llaman distribución de Pascal.
Propiedad 9.
d
Si X = BN (k, p), entonces para la variable aleatoria Y = X − k se obtiene que:

k k(1 − p) 
p
k
1. E[Y ] = −k = . 3. mY (t) = .
p p 1 − qet
 k
k(1 − p) p
2. V ar[Y ] = V ar[X] = . 4. ϕY (t) = .
p2 1 − qeit

En el caso especial k = 1, se dice que la variable aleatoria tiene una distribución geométrica de parámetro p y
mide el número de ensayos antes de obtener el primer éxito.

Distribución geométrica
La distribución geométrica permite calcular la probabilidad de que tenga que realizarse un número k de repeti-
ciones hasta obtener un éxito por primera vez. Así pues, se diferencia de la distribución binomial en que el número
de repeticiones no está predeterminado, sino que es la variable aleatoria que se mide y, por otra parte, el conjunto
de valores posibles de la variable es ilimitado.
Definición 6.
d
Se dice que una variable aleatoria X tiene distribución geométrica de parámetro p, denotada X = G(p), si su función
de masa de probabilidad está dada por:
(
p(1 − p)x−1 , si x = 1, 2, . . .
f (x) = P (X = x) =
0, en otro caso

La gráfica de esta función aparece en la Figura 10 cuando el valor del parámetro p = 0,5.

16
 Función de masa de probabilidad G(0.5)

0.5
0.4
0.3
P(X=x)

0.2
0.1
0.0

1 2 3 4 5 6 7 8

Figura 10: Función de masa de probabilidad de una distribución geométrica de parámetro p = 0,5.

Propiedad 10.
Sea X es una variable aleatoria con distribución geométrica de parámetro p. Entonces:

1 pet
1. E[X] = . 3. mX (t) = .
p 1 − qet
1−p peit
2. V ar[X] = . 4. ϕX (t) = .
p2 1 − qeit

Ejemplo 23.
Un fabricante utiliza fusibles en un sistema eléctrico comprados en lotes grandes. Se prueban secuencialmente hasta
que se observa el primero con falla. Asumiendo que el lote contiene 10 % de fusibles defectivos.
a) ¿Cuál es la probabilidad de que el primer fusible defectuoso sea uno de los primeros 5 probados?
b) Encontrar la media, varianza y desviación estándar para el número de fusibles probados hasta que el primer
fusible con falla es observado.
Solución.
d
a) Sea X = “Número de fusibles que hay que probar antes de obtener el primero defectuoso”. Entonces X = G(0,1).
Luego,
5
X 5
X
x−1
P (X ≤ 5) = p × (1 − p) = (0,1) × (0,9)x−1
x=1 x=1
= P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5)
= 0,1 + (0,1) × (0,9) + (0,1) × (0,9)2 + (0,1) × (0,9)3 + (0,1) × (0,9)4
= 0,4095

1 1 1−p 1 − 0,1 0,9

b) E[X] = = = 10 y V ar[X] = = = = 90.
p 0,1 p2 (0,1)2 0,01

Ejemplo 24.
Una persona participa cada semana con un boleto en un juego de lotería en donde la probabilidad de ganar el primer
1
premio es p = 10−6 = . ¿Cuántos años en promedio debe esta persona participar en el juego hasta obtener
1000000
el primer premio?

17
Solución.
Si X denota el número de participaciones en el juego antes de obtener el primer premio, entonces X tiene distribución
geométrica de parámetro p = 10−6 . Y por lo tanto la esperanza de la variable X es el número promedio de semanas
que deben transcurrir hasta obtener el primer premio. Este número es
1 1
E[X] = = −6 = 106 = 1000000.
p 10
1000000
Lo que es equivalente a = 19230,77 ≈ 19230 años aproximadamente.
52
Ejemplo 25.
Para la misma población del ejemplo 4, se extraen animales hasta obtener la primera hembra, ¿cuál es la probabilidad
de en la quinta extracción se obtenga la primera hembra?
Solución.
Si se considera como éxito extraer una hembra y se define la variable aleatoria X como: “Número de extracciones
d
antes de obtener la primera hembra”, se tiene una distribución geométrica, es decir, X = G(0,4).
La probabilidad que se pide es:
P (X = 5) = (0,4) × (0,6)4 = 0,0518.

Propiedad 11.
Sean X1 , X2 , . . . , Xk variables aleatorias independientes e idénticamente distribuidas según una distribución geomé-
Xk
trica de parámetro p. Se tiene que Xi sigue una distribución binomial negativa de parámetros k y p.
i=1

Si la variable aleatoria Y es el número de no eventos que ocurren antes de que se observe el primer evento (con
probabilidad p), entonces la función de masa de probabilidad de Y viene dada por:
(
p(1 − p)y , si y = 0, 1, 2, . . .
f (y) = P (Y = y) =
0, en otro caso

y Y presenta las siguientes propiedades:

Propiedad 12.

1−p 1−p
1. E[X] = . 2. V ar[X] = .
p p2

18
Ejercicios
1. Suponiendo que cada bebé tiene una probabilidad a) Si una persona llama 10 veces, ¿cuál es la pro-
0,51 de ser varón, hállese la probabilidad de que babilidad de que 9 de las llamadas sean con-
una familia de 6 hijos tenga: testadas en menos de 30 segundos?
b) Si una persona llama 20 veces, ¿cuál es el nú-
a) Por lo menos un niño. Rta: 0,986
mero promedio de llamadas que serán contes-
b) Por lo menos una niña. Rta: 0,982 tadas en menos de 30 segundos?
2. ¿Cuántos hijos debe tener una pareja para que, con c) ¿Cuál es el número promedio de llamadas que
probabilidad de 0,95, ella tenga por lo menos un hi- hay que hacer, hasta tener una respuesta en
jo y una hija? menos de 30 segundos?

Supóngase que los nacimientos de hijos y de hijas d ) ¿Cuál es la probabilidad de tener que llamar
son igualmente probables. Rta: ≈ 6 seis veces para que dos de las llamadas sean
contestadas en menos de 30 segundos?
3. En un club nacional de automovilistas comienza
una campaña telefónica con el propósito de aumen- 8. Suponga que el número de accidentes al día que
tar su número de miembros. Con base en experien- ocurren en una parte de una carretera es una va-
cia previa, se sabe que una de cada 10 personas que riable aleatoria Poisson de parámetro λ = 3.
reciben la llamada se une al club. Si en un día 20 a) Calcule la probabilidad de que ocurran 2 o
personas reciben la llamada telefónica, ¿cuál es la más accidentes en un día cualquiera.
probabilidad de que por lo menos dos de ellas se
inscriban en el club?, ¿cuál es el número esperado? b) Conteste el inciso anterior bajo la suposición
Rta: 0,6082; 2 de que ha ocurrido al menos un accidente.

9. Sea X una variable aleatoria con distribución Pois-

4. Se lanza una moneda corriente un par de veces. ¿A
son de parámetro λ.
qué es igual la probabilidad de que la mitad de las
veces
 se obtenga como resultado cara?
 Rta: a) Si P (X = 0) = 0,02, calcular la media y la
n  n n varianza de X.
n/2 2
b) Si P (X = 0) = 0,4, hallar P (X ≤ 3).
5. Un examen de opción múltiple contiene 30 pregun- 1
tas, cada una con cinco respuestas posibles. Supón- c) Si P (X = 1) = P (X = 2), calcular P (X =
5
gase que un estudiante sólo adivina las respuestas. 0) y P (X ≥ 4).

a) ¿Cuál es la probabilidad de que el estudian- 10. En una central telefónica se reciben llamadas, se-
te conteste de manera correcta al menos 20 gún las leyes de un proceso de Piosson, con un pro-
preguntas? medio de diez llamadas por hora, ¿cuál es la proba-
bilidad de que ninguna llamada sea recibida entre
b) ¿Cuál es la probabilidad de que el estudiante
las 8 am y las 12 m?
conteste de manera correcta menos 3 pregun-
tas? 11. Determinar la función característica de una varia-
c) ¿Cuál es la probabilidad de que el estudiante ble aleatoria con distribución Poisson de parámetro
conteste todas las preguntas de manera inco- λ.
rrecta?
12. Una central telefónica distingue entre dos tipos de
6. Las compañías aéreas acostumbran a reservar más usuarios (particulares y empresas). La probabili-
plazas de las existentes en sus vuelos, dado el por- dad de que la línea esté ocupada entre la 9 y las
centaje de anulaciones que se produce. Si el por- 14 horas para particulares es del 2 % mientras que
centaje medio de anulaciones es del 5 %, ¿cuántas para las empresas este porcentaje de ocupación es
reservas deberá hacer una compañía para un vue- del 15 %.
lo con 200 plazas, si quiere garantizar al 97 % que
a) Se desea contactar con 150 particulares, ha-
todos sus clientes tendrán cabida en dicho vuelo?
llar la probabilidad de que 10 o más tengan la
7. En cierta entidad estatal, la probabilidad de que línea ocupada.
una llamada sea atendida en menos de 30 segundos b) Se desea contactar con 150 empresas, hallar la
es de 0,25. Supóngase que las llamadas son inde- probabilidad de que 15 o más tengan la línea
pendientes. ocupada.

19
 c) Si las empresas constituyen el 25 % de los 20 osos son capturados. Calcular la probabilidad
usuarios, ¿cuál será la probabilidad de encon- de que a lo más dos de los osos capturados estén
trar ocupada la línea si marcamos un número marcados.
al azar?
19. La policía sospecha que en un camión cargado con
d ) Si llamamos al azar a un teléfono y resulta 40 bultos de arroz se han camuflado paquetes de
ocupado, ¿cuál será la probabilidad de que cocaína. Para confirmar su sospecha, la policía es-
pertenezca a una empresa? ¿y a un particular? coge al azar 5 bultos para inspeccionarlos. Si en
Observa como ha cambiado esta información efecto, de los 40 bultos de arroz, que contiene el
las probabilidades asignadas a priori tanto a camión, 10 tienen camufladas cocaína, ¿cuál es la
los particulares como a las empresas. probabilidad de que por lo menos uno de los bultos
13. En un concurso se propone el siguiente juego: en de la muestra contenga cocaína? Rta: 0,7834
una urna se encuentran 5 boletas premiadas y 9
20. Cinco individuos de una población animal se cree
boletas no premiadas. El concursante debe extraer
está cerca de la extinción en cierta región, fueron
simultáneamente y al azar 3 boletas; si las tres bo-
capturados, marcados y liberados para mezclarse
letas están premiadas, el concursante tiene dos op-
con la población. Después que tuvieron la oportu-
ciones: puede escoger uno de los premios y retirar-
nidad de mezclarse, se seleccionó una muestra alea-
se del concurso o bien puede repetir el ensayo tres
toria de 10 de estos animales. Si en realidad hay 25
veces más y si en las tres repeticiones ocurre que
animales de este tipo en la región, ¿cuál es la pro-
las tres boletas extraídas están premiadas, entonces
babilidad de que se encuentren más de 2 animales
el concursante recibe un automóvil último modelo,
marcados?
además de los premios indicados en las boletas, Si
un concursante, opta por ésta última opción, ¿cuál 21. Un artículo de una revista americana describió el
es la probabilidad de que gane? Rta: 2,073 × 10−5 empleo de la probabilidad en la operación para
atrapar traficantes de cocaína.
14. Una compañía de seguros descubrió que sólo alre-
dedor del 0,1 % de la población tiene cierto tipo de Agentes de la policía de una ciudad de la Florida
accidente cada año. Si los 10000 asegurados fueron habían camuflado 496 paquetes en una operación
seleccionados aleatoriamente, ¿cuál es la probabili- antinarcóticos. A fin de probar la culpabilidad de
dad de que no más de 5 de estos clientes tenga una los traficantes la policía tenía que demostrar que
accidente de este tipo el próximo año? los paquetes contenían contenían cocaína pura. Pa-
ra ello la policía seleccionó al azar 4 paquetes para
15. Mediante estudios recientes se demostró que la pro- analizarlos químicamente. Los cuatro dieron resul-
babilidad de morir a causa de cierta vacuna para tados positivos para cocaína. Este resultado con-
la gripe es de 0,00002. Si se administra la vacuna a dujo que se condenaran a los traficantes.
100000 personas y se supone que éstas constituyen
un conjunto independiente de ensayos, ¿cuál es la a) De los 496 paquetes suponga que 331 conte-
probabilidad de que mueran a lo más dos personas nían cocaína pura y 165 tenían una sustan-
a causa de la vacuna? cia legal. Hallar la probabilidad de que los 4
paquetes escogidos den positivo para cocaína.
16. Un examen de estadística consta de 5 preguntas ca- Rta: 0,1971
da una de ellas con cuatro respuestas de las cuales
b) De los 492 paquetes restantes, se seleccionan
una sola es correcta. Un alumno responde al azar
2 al azar, los que los agentes disfrazados ven-
(es decir, sin tener la menor idea sobre las pregun-
dieron a un comprador quién los distribuye en
tas). ¿Cuál es la probabilidad de que resuelva bien
las calles.
3 o más preguntas?
Dado de que 4 de los paquetes originales die-
17. Un biólogo desea capturar un tipo especial de rana ron positivo para cocaína, calcular la proba-
venenosa que sólo se encuentra en una región del bilidad de que 2 de los paquetes seleccionados
Chocó. Se sabe que de todas las ranas de dicha re- tengan una sustancia legal. Rta: 0,4413
gión sólo el 5 % pertenece a esta clase. ¿Cuál es la
probabilidad de que el biólogo tenga que capturar 22. Se puede emplear un proceso Poisson para repre-
10 ranas antes de encontrar tres ejemplares de la sentar la ocurrencia de cargas estructurales con el
clase deseada? tiempo. Suponga que el tiempo promedio entre ocu-
rrencias de cargas es medio año. ¿Cuántas cargas
18. En un bosque hay 20 osos de anteojos de los cuales se espera que ocurran durante dos años? ¿Cuál es
5 son capturados, marcados y dejados nuevamen- la probabilidad de que ocurran más de cinco cargas
te en libertad. Unas semanas más tarde, 4 de los durante dos años?

20
23. La probabilidad de que un artículo de un cierto ti- administrar el antibiótico a 80 de estas aves, calcú-
po de producción sea defectuoso es igual a 0,005. lese la probabilidad de que:
¿Cuál es la probabilidad de que entre 10000 artícu-
los escogidos aleatoriamente haya exactamente 40 a) No haya reacción negativa en ningún ave.
defectuosos? Rta: 0,0183

24. El promedio de homicidios mensuales en un país se b) Al menos haya reacción negativa en dos de
de 1 por cada 100000 habitantes. ellas. Rta: 0,9084
c) Como mucho la haya en 5. Rta: 0,7851
a) Determinar la probabilidad de que en una ciu-
dad de dicho país de 300000 habitantes, haya 5
29. Supóngase que en un estudio dental sobre niños se
o más homicidios en un mes dado. Rta: 0,1847 2
ha obtenido la proporción p = de la población
b) Calcular la probabilidad de que haya, por lo 3
menos, dos meses durante el año en los que, infantil que tiene alguna caries. Calcular:
en dicha ciudad, ocurran 5 o mas homicidios.
Rta: 0,6792 a) La probabilidad de que haya que exami-
nar 6 niños para encontrar uno con caries.
c) Contando el presente mes como el mes núme- Rta: 0,0027
ro 1, ¿cuál es la probabilidad de que el primer
mes en tener 5 o más homicidios sea el cuarto? b) La probabilidad de que haya que examinar 15
Rta: 0,1001 niños para encontrar 5 con caries. Rta: 0,0022

25. La centralita telefónica de un hotel recibe un nú- 30. En un departamento de control de calidad se ins-
mero de llamadas por minuto que sigue una dis- peccionan las unidades terminadas que provienen
tribución de Poisson con media 0,5. Determinar la de una línea de ensamble. Si la proporción de uni-
probabilidad de que en un minuto al azar: dades defectuosas es de 0,03. ¿Cuál es la probabi-
lidad de que la vigésima unidad inspeccionada sea
a) Se reciba una única llamada. Rta: 0,3030
la tercera que se encuentra defectuosa?
b) Se reciban un máximo de dos llamadas.
Rta: 0,9860 31. Supóngase que el 5 % de los artículos producidos en
c) La centralita quede bloqueada, sabiendo que una fábrica son defectuosos. Se escogen 15 artículos
no puede realizar más de 3 conexiones por mi- al azar y se inspeccionan, ¿cuál es la probabilidad
nuto. Rta: 0,0020 de que se encuentren a lo sumo tres artículos de-
d ) Calcular la probabilidad que en dos minutos fectuosos?
se reciban exactamente 8 llamadas.
32. Sea X una variable aleatoria con distribución geo-
26. Una empresa electrónica observa que el número de métrica de parámetro p. Demostrar que:
componentes que fallan antes de cumplir 100 ho-
ras de funcionamiento es una variable aleatoria de P (X = n + k|X > n) = P (X = k)
Poisson. Si el número promedio de estos fallos es
ocho. 33. Un cierto equipo electrónico está formado por 100
a) ¿Cuál es la probabilidad de que falle un com- componentes conectados. Si cada componente tie-
ponente en 25 horas? Rta: 0,2761 ne una probabilidad de 0,02 de romperse cuando
el equipo es lanzado en un cohete, hallar la pro-
b) ¿Cuál es la probabilidad de que fallen no más
babilidad de que al hacerlo se rompan 10 o más
de dos componentes en 50 horas? Rta: 0,2381
componentes.
27. El recuento de glóbulos blancos de un individuo
sano puede presentar un promedio en valor míni- 34. Una máquina produce componentes que son defec-
mo de hasta 6000 por milímetro cúbico de sangre. tuosos en un 10 %. Se elige al azar una muestra de
Para detectar una deficiencia de glóbulos blancos estos 50 componentes. Calcular las probabilidades
se determina su número en una gota de sangre de de que (a) como mucho 6 componentes estén defec-
0,001 milímetros cúbicos. ¿Cuántos glóbulos blan- tuosos, (b) tenga 3 o más componentes defectuosos.
cos cabe esperar en un individuo sano? ¿Cuánto
35. En un hotel se cuenta con 20 aparatos de aire acon-
de raro sería encontrar un máximo de 2 glóbulos
dicionado y la probabilidad de que cualquiera de
blancos?
ellos no funcione bien durante un día cualquiera es
28. La probabilidad de que al administrársele un an- de 0,02 ¿Cuál es la probabilidad de que exactamen-
tibiótico a un ave rapaz en recuperación se le pre- te tres máquinas estén fuera de servicio en el mismo
sente una reacción negativa es 0,05. Si se le va a día?

21