UNIVERSIDAD DE LA COSTA

DEPARTAMENTO DE CIENCIAS NATURALES Y EXACTAS

ESTADÍSTICA I
DISTRIBUCIONES DE PROBABILIDAD DISCRETA

Definición: Una variable aleatoria X es una regla o función que asigna un

único número real a cada resultado del espacio muestral de un experimento
aleatorio.

Estas variables tal como se definió al inicio del curso pueden ser de tipo
Cualitativo, las cuales de codificaran en valores numéricos, la Numéricas
Discretas y las Numéricas Continuas.

En el desarrollo de las variables aleatorias estas se simbolizan,

generalmente, con las letras mayúsculas A, B, … X, Y y Z y se utilizará su
correspondiente letra minúscula (a, b, … x, y, z en este caso) para designar
sus posibles valores. Así, por ejemplo, si X representa a la regla (variable
aleatoria) “número de caras que pueden resultar al lanzar una moneda dos
veces”, entonces, sus valores son x = 0, 1, 2.

Entonces en este orden de ideas “Una variable aleatoria es DISCRETA si y

sólo si tiene una cantidad o finita o (infinita) enumerable de valores y “Una
variable aleatoria es CONTINUA si y sólo si tiene una cantidad infinita no
enumerable de valores”.

Algunos ejemplos de este tipo variables son:

Experimento: “Número de Clientes que llegan a un almacén de ropa”,

Variable aleatoria Discreta: “Número de clientes” Valores: 0, 1, 2, . . .”

Experimento: “Revisar un lote de 90 artículos en busca de defectos”, Variable

aleatoria Discreta: “Cantidad de artículos defectuosos” Valores: 0, 1, 2, . . .,
90.

Experimento: “Atención al público de un banco en minutos” Variable aleatoria

Continua: “Tiempo, entre llegadas de banco clientes en minutos” Valores:
x ≥ 0 minutos.

Experimento: “Llenar una lata de Coca-Cola (Max = 12,1 onzas)” Variable

aleatoria Continua: “Cantidad de llenado en onzas en una lata” Valores:
0 ≤ x ≤ 12,1 onzas.
Distribuciones de probabilidad para variables aleatorias discretas

Una distribución de probabilidad se define como la asignación en la una

variable aleatoria discreta toma cada uno de sus valores con una cierta
probabilidad, por lo cual La distribución de probabilidad de una variable
aleatoria describe cómo se distribuyen las probabilidades de los diferentes
valores de la variable aleatoria.

las probabilidades de que X tome cada uno de sus valores generalmente se

modelan también a través de la llamada función de probabilidad, que
representaremos por f.

𝑓(𝑓 = 𝑓𝑓), 𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓𝑓 𝑓𝑓

𝑓(𝑓𝑓 ) = {
𝑓𝑓 𝑓 0, 𝑓𝑓 𝑓𝑓𝑓𝑓
𝑓𝑓𝑓𝑓𝑓

Se puede verificar que f cumple las dos siguientes condiciones:

(a) f(𝑓𝑓) ≥ 0 para todo valor 𝑓𝑓 de X.
(b) ∑f(𝑓𝑓) = 1.

Ejemplo:
Para controlar el estado de sus procesos, las empresas a menudo realizan
auditorias con el fin de verificar estos estados. Por experiencia se sabe que
los procesos tienen una falla del 2% de las veces. Suponga que un auditor
revisa aleatoriamente tres procesos. Determine la función de probabilidad del
número de errores detectado por el auditor.

SOLUCION:
Para i = 1, 2, 3, sea 𝑓𝑓 el evento que representa al hecho de que el auditor
detectó un error en el proceso i. De igual manera, sea 𝑓𝑓 el evento que
representa al hecho de que el auditor no detectó un error en un proceso i. De
la información suministrada en el problema sabemos que, P(𝑓𝑓) = 0,02. Por
tanto, P(𝑓𝑓) = 1−P(𝑓𝑓) = 0,98. Ahora, sean X la variable aleatoria que
representa al número de errores detectado por el auditor y f su
correspondiente función de probabilidad. Tenemos que Como X puede tomar
los valores 0, 1, 2 ó 3, entonces (utilizaremos la independencia de los eventos
𝑓𝑓, de los 𝑓𝑓 y la de los 𝑓𝑓 con los 𝑓𝑓),

f(0) = P(X = 0) = P(𝑓1𝑓2𝑓3) =(0,98)^3 = 0,94119;

f(1) = P(X = 1) = P(𝑓1𝑓2𝑓3) ó P(𝑓1𝑓2𝑓3) ó P(𝑓1𝑓2𝑓3) = 3*(0,02)*(0,98)^2 =
0,05762; f(2) = P(X = 2) = P(𝑓1𝑓2𝑓3) ó P(𝑓1𝑓2𝑓3) ó P(𝑓1𝑓2𝑓3) = 3*(0,02)^2*(0,98)
= 0,00118; f(3) = P(X = 3) = P(𝑓1𝑓2𝑓3)) = (0, 02)^3 = 0, 00001.

Observemos que los diferentes valores que asume f para cada valor de x
satisfacen las dos condiciones mencionadas en la definición.
Entonces, la distribución de la probabilidad para este experimento aleatorio
es:

𝑓𝑓 0 1 2 3
𝑓(𝑓𝑓 0,94119 0,05762 0,00118 0,00001
)

Y su función de probabilidades es:

0,94119, 𝑓𝑓 𝑓 = 0
0,05762, 𝑓𝑓 𝑓 = 1
𝑓(𝑓) = 0,00118, 𝑓𝑓 𝑓 = 2
0,00001, 𝑓𝑓 𝑓 = 3
{0, 𝑓𝑓 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓
𝑓𝑓𝑓𝑓

Con esta información y del mismo modo en el que se calculaban las

frecuencias acumuladas en la unidad de análisis de datos también se pueden
encontrar las Distribución de probabilidades acumulada y la función de
probabilidades acumulada.

ESPERANZA O VALOR ESPERADO Y VARIANZA DE UNA VARIABLE

ALEATORIA DISCRETA

ESPERANZA O VALOR ESPERADO

Por otra parte, con los valore o resultados encontrados en un experimento

aleatorio se puede determinar la esperanza (valor esperado) o media al igual
que la varianza tal como se vio en los temas iniciales del curso.

Definición:
Sea X una variable aleatoria discreta definida sobre un espacio muestral y
supongamos que X toma los valores 𝑓1, 𝑓2, . . . (finito o infinito). Sea f la
función de probabilidad de X. Entonces, la esperanza (valor esperado o
media) de X, simbolizada por μ o E(X), se define como

𝑓 = 𝑓(𝑓) = ∑ 𝑓𝑓 ∗ 𝑓(𝑓)𝑓

A manera de ejemplo: Suponga que se tiene la siguiente función:

𝑓𝑓 0 2 3 4
𝑓(𝑓𝑓 0,10 0,30 0,40 0,20
)

Y se desea calcular el valor esperado, pues bien, lo que debemos hacer es

multiplicar cada valor de x por el valor de la función y sumar los resultados:
 𝑓 = 𝑓(𝑓) = ∑𝑓𝑓 ∗ 𝑓(𝑓)𝑓 = (0)(0,10) + (2)(0,30) + (3)(0,40) + (4)(0,20) =

𝑓 = 𝑓(𝑓) = ∑ 𝑓𝑓 ∗ 𝑓(𝑓)𝑓 = 2,6

VARIANZA Y DESVIACIÓN

Sea X una variable aleatoria discreta definida sobre un espacio muestral y

supongamos que X toma los valores 𝑓1, 𝑓2, . . . (finito o enumerable). Sean f
y μ la función de probabilidad y esperanza de X, respectivamente. Entonces:

𝑓 2 = 𝑓(𝑓) = ∑(𝑓𝑓 − 𝑓)2 ∗ 𝑓(𝑓)𝑓

Retomando el ejemplo anterior:

𝑓𝑓 0 2 3 4
𝑓(𝑓𝑓 0,10 0,30 0,40 0,20
)

𝑓 2 = 𝑓(𝑓) = ∑(𝑓𝑓 − 𝑓)2 ∗ 𝑓(𝑓)𝑓

𝑓2 = 𝑓(𝑓) = (0 − 2,6)2 ∗ (0,10) + (2 − 2,6)2 ∗ (0,30) + (3 − 2,6)2 ∗ (0,40)

+ (4 − 2,6)2 ∗ (0,20) = 1,24

Si deseamos calcular la desviación debemos sacar la raíz cuadrada de la varianza:

𝑓 = √𝑓2 = √1,24 = 1,11

Otra forma de obtener la varianza es:

𝑓2 = 𝑓(𝑓) = 𝑓(𝑓2 ) −⌈ 𝑓(𝑓)⌉ 2

Algunas Distribuciones Discretas

Tal como ocurre en la vida cotidiana, algunos experimentos tienen un

comportamiento especifico, es decir, se pueden ajustar a algunas
distribuciones en particular:

DISTRIBUCIÓN UNIFORME DISCRETA

Es una de las distribuciones más simples y se define como Una variable

aleatoria discreta X con los valores enteros sobre el intervalo [a, b] tiene
distribución uniforme discreta sobre el conjunto de los números enteros que
están en el intervalo [a, b], cuando se tiene que P(X = x) = 1/n, para todo x
entero que está en el intervalo [a, b].

1
𝑓(𝑓𝑓) = {𝑓(𝑓 = 𝑓𝑓 = 𝑓 , 𝑓𝑓 𝑓𝑓 ∈ 𝑓
)
0, 𝑓𝑓 𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓𝑓

Esperanza y Varianza de una Distribución Uniforme Discreta

Suponga que X es una variable aleatoria que tiene distribución uniforme

discreta sobre el intervalo [a, b]. Entonces,

𝑓 +𝑓
𝑓(𝑓) = 𝑓𝑓𝑓𝑓𝑓𝑓 "a" 𝑓𝑓 𝑓𝑓𝑓𝑓 𝑓𝑓 𝑓𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓𝑓 𝑓 "b" 𝑓𝑓 𝑓𝑓
𝑓 𝑓𝑓𝑓𝑓𝑓.

(𝑓 − 𝑓 + 𝑓)𝑓 − 𝑓
𝑓(𝑓) =
𝑓𝑓

Ejemplo: En un proceso de empastado se toman varias mediciones del

porcentaje de variabilidad. Las mediciones están distribuidas de manera
uniforme, con valores 0,12; 0,13; 0,14, 0,15; 0,16 y 0,17. Para este proceso,
calcule, la probabilidad de que porcentaje de variación igual a 0,12, entre
0,13 y 0,15, la media y la varianza del espesor del recubrimiento. Interprete
la media.

Solución:

Se tienen 6 mediciones y se dice que tienen una distribución uniforme, por lo

tanto:

1
𝑓(𝑓 = 𝑓 𝑓) = ,
𝑓(𝑓𝑓) = { 6
0, 𝑓𝑓 𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓𝑓

La probabilidad de obtener una medición igual a 0,12 es P(X=0,12) = 1/6.

La probabilidad de obtener entre 0,13 y 0,15 es P(0,13≤X≥0,15) = 3/6

𝑓 +𝑓 𝑓,𝑓𝑓 + 𝑓,
𝑓(𝑓) = 𝑓𝑓 = 𝑓, 𝑓𝑓𝑓
𝑓 =
𝑓
 (𝑓 − 𝑓 + 𝑓)𝑓 − 𝑓 (𝑓, 𝑓𝑓 − 𝑓, 𝑓𝑓 + 𝑓)𝑓 − 𝑓
𝑓(𝑓) = = = 𝑓, 𝑓𝑓𝑓𝑓
𝑓𝑓 𝑓𝑓

Interpretación de la media:
El promedio o el porcentaje esperado de la variación del empastado es de
0,145.

Ver video: https://www.youtube.com/watch?v=kEOpLH_OPKU

DISTRIBUCIÓN BINOMIAL

En la vida diaria podemos encontrar experimentos, llamados experimentos

de Bernouilli, en donde sólo hay dos resultados posibles como, por ejemplo,
masculino y femenino; letrado e iletrado; miembro o no miembro; soltero o
casado; que va a la escuela y que no va, etc. A estos experimentos se les
puede asociar una variable aleatoria para identificar la “ocurrencia” o “no
ocurrencia” de cierto evento. La ocurrencia de tal evento se le considerara un
“éxito” y la no ocurrencia, un “fracaso”. En conclusión, podemos formular la
siguiente

“Un experimento de Bernoulli es un experimento aleatorio con sólo dos

resultados posibles: “éxito” y “fracaso” y en donde un éxito ocurre con
probabilidad p, siendo 0 < p < 1”

Un experimento binomial es un experimento de Bernoulli que se ejecuta n

veces, de tal manera que las diferentes ejecuciones se efectúen
independientemente unas de las otras, es decir, el resultado de cualquier
experimento particular no influye sobre el resultado de cualquier otro
experimento.

Distribución binomial
Si se conoce la probabilidad de que un ensayo determinado producirá un
éxito, es posible estimar cuántos éxitos habrá en un número dado de
experimentos:
𝑓(𝑓 = 𝑓𝑓) = 𝑓𝑓𝑓𝑓 ∗ 𝑓𝑓𝑓 ∗ 𝑓𝑓−𝑓𝑓
𝑓(𝑓𝑓) = {
0, 𝑓𝑓 𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓𝑓

Donde: n: “Tamaño de la muestra o número de elementos”, x: “Cantidad de

elementos que se escogen o el interrogante que se quiere resolver”, C:”
Combinaciones sin repetición”, p: “Probabilidad de éxito” y q:”Es igual a 1-p
probabilidad opuesta a p o probabilidad de fracaso”
Esperanza y Varianza de una Distribución Binomial

Si X es una variable aleatoria que tiene distribución binomial con los

parámetros n y p, entonces, se cumple que:
𝑓(𝑓) = 𝑓 ∗ 𝑓
𝑓(𝑓) = 𝑓 ∗ 𝑓 ∗ 𝑓

Ejemplo:
Un estudiante tiene la oportunidad de realizar una actividad correctamente 6
veces. La probabilidad de que la haga correctamente en un intento es p = 0,
40. (a) ¿Cuál es la probabilidad de que él realice la actividad correctamente
por lo menos una vez? (b) ¿Cuántas veces debe realizar la actividad para
que la probabilidad de hacerlo correctamente sea por lo menos una vez sea
más grande que 0, 77?, (c) ¿Cuál es la probabilidad de que él realice la
actividad correctamente máximo dos veces? y (d) ¿Cuál es la probabilidad
de que él realice la actividad exactamente 3 veces de manera correcta?

Solución:

a. 𝑓(𝑓 ≥ 1) = 1 − 𝑓(𝑓 < 1) = 1 − 𝑓(𝑓 = 0)

𝑓(𝑓 ≥ 1) = 1 − (6𝑓0 ∗ 0.40 ∗ 0.66) = 1 − 0.047 = 0.953

b. De acuerdo con lo anterior, se nos pide encontrar el valor n: Se sabe

que la probabilidad de que realice la actividad correctamente en un
intento es de 0.4 y de que fracase “no lo haga correctamente” es 0.6,
por tanto, se tiene:

[𝑓(𝑓 ≥ 1)]𝑓 = 1 − 𝑓(𝑓 < 1)𝑓 > 0,77

[(0.4)]𝑓 = 1 − (0.6)𝑓 > 0,77

1 − (0.6)𝑓 > 0,77

Agrupando términos y despejando la ecuación para aplicar logaritmo

en ambos lados obtenemos:
𝑓𝑓𝑓(1 − 0,77)
𝑓> = 2,877
log(0.6)

𝑓 ≥ 3, “Mínimo se debe realizar 3 veces el intento”

 b. La probabilidad de que se realice la actividad correctamente máximo
dos veces es: 𝑓(𝑓 ≤ 2) = 𝑓(𝑓 = 0) + 𝑓(𝑓 = 1) + 𝑓(𝑓 = 2), aplicando la
formula para cada uno de los valores de X se tiene:

𝑓(𝑓 ≤ 2) = 0.047 + 0.187 + 0.311 = 0.544

c. La probabilidad de que se realice la actividad exactamente tres veces

de manera correcta es: 𝑓(𝑓 = 3) = 6𝑓3 ∗ 0.43 ∗ 0.63 = 0.276

Ver video: https://www.youtube.com/watch?v=EMRag5uvqBA

DISTRIBUCIÓN POISSON

Experimento y proceso de Poisson

Consideremos las siguientes variables aleatorias:
1. El número de partículas emitidas por cierta sustancia radioactiva en
un determinado lapso de tiempo.
2. El número de accidentes de tráfico que ocurren en un día en un cruce.
3. El número de llamadas que llegan a una central telefónica en cierto
intervalo de tiempo.
4. El número de órdenes de devolución de piezas que recibe una
empresa en una semana.
5. El número de niños nacidos con un problema en el corazón en una
cita grande durante un año.
6. El número de lanzamientos “no golpeados” por beisbolista famoso
durante su carrera.
7. El número de veces que falla una pieza de un equipo durante un
periodo de tres meses.
8. El número de nuevas infecciones por una enfermedad contagiosa en
una población durante un mes.
9. El número de mordeduras de serpientes venenosas en un tiempo
determinado.
10. El número de huelgas anuales en una empresa.

Cada una de estas variables aleatorias se caracteriza por ser el número de

ocurrencia de cierto suceso durante un periodo de tiempo. Estas variables
aleatorias están asociadas a experimentos aleatorios que son conocidos con
el nombre de experimentos de Poisson.

Definición: Los experimentos que resultan en valores numéricos de una

variable aleatoria que representa el número de resultados durante un
intervalo de tiempo dado se llaman experimentos de Poisson.
Distribución Poisson
Consideremos un proceso de Poisson con parámetro λ > 0 (es decir, λ es el
número promedio de ocurrencias por unidad de tiempo) y sea X el “número
de eventos que ocurren en un intervalo de tiempo [0,t]”. Entonces, la
probabilidad de que ocurran k eventos en el intervalo [0,t] está dada por:

𝑓−λ ∗ λ𝑓𝑓
𝑓(𝑓 = 𝑓𝑓) = 𝑓𝑓𝑓𝑓 𝑓𝑓 = 0, 1, 2, 3 …
𝑓(𝑓𝑓) = { 𝑓!
𝑓
0, 𝑓𝑓 𝑓𝑓𝑓𝑓 𝑓𝑓𝑓𝑓𝑓

Dónde: siendo e = 2,71828 la base del logaritmo natural. La correspondiente

distribución de X se conoce con el nombre de distribución de Poisson con
parámetro λ.

Esperanza y Varianza de una Distribución Poisson

Si X es una variable aleatoria que tiene distribución de Poisson con el

parámetro λ, entonces, se cumple que:
𝑓(𝑓) = λ
𝑓(𝑓) = λ

Ejemplo:
El número de vehículos que se pierden una zona boscosa dentro de una
reserva natural tiene un promedio de 4 vehículos por semana. ¿Cuál es la
probabilidad de que en una semana determinada (a) se pierdan a lo más dos
vehículos en el bosque? (b) se pierdan tres vehículos en el bosque? (c) se
extravíen cuatro o cinco? (d) al menos desaparezca un vehículo en el
bosque?

Solución: Sabemos que λ = 4 Vehiculos por semana

a. 𝑓(𝑓 ≤ 2) = 𝑓(𝑓 = 0) + 𝑓(𝑓 = 1) + 𝑓(𝑓 = 2)

𝑓−4 ∗ 40 𝑓−4 ∗ 41 𝑓−4 ∗ 42
𝑓(𝑓 ≤ 2)= + +
0! 1! 2!

𝑓(𝑓 ≤ 2) = 0.0183 + 0.0733 + 0.1465 = 0.2381

𝑓−4∗ 43
b. 𝑓(𝑓 = 3) = = 0.1954
3!
 c. La probabilidad de que se extravíen 4 o 5: 𝑓(4 ≤ 𝑓 ≤ 5) = 𝑓(𝑓 = 4) +
𝑓(𝑓 = 5), aplicando la fórmula para cada uno de los valores de X se
tiene:

𝑓(4 ≤ 𝑓 ≤ 5) = 0.1954 + 0.1563 = 0.3517

d. La probabilidad de que al menos desaparezca uno es un caso de

Poisson es calcular las probabilidades desde 1 hasta infinito dado que
en un experimento de Poisson los valores de X no tienen limite, por lo
cual aplicamos para este y todos los casos que se asemejen la ley del
complemento:

𝑓(𝑓 ≥ 1) = 1 − 𝑓(𝑓 < 1) = 1 − 𝑓(𝑓 = 0) = 1 − 0.0183 = 0.9817

d. Bibliografía:
1. G.C Canavos. Probabilidad y Estadística – Aplicaciones y Métodos.
Mc. Graw Hill. México.
2. J. E. Freund, I Miller & M. Miller. Estadística Matemática Con
Aplicaciones. Pearson Prentice Hall, Mexico
3. Walpole, Myers. Probabilidad y Estadística para Ingeniería y ciencias.
Pearson. México.
4. Devore, J.L. Probabilidad y Estadística para Ingeniería y Ciencias,
Quinta Edición, Thomson Learning.
5. Mendenhall, W. Estadística para Administradores, Segunda
Edición,Grupo Editorial Iberoamérica.
6. Montgomery, D.C. y Runger G.C. Probabilidad y Estadística Aplicadas
a la Ingeniería , Primera Edición, Mc Graw Hill.
7. Sheaffer, R. L. y McClave, J.T. Probabilidad y Estadística para
Ingeniería, Primera Edición, Grupo Editorial Iberoamérica.
8. Spiegel, M.R. Estadística, Primera Edición, Serie Schaum, Mc Graw
Hill.
9. Weimer, R.C. Estadística, Segunda Edición, CECSA.
GLOSARIO:
 Población: Conjunto de individuos con propiedades comunes sobre los
que se realiza una investigación de tipo estadístico.
 Muestra: Subconjunto de la población.
 Tamaño muestral: Número de individuos que forman la muestra.
 Muestreo: proceso de obtención de muestras representativas de la
población.
 Variable: Propiedad o cualidad que puede manifestarse bajo dos o
más formas distintas en un individuo de la población.
  Parámetro: Valor numérico que resume todos los datos de una
población. Se utilizan las letra griegas para simbolizar un parámetro,
ej: μ,σ.
 Distribución muestral: Distribución de probabilidad que consta de
todos los posibles valores de un estadístico muestral.

TALLER VARIABLES ALEATORIAS DISCRETAS Y DISTRIBUCIONES DE

PROBABILIDAD

1. Determine el valor de k de modo que cada una de las siguientes funciones sea una
función de probabilidad de una variable aleatoria discreta X:

2. Una pizzería, que atiende pedidos por correo, tiene cinco líneas telefónicas. Sea X la
variable aleatoria que representa al número de líneas en uso en un momento
específico. Supongamos que la función de probabilidad f de X está dada en la
siguiente tabla:

Calcule la probabilidad de cada uno de los siguientes eventos:

a) A = “a lo sumo 2 líneas están en uso”.
b) B = “menos de 4 líneas están en uso”.
c) C = “por lo menos 3 líneas están en uso”.
d) D = “entre 2 y 4 (ambos inclusive) líneas están en uso”.
e) E = “entre 2 y 5 (ambos inclusive) líneas no están en uso”.
f) F = “por lo menos 3 líneas no están en uso”.
3. Se sacan tres fichas sucesivamente, sin reemplazo, de una caja que contiene cuatro
fichas blancas y dos rojas. Encuentre la función de probabilidad para el número de
fichas rojas.
4. Determine la función de probabilidad de la variable aleatoria X que representa el
resultado cuando se lanza un dado. Calcule la probabilidad de que X sea
estrictamente mayor que (a) 0 y (b) -2 pero menor o igual que 2.
5. Un embarque de siete computadores contiene tres defectuosos. Una empresa hace
una compra al azar de tres computadores. Sea X la variable aleatoria que representa
al número de computadores defectuosos que compra la empresa. (a) Calcule la
probabilidad de que el número de computadores defectuosos que compra la
empresa es 1 Y (b) Calcule la probabilidad de que el número de computadores
defectuosos que compra la empresa es estrictamente mayor que 0, pero menor o
igual que 2.
6. De un cargamento de 100 artículos, se sabe que el 10% de los artículos están
defectuosos. Se eligen al azar con reemplazo y sin orden 20 artículos del cargamento
y se examinan. Sea X la variable aleatoria que representa al número de artículos
defectuosos encontrados. Calcule la probabilidad de encontrar a) ningún artículo
defectuoso, b) 2 artículos defectuosos c) a lo sumo un artículo defectuoso.

7. Una semilla tiene un porcentaje de germinación del 83%. Si se siembran 12 semillas,

¿cuál es la probabilidad de que germinen (a) todas, (b) 10, (c) a lo más 2, (d) al menos
10?

8. El número de cartas perdidas en el correo en un día tiene un promedio de 4. ¿Cuál

es la probabilidad de que en un día determinado (a) se pierdan a lo más dos cartas
en el correo? (b) se pierdan tres cartas en el correo? (c) se extravíen cuatro o cinco?
(d) al menos desaparezca una carta en el correo?

9. En un proceso de recubrimiento se toman varias mediciones del espesor, hasta la

centésima de milímetro más cercana. Las mediciones están distribuidas de manera
uniforme, con valores 0,12; 0,13; 0,14, 0,15; 0,16 y 0,17. Para este proceso, calcule
la media y la varianza del espesor del recubrimiento. Interprete la media.

10. De una producción de 2.000 tornillos, se sabe que el 5% están defectuosos.

Supongamos que se selecciona una muestra al azar de 20 tornillos. (a) ¿Cuál es la
probabilidad de que el número de tornillos defectuosos en la muestra no exceda a
3? (b) ¿cuál es la probabilidad de que el número de tornillos defectuosos en la
muestra es por lo menos 6? (c) ¿cuál es la probabilidad de que el número de tornillos
defectuosos en la muestra sea estrictamente mayor que 2, pero menor o igual de 6?
(d) ¿cuál es la probabilidad de que ninguno de los 20 tornillos esté defectuoso? (e)
Calcule e interprete el valor esperado y la desviación estándar del número de
tornillos defectuosos en la muestra.

11. Las estadísticas muestran que hay un promedio de tres accidentes por semana en
una ruta determinada. Determine la probabilidad de que durante cierta semana
seleccionada al azar haya (a) 4, (b) 3 o 4, (c) a lo más tres, (d) al menos 4 accidentes.

12. Los estudios indican que, en promedio, se producen 2 averías diarias en las
carreteras urbanas durante las horas “pico” de la tarde. Asumamos que la
distribución es de Poisson. ¿Cuál es la probabilidad de que en un día concreto se
produzcan (a) menos de tres, (b) más de cinco averías en estas carreteras durante
las horas “pico” de la tarde?
13. Sea X una variable aleatoria discreta que puede asumir con la misma probabilidad
los valores 3, 7 o 14. Determine la media y la varianza de X.

14. Un fabricante de celulares, desea controlar la calidad de su producto y rechazar

cualquier lote en el que la proporción de celulares defectuosos sea demasiado alta.
Con este fin, de cada lote grande (digamos, 20.000 celulares) selecciona y prueba
25. Si por lo menos 3 de estos están defectuosos, todo el lote será rechazado. (a)
¿cuál es la probabilidad de que un lote sea rechazado si 5% de los celulares están
defectuosos? (b) ¿cuál es la probabilidad de que un lote sea rechazado si 10% de los
celulares están defectuosos? (c) ¿cuál es la probabilidad de que un lote sea
rechazado si 30% de los celulares están defectuosos?

15. Supongamos que, en promedio, una persona comete dos errores por página.
Determine la probabilidad de que en la siguiente página cometa (a) ningún error, (b)
por lo menos cuatro errores.

16. Un jefe de producción sabe que el 4% de 200 artículos producidos en cierto tipo de
máquina tiene algún defecto. Se examinan cinco de estos artículos. ¿Cuál es la
probabilidad de que (a) ninguno, (b) dos, (c) al menos dos de estos artículos tengan
un defecto?

17. Al realizar una entrevista a un grupo de personas con el fin de ingresar en un

programa de televisión, se encuentra que 25% de las personas no cumplen con los
requisitos requeridos. De las siguientes 15 personas entrevistadas, encuentre la
probabilidad de que (a) menos de cuatro, (b) de cuatro a siete, (c) más de seis no
cumplan con los requisitos requeridos.

18. Se mide la longitud de varias placas de vidrio, hasta la décima de milímetro más
cercana. Las longitudes están distribuidas de manera uniforme, con valores que
están espaciados una décima de milímetro comenzando en 320,0 y continuando
hasta 320,9. Calcule la media y la varianza de las longitudes. Interprete la media.

19. Un fabricante de computadores se preocupa por el mal funcionamiento de cierto

programa estadístico en un modelo en particular. El mal funcionamiento puede
producir en raras ocasiones un bloqueo en el sistema operativo. Suponga que la
distribución del número de computadores por año que tienen un mal
funcionamiento del paquete estadístico es la de Poisson con media 5. (a) ¿cuál es la
probabilidad de que a lo más dos computadores por año tenga un bloqueo en el
sistema operativo? (b) ¿cuál es la probabilidad de que más de un computador por
año tenga un bloqueo en el sistema operativo?
20. Una investigación en cierto país arrojó que aproximadamente 60% cree el actual
presidente de ese país está haciendo las cosas bien. ¿Cuál es la probabilidad de que
al menos cinco de las siguientes diez personas seleccionadas al azar sean de esta
opinión?

21. Se sabe que 30% de las vacas vacunadas con un suero quedan protegidos de cierta
enfermedad. Si se vacunan 20 vacas, encuentre la probabilidad de que (a) ninguna,
(b) menos de dos, (c) más de tres contraigan la enfermedad.