Ejercicios de Probabilidades

Unidad 5
Distribuciones de
probabilidad discreta
Introduccin
E
n el mundo de los negocios y las ciencias sociales existen muchos fenmenos que se
encuentran sujetos a factores aleatorios. Por esta razn, resulta necesario conocer diversos
modelos basados en probabilidades a travs de los cuales se facilite la toma de decisiones.
En esta unidad se continuar con el anlisis de la probabilidad, exponiendo los conceptos
de variable aleatoria, distribucin de probabilidad de una variable aleatoria, valor esperado y
varianza deuna variablealeatoriadiscreta. Adicionalmente, se presentarn algunasdistribuciones
de probabilidad discreta, que son modelostilespara resolver algunosproblemasquese presentan
en ciertos fenmenos o situaciones reales.
Al conjuntar tcnicas de la estadstica descriptiva, como las medidas de dispersin y las
medidasde tendencia central, con la teora de la probabilidad, como lasdistintasdistribuciones
de probabilidad que se analizarn en esta unidad, el estudiante podr adentrarse al tema de
la estadstica inferencial y se encontrar capacitado para tomar decisiones ante los diversos
problemas que se presentan en la administracin y en las ciencias sociales.
5.1. Variable aleatoria

En la unidad 1 se seal que las variables cuantitativas son aquellas caractersticas con las que
identificamos los datos bajo estudio cuyos valores son cuantificables. En esta seccin se estudiar el
concepto de otro tipo de variable, la variable aleatoria, el cual esuno de losaspectos fundamentales
de la probabilidad y se encuentra estrechamente relacionado con el concepto de experimento.
Un experimento se refiere a un proceso de observacin del cual se obtiene un resultado
entre distintos resultados posibles; este resultado no puede predecirse con plena seguridad, pues
est sujeto al azar. En este sentido, existe una estrecha relacin entre los distintos valores que se
pueden observar en un experimento y el factor aleatorio.
Cuando en un proceso de observacin las caractersticas que se desean medir (por ejemplo,
edad, nmero de clientes, ventas, etc.) adquieren valores cuantitativos y stos estn sujetos al
azar se dice que esas caractersticas son variables aleatorias. Es decir, una variable aleatoria debe
considerar dos aspectos: que las caractersticas se encuentren expresadas en valores cuantitativos
y que estos valores tengan un carcter aleatorio.
Con estos dos aspectos considerados por una variable aleatoria se puede construir una
regla de correspondencia en la que a cada uno de los posibles valores que se observan se le asigna
257
su respectivo factor aleatorio o probabilidad de que ocurra. Por esa razn tambin se puede decir que
la variable aleatoria es una funcin que relaciona los valores y sus probabilidades.
Si los valores que toma una variable estn asociados a travs de una funcin con los sucesos aleatorios
elementales en el espacio muestral de un experimento dado, y dichos valores dependen de factores al
azar en cuanto a sus ocurrencias, a la funcin se le llama entonces variable aleatoria.
Ejemplo 1
Si se selecciona una muestra aleatoria de dos consumidores que realizan sus compras y cada uno
tiene que elegir entre los artculos A y B, segn sus preferencias, la muestra puede tener los siguientes
posibles resultados:
S={AA, AB, BA, BB}
Esto quiere decir que en esta muestra se pueden observar las siguientes compras:
a) Los dos clientes eligen artculos A.

b) El artculo del primer cliente es A y el del segundo cliente es B.
c) El artculo del primer cliente es B y el del segundo cliente es A.
d) Los dos clientes eligen artculos B.
Ahora, si de acuerdo con las experiencias en el pasado 60% de los productos demandados por los
consumidores son del tipo A y 40% de los productos demandados por los consumidores son del tipo B,
se pueden determinar las probabilidades para cada uno de los puntos muestrales:
P(A, A) = (0.6)(0.6) = 0.36 Probabilidad del 1er. punto muestral.

P(A, B) = (0.6)(0.4) = 0.24 Probabilidad del 2do. punto muestral.
P(B, A) = (0.6)(0.4) = 0.24 Probabilidad del 3er. punto muestral.
P(B, B) = (0.4)(0.4) = 0.16 Probabilidad del 4to. punto muestral.
Donde:
P(S) = 0.36 + 0.24 + 0.24 + 0.16 = 1
Recuerda que la suma de las probabilidades de todos los puntos muestralesdel espacio muestral S
es igual a uno, pues cada uno de los puntos muestrales representa un evento simple, y la suma de todas
sus probabilidades es igual a uno.
Ahora procedemos a definir una caracterstica que se puede observar al escoger un punto
muestral de los cuatro que conforman el espacio muestral, por ejemplo, el nmero de productos del
tipo A que se pueden observar en esta muestra.
En este caso, existen tres posibles resultados: que en la muestra existan cero productos A,
que en la muestra exista un producto A y que en la muestra existan dos productos A. Los valores
0, 1 y 2 son los posibles valores que se puede observar en la caracterstica nmero de productos
del tipo A que se puede observar en esta muestra. Esta caracterstica representa una variable de
tipo cuantitativo.
258 ESTADSTICA PARA NEGOCIOS

Si asignamos a cada uno de estos valores sus probabilidades correspondientes se observa la
siguiente variable aleatoria:
Valor de la Probabilidad
Variable
0 0.16 Probabilidad del 4to. punto muestral.
1 0.48 Probabilidad del 2do. y 3er. punto muestral (0.24 + 0.24).
2 0.36 Probabilidad del 1er. punto muestral.
En este caso, la caracterstica bajo estudio el nmero de productos del tipo A que se puede
observar en esta muestra es una variable aleatoria, pues cumple con los dos aspectos sealados
anteriormente: la caracterstica se encuentra expresada en valores cuantitativos (0, 1 y 2), y estos
valores tienen una probabilidad que representa su carcter aleatorio (0.16, 0.48 y 0.36).
Losvaloresque toma una variable aleatoria en un proceso de observacin tienen la caracterstica
principal de obtenerse por la suerte o el azar dentro de un conjunto de datos y ocurren, cada uno, con
una probabilidad definida.
Las probabilidades asociadas a cada valor posible de una variable aleatoria suman uno. Esto es:
a) La probabilidad para todo valor que asuma la variable aleatoria Xi ser mayor o igual a cero.
P(Xi ) 0 (en este ejemplo son 0.16, 0.48 y 0.36).
b) La suma de todas las probabilidades asociadas a todos los valores que toma la variable
aleatoria discreta X es igual a la unidad, donde el subndice i muestra el elemento que se
analiza dentro de un intervalo y puede tomar valores distintos.
P(Xi ) = 1
i = 1,2,...,n
P(Xi ) = 0.16 + 0.48 +0.36 = 1
El smbolo significa para toda, de tal forma que lo anterior se interpreta como la suma de las
probabilidades de todos los i valores es uno, donde i indica que existen n elementos como mximo
en el conjunto de datos.
Las variables aleatorias se clasifican de dos formas: variables aleatorias discretas y variables
aleatorias continuas.
Una variable aleatoria discreta es aquella caracterstica que nicamente puede tomar valores contables
expresados en nmeros enteros.
Algunos ejemplos de variables aleatorias discretas son:
determinado periodo.
UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 259

Una variable aleatoria continua es aquella caracterstica que puede tomar cualquier valor dentro de un
intervalo, es decir, no toma valores exactos pudiendo incluir fracciones, asumiendo en un momento dado
Algunos ejemplos de variables aleatorias continuas son:
Establecer la diferencia entre variables aleatorias discretas y continuas es importante, ya

que para calcular la probabilidad asociada a cada una de ellas se requiere de tcnicas y modelos
matemticos distintos. A continuacin se analizar el caso para las distribuciones de variables
aleatorias discretas.
5.2. Distribuciones de probabilidad para variables discretas

Las funciones de distribucin de probabilidad de una variable aleatoria tienen una estructura
matemtica definida, de tal manera que se pueda resolver cualquier tipo de problema econmico o de
negocios donde intervenga el azar. Existen dos tipos de distribuciones de probabilidad: para variables
aleatorias discretas o para variables aleatorias continuas.
Una funcin de distribucin de probabilidad de una variable aleatoria discreta es una relacin entre los
valores asociados a una variable aleatoria discreta X y las probabilidades que se calculan para cada
uno de los valores de X .
La distribucin de probabilidad de una variable aleatoria discreta se representa por una

tabla y una grfica que proporcionan las probabilidades asociadas a cada valor posible de la variable
aleatoria discreta.
La distribucin de probabilidad de una variable aleatoria discreta puede ser:
1. Una relacin tericaderesultadosy probabilidadesen el sentido deque se pueden obtener

de un modelo matemtico que represente algn fenmeno de inters sin necesidad de
efectuar clculos, es decir, los datos por s mismos pueden aportar informacin de
su comportamiento.
2. Una relacin emprica de resultados y sus frecuencias relativas observadas, es decir, que
los resultados aplicados a una tcnica estadstica pueden mostrar de qu manera se pueden
utilizar los datos para una aplicacin concreta. Aqu los resultados del experimento se
vinculan con la obtencin de medidas de tendencia central o medidas de dispersin que
permitan analizar las caractersticas de los datos y su distribucin.

Ejemplo 2
Del ejemplo 1 la distribucin de probabilidad queda expresada mediante la siguiente tabla:
Valor de la variable Probabilidad

0 0.16
1 0.48
2 0.36
Tabla 5.1. Distribucin de probabilidades mediante tablas.
En este caso se observa una tabla que establece una regla de correspondencia entre los distintos
valores que puede adquirir la variable aleatoria con sus respectivas probabilidades. Se dice que es una
distribucin de probabilidad discreta pueslosvaloresdela variablealeatoria nicamente seencuentran
expresados en nmeros enteros.
Otra manera de representar la distribucin de probabilidad de esta variable aleatoria discreta es
a travs de una grfica conocida como distribucin de probabilidad.
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2
Valor
Figura 5.1. Distribucin de probabilidades mediante grficos.
Ejemplo 3
Si en un banco se atendi a tres clientes en un determinado periodo, los cuales pueden ser hombres
o mujeres, y adems se sabe que 50% de los clientes que visitan un banco son mujeres y 50% son
hombres. Cul es la funcin de distribucin de probabilidad del nmero de mujeres atendidas?
En este caso, la caracterstica que se desea observar es nmero de mujeres atendidas la cual
representa una variable aleatoria discreta. Como se atiende a tres clientes, es posible que de esos tres
se atiendan a cero, una, dos o tres mujeres.
El cero denota que, en ese periodo, no se atendi a ninguna mujer, el uno que slo se atendi a
una mujer y as sucesivamente; como son cuatro los valores que puede tomar la variable y se consideran
dos eventos (hombre o mujer), ello implica que como mnimo no se atiende a ninguna mujer o como
mximo se atiende a tres mujeres y lo mismo sucede para los hombres. Por tal razn, en total son ocho
los posibles resultados o puntos muestrales, de ah que la probabilidad para cada uno de stos sea 1/ 8.
Si X es el nmero de mujeres atendidas, P(X) la probabilidad de ocurrencia del suceso y el
espacio de resultados est definido S = {3 clientes en un banco}, donde cada cliente puede ser: hombre
(H) o mujer (M) y por lo tanto:
1 1
P(M ) P(H )
2 2
UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 2 61

Por medio de un diagrama de rbol se encontrara que el nmero de resultados posibles es:
HHH 1/ 8
HHM 1/ 8
HMH 1/ 8
HMM 1/ 8
MHH 1/ 8
MHM 1/ 8
MMH 1/ 8
MMM 1/ 8
Con esos posibles resultados se tiene que las probabilidades de ocurrencia de los eventos
(mujeres atendidas) son:
P(0) = 1/ 8 donde la nica combinacin es {HHH}

P(1) = 1/ 8 + 1/ 8 + 1/ 8 = 3/ 8 donde las combinaciones son {HHM, HMH, MHH}
P(2) = 1/ 8 + 1/ 8 + 1/ 8 = 3/ 8 donde las combinaciones son {HMM, MHM, MMH}
P(3) = 1/ 8 donde la nica combinacin es {MMM}
Con lo anterior se obtiene la siguiente distribucin de probabilidad:
X 0 1 2 3
P(x) 1/8 3/8 3/8 1/8
En la tabla se seala la cantidad de mujeres atendidas y su probabilidad de ocurrencia. Por

esta razn, X es una variable aleatoria discreta, pues los valores que adquiere la variable nmero
de mujeres atendidas estn expresados en nmeros enteros y cada uno de estos valores tiene una
probabilidad determinada. Esta tabla puede representar una distribucin de probabilidad discreta
para la variable X.
2 62 ESTADSTICA PARA NEGOCIOS

1. Los dos aspectos que debe considerar una variable aleatoria son:
a) Que los valores sean cuantitativos y que no tengan un carcter aleatorio.

b) Que los valores sean cualitativos y que tengan un carcter aleatorio.
c) Que los valores sean cuantitativos y que tengan un carcter aleatorio.
d) Que los valores sean cualitativos y que no tengan un carcter aleatorio.
2. Una variable aleatoria puede definirse como:
a) Las caractersticas que se pueden observar en un experimento cuyos valores son

cuantificables y estn sujetos al azar.
b) Aquellos valores que se pueden observar en un experimento que son discretos y
cuantitativos.
c) Las caractersticas que se observa en experimentos donde nicamente existe un posible
resultado.
d) Son aquellos valores que se encuentran contenidos en el espacio muestral.
3. Cada uno de los valores que adquiere una variable aleatoria deben ser:
a) Cuantitativos.
b) Cualitativos.
c) Continuos.
d) Discretos.
4. Una variable aleatoria es considerada una funcin, pues:
a) Los valores que adquiere la variable estn en funcin del espacio muestral.
b) Es una regla de correspondencia entre los valores cualitativos discretos y los valores
cuantitativos discretos.
c) Cada uno de los puntos muestrales est relacionado con su probabilidad de ocurrencia y en
funcin de los valores discretos.
d) Establece una regla de correspondencia en la que a cada uno de los posibles valores se le
asigna su respectiva probabilidad de ocurrencia.
5. Las variables aleatorias son clasificadas en:
a) Discretas y continuas.
b) Discretas y cuantitativas.
c) Discretas y cualitativas.
d) Cualitativas y cuantitativas.
6. Una variable aleatoria es discreta si:
a) Toma cualquier valor dentro de un conjunto de datos.

b) Es elegida al azar y no toma valores exactos.
c) Toma valores especficos dentro de un conjunto de datos.
d) Toma valores en fracciones de un conjunto de datos.

7. La probabilidad que asume una variable aleatoria X es:
a) Igual a cero.
b) Mayor o igual que cero, pero menor o igual que uno.
c) Mayor que uno.
d) Menor que cero.
8. Una distribucin de probabilidad se constituye por:
a) Un grfico.
b) Un conjunto de datos.
c) Una dispersin de datos.
d) Las probabilidades de cada valor que toma la variable.
9. Un modelo matemtico de un fenmeno aleatorio es:
a) Una representacin a escala de un fenmeno.

b) Una representacin grfica.
c) Una distribucin de probabilidad.
d) Una variable aleatoria.
10. Del ejemplo 1, si se define la variable nmero de productos del tipo B que se pueden observar
en una muestra compuesta por dos clientes, encuentra la distribucin de probabilidad de esta
variable aleatoria a travs de una tabla.

5.3. Valor esperado y varianza de una variable aleatoria discreta
El valor esperado de una variable aleatoria X se puede considerar una medida de tendencia central
de una distribucin de probabilidad, del mismo modo que X es una medida de tendencia central de
una distribucin de frecuencias de una muestra. La diferencia est en que la media implica una suma
de los valores de todos los datos divididos entre el nmero de datos, mientras que el valor esperado
considera que cada uno de los datos con que se cuenta tiene una probabilidad de ocurrencia y que las
multiplicaciones de los valores de los datos por su probabilidad son sumados.
El trmino valor esperado, tambin conocido como esperanza matemtica, tiene una
interpretacin intuitiva en el sentido de que al considerar la probabilidad de que una variable tome
algn valor dado, la suma arroje un dato que se espera que est en la parte central de un intervalo
de valores. El valor esperado determina un promedio basado en los valores que toma una variable,
considerando la probabilidad que existe de que la variable tome un valor determinado y dicho valor
se encuentre al centro de la distribucin.
El valor esperado o esperanza matemtica de una variable aleatoria discreta es la suma de los productos
de los posibles valores que toma la variable multiplicados por su probabilidad de ocurrencia.
Si X representa una variable aleatoria discreta que puede tomar los valores X1, X2,..., Xn con
probabilidades respectivas p1, p2,..., pn, donde la suma de las probabilidades debe sumar uno,
p1 + p2 +...+ pn = 1, la esperanza matemtica de X o simplemente la esperanza de X, simbolizada por
E(X), se define como:
n
X E(X) X1p1 X2 p2 ... X n pn Xi p

i 1
Pi = Probabilidad de ocurrencia del valor que toma la variable X.

Xi = Valores enteros que toma la variable aleatoria X.
X
= E(X) = Valor esperado de la variable X.
n
Significa que la suma va desde i = 1 (primer dato) hasta n (ltimo dato).
i 1
La frmula muestra que el valor esperado de una variable considera los posibles valores que toma
la variable, donde cada valor tiene una probabilidad asociada. La suma indica que se debe sumar desde
el primer dato (cuando i = 1) hasta el ltimo dato (n) del conjunto de datos, ya que i = 1, 2,..., n.
Ejemplo 4
En el ejemplo 3 se pide hallar la funcin de distribucin de probabilidad del nmero de mujeres

atendidas en un banco en el cual se atendi a tres clientes en cierto periodo, los cuales pueden ser
hombres o mujeres. Con los datos obtenidos, se desea conocer el promedio de mujeres que se espera
sean atendidas.
Sea X el nmero de mujeres atendidas y P(X) la probabilidad de ocurrencia del evento (de que
X tome un valor especfico). Se cuenta con la siguiente informacin:
X 0 1 2 3
P (x) 1/8 3/8 3/8 1/8

Recuerda que se debe cumplir con la propiedad de que la suma de las probabilidades es uno.
Es decir:
3
P(0) P(1) P(2) P(3) P(X i ) 1
i 0
Laesperanzaimplica multiplicar loseventospor su probabilidad deocurrenciay, posteriormente,

sumarlos para obtener el nmero promedio de mujeres que fueron atendidas.
1 3 3 1
X E(X) (0) (1) (2) (3)
8 8 8 8
= (0)(0.125) + (1)(0.375) + (2)(0.375) + (3)(0.125)
= 0.375 + 0.75 + 0.375 = 1.5
X
= E(X) = 1.5
El resultado indica que en el periodo considerado se atendi en promedio a 1.5 mujeres. Por
ejemplo, si se considera que se estudiaron 100 bancos y cada uno emple la misma informacin,
es de esperarse que los 100 bancos en su conjunto atendieron a 150 mujeres en promedio
(100 bancos x 1.5 mujeres/ banco = 150 mujeres).
Ejemplo 5
Se determin que el nmero de camiones de carga que arriban cada hora a una bodega sigue la
distribucin de probabilidad que se muestra en la siguiente tabla:
Nmero de camiones (X) 0 1 2 3 4 5 6

Probabilidad [P(X)] 0.05 0.10 0.15 0.25 0.30 0.10 0.05
El valor esperado del nmero de camiones que arriban a la bodega es:
X
= E(X) = (0)(0.05) + (1)(0.10) + (2)(0.15) + (3)(0.25) + (4)(0.30) + (5)(0.10) + (6)(0.05)
= 0 + 0.10 + 0.30 + 0.75 + 1.2 + 0.5 + 0.30 = 3.15
= E(X) = 3.15
X
En estecaso, el resultado muestraqueen promedio arribaron 3.15 camionespor hora. Si setomara

en cuenta que se estudian 100 bodegas con la misma informacin, en todas las bodegas arribaran en
promedio 315 camiones por hora (100 bodegas x 3.15 camiones/ bodega = 315 camiones).
Debido a que la distribucin de probabilidad de una variable aleatoria X es en un sentido
terico el histograma de frecuencias relativas, es natural describir la variabilidad de X con su varianza
o desviacin estndar. En tal caso, se requiere conocer la variacin de los datos con respecto al valor
medio. Por ejemplo, si se tiene informacin del nmero de productos vendidos en una tienda en un
da determinado, se querra conocer el nmero promedio de productos vendidos por da con el fin de
conocer las variaciones de ventas, se emplea la nocin de varianza.
cuadrticas que tienen los datos de una distribucin de probabilidad con respecto al valor promedio.

Si x es una variable aleatoria discreta con valores x1, x2,..., xn y probabilidades p1, p2,..., pn y con
media E(x), la varianza se define matemticamente como:
n
2
Var (x) E[(x )2 ] (xi )2 (Pi )
i 1
(x1 )2 p1 (x2 )2 p2 ... (xn )2 pn
Donde:
= Valor esperado.
x = Variable aleatoria discreta.
pi = Probabilidad de que el valor que toma la variable aleatoria x sea igual a xi .
La frmula indica que para obtener la varianza es necesario conocer el valor esperado y los
valores que puede tomar la variable, as como las probabilidades asociadas a cada una. Una vez que
se conocen estos datos, es necesario restarle a cada valor de la variable su media y elevar la resta
al cuadrado, este procedimiento se conoce como desviacin cuadrada. Al conocer las desviaciones
cuadradas hay que multiplicar por la probabilidad asociada a cada valor de x y, una vez que se tienen
los productos, se suman para de esa manera obtener la varianza.
La desviacin estndar o desviacin tpica se define como la raz cuadrada positiva de la varianza:
2
Ejemplo 6
Con la informacin del ejemplo 4, se desea conocer ahora la varianza y la desviacin estndar de los
clientes del banco.
Como ya conocemos que la media o valor esperado del nmero de clientes atendidos es 1.5,
para conocer la varianza, a cada valor que toma la variable x se le resta la media y esa diferencia se
eleva al cuadrado para posteriormente multiplicarla por la probabilidad de ocurrencia de cada evento.
Las diferencias pueden ser positivas o negativas.
2 1 3
(0 1.5)2 (11.5)2 (2 1.5)2 (31.5)2
8 8
1 3 3
(1.5)2 (0.5)2 (0.5)2
8 8 8
1 3 3 1
(2.25) (0.25) (0.25) (2.25) 6 / 8 0.75
8 8 8 8
2
= 0.75
El resultado muestra que la varianza de los datos es 0.75, pero se debe recordar que la varianza
no tiene ningn sentido prctico, ya que en este caso mostrara que la variacin es de 0.75 mujeres
cuadradas atendidas. Por ello para dar un sentido lgico y prctico se emplea la desviacin estndar.
En trminos del problema del banco, la desviacin estndar es:
0.75 0.8660
0.8660

La desviacin estndar se debe interpretar como la unidad de medida que sirve para conocer
qu tan prximo o lejano (desviado) se encuentra un determinado valor asumido por la variable
aleatoria con relacin al valor medio. En este problema indica que la variacin con respecto a
la media es de 0.8660 mujeres atendidas, es decir, los valores que se encuentran a una distancia
equivalente a una desviacin estndar, por encima o por debajo de la media 1.5, son equivalentes
a 1.5 0.8660 = 0.634 (0.8660 por debajo de la media) y de 1.5 + 0.8660 = 2.366 (0.8660 por
encima de la media).
Ejemplo 7
Con los datos del ejemplo 5, calcula la varianza y la desviacin estndar de los camiones que arriban
a la bodega.
El valor esperado para el arribo de camiones a una bodega es de 3.15 camiones por hora.
2
= (0 3.15)2(0.05) + (1 3.15)2(0.10) + (2 3.15)2(0.15) + (3 3.15)2(0.25) + (4 3.15)2 (0.30) +
(5 3.15)2(0.10) + (6 3.15)2(0.05)
= (3.15)2(0.05) + (2.15)2(0.10) + (1.15)2(0.15) + (0.15)2(0.25) + (0.85)2(0.30) + (1.85)2(0.10) +
(2.85)2(0.05)
= (9.9225)(0.05) + (4.6225)(0.10) + (1.3225)(0.15) + (0.0225)(0.25) + (0.7225)(0.30) +
(3.4225)(0.10) + (8.1225)(0.05)
= 0.496125 + 0.46225 + 0.198375 + 0.005625 + 0.21675 + 0.34225 + 0.406125
= 2.1275
2
= 2.1275
La varianza muestra que la dispersin que existe en el nmero de camiones por hora que
arriban a la bodega es de 2.1275 camiones cuadrados.
En trminos del problema de los camiones que arriban a una bodega, la desviacin estndar es:
2.1275 1.458595
1.45
La desviacin estndar muestra que la dispersin en los camiones por hora que arriban a una
bodega es de 1.45 camiones.
El concepto de varianza es til para comparar las dispersiones de las distribuciones de

probabilidad. Por ejemplo, si se considera como variable aleatoria al rendimiento de una inversin
en un ao, dos inversiones pueden tener el mismo rendimiento esperado pero diferir de manera
importante si las varianzas de sus rendimientos son distintas. Una varianza mayor indica que es ms
factible tener rendimientos distintos de la media que si la varianza es pequea. En este contexto, la
varianza del rendimiento se puede asociar al concepto de riesgo de una inversin, es decir, a
mayor varianza, mayor riesgo y por lo tanto, mayor ganancia.

1. Si H representa el nmero de veces que un consumidor acude a un supermercado en una
semana, y tomando en cuenta la siguiente tabla de distribucin de probabilidades:
H 0 1 2 3
P (h) 1/8 2/8 4/8 1/8
a) Encuentra el valor esperado E(H).

b) Encuentra la varianza.
c) Encuentra la desviacin estndar.
2. Una pequea compaa area vuela con aviones que tienen capacidad para ocho pasajeros. La
compaa ha comprobado que la probabilidad de que un pasajero con boleto no se presente
en el avin es 0.2 para cada vuelo; la compaa pone a la venta 10 boletos. La distribucin de
probabilidad del nmero de boletos vendidos en un vuelo aparece en la siguiente tabla.
Nmero de boletos 6 7 8 9 10
Probabilidad 0.25 0.35 0.25 0.10 0.05
a) Calcula el valor esperado del nmero de pasajeros que se presentan al vuelo con boleto.
b) Calcula la varianza y la desviacin estndar para conocer la dispersin de pasajeros que se
presenta al vuelo con boleto.
3. Se ha determinado que el nmero de camiones que arriba a una bodega cada hora sigue la
distribucin siguiente:
Nmero de camiones (x) 0 1 2 3 4 5 6

Probabilidad [P(x)] 0.05 0.10 0.15 0.25 0.30 0.10 0.05
a) Calcula el valor esperado del nmero de camiones que se espera arriben cada hora.
b) Calcula la varianza y la desviacin estndar a fin de determinar la dispersin de camiones
que arriban a la bodega.
4. Se sabe que durante intervalos de 10 minutos, el arribo de clientes a un banco presenta la

siguiente distribucin:
Nmero de clientes (x) 0 1 2 3 4 5

Probabilidad [P(x)] 0.15 0.25 0.25 0.2 0.1 0.05
a) Calcula el valor esperado del nmero de clientes que se espera arriben.

b) Calcula la varianza y la desviacin estndar a fin de determinar la dispersin de clientes
que arriban al banco.

5.4. Distribucin binomial
La distribucin binomial es una funcin de distribucin de probabilidad discreta que resulta
sumamente til para describir muchos fenmenos, pues a diferencia de otros tipos de distribucin, la
variable aleatoria discreta cuya distribucin es binomial est asociada a un experimento que consiste
en considerar dos posibles resultados.
La distribucin binomial emplea variables aleatorias discretas y se caracteriza por el hecho de que
nicamente considera que existen xitos y fracasos, es decir, slo toma en cuenta que existen dos
alternativas de decisin dentro de un conjunto de datos. Cabe sealar que la distribucin binomial slo
considera que los datos corresponden a una muestra o a una poblacin, pero no a ambas.
Por ejemplo, si seconsideraunaencuestapor muestreo paraconocer lapreferenciadelosconsumidores

por dos marcas de botanas, los posibles resultados del experimento son dos, ya que se es el nmero
de marcas de botanas que se consideran sin tomar en cuenta el nmero de consumidores encuestados.
Suponemos que su probabilidad de ocurrencia sera de , pero si se desea conocer la proporcin de
consumidoresque estn a favor de una u otra marca (por ejemplo, marca A = xito y marca B = fracaso), la
probabilidad de que una determinada cantidad de consumidores prefiera la marca B, por ejemplo, no ser
de , por lo cual debe emplearse un mtodo para definir la proporcin de consumidores que est a favor
de una marca determinada.
La distribucin binomial debe reunir cuatro propiedades:
1. El experimentoconsistedeun nmerofijodeensayos. Por ejemplo, si seestudiael comportamiento

de 30 acciones de una empresa y se tiene como poltica analizar slo 10 acciones con el fin
de determinar cules son las que reportan mayores rendimientos.
2. Cada ensayo slo tiene dos posibles resultados a los que suele llamarse xito o fracaso. Por
ejemplo, al planear la venta de un determinado nmero de casas, un corredor de bienes
races puede considerar que si concreta una venta es un xito pero si no la concreta es
un fracaso.
3. La probabilidad de un xito es igual a p y es constante para todos los ensayos y la probabilidad

de fracaso es, por tanto, igual a q = (1 p). Se considera xito la condicin que se busca y
fracaso lo contrario. Por ejemplo, en un lote de 100 artculos fabricados se puede conocer
en promedio la probabilidad de que slo haya un nmero determinado de artculos
defectuosos, por lo que la probabilidad de que cada uno sea defectuoso es la misma, es
decir, si se demuestra que 20% de los artculos es defectuoso, la probabilidad de fracaso
es 0.20 para todos los productos.
4. Los ensayos son independientes, es decir, el resultado de probabilidades que se da en un ensayo no

afecta al resultadoqueseda en otro. Por ejemplo, si al analizar una serie de artculosproducidos
en una empresa se tiene que la probabilidad de que 20 artculos sean defectuosos es 0.10,
ello no quiere decir que, al elegir otra muestra de igual tamao, la probabilidad de que se
obtengan defectos en artculos sea la misma que se obtuvo anteriormente.
Por losmotivosanteriormenteexpuestos, ladistribucin binomial hasido utilizadaen numerosas

aplicaciones, por ejemplo:

determinar la probabilidad de que ninguna sea defectuosa, sabiendo que 8% de las llantas
de la poblacin son defectuosas.
un aumento en su precio al cierre, durante diez sesiones de operaciones; si en realidad los

cambios de precios en el mercado accionario son aleatorios.
Como se incluye un nmero de xitos (k) y el nmero de fracasos (nk) en n ensayos, para
conocer el nmero de formas totales (todos los posibles xitos o fracasos) se obtiene el nmero de
combinaciones de n elementos, de los cuales k pertenecen a una clase (xito) y nk a otra clase distinta
(fracaso), entonces la probabilidad de que ocurra un evento es:
n!
P(X) P(k, n, p) nCk pk qnk pk qnk
k!(n k)!
Donde:
P(k, n, p) = Probabilidad de que se den k xitos en n ensayos donde se conoce la probabilidad de
xito (p).
P(X) = Probabilidad de que la variable X tome el valor k.
n = Tamao de la muestra o nmero de ensayos.
k = Nmero de xitos.
nk = Nmero de fracasos.
p = Probabilidad de xito.
q = Probabilidad de fracaso.
! = Factorial de un nmero.
n!
La frmula se refiere a las posibles combinaciones que pueden darse en el conjunto
k!(n k)!
de datos con que se cuenta, mostrando cuntos posibles resultados se pueden obtener si se desean
slo xitos dentro de un conjunto de datos.
El hecho de emplear factorialesimplica una multiplicacin de nmerosconsecutivos, por ejemplo, el
factorial de cinco es 5! = 5 4 3 2 1 = 120 o, si se quiere simplificar, el factorial se expresara como
5! = 5 4! = 5 4 3! = 5 4 3 2! = 120.
Un claro ejemplo de por qu debemossimplificar se tiene al trabajar con divisionesde factoriales.

Por ejemplo, si se divide el factorial de 5 entre el factorial de 3, el resultado es:
5! 5 4 3!
5 4 20
3! 3!
Como puedes observar, al simplificar se multiplica 5 por 4 y se deja el factorial de 3 para que sea
eliminado con el factorial de 3 del denominador.
La reduccin es factible cuando la distancia existente entre el valor del factorial del numerador
y el valor del factorial del denominador no es muy grande (5 unidades). La limitante al emplear
factorialesradica en que factorialessuperioresa 30 toman valoresextremadamente altosquedificultan
el clculo. Debes tomar en cuenta tambin que el factorial de cero es uno, ya que aunque es un valor
nulo representa un nmero y, como se trabaja con potencias, debes recordar que cualquier nmero
elevado a la potencia cero, da como resultado uno.

Ejemplo 8
Una empresa consultora afirma que un procedimiento para promocionar las ventas de una compaa
es exitoso 80% de las veces. Si el procedimiento se lleva a cabo cinco veces en un ao, cul es la
probabilidad de que:
a) Las cinco veces que se lleva a cabo el procedimiento sea exitoso.

b) A lo ms dos sean exitosas.
a) Como se pide obtener la probabilidad de que lascinco vecesque se aplica el procedimiento sean
exitosas, la probabilidad de xito es p = 0.8 y la probabilidad de fracaso es q = (1 0.8) = 0.2
n!
P(k) P(k, n, p) pkqnk
k !(n k)!
n=5
k=5
5! 5!
nk=0 P(5) = (0.8)5 (0.2)0 = (0.8)5 (0.2)0
5!(5 5)! 5!(0)!
p = 0.8
q = 0.2
En este caso la divisn es de 5! entre 5! es 1, el
factorial de cero es uno
Elevado a la potencia 0 es 1
P(5) = (1) (0.32768) (1) = 0.32768
P(5) = 0.32768
La probabilidad de que las cinco veces que se lleva a cabo el procedimiento para promocionar
las ventas sea exitoso, es 0.32768.
b) El trmino a lo msimplica que la mayor cantidad de xitos que pueden tenerse es dos, pero
tambin puede darse el caso de que sea uno o cero, por lo que se tiene:
k 2 ; k puede ser 2, 1, 0
P(k 2) = P(0) + P(1) + P(2)
Entonces, hay que obtener las probabilidades de tener 0, 1, 2 xitos para despus sumarlas y
encontrar la solucin.
5! 5! 1
P(0) (0.8)0 (0.2)5 (1) (0.00032) (0.00032) (1) (0.00032)
0 !(5 0)! (0 !)(5)! 1
P(0) = 0.00032
5
P(1) (0.00128) (5) (0.00128) 0.0064
1
P(1) = 0.0064

5! 5! 5 4 3!
P(2) (0.8)2 (0.2)3 (0.64) (0.008) (0.00512)
2!(5 2)! (2 !) (3!) (2) (3 !)
5 4 20
P(2) (0.00512) (0.00512) (10) (0.00512) 0.0512
2 2
P(2) = 0.0512
P(k 2) = P(0) + P(1) + P(2)
P(k 2) = 0.00032 + 0.0064 + 0.0512 = 0.05792
P(k 2) = 0.05792
La probabilidad de que al menos dos veces se lleve a cabo el procedimiento para promocionar
las ventas es 0.05792.
Ejemplo 9
De las ventas de automviles nuevos en un pas, 20% corresponde a los automviles importados.
Suponiendo que se seleccionan al azar cuatro personas que han comprado un automvil nuevo
durante una semana.
a) Cul es la probabilidad de que las cuatro personas hayan comprado un automvil importado?
b) Cul es la probabilidad de que slo una persona haya comprado un automvil importado?
Solucin:
a) En este caso, el tamao de la muestra (las personas que compraron automviles importados) es
n = 4, la probabilidad de xito p = 0.2, la probabilidad de fracaso es q = 1 0.2 = 0.8, el nmero
de elementos que se consideran xito es k = 4 y el nmero de elementos que se consideran
fracasos es nk = 4 4 = 0. Sustituyendo en la frmula probabilstica binomial:
4! 4! 1
P(4) (0.2) 4 (0.8) 0 (0.0016) (1) (0.0016) (1) (0.0016)
4!(4 4)! 4 !(0!) 1
P(0) = 0.0016
La probabilidad de que las cuatro personas de la muestra hayan comprado un automvil

importado es 0.0016.
b) En este caso, el tamao de la muestra (las personas que compraron automviles importados) es
n = 4, la probabilidad de xito p = 0.2, la probabilidad de fracaso es q = 1 0.2 = 0.8, el nmero
de elementos que se consideran xito es k = 1 y el nmero de elementos que se consideran
fracasos es n k = 4 1 = 3.
4! 4! 4 3!
P(1) (0.2)1(0.8)3 (0.2) (0.512) (0.2) (0.512)
1!(4 1)! 1 !(3!) (1) (3 !)
4
P(1) (0.1024) (4) (0.1024)
1
P(1) = 0.4096
La probabilidad de que slo una persona haya comprado un automvil importado es 0.4096.

1. Si 30% de las lmparas incandescentes fabricadas por una compaa se funde en una semana si
se dejan encendidas todo el tiempo, y se instala una lmpara en cada uno de los 10 pisos de un
edificio, cul es la probabilidad de que:
a) Se fundan diez lmparas.

b) No haya lmparas fundidas.
2. Una empresa informa que 30% de sus cuentas por cobrar a otras empresas comerciales est
vencido. Si un contador toma una muestra aleatoria de cinco de esas cuentas para saber qu
cantidad es la que ha vencido, determina la probabilidad de que:
a) Ninguna de las cuentas est vencida.

b) Dos de las cuentas est vencida.
3. Un director de produccin sabe que 5% de las piezas producidas en cierto proceso de

fabricacin tiene algn defecto. Se examinan seis de estas piezas cuyas caractersticas se asumen
independientes. Cul es la probabilidad de que:
a) Ninguna de las piezas est defectuosa.

b) Dos de las piezas estn defectuosas.
4. Una asociacin de beneficencia contrata estudiantes para que soliciten donacionespor telfono.
Despus de un breve periodo de preparacin, los estudiantes telefonean a los donantes
potenciales y reciben en pago una comisin. La experiencia indica que, normalmente, estos
estudiantes logran slo un xito moderado, y 70% de ellos deja el trabajo en las dos primeras
semanas. La asociacin contrata seis estudiantes, que pueden considerarse como una muestra
aleatoria. Cul es la probabilidad de que:
a) Ninguno de los estudiantes deje el trabajo en las dos primeras semanas.

b) Cuatro de los estudiantes dejen el trabajo en las dos primeras semanas.
5. De los empleados de una empresa, 40% est a favor de la representacin sindical y se contacta
a una muestra aleatoria de 10 empleados en solicitud de una respuesta annima. Cul es la
probabilidad de que:
a) Cinco de los empleados estn a favor de la representacin sindical.

b) Los diez empleados estn a favor de la representacin sindical.

5.5. Distribucin hipergeomtrica
Tanto la distribucin binomial como la distribucin hipergeomtrica persiguen un mismo objetivo
(el nmero de xitos en una muestra que contiene n observaciones). Lo que establece una diferencia
entre estas dos distribuciones es la forma en que se obtiene la informacin y la manera como se
trabajan las muestras y poblaciones.
La distribucin hipergeomtrica es aquella en la que se considera la existencia de xitos y/o fracasos en

una muestra y en una poblacin, suponiendo que se tiene conocimiento del tamao de la poblacin y
del nmero de elementos dentro de ella que se consideran xitos o fracasos, y que extrae una muestra
donde tambin existen xitos o fracasos.
La principal diferencia que existe entre las distribuciones binomial e hipergeomtrica es

que en la binomial slo se trabaja con una muestra o con una poblacin, no con las dos, pero se
considera que la forma como se emplean los datos es con reemplazo de los mismos, mientras que en
la hipergeomtrica se utilizan tanto la muestra como la poblacin para hacer referencia al nmero
de elementos contenidos en la poblacin y as poder conocer el nmero de xitos o fracasos en ella,
adems de que se considera que, partiendo de esa poblacin, se extrae una muestra e interesa conocer
la probabilidad de que se genere un nmero dado de xitos o fracasos tomando en cuenta que el
manejo de los datos es sin reemplazo.
Se considera que el reemplazo implica que, al trabajar con un dato elegido previamente, ste
vuelve a considerarse en el conjunto de datos, por ejemplo, si se tiene una baraja con 52 cartas y se
elige una al azar, y esa carta es un as de diamantes, el reemplazo consiste en volver a incluir esa carta
en el conjunto, teniendo la posibilidad de volverla a elegir, adems de que la probabilidad de elegir
una carta no cambiara porque se seguiran considerando 52 cartas.
Si no existe reemplazo, la carta elegida se eliminara del conjunto y no se volvera a incluir, por
lo que la probabilidad de elegir una carta est cambiando a medida que se reduce el total de elementos
contenidos en el conjunto. Esto quiere decir que, al disminuir los elementos de una poblacin o
muestra, la probabilidad de que se lleve a cabo un experimento ser cada vez mayor.
Al realizar un muestreo sin reemplazo de los elementos tomados de una poblacin, no es
posible emplear la distribucin binomial debido a que, al eliminar (no reemplazar) elementos
de una poblacin, cambia la probabilidad de obtener un xito al disminuir la cantidad de esos
elementos. En una situacin en la que se requiere que los resultados de un experimento no se
repitan, y adems se considera que se tiene una poblacin y de ella se extrae una muest ra,
se debe emplear el muestreo sin reemplazo, siendo la distribucin de probabilidad discreta ms adecuada,
la distribucin hipergeomtrica.
Esta distribucin se emplea para calcular la probabilidad de obtener un determinado nmero
de xitos en un espacio muestral de n ensayos, partiendo de que existe un nmero dado de xitos
dentro de una poblacin y que el resultado de una observacin depende o es afectado por el resultado
de cualquier otra observacin anterior, en el sentido de que hay elementos que han sido eliminados
y no pueden repetirse.
De esa manera, la distribucin hipergeomtrica considera no slo a loselementos de la muestra,
sino tambin a los elementos de la poblacin, por lo cual se tiene:
k! (N k)!
( k Cx )( Nk Cnx ) x !(k x)! (n x)![(N k) (n x)]!
P(k)
( N Cn ) N!
n!(N n)!

Donde:
N = nmero de elementos en la poblacin.
k = nmero de elementos en la poblacin que se consideran xitos.
Nk = nmero de elementos en la poblacin que se consideran fracasos.
n = nmero de elementos en la muestra seleccionados de los N elementos en la poblacin.
x = nmero de xitos en la muestra.
En este sentido, la frmula implica que, al contarse con una poblacin, hay elementos dentro de
ella (N) que son considerados xitos (k) y, si se desea realizar un experimento, se extrae una muestra
(n) y se analiza para saber qu proporcin de los datos de la muestra son xitos (x). As, se garantiza
conocer de manera exacta la probabilidad de que un nmero dado de datos dentro de una muestra
puedan ser xitos o fracasos.
Ejemplo 10
Un aspirante a un puesto ejecutivo acude al departamento de recursos humanos de una empresa y

se le notifica que en dos das deber realizar un examen basado en una gua de quince secciones. Al
prepararse para el examen, estudia tan slo 10 de las 15 secciones que debe cubrir. Si su instructor
selecciona 5 secciones al azar y hace una pregunta de cada una, cul ser la probabilidad que tiene el
aspirante de haber estudiado dos de las secciones?
En primer trmino se deben identificar los elementos correspondientes para ubicar sus valores
en la frmula. Como podrs observar, se hace referencia de 15 secciones que abarca el examen, por lo
que el tamao de la poblacin es N = 15. El aspirante estudia 10 de las secciones, por lo que el nmero
de elementos en la poblacin que se consideran xitos es k = 10. Al seleccionar 5 secciones al azar, se
habla del tamao de muestra:
n= 5
N = 15
k = 10
Nk = 5
n =5
Al considerarse la probabilidad de que el aspirante haya estudiado dos de las secciones, se tiene
que el nmero de xitos en la muestra x = 2.
n x=3
( k Cx )( N k Cnx ) (10 C2 )( 5 C3 )
P(2)
( N Cn ) 15 C5
10! (5)! 10 ! (5)! 10 9 8 ! 5 4 3!

2!(10 2)! (3)!(53)! (2!) (8!) (3!) (2!) (2) (8!) (3!) (2)
P(2) =
15! 15! 15 14 13 12 11 10!
5!(155)! (5!) (10!) (5 4 3 2 1) (10!)
10 9 5 4 90 20
2 2 2 2 (45) (10) 450
0.149850149
15 14 13 12 11 360 360 (3 003) 3 003
120 120

0.149850149
P (2) = 0.1499
La probabilidad de que el aspirante haya estudiado dos secciones es de 0.1499, lo cual es un

valor bajo que denota que sus posibilidades de aprobar el examen no son muy alentadoras.
Ejemplo 11
Una compaa recibe un pedido de 20 artculos. Debido a que la inspeccin de cada artculo es cara,
se sigue la poltica de analizar una muestra aleatoria de 6 artculos de cada envo, aceptando la remesa
si no hay ms de un artculo defectuoso en la muestra. Cul es la probabilidad de que sea aceptado
un pedido con 5 artculos defectuosos?
N = 20
k= 5
N k = 15
n= 6
Al considerarsela probabilidad dequelacompaa acepte un pedido con 5 artculosdefectuosos,

se tiene que el nmero de xitos en la muestra x = 5.
n x=1
( k Cx )( N k Cnx ) ( 5C5 ) (15C1 )

P(5) =
( N Cn ) ( 20 C6 )
5! (15)! 5! 15 x 14 !
5!(5 5)! (1)!(15 1)! (5!) (0 !) (1!) (14 !)
P(5)
20 ! 20 19 18 17 16 15 14!
6 !(20 6)! (6 !) (14!)
1 15 1 15
1 1 1 1 (1) (15) 15
0.00038699
20 19 18 17 16 15 27 907 200 (38 760) 38 760
(6 5 4 3 2 1) 720
P(5) = 0.00039
La probabilidad de que un pedido que contenga 5 artculosdefectuosossea aceptado es0.00039,

el cual es un valor muy bajo.

1. Una empresa presenta 10 declaraciones a un auditor de Hacienda y ste selecciona una muestra
de seis declaraciones de impuestos de personas con una profesin particular para una posible
auditora. Si siete de las declaraciones indican deducciones autorizadas no se auditar a todo
al grupo de 10 declaraciones, cul es la probabilidad de que no se realice una auditora ms
detallada si las declaraciones correctas son:
a) Cinco.
b) Tres.
2. Un gerente selecciona aleatoriamente a tres individuos de un grupo de 10 empleados de un

departamento para la formacin de un equipo asignado a un proyecto. Suponiendo que
cuatro de los empleados fueron asignados anteriormente a un proyecto similar, determina la
probabilidad de que exactamente dos de los tres empleados hayan tenido experiencia en este
tipo de proyectos.
3. Una analista financiera harecibido una listade losbonosde 12 compaas. La analistaselecciona

tres empresas de la lista cuyos bonos cree que estn en peligro de caer el prximo ao. En
realidad cuatro de las empresas de la lista vern caer sus bonos el prximo ao. Supongamos
que la analista ha elegido las tres empresas de la lista aleatoriamente. Cul es la probabilidad
de que ninguna de las elegidas est entre aquellas cuyos bonos bajarn el prximo ao?
4. El director de un banco est considerando la concesin de un prstamo a 10 personas que lo

han solicitado. El perfil de todoslossolicitantes es similar, excepto en que cinco son menores de
edad y el resto no. Al final, el director aprueba seis solicitudes. Si estas seis solicitudes han sido
elegidasaleatoriamente del total, cul es la probabilidad de que dos de las solicitudesaprobadas
sean de menores de edad?
5. En una tienda de autoservicio 15 de los 20 clientes encuestados por una marca reconocida de
botanas estn insatisfechos con el sabor de algunos productos. Si una muestra aleatoria
de cuatro clientes es encuestada sobre el sabor de los productos, determina la probabilidad de
que tres de los clientes encuestados se muestren insatisfechos con el sabor de las botanas.

5.6. Distribucin de Poisson
La distribucin de Poisson es otra funcin de distribucin de probabilidad discreta que tiene muchas
aplicaciones prcticas. Algunos ejemplos de los fenmenos analizados con la distribucin de Poisson son:
La distribucin de Poisson emplea informacin referente a situaciones en las cuales se maneja que
el resultado de un ensayo se condicione por presentarse en un periodo determinado o en un rea o
La distribucin de Poisson puede emplearse para determinar la probabilidad de ocurrencia

de un nmero establecido de eventos cuando stos ocurren en cierto periodo. Aunque es parecida
a la distribucin binomial, se distingue de ella en que los eventos ocurren a lo largo de un
intervalo de tiempo o espacio. La variable aleatoria discreta el nmero de xitos por unidad
(es decir, por periodo, rea, etc.) es representativa de una distribucin de Poisson. Cuando el
criterio es el rea, se hace referencia a que se puede, por ejemplo, entrevistar a 100 personas en
un kilmetro cuadrado.
No slo existen numerosos fenmenos discretos representados por una distribucin de
Poisson, sino que es posible emplear la distribucin de Poisson como una aproximacin a la
distribucin binomial cuando se proporciona el total de datos referentes a un problema y el
nmero de datos es grande (mayor a 30), ya que no se puede calcular fcilmente el factorial de
un nmero superior a se, por lo que en este caso el promedio se define como = n p, con la
caracterstica de que el valor de la probabilidad es muy pequeo. Se dice que la distribucin de
Poisson es la distribucin lmite de la binomial a medida que la muestra se hace muy grande y p
se aproxima a cero.
Para determinar la probabilidad de ocurrencia de un nmero establecido de eventos en una
distribucin de Poisson slo se requiere de un valor: el nmero promedio de eventos en la dimensin
temporal o espacial especfica de inters. Por lo general esta media se representa por la letra griega
(lambda). Esta distribucin se representa por:
x
e
P( x)
x!
Donde:
e = 2.71828, es la base de los logaritmos naturales.
= constante positiva igual a la media de la distribucin.
x = cualquier nmero entero positivo o valor que toma la variable aleatoria.

Ejemplo 12
El nmero promedio de ventas de una compaa en una hora es de 5, se desea conocer cul es la
probabilidad de que en una hora determinada se realicen:
a) Tres ventas.
b) Seis ventas.
En los datos se puede apreciar que se conoce el valor de , por lo cual se emplea la distribucin
de Poisson.
a) Como el promedio de ventas por hora es cinco, entonces = 5, siendo x = 3.

(e 5 ) (5)3 (2.71828) 5 (5)3 (0.0067)(125) 0.8375
P(3) 0.1396
3! 3! 3 2 1 6
P(3) = 0.1396
La probabilidad de que se realicen en promedio tres ventas en una hora, es de 0.1396.
b) Se desea conocer la probabilidad de que se realicen x = 6 ventas, por lo cual:
(e 5 ) (5)6 (2.71828) 5 (5)6 (0.0067) (15 625) 104.6875

P(6) 0.1454
6! 6! 6 5 4 3 2 1 720
La probabilidad de que se realicen en promedio seis ventas en una hora es 0.1454.
Ejemplo 13
Una compaa de seguros considera que en las plizas que vende debe adicionar una cobertura de
gastosmdicos mayores para padecimientospoco frecuentes. La probabilidad de que un individuo
aleatoriamente seleccionado tenga ese padecimiento es de 0.001 y el grupo de asegurados es de
3 000 personas.
a) Cul es la probabilidad de que ninguna de las 3 000 personas presente el padecimiento?

b) Cul es la probabilidad de que 10 personas presenten el padecimiento?
Como puedes observar, en este caso se proporciona el total de elementos considerados en el

estudio (3 000), el cual es grande, por lo que se tiene que emplear la aproximacin a la distribucin
binomial con el fin de facilitar el clculo de la probabilidad requerida.
Para conocer el promedio de personasque tienen el padecimiento hay que multiplicar la probabilidad de
que lo tengan por el total de elementos contenidos en la muestra, por lo que = n P = (0.001)(3 000) = 3.
a) Como el promedio de personas que puede presentar el padecimiento es = 3 y x = 0:

(e 3 ) (3)0 (2.71828) 3(3)0 (0.049787068) (1) 0.049787068
P(0) 0.049787068
0! 0! 1 1
P(0) = 0.049787068

Con el resultado puede deducirse que la probabilidad de que ninguna persona presente el
padecimiento es 0.049787068, siendo un valor muy bajo.
b) El promedio de personas que puede presentar el padecimiento es = 3 y x = 10:

(e 3 ) (3)10 (2.71828) 3 (3)10 (0.049787068) (59 049) 2 939.876578
P (500)
10 ! 10 ! 10 9 8 7 6 5 4 3 2 1 3 628 800
= 0.000810151
P (10) = 0.000810151
El resultado muestra que la probabilidad de que 10 personas puedan presentar el padecimiento

es realmente bajo, con lo cual puede concluirse que a la compaa aseguradora le conviene incluir en
su cobertura el rubro de incremento en gastos mdicos, ya que se considera que la probabilidad de
que se contraiga el padecimiento es baja y con ello no tendr que pagar mucho.

1. Los clientes de una tienda de autoservicio llegan a una caja ocupada a una tasa media de tres
por minuto. La tienda desea conocer la probabilidad de que en un minuto determinado
se produzcan dos o menos llegadas para establecer el nmero de cajas que deben estar
funcionando para dar un mejor servicio.
2. El conmutador de un edificio de consultoras publicitarias puede manejar un mximo de cinco

llamadas por minuto, segn el fabricante. Si la experiencia indica que se recibe un promedio
de cinco llamadas por minuto que declara el fabricante, encuentra la probabilidad de que se
reciban tres llamadas en un minuto dado.
3. Los clientes de una tienda de artculos deportivos llegan a un mostrador ocupado a una tasa
media decuatro por minuto. Se desea conocer la probabilidad deque en un minuto determinado
lleguen tres clientes.
4. El nmero de accidentesmensualesen una cadena de produccin esde2.6 para un mesconcreto,

cul es la probabilidad de que no existan accidentes?
5. Un profesor recibe en promedio 4.2 llamadas de sus estudiantes el da anterior al examen, cul
es la probabilidad de que reciba dos llamadas en esos das?

5.7. Distribucin geomtrica
En la distribucin binomial nosinteresa conocer la probabilidad de que se susciten xitoso fracasos, pero no
importa el orden en que se den, esdecir, no esde importancia si el primer xito se da en el primer, quinto o
ltimo experimento. Por ejemplo, si se tiene un lote de artculos y se elige una muestra de cinco para ver si
presentan defectos(fracaso), no importasi el primer defecto seencuentraen el primer, tercer o cuarto artculo,
lo importante es conocer la probabilidad de que dos o tres o cinco artculos sean defectuosos.
La distribucin geomtrica se basa en la distribucin binomial slo que en sta nos interesan
las probabilidades de que el primer xito o fracaso ocurra en un experimento dado, por ejemplo, es
de inters conocer si el primer xito o fracaso ocurre en el tercer experimento.
En la distribucin geomtrica se tienen x experimentos y para que el primer xito (fracaso) se d
en el x-simo experimento (el experimento elegido), debern ocurrir antes x 1 fracasos (xitos) cuya
probabilidad es (1 P)x1.
Por ejemplo, si se estudia la venta de 10 automviles de tres marcas diferentes (A, B, C) en una
hora dada con probabilidades de xito y fracaso conocidas y se desea saber la probabilidad de que
el primer xito (la primera venta de la marca B) se d en la tercera venta realizada, se tienen x = 3
experimentos (ventas) pero antes se dieron x 1 = 31 = 2 fracasos (ventas de otras marcas).
La probabilidad de que el primer xito o fracaso ocurra en el x-simo experimento es:
P(x) = P(1 P)x1
Donde:
P(x) = Probabilidad de que el primer xito se de en el experimento x.
P = Probabilidad de xito.
(1P) = Probabilidad de fracaso.
x = Experimento elegido donde se espera que se obtenga el primer xito.
x 1 = Fracasos ocurridos antes de que se obtenga el primer xito.
Ejemplo 14
Una casa de bolsa tiene un paquete de acciones con distintos rendimientos. Si la probabilidad de que
se eleve el rendimiento de las acciones es de 0.7, encuentra la probabilidad de que la cuarta accin sea
la que eleve primero su rendimiento.
La probabilidad de xito est definida por la probabilidad de que las acciones eleven su
rendimiento, por lo cual P = 0.7; la probabilidad de fracaso es (1 P) = 1 0.7 = 0.3. Como se
espera que la cuarta accin sea la que eleve primero su rendimiento, x = 4.
P(x) = P(1 P)x1

P(4) = (0.7) (0.3)4 1 = (0.7) (0.3)3 = (0.7) (0.027) = 0.0189
P(4) = 0.0189
La probabilidad de que la cuarta accin sea la que eleve primero su rendimiento es de 0.0189, lo
cual indica que es poco probable que esta accin sea la que eleve primero su rendimiento.

Ejemplo 15
Al participar en un concurso, la probabilidad de que un participante acierte una respuesta esde 0.6. Cul
es la probabilidad de que el participante proporcione la primera respuesta correcta en su tercer intento?
La probabilidad de xito es P = 0.6, la probabilidad de fracaso es (1 P) = 1 0.6 = 0.4
P (3) = (0.6)(0.4)3 1 = (0.6)(0.4)2 = (0.6)(0.16) = 0.096

P(3) = 0.096
La probabilidad de que el concursante proporcione la primera respuesta acertada en su tercer

intento es 0.096.

1. El departamento de recursos humanos de una compaa tiene tres candidatos factibles para un
puesto gerencial, los cualeshan sido seleccionados a travsde variaspruebas, determinndose que
la probabilidad de acertar las respuestas es de 0.9; para decidir cul de ellos debe quedarse con
el puesto, se les har una prueba ms. Cul es la probabilidad que el primer candidato conteste
acertadamente a la prueba?
2. Si la probabilidad de que un estudiante de una clase numerosa pueda dar la respuesta a un

problema asignado es de 0.3, cul es la probabilidad de que el cuarto estudiante seleccionado
al azar por el instructor sea el primero en dar la respuesta correcta?

5.8 Implementacin en los procesos de pronstico para los negocios
Sin lugar a dudas una de las partes ms importantes dentro de la administracin de un negocio es
la referente al proceso de pronosticacin y prediccin objetiva del futuro, la cual se basa en tratar
de adelantarse al escenario actual y vislumbrar el escenario futuro de la situacin de la empresa o
de un proyecto en especfico. Es aqu donde las diferentes distribuciones probabilsticas y la propia
estadstica pueden apoyar de manera ardua y significativa.
Es importante sealar que esta actividad inherente al manejo eficiente de los negocios y de
las propias organizaciones se ha realizado con mucha antelacin en la historia organizacional y
empresarial, debido a que saber o poder identificar qu se espera que suceda en el futuro es una
ventaja competitiva que proporciona, sin lugar a dudas, diferenciacin y xito en cualquier empresa y
negocio. Sin embargo, la parte importante radica en la forma en que estos pronsticos se han llevado
a cabo, y a decir verdad, hasta hace relativamente poco existen mtodos para realizar con mayor
asertividad y objetividad el proceso de los pronsticos.
Lo que ha dado al traste con mltiplesproyectoses que muchasempresassustentan susprocesos
decisorios slo en cuestiones cualitativas, cuando actualmente el mundo nos ha dado lecciones
referentes a que no todas las decisiones se deben dar y sustentar en un proceso cualitativo, sino ms
bien en una mezcla estratgica de informacin cualitativa y cuantitativa. Y es ah donde la cuestin
estadstica y de pronosticacin cobra mayor envergadura.
Un nmero cada vez mayor de organizaciones est redefiniendo y formalizando el proceso de
elaboracin de pronsticos para llevar a cabo una serie de planificaciones organizacionales efectivas;
por ejemplo, podemos mencionar la planeacin referente a los procesos comerciales, a la capacidad
productiva de una planta o una unidad de negocio, a los pronsticos financieros, a los pronsticos
de quejas y observaciones de nuestros clientes o proveedores, etc., y por ende generar un mejor
desempeo de todo lo largo y ancho de la organizacin.
Actualmente, dentro del lenguaje de los negocios y de la administracin efectiva de las
organizaciones cobra gran relevancia el trmino de productividad, competitividad y rentabilidad;
sin embargo, atrs de estos conceptos primordiales para los negocios se encuentra un proceso de
pronosticacin efectivo.
Riesgo
Rentabilidad
Pronosticacin Desarrollo de la
efectiva Productividad empresa, negocio
proyecto
Competitividad
Incertidumbre
Ahora bien, es importante sealar que para que el proceso de pronosticacin sea efectivo debe
partir de una aculturizacin en dos vertientes muy importantes y que resultan ser la base de todo el
proceso: la cultura hacia la prediccin y la cultura hacia la planeacin. Se debe sealar que cuando
se lleva a cabo un proceso ineficiente de pronosticacin, la incertidumbre y el riesgo se incrementan

de manera sustanciosa, y como resultado, la posibilidad de toma de decisiones poco efectivas es ms
latente. Por ello el tema de pronosticar es extenso y requiere de tcnicas adecuadas y tropicalizadas
para cada situacin, empresa, producto, rea funcional, etctera.
Pero cmo se empieza a generar un pronstico eficiente?La respuesta inicial es que se deben
identificar y comprender los elementos que influencian a la demanda, y su comportamiento a
partir de los diferentes componentes del entorno y de las caractersticas propias de los elementos
a pronosticar (ya sea un producto o servicio en especfico, inversin, comportamiento de cliente,
tiempo de elaboracin de un producto, etctera).
Como segunda respuesta se puede mencionar que el hecho de pronosticar no puede ser
identificado como una mera prediccin de lo que pasar en el futuro. Es por ello que un pronstico
se integra a partir de datos que se convierten en informacin, y que esa informacin a su vez tiene
una gran probabilidad de ocurrencia. En otras palabras, normalmente se pudiera pensar que los
pronsticos son elementos mgicos y metafsicos que permiten adivinar de manera exacta lo que
suceder en el futuro, y que adems tienen una certeza total. Sin embargo los pronsticos, como otras
herramientas cuantitativas que son aplicables a la administracin y al gerenciamiento efectivo de una
organizacin o proyecto, coadyuvan a un desarrollo efectivo pero no son la panacea solucionadora de
todos los problemas decisorios.
Ahora bien, en cuanto a lo que nos concierne en este apartado, podemosdecir que las diferentes
tcnicas de pronsticos estadsticos son muy tiles, ya que cuantifican de manera muy precisa ciertos
componentes de la demanda, como tendencia, patrones de estacionalidad o de eventos.
Pronsticos y planeacin: procesos crticos del negocio
Analicemosprimeramente qu se entiende por planeacin y cmo lospronsticosson parte inherente

de esta etapa del proceso administrativo, y a partir de ello establezcamos la interrelacin existente.
En primera instancia la planeacin es pensar en las actividades, metas y objetivos que se deben
logran en un futuro, ya sea mediato o inmediato, y una herramienta que ayuda a este proceso es sin
lugar a dudas la pronosticacin.
El diseo y elaboracin de los pronsticos requiere informacin que surge de y se aprovecha
para la planeacin. En toda organizacin, quien se encarga de desarrollar los pronsticos debe tomar
en cuenta las actividades planeadas, como ofertas, rebajas, promociones, modificacin de precios,
cambios en el entorno o sector al que nos dirigimos, etc., ya que ello coadyuva al desarrollo efectivo
de pronsticos eficientes y competitivos.
Es indudable comentar que otra caracterstica importante reside en que la parte histrica de
todos los acontecimientos planteados anteriormente se debe ir acumulando de manera formal, ya que
al tenerse a la mano servir de referencia cuantitativa para elaborar pronsticos ms objetivos.
Por ejemplo, un estudio realizado por el Institute of Business Forecasting (IBF), titulado Why
Forecasting? (www.ibf.org), comenta que hoy en da es ineludible un proceso ms formal para
elaborar los pronsticos sin importar en qu tipo de negocio o industria se localice la empresa o qu
funcin realiza. Siempre hay una necesidad de estimar el futuro sobre el cual construir un plan.
Este estudio tambin seala que diversas reas de la empresa establecen planes diferentes a
partir de los pronsticos:
El rea de mercadotecnia o comercializacin requiere pronsticos para determinar qu

productos o servicios pueden ser factibles de insertar en el mercado, as como terminar con
la comercializacin de otros.
Identificar la cantidad de procesos que se pueden elaborar en cierta rea de la empresa, es

decir, la capacidad de operacin.

El rea de ventasrequiere pronsticospara establecer cuotasu objetivosde venta, y as poder
disear estrategias ms particularizadas hacia sus vendedores, as como sus estrategias de
mercadeo o promocin.
El rea de logstica o cadena de valor necesita tener pronsticos efectivos para disear el
proceso de planeacin de la produccin, el abastecimiento y las estrategias de logstica.
El rea de recursos financieros necesita identificar las tendencias basndose en pronsticos

acerca de los ingresos, los egresos, la carga fiscal, etctera.
El rea de recursos humanos o capital humano requiere identificar su rotacin de capital

humano con base en pronsticos de permananencia.
Pese a todo lo anterior, an persisten miembros de organizaciones que son incrdulos de toda
la fortaleza decisoria que apoya una pronosticacin efectiva, y siguen pensando que la experiencia y el
presentimiento son las bases para vislumbrar lo que suceder en un futuro y tomar decisiones.
Ahora bien, cuando se trata de utilizar la estadstica en el diseo y desarrollo de pronsticos,
debemos contemplar una serie de puntos de gran importancia, como:
a) Cul es la funcionalidad de las tcnicas estadsticas en el diseo de pronsticos.
b) Cuntos datos se requieren y de qu tipo.
c) Cmo se puede cuantificar el impacto de la desviacin de los pronsticos con respecto a

la realidad.
d) Cmo pronosticar cientos de productos y servicios en tiempo y forma adecuada.
e) Cul debe ser el perfil profesional y de habilidades del encargado de realizar pronsticos en
las organizaciones actuales.1
Esto le permitir evaluar si tiene oportunidad de mejorar su proceso mediante el uso de

alguna herramienta o capacitacin. Hoy en da las compaas cuentan con la posibilidad de romper
paradigmas culturales acerca de la realizacin de pronsticos. Hacer buenos pronsticos de demanda
es un proceso que agrega valor, ya que est ntimamente relacionado con la toma de decisiones que
impactan en el rendimiento financiero de la empresa.
Como ejemplo de lo anterior podemos mencionar el siguiente caso:
Qu ha estado ocurriendo con DELL ltimamente? La respuesta es que siendo DELL un
gigante en el mercado de la tecnologa, y de manera especfica en la cuestin del hardware, que
innov en el desarrollo de nuevas formas de produccin y comercializacin del mismo y que ha tenido
un desarrollo excepcional en los ltimos aos, hoy en da est sufriendo un grave colapso financiero
y comercial, debido en gran parte a una mala pronosticacin de ventas de sus equipos en la parte
empresarial, es decir, su pronstico en el sector de ventas a empresas y sus respectivos equipos no
fue objetivo y realista; algo fall, ocasionando que los resultados distaran mucho de la realidad y sus
planes estratgicos se fundaran en esa esperanza de ventas, las cuales nunca llegaron y hoy ponen en
serios aprietos a esta empresa de carcter mundial.
1
Adapt ado de Pronst i cos de negoci os. Armando Gonzl ez, su aut or, es gerente general de Forecast
Pro Lat i noamri ca. Forecast Pro es el sof t ware l der para pronst icos de negocios (recogido del port al
http:// www.gerencie.com. Todo lo que un contador y empresario debe saber).

Sin duda la experiencia por la que est pasando DELL debe de servir para concluir que los
pronsticos tienen una gran importancia, y que de su objetividad dependen muchas expectativas de
la empresa.
Finalmente, es importante mencionar que las mejores prcticas en cuanto a pronosticacin
sugieren una combinacin de pronsticos estadsticos con pronsticos por experiencia, y la parte
cuantitativa y cualitativa deben estar relacionadas de manera sinrgica, a fin de que la empresa sea
competitiva de manera permanente y consolidada.
Ejemplo 15
1. Una empresa de transportesurbanos de la ciudad de Mxico realiz un estudio sobre el nmero

de autobuses carros de la ruta Mxico-Acapulco por semana; adicionalmente, los expertos del
rea de mantenimiento establecieron las probabilidades f(x) para cada uno de los eventos. Los
resultados se muestran en la tabla siguiente:
Carros averiados Probabilidad f(x)

0 0.01
1 0.05
2 0.10
3 0.22
4 0.28
5 0.24
6 0.08
7 0.02
La capacidad de operacin del rea de mantenimiento es de cuatro carros por semana;

el gerente del rea de mantenimiento necesita definir un plan estratgico (pronosticar) para
prevenir contingencias en la prxima semana de vacaciones y minimizar los costos por unidades
averiadas, para lo cual se le solicita que determine:
a) La probabilidad de dar servicio a cuatro carros por semana.
b) La probabilidad de dar servicio a menos de cuatro carros a la semana.
c) La probabilidad de atender a ms de cuatro carros a la semana.
d) Con base en los resultados anteriores, se justificara la inversin para ampliar la estacin
de mantenimiento?
Solucin
Por las condiciones del problema se trata de una distribucin de Poisson:
a) La probabilidad de dar servicio a 4 carros por semana.
La frmula que se aplicar para la solucin de este problema es la funcin de probabilidad

de Poisson:

x
e
P( x)
x!
Para lo cual se requiere el valor de , que representa la media de la distribucin. En este
caso la media de la distribucin es el valor esperado, de donde E f(x).
Carros averiados Probabilidad f(x) f(x)

0 0.01 0.00
1 0.05 0.05
2 0.10 0.20
3 0.22 0.66
4 0.28 1.12
5 0.24 1.20
6 0.08 0.48
7 0.02 0.14
Total 1.00 3.85
Por lo tanto = 3.85.

Para determinar la probabilidad de dar servicio a 4 carros nicamente a la semana, es
decir a 100% de la capacidad del rea de mantenimiento, hacemos x = 4 y sustituimos en
la frmula:
(3.85)4 e 3.85
P(4) 0.1948
4!
Por lo tanto, la probabilidad de dar servicio a 4 carros a la semana es de 19.48%.
b) La probabilidad de dar servicio a menos de 4 carros a la semana.

Para resolver este problema se debe tomar la probabilidad cuando x es menor a 4, es decir,
para el caso x = 3, 2, 1 y 0.
(3.85)0 e 3.85 (3.85)1 e 3.85

P(0) 0.0213 P(1) 0.0819
0! 1!
(3.85)2 e 3.85 (3.85)3 e 3.85
P(2) 0.1577 P(3) 0.2024
2! 3!
La probabilidad para P(x < 4) = P(0) + P(1) + P(2) + P(3).
P(x < 4) = 0.0213 + 0.0819 + 0.1577 + 0.2024 = 0.4633
Por lo tanto, la probabilidad de dar servicio a menos de 4 carros a la semana es

de 46.33%.
c) La probabilidad de atender a ms de 4 carros a la semana.

Para obtener la probabilidad de dar servicio a ms de 4 carros a la semana determinamos
que P(x > 4) = 1 P
P P(x = 4) + P(x < 4) = 0.1948 + 0.4633 = 0.6581
P(x > 4) = 1 0.6581 = 0.3419
Por lo tanto, la probabilidad de atender a ms de 4 carros a la semana es de 34.19%.

d) Con base en los resultados anteriores, se justificara la inversin para ampliar la estacin
de mantenimiento?
Como se puede apreciar, el rea de mantenimiento trabaja la mayor parte del ao por
debajo de su capacidad mxima (4 carros a la semana con una probabilidad de 65.81%), y pocas
veces trabaja por arriba de su mxima capacidad, con una probabilidad de 34.19%. Por esta
razn no se recomienda hacer una expansin en el rea de mantenimiento.
2. Una empresa informa que 25% de sus cuentas por cobrar a otras empresas estn vencidas.
Si un contador toma una muestra aleatoria de 10 de las cuentas por cobrar, determine la
probabilidad de:
a) Que ninguna de las cuentas est vencida.
b) 3 de las cuentas estn vencida.
c) Si la probabilidad de que 3 de las 10 cuentas estn vencidas es mayor a 25%, la empresa

necesitar establecer medidas pertinentes. Deber tomarlas o no?
Solucin
Se trata de una distribucin de tipo binomial.
a) Que ninguna de las cuentas est vencida.

En este caso el tamao de la muestra es n = 10, la probabilidad de xito p = 0.25, y la
probabilidad de fracaso es q = 10.25 = 0.75.
Sustituyendo estos valores en la frmula para obtener la probabilidad si x = 0, se tiene:
n!
p(k) n Ck pk qn k
pk qn k
k!(n k)!
10!
p(0) (0.250 )(0.7510 ) 0.0563
0 !(10 0)!
La probabilidad de que ninguna de las cuentas est vencida es: 0.0563.
b) 3 de las cuentas estn vencidas.

x = 3, sustituyendo tenemos:
10!
p(3) (0.253 )(0.7510 3 ) 0.2503
3!(10 3)!
La probabilidad de elegir 3 cuentas vencidas es 0.2503.
c) Si la probabilidad de que 3 de las 10 cuentas estn vencidas es mayor a 25%, la empresa

necesitar establecer medidas pertinentes. Deber tomarlas o no?
Como la probabilidad de que 3 de las 10 cuentas estn vencidas es de 25.03%, la empresa
deber tomar medidas.
3. La casa de bolsa Interacciones tiene un paquete de acciones con distintos rendimientos. Si la

probabilidad de que se eleve el rendimiento de alguna de las acciones es de 80%, determine
la probabilidad de que la tercera accin sea la que eleve su rendimiento.

Solucin
En este ejemplo, tenemos que la probabilidad de xito es de 0.8, la probabilidad de fracaso es

1 0.8 = 0.2. Como se espera que la tercera accin eleve su rendimiento, x = 3, sustituyendo en la
frmula para obtener probabilidad de la distribucin geomtrica tenemos:
P(x) = P (1 P)x 1
P(3) = 0.8 (10.8)3 1 = (0.8) (0.2)2 = 0.032
La probabilidad de que la tercera accin sea la que eleve su rendimiento es de 0.032.
Ejemplo 16
1. El rea de telemarketing de una empresa recibe los pedidos de sus clientes y los registra en el
sistema de ventas; el promedio de llamadas que se reciben es de 8 cada 5 minutos.
a) Cul es la probabilidad de recibir 3 llamadas en cualquier minuto?
b) Cul es la probabilidad de atender ms de 5 llamadas en cualquier minuto?
Solucin
a) 0.1378 = 13.78%
b) 0.0062 = 0.62%
2. El director de produccin de la empresa Elektrica sabe que 7% de las piezas producidas en su

fbrica son defectuosas. De un lote se examinan 8 piezas. Determinar la probabilidad de:
a) Que una de las piezas elegidas est defectuosa.
b) Que dos de las piezas elegidas estn defectuosas.
Solucin
a) La probabilidad de que una de las piezas elegidas est defectuosa es de 0.3370.
b) La probabilidad de que dos de las piezas elegidas estn defectuosas es de 0.0888.
3. El gerente de operacin y produccin de Interceramic sabe que 7% de las piezas producidas por
su empresa son defectuosas. De un lote se examinan 8 piezas. Determine la probabilidad de que
la cuarta pieza elegida salga defectuosa.
Solucin
La probabilidad de que la cuarta pieza elegida est defectuosa es de 5.63%.

1. Una variable aleatoria se caracteriza por:
a) Ser un smbolo utilizado para representar cualquier valor de un conjunto.

b) No depender de factores al azar.
c) No tomar valores particulares dentro de un evento aleatorio.
d) No estar vinculada a un suceso aleatorio.
2. Una variable aleatoria se clasifica como:
a) Dependiente o independiente.
b) Discreta o continua.
c) Probabilstica o no probabilstica.
d) Determinada o indeterminada.
3. Una variable aleatoria continua es aquella que toma:
a) El valor cero.
b) Slo valores enteros.
c) Valores negativos.
d) Cualquier valor dentro de un intervalo.
4. Dos caractersticas de las probabilidades asociadas a una distribucin son:
a) Las probabilidades suman ms de uno y son mayores a uno.

b) Las probabilidades suman uno y su valor est entre cero y uno.
c) Las probabilidades son negativas y suman menos que uno.
d) Las probabilidades son negativas y suman uno.
5. El valor esperado o esperanza matemtica es:
a) La suma de los valores que toma una variable multiplicados por su probabilidad.
b) La suma de los valores que toma una variable divididos entre su probabilidad.
c) La suma de los valores que toma una variable divididos entre el nmero de datos.
d) Un valor que mide la dispersin.
6. La varianza de una variable aleatoria discreta es til para:
a) Determinar el valor esperado.

b) Conocer la variacin de una distribucin de frecuencias.
c) Comparar las dispersiones de las distribuciones de probabilidad.
d) Calcular una probabilidad.
7. Un investigador sugiere queel periodo quedura un artculo de moda dependedela clasedeartculo.

Sobrelabase de experiencias, una casaderopaha calculado lasiguientedistribucin de probabilidad
para el nmero de vestidos de mujer (x) que se estima estn de moda durante cierto periodo.
X 1 2 3 4
P(x) 1/12 3/12 4/12 4/12

Encuentra la desviacin estndar.
Con los datos del problema, el valor es:
a) Desviacin estndar = 0.8965

b) Desviacin estndar = 0.9538
c) Desviacin estndar = 0.8125
d) Desviacin estndar = 0.9864
8. La distribucin binomial se caracteriza por:
a) Considerar a los elementos de la poblacin.

b) Incluir dos eventos o sucesos con probabilidades p y q.
c) Trabajar con promedios.
d) No incluir probabilidades.
9. Una propiedad de la distribucin binomial es:
a) El experimento consiste de un ensayo.

b) Cada experimento tiene muchos resultados posibles.
c) La probabilidad de un xito suma ms de uno.
d) Los ensayos son estadsticamente independientes.
10. Un poltico cree que25% delosmacroeconomistasqueocupan altoscargosapoyar una propuesta

que quiere presentar. Suponiendo que esta creencia es correcta y que se eligen cinco altos cargos
aleatoriamente, cul es la probabilidad de que dos de los cinco apoyen la propuesta?
Con esos datos, la probabilidad es:
a) 0.2637
b) 0.3321
c) 0.2655
d) 0.2456
11. En la distribucin hipergeomtrica:
a) Se hace uso del muestreo sin reemplazo.

b) Slo se considera una muestra.
c) Se usa el muestreo con reemplazo.
d) Se consideran dos o ms muestras.
12. La distribucin hipergeomtrica:
a) Considera a los elementos de la poblacin.

b) Incluye dos eventos o sucesos con probabilidades p y q.
c) Trabaja con promedios.
d) No incluye probabilidades.
13. Un analista financiero ha recibido una lista de losbonosde 12 compaas. El analista selecciona
tres empresas de la lista cuyos bonos cree que estn en peligro de caer el prximo ao. En
realidad, cuatro de las compaas de la lista vern caer sus bonos el prximo ao. Suponiendo
que el analista ha elegido las tres empresas de la lista aleatoriamente, cul es la probabilidad
de que dos de las compaas estn entre aquellas cuyos bonos bajen el prximo ao?

Con esos datos, la probabilidad es:
a) 0.2134
b) 0.2182
c) 0.2116
d) 0.2237
14. La distribucin de Poisson determina la probabilidad de ocurrencia de un evento:
a) Considerando el nmero de datos en una poblacin.

b) Tomando en cuenta el tiempo o rea.
c) Considerando la probabilidad de xito.
d) Considerando la probabilidad de fracaso.
15. La distribucin de Poisson:
a) Considera a los elementos de la poblacin.

b) Incluye dos eventos o sucesos con probabilidades p y q.
c) Trabaja con el promedio de la distribucin.
d) No incluye probabilidades.
16. En promedio al puerto llega un barco cada dos das. Una empresa importadora desea conocer
cul es la probabilidad de que tres barcos lleguen a ese punto en un da aleatoriamente
seleccionado.
Con los datos anteriores, la probabilidad es:
a) 0.0182
b) 0.0164
d) 0.0613
e) 0.0126

1. c)
2. a)
3. a)
4. d)
5. a)
6. c)
7. b)
8. d)
9. c)
10.
Recuerda que las probabilidades de los 4 puntos muestrales son las siguientes:
P(A, A) = (0.6) (0.6) = 0.36 Probabilidad del 1er. punto muestral.

P(A, B) = (0.6) (0.4) = 0.24 Probabilidad del 2do. punto muestral.
P(B, A) = (0.6) (0.4) = 0.24 Probabilidad del 3er. punto muestral.
P(B, B) = (0.4) (0.4) = 0.16 Probabilidad del 4to. punto muestral.
Si se define la variable nmero de productos del tipo B que se pueden observar en una muestra
compuesta por dos clientes, la distribucin de probabilidad de esta variable aleatoria es la siguiente:
Valor de la Probabilidad
variable
0 0.36 Probabilidad del 4to. punto muestral.
1 0.48 Probabilidad del 2do. y 3er. punto muestral
(0.24 + 0.24).
2 0.16 Probabilidad del 1er. punto muestral.
1.
a) E(X) = (0)(1/ 8) + (1)(2/ 8) + (2)(4/ 8) + (3)(1/ 8) = 13/ 8 = 1.625
E(X) = 1.625
b)
Var(X) = (01.625)2(1/ 8) + (11.625)2(2/ 8) + (21.625)2(4/ 8) + (31.625)2(1/ 8)
= (1.625) 2 (1/ 8) + (0.625) 2 (2/ 8) + (0.375) 2 (4/ 8) + (1.375) 2 (1/ 8)
= (2.640625) (1/ 8) + (0.390625)(2/ 8) + (0.140625) (4/ 8) + (1.890625) (1/ 8)
= 5.875/ 8
Var(X) = 0.734375
c) Desviacin estndar 0.734375 0.856957
2.
a) E(X) = (6) (0.25) + (7) (0.35) + (8) (0.25) + (9) (0.10) + (10) (0.05) =
= 1.5 + 2.45 + 2 + 0.9 + 0.5 = 7.35
E(X) = 7.35

b)
Var(X) = (67.35)2(0.25) + (77.35)2(0.35) + (87.35)2(0.25) + (97.35)2(0.10) + (107.35)2(0.05)
= (1.35) 2 (0.25) + (0.35) 2 (0.35) + (0.65) 2 (0.25) + (1.65) 2 (0.10) + (2.65) 2 (0.05)
= (1.8225) (0.25) + (0.1225) (0.35) + (0.4225) (0.25) + (2.7225) (0.10)+ (7.0225)(0.05)
= 1.2275
Var(X) = 1.2275
Con lo anterior, la desviacin estndar es 1.2275 1.1079
3.
a)
E(X) = (0)(0.05) + (1)(0.10) + (2)(0.15) + (3)(0.25) + (4)(0.30) + (5)(0.10) + (6)(0.05) = 3.15
E(X) = 3.15
b) Var(X) = (03.15)2(0.05) + (13.15)2(0.10) + (23.15)2(0.15) + (33.15)2(0.25) +(43.15)2(0.30) +

(53.15)2(0.10) + (63.15)2(0.05)
= (3.15) 2 (0.05) + (2.15)2(0.10) +(1.15)2(0.15) + (0.15)2(0.25) + (0.85) 2 (0.30) +
(1.85)2(0.10) + (2.85)2(0.05)
= (9.9225) (0.05) + (4.6225) (0.10) + (1.3225) (0.15) + (0.0225) (0.25) + (0.7225) (0.30) +
(3.4225) (0.10) + (8.1225) (0.05) = 2.1275
Var(X) = 2.1275
4.
a)
E(X)
X = (0) (0.15) + (1) (0.25) + (2) (0.25) + (3)(0.20) + (4) (0.10) + (5) (0.05) = 2
E(X)
X =2
b)
Var(X) = (02)2(0.15) + (12)2(0.25) + (22)2(0.25) + (32)2(0.20) + (42)2(0.10) + (52)2(0.05)
= (2) 2 (0.15) + (1)2(0.25) + (0)2(0.25) + (1)2(0.20) + (2) 2 (0.10) + (3)2(0.05)
= (4) (0.15) + (1) (0.25) + (0) (0.25) + (1) (0.20) + (4) (0.10) + (9) (0.05)
= 1.9
Var(X) = 1.9
1. Los datos corresponden a una distribucin binomial en la cual la probabilidad de xito (que la
lmpara se funda) es p = 0.30 y la probabilidad de fracaso q = (1 p) = 0.7.
a) La probabilidad de que se fundan 10 lmparas en n = 10 pisos es:
10 ! 10!
P(10) (0.3)10 (0.7)0 (0.0000059) (1) (1) (0.0000059)
10 ! (10 10)! (10 !) (0 !)
= (1) (0.0000059)
P(10) = 0.0000059
La probabilidad de que se fundan las 10 lmparas del edificio es 0.0000059.

b) La probabilidad de que no haya lmparas fundidas es:
10 ! 10!
P(0) (0.3)0 (0.7)10 (1)(0.0282) (1)(0.0282)
0 ! (10 0)! (0 !) (10 !)
P(0) = 0.0282
La probabilidad de que ninguna lmpara se funda es 0.0282
2. Los datos corresponden a una distribucin binomial, en la cual la probabilidad de fracaso es

q = 0.30 y la probabilidad de xito p = (1q) = 0.7
a) La probabilidad de que ninguna de las cinco cuentas por cobrar (n = 5) est vencida es:
5!
P(0) (0.3)5 (0.7)0 (1) (0.00243) (1) 0.00243
0 ! (5 0)!
P(0) = 0.00243
La probabilidad de que ninguna de las cuentas por cobrar est vencida es 0.00243.
b) La probabilidad de que dos cuentas por cobrar estn vencidas es:
5! 5! 5 4 3!
P(2) (0.3)2 (0.7)3 (0.09) (0.343) (0.03087)
2! (5 2)! (2 !) (3!) (2 !) (3!)
20
(0.03087) (10) (0.03087) 0.3087
2
P(2) = 0.3087
La probabilidad de que dos de las cuentas por cobrar estn vencidas es 0.3087.
3. Los datos corresponden a una distribucin binomial en la cual la probabilidad de fracaso es

q = 0.05 y la probabilidad de xito p = (1q) = 0.95
a) La probabilidad de que ninguna de las seis piezas (n = 6) est defectuosa es:
6!
P(0) (0.05)6 (0.95)0 (1) (0.000000046656) (1) 0.000000047
0 ! (6 0)!
P(0) = 0.000000047
La probabilidad de que ninguna de las piezas est defectuosa es 0.000000047.
b) La probabilidad de que dos piezas estn defectuosas es:
6! 6! 6 5 4!
P(2) (0.05)2 (0.95)4 (0.0025) (0.8145) (0.00203625)
2! (6 2)! (2 !) (4 !) (2!) (4 !)

30
(0.00203625) (15) (0.00203625) 0.0305
2
P(2) = 0.0305
La probabilidad de que dos de las piezas estn defectuosas es 0.0305.
4. La probabilidad de fracaso es q = 0.70 y la probabilidad de xito p = (1 q) = 0.3
a) La probabilidad de que ninguno de los seis estudiantes (n = 6) deje el trabajo en las dos
primeras semanas es:
6!
P(0) (0.7)6 (0.3)0 (1) (0.117649) (1) 0.117649
0 ! (6 0)!
P(0) = 0.117649
La probabilidad de que ninguno de los estudiantes deje el trabajo en las dos primeras
semanas es 0.117649.
b) La probabilidad de que cuatro de los estudiantes dejen el trabajo en las dos primeras
semanas es:
6! 6! 6 5 4!
P(2) (0.7)4 (0.3)2 (0.2401) (0.09) (0.0216)
4 ! (6 - 4)! (4!) (2!) (4!) (2!)
30
(0.0216) (15) (0.0216) 0.3240
2
P(2) = 0.3240
La probabilidad de que cuatro de los estudiantes dejen el trabajo en las dos primeras
semanas es 0.3240.
5. La probabilidad de fracaso es q = 0.40 y la probabilidad de xito p = (1q) = 0.6.
a) La probabilidad de que cinco de los diez empleados (n=10) est a favor de la representacin
sindical es:
10 !
P(0) (0.4)10 (0.6)5 (252) (0.0001048576) (0.07776) 0.0021
5! (10 5)!
P(0) = 0.0021
La probabilidad de que cinco de los empleados estn a favor de la representacin sindical

es 0.00021.
b) La probabilidad de que los 10 empleados estn a favor de la representacin sindical es:
10 !
P(0)= (0.4)10 (0.6)0 =(1) (0.0001048576) (1)=0.0001
10! (1010)!
P(0) = 0.0001
La probabilidad de que losdiezempleadosestn a favor de la representacin sindical es0.0001

1. Los datos de este problema hacen referencia a una distribucin hipergeomtrica.
N = 10 N k=3
k= 7 n=6
a) La probabilidad de tener x = 5 declaraciones correctas con nx = 1 es:
7! 3! 7! 3! 7 6 5! 3 2!
5! (7 5)! 1! (31)! (5!) (2!) (1!) (2!) (5!) (2) (1) (2!)
P(5)
10! 10! 10 9 8 7 6 !
6! (10 6)! (6!) (4!) (6!) (24)
42 3
2 1 (21) (3) 63
P(5) 0.30
5 040 210 210
24
P(5) = 0.3
La probabilidad de que cinco declaraciones sean correctas es 0.3.
b) La probabilidad de x = 3 declaraciones correctas con nx = 3 es:
7! 3! 7! 3! 7 6 5 4!
(1)
3!(7 3)! 3!(3 3)! (3!) (4!) (3!) (0 !) (6) (4!)
P(3)
10 ! 10! 10 9 8 7 6 !
6 ! (10 6)! (6!) (4!) (6 !) (24)
210
(1)
6 (35)(1) 35
0.1667
5 040 210 210
24
P(3) = 0.1667
La probabilidad de que tres declaraciones estn correctas es 0.1667.
N = 10 N k=6
k= 4 n=3
4! 6! 4! 6! 4 3 2! 6 5!
2! (42)! 1! (6 1)! (2!) (2!) (1!) (5!) (2 !) (2) (1) (5!)
P(2)=
10 ! 10 ! 10 9 8 7 !
3! (103)! (3!) (7!) (6) (7!)

12 6
2 1 (6) (6) 36
P(2) 0.30
720 120 120
6
P(2) = 0.3
La probabilidad de que dos de los empleados haya tenido experiencia en proyectos como el
requerido es 0.3.
3. Los datos de este problema son:
N = 12 N k=8
k= 4 n=3
a) La probabilidad de tener x = 0 empresas cuyos bonos bajarn el prximo ao es:
4! 8! 4! 8! 4! 8 7 6 5!
0! (4 0)! 3! (8 3)! (0 !) (4 !) (3!) (5!) (1) (4!) (6) (5!)
P(0)
12! 12! 12 11 10 9 !
3! (12 3)! (3!) (9!) (6) (9!!)
336
(1)
6 (1) (56) 56
P(0) 0.2545
1320 220 220
6
P(0) = 0.2545
La probabilidad de que dos de las empresas bajarn sus bonos el prximo ao es 0.2545.
4. Los datos de este problema son:
N = 10 N k=4
k= 6 n=5
6! 4! 6! 4! 6 5 4! 4 3!
2! (6 2)! 3! (4 3)! (2!) (4!) (3!) (1!) (2!) (4 !) (1) (3!)
P(2)
10! 10! 10 9 8 7 6 5 !
5! (10 5)! (5!) (5!) (120) (5!)
30 4
2 1 (15) (4) 60
P(2) 0.2381
30 240 252 252
120
P(2) = 0.2381
La probabilidad de que dos de las solicitudes aprobadas sean de menores de edad es 0.2381.

N = 20 N k=5
k = 15 n=4
a) La probabilidad de tener x = 3 clientes insatisfechos es:
15! 5! 15! 5! 15 14 13 12! 5 4!

3! (15 3)! 1! (5 1)! (3!) (12!) (1!) (4 !) (6) (12!) (1) (4 !)
P(3)
20 ! 20 ! 20 19 18 17 16 !
4! (20 4)! (4!) (16!) (24) (16!)
2 730 5
6 1 (455) (5) 2 275
P(3) 0.4696
116 280 4 845 4 845
24
P(3) = 0.4696
La probabilidad de que tres de los clientes encuestados estn insatisfechos con el sabor de
las botanas es 0.4696
1. El promedio de clientes que arriban a una caja ocupada es = 3. Como se desea conocer la
probabilidad de que se produzcan dos o menos llegadas, hay que obtener la probabilidad de que
X tome valores 2, 1, y 0 y posteriormente sumarlas para garantizar las necesidades del problema.
(e 3 ) (3)0 (2.71828) 3 (3)0 (0.049787068) (1) 0.049787068

P(0) 0.049787068
0! 0! 1 1
(0) = 0.049787068
(e 3 ) (3)1 (2.71828) 3 (3)1 (0.049787068) (3) 0.149361204
P(1) 0.149361204
1! 1! 1 1
(1) = 0.149361204
(e 3 ) (3)2 (2.71828) 3(3)2 (0.049787068)(9) 0.448083612
P(2) 0.224041806
2! 2! 2 2
(2) = 0.224041806
P(X 2) = P(0) + P(1) + P(2) = 0.049787068 + 0.149361204 + 0.224041806
P(X 2) = 0.423190078
La probabilidad de que en un minuto determinado se produzcan dos o menos llegadas a

una caja ocupada es 0.423190078.
2. El promedio de llamadas que recibe el conmutador electrnico de un edificio de consultoras

es = 5, como se desea conocer la probabilidad de que se produzcan tres llamadas, hay que
obtener la probabilidad de que X tome un valor de 3.
(e 5 ) (5)3 (2.71828) 5 (5)3 (0.006737946) (125) 0.842243374

P(3) 0.140373895
3! 3! 6 6
(3) = 0.140373895

La probabilidad de que el conmutador reciba tres llamadas en un minuto dado es
0.140373895.
3. El promedio de clientes que llegan a un mostrador ocupado es = 4. Como se desea conocer la

probabilidad de que se produzcan tres llegadas, hay que obtener la probabilidad de que X tome
un valor de 3.
(e 4 ) (4)3 (2.71828) 4 (4)3 (0.018315688) (64) 1.172204032

P(3) 0.1954
3! 3! 6 6
(3) = 0.1954
La probabilidad de que lleguen tres clientes a un mostrador ocupado es 0.1954.
4. El promedio de accidentes de la cadena de produccin es = 2.6. Como se desea conocer la

probabilidad de que se produzcan cero accidentes, hay que obtener la probabilidad de que X
tome un valor de 0.
(e 2.6 ) (2.6)0 (2.71828) 2.6 (2.6)0 (0.074273708) (1) 0.074273708
P(0) 0.0743
0! 0! 1 1
P(0) = 0.0743
La probabilidad de que no haya accidentes en un mes determinado en la cadena de

produccin es 0.0743.
5. El promedio de llamadas que recibe el profesor es = 4.2. Como se desea conocer la probabilidad
de que se produzcan dos llamadas, hay que obtener la probabilidad de que X tome un valor de 2.
(e 2.6 ) (2.6)0 (2.71828) 2.6 (2.6)0 (0.074273708) (1) 0.074273708

P(0) 0.0743
0! 0! 1 1
P(2) = 0.1323
La probabilidad de que el profesor reciba dos llamadas un da antes del examen es 0.1323.
1. La probabilidad de xito es p = 0.9, la probabilidad de fracaso
q = (1 p) = 1 0.9 = 0.1
P (1) = (0.9) (0.1)1 1 = (0.9) (0.1)0 = (0.9) (1) = 0.9
P(1) = 0.9
2. La probabilidad de xito es p = 0.3, la probabilidad de fracaso es
q = (1 p) = 1 0.3 = 0.7
P (4) = (0.3) (0.7)4 1 = (0.3) (0.7)3 = (0.3) (0.343) = 0.1029
P(4) = 0.1029

1. a)
2. b)
3. d)
4. b)
5. a)
6. c)
7. b)
8. b)
9. d)
10. a)
11. a)
12. a)
13. b)
14. b)
15. c)
16. d)

Ejercicios de Probabilidades

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ejercicios de Probabilidades

Uploaded by

Copyright:

Available Formats

Unidad 5

5.1. Variable aleatoria

S={AA, AB, BA, BB}

a) Los dos clientes eligen artculos A.

P(A, A) = (0.6)(0.6) = 0.36 Probabilidad del 1er. punto muestral.

258 ESTADSTICA PARA NEGOCIOS

Algunos ejemplos de variables aleatorias discretas son:

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 259

Algunos ejemplos de variables aleatorias continuas son:

Establecer la diferencia entre variables aleatorias discretas y continuas es importante, ya

5.2. Distribuciones de probabilidad para variables discretas

La distribucin de probabilidad de una variable aleatoria discreta se representa por una

1. Una relacin tericaderesultadosy probabilidadesen el sentido deque se pueden obtener

260 ESTADSTICA PARA NEGOCIOS

Del ejemplo 1 la distribucin de probabilidad queda expresada mediante la siguiente tabla:

Valor de la variable Probabilidad

Figura 5.1. Distribucin de probabilidades mediante grficos.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 2 61

P(0) = 1/ 8 donde la nica combinacin es {HHH}

Con lo anterior se obtiene la siguiente distribucin de probabilidad:

En la tabla se seala la cantidad de mujeres atendidas y su probabilidad de ocurrencia. Por

2 62 ESTADSTICA PARA NEGOCIOS

a) Que los valores sean cuantitativos y que no tengan un carcter aleatorio.

2. Una variable aleatoria puede definirse como:

a) Las caractersticas que se pueden observar en un experimento cuyos valores son

4. Una variable aleatoria es considerada una funcin, pues:

5. Las variables aleatorias son clasificadas en:

6. Una variable aleatoria es discreta si:

a) Toma cualquier valor dentro de un conjunto de datos.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 263

8. Una distribucin de probabilidad se constituye por:

9. Un modelo matemtico de un fenmeno aleatorio es:

a) Una representacin a escala de un fenmeno.

264 ESTADSTICA PARA NEGOCIOS

X E(X) X1p1 X2 p2 ... X n pn Xi p

Pi = Probabilidad de ocurrencia del valor que toma la variable X.

En el ejemplo 3 se pide hallar la funcin de distribucin de probabilidad del nmero de mujeres

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 265

Laesperanzaimplica multiplicar loseventospor su probabilidad deocurrenciay, posteriormente,

Nmero de camiones (X) 0 1 2 3 4 5 6

El valor esperado del nmero de camiones que arriban a la bodega es:

En estecaso, el resultado muestraqueen promedio arribaron 3.15 camionespor hora. Si setomara

266 ESTADSTICA PARA NEGOCIOS

(x1 )2 p1 (x2 )2 p2 ... (xn )2 pn

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 2 67

El concepto de varianza es til para comparar las dispersiones de las distribuciones de

268 ESTADSTICA PARA NEGOCIOS

a) Encuentra el valor esperado E(H).

Nmero de camiones (x) 0 1 2 3 4 5 6

4. Se sabe que durante intervalos de 10 minutos, el arribo de clientes a un banco presenta la

Nmero de clientes (x) 0 1 2 3 4 5

a) Calcula el valor esperado del nmero de clientes que se espera arriben.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 269

Por ejemplo, si seconsideraunaencuestapor muestreo paraconocer lapreferenciadelosconsumidores

La distribucin binomial debe reunir cuatro propiedades:

1. El experimentoconsistedeun nmerofijodeensayos. Por ejemplo, si seestudiael comportamiento

3. La probabilidad de un xito es igual a p y es constante para todos los ensayos y la probabilidad

4. Los ensayos son independientes, es decir, el resultado de probabilidades que se da en un ensayo no

Por losmotivosanteriormenteexpuestos, ladistribucin binomial hasido utilizadaen numerosas

270 ESTADSTICA PARA NEGOCIOS

un aumento en su precio al cierre, durante diez sesiones de operaciones; si en realidad los

Un claro ejemplo de por qu debemossimplificar se tiene al trabajar con divisionesde factoriales.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 271