Estadistica Diapo PDF

ESTADÍSTICA PARA ADMINISTRADORES
Notas De Clase
UNIVERSIDAD DEL NORTE

ÁREA DE CIENCIAS BÁSICAS
MATEMÁTICAS Y ESTADÍSTICAS
LIC. ANTALCIDES OLIVO
July 5, 2011
ii
Contenido
cápitulo 4 Variables aleatorias Página 117

4.1Introducción 117
4.2Variables aleatorias discretas 121
4.3Variables aleatorias continuas 125
4.4Distribuciones de probabilidad conjuntas 130
4.4.1Distribuciones marginales 136
4.4.2Distribuciones discretas 140
4.4.3Cambio de variable 142
4.5Esperanza matemática o valor esperado 148
4.5.1Esperanza de una varible discreta 148
4.5.2Esperanza para una variable continua 149
4.5.3Propiedades del valor esperado 151
4.6Varianza 153
4.6.1Propiedades de la varianza 153
4.7Covarianza y correlación 155
4.7.1Interpretación geométrica de la covarianza 156
4.7.2Interpretación geométrica de la correlación 157
4.7.3Propiedades 157
Tarea 161
iii
cápitulo 5 Distribuciones Página 183
5.1Algunas distribuciones discretas importantes 184
5.1.1Distribución uniforme 184
5.1.2Distribución de Bernoulli 185
5.1.3Distribución binomial 185
5.1.4Distribución geométrica 187
5.1.5Distribución hipergeométrica 188
5.1.6Distribucción de Poisson 189
5.1.7Distribucción Multinomial 192
5.2Algunas distribuciones continuas 193
5.2.1Distribución uniforme 193
5.2.2Distribución exponencial 194
5.2.3Distribución normal o Gaussiana 196
5.3Distribución Gamma 200
5.3.1Propiedades de la función Gamma 200
5.4Distribución Gamma 204
5.4.1Propiedades de la función Gamma 205
5.5Problemas 209
cápitulo Bibliografía Página 227
iv
Antalcides Olivo B. Probabilidad y Estadística
116
4
Variables
aleatorias
4.1 Introducción
Cuando definimos la probabilidad en el axioma 1 del capítulo 3 se es-

tableció de la siguiente manera
P :A → [0, 1] ⊂ IR
A ∈ A 7→ 1 ≥ P (A) ≥ 0
Tomamos un elemento de A y le asignamos un número, pero esta forma

de trabajar a veces dificulta la interpretación del concepto de proba-
117
bilidad, porque los elememtos de A no son números si no conjuntos,

pero que tal si A estuviera formado no por subconjuntos de S, sino por
números, entonces consideremos el ejemplo de lanzar tres monedas al
aire para mostrar como podriamos hacer esto.
En este caso el espacio muestral es
S = {ccc, ccs, csc, css, scc, scs, ssc, sss}
ahora si definimos una función, por decir X tal que a cada evento fun-
damental le asignamos un número de la siguiente forma
De este modo aparece el concepto de variable unidimensional
X : S −→ IR
e 7−→ X (e ) = x
de acuerdo con el ejemplo anterior se dfine la variable
X ≡ número de caras
de la siguiente forma
X :−→ IR
X (CCC ) = 3
X (CCS ) = X (CSC ) = X (SCC ) = 2
X (CSS ) = X (SSC ) = X (SCS ) = 1
X (SSS ) = 0
la varible X no recibe el calificativo de aleatoria por el echo de asignarle

a un elemento e ∈ S un valor númerico, (por que de echo este valor
118
fig 4.3
esta definido de forma precisa), sino por el echo de que al realizar el

experimento no sabemos que elemento de S puede ocurrir
En función del espacio del rango RX esta función puede ser clasifi-
cada como
• Variable aleatoria discreta . Si toma un número finito o numer-

able de valores, por ejemplo
X :−→ IN
• Variable aleatoria continua. Si toma un número de valores no

numerables, por ejemplo
X :−→ IR
Definición 4.1 Si E es un experimento que tiene como espacio muestral a

S, y X es una función que le asigna un número real X (e ) a todo resultado
e ∈ S, entonces X se llama variable aleatoria
Definición 4.2 Si S es el espacio muestral de un experimento E y una vari-

able aleatoria X con rango el espacio RX se define en S, y además si el A ⊂ S
y B ⊂ RX , entonces A y B son eventos equivalentes si
PX ( B ) = P ( A )
donde A = {e ∈ S : X (e ) ∈ B}
119
fig 4
como indica la 4.1.
Definición 4.3 Si A ⊂ S y B ⊂ RX definimos la probabilidad de B como

PX = P X −1 (B) = P (A)
donde
A = {e ∈ S : X (e ) ∈ B}
−1
X (B) = {e ∈ S : X (e ) ∈ B}
Nota 4.1 si sobre los elementos de S existe una distribución de probabil-

idad, esta se transmite a los valores que toma la variable X. Es decir toda
variable aleatoria conserva la estructura probabilística del experimento aleato-
rio que describe, es decir si P es la función de probabilidad definida sobre S ∈
A, esta induce otra función PX definida sobre IR, de forma que conserva los
valores de las probabilidades
PX (X = x ) = P ({e ∈ S : X (e ) = x})
PX (X ∈ (a, b )) = P ({e ∈ S : X (e ) ∈ (a, b )})
como indica la 4.1
120
6 3>$@ 3≡3;

$ ;>DE@

3>D;%@
;
D E
fig 4.4 Espacio probabílistico
De ahora en adelante denotaremos PX como P pero no se debe con-

fundir con la probabilidad P que definimos en el capitulo 3
4.2 Variables aleatorias discretas
Definición 4.4 Si X es una variable aleatoria discreta, asociamos un número
f (xi ) = P (X = xi )
como cada resultado xi en RX para i = 1, 2, 3 · · · , n, · · · , donde los números

f (xi ) satisfacen
1. f (xi ) ≥ 0 para toda i

Px
2. i =1 f ( xi ) = 1
La función f (xi ) se llama función de probabilidad o ley de proba-
bilidad de la variable aleatoria, y la colección de pares (xi , f (xi )) se
llama distribución de probabilidad de X
3. Dada una variable aleatoria discreta X : S −→ IN , su función de prob-

abilidad f se define de modo que f (xi ) es la probabilidad de que X
tome ese valor
f : IN −→ [0, 1]
xi 7−→ f (xi ) = P (X = xi )
si xi no es uno de los valores que puede tomar X, entonces f (xi ) = 0
121
Definición 4.5 (Función de distribución) De una variable aleatoria disc-

reta, F que se define de modo que si xi ∈ IR, F (xi ) es igual a la probabilidad
de que X tome un valor inferior o igual a xi , es decir,
F : IN −→ [0, 1]
xi 7−→ F (xi ) = P (xi ≥ X )
Nota 4.2 La función de distribución F, es una función no decreciente, es
decir. Si
x1< x2 =⇒ F (x2 ) ≥ F (x1 )
Además, es continua a la derecha
lim F (x ) = F (a)
x−→a+
y
F (−∞) = lim F (xi ) = 0
x−→−∞
F (+∞) = lim F (xi ) = 1
x−→+∞
Ejemplo 4.1 Analicemos el experimento del lanzamiento de la moneda tratado

en la introducción y determinemos f (x ) , F (x )
Presentación tabular
x f (x )
0 1/8
1 3/8
2 3/8
3 1/8
0.35
0.3
0.25
0.2
f
0.15
0.1
0.05
0
0 1 2 3 4 5 6
x
Función de probabilidad
122
0.8
0.6
F
0.4
0.2
0 1 2 3 4 5
x
Función de distribución
Ejemplo 4.2 Supóngase que tenemos una variable aleatoria X con una dis-
tribución de probabiliadad dada por la relación
(nx)px (1 − p )n−x x = 0, 1, 2, ..., n

(
f (x ) =
0 de otro modo
donde n es un entero positivo y 0 ≤ p ≤ 1. El ejemplo anterior es un caso

pareticular de ésta distribución de probabilidad llamada Binomial
Ejemplo 4.3 Supóngase que hay 100 artículos de los cuales hay 5 defectu-
osos. Se toma una muestra de de 4 artículos sin reemplazo Determine la
distribución de probabilidad para los artículos defectuosos
Solución 4.3.1 Si X representa el número de artículos defectuosos entonces

la probabilidad de que se escojan x artículos defectuosos es
(5x )(100−5
4−x )
f (x ) = P (X = x ) = si x = 0, 1, 2, 3, 4
(100
4 )
Ya que los casos posibles serían (100

4 ) porque de 100 se escogen 4 y los casos
5 100−5
favorables seriá (x )( 4−x ), debido a que es una muestra sin reemplazo el
número de combinaciones distintas que se pueden formar con x artículos
defectuosos para formar una muestra de 5 es (5x ) y la afirmación de que
se van a escoger 5 al azar significa que todas las (100−5
4−x ) son igualmente
posibles
123
x f (x )
0 0.805
1 0.178
2 0.014
3 0.003
4 0.00
0.8
0.6
0.4
f
0.2
0
0 1 2 3 4 5 6
x
Función de probabilidad ej 4.3
Ejemplo 4.4 Supóngase que una variable aleatoria X tiene una distribu-
ción discreta con la siguiente función de probabilidad
(
cx para x = 1, 2, 3, 4, 5
f (x ) =
0 en otro caso
Determine el valor de la constante c
124
Solución 4.4.1 Debido a que f(x) es una función de probabilidad entonces
5
X
f (xi ) = 1 =⇒
i =1
15c = 1 =⇒
1
c=
15
Nota 4.3 Si la variable X puede tomar un número enumerable de valores

x1 , x2 , x3 , · · · , entoces se tiene que
∞
X ∞
X
f (xi ) = P ( X = xi ) = 1
i =1 i =1
4.3 Variables aleatorias continuas
Cuando tenemos una variable aleatoria continua no tiene sentido re-

alizar una suma de las probabilidades de cada uno de los valores que
toma, ya que el conjunto es no enumerable por lo que hay que intro-
ducir otro concepto.
Sea f : IR −→ IR una función llamada función de densidad de una
variable aleatoria continua, integrable que cumple las propiedades
f (x ) ≥ 0
Z +∞
f (x ) dx = 1
−∞
además para todo [a, b ] se tiene
Z b
P (a ≤ x ≤ b ) = f (x ) dx
a
125
fig 4.5 Función de densidad de f (x )

Nota 4.4 Al observar la 4.3 observamos que P (a ≤ x ≤ b ) es el área bajo la
curva de f
Nota 4.5 Por ser f integrable entonces la la probabilidad en un punto es
nula, es decir
Za
P (X = a) = P (a ≤ x ≤ a) = f (x ) dx = 0
a
Nota 4.6 Debido a lo anterior se tiene que

• La función de densidad no es única
• P (a ≤ x ≤ b ) = P (a < x < b )
• P (a ≤ x ≤ b ) = P (a ≤ x < b ) = P (a < x ≤ b )
La función de distribución de una variable aleatoria, F, continua se
define de modo que dado x IR, F (x ) es la probabilidad de que X sea
mayor o igual que x, es decir
F : IR −→ [0, 1] R
x
x 7−→ F (x ) = P (x ≥ X ) = −∞ f (t ) dt
Proposición 4.1 Dado un intervalo de la forma (a, b ], tenemos

Zb
P (X ∈ (a, b ]) = f (x ) dx
a
Z b Z a
= f (x ) dx − f (x ) dx
−∞ −∞
= F (b ) − F (a)
126
Figure 4.1: Función de distribución F
Se puede observar que la cantidad F (b ) − F (a) representa la masa de prob-

abilidad extendida alo largo del intervalo (a, b ] . Si dividimos esta cantidad
por la longitud del intervalo,
F (b ) − F (a)
b−a
tenemos la masa media de probabilidad por unidad de longitud en (a, b ], es
decir, su densidad media de probabilidad, ahora si
F (b ) − F (a)
lim = F 0 (b ) = f (b )
a−→b b−a
que es la densidad de probabilidad en el punto b
Nota 4.7 • Si X es una variable continua la función de distribución F
es no decreciente, es decir si
x1 < x2 =⇒ F (x2 ) ≥ F (x1 )
• esta función es absolutamente convergente y se verifica

F (−∞) = lim F (x ) = 0
x−→−∞
F (+∞) = lim F (x ) (1)
x−→+∞
Ejemplo 4.5 Suponga que la f.d.p de una variable aleatoria X es



 0 si x ≤ 0
f (x ) = 

1
 (1+x)2 si x > 0

127
• Represente graficamente la f.d.p
• encuentre la f.d y representela gráficamente
Solución 4.5.1 • Su representación gráfica es



 0 si x ≤ 0
f (x ) = 

1
si x > 0
(1+x )2


0.8
0.6
0.4
0.2
-4 -2 0 2 4
x
Gráfica del ejemplo
Rx
1
• Si x > 0 entonces F (x ) = 0 (1+t )2
dt = 1 − 1+1 x entonces
(
0 si x ≤ 0
F (x ) = 1
1 − 1+ x si x > 0
0.8
0.6
0.4
0.2
-4 -2 0 2 4
x
128
Ejemplo 4.6 • Determine la gráfica de laf.d.p y determinar la f.d

4
1 − x3 si 0 < x < 1

3



f (x ) = 

 0 si x≥1

 0 si 0≤x
1.2
0.8
0.6
0.4
0.2
-4 -2 0 2 4
x
f.d.p de 43 (1 − x3 )
• Si 0 < x < 1 entonces
Z 1
4 4 1

F (x ) = 1 − 1 − t 3 dt = 1 − x − x4
x 3 3 3


 0 si x≤0
 4
 1 4
F (x ) = 
 3 x − 3 x si 0 < x<1
1 si x≥1


129
0.8
0.6
0.4
0.2
-4 -2 0 2 4
x
f.d del ejemplo 4.6
4.4 Distribuciones de probabilidad conjuntas
En muchas situaciones tratamos problemas donde intervienen más de

una variable alaetoria en forma simultánea, por lo que el objetivo de
esta sección es el de tratar y formular las distribuciones de probabilidad
cunjuntas para dos o más variables aleatorias.
Definición 4.6 si S es el espacio muestral de un experimento E, y X1 , X2 , X3 , · · · , Xk
son funciones, cada una de las cuales asignan un número real, X1 (x ) , X2 (x ) , X3 (x ) , · · · , Xk (x )
a cada resultado x, designaremos como (X1 , X2 , X3 , · · · , Xk ) el vector k −
dimensional, el espacio del rango del vector (X1 , X2 , X3 , · · · , Xk ) es el con-
juto de todos los valores posibles del vector aleatorio
En la mayor parte de esta sección trataremos el caso bidimensional
es decir el vector k − dimensional es (X1 , X2 )
Definición 4.7 Funciones de probabilidad bivariada

1. Caso discreto: para cada resultado x1i , x2j de (X1 , X2 ) , asociamos
un número
f x1i , x2j = P X1 = x1i , X2 = x2j
donde

f x1i , x2j ≥ 0
para todo i ∈ I, j ∈ J siendo I, J conjuntos de subíndices
130
Figure 4.2: vector k-dimensional
y
XX
f x1i , x2j = 1
i∈I j∈J

Los valores x1i , x2j , f x1i , x2j para todo i ∈ I y j ∈ J forman la
distribución de probabilidad de (X1 , X2 )
2. Caso continuo . Si (X1 , X2 ) es un vector aleatorio continuo con espa-

cio del rango, R, en IR2 , entonces f , la función de densidad conjunta,
tiene las siguientes propiedades
f ( x1 , x2 ) ≥ 0 ∀ ( x1 , x2 ) ∈ R
y
Z Z
f (x1 , x2 ) dx1 dx2 = 1
R
Definición 4.8 Se dice que n variables aleatorias

X1 , X2 , X3 , · · · , Xk ,tiene una distribución discreta conjunta si el vector aleato-
rio
X = (X1 , X2 , X3 , · · · , Xk ) puede tomar solamente un número finito o una
sucesión finita de valores distintos posibles(x1 , x2 , x3 , · · · , xk ) en IRk . La fun-
ción de probabilidad cunjunta de X1 , X2 , X3 , · · · , Xk se define entonces como
la función f tal que para cualquier punto x = (x1 , x2 , x3 , · · · , xk ) ∈ A ⊂IRk ,
f (x ) = P (X = x ) ∀x ∈ A
131
donde A es cualquier subconjunto de IRk

X
P (x ∈ A) = f (x )
x∈A
Definición 4.9 Distribuciones continuas. se dice que n varibles aleatorias

X1 , X2 , X3 , · · · , Xk tienen una distribución conjunta continua si existe una
función no negativa f definida sobre IRk tal que para cualquier subconjunto
A ⊂ IRk
P ((X1 , X2 , X3 , · · · , Xk ) ∈ A)
Z Z
= · · · f (x1 , x2 , x3 , · · · , xk ) dx1 dx2 · · · dxk
A
Definición 4.10 La f.d conjunta de k variables aleatorias

X1 , X2 , X3 , · · · , Xk , se define como la función F cuyo valor en cualquier punto
(x1 , x2 , x3 , · · · , xk ) de un espacio k-dimensional IRk está dado por la relación
F (x1 , x2 , x3 , · · · , xk ) = P (X1 ≤ x1 , · · · Xk ≤ xk )
Nota 4.8 Ésta f.d satisface todas las propiedades de la f.d univariada.
En el caso bivariado. Si X y Y son variables aleatorias con f.d.p

conjunta f se tiene que
Zx Zy
F (x, y ) = f (u, v ) dudv
−∞ −∞
Si la disribución conjunta de X1 , X2 , X3 , · · · , Xk es continua, entonces

la f.d.p conjunta f se puede obtener a partir de la f.d conjunta F uti-
lizando la relación
∂ k F ( x1 , x2 , x3 , · · · , xk )
f (x1 , x2 , x3 , · · · , xk ) =
∂x1 ∂x2 · · · ∂xk
para todos los puntos (x1 , x2 , x3 , · · · , xk ) donde exista la derivada.

En el caso bivariado
∂2 F (x, y )
f (x, y ) =
∂x∂y
∀ (x, y ) donde exista la derivada parcial de 2o orden
132
Figure 4.3: f.d.p del ejemplo 4.7
Ejemplo 4.7 Supóngase que la variable aleatoria X puede tomar solamente

los valores 1,2,3, y que la variable Y puede tomar solamente los valores
1,2,3,4, donde la f.p conjunta de X e Y es como indica la tabla
X|Y 1 2 3 4
1 0.1 0 0.1 0
2 0.3 0 0.1 0.2
3 0 0.2 0 0
determine los valores de P (X ≥ 2, Y ≥ 2) y P (X = 1)
Solución 4.7.1 Sumandof (x.y ) sobre todos los valores de x ≥ 2 y de y ≥ 2,

se obtiene
p (X ≥ 2, Y ≥ 2) = f (2, 2) + f (2, 3) + f (2, 4) +

+ f (3, 2) + f (3, 3) + f (3, 4)
= 0.5
X 4
P (X = 1) = f (1, y ) = 0.2
y =1
Ejemplo 4.8 Supóngase que la f.d.p conjunta de x e Y es la siguiente

( 2
cx y para x2 ≤ y ≤ 1
f (x, y ) =
0 en otro caso
• Determine el valor de la constante c
• P (X ≥ Y )
133
Solución 4.8.1 Sea el conjunto S de puntos (x, y ) para los que f(x, y ) > 0
está representado en la figura 4.8 . puesto que f (x, y ) = 0 fuera de S, resulta
que
Z Z Z 1Z 1
4
f (x, y ) dxdy = cx2 ydydx = c
s −1 x2 21
y como esta integral debe ser 1, entonces c= 21
4
fig(a) Ejemplo 4.8
• Sea S0 el conjunto donde x≥ y, entonces

Z Z
f (x, y ) dxdy =
S0
Z 1Z x
21 2 3
x ydydx =
0 x2 4 20
fig 4.8b Fig(b) Ejemplo 4.8
134
Ejemplo 4.9 Supóngase que X e Y son variables aleatorias que solamente

pueden tomar valores en los intervalos 0 ≤ X ≤ 2, 0 ≤ Y ≤ 2. Supongase
también que la f.d. conjunta de X e Y, para todos los valores 0 ≤ x ≤ 2, 0 ≤
y ≤ 2, es la siguiente
1
F (x, y ) = xy (x + 2) (4.1) *
16
Solución 4.9.1 Se determinará primero la Fx de la variable aleatoria X y
luego la f.d.p conjunta f de X e Y.
El valor de F (x, y ) en cualquier punto (x, y ) del plano xy que nos representa
un par de valores posibles de X e Y se puede calcular a partir 4.1, teniendo en
cuenta que F (x, y ) = P (X ≤ x, Y ≤ y ) . Por tanto, si x < 0 o y < 0, entonces
F (x, y ) = 0. Si x > 2 o y > 2, entonces F (x, y ) = 1, Si 0 ≤ x ≤ 2, y ≥ 2
entonces F (x, y ) = F (x, 2) y resulta de la ecuación 4.1 ya que F (x, y ) = 0
si y > 0
1
F (x, y ) = x (x + 2)
8
análogamente, si 0 ≤ y ≤ 2, x > 2, entonces
1
F (x, y ) = y (y + 2)
8
La función F(x, y ) queda así definida para todo punto del plano xy .
Haciendo y −→ ∞, se determina que la f.d de la variable aleatoria X es


 0 si x<0
 1

Fx = 
 8 x ( x + 2 ) si 2 ≥ x≥0
1 si x>2


Además, para 0 < x < 2, 0 < y < 2,
∂2 F (x, y ) 1
= (x + y )
∂x∂y 8
Mientras que si x < 0, y < 0, x > 2, y > 2, entonces
∂2 F (x, y )
=0
∂x∂y
Por tanto, la f.d.p conjunta de X e Y es

( 1
(x + y ) si 0 < x < 2, 0 < y < 2
f (x, y ) = 8
0 en otro caso
135
4.4.1 Distribuciones marginales
cuando nos interesa conocer la distribucion por ejemplo de X1 sola-

mente entonces es necesario introducir el concepto de una distribución
llamada marginal
• En el caso discreto la distribución marginal para X1 y X2 es

X
f (x1 ) = f x1i , x2j ∀i = 1, 2, · · ·
todo j
X
f ( x2 ) = f x1i , x2j ∀j = 1, 2, · · ·
todo i
• En el caso continuo la distribución marginal para X1 y X2 es

Z∞
f ( x1 ) = f (x1 , x2 ) dx2
−∞
Z∞
f ( x2 ) = f (x1 , x2 ) dx1
−∞
4.4.1.0 Tablas de doble entrada

Consideremos una población de n individuos, desde un punto de vista
descriptivo, donde cada uno de ellos presenta dos carácteres que rep-
resentaremos mediante las varibles X e Y donde la variable X tiene k
modalidades y la variable Y tiene p modalidades, el probleme ahora es
tratar de representar toda la información de manera adecuada y fácil
de interpretar, por lo que creamos una tabla formada por kp celdas de
forma que tenga k filas y p columnas, donde la celda que denotaremos
con el subíndice ij representará el número de elementos de la muestra
que presentan simultáneamente las modalidades xi , yj
X|Y y1 y2 ··· yj ··· yp total
x1 n11 n12 ··· n1j ··· n1p n1·
x2 n21 n22 ··· n2j ··· n2p n2·
.. .. .. .. .. .. .. ..
. . . . . . . .
xi ni1 ni2 n11 nij ··· nip ni·
.. .. .. .. .. .. .. ..
. . . . . . . .
xk nk1 nk2 ··· nkj ··· nkp nk·
total n·1 n·2 ··· n·j ··· n·p n··
136
El número de individuos que presentan la modalidad xi es la frecuencia

absoluta marginal de xi y se representa ni· y evidentemente es
p
X
ni· = nij
j =1
de manera analoga se define la frecuencia absoluta marginal para la

modalidad yj
Xk
n·j = nij
i =1
El n´mero total de elementos es

k
X p
X
n = n·· = ni· = n·j
i =1 j =1
n
Llamaremos frecuencia relativa fij = nij
las frecuencia relativas marginales serían
p
X ni·
fi· = fij =
n
j =1
p
X n·j
f·j = fij =
n
j =1
f·· = 1
Ejemplo 4.10 Supóngase que X e Y tienen la f.p conjunta dada por la tabla
del ejemplo 4.7. La f.p marginal fx de X se puede determinar sumando los
valores de cada fila de esta tabla . De esta manera se obtiene que
fx (1) = 0.2
fx (2) = 0.6
fx (3) = 0.2
fx (x ) = 0 para los restantes valores de x
Ejemplo 4.11 Supóngase que la f.p.d conjunta de X e Y es la descrita en el

ejemplo 4.8. Obtenga la f.d.p marginal
137
Solución 4.11.1 Se puede observar en la figura (a) del ej. 4.8 que X no
puede tomar ningún valor fuera del intervalo −1 ≤ X ≤ 1 Por tanto, fx (x ) =
0 para x < −1 o x > 1. Además, para −1 ≤ x ≤ 1, se observa en la misma
figura que f (x, y ) = 0, a menos que x2 ≤ y ≤ 1.Por tanto, para −1 ≤ x ≤ 1
Z∞
fx (x ) = f (x, y ) dy =
−∞
Z 1
21 2 21 2

x ydy = x (1 − x ) (1 + x ) x 2 + 1
x2 4 8
Se puede obsservar en la figura (a) del ej. 4.8 que Y no pede tomar ningún
valor fuera del intervalo 0 ≤ Y ≤ 1. Por tanto, fy (y ) = 0 para y < 0 o y > 1.
√ √
Además, para 0 ≤ y ≤ 1, se observa en la misma fig. Que − y ≤ x ≤ y.Por
tanto, para 0 ≤ y ≤ 1
Z∞
fy (y ) = f (x, y ) dx =
−∞
√
Z y
21 2 7 5/2

= √
x ydx = y
− y 4 2
4.4.1.0 Variables aleatorias independientes

Se dice que dos variables aleatorias son independientes si Para A, B ⊂ IR
P (X ∈ A, Y ∈ B) = P (X ∈ A) P (Y ∈ B)
Es decir si
P (x ≥ X, y ≥ Y ) = P (x ≥ X ) P (y ≥ Y )
F (x, y ) = Fx (x ) Fy (y )
f (x, y ) = fx (x ) fy (y )
En el caso discreto la independencia nos indicaría que X, Y son inde-

pendientes si
fij = fi· · f·j
pero cada una de las relaciones siguientes expresa por si sola la inde-
pendencia
nij n·j n2j nkj
= = = ··· =
ni· n·· n2· nk·
138
Ejemplo 4.12 Supóngase que se toman dos medidas independientes X eY

de lluvia durante un periodo de tiempo en una localidad y que la f.d.p g de
cada medida es la siguiente
(
2x si 0≤x≤1
g (x ) =
0 en otro caso
Se determinará el valor de P (X + Y ≤ 1)
Solución 4.12.1 Puesto que X e Y son independientes y cada una tiene la

f.d.p. g, resulta que para cualquier par de valores x e y la f.d.p. conjuta
f(x, y ) de X e Y está dada por la relación f (x, y ) = g (x ) g (y ) . Por tanto
(
4xy si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f (x, y ) =
0 en otro caso
El conjunto S del plano xy en el que f (x, y ) > 0 y el subconjunto S0 en el

que x + y ≤ 1 se encuentra representado en la figura 4.9. Por tanto
Z 1Z 1−x
1
P (X + Y ≤ 1) = 4xydydx =
0 0 6
\
1
0.8
0.6
s0
0.4
0.2
0 0.2 0.4 0.6 0.8 1

[
Ejemplo 4.9
4.4.2 Distribuciones discretas
139
4.4.2.0 Distribuciones condicionales discretas

Sean X e Y dos variables aleatorias que tienen distribución discreta
conjunta cuya f.p. conjunta es f , definimos fx , fy como las f.p marginales
de X e Y , respectivamente. Si observamos un valor y de la varible Y , la
probabilidad de que la variable aleatoria X tome cualquier valor par-
ticular x, está dado por la siguiente probabilidad condicional
P (X = x, Y = y )
P (X = x|Y = y ) =
P (Y = y )
f (x, y )
=
fy (y )
A esta distribución se le denomina distribución condicional de X dado

Y y se denota
f (x,y )
f (x|y ) = fy (y )
si fy (y ) > 0
Analogamente se define la distribución de probabilidad condicional de

Y dado X
f (x,y )
f (y|x ) = f (x )
si fx (x ) > 0
x
La función de densidad conjunta se define
F (x|y ) = P (x ≥ X, Y = y )
para un valor fijo de y
F (y|x ) = P (y ≥ Y , X = x )
Para un valor fijo de x
X|Y 1 ∈ (0, 2] 3 ∈ (2, 4] 5 ∈ (4, 6] t

0 24 4 8 3
Ejemplo 4.13 Analice la independencia para los datos tabulados 1 6 1 2 9
2 12 2 4 1
total 42 7 14 6
4.4.2.0 Distribuciones condicionales continuas

Sean X, Y variables aleatorias continuas con densidad conjunta f (x, y )
y las densidades marginales fx (x ) , fy (y ), respectrivamente . Entonces
140
la densidad condicional de X dado un Y = y fijo


f (x,y )


f y (y )
si fy (y ) > 0
f (x|y ) = 


 0 en otro caso
De manera analoga

f (x,y )


fx ( x )
si fx (x ) > 0
f (y|x ) = 


 0 en otro caso
Ejemplo 4.14 Supongase que la f.p conjunta de X e Y es la dada por la

tabla del ejemplo 4.7 . Se determinará la f.p condicional de Y dado X = 2
Solución 4.14.1 A partir de de la tabla fx (x ) = 0.6. Por tanto la proba-

f (2,y )
bilidad condicional f(y|x ) = 0.6 Por ejemplo si Y = 1 entonces f(1|2) =
0.5
Ejemplo 4.15 Sea la f.d.p conjunta de X e Y la del ejemplo 4.8 Determinar

la f.d.p condicional de Y dado X = x
Solución 4.15.1 El conjunto S para el cual f(x, y ) > 0 se observa en la

figura (a) del ejemplo 4.8 . Además la f.d.p marginal se obtuvo en el ejemplo
4.11 y se representa en la fig 4.14 .Se puede observar a partir de esta figura
que fx (x ) > 0 para −1 < x < 1, pero no para x = 0. Por tanto, para cualquier
valor concreto de x tal que −1 < x < 0 ó 0 < x < 1, la f.d.p condicional f(y|x )
de Y es la siguiente
0.8
0.6
0.4
0.2
-2 -1 0 1 2
x
Fig 4.14
141
( 2y
1−x4
si x2 ≤ y ≤ 1
f (y|x ) =
0 y>1
En particular si X=0.5 entonces
P (Y ≥ 0.75|X = 0.5)
R1
7
= 0.75 f (y|0.5)dy =
15
4.4.3 Cambio de variable
4.4.3.0 Funciones de una variable con una distribución discreta

Sea X una variable aleatoria que tiene una f.p discreta f , y sea Y =
h (X ) otra variable aleatoria definida como función de X, y sea g la f.p
discreta de Y , entonces g se puede obtener a partir de f para cualquier
valor y de Y , así
g (y ) = P (Y = y ) =
X
P (h (X ) = y ) = f (x )
{x:h(x )=y}
4.4.3.0 Funciones de una variable con una distribución continua

Sea X una variable aleatoria que tiene distribución continua, con una
f.d.p de X f , se define para otra variable aleatoria Y = h (X ) y para
cualquier real y, la f.d G (y ) de Y así
G (y ) = P (y ≥ Y )
Z
P (y ≥ h (X )) = f (x ) dx
{x:y =h(x )}
además si la variable Y tiene una distribución continua, su f.d.p se

puede obtener
dG (y )
g (y ) =
dy
Lo anterior lo podemos formalizar de la siguiente manera
Proposición 4.2 Sea X una variable aleatoria cualquiera. Si realizamos

el cambio de variable Y = h (X ), tenemos una nueva variable aleatoria de
142
modo que su f.d.p es f y P(a < x < b ) = 1 y además supóngase que r(x ) es
continua y estrictamente creciente o estrictamente decreciente en a < X < b
si y sólo si α < Y < β y sea X = h−1 (Y ) la función inversa de h para
α < Y < β, entonces la f.d.p de g está dada por la relación

dx
 g (y ) = f h−1 (y ) dy si α < Y < β


g (y ) = 
0 en otro caso


donde se tiene que

dx 1
= 0 −1
dy h (h (y ))
En el caso que la aplicación no sea inyectiva, podemos tener para un y dado

ciertos x1 , x2 , x3 , · · · , xn tales que f (xi ) = y En este caso
n
X dx
g (y ) = f (xi ) i
dy
i =1
donde
dxi 1
= 0
dy h ( xi )
Ejemplo 4.16 Sea X una variable aleotoria continua tal que Y = X 2 en

este caso h (x ) = x2 la cual no inyectiva pero si la restingimos a los reales
positivos y los reales negativos tenemos que
√ 1 √ 1
g (y ) = f ( y ) √ + f (− y ) √
2 y 2 y
Ejemplo 4.17 Supóngase que X tiene una distribución f uniforme sobre el

intervalo (−1, 1), así que
(
0.5 si −1 < x < 1
f (x ) =
0 si x ≥ 1, −1 ≥ x
143
0.5
0.4
0.3
0.2
0.1
-2 -1 0 1 2
x
Distribución uniforme
Determine la f.d.p para la variable Y=X2
Solución 4.17.1 Como Y=X2 entonces Y debe pertenecer a [0, 1], entonces
para todo y ∈ (0, 1) la f.d G(y ) de Y es
G (y ) = P (y ≥ Y )

P y ≥ X 2 = P −y 0.5 ≤ X ≤ y 0.5 =
Z y 0.5
√
0.5dx = y para y ∈ (0, 1)
−y 0.5
1
Ahora la f.d.p g(y ) de Y es g(y ) = √
2 y para y ∈ (0, 1)
Ejemplo 4.18 Supóngase que X es una v.a cuya f.d.p es

3x2 si 0 < x < 1
(
f (x ) =
0 si x ≥ 1, 0 ≥ x
2.5
1.5
0.5
-1 0 1 2 3
x
Ejemplo 4.18
144
Obtengase la f.d.p para Y=1-X2
X
0.5 1 1.5 2
0
-1
-2
-3
y = 1 − x2
Solución 4.18.1 En este ejemplo observamos de la gráfica que Y = 1−X 2 es
continua y estrictamente decreciente para 0 < x < 1 y además
Z1
3x2 dx = 1
0
y si X ∈ (0, 1) entonces Y ∈ (0, 1) y X = (1 − Y )0.5 por tanto para y ∈ (0, 1)

dx
f [h−1 (y )] = 3 (1 − y ) y dy = −0.5 (1 − y )−0.5 entonces g (y ) = 1.5 (1 − y )0.5
así
1.5 (1 − y )0.5 si 0 < y < 1
(
g (y ) =
0 si y ≥ 1, 0 ≥ y
4.4.3.0 Funciones de dos o más variables aleatorias

• Sean n variables aleatorias X1 , X2 , X3 , · · · , Xn las cuales tienen una
distribución cunjunta discreta cuya f.p conjunta es F y se definen
m funciones Y1 , Y2 , Y3 , · · · , Ym de estas n variables de la siguiente
forma
Y1 = h1 (X1 , X2 , X3 , · · · , Xn )
Y2 = h2 (X1 , X2 , X3 , · · · , Xn )
.. .. ..
. . .
Ym = hm (X1 , X2 , X3 , · · · , Xn )
para un valor y = (y1 , y2 , y3 , · · · , ym ) de las m variables
Y1 , Y2 , Y3 , · · · , Ym . Sea
A = {(x 1 , x 2 , x 3 , · · · , x n ) :
y1 = h1 (x1 , x2 , x3 , · · · , xn ), · · · , y m = hm (x1 , x2 , x3 , · · · , xn )}
145
Entonces podemos determinar la f.p conjunta de

Y1 , Y2 , Y3 , · · · , Ym en el punto (y1 , y2 , y3 , · · · , ym ) como
X
g (y1 , y2 , y3 , · · · , ym ) = f (x1 , x2 , x3 , · · · , xn )
(x1 ,x2 ,x3 ,··· ,xn )∈A
• Sean n variables aleatorias X1 , X2 , X3 , · · · , Xn las cuales tienen una

distribución cunjunta continua cuya f.d conjunta es F y se definen
n funciones Y1 , Y2 , Y3 , · · · , Yn de estas n variables de la siguiente
forma
Y1 = h1 (X1 , X2 , X3 , · · · , Xn )
Y2 = h2 (X1 , X2 , X3 , · · · , Xn )
.. .. ..
. . .
Yn = hn (X1 , X2 , X3 , · · · , Xn )
para un valor y = (y1 , y2 , y3 , · · · , yn ) de las n variables
Y1 , Y2 , Y3 , · · · , Yn . Sean S el conjunto
{(x1 , x2 , x3 , · · · , xn ) : P ((X1 , X2 , X3 , · · · , Xn ) ∈ IRn ) = 1}
T = {(y1 , y2 , y3 , · · · , yn ) :
(x1 , x2 , x3 , · · · , xn ) = h−1
1 (y1 , y2 , y3 , · · · , yn )}
Donde (x1 , x2 , x3 , · · · , xn ) ∈ S Entonces podemos determinar la f.d.p

conjunta de Y1 , Y2 , Y3 , · · · , Yn en el punto
(y1 , y2 , y3 , · · · , yn ) como
f (h−1 (y1 , y2 , · · · , yn )) |J| , (y1 , y2 , · · · , yn ) ∈ T

(
g (y ) =
0 en otro caso
donde
∂h−1 ∂h−1

1 1

∂y1
··· ∂yn

J =
.. .. ..
. . .
∂h−1 ∂h−1

n n
∂y1
··· ∂yn

Ejemplo 4.19 Supóngase que dos variables aleatorias X1 y X2

tienen una distribución continua cuya f.d.p conjunta es

 0 < x1 < 1,
 4x1 x2 si


f ( x1 , x2 ) = 
 0 < x2 < 1
 0 en otro caso

146
se determinará la f.d.p conjunta de dos nuevas variables aleatorias
X1
Y1 = (a)
X2
Y2 = X1 X2 (b)
Solución 4.19.1 Al resolver el sistema (a) y (b) obtenemos que
X1 = (Y1 Y2 )0.5
!0.5
Y2
X2 =
Y1
Sea S = {(x1 , x2 ) : 0 < x1 < 1, 0 < x2 < 1} entonces

P ((X1 , X2 ) ∈ S ) = 1 y además
!0.5
y
T = {(y1 , y2 ) : y1 > 0, y2 > 0, (y1 y2 ) 0.5
< 1, 1 < 1}
y2
y2
y1y 2 1 =1
y1
fig 4.19 a
X1

X2
ej 4.19 b
147
entonces
0.5
x1 = h−1
1 ( y1 , y2 ) = ( y1 , y2 )
!0.5
−1 y1
x2 = h2 (y1 , y2 ) =
y2
entonces
1 y2 0.5 1 y1 0.5

J =
2
y1 0.5 2 y2 = 1
− 12 y23 1 0.5 2y1

1
y1 2 y1 y2
por tanto y
( 2
2 y1 si (y1 , y2 ) ∈ T
g (y1 , y2 ) =
0 en otro caso
4.5 Esperanza matemática o valor esperado
4.5.1 Esperanza de una varible discreta
Definición 4.11 Supóngase que una variable aleatoria X tiene una dis-
tribución de probabilidad discreta f. la esperanza matemática de X, se de-
nota E(X ) y se define
X
E (X ) = xi f (xi ) ∀i ∈ I (*)
I
Donde I es el conjunto numerable de índices de los valores que puede tomar

la variable
P
Puede de darse el caso de que la serie I xi f (xi ) sea divergente Por
lo que en estos casos se dice que la esperanza existe si, y sólo si, la suma
de la ecuación (*) es absolutamente convergente es decir si, y sólo si,
X
|xi | f (xi ) < ∞ (**)
I
Entonces podemos decir que si se cumple (**) E(X ) existe y su valor

está dado por la ecuación (*) y si (**) no se cumple E(X) no existe
148
Ejemplo 4.20 A un contratista se le asigna el trabajo de determinar la me-

dia de los dias que tarda un trabajador en terminar un trabajador después
de realzar el estudio obtuvo los siguientes datos
x f(x )
1
3 8
5
4 8
2
5 8
x>5 0
1 5 2 33
E (X ) = 3 ∗ +4∗ +5∗ =
8 8 8 8
4.5.2 Esperanza para una variable continua
Definición 4.12 Sea f(x ) la f.d.p de una variable aleatoria continua, en-
tonces la esperanza matemática se define
Z ∞
E (X ) = xf (x ) dx
−∞
Se dice que esta integral existe, siempre que existan números a y b tales que
∞ < a < b < ∞ y P(a ≤ x ≤ b ) = 1 en este caso se dice que E(X ) existe
Ejemplo 4.21 Supóngase que la f.d.p de una variable aleatoria continua es

 2


 cx si 0 < x < 1
f (x ) =  0 si x≥0


 0 si

x≤0
Determine su esperanza
R1
Solución 4.21.1 E(X ) = 0
cx3 dx = 14 c
Ejemplo 4.22 Sea la f.d.p de una variable aleatoria continua
1
f (x ) = si − ∞ < x < ∞
π (1 + x 2 )
149
0.3
0.25
0.2
0.15
0.1
0.05
-4 -2 0 2 4
x
Distribución de Cauchy
analicemos que
Z ∞ Z ∞
1
f (x ) dx = dx = 1
−∞ −∞ π ( 1 + x2 )
pero
Z ∞ Z ∞
x
|x| f (x ) dx = dx = ∞ (+) +
−∞ 0 π (1 + x 2 )
De la gráfica se observa que la media debería ser cero, pero en la ecuación
(+) observamos que E(X ) no existe, por lo tanto esta distribución llama da
de Cauchy no tiene media
0.15
0.1
0.05
-4 -2 0 2 4
x
-0.05
-0.1
-0.15
xf (x )
4.5.3 Propiedades del valor esperado
150
Teorema 4.1 Si Y = aX + b donde a y b son constantes entonces
E (Y ) = aE (X ) + b
donde a y b son constantes
Demostración. Sea X una v.a con f.d.p f continua entonces
E (Y ) = E (aX + b ) =
Z ∞ Z∞ Z ∞
(ax + b ) f (x ) dx = a xf (x ) dx + bf (x ) dx =
−∞ −∞ −∞
aE (X ) + b
En el caso discreto la demostración es similar, pero usando sumatoria

en vez de integral
Teorema 4.2 Si X1 , X2 , X3 , · · · , Xn son variables aleatorias cuyas esperan-

zas E (Xi ) , i = 1, 2, 3, · · · , n existen, entonces
n
X
E (X1 + X2 + X3 + · · · + Xn ) = E (Xi )
i =1
Ejemplo 4.23 Sea un experimento de Bernoulli con proporción de obtener

un éxito es p,determinar la esperanza al repetir el experimento n veces
Solución 4.23.1 Sea Xi { B (esto indica que X es una variable de Bernoulli),

entonces (
1 si el resultado es éxito
Xi =
0 si no
por tanto
P ( Xi = 1 ) = p
P ( Xi ) = 0 ) = 1 − p
entonces
E (Xi ) = 1p + 0 (1 − p ) = p
Si el experimento se repite n veces tenemos que
 n  n n
X  X X
E  (Xi ) = E ( Xi ) = p = np
i =1 i =1 i =1
151
Teorema 4.3 Si X1 , X2 , X3 , · · · , Xn son n variables aleatorias independientes

cuyas esperanzas E(Xi ) , i = 1, 2, 3, · · · , n existen, entonces
 n  n
Y  Y
E 
 Xi  =

 E ( Xi )
i =1 i =1
Ejemplo 4.24 Sean X1 , X2 , X3 , variables aleatorias independientes

tales que
E (Xi ) = 2 y E Xi = 4 para i = 1, 2, 3, Determine el valor de E X12 (X2 − 3X3 )
2
Solución 4.24.1
E X12 (X2 − 3X3 )2 = E (X12 )E [(X2 − 3X3 )2 ]

= 4E X22 − 6X2 X3 + 9X32
= 4 (4 − 6 ∗ 2 ∗ 2 + 9 ∗ 4) = 64
Proposición 4.3 Sea X una v.a cuya f.d.p es f, entonces la esperanza de

cualquier función h(X )se puede determinar asi
Z ∞ Z ∞
E (h (x )) = E (Y ) = yg (y ) dy = h (x ) f (x ) dx
−∞ −∞
Ejemplo 4.25 Determine la esperanza para la X 0.5 si X tiene una f.d.p

como lo determina el ejemplo 4.21
Solución 4.25.1 Del ejemplo 4.21 sabemos que

R1
E X 0.5 = 0 x0.5 cx2 dx = 0.285 71c
Proposición 4.4 Sean X1 , X2 , X3 , · · · , Xn variables aleatorias con f.d.p con-

junta si existe una relación tal que
Y = h (X' 1 , X2 , X3 , · · · , Xn ) se tiene que
E (Y ) = A h(X1 , · · · , Xn )f (X1 , · · · , Xn )dx1 · · · dxn , A ⊂ IRn
152
4.6 Varianza
Definición 4.13 Sea X una variable aleatoria con esperanza µ = E (X ) . la

varianza de X se denotará V(X ) o σ 2 y se define
V (X ) = E [(X − E (X ))2 ]
X
V (X ) = (xi − µ)2 f (xi ) X es discreta
i∈I
Z ∞
V (X ) = (x − µ)2 f (x ) dx X es continua
−∞
4.6.1 Propiedades de la varianza
• Si b es una constante V (b ) = 0 si y solo si P (X = b ) = 1

Demostración. V(b ) = E [(b − E (b ))2 ] = E [(b − b )2 ] = 0
• Sea X una v.a y sea a, b contantes entonces
V (aX + b ) = a2 X
Demostración. V (aX + b ) = E [((aX + b ) − E (aX + b ))2 ] =

E [((aX + b ) − (aµ + b ))2 ] = E [(aX − aµ)2 ]
a2 E [(X − µ)2 ] = a2 V (X )
• Para cualquier variable aleatoria X,
V (X ) = E X 2 − (E (X ))2

• Sea X1 , X2 , X3 , · · · , Xn variables aleatorias independientes entonces

 n  n
X  X
V 
 (Xi ) =

 V ( Xi )
i =1 i =1
Ejemplo 4.26 Consideremos una variable aleatoria discreta con función de

probabilidad ( c
si x = 1, 2, 3, ...
f ( x ) = 4x
0 si no
Obtener
153
1. El valor de la constante c para que f sea una función de probabiliad

2. calcular P(X = 3) y P(3 ≥ X )
3. Calculese la esperanza y la varianza
P∞ 1
c 4 c
Solución 4.26.1 1. x =1 4x = 1− 41
c= 3 = 1 =⇒ c = 3
Luego la f.p es
3
(
4x si x = 1, 2, 3, ...
f (x ) =
0 si no
3 P3
2. P (X = 3) = =3
43 64
y P (3 ≥ X ) = 3
x =1 4x = 0.987
P∞ 3x P∞ 3(x− 43 )2 4
3. E (X ) = x = 1 4x = 43 , V (X ) = x =1 4x =9
Solución 4.26.2 Sea X una varable aleatoria con f.d

(
1 si 0 ≤ x ≤ 1
f (x ) =
0 si x > 1, x < 0
Determinar
1. La media
2. La varianza
R1
1. E (X ) = 0 xdx = 21
R1
2. V (X ) = 0 (x − 0.5)2 dx = 8. 333 3 × 10−2
Ejemplo 4.27 Determine la varianza para la variable de Bernoulli

definida en el ejemplo 4.23

Solución 4.27.1 tenemos que V(X ) = E X 2 −E 2 (X ) por lo que nos
que determinar
X 2
2
E Xi = xj2 f xj = p
j =1
V (Xi ) = p − p2 = p (1 − p )
n
X
V (Xi ) = npq
i =1
154
Proposición 4.5 Cuando estudiamos tablas de doble entrada podemos de-

terminar las medias y varianzas marginales
m
=
X
x= fi· xi
i =1
k
=
X
y= f·j yj
j =1
m
=
X
VX = fi· (xi − x )2
i =1
k
=
X
VY = f·j (yj − y )2
j =1
Proposición 4.6 Cuando estudiamos problemas con tablas de doble en-

trada podemos establecer las medias y varianzas marginales así
m
= 1 X
x= ni· xi
n··
i =1
k
= 1 X
y= n·j yj
n··
j =1
m
1 X =
VX = ni· (xi − x )2
n··
i =1
k
1 X =
VY = n·j (yj − y )2
n··
j =1
4.7 Covarianza y correlación
Definición 4.14 (Covarianza) Sean X e Y variables aleatorias que tienen

una distribución conjunta y además esperanzas y varianzas µX , µY , σX2 , σY2
155
respectivament . La covarianza de X e Y se denota cov (X, Y ) , y se define
cov (X, Y ) = E [(X − µX ) (Y − µY )]

m X
k
==
X
cov (X, Y ) = fij xi yj − x y
i =1 j =1
Se dice que esta esperanza existe si σX2 < ∞, σY2 < ∞

La covarianza puede ser negativa, positiva o cero
Definición 4.15 (Correlación) Si la cov (X, Y ) existe se denota el coefi-

ciente de correlación ρ (X, Y ) el cual se define
cov (X, Y )
ρ (X, Y ) = si σY2 , σX2 , 0
σX2 σY2
4.7.1 Interpretación geométrica de la covarianza
Si consideramos una nube de puntos formados

por las parejas de los
datos concretos de dos v.a X e Y xi , yj el centro de gravedad de esta
= =
nube de puntos es x, y , ahora si trasladamos los ejes de tal forma que
este punto sea el centro, la nube queda dividida en cuatro cuadrantes
los que indica que los puntos que se encuentran en el pimer y tercer
cuadrate contribuyen positivamente al valor de la covarianza y los que
se encuentran en los otros dos cuadrantes contribuyen negativamente.
como lo indica la figura.a y si los puntos se reparten con igual propor-
ción la covarianza será nula como en la fig b
-
Ev _ Ev
+ _ +
- -
- - - -
- - - - --
- -
- -
- - - -
- - - -
- _
- + -_
- +
uEj uEj
SXY >0 SXY <0
fig a
como indica la fig. b
156
Ev Ev
- - - - - - - - -
- - - -
- - - - - --
- - -
- - - -
- - - -
- - - - -
- - - - -
- - - --
- - -
uEj SXY =0 uEj

SXY =0
Figure 4.4: fig b
4.7.2 Interpretación geométrica de la correlación
Es el coseno del ángulo formado por los vectores de las desviaciones

con respecto a las medias de X e Y es decir
! →
−→ → −  −→ − 
X − x  Y − Y  .
cos θ =
−→ → →

− −→ −
X − x Y − y
Es decir este coeficiente determina la relación lineal entre las desvia-

ciones de las variables y esta dependencia es perfecta cuando ρ = ±1
4.7.3 Propiedades
1. −1 < ρ < 1
2. Para cualesquiera variables X e Y tales que la covarianza exista
(a).
cov (X, Y ) = E (XY ) − E (X ) E (Y )
(b). Si las variables X e Y son independientes
cov (X, Y ) = ρ (X, Y ) = 0
(c). V (X + Y ) = V (X ) + V (Y ) + 2cov (X, Y )

(d). V (X − Y ) = V (X ) + V (Y ) − 2cov (X, Y )
157
(e). Si Y = aX + b, entonces cov (X, Y ) = aσX2
Ejemplo 4.28 Dos piezas, como indica la figura ej.4.29, se pueden ensam-
blar. Si consideramos que las cotas X1 , X2 son v.a. independientes y además
consideramos que el espacio que queda libre entre las dos es Y = X1 − X2 ,
donde la función de distribución conjunta para X1 , X2 es
(
8 exp (−2x1 + x2 ) si x1 ≥ 0, x2 ≥ 0
f (x1 , x2 ) =
0 en otro caso
Determine la media E(Y ) y la varianza V(Y ) , si E (X1 ) = 0.5,

E (X2 ) = 0.25
X1 X2
ej.4.28 Ej 4.28
Solución 4.28.1 Para determinar la media tenemos que
E (Y ) = E (X1 − X2 ) = E (X1 ) − E (X2 ) =

0.5 − 0.25 = 0.25
Para determinar la varianza de Y primero debemos determinar VX1 y VX2 .

Como las variables X1 , X2 son independientes entonces
f (x1 , x2 ) = fx1 (x1 ) fx2 (x2 )
además f es fácil de factoriza entonces
f (x1 , x2 ) = fx1 (x1 ) fx2 (x2 )

[c1 exp (− (2x1 ))]c2 exp (− (4x2 ))]
y tenemos que
Z ∞
1 1
E (X1 ) = c1 x1 exp (− (2x1 )) dx1 = c1 =
0 4 2
entonces c1 = 2 como c1 c2 = 8 =⇒ c2 = 4
158
Por lo tanto

V (X1 ) = E X12 − E 2 (X1 ) =
Z∞ 2
1 1
= 2x12 exp (− (2x1 )) dx1 − =
0 2 4
Z∞ 2
1 15
V ( X2 ) = 4x22 exp (− (2x2 )) dx2 − =
0 4 16
Ahora tenemos que X1 Y X2 son independientes entonces
V ( Y ) = V ( X1 ) + V ( X2 )
1 15 19
= + =
4 16 16
Ejemplo 4.29 Suponga que X1 y X2 son calificaciones codificadas en dos
pruebas de inteligencia, y la f.d.p conjunta está dada por
6x12 x2 si 1 ≥ x1 ≥ 0, 1 ≥ x2 ≥ 0
(
f ( x1 , x2 ) =
0 en otro caso
Encuentre E(X2 |X1 ), E(X1 |X2 ) y V(X1 |X2 )
Solución 4.29.1 La región S está representada en la fig 4.19 . Ahora deter-
minaremos fx1 y fx2
Z1
fx1 (x1 ) = 6x12 x2 dx2 = 3x12
0
Z 1
fx2 (x2 ) = 6x12 x2 dx1 = 2x2
0
entonces
3x12 si 0 ≤ x1 ≤ 1, 0 ≤ x2 ≤ 1
(
f (x1 |x2 ) =
0 en otro caso
y (
2x2 si 0 ≤ x1 ≤ 1, 0 ≤ x2 ≤ 1
f (x2 |x1 ) =
0 en otro caso
Por lo cual
Z 1
2
E (X2 |X1 ) = 2x22 dx2 =
0 3
Z 1
3
E (X1 |X2 ) = 3x13 dx1 =
0 4
Z 1 2
3 3
V (X1 |X2 ) = 3x14 dx1 − =
0 4 80
159
Ejemplo 4.30 Sean X1 y X2 variables aleatorias que tienen f.d.p conjunta

(
1 if −x2 < x1 < x2 , 0 < x2 < 1
f ( x1 , x2 ) =
0 if −x2 ≥ x1 , x1 ≥ x2 , 0 ≥ x2 , x2 ≥ 1
determinar cov(X1 , X2 )
x2 x1
Hallemos fX1 y fX2



 1 − x1 si 0 < x1 < 1
f ( x1 ) =  1 + x1 si −1 < x1 < 0


0 en otro caso


(
2x2 si 0 < x2 < 1
f ( x2 ) =
0 en otro caso
160
Por tanto
Z 1 Z 0
E ( X1 ) = x1 (1 − x1 ) dx1 + x1 (1 + x1 ) dx1 = 0
0 −1
Z1
2
E ( X2 ) = x2 (2x2 ) dx2 =
0 3
Z 1Z x2
cov (X1 , X2 ) = x1 x2 dx1 dx2 − 0 = 0
0 −x2
Tarea 1
1. Supóngase que una variable aleatoria X tiene una distribución

discreta con la siguiente f.p.:
(
cx para x = 1, 2, 3, 4, 5
f (x ) =
0 en otro caso

Determínese el valor de la constante c.
2. Supóngase que se lanzan dos dados equilibrados y sea X el valor

absoluto de la diferencia entre los dos números que aparecen. De-
termínese y represéntese la f.p. de X.
3. Supóngase que se realizan 10 lanzamientos independientes de

una moneda equilibrada. Determínese la f.p. del número de caras
que se obtienen.
4. Supóngase que una urna contiene 7 bolas rojas y 3 azules. Si se

seleccionan 5 bolas aleatoriamente, sin reemplazo, determínese
la f.p. del número de bolas rojas que se obtienen.

binomial con parámetros n = 15 y p = 0.5. Calcúlese P (X < 6).
6. Supóngase que una variable aleatoria X tiene una distribución bi-

nomial con parámetros n = 8 y p = 0.7. Calcúlese la P (X > 5)
utilizando la tabla que se encuentra al final del libro. Sugerencia:
Utilícese el hecho de que P (X ≥ 5) = P (Y ≤ 3), donde Y tiene una
distribución binomial con parámetros n = 8 y p = 0.3.
7. SÍ el 10% de las bolas de una urna son rojas y se selecciona al azar

y con reemplazamiento el 20%, ¿cuál es la probabilidad de que se
obtengan más de tres bolas rojas?
161

discreta con la siguiente f.p.:
( c
2 para x = 1, 2, · · · ,
f (x ) = x

0 en otro caso
Encuéntrese el valor de la constante c.
9. Demuéstrese que no existe un número c tal que la siguiente fun-

ción sea una f.p.:
( c
x para x = 1, 2, · · · ,
f (x ) =
0 en otro caso

10. Una variable aleatoria discreta X tiene la función de probabili-

dad: ( 1 x
k 2 para x = 1, 2, 3
f (x ) =
0 en otro caso

(a) Determine el valor de k.

(b) Encuentre la función de distribución acumulativa, F (x ).
11. La variable aleatoria discreta N (N = 0, 1, ...) tiene probabilidades

de ocurrencia de kr n (0 < r < 1). Encuentre el valor apropiado de
k.
12. El servicio postal requiere, en promedio, 2 dias para entregar una

carta en una ciudad. La varianza se estima como .4(d ı́a)2 . Si un
ejecutivo desea que el 99 por ciento de sus cartas se entreguen a
tiempo, ¿con cuánta anticipación las debe depositar en el correo?
13. Dos agentes de bienes raíces, A y B, tienen lotes de terrenos que

se ofrecen en venta. Las distribuciones de probabilidad de los
precios de venta por lote se muestran en la siguiente tabla.
Precio
$ 1000 1050 1100 1150 1200 1350
A 0.2 0.3 0.1 0.3 0.05 0.05
B 0.1 0.1 0.3 0.3 0.1 0.1
Suponiendo que A y B trabajan en forma independiente, calcule
162
(a) El precio de venta esperado de A y de B.

(b) El precio de venta esperado de A dado que el precio de venta
de B es $1,150.
(c) La probabilidad de que tanto A como B tengan el mismo
precio de venta.
14. Demuestre que la función de probabilidad para la suma de los

valores obtenidos al lanzar dos dados puede escribirse como
x−1


 36 si x = 2, 3, · · · , 6
13−x

f (x ) =  si x = 7, 8, · · · , 12

 36
0 en otro caso


Determine la media y la varianza de X.
15. Una organización de consumidores que evalúa automóviles nuevos

reporta regularmente el número de defectos importantes en cada
automóvil examinado. Detonemos por X el número de defectos
importantes en un automóvil seleccionado al azar de un cierto
tipo. La f.d de X es como sigue


 0 si x < 0




 0.06 si 0 ≤ x < 1
0.19 si 1 ≤ x < 2





 0.39 si 2 ≤ x < 3


F (x ) = 


 0.67 si 3 ≤ x < 4




 0.92 si 4 ≤ x < 5

 0.97 si 5 ≤ x < 6




 1 si x≥6

Calcule las siguientes probabilidades directamente de la fd.
(a) P (X = 2)
(b) P (X > 3)
(c) P (2 < X < 5)
(d) P (2 ≤ X ≤ 5)
16. Una compañía de seguros ofrece a sus tenedores de póliza varias

opciones diferentes para el pago de primas. Para un tenedor se-
163
leccionado al azar, sea X = número de meses entre pagos suce-

sivos. La f.d de X es como sigue:



 0 , x<1
0.30 , 1 ≤ x < 3





 0.40 , 3 ≤ x < 4

F (x ) = 

 0.45 , 4 ≤ x < 6



 0.60 , 6 ≤ x < 12



 1

, x ≥ 12
(a) ¿Cuál es la f.d.p de X?

(b) Con el solo uso de la f.d, calcule P (3 < X < 6) y P (4 ≥ X ).
17. El voltaje de una batería nueva puede ser aceptable (A) o no acept-
able (I). Cierta linterna de mano necesita dos baterías, así que
éstas han de seleccionarse y probarse independientemente hasta
encontrar dos aceptables. Supongamos que el 80% de todas las
baterías tiene voltaje aceptable y denotemos por Y el número de
baterías que deben ser probadas.
(a) ¿Cuál P (Y = 2)?

(b) ¿Cuál es P (Y = 3)? (SUGERENCIA: Hay dos resultados difer-
entes que resultan en Y= 3.)
(c) Para tener Y = 5, ¿qué debe ser cierto de la quinta batería
seleccionada? Haga una lista de cuatro resultados para los
que Y = 5 y luego determine f (5).
(d) Utilice el lector el modelo de sus respuestas para las partes
de la (a) a la (c) para obtener una fórmula general para f (y ) .
18. Dos dados no cargados de seis caras se tiran independientemente.

Sea M = el máximo de los dos tiros (así que M (1, 5) = 5,M (3.3) =
3, etcétera).
(a) ¿Cuál es la f.d.p de M?[SUGERENCIA: Primero determine

f (1), luego f (2), etcétera.]
(b) Determine la f.d de M y grafíquela.
19. Una biblioteca se suscribe a dos revistas semanales de noticias,

cada una de las cuales se supone que llega por correo el miércoles.
164
En realidad, cada una puede llegar el miércoles, jueves, viernes o

sábado. Suponga que las dos llegan independientemente una de
la otra y para cada una P(mié.) =0 .4, P(jue.) = 0.3, P(vie.) = 0.2 y
P(sáb.) = 0. 1.Sea Y= el número de días después del miércoles que
tardan ambas revistas en llegar (por lo que los posibles valores
de^son 0, 1,2 o 3). Calcule la f.d.p de Y. (SUGERENCIA: Hay 16
resultados posibles; Y(M, M) = 0, Y(V. J) = 2, etcétera.]
20. La distribución de probabilidad de^, el número de defectos por

cada 10 metros de una tela sintética en rollos continuos de ancho
uniforme, es
x 0 1 2 3 4
f (x ) 0.41 0.37 0.16 0.05 0.01
Dibuje la distribución acumulada de X.
21. Una firma de inversiones ofrece a sus clientes bonos municipales

que vencen después de diferente número de años. Dada la dis-
tribución acumulada de T, el número de años para el vencimiento
de un bono seleccionado aleatoriamente, es

0 , y < 1



 1 , 1 ≤ t < 3

 14



F (t ) = 
 2 , 3 ≤ t < 5
 3 , 5 ≤ t < 7

 4



1 , t≥7
Encuentre
(a) P (T = 5)
(b) P (T > 3)
(c) P (1.4 < T < 6).
22. Una variable aleatoria continua X que puede asumir valores entre
x = 2 y x = 3 tiene una función de densidad f (x ) = 1/2
(a) Demuestre que el área bajo la curva es igual a 1.

(b) Encuentre P (2 < X < 2.5)
(c) Encuéntre P (X ≤ 1.6).
165
23. Una variable aleatoria continua X que puede tomar valores entre
x = 2 y x = 5 tiene una función de densidad f (x ) = 2(1 + x )/27.
Encuentre
(a) P (X < 4)
(b) P (3 < X < 4).
24. La proporción de personas que contestan una cierta encuesta en-

viada por correo es una variable aleatoria continua .y que tiene la
f.d.p ( 2(x +2)
f (x ) = 5 , 0 < x < 1
0 en otro caso

(a) Demuestre que P (0 < X < 1) = 1

(b) Encuentre la probabilidad de que más de 0.25 pero menos
de 0.5 de las personas en contacto responderán a este tipo
de encuesta.
25. De una caja que contiene 4 monedas de 1000 pesos y 2 de 500,

se seleccionan 3 de ellas al azar sin reemplazo. Determine la dis-
tribución de probabilidad para el total T de las 3 monedas. Ex-
prese gráficamente la distribución de probabilidad como un his-
tograma.
26. De una caja que contiene 4 pelotas negras y 2 verdes, se seleccio-
nan 3 de ellas en sucesión con reemplazo. Encuentre la distribu-
ción de probabilidad para el número de pelotas verdes.
27. Encuentre la distribución de probabilidad para el número de dis-
cos de jazz cuando 4 discos se seleccionan al azar de una colección
que consiste de 5 discos de jazz, 2 de música clásica y 3 de polka.
Exprese el resultado por medio de una fórmula.
28. Encuentre una fórmula para la distribución de probabilidad de la
variable aleatoria X que representa el resultado de un solo lanza-
miento de un dado.
29. Un embarque de 7 televisores contiene 2 aparatos defectuosos.
Un hotel realiza una compra aleatoria de 3 de ellos. Si X es el
número de unidades defectuosas que se compran, encuentre la
distribución de probabilidad de X. Exprese los resultados gráfi-
camente como un histograma de probabilidad.
166
30. De un paquete de cartas se sacan tres en sucesión sin reemplazo.

Encuentre la distribución de probabilidad para el número de car-
tas de espadas.
31. Suponga que X y Y tienen la siguiente distribución de probabilidad

conjunta:
x
f (x, y )
2 4
1 0.10 0.13
y 2 0.20 0.30
3 0.10 0.15
(a) Encuntre la distribución marginal de X

(b) Encuentre la distribución marginal de Y
32. Dada la función de densidad conjunta

( 6−x−y
8 , 0 < x < 2, 2<y<4
f (x, y ) =
0 en otro caso

Encuentre P (1 < Y < 3|X = 2)
33. Si X y Y representan las duraciones, en años, de dos componentes

en un sistema electrónico. Si la función de densidad conjunta de
estas variables es
(
e−(x+y ) x > 0, y>0
f (x, y ) =
0 en otro caso
Encuentre P (0 < X < 1|Y = 2).
34. Determine si las dos variables aleatorias del , ejercicio 31 son de-
pendientes o independientes.
35. La cantidad de kerosene, en miles de litros, en un tanque al prin-

cipio del día es una cantidad aleatoria Y , de la cual una cantidad
aleatoria X se vende durante el día. Suponga que el tanque no se
rellena durante el día, de tal forma que x ≤ y, y suponga que la
función de densidad conjunta de estas variables es
(
2, 0 < x < y, 0 < y < 1
f (x, y ) =
0, en otro caso

167
(a) Determine si X y Y son independientes.

(b) Encuentre P (1/4 < X < 1/2|Y = 3/4).
36. Una vinatería cuenta con instalaciones para atender a clientes que
llegan en automóvil y a quienes llegan caminando. En un día se-
leccionado aleatoriamente, sean X y Y , respectivamente, los pe-
riodos de tiempo que se utilizan para cada caso y suponga que la
función de densidad conjunta para estas dos variables aleatorias
es ( 2
( x + 2y ) , 0 < x < 1, 0 < y < 1
f (x, y ) = 3

0, en otro caso
(a) Encuentre la densidad marginal de X

(b) Encuentre la densidad marginal de Y
(c) Encuentre la probabilidad de que las instalaciones para quienes
lleguen en automóvil se utilicen menos de la mitad del tiempo.
37. Una compañía dulcera distribuye cajas de chocolates con una mez-
cla de tres tipos de chocolate: cremas, de chiclosos y envinados.
Suponga que el peso de cada caja es de 1 kilogramo, pero los pe-
sos individuales de las cremas, de los chiclosos y de los envinados
varían de una caja a otra. Para una caja seleccionada aleatoria-
mente, X y Y representan los pesos de las cremas y de los chi-
closos, respectivamente, y suponga que la función de densidad
conjunta de estas variables es
(
24xy, 0 < x < 1, x + y ≤ 1, 0 < y < 1
f (x, y ) =
0, en otro caso

(a) Encuentre la probabilidad de que en una caja determinada

el peso de los chocolates envinados sea más de 0.5 del peso
total
(b) Encuentre la densidad marginal para el peso de las cremas.
(c) Encuentre la probabilidad de que el peso de los chocolates
de chiclosos en una caja sea menos de 1/8 de kilogramo, si
se sabe quie las cremas constituyen 3/4 del peso.
38. Un distribuidor de aparatos electrodomésticos vende tres mode-

los diferentes de congeladores verticales con capacidad de 13.5,
168
15.9 y 19.1 pies cúbicos de espacio de almacenaje,

respectivamente. Sea X = la cantidad de espacio de almacenaje
comprado por el siguiente cliente que va a comprar un conge-
lador. Supongamos que X tiene f.d.p
x 13.5 15.9 19.1
f (x ) 0.2 0.5 0.3
(a) Calcule E (X ), E (X 2 ) y
(b) Si el precio de un congelador que tiene una capacidad de X
pies cúbicos es 25X − 8.5, ¿cuál es el precio esperado pagado
por el siguiente cliente que va a comprar un congelador?
(c) ¿Cuál es la varianza del precio 25X − 8.5 pagado por el sigu-
iente cliente?
(d) Suponga que mientras la capacidad nominal de un conge-
lador es X, la capacidad real es h(X ) = X − 0.01X 2 . ¿Cuál es
la capacidad real esperada del congelador comprado por el
siguiente comprador?
39. Suponga que el número de plantas de un tipo particular que se

encuentra en una región rectangular (llamada cuadrante por ecol-
ogistas) de cierta región geográfica es una v.a. X con f.d.p
( c
3 , x = 1, 2, 3, · · ·
f (x ) = x

0 , en otro caso
¿Es E (X ) finita? Justifique su respuesta (ésta es otra distribución

a la que los expertos en estadística llamarían de cola gruesa).
40. Una pequeña farmacia solicita ejemplares de una revista de noti-
cias para su estante cada semana. Sea X = demanda de la revista,
con f.d.p
x 1 2 3 4 5 6
1 2 3 4 3 2
f (x ) 15 15 15 15 15 15
Suponga que el propietario de la farmacia paga en realidad $0.25
por cada ejemplar de la revista de” precio a clientes es de $1.00.
Si las revistas que quedan el fin de semana no tienen valor de re-
cuperación, ¿es mejor pedir tres o cuatro ejemplares de la revista?
(SUGERENCIA: Para tres y cuatro ejemplares solicitados, exprese
el ingreso neto como función de la demanda X y luego calcule el
ingreso esperado.)
169
41. Sea X el daño incurrido (en $) en cierto tipo de accidente durante

un año dado. Los posibles valores de X son 0, 1 000, 5 000 y
10 000, con probabilidades 0.8, 0.1, 0.08 y 0.02 respectivamente.
Una compañía particular ofrece una póliza deducible de $500.
Si la compañía desea que su utilidad esperada sea de $100, ¿qué
prima debe cobrar?.
42. Los n candidatos para un trabajo han sido clasificados como 1, 2,
3,. .., n. Sea X = el grado de un candidato seleccionado al azar, de
modo queX tiene una f.d.p de
( 1
n , 1, 2, 3, · · · , n
f (x ) =
0 en otro caso
(ésta recibe el nombre de distribución discrcta uniforma). Calcule
E (X ) y V (X ). [SUGERENCIA: La suma de los primeros n enteros
positivos es n(n + 1)/2, mientras que la suma de su cuadrados es
n(n + 1)(2n + 1)/6.]
43. Sea X = resultado cuando un dado no cargado se lanza una vez Si
antes de hacer rodar el dado se ofrece al tirador ya sea (1/3.5)
dólares o h(X ) = 1/X dólares, ¿aceptaría la cantidad garanti-
zada o jugaría? [NOTA: No es generalmente cierto que 1/E (X ) =
E (1/X ).]
44. Una compañía proovedora de productos químicos tiene actual-
mente en existencia 100 libras decierto producto que vende a
clientes en lotes de 5 libras. Sea X = número de lotes ordena-
dos por un cliente seleccionado al azar, y suponga que X tiene
una f.d.p de:
x 1 2 3 4
f (x ) 0.2 0.4 0.3 0.1
Calcule E (X ) y V (X ). Luego calcule el número esperado de libras
sobrantes después de embarcar el pedido del siguiente cliente, y
la varianza del número de libras restantes. (SUGERENCIA: El
número de libras restantes es una función lineal de X.]
45. Considere la f.d.p para tiempo total de espera Y de dos autobuses
es
1
25 y , 0≤y<5
2
f (y ) = 5 − 25 1
y , 5 ≤ y ≤ 25
0 , en otro caso
170
(a) Calcule y trace la f.d. de Y . [SUGERENCIA: Considere sepa-

radamente 0 ≤ y < 5 y5 ≤ y ≤ 10 al calcular F (y ). Una figura
de la f.d.p podría ser útil.]
(b) Obtenga una expresión para el (100p)avo percentil. (SU-
GERENCIA: Considere separadamente 0 < p < 0.5 y 0.5 <<
1.)
(c) Calcule E (Y ) y V (Y ). ¿Cómo se comparan éstas con el tiempo
de espera y varianza supuestos para un solo autobús cuando
el tiempo es uniformemente distribuido en [0, 5]?
46. Un ecologista desea marcar una región circular de muestreo de

10 m de radio. Sin embargo, el radio de la región resultante es en
realidad una variable aleatoria R con f.p.d

( 3h 2
i
1 − ( 10 − r ) , 9 ≤ r ≤ 11
f (r ) = 4

0 , en otro caso

¿Cuál es el área esperada de la región circular resultante?

47. La demanda semanal de gas propano (en miles de galones) de una
distribuidora en particular es una v.a. X con f.d.p
(
2 1 − x12 , 1≤x≤2
f (x ) =
0 , en otro caso
(a) Calcule la f.d de X.

(b) Obtenga una expresión para el (100p)avo percentil ¿Cuál es
el valor de X̃?
(c) Calcule E (X ) y V (X ).
(d) Si 1500 galones están en existecia al principio de semana y
no se recibe nuevo suministro durante la semana, ¿cuánto de
los 1500 galones se espera que queden al fin de la semana?
48. Si la temperatura a la que un cierto compuesto es una variable

aleatoria con valor n desviación estándar de 2◦ C, ¿cuáles son la
temperatura media y la desviación estándar medidas o F, o F =
1.8◦ C + 32)
49. 24. Haga que X tenga la f.d.p de Pareto
kθ k
(
k +1 , x≥θ
f (x ) = x
0
0 x<θ
171
(a) Si k > 1, calcule E (X ).

(b) ¿Qué se puede decir acerca de E (X ) si k = 1?
(c) Si k > 2, demuestre que V (X ) = kθ 2 (k − 1)−2 (k − 2)−1
(d) Si k = 2, ¿qué se puede decir acerca de V (X )
(e) ¿Qué condiciones para k son necesarias para asegurar que
E (X n ) sea finita?
50. Sea X la temperatura en ◦ C a la que tiene lugar cierta reacción

química, y sea Y la temperatura en ◦ F
(a) Si la mediana de la distribución X es X̃ , demuestre que.

1.8X̃ + 32 es la mediana de la distribución Y
(b) Más generalmente, si Y = aX +b, ¿cómo se relaciona cualquier
percentil particular de la distnbución Y con el correspondi-
ente percentil de la distribución X?
51. Al recordar la definición de σ 2 para una sola v.a. X, escriba una

fórmula que sea correcta para calcular la varianza de una función
h(X, Y ) de dos variables aleatorias. [SUGERENCIA: Recuerde
que la varianza es sólo un valor esperado especial.]
52. Utilice las reglas de valor esperado para demostrar que
(a) Cov (aX + b, cY + d ) = acCov (X, Y ).

(b) Utilice la parte (a) junto con las reglas de varianza y desviación
estándar para demostrar que Corr (aX +b, cY +d ) = Corr (X, Y )
cuandoa y c tienen el mismo signo.
(c) ¿Qué sucede si a y c tienen signos opuestos?
53. Demuestre que si Y = aX + b, (a , 0), entonces Corr (X, Y ) = +1

o −1. ¿Bajo qué condiciones será ρ = ±1?
54. Supóngase que la f.d.p. conjunta de dos variables aleatorias X e

Y es la siguiente:
( 2
cy , 0 ≤ x ≤ 2, 0 ≤ y ≤ 1,
f (x, y ) =
0 , en otro caso
Determínese
172
(a) El valor de la constante c

(b) P (X + Y > 2)
(c) P (Y < 1/2)
(d) P (X < 1)
(e) P (X = 3Y ).

Y es la siguiente:
( 2
c x + y 2 si 0 ≤ y ≤ 1 − x2
f (x, y ) =
0 , en otro caso
Determínese
(a) El valor de la constante c

(b) P (0 < X < 1/2)
(c) P (Y < X + 1)
(d) P (Y = X 2 ).
56. Supóngase que se selecciona aleatoriamente un punto (X, Y ) de la

región S en el plano xy que contiene todos los puntos (x, y ) tales
que x ≥ 0, y ≥ 0 y 4y + x ≤ 4.
(a) Determínese la f.d.p. conjunta de .X e Y .

(b) Supóngase que S0 es un subconjunto de la región S con área
α y determínese P [(X, Y ) ∈ S0 ].
57. Supóngase que se selecciona un punto (X, Y ) del cuadrado S en

el plano xy que contiene todos los puntos (x, y ) tales que 0 ≤ x ≤
1 y 0 < y < 1. Supóngase que la probabilidad de que el punto
seleccionado sea el vértice (0, 0) es 0.1; la probabilidad de que
sea el vértice (1, 0) es 0.2; la probabilidad de que sea el vértice
(0, 1) es 0.4; y la probabilidad de que sea el vértice (1, 1) es 0.1.
Supóngase también que si el punto seleccionado no es uno de los
cuatro vértices del cuadrado, entonces será un punto interior y se
seleccionará de acuerdo con una f.d.p. constante en el interior del
cuadrado. Determínese
(a) P (X < 1/4)
173
(b) P (X + Y < 1).
58. Supóngase que X e Y son variables aleatorias tales que (X, Y )

puede pertenecer al rectángulo del plano xy que contiene todos
los puntos (x, y ) para los cuales 0 < x < 3 y 0 ≤ y ≤ 4. Supóngase
también que la f.d. conjunta de X e Y en cualquier punto (x, y )
de este rectángulo es la siguiente:
1
F (x, y ) = XY X 2 + Y
156
Determínese
(a) P (l < X ≤ 2, 1 ≤ Y ≤ 2)
(b) P (2 ≤ X < 4, 2 < Y < 4)
(c) La f.d. de Y
(d) La f.d.p. conjunta de X e Y
(e) P (Y < X ).
59. Supóngase que X e Y tienen una distribución discreta conjunta

cuya f.p. conjunta se define como sigue:
( 1
(x + y ) , x = 0, 1, 2; y = 0, 1, 2, 3,
f (x, y ) = 30
0 , en otro caso
(a) Determínense las f.p. marginales de X e Y ,

(b) ¿Son independientes .X e Y ?
60. Supóngase que X e Y tienen una distribución continua conjunta

cuya f.d.p. conjunta se define como sigue:
( 3 2
(2)y , 0 ≤ x ≤ 2, 0 ≤ y ≤ 1,
f (x, y ) =
0 , en otro caso
(a) Determínense las f.d.p. marginales de X e Y .

(b) ¿Son independientes X e Y ?
(c) ¿Son independientes los sucesos {X < 1} y {Y ≥ 1/2}?
61. Supóngase que la f.d.p. conjunta de X e Y es la siguiente:

( 15 2
( 4 )x , 0 ≤ y ≤ 1 − x 2
f (x, y ) =
0 , en otro caso
174
(a) Determínense las f.d.p. marginales de .X e Y

(b) ¿Son independientes X e Y ?
62. Un establecimiento tiene tres teléfonos públicos. Para i = 0, 1, 2, 3,

sea pi , la probabilidad de que exactamente i teléfonos estén ocu-
pados un lunes cualquiera a las 8 de la noche, y supóngase que
p0 = 0.1, p1 = 0.2, p2 = 0.4 y p3 = 0.3. Sean X e Y el número
de teléfonos ocupados a las 8 de la noche en dos lunes indepen-
dientes. Determínese:
(a) La f.p. conjunta de X e Y .

(b) P (X = Y ).
(c) P (X > Y ).

Y es la siguiente:

c x + y 2 , 0 ≤ x ≤ 1,
(
0≤y≤1
f (x, y ) =
0 , en otro caso
Determínese
(a) La f.d.p. condicional de X para cualquier valor concreto de

Y.
(b) P (Y < 1/2|X = 1/2).

Y es la siguiente:
csen x, 0 ≤ x ≤ π2 ,
(
0≤y≤3
f (x, y ) =
0 , en otro caso
Determínese
(a) La f.d.p. condicional de Y para cualquier valor dado de X

(b) P (1 < Y < 2|X = 0.73).
175

Y es la siguiente:
( 3
(4 − 2x − y ) , x > 0, y > 0, 2x + y < 4,
f (x, y ) = 16
0 , en otro caso
Determínese
(a) La f.d.p. condicional de Y para cualquier valor dado de X.

(b) P (y > 2|X = 0.5).
66. Supóngase que la calificación X de una persona en una prueba

de aptitud de matemáticas es un número entre 0 y 1, y que su
calificación Y en una prueba de aptitudes musicales es también
un número entre 0 y 1. Supóngase, además, que en la población
de todos los estudiantes de bachillerato de Colombia, las califi-
caciones X e Y se distribuyen de acuerdo con la siguiente f.d.p.
conjunta:
( 2
(2x + 3y ) , 0 ≤ x ≤ 1, 0≤y≤1
f (x, y ) = 5
0 , en otro caso
(a) ¿Qué proporción de estudiantes de bachillerato obtienen una

calificación mayor que 0.8 en la prueba de matemáticas?
(b) Si la calificación en la prueba de música de un estudiante
es 0.3, ¿cuál es la probabilidad de que su calificación en la
prueba de matemáticas sea mayor que 0.8?
(c) Si la calificación en la prueba de matemáticas de un estudi-
ante es 0.3, ¿cuál es la probabilidad de que su calificación en
la prueba de música sea mayor que 0.8?
67. Supóngase que una variable aleatoria X puede tomar cada uno
de los siete valores −3, −2, −1, 0, 1, 2, 3 con la misma probabilidad.
Determínese la f.p. de Y = X 2 − X.
68. Supóngase que la f.d.p. de una variable aleatoria X es la siguiente:

( 1
x , 0<x<2
f (x ) = 2
0 , en otro caso
Además,
176
(a) supóngase que Y = .Y (2−X ). Determínense la f.d. y la f.d.p.

de Y .
(b) Supóngase Y = 4 − X 3 . Determínese la f.d.p. de Y
(c) Supóngase Y = aX + b (a , 0). Demuéstrese que la f.d.p. de
Y es la siguiente:
!
1 y −b
g (y ) = f para − ∞ < y < ∞
|a| a
69. Supóngase que la f.d.p. de .X es la siguiente:

( −x
e , x>0
f (x ) =
0 , x≤0
1
Determínese la f.d.p. de Y = X 2 .
70. Supóngase que X1 y X2 tienen una distribución conjunta continua

cuya f.d.p. conjunta es la siguiente:
(
x1 + x2 , 0 < x1 < 1, 0 < x2 < 1
f (x1 , x2 ) =
0 , en otro caso
Determínese
(a) la f.d.p. de Y = X1 X2 .
X1
(b) la f.d.p. conjunta de Z = X2
71. Sean X e Y variables aleatorias cuya f.d.p. conjunta es la sigu-

iente: (
2 (x + y ) si 0 ≤ x ≤ y ≤ 1
f (x, y ) =
0 , en otro caso
Determínese la f.d.p. de Z = X + Y .
72. Supóngase que X1 y X2 son variables aleatorias i.i.d.(identica-

mente distribuidas e independientes) y que la f.d.p. de cada una
de ellas es la siguiente:
e−x si
(
x > 0,
f (x ) =
0 , en otro caso
Determínese la f.d.p. de Y = X1 − X2 .
177
73. Suponga que X1 , X2 , · · · , Xn constituyen una muestra aleatoria de

tamaño n de una distribución
(
c si 0≤x≤1
f (x ) =
0 , en otro caso
si Y = max {X1 , X2 , · · · , Xn } . Determínese el valor más pequeño de

n tal que P (Y ≥ 0.99) ≥ 0.95. (a f (x ) se le llama distribución
uniforme)
74. Sea W el rango de una muestra aleatoria de n observaciones de
una distribución uniforme sobre el intervalo (0, 1). Determínese
el valor de P (W > 0.9).
uniforme sobre el intervalo 0 < x < 1. Demuéstrese que la esper-
anza de 1/X no existe.
76. Supóngase que X e Y tienen una distribución conjunta continua
cuya f.d.p. conjunta la siguiente:
12y 2 , 0 ≤ y ≤ x ≤ 1
(
f (x, y ) =
0 , en otro caso
Determínese el valor de E (XY ).

77. Supóngase que se selecciona al azar un punto de un bastón de
longitud unidad y que se rompe en dos trozos por ese punto. De-
termínese el valor esperado de la longitud del trozo más grande.
78. Supóngase que se libera una partícula del origen del plano xy y
pasa al semiplano en que x > 0. Supóngase que la partícula se
mueve en línea recta y que el ángulo entre el semieje x positivo y
esta línea es α, el cual puede ser positivo o negativo. Supóngase,
por último, que el ángulo α tiene una distribución uniforme so-
bre intervalo (−π/2, π/2). Sea Y la ordenada del punto en que
la partícula corta la recta vertical x = 1. Demuéstrese que la
distribución de Y es una distribución de Cauchy.
79. Supóngase que las variables aleatorias X1 , X2 , · · · , Xn constituyen
una muestra aleatoria(es decir todas la variables son i.i.d) de tamaño
n (de una distribución uniforme sobre el intervalo (0, 1). Sea
Y1 = min{X1 , ..., Xn } y sea
Yn = max{.X1 , ..., Xnn }. Determínense E (Y1 ) y E (Yn )
178
80. Para cualquier par de números a y b tales que a < b, determínese

la varianza de la distribución uniforme sobre el intervalo (a, b ).
81. Supóngase que X es una variable aleatoria cuyas E (X ) = µ y

V ar (X ) = σ 2 . Demuéstrese que E [X (X − 1)] = µ(µ − 1) + σ 2 .
82. Sea X una variable aleatoria cuya E (X ) = µ y V ar (X ) = σ 2 y sea

c cualquier constante. Demuéstrese que
E [(X − c )2 ] = (µ − c )2 + σ 2
83. Supóngase que X e Y son variables aleatorias independientes con

varianzas finitas tales que E (X ) = E (Y ). Demuéstrese que
E [(X − Y )2 ] = V (X ) + V ar (Y ).
84. Supóngase queX e Y son variables aleatorias independientes con

V (X ) = V (Y ) = 3. Determínense los valores de
(a) V (X − Y ),
(b) V (2X − 3Y + 1).
85. Construyase un ejemplo de una distribución cuya media exista,

pero no su varianza.
86. Supóngase que es igualmente verosímil que un valor observado

de X provenga de una distribución continua cuya f.d.p. es f que
de una cuya f.d.p. es g. Supóngase que f (x ) > 0 para 0 < x < 1
y f (x ) = 0 en otro caso y supóngase también que g (x ) > 0 para
2 < x < 4 yg (x ) = 0 en otro caso. Determínese, la media y la
mediana de la distribución de X,
87. Supóngase que la variable aleatoria X tiene una distribución con-

tinua cuya f.d.p. es la siguiente:
(
2x , 0<x<1
f (x ) =
0 en otro caso
Determínese el valor de d que minimiza
(a) E [(X − d )2 ] y
(b) E (|X − d|).
179
88. Supóngase que la calificación X de una persona en un examen

concreto es un número del intervalo 0 ≤ X ≤ 1 y que X tiene una
distribución continua cuya f.d.p. es la siguiente:
x + 21 ,
(
0≤x≤1
f (x ) =
0 en otro caso
Determínese el valor de d que minimiza
(a) E [(X − d )2 ] y
(b) E (|X − d|).
89. Supóngase que la distribución de una variable aleatoria X es simétrica

respecto al punto x = 0 y que E (X 4 ) < ∞. Demuéstrese queE [(X −
d )4 ] se minimiza con el valor d = 0.
90. Supóngase que puede ocurrir un incendio en cualquiera de cinco

puntos a lo largo de una carretera. Estos puntos se localizan en
−3 − 1, 0, 1 y 2 en la 90. Supóngase también que la probabilidad
de que cada uno de estos puntos sea la localización del próximo
incendio que ocurra a lo largo de la carretera es como se repre-
senta en la 90.¿En qué punto a lo largo de la carretera debería
esperar un coche de bomberos para minimizar el valor esperado
del cuadrado de la distancia que debe viajar hasta el siguiente
incendio?
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
-3 -1 0 1 2
fduuhwhud
ej490 Gráfica del ejercicio 90
91. Demuéstrese que si V ar (X ) < ∞ y V ar (Y ) < ∞, entonces Cov (X, Y )

es finita. Sugerencia: Considerando la relación [(X − µX ) ± (Y −
180
µY )]2 ≥ 0, demuestre que
1
| (X − µX ) (Y − µY ) | ≤ [(X − µX )2 + (Y − µY )2 ].
2
92. Supóngase que X tiene una distribución uniforme en el intervalo

(−2, 2) y que Y = X 6 . Demuéstrese que X e Y son no correla-
cionadas.
93. Supóngase que la distribución de una variable aleatoriaX es simétrica

respecto al punto x = 0, que 0 < E (X 4 ) < ∞ y que Y = X 2 . De-
muéstrese que X e Y son no correlacionadas.
94. Para cualesquiera variables aleatorias X eY y constantes a, b, c y

d, demuéstrese que
Cov (aX + 6, cY + d ) = acCov (X, Y )
95. Sean X e Y variables aleatorias tales que 0 < σX2 < ∞ y 0 < σY2 <
∞. Supóngase que U = aX + b y V = cY + d donde a , 0 y c ,
0. Demuéstrese que ρ (U , V )= ρ (X, Y ) si ac > 0 y que ρ (U , V ) =
−ρ (X, Y ) si ac < 0.
96. Sean X, Y y Z tres variables aleatorias tales que Cov (X, Z ) y Cov (Y , Z )
existen y sean a, b y c constantes cualesquiera. Demuéstrese que
Cov (aX + bY + c, Z ) = aCov (X, Z ) + bCov (Y , Z ).
97. Supóngase que X1 , · · · , Xn y Y1 , · · · , Yn son variables aleatorias tales

que Cov (Xi , Yi ) existen para i = 1, ..., n y j = 1, ..., m; y supóngase
que a1 , ..., am y b1 , ..., bn son constantes. Demuéstrese que
 
Xm X n  Xm Xn
Cov  ai Xi , bj Yj  = ai bj Cov Xi , Yj
 
 
i =1 j =1 i =1 j =1
98. Considérese una función de utilidad U para la que U (0) = 0 y

U (100) = 1. Supóngase que a una persona que tiene esta función
de utilidad se muestra indiferente entre aceptar un juego cuya
ganancia será 0 dólares con probabilidad 1/3 ó 100 dólares con
probabilidad 2/3 y aceptar 50 dólares seguros. ¿ Cuál es el valor
U (50)?
181
99. Considérese una función de utilidad U para la que U (0) = 5,

U (1) = 8 y U (2) = 1 Supóngase que una persona que tiene esta
función de utilidad se muestra indiferen entre dos juegos X e Y
para los cuales las distribuciones de probabilidad de 1as ganan-
cias son como sigue:
100. P (X = −1) = 0.6, P (X = 0) = 0.2, P (X = 2) = 0.2, P (Y = 0) =

0.9, P (Y = 1) = 0.1. ¿Cuál es el valor de U (−1)?
101. Supóngase que una persona debe aceptar un juego X con la forma
siguiente: P (X = a) = p y P (X = 1 − a) = 1 − p, donde p es un
número tal que 0 < p < 1. Supóngase también que la persona
puede elegir y fijar el valor de a (0 ≤ a ≤ 1) utilizado en este juego.
Determínese el valor de a que la persona elegiría si su función de
utilidad es U (x ) = log x para x > 0
182
5
Distribuciones
5.0 Introducción
Para realizar predicciones en estadística es necesario establecer un mod-

elo probabilístico y para ello hay que realizar algo más que un his-
tograma una tabulación o una fórmula para representar una variable
aleatoria ya que que con frecuencia , las observaciones que se generan
en diferentes experimentos estadísticos presentan el mismo compor-
tamiento , por lo que las variables aleatorias asociadas a estos exper-
imentos pueden describirse por la misma función de distribucíon ,ya
sea discreta o continua, por esto a continuación presentaremos las fun-
ciones de distribucción más importantes.
183
5.1 Algunas distribuciones discretas importantes
5.1.1 Distribución uniforme
Esta distribución de probabilidad discreta es la más sencilla de todas y

es aquella para la cual la variable aleatoria asociada a ella asume cada
uno de sus valores con idéntica probabilidad es decir
Definición 5.1 Sea X una variable aleatoria que asume los valores
x1 ,x2 ,x3 , · · · xk , con iguales probabilidades, entonces
( 1
si x = x1 , x2 , x3 , · · · xk
f (x, k ) = k
0 si no
Teorema 5.1 Sea X una v.a discreta con distrucuión de probabilidad uni-
forme, entonces
Pk
xi
µ = E (X ) = i =1
k
Pk
( xi − µ ) 2
σ 2 = V (X ) = i =1
k

y se denota X { Ud µ, σ 2
Ejemplo 5.1 Se selecciona a un empleado de un grupo de 10 para super-
visar un cierto proyecto, escogiendo aleatoriamente una placa de una caja
que contiene 10 placas numeradas del 1 al 10. Encuentre la función de
probabilidad de X que representa el número de la placa que se saca y
1. (a) ¿Cuál es la probabilidad de que el número que se saque sea menor
que 4 ?
(b) Encuentre la media y la varianza de X
Solución 5.1.1 Como cada
placa
tiene la misma posibilidad de
salir entonces X { Bd µ, σ 2 la cual es
( 1
si x = 1, 2, 3, · · · 10
f (x, 10) = 10
0 si no
P3 1 3
1. (a) P (4 ≥ X ) = i =1 f (xi ) = (1 + 1 + 1) 10 = 10
P10 P10 2
i = 1 xi i =1 (xi −5.5)
(b) E (X ) = 10 = 11
2 , V (X ) = 10 = 8. 25
184
5.1.2 Distribución de Bernoulli
Si realizamos un experimento una sola vez y observamos si cierto suceso

ocurre o no decimos que este experimento es de Bernoulli y decimos
que la variable aleatoria X la podemos definir
(
0 si no ocurre el suceso
X=
1 si el suceso ocurre
y su función de probabilidad



 q si x=0
f (x, p ) =  p si x=1


 0

en otro caso
y su función de distribucción es



 0 si x<0
F (x, p ) =  q si 1 > x≥0


 1 si

x≥1
En el ejemplo 4.23 se determinó que E(X ) = p yV(X ) = pq en el ejem-

plo 4.27 una variable de Bernoulli con media p y varianza pq se denota
X { B (p, pq )
5.1.3 Distribución binomial
Se dice que una variable aleatoria X tiene una distribución binomial de

parámetros n, p si X = ni=1 Xi donde cada Xi { B (p, pq ) y se denota
P
B (np, npq )
Definición 5.2 Supóngase que se realiza un experimento de Bernoulli n

veces , donde en todas ellas, la probabilidad de éxito es la misma (p), y
queremos calcular el número de éxitos, X obtenidos en el total de n pruebas,
entonces su función de probabilidad es
(nx)px qn−x si x = 0, 1, 2, · · · , n
(
f (x ) =
0 en otro caso
185
figura 5.1 distribución binomial
Por tanto, su función de distribución es
0 si x<0



 P[x] n k n−k

F (x ) =  ( )p q si n ≥ x ≥ 0
 k =0 k1


si x≥n
La esperanza y la varianza se calcularon en los ejemplos 4.23 y 4.27
E (X ) = np, V (X ) = npq
Ejemplo 5.2 Supóngase que la probabilidad de que un cierto experimento

tenga éxito es 0.4 y sea X el número de éxitos que se obtienen en 15 real-
izaciones independientes del experimento. Utilice la tabla de la distribución
binomial para determinar el valor P(9 ≥ X ≥ 6)
Solución 5.2.1 Tenemos que X tiene una distribución binomial con p=0.4
y n=15 por tanto se busca en la tabla estos paramétros y se suman los valores
entre 6 y 9
P (9 ≥ X ≥ 6) = 0.2066 + 0.1771 + 0.1181 + 0.0612

= 0. 563
Ejemplo 5.3 Un cierto sistema electrónico contiene diez componentes. Supón-

gase que la probabilidad de que un componente individual falle es 0.2 y que
los componentes fallan independientemente unos de otros. Dado de que al
menos uno de los componentes ha fallado .¿Cuál es la probabilidad de que
fallen al menos dos de los componentes?
Solución 5.3.1 p=0.2 y n=9 Entonces P(1 ≥ X ≥ 0) = 0.4362
186
5.1.4 Distribución geométrica
Consideremos una sucesión de v.a independientes de Bernoulli

X1 , X2 , X3 , · · ·
donde Xi { B (np, npq ) ∀i = 1, 2, 3, · · ·
Una v.a. X tiene una distribución geométrica o de fracaso , si esta es la
suma del número de fracasos obtenidos hasta la aparición del primer
éxito en la sucesión {Xi }i
X1 X2 X3 · · · X f
..
↓ ↓ ↓ . ↓ ↓
1 0 0 · · · =⇒ 0 f (0) = p
0 1 0 · · · =⇒ 1 f (1) = qp
0 0 1 · · · =⇒ 2 f (2) = qqp
.. .. .. .. .. .. ..
. . . . . . .
Siguiendo este proceso se obtiene que la función de probabilidad es
pqx si x = 0, 1, 2, · · ·
(
f (x ) =
0 en otro caso
Tenemos que
∞
X ∞
X
f (k ) = pqk =
k =0 k =0
∞
X 1
p qk = p =1
1−q
k =0
ya que es una serie geométrica por ser 1≥ q ≥ 0, por lo que nos queda
determinar su esperanza y su varianza
∞
X p pq q
E (X ) = p kqk = 2
= 2
=
(p − 1) (q − 1) p
k =0
∞
X q2 + q q (q + 1)
E X2 = p k 2 qk = p 3
=
(1 − q ) p2
k =0
!2
q (q + 1) q q
V (X ) = 2
− = 2
p p p
187
Ejemplo 5.4 Un matrimonio quiere tener una hija, y por ello deciden tener
hijos hasta el nacimiento de una hija. Calcular la probabilidad de que una
pareja acabe teniendo tres hijos o más
Solución 5.4.1 Vamos a suponer que la probabilidad de tener una niña es

de 23 . Sea X el número de hijos varones que tienen antes de tener una niña.

por lo tanto X { G 12 , 34 , entonces
P (X ≥ 2) = 1 − P (X < 2)
= 1 − p − qp
2 2 1
= 1− − =
3 9 9
5.1.5 Distribución hipergeométrica
Cuando El interés que se tiene es el de determinar la probabilidad de

seleccionar x éxitos de los k posibles resultados o artículos considera-
dos éxitos donde hay n − x resultados considerados fracasos de los N − k
posibles resultados, entonces se realiza un experimento llamado hiper-
geométrico.
Un experimento hipergeométrico es aquel que sigue los siguientes
pasos
1. Se tiene una muestra aleatoria de tamaño n se selecciona sin reem-

plazo un total de N resultados o artículos
2. k artículos del total de N pueden clasificarse como éxitos y N − k

como fracasos.
Entonces el número X de éxitos en un experimento hipergeométrico

recibe el nombre de variable aleatoria hipergeométrica y la distribucón
de probabilidad se llama distribución hipergeométrica
Definición 5.3 La distribución de probabilidad de la variable aleatoria hiper-

geométrica X, el número de éxitos en una muestra aleatoria de tamaño n se-
leccionada de N resultados posibles, de los cuales k son considerados éxitos
y N-k como fracasos es
 k N −k
( )( )
 x (Nn−x

 si x = 1, 2, 3, · · · , n
f (x ) = 
 n)
 0 en otro caso
188
La media y la varianza de una variable hipergeométrica son

nk
E (X ) =
N !
N −n k k
V (X ) = n 1−
N −1 N N
Cuando N −→ ∞ observamos que HG (N , n, p ) −→ B (np, npq )

E (X ) = np y V (X ) = npq N −n
N −1 el cual no es la misma varianza de
la binomial por lo que al factor N −n
N −1 se le llama de correción para la
población finita
Ejemplo 5.5 En un departamento de inspección de envios, se reciben en

forma periódica lotes de ejes de bombas. Los lotes contienen 100 unidades
y el siguiente plan de muestreo de aceptación se utiliza. Se selecciona una
muestra aleatoria de 10 unidades sin reemplazo. El lote se acepta si la mues-
tra no tiene más de un artículo defectuoso : supóngase que se recibe un lote
si éxito una probabilidad de que un artículo sea defectuoso es 0.05 .¿Cuál es
la probabilidad de que sea aceptado?
Solución 5.5.1 Tenemos que determinar P (1 ≥ X ) entonces k = 0.05∗100

1
X (5)( x
95
10−x )
P (1 ≥ X ) = = 0. 923 14 :
x =0 (100
10 )
5.1.6 Distribucción de Poisson
Sea X una variable aleatoria con una distribución discreta y supóngase

que el valor de X debe ser un entero no negativo. Se dice que X tiene
una distribución de Poisson con media λ si la f.p de X es
( −λ x
e λ
x! si x = 1, 2, 3, · · ·
f (x ) =
0 en otro caso
λx P∞ e−λ λx
del cálculo tenemos que eλ = ∞
P P∞
x =0 x! por tanto x =0 f (x ) = x =0 x! =
e−λ eλ = 1
e−λ λx P∞ e−λ λx−1
E (X ) = ∞
P
x =0 x x! = λ x =0 (x−1)! = λ
se deja como ejercicio comprobar
que
E(X (X − 1)) = λ2 = E X 2 − λ
189
V(X ) = λ
Se denota X { P (λ, λ)
Ejemplo 5.6 Cierta enfermedad tiene una probabilidad muy baja de ocur-
rir, p = 10−6 . Calcular la probabilidad de que en una ciudad con 500000
habitantes haya más de 3 personas con dicha enfermedad. Calcular el número
de habitantes que la padecen.
Solución 5.6.1 Si consideramos la v.a X que contabiliza el número de per-

sonas que padecen la enfermedad, es claro que sigue un modelo binomial,
pero mque puede ser aproximado por un modelo de Poisson, tal que λ =
np = 5, es decir X { P (5, 5) , entonces
P (X > 3) = 1 − P (3 ≥ X )
3
X exp (−5) 5i 118 −5
= 1− = 1− e
i! 3
i =0
= 0. 734 97
5.1.6.0 Proceso de poisson

Al definir un proceso de Poisson, consideramos una colección de suce-
sos relativos al tiempo, las cuales generalmente se les denomina lle-
gadas.
Al escoger una variable aleatoria X de interés como el número de lle-
gadas que ocurren en un intervalo de tiempo [0, t ] , obtenemos una
variable discretizada con RX = {0, 1, 2, · · · } y que para determinar su
distribución hay que suponer dos condiciones las cuales solo tienen
sustento empírico
La primera condición es que el número de llegadas durante un inter-
valo de tiempo son representadas por variables aleatorias independi-
entes, la segunda es que exista una constante c > 0 tal que cumpla los
siguientes postulados
1. La probabilidad de que ocurrirá con exactitud una llegada en un

intervalo con duración 4t, es aproximadamente c4t. donde c se
le denomina tasa de llegada media
2. La probabilidad de que ocurrirá exactamente cero llegadas en el

intervalo es aproximadamente 1 − c∆t
190
3. La probabilidad de que ocurra dos o más llegadas en le intervalo

es igual a una cantidad ◦ (∆t ) , donde ◦ es una función de t con la
propiedad que
◦ (t )
lim =0
t−→∞ t
Considerando estos supuestos entonces
λ = c∆t y X { P (c∆t, c∆t )
Ejemplo 5.7 Supóngase que un comerciante determina que elnúmero de

pedidos para un cierto aparato doméstico en un periodo de tiempo partic-
ular tiene una distribución de Poisson con parámetro λ. Al le gustaría de-
terminar el nivel de existencias a para el principio del periodo de manera
que haya una probabilidad de al menos 0.95 de surtir a todos los clientes
que pidan el aparato durante el periodo, pues no desea devolver pedidos ni
volver a surtir el almacen durante ese periodo.
Solución 5.7.1 Si X representa el número de pedidos, entonces
P (a ≥ X ) ≥ 0.95 ⇐⇒ 0.5 ≥ P (X > a)
por lo tanto
∞
X e−λ λx
0.5 ≥
x!
x =(a+1)
De acuerdo con la tabla 7 = a + 1 =⇒ a = 6
Ejemplo 5.8 Un dispositivo electrónico de conmutación ocasionalmente fun-

ciona mal y puede ser necesario reemplazarlo. Se sabe que el dispositivo es
satisfactorio si, en promedio, no comete más de 0.20 errores por hora. Se
selecciona un periodo particular de 5 horas como prueba del dispositivo. Si
no ocurre más de un error, el dispositivo se considera satisfactorio.¿Cuál es
la probabilidad de que un dispositivo se considere insatisfactorio de acuerdo
con la prueba?
Solución 5.8.1 Sea X el número de fallas del dispositivo en 5 horas en-

tonces podemos suponer que está variable sigue un proceso de Poisson tal
que λ = 5 (0.20) = 1 entonces
P (X ≥ 1) = 1 − P (X < 1) = 0.63
191
5.1.7 Distribucción Multinomial
Supóngase que una población contiene artículos de k ≥ 2 tipos dis-

tintos y que la proporción de artículos del tipo i en la población es
pi , i = 1, 2, 3, · · · , k.Supóngase que pi > 0 y que ki=1 pi = 1. Además,
P
supóngase que es seleccionan al azar con reemplazo n artículos de la
población y sea Xi el número de artículos seleccionados que son del
→
−
tipo i. Se dice entonces que el vector aleatorio X = (X1 , · · · , Xk ) tiene
una distribución multinomial con parámetro p (p1 , · · · , pk ) es
( n!
→− si x1 , · · · xk ∈ ZZ +
f x = x1 !···x2 !
0 si no
Donde ki=1 xi = n
P
5.1.7.0 Medias, varianzas y covarianzas
E (Xi ) = npi , V (Xi ) = npi qi

V X i + X j = n pi + pj 1 − pi − pj

cov Xi , Xj = −npi pj ∀i, j = 1, 2, · · · , k
Ejemplo 5.9 Se fabican lápices mecánicos por medio de un proceso que im-
plica una gran cantidad de mano de obra en las operaciones de ensamble.
Éste es un trabajo altamente repetitivo y hay un pago de incentivo. La in-
spección final ha revelado que el 85% del producto es bueno y el 10% de-
fectuoso pero que puede reelaborarse, y el 5% es defectuoso y se desecha.
Estos porsentajes se mantienen constantes todo el tiempo. Se selecciona una
muestra aleatoria de 20 artículos . Si se designa
X1 = número de artículos buenos
X2 = número de artículos defectuosos que se pueden rescatar
X3 = número de artículos que se desechan
Determinar la probabilidad que 18 sean buenos y que 2 se puedan rescatar
Solución 5.9.1 Nos piden la probabilidad

20!
P (18, 2, 0) = (0.85)18 (0.1)2 (0.05)0
(18!) (2!) (0!)
= 0. 101 93
192
5.2 Algunas distribuciones continuas
5.2.1 Distribución uniforme
Se dice que una v.a X tiene una distribución uniforme continua en un

intervalo [a, b ] si su función densidad es
( 1
si x ∈ [a, b ]
f (x ) = b−a
0 en otro caso

y se denota X { Uc µ, σ 2 donde µ es la media y σ 2 es la varianza. Se
puede determinar su función de distribución como


 0 si x<a
 x−a

F (x ) = 
 b−a si x ∈ [a, b ]
 1 si

x≥b
Es fácil calcular su media y su varianza se le deja como ejercicio al lector
b+a
E (X ) =
2
(b − a)2
V (X ) =
12
193
Distribución uniforme
Ejemplo 5.10 Se elige un punto al azar en el intervalo [0,10]. Supóngase

que deseamos encontrar la probabilidad de que el punto esté entre 1.5 y 3.5
si la función de densidad de la v.a aleatoria X es
1
(
10 si x ∈ [0, 10]
f (x ) =
0 si no
Tenemos que
2
P (3, 5 ≥ X ≥ 1, 5) =
10
5.2.2 Distribución exponencial
La distribución exponencial es el equivalente continuo por así decirlo

de la distribución geométrica discreta, Esta describe un proceso en el
que.
Nos interesa saber el tiempo hasta que ocurre determinado evento,

sabiendo que el tiempo que pueda ocurrir desde cualquier instante
dado t, hasta que ello ocurra en un instante tf , no depende del tiempo
trascurrido anteriormente en el que no pasó nada
Si X es una v.a se dice que tiene una distribución exponencial si
(
λe−λx si x > 0
f (x ) =
0 si no
Y su función de distribución es
(
1 − e−λx si x > 0
F (x ) =
0 si no
Su esperanza y su varianza son
1
E (X ) =
λ
1
V (X ) = 2
λ
194
Distribución exponencial
Ejemplo 5.11 Se sabe que un componente electrónico tiene una vida útil
representada por una densidad exponencial con tasa de falla de 10−5 fallas
por hora.Determinar la fracción de tales componentes que podrían fallar
antes de la vida media
Solución 5.11.1 Sea T el tiempo que tarda en dañarse el componente, en-
tonces λ = 105
Z λ1
1

P ≥T = λe−λx dx = 1 − e−1
λ 0
Ejemplo 5.12 Se ha comprado que el tiempo de vida de cierto tipo de marca

pasos sigue una distribución exponencial con media de 16 años. ¿uál es la
probabilidad de que a una persona a la que se le ha implantado este marca
paso se le deba reimplantar otro antes de 20 años?. Si el marca paso lleva
funcionando correctamente 5 años en un paciente, ¿Cuál es la probabilidad
de que haya que cambiarlo antes de 25 años?.
Solución 5.12.1 Sea T la variable aleatoria que mide la duración de un
1
marca pasos en una persona. Tenemos que λ = 16 , entonces
Z 20
P (20 ≥ T ) = f (t ) dt = F (20) = 0.7135
0
ahora tenemos
P (25 ≥ T ≥ 5)
P (25 ≥ T |T ≥ 5) =
P (T ≥ 5)
Por lo tanto
P (25 ≥ T ≥ 5) = F (25) − F (0) = 0.522
P (T ≥ 5) = F (+∞) − F (5) = 0.7316
P (25 ≥ T |T ≥ 5) = 0.7135
195
5.2.3 Distribución normal o Gaussiana
Se dice que una v.a tieneuna distribución

normal de paramétros µ y σ 2
lo que se denota X { N µ, σ 2 si su función de densidad es
1 x−µ 2
f (x ) = √1 e− 2 ( σ) si x ∈ IR
σ 2π
Z x
F (x ) = P (x ≥ X ) = f (x ) dx
−∞
La media y la varianza son
E (X ) = µ
V (X ) = σ 2
• Estas variables tienen una propiedad importante que se llama re-

productividad, es decir la suma de variables aleatorias e inde-
pendientes normales también es normal
• Una propiedad de esta distribución es que es simétrica con re-

specto a la media
• Si X { N (0, 1) se dice que X tiene una distribución normal es-

tándar y su f.d se denota ϕ (X ) y su funciòn de distribución Φ (X )
• Los puntos de inflexión están en x = µ ± σ
•
lim f (x ) = 0 y lim f (x ) = 0
x−→+∞ x−→−∞
196
Figure 5.1: Distribuciones Normales con igual varianza y diferente esperanza
Distribuci ón Normal
Proposición 5.1 Sean a, b ∈ IR, entonces

X { N µ, σ 2 =⇒
Y = aX + b { N aµ + b, (aσ )2

Este resultado
loutilizaremos para estandarizar una variable normal
2 X−µ
Si X { N µ, σ entonces Z = σ { N (0, 1)
Ejemplo 5.13 Supongamos que cierto fenómeno pueda ser representado

mediante una v.a. aleatoria X { N (45, 81), y queremos calcular la proba-
bilidad de que X tome un valor entre 39 y 48,
197
Figure 5.2: Distribuciones Normales con igual media pero diferente varianza
Solución 5.13.1 Para resolver este problema debemos usar la tabla que
aparece al final del capítulo, pero antes hay que estándarizar la variable
de tal manera que
X −µ
Z=
σ
X − 45
= √
81
de modo que si
48 ≥ X ≥ 39 ⇐⇒ 31 ≥ X−45 ≥ −2
3 , entonces
9
1
P (48 ≥ X ≥ 39) = Φ 3 ≥ Z ≥ −2
3 = 0, 378
Cola de la derecha
Z ≤ 13
Ejemplo 5.14 Sugún un estudio de la altura de los varones de cierta ciu-

dad es una variable aleatoria X, que podemos considerar que se distribuye
normalmente con media 175cm y varianza 10cm. Determinar un intervalo
para el cual el 50% de los habitantes de esa ciudad están comprendidos en
él.
Solución 5.14.1 Existen infinitas soluciones para este problema en la grá-

ficas siguientes podemos analizar tres de las tantas posibilidades
198
fig 5.07
X ≥ x0.5 y que x0.75 ≥ X ≥ x0.25 en los dos casos hay que estandarizar
las variables, en el primer caso es obvio que el intervalo es (−∞, 175] en el
segundo caso usaremos la tabla para determinar
z0.75 = 0, 675
x − 175
= 0.75 =⇒
10
x0.75 = 181.75
z0.25 = −0.675
x − 175
= 0.25 =⇒
10
x0.25 = 168, 25
por lo que el intervalo es [168.5;181.75] de los dos resultados escogemos el

segundo por ser de menor longitud y ser simétrico con respecto a la media
199
5.3 Distribución Gamma
Muchos problemas de estadística se resuelven con la distribución Nor-

mal como estudiaremos a partir del próximo capítulo, pero en oca-
siones los problemas nos indican que la distribución de la variable de
interés no es acampanada y simétrica , por lo que tenemos que usar
distribuciones sesgadas y estas son precisamente las familias de dis-
tribuciones Gamma y Beta.
Antes de definir la distribución Gamma definiremos una función
muy utilizada en matemáticas llamada función Gamma y de la cual la
distribución Gamma toma su nombre.
Definición 5.4 (Función Gamma) Para cualquier positivo α, el valor Γ (α )

se define por la integral
Z∞
Γ (α ) = xα−1 e−x dx, (5.1)
0
se puede demostrar que esta integral existe para cualquier α > 0
5.3.1 Propiedades de la función Gamma
Teorema 5.2 Si α > 1, entonces Γ (α ) = (α − 1) Γ (α − 1)

1

Lema 5.1 Si n es un entero positivo se tiene que Γ (n) = (n − 1)! , Γ n + =
2
1 3 5 1 1

n− n− n − ··· Γ
2 2 2 2 2
√
1
Lema 5.2 Γ = π
2
Definición 5.5 (Distribución Gamma) Sea X una variable aleatoria con-
tinua se dice que tiene una distribución Gamma Si su f .d.p es
β α α−1 −βx



 x e para x > 0
f (x ) =  Γ (α ) (5.2)


0 para x ≤ 0


Calculemos la esperanza y la varianza de XAntes de seguir con esta

distribución definiremos una función llamada generadora de momen-
tos
200
Definición 5.6 Sea X una variable aleatoria la función generadora de mo-

mentos se define
ψ (t ) = E etX , para cada real t (5.3)
resulta que ψ 0 (0) = E (X ) , y en general ψ 0 (t ) existe para todos los

valores de t en un intervalo alrededor de t = 0 y además
" n #
(n) d
tX
ψ (0) = E e = E (X n ) (5.4)
dt n t =0
De esta forma la función generadora de momentos para nuestro caso

sería
Z∞
β α Γ (α ) −α
ψ (t ) = etx f (x ) dx = α
α = β (β − t ) , t < β (5.5)
0 Γ ( α ) ( β − t )
Determinemos
∞ Z∞
βα
Z
n
E (X ) = n
x f (x ) dx = xα +n−1 e−βx dx (5.6)
0 Γ (α ) 0
β α Γ (α + n) Γ (α + n)
= α + n
= n
Γ (α ) β β Γ (α )
α (α + 1) (α + 2) · · · (α + n − 1)
βn
es decir
α α (α + 1)
E (X ) = , E X2 = (5.7)
β β2
!2
α (α + 1) α α
V (X ) = 2
− = 2
β β β
!
α α
Si X tiene una distribución Gamma se denota X { Γ ,
β β2
gamma Teorema 5.3 Si las variables aleatorias X1 , X2 , · · · Xk son independientes y

 k k

 X X 
 αi α i

! k 
 
αi αi X  i =1 i = 1

Xi { Γ , 2 , para todo i = 1, 2, 3, · · · , k entonces Xi { Γ  , 2 

β β  β
 β 
i =1
 
 
201
ahora estamos en condiciones de determinar la f .d.a de X
 R∞ λ
(λt )α−1 e−λt dt x > 0

 1− x


F (x ) = 
 Γ ( α ) (5.8)
0 x≤0


si α es un entero positivo esta integral puede integrarse por partes

obteniendo
α−1 −λx
X e (λx )k
F (x ) = 1 − , x>0 (5.9)
k!
k =0
1
0.5
0.8
0.4
0.6
0.3
0.2 0.4
0.1 0.2
0 0
2 4 6 x8 10 12 14 2 4 6 x8 10 12 14
f .d.p de la Gamma f .d.a de la Gamma
que es la suma de los términos de Poisson con media λx con lo que nos
queda que podemos utilizar la distribución de Poisson para calcular la
distribución Gamma f (y ) haciendo y = λx, β = λ−1
1 1

Ejemplo 5.15 Sea X una variable aleatoria tal que X { Exp , 2 , esta
λ λ
variable se puede representar con una Gamma haciendo α = 1, β = λ−1
Ejemplo 5.16 Un sistema de control opera como muestra la figura . al

principio la unidad 1 está en línea, en tanto que las unidades 2 , 3 y 4 están
en espera. Cuando la unidad 1 falla entra en funcionamiento la unidad 2
hasta que falla y entonces se activara la unidad 3, cuando esta falla entre
en funcionamiento la unidad 4 el interruptor de decisión se supone perfecto,
202
por lo que la vida del sistema puede representarse como la suma de las vi-
das de los subsistemas. Así X = X1 + X2 + X3 + X4 . Si la vidas de los
subsistemas son independientes entre sí, y cada subsistema tiene una vida
Xj, j = 1, 2, 3, 4, con f .d.p
 xj
  1 e− 1000

xj ≥ 0

g xj =  (5.10)
 1000 0


xj < 0
Calcule la probabilidad de que el sistema operará al menos x horas
Solución. Entonces X tendrá una f .d.p Gamma con α = 4 y β =

0.001−1 de acuerdo con el teorema5.5 y el ejemplo anterior, decir
0.001

(0.001x )3 e−0.01x x > 0


f (x ) =  (5.11)

3!
0 x≤0


por lo que nos queda

3
X
P (∞ > x ) = e.0.001x (0.001x )k /k! (5.12)
k =0
unidad 1
Unidad 2
Unidad 3
Unidad 4
Ejemplo 5.17 Suponga que el tiempo de reacción X a cierto estímulo en un

individuo seleccionado al azar tiene una distribución estándar (β = 1) con
α = 2s calcular la probabilidad de que el tiempo de reacción sea mayor de 4
Solución entonces tenemos que

1
X e−4 (4)k
P (X > 4) = = 5e−4 = 9. 157 8 × 10−2 (5.13)
k!
k =0
203
Ejercicios 1 Suponga que el tiempo X de supervivencia en semanas, de

un ratón macho seleccionado al azar y expuesto a 240 rads de radiación
gamma, tiene una distribución Gamma con α = 8 y β = 15. El tiempo
esperado de supervivencia es E (X ) = (8) (15) = 120 semanas y la varianza
es V (X ) = (8) (15)2 semanas2 . Cuál es la probabilidad de que un ratón
sobreviva entre 60 y 120 semanas
Solución tenemos que calcular
P (60 < X < 120) = P (X < 120) − P (X < 60)

7 7
X e−(120/15) (120/15)k X e−(60/15) (60/15)k
=− + = 0.495 91
k! k!
k =0 k =0
(5.14)
v
Ejercicios 2 para una distribución gamma con β = 2 y α = , donde v es
2
un entero positivo está distribución así definida se le denomina chi-cuadrada
y se denota χ2 , y su f .d.p es
x2

 v
1 −1 −


 v v!x2 e 2 x > 0
 
f X2 = 

 Γ
(5.15)
2 2
 2




0 x≤0
0.2 1
0.8
0.15
0.6
0.1
0.4
0.05 0.2
0 0 5 10 15 20 25
5 10 15 20 25 x
u
5.4 Distribución Gamma
Muchos problemas de estadística se resuelven con la distribución Nor-

mal como estudiaremos a partir del próximo capítulo, pero en oca-
siones los problemas nos indican que la distribución de la variable de
204
interés no es acampanada y simétrica , por lo que tenemos que usar

distribuciones sesgadas y estas son precisamente las familias de dis-
tribuciones Gamma y Beta.
Antes de definir la distribución Gamma definiremos una función
muy utilizada en matemáticas llamada función Gamma y de la cual la
distribución Gamma toma su nombre.
Definición 5.7 (Función Gamma) Para cualquier positivo α, el valor Γ (α )

se define por la integral
Z∞
Γ (α ) = xα−1 e−x dx, (5.16)
0
se puede demostrar que esta integral existe para cualquier α > 0
5.4.1 Propiedades de la función Gamma
Teorema 5.4 Si α > 1, entonces Γ (α ) = (α − 1) Γ (α − 1)
1

Lema 5.3 Si n es un entero positivo se tiene que Γ (n) = (n − 1)! , Γ n + =
2
1 3 5 1 1

n− n− n − ··· Γ
2 2 2 2 2
√
1
Lema 5.4 Γ = π
2
Definición 5.8 (Distribución Gamma) Sea X una variable aleatoria con-

tinua se dice que tiene una distribución Gamma Si su f .d.p es
β α α−1 −βx



 x e para x > 0
f (x ) =  Γ (α ) (5.17)


0 para x ≤ 0


Calculemos la esperanza y la varianza de XAntes de seguir con esta

distribución definiremos una función llamada generadora de momen-
tos
Definición 5.9 Sea X una variable aleatoria la función generadora de mo-

mentos se define
ψ (t ) = E etX , para cada real t (5.18)
205
resulta que ψ 0 (0) = E (X ) , y en general ψ 0 (t ) existe para todos los

valores de t en un intervalo alrededor de t = 0 y además
d n tX
" #
(n)
ψ (0) = E e = E (X n ) (5.19)
dt n t =0
De esta forma la función generadora de momentos para nuestro caso

sería
Z∞
β α Γ (α ) −α
ψ (t ) = etx f (x ) dx = α
α = β (β − t ) , t < β (5.20)
0 Γ ( α ) ( β − t )
Determinemos
∞ Z∞
βα
Z
n
E (X ) = n
x f (x ) dx = xα +n−1 e−βx dx (5.21)
0 Γ ( α ) 0
β α Γ (α + n) Γ (α + n)
= = n
Γ (α ) β α +n β Γ (α )
α (α + 1) (α + 2) · · · (α + n − 1)
βn
es decir
α α (α + 1)
E (X ) = , E X2 = (5.22)
β β2
!2
α (α + 1) α α
V (X ) = − = 2
β2 β β
!
α α
Si X tiene una distribución Gamma se denota X { Γ ,
β β2
gamma Teorema 5.5 Si las variables aleatorias X1 , X2 , · · · Xk son independientes y

 k k

 X X 
 α i α i

! k 
 
αi αi X 
 i =1 i = 1

Xi { Γ , 2 , para todo i = 1, 2, 3, · · · , k entonces Xi { Γ  , 2 

β β  β β 
i =1  
 
 
ahora estamos en condiciones de determinar la f .d.a de X
206
 R∞ λ
(λt )α−1 e−λt dt x > 0

 1− x


F (x ) = 
 Γ ( α ) (5.23)
0 x≤0


si α es un entero positivo esta integral puede integrarse por partes

obteniendo
α−1 −λx
X e (λx )k
F (x ) = 1 − , x>0 (5.24)
k!
k =0
1
0.5
0.8
0.4
0.6
0.3
0.2 0.4
0.1 0.2
0 0
2 4 6 x8 10 12 14 2 4 6 x8 10 12 14
f .d.p de la Gamma f .d.a de la Gamma
que es la suma de los términos de Poisson con media λx con lo que nos
queda que podemos utilizar la distribución de Poisson para calcular la
distribución Gamma f (y ) haciendo y = λx, β = λ−1
1 1

Ejemplo 5.18 Sea X una variable aleatoria tal que X { Exp , 2 , esta
λ λ
variable se puede representar con una Gamma haciendo α = 1, β = λ−1
Ejemplo 5.19 Un sistema de control opera como muestra la figura . al

principio la unidad 1 está en línea, en tanto que las unidades 2 , 3 y 4 están
en espera. Cuando la unidad 1 falla entra en funcionamiento la unidad 2
hasta que falla y entonces se activara la unidad 3, cuando esta falla entre
en funcionamiento la unidad 4 el interruptor de decisión se supone perfecto,
por lo que la vida del sistema puede representarse como la suma de las vi-
das de los subsistemas. Así X = X1 + X2 + X3 + X4 . Si la vidas de los
207
subsistemas son independientes entre sí, y cada subsistema tiene una vida
Xj, j = 1, 2, 3, 4, con f .d.p
 xj
  1 −
e 1000 xj ≥ 0

g xj =  (5.25)

 1000

 0 xj < 0
Calcule la probabilidad de que el sistema operará al menos x horas
Solución. Entonces X tendrá una f .d.p Gamma con α = 4 y β =

0.001−1 de acuerdo con el teorema5.5 y el ejemplo anterior, decir
0.001

(0.001x )3 e−0.01x x > 0


f (x ) =  (5.26)

3!
0 x≤0


por lo que nos queda
3
X
P (∞ > x ) = e.0.001x (0.001x )k /k! (5.27)
k =0
unidad 1
Unidad 2
Unidad 3
Unidad 4
Ejemplo 5.20 Suponga que el tiempo de reacción X a cierto estímulo en un

individuo seleccionado al azar tiene una distribución estándar (β = 1) con
α = 2s calcular la probabilidad de que el tiempo de reacción sea mayor de 4
Solución entonces tenemos que
1
X e−4 (4)k
P (X > 4) = = 5e−4 = 9. 157 8 × 10−2 (5.28)
k!
k =0
208
Ejercicios 3 Suponga que el tiempo X de supervivencia en semanas, de

un ratón macho seleccionado al azar y expuesto a 240 rads de radiación
gamma, tiene una distribución Gamma con α = 8 y β = 15. El tiempo
esperado de supervivencia es E (X ) = (8) (15) = 120 semanas y la varianza
es V (X ) = (8) (15)2 semanas2 . Cuál es la probabilidad de que un ratón
sobreviva entre 60 y 120 semanas
Solución tenemos que calcular
P (60 < X < 120) = P (X < 120) − P (X < 60)

7 7
X e−(120/15) (120/15)k X e−(60/15) (60/15)k
=− + = 0.495 91
k! k!
k =0 k =0
(5.29)
v
Ejercicios 4 para una distribución gamma con β = 2 y α = , donde v es
2
un entero positivo está distribución así definida se le denomina chi-cuadrada
y se denota χ2 , y su f .d.p es
x2

 v
1 −1 −


 v v!x2 e 2

 x>0
f X2 = 

 Γ
(5.30)



 2 2 2
 0 x≤0
0.2 1
0.8
0.15
0.6
0.1
0.4
0.05 0.2
0 0 5 10 15 20 25
5 10 15 20 25 x
u
5.5 Problemas
209
1. La presión de aire de un ficie del metal y luego se

neumático seleccionado al mide la profundidad de pen-
azar, instalado en un au- etración del punto Suponga
tomóvil nuevo, está normal- que la dureza Rockwell de
mente distribuida con valor cierta aleación está normal-
medio de 31 Ib/pulg2 y mente distribuida con media
desviación estándar de 2 de 70 y desviación estándar
Ib/pulg2 de 3 (suponga que la dureza
Rockwell se mide en una es-
(a) ¿Cuál es la probabili- cala continua)
dad de que la presión
de un neumático selec- (a) Si un espécimen es
cionado al azar exceda aceptable sólo si su
de 30.5 lb/pulg2 ? dureza está entre 67 y
(b) ¿Cuál es la probabili- 75, ¿cuál es la probabil-
dad de que la presión idad de que un espéci-
de un neumático selec- men seleccionado al
cionado al azar se en- azar tenga una dureza
cuentre entre 30.5 y aceptable ?
31.5 Ib/pulg2 ? y ¿entre (b) Si la escala aceptable de
30 y 32 Ib/pulg2 ? dureza fue (70 − c, 70 +
(c) Suponga que un c ), ¿para qué valor de
neumático se considera c tendría una dureza
con presión baja si su aceptable el 95% de to-
presión está debajo de dos los especímenes?
30.4 Ib/pulg2 . ¿Cuál es
(c) Si la escala aceptable
la probabilidad de que
es como en la parte (a)
al menos uno de los cu-
y la dureza de cada
atro neumáticos de un
diez especímenes se-
automóvil se encuentre
leccionados al azar se
desinflado?(sugerencia
determina independi-
Si A = {al menos un
entemente, ¿cuál es el
neumático está desin-
número esperado de
flado}, ¿cuál es el com-
especímenes aceptable
plemento de A?)
entre los diez?
2. La dureza Rockwell de un (d) ¿Cuál es la proba-
metal se determina al gol- bilidad de que a lo
pear con un punto acer- sumo ocho de diez
ado (herramienta) la super- especímenes selec-
210
cionados indepen- una tesis de doctorado en

dientemente tengan matemáticas seleccionado al
una dureza menor de azar. Aun cuando X puede
73.84” (sugerencia Y tomar sólo valores enteros
= el número entre los positivos, suponga que está
diez especímenes con distribuida normalmente en
dureza menor de 73.84 forma aproximada con valor
es una variable bino- esperado de 90 y desviación
mial, ¿cuál es p? estándar de 15 ¿Cuál es la
probabilidad de que una
3. La distribución del peso tesis seleccionada al azar
de paquetes enviados de contenga
cierto modo es normal con
valor medio de 10 libras y (a) A lo sumo 100 páginas
desviación estándar de 2 li- ?
bras. El servicio de pa-
(b) Entre 80 y 110 páginas
quetería desea establecer un
?
valor de peso c, más allá del
cual habrá cargo extra ¿Cuál
6. Haga que X tenga una
valor de c es tal que 99% de
distribución binomial con
todos los paquetes pesen por
parámetros n = 25 y p cal-
lo menos 1 libra abajo del
cule cada una de las sigu-
peso con cargo extra?
ientes probabilidades para
4. Suponga que la tabla de los casos p = 0.5, 0.6 y.8
la distribución normal del
Apéndice contiene Φ(z) sólo (a) P (15 < X < .20)
para z > 0 Explique cómo se (b) P (X≤15)
podría calcular todavía
(c) P (20 < X )
(a) P (−1.72 ≤ Z ≤ −0.55).
(b) P (−1.72 ≤ Z ≤ 0.55). 7. Suponga que el 10% de to-
¿es necesario poner dos los ejes de acero pro-
Φ(z) en la tabla para ducidos por cierto pro-
z negativa?, ¿que ceso están fuera de especi-
propiedad de la curva ficaciones, pero se pueden
normal estándar justi- volver a trabajar (en lu-
fica su respuesta? gar de tener que enviarlos
la chatarra) Considere una
5. Represente por X el número muestra aleatoria de 200 ejes
de páginas de texto de y denote por X el número
211
entre ellos que estén fuera de que ayuda a sostener un

especificaciones y se puedan edificio está normalmente
volver a trabajar ¿Cuál es la distribuida con media de
probabilidad (aproximada) 15.0 kips y desviación es-
de que X sea tándar de 1.25 kips ¿Cuál
es la probabilidad de que la
(a) A lo sumo 30? fuerza
(b) Menosde30?
(a) Sea a lo sumo 17 kips?
(c) Entre 15 y 25
(inclusive)? (b) Se encuentre entre 12 y
17 kips?
8. Suponga que sólo el 40% de (c) Difiera de 15.0 kips en
todos los automovilistas de a lo sumo 2 desvia-
cierto estado usan con reg- ciones estándar?
ularidad su cinturón de se-
guridad Se selecciona al azar 11. Suponga que el tiempo de
una muestra de 500 auto- revelado para un tipo par-
movilistas ¿Cuál es la prob- ticular de papel fotográ-
abilidad de que X este fico cuando se expone a
entre 180 y 230 (inclusive) una fuente luminosa du-
de los automovilistas de la rante 5 s está normalmente
muestra utilice su cinturón distribuido con una media
con regularidad? de 25 s y una desviación es-
tándar de 1.3 s ¿Cuál es la
9. Si X es una va normal con
probabilidad de que
media 80 y desviación están-
dar 10, calcule las siguientes
(a) Una impresión en par-
probabilidades mediante es-
ticular necesite más de
tandanzación
26.5 s para revelarse?
(a) P (X ≤ 80) (b) El tiempo de revelado
(b) P (X < 100) sea por lo menos 23 s?
(c) P (65 < X < 100) (c) El tiempo de revelado
difiera del tiempo es-
(d) P (70 < X )
perado en más de 2.5 s?
(e) P (|X − 80| < 10)
(f) P (85<X ≤ 95) 12. Un tipo particular de tanque
de gasolina para un au-
10. Suponga que la fuerza que tomóvil compacto está dis-
actúa sobre una columna eñado para contener 15 ga-
212
lones Suponga que la capaci- normal con media de 3.04

dad real X de un tanque cm y desviación estándar de
escogido al azar de este 0.02 cm Los corchos acept-
tipo esté normalmente dis- ables tienen diámetros en-
tribuido con media de 15 ga- tre 2.9 cm y 3.1 cm ¿Cuál
lones y desviación estándar máquina tiene más probabil-
de 2 galones idad de producir un corcho
aceptable?
(a) ¿Cuál es la probabili-
dad de que un tanque 14. (a) Si una distribución nor-
seleccionado al azar mal tiene µ = 25 y
contenga a lo sumo 14.8 σ = 5, ¿cuál es el
galones? 91avo percentil de la
(b) ¿Cuál es la probabili- distribución?
dad de que un tanque (b) ¿Cuál es el sexto per-
seleccionado al azar centil de la distribución
contenga entre 14.7 y de la parte (a)?
15.1 galones? (c) El ancho de una linea
(c) Si el automóvil en grabada en un circuito
el que se instala un integrado esta normal-
tanque seleccionado mente distribuido con
al azar recorre ex- media de 3.000 µm y
actamente 25 millas desviación estándar de
por galón, ¿cuál es la 0.150 ¿Que valor sep-
probabilidad de que ara al 10% mas ancho
el automóvil pueda de todas las líneas del
recorrer 370 millas sin otro 90%?
reabastecerse?
15. El articulo "Monte Carlo
13. Hay dos máquinas para cor- Simulation -Tool for Bet-
tar corchos destinados para ter Understanding ofLRFD"
usarse en botellas de vino (J Structural Engr 1993, pp
La primera produce cor- 1586-1599) sugiere que la
chos con diámetros que es- resistencia a la ruptura (ksi)
tán normalmente distribui- para acero grado A36 está
dos con media de 3 cm y normalmente distribuida
desviación estándar de 1 cm con µ=43 y σ =4.5
La segunda máquina pro-
duce corchos con diámetros (a) ¿Cuál es la probabili-
que tienen una distribución dad de que la resisten-
213
cia a la ruptura sea a 18. Se sabe que la distribución

lo sumo 40 y mayor de de resistencia para resistores
60? de cierto tipo es normal,
10% de todos los resistores
(b) ¿Cual valor de resisten-
tienen una resistencia que
cia a la ruptura separa
excede los 10.256 ohms y 5%
de los otros al 75% mas
tiene una resistencia menor
fuerte?
de 9.671 ohms ¿Cuales son
los valores de la media y de
16. El dispositivo automático de la desviación estándar de la
apertura de un paracaídas distribución de resistencia?
militar de carga se ha dis-
eñado para abrir el paracaí- 19. Si el diámetro de un co-
das cuando éste se encuen- jinete está normalmente dis-
tre a 200 m de altura sobre tribuido, ¿cuál es la proba-
el suelo Supongamos que la bilidad de que el diámetro
altitud de apertura en real- de un cojinete seleccionado
idad tiene una distribución al azar esté
normal con valor medio de (a) Dentro de 1.5σ de su
200 m y desviación están- valor medio?
dar de 30 m Habrá daño al
(b) A más de 2 5σ de su
equipo si el paracaídas se
valor medio?
abre a una altitud de menos
de 100 m Cuál es la prob- (c) Entre 1 y 2 σ de su valor
abilidad de que haya daño medio?
a la carga en al menos uno 20. Suponga que sólo 20% de los
de cinco paracaídas lanzado automovilistas se detienen
independientemente? por completo en un crucero,
donde hay un semáforo con
17. La lectura de temperatura de luz roja intermitente en to-
un termopar puesto en un das las direcciones cuando
medio de temperatura con- no haya otros automóviles
stante esta normalmente dis- visibles ¿Cuál es la proba-
tribuida con media µ, la tem- bilidad de que, de 20 auto-
peratura real del entorno, y movilistas seleccionados al
desviación estándar σ ¿Cual azar lleguen al crucero en es-
tendría que ser el valor de σ tas condiciones,
para asegurar que el 95 % de
todas las lecturas se encuen- (a) a lo sumo 5 se detengan
tren dentro de 0.1o de µ? por completo?
214
(b) exactamente 5 se deten- desean este tipo de ra-

gan por completo? queta, ¿cuál es la prob-
(c) por lo menos 5 se de- abilidad de que por lo
tengan por completo? menos seis busquen el
tamaflo extragrande?
(d) ¿Cuántos, de los sigu-
ientes 20 automovilis- (b) Entre diez clientes se-
tas, espera el lector que leccionados al azar,
se detengan por com- ¿cuál es la probabili-
pleto? dad de que el número
que buscan el tamaño
21. Si el 90% de todos los so- extragrande esté dentro
licitantes para cierto tipo de de 1 σ del valor medio?
hipoteca no llenan correcta- (c) La tienda tiene actual-
mente el formato de solici- mente siete raquetas de
tud en la primera remisión, cada modelo ¿Cuál es la
¿cuál es la probabilidad de probabilidad de que los
que entre 15 de estos solici- siguientes diez clientes
tantes seleccionados al azar que buscan esta ra-
queta puedan comprar
(a) por lo menos 12 no el modelo que buscan,
la llenen a la primera de entre la existencia
remisión? actual
(b) entre 10 y 13 inclu-
23. Veinte por ciento de todos
sive no la llenen a la
los teléfonos de cierto tipo
primera remisión?
se remiten para repararse
(c) a lo sumo 2 llenen cuando todavía está vigente
correctamente sus su garantía De éstos, 60%
formatos antesde la se pueden reparar y el otro
remisión inicial 40% debe sustituirse con
aparatos nuevos Si una com-
22. Un tipo particular de ra- paflía compra diez de estos
queta de tenis se fabrica en teléfonos, (,cuál es la proba-
tamaños mediano y extra- bilidad de que exactamente
grande El 60% de todos los se cambien dos dentro del
clientes de cierta tienda bus- periodo de garantía
can el tamaño extragrande
24. Un lote muy grande de
(a) Entre diez clientes se- componentes ha llegado a
leccionados al azar, que un distribuidor El lote se
215
puede clasificar como acept- (d) Repita las partes (a) y

able sólo si la proporción (b) con 15 sustituyendo
de componentes defectuosos a 10 en el plan de
es a lo sumo 10. El muestreo de aceptación
distribuidor determina se- del lote.
leccionar al azar 10 com- (e) ¿Cual de los tres planes
ponentes y aceptar el lote de muestreo, el de la
sólo si el número de com- parte (a) (c) o (d) parece
ponentes defectuosos en la mas satisfactorio, y por
muestra es a lo sumo 2. que?
(a) ¿Cuál es la probabil- 25. Un reglamento. que re-

idad de que el lote quiere que un detector de
sea aceptado cuando humo ( pueda instalar en
la proporción real de todas las casas prefabri-
piezas defectuosas es cadas ha estado en vigor
0.1, 0.05, 0.10, 0.20 y en una ciudad durante un
0.25 ? año. El departamento de
bomberos está preocupado
(b) Denotemos por p la porque muchas casas siguen
proporción real de sin detectores. Sea p = la
piezas defectuosas del verdadera proporción de las
lote Una gráfica de casas que tienen detectores y
P(lote aceptado) como supongamos que se inspec-
función de p, con p en ciona al azar una muestra
el horizontal y P(lote de 25 casas. Si la mues-
aceptado) en el ver- tra indica fuertemente que
tical, se llama curva menos del 80% tienen de-
característica de op- tector el departamento de
eración para el plan de bomberos hará una cam-
muestreo de aceptación paña para que el programa
del lote. Utilice los re- de inspecciones sea obliga-
sultados de la parte (a) torio Debido a lo costoso del
para trazar esta curva programa, el departamento
para 0 ≤ p ≤ 1. prefiere no pedir tales in-
(c) Repita las partes (a) y specciones a menos que la
(b) con "1" sustituyendo evidencia muestral apoye
a "2" en el plan de con argumentos sólidos esta
muestreo de aceptación necesidad Denotenotemos
del lote por X el número de casas con
216
detectores entre las 25 en para cuatro vacantes ha pro-

que se hace muestreo Con- gramado seis entrevistas
sidere rechazar la afirma- para el primer día y cinco
ción de que p ≥ 0.8 si x < para el segundo día de entre-
15, donde x es el valor obser- vistas. Suponga que los can-
vado de X. didatos son entrevistados al
azar
(a) ¿Cuál es la probabili-
dad de que la petición (a) ¿Cuál es la probabil-
sea rechazada cuando idad de que x de los
el valor real de p es 0.8 mejores cuatro can-
(b) ¿Cuál es la probabili- didatos sean entrevis-
dad de no rechazar la tados el primer día?
petición cuando p =0.7? (b) ¿Cuántos de los mejores
o ¿.Cuándo p = 6? cuatro candidatos
pueden esperar ser en-
(c) ¿Cómo cambian las
trevistados el primer
"probabilidades de er-
día?
ror"de las partes (a) y
(b) si el valor de 15 de 28. Veinte parejas de individ-
la regla de decisión se uos que juegan un torneo de
sustituye por 14? bridge han sido sembrados
como 1,· · · , 20 En la primera
26. Un geólogo ha recolectado
parte del torneo, los 20 se
10 especímenes de roca
dividen al azar en 10 parejas
basáltica y 10 de granito
este-oeste y 10 parejas norte-
Si el geólogo instruye a un
sur
asistente de laboratorio para
que seleccione al azar 15 (a) ¿Cuál es la probabil-
de los especímenes para idad de que x de las
analizarlos,¿cuál es la f.d.p mejores 10 parejas ter-
del número de especímenes minen Jugando este-
de basalto seleccionados oeste?
para analizarlos? Cuál es
(b) ¿Cuál es la probabili-
la probabilidad de que to-
dad de que todos los de
dos los especímenes de uno
las mejores cinco pare-
de los dos tipos de roca sean
jas terminen Jugando
seleccionados para análisis?
en la misma dirección?
27. Un director de personal que (c) Si hay 2n parejas, (,cuál
entrevista a 11 ingenieros es la f.d.p de X =
217
el número entre las 30. Suponga que p = P(nace

mejores n parejas que niño) =0. 5. Una pareja
terminan Jugando este- desea tener exactamente dos
oeste, y cuáles son E (X ) niñas en su familia Tendrán
y V(X) hijos hasta que se satisfaga
esta condición.
29. Ha sido puesta en vigor la
segunda etapa de una alerta (a) ¿Cuál es la prob-
de smog en cierta zona del abilidad de que
condado de Los Ángeles, la familia tenga-x
en la que hay 50 empre- hijos(hombres)?
sas industriales Un inspec- (b) ¿Cuál es la probabili-
tor visitará 10 de ellas se- dad de que la familia
leccionadas al azar para ver- tenga cuatro hijos?
ificar las violaciones de los
(c) ¿Cuál es la probabili-
reglamentos
dad de que la familia
(a) Si 15 de las empresas tenga a lo sumo cuatro
violan en realidad al hijos?
menos un reglamento, (d) ¿Cuántos hijos (hom-
¿cuál es la f.d.p del bres) se esperaría que
número de empresas tenga esta familia?,
visitadas por el in- ¿Cuántos hijos se esper-
spector que están vi- ara que tenga esta fa-
olando al menos un milia?
reglamento?
(b) Si hay 500 empresas en 31. Una familia decide tener hi-
la zona, de las cuales jos hasta que tenga tres del
150 están en violación, mismo sexo Si se supone que
aproxime la f.d.p de la P (B) = P[G) =0.5 ¿cual es la
parte (a) por una f.d.p f.d.p de X = número de hijos
más sencilla de la familia?
(c) Para X = el número 32. Tres hermanos y sus esposas
entre las 10 visitadas deciden tener hijos hasta que
que estén en violación, cada familia tenga dos niñas
calcule E(X) y V(X) ¿Cuál es la f.d.p de X = el
tanto para la f.d.p ex- número total de niños (hom-
acta como para la f.d.p bres) nacidos de los her-
aproximada de la parte manos?. ¿Cuál es E (X )
(b) y cómo se compara con el
218
número esperado de hijos cuál es la desviación es-

(hombres) nacidos de cada tándar del número de
hermano? tornados observados?
33. El individuo A tiene un dado 36. Sea X = el número de au-

rojo y B tiene un dado verde tomóviles de un año y mod-
(ambos no cargados) Si cada elo particular que en al-
uno de ellos tira su dado gún momento en el futuro
hasta obtener "dobles" (1 -1, sufrirán una falla grave en
..., 6-6), (,cuál es la f.d.p de el mecanismo de dirección,
X = el número total de veces que ocasionará pérdida com-
que se tira un dado? ¿Cuáles pleta de control a alta ve-
son E (X ) y V(X ) locidad Suponga que X tiene
una distribución de Poisson
34. Haga que X tenga una dis-
con parámetro λ= 10
tnbución de Poisson con
parámetro λ= 5 calcule las (a) ¿Cuál es la probabili-
siguientes probabilidades dad de que a lo sumo
10 automóviles sufran
(a) P(X<8)
dicha falla?
(b) P(X=8)
(b) ¿Cuál es la probabili-
(c) P(9≥X) dad de que entre 10
(d) P(5<X≤8) y 15 (inclusive) au-
tomóviles sufran dicha
(e) P(5<X<8)
falla
35. Suponga que el número X de (c) ¿Cuáles son E (X ) y
tornados observados en una V(X )?
región particular durante un
periodo de 1 año tiene una 37. Considere escribir en un
distnbución de Poisson con disco de computadora y
λ= 8. luego enviar el escrito por
un certificador que cuenta el
(a) Calcule P (X < 5) número de pulsos faltantes
Suponga que este número
(b) Calcule P(6<X <9).
X tiene una distnbución de
(c) Calcule P(lO≥X) Poisson con parámetro λ=
(d) ¿Cuántos tornados se 2. (Sugendo en "Average
puede esperar que se Sample Number for Serm-
observen durante un Cunailed Sampling Using
periodo de un año, y the Poisson Distribution", J
219
Quahty Technology, 1983, pp tipo de automóvil, solicitán-

126-129 ) doles llevar su automóvil a
un distribuidor para com-
(a) ¿Cuál es la probabili- probar la presencia de un
dad de que un disco defecto particular de fab-
tenga exactamente un ricación Suponga que sólo
pulso faltante? 0.05% de tales automóviles
(b) ¿Cuál es la probabili- tienen el defecto Considere
dad de que un disco una muestra aleatoria de 10
tenga al menos dos pul- 000 automóviles.
sos faltantes?
(c) Si dos discos se selec- (a) ¿Cuáles son el valor es-
cionan independien- perado y la desviación
temente, ¿cuál es la estándar del número
probabilidad de que de automóviles de la
ninguno contenga un muestra que tiene el de-
pulso faltante ? fecto?
(b) ¿Cuál es la probabil-
38. Un artículo de LosAngeles idad (aproximada) de
Times (3 de diciembre de que por lo menos 10
1993) reporta que. de cada automóviles en los que
200 personas, una lleva el se efectuó el muestreo
gene defectuoso que oca- tengan el defecto ?
siona cáncer de colon hered-
itario En una muestra de (c) ¿Cuál es la probabil-
1 000 personas, ¿cuál es idad (aproximada) de
la distribución aproximada que ninguno de los au-
del número de quienes ll- tomóviles en los que
evan este gene?.Utilice esta se efectuó el muestreo
distribución para calcular la tengan el defecto?
probabilidad aproximada de
que 40. Suponga que aviones pe-
queños llegan a cierto aerop-
(a) Entre 4 y 7 (inclusive) uerto según un proceso de
lleven el gene Poisson, con tasa λ = 8
(b) Por lo menos 8 lleven el aviones por hora, de modo
gene. que el número de llegadas
durante un periodo de t ho-
39. Se envía un aviso a todos ras es una va de Poisson con
los propietarios de cierto parámetro c = 8t
220
(a) ¿Cuál es la probabil- de ellos. La variable aleato-

idad de que exacta- ria A’es el número de éxitos.
mente 5 aviones pe- Enumere la distribución de
queños lleguen du- probabilidad de X.
rante un periodo de
una hora? Por lo menos 43. Se planean seis misiones es-
5?, ¿Por lo menos 10? paciales independientes a la
luna. La probabilidad esti-
(b) ¿Cuáles son el valor es- mada de éxito de cada mis-
perado y la desviación ión es 0.95. ¿Cuál es
estándar del número de la probabilidad de que al
aviones pequeños que menos cinco de las misiones
lleguen durante un pe- planeadas tengan éxito?
riodo de 90 min?
(c) ¿Cuál es la probabil- 44. La Compañia XYZ ha
idad de que por lo planeado presentaciones de
menos 20 aviones pe- ventas a una docena de
queños lleguen durante clientes importantes. La
un periodo de 2 1/2 probabilidad de recibir un
h (,De que a lo sumo pedido como un resultado
10 lleguen durante este de tal presentación se estima
periodo? en 0.5. ¿Cuál es la probabil-
idad de recibir cuatro o más
pedidos como resultado de
41. El número de infracciones
las reuniones?
expedidas por el lector de
un parquímetro, por viola- 45. Un corredor de bolsa llama
ciones de estacionamiento. a sus 20 más importantes
puede modelarse mediante clientes cada mañana. Si la
un proceso de Poisson con probabilidad de que efectúe
una tasa de cinco infrac- una transacción como resul-
ciones por hora. ¿Cuál es tado de dichas llamadas es
la probabilidad de que ex- de uno a tres, ¿cuáles son las
actamente cinco infracciones posibilidades de que maneje
se expidan durante una hora 10 o más transacciones?
particular?
46. ¿Un proceso de producción
42. Un experimento consta de que manufactura transis-
cuatro ensayos de Bernoulli tores genera, en promedio,
independientes con proba- una fracción de 2 por ciento
bilidad de éxitos en cada uno de piezas defectuosas. Cada
221
dos horas se toma del pro- las primeras tres visita cual
ceso una muestra aleatoria es la probabilidad de que su
de tamaño 50. Si la muestra cuarta visita no sea exitosa?
contiene más de dos piezas
defectuosas el proceso debe 50. Suponga que se van a re-
interrumpirse. Determine alizar cinco experimentos
la probabilidad de que el de laboratorio idénticos in-
proceso será interrumpido dependientes Cada experi-
por medio del esquema de mento es en extremo sensi-
muestreo indicado. ble a las condiciones ambi-
entales, y solo hay una prob-
47. Se sabe que el proceso de abilidad p de que se ten-
producción de luces de un mnará con éxito Grafique,
tablero de automóvil de in- como una función de la
dicador giratorio produce probabilidad de que el
uno por ciento de luces de- quinto experimento sea el
fectuosas. Si este valor per- primero que falle. Obtenga
manece invariable, y se se- matemáticamente el valor de
lecciona al azar una mues- p que maximice la probabil-
tra de 100 luces, encuentre idad de que el quinto ensayo
P(p≤ 0 .03), donde p es la sea el primer experimento
fracción de defectos de la no exitoso.
muestra.
51. La probabilidad de que un
48. Suponga que una muestra submarino hunda un barco
aleatoria de tamaño 200 se enemigo con un disparo de
toma de un proceso que sin torpedos es 8 Si los dis-
tiene una fracción de defec- paros son independientes,
tos de 0.07. Cuál es la prob- determine la probabilidad
abilidad de que p exceda la de hundimiento dentro de
fracción verdadera de defec- los primeros dos disparos, y
tos en una desviación están- dentro de los primeros tres ,
dar?, ¿En dos desviaciones
estándar? y ¿,En tres desvia- 52. En Atlanta la probabili-
ciones estándar? dad de que ocurra una tor-
menta en cualquier dia du-
49. Un agente de bienes raíces rante la primavera es 050
estima que la probabilidad Suponiendo independencia,
de vender una casa es .10.1 ¿cual es la probabilidad de
día de hoy tiene que ver cu- que la primera tormenta
atro clientes Si tiene éxito en ocurra el cinco de abril
222
Suponga que la primavera 56. El número de células de

empieza el 1 de marzo ? sangre por unidad cuadrada
visible bajo el microscopio
53. Una compradora recibe lotes sigue una distribucion de
pequeños (N = 25) de un Poisson con media 4 Encuen-
dispositivo de alta precisión tre la probabilidad de que
Pretende rechazar el lote más de 5 de tales células de
el 95 por ciento de las ve- sangre sean visibles para el
ces si contienen hasta si- observador.
ete unidades defectuosas
Suponga que la compradora 57. Una compaflía grande de se-
decide que la presencia de guros ha descubierto que 2
una unidad defectuosa en la por ciento de la población de
muestra, es suficiente para Estados Unidos esta lesion-
provocar el rechazo Qué tan ada como resultado de algún
grande debe ser el tamaño tipo de accidente particular
de su muestra? Esta compañía tiene 15,000
asegurados que están pro-
54. Se estima que el número tegidos contra tal accidente
de automóviles que pasa Cuál es la probabilidad de
por un cruce particular por que tres o menos reclamos se
hora es de 25 Obtenga la entablen en relación con esas
probabilidad de que menos pólizas de seguro durante el
de 10 vehículos crucen du- siguiente año?, ¿Cinco o mas
rante cualquier intervalo de reclamos?
una hora Suponga que el
núiriero de vehículos sigue 58. Cuadrillas de manten-
una distribución de Poisson. imiento llegan a un almacén
de herramientas solicitando
55. Las llamadas llegan a un una pieza de repuesto par-
tablero de control telefónico ticular de acuerdo con una
de modo tal que el numero distnbución de Poisson con
de llamadas por hora sigue parámetro λ= 2 Tres de es-
una distnbución de Poisson tas piezas de repuesto por lo
con media 10 El equipo general se tienen disponibles
disponible puede manejar Si ocurren mas de tres solici-
hasta 20 llamadas sin que tudes, las cuadrillas deben
se sobrecargue ¿Cuál es la desplazarse a una distan-
probabilidad de que ocurra cia considerable hasta los al-
dicha sobrecarga? macenes centrales
223
(a) En un f.d.a cualquiera, 60. Suponga que el tiempo, en

cuál es la probabilidad horas, que toma reparar
de que se realice un una bomba es una vari-
viaje a los almacenes able aleatoria X que tiene
centrales? una distribución gamma con
(b) Cual es la demanda parámetros α = 2 y β= 1/2.
media esperada para ¿Cuál es la probabilidad de
piezas de repuesto? que en el siguiente servicio
(c) ¿Cuantas piezas de re- (a) tome cuando mucho 1
puesto deben trans- hora reparar la bomba?
portarse si el almacen (b) al menos se requieran
de herramientas tiene 2 horas para reparar la
que dar servicio a las bomba?
cuadnllas que llegan
el 90 por ciento de las 61. En una ciudad cualquiera
veces? el consumo de energía
(d) Cuál es el numero eléctrica, en millones de
esperado de cuadnl- kilowatts-hora, es una vari-
las atendidas diana- able aleatoria X que tiene
mente en el almacén de una distribución gamma con
herramientas? media µ= 6 y σ 2 = 12,
(e) ¿Cuál es el numero es- (a) Encuentre los valores

perado de cuadrillas de α y β.
que realizaran el vi- (b) Encuentre la probabili-
aje a los almacenes dad de que en un de-
generales? terminado día el con-
sumo de energía eléc-
59. En una ciudad cualquiera trica se exceda por 12
el consumo diario de agua kilowatts-hora.
(en millones de litros) sigue
aproximada-mente una dis- 62. El tiempo que transcurre
tribución gamma con α= 2 antes de que una persona
y β = 3. Si la capacidad di- sea atendida en una cafetería
aria para esta ciudad es de es una variable aleatoria que
9 millones dc litros de agua, tiene una distnbución expo-
¿cuál es la probabilidad de nencial con una media de 4
que en un determinado día minutos. Cuál es la proba-
el suministro de agua sea in- bilidad de que una persona
adecuado? sea atendida antes dc que
224
transcurran 3 minutos en al ientes?

menos 4 de los 6 días sigu-
225
226
Contenido
[1] Walpole Ronald. Probabilidad y estadística

Mac Graw-Hill. 1995
[2] Douglas Montgomery. Probabilidad y estadística

Mac Graw-Hill. 1997
[3] Williams Mendenhall. Estadística matemática con aplicaciones

Grupo editorial iberoamericano. 1990
[4] Paul Meyer. Probabilidad y aplicaciones estadísticas

Addison Wesley, 1992
[5] Murray R. Spiegel. Estadística Mac Graw-Hill.1991
[6] Hines William. Probabilidad y estadística

CECSA. 1993
227
228

Estadistica Diapo PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Estadistica Diapo PDF

Caricato da

Copyright:

Formati disponibili

ESTADÍSTICA PARA ADMINISTRADORES

UNIVERSIDAD DEL NORTE

cápitulo 4 Variables aleatorias Página 117

cápitulo Bibliografía Página 227

Cuando definimos la probabilidad en el axioma 1 del capítulo 3 se es-

Tomamos un elemento de A y le asignamos un número, pero esta forma

bilidad, porque los elememtos de A no son números si no conjuntos,

S = {ccc, ccs, csc, css, scc, scs, ssc, sss}

De este modo aparece el concepto de variable unidimensional

de acuerdo con el ejemplo anterior se dfine la variable

la varible X no recibe el calificativo de aleatoria por el echo de asignarle

esta definido de forma precisa), sino por el echo de que al realizar el

• Variable aleatoria discreta . Si toma un número finito o numer-

• Variable aleatoria continua. Si toma un número de valores no

Definición 4.1 Si E es un experimento que tiene como espacio muestral a

Definición 4.2 Si S es el espacio muestral de un experimento E y una vari-

como indica la 4.1.

Definición 4.3 Si A ⊂ S y B ⊂ RX definimos la probabilidad de B como

Nota 4.1 si sobre los elementos de S existe una distribución de probabil-

como indica la 4.1

fig 4.4 Espacio probabílistico

De ahora en adelante denotaremos PX como P pero no se debe con-

4.2 Variables aleatorias discretas

Definición 4.4 Si X es una variable aleatoria discreta, asociamos un número

como cada resultado xi en RX para i = 1, 2, 3 · · · , n, · · · , donde los números

1. f (xi ) ≥ 0 para toda i

3. Dada una variable aleatoria discreta X : S −→ IN , su función de prob-

si xi no es uno de los valores que puede tomar X, entonces f (xi ) = 0

Definición 4.5 (Función de distribución) De una variable aleatoria disc-

Ejemplo 4.1 Analicemos el experimento del lanzamiento de la moneda tratado

(nx)px (1 − p )n−x x = 0, 1, 2, ..., n

donde n es un entero positivo y 0 ≤ p ≤ 1. El ejemplo anterior es un caso

Solución 4.3.1 Si X representa el número de artículos defectuosos entonces

Ya que los casos posibles serían (100

Función de probabilidad ej 4.3

Determine el valor de la constante c

Solución 4.4.1 Debido a que f(x) es una función de probabilidad entonces

Nota 4.3 Si la variable X puede tomar un número enumerable de valores

4.3 Variables aleatorias continuas

Cuando tenemos una variable aleatoria continua no tiene sentido re-

además para todo [a, b ] se tiene

fig 4.5 Función de densidad de f (x )

Nota 4.6 Debido a lo anterior se tiene que

Proposición 4.1 Dado un intervalo de la forma (a, b ], tenemos

Figure 4.1: Función de distribución F

Se puede observar que la cantidad F (b ) − F (a) representa la masa de prob-

• esta función es absolutamente convergente y se verifica

Ejemplo 4.5 Suponga que la f.d.p de una variable aleatoria X es

• Represente graficamente la f.d.p

• encuentre la f.d y representela gráficamente

Solución 4.5.1 • Su representación gráfica es

Gráfica del ejemplo

Ejemplo 4.6 • Determine la gráfica de laf.d.p y determinar la f.d

• Si 0 < x < 1 entonces

f.d del ejemplo 4.6

4.4 Distribuciones de probabilidad conjuntas

En muchas situaciones tratamos problemas donde intervienen más de

Figure 4.2: vector k-dimensional

2. Caso continuo . Si (X1 , X2 ) es un vector aleatorio continuo con espa-

Definición 4.8 Se dice que n variables aleatorias

donde A es cualquier subconjunto de IRk

Definición 4.9 Distribuciones continuas. se dice que n varibles aleatorias

Definición 4.10 La f.d conjunta de k variables aleatorias