Distribuciones discretas de Probabilidad

Una distribución de probabilidad proporciona toda la gama de valores, que se pueden

presentar en un experimento. Es similar a una distribución de frecuencias relativas; sin
embargo en lugar de describir el pasado, describe la probabilidad de que un evento se
presente en el futuro.

Definición.- Una distribución de probabilidad muestra los posibles resultados de un

experimento y la probabilidad de que cada uno se presente.

Ejemplo: Supongamos que un experimento consiste en lanzar 3 veces una moneda y se registra
el número de caras que aparecen. Los posibles resultados son: cero caras, una cara, dos caras,
tres caras. ¿Cuál es la distribución de probabilidad de número de caras?

Primer lanzamiento: 2 resultados posibles Cara – Sello.

Segundo Lanzamiento: 2 resultados posibles Cara – Sello.
Tercer Lanzamiento: 2 resultados posibles Cara – Sello.

(2) x (2) x (2) = 8 resultados posibles

Principio Multiplicativo

Resultado Lanzamiento de la moneda Número de

Posible Primer Segund Tercero caras
o o
1 S S S 0
2 S S C 1
3 S C S 1
4 S C C 2
5 C S S 1
6 C S C 2
7 C C S 2
8 C C C 3

De esta tabla nos podemos dar cuenta que el resultado de cero caras ocurre sólo una vez, una
cara ocurre tres veces, dos caras ocurre tres veces y tres caras ocurre sólo una vez.

Es decir cero caras se presentaron una de ocho veces, por lo tanto la probabilidad de cero caras
es 1/8, la probabilidad de una cara es 3/8, de dos caras 3/8 y de tres caras 1/8.

Número de caras Probabilidad del

X resultado
0 1/8
1 3/8
2 3/8
3 1/8

Variable aleatoria
En cualquier experimento aleatorio, los resultados se presentan al azar, es decir a esto se lo
denomina variable aleatoria.

Por ejemplo: El lanzar un dado es un experimento que tiene 6 resultados posibles, entonces la
variable aleatoria se relaciona con una probabilidad que indica la posibilidad de un resultado
determinado.

Ejemplo: El número de empleados ausentes en el turno matutino de una empresa en un día

determinado es una variable aleatoria.

Si se lanzan dos monedas y se cuenta el número de caras, pueden caer cero caras, una cara o
dos caras. Como el número de caras que resulta de este experimento se debe al azar, el
número de caras que se obtienen es una variable aleatoria.

También podemos definir a una variable aleatoria así:

Variable Aleatoria: Es una función que a cada elemento del espacio muestral S, le asocia un
número real.

Sean:
X: Variable aleatoria (v.a.)
S: Espacio muestral
e: Cualquier elemento de S
x: Valor que puede tomar X
R: Conjunto de los números reales

Entonces:
X: S  R
ex

Una variable aleatoria puede ser discreta si su rango es algún subconjunto de los números
enteros y puede ser continua si su rango es algún intervalo de los reales.

Ejemplo:
En el ejemplo anterior del lanzamiento de 3 veces de una moneda y observar el resultado.

Sea X: Variable aleatoria que representa el número de caras que se obtiene.

x = 0, 1, 2, 3 (Valores que puede tomar)

S={(S,S,S), (C,S,S), (S,C,S), (S,S,C), (C,C,S),(C,S,C), (S,C,C), (C,C,C)}

e (Elemento de S) x( Valor de X)
SSS 0
CSS 1
SCS 1
SSC 1
CCS 2
CSC 2
SCC 2
CCC 3

Obs: Cada valor de una variable aleatoria está asociado a un evento de S.

Ejemplo: x=1 corresponde al evento de obtener 1 cara {(C,S,S), (S,C,S), (S,S,C)}

Ejemplo: Se tiene una caja con 5 pilas de las cuales 3 están en buenas condiciones. Se toma al
azar 2 pilas.
a) Encuentre S.
b) Sea X=va discreta (cantidad de pilas en buen estado que se obtienen en la muestra).

Determine el número de pilas en buen estado para cada resultado posible construyendo una
tabla.

5 5!
C 2 = =10 == Cantidad de formas diferentes de obtener la muestra de 2 pilas
3!2!
cualesquiera.

Si a, b, c: pilas en buen estado

d, e: pilas en mal estado

a) {(a, b), (a, c), (a, d), (a, e), (b, c), (b, d), (b, e), (c, d), (c, e), (d, e)}
b) x: va discreta cantidad de pilas en buen estado
x: 0, 1, 2

e x
ab 2
ac 2
ad 1
ae 1
bc 2
bd 1
be 1
cd 1
ce 1
 de 0

Cada valor de una variable aleatoria está asociado con un valor de probabilidad.

Probabilidad de una v.a. discreta

Sean
X: v.a. discreta
x: valor que toma X
P(X=x) probabilidad de que la v.a. X tome el valor de x.

La probabilidad asociada con una variable aleatoria es una función f(x)= P(X=x) y se
denomina distribución de probabilidad de la variable aleatoria X.

Definición

f :X→ R

x → f ( x )=P( X=x)

dom f = X

rg f ⊂[0 , 1]

Es la distribución de probabilidad de la v.a. X.

Propiedades de la distribución de probabilidad de una v.a.

1) 0 ≤ f ( x )≤ 1

2) ∑ f ( x ) =1
x

Formas para definir f(x)

1) Mediante una tabla (como en los ejemplos dados).
2) Mediante un gráfico.

En el ejemplo de las monedas

P(X=0) = 1/8
P(X=1) = 3/8
P(X=2) = 3/8
P(X=3) = 1/8
∑= 1

En el ejemplo de las pilas

P(X=0) = 1/10
P(X=1) = 6/10
P(X=2) = 3/10
∑= 1

Ej. Se tiene 5 pilas de las cuales 3 están en buen estado. Se toma al azar 2 pilas, Encuentre la
distribución de probabilidad de la variable aleatoria correspondiente a la cantidad de pilas
defectuosas que se obtienen en la muestra. En base a esto calcule:

a) La probabilidad de que al tomar pilas, las 2 estén en buen estado

b) La probabilidad de que al menos una pila sea defectuosa

5 5! 5∗4∗3!
N(S) = C2 = = = 10
3 !2! 3 !∗2∗1

S = {(a,b),(a,c),(a,d),(a,e),(b,c),(b,d),(b,e),(c,d),(c,e),(d,e)}

Sea X : v.a. discreta(cantidad de pilas defectuosas en la muestra)

X = 0,1,2 X : S R

e x
ab 0
ac 0
ad 1
ae 1
bc 0
bd 1
be 1
cd 1
ce 1
de 2

P: X -> R

X f(x) = P(X = x)

Domf = {0,1,2} , rg f [0,1]

X f(x)=P(X = x)
0 3
10
1 6
10
 2 1
10

3 6 1 7
a) P(x=0) = = 30% b) P(x≥1) = P(x=1) + P(x=2) = + =
10 10 10 10
= 0.7 => 70%

Obtenga una fórmula matemática para la función de probabilidad del ejemplo anterior:

f(x) = ¿ X: v.a. discreta(cantidad de pilas defectuosas)

Casos

P( x=0) = f(0) -> probabilidad de obtener 0 pilas defectuosas

2!
2 3 ∗3 !
C 0∗C 2 2! 0 ! 3
f(0) = C
5
2
= 1! 2 ! = 10
10

P(x=1) = f(1) -> Probabilidad de obtener 1 pila defectuosa y 1 pila buena

2!
2 3 ∗3 !
C ∗C 1! 1 ! 2∗3 6
f(1) = 1

C
5
2
1
= 2!1! = 10 = 10
10

P(x=2) = f(2) -> Probabilidad de obtener 2 pilas defectuosa

2 3 2!
C 2∗C 2 ∗1 1∗1 1
f(2) = C
5 = 1 ! 2! = 10 = 10
2 10
2 3
C x∗C2− x
P(X = x) = f(x) = C2
5

2!
2 3 ∗3 !
C ∗C 2! 0 ! 3
a) P(x=0) = f(0) = = =
0 2

C 52 1! 2 ! 10
10
 2 3
C 1∗C 1
b) P(x > 1 ) = P(x=1) + P(x=2) = f(1) + f(2) = C2
5 +
2 3
C 2∗C 2 6 1 7
C
5 = 10 + 10 = 10
2

Ej. Sea X :v.a. discreta cuya distribución de probabilidad está dada por:

¿
Kx , x=1,2,3 K es constante
f(x)= 0,otro x
¿
Calcule la probabilidad P(X=2)

Recordemos:
3
1) 0 ≤ f(x) ≤ 1 ∑ f ( x ) =1 (para que f sea función de probabilidad)
x=1
f ( 1 ) + f ( 2 )+ f ( 3 )=1
∑ f ( x ) =1 K + 2 K +3 K =1
2)
x 1
K=
6

�x
�    ,    x  =1 , 2,3
�6
�0,   otro  x
f(x)= �

2 1
P(x=2) = f(2) = = = 0.3333 = 33.33%
6 3

Distribución de probabilidad acumulada de variables aleatorias discretas

Cuando la probabilidad de que la v.a. tome algún valor menor o igual que un valor dado, a otra
función se le denomina distribución acumulada y su dominio son todos los reales.

Definición:

Sean X :v.a. discreta

f : Distr. De Prob. de la v.a. X

F :Distr. De Prob. acumulada de la v.a. discreta X

Entonces
 F ( x )=P ( X ≤ x )=∑ f ( t) => Es la distribución de Probabilidad acumulada de X
t≤ x

Propiedades de F( x )

1) dom F=R
2) rg F= [ 0,1 ]
3) F (−∞ )=0
4) F ( +∞ )=1
5) P ( X > x i )=1−P ( X ≤ x i )=1−F ( x i)
6) P ( X=x i ) =P ( X ≤ x i )−P ( X ≤ xi−1 ) =F ( x i )−F ( x i−1 )
7) P ( X ≥ x i )=P ( X=x i ) + P ( X > x i )=F ( x i ) −F ( x i−1 )+ 1−F ( x i )=1−F ( x i−1 )
8) P ( X < x i )=P ( X ≤ xi−1 ) =F ( x i−1)

Ej: Encuentre la distribución de probabilidad acumulada para el ejemplo anterior de las pilas

Sea X:v.a. discreta (cantidad de pilas defectuosas en la muestra)

X f(x)
0 3
10
1 6
10
2 1
10

F ( x )=P ( X ≤ x )=∑ f ( t)
t≤ x

F ( 0 ) =P ( X ≤ 0 ) =∑ f (t) = f ( 0 )= 3
t≤0 10

F ( 1 )=P ( X ≤ 1 )=∑ f ( t )=f ( 0 ) + f (1) = 3 6 9

+ =
t≤ 1 10 10 10

F ( 2 )=P ( X ≤ 2 )=∑ f ( t )=f ( 0 ) + f (1 )+ f (2) = 3 6 1 10

+ + = =1
t ≤1 10 10 10 10

Entonces:
 �0, x < 0
�3
�  , 0 �x  �1
�10
F ( x) = �
�9  ,1  �x < 2
�10
�1, x �2
� Distribución de prob. Acumulada de la v.a.X

Calcular la probabilidad de que:

9 1
1) P ( x >1 )=1−P ( X ≤1 )=1−F ( 1 )=1− =
10 10
3
2) P ( X=1 ) =P ( X ≤ 1 )−P ( X ≤ 0 )=F ( 1 ) −F ( 0 ) =
5
9
3) F ( 1.5 )=P ( X ≤ 1.5 ) =
10

Ejemplo: ejercicio monedas anterior

Sea X :v.a. discreta (números de caras)

x f(x)
0 1/8
 1 3/8
2 3/8
3 1/8

F ( x )=P ( X ≤ x )=∑ f ( t)
t≤ x
1
F ( 0 ) =P ( X ≤ 0 ) =∑ f ( t )=f ( 0 )=
t≤0 8
1 3 4
F ( 1 )=P ( X ≤ 1 )=f ( 0 )+ f ( 1 )= + =
8 8 8
1 3 3 7
F ( 2 )=P ( X ≤ 2 )=f ( 0 ) +f ( 1 ) + f ( 2 ) = + + =
8 8 8 8
1 3 3 1 8
F ( 3 ) =P ( X ≤ 3 )=f ( 0 ) + f (1 ) + f ( 2 )+ f ( 3 ) = + + + = =1
8 8 8 8 8

Entonces:

{
0 , x <0
1
, 0 ≤ x <1
8
F ( x )= 4 ,1 ≤ x<2 Distribución de probabilidad de la v.a.X
8
7
, 2 ≤ x <3
8
1, x ≥ 3

Calcular:
7 1
a) P ( x >2 ) =1−P ( X ≤2 ) =1−F ( 2 ) =1− =
8 8
1
b) P ( X=3 )=P ( X ≤ 3 ) −P ( X ≤ 2 )=F ( 3 )−F ( 2 ) =
8
1
c) P ( 0.9 )=P ( X ≤ 0.9 ) =
8

Valor esperado de una v.a. discreta

El valor esperado o media es una medida estadística que describe la tendencia central de una
variable aleatoria. Representa el valor promedio que tomaría la variable aleatoria si el
experimento se realizara un gran número de veces en condiciones similares.

Definición:

Sean X: v.a. discreta

f ( x )=distribucion de probabilidad de X

μ o E ( x ) :Valor esperado de X
Entonces: μ=E ( x )=∑ xf ( x) -> medio o valor esperado de X
x

Ej: Calcule el valor esperado de la v.a. X en el ejemplo de las pilas.

xf ( x ) =0 f ( 0 ) +1 f ( 1 ) +2 f ( 2 )=0 ( 103 )+1 ( 106 )+2( 101 )= 106 + 102 = 108 =0.8
¿
μ=E ( x )=∑ ¿
x=0

ej.: Calcule el valor esperado de la v.a.X en el ejemplo de las monedas

x f(x)
0 1/8
1 3/8
2 3/8
3 1/8

¿ xf ( x ) =0 f ( 0 ) +1 f ( 1 ) +2 f ( 2 ) +3 f ( 3 )=¿
3
μ=E ( x )=∑ ¿
x=0

= 0 ( 18 )+1( 38 )+2( 38 )+3 ( 18 ) = 1.5

Valor esperado de Expresiones con una variable aleatoria.

Definición:

Sea X: v.a. discreta

f(x): distribución de probabilidad de X

G(x): alguna expresión con la variable aleatoria X

Entonces μG (x)=E [ G ( x ) ]=∑ G ( x ) f (x)  Valor esperado de G(x)

x

Ejemplo: En el ejemplo de las pilas, suponga que cada vez que sale una pila defectuosa se
pierde $5 y si sale una pila buena se gana $6. Calcule el valor esperado de la Ganancia.

Sea X: v. a. discreta (cantidad de pilas defectuosas), x= 0 ,1, 2.

G(x): Ganancia
E(G(x)): valor esperado de la ganancia

E [ G ( x ) ]=∑ G ( x ) f (x )
x

x f(x) G(x
)
0 3/1
12
0
1 6/1
1
0
2 1/1
-10
0

G ( x ) f ( x )=( 12 ) ( 103 )+( 1) ( 106 )+ (−10) ( 101 )=¿ 1032 =3.2

2
E [G ( x ) ]=∑ ¿
x=0

Ejemplo: En el juego de lanzar 3 monedas, suponga que si sale cero o un número par de caras
se gana $1 y si es impar se pierde $1. Calcule el valor esperado de la Ganancia.

X: v. a. discreta (cantidad de caras)

x = 0,1,2,3 G(x) : Ganancia

x f(x) G(x
)
0 1/ +$1
8
1 3/ -$1
8
2 3/ +$1
8
3 1/ -$1
8

E [ G ( x ) ] = ∑ G ( x ) f ( x ) =( 1 )
x=0
( 18 )+ (−1) ( 38 )+( 1) ( 38 )+(−1) ( 18 )
1 3 3 1
¿ − + − =0
8 8 8 8

∴ Es un juego justo

Ejemplo: Supongamos que se decide que al salir 1 o 2 caras se pierde $3. ¿Cuánto debería
ganarse en cada uno de los otros casos para que la ganancia esperada sea de $5?
X: v. a. discreta (cantidad de caras)

x = 0,1,2,3 G(x) : Ganancia

x f(x) G(x
)
0 1/ a
8
1 3/ -$3
8
2 3/ -$3
8
3 1/ a
8

E [ G ( x ) ]=∑ G ( x ) f ( x )=
x=0
( a8 )−( 98 )−( 98 )+( a8 )=5
2 a 18
− =5
8 8

2 a−18=40

a−9=20

a=29

Ejemplo: Un almacén vende diariamente 1,2,3,4 artículos con igual probabilidad pero la
probabilidad de no vender ningún artículo es el doble que la de vender alguno. Por cada
artículo que vende tiene una ganancia de $20 pero mantener el local abierto le representa un
gasto de $50. ¿Es conveniente mantener el negocio?

x f(x G(x
) )
0 2P
1 P
2 P
3 P
4 P

∑ f ( x )=1
x=0

2 P+ P+ P+ P+ P=1

1
P=
6
 x f(x) G(x)
0 2/ -
6 $50
1 1/ -
6 $30
2 1/ -
6 $10
3 1/ $10
6
4 1/ $30
6

G ( x ) =20 x−50
4
E [ G ( x ) ]=∑ G ( x ) f ( x )=(−50 )
x=0
( 26 )+ (−30 )( 16 )+(−10) ( 16 )+(−10) ( 16 )+10 ( 16 )+30( 16 )

−50
=−16.67 ∴ no es conveniente el negocio
3

Ejemplo: Una compañía de seguros cobra un valor anual de $1000 por asegurar un carro, y en
caso de pérdida paga $10000. Calcule el valor esperado de la ganancia de la compañía si la
probabilidad de pérdida de cada carro asegurado es 0.5%.

X: v. a. discreta (pérdida del vehiculo)

x f(x) G(x)
no se 0.99 $1000
pierde 5
se pierde 0.00 -
5 $9000

E [ G ( x ) ]= ( 0.995 ) (1000)+(0.005)(−9000)=$ 950

PROPIEDADES DEL VALOR ESPERADO

Sean:

X: v. a. discreta

f(x): distribución de probabilidad de x

a,b: números reales

Entonces: E [ aX +b ]=a E [ X ] + b

D! Recordemos que E [ G ( X ) ] =∑ G ( x ) f ( x ) y que E [ X ] =∑ xf ( x )

x x

( aXf ( x )+ bf ( x) ) =¿ ∑ axf ( x )+ ∑ bf ( x )
x x

E [ aX +b ] =∑ ( aX +b ) f ( x ) =∑ ¿
x x

a ∑ xf ( x )+ b ∑ f (x)=a E [ x ] + b
x x

1
Ejemplo: Calcule el valor esperado para el ejemplo del almacén pero usando la nueva
fórmula.

X: v.a. discreta (cantidad del artículo que vende cada día)

x=0,1,2,3,4

G ( x ) =20 x−50

x f(x) G(x
)
0 1/ -50
3
1 1/ -30
6
2 1/ -10
6
3 1/ 10
6
4 1/ 30
6

E [ ax+ b ] =aE [ x ] +b

E [ G(x) ] =E [ 20 x−50 ]=20 E [ x ] −50

4
E [ x ]=∑ xf ( x )=0 f ( 0 )+ 1 f (1 ) +2 f ( 2 ) +3 f (3 )+ 4 f (4)
x=0

¿0 ( 13 )+ (1) ( 16 )+2( 16 )+3( 16 )+4 ( 16 )

1 2 3 4 10 5
¿ + + + = =
6 6 6 6 6 3
 E [ G(x) ] =E 20
[ () ]5
3
−50 =
100
3
−50=
−50
3
=−16.67

VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

Es una medida que cuantifica el nivel de dispersión de los valores de la variable aleatoria
alrededor de la media.

Es una medida de variabilidad.

Definición:

Sea X: v.a. discreta

f(x): distribución de probabilidad de dicha v.a.

μ o E[X]: valor esperado de la X

Entonces:

σ 2 =V [ X ] =E [ ( X−μ )2 ]=∑ ( x−μ )2 f ( x ) → Varianza de v . a . X

x

Ejemplo: En el experimento de las monedas se determinó la v.a. X correspondiente al número

de caras. Calcule la varianza de esta v.a. X.

x f(x)
0 1/
8
1 3/
8
2 3/
8
3 1/
8

3
μ=E [ X ] =∑ xf ( x )=1.5
x=0

3
σ 2 =E [ ( X−μ ) ]=∑ ( x−1.5 ) f ( x)
2 2

x=0

σ 2 =( 0−1.5 )2 ( 18 )+( 1−1.5) ( 38 )+ ( 2−1.5) ( 38 )+( 3−1.5) ( 18 )

2 2 2

2
σ =0.75
Formula alterna para calcular la varianza

σ 2 =V [ X ] =E [ ( X−μ )2 ]=E [ X 2 ]−μ2

D! V [ X ]= E [ ( X−μ )2 ]=E [ X 2−2 μX + μ2 ] =E [ X 2 ]−2 μE [ X ] + E [ μ 2 ] =E [ X 2 ]−2 μ2 + μ2

V [ X ] =E [ X 2 ]−μ2

Ejemplo: Calcular la varianza del ejemplo anterior

σ 2 =V [ X ] =E [ X 2 ] −μ2
3
E [ X 2 ] =∑ x2 f ( x )=0 2
x=0
( 18 )+1 ( 38 )+2 ( 38 )+3 ( 18 )= 38 + 128 + 98 = 248 =3
2 2 2

2
3 9 3
σ 2 =3− ()
2
=3− = =0.75
4 4

Propiedades de la varianza

Sea X: v.a. discreta

f(x): distribución de probabilidad de X

a,b: números reales

Entonces:

V [ aX+ b ] =a2 V [ X ]

D! Vemos la formula alterna

σ 2 =V [ X ] =E [ X 2 ] −μ2

V [ aX+ b ] =E [ ( aX+ b )2 ] - ( E[aX +b ] )

2

= E [ a2 X 2 +2 abX +b2 ] - ( aE [ X ]+b )2

a
= E[¿ ¿ 2 X 2 ]+E[2 abX ]+E [b 2 ] - ( a2 ( E [ X ])2+ 2 abE [ X ] + b2 )
¿
X
22 2 2
= [¿ ¿ 2 ]+ 2 abE [ X ] + b −a ( E [ X ] ) −2 abE [ X ] −b
a2 E ¿
 X
2 2
= [¿ ¿ 2]−a ( E [ X ] )
a2 E ¿

X
2
[¿ ¿ 2]−( E [ X ] )
=
E¿
a2 ¿

= a2 V [ X ]  V [ aX+ b ] =a2 V [ X ]

Según estadísticas la probabilidad de que el motor de un auto nuevo, de cierto modelo, y

marca sufra de algún desperfecto en los primeros 12 meses de uso es de 0.02, si se prueban
tres automóviles de esta marca y modelo, encuentre el número esperado de autos que no
sufren de algún desperfecto en los primeros doce meses de uso y su desviación estándar.

Haciendo uso de un diagrama de árbol, usando las literales siguientes, se obtiene el espacio
muestral  como se muestra a continuación;
N: no sufre de algún desperfecto en el motor los primeros 12 meses de uso
S: sufre de algún desperfecto en el motor los primeros 12 meses de uso

N
S

N
N
S

1er auto N
S
S
N
2o auto S
 3o auto S

 = NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS

X: v. a. que nos define el número de autos que no sufren de algún desperfecto en el motor
durante los primeros 12 meses de uso.

x = 0, 1, 2 o 3 autos que no sufren algún desperfecto en el motor en los primeros 12 meses

de uso.

p(X=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008

p(X=1)=p(NSS,SNS,SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)=0.001176

p(X=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98)
(0.98)=0.057624

p (X=3)= p(NNN) = (0.98)(0.98)(0.98) =0.941192

Por tanto la media o valor esperado se determina de la siguiente manera:

�xf ( x)
 =E(x) = x =0 = (0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.941192)=
=0.0+0.001176+0.115248+2.823576=2.94  3 autos que no sufren algún desperfecto en el
motor en los primeros 12 meses de uso

La interpretación de la media o valor esperado es; se espera que los 3 autos probados no
sufran de algún desperfecto en el motor en los primeros 12 meses de uso.

�( x -  )
2
f ( x)
= x =0
=
2 2 2
= ( 0 - 3 )* ( 0.000008 )  ( 1 - 3 )*( 0.001176 )  ...  ( 3 - 3 )*( 0.941192 ) =

0.000072  0.004704  0.05762 = 0.062396 ) =

= 0.24970.0 autos que no sufren
algún desperfecto en su motor en los primeros 12 meses de uso.

Interpretación:
En este experimento se espera que los 3 autos probados no sufran de algún desperfecto en su
motor en los primeros 12 meses de uso y la variabilidad de este experimento es de cero.

Nota:
La media y la desviación estándar se redondean a un valor entero ya que son la media y
desviación de una distribución de probabilidad discreta.